基于YOLO+DeepSort的出租车检测及交通流影响研究

摘要

为了解决出租车与黄色小型车辆外观相似、不易区分的问题，以哈尔滨市出租车为研究对象，以YOLOv5+DeepSort为基本框架，新增交通量与速度检测模块。基于视频采集数据，建立出租车目标检测数据集与出租车图像数据集，采用深度学习方法构建车型识别模型。建立了考虑出租车比例因素的速度影响模型，分析了畅行状态下出租车运行特征。结果表明：结合深度学习的出租车车型识别精确率高达0.88;畅行状态下出租车平均速度比其他车型高5～15 km/h;出租车比例对全局平均速度及速度-流量曲线增长趋势存在一定影响；考虑出租车比例的速度影响模型在继承传统BPR模型优点的同时，精度提升了20%左右。

关键词

交通运输规划与管理 / 深度学习 / 出租车 / 运行特征 / 车型识别

基金资助

国家自然科学基金青年科学基金项目(71701041); 黑龙江省自然科学基金项目(LH2019E007)