交通部運輸研究所Institute of Transportation, MOTC

       車流理論依據觀察角度可分為巨觀與微觀，巨觀車流探討車輛的整體行為，微觀車流探討車輛與車輛之間的行為。在交通資料中，車流軌跡資料為最詳細的資料型式，能夠描述車輛在單位時間上的空間位置。文獻上目前最被認可的軌跡資料是美國聯邦公路管理局的Next Generation SIMulation(NGSIM)資料庫，至今已使用於許多車流研究中。然而，NGSIM資料庫的軌跡資料品質並未有公認的量化方式，因NGSIM的影片收集方式為多部不同視角之攝影機架攝於高樓斜角拍攝，存在視差及陰影等問題，且過去影像辨識技術之不足，導致車流軌跡有跳動的情形，近年更有研究進一步探討NGSIM資料的精確度問題，進而發展出軌跡重建技術，使重建後的軌跡資料能更合理並能應用於精細的微觀行為分析研究。
       NGSIM 每一地點只包含45分鐘之車流軌跡資料，所涵蓋的車流情境非常有限，加上受影像解析度所限，軌跡資料品質也難以再提升。因近年新興科技如無人機(Unmanned Aerial Vehicle, UAV)、電腦視覺(Computer Vision, CV)技術的急速發展，已有應用於交通調查精進的案例，可用於類似NGSIM車流軌跡的蒐集，但其精確度尚有待評估。
       因此，本研究對於無人機在高速公路路段所蒐集之影像，搭配深度學習影像辨識技術萃取之車流軌跡，設計軌跡資料之品質評估方法，並提出考慮影像偵測誤差分布之軌跡重建方法，對於不合理的軌跡予以修正，提高軌跡資料的品質。最後結合軌跡與空拍影片，將重建後的車輛四角坐標套回空拍影片，以便於人工確認重建後軌跡的品質以及車輛框格(bounding box)的正確性與密合程度。本研究進一步計算巨觀與微觀車流特性，比較軌跡重建前與重建後之差異。研究結果顯示，不論車流密度高低的情況下，軌跡重建後都有顯著的品質改善。