資料處理

取得影像檔案後，需要進行資料之處理。因為資料來源為兩部不同之攝影機，則 需要將分別影像結合。兩部攝影機拍攝角度有些微不同，但可透過 Adobe Premium 影 像軟體進行圖像變形並銜接，達成一定之辨識度即可。利用手動調整兩影片畫面之比 例，達到肉眼所能辨識之原則，完成後結果如下圖所示：

圖 4-16 影像銜接圖

因為攝影機架設於大樓上，無法取得真正之道路上空俯視圖，需要進行角度轉換。首 先計算道路到觀測大樓之距離和大樓高度，算出攝影機拍攝之角度。實際道路屬於三 維空間，必須分別對𝑦軸和𝑧軸校正。

43

44

45

46

47

圖 4-19 實際拍攝之影像

因連續之影像檔案並無法直接用於分析，故將實際道路測量距離，透過攝影機拍 攝角度計算出轉換矩陣。先將影片檔案已連續截圖方式轉成圖片檔，再以人工方式利 用車輛點擊程式標出螢幕上之車輛座標，透過轉換矩陣計算出車輛實際於道路上之座 標值。本研究以 Matlab 為開發工具，建立車輛點擊程式。程式能夠儲存每輛小客車和 機車於畫面上之座標位置，並同時在下一時階的畫面中追蹤同一輛車的位置，依序記 錄移動之位置。當有新的車輛進入實驗路段，則另外新增資料，並給予獨特的車輛編 號；若是車輛行駛離開實驗路段，則將此車輛之編號資料停止，不再繼續追蹤。經由 非連續的車輛座標可得到每輛車於道路上之行駛軌跡，並可得知車與車之間之空間車 距，可用於求解微觀車流模式。為求解巨觀車流模式，故需計算上游道路長度 L 之路 段內之車輛數，以得知上游路段之輸入車流密度，代入巨觀車流模式內計算。到達轉 換介面時，得知上游車流之密度與速率，即可求解出該時階之流量，進而求得何時車 輛被產生。如下圖所示，紀錄所有於時階為 1 時之車輛座標，紅點為小客車，綠點為 機車。點擊的過程中，因為角度與畫面的扭曲關係，很難判斷車輛高度，亦無法準確 量測車輛正中心所在座標，故統一以同樣方式點擊所有同種類車輛：車輛點擊位置於 車尾車牌處；機車則點擊於輪胎與地面接觸的位置。

1 2 3

4 5 6

7 8

9 10 11

12 13

14

15

48

圖 4-20 車輛點擊程式使用畫面

當車輛座標資料取得後，進行切割道路區塊並以 Eulerian 座標描述上游巨觀路段，

將道路分區段和不同車道，以個別區域為單位。

本實驗所蒐集之資料為一段連續時間上車輛之行駛軌跡，將所獲得之空間座標資 料顯示後，發現道路線形並非為單純直線，因為公車專用道設置之緣故，使得實驗道 路有部分彎曲。整體而言，道路曲度並不大，故求得道路中間之車道線之座標點資料，

並顯示於座標圖中，如圖 4-19 所示。再以配適方法找出其趨勢線，最後以多項式形式，

並順序選取至五階，求得兩條車道線之趨勢函數。最後以其趨勢線函數進行資料點的 調整。經調整過後之結果如圖 4-20 所示。故將所有車輛座標資料以同樣方式調整。

49

圖 4-21 車道線之空間座標圖-調整前

圖 4-22 車道線之空間座標圖-調整後

然而車輛座標本身仍然解析度過大，本研究所資料當把個別車輛之軌跡線資料篩選出 來，並呈現於 x-y 座標上觀察車輛移動情況。圖 4-20 為以 Excel 呈現之數據資料表，

其座標解析度高，然而對於以人工方式點擊之數據資料卻無法確保資料之準確性與精 確度，故進行車輛軌跡平滑化作業。首先挑選出單一車輛，列出連續三秒之座標位置，

並以加權方式取得其平滑座標，如下式所示：

50

(𝑥̅₂, 𝑦̅₂) =(𝑥₁, 𝑦₁) + 2(𝑥₂, 𝑦₂) + (𝑥₃, 𝑦₃) 4

透過此方式可剔除部分因人工作業造成之錯誤，也使得車輛軌跡表現較為平順。而因 資料為人工蒐集且以多人分工形式完成，故需要將不同時間之資料做連結。在兩兩資 料之間，取同一個時間點之資料進行比對。將所有車輛之座標位置進行距離差檢測，

找出距離最小的即為同一車輛。結合的過程中發現有些許車輛被遺漏，其多為紅燈停 等之車輛，故考慮將之視為於下一時階離開道路的車輛。

51