胡萌

江蘇省交通運輸廳公路事業發展中心

摘 要：文章針對傳統公路交通行業管理低效模式,依托廣泛覆蓋的路網視頻監測設施,研究基於AI視覺的公路交通感知技術,重點研究解決復雜環境下公路交通視頻數據采集與分析性能提升難題,研究公路交通涉及車、路、環境全要素特征的提取技術,研發基於AI機器視覺的公路交通感知應用平臺,實現路網運行監測、路產路權監測多樣化公路交通事件智能檢測。經推廣應用實踐證明,可為公路交通行業管理提供低成本、廣覆蓋、精準化智能感知手段。

關鍵詞：公路交通感知;AI機器視覺;路網視頻監測設施;路網運行監測;路產路權監測;

作者簡介：胡萌(1973—),男,碩士,研究員級高級工程師,研究方向:公路建設及養護工程管理。;

0 引言

傳統公路交通行業管理多依靠“車載人走”“人盯屏幕”方式開展路網運行監測、路產路權狀態檢查，存在勞動強度大、漏檢風險高、主觀判斷強等問題，不利於公路交通行業管理提質增效[1]。由此加強公路交通感知技術升級，為行業管理提供智能化、數字化手段成為研究熱點和發展趨勢。在眾多的公路交通感知手段中，視頻圖像包含廣域的、豐富的交通細節信息，因此，有效結合AI機器視覺技術，將為公路交通感知提供智能化、精準化的檢測手段。

目前的研究多聚焦於公路交通流參數、基礎設施信息采集及資產管理等具體領域AI機器視覺應用。國外美國、日本和澳大利亞等率先將機器視覺技術應用於路面狀態檢測領域，但多基於車載視頻圖像識別，比如進入我國市場的美國Waylink數字式高速公路多功能檢測車、澳大利亞ARRB多功能監測車等，在車載終端安裝高清攝像頭、相關補光設備以及定位系統，可實時進行路面狀態自動檢測識別。該類型設備檢測較為穩定、準確性較高，但存在購置成本較高、難以適應大范圍路面狀態檢測難題[2]。國內路面狀態自動檢測技術研究也取得了顯著成果，典型的路面檢測系統有南京理工大學的JG-1檢測車、武漢大學的SINC-RTM檢測車等，武漢理工大學章先陣等也開展了基於視頻圖像的公路設施狀態檢測研究。國內外現有研究成果涉及應用場景范圍較窄，與公路巡查業務缺乏有效結合，存在成本較高、難以大規模推廣應用等問題。

我國自“十二五”開始逐步建設、加密公路網視頻監控體系，為公路交通感知提供良好基礎，但是目前AI機器視覺技術應用於路網視頻監控體系尚存在廣度和深度不足問題。因此，該文重點研究解決復雜環境導致公路交通事件感知準確率低、泛化性能不足等共性技術問題，研究復雜環境下公路交通全要素特征提取及分析技術，進而研發面向基於AI機器視覺的公路交通感知應用平臺，實現路網運行監測、路產路權狀態監測多場景下多樣化公路交通事件精準感知並大范圍推廣應用。

1 總體思路

項目面向路網運行監測、路產路權狀態監測行業需求，針對復雜環境下公路交通事件視頻分析難題，研究公路交通視頻數據采集與分析的性能提升技術、全要素特征提取及分析技術，開發系列AI機器視覺的公路交通感知應用映泰，並進行研發成果轉化與產業化推廣應用。研究技術路線如圖1所示。

2 技術研究

2.1 研究公路交通視頻數據采集與分析的性能提升技術

針對公路交通事件復雜、隨機性強、視頻圖像幹擾因素多樣等特點，通過公路視頻采集優化技術、交通事件圖像樣本擴展技術、視頻圖像深度學習技術，提升基於視頻機器視覺的交通感知準確性和泛化性能，形成公路交通視頻圖像采集及處理的共性技術成果[3]。

該文首先研究公路網關鍵路段及節點辨識技術，提出公路網視頻監測點優化佈局原則，為公路網異常事件的及時發現、處置提供功能適用、經濟合理的最優方案；在關鍵路段及節點辨識的基礎上，進一步研究公路事件視頻圖像采集技術要求，以保證復雜公路環境下的圖像采集效率及質量；最後研究公路交通視頻雲端一體化管理，在滿足公路管理者使用需求的基礎上，進一步滿足社會公眾的高並發訪問，實現視頻秒播。

2.1.1 公路交通視頻數據采集優化技術

在資源有限的情況，公路網視頻監測點位的佈局應根據路網拓撲結構、交通流特性以及歷史事件數據等，綜合考慮事件發生後對路網的影響、事件發生的概率以及事件的惡劣程度，根據這兩個因素找到關鍵路段和節點並進行優先考慮，從而盡可能降低事件發生後對整體路網的影響程度。該文創新性地提出基於成本和事件檢測效果的路網監測點位佈設方法，運用路網動態配流模型，結合道路條件，分析視頻監測點位佈局與交通擁堵、低速緩行等路網事件檢測效率之間的相關性，獲得路網異常事件檢測效率與成本效益最優的監測點佈局策略。研究視頻監控安裝高度H與檢測范圍L的關系，得出L=15×H。通過此研究結論，提出攝像機安裝高度在8 m以上，推薦選用8 m、10 m和12 m的安裝高度，若攝像機的安裝高度低於8 m，則會造成檢測性能下降。

圖1 總體研究思路 下載原圖

2.1.2 小樣本下的公路交通機器視覺精度提升技術

目前機器視覺精度提升多依賴大量樣本學習，制約了公路交通機器視覺應用。由於采集的公路視頻圖像數據庫，包含單個公路路產組成的圖像和多個公路路產組成的圖像，隨機剪裁、適當旋轉並不會影響其屬性，因此采用隨機縮放、旋轉圖像、鏡像翻轉、添加椒鹽噪聲等多種幾何變換以補充數據集，解決數據集樣本數量不足的問題。創新應用深度卷積生成對抗神經網絡（DCGAN）進行數據增強，相同公路交通應用場景下相同模型的訓練樣本數量要求降低35%以上，深度學習模型識別精度提升5%以上；提出結合公路知識圖譜監督學習的深度學習網絡優化方法，融合雨雪條件下機器視覺算法精度提升技術，提高公路異常事件、靜態交通車輛識別精度5%以上。

2.1.3 復雜公路交通環境下的機器視覺算法泛化性能提升技術

目前機器視覺模型多依賴特定樣本學習，隻能針對具體應用場景，難以適應真實、多變的公路交通環境，易受雨雪等環境因素影響。該文提出視頻數據結構化方案，將非結構化視頻數據轉化為批量標準化數據，提高樣本學習模型的通用性和識別精確性；研究批量正則化的復雜機器視覺模型構建方法，進一步優化學習模型泛化性能[4]。研究雨雪條件下交通事件視頻檢測算法精度提升技術，結合雨雪的物理特性，運用亮度平均、卡爾曼濾波等方法排除雨雪幹擾因素，提高雨雪天氣情況下公路交通機器視覺數據采集的精度，顯著提高公路交通機器視覺數據的質量。

2.2 研究基於視頻圖像的公路交通全要素特征提取及分析技術

為避免單一交通要素感知帶來的信息失真問題、突破交通多要素識別效能低等技術難題，結合多源信息融合，研究基於公路視頻的車、路、環境各交通要素特征提取與分析技術，構建不同對象、不同特征、不同場景下的復雜目標檢測與特征辨識能力。

2.2.1 基於多維特征的車輛檢測及跟蹤技術

采用統計特征分析及深度學習相結合的方法，實現車輛目標的檢測與判別，並通過背景建模等方式，降低光線、天氣等環境變化所造成的幹擾。研究基於部分確定軌跡的多假設跟蹤算法，解決多目標連續跟蹤難題，利用連續多幀圖像間的關聯信息，生成多種假設軌跡，並計算每一種假設的先驗概率，結合表觀和運動信息進行預測，同時引入顏色信息進行匹配，提高關聯精度，實現動態多目標的跟蹤。利用多幀關聯信息，優化檢測結果，並通過軌跡分析及當前狀態檢測，實現路段、路口、匝道等多場景下的車流量、平均車速、車頭間距、車頭時距、車道空間占有率等信息綜合感知提取及結構化分析，解決多車道、相互遮擋下多目標連續檢測跟蹤技術難題。

2.2.2 基於機器視覺的公路交通事件檢測技術

路面病害是公路養護的重點內容。該文采用像素級語義分割的背景建模方法分離路面，創新運用基於Tamura紋理特征及深度學習的路面病害檢測技術，首先根據粗糙度、對比度、方向度等紋理特征，初步判斷大概率具有路面病害檢測的區域，進一步結合YOLO、Fast-CNN卷積神經網絡進行路面病害定位檢測，顯著提升檢測精度。

2.2.3 基於機器視覺的路域環境異常檢測技術

傳統的路面濕滑狀況判別技術為人工或運用路面傳感器進行檢測，公路能見度的檢測也多依靠光學儀器，造價成本高、易受外界環境幹擾因素影響。該文創新性地提出基於RBF神經網絡的濕滑道路圖像判別方法，通過路面的灰度、形狀和紋理特征分析，智能檢測幹燥路面、潮濕路面、水膜路面、淤泥路面、冰雪路面、松雪路面、積雪路面、水冰路面等8種濕滑路面的檢測。創新性地提出基於深度學習的公路交通能見度視頻檢測技術，以路側交通標志為參考物，提取公路視頻監控場景內交通標志對比度特征，融合溫濕度、交通視頻數據，運用D-S證據理論，從駕駛人的視角敏感檢測能見度變化。

3 應用效果

創新應用公路視頻圖像采集與處理、特征提取技術，面向公路交通管理業務需求，提供基於AI機器視覺的公路交通運行監測、路產路權異常檢測等系統功能，並進行推廣應用。

3.1 基於AI機器視覺的交通運行態勢分析系統

依托高速公路、國省幹線廣泛覆蓋的路側視頻監控，該文基於AI機器視覺的交通運行態勢分析系統提供交通運行監測、路網事件時空規律分析。基於機器視覺技術，實現大范圍路網全局性的交通流、路網管理事件、養護事件、公路環境監測。該系統在此基礎上，基於機器視覺的精細化交通流檢測技術，提供公路交通擁擠度、交通組成特征、交通運行指數、路網服務水平等多維度運行指標分析，基於GIS平臺可視化展現路網綜合運行狀態[5]。

該系統如圖2所示，自2019年以來在南京、連雲港等普通國省幹線開展示范應用，創新運用Faster R-CNN卷積神經網絡，實現復雜交通流環境下的目標車輛快速識別、精準定位，機動車識別準確率可達96.1%；結合高清地圖、已有交調數據，提供實時的、現實場景映射下的交通流全視角、多過程運行狀態監測；在天氣、視距良好、無視覺幹擾、無背光或反光情況下，對機動車識別準確率為96.1%，對非機動車識別的準確率達到95.8%，對行人識別的準確率達到96.2%。

圖2 公路交通運行監測系統 下載原圖

3.2 基於AI機器視覺的路產路權異常檢測系統

該文基於公路交通視覺數據關鍵技術、全要素特征提取及判別分析技術，開發基於AI機器視覺的路產路權異常檢測系統，包括公路養護與路網管理移動應用、平臺兩類應用，實現現場養護巡查、路政執法稽查與後臺監管、任務派發、統計分析的聯動。巡查平臺實現養護巡查、路政執法、超限超載事件管理與統計分析，支撐公路交通基礎設施、沿線附屬設施的可視化管理，支持多部門人員協同調度與聯合執法，提高公路養護與路政協同巡查工作效率。

該系統如圖3所示，自2019年以來在南通、徐州等普通國省幹線開展示范應用，結合深度卷積神經網絡的目標檢測、像素級語義分割的背景建模、改進的圖像多維特征提取技術，實現了公路客運上下客流及行人精確檢測，為公路客運沿途帶客管理、公路打谷曬場、違法設攤、未經批準的現場施工等典型公路事件提供了智能檢測手段，實現公路客運違法上下客檢測準確率86%以上、違法設攤檢測準確率96.43%、違法施工現場檢測準確率96.77%、打谷曬場檢測準確率92%。

圖3 路產路權異常檢測系統 下載原圖

4 結論

該文依托廣泛覆蓋的路網視頻監測設施，解決復雜環境導致公路交通事件感知準確率低、泛化性能不足等共性技術問題，研究公路交通涉及車、路、環境全要素特征提取技術，研發基於AI機器視覺的公路交通感知應用平臺，實現路網運行監測、路產路權監測多樣化公路交通事件智能檢測。

突破AI機器視覺與交通行業管理深度融合應用難題，賦能國省幹線公路已有視頻資源，在南京、無錫、南通、徐州、連雲港等多地部署應用，實現了人工巡查向智能巡查的轉變，極大地提升了公路交通行業管理效率，為公路交通提供低成本、廣覆蓋、精準化智能感知手段。

參考文獻

[1] 何彥霖,萬劍,謝斌.基於固定視頻的公路智能化巡查系統設計[J].交通科技,2019(4):109-113.

[2] 張羽西,馮剛.基於北鬥衛星定位的高速公路異物檢測[J].中國交通信息化,2019(1):127-128 134.

[3] 孫周,曹愛輝.基於三維視覺的高速公路視頻檢測技術[J].數字技術與應用,2018(11):74-76.

[4] 傅福林,晉勝國.基於物聯網的智能交通檢測與應急管理系統[J].中國公共安全,2016(12):45-54.

[5] 黃亮.高清與智能在高速公路視頻監控中的應用[J].中國公共安全(綜合版),2011(3):138-141.

聲明：我們尊重原創，也註重分享。有部分內容來自互聯網，版權歸原作者所有，僅供學習參考之用，禁止用於商業用途，如無意中侵犯了哪個媒體、公司、企業或個人等的知識產權，請聯系刪除（郵箱：[email protected]），另本頭條號推送內容僅代表作者觀點，與頭條號運營方無關，內容真偽請讀者自行鑒別，本頭條號不承擔任何責任。