基于多目標(biāo)檢測(cè)的交通監(jiān)測(cè)反饋系統(tǒng)

1   研究背景及意義

中國經(jīng)濟(jì)實(shí)力的快速發(fā)展使中國汽車持有量大幅增加，但伴隨而來的是交通擁堵、交通事故等一系列交通安全問題，其中事故產(chǎn)生的大部分原因是由于車輛的異常駕駛行為導(dǎo)致的。在龐大的交通監(jiān)控?cái)?shù)據(jù)集中，車輛的異常駕駛行為是隨機(jī)偶發(fā)的小概率事件，所以對(duì)于車輛異常行為的監(jiān)控調(diào)查不可能僅僅只由人工來完成，必須要依靠現(xiàn)代的自動(dòng)化算法實(shí)現(xiàn)智能實(shí)時(shí)監(jiān)測(cè)。

目前道路視頻監(jiān)控的功能主要是幫助管理人員對(duì)事故原因進(jìn)行調(diào)查，在事故發(fā)生之后才發(fā)揮作用。這種人工搜索既耗費(fèi)大量人力，又難以滿足對(duì)事故實(shí)時(shí)性、精準(zhǔn)性的分析，無法做到對(duì)交通事故的早期預(yù)防。

針對(duì)現(xiàn)代城市交通現(xiàn)狀，本文設(shè)計(jì)了一套基于多目標(biāo)檢測(cè)的交通監(jiān)測(cè)反饋系統(tǒng)。該系統(tǒng)可對(duì)車流量、車速等指標(biāo)進(jìn)行智能監(jiān)測(cè)，依次判斷是否存在交通擁堵等異常狀況，并對(duì)車輛異常軌跡進(jìn)行預(yù)測(cè)。該系統(tǒng)的應(yīng)用能降低交通負(fù)荷，有助于交通安全，改善城市交通現(xiàn)況。

2   研究現(xiàn)狀

2.1 目標(biāo)檢測(cè)算法

目標(biāo)檢測(cè)算法大致分傳統(tǒng)和基于深度學(xué)習(xí)兩個(gè)主要階段。

第一階段在2000 年前后，這期間所提出的方法大多基于滑動(dòng)窗口和人工特征提取，存在計(jì)算復(fù)雜度高以及復(fù)雜場(chǎng)景下魯棒性差的缺陷^[1]。

第二階段是2014 年至今，以2014 年提出的R-CNN算法為開端。這些算法利用深度學(xué)習(xí)技術(shù)自動(dòng)的抽取輸入圖像中的隱藏特征，對(duì)樣本進(jìn)行更高精度的分類和預(yù)測(cè)。

2.2 目標(biāo)跟蹤算法

初始目標(biāo)跟蹤算法專注于目標(biāo)特征點(diǎn)的變化。例如光流法，光流是一種經(jīng)典的初始跟蹤算法，獲得與相鄰幀中的特征點(diǎn)一致的光流，并最終使用像素特征點(diǎn)進(jìn)行跟蹤，并將其獨(dú)特變化用于估計(jì)目標(biāo)的移動(dòng)狀態(tài)。通過這種辦法以跟蹤目標(biāo)。然而，使用光流方法的目標(biāo)跟蹤有很多局限性。因此，在光流方法中，使用harris 特征點(diǎn)代替像素特征點(diǎn)的算法出現(xiàn)，考慮到減少算法的計(jì)算負(fù)荷和引入前景約束等條件下，khan 等[1] 人對(duì)此進(jìn)行了改進(jìn)，提高了匹配精度和成功率。雖然基于光流方法的改進(jìn)算法達(dá)到了較好的效果，但是這種算法仍然具有許多缺點(diǎn)和較高的計(jì)算量。之后jumani 等[2] 人提出了一種在c-cot（用于視覺跟蹤的連續(xù)卷積算子）中訓(xùn)練連續(xù)卷積濾波器的方法。為了解決不同卷積層的不同分辨率問題，使用頻域隱式插值模型來綜合特征圖。對(duì)連續(xù)區(qū)域進(jìn)行插值有助于多分辨率簽名的集成，使得不同的分辨率簽名可以被輸入到濾波器以估計(jì)目標(biāo)位置。

3   基于多目標(biāo)檢測(cè)的交通監(jiān)測(cè)反饋系統(tǒng)方案

本系統(tǒng)在WebStorm 和PyCharm 環(huán)境中開發(fā)完成，通過Python 語言編寫，通過改進(jìn)的YOLO-V3 算法對(duì)多目標(biāo)進(jìn)行檢測(cè)和精確追蹤，獲得車流量、車速與一定范圍內(nèi)行車輛軌跡數(shù)據(jù)；并利用計(jì)算機(jī)視覺庫將最終結(jié)果顯示出來，使用軌跡跟蹤模型預(yù)測(cè)控制（MPC）對(duì)車輛行跡進(jìn)行監(jiān)測(cè)繪制與評(píng)估；對(duì)危險(xiǎn)駕駛行為能夠較為準(zhǔn)確預(yù)測(cè)，并向終端傳遞警示信息。整體方案設(shè)計(jì)如圖1。

圖1 方案設(shè)計(jì)流程圖

3.1 硬件功能說明

監(jiān)控?cái)z像頭模塊是本系統(tǒng)的硬件部分。監(jiān)控?cái)z像頭在本設(shè)計(jì)中起到系統(tǒng)“眼睛”的角色。監(jiān)控?cái)z像頭在道路上的裝備率很高，可以對(duì)路面的狀況實(shí)時(shí)監(jiān)控，能夠很好地滿足本系統(tǒng)對(duì)交通路段圖像采集的要求。

圖2 監(jiān)控?cái)z像頭實(shí)物圖

3.2 軟件功能說明

3.2.1 YOLO-V3算法

YOLO 是一個(gè)預(yù)先訓(xùn)練的對(duì)象檢測(cè)器，它使用Darknet-53 作為特征提取的骨干網(wǎng)絡(luò)，并使用三種規(guī)模預(yù)測(cè)。DarkNet-53 再次成為卷積神經(jīng)網(wǎng)絡(luò)，具有53 層。DarkNet-53 是一個(gè)完全卷積神經(jīng)網(wǎng)絡(luò)。池化層被步幅為 2 的卷積運(yùn)算所取代。此外，使用殘余單位以避免梯度色散。

YOLO V3 被設(shè)計(jì)為多尺度探測(cè)器，而不是圖像分類器^[3]。因此，對(duì)于對(duì)象檢測(cè)，分類頭通過向此體系結(jié)構(gòu)附加檢測(cè)頭來替換。此后，輸出是具有邊界框坐標(biāo)和概率類的向量。YOLO V3 繼承了Darknet-53 作為其骨干，這是一個(gè)訓(xùn)練具有53 層神經(jīng)網(wǎng)絡(luò)的框架。此外，對(duì)于對(duì)象檢測(cè)任務(wù)，在其上堆疊了另外53 層，總共累積為106 層全卷積架構(gòu)。由于其多尺度特征融合層，YOLO V3 使用3 個(gè)不同尺度的特征圖進(jìn)行目標(biāo)檢測(cè)。改進(jìn)的YOLO-V3 算法能夠完成本系統(tǒng)對(duì)多目標(biāo)車輛進(jìn)行檢測(cè)和精確追蹤的要求。

圖3 YOLO-V3目標(biāo)檢測(cè)算法框架

3.2.2 車流量監(jiān)測(cè)模塊

在城市 里，小型汽車是主要的交通工具。該系統(tǒng)在不同時(shí)間段對(duì)不同道路上的小型汽車交通進(jìn)行監(jiān)控，并對(duì)城市道路上的實(shí)時(shí)交通情況進(jìn)行分析和預(yù)測(cè)^[4]，為監(jiān)管人員提供實(shí)時(shí)的道路交通數(shù)據(jù)。交通流監(jiān)控模塊改進(jìn)了YOLO-V3 算法模型，使用訓(xùn)練好的多目標(biāo)檢測(cè)視頻每幀中的目標(biāo)車輛。采用多目標(biāo)跟蹤監(jiān)測(cè)算法對(duì)存在交通風(fēng)險(xiǎn)的車輛進(jìn)行標(biāo)記和跟蹤。通過劃分固定檢測(cè)區(qū)域，統(tǒng)計(jì)視頻時(shí)段內(nèi)路段的交通量和多車道進(jìn)出車輛的數(shù)量。

改進(jìn)的YOLO-V3 算法在視頻圖像中框選并檢測(cè)車輛目標(biāo)，本時(shí)段進(jìn)出檢測(cè)區(qū)域的車輛數(shù)量為道路交通流量。通過比較檢測(cè)盒中心與檢測(cè)紅線之間的位置關(guān)系，可以判斷車輛是離開還是進(jìn)入該區(qū)域，并統(tǒng)計(jì)多車道交通流數(shù)據(jù)。監(jiān)控過程如圖4 所示。

圖4 車流量監(jiān)測(cè)流程圖

3.2.3 車速監(jiān)測(cè)模塊

本系統(tǒng)的 車速監(jiān)控模塊計(jì)算車輛通過固定視頻幀中的平均位移除以幀差，以獲得車輛在當(dāng)前時(shí)間段的移動(dòng)速度。當(dāng)車速低于或高于安全閾值時(shí)，判斷車輛處于異常狀態(tài)；當(dāng)異常時(shí)間大于設(shè)定的最大閾值時(shí)，將判斷車輛已處于危險(xiǎn)駕駛狀態(tài)，系統(tǒng)將異常信息發(fā)送給相關(guān)管理人員，交由專人進(jìn)行處理。

降低城市交通事故發(fā)生率的首要途徑是依據(jù)道路交通規(guī)章制度來限制車輛行駛速度。本系統(tǒng)采 用多目標(biāo)跟蹤技術(shù)在監(jiān)控視頻中監(jiān)控車速。當(dāng)車速異常時(shí)，系統(tǒng)會(huì)及時(shí)報(bào)警，反饋給后端以便工作人員及時(shí)處理。車速監(jiān)測(cè)模塊是通過計(jì)算一段時(shí)間內(nèi)檢測(cè)框中心坐標(biāo)點(diǎn)的平均位移量求得車輛速度。設(shè)在T₁ 幀時(shí)檢測(cè)框中心坐標(biāo)為( x₁， y₁)，在T2 幀時(shí)檢測(cè)框中心坐標(biāo)為( x₂，y₂ )，則根據(jù)下列式子求得T₁ 到T₂ 幀車輛運(yùn)動(dòng)速度V( T₁，T₂)：

當(dāng)V( T₁ ， T₂ ) 小于設(shè)定閾值Vs ，表示車輛處于停止?fàn)顟B(tài)；如果停車時(shí) 間長于閾值時(shí)間T，本系統(tǒng)將判定該車輛為異常停車狀態(tài)。我們?cè)趶母╊暯桥臄z的真實(shí)道路場(chǎng)景中進(jìn)行了功能測(cè)試，測(cè)試結(jié)果如圖5 所示。

圖5 車速監(jiān)測(cè)模塊檢測(cè)結(jié)果

3.2.4 LSTM-AdaBoost模型

LSTM-AdaBoost 集成軌跡預(yù)測(cè)模型與單一的LSTM 模型相比精度有了顯著提高，并且預(yù)測(cè)結(jié)果中的異常數(shù)據(jù)更少，具有更好的穩(wěn)定性。預(yù)測(cè)對(duì)比結(jié)果也表明增加意圖預(yù)測(cè)模塊有助于提升換道軌跡預(yù)測(cè)的精度。

AdaBoost 是目前最常用的增強(qiáng)方法。Boosting 通過1 次訓(xùn)練和添加1 個(gè)組件分類器來創(chuàng)建分類器的集合。每個(gè)新的分類器都使用不同的示例子集進(jìn)行訓(xùn)練。新的訓(xùn)練子集包含按當(dāng)前融合錯(cuò)誤分類的示例。通過對(duì)困難的例子進(jìn)行這種迭代選擇，提升方法可以提高任何監(jiān)督式機(jī)器學(xué)習(xí)算法的準(zhǔn)確性。盡管每個(gè)分量分類器的精度僅高于平均值，但融合的聯(lián)合決策規(guī)則對(duì)于所有先前選擇的訓(xùn)練示例都具有很高的精度。

圖6 LSTM算法結(jié)構(gòu)圖

LSTM-AdaBoost 集成軌跡預(yù)測(cè)模型有助于本系統(tǒng)提高換道軌跡預(yù)測(cè)的精度。

3.2.5 警報(bào)系統(tǒng)

本文的警報(bào)系統(tǒng)能夠展示從后端獲取到的交通視頻以及分析完 成的交通監(jiān)測(cè)數(shù)據(jù)。當(dāng)分析識(shí)別到危險(xiǎn)交通行為或發(fā)現(xiàn)車流量及車速異常時(shí)，警報(bào)系統(tǒng)會(huì)及時(shí)反饋相關(guān)數(shù)據(jù)給管制人員和駕駛員，幫助其及時(shí)做出應(yīng)對(duì)措施，避免交通事故的發(fā) 生。

4   基于多目標(biāo)檢測(cè)的交通監(jiān)測(cè)反饋系統(tǒng)的性能測(cè)試

為了驗(yàn)證交通監(jiān)控和反饋系統(tǒng)的整體功能，測(cè) 試人員在簡單背景的開闊場(chǎng)地中握住三角形角反射器，模擬單個(gè)目標(biāo)進(jìn)行S 形曲線運(yùn)動(dòng)，并測(cè)試交通監(jiān)控和反饋系統(tǒng)的目標(biāo)跟蹤能力。通過該測(cè)試，還可以全面測(cè)試交通監(jiān)控和反饋系統(tǒng)的角度測(cè)量和距離測(cè)量能力。在測(cè)試過程中，測(cè)試儀在SecureCRT 軟件中輸入指令，通過串口將系統(tǒng)檢測(cè)到的目標(biāo)距離、角度和速度信息上傳到上位機(jī)，將返回的信息以文本形式保存，返回實(shí)驗(yàn)室后對(duì)輸出結(jié)果進(jìn)行分析。測(cè)試曲線如圖7 所示。

圖7 性能測(cè)試曲線

交通監(jiān)測(cè)反饋系統(tǒng)的檢測(cè)準(zhǔn)確性與實(shí)際檢測(cè)結(jié)果的準(zhǔn)確性見表1 所示。

表1 交通監(jiān)測(cè)反饋系統(tǒng)與實(shí)際測(cè)定檢測(cè)結(jié)果   m

由表1 可知，交通監(jiān)測(cè)反饋系統(tǒng)的檢測(cè)距離與實(shí)際測(cè)量距離的誤差較小，滿足工業(yè)使用要求。

6   結(jié)束語

本文針對(duì)現(xiàn)代城市交通現(xiàn)狀，針對(duì)城市車輛異常行為如駕駛員疲勞駕駛、車輛故障等異常進(jìn)行監(jiān)測(cè)，當(dāng)發(fā)現(xiàn)異常時(shí)會(huì)及時(shí)報(bào)警進(jìn)行提醒， 可以在一定程度上減少交通事故的發(fā)生。能夠預(yù)防因車輛異常而導(dǎo)致的交通擁堵和交通事故，具備很強(qiáng)的現(xiàn)實(shí)應(yīng)用性。

參考文獻(xiàn)：

[1] 張明.基于YOLOv5算法的觀影人數(shù)檢測(cè)模型探索[J].現(xiàn)代電影技術(shù),2022(2):42-46.

[2] 胡心怡.基于小目標(biāo)的智能交通監(jiān)測(cè)系統(tǒng)[D].杭州:杭州電子科技大學(xué),2021.

[3] 王霞.基于無線傳感網(wǎng)絡(luò)的道路信息監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].信息通信,2020(9):55-57.

[4] 謝文佳.基于無線傳感網(wǎng)絡(luò)的押運(yùn)信息感知監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].西安:西安電子科技大學(xué),2011.

（本文來源于《電子產(chǎn)品世界》雜志2022年12月期）