高速公路視頻監(jiān)控人工智能應用淺析

摘要：目前，具有300路監(jiān)控視頻的路段已經是一種常態(tài)，具有上千路監(jiān)控視頻的路段也不斷出現(xiàn)。本文探討了如何充分利用豐富的視頻資源，給高速公路的運營管理帶來便利，具體分析高速公路視頻監(jiān)控人工智能應用有關內容。

關鍵詞：高速公路;視頻監(jiān)控;人工智能;神經網(wǎng)絡

1高速公路視頻監(jiān)控系統(tǒng)面臨的問題

1.1人工監(jiān)控存在弊端

監(jiān)控中心采用人工查看視頻的方式進行監(jiān)控，盡管可確保對事件的準確判斷，但是不能避免由人的主觀因素帶來的影響：人會因為長期觀看眾多的顯示畫面而出現(xiàn)疲倦和注意力下降等情況，可能錯過第一時間發(fā)現(xiàn)和處置事件的機會;人會受工作積極性、情緒、身體狀況等主觀因素的影響，而沒有認真觀看監(jiān)控視頻畫面;人在面對沒有很具體地定義的現(xiàn)象時，會出現(xiàn)判斷偏差，如同一個畫面，有人可能認為屬于正常狀態(tài)，有人卻認為已開始擁堵，且不同的路段對這種交通狀況的判斷也不一樣。由于這些弊端，目前高速公路監(jiān)控幾乎不能在事情發(fā)生前發(fā)現(xiàn)不正常的交通行為，也很難及時發(fā)現(xiàn)交通事件，從而第一時間采取處置措施，有時甚至因為一個沒有及時發(fā)現(xiàn)和處置的小事故，導致了更大的二次事故。

1.2顯示設備和監(jiān)控視頻間的矛盾

用于視頻顯示的電視墻和監(jiān)視器的數(shù)量都有限，無法一次性顯示所有的監(jiān)控視頻，這就需要人工切換或自動輪詢來查看視頻，不能及時發(fā)現(xiàn)異常情況。為了克服這個問題，有些監(jiān)控中心采用畫面分割的方式，在一個監(jiān)視器上顯示多個視頻畫面。這種方式表面上看可幾倍地增加顯示的視頻數(shù)量，但由于顯示的畫面變小，畫面的可觀看程度下降，更容易造成監(jiān)控員的視覺疲勞，加劇人工監(jiān)控帶來的影響。

1.3視頻事件檢測不盡人意

在實際使用過程中發(fā)現(xiàn)，視頻事件檢測器在初期人工頻繁干預時還能相對正常工作，隨著時間的推移，檢測器的誤報率越來越高，完全達不到適用水平，反而對日常運營工作形成困擾。

1.4專用產品的局限性

近些年，卡口、車牌識別等基于視頻的專用產品應用到高速公路上，為高速公路監(jiān)控起到了一定的作用。然而，這些產品不能應用于視頻監(jiān)控，必須在視頻監(jiān)控系統(tǒng)外，另外在外場加裝相應的設備，增加了不少建設成本和工作量。這些設備的功能相對單一，只能采集到有限的數(shù)據(jù)，實際上只滿足了用戶上交報表的要求，并沒有起到預期的作用。

2基于人工智能的視頻分析

2.1背景差分法

背景差分法是先通過算法形成一幅背景圖像，用視頻中的當前幀圖像與之相減，再根據(jù)給定閾值分析判斷圖像中的目標。盡管這種方法是最常用的算法，但仍然對與背景亮度相當?shù)哪繕藷o法檢出;對因車燈或反射等光照因素造成的干擾無法抑制;相鄰目標很容易連成一個大目標而識別錯誤。

2.2幀間差分法

幀間差分法就是將視頻信號中前后兩幀圖像對應像素的亮度求差，如果超過給定閾值則表示有運動目標，再根據(jù)目標大小來區(qū)分車和人等。這種方法無法檢測靜止和慢速運動的目標;對于速度太快的目標也會形成超大目標失真，甚至變成兩個目標;還有一些目標會出現(xiàn)空洞和截斷現(xiàn)象;由飛蟲等產生的快速劃過的陰影也會產生假目標。

2.3檢測線法

通過在合適的位置設置亮度與環(huán)境有很大差異的檢測線，或利用環(huán)境中已存在的類似標志，將檢測線所在圖像作為背景保存，再用背景差分法來發(fā)現(xiàn)是否有目標通過檢測線。這種方法除要在檢測位置施劃檢測線外，同樣受光照的影響;對大小差異很大的目標，或類似拖車的目標，很容易出現(xiàn)誤判;對攝像機的視角要求較高，否則當目標密度偏高時，可能無法正確進行目標分割。

2.4光流法

光流法是把檢測區(qū)域的圖像變?yōu)樗俣鹊氖噶繄?，每個向量表示了景物中一個點在圖像中位置的瞬時變化。光流法首先需要計算景物中大量“點”的速度，而這在普通視頻圖像中難以實現(xiàn)，且計算復雜、抗噪性能差，一般需要專用硬件實現(xiàn)。

人工智能沒有統(tǒng)一的定義，可以簡單地說是人類智能在機器上的模擬。而人工神經網(wǎng)絡是人工智能一種廣泛采用的實現(xiàn)。一個神經網(wǎng)絡是一個由簡單處理元構成的規(guī)模宏大的并行分布式處理器。神經網(wǎng)絡在兩個方面與人腦相似：神經網(wǎng)絡獲取的知識是從外界環(huán)境中學習得來的;互連神經元的連接強度，即突觸權值，用于儲存獲取的知識。神經網(wǎng)絡能學習和積累知識，神經網(wǎng)絡的規(guī)模宏大。可見，神經網(wǎng)絡需要具有強大計算能力的硬件支持，這也說明了過去因硬件的能力限制讓神經網(wǎng)絡的研究一度停滯的事實。近期提到的“深度學習”實際上反映在神經網(wǎng)絡的層次規(guī)模上，層次越多，學習能力越強，能學習的知識也越多。然而，層次越多的人工智能模型，需要的計算資源也越龐大，通常要具有強大運算能力的CPU來構建，因此這種模型只能在后臺實施，在前端攝像機上根本無法完成。人工智能之所以不同于以往的技術，體現(xiàn)在其學習能力上。人工智能的學習，不需要人直接參與，甚至不需要人理解，只要提供足夠的學習素材，人工智能就能自動從素材中提取相應特征，從而對與素材同類或類似的目標進行識別。

人工智能的優(yōu)越性是能識別目標，具體到高速公路監(jiān)控視頻的分析上，就是能別車輛和行人，進一步說，能識別不同類型的車輛。這個特征完全不同于以往的技術，它不需要關注背景，不需要目標處于運動狀態(tài)，甚至不需要目標在圖像中完全呈現(xiàn)出來?？梢?，這種技術可以避免各種背景干擾因素的影響，可以允許目標被部分遮擋，甚至在場景變化過程中仍能識別出目標。人工智能是否跟以往的技術一樣，會出現(xiàn)識別不準的問題。就像人的學習過程一樣，知識的積累需要一個過程，既要時間上的積累，也要空間（知識面）上的積累。當發(fā)現(xiàn)人工智能識別目標的準確率不滿意時，可根據(jù)錯誤識別的畫面，收集足夠多的學習素材，對人工智能進行訓練，這樣就可大幅度提高目標識別的準確率。

3結語

人工智能視頻分析系統(tǒng)有兩個特性：一是系統(tǒng)部署簡單，無需改造已有視頻監(jiān)控系統(tǒng)，僅在后端與視頻監(jiān)控系統(tǒng)對接，就可對所獲取的視頻信息進行檢測分析;二是可通過現(xiàn)場收集學習素材，對模型分階段進行訓練，就可以讓檢測分析準確率得到進一步提高，甚至超過預期。

參考文獻：

[1]古麗米拉·買買提.淺析人工智能在視頻監(jiān)控中的應用[J].科技風，2019，（29）：25.

[2]邢磊.高速公路數(shù)字視頻監(jiān)控系統(tǒng)的架構設計[J].中國科技縱橫，2017，（4）：27-28.

（作者單位：遼寧艾特斯智能交通技術有限公司）

作者簡介：韓新宇（1993.12-），男，漢族，遼寧沈陽，東北大學電力電子與電力傳動碩士，助理工程師，研究方向：電力科學與技術。