基于深度學(xué)習(xí)的車道級隧道交通參數(shù)視頻檢測系統(tǒng)研究

董輝 曹潺 張峻領(lǐng)

1. 中鐵旸谷（北京）智慧科技產(chǎn)業(yè)有限公司 北京 100000；

2. 成都旸谷信息技術(shù)有限公司 四川 成都 610000

引言

近年來，隨著城市經(jīng)濟(jì)的快速發(fā)展，各城市老城區(qū)存在發(fā)展空間和動力不足的問題。研究表明，車輛通行流量隨車輛密度的增加而增大，達(dá)到峰值后，隨車輛密度的增加而減少；事故發(fā)生風(fēng)險亦然。因此，可采用合理的交通流量控制策略，合理控制隧道內(nèi)的車輛密度可使通行效率最佳、事故發(fā)生概率最小。然而，所有交通流量控制策略均建立在隧道各個區(qū)段車流量和平均車速等交通參數(shù)采集的基礎(chǔ)上。在當(dāng)前隧道基礎(chǔ)設(shè)施配置下，僅可通過車感器實(shí)現(xiàn)對出入口車流量統(tǒng)計(jì)，無法實(shí)現(xiàn)各區(qū)段通行特征的精確感知，因此為實(shí)現(xiàn)交通流量控制功能，有必要研究車道級交通參數(shù)檢測系統(tǒng)實(shí)現(xiàn)交通流量智慧管控功能。

1 系統(tǒng)需求分析

交通參數(shù)包含車流量、平均車速、占有率，將檢測精度劃分為三個等級，精度要求如下所示，其中精度級別II和III主要用于交通狀態(tài)的粗略估計(jì)，擁堵狀態(tài)分區(qū)段顏色顯示、整體通行狀態(tài)評估等。交通流量控制采用模型估計(jì)的方法，并以交通參數(shù)作為模型計(jì)算依據(jù)，交通參數(shù)的檢測精度對估計(jì)結(jié)果有較大的影響，因此該系統(tǒng)檢測精度應(yīng)不低于I級。

2 實(shí)施方案比選

（1）微波車輛檢測器。微波車輛檢測器是一種利用數(shù)字雷達(dá)波檢測技術(shù)實(shí)時檢測交通流量、平均車速、車型及車道占用率等交通數(shù)據(jù)的產(chǎn)品。采用側(cè)掛式，在扇形區(qū)域內(nèi)發(fā)射連續(xù)的低功率調(diào)制微波，通過反射波實(shí)現(xiàn)車輛計(jì)數(shù)，并根據(jù)特定區(qū)域的所有車型假定一個固定的車長，通過感應(yīng)投影區(qū)域內(nèi)的車輛的進(jìn)入與離開經(jīng)歷的時間來計(jì)算車速。

（2）陣列雷達(dá)檢測器?；驹硎菓?yīng)用“多普勒效應(yīng)”，利用持續(xù)不斷發(fā)射出電波的裝置，當(dāng)無線電波在行進(jìn)的過程中，碰到物體時被反射,而且其反彈回來的電波波長會隨著所碰到的物體的移動狀態(tài)而改變。經(jīng)由計(jì)算之后，便可得知該物體與雷達(dá)之間相對移動速度。

（3）視頻分析儀。其原理是，通過采集視頻圖像識別視頻中車輛，并分析車輛停止、逆行、行人闖入等交通事件以及車流量、車速等交通參數(shù)[1]。該系統(tǒng)主要應(yīng)用于高速公路、普通公路，規(guī)范定義視頻交通事件檢測器或以交通事件檢測為主、以交通參數(shù)檢測為輔。當(dāng)前的視頻分析儀產(chǎn)品均以交通事件檢測為主，交通參數(shù)檢測存在檢測精度低的問題。

以上三種方式均采用了不同的物理原理實(shí)現(xiàn)交通參數(shù)檢測。綜合對比，陣列雷達(dá)檢測器雖檢測精度高，但投資較高；微波車輛檢測器投資相對較低，但存在檢測精度低、誤差大等問題。因此，若視頻分析方式可滿足使用需求，其優(yōu)勢明顯高于其他技術(shù)方案。

3 視頻分析算法研究

（1）車輛識別。本文采用物體檢測算法實(shí)現(xiàn)視頻圖像中的車輛識別功能。物體檢測算法是人工智能領(lǐng)域的一個重要分支，可借鑒的基礎(chǔ)算法框架有FasterR-CNN、YOLO、MaskRCNN等，其中FasterR-CNN、YOLO消耗的計(jì)算機(jī)資源較少，計(jì)算速度較快，可實(shí)現(xiàn)實(shí)時檢測，但在真實(shí)環(huán)境下的識別率相對較低；MaskR-CNN識別率較高，但計(jì)算機(jī)資源消耗較大，且計(jì)算速度慢，較難實(shí)現(xiàn)實(shí)時檢測。本文作者首先采用FasterRCNN、YOLO進(jìn)行測試，測試結(jié)果顯示兩種算法的檢測精度均無法滿足I級精度級別要求，而采用MaskR-CNN后車輛識別率高達(dá)99.9%（僅事故車輛出現(xiàn)漏檢，識別率仍可提升）。因此，提高M(jìn)askR-CNN的計(jì)算速度成為重點(diǎn)。

（2）算法框架優(yōu)化。MaskR-CNN論文原文[2]采用Tensorflow作為基礎(chǔ)算法框架，并有部分計(jì)算過程采用內(nèi)存計(jì)算。為提升計(jì)算速度，本文采用Pytorch框架對算法進(jìn)行了重新改寫，并將實(shí)時計(jì)算部分均移植到GPU中進(jìn)行計(jì)算，對GPU的資源要求更高，但計(jì)算速度可得到大幅提升。

（3）訓(xùn)練樣本數(shù)據(jù)。本文樣本數(shù)據(jù)源自實(shí)際隧道的視頻監(jiān)控系統(tǒng)，通過采集大量的圖像數(shù)據(jù)，并對5萬輛通行車輛進(jìn)行標(biāo)注。標(biāo)注過程中選取了不同隧道位置、視頻角度、車輛類型等，以提高模型的識別能力。

（4）試驗(yàn)對比。本文試驗(yàn)采用實(shí)車測試方式，即，派遣真實(shí)車輛在隧道中以70km/h的速度勻速行駛，視頻分析系統(tǒng)通過獲取實(shí)時視頻流檢測派遣車輛的行駛速度。本次試驗(yàn)，最大誤差11%，最小誤差1.4%，平均誤差6.09%，滿足使用需求。

（5）相關(guān)事項(xiàng)驗(yàn)證。平均計(jì)算速度：平均單幀圖像識別速度約為72ms，最大75ms，最小70ms，滿足使用需求。

圖像像素：本文主要采用720P的視頻資源作為基礎(chǔ)數(shù)據(jù)，經(jīng)驗(yàn)證1080P同樣滿足要求，只需在獲取圖像后對單幀視頻圖像進(jìn)行壓縮處理即可，總體時間仍可控制在90ms以內(nèi)。

4 結(jié)束語

本文結(jié)合智能交通管控的應(yīng)用需求研究了基于深度學(xué)習(xí)的車流量和車速識別算法，基本滿足應(yīng)用需求，為智能交通管控系統(tǒng)的實(shí)現(xiàn)奠定了數(shù)據(jù)基礎(chǔ)。由于實(shí)驗(yàn)數(shù)據(jù)有限，算法的實(shí)際驗(yàn)證并不充分，本文作者也將在后續(xù)研究中進(jìn)一步通過實(shí)際數(shù)據(jù)驗(yàn)證以完善識別算法。