基于全類型攝像機視頻分析實現(xiàn)電動自行車違法監(jiān)測的研究與應(yīng)用

謝剛 董歡 高瑞山

1. 天津市公安局交通警察總隊 天津 300000；

2. 北京市商湯科技開發(fā)有限公司 北京 100080

引言

電動自行車以其輕便、省時省力、價格低廉等優(yōu)點，迅速成為中短距離出行的代步工具。近年來，天津市電動自行車保有量逐年上升，隨之而來的是一些不容忽視的問題，部分電動自行車騎車人不遵守交通法規(guī)，不戴頭盔、闖入機動車道、逆行、載人等多類違法行為時有發(fā)生，導(dǎo)致交通事故頻繁發(fā)生。務(wù)須利用人工智能技術(shù)、大數(shù)據(jù)技術(shù)等發(fā)展成果，構(gòu)筑以提升道路安全隱患感知能力、城市交通運行有序維護(hù)能力、電動自行車違法執(zhí)法管控能力的智能化模型，通過科技手段助力管理智能化[1]。

1 現(xiàn)狀分析

近年來，天津市電動自行車保有量逐年上升，每年增長率超過20%，當(dāng)前全市電動自行車約有240萬量。駕駛電動自行車上路的群體包括了多個群體，主要有上班族：單位在居住地附近，主要用來上下班代步之用；本地居民：主要用來出行、市場買菜、接送小孩；特殊行業(yè)：主要用來送餐、送貨、送報紙、雜貨等。其中，外賣車占了較大的比例。尤其是受疫情影響，外出就餐的人數(shù)大幅下降，相比之下，外賣的需求量大幅度提高。而無論是外賣、快遞、短距離出行，電動自行車都是一個良好的“幫手”。

雖然電動自行車具備諸多優(yōu)點，但部分電動自行車騎車人安全意識薄弱、不遵守交通法規(guī)，導(dǎo)致交通事故頻繁發(fā)生。據(jù)統(tǒng)計，2019年天津市交通事故死亡人數(shù)比去年同期下降11.93%，但電動自行車事故占23.41%，同比上升6.13%。從現(xiàn)今的數(shù)據(jù)統(tǒng)計中不難看出，電動自行車安全行駛管理仍然有更進(jìn)一步空間。

2 業(yè)務(wù)設(shè)計

數(shù)據(jù)采集：結(jié)合區(qū)域路段特點，選取接入前端攝像機，支持違停球、卡口、電警、普通相機等多類型設(shè)備。

模型分析：基于深度學(xué)習(xí)的計算機視覺算法對視圖資源進(jìn)行解析。

整改建議：針對監(jiān)測的區(qū)域路段違法行為數(shù)據(jù)進(jìn)行研判分析，結(jié)合道路基礎(chǔ)設(shè)施情況，提供整改建議。

整改評價：針對進(jìn)行整改區(qū)域路段進(jìn)行監(jiān)測，分析整改效果[2]。

圖1 業(yè)務(wù)流程設(shè)計框架

3 分析模型

3.1 騎車不戴頭盔

利用城市道路卡口或安裝于電動自行車道攝像機，通過對監(jiān)控視頻流進(jìn)行分析，首先識別車型是否為電動自行車，檢測到電動自行車后識別駕駛員是否戴頭盔，當(dāng)識別出不戴頭盔行為后，進(jìn)行特征識別分析，包括人臉、人體屬性等。通過人臉識別還原電動自行車駕駛員身份，以此做到精準(zhǔn)管控。

3.2 逆行

電動自行車逆行檢測算法對視頻ROI區(qū)域范圍內(nèi)的電動自行車目標(biāo)進(jìn)行檢測，并依據(jù)劃定的行駛方向，判斷電動自行車當(dāng)前方向是否與劃定方向是否一致，不一致時即輸出違法告警信息。

3.3 闖入機動車道

通過機動車道之上電子卡口或電警相機，利用監(jiān)控視頻流進(jìn)行分析，當(dāng)識別到有電動自行車進(jìn)入機動車道時進(jìn)行圖像截取，通過卡口攝像機的視頻檢測識別聯(lián)動，分析電動自行車占道過程中的兩張圖片，采集電動自行車占道的違法全過程。

3.4 電動自行車載人

電動自行車作為最普通的交通工具，載人現(xiàn)象比較普遍，導(dǎo)致交通事故頻繁發(fā)生。通過對監(jiān)控視頻流進(jìn)行分析，首先識別車型是否為電動自行車，檢測到電動自行車后統(tǒng)計車上人數(shù)，當(dāng)人數(shù)超過限定要求后產(chǎn)生預(yù)警。

3.5 闖紅燈

電動自行車闖紅燈檢測算法對路口視頻監(jiān)控劃定ROI監(jiān)控區(qū)域，并實時對監(jiān)控范圍內(nèi)的電動自行車目標(biāo)進(jìn)行識別檢測并緩存數(shù)據(jù)；并通過視覺識別方案實現(xiàn)場景內(nèi)紅綠燈顏色的識別，在紅燈狀態(tài)時間段內(nèi)進(jìn)行該視頻監(jiān)控點位內(nèi)的電動自行車結(jié)構(gòu)化數(shù)據(jù)篩選，發(fā)現(xiàn)紅燈狀態(tài)下對應(yīng)攝像頭監(jiān)控場景內(nèi)出現(xiàn)的電動自行車，即輸出對應(yīng)的電動自行車闖紅燈告警信息[3]。

4 關(guān)鍵技術(shù)

為了實現(xiàn)對于電動自行車識別及行為判斷，本模型采用視頻結(jié)構(gòu)化技術(shù)對視頻流進(jìn)行解析。從數(shù)據(jù)處理的流程看，視頻結(jié)構(gòu)化描述技術(shù)能夠?qū)⒎墙Y(jié)構(gòu)化的視頻數(shù)據(jù)轉(zhuǎn)化為人和機器可理解的結(jié)構(gòu)化或者半結(jié)構(gòu)化情報信息，并進(jìn)一步實現(xiàn)視頻數(shù)據(jù)向信息化、情報化的方向轉(zhuǎn)化。視頻結(jié)構(gòu)化描述既是海量視頻實現(xiàn)信息化、情報化轉(zhuǎn)化行之有效的技術(shù)，也是當(dāng)前交通管理領(lǐng)域中對視頻結(jié)構(gòu)化處理的一個指向性方案。在本模型所涉及的視頻結(jié)構(gòu)化描述的內(nèi)容方面，關(guān)注的視頻信息主要是：人員、電動自行車、行為。

4.1 視頻流結(jié)構(gòu)化解析服務(wù)

包括視頻流解析任務(wù)管理和視頻解析引擎，視頻流解析任務(wù)包括結(jié)構(gòu)化、計數(shù)、倒逆行、行人闖入等多種解析任務(wù)類型。視頻解析服務(wù)獲取視頻接入服務(wù)發(fā)出的視頻流，對視頻流進(jìn)行解碼、幀提取、質(zhì)量檢測、車輛檢測跟蹤，事件研判等操作，將解析結(jié)果通過消息服務(wù)發(fā)送到智能平臺中間件服務(wù)等進(jìn)行后續(xù)應(yīng)用。

圖2 視頻結(jié)構(gòu)化解析流程設(shè)計

4.2 視頻解析技術(shù)創(chuàng)新

智能視頻分析技術(shù)質(zhì)量的優(yōu)劣對視頻結(jié)構(gòu)化描述影響巨大，為了能更好地進(jìn)行視頻結(jié)構(gòu)化分析，智能視頻分析面向如下三個方向進(jìn)行創(chuàng)新：

4.2.1 視頻前期處理：主要包括圖像防抖動和圖像增強。視頻抖動主要成因是道路監(jiān)控中高架安裝方式帶來較高頻率的小幅抖動，視頻防抖動能有效抑制智能分析中的誤報和漏報，提高智能分析的準(zhǔn)確率；圖像增強是對視頻源進(jìn)行視覺改善處理，有效改善畫質(zhì)，提高圖像的清晰度，使原本低質(zhì)量的圖像達(dá)到清晰可辨程度。

4.2.2 視頻分析準(zhǔn)確率提升：電動自行車類型和行為技術(shù)采用神經(jīng)元網(wǎng)絡(luò)方法，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。尤其是在網(wǎng)絡(luò)的輸入是多維圖像時優(yōu)點更為明顯，使圖像可以直接作為網(wǎng)絡(luò)的輸入，避免了傳統(tǒng)識別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程，進(jìn)而提升了更高分析準(zhǔn)確率。

4.2.3 視頻后期處理：主要包括圖像復(fù)原和圖像摘要檢索等。圖像復(fù)原就是綜合利用超分辨率、去模糊濾波、變形矯正、色彩調(diào)整等對模糊視頻進(jìn)行處理，使之清晰可辨[4]。

5 實戰(zhàn)案例

5.1 場景介紹

天津市文化中心區(qū)域聚集了天津兒童活動中心、天津科技館、天津文化中心大劇院、天津圖書館、天津博物館、天津自然博物館等一系列的公共服務(wù)，日常通行車輛及電動自行車眾多。尤其是節(jié)假日期間，諸多家長通過電動自行車搭載兒童前往游玩、學(xué)習(xí)。

圖3 試點場景周邊道路示意圖

平江道、隆昌路屬于通行主要路段。平江道路段為雙向5車道，道路中心有隔離護(hù)欄，機非車道間無隔離設(shè)施；隆昌路段為雙向6車道，道路中心無硬隔離，機非車道間無隔離設(shè)施。

5.2 成果說明

選取兩條路段內(nèi)攝像機進(jìn)行電動自行車闖入機動車道、逆行、不戴頭盔、載人等違法事件分析。經(jīng)2周時間的運行監(jiān)測，針對此區(qū)域路段進(jìn)行了數(shù)據(jù)分析并整理事件分析報告提供給河西支隊，建議增加警力巡邏、增加硬隔設(shè)置、加強公民平安交通意識宣傳。

河西支隊針對相關(guān)問題進(jìn)行了研討，針對隆昌路部分機非混行路段增設(shè)了硬隔離，在事件發(fā)生高峰時間段增強了警力投入。并且在文化中心區(qū)域進(jìn)行了2次文明騎行宣傳，經(jīng)過一段時間的監(jiān)測觀察分析，整體違法事件大幅降低。

5.2.1 闖入機動車道。利用路段內(nèi)違停電子警察實時動態(tài)分析，周平均統(tǒng)計信息如下：

圖4 闖入機動車道整改前后告警數(shù)據(jù)統(tǒng)計對比

5.2.2 未戴頭盔。利用路段內(nèi)普通相機實時動態(tài)分析，周平均統(tǒng)計信息如下：

圖5 未戴頭盔整改前后告警數(shù)據(jù)統(tǒng)計對比

5.2.3 逆行。利用路段內(nèi)違停電子警察實時動態(tài)分析，周平均統(tǒng)計信息如圖6。

圖6 逆行整改前后告警數(shù)據(jù)統(tǒng)計對比

6 結(jié)束語

本文所介紹電動自行車違法監(jiān)控依托現(xiàn)有視頻資源構(gòu)建，利用AI技術(shù)進(jìn)行賦能實現(xiàn)行為事件分析?；趨^(qū)域特點靈活配置模型算法能力，動態(tài)監(jiān)測區(qū)域內(nèi)電動自行車違法行為。以此為依托，圍繞交管業(yè)務(wù)中的人、非機動車、路的核心管理要素，探索基于人工智能快速有效消除道路交通運行隱患、減小交通事件影響范圍和時間。業(yè)務(wù)模型構(gòu)建充分利舊，不涉及大規(guī)模資源投入，并且對于現(xiàn)有業(yè)務(wù)運行無任何影響，未來可依托現(xiàn)有基礎(chǔ)擴展分析場景。同時基于人、非機動車、路相關(guān)要素的運行數(shù)據(jù)積累及數(shù)據(jù)價值與關(guān)聯(lián)應(yīng)用，完成復(fù)雜警務(wù)高效處理，科學(xué)的研判分析，可為區(qū)域道路渠化、道路設(shè)施設(shè)置、交通安全宣傳提供重要的佐證支持。