基于多目標檢測的交通監(jiān)測反饋系統(tǒng)

1   研究背景及意義

中國經(jīng)濟實力的快速發(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致的。在龐大的交通監(jiān)控數(shù)據(jù)集中，車輛的異常駕駛行為是隨機偶發(fā)的小概率事件，所以對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)代的自動化算法實現(xiàn)智能實時監(jiān)測。

目前道路視頻監(jiān)控的功能主要是幫助管理人員對事故原因進行調(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大量人力，又難以滿足對事故實時性、精準性的分析，無法做到對交通事故的早期預防。

針對現(xiàn)代城市交通現(xiàn)狀，本文設(shè)計了一套基于多目標檢測的交通監(jiān)測反饋系統(tǒng)。該系統(tǒng)可對車流量、車速等指標進行智能監(jiān)測，依次判斷是否存在交通擁堵等異常狀況，并對車輛異常軌跡進行預測。該系統(tǒng)的應(yīng)用能降低交通負荷，有助于交通安全，改善城市交通現(xiàn)況。

2   研究現(xiàn)狀

2.1 目標檢測算法

目標檢測算法大致分傳統(tǒng)和基于深度學習兩個主要階段。

第一階段在2000 年前后，這期間所提出的方法大多基于滑動窗口和人工特征提取，存在計算復雜度高以及復雜場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習技術(shù)自動的抽取輸入圖像中的隱藏特征，對樣本進行更高精度的分類和預測。

2.2 目標跟蹤算法

初始目標跟蹤算法專注于目標特征點的變化。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一致的光流，并最終使用像素特征點進行跟蹤，并將其獨特變化用于估計目標的移動狀態(tài)。通過這種辦法以跟蹤目標。然而，使用光流方法的目標跟蹤有很多局限性。因此，在光流方法中，使用harris 特征點代替像素特征點的算法出現(xiàn)，考慮到減少算法的計算負荷和引入前景約束等條件下，khan 等[1] 人對此進行了改進，提高了匹配精度和成功率。雖然基于光流方法的改進算法達到了較好的效果，但是這種算法仍然具有許多缺點和較高的計算量。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。對連續(xù)區(qū)域進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目標位置。

3   基于多目標檢測的交通監(jiān)測反饋系統(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，通過改進的YOLO-V3 算法對多目標進行檢測和精確追蹤，獲得車流量、車速與一定范圍內(nèi)行車輛軌跡數(shù)據(jù)；并利用計算機視覺庫將最終結(jié)果顯示出來，使用軌跡跟蹤模型預測控制（MPC）對車輛行跡進行監(jiān)測繪制與評估；對危險駕駛行為能夠較為準確預測，并向終端傳遞警示信息。整體方案設(shè)計如圖1。

圖1 方案設(shè)計流程圖

3.1 硬件功能說明

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

圖2 監(jiān)控攝像頭實物圖

3.2 軟件功能說明

3.2.1 YOLO-V3算法

YOLO 是一個預先訓練的對象檢測器，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)模預測。DarkNet-53 再次成為卷積神經(jīng)網(wǎng)絡(luò)，具有53 層。DarkNet-53 是一個完全卷積神經(jīng)網(wǎng)絡(luò)。池化層被步幅為 2 的卷積運算所取代。此外，使用殘余單位以避免梯度色散。

YOLO V3 被設(shè)計為多尺度探測器，而不是圖像分類器^[3]。因此，對于對象檢測，分類頭通過向此體系結(jié)構(gòu)附加檢測頭來替換。此后，輸出是具有邊界框坐標和概率類的向量。YOLO V3 繼承了Darknet-53 作為其骨干，這是一個訓練具有53 層神經(jīng)網(wǎng)絡(luò)的框架。此外，對于對象檢測任務(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 個不同尺度的特征圖進行目標檢測。改進的YOLO-V3 算法能夠完成本系統(tǒng)對多目標車輛進行檢測和精確追蹤的要求。

圖3 YOLO-V3目標檢測算法框架

3.2.2 車流量監(jiān)測模塊

在城市 里，小型汽車是主要的交通工具。該系統(tǒng)在不同時間段對不同道路上的小型汽車交通進行監(jiān)控，并對城市道路上的實時交通情況進行分析和預測^[4]，為監(jiān)管人員提供實時的道路交通數(shù)據(jù)。交通流監(jiān)控模塊改進了YOLO-V3 算法模型，使用訓練好的多目標檢測視頻每幀中的目標車輛。采用多目標跟蹤監(jiān)測算法對存在交通風險的車輛進行標記和跟蹤。通過劃分固定檢測區(qū)域，統(tǒng)計視頻時段內(nèi)路段的交通量和多車道進出車輛的數(shù)量。

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

圖4 車流量監(jiān)測流程圖

3.2.3 車速監(jiān)測模塊

本系統(tǒng)的 車速監(jiān)控模塊計算車輛通過固定視頻幀中的平均位移除以幀差，以獲得車輛在當前時間段的移動速度。當車速低于或高于安全閾值時，判斷車輛處于異常狀態(tài)；當異常時間大于設(shè)定的最大閾值時，將判斷車輛已處于危險駕駛狀態(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 用多目標跟蹤技術(shù)在監(jiān)控視頻中監(jiān)控車速。當車速異常時，系統(tǒng)會及時報警，反饋給后端以便工作人員及時處理。車速監(jiān)測模塊是通過計算一段時間內(nèi)檢測框中心坐標點的平均位移量求得車輛速度。設(shè)在T₁ 幀時檢測框中心坐標為( x₁， y₁)，在T2 幀時檢測框中心坐標為( x₂，y₂ )，則根據(jù)下列式子求得T₁ 到T₂ 幀車輛運動速度V( T₁，T₂)：

當V( T₁ ， T₂ ) 小于設(shè)定閾值Vs ，表示車輛處于停止狀態(tài)；如果停車時 間長于閾值時間T，本系統(tǒng)將判定該車輛為異常停車狀態(tài)。我們在從俯瞰視角拍攝的真實道路場景中進行了功能測試，測試結(jié)果如圖5 所示。

圖5 車速監(jiān)測模塊檢測結(jié)果

3.2.4 LSTM-AdaBoost模型

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

AdaBoost 是目前最常用的增強方法。Boosting 通過1 次訓練和添加1 個組件分類器來創(chuàng)建分類器的集合。每個新的分類器都使用不同的示例子集進行訓練。新的訓練子集包含按當前融合錯誤分類的示例。通過對困難的例子進行這種迭代選擇，提升方法可以提高任何監(jiān)督式機器學習算法的準確性。盡管每個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)則對于所有先前選擇的訓練示例都具有很高的精度。

圖6 LSTM算法結(jié)構(gòu)圖

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

3.2.5 警報系統(tǒng)

本文的警報系統(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)測數(shù)據(jù)。當分析識別到危險交通行為或發(fā)現(xiàn)車流量及車速異常時，警報系統(tǒng)會及時反饋相關(guān)數(shù)據(jù)給管制人員和駕駛員，幫助其及時做出應(yīng)對措施，避免交通事故的發(fā) 生。

4   基于多目標檢測的交通監(jiān)測反饋系統(tǒng)的性能測試

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

圖7 性能測試曲線

交通監(jiān)測反饋系統(tǒng)的檢測準確性與實際檢測結(jié)果的準確性見表1 所示。

表1 交通監(jiān)測反饋系統(tǒng)與實際測定檢測結(jié)果   m

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

6   結(jié)束語

本文針對現(xiàn)代城市交通現(xiàn)狀，針對城市車輛異常行為如駕駛員疲勞駕駛、車輛故障等異常進行監(jiān)測，當發(fā)現(xiàn)異常時會及時報警進行提醒， 可以在一定程度上減少交通事故的發(fā)生。能夠預防因車輛異常而導致的交通擁堵和交通事故，具備很強的現(xiàn)實應(yīng)用性。

參考文獻：

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

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

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

[4] 謝文佳.基于無線傳感網(wǎng)絡(luò)的押運信息感知監(jiān)測系統(tǒng)的設(shè)計與實現(xiàn)[D].西安:西安電子科技大學,2011.

（本文來源于《電子產(chǎn)品世界》雜志2022年12月期）