余泳 齊運(yùn)書 楊浩恩 郭磊

摘 要：現(xiàn)如今，隨著監(jiān)控系統(tǒng)的大面積覆蓋和計(jì)算機(jī)視覺的大規(guī)模崛起，視頻處理的重要性和必要性日益凸顯。交通由于大量視頻監(jiān)控的存在和情況復(fù)雜人手相對不足等問題，對于視頻檢測的需求更加迫切，交通視頻檢測也是近幾年相關(guān)的研究的熱點(diǎn)問題。在交通問題中，高速公路更是其難點(diǎn)，我們根據(jù)其車速快，數(shù)據(jù)量大等特點(diǎn)，提出了基于動(dòng)量的高速公路視頻檢測算法，其在保證了準(zhǔn)確性的同時(shí)，還基本保證了實(shí)時(shí)性。

關(guān)鍵詞：高速公路;視頻檢測;動(dòng)量;人工智能

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-2064（2019）14-0017-02

0 引言

在高速公路中，出現(xiàn)異常情況一般需要盡快處理，恢復(fù)道路暢通，而眾多的視頻監(jiān)控裝置，很難有足夠的人力去實(shí)時(shí)處理這些這些數(shù)據(jù)，所以視頻處理和檢測也是智慧交通的重要組成部分。在人工智能算法的影響下，現(xiàn)在基本可以保證識別的精準(zhǔn)度，但是仍然存在著不能保證實(shí)時(shí)性，計(jì)算量大等問題。

為了解決這一問題，本文提出了基于動(dòng)量的高速公路視頻檢測算法，在保證了算法準(zhǔn)確性的情況下，大幅減少了計(jì)算量，保證其實(shí)時(shí)性。

1 算法概述

自AlexNet之后[1]，深度學(xué)習(xí)算法一直以極高的精度霸占各類計(jì)算機(jī)視覺比賽的榜單，但是其在貢獻(xiàn)著最高的精度的同時(shí)也同樣有個(gè)更高的計(jì)算量要求，這使得落地變得比較困難。高速公路由于本身要保證車輛快速通行的特點(diǎn)對于實(shí)時(shí)性要求更高，這就與深度學(xué)習(xí)算法產(chǎn)生了矛盾。相比于深度學(xué)習(xí)算法，傳統(tǒng)算法計(jì)算量普遍小很多，但是精度就要低于深度學(xué)習(xí)算法。針對于高速公路的具體特點(diǎn)，為了平衡計(jì)算量和精度，本文假設(shè)：

（1）高速公路車輛不會(huì)無故停車;

（2）高速公路很少出現(xiàn)除車輛以外的移動(dòng)物體。

由實(shí)際情況和交通法規(guī)我們知道這些假設(shè)合理，基于這個(gè)假設(shè)，我們提出基于動(dòng)量的高速公路視頻檢測算法（Mome- ntum-based highway video detection algorithm，MHVD）。根據(jù)假設(shè)（1）我們可是使用動(dòng)量去衡量移動(dòng)車輛的存在，如果車輛保證高速移動(dòng)，那么大概率不會(huì)出現(xiàn)各類事故。同時(shí)我們使用假設(shè)（1）判斷是否出現(xiàn)事故，并向工作人員發(fā)出信號。

2 算法設(shè)計(jì)

2006年，Hinton等人基于深度置信網(wǎng)絡(luò)（DBN）提出非監(jiān)督貪心逐層訓(xùn)練算法[2]，隨后深度學(xué)習(xí)在各個(gè)領(lǐng)域都得到了大幅度的改進(jìn)，特別是在圖像識別，語音處理等領(lǐng)域展現(xiàn)了里程碑式的大躍進(jìn)。之后在目標(biāo)檢測方向，F(xiàn)aster R-CNN[3]，SSD等算法的提出為人工智能在實(shí)際生產(chǎn)中的應(yīng)用帶來了更多可能[4]。Faster R-CNN在各種視頻圖像中取得很多優(yōu)秀的結(jié)果，在交通領(lǐng)域也有著廣泛的應(yīng)用[5-7]。本文中我們采用Faster R-CNN作為保障單元，使用動(dòng)量保證在大多數(shù)時(shí)間中不會(huì)使用到Faster R-CNN算法，以此保證實(shí)時(shí)性。

這里的動(dòng)量不同于物理中的動(dòng)量，而是用于表述由于位移產(chǎn)生的圖像差，由于其是在圖像意義下描述了運(yùn)動(dòng)，所以將其命名為動(dòng)量。結(jié)合上一節(jié)中的兩個(gè)假設(shè)，我們設(shè)計(jì)算法如下：

3 性能評價(jià)

3.1 數(shù)據(jù)準(zhǔn)備及測試

對于上一節(jié)的算法，thed 和change_thed相應(yīng)的閾值，在我們的測試中取thed=20，change_thed=0.1。Video_next（）是讀取下一幀的函數(shù)，faster_rcnn（）是根據(jù)Faster R-CNN得到的交通情況的函數(shù)，這里我們使用Tensorflow的object _decetion庫中的faster_rcnn_inception_v2_coco模型并重新訓(xùn)練后得到結(jié)果。這在各類相關(guān)論文中都能輕易得到Faster R-CNN在各類視頻圖像中的相關(guān)應(yīng)用，在這里就不贅述了，效果如圖1所示。

本文得到試刀山隧道的相關(guān)監(jiān)控視頻數(shù)據(jù)。于1996年建成并投入使用的試刀山隧道，左、右凈寬10米，原設(shè)計(jì)僅為雙向四車道通行。但是由于近年來交通量增加迅猛，特別是重大節(jié)假日期間，車流量更是持續(xù)高位運(yùn)行，平均日交通流量突破6萬輛的試刀山隧道是擁堵等交通問題的頻發(fā)區(qū)，對于這類算法的需求更加迫切。我們選取堵車，正常行駛，無車輛行駛?cè)N情況，抽取幾段視頻進(jìn)行測試，測試結(jié)果為路況異常記為1，路況正常記為0。

如圖2所示，在三種情況中，本文算法都能很好地加以區(qū)分，在更多復(fù)雜路況中的效果也得到了很好的效果，在個(gè)別幀的誤報(bào)可以略微放大幀間距，或者多幀平均的方式處理，即采取一個(gè)滑動(dòng)平均的窗口，對多個(gè)幀的輸出進(jìn)行平滑處理，以此來防止個(gè)例的發(fā)生。

3.2 實(shí)時(shí)性測試

為了對比算法對于實(shí)時(shí)性地提升，我們對比了采用Faster R-CNN和只采用本文算法的程序運(yùn)行時(shí)間，如表1所示，通過分析九組運(yùn)行情況的平均值，我們發(fā)現(xiàn)MHVD在50幀基本能保證實(shí)時(shí)運(yùn)行，而Faster R-CNN的實(shí)時(shí)性就難以保證，參考論文所給的處理速度為58ms和本文測試數(shù)據(jù)差距很大，原因是硬件成本投入不同，考慮分辨率和圖片大小，MHVD在視頻監(jiān)控領(lǐng)域仍然有Faster R-CNN難以企及的實(shí)時(shí)性。

4 結(jié)語

人工智能算法在為我們帶來超高的準(zhǔn)確率的同時(shí)，也帶來大量的資源要求，本文采用傳統(tǒng)的算法邏輯，提出了基于動(dòng)量的視頻檢測算法，通過過濾掉大概率沒有出現(xiàn)各類異常的情況，避免了大量的計(jì)算量需要。

參考文獻(xiàn)

[1] Krizhevsky A，Sutskever I，Hinton G.ImageNet Classification with Deep Convolutional Neural Networks[J]. Advances in neural information processing systems，2012，25（2）.

[2] G. E. Hinton，S. Osindero，and Y.-W. Teh. A fast learning algorithm for deep belief nets.Neural Comput.，18（7）：1527-1554，July 2006.

[3] Ren S，He K，Girshick R，et al.Faster R-CNN：towards real-time object detection with region proposal networks[J].2015.

[4] Liu W， Anguelov D，Erhan D，et al.SSD：Single Shot MultiBox Detector[J].2016.

[5] 韓凱，張紅英，王遠(yuǎn)，et al.一種基于Faster R-CNN的車輛檢測算法[J].西南科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，32（4）：65-70.

[6] 桑軍，郭沛，項(xiàng)志立，等.Faster-RCNN的車型識別分析[J].重慶大學(xué)學(xué)報(bào)，2017，40（7）：32-36.

[7] 韓凱，張紅英，王遠(yuǎn)，et al.一種基于Faster R-CNN的車輛檢測算法[J].西南科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，32（4）：65-70.