黃美婷，李廣培

(1.福建船政交通職業(yè)學(xué)院 汽車學(xué)院，福建 福州 350002，2. 福州大學(xué) 經(jīng)濟(jì)與管理學(xué)院，福建 福州 350002)

隨著經(jīng)濟(jì)和科技發(fā)展，我國(guó)汽車增加同時(shí)，道路交通事故也在增加，在事故中車輛速度的評(píng)估，對(duì)于責(zé)任判定等具有非常重要的指導(dǎo)意義。目前評(píng)估方法按技術(shù)角度分為兩種：一種是以視頻監(jiān)控中車輛行駛圖像，來(lái)計(jì)算和評(píng)估車速，第二種則是以剎車印深淺長(zhǎng)度計(jì)算和評(píng)估車速。

遺傳算法是一種全局收斂搜索算法，基于生物進(jìn)化和群體遺傳[1]。隨著國(guó)你內(nèi)學(xué)者的研究深入，事故車速評(píng)估也有了較多的研究成果。彭大芹[2]等人提出一種使用距離加權(quán)來(lái)計(jì)算車輛速度的方法，在此基礎(chǔ)上提出一種去干擾的車速評(píng)估系統(tǒng)，提高了準(zhǔn)確度。但是該系統(tǒng)和方法缺乏智能算法和數(shù)據(jù)的支撐，在實(shí)際場(chǎng)景下往往不具備普遍推廣性。吳京梅等人[3]提出觀測(cè)事故前后機(jī)動(dòng)車速度，再綜合對(duì)其進(jìn)行速度評(píng)價(jià)，在一定程度上可以解決問(wèn)題。但是依賴人為主觀的測(cè)量，往往不具備客觀性和長(zhǎng)期穩(wěn)定性。

道路交通事故車輛碰撞速度評(píng)估是一個(gè)系統(tǒng)性的工程問(wèn)題，需要采用圖像視頻錄像監(jiān)控、通信傳順、計(jì)算機(jī)視覺(jué)、深度學(xué)習(xí)、軟件工程等學(xué)科技術(shù)。因此，本文提出了一種新的評(píng)估系統(tǒng)。其主要工作就是：梳理道路交通事故車輛碰撞速度評(píng)估的業(yè)務(wù)邏輯、設(shè)計(jì)對(duì)應(yīng)的系統(tǒng)架構(gòu)和底層邏輯、開(kāi)發(fā)遺傳算法和深度學(xué)習(xí)模型、開(kāi)發(fā)系統(tǒng)軟件、集成軟硬件、綜合穩(wěn)定性測(cè)試和功能測(cè)試?；谶z傳算法的車輛圖像檢測(cè)和速度評(píng)估，可以有效提高系統(tǒng)的效率和精度。并對(duì)遺傳算法深入研究，提出了一種道路交通事故車輛碰撞速度評(píng)估解決方案，并開(kāi)發(fā)出落地產(chǎn)品原型，測(cè)試了所提方案的穩(wěn)定性與精度。

1 基于遺傳算法的車輛碰撞速度評(píng)估

遺傳算法是一種通過(guò)搜索最優(yōu)解的方法[4-5]。遺傳算法基本步驟為：

(1) 隨機(jī)選擇初始種群 P(t)；

(2) 計(jì)算個(gè)體適應(yīng)度函數(shù)值 F(t)，如式1所示，表示閾值的適應(yīng)度函數(shù)值，i代表某閾值，f為閾值i在圖像中出現(xiàn)個(gè)數(shù)；

(1)

(3) 若種群中最優(yōu)個(gè)體所對(duì)應(yīng)的適應(yīng)度函數(shù)足夠大，則轉(zhuǎn)到第 (4) 步；

(4) t=t+1；

(5) 應(yīng)用選擇算子法從 P(t-1) 中選擇 P(t)；

(6) 對(duì) P(t) 進(jìn)行交叉、變異操作，轉(zhuǎn)到第 c 步；

本文把二進(jìn)制串(b0,b1,…,bn)轉(zhuǎn)化為對(duì)應(yīng)的實(shí)數(shù)值：

(2)

所提系統(tǒng)架構(gòu)主要是基于遺傳算法來(lái)實(shí)現(xiàn)的，如圖1所示，首先啟動(dòng)評(píng)估系統(tǒng)，系統(tǒng)分為軟件和硬件，硬件部分主要為監(jiān)控?cái)z像頭，對(duì)現(xiàn)場(chǎng)車輛進(jìn)行實(shí)時(shí)視頻采集，采集到的車輛視頻圖像傳輸?shù)皆品?wù)器上，由云服務(wù)器完成圖像分析和速度評(píng)估。軟件部分主要為算法分析層和軟件界面層。其中，算法由遺傳算法和深度學(xué)習(xí)模型組成，遺傳算法負(fù)責(zé)定位跟蹤車輛，并測(cè)量速度；深度學(xué)習(xí)模型則進(jìn)一步校準(zhǔn)定位結(jié)果和評(píng)估結(jié)果。界面部分主要提供人機(jī)交互功能，實(shí)現(xiàn)以上提到的算法分析和評(píng)估功能，并且起到結(jié)果直觀可見(jiàn)的效果。最后將算法處理結(jié)果和評(píng)估結(jié)果，通過(guò)通信組件，與軟硬件系統(tǒng)集成，完成一次評(píng)估。

圖1本文系統(tǒng)框架

如圖2所示，圖像都來(lái)自監(jiān)控視頻，同一輛車，在發(fā)生事故前1秒間的畫面圖像幀。本文方案后續(xù)對(duì)其進(jìn)行實(shí)現(xiàn)，先檢測(cè)定位、后評(píng)估速度，達(dá)到方案預(yù)設(shè)目標(biāo)。

2 基于遺傳算法和深度學(xué)習(xí)的車速評(píng)估

遺傳算法運(yùn)算過(guò)程為：個(gè)體編碼、產(chǎn)生初始種群、個(gè)體評(píng)價(jià)、選擇、交叉和變異[6-9]。本文設(shè)定一組初始個(gè)體，并評(píng)價(jià)個(gè)體適應(yīng)度值，將車輛圖像總熵作為適應(yīng)度函數(shù)。圖像總熵計(jì)算如式(3)所示：

H(t)=HA(t)+HB(t)

(3)

其中，H(t)表示總熵，該值最大時(shí)對(duì)應(yīng)的t為最佳閾值，HA(t)為車輛區(qū)域熵，HB(t)為非車輛區(qū)域熵，如式(4)、(5)所示：

(4)

(5)

式中P代表灰度級(jí)在圖像出現(xiàn)的比例，HA(t)為車輛區(qū)域熵，HB(t)為非車輛區(qū)域熵。

隨后，依據(jù)自然選擇，根據(jù)適應(yīng)度大小從群體閾值選出優(yōu)良閾值作為父代，適應(yīng)度值越高，被選擇的概率越大；通過(guò)選擇、交叉和變異產(chǎn)生下一代，重復(fù)這一過(guò)程，直到圖像總熵最大，獲得最佳檢測(cè)和評(píng)估閾值，得到最終最佳檢測(cè)和評(píng)估效果[10]?；谇昂髢蓮垐D像中車輛位置檢測(cè)，從而計(jì)算出車輛移動(dòng)距離，并提取系統(tǒng)中兩張圖像采集時(shí)間差，由此可以計(jì)算出車速。

為了進(jìn)一步，提升車速評(píng)估準(zhǔn)確度，本文引入深度學(xué)習(xí)技術(shù)。先采集大量已知速度的車輛圖像，將車輛圖像和速度輸入深度學(xué)習(xí)模型，進(jìn)行學(xué)習(xí)，其中速度相當(dāng)于是輸入車輛圖像的標(biāo)簽。經(jīng)過(guò)學(xué)習(xí)訓(xùn)練后的模型，檢測(cè)未知速度的車輛圖像，從而推理出車速，達(dá)到進(jìn)一步校準(zhǔn)遺傳算法車速評(píng)估的目的。本文的深度學(xué)習(xí)模型由分割與分類組成，分割基于PconvUnet實(shí)現(xiàn)，分類模型基于Resnet實(shí)現(xiàn)。PconvUnet，基于部分卷積的填充。首先，對(duì)其實(shí)施卷積操作：

F(x,y)=f(x,y)*K

(6)

(7)

其中，f代表卷積前圖像；F代表卷積后圖像；K代表卷積核函數(shù)[11]。對(duì)卷積結(jié)果完成最大池化處理：

(8)

其中，g代表最大池化后的圖像局部結(jié)果；c、d、e、f代表局部區(qū)域像素。

在本文系統(tǒng)中，調(diào)用開(kāi)源深度學(xué)習(xí)庫(kù)pytorch的深度神經(jīng)網(wǎng)絡(luò)函數(shù)。所提算法是基于Python語(yǔ)言與調(diào)用pytorch來(lái)完成車速評(píng)估。

如圖3所示，紅色矩形框?yàn)闄z測(cè)標(biāo)志，可見(jiàn)，檢測(cè)結(jié)果精準(zhǔn)可靠。實(shí)際車速為60 km/h，經(jīng)過(guò)兩幀圖像中車輛位置定位檢測(cè)，計(jì)算得到移動(dòng)距離，再調(diào)出兩幀圖像的時(shí)差，計(jì)算評(píng)估出車速為58 km/h，與實(shí)際車速較為接近。評(píng)估結(jié)果的軟件界面化展示，將在實(shí)驗(yàn)小節(jié)中的系統(tǒng)界面展示和討論。

檢測(cè)算法部分關(guān)鍵代碼：

void RegionGrowing(cv::Mat srcImg, cv::Mat& dstImg, cv::Point pt, int thre);

string xml0= "D://test//model.xml";

string bin0= "D://test//model.bin";

string xml1= "D://detection//model.xml";

string bin1= "D:// detection //model.bin";

init model

OpenvinoDetection Detection= OpenvinoDetection(bin0, xml0, bin1, xml1);

cv::dnn::DNN_BACKEND_INFERENCE_ENGINE, cv::dnn::DNN_TARGET_CPU);

detectionIE Detection = detectionIE(bin0, xml0, 1);

int rate=5;

ClsLens clslens= ClsLens(bin1 ,xml1, 1, rate);

double prob;

prob = clslens.forward(_srcImge);

cv::cvtColor(_srcImge,srcImagergb,CV_BGR2RGB);

cv::cvtColor(_srcImge,srcImagehsv, cv::COLOR_BGR2HSV);

cv::cvtColor(_srcImge,srcImagegray2,CV_BGR2GRAY);

cv::Mat result1 = Detection.forward(_srcImge);

cv::Moments m = moments(result1);

if (m.m00 != 0){

int cx = (int)(m.m10 / m.m00);

int cy = (int)(m.m01 / m.m00);

cv::circle(frame,Point(cx,cy),15,Scalar(0,0,255),-1,8);

if(Detection.center.x>0&&Detection.center.y>0&&Detection.center_size>0){

posnum++;

crnterX+=Detection.center.x;

crnterY+=Detection.center.y;

xxx=Detection.center.x;

yyy=Detection.center.y;}

3 實(shí)驗(yàn)與討論

本文系統(tǒng)基于QT平臺(tái)開(kāi)發(fā)實(shí)現(xiàn)，深度學(xué)習(xí)環(huán)境基于英偉達(dá)2080顯卡部署完成。遺傳綜合參數(shù)為0.78，深度學(xué)習(xí)綜合閾值為0.87。

如圖4所示，本系統(tǒng)界面，功能有：“遺傳算法”、“深度學(xué)習(xí)”、“速度評(píng)估”等。待評(píng)估的圖像，如圖5所示，來(lái)自實(shí)際場(chǎng)景，同時(shí)帶有自然干擾。本文方案耦合遺傳算法和深度視覺(jué)模型，從業(yè)務(wù)邏輯需求出發(fā)，開(kāi)發(fā)實(shí)際落地系統(tǒng)，對(duì)車輛圖像進(jìn)行檢測(cè)和評(píng)估，如圖6所示，紅色矩形為系統(tǒng)檢測(cè)定位框，可見(jiàn)本文方法定位檢測(cè)準(zhǔn)確，同時(shí)評(píng)估出車速為52 km/h，與實(shí)際車速50 km/h很接近。

為進(jìn)一步驗(yàn)證本研究識(shí)別的先進(jìn)性和實(shí)用性，以文獻(xiàn)[2]和文獻(xiàn)[3]作為對(duì)照組技術(shù)，并對(duì)二者實(shí)現(xiàn)測(cè)試。文獻(xiàn)[2]提出一種使用距離加權(quán)來(lái)計(jì)算車輛速度的方法，在此基礎(chǔ)上提出一種去干擾的車速評(píng)估系統(tǒng)，提高了準(zhǔn)確度[2]。但是該系統(tǒng)和方法缺乏智能算法和數(shù)據(jù)的支撐，在實(shí)際場(chǎng)景下往往不具備普遍推廣性。如圖6所示，雖然檢測(cè)準(zhǔn)確，但是車速評(píng)估結(jié)果為41 km/h，與實(shí)際車速50 km/h相差明顯。文獻(xiàn)[3]提出通過(guò)實(shí)地觀測(cè)了事故前后機(jī)動(dòng)車運(yùn)行速度，記錄行駛軌跡變化，再綜合對(duì)其進(jìn)行速度評(píng)價(jià)，在一定程度上可以解決問(wèn)題[3]。但是依賴人為主觀的測(cè)量，往往不具備客觀性和長(zhǎng)期穩(wěn)定性。如圖8所示，雖然檢測(cè)錯(cuò)誤，而且車速評(píng)估結(jié)果為60 km/h，與實(shí)際車速50 km/h相差明顯。

綜上所做實(shí)驗(yàn)，可見(jiàn)本文方案開(kāi)發(fā)的系統(tǒng)在實(shí)際場(chǎng)景中，具有更高的精度和穩(wěn)定性。

4 結(jié)論

為了解決當(dāng)前道路交通事故車輛碰撞速度較難測(cè)量準(zhǔn)確、并且保持穩(wěn)定測(cè)量輸出的問(wèn)題，本文分別從遺傳算法、深度學(xué)習(xí)模型、檢測(cè)架構(gòu)方案出發(fā)，根據(jù)道路交通事故車輛本身特點(diǎn)和落地要求，展開(kāi)分析、設(shè)計(jì)方案、開(kāi)發(fā)技術(shù)和集成系統(tǒng)，以及落地部署測(cè)試。為智能化的道路交通事故車輛碰撞速度評(píng)估設(shè)備系統(tǒng)落地，奠定了核心算法和方案基礎(chǔ)。并測(cè)試了所提系統(tǒng)的評(píng)估性能，結(jié)果顯示其具有較高的準(zhǔn)確度。