董輝 曹潺 張峻領

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

2. 成都旸谷信息技術有限公司 四川 成都 610000

引言

近年來，隨著城市經(jīng)濟的快速發(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，達到峰值后，隨車輛密度的增加而減少；事故發(fā)生風險亦然。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)采集的基礎上。在當前隧道基礎設施配置下，僅可通過車感器實現(xiàn)對出入口車流量統(tǒng)計，無法實現(xiàn)各區(qū)段通行特征的精確感知，因此為實現(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，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的方法，并以交通參數(shù)作為模型計算依據(jù)，交通參數(shù)的檢測精度對估計結(jié)果有較大的影響，因此該系統(tǒng)檢測精度應不低于I級。

2 實施方案比選

（1）微波車輛檢測器。微波車輛檢測器是一種利用數(shù)字雷達波檢測技術實時檢測交通流量、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，通過反射波實現(xiàn)車輛計數(shù)，并根據(jù)特定區(qū)域的所有車型假定一個固定的車長，通過感應投影區(qū)域內(nèi)的車輛的進入與離開經(jīng)歷的時間來計算車速。

（2）陣列雷達檢測器?；驹硎菓谩岸嗥绽招?，利用持續(xù)不斷發(fā)射出電波的裝置，當無線電波在行進的過程中，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)由計算之后，便可得知該物體與雷達之間相對移動速度。

（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現(xiàn)交通參數(shù)檢測。綜合對比，陣列雷達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域的一個重要分支，可借鑒的基礎算法框架有FasterR-CNN、YOLO、MaskRCNN等，其中FasterR-CNN、YOLO消耗的計算機資源較少，計算速度較快，可實現(xiàn)實時檢測，但在真實環(huán)境下的識別率相對較低；MaskR-CNN識別率較高，但計算機資源消耗較大，且計算速度慢，較難實現(xiàn)實時檢測。本文作者首先采用FasterRCNN、YOLO進行測試，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99.9%（僅事故車輛出現(xiàn)漏檢，識別率仍可提升）。因此，提高MaskR-CNN的計算速度成為重點。

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

（3）訓練樣本數(shù)據(jù)。本文樣本數(shù)據(jù)源自實際隧道的視頻監(jiān)控系統(tǒng)，通過采集大量的圖像數(shù)據(jù)，并對5萬輛通行車輛進行標注。標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）試驗對比。本文試驗采用實車測試方式，即，派遣真實車輛在隧道中以70km/h的速度勻速行駛，視頻分析系統(tǒng)通過獲取實時視頻流檢測派遣車輛的行駛速度。本次試驗，最大誤差11%，最小誤差1.4%，平均誤差6.09%，滿足使用需求。

（5）相關事項驗證。平均計算速度：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數(shù)據(jù)，經(jīng)驗證1080P同樣滿足要求，只需在獲取圖像后對單幀視頻圖像進行壓縮處理即可，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用需求研究了基于深度學習的車流量和車速識別算法，基本滿足應用需求，為智能交通管控系統(tǒng)的實現(xiàn)奠定了數(shù)據(jù)基礎。由于實驗數(shù)據(jù)有限，算法的實際驗證并不充分，本文作者也將在后續(xù)研究中進一步通過實際數(shù)據(jù)驗證以完善識別算法。