魏健康 WEI Jian-kang;史曉蒙 SHI Xiao-meng;呂曉鵬 LV Xiao-peng;朱悅齊 ZHU Yue-qi
(北京易華錄信息技術股份有限公司,北京 100026)
隨著社會和科技的不斷發(fā)展,城市道路的交通參與要素種類不斷拓展。如何通過使用信息技術和先進的通信技術來有效的統籌,結合不同的交通要素來提高交通系統的效率和安全性成為了一個比較火熱的研究方向。現代科技和人工智能的發(fā)展也為交通要素研究提供了新的機會,軌跡分析是人工智能中的一個重要領域,它依托于計算機視覺,機器學習等技術來研究移動物體的運動軌跡,并利用這些信息來做出推斷和預測,為交通運行的效率提升提供了數據支撐[1-3]。
2021 年2 月24 日,中共中央國務院印發(fā)了《國家綜合立體交通網規(guī)劃綱要》。綱要提出了建設現代化高質量國家綜合立體交通網的發(fā)展目標。具體到2035 年,基本建成便捷順暢、經濟高效、綠色集約、智能先進、安全可靠的現代化高質量國家綜合立體交通網,實現國際國內互聯互通、全國主要城市立體暢達、縣級節(jié)點有效覆蓋,有力支撐“全國123 出行交通圈”和“全球123 快貨物流圈”。同時提出了推進交通智慧發(fā)展,即加快提升交通運輸科技創(chuàng)新能力,推進交通基礎設施數字化、網聯化;加快推進綠色低碳發(fā)展,降低污染物及溫室氣體排放強度,優(yōu)化調整運輸結構。此外,中國智慧交通政策還涵蓋了智能化道路建設和管理,包括智能交通信號燈控制、路面智能監(jiān)測、智能交通和路況信息發(fā)布等[4]。
視頻數據匯聚能力不足,隨著城市不斷發(fā)展以及視頻資源的分散建設、設備選型、網絡架構的差異,導致視頻資源共享難的問題;視頻智能化水平不足,除公安視頻經過結構化解析外,大部分未進行視頻智能分析,還是以人工監(jiān)視為主,通過人眼發(fā)現各類違規(guī)事件,工作效率低。智慧交通系統需要大量的數據收集和分析,還需要使用先進的信息技術和通信技術,如物聯網、大數據和人工智能。這些技術的研發(fā)和應用都需要相當大的投入。智慧交通系統需要大量的數據來進行監(jiān)測和分析,這些數據來源多樣,包括道路傳感器、交通攝像頭、GPS 和其他設備。這些數據需要進行清洗、標準化和整合,才能得到有用的信息。智慧交通系統需要保證數據和信息的安全性,避免數據泄露和非法使用。同時,智慧交通系統還需要保證車輛和行人的安全,防止意外事故的發(fā)生[5]。
在交通要素方面,智慧交通系統需要監(jiān)測和管理交通流量,以確保道路使用效率和避免擁堵。需要保證交通安全,通過監(jiān)測和預警交通事故,并采取必要的應對措施。需要維護和改善交通環(huán)境,減少空氣污染和噪聲污染。需要提高交通便捷性,通過提供實時交通信息和路況預測等服務來幫助出行者。需要促進交通可持續(xù)性,通過鼓勵公共交通和綠色出行,減少交通對環(huán)境的影響。
交通要素是指交通系統中的各種元素,如道路、交通信號、交通流量、交通安全等。這些元素之間相互關聯,并對交通系統的運行效率產生重要影響。因此,研究交通要素對于提高交通系統運行效率和安全性具有重要意義。道路是交通系統中最重要的要素之一。它提供了車輛和行人運動的空間,并在交通流量中起著關鍵作用。道路質量的好壞直接影響著交通運行的效率,因此對道路建設和維護是非常重要的。此外,道路規(guī)劃和設計也需要考慮到交通流量和安全性等因素,以確保交通系統能夠高效運行。
交通信號是另一個重要的交通要素。它能夠控制交通流量,降低交通擁堵和事故發(fā)生的風險。交通信號系統需要根據交通流量和安全性等因素進行設計和調整,以確保交通系統能夠高效運行。此外,交通信號系統還可以通過智能化控制來提高交通效率和安全性[6]。
交通流量是交通系統中另一個重要的要素。它決定了道路使用率和交通效率。交通流量過大會導致交通擁堵和延誤,而交通流量過小則會浪費道路資源。因此,對交通流量的監(jiān)測和管理是非常重要的。此外,通過對交通流量數據分析,可以更好地了解道路使用情況和需求,從而更好地規(guī)劃和管理道路網絡。
交通安全是交通系統中另一個重要的要素。它涉及道路交通事故的預防和處理。交通安全問題是全球性問題,因此需要采取有效的措施來減少交通事故發(fā)生。這些措施包括道路設計和建設、交通管理和監(jiān)督、安全教育和倡導等。此外,通過對交通安全數據進行分析,可以找出交通安全問題的關鍵原因,從而采取有效措施來解決問題。
還有一個重要的交通要素是基礎設施建設。隨著城市化不斷加劇,基礎設施建設對于支撐城市發(fā)展和提高城市居民生活質量具有重要意義。例如,基礎設施建設包括道路、鐵路、機場、港口等,它們是保障城市經濟發(fā)展和社會進步的重要基礎。而對于基礎設施建設的規(guī)劃和管理,需要綜合考慮經濟、社會、環(huán)境等因素,保證基礎設施建設的可持續(xù)性。
軌跡分析是人工智能中的一個重要領域,軌跡分析中運用的算法包括卡爾曼濾波、貝葉斯網絡、隱馬爾科夫模型等。這些算法可以用來處理復雜的運動數據,并進行目標跟蹤、路徑規(guī)劃等。在城市道路中使用軌跡跟蹤技術可以幫助收集有關車輛和行人運動軌跡的數據,從而更好地理解城市交通運行情況。常見的軌跡跟蹤技術包括基于圖像處理的方法和基于傳感器的方法。前者通常使用攝像機或其他影像設備來捕捉車輛和行人的運動軌跡,后者則使用雷達、超聲波或其他傳感器來檢測車輛和行人的運動。見表1。
表1 軌跡跟蹤的分類
不同的跟蹤方法在準確率上是有差異的,但是準確率數值并不能簡單地比較,因為這取決于應用場景和測試數據。在不同的場景中,某種方法可能會比其他方法更優(yōu)。在跟蹤評估中,通常使用多種指標來評估跟蹤器的性能,如外部評估指標(如精度、召回率和F1 值)和內部評估指標(如跟蹤失敗率、跟蹤消失率和跟蹤穩(wěn)定性)。通常,使用基準數據集來評估不同跟蹤算法的性能,如VOT,OTB,TC128,UAV123,LaSOT 等[7]。在這些基準數據集上的結果,可以參考比較不同算法的性能。但是需要注意的是這些數據集的環(huán)境和場景都是固定的,實際應用場景可能會有所不同。因此,在選擇跟蹤算法時,需要根據應用場景和需求來確定最合適的算法。此外,跟蹤算法的準確率也可能會隨著技術的發(fā)展而提高,因此需要不斷更新和改進跟蹤算法。另外,在實際應用中,跟蹤算法的準確率并不是唯一的評估指標,還需要考慮算法的實時性、穩(wěn)定性等因素。
圖1 軌跡分析系統功能架構
4.1.1 改善交通安全
軌跡跟蹤技術可以用來研究城市交通流量、交通擁堵、交通安全等問題。例如,通過研究車輛和行人運動軌跡,可以用來分析哪些道路和路口更容易發(fā)生交通事故,從而幫助城市規(guī)劃者采取措施改善交通安全。軌跡跟蹤數據還可以用來評估城市交通管理政策的有效性。
4.1.2 優(yōu)化公共交通
軌跡跟蹤技術還可以用來評估城市公共交通系統的服務水平。例如,可以使用軌跡跟蹤數據來研究公交車和地鐵的運行情況,并評估它們的可用性、可靠性和效率。
4.1.3 提升交通友好性
軌跡跟蹤技術還可以用來研究城市行人流量,并評估城市步行環(huán)境的安全性和可達性。通過對行人流量的研究,可以幫助城市規(guī)劃者更好地設計城市步行環(huán)境,提高城市的步行友好性。
4.1.4 展示交通狀況
軌跡跟蹤數據還可以用來研究城市人口密度和交通流量之間的關系,幫助城市規(guī)劃者更好地了解城市交通系統的運行情況。地圖可視化也是常用的展示軌跡跟蹤數據的方法,通過在地圖上標記車輛和行人運動軌跡的位置,可以清楚地展示城市交通運行情況。
以軌跡分析系統框架為基礎,綜合應用目標跟蹤、目標檢測[8]、目標分類等深度學習技術,進行不同交通要素之間動態(tài)和靜態(tài)行為參數記錄,并進行違規(guī)事件判定。本文從信號燈不正常顯示等功能進行舉例,列舉軌跡分析系統的幾個基礎應用。見圖2。
圖2 軌跡分析系統基本流程架構
視頻數據接入之后,根據不同的視頻協議進行解碼并最終進行固定格式的編碼,將抽幀之后的數據進行結構化模塊的推理,分析提取目標場景中的人車非信息、道路資產信息(紅綠燈、護欄、斑馬線等)、目標特征并進行分類存儲。針對不同目標進行動態(tài)和靜態(tài)兩種維度的狀態(tài)分析,結合事件的判定邏輯輸出告警信息,從而完成閉環(huán)發(fā)現和處置流程。
4.2.1 道路資產信息的靜態(tài)維度分析
信號燈不正常顯示檢測流程見圖3。
圖3 信號燈不正常顯示檢測流程圖
檢測步驟:
①獲取當前周期內的道路資產信息。
②根據紅綠燈的位置和大小信息,進行紅綠燈區(qū)域的roi 區(qū)域摳圖。
③利用圖像灰度直方圖和MobileNet 顏色分類模型的推理數據進行分析,如果存在長時間熄滅、閃爍混亂現象,則輸出紅綠燈顯示異常事件。
4.2.2 道路資產信息的靜態(tài)維度分析
行人翻越護欄檢測流程見圖4。
圖4 行人翻越護欄檢測流程圖
檢測步驟:
①獲取當前周期內道路資產信息和行人軌跡信息,記錄護欄位置和行人位置。
②根據行人軌跡信息進行行人行為預測。
③通過行人軌跡信息更新和預測,判定行人與護欄是否發(fā)生交互行為,若存在設定的交互行為則進行告警。
4.2.3 人車非信息的靜態(tài)維度分析
機動車違停檢測流程見圖5。
圖5 機動車違停檢測流程圖
檢測步驟:
①獲取當前車輛的軌跡信息并記錄車輛編號。
②根據設定的時間間隔進行車輛位置更新,并同時進行是否同一目標的確認。
③設定違停時刻,若車輛停止時間超過設定閾值則進行報警。
4.2.4 人車非信息的動態(tài)維度分析
機動車不禮讓行人檢測流程見圖6。
圖6 機動車不禮讓行人檢測流程圖
檢測步驟:
①獲取當前車輛和行人的軌跡信息,標記道路中的斑馬線位置。
②根據設定的時間間隔進行車輛和行人位置更新,進行不同目標的行為預測,判定是否存在時空交集。
③根據預測的時空交集最終閾值進行異常行為感知和告警。
4.2.5 其他違規(guī)行為檢測
針對不同的違規(guī)行為檢測,也做了大量工作,從數據采集數量和場景把控,到訓練模型參數的細微調整,最終可以在不同光照條件和復雜應用場景下完成違規(guī)事件感知、發(fā)現、告警一系列流程,多場景下準確率達93%以上,在Tesla T4 上測試平均速度可達41.26ms。見圖7、圖8、圖9。
圖7 檢測模型的平均損失曲線
圖8 分類模型的平均損失曲線
圖9 PR 曲線
同時,針對比較復雜的道路場景,為了精準地分析特定車輛的特征和時空行為需要對其進行連續(xù)地分析,同時為了高效地分析該對象這里使用了多目標跟蹤技術DeepSort,為了提高跟蹤的精度,擬加入三個方面的優(yōu)化:優(yōu)化一,在Sort 的級聯匹配后加入IOU 二次匹配機制提高對象的初始跟蹤能力;優(yōu)化二,修改級聯匹配中外觀Reid 特征相似度的計算方式和卡爾曼濾波的運動特征更新方式,降低ID 切換的錯誤率;優(yōu)化三,以跟蹤軌跡對象的檢測框代替跟蹤框提升該對象跟蹤的穩(wěn)定性。在跟蹤過程中可以記錄其行進的軌跡,并結合其他深度學習模型獲取后續(xù)分析所需要的類別、屬性等特征,由于每個跟蹤對象都有唯一的標識,因此達到了對象行為分析去重的目的。
最終,為了優(yōu)化平臺后端搭建和響應時間,在算法Pipeline 的搭建過程中,需要使用多種算法模型,為了提高程序的整體效率首先將各個功能進行模塊化并進行單獨優(yōu)化,這里引入了跟蹤模塊、檢測模塊、分類模塊和邏輯分析模塊,在模型推理加速方面使用了TensorRT 優(yōu)化,使用FP16 進行推理加速,不僅降低模型的資源占用而且提高模型的推理速度,而且使用動態(tài)Batch 和多線程技術來進一步提升程序的執(zhí)行效率,從而更高效地進行狀態(tài)和事件的反饋。預防交通事故和交通隱患的發(fā)生。
總之,交通要素是影響城市交通系統運行效率和安全性的重要因素,而軌跡跟蹤技術可以提供有關交通要素之間關系的重要信息,幫助城市規(guī)劃者更好地管理城市交通。在未來,交通要素和智慧交通的研究將繼續(xù)發(fā)展,并不斷提高交通系統的運行效率和安全性。我們將繼續(xù)深入研究各種交通要素之間的關系和影響,并繼續(xù)探索新的研究方法和技術來平衡不同交通要素之間的聯系,從而實現流量與安全、環(huán)境與安全、便捷性與可持續(xù)性的多方位融合。