夏亞雄 萬好

摘要：機場作為面向國際的交通樞紐，不僅為人們提供便捷的出行環(huán)境，也彰顯著所在城市的精神面貌，因此機場道路交通管理也愈發(fā)受到關注。針對機場交通管理的需求，設計了一套基于目標檢測與跟蹤技術的民航限行車輛預警系統(tǒng)，旨在監(jiān)測機場道面移動目標的情況，并對監(jiān)測數(shù)據(jù)進行統(tǒng)計與呈現(xiàn)，為工作人員提供管理依據(jù)與幫助。

關鍵詞：限行車輛；目標檢測；深度學習；機場交通

中圖分類號：U495 文獻標識碼：A

0 引言

隨著機場規(guī)模日益擴大，機場轄區(qū)內(nèi)的道路也越來越多，為了確保機場道路交通安全，進一步凈化廣州白云國際機場社會治安環(huán)境，保障廣大群眾合法權益，提升旅客出行體驗，維護廣州城市形象，如何對機場各道路上的移動目標情況進行有效監(jiān)控，成為亟待解決的問題[1]。

在城市交通事故中，自行車、三輪車、摩托車（以下統(tǒng)稱“限行車輛”）等非機動車事故率居高不下，而因機場性質(zhì)特殊，其道路會長時間處于車流量較大的狀態(tài)，如若在機場道路出現(xiàn)上述車輛，不僅影響城市形象，也增加了道路交通安全隱患。因此，迫切需要通過基于目標識別、目標分類等深度學習技術[2] 實現(xiàn)機場主要道路的道面移動目標監(jiān)測[3]，并統(tǒng)計各關鍵區(qū)域限行車輛數(shù)目[4]，通過設定警戒閾值，有效輔助機場交通管理部門對限行車輛進行管理，清除機場道路交通安全隱患[5]。

近年來，深度學習技術快速發(fā)展，取得了一系列突破性成果，在某些子領域，深度學習算法的表現(xiàn)甚至超越人類，能有效輔助人們進行工作。因此，本文結合機場道路現(xiàn)有的視頻監(jiān)控系統(tǒng)，在獲得道路實時監(jiān)控畫面的前提下，基于目標檢測與跟蹤技術研究機場道面移動目標的檢測與跟蹤系統(tǒng)。對道面車輛進行檢測、識別與分類，實時統(tǒng)計機場重點區(qū)域存在的限行車輛數(shù)目，為機場交通管理部門提供數(shù)據(jù)依據(jù)；當數(shù)量達到警戒閾值時，及時發(fā)布預警，消除交通安全隱患，維護機場交通安全與城市形象。

1 系統(tǒng)功能設計

針對機場道面區(qū)域，基于目標檢測與跟蹤技術的民航限行車輛預警系統(tǒng)主要功能如下。

1.1 目標（車輛車型）檢測

調(diào)研分析機場道路交通常見車輛車型及限行車輛種類，需要檢測的目標包括小汽車（car）、卡車（truck）、公共汽車（bus）、自行車（bicycle）、摩托車（motorbike）、三輪車（tricycle）。得益于深度學習技術的快速發(fā)展，近年來基于深度學習的目標檢測算法研究越來越多，其效果也已經(jīng)大大超越了傳統(tǒng)的目標檢測算法，甚至有不少基于深度學習的目標檢測算法已經(jīng)應用到了實際的生產(chǎn)環(huán)境當中?；谏疃葘W習的目標檢測算法從算法實現(xiàn)的角度可以分為一階段目標檢測算法以及二階段目標檢測算法。

本文主要的檢測對象是車輛，而車輛通常具有比較固定的長寬比，所以采用帶錨點的目標檢測算法能更好地利用車輛形狀信息。除此之外，考慮到限行車輛預警系統(tǒng)會同時監(jiān)控多路攝像頭錄像，故選擇速度更快的一階段目標檢測算法。

1.2 檢測區(qū)域設置

機場公共區(qū)域用于交通監(jiān)控的攝像頭繁多，若對每一路采集到的監(jiān)控視頻都做車輛監(jiān)測，無疑會造成計算資源的極大浪費。因此，需要根據(jù)機場交通布局將機場劃分為若干區(qū)域，然后針對每個區(qū)域的出入口進行車輛監(jiān)測與統(tǒng)計。為了進一步提升算法的時效性，在選定的出入口視頻中，可以通過設置檢測區(qū)域有效降低輸入圖像的尺寸，降低計算量，提升計算效率，也為后續(xù)的部署提供更具性價比的方案。

1.3 多目標跟蹤與數(shù)量統(tǒng)計

為實現(xiàn)機場各區(qū)域限行車輛的數(shù)量統(tǒng)計，需要判別車輛在各區(qū)域的進出情況，僅采用車輛車型檢測顯然無法滿足需求。因此，本系統(tǒng)引入多目標跟蹤算法，對檢測區(qū)域范圍內(nèi)的車輛進行跟蹤，并通過劃定進出車道線的方式，輔助判斷車輛在各區(qū)域的進出情況，為車輛的數(shù)量統(tǒng)計提供依據(jù)。

2 系統(tǒng)搭建

2.1 技術方案設計

本系統(tǒng)的技術研究主要是基于深度學習技術，對機場道路上的移動目標進行檢測與跟蹤，通過識別與分類實現(xiàn)對限行車輛的實時監(jiān)測，從而實現(xiàn)對機場各區(qū)域限行車輛數(shù)目的實時統(tǒng)計?？梢詫⑵涑橄罄斫鉃檐囕v監(jiān)控問題，而車輛監(jiān)控問題的解決方案是目標檢測加目標跟蹤。目標檢測用于發(fā)現(xiàn)、定位當前處理圖片中存在的目標車輛，而目標跟蹤則是結合當前圖片的目標檢測信息，計算出每一個目標在視頻流中的運動情況。

如圖1 所示，本系統(tǒng)的技術方案流程如下。

（1）獲取道路監(jiān)控畫面作為系統(tǒng)的輸入。

（2）使用目標檢測算法檢測出圖片中的目標車輛，并記錄其類別及坐標。

（3）結合當前幀的目標檢測信息和上一幀圖片的檢測信息，對當前幀的目標車輛進行跟蹤，并分析其運動狀態(tài)。

（4）根據(jù)當前幀車輛的運動狀態(tài)、位置信息和歷史信息，再結合目標車輛是否跨越機場重點區(qū)域以及其進出車道線的方式，判別所跟蹤的目標車輛進出機場區(qū)域的狀態(tài)。

（5）統(tǒng)計機場道面重點區(qū)域內(nèi)目標車輛的種類及數(shù)量，及時識別并統(tǒng)計限制車輛的數(shù)目，如數(shù)量大于設定的警戒閾值，則向機場交通管理部門主動預警。

2.2 系統(tǒng)功能模塊

2.2.1 車輛車型檢測

針對機場區(qū)域常見車型car、truck、bus、bicycle、motorbike、tricycle 進行訓練，在輸入的監(jiān)控視頻中監(jiān)測出現(xiàn)的車輛并對其車型進行分類。為了能更好地展示本系統(tǒng)的工作成果，制作了一個圖形用戶界面（GUI）進行演示，如圖2 所示。

圖2 中，本系統(tǒng)能夠正確對機場各個視角下出現(xiàn)的車輛進行檢測與分類，為后續(xù)車輛進出機場重點區(qū)域的判別奠定了基礎。

2.2.2 監(jiān)測區(qū)域設置

為了提升系統(tǒng)的運行效率，可通過設定檢測區(qū)域來控制輸入系統(tǒng)圖片的數(shù)據(jù)量。主要采用以點連線的方式，通過依次點擊畫面，畫出一個多邊形，以多邊形的最小外接矩形作為檢測區(qū)域，將其設置在輸入視頻的第一幀中，如圖3 所示。這樣系統(tǒng)在處理這一路視頻圖片時，只需要處理矩形框區(qū)域即可，極大地減少了所需處理的數(shù)據(jù)量，提升了系統(tǒng)處理效率，有效降低了硬件成本。

2.2.3 車輛出入判別與數(shù)量統(tǒng)計

為了更好地判別系統(tǒng)所監(jiān)測的車輛進出情況，在劃定的檢測區(qū)域范圍內(nèi)，設定車輛進出虛擬線圈，如圖4 所示。

圖4 中，左側(cè)虛線為設定的進入機場區(qū)域虛擬線圈，右側(cè)虛線為離開機場區(qū)域虛擬線圈。機場各區(qū)域的現(xiàn)存車輛將通過各區(qū)域出入口的進出車輛數(shù)據(jù)進行統(tǒng)計，統(tǒng)計區(qū)域如圖5 所示。

圖5 中，左下角方框內(nèi)為各類車輛進出機場區(qū)域的情況，右下角方框內(nèi)為功能按鈕，從上往下分別是選擇視頻文件、設置檢測區(qū)域、開始運行。

2.3 系統(tǒng)界面

基于上述系統(tǒng)功能，制定系統(tǒng)界面，如圖6所示。

當目標車輛進入圖中矩形框檢測區(qū)域，就會被系統(tǒng)的車輛監(jiān)測算法檢測出來，當出機場的車輛經(jīng)過離開機場區(qū)域虛擬線圈，相應的車輛類型出機場數(shù)加一，反之亦然。機場各區(qū)域現(xiàn)存各車型車輛數(shù)量可以由進出差值計算得出，限行車輛數(shù)可由各限行車輛種類的現(xiàn)存數(shù)之和得出，其超過預定閾值時會發(fā)出預警。

3 結論

本文研究設計了一套基于目標檢測與跟蹤技術的民航限行車輛預警系統(tǒng)，利用機場公共區(qū)域道路交通監(jiān)控視頻，實現(xiàn)對機場各劃定區(qū)域的車輛實時監(jiān)測并對限行車輛進行數(shù)量統(tǒng)計，可為機場交通管理部門提供數(shù)據(jù)支撐與監(jiān)管輔助，及時提醒限行車輛到達警戒閾值，協(xié)同執(zhí)法部門處理隱患，為人們提供更加便捷安全的出行環(huán)境。

參考文獻

[1] 胡亞光，歐陽杰，張兆寬. 樞紐機場陸側(cè)交通協(xié)同化管理系統(tǒng)分析與框架概述[C]// 第十五屆中國智能交通年會學術委員會. 第十五屆中國智能交通年會科技論文集. 北京：電子工業(yè)出版社，2020：452-461.

[2] 萬良昊. 基于深度學習的多場景車輛檢測系統(tǒng)設計與實現(xiàn)[D]. 武漢：華中科技大學，2018.

[3] 陳熊. 基于機器視覺的車輛檢測方法研究[D]. 成都：電子科技大學，2016.

[4] 孫曉瑤，田波，王秋生，等. 輪跡分布與車型分類檢測系統(tǒng)設計與實現(xiàn)[J]. 工業(yè)計量，2012，22（2）：9-12.

[5] 蔡長. 一種可車型分類的道路交通流檢測系統(tǒng)研究與設計[J]. 公路工程， 2009，34（6）：30-33.