凌勇健

(廣西交科集團有限公司,廣西 南寧 530007)

0 引言

團霧、暴雨等不良天氣,一直是影響高速公路運營安全水平的重要隱患,其主要影響駕駛員的可視距離和車輛的制動性能。因此,能見度和路表積水厚度一直以來是高速公路運營安全監(jiān)測的重要數(shù)據(jù)。受能見度和降雨量監(jiān)測設(shè)備價格、路域、可用布設(shè)空間等因素的影響,高速公路難以實現(xiàn)高密度的監(jiān)測設(shè)備布設(shè)。而人工智能不斷發(fā)展,為解決高速公路不良天氣快速監(jiān)測響應提供了新的思路。

根據(jù)《道路交通安全“十三五”規(guī)劃》,截至2020年年底我國絕大多數(shù)高速公路已完成監(jiān)控視頻的全覆蓋,監(jiān)控攝像頭密度平均達到800 m/處[1]。孟穎等[2]提出了一種基于監(jiān)控視頻的能見度計算方法,其在暗原色先驗法基礎(chǔ)上,利用圖像灰度值,進一步濾波分隔獲取空氣透射率,獲取計算能見度指標。Wang等[3]利用相機參數(shù)細化感知精度,提出了一種高準確度和可靠性的降雨強度監(jiān)測模型?；跈C器視覺技術(shù)開展高速公路不良天氣的監(jiān)測響應,不僅滿足精準監(jiān)測和快速響應的需求,還能夠進一步發(fā)揮道路監(jiān)控的價值。因此,本文以高速公路CCTV (Closed-Circuit Television)系統(tǒng)為硬件基礎(chǔ),構(gòu)建高速公路不良天氣監(jiān)測響應管控系統(tǒng)。

1 不良天氣監(jiān)測響應重難點分析

目前,我國高速公路監(jiān)控視頻已趨近全覆蓋,為開展相關(guān)工作提供了有力的應急基礎(chǔ)保證。解決準確性和可移植性是高速公路不良天氣監(jiān)測響應管控系統(tǒng)的主要性能目標。準確性主要指對于能見度和降雨量的準確性;可移植性指相關(guān)算法和技術(shù)不限定于特定路段、特定高度的監(jiān)控畫面。但是在此基礎(chǔ)上開展不良天氣的監(jiān)測響應,依舊存在以下幾個重難點:

(1)設(shè)備參數(shù)指標差異較大:設(shè)備參數(shù)是直接影響監(jiān)控圖像的重要因素,其包括分辨率、焦距、高度、視場角、信噪比、光圈等。設(shè)備參數(shù)的差異直接影響系統(tǒng)的可移植性。因此,在系統(tǒng)模型構(gòu)建中,需要將設(shè)備參數(shù)作為單獨變量,以提高針對不同監(jiān)控設(shè)備的可移植性。

(2)監(jiān)測精度缺乏規(guī)范標準:監(jiān)測精度是衡量準確性的重要指標,但是目前我國尚未形成相關(guān)技術(shù)標準。因此,本研究參照《道路交通氣象環(huán)境 能見度檢測器》(JT/T 714-2008)和《地面氣象觀測規(guī)范 氣象能見度》(GB/T 35223-2017),結(jié)合實際需求將能見度精度控制在±20 m范圍內(nèi),降雨強度精度控制在±0.2 mm/h。

(3)樣本不平衡性:由于霧天、沙塵等天氣的占比極低,如果直接開展機器學習模型訓練,訓練樣本的不平衡性會導致預測性能不佳。因此,需要考慮該問題,盡量平衡訓練樣本中各類天氣的占比。

(4)雨天能見度和降雨量:相對比霧天和沙塵天氣的能見度計算,雨天相關(guān)計算更為復雜。降雨的強度與能見度間存在一定相關(guān)性,明確其影響規(guī)律是保證指標監(jiān)測精度的重要環(huán)節(jié)。

2 高速公路不良天氣監(jiān)測響應管控系統(tǒng)架構(gòu)

高速公路不良天氣監(jiān)測響應管控系統(tǒng),在已有道路監(jiān)控視頻硬件網(wǎng)絡的基礎(chǔ)上,應用機器視覺和機器學習技術(shù),通過圖像處理、分析、預測實現(xiàn)能見度和降雨量的智能監(jiān)測,充分發(fā)揮既有資源應用價值,在現(xiàn)有硬件體系下實現(xiàn)高速公路智慧化升級。系統(tǒng)包含“信息感知”“監(jiān)測分析”“應急響應”三個層級,系統(tǒng)框架如下頁圖1所示。

圖1 基于機器視覺技術(shù)的高速公路不良天氣監(jiān)測響應管控系統(tǒng)架構(gòu)圖

(1)信息感知:以既有高速公路監(jiān)控系統(tǒng)為基礎(chǔ),傳輸?shù)缆穼崟r圖像信息。目前系統(tǒng)所需的不僅是圖像信息,還需要攝像頭編號、時間信息。根據(jù)攝像頭編號,進一步匹配對應的地理位置信息,其中路段樁號、道路方向、路段類型。時間信息作為光照強度分布的參照指標。

(2)監(jiān)測分析:監(jiān)測分析包含三個主要步驟:圖像特征提取、氣象分類、指標計算。圖像特征提取是通過計算圖像特征指標,作為分類及預測模型的輸入變量。氣象分類是初步篩分氣象類型,作為指標計算模型的選擇條件。指標計算主要采用機器學習算法,根據(jù)訓練后的模型進行能見度和降雨量計算。

(3)應急響應:根據(jù)降雨量能見度響應等級,確定應急響應方案,系統(tǒng)發(fā)布至管理員端,修正審核相關(guān)信息后,實時傳遞至管理部門、導航軟件、廣播電臺等。

3 關(guān)鍵技術(shù)

監(jiān)測分析是高速公路不良天氣監(jiān)測響應管控系統(tǒng)的核心,其涉及的關(guān)鍵指標分為三個部分:圖像特征提取、氣象分類和指標計算。

3.1 圖像特征提取

圖像特征提取主要負責圖像指標數(shù)字化,為后續(xù)氣象和指標檢測提供基礎(chǔ)數(shù)據(jù)。其主要涉及圖像處理計算,本研究主要基于OpenCV算法實現(xiàn)相關(guān)功能。特征提取主要包括兩個部分,如圖2所示。

圖2 圖像特征提取示意圖

第一部分為車輛圖域剔除。由于車輛是道路畫面中的最大變量,提取特征之前需要剔除車輛因素的影響。采用高斯混合背景差分算法計算識別動態(tài)車輛目標,確定圖域位置進行背景建模。需要說明的是為了保證降雨畫面能夠保留,因此只針對車輛區(qū)域進行剔除,降雨畫面保留。

第二部分為圖像指標提取。圖像指標包括單幀指標和連續(xù)幀指標。單幀指標主要包括圖像的顏色平均強度、強度方差、強度梯度;連續(xù)幀指標主要為顏色平均強度、強度方差、強度梯度的排列熵。

3.2 氣象分類

氣象分類的目的在于為不同天氣匹配不同的計算模型,其既減少系統(tǒng)算量又提高了準確性。通常采用支持向量機SVM(support vector machines)算法[4]開展氣象分類,共分為晴天、多云、陰天、雨天、霧天、沙塵6種天氣。訓練樣本共計4 730張圖像,其中霧天、沙塵天氣占比極低。為保證模型訓練效果,采用SMOTE(Synthetic Minority Oversampling Technique)重采樣算法[5]平衡訓練樣本。由此構(gòu)建的氣象分類模型,平均準確率達84%。雖然對晴天、多云誤判為沙塵天氣的占比較大,但是有效提升了對霧天和沙塵天氣的召回率,達100%,能夠在保證的不良天氣監(jiān)測覆蓋率前提下,減少相關(guān)計算量。

3.3 指標計算

在氣象分類完成的基礎(chǔ)上,提出了基于XGBoost(eXtreme Gradient Boosting)[6]的降雨量和能見度指標預測框架,如圖3所示。模型共分為霧天、沙塵天、雨天三種,其中沙塵天和霧天僅計算能見度。模型分兩部分訓練,由基礎(chǔ)數(shù)據(jù)集(涵蓋全線基礎(chǔ)樣本數(shù)據(jù))訓練得到基礎(chǔ)模型,再根據(jù)監(jiān)控所在位置補充訓練樣本,直至能見度精度和降雨強度精度達到使用要求,即可部署實施至項目所在區(qū)域。

圖3 基于XGBoost的降雨量和能見度指標預測框架圖

4 結(jié)語

在智慧交通發(fā)展的時代背景下,不僅要思考如何實現(xiàn)智慧化升級轉(zhuǎn)型,也應該著力于發(fā)掘原有設(shè)備體系的價值。本文就高速公路不良天氣監(jiān)測管理問題,提出了一種基于機器視覺的精準監(jiān)控和快速響應系統(tǒng)方法框架,進一步發(fā)揮了高速公路CCTV系統(tǒng)的應用價值,同時也為解決不良天氣管理難題提供了新的思路。本文所提出的系統(tǒng),實現(xiàn)了雨、霧、沙塵三種不良天氣下的能見度和降雨量監(jiān)測,為應急響應管理提供判斷依據(jù)。其關(guān)鍵技術(shù)主要有:基于OpenCV算法的特征提取、基于SVM算法的氣象分類、基于XGBoost算法的能見度及降雨強度指標計算。