摘" 要：為了解決高速公路監(jiān)控人員手工巡檢工作量大、效率低、準(zhǔn)確性低的實(shí)際痛點(diǎn)，采用圖像自動識別技術(shù)，以視頻信號采集為起點(diǎn)，通過圖像預(yù)處理、特征提取、目標(biāo)識別與跟蹤、異常事件檢測、自動預(yù)警與處置的工作流程，建立YOLOv5目標(biāo)檢測及DeepSORT目標(biāo)根據(jù)算法，實(shí)時自動發(fā)現(xiàn)高速中出現(xiàn)的異常事件并及時預(yù)警處置，研究成果經(jīng)過實(shí)際工程應(yīng)用，驗(yàn)證了技術(shù)的創(chuàng)新性及可行性，可大大提高高速公路運(yùn)營管理效率。

關(guān)鍵詞：YOLOv5目標(biāo)檢測；DeepSORT目標(biāo)跟蹤；特征提取；事件檢測；機(jī)器深度學(xué)習(xí)

中圖分類號：TP18；U491.2" " 文獻(xiàn)識別碼：A" " 文章編碼：2096-4706（2024）10-0143-07

Research on Highway Real-time Monitoring and Early Warning System Based on Image Recognition Technology

FU Yiheng

（Guangdong Road and Bridge Construction Development Co.， Ltd.， Guangzhou" 510663， China）

Abstract： In order to solve the actual pain points of large workload， low efficiency and low accuracy of manual inspection of monitoring personnel， the automatic image recognition technology is adopted， starting from video signal acquisition， and through image preprocessing， feature extraction， target recognition and tracking， abnormal event detection， automatic early warning and disposal and so on， the abnormal events in the highway are automatically discovered in real time and timely early warning and disposal. Through the practical engineering application， the innovation and feasibility of the research results are verified， and the technology greatly improves the efficiency of the highway operation and management.

Keywords： YOLOv5 object detection; DeepSORT target tracking; feature extraction; event detection; machine Deep Learning

0" 引" 言

根據(jù)國家統(tǒng)計(jì)局公布數(shù)據(jù)顯示，截至2022年12月31日，全國的高速公路總里程達(dá)到17.7 km，目前，高速公路上的超速、違法停車、行人非法闖入、拋灑物、交通事故等事件的監(jiān)、管、控，主要是通過監(jiān)控管理人員手動輪詢手段來實(shí)現(xiàn)，存在工作量大、效率低、漏報、誤報、應(yīng)急聯(lián)動性差等痛點(diǎn)。近兩年來視頻事件檢測產(chǎn)品已經(jīng)開始在行業(yè)內(nèi)應(yīng)用，并且已被越來越多的高路公路運(yùn)營管理單位青睞。作者多年來一直從事高速公路智慧化產(chǎn)品的開發(fā)研究及高速公路的運(yùn)營管理，針對現(xiàn)在高速公路運(yùn)營管理的痛點(diǎn)，開展基于圖像識別的智能實(shí)時檢測預(yù)警系統(tǒng)研究，實(shí)現(xiàn)高速公路上發(fā)生的各種異常事件的實(shí)時監(jiān)測及自動識別具體有重要意義。

1" 設(shè)計(jì)思路

從高速公路的運(yùn)營管理痛點(diǎn)出發(fā)，利用高速公路上已部署好的攝像機(jī)對高速公路的路域、橋梁、隧道、收費(fèi)站、樞紐等場所的視頻進(jìn)行采集，在監(jiān)控中心部署視頻分析服務(wù)器，對采集到的視頻信息進(jìn)行識別、分析，通過算法自動識別出高速公路上的超速、低速、違規(guī)變道、違規(guī)停車、行人、拋灑物、隧道火災(zāi)、山體滑坡等事件，并實(shí)時預(yù)警，遵循事件的實(shí)時檢測、自動識別、及時預(yù)警、緊急處置的閉環(huán)原則[1]。

2" 設(shè)計(jì)依據(jù)及標(biāo)準(zhǔn)

本研究的設(shè)計(jì)依據(jù)主要是以下標(biāo)準(zhǔn)及規(guī)范，這些標(biāo)準(zhǔn)規(guī)范對視頻檢測及識別的檢測范圍、檢測內(nèi)容、檢測時間、檢測準(zhǔn)確率、漏報率、虛報數(shù)等做出了規(guī)定：

GB/T 28789—2012《視頻交通事件檢測器》、DB14/T 1335—2017《高速公路交通事件信息交換規(guī)范》、GB/T 29100—2012《道路交通信息服務(wù) 交通事件分類與編碼》、GB/T 29096—2012《道路交通管理數(shù)字字典交通事件數(shù)據(jù)》、GB/T 40768—2021《視頻流與時空信息整合編碼規(guī)范》、GB/T 31493—2015《數(shù)字音視頻分析儀技術(shù)要求》、GB/T 24726—2009《交通信息采集視頻車輛檢測器》、GB/T 34959—2017《音頻、視頻、信息技術(shù)和通信技術(shù)設(shè)備環(huán)境意識設(shè)計(jì)》。

根據(jù)以上技術(shù)指標(biāo)要求，本研究技術(shù)指標(biāo)定義為：事件檢測準(zhǔn)確率≥96%，檢測時間≤8秒，漏報率≤2%，24小時虛報數(shù)不多于1條[2]。

3" 系統(tǒng)框架

系統(tǒng)架構(gòu)包含基礎(chǔ)層、數(shù)據(jù)采集層、信息傳輸層、數(shù)據(jù)處理層、支撐層和應(yīng)用層組成，系統(tǒng)架構(gòu)圖如圖1所示。

基礎(chǔ)層為系統(tǒng)運(yùn)行的基本保障層，包含服務(wù)器、工作站、通信設(shè)備、存儲設(shè)備等硬件部分以及操作系統(tǒng)、數(shù)據(jù)庫等。

數(shù)據(jù)采集層主要是高速公路上部署的各種攝像設(shè)備，負(fù)責(zé)車型、車流、交通事件的視頻信號采集。

傳輸層負(fù)責(zé)視頻信號、設(shè)備狀態(tài)數(shù)據(jù)、控制信號等的傳輸，通常有光纖專網(wǎng)、4G/5G/NB、Wi-Fi、LoRa等方式。

數(shù)據(jù)層包含數(shù)據(jù)的清洗、分析、融合、挖掘等功能，數(shù)據(jù)的類型包含設(shè)備基礎(chǔ)信息、狀態(tài)信息等結(jié)構(gòu)化數(shù)據(jù)，還包含視頻、圖片等非結(jié)構(gòu)數(shù)據(jù)。

支撐層包含數(shù)據(jù)接口分析、分析引擎、報表引擎、實(shí)時計(jì)算、GIS服務(wù)、視頻服務(wù)等功能支撐。

應(yīng)用層包含交通事件識別與分析、車型車流分析、目標(biāo)檢測與跟蹤、事件查詢、事件分析統(tǒng)計(jì)、事件預(yù)警處理、緊急處置等業(yè)務(wù)流程。

4" 工作流程

本研究的工作流程是利用圖像識別技術(shù)，對高速公路上發(fā)生的超速、違停、逆行、違規(guī)變道、行人闖入、拋灑物事件進(jìn)行自動識別并預(yù)警，主要包含數(shù)據(jù)采集、特征提取、算法模型訓(xùn)練等功能，主要功能如圖2所示。

4.1" 圖像采集及預(yù)處理

高速公路上每隔500～1 000 m就要部署一套攝像機(jī)，通過攝像機(jī)可以獲取海量的視頻數(shù)據(jù)，視頻信號是由一幀一幀的圖像組成的，為了提高識別準(zhǔn)確性，需要對圖像信號進(jìn)行去噪、大小調(diào)整、灰度化等預(yù)處理[3]。

4.2" 圖像特性提取

經(jīng)過預(yù)處理的圖像信號，需要從中提取邊緣、紋理、顏色、形狀等有意義的特征，可以使用預(yù)訓(xùn)練的深度學(xué)習(xí)模型（如卷積神經(jīng)網(wǎng)絡(luò)）來提取圖像特征，通過大規(guī)模數(shù)據(jù)進(jìn)行模型訓(xùn)練，這些模型能夠捕獲圖像中更高層次的語義信息。

4.3" 圖像標(biāo)記

經(jīng)過預(yù)處理的圖像包含有車輛、行人、拋灑物等目標(biāo)物體，需要對這些目標(biāo)物體進(jìn)行邊界標(biāo)記，一般用矩形框來標(biāo)記，將標(biāo)記轉(zhuǎn)化為（x，y，width，height）的坐標(biāo)信息形式來表示。

4.4" 算法模型訓(xùn)練

建立訓(xùn)練分類器，將已做標(biāo)簽的數(shù)據(jù)集隨機(jī)劃分訓(xùn)練集和測試集，其比例為9：1。將數(shù)據(jù)集輸入到模型中進(jìn)行反復(fù)訓(xùn)練，將圖像的提取特征和相對應(yīng)的標(biāo)簽進(jìn)行匹配，建立圖像特征和事件類別的關(guān)聯(lián)模型。

4.5" 測試與評估

算法模型訓(xùn)練完成后，將沒有做標(biāo)簽的圖像數(shù)據(jù)輸入到分類器進(jìn)行測試和評估，通過測試圖像輸入到分類器中預(yù)測測試結(jié)果，將測試結(jié)果與真實(shí)標(biāo)簽的結(jié)果進(jìn)行對比，評估分類器的屬性和準(zhǔn)確性。

4.6" 部署及應(yīng)用

算法模型在測試和評估確定其準(zhǔn)確性后，可以根據(jù)實(shí)際應(yīng)用場景進(jìn)行部署，將圖像數(shù)據(jù)輸入到算法中，并對結(jié)果進(jìn)行分析和跟蹤。

5" 核心技術(shù)

5.1" 基于YOLOv5的高速公路目標(biāo)檢測技術(shù)

YOLOv5是一種目標(biāo)檢測算法，是YOLO經(jīng)過第一代到第四代發(fā)展后的最新版本，與以往四代相比，YOLOv5在輸入端增加了Mosaic數(shù)據(jù)增強(qiáng)、自適應(yīng)描框、自適應(yīng)圖片縮放；在基準(zhǔn)網(wǎng)絡(luò)中加入了Focus結(jié)構(gòu)和CSP結(jié)構(gòu)[4]；在Neck網(wǎng)絡(luò)結(jié)構(gòu)中添加了FPN+PAN結(jié)構(gòu)，在Head輸出層改進(jìn)了損失函數(shù)GIOU_Loss [5]。

5.1.1" YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)

對于高速公路上的車輛、行人、拋灑物等目標(biāo)的檢測，可以將網(wǎng)絡(luò)分成輸入端（Input）、基準(zhǔn)網(wǎng)絡(luò)（Backbone）、Neck網(wǎng)絡(luò)及Head輸出端（Prediction）四個模塊。網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

5.1.2" YOLOv5的基礎(chǔ)組件

CBL：CBL模塊由Conv+BN+Leaky Relu 激活函數(shù)組成，如圖3中模塊1所示。

Res unit：借鑒ResNet網(wǎng)絡(luò)中的殘差結(jié)構(gòu)，用來構(gòu)建深層網(wǎng)絡(luò)，CBM是殘差模塊中的子模塊，如圖3中模塊2所示。

CSP1-X：由CBL模塊、Res unint模塊以及卷積層、Concate組成而成，如圖3中模塊3所示。

CSP2_X：由卷積層和X個Res組成，如圖3中模塊4所示。

Focus：首先將多個slice結(jié)果Concat起來，然后將其送入CBL模塊中，如圖3中的模塊5。

SPP：采用1×1、5×5、9×9和13×13的最大池化方式，進(jìn)行多尺度特征融合，如圖3中的模塊6。

5.1.3" Mosaic數(shù)據(jù)增強(qiáng)

在YOLOv5中輸入端采用了Mosaic數(shù)據(jù)增強(qiáng)方式，選了4張圖片進(jìn)行隨機(jī)裁剪、隨機(jī)縮放及隨機(jī)排列拼接，這樣大大增加了數(shù)據(jù)量，提升了算法訓(xùn)練的網(wǎng)絡(luò)速度，還降低了算法訓(xùn)練的內(nèi)存要求。

5.1.4" 自適應(yīng)描框尺寸

傳統(tǒng)目標(biāo)檢測需要利用滑動窗口來提取被檢目標(biāo)，由于窗口尺寸固定，無法覆蓋尺寸不同的目標(biāo)，且窗口的數(shù)量較多，需耗費(fèi)大量運(yùn)算資源，算法性能較差[6]。根據(jù)不同的數(shù)據(jù)集來自適應(yīng)計(jì)算Anchor，對于不同的數(shù)據(jù)集，都會計(jì)算先驗(yàn)框Anchor。然后在網(wǎng)絡(luò)訓(xùn)練時，網(wǎng)絡(luò)會在Anchor的基礎(chǔ)上進(jìn)行預(yù)測，然后輸出預(yù)測框，再和標(biāo)簽框進(jìn)行對比，最后就進(jìn)行梯度地反向傳播，并將此功能嵌入到整個訓(xùn)練代碼里中。

自適應(yīng)的計(jì)算具體過程：

1）獲取數(shù)據(jù)集中所有目標(biāo)的寬和高。

2）將每張圖片中按照等比例縮放的方式到resize指定大小，這里保證寬高中的最大值符合指定大小。

3）將bboxes從相對坐標(biāo)改成絕對坐標(biāo)，這里乘以的是縮放后的寬高。

4）篩選bboxes，保留寬高都大于等于兩個像素的bboxes。

5）使用K-means聚類三方得到n個Anchors。

6）使用遺傳算法隨機(jī)對Anchors的寬高進(jìn)行變異。倘若變異后的效果好，就將變異后的結(jié)果賦值給Anchors [7]；如果變異后效果變差就跳過，默認(rèn)變異1 000次。這里是使用Anchor_fitness方法計(jì)算得到的適應(yīng)度fitness，然后再進(jìn)行評估[8]。

5.2" 基于DeepSORT的高速公路多目標(biāo)跟蹤技術(shù)

DeepSORT是多目標(biāo)跟蹤算法，是在SORT基礎(chǔ)上添加了級聯(lián)匹配以及軌跡狀態(tài)變化判斷的一種改進(jìn)算法，在匹配過程中同時考慮目標(biāo)的預(yù)測框、形狀及軌跡變化三個要素。在高速公路目標(biāo)中存在車輛、行人等多目標(biāo)跟蹤，還存在車輛之間相互遮擋、門架及隔離帶綠化物對車輛遮擋的情況，選用DeepSORT算法，可以提高多車輛連續(xù)跟蹤的穩(wěn)定性和準(zhǔn)確性。DeepSORT的多目標(biāo)跟蹤算法流程如圖4所示。

5.2.1" 目標(biāo)跟蹤步驟

1）當(dāng)檢測到高速公路上車輛目標(biāo)的視頻時，目標(biāo)檢測器負(fù)責(zé)對檢測框（Detections）進(jìn)行檢測，預(yù)測當(dāng)前幀的軌跡信息（Predict tracks），每次預(yù)測都是在上一次時間的基礎(chǔ)上加1。

2）如果預(yù)測軌跡得到確認(rèn)，則輸入到檢測框進(jìn)行級聯(lián)匹配，經(jīng)過級聯(lián)匹配成功后將通過卡爾曼濾波更新軌跡信息。

3）級聯(lián)匹配未成功且距離上一次更新時間為1的軌跡信息，和未經(jīng)過匹配的軌跡輸入到IoU檢測框進(jìn)行匹配，如果匹配成功則更新軌跡。

4）IoU匹配未成功的軌跡分為暫定態(tài)和確定態(tài)，暫定態(tài)軌跡直接刪除，設(shè)定一個MaxAge值，如果確定態(tài)軌跡信息距離上一次更新時間大于MaxAge值，則直接刪除；如果不大于MaxAge值則進(jìn)行下一輪預(yù)測。

5）將所有軌跡中是確定態(tài)且距離上次更新時間小于n的軌跡作為最終跟蹤結(jié)果輸出，其中的n為可選參數(shù)，當(dāng)n為1時，只輸出最新更新的軌跡，此時的跟蹤更為精確，與觀測值更接近。但如果發(fā)生漏檢情況，軌跡會有短暫中斷。當(dāng)n大于1的數(shù)時，如果此時發(fā)生漏檢，最終輸出會由卡爾曼濾波預(yù)測框彌補(bǔ)檢測漏檢目標(biāo)，軌跡會更加連續(xù)[9]。

5.2.2" 卡爾曼濾波預(yù)測車輛運(yùn)動狀態(tài)

高速公路上車輛的速度變化不大時，可以通過卡爾曼濾波來預(yù)測車輛運(yùn)動狀態(tài)，在卡爾曼濾波中主要通過觀測方程和狀態(tài)轉(zhuǎn)移矩陣對車輛目標(biāo)狀態(tài)進(jìn)行預(yù)測估計(jì)。

卡爾曼濾波觀測方程為：

Zt = Hxt + vt" " " " " " " " " " " " " " （1）

其中，Zt表示在t時刻高速公路上車輛目標(biāo)的觀測值，H表示當(dāng)時的觀測矩陣，xt表示t時刻車輛目標(biāo)的觀測值與真實(shí)值的對應(yīng)關(guān)系，vt表示t時刻觀測系統(tǒng)噪聲，此時噪聲滿足正態(tài)分布。

為了減少算法運(yùn)算時的消耗，將高速公路上行駛的車輛目標(biāo)建模為勻速運(yùn)動，車輛運(yùn)動的狀態(tài)表示為（b，v），其中b表示車輛目標(biāo)的位置，v表示車輛的速度，目標(biāo)車輛的狀態(tài)可表示為以下向量：

x = （x，y，a，h，vx，vy，va，vh）T" " " " "（2）

其中，x、y、a、h表示目標(biāo)的各個位置，vx、vy、va、vh各個位置對應(yīng)的速度。

狀態(tài)矩陣及觀測矩陣可分別表示為：

，（3）

其中，F(xiàn)表示時刻4的狀態(tài)矩陣，H表示觀測矩陣，I4表示時刻4時的位置坐標(biāo)值，O表示坐標(biāo)相對值。

卡爾曼濾波初始化時v全為0，b為檢測框參數(shù)。完成初始化后就進(jìn)入預(yù)測階段，再通過后續(xù)匹配成功的檢測框?qū)︻A(yù)測結(jié)行進(jìn)行優(yōu)化調(diào)整，經(jīng)過初始化及優(yōu)化調(diào)整后就完成了對高速公路目標(biāo)車輛的狀態(tài)的預(yù)估，達(dá)到相關(guān)聯(lián)幀之間目標(biāo)車輛的關(guān)聯(lián)跟蹤。

5.2.3" 關(guān)聯(lián)匹配算法

高速公路上的事件識別需要對多目標(biāo)進(jìn)行跟蹤，本研究選用的匈牙利算法是一種在多項(xiàng)式時間內(nèi)求解任務(wù)分配問題的組合優(yōu)化算法，在高速公路的多目標(biāo)跟蹤問題中，用于匹配軌跡預(yù)測框與目標(biāo)檢測框?？梢詫⑼庥^特征距離、馬氏跟蹤、IoU距離等相關(guān)信息構(gòu)建代價矩陣，通過行歸約和列歸約后嘗試指派，如果指派成功則完成級聯(lián)匹配，如果匹配失敗，則通過調(diào)整行列值來更新代價矩陣，這樣可以解決目標(biāo)跟蹤中相關(guān)聯(lián)幀之間的最大匹配問題。匈牙利算法的流程圖如圖5所示。

6" 案例應(yīng)用

本研究成果主要應(yīng)用于汕梅高速的蓮花山隧道群異常事件視頻檢測中，在路運(yùn)一體化平臺的基礎(chǔ)上，研發(fā)基于圖像識別技術(shù)的高速公路實(shí)時監(jiān)測與預(yù)警系統(tǒng)，在監(jiān)控中心部署算法服務(wù)器及深度學(xué)習(xí)事件檢測分析平臺[10]，對管養(yǎng)的蓮花山隧道群實(shí)行視頻事件檢測，實(shí)現(xiàn)隧道內(nèi)的車輛超速、違規(guī)停車、違規(guī)變道、行人、拋灑物、煙霧等異常事件的自動精準(zhǔn)識別并預(yù)警。

6.1" 類別及特征判斷的檢測

本應(yīng)用場景為蓮花山隧道，隧道內(nèi)的行人、動物、摩托車、煙火、拋灑物，只需要對目標(biāo)進(jìn)行類別及特征判斷，提取目標(biāo)的特征及類別，用YOLOv5算法的步驟進(jìn)行描框、縮放、Mosaic數(shù)據(jù)增強(qiáng)、自適應(yīng)處理識別。

6.2" 車輛特征的檢測

由于車輛是屬于行駛的目標(biāo)，涉及車輛狀態(tài)的實(shí)時跟蹤以及車輛被遮擋的情況，所以需要用YOLOv5自法對車輛特征進(jìn)行檢測，用DeepSORT對車輛進(jìn)行目標(biāo)跟蹤，用檢測框代替正確的跟蹤框組成連續(xù)幀片段，通過卡爾曼濾波及級聯(lián)方式完成目標(biāo)的跟蹤。

6.3" 硬件拓?fù)浣Y(jié)構(gòu)

硬件拓?fù)浣Y(jié)構(gòu)包括場外及場內(nèi)兩部分，場外設(shè)備包括攝像機(jī)、通信專網(wǎng)，主要完成視頻信號的采集和傳輸，場內(nèi)設(shè)備包括文件服務(wù)器、交通信息分析服務(wù)器、視頻入侵檢測分析服務(wù)器、應(yīng)用服務(wù)器、視頻上墻設(shè)備以及展示設(shè)備，主要完成算法訓(xùn)練、深度學(xué)習(xí)（目標(biāo)檢測、跟蹤）等功能。硬件拓?fù)淙鐖D6所示。

6.4" 軟件系統(tǒng)設(shè)計(jì)

因?yàn)橐曨l分析需要做大的算法訓(xùn)練，運(yùn)算量非常大，所以需要選擇多核及高性能的處理器（CPU），在圖形處理中大量應(yīng)用機(jī)器深度學(xué)習(xí)及神經(jīng)網(wǎng)絡(luò)模型分析，所以需要配備高性能的圖形處理單元（GPU），在路達(dá)高速的項(xiàng)目應(yīng)用中，服務(wù)器的配置關(guān)鍵參數(shù)要求如下：

主板：超微X11DAI-N，1塊；內(nèi)存：三星16 GB REG ECC DDR4 2666，4條；CPU：intel Xeon 4114+風(fēng)冷風(fēng)扇，2個；GPU：GeForce GTX 1080Ti；顯示卡：RTX 3080；硬盤：三星PM883 480G SSD；硬盤：希捷4 TB 企業(yè)級硬盤；系統(tǒng)：Ubuntu 18.04.5 LTS。

選擇Python作為編程語言，選擇OpenCV作為圖像處理庫，選擇PyTorch 1.7.1為深度學(xué)習(xí)框架，界面框架則選擇PyQt5。系統(tǒng)界面如圖7所示。

6.5" 檢測結(jié)果

系統(tǒng)上線以來，在交通量檢測及安全監(jiān)控方面大大提高了管理效率，能夠自動檢測到車輛超速、車輛違停、車輛逆行、拋灑物、違規(guī)行人等事件，對高速公路上發(fā)生的事件通過目標(biāo)檢測、分析、跟蹤進(jìn)行識別，當(dāng)檢測到事件時及時將報警信號發(fā)回監(jiān)控中心，監(jiān)控人員根據(jù)事件類別進(jìn)行應(yīng)急處理。識別效果如圖8所示。

7" 結(jié)" 論

本研究從高速公路異常事件監(jiān)測的痛點(diǎn)出發(fā)，從系統(tǒng)的架構(gòu)設(shè)計(jì)、工作流程上進(jìn)行設(shè)計(jì)，應(yīng)用YOLOv5目標(biāo)識別及DeepSORT目標(biāo)跟蹤技術(shù)，構(gòu)建圖像分析識別算法，自動識別出高速公路上超速、逆行、違章停車、違章變道、摩托車闖入、拋灑物、行人闖入、動物闖入等異常事件，研究成果在路達(dá)高速實(shí)際工程中應(yīng)用驗(yàn)證，采用圖像識別技術(shù)對高速公路各場景的實(shí)時監(jiān)控，能夠大大提高速公路的運(yùn)營管理效率，成為高速公路行業(yè)視頻事件識別的先驅(qū)和典范，為高速公路自動化智能化管理提供參考和借鑒。但由于圖像識別受天氣及夜間光線影響，夜間識別準(zhǔn)確率有待提高，接下將與雷達(dá)等不受光線影響的技術(shù)及設(shè)備相結(jié)合，進(jìn)一步完善圖像識別的算法，研究出更加完善的高速公路實(shí)時檢測與預(yù)警系統(tǒng)。

參考文獻(xiàn)：

[1] 魏溪含，涂銘，張修鵬.深度學(xué)習(xí)與圖像識別：原理與實(shí)踐 [M].北京：機(jī)械工業(yè)出版社，2019：89-100.

[2] 全國智能運(yùn)輸系統(tǒng)標(biāo)準(zhǔn)化技術(shù)委員會.視頻交通事件檢測器：GB/T 28789—2012 [S].北京：中國標(biāo)準(zhǔn)出版社，2013：2-3.

[3] 扶松柏.圖像識別技術(shù)與實(shí)戰(zhàn) [M].北京：清華大學(xué)出版社，2022：148-155.

[4] 李斌，文莉莉，鄔滿，等.基于注意力機(jī)制的SK-YOLOv5海洋目標(biāo)檢測分類算法 [J].廣西科學(xué)，2023，30（1）：132-138.

[5] 許璧麒，馬志強(qiáng)，寶財吉拉呼，等.基于YOLOv5的高速公路小目標(biāo)車輛逆行檢測模型 [J].國外電子測量技術(shù)，2022，41（11）：146-153.

[6] 李海生，蔣周龍，李杰，等.高速公路交通視頻事件檢測系統(tǒng)應(yīng)用探討 [J].中國交通信息化，2022（3）：102-106.

[7] 張超，王亮.基于邊緣計(jì)算的行人檢測算法研究 [J].現(xiàn)代信息科技，2023，7（6）：81-84

[8] 李少君.基于YOLOv5的實(shí)時檢測算法研究 [D].武漢：武漢郵電科學(xué)研究院，2022.

[9] 郭玉彬.基于視頻圖像的車輛檢測跟蹤及行為識別研究 [D].北京：北京交通大學(xué)，2021.

[10] 張立，王衛(wèi)華，王靖然，等.基于改進(jìn)ResNet50的石油管道焊縫缺陷分類 [J].現(xiàn)代計(jì)算機(jī)，2021（20）：98-102.

作者簡介：付毅恒（1984.01—），男，漢族，廣東肇慶人，交通工程工程師，本科，研究方向：智慧交通。