基于動量的高速公路視頻檢測算法

余泳 齊運書 楊浩恩 郭磊

摘 要：現如今，隨著監控系統的大面積覆蓋和計算機視覺的大規模崛起，視頻處理的重要性和必要性日益凸顯。交通由于大量視頻監控的存在和情況復雜人手相對不足等問題，對于視頻檢測的需求更加迫切，交通視頻檢測也是近幾年相關的研究的熱點問題。在交通問題中，高速公路更是其難點，我們根據其車速快，數據量大等特點，提出了基于動量的高速公路視頻檢測算法，其在保證了準確性的同時，還基本保證了實時性。

關鍵詞：高速公路;視頻檢測;動量;人工智能

中圖分類號：TP391 文獻標識碼：A 文章編號：1671-2064（2019）14-0017-02

0 引言

在高速公路中，出現異常情況一般需要盡快處理，恢復道路暢通，而眾多的視頻監控裝置，很難有足夠的人力去實時處理這些這些數據，所以視頻處理和檢測也是智慧交通的重要組成部分。在人工智能算法的影響下，現在基本可以保證識別的精準度，但是仍然存在著不能保證實時性，計算量大等問題。

為了解決這一問題，本文提出了基于動量的高速公路視頻檢測算法，在保證了算法準確性的情況下，大幅減少了計算量，保證其實時性。

1 算法概述

自AlexNet之后[1]，深度學習算法一直以極高的精度霸占各類計算機視覺比賽的榜單，但是其在貢獻著最高的精度的同時也同樣有個更高的計算量要求，這使得落地變得比較困難。高速公路由于本身要保證車輛快速通行的特點對于實時性要求更高，這就與深度學習算法產生了矛盾。相比于深度學習算法，傳統算法計算量普遍小很多，但是精度就要低于深度學習算法。針對于高速公路的具體特點，為了平衡計算量和精度，本文假設：

（1）高速公路車輛不會無故停車;

（2）高速公路很少出現除車輛以外的移動物體。

由實際情況和交通法規我們知道這些假設合理，基于這個假設，我們提出基于動量的高速公路視頻檢測算法（Mome- ntum-based highway video detection algorithm，MHVD）。根據假設（1）我們可是使用動量去衡量移動車輛的存在，如果車輛保證高速移動，那么大概率不會出現各類事故。同時我們使用假設（1）判斷是否出現事故，并向工作人員發出信號。

2 算法設計

2006年，Hinton等人基于深度置信網絡（DBN）提出非監督貪心逐層訓練算法[2]，隨后深度學習在各個領域都得到了大幅度的改進，特別是在圖像識別，語音處理等領域展現了里程碑式的大躍進。之后在目標檢測方向，Faster R-CNN[3]，SSD等算法的提出為人工智能在實際生產中的應用帶來了更多可能[4]。Faster R-CNN在各種視頻圖像中取得很多優秀的結果，在交通領域也有著廣泛的應用[5-7]。本文中我們采用Faster R-CNN作為保障單元，使用動量保證在大多數時間中不會使用到Faster R-CNN算法，以此保證實時性。

這里的動量不同于物理中的動量，而是用于表述由于位移產生的圖像差，由于其是在圖像意義下描述了運動，所以將其命名為動量。結合上一節中的兩個假設，我們設計算法如下：

3 性能評價

3.1 數據準備及測試

對于上一節的算法，thed 和change_thed相應的閾值，在我們的測試中取thed=20，change_thed=0.1。Video_next（）是讀取下一幀的函數，faster_rcnn（）是根據Faster R-CNN得到的交通情況的函數，這里我們使用Tensorflow的object _decetion庫中的faster_rcnn_inception_v2_coco模型并重新訓練后得到結果。這在各類相關論文中都能輕易得到Faster R-CNN在各類視頻圖像中的相關應用，在這里就不贅述了，效果如圖1所示。

本文得到試刀山隧道的相關監控視頻數據。于1996年建成并投入使用的試刀山隧道，左、右凈寬10米，原設計僅為雙向四車道通行。但是由于近年來交通量增加迅猛，特別是重大節假日期間，車流量更是持續高位運行，平均日交通流量突破6萬輛的試刀山隧道是擁堵等交通問題的頻發區，對于這類算法的需求更加迫切。我們選取堵車，正常行駛，無車輛行駛三種情況，抽取幾段視頻進行測試，測試結果為路況異常記為1，路況正常記為0。

如圖2所示，在三種情況中，本文算法都能很好地加以區分，在更多復雜路況中的效果也得到了很好的效果，在個別幀的誤報可以略微放大幀間距，或者多幀平均的方式處理，即采取一個滑動平均的窗口，對多個幀的輸出進行平滑處理，以此來防止個例的發生。

3.2 實時性測試

為了對比算法對于實時性地提升，我們對比了采用Faster R-CNN和只采用本文算法的程序運行時間，如表1所示，通過分析九組運行情況的平均值，我們發現MHVD在50幀基本能保證實時運行，而Faster R-CNN的實時性就難以保證，參考論文所給的處理速度為58ms和本文測試數據差距很大，原因是硬件成本投入不同，考慮分辨率和圖片大小，MHVD在視頻監控領域仍然有Faster R-CNN難以企及的實時性。

4 結語

人工智能算法在為我們帶來超高的準確率的同時，也帶來大量的資源要求，本文采用傳統的算法邏輯，提出了基于動量的視頻檢測算法，通過過濾掉大概率沒有出現各類異常的情況，避免了大量的計算量需要。

參考文獻

[1] Krizhevsky A，Sutskever I，Hinton G.ImageNet Classification with Deep Convolutional Neural Networks[J]. Advances in neural information processing systems，2012，25（2）.

[2] G. E. Hinton，S. Osindero，and Y.-W. Teh. A fast learning algorithm for deep belief nets.Neural Comput.，18（7）：1527-1554，July 2006.

[3] Ren S，He K，Girshick R，et al.Faster R-CNN：towards real-time object detection with region proposal networks[J].2015.

[4] Liu W， Anguelov D，Erhan D，et al.SSD：Single Shot MultiBox Detector[J].2016.

[5] 韓凱，張紅英，王遠，et al.一種基于Faster R-CNN的車輛檢測算法[J].西南科技大學學報（自然科學版），2017，32（4）：65-70.

[6] 桑軍，郭沛，項志立，等.Faster-RCNN的車型識別分析[J].重慶大學學報，2017，40（7）：32-36.

[7] 韓凱，張紅英，王遠，et al.一種基于Faster R-CNN的車輛檢測算法[J].西南科技大學學報（自然科學版），2017，32（4）：65-70.