基于交通視頻大數據的事件檢測系統

吳文彬

(廣東潮惠高速公路有限公司，廣東 汕尾 516700)

0 引言

隨著社會經濟的發展和汽車保有量的不斷增長，高速公路車流量與日俱增，如何讓公眾切身體會到出行的快捷和便利，對高速公路的運營服務提出了更高的要求，特別是在各大節假日給高速公路運營管理帶來了更大的考驗。為滿足廣大公眾對交通出行的需求，如何快速發現和處置道路擁堵、行人、違章停車、交通事故等異常交通事件，是近年來高速公路營運單位思考和探索的問題。

隨著視頻監控系統的逐步完善，事件檢測系統也不斷應用于監控系統。但由于事件檢測系統普遍存在檢測精度偏低、誤報率高、網絡占用率高、持續改進能力差等原因，不僅沒有減少工作人員的工作量，反而對工作人員造成困擾，為此，導致目前有些事件檢測系統出現停用的情況，視頻監控輪巡主要還是依靠人工方式，難以保證監控效率。

本文結合高速公路營運管理的需要，針對視頻大數據事件檢測系統在潮惠高速公路應用的事件檢測、車流檢測、交通參數檢測等功能，提出存在問題和優化目標，不斷提高事件檢測的準確率和實用性，從而更好地服務于高速公路營運管理。

1 視頻事件檢測技術方案分析

1.1 基于前端視頻分析的事件檢測方案

基于前端視頻分析的事件檢測方案主要采用集成的方式，在原有監控攝像設備中集成一部分具備圖像識別和比對的電路模塊，攝像設備采集到視頻信號后，先由圖像識別模塊進行視頻識別判斷，再向后端輸出，從而達到異常事件檢出的目的。但是基于前端的事件檢測系統存在以下缺點：

(1)計算能力不足，檢測精度受限。由于在原有攝像設備中集成圖像識別模塊受限于空間和功耗，無法采用強大的計算分析處理器，只能采用低功耗、小體積的零部件，嚴重束縛了圖像識別的能力，也較大約束了檢測精度。

(2)基于視頻前端的事件檢測系統不便于功能升級。由于其圖像識別模塊在出廠時集成在攝像設備內，其功能和性能均已限定，后期基本不可能再對其單獨進行功能和性能的升級，只能更換整個攝像設備，給升級工作帶來較大的不便和成本的增加。

(3)基于視頻前端的事件檢測系統實施成本高，目前市售具有圖像識別功能的攝像設備比傳統攝像設備價格高出約30%以上。

1.2 基于后端視頻分析的事件檢測方案

基于后端視頻分析的事件檢測方案一般分為傳統的事件檢測分析儀以及基于交通視頻大數據的事件檢測技術方案“服務器+大數據平臺”兩種模式。

(1)傳統的事件檢測分析儀的算法在設備出廠時已固定，其功能和性能受檢測算法的限制，事件檢測精度無法持續遞增。

(2)基于交通視頻大數據的事件檢測技術方案“服務器+大數據平臺”模式采用通用硬件架構和開放平臺軟件，具備大數據分析功能和模型采集，深度學習功能，隨著平臺投入使用時間的增加，軟件平臺通過大數據分析，逐步完善事件模型，提升檢測精度。

2 基于交通視頻大數據的事件檢測技術

2.1 系統平臺架構

基于交通視頻大數據的事件檢測系統在現有視頻監控的基礎上，通過增加視頻分析服務器以及大數據分析軟件的方式，實現路網事件檢測和車流量分析等功能。系統平臺架構如圖1所示。

圖1 系統平臺架構

2.2 系統組網架構

采用“事件檢測服務器+大數據分析平臺”的架構，事件檢測服務器采用分布式布設方案，后期可根據檢測視頻的數量靈活增設服務器及組網。大數據分析平臺軟件具備開放式架構，可靈活擴容檢測通道，滿足不同的視頻檢測規模需求。系統組網架構如圖2所示。

2.3 系統功能

2.3.1 交通事件監測

(1)目標檢測。通過對目標的模型訓練，實現目標的識別，區分目標與異常事件觸發標的物。通過視頻的二次分析，將工作人員、工作車輛、工作標識物與行人闖入、異常停車、拋灑物等情況進行區分，降低事件誤報率。

(2)異常停車檢測。通過實時視頻數據分析，采用深度學習技術，系統能夠自動識別出高速公路路面行車道、應急車道車輛停駛事件，并提供事件位置，自動報警。

(3)道路擁堵檢測。通過實時視頻數據分析，采用深度學習技術，系統能夠通過道路上車輛通行速度及監測范圍內車輛密度判斷出道路交通擁堵情況，并自動報警。

(4)車輛逆行檢測。系統能夠檢測車輛在道路上的行駛方向與規定方向相反，且行駛距離不小于某一設定值的交通事件，并自動報警。

(5)拋灑物檢測。系統能夠檢測路面拋灑物，并自動報警，檢測的拋灑物尺寸一般要求不小于50cm×50cm×50cm。

(6)行人檢測。系統能夠檢測行人橫穿道路等異常現象，并自動報警，報警內容包括行人數量及地理位置等。

(7)車輛速度過高/低檢測。系統采用深度學習技術，檢測出車輛速度，當速度高于設定閾值或者低于設定閾值時，自動報警。

(8)車輛占用應急車道。系統能夠在車輛占用應急車道時自動報警。

(9)交通事故檢測。系統能夠通過檢測發現道路發生車輛碰撞等交通事故，并自動報警。

2.3.2 交通態勢感知

交通態勢感知通過監控攝像機的視頻流式數據分析，獲取瞬間截面車流信息。可以為管理者提供實時的交通態勢，并根據道路匯入源的前路交通流量進行分析以及預測監測道路的交通流量。通過計算引擎對車輛檢測、車牌識別的數據進行實時大數據分析，及時、準確地分析特定區域內的車流總量數據。

(1)系統提供對每個交通斷面交通參數的實時測量：流量、車速、占有率、車間距、排隊長度等。

(2)系統可以識別不同類型的車輛如小轎車、SUV、大客車、小客車、貨車等。

(3)系統可以實時分析某一隧道或路段內車輛的保有量和人員預估數，以及分車型車輛的保有量。

3 事件檢測方案及測試結果分析

3.1 檢測方案

選取潮惠高速公路蓮花山隧道1號、2號隧道現有的64路視頻圖像，從2020年4月4日起至5月31日止，對隧道內停車、逆行、行人、擁堵等事件檢測功能進行全天候24h實測分析，測試預警由監控工作人員進行判斷并確認。

3.2 測試結果

3.2.1 第一階段(2020年4月4日～11日)

2020年4月4日系統上線實測。系統使用初期選擇基于事件基本模型實行預警，并通過不斷采集模型樣本進行優化，提升系統檢測識別的準確度，優化使用效果。

表1 第一階段測試數據

圖3 第一階段測試數據曲線

從第一階段的測試情況來看，測試效果不太理想，逆行、停車事件的誤報較多，準確率未達到95%以上水平，擁堵事件沒有檢測數據。

3.2.2 第二階段(2020年4月12日～5月31日)

針對第一階段測試發現的問題，技術人員對事件檢測系統事件預警模型進行優化，對個別網絡傳輸問題進行整改，同時對事件檢測系統進行了升級。2020年4月12日起對事件檢測系統進行第二階段測試。

表2 第二階段測試數據

圖4 第二階段測試數據曲線

從第二階段測試數據來看，在2020年4月12日系統經優化、升級后，行人、逆行、停車等事件誤報及重復報警均大幅減少；從檢測數據的統計圖表可明顯看到系統優化前后的變化，準確率明顯提高，達到96%以上。

3.3 存在問題及改進措施

3.3.1 存在問題

(1)行人誤報：主要是由交通錐、墻壁門引起，且大多為同一目標引起的報警。

(2)停車誤報：主要由大型車輛行駛時網絡傳輸造成的拖影導致停車誤報及積水誤報等。

(3)逆行誤報：主要由大型運輸車輛運輸轎車引起。

(4)擁堵模型優化：同一隧道發生擁堵事件多個檢測點預警同一事件的問題。

3.3.2 改進措施

繼續優化對存在問題的AI算法，增加模型識別訓練，優化系統功能，提升系統識別能力，減少誤報。

3.4 交通態勢感知

系統可通過采集前端攝像機視頻圖像，對交通斷面的車流量、車速、占有率、車間距、車型分類、車輛保有量等交通參數進行實時測量和交通態勢分析，直觀地將數據信息轉化為詳細的報表、圖表(圖5～圖10)，為工作人員提供數據支撐和決策依據。

圖5 車流量統計

圖6 車速統計

圖7 道路占有率統計

圖8 平均車距統計

圖9 分車型統計

圖10 車輛保有量統計

4 系統評價

通過2020年4月4日至5月31日在潮惠高速公路的實踐應用，基于交通視頻大數據的事件檢測系統具備穩定且比較準確的事件檢測能力。雖然目前總體準確率較高，但仍然存在誤報的問題，需要系統優化，而且高速公路上的事件類型和模型也在不斷變化或增加，因此，具有持續研發、優化、改進的能力和深度學習技術的應用是至關重要的一個環節。

基于交通視頻大數據的事件檢測系統判別機制相對完善，事件響應時間及時，數據分類統計、報表較詳細，能有效輔助工作人員提升發現和處置事件的能力，提高工作效率。

5 結語

基于交通視頻大數據的事件檢測系統可基于現有前端設備，同時分析多路實時高清視頻，集成度高，硬件投資小，運維成本低；具有分車型流量監測、交通數據分析功能，全天候全方位監測公路車流量信息，較高的識別效率和準確度可有效輔助工作人員，提高效率和發現處置事件的能力。

為滿足人民群眾對交通出行的美好向往，高速公路運營單位一直以“安全、暢通”為宗旨，不斷提高高速公路的各項服務能力。視頻技術的成熟應用，為道路安全管理、應急指揮、輔助決策等提供了有力的支撐，在提升高速公路安全運營能力、服務能力和管理水平方面發揮了重要作用。