基于雷視融合的高速公路智能監控邊云協同分析系統建設探究

呂永萍

山西省交通信息通信有限公司 山西太原 030006

高速公路智能監控邊云協同智能分析系統的構建，是實現高速公路高效管理的重要條件和基礎技術手段。同時這一系統構建的問題，也是當前我國道路交通部門重點關注的管理內容。為了提升高速公路的服務水平，保障高速公路使用者的生命財產安全，促進社會穩定和諧發展，我國相關交通部門開始實施數字化的智能監控。在本篇文章中，筆者對當前我國現存的高速公路智能監控系統存在的問題進行了客觀的論述，在此基礎上，筆者提出了基于雷視融合的高速公路智能監控邊云協同分析系統構建的重點技術。希望能夠有效實現高速公路的安全管理，實現高速公路的社會經濟價值。

1 現有系統存在的弊端和挑戰

隨著2019年國務院《交通強國建設綱要》明確提升智慧交通戰略地位的趨勢，全國各省份智慧高速建設也相應迎來加速推進，實現傳統基建與新興 ICT技術的深入融合成為未來大勢所趨。目前高清視頻監控技術是現有高速公路管理的成熟手段，高速公路管理大多推行數字化高清監控視頻來實現全過程的監控管理，保障高速公路過往司乘人員的生命與財產安全，也屬于新時期道路交通部門重點管理和改進的工作內容，但隨著視頻路數的增加，現有管理手段大都是靠人工及時發現確認交通事故及道路緊急情況的話工作強度極大。

為進一步提升高速公路管理單位對高速路網營運全過程的掌控力度，提高高速公路的運營管理效率，提升服務水平，加強高速公路突發事件的應急處置能力，對高速公路全程監控的需求越來越迫切，目前已有部分理念領先的高速公路管理單位已經開始嘗試使用基于AI視頻分析的智能事件檢測技術來協助人工管理，來自動檢測車輛停駛、車輛逆行、人員闖入、交通擁堵等事件、事故也可以提升監控視頻系統的使用效果[1]。

但隨之帶來的弊端就是，高清攝像機雖然能夠準確感知車輛的車型、車牌等特征屬性，但是在探測距離、速度等運動屬性的時候精度差一些，而且由于攝像頭的光學特性，極易受到周圍環境的干擾，例如強光直射或發射、雨雪霧、夜晚弱光等惡劣天氣或光照的氣候條件都會明顯影響攝像頭的正常工作，導致其采集的影像信息結果不夠準確，智能事件檢測準確度較低，在高速公路前端采用多種傳感器組合進行數據采集的趨勢愈發突出。

另一方面，隨著高速公路管理對于監控攝像機畫面質量和分辨率的提升要求，高清攝像機的畫面像素開始逐步從200萬像素（1080P攝像機）持續升級到800萬像素（4K攝像機）、1200萬像素甚至更高的參數規格，超高清攝像機的帶寬提升對于高速公路智能事件分析系統的視頻專網的帶寬、延時和抖動影響很大，現有系統將前端所有攝像機視頻回傳到監控機房智能分析服務器進行統一智能分析處理的系統組網架構遇到很高的挑戰，經常會遇到畫面卡頓、馬賽克、延時較長的問題，無法實時預警和處理現場突發事故。

根據以上問題，基于雷視融合的高速公路智能監控邊云協同分析系統將在現有高速公路高清視頻監控系統的基礎上，在前端傳感設備層增加毫米波雷達檢測，和高清視頻檢測形成全天候采集信號功能互補，在網絡層，通過增加邊緣計算智能事件分析服務器和云端智能事件分析服務器，形成邊云協同系統架構，通過對高帶寬業務的本地分流，降低對核心網絡及骨干傳輸網絡的占用，提升通信網絡的利用率，緩解前端帶寬壓力，通過內容與計算能力的下沉，提升高速公路事件檢測處理實時性[2-3]。

2 系統總體架構設計

2.1 系統組網架構設計

基于雷視融合的高速公路智能監控邊云協同分析系統的整體系統組網架構如下：

圖1 系統組網架構

前端傳感層：在前端傳感設備層將高清攝像機和毫米波雷達融合檢測高速公路現場信息，毫米波雷達和高清攝像機形成全天候采集信號功能互補。

邊緣側智能事件分析系統：在系統組網架構采用邊緣計算和云端計算相結合的邊云協同理念，通過在邊緣側本地增加邊緣計算智能分析服務器來進行第一次智能事件分析處理，對高帶寬業務的本地分流，降低對核心網絡及骨干傳輸網絡的占用，提升高速公路事件檢測處理響應速度。

云側事件分析系統：云端智能事件分析服務器進行二次加工處理，將邊緣側智能事件分析系統的分析結果進行二次分析確認以及實現云端模型管理、算法管理、訓練管理以及和邊緣側系統實現數據上報和AI能力下發的系統聯動，從而持續提升高速公路的事件檢測準確率，形成邊云協同系統架構。

工作臺：在業務展示的工作臺，通過網頁、大屏、App、聲光告警燈相關軟硬件的方式，實現智能事件分析、路網事件檢測和車流量分析等功能。

2.2 系統邏輯架構設計

圖2 系統邏輯架構圖

基于雷視融合的高速公路智能監控邊云協同分析系統，接入終端支持各類高清攝像機和毫米波雷達等各種接入終端的數據采集及回傳。邊緣計算設備兼容各類X86及ARM邊緣計算終端，支持海量視頻數據和毫米波雷達數據的實時接入與計算分析，邊云協同智能框架提供支持邊緣側分布式訓練和分布式推理任務執行，兼容Caffe、TensorFlow等業界主流深度學習框架，集成了豐富的AI算法庫與模型庫，支持云端算法庫上傳和下發，支持AI能力下發、數據上報、設備適配、能力調用功能，實現事件檢測、交通參數檢測、車流量分析的功能，通過靈活的配置管理界面設置各種事件告警觸發策略、交通參數統計策略，提供Web Portal、App、聲光告警等多種展示方式，可以進一步拓展高速公路智能化的更多領域。

3 關鍵技術應用

3.1 雷視融合技術

與高清攝像機相比，毫米波雷達不受任何天氣、光線環境的影響，包括濃霧、煙塵、風暴、雨雪、眩光、全黑等情況下都可正常工作，即使在濃煙或濃霧的情況下，依然可以可靠的進行車輛、人體的檢測與跟蹤；實現快速發現，快速定位，監測功能不受任何影響，因此能真正做到全天候24小時監控，在智慧交通、智慧安防等領域廣泛應用和快速發展，可以實時、穩定、準確地提供探測區域內多種交通數據，在智能交通管理領域里得到了廣泛的應用[4]。

但雷達在可視化上明顯較差，對于信息量的采集有限，比如只能采集車速或車流量等交通信息，無法采集車牌等信息，不過它在測距測速功能和惡劣天氣下明顯更勝一籌，可以說每種傳感器都有自己的優勢也有自己的軟肋。想做到完美的傳感器融合，就要接受不同傳感器的輸入，并利用綜合信息更準確的感知周邊環境，其得出的結果比不同傳感器各自為戰要好得多。表1是現有各類傳感器的特點比對：

表1 現有各類傳感器特點比對表

基于雷視融合的高速公路智能監控邊云協同分析系統能夠接受不同傳感器的輸入，在前端將視頻數據采集和雷達數據采集融合，并利用綜合信息更準確的全天候感知周邊環境和事件發生狀態，規避單個傳感器工作的弊端和不足。

圖3 雷視數據融合

3.2 邊云協同架構

基于雷視融合的高速公路智能監控邊云協同分析系統將智能事件分析處理流程在邊緣側和云端進行二次分層處理，來解決由于800萬像素、1200萬像素超高清攝像機的帶寬提升對于高速公路智能事件分析系統組網的帶寬壓力。邊緣計算靠近現場執行單元，作為云端所需數據的采集、篩選和初步處理單元，可以更好地支撐云端應用。云計算通過大數據分析優化輸出的業務規則或訓練模型可以下發到邊緣側，邊緣計算基于新的業務規則或模型運行[5]。

云計算擅長全局性、非實時、長周期的大數據處理與分析，能夠在長周期維護、業務決策支撐等領域發揮優勢；邊緣計算更適用局部性、實時、短周期的本地數據的處理與分析，能更好地支撐本地業務的實時智能化決策與執行。

圖4 邊云協同架構圖

邊緣計算與云計算需要通過緊密協同才能更好的滿足各種需求場景的匹配，通過邊云協同 AI 技術可以很好的解決在邊緣訓練和推理的精度、時延、通信量、數據隱私等問題，從而放大邊緣計算和云計算的應用價值。

4 系統主要功能

基于雷視融合的高速公路智能監控邊云協同分析系統能夠提供高速公路的交通流量監測和交通事件檢測的智能分析，系統主要功能包括：

圖5 系統功能圖

4.1 異常停車事件檢測

系統可以通過雷達和視頻的融合信號，識別車輛在高速公路的行車道、應急車道，隧道內的行車道、停車帶上的異常停車事件。車輛在道路上由行駛變為停止狀態，超過一定時間，判定為停車事件。并自動及時告警。

4.2 道路擁堵緩行事件檢測

系統能通過通過雷達和視頻的融合信號，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。

4.3 車輛逆行事件檢測

系統能通過通過雷達和視頻的融合信號，可以識別車輛在高速公路或隧道內逆向行駛事件。車輛在道路上的行駛方向與所規定方向相反，即判定為逆行事件。

4.4 拋灑物事件檢測

系統能通過通過雷達和視頻的融合信號，可以識別高速公路或隧道內車道上拋灑物或遺留物事件。可識別的物體體積不小于50×50×50cm）。

4.5 行人事件檢測

系統能通過通過雷達和視頻的融合信號，可以識別高速公路、隧道中出現的行人事件。行人進入高速公路上或隧道內，如高速公路的行車道、應急車道，隧道內的行車道、停車帶、人行道，或者其他禁止進入區域，判定為行人事件，并自動及時告警。系統還能夠檢測識別區分工作人員和普通人員，并根據人員不同，展示不同的告警級別[6-7]。

4.6 車輛速度過高/低檢測

系統能通過通過雷達和視頻的融合信號，通過雷達檢測出車輛速度，能通過實時獲取道路卡口攝像機抓拍的車輛高清圖片，當速度高于設定閾值或者低于設定閾值時，自動報警。

4.7 車輛占用和駛離應急車道事件檢測

系統能通過通過雷達和視頻的融合信號，采用深度學習技術，系統能夠通過車輛占用和離開應急車道時自動報警，記錄車輛占用應急車道的時長。

4.8 交通事故檢測

系統能通過通過雷達和視頻的融合信號，采用深度學習技術，系統能夠通過檢測道路發生車輛碰撞等交通事故，并自動報警。

4.9 車型識別

系統能通過通過雷達和視頻的融合信號，采用深度學習技術，系統能夠通過識別小轎車、大客車、小客車、貨車、危險品車、面包車。

4.10 車流量檢測

系統通過計算引擎對車輛檢測、車牌識別、雷達數據進行實時大數據分析，及時、準確分析特定區域內的車流總量數據。

4.11 分車型車流量分析

系統通過計算引擎對車輛檢測、車型識別、車牌識別數據進行實時大數據分析，準確分析特定區域內分車型車流量數據。

4.12 視頻質量診斷

系統運行視頻診斷程序，在服務器上自動檢測攝像機等設備故障，可以檢測攝像機信號丟失、攝像頭畫面遮擋、視頻畫面凍結、視頻畫面模糊、視頻畫面對比度差異、視頻畫面劇烈抖動、攝像機偏離預置位等視頻質量問題。

5 總結和展望

基于雷視融合的高速公路智能監控邊云協同分析系統，通過雷視融合技術提供了全天候智能事件檢測方案，解決了攝像頭極易受到強光照射、雨雪霧、夜晚等惡劣天氣或光照的氣候條件都會影響智能事件檢測系統正常工作的問題，可全天候全方位監測公路車流量信息，識別效率和準確度均大大超過人工能力，提升車流量分析準確率，減少損失。

同時本智能事件分析系統通過邊云協同架構解決了高清攝像機對于視頻專網的帶寬壓力、事件時延等問題，并可以將公路通行情況在公路外情報板上進行實時路況提醒，并誘導用戶注意擁堵以及事故，降低擁堵和二次交故發生的概率，減少相關經濟損失，從而提高高速公路的運營管理效率，提升服務水平，加強高速公路突發事件的應急處置能力。