基于機器視覺技術的高速公路不良天氣監測響應管控系統

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測的重要數據。受能見度和降雨量監測設備價格、路域、可用布設空間等因素的影響,高速公路難以實現高密度的監測設備布設。而人工智能不斷發展,為解決高速公路不良天氣快速監測響應提供了新的思路。

根據《道路交通安全“十三五”規劃》,截至2020年年底我國絕大多數高速公路已完成監控視頻的全覆蓋,監控攝像頭密度平均達到800 m/處[1]。孟穎等[2]提出了一種基于監控視頻的能見度計算方法,其在暗原色先驗法基礎上,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測模型。基于機器視覺技術開展高速公路不良天氣的監測響應,不僅滿足精準監測和快速響應的需求,還能夠進一步發揮道路監控的價值。因此,本文以高速公路CCTV (Closed-Circuit Television)系統為硬件基礎,構建高速公路不良天氣監測響應管控系統。

1 不良天氣監測響應重難點分析

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

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

(2)監測精度缺乏規范標準:監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技術標準。因此,本研究參照《道路交通氣象環境 能見度檢測器》(JT/T 714-2008)和《地面氣象觀測規范 氣象能見度》(GB/T 35223-2017),結合實際需求將能見度精度控制在±20 m范圍內,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,雨天相關計算更為復雜。降雨的強度與能見度間存在一定相關性,明確其影響規律是保證指標監測精度的重要環節。

2 高速公路不良天氣監測響應管控系統架構

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

圖1 基于機器視覺技術的高速公路不良天氣監測響應管控系統架構圖

(1)信息感知:以既有高速公路監控系統為基礎,傳輸道路實時圖像信息。目前系統所需的不僅是圖像信息,還需要攝像頭編號、時間信息。根據攝像頭編號,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)監測分析:監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,根據訓練后的模型進行能見度和降雨量計算。

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

3 關鍵技術

監測分析是高速公路不良天氣監測響應管控系統的核心,其涉及的關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字化,為后續氣象和指標檢測提供基礎數據。其主要涉及圖像處理計算,本研究主要基于OpenCV算法實現相關功能。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測覆蓋率前提下,減少相關計算量。

3.3 指標計算

在氣象分類完成的基礎上,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,由基礎數據集(涵蓋全線基礎樣本數據)訓練得到基礎模型,再根據監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域。

圖3 基于XGBoost的降雨量和能見度指標預測框架圖

4 結語

在智慧交通發展的時代背景下,不僅要思考如何實現智慧化升級轉型,也應該著力于發掘原有設備體系的價值。本文就高速公路不良天氣監測管理問題,提出了一種基于機器視覺的精準監控和快速響應系統方法框架,進一步發揮了高速公路CCTV系統的應用價值,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,實現了雨、霧、沙塵三種不良天氣下的能見度和降雨量監測,為應急響應管理提供判斷依據。其關鍵技術主要有: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。