基于機器視覺的智慧高速管控系統設計

基金項目：

廣西重點研發計劃“基于人工智能的高速公路服務區安全防控成套技術研究與應用（自籌）”（編號：桂科 AB22080038）；廣西重點研發計劃“基于人工智能的高速公路跨境服務成套技術研發與應用（自籌）”（編號：桂科 AB22080039）

作者簡介：

戴培柱（1972—），高級工程師，主要從事高速公路投資建設與管理工作。

摘要：文章通過研究高速公路管控系統的應用現狀，分析存在的問題，提出設計一種基于機器視覺的智慧高速公路管控系統。該系統以監控視頻的AI理解技術為基礎，借助視頻事件檢測手段主動預測交通異常事件，聯通后續應急救援處置方案，達成準確高效的事件發現、主動快捷的告警管控機制。該系統實現了高速公路多目標跟蹤全面化、交通事件檢測精準化，有助于提高高速公路應急管控效率，可為建設智慧高速公路提供借鑒和參考。

關鍵詞：智慧高速；機器視覺；多目標跟蹤；視頻事件檢測；應急處置

中圖分類號：U495文獻標識碼：A 58 192 3

0 引言

高速公路建設是國民經濟和社會發展的需要，也是我國交通需求迅速增長的必然結果。截至“十三五”末期，我國高速公路通車里程已達16.1×104 km［1］，位列世界第一。廣西高速公路管養里程也突破了8 000 km。然而在面對高速公路緊急異常事件（如碰撞事故、擁堵、車輛逆行）時，傳統高速公路運營管理模式存在依賴人工巡查發現事件、依賴人工經驗判斷事件的弊端，造成管理效率低下和出行不便。隨著高分辨率監控相機的普及和視頻事件檢測技術的發展，高速公路管控已擺脫依賴人工的困境，走上基于監控視頻的智能化檢測和管控的捷徑。但廣西地形復雜，場景環境多變，給交通事件管控帶來檢測識別精度不足、事件誤報漏報、被動應急防控效率低下等問題。

為此，本文提出了一種基于機器視覺的智慧高速公路管控系統設計，借助機器視覺技術理解視頻內容，提高路網狀態敏感度、事件發現及時性與準確性和事件管控效率，為全面實現安全高效、智能交互、持續發展的智慧高速公路生態，提供了創新有效的解決方案。

1 高速公路管控系統應用現狀

作為目前應用最多的路側感知設備，攝像機可拍攝高清、數字化監控視頻，為基于機器視覺的智慧高速公路系統提供實時可靠的視頻圖像數據源。盡管視頻事件檢測技術已落地在高速公路管控中，但實際場景的應用也暴露出了以下問題：

（1）檢測識別精度不足。傳統交通事件檢測采用線圈檢測技術，安裝維護不方便，檢測性能受設備狀態影響較大，識別精度有限。一些視頻事件檢測使用光流法，檢測運動目標的灰度變化趨勢已近似模擬行車軌跡［2］，但其精度極大受限于外部照明條件。為解決該問題，可以采用深度學習、機器視覺技術，發揮大數據優勢，訓練能適應路面、隧道等多元背景、多光照環境的檢測模型，可提高系統的檢測識別精度。

（2）交通事件誤報漏報。現有交通事件檢測系統告警異常時有發生，輸出失真信息或漏報真實事件，增加了人工復核成本、降低了高速公路運營管理效率。誤報漏報的原因除了天氣突變、設備調整、路況復雜等外部因素外，也有檢測方法低效的內部因素。因此，需要選擇更精準可靠的檢測模型，同時針對誤報、漏報型異常數據增加大量負樣本，建立有效的特殊數據處理機制和客觀完善的評價體系，提高智能交通系統對誤報漏報事件的檢測能力。

（3）被動應急防控效率低下。傳統事件管控過程需要人工發現并層層上報，現有的視頻事件檢測系統也存在誤報漏報率高的問題，難以達到準確、及時預警，且事件決策分析緩慢，前端分析和后臺處置的信息共享和業務協同能力不足，可能導致應急處置延誤、擴大事故傷害。因此，需要化被動為主動，全時段、全方位精準感知、預先判斷、提前準備，同時打通事件檢測和應急管控的管道，事發時主動鏈接后續應急處置預案，做到立即檢測、一鍵管控，避免二次事故發生。

2 基于機器視覺的智慧高速公路管控系統整體框架

針對現有的基于視頻監控的高速公路管控系統存在的應用問題，文章充分研究相關背景技術，提出了一種基于機器視覺的智慧高速管控系統。該系統以高速公路監控視頻為基礎，系統整體框架見圖1。在電子地圖、AI和數據三大技術引擎的支撐下，系統通過構建全態路況感知系統、視頻事件檢測系統和告警管控系統，對高速公路海量交通視頻圖像進行實時分析，分析視頻中的車輛和行人的行為與狀態，實現交通路況全方位、全天候感知，異常事件精準檢測、實時監測、多維評估，應急事件智能管控，旨在提升高速公路交通管理的信息化服務水平。

2.1 全路況感知子系統

全路況感知子系統是針對高速公路監控視頻的第一級處理層級，利用機器視覺和深度學習技術，從車輛、道路和天氣環境三個維度分析視頻內容，實現對高速公路全面、精確的路況感知。該系統的功能模塊如下：

（1）車輛屬性監測。

車輛屬性監測能夠自動識別車輛靜態特征（車牌、車型信息等），還能實現動態特征的全線跟蹤，實時定位車輛位置，顯示車牌、車型和運行軌跡，大幅度提升監測精確度和規范化管理效率。

（2）道路路況監測。

道路路況監測主要包括道路施工和拋灑物的識別。道路施工檢測模塊通過對反光錐筒、隔離欄或隔離樁等施工物體的識別和檢測對疑似施工事件自動報警。拋灑物檢測模塊能實時檢測車道、硬路肩等區域的路面遺留拋灑物，可通過設定檢測報警時間、同一位置重復報警次數等參數，進行精細化、合理化預警管控。

（3）環境狀態監測。

系統可結合監測站點的歷史監測記錄進行分析，實時預測當前天氣環境中的煙火、雨霧、團霧等狀態。根據圖像背景分辨出目標物輪廓的最大距離，計算視頻流檢測視域內的能見度質量，并實時輸出當前能見度數據和預測能見度變化趨勢，當能見度低于閾值時產生異常報警。

2.2 視頻事件智慧檢測子系統

視頻事件智慧檢測子系統通過建立面向高速公路場景的交通事件風險分析模型，借助大量標注視頻的風險事件數據和業務判斷邏輯，對擁堵、碰撞事故、占用應急車道、違章變道、違章逆行、違章停車等異常事件進行特征分析和智能檢測，為高速公路智慧管控系統提供事件級別的識別和預警。該系統的功能模塊如下：

（1）監控視頻管理。

監控視頻管理模塊能夠實現接入和管理不同品牌的視頻監控平臺和外圍設備等，支持標準對接協議，能夠轉發和管理實時流媒體數據、管理設備狀態，支持監控錄像查詢、抓拍，視頻回放。

（2）事件特征分析及預測。

系統通過機器視覺算法分析視頻內容特征，根據車輛行駛狀態、多目標位置跟蹤、行車軌跡、路面覆蓋率等路況感知信息，識別擁堵路段、事故現場、違章占道、違章逆行等交通異常事件，并向系統發出異常報警，避免二次事故發生。

（3）事件數據共享。

對路況感知數據和事件檢測數據進行集成、預處理，并整合成標準化數據報表，便于分析交通流量和路況趨勢，為多個子系統的數據挖掘和安全預警奠定基礎；有助于研究高頻事故類型及人為原因、發生路段、天氣環境等，為高速公路運營進一步優化提供數據支撐。

2.3 告警管控子系統

告警管控子系統體現人工對智慧高速管控系統的干預，有利于確保事件完備準確、處置行動精準有效。主要包括交通信息發布、事故預警和處置、交通誘導三個模塊。

（1）交通信息發布。

交通信息發布是告警管控系統的核心功能，可以針對全路況感知子系統和視頻事件智慧檢測子系統提供的車輛狀態、道路路況、天氣環境和交通事件異常狀態碼，進行信息整合和轉發。該模塊提供異常事件的錄像及事件發生的基本信息，并通報給指定用戶，如復核人員、處置人員、系統報警界面、聯網信息發布系統等。

（2）事故預警和處置。

系統根據專家意見，整合事件風險等級、處置物資清單、相關處置團隊管轄關系和處置方案，形成事故處置的數字化預案。事件信號發布至系統事故預警和處置模塊后，需要對事件進行人工復核，核實視頻完整性和事件類型、時空信息的準確性。確認無誤的事件將立即匹配最佳應急預案，通過網絡和電話形式轉發事件和處置預案到指定的處置部門。應急處置期間，系統將實時跟進并更新處置進度，保證處置進程在系統中透明、公開。處置結束后，系統結算并展示處置時長，為后續人員和資源配置優化提供依據。

（3）交通誘導。

為了更快速、有效地解決交通事故及其帶來的擁堵，交通信息發布至系統報警界面后，采用基于情報板和多平臺聯動的交通誘導方式，建立數字化導流治堵體系。情報板和交通誘導大屏簡要指示通行建議，LED顯示屏在靜態圖形的路段標識區域鑲嵌LED可變光帶，通過LED的不同顏色發光，形象標識這些路段處于暢通（綠色）、堵塞（紅色）或擁擠（橙色）狀態的實時路況，顯示形象直觀、信息量大、視認時間相對較短。通過聯網發布，系統還可以聯動交通廣播、高德地圖、百度地圖等交通誘導媒介，實時向駕駛員傳遞路況信息，形成“道路感知-分析決策-道路管控”的閉環，提升高速公路通行效率。

3 關鍵技術

Yolo目標檢測框架、Deepsort跟蹤算法和事件檢測算法是本系統的關鍵算法技術，本系統應用這些核心算法支撐路況感知、事件檢測的基本業務。

（1）Yolo目標檢測框架。

Yolo目標檢測框架是利用深度學習進行物體檢測的技術，具有實時性、高精度的特點，應用在全路況感知子系統實現車輛精確定位。Yolo框架首先對輸入的圖片進行尺寸標準化預處理，并將其劃分為N×N的網格；然后對每個網格內的子圖像，輸入卷積神經網絡進行預測；接著輸出當前網格內所含目標的邊界框、定位置信度，以及目標類別和分類置信度；根據預測結果和目標標簽的差值不斷調整更新網絡權重、重新訓練，直到優化出具有高準確率和高召回率的檢測模型。

（2）Deepsort跟蹤算法。

Deepsort算法是實現實時的、多目標動態跟蹤的算法，能精準跟蹤車輛目標的實時位置，形成一段時間內的車輛行動軌跡，應用在視頻事件智慧檢測子系統中實現事件判斷的前趨軌跡擬合。跟蹤算法關注連續視頻流圖片中同一汽車目標的位置關聯，其目的是在連續的時間維度中建立動態目標之間的空間聯系。為了實現幀間目標預測，Deepsort算法利用卡爾曼濾波算法，根據當前目標檢測框的位置，線性地預測目標在下一幀的位置。Deepsort算法使用匈牙利算法，找到當前目標框與預測目標框的最佳匹配，從而實現跟蹤。

（3）事件檢測算法。

事件檢測算法旨在建立事件風險分析模型，利用大量道路感知數據進行交通異常事件的定性和定量分析，應用在視頻事件智慧檢測子系統中實現交通異常事件的實時監測和報警。算法主要利用車輛目標跟蹤結果、車輛軌跡信息和路段標定信息，判斷停車、逆行、擁堵等常見的交通異常事件。根據軌跡目標框在5 s內的重合度超過80%，判斷停車事件發生；根據軌跡在3 s內的運行方向與公路車道線方向夾角超過90°，判斷逆行事件發生；根據行車速度緩慢和車輛在5 s內的重疊率高，判斷擁堵事件發生。

（4）指標計算。

為了驗證技術可行性，在目標檢測方面，通過采集路面、隧道兩個場景內24 h的監控視頻并經過人工抽取幀畫面和目標標注，構建了擁有小型客車、大型客車、小型貨車、大型貨車、非機動車、行人、錐筒共7類目標、187 369個目標框的數據集。將所有監控圖片隨機打亂用于深度學習模型訓練和測試［3］，最終用Yolo模型實現目標檢測精度達到89%，其中高速公路中最常見的小型客車檢測精度最高，達到95.5%，說明Yolo檢測模型能幫助全路況感知子系統進行精準車輛定位。使用Yolo目標檢測和Deepsort跟蹤算法，對高速公路監控視頻進行動態多目標檢測跟蹤效果如圖2所示，表明無論是路面還是隧道高速公路場景，系統都能較好地識別和跟蹤各類型車輛、行人和三角錐筒，檢測性能高效。

事件檢測方面，通過構建包含8類共3 314個事件的交通異常事件檢測數據集，衡量事件分析模型的檢測效果。本文提出的系統具有91%的異常停車檢出率，85%的車輛逆行檢出率，84%的擁堵檢測準確率，表明視頻事件智慧檢測子系統能很好地解決交通誤報漏報問題，確保后續預警管控的可靠性。

4 結語

本文面向高速公路實際應用場景，以監控視頻為數據基礎，提出了一種基于機器視覺的智慧高速管控系統。通過結合全態路況感知子系統的實時監測能力、視頻事件檢測子系統的事件發現能力以及告警管控子系統的應急聯動能力，達成對交通事件的早發現、快處置，可有效保障交通出行，提高高速公路運營管理水平。

參考文獻

［1］國務院安全生產委員會.國務院安委會辦公室關于印發《“十四五”全國道路交通安全規劃》的通知［Z/OL］.http：//big5.www.gov.cn/gate/big5/www.gov.cn/zhengce/zhengceku/2022-07/29/content_5703363.htm，2022-07-21.

［2］胡 永.基于視頻的公路交通事件檢測算法研究［J］.現代信息科技，2019，3（7）：61-63.

［3］張 奇，趙洹琪，胡偉超.淺談基于視頻識別的交通事件檢測算法性能評估［J］.道路交通管理，2023（8）：36-39.