基于CNN算法的高速公路行人誤闖預警系統設計研究

為了及時發現并阻止行人非法進入高速公路，有效確保高速公路行車安全，文章提出了一種基于CNN算法的高速公路行人誤闖預警系統。該系統通過圖像識別+CNN深度學習算法，能夠準確地檢測出行人誤闖并及時發出預警信號，為高速公路行車安全提供了保障。

行人誤闖；預警系統；CNN算法；圖像識別；深度學習

U491.1+16A551894

作者簡介：

丘" 天（1987—），工程師，主要從事交通機電設備的研發、制造和生產管理工作。

0" 引言

國家明確規定行人及非機動車不能上高速公路，然而，行人或者非機動車出現在高速公路上的現象時有發生。尤其部分高速公路路段車流量大、車速快，行人的突然出現，可能會造成交通事故，如果處理得不及時、不恰當就會造成嚴重的堵車，甚至導致人員傷亡，造成一定的人民生命財產損失［1］。

由此可見，高速公路上的行人誤闖是一種非常危險的行為。隨著全國范圍內取消省界收費站后，收費站的工作人員正在減少，并且不能24 h關注是否有行人出現在高速公路上；勸離非法進入高速公路的人員工作量大、任務繁重。在這種嚴峻形勢下，需要一種能夠監視并且預警的系統來解決高速公路行人等非法誤入的問題。

目前部分新建收費站已安裝有行人預警系統，然而該系統在經過一段時間的測試后，發現還存在一些不足之處：（1）在行人在與機動車輛并排通過時，前端檢測系統不能檢測出問題，導致后方報警系統沒有觸發警報；（2）因為前端紅外檢測裝置有距離和安裝的限制，會出現檢測盲區；（3）部分天氣會對檢測裝置進行影響，誤報漏報的情況時有發生；（4）提示行人和車輛的效果不是很明顯。

針對上述問題，通過引進基于CNN算法的AI人工智能來完善本系統。通過實時監測和分析行人的行為，利用計算機視覺技術和深度學習算法對高速公路上的行人進行實時監測和追蹤，并通過智能分析來判斷行人是否存在誤闖的風險，對存在誤闖風險的行人，采取相應預警措施，以提高高速公路的安全性。

本文將從系統的架構、設計方案、關鍵技術算法原理以及測試結果對系統準確度和穩定性進行分析。

1" 系統設計方案及關鍵技術

本系統通過引進人工智能技術，可有效地提高準確性，既能擴大檢測的范圍，同時也能減小檢測盲區和不良天氣的影響。該系統基于機器視覺圖形感知技術，加入CNN算法的智能分析識別可以自動智能識別過往車輛，辨別是行人還是非機動車輛，并準確識別機動車輛。如果發現行人非法進入，系統就會通過語音播報進行勸離，并且對正在值班的工作人員進行提醒，使工作人員前去勸返。這一系列動作可以及時制止行人違法進入高速公路。同時后臺的系統也會及時報警，高速公路路網中心可以實時查看，并及時處理，消除道路安全隱患。

下面從系統架構設計、硬件設計、軟件設計及關鍵技術等方面展開分析。

1.1" 系統架構設計

系統主要是由前端設備、傳輸網絡和后臺指揮中心三個部分組成。系統整體框架包括數據采集模塊、數據處理模塊和預警控制模塊。如圖1所示。

由圖1可知，前端設備主要是數據采集模塊如CNN算法相機、毫米波雷達，以及FCW預警雷達、前端預警設備如聲光報警，智能手環震動、LED情報板、廣播語音播報等。

1.2" 前端硬件設計

前端硬件設備主要由安裝在各收費站的智能一體全彩攝像機、防水音箱、情報板、智能手環等組成。一體攝像機內置有兩個攝像頭，可以輸出兩路視頻流，一路顯示全景視頻流，另一路顯示近景視頻流。前端設備支持深度學習算法，提供對人車的精準檢測、報警、聯動和跟蹤。同時，頁面支持越界檢測、入侵檢測、進入區域和離開區域等AI智能事件，聯動攝像機進行跟蹤捕捉等功能。見圖2。

由圖2可知，預警系統控制流程主要由行人誤闖進入高速收費站車道，在CNN相機分析判定為行人后，輸出報警信息，并將信息傳遞給現場工作人員、監控指揮中心和車主，通過前后端設備協調處理，完成整個系統控制流程。

1.2.1" 主控MCU設計

主控MCU采用STM32F103CT6作為前端硬件設備數據采集與后端平臺服務器、存儲服務器和客戶端分析的數據處理中樞，其電路設計的原理如圖3所示。

硬件核心MCU部分主要由主控STM32、FLASH、輸出繼電器、RS485/232以及網口數據采集通信部分組成。一方面采集CNN人工智能攝像機和毫米波雷達數據，一方面對采集的數據進行處理后上報指揮中心，并控制現場聲光報警設備、智能手環、情報板等設備。

1.2.2" CNN人工智能攝像機

CNN人工智能攝像機是一種集成了人工智能（AI）算法和計算能力的攝像機，能夠通過內置的AI處理器對圖像和視頻進行實時分析，從而實現智能監控、行為分析、人臉識別、車輛識別等功能。這種攝像機通常能夠在攝像頭前端完成大部分數據處理和決策，減少對外部計算資源的依賴，實現更高效的監控和安全管理［2］。AI算力攝像機廣泛應用于安防監控、智慧交通、智能零售等領域。隨著技術的不斷發展，AI算力攝像機的性能和功能也在不斷提升，為各種應用場景提供更多可能性。

1.2.3" 毫米波雷達

毫米波雷達的基本工作原理是利用高頻電路產生特定調制頻率的電磁波（FMCW），并通過天線發射電磁波，接收目標反射的電磁波，從而可以同時測量多個目標。速度測量采用多普勒效應原理，即通過計算返回到接收天線的雷達波的頻率變化，得到目標相對于雷達的運動速度和飛行時間，從而得到目標與雷達的距離［3］。方位測量（包括水平角和垂直角）通過天線陣接收到的同一目標反射的雷達波的相位差來計算目標的方位。

計算發射電磁波與接收反射電磁波之間的時間差t，并通過電磁波傳播速度c估算目標物體距離d，公式為d=t×c/2。如圖4所示為FMCW（Frequency Modulated Continuous Wave）雷達主射頻組件的工作原理。

1.3" 軟件設計及關鍵技術

軟件設計主要由兩部分組成，即收費站路段現場管理中心軟件和監控指揮中心平臺軟件。

路段現場管理中心主要由硬件嵌入式程序、前端設備管理端軟件以及收費員手持平板客戶端軟件組成?？蛻舳耸菓媒K端，可供值班人員隨時瀏覽觀察是否有安全隱患問題。值班人員可以通過客戶端對前端設備錄制、拍攝的視頻或照片進行瀏覽、自動接收報警事件、事件回顧、事件處理和其他應用。

監控指揮中心主要部署平臺服務器和存儲服務器軟件。平臺服務器主要安裝便于人員管理和控制的應用平臺軟件。存儲服務器則主要用于將前端槍球一體機拍攝錄制的視頻片段和照片進行保存。

1.3.1" 計算機視覺MVCP技術

計算機視覺MVCP通常使用計算機及相關設備模擬生物視覺。其主要任務是通過對采集的圖片或視頻進行處理，獲得相應場景的三維信息。本系統通過攝像頭獲取高速公路上的行人圖像，利用圖像處理技術對行人進行檢測、跟蹤和識別。主要采用了如下兩種視覺關鍵技術：

（1）目標檢測：計算機視覺中的一項重要任務，其目的是檢測圖像或視頻中的關鍵目標，并確定其位置和大小。例如，在自動駕駛中需要檢測出道路上的車輛、行人、交通標志等目標。

（2）運動跟蹤：計算機視覺中的一項重要任務。其目的是跟蹤圖像或視頻中運動的目標，并確定其位置和速度。例如，在視頻監控中需要跟蹤運動的目標。

這些關鍵技術在計算機視覺中都有廣泛的應用，例如汽車自動駕駛、安防監控、醫療診斷、工業測試、智慧交通等領域。

1.3.2" 行人誤闖檢測CNN深度學習算法

CNN（卷積神經網絡）是一種深度學習模型，主要用于處理圖像、語音、文本等數據。其原理是利用卷積運算提取數據的局部特征，并通過池化、激活、全連接等操作，實現數據的降維、非線性變換和分類［4］。

CNN的基本結構由卷積層、池化層、激活層和全連接層組成。卷積層通過卷積核與輸入數據進行卷積運算，生成多重特征圖；池化層用于降低特征圖的維數，增加網絡的魯棒性；激活層用于引入非線性變換，增加網絡的表達能力；全連接層用于對要素地圖進行分類。

CNN的優點是能夠自動學習數據的特征，減少人工干預和先驗知識的需求，提高模型的泛化能力和效率。在實際應用中，可以根據具體需求調整CNN的結構和參數，以獲得更好的效果。

CNN深度學習算法在行人誤闖預警系統中有著重要的應用。本系統采用卷積神經網絡（CNN）進行行人的特征提取和分類，以實現準確的誤闖預警。見圖5。

本系統利用深度學習算法對行人進行分類和預測，以判斷行人是否存在誤闖風險。同時，通過數據集的收集和模型的迭代優化，提高算法的準確性和魯棒性。

1.3.3" FCW汽車防碰撞預警系統聯動

FCW汽車防碰撞預警系統，能通過毫米波或激光雷達來時刻監測前方車輛，判斷本車與前車之間的距離、方位及相對速度。當存在碰撞危險時，系統會發出報警信號或者進行震動。對于一些安裝有FCW系統的車輛，可以通過在車上加裝車載OBD智能終端，當車輛檢測到前方有行人時，在距離行人安全距離以外，車載OBD智能終端即可將報警信號廣播覆蓋收費站，從而聯動收費站中安裝的智能音箱、閃光燈與手環來提醒行人注意通行安全：“即將有車駛入，請不要跨越車道或在車道逗留”［5］。

2" 系統應用方法及優勢

高速公路行人誤闖預警系統可以應用于高速公路沿線的各個路段與收費站，此外也可將其推廣到服務區、隧道等場景。在應用過程中，只需要根據實際情況合理布置毫米波雷達等傳感器、攝像頭和廣播音柱等設備，并在現場配電機房安裝服務器及軟件，在監控中心安裝服務器，并對系統進行定期維護和保養，就可以確保系統的正常運行。

系統相比傳統預警系統主要存在如下優勢

（1）提高交通安全水平：系統可以及時發現行人誤闖高速公路的情況，并向過往車輛發出預警信號，提醒司機注意行人安全，從而減少交通事故的發生。

（2）提高交通效率：系統可以實時監測高速公路上的行人活動，及時發出預警信號，避免車輛因避讓行人而減速或停車，從而提高交通效率。

（3）降低管理成本：系統可以實現自動化監測和預警，不需要人工干預，從而降低了管理成本。

（4）提高服務質量：系統可以為過往車輛提供實時的行人安全信息，提高了服務質量，增強了用戶體驗。

總之，高速公路行人誤闖預警系統是一種非常有價值的智能交通安全系統，可以提高交通安全水平、交通效率、降低管理成本、提高服務質量，具有廣闊的應用前景和推廣價值。

3" 系統性能驗證測試

預警系統研發設計完成后，在測試環境下完成了對比測試，并于2023年3～4月在南寧收費站進行了試運行。為驗證系統的準確度和可靠性，在城市道路封閉路段搭建實驗環境，對系統進行了測試和驗證。測試結果如表1所示。

由表1可知，普通的前端紅外檢測裝置算法的測試準確度只有85.71%，而基于CNN算法檢測并輔助雷達監控功能的檢測準確度達到了96.43%，表明本系統在行人誤闖預警方面具有較高的準確性。

為了驗證系統在不同環境下檢測技術的可靠性，針對大雨、晴天強光和夜間低照度環境下進行了觀察測試。測試結果見表2。

表2試驗結果表明，本系統在行人誤闖預警方面可靠性優于前端紅外檢測方案。

綜上，本系統在行人誤闖預警方面具有較好的效果。系統設計完成后，在行人及非機動車輛上高速公路現象頻發的南寧收費站進行測試。經過幾個月的試運行，對多次行人非法闖入高速的情況，系統基本上無漏報，針對出入口行人誤闖高速公路的非法行為實現了較好的預警效果。

4" 結語

本系統針對高速收費站行人誤闖這一實際問題，提出了一種基于CNN算法的高速公路行人防撞誤闖預警系統。本系統在測試環境以及收費站上進行了驗證，結果表明，該方法準確率高，滿足實時檢測要求，具有良好的準確度和穩定性。能夠準確地檢測出行人誤闖并及時發出預警信號，有效地彌補了高速公路路段行人闖入的狀況，有效地保障了人民的生命財產安全。

［1］鐘學才.基于AI技術的高速公路行人誤闖預警系統［J］.中國交通信息化，2022（7）：119-122.

［2］徐" 慧，季建波，藍" 巍，等.非機動車及行人誤闖高速公路報警系統在收費站的應用［J］.交通世界（運輸車輛），2014（1）：154-155.

［3］劉子昱，畢海玥，賀旭天.基于智能交通避免行人誤闖紅燈提示裝置［J］.科技創新導報，2021，18（19）：35-37.

［4］張" 偉，張" 瀟，馮" 磊，等.采用值守作業機器人進行短期電力負荷預測方法與應用［J］.機械設計與研究，2022，38（6）：29-33.

［5］劉勝利.淺談汽車駕駛員自適應防碰撞預警系統設計［J］.大眾車，2019，25（2）：64-66.

20240312