薛紅軍 陳 瑜 ＊ 林海鵬 謝 斌

（1.南通市公路事業(yè)發(fā)展中心，江蘇南通 226000；2.華設(shè)設(shè)計集團股份有限公司，江蘇南京 210000）

當前我國公路交通信息化建設(shè)逐步向智能化轉(zhuǎn)型升級，公路交通作為江蘇公路交通運輸體系的重要組成部分。公路養(yǎng)護是保障公路運輸正常化的重要一環(huán)，改變公路養(yǎng)護巡查的技術(shù)手段、開展公路智能養(yǎng)護巡查智能終端示范應(yīng)用顯得格外重要。《“十三五”國家戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展規(guī)劃》中指出，加快視頻、地圖及行業(yè)應(yīng)用數(shù)據(jù)等人工智能海量訓練資源庫和基礎(chǔ)資源服務(wù)公共平臺建設(shè)，建設(shè)支撐大規(guī)模深度學習的新型計算集群。公路路側(cè)堆積物是國省干線上較為常見的一種路面異常事件，經(jīng)常出現(xiàn)在集鎮(zhèn)、廠礦工地等附近的公路上，主要包括農(nóng)作物、建筑材料、生活垃圾等，不僅產(chǎn)生公路交通安全隱患，還會嚴重影響公路衛(wèi)生環(huán)境。及時發(fā)現(xiàn)和清理公路路側(cè)堆積物污染，對于提高公路通行能力、保障公路通行安全、改善公路通行環(huán)境具有重要意義。

1 現(xiàn)狀分析

本文以南通市公路養(yǎng)護巡查業(yè)務(wù)為案例進行研究。南通市路網(wǎng)目前已形成以“八橫十縱”為主、總里程約1 800 km的普通干線公路網(wǎng)。截至2019年末，南通市建成視頻監(jiān)控設(shè)施189套，密度為2 km/套，之前建設(shè)的97路攝像機清晰度為200 萬pix，現(xiàn)在建設(shè)的為400 萬pix。未來，南通市將會繼續(xù)在國省干線沿線布設(shè)大量視頻監(jiān)控設(shè)施。

目前對這類公路污染物的發(fā)現(xiàn)主要依靠各級公路網(wǎng)管理部門通過人工的方式進行巡查，即路網(wǎng)管理人員在公路監(jiān)控中心對接入的公路監(jiān)控視頻畫面進行人工輪巡，通過人眼觀察的方式發(fā)現(xiàn)視頻中發(fā)生的公路路面異常，或派遣巡查車輛上路進行巡查，現(xiàn)場查驗沿途的路側(cè)堆積物事件。人工巡查的方式效率低、人力成本投入大、輪巡時間間隔長，事件漏檢風險高，難以及時發(fā)現(xiàn)并處置公路污染物。

存在不足：

（1）人工巡檢人員不足。

通過調(diào)研發(fā)現(xiàn)，目前南通市國省干線里程長、覆蓋范圍廣，路網(wǎng)巡檢包括路基路面狀態(tài)、沿線設(shè)施狀態(tài)、綠化修剪、橋梁健康狀態(tài)等較多內(nèi)容，造成一線養(yǎng)護巡檢任務(wù)重。

（2）人工巡檢實時性不足。

目前，公路分中心逐步完善視頻輪巡系統(tǒng)，依靠人工值班、人工視頻輪巡進行事件檢測，難以實現(xiàn)對公路突發(fā)事件的及時發(fā)現(xiàn)和快速處置。

（3）人工巡檢成本高。

目前，通過人工或巡查車輛上路巡查的方式進行日常路面的巡檢工作，會造成人工成本和車輛使用成本。

（4）智能化程度不足。

目前，路面事件檢測主要通過人工的方式發(fā)現(xiàn)，先進的互聯(lián)網(wǎng)、人工智能等技術(shù)沒有得到充分充分利用，智能化程度有待提升。

2 算法流程設(shè)計

本方法主要流程包括視頻圖像采集、預處理、圖像檢測算法處理、事件檢測結(jié)果輸出等部分，分別承擔公路監(jiān)控視頻數(shù)據(jù)的采集、視頻圖像的幀提取、事件檢測和事件判別輸出等功能。

算法流程設(shè)計如圖1所示。

圖1 算法流程設(shè)計

3 算法實現(xiàn)

3.1 數(shù)據(jù)輸入

接入滿足實時信息傳輸協(xié)議的公路網(wǎng)監(jiān)控視頻，對視頻流解碼。考慮路側(cè)堆積物將在較長時間保持靜止，按1 幀/s循環(huán)讀取視頻圖像，對視頻圖像進行預處理，將視頻幀圖像尺寸縮減為1 280 pix×720 pix，令k時刻輸出圖像幀表示為fk(x,y)，k∈Z+，x∈[0,127 9]，y∈[0,719]，x,y∈Z，分別為圖像寬度軸和高度軸上的坐標。

3.2 算法處理

算法處理由視頻讀取與預處理、目標提取、目標過濾、目標輸出組成。視頻讀取與預處理主要對初始視頻進行讀取，并進行預處理和路面區(qū)域獲??；目標提取主要通過Yolov3的目標檢測獲取堆積物相關(guān)的目標集；目標過濾主要進行道路區(qū)域外目標過濾；目標輸出主要是輸出檢測目標結(jié)果。

算法處理流程如圖2所示。

圖2 算法處理流程

視頻讀取與預處理：接入公路網(wǎng)監(jiān)控視頻流，對視頻流進行解碼，每秒循環(huán)讀取1幀視頻圖像，并對視頻圖像進行預處理，將輸入圖像轉(zhuǎn)換為灰度圖再進行形態(tài)學濾波，降低噪聲干擾。使用ViBe方法檢測圖像中的運動前景圖像，檢測到有運動目標時，提取運動目標的輪廓，得到運動目標的輪廓集合[cnti]，計算所有運動目標輪廓的總面積，運動目標的總面積小于閾值thcnts時，認為這一幀圖像fx(x,y)包含的運動目標所占區(qū)域較小，利用這一幀圖像進行分割可以獲得較完整的路面區(qū)域，這一幀圖像fk(x,y)標示為fB(x,y)。

目標提取：利用基于深度學習的Deeplabv3+圖像語義分割方法，對的圖像fB(x,y)進行分割。利用基于深度學習的Yolov3圖像檢測算法，對每一幀視頻圖像進行目標識別，提取公路視頻巡查場景下圖像中與路側(cè)堆積物事件相關(guān)性較高的目標。

目標過濾：利用視頻預處理提取的道路區(qū)域?qū)μ崛〉哪繕思疶進行過濾?；诮M成路側(cè)堆積物的目標會在圖像中的固定位置持續(xù)出現(xiàn)的特點，重復前面視頻處理并記錄輸出的每一個目標在圖像中相同位置出現(xiàn)的次數(shù)lopi。

輸出在固定位置重復出現(xiàn)次數(shù)超過預設(shè)閾值th0的目標集合Ts：

對目標的聚集性進行鑒別，本研究借鑒密度聚類算法的思想，遍歷搜索目標集合Ts中相交或相距較近且呈現(xiàn)聚集性的目標子集使輸出的每個元素滿足完成搜索后，輸出所有目標子集的集合

目標輸出：根據(jù)應(yīng)用場景的特點，從TCAND中比對挑選包含路側(cè)堆積物關(guān)鍵目標類別的元素輸出。

3.3 算法輸出

為保證事件時效性，達到事件即時發(fā)現(xiàn)即時處理，去除公路安全隱患，本實例通過調(diào)用應(yīng)用端的API接口進行主動推送方式事件信息。消息內(nèi)容主要包括事件編號、事件截圖圖片、事件視頻、事件類型、事件時間。消息格式為JSON。

3.4 系統(tǒng)應(yīng)用

通過對本文的算法思路進行設(shè)與實現(xiàn)，以南通路面事件養(yǎng)護巡查檢測業(yè)務(wù)為案例進行研究，算法與公路養(yǎng)護業(yè)務(wù)系統(tǒng)進行對接，實現(xiàn)算法應(yīng)用與業(yè)務(wù)系統(tǒng)的閉環(huán)。

算法運行環(huán)境：I7-8700處理器；32 GB內(nèi)存：512SSD硬盤；GTX2080 8G顯卡；Ubuntu16.04操作系統(tǒng)。

其他模塊運行環(huán)境：IntelXeon3106（8核-1.7 GHz）處理器；內(nèi)存配置≥32 GB；配置3塊600 GB10KrpmSAS2.5硬盤；CentOS7操作系統(tǒng)。

4 結(jié)語

本文設(shè)計并實現(xiàn)了一種基于視頻識別路測堆積物檢測方法，該方法實現(xiàn)了公路路側(cè)堆積物檢測的信息化、智能化，大幅降低人力成本投入、減少經(jīng)濟成本，提高了事件檢測實時性、節(jié)約了巡檢時間、優(yōu)化了業(yè)務(wù)流程等。本算法可為交通運輸部門路面養(yǎng)護業(yè)務(wù)向非現(xiàn)場化、信息化、智能化方向發(fā)展和完善提供參考，符合《“十三五”交通領(lǐng)域科技創(chuàng)新專項規(guī)劃》中對路網(wǎng)基礎(chǔ)設(shè)施“交通重大基礎(chǔ)設(shè)施智能聯(lián)網(wǎng)監(jiān)測與預警”的要求，實現(xiàn)基于人工智能的交通重大基礎(chǔ)設(shè)施智能化養(yǎng)護，促進公路養(yǎng)護行業(yè)的發(fā)展。