徐學(xué)富　李珺　孫振興

【摘要】? ? 我國(guó)高速公路建設(shè)取得了矚目的成績(jī)，與此同時(shí)，交通安全保障面臨巨大壓力。5G技術(shù)的不斷發(fā)展為高速公路事件智能檢測(cè)的研究提供了新的思路，本文歸納總結(jié)目前已有的高速公路事件檢測(cè)方法，并展望未來(lái)的發(fā)展方向，對(duì)高速公路事件檢測(cè)系統(tǒng)建設(shè)提出建議，并為后續(xù)研究提供參考思路。

【關(guān)鍵詞】? ? 高速公路? ? 5G? ? 交通事件檢測(cè)? ? 交通安全

引言：

近些年，高速路網(wǎng)越來(lái)越完善，高速公路上的車(chē)輛也越來(lái)越多，隨之產(chǎn)生的交通擁堵、交通安全等問(wèn)題日益突出。高速公路上的車(chē)輛與普通公路上的車(chē)輛相比車(chē)速較快，一旦發(fā)生交通事故，后果會(huì)十分嚴(yán)重。

交通事件定義為經(jīng)常發(fā)生的非重復(fù)性事件[1]。交通事件又分為可預(yù)測(cè)事件和不可預(yù)測(cè)事件?？深A(yù)測(cè)事件主要有交通事故、行人穿越、車(chē)輛故障等異常行為、路面拋灑物、自然災(zāi)害等，不可預(yù)測(cè)事件主要有大型活動(dòng)、高速公路養(yǎng)護(hù)等。對(duì)于可預(yù)測(cè)事件，駕駛員可以事先規(guī)避;而對(duì)于不可預(yù)測(cè)事件，駕駛員無(wú)法事先規(guī)避，極有可能造成重大事故，所以對(duì)高速公路不可預(yù)測(cè)的交通事件進(jìn)行檢測(cè)顯得至關(guān)重要。本文主要對(duì)不可預(yù)測(cè)事件中的行人、車(chē)輛異常行為、路面拋灑物檢測(cè)方法進(jìn)行總結(jié)歸納，并對(duì)結(jié)合5G技術(shù)對(duì)未來(lái)發(fā)展方向提出構(gòu)想，最后對(duì)檢測(cè)系統(tǒng)建設(shè)提出建議。

一、高速公路事件檢測(cè)方法

（一）高速公路行人檢測(cè)方法

高速公路行人檢測(cè)技術(shù)可以確保高速公路上的車(chē)輛能夠安全運(yùn)行，避免車(chē)輛受到行人的干擾，減少事故的發(fā)生率。然而在檢測(cè)過(guò)程中容易受人體姿態(tài)、光照強(qiáng)度、天氣變化、遮擋等問(wèn)題影響，從而導(dǎo)致檢測(cè)的精度不高。因此，在復(fù)雜的自然交通場(chǎng)景下，如何實(shí)現(xiàn)準(zhǔn)確、實(shí)時(shí)檢測(cè)識(shí)別行人是非常重要的問(wèn)題。

高速公路行人檢測(cè)技術(shù)主要基于計(jì)算機(jī)視覺(jué)技術(shù)，基于計(jì)算機(jī)視覺(jué)的行人檢測(cè)技術(shù)主要有以下三個(gè)流程：圖像預(yù)處理、行人檢測(cè)和決策報(bào)警，具體流程如圖1所示。傳感器獲取信息后，首先會(huì)對(duì)圖像信息進(jìn)行預(yù)處理，避免在進(jìn)行行人檢測(cè)時(shí)受到圖像亮度、噪聲等因素的影響。圖像預(yù)處理結(jié)束后，系統(tǒng)再對(duì)選取的興趣域（ROI）里的行人進(jìn)行檢測(cè)，當(dāng)檢測(cè)到興趣域內(nèi)有行人并獲取行人軌跡后，會(huì)提醒駕駛員注意周邊的行人。

在行人的檢測(cè)過(guò)程中，圖像分割能夠幫助提取出興趣域（ROI），圖像分割的成果決定了后期行人檢測(cè)精度，合理的圖像分割會(huì)使后續(xù)的行人檢測(cè)工作更容易進(jìn)行。[2]圖像分割的發(fā)展經(jīng)過(guò)了閾值分割、邊緣檢測(cè)和語(yǔ)義分割三個(gè)階段，[3]各階段特點(diǎn)如表1所示。

通過(guò)圖像分割提取興趣域后，則需目標(biāo)識(shí)別技術(shù)來(lái)對(duì)行人進(jìn)行檢測(cè)。目標(biāo)識(shí)別首先需要對(duì)行人的特征進(jìn)行提取，最后通過(guò)分類(lèi)器判斷興趣域內(nèi)是否有行人。

Dalal[4]提出HOG特征的概念并將其用于行人檢測(cè)，HOG特征目前使用最廣泛，但是其維度較高，計(jì)算時(shí)速度較慢。Zhu[5]提出積分直方圖的概念，提高了計(jì)算速度，并通過(guò)Adaboost算法建立分類(lèi)器，相比傳統(tǒng)HOG特征提升了檢測(cè)效果。伍敘勵(lì)[6]和唐世軒[7]則分別將HOG特征與Haar特征和LBP特征相結(jié)合，使用Adaboost算法建立級(jí)聯(lián)分類(lèi)器，檢測(cè)性能進(jìn)一步提高。

隨著深度學(xué)習(xí)的發(fā)展，行人檢測(cè)算法得到了突破，主要分成兩類(lèi)，一類(lèi)基于候選框，一類(lèi)基于候選框?；诤蜻x框的方法主要有R-CNN、Fast R-CNN和Faster R-CNN等?；诨貧w的方法主要有YOLO、SSD等。

Girshick[8]提出了R-CNN，其核心思想是使用分類(lèi)網(wǎng)絡(luò)來(lái)得到部分圖像區(qū)域，再將這部分區(qū)域輸入進(jìn)CNN當(dāng)中，以獲得區(qū)域的一些特性，然后進(jìn)行分類(lèi)判斷區(qū)域內(nèi)是否有行人。R-CNN具有計(jì)算重復(fù)的缺點(diǎn)，后續(xù)Girshick[9]又將其改進(jìn)提出了Fast R-CNN，Ren[10]則又繼續(xù)改進(jìn)，提出了Faster R-CNN。

為了提升檢測(cè)速度，避免Faster R-CNN等方法中的提取多個(gè)目標(biāo)候選框特征的過(guò)程，Liu[11]提出了SSD，其核心思想是在多尺度特征圖上直接進(jìn)行分類(lèi)和回歸。YOLO網(wǎng)絡(luò)模型適合于運(yùn)動(dòng)目標(biāo)檢測(cè)，所以其適用于行人檢測(cè)。Redmon[12]提出了YOLOv3，其運(yùn)算速度提升了三倍以上。

王云鵬[13]則提出了基于計(jì)算機(jī)視覺(jué)以外的檢測(cè)方法，使用微波雷達(dá)傳感器和地磁傳感器對(duì)行人進(jìn)行檢測(cè)。雖然微波雷達(dá)傳感器和地磁傳感器成本較低，但在設(shè)置地磁傳感器時(shí)，需中斷高速公路的交通，對(duì)交通造成較大的影響，所以目前的主流方法依舊是基于計(jì)算機(jī)視覺(jué)來(lái)對(duì)行人進(jìn)行檢測(cè)。

（二）高速公路車(chē)輛異常行為檢測(cè)技術(shù)

高速公路場(chǎng)景中的車(chē)輛異常行為包括異常停車(chē)、低速行駛、占用應(yīng)急車(chē)道、倒車(chē)、未放置警示標(biāo)牌等危險(xiǎn)行為，檢測(cè)并及時(shí)處理車(chē)輛異常行為能及時(shí)規(guī)避交通事故的發(fā)生。

隨著視頻監(jiān)控系統(tǒng)的普及以及計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，基于計(jì)算機(jī)視覺(jué)的交通車(chē)輛異常行為檢測(cè)占據(jù)了主導(dǎo)地位，逐步取代了早期的基于感應(yīng)線圈、微波傳感器的檢測(cè)方式。各種檢測(cè)方式的優(yōu)缺點(diǎn)如表2所示。

Housni[14]提出了新的檢測(cè)方法，對(duì)傳統(tǒng)的光流法進(jìn)行了改進(jìn)，算法實(shí)現(xiàn)相對(duì)較為簡(jiǎn)單，但缺點(diǎn)是檢測(cè)精度不高，跟蹤效果不夠穩(wěn)定。朱憲飛[15]對(duì)車(chē)輛的位置進(jìn)行檢測(cè)，然后通過(guò)車(chē)輛位置點(diǎn)采樣、聚類(lèi)等方法處理車(chē)輛的軌跡并對(duì)當(dāng)前車(chē)輛的行為模式進(jìn)行識(shí)別，但是該方法而且對(duì)于密集場(chǎng)景中的車(chē)輛軌跡分析容易出現(xiàn)誤判。隋靚[16]使用目標(biāo)追蹤技術(shù)來(lái)還原車(chē)輛的軌跡信息，從而判斷逆行、超速等車(chē)輛異常行為，該方法采用基于GHOST幀差算法的目標(biāo)檢測(cè)器，無(wú)法在車(chē)輛密集場(chǎng)合中使用。為避免交通事故帶來(lái)的干擾，梁帥[17]借助全局交通流量描述和局部運(yùn)動(dòng)方向圖從一定程度上提高了系統(tǒng)識(shí)別的準(zhǔn)確率。姚蘭[18]提出的追蹤算法減少了軌跡提取過(guò)程對(duì)背景環(huán)境變化的依賴，使得準(zhǔn)確率進(jìn)一步提高。

（三）路面拋灑物檢測(cè)技術(shù)

高速公路拋灑物掉落容易引起高速公路事故，大范圍的拋灑物，容易導(dǎo)致車(chē)輛繞道，通行速度減緩。而小目標(biāo)的拋灑物不易被駕駛員發(fā)現(xiàn)，導(dǎo)致車(chē)輛無(wú)法及時(shí)避讓?zhuān)瑥亩l(fā)交通事故。拋灑物檢測(cè)方法主要有基于前景提取、基于深度學(xué)習(xí)兩種方法[19]。

基于前景提取的方法優(yōu)點(diǎn)在于檢測(cè)速度比較快，能夠找出非路面的目標(biāo)，再通過(guò)對(duì)拋灑物在運(yùn)動(dòng)軌跡和圖像特征方面對(duì)前景目標(biāo)進(jìn)行篩選，最后檢測(cè)出路面上的拋灑物。而在高速公路視頻中，仍然存在大量的環(huán)境噪聲，導(dǎo)致拋灑物檢測(cè)精度不高?；谇熬疤崛〉膾仦⑽餀z測(cè)方法主要有幀間差分法、背景差分法、塊像素統(tǒng)計(jì)等，[20]其各種優(yōu)缺點(diǎn)如表3所示。

基于深度學(xué)習(xí)的方法則可以較好地提高精度，其進(jìn)行拋灑物檢測(cè)的步驟如圖2所示。

阮雅端[21]將拋灑物的檢測(cè)可以轉(zhuǎn)化為路面、非路面的二分類(lèi)問(wèn)題，首先判斷圖像中是否包含車(chē)輛，如果不包含且該區(qū)域?qū)儆诼访娴闹眯哦鹊陀诜锹访娴念?lèi)別，則將其判斷為拋灑物。金瑤[22]則基于YOLOv3利用小像素目標(biāo)更依賴于淺層特征的特點(diǎn)，有效地檢測(cè)出紙屑、石塊等小目標(biāo)拋灑物。

二、5G技術(shù)在高速公路事件檢測(cè)中的應(yīng)用分析

（一）5G技術(shù)的應(yīng)用場(chǎng)景

5G技術(shù)帶來(lái)的是能夠?qū)崿F(xiàn)對(duì)高速公路情況全面的感知，每個(gè)路段、每個(gè)機(jī)動(dòng)車(chē)的情況都可以實(shí)時(shí)掌握，并且可以與大數(shù)據(jù)和人工智能等新技術(shù)相結(jié)合，增強(qiáng)預(yù)警的能力。5G技術(shù)的接入改變了監(jiān)控視頻系統(tǒng)本地緩存的模式，還能改變交通管控系統(tǒng)部署方式。

交管部門(mén)可以通過(guò)5G實(shí)時(shí)檢測(cè)交通狀況，當(dāng)遇到突發(fā)事件，通過(guò)5G將情況下發(fā)給相關(guān)部門(mén)，便于對(duì)現(xiàn)場(chǎng)進(jìn)行及時(shí)、高效的指揮。

5G技術(shù)的發(fā)展可以實(shí)現(xiàn)OBU和RSU采集的數(shù)據(jù)在車(chē)輛、行人、路側(cè)和云平臺(tái)之間的共享，從而擴(kuò)展車(chē)輛傳感器探測(cè)范圍，事件檢測(cè)范圍更加廣泛、準(zhǔn)確、及時(shí)，降低駕駛風(fēng)險(xiǎn)。

（二）高速公路事件檢測(cè)系統(tǒng)的應(yīng)用建議

檢測(cè)系統(tǒng)需建設(shè)基礎(chǔ)平臺(tái)和算法平臺(tái)。基礎(chǔ)平臺(tái)負(fù)責(zé)云監(jiān)控管理、智能巡檢、應(yīng)用模型接口開(kāi)發(fā)、數(shù)據(jù)分析等工作;算法平臺(tái)則針對(duì)高速公路上的各類(lèi)異常事件，采用深度學(xué)習(xí)等人工智能算法進(jìn)行核心算法研究?；A(chǔ)平臺(tái)基于高速公路視頻監(jiān)控資源安全管理需要，僅在內(nèi)網(wǎng)部署。其中應(yīng)用服務(wù)器用于提供系統(tǒng)的應(yīng)用服務(wù);GPU服務(wù)器用于接口服務(wù)開(kāi)發(fā)部署，為深度學(xué)習(xí)人工智能模型服務(wù)提供圖形處理支持。算法平臺(tái)可以自動(dòng)采集各類(lèi)交通異常事件圖像與視頻，分類(lèi)組織標(biāo)注圖片，形成高速場(chǎng)景下的深度學(xué)習(xí)標(biāo)準(zhǔn)數(shù)據(jù)集。標(biāo)注的類(lèi)型包括道路分割標(biāo)注與目標(biāo)檢測(cè)標(biāo)注?？倶?biāo)注份數(shù)達(dá)到100萬(wàn)份以上，并根據(jù)需要適時(shí)拓展數(shù)據(jù)資源。系統(tǒng)經(jīng)過(guò)建設(shè)，需達(dá)到以下目標(biāo)：

1.能夠?qū)崿F(xiàn)高速公路上各類(lèi)交通異常事件的自動(dòng)檢測(cè)，包括：車(chē)輛停駛、行人穿越、拋灑物、煙霧、火災(zāi)、擁堵等情況;

2.正常天氣條件下，各類(lèi)事件準(zhǔn)確預(yù)報(bào)率達(dá)到90%以上;非正常天氣條件下，各類(lèi)事件準(zhǔn)確預(yù)報(bào)率達(dá)到80%以上;

3.各類(lèi)高速公路交通突發(fā)事件自動(dòng)上報(bào)，應(yīng)急處置及反饋時(shí)間控制在1-5分鐘以內(nèi)。

三、結(jié)束語(yǔ)

基于5G技術(shù)的高速公路通過(guò)全面的前端感知網(wǎng)絡(luò)與后臺(tái)數(shù)據(jù)分析研判，全面實(shí)時(shí)掌握道路通行狀況。提高高速公路綜合交通管理水平，提升服務(wù)質(zhì)量，為行業(yè)管理單位提供了一種高速交通智能監(jiān)測(cè)與管理思路，以本系統(tǒng)的建設(shè)帶動(dòng)智慧交通產(chǎn)業(yè)化發(fā)展。

通過(guò)監(jiān)控設(shè)備的視頻分析，及時(shí)發(fā)現(xiàn)高速公路異常情況，減少報(bào)警反應(yīng)時(shí)間;通過(guò)加強(qiáng)與交警、高速業(yè)主之間的動(dòng)態(tài)聯(lián)動(dòng)，加強(qiáng)相關(guān)部門(mén)之間的協(xié)作，減少部署聯(lián)絡(luò)時(shí)間;有效疏導(dǎo)高速公路客流，減少高速公路車(chē)流疏散時(shí)間;誘導(dǎo)駕駛員降低行駛速度，避免二次事故的發(fā)生。系統(tǒng)的建設(shè)將推動(dòng)新一代人工智能技術(shù)在智慧高速領(lǐng)域的研發(fā)與技術(shù)積累，抓住當(dāng)前算力、算能、帶寬升級(jí)換代的科技機(jī)遇，實(shí)現(xiàn)產(chǎn)業(yè)科技創(chuàng)新發(fā)展。同時(shí)有效填補(bǔ)了因科技發(fā)展而導(dǎo)致的相關(guān)行業(yè)創(chuàng)新軟件研發(fā)落后的狀態(tài)。

參? 考? 文? 獻(xiàn)

[1]姜桂艷， 溫慧敏， 楊兆升. 高速公路交通事件自動(dòng)檢測(cè)系統(tǒng)與算法設(shè)計(jì)[J]. 交通運(yùn)輸工程學(xué)報(bào)， 2001（01）： 77-81.

[2]楊紅亞， 趙景秀， 徐冠華， 等. 彩色圖像分割方法綜述[J]. 軟件導(dǎo)刊， 2018，17（04）： 1-5.

[3]耿藝寧， 劉帥師， 劉泰廷， 等. 基于計(jì)算機(jī)視覺(jué)的行人檢測(cè)技術(shù)綜述[J]. 計(jì)算機(jī)應(yīng)用， 2021，41（S1）： 43-50.

[4] DALAL N， TRIGGS B. Histograms of Oriented Gradients for Human Detection： IEEE Computer Society Conference on Computer Vision & Pattern Recognition[C]， 2005.

[5] ZHU Q. Fast Human Detection Using a Cascade of Histograms of Oriented Gradients： CVPR ‘06 ： Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition， Washington， DC， USA[C]， 2006.

[6]伍敘勵(lì). 基于HOG和Haar聯(lián)合特征的行人檢測(cè)及跟蹤算法研究[D]. 電子科技大學(xué)， 2017.

[7]唐世軒. 基于HOG與LBP聯(lián)合特征的行人檢測(cè)算法研究[D]. 中國(guó)礦業(yè)大學(xué)， 2019.

[8] GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[J]. IEEE Computer Society， 2013.

[9] GIRSHICK R. Fast R-CNN[J]. arXiv e-prints， 2015.

[10] REN S， HE K， GIRSHICK R， et al. Faster R-CNN： Towards Real-Time Object Detection with Region Proposal Networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2017，39（6）： 1137-1149.

[11] LIU W， ANGUELOV D， ERHAN D， et al. SSD： Single Shot MultiBox Detector[J]. Springer， Cham， 2016.

[12] REDMON J， FARHADI A. YOLOv3： An Incremental Improvement[J]. arXiv e-prints， 2018.

[13]王云鵬， 羅渠元， 李長(zhǎng)樂(lè)， 等. 基于智慧公路的行人檢測(cè)技術(shù)研究與實(shí)現(xiàn)[J]. 物聯(lián)網(wǎng)學(xué)報(bào)， 2019，3（03）： 84-89.

[14]HOUSNI K， MAMMASS D， CHAHIR Y， et al. Moving Objects Tracking in Video by Graph Cuts and Parameter Motion Model[J]. International Journal of Computer Applications， 2012，40（10）： 20-27.

[15]朱憲飛. 交通系統(tǒng)監(jiān)控環(huán)境下車(chē)輛異常行為識(shí)別算法研究[D]. 山東大學(xué)， 2018.

[16]隋靚. 高速公路交通異常事件檢測(cè)算法研究[D]. 蘭州交通大學(xué)， 2017.

[17]梁帥. 基于機(jī)器視覺(jué)的交通異常事件檢測(cè)算法研究[D]. 電子科技大學(xué)， 2017.

[18]姚蘭， 趙永恒， 施雨晴， 等. 一種基于視頻分析的高速公路交通異常事件檢測(cè)算法[J]. 計(jì)算機(jī)科學(xué)， 2020，47（08）： 208-212.

[19]歐陽(yáng)聰宇. 基于背景分離混合高斯模型的高速公路小目標(biāo)拋灑物檢測(cè)[D]. 浙江大學(xué)， 2020.

[20]汪貴平， 馬力旺， 郭璐， 等. 高速公路拋灑物事件圖像檢測(cè)算法[J]. 長(zhǎng)安大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2017，37（05）： 81-88.

[21]阮雅端， 高妍， 張宇杭， 等. 基于深度卷積網(wǎng)絡(luò)的路面遺留物檢測(cè)方法：

[22]金瑤， 張銳， 尹東. 城市道路視頻中小像素目標(biāo)檢測(cè)[J]. 光電工程， 2019，46（09）： 76-83.