王寧 王靜 郝貴發(fā) 汪祝慶 倪樹新

1.鎮(zhèn)江市公路事業(yè)發(fā)展中心；2.江蘇蘇信交通科技有限公司；3.南京慧筑信息技術(shù)研究院有限公司

普通國省干線公路運行過程中，受到客觀因素與主觀因素影響會存在各種落物，包括從車輛上掉落的輪胎、鋼管、生活垃圾以及其他物品等。為了降低此類落物的影響，提高管理效率，需要增強對此類物質(zhì)的識別。本文以此為出發(fā)點，概述了普通國省干線公路落物識別的重要性，剖析了普通國省干線公路落物識別技術(shù)流程，并以此為基礎(chǔ)，分別從圖割法、MOG2算法、YOLOv5+閾值法、KCF跟蹤與識別四個方面，對其具體情況進行了討論。

普通國省干線公路路段具有一定的封閉性，車輛行駛速度快，車流量較大，當(dāng)存在落物情況時容易引發(fā)交通事故。輕者出現(xiàn)車輛追尾、撞護欄，嚴重時會導(dǎo)致翻車等，給駕駛員與乘客的生命安全造成了較大威脅。為了有效規(guī)避此類交通事故，將風(fēng)險降至最低點，一方面需要加強道路交通安全宣傳教育；另一方面則應(yīng)采用配置技術(shù)要素的方式，增強對基于視頻的普通國省干線公路落物識別技術(shù)的應(yīng)用。尤其在當(dāng)前階段，交通行業(yè)進入了高質(zhì)量發(fā)展階段，擴大了對數(shù)字化技術(shù)的運用，因此，有必要結(jié)合新技術(shù)提高落物識別技術(shù)的應(yīng)用水平，為普通國省干線公路的安全運行保駕護航。

1 普通國省干線公路落物識別的重要性

1.1 從公路管理效率分析

普通國省干線公路落物引發(fā)交通安全事故會進一步造成交通擁堵，降低管理效率。因而，需要根據(jù)該方面存在的因果關(guān)系鏈，增強落物識別。目前，主要按照現(xiàn)代經(jīng)濟學(xué)中的要素配置理論，建立了技術(shù)要素主導(dǎo)的資源配置方式，旨在通過提高技術(shù)要素應(yīng)用比例，輔助普通國省干線公路管理主體，高效、精準的完成落物識別，從而在控制落物風(fēng)險及其影響的情況下，達到提高公路管理效率的目標(biāo)。

1.2 從運營效益分析

普通國省干線公路運營管理單位，除了承擔(dān)社會責(zé)任之外，也需要提高運營效益，以此保障公路的可持續(xù)運營[1]。當(dāng)普通國省干線公路管理過程中，因落物造成交通事故、交通擁堵，造成嚴重傷亡的情況下，不僅會影響單位的社會聲譽，降低公信力。而且在對交通事故進行處理的過程中，需要投入大量的人力、物力、財力，從而增加運營管理成本，影響運營效益。

2 普通國省干線公路落物識別技術(shù)流程

落物識別監(jiān)測預(yù)警是現(xiàn)代普通國省干線公路路網(wǎng)運行安全管理中的重要組成部分，在當(dāng)前應(yīng)用的多種識別技術(shù)中，主要是應(yīng)用“傳感器+人工智能”的基本方案，借助配置適用性較強、適配性較高的技術(shù)，實現(xiàn)對路面落物的自動識別[2]。需要注意的是，在落物識別技術(shù)應(yīng)用時并不是單一的應(yīng)用一種技術(shù)，而是需要配置多種技術(shù)，才能達到有效識別、監(jiān)測、跟蹤、預(yù)警等。以基于視頻的普通國省干線公路落物識別技術(shù)為例，其中就需要配置圖割法、MOG2算法、YOLOv5+閾值法、KCF跟蹤與識別技術(shù)等，下面先對其流程進行說明。

（1）在基于視頻的普通國省干線公路路面落物識別時，需要按照“道路區(qū)域分割—公路落物前景背景分離—道路物體目標(biāo)檢測—道路物體目標(biāo)跟蹤”的基本路線進行操作，四大環(huán)節(jié)中通?？梢苑譃?個基本的流程進行操作：1）利用圖割法從整個圖像中分割出有效的公路區(qū)域；2）采用背景建模及背景差分算法得到所有的運動目標(biāo)；3）用深度學(xué)習(xí)算法檢測出車輛，以排除車輛目標(biāo)；4）在排除掉車輛目標(biāo)后，對剩下的目標(biāo)采用閾值法篩選、排除掉一些小目標(biāo)和噪聲目標(biāo)，得到有效目標(biāo)；5）對篩選出的目標(biāo)初始化，使用目標(biāo)跟蹤算法跟蹤目標(biāo)，跟蹤過程中目標(biāo)可能會被其他物體短暫性遮擋，所以對跟蹤算法進行改進，使其具有目標(biāo)丟失判別能力，識別丟失的目標(biāo)；6）根據(jù)軌跡信息判斷目標(biāo)是否為落物，當(dāng)軌跡連續(xù)若干幀移動較小，輸出落物提醒并報警。

（2）在6個基本流程的實踐過程中包括若干步驟，具體而言，在確定幀序列后一方面應(yīng)按照“分割出公路區(qū)域并對公路背景建?！尘安罘帧祷c形態(tài)學(xué)處理—運動目標(biāo)”的順序進行操作；另一方面則需要通過深度學(xué)習(xí)檢測出車輛目標(biāo)。在此基礎(chǔ)上，完成對車輛之外目標(biāo)的排除后，根據(jù)像素點設(shè)置閾值。當(dāng)閾值大于設(shè)置好的閾值T時，則進入到下一環(huán)節(jié)，篩選出目標(biāo)。當(dāng)閾值等于、小于閾值T時，則需要對其中的噪聲進行去除，待其符合具體要求后篩選出目標(biāo)，再初始化跟蹤篩選出的目標(biāo)，借助KCF/TLD跟蹤、提取軌跡信息，并在計算出等間隔數(shù)據(jù)幀中目標(biāo)的歐氏距離后，根據(jù)設(shè)置好的距離L，進行落物提醒并報警。當(dāng)歐氏距離小于距離L時，進行落物提醒并報警，反之則需要先進行其他的運動目標(biāo)處理，再實施落物提醒并報警。基于視頻的落實識別技術(shù)流程如圖1所示。

3 普通國省干線公路落物識別技術(shù)分析

3.1 圖割法

該方法旨在分離公路區(qū)域，其中應(yīng)用的Graph Cut（圖形切割）技術(shù)看，主要是用于解決計算機視覺領(lǐng)域各種低級計算機視覺問題[3]。例如：圖像分割問題、立體對應(yīng)問題、圖像平滑問題等。實踐經(jīng)驗表明，應(yīng)用此類方法時，可以將圖像分割問題與圖的最小割（Min Cut）問題相關(guān)聯(lián)，借助最小能量（Minimum Energy）方案，對應(yīng)解決最大后驗估計（Maximum Posterior Estimate）等情況。進一步講，利用最小割最大流算法分割圖像，可以將圖像分割為前景和背景，進而分離出有效的公路區(qū)域。應(yīng)用圖像切割中的最小割最大流算法過程中，要求輸入時先在背景與前景中進行畫像，再利用該算法構(gòu)建各像素點，完成相似度方面的“賦權(quán)圖”，從而實現(xiàn)區(qū)分目標(biāo)。

3.2 MOG2算法

（1）在短時間內(nèi)圍繞某一中心值，于一定距離內(nèi)進地各像素點的分布時，通常會通過均值取代中心值，利用方差表示距離。因而，分布時會形成一定的規(guī)律，并通過統(tǒng)計定律加以處理。例如：在足量的數(shù)據(jù)點確定的前提下可以呈現(xiàn)出高斯分布（具體呈現(xiàn)為正態(tài)分布）。因而根據(jù)該特點，當(dāng)像素點的值偏離中心值較遠時，可以將該像素值歸于前景。當(dāng)在一定方差范圍內(nèi)此類值比較接近中心值時，可以將該點作為背景之中。從理論上講，如果不存在任何干擾的條件下，能夠?qū)崿F(xiàn)準確區(qū)分前景和背景目標(biāo)。但是，理想狀態(tài)并不能實現(xiàn)，當(dāng)畫面中光線存在變化的情況下，高斯分布的中心位置往往會發(fā)生改變，因此，需要應(yīng)用混合高斯模型。

（2）在描述背景的單一模式方面，單高斯模型具有較大優(yōu)勢，然而當(dāng)背景中存在樹葉晃動等多模態(tài)的情況后，應(yīng)用該模型容易發(fā)生檢錯的現(xiàn)象。因此，在這種情況下，應(yīng)該采用推廣單高斯模型的辦法，先獲取混合高斯模型再利用多個新模型，從而滿足多模態(tài)背景中每一個像素位置的監(jiān)測并滿足其魯棒性，達到對緩慢移動物體的有效檢測。進一步講，背景本身作為一個高斯分布，在停車的狀態(tài)下，如果聚集一定的前景數(shù)據(jù)會得到新的高斯分布。此時，停車時的實際前景與背景重合，由此導(dǎo)致停車狀態(tài)與運行狀態(tài)車輛的混淆[4]。需要說明的是，當(dāng)車緩慢行駛時，形成高斯分布的時間相對較長，并不能立即實現(xiàn)分布，所以應(yīng)用混合高斯分布可以實現(xiàn)對緩慢行駛車輛的有效檢測。高斯混合背景建模流程如下：1）通過初始化完成對多個高斯模型的預(yù)先定義，再對模型參數(shù)實施初始化并求將用參數(shù)；2）處理每一幀中的每一個像素，查看匹配情況。在匹配的情況下歸入匹配模型，并根據(jù)新像素值更新參數(shù)。反之，則以該像素建立高斯模型并對參數(shù)進行初始化處理；3）選出背景模型所用的高斯模型，做好提取準備工作。

（3）MOG2算法結(jié)合不同輸入場景自動選擇高斯分量的個數(shù)，建立背景像素模型并進行權(quán)重設(shè)置（如使用顏色存在時間的長短進行設(shè)置）?？紤]到權(quán)重中的顏色具有持續(xù)時間長的特點與靜止屬性，而且在具體操作時以時間序列為基礎(chǔ)，因此，可以將時間序列中每個像素占有的位置，通過時間與空間的基本形式完成分布構(gòu)建。

3.3 YOLOv5+閾值法

圖像目標(biāo)檢測方面深度學(xué)習(xí)具有較大優(yōu)勢，從實踐經(jīng)驗看，YOLOv5技術(shù)不僅名列前茅，而且學(xué)者們將它應(yīng)用于不同對象的檢測時，可以選擇不同的改進方案進行應(yīng)用。在高斯背景建模識別并輸出全部運動目標(biāo)ID標(biāo)號條件下，應(yīng)用YOLOv5識別技術(shù)，能夠識別每一幀圖像中的車輛目標(biāo)，達到排除目標(biāo)。同時計算剩余運動目標(biāo)的像素數(shù)，采用閾值法篩選掉小目標(biāo)及噪聲目標(biāo)。

3.4 KCF跟蹤與識別

目標(biāo)跟蹤的任務(wù)在于，找出被關(guān)注目標(biāo)在每幀視頻圖像中的位置。從功能上看，與目標(biāo)檢測相似，旨在尋找目標(biāo)位置，但是，在“跟蹤”時需要配套提升運行速度。實踐經(jīng)驗與實驗比較結(jié)果顯示，目標(biāo)跟蹤運行速度往往大于目標(biāo)檢測，然而，在目標(biāo)位置定位精度方面容易出現(xiàn)偏差。因此，實踐過程中，通常會犧牲少量定位精度，以此換取成倍的運行速度。

3.4 .1目標(biāo)跟蹤算法

該算法主要分為生成式（Generative Model）與判別式（Discriminative Model）兩種。在前一種方法下，將目標(biāo)跟蹤視為二元分類問題，通過訓(xùn)練關(guān)于跟蹤目標(biāo)的分類器來從候選目標(biāo)中找出正確的目標(biāo)（如CSK、KCF算法）。在后一種方法下，采用特征模型描述目標(biāo)的外觀特征，再最小化跟蹤目標(biāo)與候選目標(biāo)之間的誤差來確認目標(biāo)（如LK光流法）。根據(jù)跟蹤目標(biāo)的數(shù)量看，可以將目標(biāo)跟蹤算法分為單目標(biāo)跟蹤與多目標(biāo)跟蹤。與單目標(biāo)跟蹤相比，多目標(biāo)跟蹤問題相對復(fù)雜，操作難度相對較大[5]。所以，在多目標(biāo)跟蹤時，需要考慮視頻圖像幀中多個獨立目標(biāo)的不同類別、位置、大小、外觀、運動方向、動態(tài)光照、相互遮擋等因素（此類因素是目標(biāo)跟蹤領(lǐng)域的研究難點）。經(jīng)綜合考慮公路圖像的特點及工程實際情況，可以選用性價比較高的KCF算法實現(xiàn)目標(biāo)跟蹤。

3.4 .2 KCF算法

KCF是英文Kernel Correlation Filter的首字母縮寫形式，中文翻譯為核相關(guān)濾波，屬于判別式方法。從原理看，主要是通過物體在當(dāng)前幀的位置，迅速預(yù)測物體在下一幀的位置。由于該算法具有循環(huán)矩陣和相關(guān)濾波這兩個特點，因而可以將運行速度提高到150FPS。具體應(yīng)用時以循環(huán)矩陣與相關(guān)濾波為主。分述如下：

（1）循環(huán)矩陣：KCF算法將圖像沿著上下、左右的方向進行平移，以產(chǎn)生更多的樣本用于訓(xùn)練。同時這種平移可以通過循環(huán)矩陣來表示，循環(huán)矩陣可以對角化，計算時僅需關(guān)注對角線上的非零元素，因此能夠大幅加快矩陣與矩陣的計算速度。

（2）相關(guān)濾波：相關(guān)是衡量兩個信號相似值的度量，相關(guān)值越高，表示這兩個信號越相似。KCF輸入往往通過其他檢測手段，得到物體在某一幀圖像上的準確位置（如應(yīng)用MOG2算法得到box）。假定，該準確位置為patch_0，在后續(xù)圖像幀上， [patch_1, patch_n]中共有n個patch，此時，KCF預(yù)測的位置即為與patch_0相關(guān)值最高的patch。由于兩個patch的相關(guān)卷積相當(dāng)于傅里葉域中的元素乘積（時域卷積=頻域點積），而乘積計算大大快于卷積運算。因此，在計算patch_0與patch_k(1≤k≤n）的相關(guān)值時需轉(zhuǎn)換到傅里葉域進行。最后，通過計算不同幀間相同目標(biāo)中心點坐標(biāo)的歐氏距離，借助設(shè)定閾值的方式判斷目標(biāo)是否為落物。

4 結(jié)語

總之，普通國省干線公路落物種類較多，會給公路管理單位與車輛駕駛?cè)藛T產(chǎn)生較多危害。在新時期交通行業(yè)高質(zhì)量發(fā)展階段，應(yīng)進一步增強對基于視頻的公路落實識別技術(shù)應(yīng)用。通過以上初步分析可以看出，公路落物識別既具有現(xiàn)實意義，也是提升公路管理效率，擴增運營效益的重要途徑。因此，建議在“傳感器+人工智能”的基本應(yīng)用思路，結(jié)合技術(shù)要素主導(dǎo)的資源配置方式，合理推進落物識別監(jiān)測預(yù)警技術(shù)的實踐工作。