1   研究背景及意義

中國經濟實力的快速發展使中國汽車持有量大幅增加，但伴隨而來的是交通擁堵、交通事故等一系列交通安全問題，其中事故產生的大部分原因是由于車輛的異常駕駛行為導致的。在龐大的交通監控數據集中，車輛的異常駕駛行為是隨機偶發的小概率事件，所以對于車輛異常行為的監控調查不可能僅僅只由人工來完成，必須要依靠現代的自動化算法實現智能實時監測。

目前道路視頻監控的功能主要是幫助管理人員對事故原因進行調查，在事故發生之后才發揮作用。這種人工搜索既耗費大量人力，又難以滿足對事故實時性、精準性的分析，無法做到對交通事故的早期預防。

針對現代城市交通現狀，本文設計了一套基于多目標檢測的交通監測反饋系統。該系統可對車流量、車速等指標進行智能監測，依次判斷是否存在交通擁堵等異常狀況，并對車輛異常軌跡進行預測。該系統的應用能降低交通負荷，有助于交通安全，改善城市交通現況。

2   研究現狀

2.1 目標檢測算法

目標檢測算法大致分傳統和基于深度學習兩個主要階段。

第一階段在2000 年前后，這期間所提出的方法大多基于滑動窗口和人工特征提取，存在計算復雜度高以及復雜場景下魯棒性差的缺陷^[1]。

第二階段是2014 年至今，以2014 年提出的R-CNN算法為開端。這些算法利用深度學習技術自動的抽取輸入圖像中的隱藏特征，對樣本進行更高精度的分類和預測。

2.2 目標跟蹤算法

初始目標跟蹤算法專注于目標特征點的變化。例如光流法，光流是一種經典的初始跟蹤算法，獲得與相鄰幀中的特征點一致的光流，并最終使用像素特征點進行跟蹤，并將其獨特變化用于估計目標的移動狀態。通過這種辦法以跟蹤目標。然而，使用光流方法的目標跟蹤有很多局限性。因此，在光流方法中，使用harris 特征點代替像素特征點的算法出現，考慮到減少算法的計算負荷和引入前景約束等條件下，khan 等[1] 人對此進行了改進，提高了匹配精度和成功率。雖然基于光流方法的改進算法達到了較好的效果，但是這種算法仍然具有許多缺點和較高的計算量。之后jumani 等[2] 人提出了一種在c-cot（用于視覺跟蹤的連續卷積算子）中訓練連續卷積濾波器的方法。為了解決不同卷積層的不同分辨率問題，使用頻域隱式插值模型來綜合特征圖。對連續區域進行插值有助于多分辨率簽名的集成，使得不同的分辨率簽名可以被輸入到濾波器以估計目標位置。

3   基于多目標檢測的交通監測反饋系統方案

本系統在WebStorm 和PyCharm 環境中開發完成，通過Python 語言編寫，通過改進的YOLO-V3 算法對多目標進行檢測和精確追蹤，獲得車流量、車速與一定范圍內行車輛軌跡數據；并利用計算機視覺庫將最終結果顯示出來，使用軌跡跟蹤模型預測控制（MPC）對車輛行跡進行監測繪制與評估；對危險駕駛行為能夠較為準確預測，并向終端傳遞警示信息。整體方案設計如圖1。

圖1 方案設計流程圖

3.1 硬件功能說明

監控攝像頭模塊是本系統的硬件部分。監控攝像頭在本設計中起到系統“眼睛”的角色。監控攝像頭在道路上的裝備率很高，可以對路面的狀況實時監控，能夠很好地滿足本系統對交通路段圖像采集的要求。

圖2 監控攝像頭實物圖

3.2 軟件功能說明

3.2.1 YOLO-V3算法

YOLO 是一個預先訓練的對象檢測器，它使用Darknet-53 作為特征提取的骨干網絡，并使用三種規模預測。DarkNet-53 再次成為卷積神經網絡，具有53 層。DarkNet-53 是一個完全卷積神經網絡。池化層被步幅為 2 的卷積運算所取代。此外，使用殘余單位以避免梯度色散。

YOLO V3 被設計為多尺度探測器，而不是圖像分類器^[3]。因此，對于對象檢測，分類頭通過向此體系結構附加檢測頭來替換。此后，輸出是具有邊界框坐標和概率類的向量。YOLO V3 繼承了Darknet-53 作為其骨干，這是一個訓練具有53 層神經網絡的框架。此外，對于對象檢測任務，在其上堆疊了另外53 層，總共累積為106 層全卷積架構。由于其多尺度特征融合層，YOLO V3 使用3 個不同尺度的特征圖進行目標檢測。改進的YOLO-V3 算法能夠完成本系統對多目標車輛進行檢測和精確追蹤的要求。

圖3 YOLO-V3目標檢測算法框架

3.2.2 車流量監測模塊

在城市 里，小型汽車是主要的交通工具。該系統在不同時間段對不同道路上的小型汽車交通進行監控，并對城市道路上的實時交通情況進行分析和預測^[4]，為監管人員提供實時的道路交通數據。交通流監控模塊改進了YOLO-V3 算法模型，使用訓練好的多目標檢測視頻每幀中的目標車輛。采用多目標跟蹤監測算法對存在交通風險的車輛進行標記和跟蹤。通過劃分固定檢測區域，統計視頻時段內路段的交通量和多車道進出車輛的數量。

改進的YOLO-V3 算法在視頻圖像中框選并檢測車輛目標，本時段進出檢測區域的車輛數量為道路交通流量。通過比較檢測盒中心與檢測紅線之間的位置關系，可以判斷車輛是離開還是進入該區域，并統計多車道交通流數據。監控過程如圖4 所示。

圖4 車流量監測流程圖

3.2.3 車速監測模塊

本系統的 車速監控模塊計算車輛通過固定視頻幀中的平均位移除以幀差，以獲得車輛在當前時間段的移動速度。當車速低于或高于安全閾值時，判斷車輛處于異常狀態；當異常時間大于設定的最大閾值時，將判斷車輛已處于危險駕駛狀態，系統將異常信息發送給相關管理人員，交由專人進行處理。

降低城市交通事故發生率的首要途徑是依據道路交通規章制度來限制車輛行駛速度。本系統采 用多目標跟蹤技術在監控視頻中監控車速。當車速異常時，系統會及時報警，反饋給后端以便工作人員及時處理。車速監測模塊是通過計算一段時間內檢測框中心坐標點的平均位移量求得車輛速度。設在T₁ 幀時檢測框中心坐標為( x₁， y₁)，在T2 幀時檢測框中心坐標為( x₂，y₂ )，則根據下列式子求得T₁ 到T₂ 幀車輛運動速度V( T₁，T₂)：

當V( T₁ ， T₂ ) 小于設定閾值Vs ，表示車輛處于停止狀態；如果停車時 間長于閾值時間T，本系統將判定該車輛為異常停車狀態。我們在從俯瞰視角拍攝的真實道路場景中進行了功能測試，測試結果如圖5 所示。

圖5 車速監測模塊檢測結果

3.2.4 LSTM-AdaBoost模型

LSTM-AdaBoost 集成軌跡預測模型與單一的LSTM 模型相比精度有了顯著提高，并且預測結果中的異常數據更少，具有更好的穩定性。預測對比結果也表明增加意圖預測模塊有助于提升換道軌跡預測的精度。

AdaBoost 是目前最常用的增強方法。Boosting 通過1 次訓練和添加1 個組件分類器來創建分類器的集合。每個新的分類器都使用不同的示例子集進行訓練。新的訓練子集包含按當前融合錯誤分類的示例。通過對困難的例子進行這種迭代選擇，提升方法可以提高任何監督式機器學習算法的準確性。盡管每個分量分類器的精度僅高于平均值，但融合的聯合決策規則對于所有先前選擇的訓練示例都具有很高的精度。

圖6 LSTM算法結構圖

LSTM-AdaBoost 集成軌跡預測模型有助于本系統提高換道軌跡預測的精度。

3.2.5 警報系統

本文的警報系統能夠展示從后端獲取到的交通視頻以及分析完 成的交通監測數據。當分析識別到危險交通行為或發現車流量及車速異常時，警報系統會及時反饋相關數據給管制人員和駕駛員，幫助其及時做出應對措施，避免交通事故的發 生。

4   基于多目標檢測的交通監測反饋系統的性能測試

為了驗證交通監控和反饋系統的整體功能，測 試人員在簡單背景的開闊場地中握住三角形角反射器，模擬單個目標進行S 形曲線運動，并測試交通監控和反饋系統的目標跟蹤能力。通過該測試，還可以全面測試交通監控和反饋系統的角度測量和距離測量能力。在測試過程中，測試儀在SecureCRT 軟件中輸入指令，通過串口將系統檢測到的目標距離、角度和速度信息上傳到上位機，將返回的信息以文本形式保存，返回實驗室后對輸出結果進行分析。測試曲線如圖7 所示。

圖7 性能測試曲線

交通監測反饋系統的檢測準確性與實際檢測結果的準確性見表1 所示。

表1 交通監測反饋系統與實際測定檢測結果   m

由表1 可知，交通監測反饋系統的檢測距離與實際測量距離的誤差較小，滿足工業使用要求。

6   結束語

本文針對現代城市交通現狀，針對城市車輛異常行為如駕駛員疲勞駕駛、車輛故障等異常進行監測，當發現異常時會及時報警進行提醒， 可以在一定程度上減少交通事故的發生。能夠預防因車輛異常而導致的交通擁堵和交通事故，具備很強的現實應用性。

參考文獻：

[1] 張明.基于YOLOv5算法的觀影人數檢測模型探索[J].現代電影技術,2022(2):42-46.

[2] 胡心怡.基于小目標的智能交通監測系統[D].杭州:杭州電子科技大學,2021.

[3] 王霞.基于無線傳感網絡的道路信息監測系統設計[J].信息通信,2020(9):55-57.

[4] 謝文佳.基于無線傳感網絡的押運信息感知監測系統的設計與實現[D].西安:西安電子科技大學,2011.

（本文來源于《電子產品世界》雜志2022年12月期）