基于车载监控数据的客运安全运营平台

王清波

(贵州数安智能科技有限公司 贵阳 550009)

(wangqb@keanbang.com)

随着我国公路运输事业的蓬勃发展，人们的出行频率越来越高，客运车辆在运营过程中的安全性和高效管理也越来越被重视.2016年公路客运量达154.2亿人，客运交通安全已经成为交通安全管理部门重要的工作内容.习近平总书记在党的十九大报告中也明确指出：“树立安全发展理念，弘扬生命至上、安全第一的思想，健全公共安全体系，完善安全生产责任制，坚决遏制重特大安全事故”.

截至2016年底，全国机动车保有量达到2.9亿辆，其中汽车1.94亿辆[1].据国家统计局公布，2016年我国交通事故发生次数约21.3万起，交通事故死亡6.3万人.交通事故的频频发生以及难辨的事故责任鉴定，不但给国家和人民造成巨大的财产损失，也严重威胁着乘客行人的生命安全.

造成客运交通事故的因素有许多，主要有人为因素、车本身因素、道路因素以及交通环境因素等，这些因素一直困扰着客运公司，同时也让交管、运管等管理部门头疼不已.大量的交通事故调查结果显示，驾驶员的超员、超速、疲劳驾驶是造成交通事故的主要原因.保障驾驶安全对于参与交通的每一个个体都有着非常重要的意义.

保障驾驶安全主要有2种方法[2]：一种是主动安全系统，主要侧重于对事故进行预防(如要求客运车辆安装车载视频监控设备和车辆行驶记录仪，安排专人监督，避免超载超速等)，避免事故的发生，也可以进一步强化客运企业作为安全生产主体的责任意识；一种是被动安全系统，主要表现为提高客车本身的安全设施(如填充安全气囊、绑置安全带等措施)，旨在尽量降低交通事故发生后的损伤.相比较而言，主动安全系统其价值更甚于被动安全系统；提升主动安全系统，可以从交通事故的根源上进行控制，避免事故的发生.

1 传统客运安全监控系统不能满足监管需求

目前，国内客运车辆监控设备已初步实现全面覆盖，采集的视频、位置、速度信息通常是由客运车企安排监控人员进行实时监控.但重大客运车辆交通事故还是屡禁不绝，监控效果不能达到监管部门、客运企业的要求，也不足以让人民群众满意放心.出现这种情况主要原因有以下5个方面：

1) 传统的客运安全监控系统大多应用在对当前营运环境的记录，主要目的是在发生交通事故后进行调查取证，缺少事中的干预控制，无法及时有效地制止驾驶员的不安全驾驶行为[3].

2) 人工实时监控难度大.车载监控系统日益普及，摄像头日益增加，截至2016年全国客运车辆总数超过215.6万辆，仅贵阳花溪区内就有超过500辆客运车辆在运营，监控人员难以同时监控所有客运车辆.监控人员长期在监控室实时监控录像，容易引起视觉疲劳、思想不集中、决策能力降低等情况，极易导致误报、漏报.在这样的监控条件下，人为实时监控全部客运车辆显得力有未逮，如图1所示：

3) 数据分散，收集全部监控数据时间长、难度大.各地市客运车辆一般由多家客运企业运营，而各个客运企业的监控视频又存储在不同系统厂商搭建的监控数据存储平台上，数据较分散.而且各系统厂商在数据的传输方式及存储格式均存有差异，统一接入及管理存在较大困难.如贵阳市花溪区的客运车辆由3家客运公司运营，且数据分别存储在3家不同的平台.

4) 监管部门信息获取难度大，管理手段有限.现有的客运安全监控系统主要依赖监控人员肉眼观察，并通过人工语音播报的方式告知司机，并未实时地通知到相关的监管单位和执法部门，缺少实时有效的手段导致相关部门无法有效地监管客运车辆的危险驾驶行为.

5) 车载视频质量较差，识别困难.现有的车载视频监控画质较差，且传统的视频处理技术容易受到视频拍摄的角度、光线的强弱、画面的清晰度等因素的影响，识别难度大.

综上所述，传统客运安全监控系统反应时间长，难以对客运车辆运营中出现的安全隐患进行实时监控报警，也无法做到及时发现安全隐患并通知有关人员进行排除.频发的交通事故揭示，落实客运企业安全监管主体责任，保护广大人民群众的生命和财产安全刻不容缓.

2 “客安邦平台”应运而生

贵州数安智能科技有限公司作为贵阳市花溪区政府入股企业，响应政府“发展人工智能产业”号召而成立.公司立足于运用人工智能技术，服务于安防领域，为客户提供优质的智能安防整体解决方案及优质运营服务.公司成员多毕业于北京大学、墨尔本大学等国内外知名高校，并拥有BAT等一线互联网公司工作经验.公司具有多位机器学习、交通安全、数据挖掘方面的行业专家，截至2018年3月，公司已拥有包括“车辆违规应用智能加监控系统”、“营运车辆智能电子围栏系统”在内的多项软件著作权.

贵州数安智能科技有限公司开发的“客安邦智慧客运安全运营平台”(以下简称客安邦平台)，实现交通安全“全过程、全员、全方位”长效系统的管理，整合、优化配置道路交通管理资源，增强监管部门和车企的安全管理水平及其良性互动关系.凭借人工智能技术，客安邦平台既确保安全隐患监控的实时、精确、减少漏检和误检，又能降低摄像头监视环节中的人工成本.做到全面、系统、综合管理道路交通安全，真正实现本质安全，使客运交通事故发生率大大降低.

客安邦平台通过采集车辆运营过程中产生的北斗导航定位数据(或GPS数据)、即时速度数据以及对车内监控视频定时回传的图像图片数据，建立大数据平台[4].在大数据平台上，将业务规则与计算机视觉、模式识别、视频分析、数字图像处理、深度学习等技术结合，研发了专门识别客运安全隐患的BDS警情自动识别模型(以下简称BDS模型).针对车辆超员、车辆超速、车辆私改路线、司机疲劳驾驶、问题车辆运营、司机违规代班、车辆违规停靠、司机不良行为驾驶、车辆驻点经营九大安全隐患，设计研发实时告警系统，实现对违章行为的全面实时的安全监管.

2.1 多方协同，解决安全隐患

当发现驾驶员出现违规行为时，平台会根据车辆归属的企业、车辆经过的路线、车辆发生安全告警信息的类型，精准地将研判结果推送给全部相关人员.利用客安邦平台，运管单位可督促客运车企加强员工管理；客运车企及时通过自动语音系统规范驾驶员的违规行为；巡逻交警通过实时警情地图精准定位违规发生地点并及时制止；车站则可以通过平台管理功能管理其班线配置.多个部门协同工作，多位一体，真正实现安全客运生产生态.

图2为客安邦平台安全隐患识别的处理流程，通过客安邦平台，监控人员仅需少量人工介入，即可实现全面、实时的智慧客运控制.

图2 安全隐患识别处理流程图

图3为实时警情处理页面，客运企业监控人员可通过该页面对实时警情进行处理.同时，可在客安邦平台上操作车载语音，通知司机进行下客、减速等操作，排除安全隐患.

图3 实时警情处理页面

如图4、图5所示，监管部门(运管、交管)可通过平台查看日周月报表，对违规次数较多的司机、车辆、线路、车企开展专题分析，以便制定交通安全管理规定，开展交通安全管理活动.

图4 专题分析页面

图5 警情空间分布图

2.2 四大特色，破解监管难点

1) 智能化.通过BDS模型自动识别安全隐患，将监控人员从繁杂的监控任务中摆脱出来，仅需对系统智能识别的疑似警情进行处理，节省了大量人力，提高了工作效率，保障了道路交通安全.

2) 集中化.客安邦平台整合了分散在各个数据存储平台的车载监控数据，政府可以直接从客安邦平台查询、统计、分析全部数据.在数据管理方面，政府占有主导性，结束了数据分散的局面，保障了监控数据的全面、准确.

3) 集成化.客安邦平台不仅仅是监控系统，更是一个集识别安全隐患、协助客运车企处理警情、通知司机排除安全隐患、辅助管理部门分析安全隐患于一体的综合信息化智能服务平台.

4) 个性化.客安邦平台针对城乡客运、公交车、出租车有不同的个性化的监管解决方案，满足客运企业、监管部门的个性化需求.

2.3 三大创新，助力平安中国

2.3.1管理创新，提升管理水平

1) 事后管理转变为事前预防、事中控制

通过传统的监管手段，监管部门无法实时有效地监管客运车辆的危险驾驶行为，只能采用到车企抽查的方式，查看车企人员对违规行为的记录情况，安排车企对违规驾驶员进行安全制度学习，对严重违规驾驶员进行再上岗培训.这种方式无法及时有效制止驾驶员的不安全驾驶行为.

客安邦平台构建了BDS模型，实时对客运车辆车载监控数据进行监测分析.通过客安邦平台，客运车企可及时发现驾驶员的不安全驾驶行为[5]，并通过自动语音系统提醒驾驶员执行下客、控制车速、规范驾驶等操作，实现事前预防和事中控制.

2) 平台监控，降低工作强度，提升工作效率

客运车企使用人工监控的方式对本公司旗下的车辆进行监管，每位监控人员同时只能看4～8台车，这导致为了能监控所有的运营车辆，每位观察员需要不间断地切换到不同车辆进行监管，工作量非常大.

客安邦平台通过BDS模型可同时监控所有的运营车辆，并只对存在安全隐患的车辆进行告警，监控人员只需对警情进行处理即可.监控人员可监控的运营车辆达250～300辆车/人，监控人员工作效率提高40倍，工作强度大幅下降，工作效率大幅提升.

2.3.2技术创新，攻克技术难点

客运车辆内监控视频质量往往不甚理想，图像质量容易受到视频拍摄环境(如光照强弱、拍摄角度)、乘客服饰颜色种类多样等因素影响，识别难度大[6].而且如果从车载设备直接传输视频，将消耗大量流量，传输费用较高.

客安邦平台将深度学习技术、图像中人体肤色检测技术和视频处理技术相结合，仅依靠低清图片，即可实现高效且高精度的车辆超员、司机不良驾驶等安全隐患的判别[7].视频传输到图片传输，消耗流量由996 TB月下降到1.2 TB月，数据传输流量减少99%.

同时，客安邦平台能将监控人员对警情判断结果进行保存，用于模型的自动迭代优化.通过模型的不断迭代准确率也将持续上升.

2.3.3能力创新，多部门协同工作

打通客运车企、运管、交管、车站等多个部门的数据壁垒，实现多部门数据共享，提高监管部门安全监管能力.

客安邦平台设有专题分析、警情排行、历史警情等多个分析模块，可以辅助监管部门深度分析历史数据，洞察发展趋势，制定有效的客运安全监管方式.

2.4 BDS模型，业内领先水平

1) 识别率高

BDS模型采用国际领先的人工智能技术，结合客运安全隐患的特点，经过长期、大量的训练，警情识别率达96.76%，远超人眼不到10%的识别率.

2) 极速响应

依托高效的BDS模型，实时监控数万辆营运车辆，极速处理监控数据，精准捕捉营运车辆安全隐患，自动上报警情.

3) 覆盖面广

BDS模型不仅可识别多种营运车辆，涵盖客运班线车、公交车以及出租车等，还覆盖九大安全隐患(车辆超员、车辆超速、车辆私改路线、司机疲劳驾驶、问题车辆运营、司机违规代班、车辆违规停靠、司机不良行为驾驶、车辆驻点经营).

4) 适应性强

BDS模型具有极强适应能力，有效避免不同类型车辆差异、光照太强或太弱、车内人体相互遮挡、图片低清晰度等因素的干扰.

3 展望未来，客运安全大有可为

车载监控视频以其实时、直观等特点，长久以来都是智能公共交通发展的重点领域.在公众对公共出行需求愈发强烈情况下，如何提供更安全、更便利的交通环境已成为热门话题.伴随着新一代人工智能及信息技术迅速发展，客运车辆信息服务水平将会有大幅提高，未来车载监控不仅仅只作用在安全监管方面，客安邦的生态体系，预计将在以下4个方面有突破性进展：

1) 交通智能调度

随着城市交通压力的逐步增加，未来车载监控设备不仅承担客运监控的职能，同时也可用于公交调度[8].利用人工智能可以对车载视频解析出丰富的乘客乘车信息，如公交车的拥挤度、乘客上下车的客流统计等.结合道路拥堵信息，客运公司运力信息，可以对客运车辆开展智能调度[9].通过采取智能化的监控与调度管理技术，对客运车辆的运行和管理实现了有效的监控管理，可以有效地提高客车的运营效率并降低运营成本.

2) 危险道路预警

在雨、雪、雾等恶劣天气下，给司机制动控制、驾驶控制带来极大的安全隐患，极易造成车辆横向控制失调，导致发生交通意外[10]；当事故发生时，救援车辆亦会因恶劣天气影响救援速度.

通过车载前端摄像头采集路面信息，利用视频图像信息处理与识别技术，结合人工智能技术，根据路面状态的颜色、亮度、纹理效果等视觉特征，从而判别路面状态，判断路面的危险等级[11].危险道路预警可实现公路全程路面状况的准确检测，为安全驾驶提供实时的路况信息，减少交通事故的发生.

3) 车险差异定价

根据车载监控系统收集与驾驶行为和行驶环境等相关信息，并且依靠人工智能、图像处理等技术，结合司机信息、车检信息、车辆维修历史记录等数据，建立保费定价模型.保费定价模型可让车险保费更精准地衡量车辆的整体分析，风险较高的车辆承担更高的保费，风险较低的车辆支付更低的保费[12].从而约束司机的不安全驾驶行为，降低事故发生率，同时可减少理赔成本，实现个性化、差异化定价.

4) 乘客智能乘车生态

为了更好地服务乘客，可根据车辆位置信息、车辆历史数据建立乘客服务体系.如提供车辆实时位置展示，方便乘客提前出行；提供在线购票服务，乘客会员等级服务，方便乘客购票；提供购买乘车保险服务，降低旅途中的意外损失.通过以上服务，建立起乘客乘车生态，满足乘客出行的多方位需求.

随着“国家大数据战略”、“新一代人工智能发展规划”等战略的提出，未来基于车载监控的客运综合信息服务平台将迎来发展高峰；客安邦作为智能交通领域的排头兵，定会为智能社会的发展添砖加瓦.未来已来，大有可为！

参考文献

[1]中国未来产业研究院. 2016年底全国机动车保有量达2.9亿辆[EB/OL].[2018-04-15]. http://www.19baogao.com

[2]汪卫东. 国外汽车安全新理念和安全技术新进展[J]. 汽车与配件, 2006, 7(14): 36-39

[3]王雪娜. 道路交通事故成因及预防对策的研究[J]. 黑龙江科技信息, 2014, 12(1): 205-205

[4]吴晓彬, 杜东高. 基于GPRS的车辆监控系统技术研究[J]. 现代电子技术, 2011, 34(24): 107-109

[5]周品, 李晓东. 数字图像处理[M]. 北京: 清华大学出版社, 2012: 211-214

[6]陈新. 基于彩色图像的公交车乘客运动目标识别研究[D]. 北京: 北京交通大学, 2010

[7]田莎莎. 基于视频图像的运动人体识别与跟踪算法研究[D]. 长沙: 长沙理工大学, 2014

[8]宁大伟. 基于复杂网络的智慧城市公共交通网络研究 [J]. 通讯世界, 2017, 3(1): 82-83

[9]马自强. 公交智能调度系统的设计与开发 [J]. 软件, 2016, 37(11): 41-46

[10]李征. 基于机器视觉路面状态识别关键技术硏究[D]. 长春: 吉林大学, 2009

[11]汤巧巧, 郭忠印, 李长城. 基于路面摩擦因数的冬季典型路面状态识别模型 [J]. 中国公路报, 2014, 27(11): 25-30

[12]朱爽. 车联网环境下基于UBI的车险费率厘定模式与方法研宄[D]. 北京: 北京交通大学, 2015