基于动量的高速公路视频检测算法

余泳 齐运书 杨浩恩 郭磊

摘 要：现如今，随着监控系统的大面积覆盖和计算机视觉的大规模崛起，视频处理的重要性和必要性日益凸显。交通由于大量视频监控的存在和情况复杂人手相对不足等问题，对于视频检测的需求更加迫切，交通视频检测也是近几年相关的研究的热点问题。在交通问题中，高速公路更是其难点，我们根据其车速快，数据量大等特点，提出了基于动量的高速公路视频检测算法，其在保证了准确性的同时，还基本保证了实时性。

关键词：高速公路;视频检测;动量;人工智能

中图分类号：TP391 文献标识码：A 文章编号：1671-2064（2019）14-0017-02

0 引言

在高速公路中，出现异常情况一般需要尽快处理，恢復道路畅通，而众多的视频监控装置，很难有足够的人力去实时处理这些这些数据，所以视频处理和检测也是智慧交通的重要组成部分。在人工智能算法的影响下，现在基本可以保证识别的精准度，但是仍然存在着不能保证实时性，计算量大等问题。

为了解决这一问题，本文提出了基于动量的高速公路视频检测算法，在保证了算法准确性的情况下，大幅减少了计算量，保证其实时性。

1 算法概述

自AlexNet之后[1]，深度学习算法一直以极高的精度霸占各类计算机视觉比赛的榜单，但是其在贡献着最高的精度的同时也同样有个更高的计算量要求，这使得落地变得比较困难。高速公路由于本身要保证车辆快速通行的特点对于实时性要求更高，这就与深度学习算法产生了矛盾。相比于深度学习算法，传统算法计算量普遍小很多，但是精度就要低于深度学习算法。针对于高速公路的具体特点，为了平衡计算量和精度，本文假设：

（1）高速公路车辆不会无故停车;

（2）高速公路很少出现除车辆以外的移动物体。

由实际情况和交通法规我们知道这些假设合理，基于这个假设，我们提出基于动量的高速公路视频检测算法（Mome- ntum-based highway video detection algorithm，MHVD）。根据假设（1）我们可是使用动量去衡量移动车辆的存在，如果车辆保证高速移动，那么大概率不会出现各类事故。同时我们使用假设（1）判断是否出现事故，并向工作人员发出信号。

2 算法设计

2006年，Hinton等人基于深度置信网络（DBN）提出非监督贪心逐层训练算法[2]，随后深度学习在各个领域都得到了大幅度的改进，特别是在图像识别，语音处理等领域展现了里程碑式的大跃进。之后在目标检测方向，Faster R-CNN[3]，SSD等算法的提出为人工智能在实际生产中的应用带来了更多可能[4]。Faster R-CNN在各种视频图像中取得很多优秀的结果，在交通领域也有着广泛的应用[5-7]。本文中我们采用Faster R-CNN作为保障单元，使用动量保证在大多数时间中不会使用到Faster R-CNN算法，以此保证实时性。

这里的动量不同于物理中的动量，而是用于表述由于位移产生的图像差，由于其是在图像意义下描述了运动，所以将其命名为动量。结合上一节中的两个假设，我们设计算法如下：

3 性能评价

3.1 数据准备及测试

对于上一节的算法，thed 和change_thed相应的阈值，在我们的测试中取thed=20，change_thed=0.1。Video_next（）是读取下一帧的函数，faster_rcnn（）是根据Faster R-CNN得到的交通情况的函数，这里我们使用Tensorflow的object _decetion库中的faster_rcnn_inception_v2_coco模型并重新训练后得到结果。这在各类相关论文中都能轻易得到Faster R-CNN在各类视频图像中的相关应用，在这里就不赘述了，效果如图1所示。

本文得到试刀山隧道的相关监控视频数据。于1996年建成并投入使用的试刀山隧道，左、右净宽10米，原设计仅为双向四车道通行。但是由于近年来交通量增加迅猛，特别是重大节假日期间，车流量更是持续高位运行，平均日交通流量突破6万辆的试刀山隧道是拥堵等交通问题的频发区，对于这类算法的需求更加迫切。我们选取堵车，正常行驶，无车辆行驶三种情况，抽取几段视频进行测试，测试结果为路况异常记为1，路况正常记为0。

如图2所示，在三种情况中，本文算法都能很好地加以区分，在更多复杂路况中的效果也得到了很好的效果，在个别帧的误报可以略微放大帧间距，或者多帧平均的方式处理，即采取一个滑动平均的窗口，对多个帧的输出进行平滑处理，以此来防止个例的发生。

3.2 实时性测试

为了对比算法对于实时性地提升，我们对比了采用Faster R-CNN和只采用本文算法的程序运行时间，如表1所示，通过分析九组运行情况的平均值，我们发现MHVD在50帧基本能保证实时运行，而Faster R-CNN的实时性就难以保证，参考论文所给的处理速度为58ms和本文测试数据差距很大，原因是硬件成本投入不同，考虑分辨率和图片大小，MHVD在视频监控领域仍然有Faster R-CNN难以企及的实时性。

4 结语

人工智能算法在为我们带来超高的准确率的同时，也带来大量的资源要求，本文采用传统的算法逻辑，提出了基于动量的视频检测算法，通过过滤掉大概率没有出现各类异常的情况，避免了大量的计算量需要。

参考文献

[1] Krizhevsky A，Sutskever I，Hinton G.ImageNet Classification with Deep Convolutional Neural Networks[J]. Advances in neural information processing systems，2012，25（2）.

[2] G. E. Hinton，S. Osindero，and Y.-W. Teh. A fast learning algorithm for deep belief nets.Neural Comput.，18（7）：1527-1554，July 2006.

[3] Ren S，He K，Girshick R，et al.Faster R-CNN：towards real-time object detection with region proposal networks[J].2015.

[4] Liu W， Anguelov D，Erhan D，et al.SSD：Single Shot MultiBox Detector[J].2016.

[5] 韩凯，张红英，王远，et al.一种基于Faster R-CNN的车辆检测算法[J].西南科技大学学报（自然科学版），2017，32（4）：65-70.

[6] 桑军，郭沛，项志立，等.Faster-RCNN的车型识别分析[J].重庆大学学报，2017，40（7）：32-36.

[7] 韩凯，张红英，王远，et al.一种基于Faster R-CNN的车辆检测算法[J].西南科技大学学报（自然科学版），2017，32（4）：65-70.