吴文彬
(广东潮惠高速公路有限公司,广东 汕尾 516700)
随着社会经济的发展和汽车保有量的不断增长,高速公路车流量与日俱增,如何让公众切身体会到出行的快捷和便利,对高速公路的运营服务提出了更高的要求,特别是在各大节假日给高速公路运营管理带来了更大的考验。为满足广大公众对交通出行的需求,如何快速发现和处置道路拥堵、行人、违章停车、交通事故等异常交通事件,是近年来高速公路营运单位思考和探索的问题。
随着视频监控系统的逐步完善,事件检测系统也不断应用于监控系统。但由于事件检测系统普遍存在检测精度偏低、误报率高、网络占用率高、持续改进能力差等原因,不仅没有减少工作人员的工作量,反而对工作人员造成困扰,为此,导致目前有些事件检测系统出现停用的情况,视频监控轮巡主要还是依靠人工方式,难以保证监控效率。
本文结合高速公路营运管理的需要,针对视频大数据事件检测系统在潮惠高速公路应用的事件检测、车流检测、交通参数检测等功能,提出存在问题和优化目标,不断提高事件检测的准确率和实用性,从而更好地服务于高速公路营运管理。
基于前端视频分析的事件检测方案主要采用集成的方式,在原有监控摄像设备中集成一部分具备图像识别和比对的电路模块,摄像设备采集到视频信号后,先由图像识别模块进行视频识别判断,再向后端输出,从而达到异常事件检出的目的。但是基于前端的事件检测系统存在以下缺点:
(1)计算能力不足,检测精度受限。由于在原有摄像设备中集成图像识别模块受限于空间和功耗,无法采用强大的计算分析处理器,只能采用低功耗、小体积的零部件,严重束缚了图像识别的能力,也较大约束了检测精度。
(2)基于视频前端的事件检测系统不便于功能升级。由于其图像识别模块在出厂时集成在摄像设备内,其功能和性能均已限定,后期基本不可能再对其单独进行功能和性能的升级,只能更换整个摄像设备,给升级工作带来较大的不便和成本的增加。
(3)基于视频前端的事件检测系统实施成本高,目前市售具有图像识别功能的摄像设备比传统摄像设备价格高出约30%以上。
基于后端视频分析的事件检测方案一般分为传统的事件检测分析仪以及基于交通视频大数据的事件检测技术方案“服务器+大数据平台”两种模式。
(1)传统的事件检测分析仪的算法在设备出厂时已固定,其功能和性能受检测算法的限制,事件检测精度无法持续递增。
(2)基于交通视频大数据的事件检测技术方案“服务器+大数据平台”模式采用通用硬件架构和开放平台软件,具备大数据分析功能和模型采集,深度学习功能,随着平台投入使用时间的增加,软件平台通过大数据分析,逐步完善事件模型,提升检测精度。
基于交通视频大数据的事件检测系统在现有视频监控的基础上,通过增加视频分析服务器以及大数据分析软件的方式,实现路网事件检测和车流量分析等功能。系统平台架构如图1所示。
图1 系统平台架构
采用“事件检测服务器+大数据分析平台”的架构,事件检测服务器采用分布式布设方案,后期可根据检测视频的数量灵活增设服务器及组网。大数据分析平台软件具备开放式架构,可灵活扩容检测通道,满足不同的视频检测规模需求。系统组网架构如图2所示。
2.3.1 交通事件监测
(1)目标检测。通过对目标的模型训练,实现目标的识别,区分目标与异常事件触发标的物。通过视频的二次分析,将工作人员、工作车辆、工作标识物与行人闯入、异常停车、抛洒物等情况进行区分,降低事件误报率。
(2)异常停车检测。通过实时视频数据分析,采用深度学习技术,系统能够自动识别出高速公路路面行车道、应急车道车辆停驶事件,并提供事件位置,自动报警。
(3)道路拥堵检测。通过实时视频数据分析,采用深度学习技术,系统能够通过道路上车辆通行速度及监测范围内车辆密度判断出道路交通拥堵情况,并自动报警。
(4)车辆逆行检测。系统能够检测车辆在道路上的行驶方向与规定方向相反,且行驶距离不小于某一设定值的交通事件,并自动报警。
(5)抛洒物检测。系统能够检测路面抛洒物,并自动报警,检测的抛洒物尺寸一般要求不小于50cm×50cm×50cm。
(6)行人检测。系统能够检测行人横穿道路等异常现象,并自动报警,报警内容包括行人数量及地理位置等。
(7)车辆速度过高/低检测。系统采用深度学习技术,检测出车辆速度,当速度高于设定阈值或者低于设定阈值时,自动报警。
(8)车辆占用应急车道。系统能够在车辆占用应急车道时自动报警。
(9)交通事故检测。系统能够通过检测发现道路发生车辆碰撞等交通事故,并自动报警。
2.3.2 交通态势感知
交通态势感知通过监控摄像机的视频流式数据分析,获取瞬间截面车流信息。可以为管理者提供实时的交通态势,并根据道路汇入源的前路交通流量进行分析以及预测监测道路的交通流量。通过计算引擎对车辆检测、车牌识别的数据进行实时大数据分析,及时、准确地分析特定区域内的车流总量数据。
(1)系统提供对每个交通断面交通参数的实时测量:流量、车速、占有率、车间距、排队长度等。
(2)系统可以识别不同类型的车辆如小轿车、SUV、大客车、小客车、货车等。
(3)系统可以实时分析某一隧道或路段内车辆的保有量和人员预估数,以及分车型车辆的保有量。
选取潮惠高速公路莲花山隧道1号、2号隧道现有的64路视频图像,从2020年4月4日起至5月31日止,对隧道内停车、逆行、行人、拥堵等事件检测功能进行全天候24h实测分析,测试预警由监控工作人员进行判断并确认。
3.2.1 第一阶段(2020年4月4日~11日)
2020年4月4日系统上线实测。系统使用初期选择基于事件基本模型实行预警,并通过不断采集模型样本进行优化,提升系统检测识别的准确度,优化使用效果。
表1 第一阶段测试数据
图3 第一阶段测试数据曲线
从第一阶段的测试情况来看,测试效果不太理想,逆行、停车事件的误报较多,准确率未达到95%以上水平,拥堵事件没有检测数据。
3.2.2 第二阶段(2020年4月12日~5月31日)
针对第一阶段测试发现的问题,技术人员对事件检测系统事件预警模型进行优化,对个别网络传输问题进行整改,同时对事件检测系统进行了升级。2020年4月12日起对事件检测系统进行第二阶段测试。
表2 第二阶段测试数据
图4 第二阶段测试数据曲线
从第二阶段测试数据来看,在2020年4月12日系统经优化、升级后,行人、逆行、停车等事件误报及重复报警均大幅减少;从检测数据的统计图表可明显看到系统优化前后的变化,准确率明显提高,达到96%以上。
3.3.1 存在问题
(1)行人误报:主要是由交通锥、墙壁门引起,且大多为同一目标引起的报警。
(2)停车误报:主要由大型车辆行驶时网络传输造成的拖影导致停车误报及积水误报等。
(3)逆行误报:主要由大型运输车辆运输轿车引起。
(4)拥堵模型优化:同一隧道发生拥堵事件多个检测点预警同一事件的问题。
3.3.2 改进措施
继续优化对存在问题的AI算法,增加模型识别训练,优化系统功能,提升系统识别能力,减少误报。
系统可通过采集前端摄像机视频图像,对交通断面的车流量、车速、占有率、车间距、车型分类、车辆保有量等交通参数进行实时测量和交通态势分析,直观地将数据信息转化为详细的报表、图表(图5~图10),为工作人员提供数据支撑和决策依据。
图5 车流量统计
图6 车速统计
图7 道路占有率统计
图8 平均车距统计
图9 分车型统计
图10 车辆保有量统计
通过2020年4月4日至5月31日在潮惠高速公路的实践应用,基于交通视频大数据的事件检测系统具备稳定且比较准确的事件检测能力。虽然目前总体准确率较高,但仍然存在误报的问题,需要系统优化,而且高速公路上的事件类型和模型也在不断变化或增加,因此,具有持续研发、优化、改进的能力和深度学习技术的应用是至关重要的一个环节。
基于交通视频大数据的事件检测系统判别机制相对完善,事件响应时间及时,数据分类统计、报表较详细,能有效辅助工作人员提升发现和处置事件的能力,提高工作效率。
基于交通视频大数据的事件检测系统可基于现有前端设备,同时分析多路实时高清视频,集成度高,硬件投资小,运维成本低;具有分车型流量监测、交通数据分析功能,全天候全方位监测公路车流量信息,较高的识别效率和准确度可有效辅助工作人员,提高效率和发现处置事件的能力。
为满足人民群众对交通出行的美好向往,高速公路运营单位一直以“安全、畅通”为宗旨,不断提高高速公路的各项服务能力。视频技术的成熟应用,为道路安全管理、应急指挥、辅助决策等提供了有力的支撑,在提升高速公路安全运营能力、服务能力和管理水平方面发挥了重要作用。