基于遗传算法的道路交通事故车辆碰撞速度评估

黄美婷，李广培

(1.福建船政交通职业学院 汽车学院，福建 福州 350002，2. 福州大学 经济与管理学院，福建 福州 350002)

随着经济和科技发展，我国汽车增加同时，道路交通事故也在增加，在事故中车辆速度的评估，对于责任判定等具有非常重要的指导意义。目前评估方法按技术角度分为两种：一种是以视频监控中车辆行驶图像，来计算和评估车速，第二种则是以刹车印深浅长度计算和评估车速。

遗传算法是一种全局收敛搜索算法，基于生物进化和群体遗传[1]。随着国你内学者的研究深入，事故车速评估也有了较多的研究成果。彭大芹[2]等人提出一种使用距离加权来计算车辆速度的方法，在此基础上提出一种去干扰的车速评估系统，提高了准确度。但是该系统和方法缺乏智能算法和数据的支撑，在实际场景下往往不具备普遍推广性。吴京梅等人[3]提出观测事故前后机动车速度，再综合对其进行速度评价，在一定程度上可以解决问题。但是依赖人为主观的测量，往往不具备客观性和长期稳定性。

道路交通事故车辆碰撞速度评估是一个系统性的工程问题，需要采用图像视频录像监控、通信传顺、计算机视觉、深度学习、软件工程等学科技术。因此，本文提出了一种新的评估系统。其主要工作就是：梳理道路交通事故车辆碰撞速度评估的业务逻辑、设计对应的系统架构和底层逻辑、开发遗传算法和深度学习模型、开发系统软件、集成软硬件、综合稳定性测试和功能测试。基于遗传算法的车辆图像检测和速度评估，可以有效提高系统的效率和精度。并对遗传算法深入研究，提出了一种道路交通事故车辆碰撞速度评估解决方案，并开发出落地产品原型，测试了所提方案的稳定性与精度。

1 基于遗传算法的车辆碰撞速度评估

遗传算法是一种通过搜索最优解的方法[4-5]。遗传算法基本步骤为：

(1) 随机选择初始种群 P(t)；

(2) 计算个体适应度函数值 F(t)，如式1所示，表示阈值的适应度函数值，i代表某阈值，f为阈值i在图像中出现个数；

(1)

(3) 若种群中最优个体所对应的适应度函数足够大，则转到第 (4) 步；

(4) t=t+1；

(5) 应用选择算子法从 P(t-1) 中选择 P(t)；

(6) 对 P(t) 进行交叉、变异操作，转到第 c 步；

本文把二进制串(b0,b1,…,bn)转化为对应的实数值：

(2)

所提系统架构主要是基于遗传算法来实现的，如图1所示，首先启动评估系统，系统分为软件和硬件，硬件部分主要为监控摄像头，对现场车辆进行实时视频采集，采集到的车辆视频图像传输到云服务器上，由云服务器完成图像分析和速度评估。软件部分主要为算法分析层和软件界面层。其中，算法由遗传算法和深度学习模型组成，遗传算法负责定位跟踪车辆，并测量速度；深度学习模型则进一步校准定位结果和评估结果。界面部分主要提供人机交互功能，实现以上提到的算法分析和评估功能，并且起到结果直观可见的效果。最后将算法处理结果和评估结果，通过通信组件，与软硬件系统集成，完成一次评估。

图1本文系统框架

如图2所示，图像都来自监控视频，同一辆车，在发生事故前1秒间的画面图像帧。本文方案后续对其进行实现，先检测定位、后评估速度，达到方案预设目标。

2 基于遗传算法和深度学习的车速评估

遗传算法运算过程为：个体编码、产生初始种群、个体评价、选择、交叉和变异[6-9]。本文设定一组初始个体，并评价个体适应度值，将车辆图像总熵作为适应度函数。图像总熵计算如式(3)所示：

H(t)=HA(t)+HB(t)

(3)

其中，H(t)表示总熵，该值最大时对应的t为最佳阈值，HA(t)为车辆区域熵，HB(t)为非车辆区域熵，如式(4)、(5)所示：

(4)

(5)

式中P代表灰度级在图像出现的比例，HA(t)为车辆区域熵，HB(t)为非车辆区域熵。

随后，依据自然选择，根据适应度大小从群体阈值选出优良阈值作为父代，适应度值越高，被选择的概率越大；通过选择、交叉和变异产生下一代，重复这一过程，直到图像总熵最大，获得最佳检测和评估阈值，得到最终最佳检测和评估效果[10]。基于前后两张图像中车辆位置检测，从而计算出车辆移动距离，并提取系统中两张图像采集时间差，由此可以计算出车速。

为了进一步，提升车速评估准确度，本文引入深度学习技术。先采集大量已知速度的车辆图像，将车辆图像和速度输入深度学习模型，进行学习，其中速度相当于是输入车辆图像的标签。经过学习训练后的模型，检测未知速度的车辆图像，从而推理出车速，达到进一步校准遗传算法车速评估的目的。本文的深度学习模型由分割与分类组成，分割基于PconvUnet实现，分类模型基于Resnet实现。PconvUnet，基于部分卷积的填充。首先，对其实施卷积操作：

F(x,y)=f(x,y)*K

(6)

(7)

其中，f代表卷积前图像；F代表卷积后图像；K代表卷积核函数[11]。对卷积结果完成最大池化处理：

(8)

其中，g代表最大池化后的图像局部结果；c、d、e、f代表局部区域像素。

在本文系统中，调用开源深度学习库pytorch的深度神经网络函数。所提算法是基于Python语言与调用pytorch来完成车速评估。

如图3所示，红色矩形框为检测标志，可见，检测结果精准可靠。实际车速为60 km/h，经过两帧图像中车辆位置定位检测，计算得到移动距离，再调出两帧图像的时差，计算评估出车速为58 km/h，与实际车速较为接近。评估结果的软件界面化展示，将在实验小节中的系统界面展示和讨论。

检测算法部分关键代码：

void RegionGrowing(cv::Mat srcImg, cv::Mat& dstImg, cv::Point pt, int thre);

string xml0= "D://test//model.xml";

string bin0= "D://test//model.bin";

string xml1= "D://detection//model.xml";

string bin1= "D:// detection //model.bin";

init model

OpenvinoDetection Detection= OpenvinoDetection(bin0, xml0, bin1, xml1);

cv::dnn::DNN_BACKEND_INFERENCE_ENGINE, cv::dnn::DNN_TARGET_CPU);

detectionIE Detection = detectionIE(bin0, xml0, 1);

int rate=5;

ClsLens clslens= ClsLens(bin1 ,xml1, 1, rate);

double prob;

prob = clslens.forward(_srcImge);

cv::cvtColor(_srcImge,srcImagergb,CV_BGR2RGB);

cv::cvtColor(_srcImge,srcImagehsv, cv::COLOR_BGR2HSV);

cv::cvtColor(_srcImge,srcImagegray2,CV_BGR2GRAY);

cv::Mat result1 = Detection.forward(_srcImge);

cv::Moments m = moments(result1);

if (m.m00 != 0){

int cx = (int)(m.m10 / m.m00);

int cy = (int)(m.m01 / m.m00);

cv::circle(frame,Point(cx,cy),15,Scalar(0,0,255),-1,8);

if(Detection.center.x>0&&Detection.center.y>0&&Detection.center_size>0){

posnum++;

crnterX+=Detection.center.x;

crnterY+=Detection.center.y;

xxx=Detection.center.x;

yyy=Detection.center.y;}

3 实验与讨论

本文系统基于QT平台开发实现，深度学习环境基于英伟达2080显卡部署完成。遗传综合参数为0.78，深度学习综合阈值为0.87。

如图4所示，本系统界面，功能有：“遗传算法”、“深度学习”、“速度评估”等。待评估的图像，如图5所示，来自实际场景，同时带有自然干扰。本文方案耦合遗传算法和深度视觉模型，从业务逻辑需求出发，开发实际落地系统，对车辆图像进行检测和评估，如图6所示，红色矩形为系统检测定位框，可见本文方法定位检测准确，同时评估出车速为52 km/h，与实际车速50 km/h很接近。

为进一步验证本研究识别的先进性和实用性，以文献[2]和文献[3]作为对照组技术，并对二者实现测试。文献[2]提出一种使用距离加权来计算车辆速度的方法，在此基础上提出一种去干扰的车速评估系统，提高了准确度[2]。但是该系统和方法缺乏智能算法和数据的支撑，在实际场景下往往不具备普遍推广性。如图6所示，虽然检测准确，但是车速评估结果为41 km/h，与实际车速50 km/h相差明显。文献[3]提出通过实地观测了事故前后机动车运行速度，记录行驶轨迹变化，再综合对其进行速度评价，在一定程度上可以解决问题[3]。但是依赖人为主观的测量，往往不具备客观性和长期稳定性。如图8所示，虽然检测错误，而且车速评估结果为60 km/h，与实际车速50 km/h相差明显。

综上所做实验，可见本文方案开发的系统在实际场景中，具有更高的精度和稳定性。

4 结论

为了解决当前道路交通事故车辆碰撞速度较难测量准确、并且保持稳定测量输出的问题，本文分别从遗传算法、深度学习模型、检测架构方案出发，根据道路交通事故车辆本身特点和落地要求，展开分析、设计方案、开发技术和集成系统，以及落地部署测试。为智能化的道路交通事故车辆碰撞速度评估设备系统落地，奠定了核心算法和方案基础。并测试了所提系统的评估性能，结果显示其具有较高的准确度。