人工智能技术在非机动车治理管控中的应用

徐奥林吕潭吕婷张斌斌

1.安徽科力信息产业有限责任公司；

2.城市交通管理集成与优化技术公安部重点实验室；3.安徽省智能交通重点实验室

随着经济社会快速发展，机动车和非机动车数量迅速增长，随之而来的交通事故也不断攀升，特别是以电动车为代表的非机动车违法行为普遍存在，既危及交通安全，也严重影响文明城市形象，社会各界强烈呼吁要求加强非机动车的治理管控，而当前对非机动车的管理还停留在现场查纠模式，虽投入大量警力，但管控范围、管理时段有限，成效不明显，迫切需要探索管理新模式。本论文旨在利用人工智能识别技术，通过人脸识别、号牌识别、视频分析自动检测非机动车闯红灯、占用机动车道、逆向行驶、载人等多种应用场景违法行为，确认非机动车号牌及驾驶人员，通过声光警示系统、违法曝光平台、社区联动机制等手段实现对非机动车交通违法行为的精准治理管控。

随着城市规模的扩大和人口的不断增加，电动车成为人们正常出行生活中必不可少的交通工具，而电动车数量多、车速快、骑行随意、难以管理等特性给交通出行安全带来很大安全隐患。因此，提升非机动车驾驶人员的文明守法意识、加强非机动车驾驶员安全驾驶的监管成为交通治理工作中的重要环节。在交通治理过程中，管理部门投入大量警力资源到各个路口进行现场治理，虽投入大量警力，但管控范围、管理时段有限，成效不明显。一方面难以全面覆盖各个路口，无法起到持续性广泛性的震慑作用；另一方面对于现场执法的成效也很难做出精准的评价，迫切需要探索管理新模式，实现非机动车的有效管理，减少事故和伤亡人数，基于这种背景提出利用人工智能技术赋能非机动车治理管控。

1 总体思路

本项研究的总体思路为利用AI识别技术通过人脸识别、号牌识别、视频分析，自动检测非机动车违法行为、确认非机动车号牌及驾驶人员，从而治理管控非机动车交通违法。主要解决非机动车闯红灯、占用机动车道、逆向行驶、载人等多种应用场景的治理管控，首先利用视频专网内卡口和反向电警设备，通过AI识别获取非机动车号牌和驾驶员人脸图片，其次通过时间、位置关联自动识别违法行为并与公安网内非机动车登记系统和脸谱平台比对确认非机动车和驾驶人员信息，最后将违法取证信息与声光报警系统、违法曝光平台对接发布，并建立社区联动机制，实现非机动车综合治理管控。

2 研究内容

2.1 数据来源

论文中数据来源为路口路段电警视频、普通卡口/人脸卡口、公安人口库、非机动车管理系统、外卖骑手运营商平台等，获取非机动车驾驶员违法行驶视频数据、非机动车号牌、人员身份信息、非机动车车辆信息等，并通过后台上传违法数据信息给其他业务平台。

2.2 非机动车号牌识别技术

基于获取的大量电警卡口视频数据实现号牌识别算法的迭代优化[1]，算法流程主要包括收集训练样本和标定样本数据（非机动车标定了约3000张，车牌标定了约10000张，号牌标定了约30000张），通过算法训练平台进行迭代训练，不断提高非机动车号牌识别准确率。

非机动车号牌识别算法是在收集到非机动车行驶样本视频和图片后，基于AI算法平台，通过对非机动车号牌及行驶视频特征值训练，实现对非动车号牌的识别及抓拍。非机动车号牌视频、图片来源为不同场景多个道路的非机动车行驶视频。

将优化的非机动车号牌识别算法导入到前端电警卡口设备或者终端服务器上，更新验证算法。

通过长时间不断的训练完善非机动车号牌识别算法，提高识别准确率。

2.3 基于智能识别技术的非机动车管控应用

2.3.1 非机动车占道行为治理管控应用

利用人工智能识别技术，结合先前已经设定的车道属性判断车辆是否存在违法占用车道行驶的交通违法行为[2]。当有车辆进入视频检测区域（此区域为快速路等禁止非机动车行驶道路区域）时，后方电警相机识别非机动车号牌信息，抓拍图片，同时前方人脸卡口抓拍人脸图片，通过时间和位置的联动性，将同一时间同一区域的号牌和人脸图片合成图片，与非机动车管理系统和人口脸谱平台作比对，确定驾驶员信息和车辆信息。

对于确认的非机动车和驾驶人员，主要通过以下三种方式进行精准治理管控应用[3]。

(1)违法占道警示系统，当非机动车违法占道时，利用太阳能发光道钉和高音喇叭语音提示进行声光警告，提醒非机动车及时回归非机动车道；(2)违法曝光发布平台，对系统抓拍的违法图片，通过违法曝光平台在媒体、路口大屏进行发布；(3)社区联动机制，对确认的违法行为人或非机动车车主，由辖区交警大队联系其所在社区，并由社区工作人员通知当事人到交警大队接受教育、处罚。违法占道治理管控业务应用模型如图1所示。

图1 违法占道治理管控业务应用模型Fig.1 Application model of illegal road occupation governance and control business

2.3.2 非机动车闯红灯行为治理管控应用

研究基于AI的非机动车闯红灯自动判别和管控，在识别算法方面与违法占道行为治理管控模型类似，后方电警相机识别非机动车号牌信息并抓拍，同时前方人脸卡口抓拍人脸，通过时间和位置的联动性，将同一时间同一区域的号牌和人脸图片合成一张图片，保存至前端相机；在闯红灯行为判别中，利用轨迹提取法提取非机动车的运动轨迹以此来判断非机动车是否存在闯红灯违法行为[4]。

对于确认的非机动车闯红灯人员主要通过以下两种方式进行精准治理管控：(1)非机动车闯红灯行为曝光，通过后端平台在网络媒体、手机端或是发布屏通报；(2)与非机动车闯红灯人员所在社区实现联动，由确认的闯红灯人员所在辖区交警大队联系其所在社区，由社区工作人员通知其到交警大队接受教育、处罚。闯红灯治理管控业务应用模型如图2所示。

图2 闯红灯治理管控业务应用模型Fig.2 Red light running management and control business application model

2.3.3 非机动车逆向行驶行为治理管控应用

当有车辆进入视频检测区域时，利用AI识别技术对非机动车辆行驶轨迹进行跟踪分析，根据行驶轨迹方向和车道正确的行驶方向判断车辆是否存在逆行交通违法行为。若有逆行行为，则车辆后方电警和前方人脸卡口分别抓拍非机动车号牌和人脸图片，通过后台将非机动车号牌和人脸合成图片，同时在非机动车管理系统和人口脸谱平台作比对确定逆行人员相关信息和非机动车信息[5]。

对于非机动车逆向行驶人员的精准治理管控主要是包括公开通报、社区劝导和交警教育、处罚等方式，实现对非机动车逆向行驶行为的警示、曝光和批评，起到威慑作用，提高非机动车驾驶人安全驾驶意识和危险防范意识，降低违法行为发生率。逆向行驶治理管控业务应用模型如图3所示。

图3 逆行治理管控业务应用模型Fig.3 Retrograde governance management and control business application model

2.4 违法数据统计分析和宣传监管应用

对违法和事故高发时间、高发地点、驾驶员违法频率等进行统计分析，并深入分析高发原因和开展实地调研，一方面用于道路管理决策；另一方面对于高频违法人员进行针对性宣传教育，提高安全驾驶意识，精准治理非机动车辆[6]。

2.5 下一步研究应用方向

下一步将与外卖、共享单车等平台对接，通过运营商实现对外卖、共享单车驾驶员共同监督和管理[7]，对于违法情况严重的驾驶人可以降低其征信分数，实现全面治理管控非机动车的目标。

3 结语

通过本文应用可以改变传统现场拦截非机动车的业务模式，实现了非机动车治理的精细化、智能化、全面化，对非机动车违法驾驶员起到了很好的教育督导作用，可以规范非机动车驾驶行为，有效降低非机动车的违法行为和事故率，顺应了交通管理的未来发展趋势，具有较大的应用研究价值。

引用

[1] 路雪,刘坤,程永翔.一种深度学习的非机动车辆目标检测算法[J].计算机工程与应用,2019,55(8):182-188.

[2] 叶佳林,苏子毅,马浩炎,等.改进YOLOv3的非机动车检测与识别方法[J].计算机工程与应用,2012,57(1):194-199.

[3] 江一凡.深圳市非机动车交通安全管理方法研究[J].交通企业管理,2020,35(1):97-99.

[4] 徐倩.GB 17761-2018《电动自行车安全技术规范》解读[J].中国质量技术监督,2019(3):63-65.

[5] 王志瑞,闫彩良.图像特征提取方法的综述[J].吉首大学学报(自然科学版),2011,32(5):43-47.

[6] 韩超.电动自行车交通安全法律规制[J].环球市场信息导报,2017(37):139.

[7] 方恩升.城市电动自行车治理的困境解读与破解路径[J].经济与社会发展,2017(5):25-31.