基于深度学习模型的轨迹分析模型在智能交通领域的应用研究

魏健康 WEI Jian-kang；史晓蒙 SHI Xiao-meng；吕晓鹏 LV Xiao-peng；朱悦齐 ZHU Yue-qi

（北京易华录信息技术股份有限公司，北京 100026）

0 引言

随着社会和科技的不断发展，城市道路的交通参与要素种类不断拓展。如何通过使用信息技术和先进的通信技术来有效的统筹，结合不同的交通要素来提高交通系统的效率和安全性成为了一个比较火热的研究方向。现代科技和人工智能的发展也为交通要素研究提供了新的机会，轨迹分析是人工智能中的一个重要领域，它依托于计算机视觉，机器学习等技术来研究移动物体的运动轨迹，并利用这些信息来做出推断和预测，为交通运行的效率提升提供了数据支撑[1-3]。

1 研究背景

1.1 智慧交通的背景

2021 年2 月24 日，中共中央国务院印发了《国家综合立体交通网规划纲要》。纲要提出了建设现代化高质量国家综合立体交通网的发展目标。具体到2035 年，基本建成便捷顺畅、经济高效、绿色集约、智能先进、安全可靠的现代化高质量国家综合立体交通网，实现国际国内互联互通、全国主要城市立体畅达、县级节点有效覆盖，有力支撑“全国123 出行交通圈”和“全球123 快货物流圈”。同时提出了推进交通智慧发展，即加快提升交通运输科技创新能力，推进交通基础设施数字化、网联化；加快推进绿色低碳发展，降低污染物及温室气体排放强度，优化调整运输结构。此外，中国智慧交通政策还涵盖了智能化道路建设和管理，包括智能交通信号灯控制、路面智能监测、智能交通和路况信息发布等[4]。

1.2 智慧交通存在的问题

视频数据汇聚能力不足，随着城市不断发展以及视频资源的分散建设、设备选型、网络架构的差异，导致视频资源共享难的问题；视频智能化水平不足，除公安视频经过结构化解析外，大部分未进行视频智能分析，还是以人工监视为主，通过人眼发现各类违规事件，工作效率低。智慧交通系统需要大量的数据收集和分析，还需要使用先进的信息技术和通信技术，如物联网、大数据和人工智能。这些技术的研发和应用都需要相当大的投入。智慧交通系统需要大量的数据来进行监测和分析，这些数据来源多样，包括道路传感器、交通摄像头、GPS 和其他设备。这些数据需要进行清洗、标准化和整合，才能得到有用的信息。智慧交通系统需要保证数据和信息的安全性，避免数据泄露和非法使用。同时，智慧交通系统还需要保证车辆和行人的安全，防止意外事故的发生[5]。

在交通要素方面，智慧交通系统需要监测和管理交通流量，以确保道路使用效率和避免拥堵。需要保证交通安全，通过监测和预警交通事故，并采取必要的应对措施。需要维护和改善交通环境，减少空气污染和噪声污染。需要提高交通便捷性，通过提供实时交通信息和路况预测等服务来帮助出行者。需要促进交通可持续性，通过鼓励公共交通和绿色出行，减少交通对环境的影响。

2 交通要素

2.1 交通要素的概念

交通要素是指交通系统中的各种元素，如道路、交通信号、交通流量、交通安全等。这些元素之间相互关联，并对交通系统的运行效率产生重要影响。因此，研究交通要素对于提高交通系统运行效率和安全性具有重要意义。道路是交通系统中最重要的要素之一。它提供了车辆和行人运动的空间，并在交通流量中起着关键作用。道路质量的好坏直接影响着交通运行的效率，因此对道路建设和维护是非常重要的。此外，道路规划和设计也需要考虑到交通流量和安全性等因素，以确保交通系统能够高效运行。

2.2 交通信号

交通信号是另一个重要的交通要素。它能够控制交通流量，降低交通拥堵和事故发生的风险。交通信号系统需要根据交通流量和安全性等因素进行设计和调整，以确保交通系统能够高效运行。此外，交通信号系统还可以通过智能化控制来提高交通效率和安全性[6]。

2.3 交通流量

交通流量是交通系统中另一个重要的要素。它决定了道路使用率和交通效率。交通流量过大会导致交通拥堵和延误，而交通流量过小则会浪费道路资源。因此，对交通流量的监测和管理是非常重要的。此外，通过对交通流量数据分析，可以更好地了解道路使用情况和需求，从而更好地规划和管理道路网络。

2.4 交通安全

交通安全是交通系统中另一个重要的要素。它涉及道路交通事故的预防和处理。交通安全问题是全球性问题，因此需要采取有效的措施来减少交通事故发生。这些措施包括道路设计和建设、交通管理和监督、安全教育和倡导等。此外，通过对交通安全数据进行分析，可以找出交通安全问题的关键原因，从而采取有效措施来解决问题。

2.5 基础设施

还有一个重要的交通要素是基础设施建设。随着城市化不断加剧，基础设施建设对于支撑城市发展和提高城市居民生活质量具有重要意义。例如，基础设施建设包括道路、铁路、机场、港口等，它们是保障城市经济发展和社会进步的重要基础。而对于基础设施建设的规划和管理，需要综合考虑经济、社会、环境等因素，保证基础设施建设的可持续性。

3 轨迹分析

轨迹分析是人工智能中的一个重要领域，轨迹分析中运用的算法包括卡尔曼滤波、贝叶斯网络、隐马尔科夫模型等。这些算法可以用来处理复杂的运动数据，并进行目标跟踪、路径规划等。在城市道路中使用轨迹跟踪技术可以帮助收集有关车辆和行人运动轨迹的数据，从而更好地理解城市交通运行情况。常见的轨迹跟踪技术包括基于图像处理的方法和基于传感器的方法。前者通常使用摄像机或其他影像设备来捕捉车辆和行人的运动轨迹，后者则使用雷达、超声波或其他传感器来检测车辆和行人的运动。见表1。

表1 轨迹跟踪的分类

3.1 轨迹跟踪的方法和分类（表1）

不同的跟踪方法在准确率上是有差异的，但是准确率数值并不能简单地比较，因为这取决于应用场景和测试数据。在不同的场景中，某种方法可能会比其他方法更优。在跟踪评估中，通常使用多种指标来评估跟踪器的性能，如外部评估指标（如精度、召回率和F1 值）和内部评估指标（如跟踪失败率、跟踪消失率和跟踪稳定性）。通常，使用基准数据集来评估不同跟踪算法的性能，如VOT，OTB，TC128，UAV123，LaSOT 等[7]。在这些基准数据集上的结果，可以参考比较不同算法的性能。但是需要注意的是这些数据集的环境和场景都是固定的，实际应用场景可能会有所不同。因此，在选择跟踪算法时，需要根据应用场景和需求来确定最合适的算法。此外，跟踪算法的准确率也可能会随着技术的发展而提高，因此需要不断更新和改进跟踪算法。另外，在实际应用中，跟踪算法的准确率并不是唯一的评估指标，还需要考虑算法的实时性、稳定性等因素。

3.2 轨迹分析的系统功能架构设计（见图1）

图1 轨迹分析系统功能架构

4 轨迹分析系统的应用

4.1 基本应用方向

4.1.1 改善交通安全

轨迹跟踪技术可以用来研究城市交通流量、交通拥堵、交通安全等问题。例如，通过研究车辆和行人运动轨迹，可以用来分析哪些道路和路口更容易发生交通事故，从而帮助城市规划者采取措施改善交通安全。轨迹跟踪数据还可以用来评估城市交通管理政策的有效性。

4.1.2 优化公共交通

轨迹跟踪技术还可以用来评估城市公共交通系统的服务水平。例如，可以使用轨迹跟踪数据来研究公交车和地铁的运行情况，并评估它们的可用性、可靠性和效率。

4.1.3 提升交通友好性

轨迹跟踪技术还可以用来研究城市行人流量，并评估城市步行环境的安全性和可达性。通过对行人流量的研究，可以帮助城市规划者更好地设计城市步行环境，提高城市的步行友好性。

4.1.4 展示交通状况

轨迹跟踪数据还可以用来研究城市人口密度和交通流量之间的关系，帮助城市规划者更好地了解城市交通系统的运行情况。地图可视化也是常用的展示轨迹跟踪数据的方法，通过在地图上标记车辆和行人运动轨迹的位置，可以清楚地展示城市交通运行情况。

4.2 基本应用功能

以轨迹分析系统框架为基础，综合应用目标跟踪、目标检测[8]、目标分类等深度学习技术，进行不同交通要素之间动态和静态行为参数记录，并进行违规事件判定。本文从信号灯不正常显示等功能进行举例，列举轨迹分析系统的几个基础应用。见图2。

图2 轨迹分析系统基本流程架构

视频数据接入之后，根据不同的视频协议进行解码并最终进行固定格式的编码，将抽帧之后的数据进行结构化模块的推理，分析提取目标场景中的人车非信息、道路资产信息（红绿灯、护栏、斑马线等）、目标特征并进行分类存储。针对不同目标进行动态和静态两种维度的状态分析，结合事件的判定逻辑输出告警信息，从而完成闭环发现和处置流程。

4.2.1 道路资产信息的静态维度分析

信号灯不正常显示检测流程见图3。

图3 信号灯不正常显示检测流程图

检测步骤：

①获取当前周期内的道路资产信息。

②根据红绿灯的位置和大小信息，进行红绿灯区域的roi 区域抠图。

③利用图像灰度直方图和MobileNet 颜色分类模型的推理数据进行分析，如果存在长时间熄灭、闪烁混乱现象，则输出红绿灯显示异常事件。

4.2.2 道路资产信息的静态维度分析

行人翻越护栏检测流程见图4。

图4 行人翻越护栏检测流程图

检测步骤：

①获取当前周期内道路资产信息和行人轨迹信息，记录护栏位置和行人位置。

②根据行人轨迹信息进行行人行为预测。

③通过行人轨迹信息更新和预测，判定行人与护栏是否发生交互行为，若存在设定的交互行为则进行告警。

4.2.3 人车非信息的静态维度分析

机动车违停检测流程见图5。

图5 机动车违停检测流程图

检测步骤：

①获取当前车辆的轨迹信息并记录车辆编号。

②根据设定的时间间隔进行车辆位置更新，并同时进行是否同一目标的确认。

③设定违停时刻，若车辆停止时间超过设定阈值则进行报警。

4.2.4 人车非信息的动态维度分析

机动车不礼让行人检测流程见图6。

图6 机动车不礼让行人检测流程图

检测步骤：

①获取当前车辆和行人的轨迹信息，标记道路中的斑马线位置。

②根据设定的时间间隔进行车辆和行人位置更新，进行不同目标的行为预测，判定是否存在时空交集。

③根据预测的时空交集最终阈值进行异常行为感知和告警。

4.2.5 其他违规行为检测

针对不同的违规行为检测，也做了大量工作，从数据采集数量和场景把控，到训练模型参数的细微调整，最终可以在不同光照条件和复杂应用场景下完成违规事件感知、发现、告警一系列流程，多场景下准确率达93%以上，在Tesla T4 上测试平均速度可达41.26ms。见图7、图8、图9。

图7 检测模型的平均损失曲线

图8 分类模型的平均损失曲线

图9 PR 曲线

同时，针对比较复杂的道路场景，为了精准地分析特定车辆的特征和时空行为需要对其进行连续地分析，同时为了高效地分析该对象这里使用了多目标跟踪技术DeepSort，为了提高跟踪的精度，拟加入三个方面的优化：优化一，在Sort 的级联匹配后加入IOU 二次匹配机制提高对象的初始跟踪能力；优化二，修改级联匹配中外观Reid 特征相似度的计算方式和卡尔曼滤波的运动特征更新方式，降低ID 切换的错误率；优化三，以跟踪轨迹对象的检测框代替跟踪框提升该对象跟踪的稳定性。在跟踪过程中可以记录其行进的轨迹，并结合其他深度学习模型获取后续分析所需要的类别、属性等特征，由于每个跟踪对象都有唯一的标识，因此达到了对象行为分析去重的目的。

最终，为了优化平台后端搭建和响应时间，在算法Pipeline 的搭建过程中，需要使用多种算法模型，为了提高程序的整体效率首先将各个功能进行模块化并进行单独优化，这里引入了跟踪模块、检测模块、分类模块和逻辑分析模块，在模型推理加速方面使用了TensorRT 优化，使用FP16 进行推理加速，不仅降低模型的资源占用而且提高模型的推理速度，而且使用动态Batch 和多线程技术来进一步提升程序的执行效率，从而更高效地进行状态和事件的反馈。预防交通事故和交通隐患的发生。

5 结束语

总之，交通要素是影响城市交通系统运行效率和安全性的重要因素，而轨迹跟踪技术可以提供有关交通要素之间关系的重要信息，帮助城市规划者更好地管理城市交通。在未来，交通要素和智慧交通的研究将继续发展，并不断提高交通系统的运行效率和安全性。我们将继续深入研究各种交通要素之间的关系和影响，并继续探索新的研究方法和技术来平衡不同交通要素之间的联系，从而实现流量与安全、环境与安全、便捷性与可持续性的多方位融合。