基于雷视融合的交通事件检测技术探讨

摘要 近年来，随着信息技术的发展，道路交通事件检测的方法和手段也更加丰富，对提高道路交通管理效率、减少拥堵、提升交通安全水平具有重要意义。文章比较和分析了视频、雷达等事件检测技术的优势和不足，并对近年出现的雷视融合交通事件检测技术进行详细的探讨，从雷视融合的技术路径、系统功能等方面进行分析，为交通事件检测技术更好地应用于交通管理工作实际提供了思路。

关键词 雷视融合；交通事件；检测

中图分类号 U495 文献标识码 A 文章编号 2096-8949（2024）04-0027-03

0 引言

我国每年因交通事故造成的损失达数百亿元，为了预防和减少交通事故，及时有效地进行事故救援和处理，有效减少由于交通事故产生的交通延误及避免二次事故的发生，必须准确、快速地对交通异常和交通事件进行检测。

长期以来交通事件检测依赖于道路管理人员人工监视交通状况，发现交通事件，选择管控策略，效率低、工作量大，交通事件自动检测是交通监控系统发展的必然选择，视频、雷达等均在交通事件检测中有所应用。在实际工程实践中存在误报率较高、能见度不足无法使用等问题，需要不断探索更加高效、准确的交通事件检测技术适应大流量道路交通管理的需求^[1]。

1 交通事件检测概况

交通事件是指非周期性发生且使某段道路通行能力下降的事件，通常有交通事故、路面障碍、车辆故障、道路施工、道路封闭等。目前主要的事件检测方法有两种：

（1）视频检测法：主要通过视频和图像处理的方法完成对目标的跟踪、识别及交通流检测，采用视频分析方法直观感知交通运行状况（如交通流量、车流密度及道路使用状况等），主要存在的问题是在能见度不足、视线遮挡等情况下，无法对交通场景进行快速、准确、完整的微观层面的感知、分析与理解。

（2）雷达检测法：通过对主线上设置的雷达，采集点云数据，通过分析交通流参数的影响来检测事件的存在，由于存在大型车遮挡、静止物体难以发现等问题，仍然存在检测率低、误报率高等问题。

2 雷视融合交通事件检测技术探讨

下文分别分析视频事件检测和雷达事件检测的技术特点，并对雷视融合事件检测技术进行探讨。

2.1 视频检测技术分析

当前广泛应用的视频检测系统，以固定相机、云台相机、事件检测相机、车牌识别相机等为主要数据采集设备，根据实际环境和监控需要布设于不同位置，具有一定的覆盖范围。视频设备可以实现车辆检测、车辆识别、车牌识别、车辆跟踪、车辆定位、交通流量计算、车辆速度估计等功能及应用。具有以下优势：

（1）数据优势：视频设备以数字图像为载体，能够提供与人眼相同的直观感知数据，数据直观，数据形式便于人们理解。

（2）数据处理优势：采用图像处理、机器学习、人工智能等领域算法，能有效对交通目标开展精确的检测、定位、识别、轨迹提取、速度估计等信息计算。针对交通场景，视频数据形式和结构稳定，能够有效进行交通流量、车辆异常行为分析、排队长度等交通管理关键信息感知。视频处理方案和算法发展迅速，结果可靠稳定，数据量可控，易于并行处理，实际应用中可实现实时计算。

（3）管理与应用优势：视频检测系统方案成熟，管理软件易于开发。视频数据以像素三元组为载体，易于编码传输。视频设备成本低廉，设备可靠，系统管理中便于对违法违规事件进行证据留存。

傳统视频检测系统主要不足：

受安装环境限制和设备固有属性影响，气候、光照、抖动、环境因素等对视频数据处理结果造成影响。但随着稳健的人工智能算法的更迭，在有效视频数据获取的前提下，这些因素的影响逐渐弱化。

传统视频监测系统对检测近距离物体、小尺寸抛洒物体等检测精度较低，误报率较高。主要原因是检测近距离物体在视频数据中的形变较大、抛洒物事件发生概率低，造成事件样本量较小，这些情况难以有效建模进行检测，影响现有系统的精度。

2.2 雷达检测技术分析

常用雷达有激光雷达、超声波雷达、毫米波雷达。激光通过发射光束进行探测，因此探测范围窄，光束受遮挡后就无法正常使用，因此在雨雪雾霾天、沙尘暴等恶劣天气不能开启，受环境影响大。超声波雷达对高速运动具有测量局限性，误差较大，在异常天气条件下传播速度较慢。超声波散射角大，方向性较差，在测量较远距离的目标时，其回波信号会比较弱，影响测量精度。

毫米波雷达可根据实际需要布设于特定位置，采集的三维点云数据能够用于车辆类型识别、车辆定位、车流流量计算、车辆测速、车道占有率计算等功能及应用^[2]。具有以下优势：

波长介于厘米波和光波之间，毫米波兼有微波制导和光电制导的优点。同厘米波导引头相比，毫米波导引头具有体积小、质量轻和空间分辨率高的特点。

毫米波雷达也存在如下缺陷：

低视角情况下，毫米波雷达在安装角度较低的情况下，多普勒效应造成的影响加剧，数据抖动情况增加。同时受车辆遮挡的影响，检测精度降低，而视频分析方法只要能看到车辆的某些部分即可进行车辆的检测跟踪。

毫米波雷达因数据形式为点云数据，设备原理对运动物体更加有效，对停车事件、抛路物等静止物体的发现处理逻辑较复杂。同时，毫米波雷达无法感知设备标定需要的道路标线等先验信息，实际应用中的设备标定精度相较于视频设备而言表现较差。

2.3 雷视融合交通事件检测技术探讨

2.3.1 雷视融合检测技术的优势

视频与毫米波雷达联合具有如下优势：

（1）视频数据直观、易于理解、标定数据精度高。雷达点云数据不直观、不易提高标定精度。视频与雷达联合，有利于提高交通目标分析精度。

（2）视频在监控近端容易覆盖，在近场景具有高精度检测定位精度，在监控远端受制于图像分辨率，目标图像尺寸较小。雷达在监控近端无法覆盖，在近场景检测定位精度较差，在监控远端具有较大覆盖范围，数据存在抖动。视频与雷达联合，将扩大有效检测范围，数据精度和有效性达到互补。

（3）视频面向烟、灰尘、强光等条件相较于雷达检测效果较弱，雷达面向检测跟踪相较于视频而言数据抖动较大，视频针对遮挡效果相较雷达具有较大优势，视频与雷达结合能有效提升全天候、全天时、全过程的有效监测^[3]。

2.3.2 雷视融合事件检测系统功能

雷视融合目标跟踪：感知系统充分发挥毫米波雷达与视频检测的优势，结合雷视系统设备，在边缘端利用MEC边缘计算服务器进行融合，实现雷视融合全要素目标跟踪。

交通态势感知与可视化：雷视感知系统能够对交通态势进行精准实时感知，其中输出交通流数据包括交通流量、平均速度、占有率、车头时距、车间距等。

交通流态势分析：基于微观精细化单车数据，对交通流态势进行多维度分析。实时交通指数包括在途量、交通流量、平均时速、拥堵指数等；实时分段交通拥堵状态包括畅通、缓行、拥堵等级别；实时交通监测视频画面供对比参考。

交通事件极速上报：雷视感知系统能够对交通突发事件进行极速感知与捕获，感知事件类型包括交通拥堵、异常停车、违法变道、逆向行驶、超速、非法闯入等，事件检测精度≥90%（平峰期），事件漏报率≤5%，其中异常停车检测精度≥95%。

事件监测统计分析：融合所有雷视感知实时事件上报数据，结合地理信息，与里程桩号绑定，在上报事件的同时，提供桩号地点，便于中心指挥调度。对突发事件进行紧急报警并记录，为后续管理提供数据支撑；对事件类型、发生事件进行分类统计，为业务管理做决策支撑；事件历史回放，可查看历史事件，回放图片与视频，以二次确认。

数字孪生可视化：基于雷视融合感知、轨迹拼接融合等技术，实时采集全线的车辆运行轨迹，适配高精度地图，实现对车辆真实运动状态的数字实时再现，构建管理数字孪生系统，为管理者提供实时交通状态的“全局视角”。

2.3.3 雷视融合事件检测系统设计

通过设计基于视频和雷达目标检测的检测跟踪一体化深度学习模型，基于公开数据集、自建数据集和路段车辆目标数据样本训练模型参数，建立多移动目标检测、分类、识别与跟踪模型，并采用多帧关联计算方法降低计算成本，在完成目标检测跟踪的同时保证实际应用的计算实时性、有效性和可靠性。

通过集成毫米波雷达与高清摄像头的双源感知系统，可以对视频与雷达设备采集数据进行时空整合，对数据时间标签、图像数据坐标与雷达点云坐标进行时空标准化，开展视频与雷达数据对比分析，基于现有实验场地开展数据测试和分析。针对区域特点，设计具有针对性的建设和监测方案，开发设计雷视一体设备，开展数据分析与效果分析。

通过设计人工智能算法，完成车辆目标的检测、识别、分类及跟踪，为实现多个节点联动的交通移动目标检测跟踪提供基础。通过融合公开数据集、自建数据集和试点场景的交通目标数据，遴选关键帧图像，构建阴天、雨天等多种天气，多种光照条件和交通移动目标尺度形变的训练和测试数据集，通过设计基于视频和雷达目标检测的检测跟踪一体化网络并学习模型参数，对交通目标位置、类别进行计算，通过计算区域提取移动目标的静态描述，完成移动目标静态特征建模，为多节点联动的时空图构建提供数据基础。

根据视频与雷达数据分析，采用智能检测技术对非法占用应急车道、压线、逆行、违停等异常行为进行检测发现、证据存储及系统预报，对影响道路交通安全的抛路物进行检测和分析，再结合车辆轨迹信息和车型对车辆的驾驶行为进行分析，从而对超速、龟速行驶、长期低速占用超车道、跟驰风险指标、急加减速、频繁加减速、蛇形驾驶、频繁换道等指标进行计算，提供管理关键参考信息。

利用多节点相机和雷达联动的全时空轨迹重建信息，基于全时空轨迹开展事件检测，融合多源数据与全过程轨迹数据，开展交通运行安全态势感知，在复杂交通运行条件下也能精准监测交通事件，改善事件检测系统误报、多报和漏报问题。

系统方案设计可采用“云—边—端”一体化的“AIoT：大数据微应用”架构，包含终端设备层、边缘计算层、云控平台层三层架构。终端设备层将兼容主流通信协议，支持多种设备的“统一接入、统一控制”，打破设备数据碎片化、业务烟囱化、流程孤岛化现状。边缘计算层将部署边缘计算网关，实现“数据层层聚合、算法分布式执行”，有效保障关键业务处理的实时性、海量业务处理的全面性。云控平台层将支撑统一云控平台建设和设备联动管控，落地“大数据中台化，各业务微应用化”，灵活解耦了数据、模型与应用，实现各功能模块化可插拔可升级。

考虑单台设备检测距离有限，为有效解决多目标跨设备跟踪检测等问题和全域交通流数据采集及多目标监测问题，可通过多路多源目标级联算法处理，多部路侧感知设备级联安装，基于深度运动建模网络，引入视频片段时间戳作为输入，使用卷积对特征处理器进行处理，通过设计交通移动目标运动信息网络、类别判别网络和可视化网络三个分支，组建基于卷积网络的多目标跟踪模型和算法，从而获得监控结点移动目标运动轨迹。结合交通场景的视频和雷达标定参数，计算移动目标在现实世界的三维运动轨迹和时间信息，并构建移动目标的动态信息和特征描述，通过时间和车辆行驶方向距离为坐标空间参照，完成车辆全轨迹重建和时空图构建。

多结点联动监控需要解决交通移动目标的拓扑结构匹配和静态特征匹配问题，从而得到面向整体的车辆目标大范围轨迹，以形成多个结点联动的时空图，用以描述多个目标在较大范围的精细化运动信息。实际交通中多个移动目标间拓扑关系具有一定的空间一致性，因此可以利用相机时间标签和空间一致性这一特点，经过时间配准之后根据各时空图片段与盲区位置，按时间先后、距离远近原则对多个时空片段进行排序，实现相邻相机的时空图匹配，结合非覆盖区域的轨迹补全信息，可以获得移动目标的全运动过程运动路线，完成多个结点联动的时空图融合。如图1所示为该项目多结点联动时空图融合技术示意图。

3 结语

中国人均汽车拥有量快速发展，路网交通流量也迅猛增加，交通拥堵已给人们的生产、生活带来了较大的困扰，道路管理者迫切需要智能、高效的管理系统辅助交通管理，提升交通事件的处置效率，减少事件带来的拥堵时间，改善人们的交通出行体验。该文结合目前工程实际应用状况，分析了交通事件检测的各类技术优势和不足，对雷视融合的事件检测技术进行探讨，为交通事件自动检测技术研究和应用提供参考。

参考文献

[1]胡萌. 基于AI机器视觉的公路交通感知关键技术研究及应用[J]. 交通科技与管理， 2023（8）： 7-9.

[2]刘玉超， 梅亨利， 王景. 车载毫米波雷达频率划分和产品现状分析[J]. 科技与创新， 2017（11）： 70-71.

[3]张博闻. 毫米波雷达在智慧高速中的應用[J]. 中国交通信息化， 2022（S1）： 279-280+298.

收稿日期：2023-12-12

作者简介：曹唯（1970—），女，本科，高级工程师，从事道路交通工程及沿线设施设计、咨询以及智能交通研究等工作。