摘要：隨著視頻監(jiān)控技術(shù)在道路安全應(yīng)用的迅猛發(fā)展，為實(shí)現(xiàn)高速公路智能化管理，提出一套面向高速公路的車輛視頻監(jiān)控分析系統(tǒng)。通過對(duì)監(jiān)控視頻流中的車輛進(jìn)行檢測(cè)和跟蹤，進(jìn)一步實(shí)現(xiàn)高速公路相關(guān)車輛監(jiān)測(cè)應(yīng)用。提出了基于雙向金字塔多尺度融合的輕量級(jí)車輛檢測(cè)跟蹤算法，基于YOLOv3在主干網(wǎng)絡(luò)上使用輕量級(jí)網(wǎng)絡(luò)fficientNet，并且利用雙向特征金字塔網(wǎng)絡(luò)進(jìn)行多尺度特征融合，使得算法在保證檢測(cè)實(shí)時(shí)性的同時(shí)提升檢測(cè)準(zhǔn)確度。通過采集高速公路監(jiān)測(cè)視頻，構(gòu)建了一個(gè)多場(chǎng)景高速公路車輛目標(biāo)數(shù)據(jù)集。在此數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，所提出的算法檢測(cè)精度達(dá)97.11%，高于原始YOLOv3檢測(cè)算法16.5%，并且結(jié)合DeepSORT模型在車輛跟蹤上以31幀秒實(shí)時(shí)運(yùn)行。同時(shí)，該車輛監(jiān)測(cè)系統(tǒng)可在車流量統(tǒng)計(jì)、交通異常事件檢測(cè)領(lǐng)域進(jìn)行多路實(shí)時(shí)監(jiān)測(cè)，具有實(shí)際應(yīng)用價(jià)值。

　　關(guān)鍵詞：高速公路視頻監(jiān)控;車輛監(jiān)測(cè);目標(biāo)檢測(cè);目標(biāo)跟蹤;多尺度特征融合

　　在高速公路管理中，保障道路交通的穩(wěn)定和暢通是重中之重，然而高速公路車輛異常事件如違法停車、交通擁堵等時(shí)常發(fā)生，極大程度影響高速公路暢通與安全，目前高速公路車輛監(jiān)測(cè)則多停留在基于全球定位系統(tǒng)(GPS)的位置信息監(jiān)測(cè)[1]，以及事故后調(diào)取視頻行車記錄進(jìn)行取證還原上。此方法由于信息傳輸延遲，缺乏交通車輛監(jiān)測(cè)的實(shí)時(shí)性和準(zhǔn)確性。隨著我國(guó)高速公路視頻監(jiān)控規(guī)模的迅速擴(kuò)大，已經(jīng)基本實(shí)現(xiàn)路網(wǎng)視頻監(jiān)控全覆蓋，因此，利用監(jiān)控視頻實(shí)現(xiàn)車輛監(jiān)測(cè)可提升高速公路智能化管理水平，即通過監(jiān)控?cái)z像頭采集視頻流數(shù)據(jù)，并對(duì)視頻流中的車輛進(jìn)行檢測(cè)和跟蹤，實(shí)現(xiàn)交通車輛監(jiān)測(cè)應(yīng)用。

　　公路管理論文范例： 高速公路隧道機(jī)電工程施工質(zhì)量控制要點(diǎn)探析

　　近年來(lái)，隨著計(jì)算機(jī)硬件發(fā)展和運(yùn)算力的提高，尤其是圖形處理器(GPU)的廣泛應(yīng)用，研究學(xué)者利用深度學(xué)習(xí)方法會(huì)車輛進(jìn)行檢測(cè)和跟蹤[24]，使得高速公路場(chǎng)景下的車輛監(jiān)測(cè)更準(zhǔn)更快更智能化。目前，基于智能視頻分析的高速公路車輛檢測(cè)與跟蹤面臨以下幾個(gè)問題：(1)車輛實(shí)時(shí)性檢測(cè)要求高，由于高速公路交通流量檢測(cè)和異常事件等車輛檢測(cè)信息需要實(shí)時(shí)的反饋，并且要求同一平臺(tái)運(yùn)行多路監(jiān)控視頻，因此對(duì)目標(biāo)檢測(cè)算法的速度和效率都要求較高，需要完成實(shí)時(shí)的檢測(cè)和跟蹤以確保及時(shí)的高速路況反饋;(2)車輛尺度變化大，由于高速公路場(chǎng)景中存在車輛由近及遠(yuǎn)、由遠(yuǎn)及近等車輛尺度變化的情況，且車輛目標(biāo)在圖片的不同位置會(huì)有明顯的形變，同一車輛目標(biāo)在攝像頭畫面邊緣位置會(huì)發(fā)生明顯的大小形變，會(huì)影響小目標(biāo)的檢測(cè)和跟蹤精度;(3)場(chǎng)景變化大，由于高速公路監(jiān)控的架設(shè)場(chǎng)景不同，攝像頭視角和高度也會(huì)存在差異。場(chǎng)景變化對(duì)檢測(cè)算法的影響較大。面向高速公路的車輛視頻監(jiān)控分析方法的基礎(chǔ)包括目標(biāo)檢測(cè)、跟蹤等技術(shù)。

　　目前，目標(biāo)檢測(cè)技術(shù)已經(jīng)有著廣泛而成熟的應(yīng)用，主要有一階段算法和兩階段算法兩大類別，一階段算法從圖像直接預(yù)測(cè)目標(biāo)，速度較快但精度較低;兩階段算法先在圖像上產(chǎn)生可能包含目標(biāo)的候選框，再對(duì)候選框進(jìn)行修正，該類算法精度高但速度較慢，以區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(RegionConvolutionNeuralNetwork，RCNN)系列[57]為代表。一階段算法YOLO檢測(cè)算法[8]憑借其檢測(cè)速度塊且不失準(zhǔn)確率的優(yōu)點(diǎn)目前被廣泛應(yīng)用于目標(biāo)檢測(cè)領(lǐng)域中。特別是YOLOv3[9]，其主干網(wǎng)絡(luò)darknet53特征提取性能強(qiáng)大，檢測(cè)精度有了很大提升，成為目標(biāo)檢測(cè)領(lǐng)域精度和速度都表現(xiàn)較好的算法。雖然YOLOv3對(duì)在檢測(cè)精度上表現(xiàn)優(yōu)異，但是其主干網(wǎng)絡(luò)DarkNet53仍包括53層卷積層，巨大的計(jì)算量和參數(shù)量會(huì)影響實(shí)際高速公路車輛監(jiān)測(cè)實(shí)時(shí)性。

　　YOLOv3tiny[9]是一種低參數(shù)量的檢測(cè)方法，只需34.7MB的儲(chǔ)存空間，有訓(xùn)練速度快、訓(xùn)練時(shí)所需顯存少、檢測(cè)速度快等優(yōu)點(diǎn)。但YOLOv3tiny對(duì)圖像的深層特征的提取能力較弱，泛化能力較差，尤其是對(duì)多場(chǎng)景變化以及尺度變化較大的物體檢測(cè)效果不理想。

　　為解決實(shí)時(shí)性，在特征提取主干網(wǎng)絡(luò)上，筆者將主干部分特征提取網(wǎng)絡(luò)替換成EfficientNet[10]輕量級(jí)網(wǎng)絡(luò)，其為一個(gè)可以平衡縮放網(wǎng)絡(luò)輸入圖像分辨率、網(wǎng)絡(luò)寬度和網(wǎng)絡(luò)深度的模型，其減少了模型參數(shù)量，增強(qiáng)了其特征提取能力，使網(wǎng)絡(luò)處于高效、平衡的狀態(tài)。高速公路監(jiān)控場(chǎng)景多樣，拍攝角度也不盡相同，存在車輛在監(jiān)控畫面中的不同位置尺度不同的情況，如何有效地表示和處理多尺度特征是目標(biāo)檢測(cè)中的主要難點(diǎn)，因此在檢測(cè)車輛時(shí)需進(jìn)行多尺度特征融合。

　　LIN等[11]提出了特征金字塔網(wǎng)絡(luò)(FeaturePyramidNetworks，F(xiàn)PN，該方法將神經(jīng)網(wǎng)絡(luò)中更抽象的頂層特征進(jìn)行上采樣，并通過橫向連接將其與神經(jīng)網(wǎng)絡(luò)前向傳播過程中生產(chǎn)的相同大小的特征圖進(jìn)行融合，在基本不增加計(jì)算量的情況下，提高了模型對(duì)小物體的檢測(cè)能力。在FPN的基礎(chǔ)上LIU等[12]提出PANet，PANet在FPN原有的結(jié)構(gòu)上添加了一條自底向上的路徑聚合網(wǎng)絡(luò)，進(jìn)一步提升了效果，但PANet的參數(shù)量和計(jì)算開銷都比較大。

　　以上這些融合FPN都只是簡(jiǎn)單地上采樣后將特征相加，沒有考慮不同分辨率特征貢獻(xiàn)程度的差。在多目標(biāo)跟蹤算法方面，基于匈牙利算法的后端追蹤優(yōu)化算法，如SORT[13]、DeepSORT[14]算法，能夠滿足實(shí)時(shí)跟蹤的要求，其中DeepSORT算法在SORT算法的基礎(chǔ)上，通過提取深度表觀特征明顯提高了多目標(biāo)的跟蹤效果。綜上所述，筆者提出并應(yīng)用于面向高速公路的車輛視頻監(jiān)控分析系統(tǒng)，主要?jiǎng)?chuàng)新點(diǎn)如下：

　　(1)提出實(shí)時(shí)、高效地高速公路車輛監(jiān)測(cè)系統(tǒng)，通過分析高速公路監(jiān)控視頻，以車輛檢測(cè)跟蹤為基本算法可完成車流量統(tǒng)計(jì)、交通異常事件檢測(cè)等事件，實(shí)現(xiàn)面向高速公路的車輛視頻監(jiān)控分析系統(tǒng)，達(dá)到高速公路實(shí)時(shí)高效智能化車輛管理的目的;(2)為解決高速公路車輛監(jiān)測(cè)中的場(chǎng)景多變、多尺度目標(biāo)檢測(cè)問題，同時(shí)兼顧車輛檢測(cè)的精度和速度，本文提出基于雙向金字塔多尺度融合的輕量級(jí)車輛檢測(cè)跟蹤算法，使用EfficientNet輕量級(jí)網(wǎng)絡(luò)，實(shí)現(xiàn)了檢測(cè)模型的輕量化和目標(biāo)檢測(cè)實(shí)時(shí)性;同時(shí)增加雙向特征金字塔網(wǎng)絡(luò)對(duì)原模型多尺度融合模塊進(jìn)行優(yōu)化，利用跨尺度連接和加權(quán)特征融合在參數(shù)量更小的情況下實(shí)現(xiàn)對(duì)多尺度車輛的檢測(cè);(3)依據(jù)真實(shí)視頻數(shù)據(jù)提出構(gòu)建了一個(gè)包含不同交通場(chǎng)景的車輛目標(biāo)數(shù)據(jù)集，場(chǎng)景包括高速公路白天、高速公路傍晚、高速公路低能見度、高速公路收費(fèi)站以及隧道視角，以驗(yàn)證高速公路監(jiān)控場(chǎng)景變化問題。

　　1面向高速公路的車輛視頻監(jiān)控分析系統(tǒng)

　　為解決高速公路實(shí)時(shí)智能化車輛監(jiān)測(cè)，筆者提出的面向高速公路的車輛視頻監(jiān)控分析系統(tǒng)，該系統(tǒng)主要分為高速公路數(shù)據(jù)采集與輸入模塊、車輛監(jiān)測(cè)主模塊和應(yīng)用模塊，下面對(duì)每一模塊功能進(jìn)行介紹。

　　數(shù)據(jù)采集與輸入模塊：通過高速公路上的監(jiān)控?cái)z像頭拍攝視頻，采集實(shí)時(shí)視頻流數(shù)據(jù)，并將視頻流數(shù)據(jù)以連續(xù)幀序列的結(jié)構(gòu)輸入車輛監(jiān)測(cè)主模塊;車監(jiān)測(cè)主模塊：即基于雙向金字塔多尺度融合的輕量級(jí)車輛檢測(cè)模型，包含車輛檢測(cè)模塊和車輛多目標(biāo)跟蹤模塊，車輛檢測(cè)模塊采用多尺度融合的輕量級(jí)車輛檢測(cè)方法對(duì)輸入的連續(xù)幀序列進(jìn)行車輛檢測(cè);將車輛檢測(cè)模型輸出的每輛車候選框大小和位置信息為輸入至車輛跟蹤模塊，采用DeepSORT多目標(biāo)跟蹤方法進(jìn)行跟蹤，得到連續(xù)幀內(nèi)車輛的坐標(biāo)、軌跡信息;應(yīng)用模塊：結(jié)合車輛檢測(cè)和跟蹤的所得到的信息，采用虛擬線設(shè)置技術(shù)進(jìn)行車流量統(tǒng)計(jì);采用車輛坐標(biāo)及軌跡變化進(jìn)行高速公路異常事件的判斷。

　　2基于雙向金字塔多尺度融合的輕量級(jí)車輛檢測(cè)跟蹤模型

　　在車輛監(jiān)測(cè)主模塊，提出了基于雙向金字塔多尺度融合的輕量級(jí)車輛檢測(cè)跟蹤算法，以達(dá)到實(shí)際高速公路場(chǎng)景的應(yīng)用要求。針對(duì)高速公路監(jiān)控?cái)z像頭拍攝畫面中存在的拍攝視角多樣、高速公路場(chǎng)景多樣、車輛尺度變化等問題，提出了基于雙向金字塔多尺度融合的輕量級(jí)車輛檢測(cè)跟蹤模型。

　　3實(shí)驗(yàn)與結(jié)果分析

　　3.1數(shù)據(jù)集的構(gòu)建

　　為驗(yàn)證筆者所提出的高速公路車輛監(jiān)測(cè)系統(tǒng)的有效性以及算法的實(shí)時(shí)性和準(zhǔn)確性，構(gòu)建陜西地區(qū)高速公路視頻監(jiān)控?cái)?shù)據(jù)集，包括繞城高速、西漢高速——終南山隧道等路段，其中西安繞城高速，位于靠近市區(qū)地區(qū)，車流量大、車速適中、攝像頭拍攝角度多樣等特點(diǎn);而西漢高速——終南山隧道，位于秦嶺區(qū)域，具有車輛種類多樣、車速快、隧道多等特點(diǎn)。該車輛監(jiān)測(cè)視頻數(shù)據(jù)集，場(chǎng)景包括高速公路白天、高速公路晚間、高速公路低能見度、高速公路收費(fèi)站以及隧道等視角，具有多場(chǎng)景變化的特點(diǎn)。

　　視頻總長(zhǎng)度達(dá)到273h，存儲(chǔ)總量達(dá)到了400GB。為建立多樣化數(shù)據(jù)集奠定了良好的基礎(chǔ)，對(duì)不同場(chǎng)景中的不同車輛按照VOC數(shù)據(jù)集樣式進(jìn)行了標(biāo)注。同時(shí)，為了驗(yàn)證車輛監(jiān)測(cè)系統(tǒng)在高速公路異常事件檢測(cè)應(yīng)用的準(zhǔn)確性，選取了98段包含異常停車事件的視頻、17段包含擁堵事件的視頻和57段包含逆行事件的視頻，并對(duì)每段視頻分別標(biāo)記異常事件標(biāo)簽，以作為異常事件檢測(cè)數(shù)據(jù)集。

　　4總結(jié)

　　筆者提出了一套面向高速公路的車輛視頻監(jiān)控分析系統(tǒng)，針對(duì)高速公路監(jiān)控場(chǎng)景中車輛檢測(cè)跟蹤的多尺度問題和檢測(cè)實(shí)時(shí)性要求設(shè)計(jì)了一種基于雙向金字塔多尺度融合的輕量級(jí)車輛檢測(cè)跟蹤算法，基于YOLOv3模型在主干網(wǎng)絡(luò)上使用輕量級(jí)網(wǎng)絡(luò)EfficientNet，并采用雙向特征金字塔網(wǎng)絡(luò)模塊進(jìn)行多尺度特征融合。

　　同時(shí)本文依據(jù)采集到的真實(shí)視頻數(shù)據(jù)構(gòu)建了一個(gè)包含不同交通場(chǎng)景的車輛目標(biāo)數(shù)據(jù)集，以解決多高速公路多場(chǎng)景問題。實(shí)驗(yàn)結(jié)果表明，YOLOv3EffiNet+BiFPN模型檢測(cè)精度達(dá)97.11%，高于原始OLOv3檢測(cè)算法16.5%，并且結(jié)合DeepSORT模型在車輛跟蹤上以31幀每秒的實(shí)時(shí)運(yùn)行。同時(shí)該車輛監(jiān)測(cè)系統(tǒng)可在車流量統(tǒng)計(jì)、交通異常事件檢測(cè)領(lǐng)域進(jìn)行多路實(shí)時(shí)檢測(cè)，具有實(shí)際應(yīng)用價(jià)值。

　　參考文獻(xiàn)：

　　[1]M.Almomani,N.Y.Alkhalil,E.M.AhmadandR.M.Jodeh,"UbiquitousGPSvehicletrackingandmanagementsystem,"2011IEEEJordanConferenceonAppliedElectricalEngineeringandComputingTechnologies(AEECT),2011,pp.16.

　　[2]S.Shruthi,"VehicleTrackingusingConvolutionalNeuralNetwork",LectureNotesinEngineering&ComputerScience,pp.10521055,2011.

　　[3]Y.Liang,Y.Li,K.ZhaoandL.Meng,"ObjectTrackingAlgorithmbasedonMultichannelExtractionofAHLBPTextureFeatures",2018InternationalConferenceonAdvancedMechatronicSystems(ICAMechS),pp.332336,2018.

　　作者：毛昭勇，王亦晨，王鑫1,2，沈鈞戈