基于AI和云计算架构的智慧交通非现场执法综合检测系统设计
2019-05-14李强何均宏
□ 文 /李强 何均宏
研究目标
目前各地所建立的智能交通视频系统中，可通过云平台、深度学习算法，在违法检测的处理能力和检索能力上进行突破。
研究要求
基于云计算的技术架构，在数据的处理能力、数据的接入、处理满足可扩展与标准化的设计要求。
系统设计思路
系统采用分层设计，基于组件技术，实现分层解构，架构图如图1：
系统约束
· 采用云计算架构进行前端海量数据的分析；
· 模块化视频分析设计，满足云计算架构的软件体系部署；
· 标准化的接口定义，满足技术发展和后续持续开的技术要求；
模块设计
引入智能云计算技术，提供视频智能分析模块面向实战需求。该系统主要模块有：
▲图1 系统架构图
· 模块化视频分析设计，满足云计算架构的软件体系部署，其中算法模块管理，以算法池的方式体现；
· 图形识别、特征提取等深度学习算法研究与实现；
· 车辆检测、违法检测、车辆特征识别等智能交通行业应用。
系统数据接入及分析框架
基于华为FusionSphere云计算、FusionInsight AI平台和算法仓架构，部署Vion-Tech繁星行业算法及应用软件，处理集群数据流走向是基于storm流式数据处理架构设计，要对数据的接入、处理流程进行负载均衡。同时，由主节点自动控制组织各个服务节点的拓扑，实现服务节点的自动化部署。
原型搭建
首先，搭建了一套以GPU为核心的云平台，拥有极强的视频处理能力。
其次，从数据的接入格式、数据结构、输出数据结构都要进行预先定义，规范统一的输入、输出接口，以及其他数据形式等等，在软件结构上要规范交互接口标准。
再次，算法模块内部采用深度学习算法，在提高检测率、准确率的同时，用最少的硬件来对海量数据进行高效、快速、准确的检测分析，让旧系统并行增加功能，达到缓解社会交通问题的目的。
基于深度学习的交通违法检测算法设计
算法设计目标：实现四大类48种交通违法行为、事件检测
近年来，深度学习技术在包括目标检测在内的各计算机视觉任务上都取得了突破性进展，具备较高目标捕获率和正确识别率。基于目标轨迹跟踪、目标自适应、几何建模等最新人工智能技术，可同步实现四大类、48种常见交通违法行为、交通事件的检测抓拍功能。算法总体流程如图2：
基于深度学习的STD三层车辆检测方案设计
本系统通过三层识别的方法有效去除复杂场景下非目标物体的干扰，大大提高检测准确率和检测效率，具体的检测方法分为三层,如图3：
▲图2 视频违法分析流程图
第一层，对目标物体进行运动分析+背景建模。通过对目标物体建立若干个不同角度的模型，对场景内的目标进行粗略的检测。
第二层，对目标物体进行形状+纹理建模。通过对目标物体的形状以及纹理（颜色等）进行建模，去掉大部分形状。
第三层，采用端到端的卷积神经网络进行学习。
本系统三层处理结构，使得无论在何种光照下，图像空间的相对色差的纹理都可以保持稳定。
DTrack级联混合跟踪算法设计
目标跟踪模块是在车辆定位的基础上对时间轴上的图像信息进行密集采样，对已定位的车辆进行目标锁定，并对锁定的车辆进行实时跟踪，来计算出车辆的精确位置和车辆的运动矢量轨迹曲线图。
实时多变的外界条件，如天气、光照、运动物体的影子及混乱干扰的影响给运动检测带来了困难。我们设计了DTrack级联混合跟踪算法。
该算法包括多个级联层级结构，开始级别算法简单、速度快、处理的跟踪问题也较为简单，越往后算法越复杂、速度越慢、处理精度也越高。通过目标原型验证优化，大大降低错误跟踪，提高跟踪精度，速度也非常快。
基于CNN和度量监督的CMV车牌识别设计
车牌识别是基于图像分割和图像识别理论，主要包括如下过程：
图像采集：通过高清摄像抓拍主机对卡口过车或车辆违章行为进行实时、不间断记录、采集。
预处理：图片质量是影响车辆识别率的关键因素，因此，需要对高清摄像抓拍主机采集到的原始图像进行噪声过滤、自动白平衡、对比度调整等。
车牌定位：车牌定位的准确与否直接决定后面的字符分割和识别效果。
字符分割：在图像中定位出车牌区域后，进一步精确定位字符区域。
▲图4 车牌识别网络设计
字符识别：对分割后的字符进行模式识别，就可以识别出输入的字符图像。
本系统采用基于GPU的云平台，本系统设计了一种端到端的的深度学习网络，只需收集足够多的样本，进行训练就能不断提升识别率，网络设计如图4：
通过自主学习等方式，自动提升算法性能，可以在大角度复杂光照下，也达到正常角度、正常光照下的效果，大大减少了人为工作。
违法检测、人车检测、事件检测功能说明
序号 功能车辆违法监测功能1 闯红灯违法抓拍2 不按所需行进方向驶入导向车道3 大货车禁行4 不礼让行人5-11 此处略
车辆及驾驶人信息检测1 车辆图像记录2 驾驶人面部特征记录3 摩托车图像记录4 危险品车辆抓拍5 渣土车辆抓拍6 新能源车辆监测7-19 此处略交通事件监测(18种，此处略)
测试结果
测试方法
前端通过100台原有电警抓拍单元进行车辆违法抓拍；同时把这100台电警抓拍单元的视频接入到后端测试设备，在相同视频源基础上，进行后端的车辆违法抓拍。
测试结果
违法抓拍功能种类对比表
指标 前端设备抓拍功能列表后端设备抓拍功能列表常规功能 闯红灯、跨线变道、压线、不按导向方向行驶、逆行、不按规定车道行驶闯红灯、跨线变道、压线、不按导向方向行驶、逆行、不按规定车道行驶扩展功能 无 非法掉头、越线停车、大货车禁行、路口滞留、大弯小转、不礼让行人、左转不让直行、右转不让非机动车、非法停车、抛洒物、拥堵检测、行人检测
常规功能抓拍测试结果
指标 前端设备抓拍 后端设备抓拍闯红灯、跨线变道、压线、不按导向方向行驶、逆行、不按规定车道行驶捕获数量汇总 950 1045有效数量汇总 923 956
扩展功能抓拍测试结果
＊ 注：扩展抓拍功能，前端测试设备有些功能尚不支持
指标 前端设备抓拍 后端设备抓拍功非法掉头、越线停车、大货车禁行、路口滞留、大弯小转、不礼让行人、左转不让直行、右转不让非机动车、非法停车、抛洒物、拥堵检测、行人检测捕获数量汇总 428 1590有效数量汇总 355 1490
应用结论及展望
本平台采用云计算、深度学习技术架构，统一和规范了流程与接口，在综合违法监测能力、数据的挖掘能力、处理能力和检索能力上进行了突破。对道路监控产生的视频数据进行了充分的二次利用，确保系统的可复用性，减少高成本智能前端的重复建设，可以创造巨大的社会效益。
