基于深度学习的高速公路视频事件检测系统分析

杨常华

(山西省信息产业技术研究院有限公司, 山西 太原 030012)

视频事件检测是一种基于机器视觉的车辆检测和跟踪技术，现阶段国内高速公路视频事件检测算法，基本以模式识别为主，但是由于高速公路路况复杂，雨、雪、雾等恶劣天气、日照光影变化、视频画面抖动(如路基震动引起的高杆摄像机震动)等现象的影响，都会对模式识别算法产生很大干扰，造成采用传统算法的视频事件检测系统在实际使用中频繁产生误报、漏报现象，影响系统的正常监测功能。

1 基于深度学习的高速公路事件检测系统

近年来，随着人工智能技术的发展和引入，高速公路行业也已经出现基于深度学习技术的视频事件检测系统。深度学习的概念源于人工神经网络的研究，含多层的多层感知器就是一种深度学习结构，深度学习通过组合低层次特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。基于深度学习的高速公路视频事件检测系统，就是以人工构造的一套神经网络为基础，预先使用海量不同类型车辆、行人、非机动车的图片素材对神经网络进行训练，由神经网络自动总结出不同目标的特征和规律，从而在实际使用时对视频中的目标进行准确识别和分类，再结合其他算法对车辆轨迹、行为进行分析判断，从而实现对各类异常交通事件，如车辆违停、逆行、占用应急车道、拥堵、行人/非机动车进入、抛洒物等的准确识别，并进行实时告警、录像。

1.1 系统架构

基于深度学习的视频事件检测系统以高速公路监控系统数字视频作为输入，通过对视频的实时分析为道路安全、畅通运行提供帮助，系统主要由外场摄像机、视频传输网络、深度学习功能视频事件检测器、用于交通信息管理的计算机等组成。系统结构图见图1。

图1 深度学习视频事件检测系统结构图

深度学习视频事件检测系统采用后端检测方式，道路沿线摄像机视频图像通过视频传输设备以网络视频流方式传输至就近隧管站(或收费站)，可在隧管站就地进行视频检测，或通过视频传输网络将视频进一步汇聚到监控中心，在监控中心进行集中视频检测。

1.2 系统功能

提前采集高速公路不同场景(包括主线、匝道、隧道、收费站、服务区)、不同季节、不同天气、不同时段、不同地域、不同拍摄角度等多种场景下的车辆、行人、非机动车等目标图像素材，素材量至少达到十万级别以上。再利用人工构造的一套神经网络对这些素材进行反复学习，并检验识别准确率，待准确率达到一定程度，便可得到一套可用的目标识别模型。随着素材的不断采集和积累，该识别模型还可以不断迭代学习，逐步提高识别准确率。见图2。

图2 高速公路主线、匝道、隧道、收费站等不同场景

从上述过程可以看出，利用深度学习算法，学习时提取和总结的是目标特征和运动规律，识别时也是利用目标特征和运动规律进行识别，与画面背景无任何关系，因此可以不受画面背景变化干扰(如画面抖动、光影变化、异物掠过等)。并且在实际使用中，还可对识别错误的样本进行再训练，不断提高识别的准确率。见图3。

图3 目标识别不受背景变化干扰

2 系统面临的问题与发展

2.1 面临的问题

一是部分高速公路监控视频图像质量不佳，依然沿用标清摄像机，且使用年限久远，画面模糊、偏色、虚焦现象严重，人眼分辨目标都相对困难。除此之外，更为常见的是外场道路夜间图像采集问题，由于外场道路夜间基本无照明，使用的监控摄像机也基本不带任何补光，夜间图像采集效果很差，只能依靠车灯光分辨车辆，而且当画面中正对车头的行车方向有车辆驶过时，还由于受车辆远光灯照射影响，画面出现白色光斑，更加影响分辨。对于上述这些实际场景，无论是AI算法还是传统算法，在画面质量本身较差的情况下，都很难实现高准确率的检测。但我们也看到，全国高速公路视频监控系统都在陆续进行高清化改造，红外补光、激光补光、甚至热成像等夜间视频采集手段也有所应用，视频监控系统一定是由“看得见”往“看得清”的方向发展，最后再由人工智能等技术手段使其能够“看得懂”。

二是在应用深度学习方法进行视频事件检测时，样本数据库的多样性起着非常重要的作用，在大量数据中不断的学习和训练，才能达到一个满意的识别准确率并不断提高。而目前，能够获得的高速公路视频数据资源还比较分散，数据差异性也较大，即使几十万张的素材量也无法涵盖全国高速公路不同条件下的场景，数据采集仍有大量工作要做。另一方面，采集来的数据，深度学习神经网络不具备自主学习能力，需要由数据标注工程师对数据进行标注(标注出素材画面中不同的车辆类型和位置)，这一过程就像是需要“老师”整理好“教材”再给“学生”学习一样，需要大量人员投入，且是一个漫长的过程。

三是深度学习技术虽然在目标识别和分类的准确率上比传统算法有了质的提高，为视频数据的结构化提供了帮助，但我们要看到现阶段人工智能完成的这类工作还较为基础，只是对画面中的目标进行检测，并对应输出量化了的信息和数据，如车辆行为、车流量、车辆速度、车辆占有率等，而将这么多结构化数据组合起来，用于对交通状况的综合研判和预测，用于对异常事件处置流程的改进和增效，甚至是直接提出交通管理改进措施等，还停留在浅层次。真正的人工智能不只是取代人员的部分繁琐工作，更应该为管理者提供辅助决策依据和建议。

2.2 未来发展与趋势

基于深度学习的视频事件检测系统作为智慧高速公路的重要组成部分也在不断地更新和发展，其在事件检测的准确率上已经完全超越了传统算法的视频事件检测系统，但其定位不能只局限于事件检测，而是通过对高速公路监控视频内容的不断分析，能够比监控人员感知到更多有价值的结构化数据，并将这些数据在空间上形成关联，实时呈现整个路段甚至是路网的交通状况，提示造成异常交通状况的原因；再将这些数据在时间上形成关联，又可以分析出交通状况渐变、突变规律，对未来交通状况做出预测，如易拥堵时段/路段、事故高发时段/路段等，辅助管理者提前做好分流诱导措施和应急响应预案。

基于深度学习的视频事件检测系统的精度会随着所应用的网络结构深度的增加而提高，但同时也极大地增加了算法的计算量，降低了模型的实时性，因此可以通过对模型的压缩进行研究，在保持精度的前提下有效减少模型的大小，以提高算法的运算速度，降低硬件配置要求，有效地节约应用成本。

在应用形式上，要根据深度学习的特点，利用互联网、云计算等相关技术整合高速公路现有各类数据资源，为视频事件检测系统提供深度学习的海量资源，不断积累各种条件下的“经验”，并在系统之间进行“经验”共享，以使系统能不断完善提升，能力更强、效率更高。

3 总结

综上所述，基于深度学习的高速公路事件检测系统与传统的视频事件检测系统对比具有以下优点：背景对比升级为目标识别、行为识别，多场景海量数据的训练保证了对交通参数和事件的精准感知；除对交通事件进行识别外，还对不同监控点的交通参数进行全面采集，并关联起来形成对路段、路网交通状况全面、实时的展现和分析；兼容各类视频设备或平台，多系统联动能力强，适应性高。通过在视频事件检测中引入人工智能深度学习技术，有效地弥补了传统模式识别技术的不足，为提高高速公路管理效率，保障高速公路安全通行，构建真正意义上的“智慧”高速公路奠定了坚实基础。