基于深度学习的车道级隧道交通参数视频检测系统研究

董辉 曹潺 张峻领

1. 中铁旸谷（北京）智慧科技产业有限公司 北京 100000；

2. 成都旸谷信息技术有限公司 四川 成都 610000

引言

近年来，随着城市经济的快速发展，各城市老城区存在发展空间和动力不足的问题。研究表明，车辆通行流量随车辆密度的增加而增大，达到峰值后，随车辆密度的增加而减少；事故发生风险亦然。因此，可采用合理的交通流量控制策略，合理控制隧道内的车辆密度可使通行效率最佳、事故发生概率最小。然而，所有交通流量控制策略均建立在隧道各个区段车流量和平均车速等交通参数采集的基础上。在当前隧道基础设施配置下，仅可通过车感器实现对出入口车流量统计，无法实现各区段通行特征的精确感知，因此为实现交通流量控制功能，有必要研究车道级交通参数检测系统实现交通流量智慧管控功能。

1 系统需求分析

交通参数包含车流量、平均车速、占有率，将检测精度划分为三个等级，精度要求如下所示，其中精度级别II和III主要用于交通状态的粗略估计，拥堵状态分区段颜色显示、整体通行状态评估等。交通流量控制采用模型估计的方法，并以交通参数作为模型计算依据，交通参数的检测精度对估计结果有较大的影响，因此该系统检测精度应不低于I级。

2 实施方案比选

（1）微波车辆检测器。微波车辆检测器是一种利用数字雷达波检测技术实时检测交通流量、平均车速、车型及车道占用率等交通数据的产品。采用侧挂式，在扇形区域内发射连续的低功率调制微波，通过反射波实现车辆计数，并根据特定区域的所有车型假定一个固定的车长，通过感应投影区域内的车辆的进入与离开经历的时间来计算车速。

（2）阵列雷达检测器。基本原理是应用“多普勒效应”，利用持续不断发射出电波的装置，当无线电波在行进的过程中，碰到物体时被反射,而且其反弹回来的电波波长会随着所碰到的物体的移动状态而改变。经由计算之后，便可得知该物体与雷达之间相对移动速度。

（3）视频分析仪。其原理是，通过采集视频图像识别视频中车辆，并分析车辆停止、逆行、行人闯入等交通事件以及车流量、车速等交通参数[1]。该系统主要应用于高速公路、普通公路，规范定义视频交通事件检测器或以交通事件检测为主、以交通参数检测为辅。当前的视频分析仪产品均以交通事件检测为主，交通参数检测存在检测精度低的问题。

以上三种方式均采用了不同的物理原理实现交通参数检测。综合对比，阵列雷达检测器虽检测精度高，但投资较高；微波车辆检测器投资相对较低，但存在检测精度低、误差大等问题。因此，若视频分析方式可满足使用需求，其优势明显高于其他技术方案。

3 视频分析算法研究

（1）车辆识别。本文采用物体检测算法实现视频图像中的车辆识别功能。物体检测算法是人工智能领域的一个重要分支，可借鉴的基础算法框架有FasterR-CNN、YOLO、MaskRCNN等，其中FasterR-CNN、YOLO消耗的计算机资源较少，计算速度较快，可实现实时检测，但在真实环境下的识别率相对较低；MaskR-CNN识别率较高，但计算机资源消耗较大，且计算速度慢，较难实现实时检测。本文作者首先采用FasterRCNN、YOLO进行测试，测试结果显示两种算法的检测精度均无法满足I级精度级别要求，而采用MaskR-CNN后车辆识别率高达99.9%（仅事故车辆出现漏检，识别率仍可提升）。因此，提高MaskR-CNN的计算速度成为重点。

（2）算法框架优化。MaskR-CNN论文原文[2]采用Tensorflow作为基础算法框架，并有部分计算过程采用内存计算。为提升计算速度，本文采用Pytorch框架对算法进行了重新改写，并将实时计算部分均移植到GPU中进行计算，对GPU的资源要求更高，但计算速度可得到大幅提升。

（3）训练样本数据。本文样本数据源自实际隧道的视频监控系统，通过采集大量的图像数据，并对5万辆通行车辆进行标注。标注过程中选取了不同隧道位置、视频角度、车辆类型等，以提高模型的识别能力。

（4）试验对比。本文试验采用实车测试方式，即，派遣真实车辆在隧道中以70km/h的速度匀速行驶，视频分析系统通过获取实时视频流检测派遣车辆的行驶速度。本次试验，最大误差11%，最小误差1.4%，平均误差6.09%，满足使用需求。

（5）相关事项验证。平均计算速度：平均单帧图像识别速度约为72ms，最大75ms，最小70ms，满足使用需求。

图像像素：本文主要采用720P的视频资源作为基础数据，经验证1080P同样满足要求，只需在获取图像后对单帧视频图像进行压缩处理即可，总体时间仍可控制在90ms以内。

4 结束语

本文结合智能交通管控的应用需求研究了基于深度学习的车流量和车速识别算法，基本满足应用需求，为智能交通管控系统的实现奠定了数据基础。由于实验数据有限，算法的实际验证并不充分，本文作者也将在后续研究中进一步通过实际数据验证以完善识别算法。