基于全类型摄像机视频分析实现电动自行车违法监测的研究与应用

谢刚 董欢 高瑞山

1. 天津市公安局交通警察总队 天津 300000；

2. 北京市商汤科技开发有限公司 北京 100080

引言

电动自行车以其轻便、省时省力、价格低廉等优点，迅速成为中短距离出行的代步工具。近年来，天津市电动自行车保有量逐年上升，随之而来的是一些不容忽视的问题，部分电动自行车骑车人不遵守交通法规，不戴头盔、闯入机动车道、逆行、载人等多类违法行为时有发生，导致交通事故频繁发生。务须利用人工智能技术、大数据技术等发展成果，构筑以提升道路安全隐患感知能力、城市交通运行有序维护能力、电动自行车违法执法管控能力的智能化模型，通过科技手段助力管理智能化[1]。

1 现状分析

近年来，天津市电动自行车保有量逐年上升，每年增长率超过20%，当前全市电动自行车约有240万量。驾驶电动自行车上路的群体包括了多个群体，主要有上班族：单位在居住地附近，主要用来上下班代步之用；本地居民：主要用来出行、市场买菜、接送小孩；特殊行业：主要用来送餐、送货、送报纸、杂货等。其中，外卖车占了较大的比例。尤其是受疫情影响，外出就餐的人数大幅下降，相比之下，外卖的需求量大幅度提高。而无论是外卖、快递、短距离出行，电动自行车都是一个良好的“帮手”。

虽然电动自行车具备诸多优点，但部分电动自行车骑车人安全意识薄弱、不遵守交通法规，导致交通事故频繁发生。据统计，2019年天津市交通事故死亡人数比去年同期下降11.93%，但电动自行车事故占23.41%，同比上升6.13%。从现今的数据统计中不难看出，电动自行车安全行驶管理仍然有更进一步空间。

2 业务设计

数据采集：结合区域路段特点，选取接入前端摄像机，支持违停球、卡口、电警、普通相机等多类型设备。

模型分析：基于深度学习的计算机视觉算法对视图资源进行解析。

整改建议：针对监测的区域路段违法行为数据进行研判分析，结合道路基础设施情况，提供整改建议。

整改评价：针对进行整改区域路段进行监测，分析整改效果[2]。

图1 业务流程设计框架

3 分析模型

3.1 骑车不戴头盔

利用城市道路卡口或安装于电动自行车道摄像机，通过对监控视频流进行分析，首先识别车型是否为电动自行车，检测到电动自行车后识别驾驶员是否戴头盔，当识别出不戴头盔行为后，进行特征识别分析，包括人脸、人体属性等。通过人脸识别还原电动自行车驾驶员身份，以此做到精准管控。

3.2 逆行

电动自行车逆行检测算法对视频ROI区域范围内的电动自行车目标进行检测，并依据划定的行驶方向，判断电动自行车当前方向是否与划定方向是否一致，不一致时即输出违法告警信息。

3.3 闯入机动车道

通过机动车道之上电子卡口或电警相机，利用监控视频流进行分析，当识别到有电动自行车进入机动车道时进行图像截取，通过卡口摄像机的视频检测识别联动，分析电动自行车占道过程中的两张图片，采集电动自行车占道的违法全过程。

3.4 电动自行车载人

电动自行车作为最普通的交通工具，载人现象比较普遍，导致交通事故频繁发生。通过对监控视频流进行分析，首先识别车型是否为电动自行车，检测到电动自行车后统计车上人数，当人数超过限定要求后产生预警。

3.5 闯红灯

电动自行车闯红灯检测算法对路口视频监控划定ROI监控区域，并实时对监控范围内的电动自行车目标进行识别检测并缓存数据；并通过视觉识别方案实现场景内红绿灯颜色的识别，在红灯状态时间段内进行该视频监控点位内的电动自行车结构化数据筛选，发现红灯状态下对应摄像头监控场景内出现的电动自行车，即输出对应的电动自行车闯红灯告警信息[3]。

4 关键技术

为了实现对于电动自行车识别及行为判断，本模型采用视频结构化技术对视频流进行解析。从数据处理的流程看，视频结构化描述技术能够将非结构化的视频数据转化为人和机器可理解的结构化或者半结构化情报信息，并进一步实现视频数据向信息化、情报化的方向转化。视频结构化描述既是海量视频实现信息化、情报化转化行之有效的技术，也是当前交通管理领域中对视频结构化处理的一个指向性方案。在本模型所涉及的视频结构化描述的内容方面，关注的视频信息主要是：人员、电动自行车、行为。

4.1 视频流结构化解析服务

包括视频流解析任务管理和视频解析引擎，视频流解析任务包括结构化、计数、倒逆行、行人闯入等多种解析任务类型。视频解析服务获取视频接入服务发出的视频流，对视频流进行解码、帧提取、质量检测、车辆检测跟踪，事件研判等操作，将解析结果通过消息服务发送到智能平台中间件服务等进行后续应用。

图2 视频结构化解析流程设计

4.2 视频解析技术创新

智能视频分析技术质量的优劣对视频结构化描述影响巨大，为了能更好地进行视频结构化分析，智能视频分析面向如下三个方向进行创新：

4.2.1 视频前期处理：主要包括图像防抖动和图像增强。视频抖动主要成因是道路监控中高架安装方式带来较高频率的小幅抖动，视频防抖动能有效抑制智能分析中的误报和漏报，提高智能分析的准确率；图像增强是对视频源进行视觉改善处理，有效改善画质，提高图像的清晰度，使原本低质量的图像达到清晰可辨程度。

4.2.2 视频分析准确率提升：电动自行车类型和行为技术采用神经元网络方法，降低了网络模型的复杂度，减少了权值的数量。尤其是在网络的输入是多维图像时优点更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程，进而提升了更高分析准确率。

4.2.3 视频后期处理：主要包括图像复原和图像摘要检索等。图像复原就是综合利用超分辨率、去模糊滤波、变形矫正、色彩调整等对模糊视频进行处理，使之清晰可辨[4]。

5 实战案例

5.1 场景介绍

天津市文化中心区域聚集了天津儿童活动中心、天津科技馆、天津文化中心大剧院、天津图书馆、天津博物馆、天津自然博物馆等一系列的公共服务，日常通行车辆及电动自行车众多。尤其是节假日期间，诸多家长通过电动自行车搭载儿童前往游玩、学习。

图3 试点场景周边道路示意图

平江道、隆昌路属于通行主要路段。平江道路段为双向5车道，道路中心有隔离护栏，机非车道间无隔离设施；隆昌路段为双向6车道，道路中心无硬隔离，机非车道间无隔离设施。

5.2 成果说明

选取两条路段内摄像机进行电动自行车闯入机动车道、逆行、不戴头盔、载人等违法事件分析。经2周时间的运行监测，针对此区域路段进行了数据分析并整理事件分析报告提供给河西支队，建议增加警力巡逻、增加硬隔设置、加强公民平安交通意识宣传。

河西支队针对相关问题进行了研讨，针对隆昌路部分机非混行路段增设了硬隔离，在事件发生高峰时间段增强了警力投入。并且在文化中心区域进行了2次文明骑行宣传，经过一段时间的监测观察分析，整体违法事件大幅降低。

5.2.1 闯入机动车道。利用路段内违停电子警察实时动态分析，周平均统计信息如下：

图4 闯入机动车道整改前后告警数据统计对比

5.2.2 未戴头盔。利用路段内普通相机实时动态分析，周平均统计信息如下：

图5 未戴头盔整改前后告警数据统计对比

5.2.3 逆行。利用路段内违停电子警察实时动态分析，周平均统计信息如图6。

图6 逆行整改前后告警数据统计对比

6 结束语

本文所介绍电动自行车违法监控依托现有视频资源构建，利用AI技术进行赋能实现行为事件分析。基于区域特点灵活配置模型算法能力，动态监测区域内电动自行车违法行为。以此为依托，围绕交管业务中的人、非机动车、路的核心管理要素，探索基于人工智能快速有效消除道路交通运行隐患、减小交通事件影响范围和时间。业务模型构建充分利旧，不涉及大规模资源投入，并且对于现有业务运行无任何影响，未来可依托现有基础扩展分析场景。同时基于人、非机动车、路相关要素的运行数据积累及数据价值与关联应用，完成复杂警务高效处理，科学的研判分析，可为区域道路渠化、道路设施设置、交通安全宣传提供重要的佐证支持。