高速公路建设远程视频监控系统的设计与实现

倪四清， 左光恒， 张 俊

(1.湖北交投建设集团有限公司； 2.湖北交投建设投资开发有限公司，湖北 武汉 430000)

0 引言

近年来，由于雾霾，沙尘，降雨，强光照等极端天气的发生频频发生，可见度已成为影响公路行驶安全的重要因素，严重影响驾驶员的视线和视线，增加交通事故的风险[1]。近年来，视频监控始终是路边机电系统建设的重要组成部分。到目前为止，沿公路的每个路段，收费站或服务区都安装了一定数量的视频监控设施，总体上覆盖了整个非盲区。

但是，如何将视频监控集成到其他智能交通业务中，为公路管理提供更好的服务，仍然任重道远[2-3]。

针对上述存在的问题，许多专家学者进行了大量的研究，取得了一定的研究成果。文献[4]讨论了通过图像处理检测大气能见度的可行性，并开发了基于图像处理的能见度检测硬件系统。文献[5]提出了一种高速公路工程交互监控系统，对经过车辆进行实时视频监控。以上两种方法虽然取得一定地成效，但均采用C/S架构模式，用户在进行访问时会等待较长的页面刷新时间，且在地形复杂的高速公路段没有考虑数据稳定快速传输问题。

1 远程视频监控系统架构图

针对上述技术存在的不足，该文在重用可视化监控预警技术需求的基础上，通过在公路系统中复用视频监控设备，实现了我国公路可视化监控预警系统。该系统充分利用现有路边视频监视器进行特征抓拍并进行无线传输，在大数据分析平台下将监视到的沿高速公路的实时视频数据进行可视化处理。其策划方案的总体架构图如图1所示。

图1 远程视频监控系统总体架构示意图

通过图1可以看出，整个系统分为采集层、接入层、处理层以及应用层四个层次。在采集层中，高速公路路边高清摄像机、球机、全景摄像头等视频采集传感器对所有经过的大小车辆进行采样，将视频数据进行编码解码使得信号传输的更快[6]。通过接入层，用户能够获取高速公路上视频数据，为了提高设备采集的多样性，还可以接入支持多通信协议的设备，满足多种通信需求。比如可以接入PSLA协议、ONVIF协议、GB28181协议以及RTSP协议等[7]。通过这种方式，能够使用户接收各种视频、图像等信息。在数据层中，采用可见度测量算法和YOLO-V3网络模型进行相应的数据处理。而应用层则是用户根据研究或者使用的需要将视频数据进行可视化分析[8]。

2 关键技术设计

在不同环境下，为了对视频图像数据进行实时处理分析，在远程视频监控系统中采用了两种关键技术，下面将分别阐述这两种技术的具体内容。

2.1 可见度测量算法

在实际应用中，高速公路上存在大雾天气的次数不在少数，为了根据不同天气而进行监控调整，该研究针对空气可见度进行测量。从物理学的角度来看，通过气柱传输的被观察物体的图像中的具有失真的衰减是可见度的直接反映[9]。可见度是代表气象透明性的关键物理量。空气能见度的变化由光传输的物理模型和贝尔·兰伯特定律运算得出，因此，可以通过分析空气能见度和监测图像特征的耦合变化来解决能见度值[10]。假设通过监视视频观察到的参考目标是绝对黑体，并且假设空气水平水平均匀，则在我们的系统中使用的水平气象能见度的计算公式表示为：

(1)

式中:Lt表示在观察点上检测到的物体亮度；，Lb相应地表示背景亮度；x是被观察物体与观察点之间的直线距离。以CCD视频设备为例，被监控图像的灰度与被摄物体亮度之间的关系为：

G=KL+Gdc

(2)

式中:K表示视频设备的亮度和灰度的转换系数；Gdc表示视频设备中暗电流的对应灰度值，两者均可通过特定的设备型号和配置来确定[11-12]。

利用路边视频监控设备收集的实时视频帧，观察到的图像灰度Gt，Gb目标和周围的背景可以通过图像分析获得。然后，可以用等式(2)计算Lt，Lb，并可以用等式(1)计算出气象能见度P。然后，可以根据气象能见度之间的转换关系来计算高速公路路边实时可见距离和可见光距离[13]。

2.2 YOLO-V3网络算法模型

在高速公路上进行实时监控时，需要将采集到的视频数据信息实时转化为适当的图像数据，因此该文采用基于深度学习的目标检测算法实现大数据的处理和计算。高速公路上远程视频监控的前提是准确提取图像特征信息，图像特征提取的准确率直接决定了通过远程视频监控分析判断高速公路上汽车的行为[14]。因此该研究采用YOLO-V3网络算法模型运算处理视频监控数据。

在YOLO-V3网络算法模型中，每个网格单元将为一个对象具有三个不同比例的边界框。与注释框重叠面积最大的候选框将是最终预测结果。此外，YOLO-V3网络算法模型具有三个输出比例，并且最终合并了三个比例分支。其中浅特征用于检测小物体，深特征用于检测大物体，网络因此可以检测到具有比例变化的对象[15-16]。除此之外，YOLO-V3检测模型相比于其他算法检测模型，其运算速率也是非常快，关于YOLO-V3检测模型与其他检测模型的运算速率对比如表1所示。

表1 算法模型运算速率对比表

由表1可知，YOLO-V3的FPS为最高的34，其检测速度达到了实时检测速度的要求，因此，采用YOLO-V3网络算法模型对高速公路监控录像拍摄的交通场景具有很好的适应性。

使用YOLO-V3网络算法模型检测时，将图像发送到网络后，会将图像调整为相同的尺寸，例如416*416。由于对图像进行了分割，因此偏远路面的尺寸会变形并变大，因此，可以获取较小的车辆物体的更多特征点，以避免由于车辆物体太小而造成某些物体特征的损失[17]。数据集将“车辆数据集”部分中介绍的内容放入YOLO-V3网络中进行训练，然后获得车辆目标检测模型。关于YOLO-V3网络算法模型结构图如图2所示。

图2 YOLO-V3网络算法模型示意图

YOLO-V3网络算法模型采用的网络结构称为Darknet-53。此结构采用完全卷积方法，并取代了以前的版本具有残差结构的直接连接卷积神经网络。分支用于将输入直接连接到网络的深层。输入图像根据特征图的大小，将输入图像划分为13*13网格。对象标签框的中心在网格单元，并且网格单元负责预测对象。残差的直接学习可以保证图像特征信息的完整性，简化训练的复杂度，提高网络的整体检测精度[18]。

该研究算法模型中，Darknet-53主要由53个卷积层构成，并大量采用3*3，1*1的卷积核。为了训练多达53层的深度网络，借鉴深度残差网络的设计思想，在卷积层之间构建残差模块、设置跳跃连接[19]。其中Darknet-53网络结构如图3所示。

图3 Darknet-53网络结构

如图3所示，YOLO-V3网络算法模型在进行多尺度预测时采用3个不同的尺度特征图预测检测结果。对于某分辨率图像，其基础尺度特征图大小为原分辨率的1/32，剩余2个尺度分别为1/16，1/8[20]。假设最后每个尺度特征图上预测由检测框、目标评价、类别预测三种信息编码的3-d张量。检测框有4个参数，目标评价1个参数，类别数位80，每个尺度特征图单元格预测3组这样的信息，即3*(4+1+80)=255维信息。最终三个尺度的输出张量维度分别为:

y1=13*13*255

y2=26*26*255

y3=52*52*255

其中，y1，y2，y3表示为YOLO-V3网络算法模型在3个不同尺度的特征图输出，输出目标位置和类别[21]。最终输出的数据集单元格尺寸为10647(5+i)，其中i表示方格的标识数目。关于YOLO-V3网络算法模型的输出格式如图4所示。

图4 YOLO-V3网络算法模型的输出格式

在运用YOLO-V3网络算法模型的检测框及相关量预测时，主要包含检测框、目标评分、类别预测。

(1)检测框

检测框相对位置(bx,by,bw,bh)预测方式与YOLO-V2相同，不同的是，YOLO-V3采用9个聚类获得的先验框辅助坐标预测[22]，并且9个不同尺度的anchor boxes评分为3组应用在3个不同的尺度特征图，即每个尺度特征图的单位网格利用anchor boxes预测3组信息。

(2)目标评分

YOLO-V3使用逻辑回归为每个检测框预测目标评分，如果在一个单元格内，某先验检测框与检测目标实际位置的重叠区域最大，那么它的评分为1，其他的预测评分被忽略。除此之外，与YOLO-V2相同方式，在每次预测时，为每个检测目标的真实位置匹配一个最佳先验检测框，在进行最后的误差计算时，只计算最佳先验框与真实位置的误差[23]。

(3)类别预测

由于传统的YOLO-V3网络模型运算虽然速度很快，但是数据的精准度较差，该研究使用基于GIoU的边框回归损失函数能够对YOLO-V3的改进性训练，使得获取更加精确地视频监控数据。

YOLO-V3通过GIoU损失函数以实现类别预测，其中GIoU损失函数的表达式为：

(3)

式(3)中还应用到了损失函数来评估视频数据出现差错的情况。在本研究中，将视频数据出现差错分目标评估分为5个部分，以更好地评估视频数据处理的精确度。第一部分具有预测视频数据出现差错的x，y坐标点；第二部分包含数据图像中理论的宽与高，以及数据图像中实际的宽和高，用字母w和h表示；第三部分采用方框的置信度表示函数损失；第四项表示目标评估中没有出现感叹数据信息的置信度损失；第五项是对视频数据不同的分类信息进行分类的分类损失，当评估框中出现了目标数据信息时，再计算视频数据的分类损失。

综上所述，该研究采用改进的YOLO-V3网络算法模型处理大量图像数据，通过GIoU损失函数能显著提高图像数据的精度，对整个城市内所有高速公路实时掌握路况，保证城市交通运转正常。

3 实验与分析

为了验证该文所研究的电力杆塔状态评估系统的适用性和可靠性，下面将进行实验。

关于实验环境该研究采用的计算机操作系统为Windows10，64位，计算机的开发工具为Visual Studio 2017，OpenCV 3.0。计算机的硬件环境为CPU：Inter(R)Core(TM)i7；主频为2.59 GHz；内存16 G，仿真模型采用Matlab软件。

关于实验所用数据均在安徽省合肥市某段高速公路上采用路边高清摄像机、球机、全景摄像头等视频采集传感器对所有经过的大货车、客车和汽车等交通工具进行特征采集，并将图像采集样本进行类别标注，作为实验的测试集和训练集。其中，训练集和测试集不存在交集，所有视频图像数据进行分类得到Car，Van，Truck和Tram四个类别的标签，在3天采集时间内，得到各不同类别图像样本数目如表2所示。

表2 不同类别图像样本数目

该研究使用测试集对比以L1,IoU,GIoU作为边框损失函数训练的YOLO-V3网络算法模型的检测效果，对比结果如表3所示。

表3 L1，IoU和GIoU效果对比

由表3可知，YOLO-V3训练时引入GIoU作为边框损失函数在AP(Mean Average Precision，平均AP值)、Precision(准确率)、Recall(召回率)带来一定地提高，模型的检测误检率和漏检率都得到了降低。

为了更加清晰地体现出GIoU作为边框损失函数的优势，对以上L1，IoU，GIoU三种不同指标的损失函数采用MATLAB软件进行仿真得出对比曲线如图5所示。

图5 损失函数值-迭代次数曲线图

从图5可以看出，在训练初期，基于L1损失函数的模型收敛速度较快，但随着迭代次数的增多，以GIoU作为损失函数训练的YOLO-V3网络算法模型的IoU值相比其他两种损失函数有了较大地改善，与YOLO-V3网络算法模型拟合程度优于传统L1及IoU损失函数，损失值在迭代次数为20 000次时只有0.1，效果最好。

4 结语

随着科技地不断发展，现有的高速公路监控系统存在成本高，寿命短，维护困难等问题，有鉴于此，该文充分利用高速公路沿线密集部署的视频监控机构建出远程视频监控系统，通过基于摄像机的能见度测量算法根据不同天气而进行监控调整，通过改进YOLO-V3网络算法模型来提高视频数据处理的精准度，并通过实验验证了该研究所使用改进YOLO-V3网络算法模型的有效性。

该研究的远程视频监控系统虽好，但由于开发了少量的前端设备或实验系统，如何广泛使用路边视频监视设施进行可见性检测以及如何将其与其他智能交通业务合并，例如交通监控，能见度警告，交通控制，紧急处理等，仍需要进一步研究。