视频事件检测系统在多隧道群复杂环境工况下的应用

2024-01-02李毅楠

广东公路交通 2023年6期

李毅楠

(广东省路桥建设发展有限公司,广东广州 510623)

0 引言

近年来,国民经济发展水平不断提高,汽车保有量显著提升,高速公路车流量与日俱增,给高速公路管理者带来较大的运营压力。随着广东省高速公路安全防范“五快机制”工作的推进,高速公路管理部门对突发事件的快速发现和快速处置有了更迫切的需求。如何利用好视频事件检测技术准确采集隧道内的交通状况并进行有效分析,对降低高速公路运营安全管理压力十分关键。

随着视频事件检测技术的不断发展,视频事件检测系统也逐渐应用于高速公路安全运营管理工作中。但现阶段大部分依然是在车流量小且环境良好的单一隧道中保守使用,异常事件发生概率低、事件样本数量少,人工干预操作频率低,无法持续改进视频事件检测系统的可靠性和适用性,导致视频事件检测系统最终被忽略甚至直接停用。

本文介绍了视频事件检测系统的架构和功能,并结合现阶段高速公路运营管理的需求,通过分析视频事件检测系统在云梧云罗高速公路隧道中的实际应用效果,提出针对性的优化建议。

1 工程概况

云梧云罗高速公路沿线为山岭重丘区,起点接广云高速公路,终点与广西苍郁高速公路相接;云罗高速公路终点接云岑高速公路,全长163.25km,含2条广东往返广西的重要跨省通道,共设置20座隧道,隧道总长约45km,于2010年建成通车。

由于地域性的特点,各类型货车数量很大,同时常有摩托车甚至摩托车队快速行驶在高速公路上,安全隐患问题突出,节假日期间尤为严重。为了解决高速公路运营管理者只能依赖于人工轮巡跟踪、肉眼识别异常事件的模式,云梧云罗高速公路搭载了一套基于人工智能的视频事件检测系统,将隧道内的视频监控接入平台,辅助人工检测隧道异常事件,同时进行流量参数统计。

2 视频事件检测系统

2.1 平台架构

视频事件检测系统是高速公路运营管理部门实现对突发事件快速感知、快速处置的辅助性管理系统,是进一步提升高速公路隧道运营安全管理水平的重要科技手段之一。通过此系统,实现24h全天候场景实时监控隧道交通信息并及时发现异常交通事件,能够及时进行预警引导、避免二次事故的发生。

系统采用“事件检测服务器+深度学习数据分析平台”的架构。事件检测服务器采用分布式布设方案,后期可根据检测视频的数量灵活增减服务器及组网调整。深度学习数据分析平台软件具备开放式架构,可灵活扩容检测通道,满足不同的视频检测规模的需求。

图1 系统组网架构

与传统的监控视频需要大量人工参与不同,视频事件检测系统主要是基于人工神经网络、卡尔曼滤波等技术路线的视频图像识别技术,结合了高精度AI算法,使每支摄像枪均变身为监控员,可自动识别高速公路隧道内的异常状况,并向监控中心发出报警,同时推送实时视频。通过该系统的辅助支持,监控员只需关注系统的告警信息,便可及时了解并快速处置高速公路的实时路况及突发状况。

2.2 系统原理

系统可分为感知层(数据获取层)、通信层(网络传输层)、深度学习层(AI分析层)和应用层(用户层)等,如图2所示。

图2 数据平台架构

(1)感知层:通过隧道内的固定摄像头,收集隧道内部产生的各种事件数据,在选择转换后形成深度学习层所需的数据集,通过通信层将数据发送至深度学习层。

(2)通信层:通信层是将感知层采集的数据集传输到服务器后台的手段,一般是利用隧道原本的监控环网传输到视频检测服务器。

(3)深度学习层:深度学习层是视频事件检测系统的核心,是主动发现、快速判断、准确定位和有效管理异常事件的关键。深度学习层接收到感知层收集的数据集,对这些数据集进行预处理,处理后的数据分为训练数据集和测试数据集。数据集预处理主要采用深度学习算法识别高速公路隧道中人、车、物的实时目标,并采用动态场景语义智能分析技术,判断视频中人、车、物的逻辑关系,进行结构化提取、报警、高速公路隧道视频事件的联动控制和结构化存储,从而全面监控和升级视频数据。这些逻辑判断算法部署在事件检测服务器上,并结合深度学习数据分析平台,为用户提供灵活的数据服务。

(4)应用层:在获取大量的图像原始数据后,通过后台系统的分析处理,具体扩展出来的各种功能应用,以满足交通管理的具体业务应用需求,如:监控大屏幕系统、PC系统、移动终端、其他等。

2.3 主要功能

2.3.1 事件检测功能

(1)自动检测异常停车、车辆逆行、行人闯入、非机动车上路等交通事件,进行不同种类的自动报警,包括自动弹窗、语音报警等。同时具备报警抑制功能。

(2)自动记录异常事件发生前后共20s内的视频回放,记录时间可根据要求设置。

(3)因特殊原因在一段时间内形成大量的检测报警数据时,可优先进行一键处理,随后各项事件可单独打开查看并确认。

2.3.2 交通参数检测功能

(1)提供交通参数的实时测量,如车流量、行驶速度、占用率等。

(2)可识别不同类型的机动车,如轿车、SUV、货车、工程车辆等。在同一事件下能分别检测出不同的车辆类型。

2.3.3 GIS地图功能

(1)可在地图上播放监控摄像机的实时视频图像,显示摄像机的状态。

(2)实时展示车流量数据,实时提醒异常事件。

2.3.4 业务管理功能

(1)可按日期、位置和类型查询异常事件数据导出报表,自动产生报告。可根据用户的管理需求自定义配置。

(2)具有异常事件实时视频联动与实时录像、查询、回放及下载的功能。

(3)具有摄像机网络状态实时检测、事件检测、状态检测等功能。

3 系统应用

3.1 试运行

云梧云罗高速公路在中心机房布设了5台事件检测服务器,每台可同时处理64路视频图像,将20座隧道内的315路高清摄像机接入事件检测系统,作为监控人员巡查隧道的辅助手段。系统上线后开始为期3个月的试运行,在试运期行内根据业务需求与使用感受动态调整事件检测内容、底层逻辑策略以及系统操作界面等,以达到最佳的运行效果。由于云梧云罗高速公路通车时间长、隧道内部光线环境差、过往货车数量多等因素,初期检测效果不佳,尤其是抛洒物事件误报率较高,对隧道内灭火器等路侧设施存在判断误差。经调优完善后,检测成功率有所提升。同时根据实际需要拓展了事件检测内容,补充了骑行者事件检测,达到正式投入使用的要求。

3.2 实际应用效果

系统与“路运一体化平台”进行了数据互通,实现了“事件智能化检测→事件报警→智能快速响应→信息联动报送”的闭环管理。为了使系统真正被监控部门实际应用起来,系统开发了一体化平台事件弹窗和异常事件视频监控自动上墙(监控大屏),便于监控人员及时发现并了解异常事件具体发生的信息,并针对事件的重要程度进行事件处置,极大减轻了监控人员日常巡检的工作压力且有效提高了隧道内异常事件的发现能力,提升了高速公路管理部门对道路安全的运营管理水平。

根据高速公路通常的运营管理需求,系统应用的主要关注点在停车、行人和抛洒物事件等方面。系统自上线至今运行稳定、数据合理,各类异常事件检测的准确率均呈递增的趋势(表1)。

表1 事件检测数据对比

3.2.1 骑行者事件

云梧云罗高速公路包括2条广东—广西的跨省通道。根据历史经验,来自广西方向闯入高速公路的摩托车数量较大,尤其是春运期间回乡探亲者居多,过往车辆在高速行驶的过程中需躲避摩托车,必然会导致整体通行车流不畅。此类骑行者速度过快不能进行追赶驱离或拦截,路面石子、积水等极易引发事故,于是针对此需求定制了骑行者事件检测,只实行对骑行者全过程跟踪监控。

由表1可知,骑行者事件在全部异常事件中的数量最为庞大。这是因为骑行者在通过高速公路时,会途经该路段大部分甚至全部的隧道,进而触发沿途所有摄像机的异常检测,系统会对同一骑行者连续跟踪报警,这样的检测密度其实是没有必要的,也会给监控人员带来更多的操作负担。经长期观察评估,认为对于高速公路管理者而言,只需获得骑行者进入隧道并离开隧道的信息,得知骑行者已安全通过即可。对此提出两种方案:(1)简化事件检测系统对骑行者事件的检测策略,只在固定几个摄像机位设置骑行者事件检测,如隧道出、入口以及隧道中间段的合适位置。(2)优化AI算法,对识别到的同一骑行者施加标记,增加系统判断策略,根据提前设定好的时间间隔或距离间隔自行判断是否检测并告警。

3.2.2 抛洒物事件

由表1可知,抛洒物事件检测的准确率相较于其他事件低很多,在系统实际的使用过程中,总结出导致误报主要是因为强光、光影、车身的凸出构件、倒落的反光锥等。除此以外,还有部分诸如水渍、光斑、尘土等可造成抛洒物误报,误报的异常事件经监控人员研判之后会被认定为对隧道安全行车的无威胁因素,也并不会通知路政人员到达现场进行处理,系统将连续产生相同物体的误报事件,同样给监控人员带来很大的操作负担。

云梧云罗高速公路隧道通行环境不良,过往货车种类多、数量多,会经常性洒落不明物体,所以地面的不确定因素也较一般高速公路多,所以抛洒物检测应作为下阶段优化的重点目标之一。可增加二次识别特征,将动态或静态因素叠加到首次识别中进行最终判断,降低系统对车身构造物的误报概率。

3.2.3 系统整体评价

由于骑行者事件样本总量过于庞大,同一个体在通过1次高速公路时可连续产生接近100条检测数据且准确率基本为100%,可能影响系统的总体检测准确率。在剔除骑行者事件检测数据后对2022年1月至12月的数据进行汇总分析可知,系统总体检测准确率可达到90%以上,关键性指标“异常停车”的检测准确率可稳定达到95%(图3),基本满足行业规范和运营管理业务的需求。但系统对抛洒物事件和行人事件检测的准确率不太稳定,尚待进一步完善提高。