产品中心

高速公路路况智能管控系统

时间:2018-11-03 来源:网站管理员


  1. 概述

  1. 背景

目前高速公路车流量日趋增加,根据数据统计,京珠高速日均车流量7万辆左右,最高峰日车流量达到15万辆。面对如此大的车流量,清理行车障碍,预防事故发生,保障道路安全畅通,是高速公路管理处不可回避的日常工作之一。然而在现实生活中,我们会碰到以下问题:

  • 村民为图方便,横穿高速公路。

  • 由于安全意识差,图方便,偶尔会有人在收费站附近或高速公路路边上下车。

  • 虽然高速公路是封闭的,但偶尔会有狗、猫等动物闯入高速公路,或是有动物从运输车上掉下来,在高速公路上行走。

  • 前方行驶车辆有箱子、轮胎等物品遗落在行车道上。

  • 有些车子叉口开过头,为图方便,会倒车行驶,极易被后方车辆追尾,发生事故。

  • 农用车、摩托车等禁止上高速的车辆闯入高速公路行驶。

  • 凌晨2:00-5:00大型客运汽车在高速公路行驶。

以上问题一旦出现,若得不到及时处理,容易发生交通事故。所以如何及时发现行车安全隐患,并对其及时排查治理是我们首要关心解决的问题。

 

  1. 视频监控现状分析

  1. 高速公路视频监控现状

现在所有的高速公路上均安装了视频监控系统,但大部分是普通的视频监控,并非智能视频监控。这种模式有以下缺点:

  • 要求有人24小时盯住视频墙,观看路面状况。这样容易产生疲劳,错过紧急画面。

  • 摄像头画面切换时,存在死角,当隐患在没有切换到的画面里时,我们无法发现问题。

从上面两个方面来看,普通视频监控已无法满足车流量日渐增长的高速公路管理,引进智能监控势在必行!

 

  1.               现有智能视频监控

目前市场上现有的智能监控系统形式很多,主要在跟踪、定位、识别等方面,但很遗憾没有专门针对高速公路通行运营研发的产品,不能解决2.2.1中的问题。

 

  1. IMCH智能监控系统

为解决2.2.1中罗列的问题,我公司特研发了高速公路行车路况智能监控报警系统,为了区分其它智能监控系统,我们将系统命名为IMCH据测算IMCH系统的应用将高速公路行车安全隐患减少28%

 

  1. 系统描述

高速公路现有的视频监控系统基础上增加一个智能分析仪将系统升级为IMCH智能监控系统,实现对高速公路路况智能管控,降低行车风险。本次改造只需接视频流即可,不改变原有电路。

  1. 拓扑结构图

 

  1. 机器视觉

计算机视觉(Computer Vision),简称CV,包含对象检测、人脸识别、文字识别等。对象检测(Object Detection)是计算机视觉一项基本功能。深度学习技术是计算机视觉的最有效技术之一。

将多个人工神经元排列相连接起来,就形成了多层人工神经网络。图给出了一个多层人工神经网络结构的一个例子。该神经网络分为输入层,隐藏层和输出层。输入层有3个输入(X0, X1, X2),中间有一个隐藏层,输出层有2个输出(Y1,Y2),共有5个神经元。

该网络的连接结构采用多层全连接(Fully Connected Network, FCN)的模式,是人工神经网络中最简单的连接方式。为了叙述方便,以下人工神经网络简称神经网络。

 

图 多层神经网络

经过不断的实验测试,人们发现不同的神经网络架构适合处理不同的任务。比如说,卷积网络适用于图像处理。因为这种网络结构适合图像处理的不变性,比如猫的图像,平移旋转处理后依然是猫。

我们系统使用一体化设计的卷积神经网络YOLO算法(You Only Look Once)。YOLO算法由华盛顿大学(University of Washington)计算机科学家Joseph Redmon提出,是一种高效的实时对象检测技术。

对于高维数据如图像(200x200),如果第一层是全连接的话,这意味着第一个隐藏层的每个神经元都有40, 000个输入权重。为了效率更高,可以强制神经元的输入权重的数量,强制输入只和局部的神经元有连接。这样形成的网络又称为局部网络,或者局部连接网络。

卷积网络的权重共享

权重共享(Weight sharing)是一种简单的局部网络形成方法,如图2-6所示。这种权重共享等效于信号处理领域中的卷积运算(Convolution)。

实际中,每一个卷积层后紧跟着一个下采样层,比如采用最大池化(max-pooling 方法完成下采样。最大池化层的操作,就是在过滤器之后(卷积之后),计算出卷积层神经元的输出的最大值。最大池化的操作原理,如图所示。

卷积网络的最大池化操作

卷积操作就是在输入信号上使用了过滤器(Filter),而过滤器的参数就是一组权重值。因此,这种局部区域的权重共享的神经网络,又称为卷积网络(Convolutional neural network,简称CNN)。

一个卷积网络工作原理,如图所示。

卷积网络

最新CNN进展还包括LCN local contrast Normalization)。 LCN操作在最大池化层之后,其目标是减去平均值,除以标准差。这个操作允许亮度不变性,对于图像识别用处很大。

 

  1. YOLO算法原理

YOLO是一个可以一次性从图像中预测多个物体类别和位置的卷积神经网络,能够实现端到端的对象检测任务。和传统机器学习算法(例如DPMDeformable Part Model)通过滑窗提取较为粗略的HOG特征相比,YOLO使用神经网络读取图像中更为细粒度的像素级别信息,显著地提高了识别精度。和另一类R-CNN算法(Region-based Convolutional Neural Network)相比,YOLO不是通过复杂的选择性搜索(Selective Search)预先提取上千个可能包含物体的区域,而是将整张图像输入做一个回归问题,在保证精度的前提下,极大地提高了识别速度,更加适合高速公路监控场景;同时,使用图像整体信息也使得YOLO算法能够更好地区分检测目标和背景区域,改善背景误检问题。

模型概念示意图

YOLO检测系统流程

上图展示的是YOLO检测系统的基本流程。首先将输入图像预处理,分割为S × S个网格,如果一个目标物体的中心落在某网格中,则该网格负责检测目标物体。随后,通过预先训练好的神经网络模型,每个网格负责预测B个边界框,每个边界框对应5个预测参数:边界框的中心点坐标(xy),宽度、高度(wh)以及置信度(Confidence)。这里的置信度综合反映了当前边界框中存在目标的可能性 PrObject 和目标位置预测的准确性 IOUpredtruth,具体形式如下:

Confidence=PrObject×IOUpredtruth

如果边界框中不存在目标物体,则 PrObject=0,不再进行后续操作,跳至判断后续边界框。如果存在目标,则在预测上述参数的同时,预测该网格中物体属于某一类别(假设共有C个类别)的条件概率 PrClassi|Object,取概率最大的类别作为我们的预测,如此就可得到每个边界框中的物体类别可能性和位置预测准确性:

PrClassi|Object×PrObject×IOUpredtruth=PrClassi×IOUpredtruth

最终,我们对置信度超过设定阈值的边界框进行非极大值抑制(Non Maximum Suppression),得到最终的检测结果。

YOLO网络结构(下图所示)的设计借鉴了GoogleNet的思想,采用24个卷积层和2个全连接层,最终输出S × S × (B × 5 + C)的张量,用以上述预测判断。对于计算能力有限的处理器,我们可以改用快速版网络,减少至9个卷积层,牺牲部分预测精度,提高系统的运行速度。

http://img.blog.csdn.net/20160317155955917

 

YOLO神经网络的结构

 

 

  1. 系统目标

我们的目标是将事故发生率下降减少28%IMCH系统拟通过以下几个方面实现目标:

  • 降低车辆与行人、动物发生碰撞的风险。

  • 降低碰撞固定物或静止车辆风险。

  • 减少疲劳驾驶带来的风险隐患。

  • 减少倒车追尾相撞事故发生。

  • 杜绝农用车、摩托车等禁止上高速的车辆闯入高速公路行驶。

  • 杜绝凌晨200-500大型客运汽车在高速公路行驶。

 

  1. 主要项目阶段

 

 

  1. 里程碑

从上图可见项目完成需要约15周左右的时间。

  1. 系统训练

系统拥有深度学习功能,即在机器学习的基础上进一步深入模拟人脑进行分析学习的神经网络,模仿人脑的机制来训练和预测数据,例如图像、声音和文本。其实质是通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。深度学习正是运用了类似的分层次抽象思想,更高层次的概念从低层次的概念学习得到,而每一层都自底向上,对没有人工标注的数据进行学习,最后再用人工监督自顶向下反向进行调优。另一方面,深度学习并不同时训练所有层,有效的降低训练上的计算量和减少训练偏差的方法。简单的说,就是自底向上每次只训练一层网络,通过非监督学习“逐层初始化”(layer-wise pre-training)网络,当所有层训练完之后,再自顶向下反向调教(back propagation)优化。当然,深度学习的一个别名Unsupervised Feature Learning,顾名思义,Unsupervised的意思就是不要人参与特征的选取过程。

据测试经过一个月左右时间的学习训练,系统的识别率能达到90%以上。

 

  1. 功能介绍

  1. 事件监

  1. 行人监控

系统对在高速公路内行走的人员进行识别报警,并以短信形式通知相关干系人,如:“K342+100附近有人在高速公路上行走”。同时系统记录该路段发现行人的频次,并进行排序,提醒管理者对常发路段采取有效措施,加强管理。

  1. 等候监控

系统对在高速公路边等侯人员进行识别报警,并以短信形式通知相关干系人,如:“K342+100附近有人在高速公路路边等候”。同时系统记录该路段发现等候的频次,并进行排序,提醒管理者对常发路段采取有效措施,加强管理。系统抓拍在高速公路内上下乘客的车辆牌照,移交给高速交警。

  1. 动物监控

系统对在高速公路范围内出现的动物进行识别报警,并以短信形式通知相关干系人,如:“K342+100附近有动物在高速公路范围内游荡,请相关部门及时处理。”系统每隔一段时间催促一次,直到物消失,间隔时间、通知人用户自行设定。

 

  1. 路面障碍物监控

系统对在高速公路路面上出现的障碍物进行识别报警,并以短信形式通知相关干系人,如:“K342+100附近发现障碍物,请相关部门及时处理。”系统每隔一段时间催促一次,直到障碍物消失,间隔时间、通知人用户自行设定

  1. 停车监控

系统对在高速公路范围内停止不动的车辆进行识别报警,并以短信形式通知相关干系人,如:“K342+100附近有车辆停靠,请相关部门关注现场,确认是否需要救助。”系统每隔一段时间催促一次,直到车辆消失,间隔时间、通知人用户自行设定。

 

  1. 倒车监控

系统对在高速公路范围内倒车车辆进行识别报警,并以短信形式通知相关干系人,如:“K342+100附近有车辆在倒车,请相关部门及时处理。”系统抓拍在高速公路上倒车的车辆牌照,移交给高速交警

 

  1. S”型路线监控

在全封闭的高速公路上长时间行车,使驾驶员产生单调感,意识混沌,产生睡意,易形成疲劳驾驶。在夜间的巡逻过程中有时能够发现前面的车辆走“s”型路线,在高速上左右摇晃,达到这种不可思议的地步,发生事故就再所难免了。

系统对在高速公路范围内走“S”型线路的车辆进行识别,并以短信形式通知相关干系人,如:“K342+100附近,车牌湘A08F42车辆在走“S”型线路。”对连续两个“S”型线路的车辆判断为疲劳驾驶,通知高速交警。

 

  1. 禁行车型识别监控

系统对非机动车、拖拉机、轮式专用机械车、铰接式客车、全挂拖斗车以及其他设计最高时速低于七十公里的机动车进行识别,并以短信形式通知相关干系人,如:“K342+100附近,发现车牌为甘03-83902的禁入高速公路机动车”。

 

  1. 凌晨客车禁行监控

系统对凌晨2:005:00欲驶入高速公路或在高速公路范围内行驶的大中型客车进行识别报警,并以短信形式通知相关干系人,如:“3:10发现有大中型客车欲在高滩岩收费站驶入高速公路,请相关人员及时处理。”“3:30发现K342+100附近有大中型客车行驶,请相关人员及时处理”。

 

  1. 报表分析

  1. 行人分析

系统以摄像头为单位,对各路段行人情况进行统计分析,并按发生频率排列出某一时间段(默认月)的统计报表,对频率高的前五个路段画一年的趋势图。

 

   管理部门可对发现行人频率高的路段进行检查,查看隔离栅是否破陨或存在人为打开,从而进入高速公路。并在路段醒目处设立告示牌,劝阻行人不要进入高速公路。

 

  1. 等候分析

系统以摄像头为单位,对各路段等候情况进行统计分析,并按发生频率排列出某一时间段(默认月)的统计报表(报表中写明抓拍车牌),对频率高的前五个路段画一年的趋势图。

 

   管理部门可对发现等候频率高的路段进行检查,查看隔离栅是否破陨或存在人为打开,从而进入高速公路。并在路段醒目处设立告示牌,劝阻行人不要进入高速公路。

 

  1. 动物分析

系统以摄像头为单位,对各路段发现动物次数进行统计分析,并按发生频率排列出某一时间段(默认月)的统计报表,对频率高的前五个路段画一年的趋势图。

 

管理部门可对发现动物频率高的路段进行检查,查看隔离栅是否破陨,以致有动物从外界穿入高速公路范围。

 

  1. 倒车分析

系统以摄像头为单位,对各路段发现倒车次数进行统计分析,并按发生频率排列出某一时间段(默认月)的统计报表,对频率高的前五个路段画一年的趋势图。

管理部门对发现倒车频率高的路段加强标识引导,提醒防止车辆开过头。

 

  1. 禁行车辆分析

系统以摄像头为单位,对各路段发现禁行车辆闯入高速公路次数进行统计分析,并按发生频率排列出某一时间段(默认月)的统计报表,对频率高的前五个路段画一年的趋势图。

管理部门对发现禁行车辆闯入高速公路频率高的路段加强警戒,防止禁行车辆闯入高速。

 

  1. 凌晨2:00-5:00客车分析

系统以摄像头为单位,对凌晨2:00-5:00进入高速公路收费站的客车次数进行统计分析,并按发生频率排列出某一时间段(默认月)的统计报表,对频率高的前五个路段画一年的趋势图。

管理部门对发现凌晨2:00-5:00进入高速公路收费站频率高的站点加强管理防止此时段客车进入高速公路

 

  1. 路况分析

系统对某一时间段内(默认一年)的行人、等候、动物、停车、倒车等行为进行统计分析,并按发生频率画圆饼图,为管理者决策提供参考。

 

  1. 手机APP

系统提供APP管理,其功能如下:

  • 管理者接收系统提醒警示,方便各管理者根据职责作出响应。如:清除路面轮胎。

  • 管理方员工处理完现场后可拍照上传,领导层可通过出勤次数、处理前后照片对比、处理时间等对员工进行奖罚。

  • 管理者可现场调取视频监控,作为处理依据。如:“S”型线路、倒车。

  • 简单的OA管理。

 

4