機器學習在智能交通中的應用關鍵技術研究

福建船政交通職業技術學院 張傳娟

機器學習在智能交通中的應用關鍵技術研究

福建船政交通職業技術學院 張傳娟

隨著車聯網、大數據、人工智能等技術的改進，智能交通得到了廣泛普及和應用，實現了車輛識別監控、交通信號控制、駕駛員人臉識別、乘客信息服務等功能，均需要使用圖像處理、特征檢測、模式匹配等機器學習技術，以便能夠實現交通應用的智能化、共享化和自動化。筆者結合智能交通應用實踐情況，分析了機器學習在智能交通中的應用優勢及關鍵技術，包括圖像處理、特征檢測、語音識別、自然交互等，進一步為提高智能交通的自動化、共享化、便捷化。

智能交通；機器學習；圖像處理；特征檢測；模式匹配

1.引言

隨著大數據、互聯網、云計算和人工智能等先進技術的發展，已經在金融證券、物流倉儲、醫療衛生、教育科研、政務辦公、商務消費等領域得到廣泛應用，提高了人類社會的自動化、智能化水平。智能交通是計算機應用的一個重要領域。隨著人類物質生活的豐富和經濟的富足，越來越多的家庭購買乘用車，人類出行、貨物運輸等使用的車輛也越來越多，因此實現車輛的調度、監控、運行成為交通管理部門和科研機構的重要研究內容。但是數以千萬的車輛管理采用人工模式非常繁瑣，為交通管理人員帶來了較大的工作量，因此人們提出在交通管理中引入人工智能，構建一個智能交通系統。機器學習是人工智能的關鍵技術，其可以實現圖像處理、特征檢測、模式匹配等功能，自動化的監測和識別車輛，同時也可以利用面部識別技術定位駕駛員，大大的提高了交通管理效率，具有重要的作用。

2.智能交通應用現狀分析

智能交通經過經過多年的發展，已經引入了傳感器、RFID、大數據、車聯網等智能化信息技術，構建了比較完善的智能化交通系統，實現了車輛檢測、信號控制、視頻監控、實時追蹤系統；公共交通業建成了一個博物館、動物園等交通樞紐運營管理中心，實現了乘客信息服務發布，也能夠組織和調度公共交通工具。高速公路建成了信息指揮中心，將數以百萬公里的高速公路進行聯網，實現信息共享，還能夠實現ETC不停車收費，進一步提高了高速公路的信息采集處理和發布[5]。通過對智能交通應用進行調研，智能交通的應用構成如圖1所示。

圖1 智能交通應用層次架構

因此，通過分析和總結，智能交通應用現狀如下所述：

（1）先進的交通信息系統ATIS。ATIS建立在一個完善的信息基礎網絡上，能夠將各類型的傳感器、路由器、交換機、無線通信基站部署于道路上、車上、停車場、換乘站等，實時的采集、發送交通信息，可以為用戶提供公共交通服務，實現一個停車場管理模式，進一步管理道路出入和車站換乘，便于進一步改進用戶服務水平，實現多樣化的路線操作，自動化的定位車輛和提供導航服務。

（2）先進的交通管理系統ATMS。ATMS可以實現交通控制和管理，能夠為用戶提供強大的操作管理服務，實現車輛駕駛員、道路管理中心進行信息共享操作，同時還可以監視交通事故、交通狀況、交通環境和氣象情況，實現信號燈、道路管制、事故處理和救援。

（3）先進的公共交通系統APTS。APTS是一個利用計算機技術促進公共交通事業發展的系統，其可以為公交系統提供一個便捷的、經濟的、大運量的系統，這個系統能夠通過個人計算機、智能手機、閉路電視為公眾提供公交信息，便于公眾選擇公交線路、車次，也可以通過公交站牌顯示器為候車者提供實時運行信息，為車輛發送實時的狀態，提高公交出行者的服務效率。

（4）先進的車輛控制系統AVCS。AVCS可以幫助駕駛員實現車輛控制，比如碰撞報警等，為駕駛員提供警告、幫助，避免碰撞車輛、行人或障礙物，可以提高行車安全性。

（5）電子收費系統ETC。ETC是一種路橋收費模式，其可以通過安裝在車上的車載器與收費站ETC車道上的微波天線實現數據傳輸通信，然后通過無線網絡與銀行進行后臺結算吹，實現一個完整的車輛收費流程。

（6）緊急救援系統EMS。EMS是一個非常特殊的系統，其與ATIS、ATMS以及救援機構進行集成操作，利用監控中心、指揮中心與救援機構形成一個有機整體，這樣就可以為車輛提供緊急處置、拖車、現場救護和事故檢測服務。

3.智能交通中機器學習應用關鍵技術研究

機器學習作為智能交通的關鍵技術，目前已經在圖像檢測、特征提取、模式匹配、人機交互等重要環節得到極大研究，取得了顯著成果。

智能交通系統可以使用攝像頭、傳感器等采集圖像、視頻信息，圖像檢測就可以利用機器學習技術對圖像進行預處理，獲取圖像中的車輛、駕駛員圖片，標定出這些對象的位置、大小。一副圖像或一幀視頻圖像包含的內容非常豐富，模式特征也較多，比如直方圖特征、模板各種、顏色特征、結構特征等，圖像檢測就是可以將有價值的信息挑出來，利用這些特征實現對象檢測。圖像檢測方法很多，常用方法為Adaboost學習算法，該算法是一種分類方法，能夠將較弱的分類方法集成在一起，構建一個很強的分類方法。圖像檢測可以使用Adaboost學習算法挑選一些車輛矩形特征，按照加權投票方式為弱分類器構建一個強分類器，然后通過訓練學習就可以將強分類器串聯在一起，形成一個級聯結構的層疊分類器，提高分類器的檢測速度。

特征提取是智能交通引入的另一個關鍵技術。智能交通系統可以使用特征包括很多，比如視覺特征、變換系數特征、像素統計特征、代數特征等，圖像特征提取就是針對車輛或駕駛員的人臉某些特征進行的。目前，特征提取是車輛、人臉特征建模的一個過程，又被稱為圖像表征描述，特征提取方法可以劃分為兩個類別，一種基于知識表征的方法，另一種是基于代數特征或統計學習表征方法。基于知識的表征方法可以根據車輛輪廓形狀以及距離度量特性獲取特征數據，這個特征距離度量的種類包括曲率角度、歐氏距離等，車輛輪廓特征很多，包括前頭大燈、尾箱、車輛擋風玻璃等局部特征構成，這些局部之間的結構關系可以利用幾何特征描述，常見的知識特征提取方法包括模式匹配、幾何特征兩種。基于代數特征和統計學習表征方法則是利用像素的密度進行統計，利用統計學的嚴密規則獲取車輛特征，目前常見的基于統計學的特征提取方法包括K均值、密度聚類、譜聚類、支持向量機。

模式匹配和識別可以利用特征提取的數據與數據庫中存儲的特征模板進行搜索和匹配操作，設定一個模式匹配操作閾值，當相似度超過這一個閾值，就可以將匹配獲取的模式輸出。車輛識別可以將識別出的車輛特征與已經獲得的特征模板進行比較，根據相似程度可以判斷車輛信息，模式匹配和識別的過程包括兩個關鍵步驟，分別是確認和辨認，確認是指一對一進行圖像比較，辨認是一對多圖像匹配對比，能夠實現車輛信息識別。

4.結束語

機器學習是當前計算機發展的一門前沿技術，經過多年的研究和改進，已經在人工智能領域得到廣泛使用，進一步提高了智能制造、人機交互、虛擬現實、文本檢索、視頻追蹤的快速性和準確度，具有重要的作用。

[1]李海亭,肖建華,李艷紅,等．機器學習在車載激光點云分類中的應用研究[J]．華中師范大學學報(自科版),2015,49(3)：460-464．

[2]王堅,蘭天．基于稀疏表達和機器學習的行人檢測技術研究[J]．計算機科學,2016,43(s1)：207-209．

[3]肖峰,涂雯雯,陳冬．基于手機運動傳感器數據的交通流擁擠識別[J]．西南交通大學學報,2016,51(3)：553-562．

[4]王志浩．基于在線機器學習方法的通信設備故障預警技術研究[J]．數字技術與應用,2015(7)：26-26．

[5]吳黎兵,聶雷,劉冰藝,等．一種VANET環境下的智能交通信號控制方法[J]．計算機學報,2016,39(6)：1105-1119．

[6]姚慶華,和永軍,繆應鋒．面向綜合智能交通系統的多源異構數據集成框架研究[J]．云南大學學報：自然科學版,2017(S1)：41-45．

[7]李祎承,胡釗政,胡月志,等．基于GPS與圖像融合的智能車輛高精度定位算法[J]．交通運輸系統工程與信息,2017,17(3)：112-119．