基于人群計(jì)數(shù)的交通流量應(yīng)用研究

馬振亞 王寬 左霖杰 曹宇

摘? 要： 隨著世界經(jīng)濟(jì)的發(fā)展，交通壓力越來(lái)越大。為了有效管理交通系統(tǒng)，同時(shí)也為交通決策提供支撐。本文基于人群計(jì)數(shù)（Crowd Counting）構(gòu)建了一個(gè)交通流量管理系統(tǒng)。同時(shí)針對(duì)車(chē)輛流量統(tǒng)計(jì)的任務(wù)，提出了一個(gè)高效的輕量級(jí)網(wǎng)絡(luò)，該網(wǎng)絡(luò)保證了一定的精度和速度。最后該系統(tǒng)可以用于實(shí)際交通流量預(yù)測(cè)與管理，為交通管理決策提供有效助力。

關(guān)鍵詞： 人群計(jì)數(shù);交通流量;人工智能;智能算法

中圖分類(lèi)號(hào)： TP391. 41 ???文獻(xiàn)標(biāo)識(shí)碼： A??? DOI：10.3969/j.issn.1003-6970.2020.07.046

本文著錄格式：馬振亞，王寬，左霖杰，等. 基于人群計(jì)數(shù)的交通流量應(yīng)用研究[J]. 軟件，2020，41（07）：224-227

Application Research of Traffic Flow Based on Crowd Counting

MA Zhen-ya^*， WANG Kuan， ZUO Lin-jie， CAO Yu

（Yunnan Yunling Expressway Traffic Technology Co.， Ltd.， Kunming 650032， China）

【Abstract】： With the development of the world economy， traffic pressure is increasing. In order to effectively manage the transportation system， it also provides support for transportation decisions. This article builds a traffic flow management system based on Crowd Counting. At the same time， for the task of vehicle traffic statistics， an efficient lightweight network is proposed， which guarantees a certain accuracy and speed. Finally， the system can be used for actual traffic flow forecasting and management， providing effective assistance for traffic management decisions.

【Key words】： Crowd counting; Traffic flow; Artificial intelligence; Intelligent algorithms

0 ?引言

隨著世界經(jīng)濟(jì)與科技的發(fā)展，行人與車(chē)輛數(shù)量已經(jīng)嚴(yán)重超過(guò)了城市負(fù)荷。很多城市不得不出臺(tái)對(duì)應(yīng)的交通管制措施。交通流量管理的關(guān)鍵在于如何有效準(zhǔn)確的統(tǒng)計(jì)車(chē)輛數(shù)量，為決策者提供一個(gè)有力的參考。近幾年來(lái)，隨著深度學(xué)習(xí)的發(fā)展，越來(lái)越多的人工智能產(chǎn)品正在逐步占據(jù)市場(chǎng)^[1-4]。人群計(jì)數(shù)是現(xiàn)在一個(gè)熱點(diǎn)研究的技術(shù)，人群計(jì)數(shù)的目標(biāo)是預(yù)測(cè)出場(chǎng)景里面的人群數(shù)量。針對(duì)場(chǎng)景中的車(chē)輛也可以使用人群計(jì)數(shù)進(jìn)行處理，在人群計(jì)數(shù)任務(wù)中，有專(zhuān)門(mén)的子任務(wù)是用于處理車(chē)輛管理^[5]。現(xiàn)在人工智能發(fā)展迅速，人工智能產(chǎn)品不斷填補(bǔ)著人們的生活。使用深度卷積神經(jīng)網(wǎng)絡(luò)處理問(wèn)題成為越來(lái)越重要的一個(gè)手段，同時(shí)，神經(jīng)網(wǎng)絡(luò)處理問(wèn)題也因?yàn)槠渌俣仁艿劫澴u(yù)。本文的目標(biāo)就是使用基于神經(jīng)網(wǎng)絡(luò)的人群計(jì)數(shù)方法構(gòu)建一個(gè)用于交通流量管理的快速高效的高速公路流量管理系統(tǒng)。

1 ?建設(shè)高速公路流量管理系統(tǒng)必要性

目前交通流量統(tǒng)計(jì)一般靠專(zhuān)門(mén)設(shè)置于特定位置的交通流量調(diào)查設(shè)備，這樣統(tǒng)計(jì)的數(shù)據(jù)一方面結(jié)果無(wú)法實(shí)現(xiàn)全程覆蓋，另一方面這樣的統(tǒng)計(jì)數(shù)據(jù)很難得到有效利用。除此之外，僅采集特定點(diǎn)位的交通流量數(shù)據(jù)，不能適應(yīng)如今大數(shù)據(jù)環(huán)境下的需求。在交通領(lǐng)域有很多攝像頭收集設(shè)備，如果將這些設(shè)備利用起來(lái)，那么就能解決數(shù)據(jù)量以及數(shù)據(jù)實(shí)時(shí)性不夠的問(wèn)題。

高速公路數(shù)據(jù)流量的收集對(duì)于交通管制以及交通規(guī)劃有著重要的作用，收集這些數(shù)據(jù)對(duì)于交通規(guī)劃以及交通疏導(dǎo)都是十分重要的^[6]。就目前的形勢(shì)而言，檔案或者數(shù)據(jù)的電子化，共享已經(jīng)成為了趨勢(shì)。如何更好地使用數(shù)據(jù)，如何更好地收集資源就成為了企業(yè)戰(zhàn)略資源的儲(chǔ)備。

所以建設(shè)高速公路流量統(tǒng)計(jì)系統(tǒng)是一個(gè)十分有意義的舉措。

2 ?人群計(jì)數(shù)研究進(jìn)展

人群計(jì)數(shù)技術(shù)成為了目前熱點(diǎn)的研究問(wèn)題，受到了越來(lái)越多的研究者的關(guān)注。人群計(jì)數(shù)方法被分為傳統(tǒng)的與基于神經(jīng)網(wǎng)絡(luò)方法的。傳統(tǒng)的方法分為三類(lèi)：基于檢測(cè)的，基于回歸的以及基于密度估計(jì)的^[7]。這里僅討論基于神經(jīng)網(wǎng)絡(luò)的方法。

近年來(lái)，隨著分類(lèi)識(shí)別領(lǐng)域深入學(xué)習(xí)的突破，越來(lái)越多的新方法使用了基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取來(lái)提供規(guī)模和視角不變的特征。

本文將人群計(jì)數(shù)的方法按照網(wǎng)絡(luò)架構(gòu)歸類(lèi)為為以下幾類(lèi)：?jiǎn)瘟芯W(wǎng)絡(luò)結(jié)構(gòu)、多列網(wǎng)絡(luò)結(jié)構(gòu)、以VGG為backbone的網(wǎng)絡(luò)結(jié)構(gòu)、時(shí)序處理模型，無(wú)監(jiān)督的模型以及用于計(jì)數(shù)與定位的模型。

單列網(wǎng)絡(luò)結(jié)構(gòu)：?jiǎn)瘟薪Y(jié)構(gòu)是一種最基礎(chǔ)的網(wǎng)絡(luò)結(jié)構(gòu)，代表性的著作有L2R^[8]，PSDNN^[9]以及SD-CNN^[10]。多列網(wǎng)絡(luò)結(jié)構(gòu)：多列網(wǎng)絡(luò)結(jié)構(gòu)是為了解決圖像中存在的視差以及角度變換問(wèn)題提出的由不同接受野采集信息的一種合成網(wǎng)絡(luò)。代表作品有MCNN^[11]，CMTL^[12]，CP-CNN^[13]以及ASD^[14]。以VGG為backbone的網(wǎng)絡(luò)結(jié)構(gòu)：由于VGG網(wǎng)絡(luò)在提取特征上有著較為優(yōu)異的性能，同時(shí)VGG特征提取只有4個(gè)池化操作，比較符合計(jì)數(shù)任務(wù)的需求。所以目前越來(lái)越多具有代表性的作品都使用VGG作為主干網(wǎng)絡(luò)^[15-18]。時(shí)序處理模型：由于很多任務(wù)是基于視頻應(yīng)用的，時(shí)序信息就可以用于糾正預(yù)測(cè)。越來(lái)越多的時(shí)序處理模型被探索開(kāi)發(fā)^[19-22]。無(wú)監(jiān)督的模型：隨著人力成本的增加，數(shù)據(jù)標(biāo)注成本越來(lái)越高，如何使用無(wú)監(jiān)督模型使用那些未標(biāo)注數(shù)據(jù)是一個(gè)極大的改進(jìn)方式。現(xiàn)在這種方式正在被不斷地進(jìn)行發(fā)掘與探索^[23-25]。目前主流的方法主要分為三類(lèi)：不必對(duì)每一幀都進(jìn)行詳盡的注釋?zhuān)沁x擇信息量最大的幀進(jìn)行自動(dòng)和主動(dòng)的注釋;與其只從標(biāo)記的數(shù)據(jù)中學(xué)習(xí)，不如充分利用大量未標(biāo)記的數(shù)據(jù);采用其他場(chǎng)景的標(biāo)記數(shù)據(jù)，進(jìn)一步減輕了數(shù)據(jù)標(biāo)注的負(fù)擔(dān)。

用于計(jì)數(shù)與定位的模型：目前大多數(shù)現(xiàn)有人群計(jì)數(shù)采用的方法首先估計(jì)人密度圖，然后在這個(gè)地圖上計(jì)算積分以獲得最終計(jì)數(shù)。正如先前的幾項(xiàng)調(diào)查所觀察到的那樣，即使最終報(bào)告的人數(shù)是準(zhǔn)確的，學(xué)習(xí)到的密度圖也會(huì)明顯偏離真實(shí)的人員密度。這意味著密度圖對(duì)于人群定位是不可靠的。所以就有任務(wù)提出將人數(shù)估計(jì)與定位一起進(jìn)行處理^[26-29]。

3? 整體架構(gòu)

提出應(yīng)用系統(tǒng)的架構(gòu)如圖1所示。整個(gè)系統(tǒng)主要由四部分構(gòu)成。第一部分是數(shù)據(jù)采集模塊，主要是由攝像機(jī)構(gòu)成;第二部分是服務(wù)器模塊，可以采用CPU服務(wù)器即可;第三個(gè)模塊是終端顯示模塊，用于對(duì)外提供交互;最后一個(gè)模塊是數(shù)據(jù)中心以及算法庫(kù)模塊。整個(gè)系統(tǒng)通過(guò)互聯(lián)網(wǎng)連接在一起。

數(shù)據(jù)流轉(zhuǎn)主要通過(guò)攝像采集設(shè)備到服務(wù)器之后，數(shù)據(jù)一方面經(jīng)過(guò)算法實(shí)時(shí)分析，另一方面直接存入數(shù)據(jù)中心，用來(lái)支撐后期決策使用。然后算法分析結(jié)果實(shí)時(shí)呈現(xiàn)在終端顯示模塊。

4輕量級(jí)處理模型

考慮到實(shí)際使用中，車(chē)輛數(shù)目不是很大。但是對(duì)于響應(yīng)速度要求較高。所以設(shè)計(jì)一個(gè)輕量級(jí)的網(wǎng)絡(luò)就顯得十分必要。同時(shí)設(shè)計(jì)的輕量級(jí)網(wǎng)絡(luò)應(yīng)該能夠擺脫GPU的限制，能夠用于CPU服務(wù)器。由此，本文設(shè)計(jì)了一個(gè)輕量級(jí)的網(wǎng)絡(luò)，該網(wǎng)絡(luò)保留了多列模型的多接受野。然而并不是采用三個(gè)分支的結(jié)構(gòu)，在接受野之后就進(jìn)行了快速的融合。之后為了有效利用特征，本文在網(wǎng)絡(luò)主干接入了一個(gè)SENet結(jié)構(gòu)^[30]。SENet結(jié)構(gòu)的目的是為了增強(qiáng)在傳播過(guò)程中的有效信息，抑制傳播過(guò)程中的無(wú)效信息。

網(wǎng)絡(luò)首先讀入一張場(chǎng)景圖片，然后將圖片分別通過(guò)三個(gè)卷積核為9×9，7×7以及5×5的卷積核，它們的通道數(shù)分別是10，14以及16。經(jīng)過(guò)三個(gè)卷積核處理后的特征使用一個(gè)3×3卷積核的40層特征通道處理。然后分別通過(guò)一系列特征通道。在40->60的通道之間加了一個(gè)SENet。在此處進(jìn)行特征信息的加強(qiáng)。最終形成密度圖，密度圖經(jīng)過(guò)計(jì)算后形成預(yù)測(cè)數(shù)值。

本文設(shè)計(jì)網(wǎng)絡(luò)使用Pytorch，需要在GPU下訓(xùn)練，然而訓(xùn)練后可以在CPU下平穩(wěn)運(yùn)行，并且能保證有較好效果。

5? 結(jié)論

隨著智能交通，智慧地球的推進(jìn)，如何構(gòu)建一個(gè)更加高效，快捷方便的智慧交通解決方案是一個(gè)有著實(shí)際意義的工作與研究主題。本文以建設(shè)一個(gè)實(shí)時(shí)高效的智能車(chē)流量管理系統(tǒng)為中心任務(wù)，從構(gòu)建系統(tǒng)的外圍硬件著手，擴(kuò)展系統(tǒng)的使用效率與效果。結(jié)合目前的人群計(jì)數(shù)技術(shù)構(gòu)建了一套高效快捷的智能流量管理方案。

參考文獻(xiàn)

1. 劉強(qiáng). 人工智能在計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)中的實(shí)踐與探索[J]. 軟件， 2018， 39（11）： 242-245.

2. 汪子堯， 賈娟. 人工智能的前生、今世與未來(lái)[J]. 軟件， 2018， 39（2）： 223-226.

3. 梁子鑫. 探討新時(shí)代背景下新興技術(shù)在人工智能中的應(yīng)用[J]. 軟件， 2018， 39（7）： 166-169.

4. 郭健， 王勇. 人工智能結(jié)合自動(dòng)化測(cè)試在智能電網(wǎng)系統(tǒng)中的未來(lái)應(yīng)用[J]. 軟件， 2018， 39（11）： 224-229.

5. Sindagi V A， Patel V M. A survey of recent advances in cnn- based single image crowd counting and density estimation[J]. Pattern Recognition Letters， 2018， 107： 3-16.

6. 曹妍， 陳偉. 基于 MATLAB 圖像處理的藥片計(jì)數(shù)方法研究[J]. 軟件， 2018， 39（9）： 13-15.

7. Loy C C， Chen K， Gong S， et al. Crowd counting and profiling： Methodology and evaluation[M]//Modeling， simulation and visual analysis of crowds. Springer， New York， NY， 2013： 347-382.

8. Liu X， van de Weijer J， Bagdanov A D. Leveraging unlabeled data for crowd counting by learning to rank[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018： 7661-7669.

9. Liu Y， Shi M， Zhao Q， et al. Point in， box out： Beyond counting persons in crowds[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019： 6469-6478.

10. Basalamah S， Khan S D， Ullah H. Scale Driven Convolutional Neural Network Model For People Counting and Localization in Crowd Scenes[J]. IEEE Access， 2019.

11. Zhang Y， Zhou D， Chen S， et al. Single-image crowd counting via multi-column convolutional neural network[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016： 589-597.

12. Sindagi V A， Patel V M. Cnn-based cascaded multi-task learning of high-level prior and density estimation for crowd counting[C]//2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance （AVSS）. IEEE， 2017： 1-6.

13. Sindagi V A， Patel V M. Generating high-quality crowd density maps using contextual pyramid cnns[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017： 1861-1870.

14. Xingjiao Wu， Yingbin Zheng， Hao Ye， Wenxin Hu， Jing Yang， and Liang He， “Adaptive scenario discovery for crowd counting， ” in IEEE International Conference on Acoustics， Speech， and Signal Processing （ICASSP）， 2019， pp. 2382- 2386.

15. Gao J， Wang Q， Yuan Y. SCAR： Spatial-/channel-wise attention regression networks for crowd counting[J]. Neurocomputing， 2019， 363： 1-8.

16. Zeng X， Wu Y， Hu S， et al. DSPNet： Deep scale purifier network for dense crowd counting[J]. Expert Systems with Applications， 2020， 141： 112977.

17. Xingjiao Wu， Yingbin Zheng， Hao Ye， Wenxin Hu， Tianlong Ma， Jing Yang， Liang He， Counting Crowds with Varying Densities via Adaptive Scenario Discovery Framework， Neurocomputing（2020）， doi： https：//doi.org/10.1016/j.neucom. 2020.02.045.

18. Zhang L， Shi M， Chen Q. Crowd counting via scale-adaptive convolutional neural network[C]//2018 IEEE Winter Conference on Applications of Computer Vision （WACV）. IEEE， 2018： 1113-1121.

19. Fang Y， Zhan B， Cai W， et al. Locality-constrained spatial transformer network for video crowd counting[C]//2019 IEEE International Conference on Multimedia and Expo （ICME）. IEEE， 2019： 814-819.

20. Xiong F， Shi X， Yeung D Y. Spatiotemporal modeling for crowd counting in videos[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017： 5151-5159.

21. Xu M， Ge Z， Jiang X， et al. Depth information guided crowd counting for complex crowd scenes[J]. Pattern Recognition Letters， 2019， 125： 563-569.

22. Xingjiao Wu， Baohan Xu， Yingbin Zheng， Hao Ye， Jing Yang， and Liang He， “Fast video crowd counting with a temporal aware network， ” arXiv： 1907.02198， 2019.

23. Change Loy C， Gong S， Xiang T. From semi-supervised to transfer counting of crowds[C]//Proceedings of the IEEE International Conference on Computer Vision. 2013： 2256- 2263.

24. Lu E， Xie W， Zisserman A. Class-agnostic counting[C]//Asian Conference on Computer Vision. Springer， Cham， 2018： 669-684.

25. Sam D B， Sajjan N N， Maurya H， et al. Almost Unsupervised Learning for Dense Crowd Counting[C]//Proceedings of the Thirty-Third AAAI Conference on Artificial Intelligence， Honolulu， HI， USA. 2019， 27.

26. Zeng X， Wu Y， Hu S， et al. DSPNet： Deep scale purifier network for dense crowd counting[J]. Expert Systems with Applications， 2020， 141： 112977.

27. Jiang X， Xiao Z， Zhang B， et al. Crowd Counting and Density Estimation by Trellis Encoder-Decoder Networks[C]//Pro?ceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019： 6133-6142.

28. Khan S D， Ullah H， Uzair M， et al. Disam： Density Independent and Scale Aware Model for Crowd Counting and Localization[C]//2019 IEEE International Conference on Image Processing （ICIP）. IEEE， 2019： 4474-4478.

29. Lian D， Li J， Zheng J， et al. Density Map Regression Guided Detection Network for RGB-D Crowd Counting and Localization[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019： 1821-1830.

30. Hu J， Shen L， Sun G. Squeeze-and-excitation networks[C]// Proceedings of the IEEE conference on computer vision and pattern recognition. 2018： 7132-7141.