基于人群計數的交通流量應用研究

馬振亞 王寬 左霖杰 曹宇

摘? 要： 隨著世界經濟的發展，交通壓力越來越大。為了有效管理交通系統，同時也為交通決策提供支撐。本文基于人群計數（Crowd Counting）構建了一個交通流量管理系統。同時針對車輛流量統計的任務，提出了一個高效的輕量級網絡，該網絡保證了一定的精度和速度。最后該系統可以用于實際交通流量預測與管理，為交通管理決策提供有效助力。

關鍵詞： 人群計數;交通流量;人工智能;智能算法

中圖分類號： TP391. 41 ???文獻標識碼： 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. 基于人群計數的交通流量應用研究[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

隨著世界經濟與科技的發展，行人與車輛數量已經嚴重超過了城市負荷。很多城市不得不出臺對應的交通管制措施。交通流量管理的關鍵在于如何有效準確的統計車輛數量，為決策者提供一個有力的參考。近幾年來，隨著深度學習的發展，越來越多的人工智能產品正在逐步占據市場^[1-4]。人群計數是現在一個熱點研究的技術，人群計數的目標是預測出場景里面的人群數量。針對場景中的車輛也可以使用人群計數進行處理，在人群計數任務中，有專門的子任務是用于處理車輛管理^[5]。現在人工智能發展迅速，人工智能產品不斷填補著人們的生活。使用深度卷積神經網絡處理問題成為越來越重要的一個手段，同時，神經網絡處理問題也因為其速度受到贊譽。本文的目標就是使用基于神經網絡的人群計數方法構建一個用于交通流量管理的快速高效的高速公路流量管理系統。

1 ?建設高速公路流量管理系統必要性

目前交通流量統計一般靠專門設置于特定位置的交通流量調查設備，這樣統計的數據一方面結果無法實現全程覆蓋，另一方面這樣的統計數據很難得到有效利用。除此之外，僅采集特定點位的交通流量數據，不能適應如今大數據環境下的需求。在交通領域有很多攝像頭收集設備，如果將這些設備利用起來，那么就能解決數據量以及數據實時性不夠的問題。

高速公路數據流量的收集對于交通管制以及交通規劃有著重要的作用，收集這些數據對于交通規劃以及交通疏導都是十分重要的^[6]。就目前的形勢而言，檔案或者數據的電子化，共享已經成為了趨勢。如何更好地使用數據，如何更好地收集資源就成為了企業戰略資源的儲備。

所以建設高速公路流量統計系統是一個十分有意義的舉措。

2 ?人群計數研究進展

人群計數技術成為了目前熱點的研究問題，受到了越來越多的研究者的關注。人群計數方法被分為傳統的與基于神經網絡方法的。傳統的方法分為三類：基于檢測的，基于回歸的以及基于密度估計的^[7]。這里僅討論基于神經網絡的方法。

近年來，隨著分類識別領域深入學習的突破，越來越多的新方法使用了基于卷積神經網絡的特征提取來提供規模和視角不變的特征。

本文將人群計數的方法按照網絡架構歸類為為以下幾類：單列網絡結構、多列網絡結構、以VGG為backbone的網絡結構、時序處理模型，無監督的模型以及用于計數與定位的模型。

單列網絡結構：單列結構是一種最基礎的網絡結構，代表性的著作有L2R^[8]，PSDNN^[9]以及SD-CNN^[10]。多列網絡結構：多列網絡結構是為了解決圖像中存在的視差以及角度變換問題提出的由不同接受野采集信息的一種合成網絡。代表作品有MCNN^[11]，CMTL^[12]，CP-CNN^[13]以及ASD^[14]。以VGG為backbone的網絡結構：由于VGG網絡在提取特征上有著較為優異的性能，同時VGG特征提取只有4個池化操作，比較符合計數任務的需求。所以目前越來越多具有代表性的作品都使用VGG作為主干網絡^[15-18]。時序處理模型：由于很多任務是基于視頻應用的，時序信息就可以用于糾正預測。越來越多的時序處理模型被探索開發^[19-22]。無監督的模型：隨著人力成本的增加，數據標注成本越來越高，如何使用無監督模型使用那些未標注數據是一個極大的改進方式。現在這種方式正在被不斷地進行發掘與探索^[23-25]。目前主流的方法主要分為三類：不必對每一幀都進行詳盡的注釋，而是選擇信息量最大的幀進行自動和主動的注釋;與其只從標記的數據中學習，不如充分利用大量未標記的數據;采用其他場景的標記數據，進一步減輕了數據標注的負擔。

用于計數與定位的模型：目前大多數現有人群計數采用的方法首先估計人密度圖，然后在這個地圖上計算積分以獲得最終計數。正如先前的幾項調查所觀察到的那樣，即使最終報告的人數是準確的，學習到的密度圖也會明顯偏離真實的人員密度。這意味著密度圖對于人群定位是不可靠的。所以就有任務提出將人數估計與定位一起進行處理^[26-29]。

3? 整體架構

提出應用系統的架構如圖1所示。整個系統主要由四部分構成。第一部分是數據采集模塊，主要是由攝像機構成;第二部分是服務器模塊，可以采用CPU服務器即可;第三個模塊是終端顯示模塊，用于對外提供交互;最后一個模塊是數據中心以及算法庫模塊。整個系統通過互聯網連接在一起。

數據流轉主要通過攝像采集設備到服務器之后，數據一方面經過算法實時分析，另一方面直接存入數據中心，用來支撐后期決策使用。然后算法分析結果實時呈現在終端顯示模塊。

4輕量級處理模型

考慮到實際使用中，車輛數目不是很大。但是對于響應速度要求較高。所以設計一個輕量級的網絡就顯得十分必要。同時設計的輕量級網絡應該能夠擺脫GPU的限制，能夠用于CPU服務器。由此，本文設計了一個輕量級的網絡，該網絡保留了多列模型的多接受野。然而并不是采用三個分支的結構，在接受野之后就進行了快速的融合。之后為了有效利用特征，本文在網絡主干接入了一個SENet結構^[30]。SENet結構的目的是為了增強在傳播過程中的有效信息，抑制傳播過程中的無效信息。

網絡首先讀入一張場景圖片，然后將圖片分別通過三個卷積核為9×9，7×7以及5×5的卷積核，它們的通道數分別是10，14以及16。經過三個卷積核處理后的特征使用一個3×3卷積核的40層特征通道處理。然后分別通過一系列特征通道。在40->60的通道之間加了一個SENet。在此處進行特征信息的加強。最終形成密度圖，密度圖經過計算后形成預測數值。

本文設計網絡使用Pytorch，需要在GPU下訓練，然而訓練后可以在CPU下平穩運行，并且能保證有較好效果。

5? 結論

隨著智能交通，智慧地球的推進，如何構建一個更加高效，快捷方便的智慧交通解決方案是一個有著實際意義的工作與研究主題。本文以建設一個實時高效的智能車流量管理系統為中心任務，從構建系統的外圍硬件著手，擴展系統的使用效率與效果。結合目前的人群計數技術構建了一套高效快捷的智能流量管理方案。

參考文獻

1. 劉強. 人工智能在計算機網絡技術中的實踐與探索[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[J]. 軟件， 2018， 39（2）： 223-226.

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

4. 郭健， 王勇. 人工智能結合自動化測試在智能電網系統中的未來應用[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 圖像處理的藥片計數方法研究[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.