城市道路交叉口防碰撞預警系統研究

丁軍軍

（江蘇省產業技術研究院 江蘇省南京市 210000）

1 引言

作為城市道路交通的重要組成部分，交叉路口是車輛與行人匯集、轉向和疏散的必經之地，是交通的咽喉，也是交通事故的多發地。據統計，90%的重特大交通事故發生在交叉路口。據某省會城市公布的數據，2017年1-3月交通事故共造成165 人死亡、1173 人受傷，其中，某典型道口發生交通事故154 起。然而，在非一線城市交叉路口因從眾心理行人過馬路闖紅燈現象嚴重[1]，行人不遵守交通規則的行為更是增加了交通事故發生的風險。

研究表明，交通參與方提前1-2 秒感知或識別周圍交通環境中存在的潛在危險，并采用積極應對措施，可大幅度降低交通事故的發生概率或強度[2-5]。但是復雜的路口環境又會給過往行駛司機的視線帶來了阻礙，例如左轉車道有大型車輛等待通行時，中間的直行車輛司機因左轉車輛的遮擋而產生左側視線盲區，若此時有行人闖紅燈從左側穿出，直行車輛司機將無法及時做出反應，最終造成嚴重交通事故。針對此類因視線受阻而突發的“鬼探頭”交通事故，本文開發了一套針對交通事故易發路口的“城市道口防碰撞主動警示系統”。旨在降低城市道口交通事故的發生概率提升駕駛員和行人的人身安全。

2 系統的總體設計

系統的總體架構包含感知層、數據層、控制層、執行層和交互層五個層面。其中，感知層接入紅綠燈信息檢測器和智能監控系統，獲取該路口實時交通信息；數據層獲取智能攝像機信息及交通環境下的綜合態勢，進行數據融合與分析，為控制層提供數據基礎；控制層接收數據層提供的信息在邊緣計算工控主機中完成改進的YOLOv3 檢測算法，運行于邊緣計算單元，實現交通大場景下的小目標實時檢測，利用相關濾波跟蹤算法，對交通環境中的各方交通參與者實時精確定位，實現了目標的運動追蹤，對交通沖突進行精準預測，為執行層提供控制輸入；執行層接收到控制層發出的控制指令，對網絡音柱、爆閃燈、發光地磚、LED 警示屏等設備的功能進行操控；交互層包含PC 端、移動端和可視化大屏，主要實現不同設備之間的交互功能。

3 系統的關鍵技術

3.1 目標檢測

目標檢測是檢測出一張圖片或者一段視頻中目標的位置（靜態或者動態），在交通場景中主要識別的目標為機動車、非機動車以及行人，由于安全的要求使得在交通場景中目標檢測更注重實效性，因此，系統選擇在精度與速度方面均有良好表現的YOLOv3 網絡模型。

3.1.1 Yolov3 檢測模型

Yolov3 基于深度學習框架darknet 開發而來，包含53 個卷積層。采用K-means 算法對數據集中的邊界框進行聚類，獲取9 個先驗框；相比之前的算法，YOLOv3 采用了多尺度檢測方法，特別是針對小目標，檢測精度有顯著提升。

3.1.2 Mobilenetv2

為了符合交通場景下目標檢測實時性與準確率兼顧的要求，本文將采用輕量級網絡結構的MobileNetv2來替換YOLOv3主干網絡，并引入Bottom-up 連接獲取淺層特征信息，解決對遠距離目標實時性檢測存在的不足。

MobileNetv2 架構是基于倒置殘差結構，瓶頸層輸入通過1×1 的Conv+ReLU層將維度從k 維增加到tk 維，然后通過3×3conv+ReLU 可分離卷積對圖像進行降采樣，此時特征維度已經為tk 維度，最后通過1×1conv 進行降維，維度從tk 降低到k 維。整個模型中除了第一個瓶頸層的t=1 之外，其他瓶頸層t=6，即第一個瓶頸層內部并不對特征進行升維。

3.1.3 YOLOv3-Mobilenetv2 檢測算法

將Mobilenetv2 低計算量和參數量的優點與YOLOv3 中的特征金字塔結構和多尺度特征融合策略相結合，形成輕量級的YOLOv3-Mobilenetv2 目標檢測算法[6]。為增強高層特征圖位置信息，在13×13 特征圖上引入Bottom-up 連接。該算法在規模尺寸上較YOLOv3 算法縮小了14 倍。

3.2 行人跟蹤

目標追蹤是給定視頻中第一幀目標以及它的位置，然后跟蹤這個目標，并預測它的軌跡，本文在目標跟蹤中主要研究的對象為闖紅燈的行人。

相關濾波最早應用在信號處理領域，用來描述兩個信號之間的相似性，其基本思想是設計一個濾波模板，利用該模板與目標候選區域做相關運算，最大輸出響應的位置即為當前幀的目標位置。表示公式為：

g=u?ω

其中g 表示響應輸出，u 表示輸入圖像特征，ω 表示濾波模板。利用相關定理，將相關轉換為計算量更小的點積。相關濾波的任務，就是尋找最優的濾波模板ω。經典的方法是采用脊回歸構建模型的目標函數：

其中，Uj為第j 個N 維訓練樣本，ω∈RN, λ 正則化參數，訓練過程中設濾波相應g 為一個高斯函數：

式中，(x,y)為像素坐標位置，(xc,yc)為目標中心位置，g(x,y)在目標中心位置時取最大值。

將訓練好的濾波器應用到第一幀圖像中，并以第一幀目標位置為中心提取區域特征,在下一幀圖像中提取目標區域，對濾波器先進行傅里葉變換，卷積之后，再進行逆向傅里葉變換找最大響應值，這個響應值的位置即為第二幀圖像的待追蹤目標的中心。

3.3 行人狀態估計

行人的狀態估計是判定行人闖紅燈意圖的主要依據，本文建立基于AI 攝像機坐標系的前方行人運動狀態模型，并采用Kalman 濾波對行人的運動狀態進行估計。

雖然行人相對于機動車輛的運動狀態具有靈活性和隨意性，但在闖紅燈這一目的性較明確的行為中，常采用加速直線運動。因此，本文將采用經典的常加速模型（CA 模型）來描述行人的運動狀態。行人運動方程為：

式中，x(0)為行人初始位置，x(t)為行人的位置， 為行人初始速度， 為行人的速度， 為行人加速度。

在路口場景中只需關注行人的平面位置信息，因此狀態估計模型中，采用向量x= 表示運動狀態，其中，（x,y）表示二維平面行人的位移， 表示行人的速度， 表示行人的加速度。行人的運動方程為：

狀態估計模型為：

xk+1=diag[φ,φ]xk+diag[G,G]wk

觀測方程表示為：

Z(t)=Cx(t)+v(t)

式中：Λ 為目標運動狀態的系統矩陣，B 為過程噪聲矩陣，w(t)為隨機白噪聲過程，C 為輸出狀態矩陣，v(t)為噪聲。

3.4 交通沖突預判與決策

根據設計思路，城市道口防碰撞主動警示系統的交通沖突預判與決策流程如下：

步驟1：交通信號燈作為信息輸入；

步驟2：判斷該車輛通行方向是否為綠燈，如為綠燈執行下一步，否則返回上一步；

步驟3：交通攝像機開始工作，面向行車方向橫向斑馬線及周邊重點區域進行行人檢測；

步驟4：行人檢測判別，在重點區域檢測到行人時執行下一步，否則返回步驟二；

步驟5：人行道兩側過街一體燈提醒行人“請勿闖紅燈”；

步驟6：進行行人意圖預測，如行人存在闖紅燈意圖執行下一步，否則返回步驟二；

步驟7：行車道車輛檢測，如有車輛駛入事故發生潛在危險區域執行下一步，否則返回步驟二；

步驟8：行駛車輛對面信號燈橫桿LED 信息屏顯示“注意行人”字樣并點亮指示圖標顯示闖燈行人方向，同時爆閃燈閃爍，過街地燈有綠色變紅，以提醒駕駛司機注意及時減速，避免事故發生。

4 測試與驗證

為驗證所設計系統方案及算法的效果，分別在實驗室及真實路口環境下進行實驗測試和實地驗證。

城市道口防碰撞主動警示系統主要的硬件配置包括：交通攝像機、紅綠燈信號檢測器、邊緣計算工控機、數據交換機、智慧爆閃燈電子引導屏、機動車道停止線發光磚等，其中，交通攝像機選用海康型號DS-2CD7AFD，內置高效白光陣列燈，具備200 萬星光級1/1.8”智能補光，水平視場角99.5°-38.6°；采用紅綠燈信號檢測器LPJT-XHD-5-S，可對5 路紅綠燈信號檢測，應用于電子警察系統紅燈信號檢測；邊緣計算工控主機采用i5 雙核處理器，4G 內存，包含邊緣計算協同控制單元，完成多傳感器感知數據融合，實現交通目標運動跟蹤和軌跡預測，實現各類交通事件的檢測及協同控制；智慧爆閃燈電子引導屏選用顯示尺寸為960mm*320mm 的戶外P10全彩顯示屏，含高清紅藍爆閃燈，并支持遠程控制。

在實驗室內搭建的模擬場景與測試效果如圖6所示，交通攝像機安放在離地面高度2.6 米處，對面規劃三條行車道，在左轉車道上采用人體模擬行駛車輛。圖1所模擬的場景為：當交通信號燈為綠燈時，有行人闖紅燈，此時檢測到行駛車道預警范圍內有行駛車輛，模擬LED 顯示屏點亮顯示“注意行人減速避讓”字樣，提醒行駛車輛注意。

圖1：實驗室測試環境

在室外場景選在蘇州市虎丘區濱河路與橫山路的交叉口，檢測效果如圖2所示。經過系統設備多次的實地檢驗，驗證了城市道口防碰撞主動警示系統的準確與可行性，可有效預防交通事故的發生，測試效果統計如表1所示。

表1：測試效果統計

圖2：室外交通路口實地驗證場景

5 結論

本研究針對城市交通路口因駕駛員視線受阻行人不遵守交通規則而造成的“鬼探頭”交通事故，設計了城市道口防碰撞主動警示系統，基于改進的YOLOv3 算法實現了大交通場景下小目標的實時檢測，利用相關濾波跟蹤算法，實時準確定位交通環境中各類交通參與者，跟蹤目標運動狀態，并結合Kalman 濾波對行人闖紅燈的意圖進行預測，在實現對交通參與者行為沖突的準確預警的同時，有效減少誤報。通過實驗場地測試和實際交叉路口試驗表明，該方案能大大降低交通事故發生的概率和強度。