基于全類型攝像機視頻分析實現電動自行車違法監測的研究與應用

謝剛 董歡 高瑞山

1. 天津市公安局交通警察總隊 天津 300000；

2. 北京市商湯科技開發有限公司 北京 100080

引言

電動自行車以其輕便、省時省力、價格低廉等優點，迅速成為中短距離出行的代步工具。近年來，天津市電動自行車保有量逐年上升，隨之而來的是一些不容忽視的問題，部分電動自行車騎車人不遵守交通法規，不戴頭盔、闖入機動車道、逆行、載人等多類違法行為時有發生，導致交通事故頻繁發生。務須利用人工智能技術、大數據技術等發展成果，構筑以提升道路安全隱患感知能力、城市交通運行有序維護能力、電動自行車違法執法管控能力的智能化模型，通過科技手段助力管理智能化[1]。

1 現狀分析

近年來，天津市電動自行車保有量逐年上升，每年增長率超過20%，當前全市電動自行車約有240萬量。駕駛電動自行車上路的群體包括了多個群體，主要有上班族：單位在居住地附近，主要用來上下班代步之用；本地居民：主要用來出行、市場買菜、接送小孩；特殊行業：主要用來送餐、送貨、送報紙、雜貨等。其中，外賣車占了較大的比例。尤其是受疫情影響，外出就餐的人數大幅下降，相比之下，外賣的需求量大幅度提高。而無論是外賣、快遞、短距離出行，電動自行車都是一個良好的“幫手”。

雖然電動自行車具備諸多優點，但部分電動自行車騎車人安全意識薄弱、不遵守交通法規，導致交通事故頻繁發生。據統計，2019年天津市交通事故死亡人數比去年同期下降11.93%，但電動自行車事故占23.41%，同比上升6.13%。從現今的數據統計中不難看出，電動自行車安全行駛管理仍然有更進一步空間。

2 業務設計

數據采集：結合區域路段特點，選取接入前端攝像機，支持違停球、卡口、電警、普通相機等多類型設備。

模型分析：基于深度學習的計算機視覺算法對視圖資源進行解析。

整改建議：針對監測的區域路段違法行為數據進行研判分析，結合道路基礎設施情況，提供整改建議。

整改評價：針對進行整改區域路段進行監測，分析整改效果[2]。

圖1 業務流程設計框架

3 分析模型

3.1 騎車不戴頭盔

利用城市道路卡口或安裝于電動自行車道攝像機，通過對監控視頻流進行分析，首先識別車型是否為電動自行車，檢測到電動自行車后識別駕駛員是否戴頭盔，當識別出不戴頭盔行為后，進行特征識別分析，包括人臉、人體屬性等。通過人臉識別還原電動自行車駕駛員身份，以此做到精準管控。

3.2 逆行

電動自行車逆行檢測算法對視頻ROI區域范圍內的電動自行車目標進行檢測，并依據劃定的行駛方向，判斷電動自行車當前方向是否與劃定方向是否一致，不一致時即輸出違法告警信息。

3.3 闖入機動車道

通過機動車道之上電子卡口或電警相機，利用監控視頻流進行分析，當識別到有電動自行車進入機動車道時進行圖像截取，通過卡口攝像機的視頻檢測識別聯動，分析電動自行車占道過程中的兩張圖片，采集電動自行車占道的違法全過程。

3.4 電動自行車載人

電動自行車作為最普通的交通工具，載人現象比較普遍，導致交通事故頻繁發生。通過對監控視頻流進行分析，首先識別車型是否為電動自行車，檢測到電動自行車后統計車上人數，當人數超過限定要求后產生預警。

3.5 闖紅燈

電動自行車闖紅燈檢測算法對路口視頻監控劃定ROI監控區域，并實時對監控范圍內的電動自行車目標進行識別檢測并緩存數據；并通過視覺識別方案實現場景內紅綠燈顏色的識別，在紅燈狀態時間段內進行該視頻監控點位內的電動自行車結構化數據篩選，發現紅燈狀態下對應攝像頭監控場景內出現的電動自行車，即輸出對應的電動自行車闖紅燈告警信息[3]。

4 關鍵技術

為了實現對于電動自行車識別及行為判斷，本模型采用視頻結構化技術對視頻流進行解析。從數據處理的流程看，視頻結構化描述技術能夠將非結構化的視頻數據轉化為人和機器可理解的結構化或者半結構化情報信息，并進一步實現視頻數據向信息化、情報化的方向轉化。視頻結構化描述既是海量視頻實現信息化、情報化轉化行之有效的技術，也是當前交通管理領域中對視頻結構化處理的一個指向性方案。在本模型所涉及的視頻結構化描述的內容方面，關注的視頻信息主要是：人員、電動自行車、行為。

4.1 視頻流結構化解析服務

包括視頻流解析任務管理和視頻解析引擎，視頻流解析任務包括結構化、計數、倒逆行、行人闖入等多種解析任務類型。視頻解析服務獲取視頻接入服務發出的視頻流，對視頻流進行解碼、幀提取、質量檢測、車輛檢測跟蹤，事件研判等操作，將解析結果通過消息服務發送到智能平臺中間件服務等進行后續應用。

圖2 視頻結構化解析流程設計

4.2 視頻解析技術創新

智能視頻分析技術質量的優劣對視頻結構化描述影響巨大，為了能更好地進行視頻結構化分析，智能視頻分析面向如下三個方向進行創新：

4.2.1 視頻前期處理：主要包括圖像防抖動和圖像增強。視頻抖動主要成因是道路監控中高架安裝方式帶來較高頻率的小幅抖動，視頻防抖動能有效抑制智能分析中的誤報和漏報，提高智能分析的準確率；圖像增強是對視頻源進行視覺改善處理，有效改善畫質，提高圖像的清晰度，使原本低質量的圖像達到清晰可辨程度。

4.2.2 視頻分析準確率提升：電動自行車類型和行為技術采用神經元網絡方法，降低了網絡模型的復雜度，減少了權值的數量。尤其是在網絡的輸入是多維圖像時優點更為明顯，使圖像可以直接作為網絡的輸入，避免了傳統識別算法中復雜的特征提取和數據重建過程，進而提升了更高分析準確率。

4.2.3 視頻后期處理：主要包括圖像復原和圖像摘要檢索等。圖像復原就是綜合利用超分辨率、去模糊濾波、變形矯正、色彩調整等對模糊視頻進行處理，使之清晰可辨[4]。

5 實戰案例

5.1 場景介紹

天津市文化中心區域聚集了天津兒童活動中心、天津科技館、天津文化中心大劇院、天津圖書館、天津博物館、天津自然博物館等一系列的公共服務，日常通行車輛及電動自行車眾多。尤其是節假日期間，諸多家長通過電動自行車搭載兒童前往游玩、學習。

圖3 試點場景周邊道路示意圖

平江道、隆昌路屬于通行主要路段。平江道路段為雙向5車道，道路中心有隔離護欄，機非車道間無隔離設施；隆昌路段為雙向6車道，道路中心無硬隔離，機非車道間無隔離設施。

5.2 成果說明

選取兩條路段內攝像機進行電動自行車闖入機動車道、逆行、不戴頭盔、載人等違法事件分析。經2周時間的運行監測，針對此區域路段進行了數據分析并整理事件分析報告提供給河西支隊，建議增加警力巡邏、增加硬隔設置、加強公民平安交通意識宣傳。

河西支隊針對相關問題進行了研討，針對隆昌路部分機非混行路段增設了硬隔離，在事件發生高峰時間段增強了警力投入。并且在文化中心區域進行了2次文明騎行宣傳，經過一段時間的監測觀察分析，整體違法事件大幅降低。

5.2.1 闖入機動車道。利用路段內違停電子警察實時動態分析，周平均統計信息如下：

圖4 闖入機動車道整改前后告警數據統計對比

5.2.2 未戴頭盔。利用路段內普通相機實時動態分析，周平均統計信息如下：

圖5 未戴頭盔整改前后告警數據統計對比

5.2.3 逆行。利用路段內違停電子警察實時動態分析，周平均統計信息如圖6。

圖6 逆行整改前后告警數據統計對比

6 結束語

本文所介紹電動自行車違法監控依托現有視頻資源構建，利用AI技術進行賦能實現行為事件分析?；趨^域特點靈活配置模型算法能力，動態監測區域內電動自行車違法行為。以此為依托，圍繞交管業務中的人、非機動車、路的核心管理要素，探索基于人工智能快速有效消除道路交通運行隱患、減小交通事件影響范圍和時間。業務模型構建充分利舊，不涉及大規模資源投入，并且對于現有業務運行無任何影響，未來可依托現有基礎擴展分析場景。同時基于人、非機動車、路相關要素的運行數據積累及數據價值與關聯應用，完成復雜警務高效處理，科學的研判分析，可為區域道路渠化、道路設施設置、交通安全宣傳提供重要的佐證支持。