基于5G技術的高速公路事件智能檢測現狀研究

徐學富　李珺　孫振興

【摘要】? ? 我國高速公路建設取得了矚目的成績，與此同時，交通安全保障面臨巨大壓力。5G技術的不斷發展為高速公路事件智能檢測的研究提供了新的思路，本文歸納總結目前已有的高速公路事件檢測方法，并展望未來的發展方向，對高速公路事件檢測系統建設提出建議，并為后續研究提供參考思路。

【關鍵詞】? ? 高速公路? ? 5G? ? 交通事件檢測? ? 交通安全

引言：

近些年，高速路網越來越完善，高速公路上的車輛也越來越多，隨之產生的交通擁堵、交通安全等問題日益突出。高速公路上的車輛與普通公路上的車輛相比車速較快，一旦發生交通事故，后果會十分嚴重。

交通事件定義為經常發生的非重復性事件[1]。交通事件又分為可預測事件和不可預測事件?？深A測事件主要有交通事故、行人穿越、車輛故障等異常行為、路面拋灑物、自然災害等，不可預測事件主要有大型活動、高速公路養護等。對于可預測事件，駕駛員可以事先規避;而對于不可預測事件，駕駛員無法事先規避，極有可能造成重大事故，所以對高速公路不可預測的交通事件進行檢測顯得至關重要。本文主要對不可預測事件中的行人、車輛異常行為、路面拋灑物檢測方法進行總結歸納，并對結合5G技術對未來發展方向提出構想，最后對檢測系統建設提出建議。

一、高速公路事件檢測方法

（一）高速公路行人檢測方法

高速公路行人檢測技術可以確保高速公路上的車輛能夠安全運行，避免車輛受到行人的干擾，減少事故的發生率。然而在檢測過程中容易受人體姿態、光照強度、天氣變化、遮擋等問題影響，從而導致檢測的精度不高。因此，在復雜的自然交通場景下，如何實現準確、實時檢測識別行人是非常重要的問題。

高速公路行人檢測技術主要基于計算機視覺技術，基于計算機視覺的行人檢測技術主要有以下三個流程：圖像預處理、行人檢測和決策報警，具體流程如圖1所示。傳感器獲取信息后，首先會對圖像信息進行預處理，避免在進行行人檢測時受到圖像亮度、噪聲等因素的影響。圖像預處理結束后，系統再對選取的興趣域（ROI）里的行人進行檢測，當檢測到興趣域內有行人并獲取行人軌跡后，會提醒駕駛員注意周邊的行人。

在行人的檢測過程中，圖像分割能夠幫助提取出興趣域（ROI），圖像分割的成果決定了后期行人檢測精度，合理的圖像分割會使后續的行人檢測工作更容易進行。[2]圖像分割的發展經過了閾值分割、邊緣檢測和語義分割三個階段，[3]各階段特點如表1所示。

通過圖像分割提取興趣域后，則需目標識別技術來對行人進行檢測。目標識別首先需要對行人的特征進行提取，最后通過分類器判斷興趣域內是否有行人。

Dalal[4]提出HOG特征的概念并將其用于行人檢測，HOG特征目前使用最廣泛，但是其維度較高，計算時速度較慢。Zhu[5]提出積分直方圖的概念，提高了計算速度，并通過Adaboost算法建立分類器，相比傳統HOG特征提升了檢測效果。伍敘勵[6]和唐世軒[7]則分別將HOG特征與Haar特征和LBP特征相結合，使用Adaboost算法建立級聯分類器，檢測性能進一步提高。

隨著深度學習的發展，行人檢測算法得到了突破，主要分成兩類，一類基于候選框，一類基于候選框。基于候選框的方法主要有R-CNN、Fast R-CNN和Faster R-CNN等。基于回歸的方法主要有YOLO、SSD等。

Girshick[8]提出了R-CNN，其核心思想是使用分類網絡來得到部分圖像區域，再將這部分區域輸入進CNN當中，以獲得區域的一些特性，然后進行分類判斷區域內是否有行人。R-CNN具有計算重復的缺點，后續Girshick[9]又將其改進提出了Fast R-CNN，Ren[10]則又繼續改進，提出了Faster R-CNN。

為了提升檢測速度，避免Faster R-CNN等方法中的提取多個目標候選框特征的過程，Liu[11]提出了SSD，其核心思想是在多尺度特征圖上直接進行分類和回歸。YOLO網絡模型適合于運動目標檢測，所以其適用于行人檢測。Redmon[12]提出了YOLOv3，其運算速度提升了三倍以上。

王云鵬[13]則提出了基于計算機視覺以外的檢測方法，使用微波雷達傳感器和地磁傳感器對行人進行檢測。雖然微波雷達傳感器和地磁傳感器成本較低，但在設置地磁傳感器時，需中斷高速公路的交通，對交通造成較大的影響，所以目前的主流方法依舊是基于計算機視覺來對行人進行檢測。

（二）高速公路車輛異常行為檢測技術

高速公路場景中的車輛異常行為包括異常停車、低速行駛、占用應急車道、倒車、未放置警示標牌等危險行為，檢測并及時處理車輛異常行為能及時規避交通事故的發生。

隨著視頻監控系統的普及以及計算機視覺技術的發展，基于計算機視覺的交通車輛異常行為檢測占據了主導地位，逐步取代了早期的基于感應線圈、微波傳感器的檢測方式。各種檢測方式的優缺點如表2所示。

Housni[14]提出了新的檢測方法，對傳統的光流法進行了改進，算法實現相對較為簡單，但缺點是檢測精度不高，跟蹤效果不夠穩定。朱憲飛[15]對車輛的位置進行檢測，然后通過車輛位置點采樣、聚類等方法處理車輛的軌跡并對當前車輛的行為模式進行識別，但是該方法而且對于密集場景中的車輛軌跡分析容易出現誤判。隋靚[16]使用目標追蹤技術來還原車輛的軌跡信息，從而判斷逆行、超速等車輛異常行為，該方法采用基于GHOST幀差算法的目標檢測器，無法在車輛密集場合中使用。為避免交通事故帶來的干擾，梁帥[17]借助全局交通流量描述和局部運動方向圖從一定程度上提高了系統識別的準確率。姚蘭[18]提出的追蹤算法減少了軌跡提取過程對背景環境變化的依賴，使得準確率進一步提高。

（三）路面拋灑物檢測技術

高速公路拋灑物掉落容易引起高速公路事故，大范圍的拋灑物，容易導致車輛繞道，通行速度減緩。而小目標的拋灑物不易被駕駛員發現，導致車輛無法及時避讓，從而引發交通事故。拋灑物檢測方法主要有基于前景提取、基于深度學習兩種方法[19]。

基于前景提取的方法優點在于檢測速度比較快，能夠找出非路面的目標，再通過對拋灑物在運動軌跡和圖像特征方面對前景目標進行篩選，最后檢測出路面上的拋灑物。而在高速公路視頻中，仍然存在大量的環境噪聲，導致拋灑物檢測精度不高?；谇熬疤崛〉膾仦⑽餀z測方法主要有幀間差分法、背景差分法、塊像素統計等，[20]其各種優缺點如表3所示。

基于深度學習的方法則可以較好地提高精度，其進行拋灑物檢測的步驟如圖2所示。

阮雅端[21]將拋灑物的檢測可以轉化為路面、非路面的二分類問題，首先判斷圖像中是否包含車輛，如果不包含且該區域屬于路面的置信度低于非路面的類別，則將其判斷為拋灑物。金瑤[22]則基于YOLOv3利用小像素目標更依賴于淺層特征的特點，有效地檢測出紙屑、石塊等小目標拋灑物。

二、5G技術在高速公路事件檢測中的應用分析

（一）5G技術的應用場景

5G技術帶來的是能夠實現對高速公路情況全面的感知，每個路段、每個機動車的情況都可以實時掌握，并且可以與大數據和人工智能等新技術相結合，增強預警的能力。5G技術的接入改變了監控視頻系統本地緩存的模式，還能改變交通管控系統部署方式。

交管部門可以通過5G實時檢測交通狀況，當遇到突發事件，通過5G將情況下發給相關部門，便于對現場進行及時、高效的指揮。

5G技術的發展可以實現OBU和RSU采集的數據在車輛、行人、路側和云平臺之間的共享，從而擴展車輛傳感器探測范圍，事件檢測范圍更加廣泛、準確、及時，降低駕駛風險。

（二）高速公路事件檢測系統的應用建議

檢測系統需建設基礎平臺和算法平臺?；A平臺負責云監控管理、智能巡檢、應用模型接口開發、數據分析等工作;算法平臺則針對高速公路上的各類異常事件，采用深度學習等人工智能算法進行核心算法研究。基礎平臺基于高速公路視頻監控資源安全管理需要，僅在內網部署。其中應用服務器用于提供系統的應用服務;GPU服務器用于接口服務開發部署，為深度學習人工智能模型服務提供圖形處理支持。算法平臺可以自動采集各類交通異常事件圖像與視頻，分類組織標注圖片，形成高速場景下的深度學習標準數據集。標注的類型包括道路分割標注與目標檢測標注?？倶俗⒎輸颠_到100萬份以上，并根據需要適時拓展數據資源。系統經過建設，需達到以下目標：

1.能夠實現高速公路上各類交通異常事件的自動檢測，包括：車輛停駛、行人穿越、拋灑物、煙霧、火災、擁堵等情況;

2.正常天氣條件下，各類事件準確預報率達到90%以上;非正常天氣條件下，各類事件準確預報率達到80%以上;

3.各類高速公路交通突發事件自動上報，應急處置及反饋時間控制在1-5分鐘以內。

三、結束語

基于5G技術的高速公路通過全面的前端感知網絡與后臺數據分析研判，全面實時掌握道路通行狀況。提高高速公路綜合交通管理水平，提升服務質量，為行業管理單位提供了一種高速交通智能監測與管理思路，以本系統的建設帶動智慧交通產業化發展。

通過監控設備的視頻分析，及時發現高速公路異常情況，減少報警反應時間;通過加強與交警、高速業主之間的動態聯動，加強相關部門之間的協作，減少部署聯絡時間;有效疏導高速公路客流，減少高速公路車流疏散時間;誘導駕駛員降低行駛速度，避免二次事故的發生。系統的建設將推動新一代人工智能技術在智慧高速領域的研發與技術積累，抓住當前算力、算能、帶寬升級換代的科技機遇，實現產業科技創新發展。同時有效填補了因科技發展而導致的相關行業創新軟件研發落后的狀態。

參? 考? 文? 獻

[1]姜桂艷， 溫慧敏， 楊兆升. 高速公路交通事件自動檢測系統與算法設計[J]. 交通運輸工程學報， 2001（01）： 77-81.

[2]楊紅亞， 趙景秀， 徐冠華， 等. 彩色圖像分割方法綜述[J]. 軟件導刊， 2018，17（04）： 1-5.

[3]耿藝寧， 劉帥師， 劉泰廷， 等. 基于計算機視覺的行人檢測技術綜述[J]. 計算機應用， 2021，41（S1）： 43-50.

[4] DALAL N， TRIGGS B. Histograms of Oriented Gradients for Human Detection： IEEE Computer Society Conference on Computer Vision & Pattern Recognition[C]， 2005.

[5] ZHU Q. Fast Human Detection Using a Cascade of Histograms of Oriented Gradients： CVPR ‘06 ： Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition， Washington， DC， USA[C]， 2006.

[6]伍敘勵. 基于HOG和Haar聯合特征的行人檢測及跟蹤算法研究[D]. 電子科技大學， 2017.

[7]唐世軒. 基于HOG與LBP聯合特征的行人檢測算法研究[D]. 中國礦業大學， 2019.

[8] GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[J]. IEEE Computer Society， 2013.

[9] GIRSHICK R. Fast R-CNN[J]. arXiv e-prints， 2015.

[10] REN S， HE K， GIRSHICK R， et al. Faster R-CNN： Towards Real-Time Object Detection with Region Proposal Networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2017，39（6）： 1137-1149.

[11] LIU W， ANGUELOV D， ERHAN D， et al. SSD： Single Shot MultiBox Detector[J]. Springer， Cham， 2016.

[12] REDMON J， FARHADI A. YOLOv3： An Incremental Improvement[J]. arXiv e-prints， 2018.

[13]王云鵬， 羅渠元， 李長樂， 等. 基于智慧公路的行人檢測技術研究與實現[J]. 物聯網學報， 2019，3（03）： 84-89.

[14]HOUSNI K， MAMMASS D， CHAHIR Y， et al. Moving Objects Tracking in Video by Graph Cuts and Parameter Motion Model[J]. International Journal of Computer Applications， 2012，40（10）： 20-27.

[15]朱憲飛. 交通系統監控環境下車輛異常行為識別算法研究[D]. 山東大學， 2018.

[16]隋靚. 高速公路交通異常事件檢測算法研究[D]. 蘭州交通大學， 2017.

[17]梁帥. 基于機器視覺的交通異常事件檢測算法研究[D]. 電子科技大學， 2017.

[18]姚蘭， 趙永恒， 施雨晴， 等. 一種基于視頻分析的高速公路交通異常事件檢測算法[J]. 計算機科學， 2020，47（08）： 208-212.

[19]歐陽聰宇. 基于背景分離混合高斯模型的高速公路小目標拋灑物檢測[D]. 浙江大學， 2020.

[20]汪貴平， 馬力旺， 郭璐， 等. 高速公路拋灑物事件圖像檢測算法[J]. 長安大學學報（自然科學版）， 2017，37（05）： 81-88.

[21]阮雅端， 高妍， 張宇杭， 等. 基于深度卷積網絡的路面遺留物檢測方法：

[22]金瑤， 張銳， 尹東. 城市道路視頻中小像素目標檢測[J]. 光電工程， 2019，46（09）： 76-83.