人工智能技術在非機動車治理管控中的應用

徐奧林呂潭呂婷張斌斌

1.安徽科力信息產業有限責任公司；

2.城市交通管理集成與優化技術公安部重點實驗室；3.安徽省智能交通重點實驗室

隨著經濟社會快速發展，機動車和非機動車數量迅速增長，隨之而來的交通事故也不斷攀升，特別是以電動車為代表的非機動車違法行為普遍存在，既危及交通安全，也嚴重影響文明城市形象，社會各界強烈呼吁要求加強非機動車的治理管控，而當前對非機動車的管理還停留在現場查糾模式，雖投入大量警力，但管控范圍、管理時段有限，成效不明顯，迫切需要探索管理新模式。本論文旨在利用人工智能識別技術，通過人臉識別、號牌識別、視頻分析自動檢測非機動車闖紅燈、占用機動車道、逆向行駛、載人等多種應用場景違法行為，確認非機動車號牌及駕駛人員，通過聲光警示系統、違法曝光平臺、社區聯動機制等手段實現對非機動車交通違法行為的精準治理管控。

隨著城市規模的擴大和人口的不斷增加，電動車成為人們正常出行生活中必不可少的交通工具，而電動車數量多、車速快、騎行隨意、難以管理等特性給交通出行安全帶來很大安全隱患。因此，提升非機動車駕駛人員的文明守法意識、加強非機動車駕駛員安全駕駛的監管成為交通治理工作中的重要環節。在交通治理過程中，管理部門投入大量警力資源到各個路口進行現場治理，雖投入大量警力，但管控范圍、管理時段有限，成效不明顯。一方面難以全面覆蓋各個路口，無法起到持續性廣泛性的震懾作用；另一方面對于現場執法的成效也很難做出精準的評價，迫切需要探索管理新模式，實現非機動車的有效管理，減少事故和傷亡人數，基于這種背景提出利用人工智能技術賦能非機動車治理管控。

1 總體思路

本項研究的總體思路為利用AI識別技術通過人臉識別、號牌識別、視頻分析，自動檢測非機動車違法行為、確認非機動車號牌及駕駛人員，從而治理管控非機動車交通違法。主要解決非機動車闖紅燈、占用機動車道、逆向行駛、載人等多種應用場景的治理管控，首先利用視頻專網內卡口和反向電警設備，通過AI識別獲取非機動車號牌和駕駛員人臉圖片，其次通過時間、位置關聯自動識別違法行為并與公安網內非機動車登記系統和臉譜平臺比對確認非機動車和駕駛人員信息，最后將違法取證信息與聲光報警系統、違法曝光平臺對接發布，并建立社區聯動機制，實現非機動車綜合治理管控。

2 研究內容

2.1 數據來源

論文中數據來源為路口路段電警視頻、普通卡口/人臉卡口、公安人口庫、非機動車管理系統、外賣騎手運營商平臺等，獲取非機動車駕駛員違法行駛視頻數據、非機動車號牌、人員身份信息、非機動車車輛信息等，并通過后臺上傳違法數據信息給其他業務平臺。

2.2 非機動車號牌識別技術

基于獲取的大量電警卡口視頻數據實現號牌識別算法的迭代優化[1]，算法流程主要包括收集訓練樣本和標定樣本數據（非機動車標定了約3000張，車牌標定了約10000張，號牌標定了約30000張），通過算法訓練平臺進行迭代訓練，不斷提高非機動車號牌識別準確率。

非機動車號牌識別算法是在收集到非機動車行駛樣本視頻和圖片后，基于AI算法平臺，通過對非機動車號牌及行駛視頻特征值訓練，實現對非動車號牌的識別及抓拍。非機動車號牌視頻、圖片來源為不同場景多個道路的非機動車行駛視頻。

將優化的非機動車號牌識別算法導入到前端電警卡口設備或者終端服務器上，更新驗證算法。

通過長時間不斷的訓練完善非機動車號牌識別算法，提高識別準確率。

2.3 基于智能識別技術的非機動車管控應用

2.3.1 非機動車占道行為治理管控應用

利用人工智能識別技術，結合先前已經設定的車道屬性判斷車輛是否存在違法占用車道行駛的交通違法行為[2]。當有車輛進入視頻檢測區域（此區域為快速路等禁止非機動車行駛道路區域）時，后方電警相機識別非機動車號牌信息，抓拍圖片，同時前方人臉卡口抓拍人臉圖片，通過時間和位置的聯動性，將同一時間同一區域的號牌和人臉圖片合成圖片，與非機動車管理系統和人口臉譜平臺作比對，確定駕駛員信息和車輛信息。

對于確認的非機動車和駕駛人員，主要通過以下三種方式進行精準治理管控應用[3]。

(1)違法占道警示系統，當非機動車違法占道時，利用太陽能發光道釘和高音喇叭語音提示進行聲光警告，提醒非機動車及時回歸非機動車道；(2)違法曝光發布平臺，對系統抓拍的違法圖片，通過違法曝光平臺在媒體、路口大屏進行發布；(3)社區聯動機制，對確認的違法行為人或非機動車車主，由轄區交警大隊聯系其所在社區，并由社區工作人員通知當事人到交警大隊接受教育、處罰。違法占道治理管控業務應用模型如圖1所示。

圖1 違法占道治理管控業務應用模型Fig.1 Application model of illegal road occupation governance and control business

2.3.2 非機動車闖紅燈行為治理管控應用

研究基于AI的非機動車闖紅燈自動判別和管控，在識別算法方面與違法占道行為治理管控模型類似，后方電警相機識別非機動車號牌信息并抓拍，同時前方人臉卡口抓拍人臉，通過時間和位置的聯動性，將同一時間同一區域的號牌和人臉圖片合成一張圖片，保存至前端相機；在闖紅燈行為判別中，利用軌跡提取法提取非機動車的運動軌跡以此來判斷非機動車是否存在闖紅燈違法行為[4]。

對于確認的非機動車闖紅燈人員主要通過以下兩種方式進行精準治理管控：(1)非機動車闖紅燈行為曝光，通過后端平臺在網絡媒體、手機端或是發布屏通報；(2)與非機動車闖紅燈人員所在社區實現聯動，由確認的闖紅燈人員所在轄區交警大隊聯系其所在社區，由社區工作人員通知其到交警大隊接受教育、處罰。闖紅燈治理管控業務應用模型如圖2所示。

圖2 闖紅燈治理管控業務應用模型Fig.2 Red light running management and control business application model

2.3.3 非機動車逆向行駛行為治理管控應用

當有車輛進入視頻檢測區域時，利用AI識別技術對非機動車輛行駛軌跡進行跟蹤分析，根據行駛軌跡方向和車道正確的行駛方向判斷車輛是否存在逆行交通違法行為。若有逆行行為，則車輛后方電警和前方人臉卡口分別抓拍非機動車號牌和人臉圖片，通過后臺將非機動車號牌和人臉合成圖片，同時在非機動車管理系統和人口臉譜平臺作比對確定逆行人員相關信息和非機動車信息[5]。

對于非機動車逆向行駛人員的精準治理管控主要是包括公開通報、社區勸導和交警教育、處罰等方式，實現對非機動車逆向行駛行為的警示、曝光和批評，起到威懾作用，提高非機動車駕駛人安全駕駛意識和危險防范意識，降低違法行為發生率。逆向行駛治理管控業務應用模型如圖3所示。

圖3 逆行治理管控業務應用模型Fig.3 Retrograde governance management and control business application model

2.4 違法數據統計分析和宣傳監管應用

對違法和事故高發時間、高發地點、駕駛員違法頻率等進行統計分析，并深入分析高發原因和開展實地調研，一方面用于道路管理決策；另一方面對于高頻違法人員進行針對性宣傳教育，提高安全駕駛意識，精準治理非機動車輛[6]。

2.5 下一步研究應用方向

下一步將與外賣、共享單車等平臺對接，通過運營商實現對外賣、共享單車駕駛員共同監督和管理[7]，對于違法情況嚴重的駕駛人可以降低其征信分數，實現全面治理管控非機動車的目標。

3 結語

通過本文應用可以改變傳統現場攔截非機動車的業務模式，實現了非機動車治理的精細化、智能化、全面化，對非機動車違法駕駛員起到了很好的教育督導作用，可以規范非機動車駕駛行為，有效降低非機動車的違法行為和事故率，順應了交通管理的未來發展趨勢，具有較大的應用研究價值。

引用

[1] 路雪,劉坤,程永翔.一種深度學習的非機動車輛目標檢測算法[J].計算機工程與應用,2019,55(8):182-188.

[2] 葉佳林,蘇子毅,馬浩炎,等.改進YOLOv3的非機動車檢測與識別方法[J].計算機工程與應用,2012,57(1):194-199.

[3] 江一凡.深圳市非機動車交通安全管理方法研究[J].交通企業管理,2020,35(1):97-99.

[4] 徐倩.GB 17761-2018《電動自行車安全技術規范》解讀[J].中國質量技術監督,2019(3):63-65.

[5] 王志瑞,閆彩良.圖像特征提取方法的綜述[J].吉首大學學報(自然科學版),2011,32(5):43-47.

[6] 韓超.電動自行車交通安全法律規制[J].環球市場信息導報,2017(37):139.

[7] 方恩升.城市電動自行車治理的困境解讀與破解路徑[J].經濟與社會發展,2017(5):25-31.