基于無人機視頻的公路交通標志缺失檢測技術研究及應用

劉 坤,孫 滿,王 樂,謝 斌,黨 倩,高 嬋

（1.徐州市公路事業發展中心,江蘇 徐州 221018; 2.華設設計集團股份有限公司,江蘇 南京 210000）

0 引言

近年來，交通運輸部發布了一系列政策針對新技術的應用進行了指導。無人機作為一種新型設備，通過5G、物聯網、AI 技術等技術的融合，能夠在很多不同行業中起到良好應用效果。目前，無人機逐步在交通行業中開展應用研究[1]。利用無人機應急調度系統開展公路巡查，可以第一時間到達現場了解情況，及時執行應急調度[2]。目前公路管理部門已經將無人機應用到公路行業管理方面，但是主要依賴人工操作、人眼判斷，較少運用人工智能算法識別技術[3]。

交通標志識別[4]指利用機器視覺技術進行標志識別，其應用領域廣泛，如自動駕駛輔助系統、自主駕駛、交通控制、公路網維護等[5]。交通標志是行車過程中的重要指示標志，是保障行車有序和道路交通安全的重要成分，因此對交通標志的識別具備很高的研究意義和實際價值。隨著深度學習的興起，目標檢測和識別任務[6-7]得到了極大發展，但目前尚無可用的交通標志檢測數據庫或分析系統。由于交通標志易受采集條件影響，往往目標小且容易受到環境中天氣、光照度、障礙物遮擋等影響，不易被正確識別，因此交通標志識別是一項具有挑戰性的任務。

1 現狀分析

該文以徐州市交通標志缺失事件為例開展研究。目前，徐州市基本實現了重要國省干線外場視頻監控全覆蓋（平均布設密度3～4 km/處），接入徐州公路視頻監控平臺固定視頻553 路（睢寧縣公路網管理與應急指揮中心接入視頻60 余路，徐州市三環路網指揮中心接入視頻74 路）。另外，徐州市現有移動視頻車共計50 輛，可通過3G、4G 方式向路網中心實時傳輸視頻。

目前對于這種缺失事件的發現主要依靠對徐州公路監控視頻進行人工巡查，即：公路中心管理人員在公路中心對公路視頻監控系統的視頻界面進行人工輪巡，通過人眼觀察的方式發現視頻中發生的交通標志缺失事件，或者派遣巡查車輛上路進行巡查，現場檢查交通標志牌的狀態。根據目前公路巡查現狀，主要存在以下不足之處：

1.1 人工巡檢人員不足

經過調研發現，目前徐州市道路里程長、覆蓋范圍廣，由于路網巡檢包括路基路面狀態、沿線設施狀態、綠化修剪、橋梁健康狀態等較多內容，造成一線養護巡檢任務重。

1.2 人工巡檢實時性不足

目前公路中心逐步完善視頻輪巡系統，依靠人工值班、人工視頻輪巡進行事件檢測，難以實現對交通標志缺失的及時發現和快速維護。

1.3 人工巡檢成本高

目前通過人工輪巡或巡查車輛上路巡查的方式進行交通標志狀態檢測，會造成人工成本、車輛使用成本和燃油能源等的損耗。

1.4 智能化程度不足

目前路側攝像機仍有覆蓋不到的視頻監控盲點，存在視角范圍難以覆蓋整個控制區等問題。由于無人機具備視角靈活、遠距離、高空、快速作業能力，因此亟須采用無人機進行智能巡查工作。

采用基于無人機影像的圖像識別手段來檢測公路異常事件，是目前升級現有人工監控方法廣泛接受的方案之一。隨著續航能力提升，以人工智能賦能無人機機載視頻，為大范圍路網運行監測提供智能化手段，解決傳統“車載人走”巡查方式的檢測視野不足、存在安全隱患、能耗較高等問題。

2 算法流程設計

該算法主要流程包括視頻圖像采集、預處理、圖像檢測算法處理、事件結果輸出等部分，分別承擔公路監控視頻數據的采集、視頻圖像的幀提取、事件檢測和事件判別輸出功能。算法流程設計圖如圖1 所示。

圖1 交通標志缺失檢測方法流程圖

3 算法實現

3.1 交通標志目標檢測

交通標志的識別是公路養護巡查與智能駕駛的關鍵領域，這與視頻及圖像中物體目標的檢測技術是分不開的。室外環境復雜多變，交通標志的明亮程度、損壞形變、尺寸變化都對目標檢測系統提出了很高的要求。針對這些特點，我們提出采用YOLO 框架進行交通標志的檢測，檢測速度非?？?，可以滿足移動式視頻檢測器的要求。目標檢測方案采用YOLO 和級聯分類器結合的方式進行檢測，框架流程圖如圖2。

圖2 交通標志目標檢測流程圖

YOLO 目標檢測方法的特點是實現快速檢測的同時還具有較高的準確率。該方法將目標檢測任務看作目標區域預測和類別預測的回歸問題。該方法采用單個神經網絡直接預測目標邊界和類別概率，實現端到端的目標檢測。

Adaboost 是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器（弱分類器），然后把這些弱分類器集合起來，構成一個更強的最終分類器（強分類器）。通過對圖片特征分析，采用不同特征完成分類器，可以得到二分類器，再利用篩選式將分類器級聯起來，形成級聯分類器，提高目標檢測的準確度。級聯分類器示意圖如圖3 所示。

圖3 級聯分類器示意圖

3.2 交通標志缺失狀態檢測

我國各地的公路交通建設日趨完善，公路基礎設施及其附屬設施發生著日新月異的變化。交通標志由于地物遮擋、標志破損及標志被盜等原因，引起了交通標志缺失的問題。在對交通標志缺失狀態識別前首先需要采用交通標志目標檢測算法進行交通標志的識別。

交通標志缺失狀態識別一般是通過人工手段進行識別，這種手段效率低、作業量大且準確度差，限制了道路交通附屬設施維護的及時性，不利于數據信息的及時更新。針對以上問題，該項目提出了一種基于機器視覺的交通標志缺失檢測方法，可對交通標志的缺失問題進行自動化檢測，有效解決了現有人工手段效率低、作業量大且準確度差的問題，大大提高了巡查效率和準確率。

識別模塊檢測利用改進的YOLO 神經網絡結構模型進行圖像特征提取，該方法結構模型具體為：基于交通標志尺度較小的特點，刪除YOLO 預測層中52*52*255的大尺度預測層，同時，對13*13*255 的小尺度預測層進行上采樣，與26*26*255的中尺度預測層進行累加融合，重組成新的26*26*255 的預測層，然后以13*13*255 的小尺度預測層和重組后26*26*255 的中尺度預測層分別預測不同尺度的目標，從而完成對所有目標的預測；其中，預測層是指原始YOLOv3 神經網絡結構中的輸出層。改進后的YOLO 神經網絡模型結構示意圖如圖4 所示。

圖4 改進的YOLO 神經網絡模型結構示意圖

4 總結

該文設計并實現了一種基于無人機影像的交通標志狀態缺失狀態監測方法，該方法實現了公路交通標志檢測的信息化、智能化，大幅降低人力成本投入、減少養護巡查經濟成本。同時，提高了事件檢測實時性，節約了巡檢時間，優化了業務流程。該算法可為交通運輸部門公路巡查向非現場化、信息化、智能化方向發展和完善提供參考，符合探索先進裝備在公路行業應用的相關國家行業規劃政策要求。