基于視頻信息的高速公路隧道交通管控技術研究

趙榮達,王 斌,張立峰,孫 玉,和四勇

(云南省交通投資建設集團有限公司,云南 昆明 650103)

1 高速公路隧道交通安全現狀

隨著公路建設里程的不斷增長,我國長隧道及特長隧道的規模增加十分迅速。交通運輸部的統計數據顯示,截至2020年,全國公路隧道共21 316處、2 199.93萬m。從隧道的里程數和特長隧道的占比來看,在以山地為主的云南地區,隧道交通運行的安全保障尤為重要。伴隨著隧道數量的快速增長,隧道交通事故也呈現出上升趨勢,且交通事故具有傷亡大、救援難的特點,可見,對于隧道交通的運行安全保障是一個關乎人民生命財產安全的重大問題。

當隧道內發生事故、擁堵等交通事件時,隧道及其近鄰路段的交通運行將受到巨大影響。由于隧道內外環境差異,高速公路隧道的結構相較于普通路段比較封閉,空間狹小,產生交通事件后若交通組織不當,滯留車輛將不能及時疏散,極易導致連鎖反應,引起整個路段的嚴重擁堵或發生二次事故,造成更嚴重的影響。

高速公路隧道交通安全管理是一個涵蓋了交通風險時空變換的動態非線性系統,影響高速公路隧道交通安全的風險因素主要包括了駕駛人因素、車輛因素、道路因素、環境因素以及管理因素。與開放路段相比,駕駛人在隧道內行駛時受限速、信息誘導、照明、通風、路面性能、交通量等因素的影響,導致了較大的駕駛負荷,進一步增加了隧道內交通運營的風險,使得隧道路段容易成為高速公路的交通運行的瓶頸路段。隨著計算機技術在交通領域的廣泛應用以及交通工具娛樂方式逐漸多樣化,人類對當下智能交通工具的依賴性逐漸增強,這也成為分心駕駛行為出現的重要誘因,尤其是在隧道內單調的運行環境下,駕駛人容易產生輕視心理,安全隱患極大。

總的來說,高速公路現有交通基礎設施愈發難以滿足快速增長的交通出行需求,無法提供完善的出行信息服務,因此,建設統一高效的公路運營安全風險管理體系,形成事前主動防控的管理理念,提升高速公路整體運營安全水平是行業發展的必然要求。

目前,我國隧道交通管控缺乏系統性的指揮調度體系,運營數據整理成本高、速度慢、難度大,實際運營數據組織成本高,管理者大多憑經驗判斷指揮決策,相關理論研究基礎較為薄弱,對實時有效管理控制隧道內交通流特別不利,隧道交通運行的安全形勢不容樂觀。

因此,實現“全方位、全時段、全天候”的隧道交通運行狀態監控管理及風險的智能化識別與預警,將有助于提高隧道通行安全和效率,幫助政府和交管部門進行業務管理及分析,形成健全協調的指揮體系,提高數據管理水平,通過多種方式服務出行者。

2 基于視頻信息的隧道交通運行參數提取

隨著目標檢測技術在圖像處理、計算機視覺領域得到重要應用,車輛檢測技術逐漸在智能交通領域受到廣泛關注,利用高速公路隧道側裝攝像頭獲取車輛運行的高清視頻,提出一種基于YOLOv5算法的隧道車輛檢測技術,實時獲取隧道內車輛的類別和位置信息,并進一步分析得出車輛微觀軌跡、速度、流量、加速度、跟車間距等宏微觀交通運行參數,為隧道智能化交通管控系統的構建奠定堅實的數據基礎[4]。

YOLOv5算法首先將圖像分為X×X個網格,每個網格分別負責檢測網格中心的目標,由這些網格生成X×X×Y個邊界框,每個邊界框包含目標寬高尺寸(X,Y,W,H)、目標中心點坐標和是否包含目標的置信度五個參數[5];然后,由X×X個網格預測這個網格中的目標預測邊界框的類別概率乘以預測邊界框置信度和類別概率,得到每個預測框的類別得分;最后,對這些預測框進行閾值篩選和非極大值抑制(Non-Maximum Suppression,NMS)操作后得到最終的測試結果。

YOLOv5的輸入端(Input)采用Mosaic數據增強方法,數據集輔以隨機縮放、隨機裁剪和隨機排列。主干層(Backbone)由Focus模塊快速實現了下采樣,不僅增強算法的學習能力而且可以保持算法的輕量化。檢測層(Neck)由FPN和PAN結合。一般情況下,深層特征圖定位信息弱,但具有更強的語義信息,淺層的圖像與之相反。PAN從淺層特征層到深層特征層傳遞定位信息,FPN從深層特征圖到淺層特征圖傳遞語義信息,在FPN與PAN組合下,參數聚合由不同的主干層到不同的檢測層,很大程度上增強了網絡的特征融合能力。輸出層(Output)邊界框回歸損失函數采用CIOU Loss,YOLOv5輸出時充分考慮到了長寬比、中心點距離、重疊面積三個重要因素,這讓遮擋重疊的目標得到檢測,也提高了預測框回歸的精度和速度。總的來說,YOLOv5目標檢測算法匯集了各個算法網絡的優點,讓檢測速度和精度都有了很好的效果,并且轉換格式容易,使部署更方便。

基于專業視頻控制系統的集成,根據問題所在位置獲取圖像的動態畫面,方便現場實時控制,實現隧道全方位、全時段的可視化監控管理。

3 高速公路隧道交通管控系統

(1)數據采集層:從現有隧道視頻監控系統存儲服務器獲取隧道側裝視頻數據,通過YOLOv5視頻檢測算法識別車輛,實現對視頻車流的智能分析,獲取平均車間距、斷面交通流量、車流平均速度數據,再從視頻事件檢測系統和收費系統獲取交通事件數據和收費站流量數據。

(2)數據處理層:采用分布式存儲系統和關系型數據庫相結合的數據存儲方式,綜合應用信號處理、統計學、人工智能、模式識別、認知理論等多學科知識,形成統一坐標系、車輛運動狀態、全方位駕駛場景、駕駛員控制狀態等融合數據,依托各種隧道設施(紅綠燈、信息牌、車輛探測器等)信號,依托車輛高精度地圖、隧道網絡等數據,對異常交通事件進行識別和跟蹤,進而結合交通事件以自主研發的隧道智能安控云平臺、隧道域控制器等輸出數據作為決策層的輸入信號。

(3)數據決策層:利用數據處理層的輸出數據,形成車輛行駛行為規劃的決策指令和隧道內異常事件的預警信號。同時控制隧道內照明和通風設施的聯合應用,調用智能服務模塊,針對隧道異常或事故發出應急信號。

(4)數據應用層:用戶和交管部門通過高性能、低延時的通信載體(5GNR、LTE-A、DSRC等),通過高效傳輸的5G技術及強大的人工智能算力和算法,實現隧道內交通運行狀態實時監測,車-車,車-路數據實時同步,路況實時動態感知,為車輛實時提供交通環境信息。在多維數據賦能條件下,精準識別隧道內突發事件,基于三維地圖、視頻圖像序列對交通運行狀態、交通管控位置等進行可視化監測。實現交通運行監測、狀態判別、參數預測、風險預警、管控預案、三維可視化、車輛實時仿真等功能。

4 工程應用效果

為有效提升公路隧道運營風險預警和智慧管控的水平,助力云南以特殊的區位優勢融入“一帶一路”倡議及RCEP建設中,發揮云南在國際經濟發展圈中的作用,隧道智能安控系統利用交通大數據深度學習算法、三維高精度地圖、分布式計算與存儲等技術進行系統開發,實現基于隧道側裝攝像頭視頻的交通流數據實時檢測、處理與應用,支持隧道可視化交通運行監測、隧道風險識別、風險主動管控、應急協同聯動、智慧管控等功能,如圖1所示。

圖1 系統總體框架

系統在云南省汕昆高速陽宗隧道進行了實際運行測試,總體性能達到了預期設計目標,能夠準確描述隧道交通運行狀態,及時發現交通運行風險,在三維可視化管控、交通監測、風險預警及大數據融合分析方面取得一定成效,隧道基本信息如表1所示。

表1 隧道基本信息

通過確定車輛在三維地圖上的位置,實現三維地圖與車輛高頻軌跡點的匹配,基于三維地圖直接展示隧道基本路段、匝道、匝道-主線連接段通行能力,實時計算交通狀態、交通參數和交通事件等交通狀態數據,預測交通風險位置和等級預警提示等,交通運行風險評估指標具體如表2所示。

表2 交通運行風險評估指標

可以看出,系統能夠準確實現隧道交通運行參數的信息提取,并通過相關風險指標的計算,為隧道交通運行異常狀態的識別及管控提供有力的支持。同時,通過分析流量差、速度差等風險指標,可以得到各車道之間流量、速度的不均衡性,可反映由于追尾、拋錨等事件導致的車道癱瘓現象,為隧道管制方案的制定與設計提供一定的理論支撐。

通過對分布式數據庫進行清洗、挖掘,并基于圖形圖標等多種方式對實時交通數據、預測數據、歷史數據等進行展示和比較分析,匯聚隧道完備數據集,為交通運行場景準確識別、實時預測預警、管控信息發布提供主動風險防控直觀可靠的可視化結果。

系統的設計充分考慮到高速公路管理的實用性、安全性、先進性以及標準化等原則,為了充分發揮隧道交通運行動態分析功能,在硬件、網絡和平臺軟件的建設方面充分考慮到高速公路運營管理的特點,基于實時、準確的隧道視頻交通流檢測數據和隧道交通運行預警管控流程、方法、參數及模型技術體系,開發了大數據后臺軟件系統,實現了該隧道運行交通流數據監測、狀態判斷、參數預測、風險預警和管控預案等應用功能。

在各子模塊的界面設計上,充分考慮了監管人員的體驗與習慣,提供二維平面、三維立體隧道樣式,以及自由模式、經典模式界面的任意切換,實現了工作場景的多方面覆蓋,提升了用戶操作的便捷性和實用性。

5 結 論

根據高速公路隧道交通管控技術,項目團隊開發了隧道交通運行動態仿真平臺,并搭建了高速公路隧道交通運行管控可視化平臺,并于云南省汕昆高速陽宗隧道進行了應用。可以看出,基于視頻信息的高速公路隧道交通管控技術可在充分利用隧道原有機電、安控設施的基礎上,通過后端算法,利用高速公路隧道側裝監控視頻,實現了交通運行監測、狀態判別、參數預測、風險預警、管控預案、三維可視化、車輛實時仿真等功能,可為高速公路交通運行安全提供有力保障。