基于雷視融合的交通事件檢測技術探討

摘要 近年來，隨著信息技術的發展，道路交通事件檢測的方法和手段也更加豐富，對提高道路交通管理效率、減少擁堵、提升交通安全水平具有重要意義。文章比較和分析了視頻、雷達等事件檢測技術的優勢和不足，并對近年出現的雷視融合交通事件檢測技術進行詳細的探討，從雷視融合的技術路徑、系統功能等方面進行分析，為交通事件檢測技術更好地應用于交通管理工作實際提供了思路。

關鍵詞 雷視融合；交通事件；檢測

中圖分類號 U495 文獻標識碼 A 文章編號 2096-8949（2024）04-0027-03

0 引言

我國每年因交通事故造成的損失達數百億元，為了預防和減少交通事故，及時有效地進行事故救援和處理，有效減少由于交通事故產生的交通延誤及避免二次事故的發生，必須準確、快速地對交通異常和交通事件進行檢測。

長期以來交通事件檢測依賴于道路管理人員人工監視交通狀況，發現交通事件，選擇管控策略，效率低、工作量大，交通事件自動檢測是交通監控系統發展的必然選擇，視頻、雷達等均在交通事件檢測中有所應用。在實際工程實踐中存在誤報率較高、能見度不足無法使用等問題，需要不斷探索更加高效、準確的交通事件檢測技術適應大流量道路交通管理的需求^[1]。

1 交通事件檢測概況

交通事件是指非周期性發生且使某段道路通行能力下降的事件，通常有交通事故、路面障礙、車輛故障、道路施工、道路封閉等。目前主要的事件檢測方法有兩種：

（1）視頻檢測法：主要通過視頻和圖像處理的方法完成對目標的跟蹤、識別及交通流檢測，采用視頻分析方法直觀感知交通運行狀況（如交通流量、車流密度及道路使用狀況等），主要存在的問題是在能見度不足、視線遮擋等情況下，無法對交通場景進行快速、準確、完整的微觀層面的感知、分析與理解。

（2）雷達檢測法：通過對主線上設置的雷達，采集點云數據，通過分析交通流參數的影響來檢測事件的存在，由于存在大型車遮擋、靜止物體難以發現等問題，仍然存在檢測率低、誤報率高等問題。

2 雷視融合交通事件檢測技術探討

下文分別分析視頻事件檢測和雷達事件檢測的技術特點，并對雷視融合事件檢測技術進行探討。

2.1 視頻檢測技術分析

當前廣泛應用的視頻檢測系統，以固定相機、云臺相機、事件檢測相機、車牌識別相機等為主要數據采集設備，根據實際環境和監控需要布設于不同位置，具有一定的覆蓋范圍。視頻設備可以實現車輛檢測、車輛識別、車牌識別、車輛跟蹤、車輛定位、交通流量計算、車輛速度估計等功能及應用。具有以下優勢：

（1）數據優勢：視頻設備以數字圖像為載體，能夠提供與人眼相同的直觀感知數據，數據直觀，數據形式便于人們理解。

（2）數據處理優勢：采用圖像處理、機器學習、人工智能等領域算法，能有效對交通目標開展精確的檢測、定位、識別、軌跡提取、速度估計等信息計算。針對交通場景，視頻數據形式和結構穩定，能夠有效進行交通流量、車輛異常行為分析、排隊長度等交通管理關鍵信息感知。視頻處理方案和算法發展迅速，結果可靠穩定，數據量可控，易于并行處理，實際應用中可實現實時計算。

（3）管理與應用優勢：視頻檢測系統方案成熟，管理軟件易于開發。視頻數據以像素三元組為載體，易于編碼傳輸。視頻設備成本低廉，設備可靠，系統管理中便于對違法違規事件進行證據留存。

傳統視頻檢測系統主要不足：

受安裝環境限制和設備固有屬性影響，氣候、光照、抖動、環境因素等對視頻數據處理結果造成影響。但隨著穩健的人工智能算法的更迭，在有效視頻數據獲取的前提下，這些因素的影響逐漸弱化。

傳統視頻監測系統對檢測近距離物體、小尺寸拋灑物體等檢測精度較低，誤報率較高。主要原因是檢測近距離物體在視頻數據中的形變較大、拋灑物事件發生概率低，造成事件樣本量較小，這些情況難以有效建模進行檢測，影響現有系統的精度。

2.2 雷達檢測技術分析

常用雷達有激光雷達、超聲波雷達、毫米波雷達。激光通過發射光束進行探測，因此探測范圍窄，光束受遮擋后就無法正常使用，因此在雨雪霧霾天、沙塵暴等惡劣天氣不能開啟，受環境影響大。超聲波雷達對高速運動具有測量局限性，誤差較大，在異常天氣條件下傳播速度較慢。超聲波散射角大，方向性較差，在測量較遠距離的目標時，其回波信號會比較弱，影響測量精度。

毫米波雷達可根據實際需要布設于特定位置，采集的三維點云數據能夠用于車輛類型識別、車輛定位、車流流量計算、車輛測速、車道占有率計算等功能及應用^[2]。具有以下優勢：

波長介于厘米波和光波之間，毫米波兼有微波制導和光電制導的優點。同厘米波導引頭相比，毫米波導引頭具有體積小、質量輕和空間分辨率高的特點。

毫米波雷達也存在如下缺陷：

低視角情況下，毫米波雷達在安裝角度較低的情況下，多普勒效應造成的影響加劇，數據抖動情況增加。同時受車輛遮擋的影響，檢測精度降低，而視頻分析方法只要能看到車輛的某些部分即可進行車輛的檢測跟蹤。

毫米波雷達因數據形式為點云數據，設備原理對運動物體更加有效，對停車事件、拋路物等靜止物體的發現處理邏輯較復雜。同時，毫米波雷達無法感知設備標定需要的道路標線等先驗信息，實際應用中的設備標定精度相較于視頻設備而言表現較差。

2.3 雷視融合交通事件檢測技術探討

2.3.1 雷視融合檢測技術的優勢

視頻與毫米波雷達聯合具有如下優勢：

（1）視頻數據直觀、易于理解、標定數據精度高。雷達點云數據不直觀、不易提高標定精度。視頻與雷達聯合，有利于提高交通目標分析精度。

（2）視頻在監控近端容易覆蓋，在近場景具有高精度檢測定位精度，在監控遠端受制于圖像分辨率，目標圖像尺寸較小。雷達在監控近端無法覆蓋，在近場景檢測定位精度較差，在監控遠端具有較大覆蓋范圍，數據存在抖動。視頻與雷達聯合，將擴大有效檢測范圍，數據精度和有效性達到互補。

（3）視頻面向煙、灰塵、強光等條件相較于雷達檢測效果較弱，雷達面向檢測跟蹤相較于視頻而言數據抖動較大，視頻針對遮擋效果相較雷達具有較大優勢，視頻與雷達結合能有效提升全天候、全天時、全過程的有效監測^[3]。

2.3.2 雷視融合事件檢測系統功能

雷視融合目標跟蹤：感知系統充分發揮毫米波雷達與視頻檢測的優勢，結合雷視系統設備，在邊緣端利用MEC邊緣計算服務器進行融合，實現雷視融合全要素目標跟蹤。

交通態勢感知與可視化：雷視感知系統能夠對交通態勢進行精準實時感知，其中輸出交通流數據包括交通流量、平均速度、占有率、車頭時距、車間距等。

交通流態勢分析：基于微觀精細化單車數據，對交通流態勢進行多維度分析。實時交通指數包括在途量、交通流量、平均時速、擁堵指數等；實時分段交通擁堵狀態包括暢通、緩行、擁堵等級別；實時交通監測視頻畫面供對比參考。

交通事件極速上報：雷視感知系統能夠對交通突發事件進行極速感知與捕獲，感知事件類型包括交通擁堵、異常停車、違法變道、逆向行駛、超速、非法闖入等，事件檢測精度≥90%（平峰期），事件漏報率≤5%，其中異常停車檢測精度≥95%。

事件監測統計分析：融合所有雷視感知實時事件上報數據，結合地理信息，與里程樁號綁定，在上報事件的同時，提供樁號地點，便于中心指揮調度。對突發事件進行緊急報警并記錄，為后續管理提供數據支撐；對事件類型、發生事件進行分類統計，為業務管理做決策支撐；事件歷史回放，可查看歷史事件，回放圖片與視頻，以二次確認。

數字孿生可視化：基于雷視融合感知、軌跡拼接融合等技術，實時采集全線的車輛運行軌跡，適配高精度地圖，實現對車輛真實運動狀態的數字實時再現，構建管理數字孿生系統，為管理者提供實時交通狀態的“全局視角”。

2.3.3 雷視融合事件檢測系統設計

通過設計基于視頻和雷達目標檢測的檢測跟蹤一體化深度學習模型，基于公開數據集、自建數據集和路段車輛目標數據樣本訓練模型參數，建立多移動目標檢測、分類、識別與跟蹤模型，并采用多幀關聯計算方法降低計算成本，在完成目標檢測跟蹤的同時保證實際應用的計算實時性、有效性和可靠性。

通過集成毫米波雷達與高清攝像頭的雙源感知系統，可以對視頻與雷達設備采集數據進行時空整合，對數據時間標簽、圖像數據坐標與雷達點云坐標進行時空標準化，開展視頻與雷達數據對比分析，基于現有實驗場地開展數據測試和分析。針對區域特點，設計具有針對性的建設和監測方案，開發設計雷視一體設備，開展數據分析與效果分析。

通過設計人工智能算法，完成車輛目標的檢測、識別、分類及跟蹤，為實現多個節點聯動的交通移動目標檢測跟蹤提供基礎。通過融合公開數據集、自建數據集和試點場景的交通目標數據，遴選關鍵幀圖像，構建陰天、雨天等多種天氣，多種光照條件和交通移動目標尺度形變的訓練和測試數據集，通過設計基于視頻和雷達目標檢測的檢測跟蹤一體化網絡并學習模型參數，對交通目標位置、類別進行計算，通過計算區域提取移動目標的靜態描述，完成移動目標靜態特征建模，為多節點聯動的時空圖構建提供數據基礎。

根據視頻與雷達數據分析，采用智能檢測技術對非法占用應急車道、壓線、逆行、違停等異常行為進行檢測發現、證據存儲及系統預報，對影響道路交通安全的拋路物進行檢測和分析，再結合車輛軌跡信息和車型對車輛的駕駛行為進行分析，從而對超速、龜速行駛、長期低速占用超車道、跟馳風險指標、急加減速、頻繁加減速、蛇形駕駛、頻繁換道等指標進行計算，提供管理關鍵參考信息。

利用多節點相機和雷達聯動的全時空軌跡重建信息，基于全時空軌跡開展事件檢測，融合多源數據與全過程軌跡數據，開展交通運行安全態勢感知，在復雜交通運行條件下也能精準監測交通事件，改善事件檢測系統誤報、多報和漏報問題。

系統方案設計可采用“云—邊—端”一體化的“AIoT：大數據微應用”架構，包含終端設備層、邊緣計算層、云控平臺層三層架構。終端設備層將兼容主流通信協議，支持多種設備的“統一接入、統一控制”，打破設備數據碎片化、業務煙囪化、流程孤島化現狀。邊緣計算層將部署邊緣計算網關，實現“數據層層聚合、算法分布式執行”，有效保障關鍵業務處理的實時性、海量業務處理的全面性。云控平臺層將支撐統一云控平臺建設和設備聯動管控，落地“大數據中臺化，各業務微應用化”，靈活解耦了數據、模型與應用，實現各功能模塊化可插拔可升級。

考慮單臺設備檢測距離有限，為有效解決多目標跨設備跟蹤檢測等問題和全域交通流數據采集及多目標監測問題，可通過多路多源目標級聯算法處理，多部路側感知設備級聯安裝，基于深度運動建模網絡，引入視頻片段時間戳作為輸入，使用卷積對特征處理器進行處理，通過設計交通移動目標運動信息網絡、類別判別網絡和可視化網絡三個分支，組建基于卷積網絡的多目標跟蹤模型和算法，從而獲得監控結點移動目標運動軌跡。結合交通場景的視頻和雷達標定參數，計算移動目標在現實世界的三維運動軌跡和時間信息，并構建移動目標的動態信息和特征描述，通過時間和車輛行駛方向距離為坐標空間參照，完成車輛全軌跡重建和時空圖構建。

多結點聯動監控需要解決交通移動目標的拓撲結構匹配和靜態特征匹配問題，從而得到面向整體的車輛目標大范圍軌跡，以形成多個結點聯動的時空圖，用以描述多個目標在較大范圍的精細化運動信息。實際交通中多個移動目標間拓撲關系具有一定的空間一致性，因此可以利用相機時間標簽和空間一致性這一特點，經過時間配準之后根據各時空圖片段與盲區位置，按時間先后、距離遠近原則對多個時空片段進行排序，實現相鄰相機的時空圖匹配，結合非覆蓋區域的軌跡補全信息，可以獲得移動目標的全運動過程運動路線，完成多個結點聯動的時空圖融合。如圖1所示為該項目多結點聯動時空圖融合技術示意圖。

3 結語

中國人均汽車擁有量快速發展，路網交通流量也迅猛增加，交通擁堵已給人們的生產、生活帶來了較大的困擾，道路管理者迫切需要智能、高效的管理系統輔助交通管理，提升交通事件的處置效率，減少事件帶來的擁堵時間，改善人們的交通出行體驗。該文結合目前工程實際應用狀況，分析了交通事件檢測的各類技術優勢和不足，對雷視融合的事件檢測技術進行探討，為交通事件自動檢測技術研究和應用提供參考。

參考文獻

[1]胡萌. 基于AI機器視覺的公路交通感知關鍵技術研究及應用[J]. 交通科技與管理， 2023（8）： 7-9.

[2]劉玉超， 梅亨利， 王景. 車載毫米波雷達頻率劃分和產品現狀分析[J]. 科技與創新， 2017（11）： 70-71.

[3]張博聞. 毫米波雷達在智慧高速中的應用[J]. 中國交通信息化， 2022（S1）： 279-280+298.

收稿日期：2023-12-12

作者簡介：曹唯（1970—），女，本科，高級工程師，從事道路交通工程及沿線設施設計、咨詢以及智能交通研究等工作。