基于目標檢測的高速公路隧道預警系統

文章針對高速公路預警系統在隧道場景中存在的問題，提出了一種基于目標檢測的高速公路隧道預警系統。該系統以目標檢測、多目標跟蹤算法為主要的高速公路隧道預警手段，借助高速公路隧道中的視頻監控系統提高預警系統在隧道中預警的實時性和準確性，為后續把握道路異常運行狀態提供有力保障。

目標檢測；隧道預警；高速公路

U491.1+16A582012

基金項目：

2021年度交通運輸重點科技項目“基于雷視融合感知的數字孿生公路隧道關鍵技術研究與應用”（編號：2021-MS4-102）

作者簡介：

高" 山（1981—），高級工程師，主要從事高速公路投資建設與管理工作。

0" 引言

近年來，我國高速公路網的規模不斷擴大以及公路硬件設施不斷完善，人們的交通出行也變得愈加便利。但是，隨著高速公路網的交通需求不斷增大，車輛載重量以及行駛速度不斷提高，引發了更多的交通事故。特別是高速公路上的隧道場景，較普通路段事故更多，且極易導致二次事故的發生。交通事故對人們造成嚴重的財產損失，易引起高速公路通行能力下降。因此，對高速公路上重點路段的交通狀況進行實時監控、實時分析是十分必要的。

1" 發展現狀及應用背景

高速公路是道路運輸系統中重要的一環，與其他運輸方式相比，道路運輸過程中事故發生率較高。特別是重點路段，事故嚴重程度會比其他交通運輸方式更為嚴重。因此，為了迅速發現重點路段交通事故并及時預警、救援，發展智能交通事件預警系統是一個必然的趨勢。盡管智能交通事件預警系統已經應用在普通路段的高速公路中，但是智能交通事件預警系統［1］在隧道等重點路段中的應用仍存在一些技術難點。

1.1" 視頻數據采集時傳輸條件不理想

在對多路隧道視頻數據信息進行數據采集時，數據傳輸的信道復雜多變，傳輸條件比較苛刻。在信道帶寬有限的情況下，以低碼率下對數據進行傳輸時，會導致畫面不清晰的情況，影響后續系統的分析判斷。為此，應對采集到的視頻數據信息使用變分辨率編碼算法進行處理，以獲取清晰的視頻信息。

1.2" 多目標檢測效果不理想

由于在隧道場景中受到光線、背景等方面影響，使道路場景中訓練的多目標檢測模型檢測效果不理想。為解決此問題，本文從特征融合、樣本均衡等角度對模型進行調整，進一步提高多目標檢測模型在隧道場景中的檢測能力。

1.3" 多目標跟蹤效果不佳

由于在隧道中車道背景方向比較單調以及車道位置不夠開闊導致車輛部分遮擋現象頻頻發生，從而導致車輛跟蹤不準確引起車輛跟蹤效果不佳。本文采用多級特征匹配、多級篩查機制以及短時記憶算法，進一步提高在隧道中多目標跟蹤的跟蹤效果。

2" 高速公路隧道預警系統

針對現有的高速公路預警系統［2］在隧道場景中應用過程中存在的問題，本文提出了一種基于目標檢測的高速公路隧道預警系統。本系統通過對多路數據采集、多目標檢測、多目標跟蹤等方面進行深入研究以及優化，從而構建多路數據采集子系統、多目標檢測子系統、多目標跟蹤子系統與事件檢測子系統［3］，對高速公路中的隧道場景進行全天候實時監控［4］、分析，提升高速公路異常事件感知效率，增強高速公路網風險監測預警能力。見圖1。

2.1" 多路數據采集子系統

多路數據采集子系統通過實時流協議接入多路隧道監控視頻，對每一路視頻實行預處理。多路數據采集子系統通過接收相機提供的API獲取預制參數，然后對視頻流截取圖片生成畸變模型，再通過校正函數進行處理并校正；單路數據通過校正之后，使用透視變換函數完成對當前單路視頻數據的識別范圍變換，以獲取鳥瞰視角的車道信息；形成鳥瞰圖之后，利用邊緣檢測器對其進行處理之后再通過曲線頭尾線性方向對車道線進行拼接后得到清晰的車道線信息。

在獲取車道線信息后對多路視頻進行變幀率強制編碼為Ⅰ幀，對于降分辨率幀及升分辨率幀之前的所有低分辨率幀，由于其分辨率在編碼過程中降低，不能直接編碼，在系統處理中采用padding的方式解決該問題。即將降分辨率的圖像幀放至原始分辨率大小幀的左上角位置，其余位置進行padding，最終得到高畫質的視頻信息以及車道線信息。

2.2" 多目標檢測子系統

在多目標檢測子系統中，對YOLOv3模型進行多方面的優化以提高多目標檢測子系統的檢測速度和泛化能力。為了提高目標檢測子系統的檢測速度，在YOLOv3的backbone模塊使用了更輕量級網絡ResNet-101進行特征提取以滿足多目標檢測子系統實時性的要求。對提取到的特征使用ASFF自適應特征融合方式，對其他級別的特征施加空間濾波，從而僅保留有用的特征進行組合，充分利用語義信息和細粒度特征，提高多目標檢測子系統的泛化能力。為了處理少量目標識別準確率低的問題，調整損失函數使用Gaussian Loss保證均勻的空間分布和等間距的聚類中心，并使用Focal Loss增加難分樣本在損失函數中的權重，從而保證少量目標在特征空間中的多樣性和可判別性，提高少樣本目標的檢測精度。見圖2。

2.3" 多目標跟蹤子系統

通過對高速公路交通事件目標檢測子系統的構建實現了對高速公路隧道中車輛的檢測，但是僅對高速公路隧道中的車輛進行檢測還不足以對交通事件進行檢測、預警，還需要對車輛進行跟蹤，從而獲取車輛的穩定軌跡信息，根據軌跡的信息對預警信息進行判定。本子系統將完成對車輛軌跡跟蹤，在車輛ID不變的情況下獲取穩定車輛的軌跡信息。

為了解決在隧道場景中車輛遮擋導致的目標跟蹤［5］不準確的問題，使用自適應感知多目標跟蹤算法，結合目標外觀特征、目標運動特征、自適應抗遮擋特征，提高目標跟蹤過程中匹配的準確性。引入了多級篩查機制，第一級篩查在數據關聯階段，結合靜態特征和動態特征降低虛新入目標的數量，第二級篩查利用低層外觀對目標特征和模板特征進行距離匹配，從而減少虛假目標對多目標跟蹤子系統的干擾。為了進一步解決跟蹤過程中級聯匹配耗時過長的問題，引入了短時軌跡記憶模塊，通過學習到的相鄰幀間中心位移向量作為關聯基礎，通過相鄰幀間的中心點位移傳遞ID，從而實現快速地進行目標跟蹤，大大提高了多目標跟蹤的跟蹤效率。

2.4" 視頻預警子系統

視頻事件檢測子系統通過多目標檢測子系統、多目標跟蹤子系統得到的結果構建視頻事件檢測分析模型，對在隧道場景中的行人、非機動車、道路擁堵、車輛緩行、異常停車等事件進行預測，為高速公路運營中心提供隧道場景中異常事件的識別與預警。

為了提高視頻事件檢測子系統的實時性，借助矢量化建模的方式，減少視頻事件檢測子系統在事件檢測過程中消耗的資源以及提升視頻事件檢測的效率。為了進一步提高路段運營中心的對預警信息的處置效率，對事件業務邏輯進行了優化，對多種事件的優先級進行合并，減少事件多報場景的發生。

3" 應用效果

本試驗的數據集采用一個包含多種高速公路隧道交通事件的視頻數據集進行訓練和測試，數據集涵蓋眾多路段高速公路隧道的交通事件視頻片段，包括停車、逆行和超速等典型交通事件。本試驗的基礎目標檢測模型采用YOLOv3模型對車輛目標進行檢測。試驗環境使用英特爾至強Silver4216處理器、12 G內存以及Tesla T4顯卡的服務器進行訓練和測試。

通過對測試集進行評估，基于目標檢測的高速公路隧道預警系統表現出了較高的準確率。試驗結果表明，該系統在處理停車事件、車輛逆行事件、車輛超速事件時，通過對系統的目標檢測子系統、目標跟蹤子系統進行了優化，在隧道場景中能識別部分遮擋的車輛目標，識別的目標更為精確以及跟蹤的ID更為連續；系統整體事件識別準確率相較于基于YOLOv3的隧道預警系統有了顯著提升，其中分別在停車事件、逆行事件中準確率提升了3%和超速事件提升了5%（見表1）。這說明本文所提出的基于目標檢測的高速公路隧道預警系統具有較強的泛化能力，能夠在多種復雜場景下有效地識別交通事件進行預警。

4" 結語

本文主要研究了基于目標檢測的高速公路隧道預警系統。該系統由多路數據采集子系統、多目標檢測子系統、多目標跟蹤子系統與視頻事件檢測子系統構成，通過結合多路數據采集子系統的高效率數據采集能力、多目標檢測子系統的快速精準檢測能力、多目標跟蹤子系統的精確跟蹤連續能力以及視頻事件檢測子系統的快速精準分析能力，實現了實時高速公路隧道交通事件預警。試驗結果表明，該系統在對高速公路隧道中的多種交通事件類型識別的準確率較高，具有較強的泛化能力。

下一步工作還需關注以下方向：（1）進一步對系統進行優化，提高系統在夜晚場景的泛化性；（2）考慮將該系統遷移到城市場景中進行使用。

［1］朱金鳳.基于YOLO—v3的高速公路交通事件檢測系統研究［D］.徐州：中國礦業大學，2023.

［2］梁" 宇.基于三維卷積神經網絡的交通事件檢測系統［J］.西部交通科技，2023（5）：176-177，199.

［3］陳圓媛，潘珍亮，武奇生，等.基于多數據融合的交通事件檢測系統研究［J］.公路交通科技（應用技術版），2012，8（8）：375-377.

［4］李東建.高速公路隧道智能視頻監控系統研究與實現［D］.西安：長安大學，2024.

［5］楊培龍.車載視頻圖像中運動目標的識別與跟蹤方法研究［D］.天津：天津大學，2005.

20240320