隧道危化品車輛通行安全管控系統研究與應用

摘 要：為了解決隧道內無法完備獲取危化品車輛信息和現有的視頻事件監測技術無法準確地對隧道內的危化品車輛進行事件監測等難題，搭建了隧道危化品車輛通行安全管控系統。通過在隧道出入洞口加裝高清卡口攝像機以及在隧道洞內安裝高清攝像機和多目標追蹤雷達，實現了隧道通行車輛信息的前端采集。采用HOG+SVM危化品車輛辨識算法，從隧道出入口采集的隧道通行車輛圖像中辨識出危化品車輛。在隧道內部采用雷視融合+AI算法實現對危化品車輛的跟蹤和事件監測。通過聯動隧道監控系統，向隧道洞口和隧道內的情報板發布預警信息，同時將隧道危化品車輛通行信息向相關管理平臺共享。目前，系統已在某高速公路特長隧道進行應用。系統上線至今，發布危化品車輛過隧道預警信息596條，識別危化品車輛在隧道內異常事件72起。危化品車輛辨識準確率為96.7%，隧道內危化品車輛異常事件識別準確率為99.5%。實踐證明，該系統準確度高、可靠性強，對于提升危化品車輛穿越隧道的安全管理水平具有顯著效果。

關鍵詞：跟蹤識別；危化品車輛；HOG特征提取；SVM；事件監測；雷視融合

中圖分類號：TP39 文獻標識碼：A 文章編號：2095-1302（2025）05-0-04

0 引 言

近年來，我國不斷加強危險貨物公路運輸安全管理，危險貨物運輸安全形勢呈現持續向好的態勢，但并沒有徹底遏制住事故頻發多發的勢頭，危險貨物公路運輸安全管理方法還需在實踐中不斷探索，持續加強和完善[1]。2023年11月7日，四川雅安S8邛名高速名山服務區一油罐車發生爆炸，燃燒引燃旁邊兩輛貨車，事故造成2人死亡、2人受傷。危險貨物道路運輸呈現高安全風險、低發生概率的特征，尤其是對隧道內危化品車輛運輸安全需進行重點關注。

危險貨物具有性質活潑、穩定性差的化學特性，在道路運輸過程中容易發生爆炸、泄漏、腐蝕等安全風險極高、危害性極大的重大事故。事故發生后，還容易引起次生事故。危化品車輛的隧道事故相比普通道路事故具有密閉空間內救援難度大、災害發展更迅猛、破壞性更大等特點。危化品車輛在隧道內發生事故，將對人們的生命安全、財產安全以及環境安全都造成巨大的威脅和極大的破壞[2]。交通運輸部要求運輸企業必須為“兩客一危”車輛安裝符合《道路運輸車輛衛星定位系統車載終端技術要求》（JT/T794—2011）的衛星定位設備，通過無線網絡，接入全國重點營運車輛聯網聯控平臺，實時上傳“兩客一危”車輛的動態信息和靜態信息，具體包括：車牌號碼及車牌顏色、衛星定位時間、經度、緯度、車輛行駛速度、車輛行駛方向、報警數據（如疲勞駕駛、超速、違法停駛等）。系統的建成在很大程度上彌補了傳統道路運輸管理手段的不足，基本解決了“看不見、聽不到、管不著”的問題，也對危險貨物道路運輸信息化、道路運輸的管理方式帶來了革命性的影響，成為促進現代道路運輸業安全發展的重要切入點和抓手。

危化品車輛一旦進入隧道，就會面臨隧道內車輛實時位置、行車速度、載貨狀態等關鍵信息的獲取難題。同時，現有的視頻事件監測方式難以實現對隧道內的危化品車輛和多種車輛進行準確的事件監測，無法達到監管的要求[3]。此外，隧道本身的狹長管狀半封閉空間結構特點決定了隧道內發生事故的后果更加嚴重，事故救援更加困難。因此，“高速公路危化品車輛過隧道”是安全管控的關鍵環節，如何提高高速公路危化品車輛過隧道的安全監管水平，減少人民群眾生命財產損失，成為亟待解決的重要問題。

1 擬解決的主要技術問題

（1）危化品車輛進出隧道辨識與提醒警示

系統需要自動檢測、辨識危化品車輛進出隧道事件，判斷危化品車輛是否進入或駛出隧道。當檢測到危化品車輛進入隧道，推送警示信息給隧道值守人員，提醒其密切關注危化品車輛的行駛狀況；同時，聯動隧道情報板和隧道廣播向隧道內交通參與者發布危化品車輛同行的提醒信息，通過視覺、聽覺多種方式提醒過往車輛保持車距、謹慎駕駛。當檢測到危化品車輛正常駛出隧道口時，自動解除提醒警示。

（2）隧道內危化品車輛事件識別及報警

由于山體自然屏障對信號的阻礙，危化品車輛在隧道內行駛期間，全國重點營運車輛聯網聯控平臺的GPS定位信息將無法發揮作用，此種情況下會影響事故預防和早期處置救援的效果。為此，實現危化品車輛在隧道內行駛狀況的實時跟蹤、事件識別以及告警機制，能夠有效覆蓋我國隧道內危化品車輛安全監管的盲區。如果辨識到危化品車輛在隧道內行駛過程中發生事件，則啟動事件處理流程，將事件信息（車輛信息、貨物信息、突發事件描述等）及時反饋給交警、路政、運營管理單位，按照應急預案采取針對性對策，做到早發現、早識別、早干預、早處置，從而有效遏制危化品車輛在隧道內發生重大事故的安全風險。

2 系統集成及功能實現

隧道危化品車輛通行安全管控系統技術解決方案如圖1所示。

（1）危化品車輛在隧道內的跟蹤辨識技術

系統在危化品車輛進隧道前，通過高清卡口識別危化品車輛的危險品標志燈和危險品標志牌等，確認危化品車輛進入隧道的通行信息，隧道危化品車輛通行安全管控系統聯動控制隧道入口和隧道洞內的情報板以及隧道廣播向交通參與者發布危化品車輛隧道內同行的預警提醒信息，并與運管局進行數據共享。

（2）實現危化品車輛的隧道內異常事件監測

系統在危化品車輛進入隧道后，通過卡口、視頻、雷達及人工智能算法對隧道內危化品車輛的異常事件進行檢測，包括超速、慢速、變道、停車、擁堵、火災、交通事故、泄漏、爆炸等。

（3）危化品車輛通過隧道前、中、后的自動預警

系統通過卡口、視頻、雷達及人工智能算法對隧道內危化品車輛的異常事件進行檢測，實現與隧道監控系統、隧道內的機電設備進行數據互通，建立危化品車輛全過程的自動預警。

3 關鍵技術

3.1 基于HOG+SVM的危化品車輛辨識方法

危化品車輛辨識方法是通過高清卡口采集的車輛圖像信息來辨識危化品車輛的典型特征，主要包括危險品標志燈和危險品標志牌。本文提出基于HOG+SVM的危化品車輛辨識方法。首先，收集樣本，將大量的危化品車輛圖片作為分類器的訓練數據；其次，HOG特征提取，在圖像中提取危化品車輛車頭的危險品標志燈和車身的危險品標志牌作為特征；最后，SVM分類識別，利用SVM分類器從隧道入口高清卡口攝像機采集的車輛圖像信息中識別危險品標志燈和危險品標志牌，從而辨識車輛是否為危化品車輛。

3.1.1 樣本收集

根據《危險貨物道路運輸安全管理辦法》相關規定，危化品車輛應安裝、懸掛符合《道路運輸危險物車輛標志》（GB 13392—2023）要求的警示標志。《道路運輸危險物車輛標志》規定了不同種類危化品車輛標志牌的位置和形狀[4]，按照標準和規范，收集危化品車輛的樣本圖片，包括正樣本和負樣本。其中正樣本涵蓋各種類型的危化品車輛，而且含有背景、拍攝角度、光照、其他車輛等環境因素的變化，負樣本是指除危化品車輛以外的高速公路交通參與車輛，包括小汽車、客車、特種車輛以及外型與危化品車輛相似的大中型貨車等，樣本盡可能考慮全面，符合實際應用場景。

3.1.2 特征提取

（1）圖像預處理

首先對樣本圖像進行預處理，隧道洞口的卡口攝像機拍攝的實時圖像是三通道的彩色圖像，圖像包含的信息量大。為了實現危化品車輛實時辨識，本文利用灰度化和局部閾值二值化對圖片進行預處理，快速提取圖像的有用信息，降低運算量，提高算法的運算效率。

（2）HOG特征提取

通過OpenCV中的函數HOGDescriptor（ ）初始化一個HOG對象，利用初始化后的HOG對象對預處理后的圖片進行特征提取。

首先，通過計算和統計圖像局部區域的梯度方向得到目標的梯度信息，用圖像的局部區域的梯度方向的密度分布描述局部目標的表象和形狀；其次，根據危化品車輛車頭的危險品標志燈和車身的危險品標志牌尺寸確定圖像感興趣區域（ROI）；然后，用尺寸為64×128的HOG特征描述子對圖像感興趣區域進行HOG特征的檢測[6]；最后，得到圖像的HOG特征。HOG特征提取原理示意圖如圖3所示。

3.1.3 SVM分類器訓練

（1）確定分類依據

危化品車輛的危險品標志燈和危險品標志牌是危化品車輛的獨有標志，危險品標志牌在車輛側面懸掛的位置如圖4所示，危險品標志燈安裝位置如圖5所示。提取危化品車輛的HOG特征向量作為SVM分類器的分類依據。圖像紋理的方向和顏色兩相共同決定單個HOG特征向量的生成，單個HOG特征向量將有效表征危化品車輛上的危險品標志燈和危險品標志牌的形狀和顏色。多個HOG特征向量的組合能夠全面表征危化品車輛上的危險品標志燈和危險品標志牌的位置信息[7]。

（2）分類訓練

得到了所有樣本數據的特征數組和標簽數組后，通過調用OpenCV的函數svm.train（hog_array， cv2.ml.ROW_SAMPLE， label_array），對危化品車輛樣本與非危化品車輛樣本進行分類訓練。

3.1.4 模型測試

訓練好危化品車輛辨識模型后，利用該模型進行危化品車輛辨識測試，具體步驟如下：

（1）設置函數detectMultiScale（）的參數；

（2）調用函數cv2.imread（）讀入測試圖片信息；

（3）把讀入的測試圖片的信息輸入到函數detectMulti Scale（）中，輸出檢測框的坐標和尺寸數據；

（4）把得到的檢測框的數據輸入到函數cv2.rectangle（）中，在測試圖片上加載出檢測框；

（5）利用函數cv2.imshow（）輸出載有檢測框的測試圖片[7-8]。

3.2 基于“雷視融合+AI算法”的車輛異常事件的定位監

測及預警技術

隧道內狹長且半封閉，能見度低，傳統的視頻監控作為隧道內事件檢測的路側感知單元，容易受環境影響發生誤報、漏報的情況[9]。雷達監測雖然不受天氣等環境的干擾，但監測橫向精準度低，不能精準區分目標的類型，不能持續跟蹤監測危化品車輛在隧道內的異常事件。雷視融合技術結合了雷達和視覺傳感器的優勢[10]，本文利用二維主動掃描式陣列雷達微波檢測技術，對路面發射微波，以每秒20次的掃描頻率可靠地檢測路上每一車道的目標，準確區分機動車、非機動車、行人等，以及測量每車道的流量、平均速度、占有率、85%位速率、車頭時距、車間距等交通數據，以及排隊長度、逆行、超速、ETA等異常事件，并準確地測量區域內每個目標的位置坐標（x， y）與速度（Vx， Vy）。將雷達事件監測數據與隧道內高清攝像機的視覺傳感數據通過AI算法進行融合，數據處理流程如圖6所示。該技術的應用能夠有效解決危化品車輛過隧道難以捕獲位置信息和事件監測不準確的問題，能夠精準定位和持續跟蹤危化品車輛在隧道內通行的全過程，監測異常事件，為隧道危化品車輛通行安全管控系統提供可靠的基礎數據。

4 結 語

本文系統已在某高速公路特長隧道進行應用，系統上線至今，發布危化品車輛過隧道預警信息596條，識別危化品車輛在隧道內超速、慢速、變道、停車、擁堵等異常事件72起，危化品車輛識別準確率為96.7%，隧道內危化品車輛異常事件識別準確率為99.5%。綜上所述，系統能夠準確辨識進隧道的危化品車輛，并及時向道路管理者和交通參與者發布預警信息，有效警示道路管理者和交通參與者危化品車輛過隧道的安全風險；系統能夠準確識別危化品車輛在隧道內的異常事件，及時向道路管理者告警，提高此類事件的處置效率，降低此類事件的安全風險。實踐證明，本文系統準確性高、可靠性強，應用該系統能夠有效提高危化品車輛過隧道的安全管理水平，為隧道交通安全提供有力的保障。

參考文獻

[1] 范文姬.公路隧道危化品車輛通行管控現狀研究[J].公路交通科技，2020，37（z1）：49-53.

[2] 危險貨物道路運輸安全管理辦法[J].中華人民共和國國務院公報，2020（4）：18-26.

[3] 張佳鵬，賈磊，楊瑩，等.危化品車輛過隧道跟蹤辨識和自動警示系統[J].電子技術與軟件工程，2019（24）：47-48.

[4] 中國道路運輸協會.道路運輸危險貨物車輛標志：GB 13392-2005 [S]. [出版地不詳]：[出版者不詳]，2005.

[5] 葉俊杰，高丙團，陳昊，等.基于HOG-SVM分類器的電力屏柜鎖孔快速檢測方法[J].計算機應用與軟件，2023，40（1）：134-138.

[6] LLORCA D F， ARROOYO R， SOTELO M A. Vehicle logo recognition in traffic images using HOG features and SVM [C]// 16th International IEEE Conference on Intelligent Transportation Systems （ITSC 2013）. Hague，Netherlands： IEEE， 2013： 2229-2234.

[7] 黃威銘，吳焯標，陶銘.基于HOG和SVM的嵌入式行人檢測與追蹤系統設計與實現[J].物聯網技術，2023，13（8）：29-32.

[8] 閆樂樂，余宏杰.基于改進HOG特征提取與SVM分類器輸電線路金具識別[J].安徽科技學院學報，2023，37（2）：80-86.

[9] 付立家，尚康，陳麗陽.雷視融合公路隧道交通管控系統探究及應用[J].中國交通信息化，2023（10）：106-109.

[10] 韋樂香，黎琮瑩.基于雷視融合技術的全域車輛感知方案應用研究[J].西部交通科技，2023（7）：197-199.