郭天鴻,劉海峰,張禹森,祁天星

(國網(wǎng)河北省電力有限公司雄安新區(qū)供電公司,保定 071600)

隨著智慧交通[1-2]的不斷發(fā)展,交通事件檢測也變得更加智能。本項(xiàng)目將在高速公路路段中進(jìn)行數(shù)據(jù)采集與測試,針對(duì)如何完成車輛異常事件檢測任務(wù)進(jìn)行詳細(xì)探討。

本項(xiàng)目中的車輛異常事件指車輛目標(biāo)做出的有可能妨礙其他車輛正常行駛的行為。本文運(yùn)用設(shè)計(jì)的檢測方法主要對(duì)車輛的違停、逆行、超速、慢行、變道、掉頭6 類異常事件進(jìn)行了準(zhǔn)確的檢測。該方法可為高速公路車輛危險(xiǎn)預(yù)警提供幫助,并降低連鎖反應(yīng)導(dǎo)致的交通事故發(fā)生率,從而保障車輛通行安全。

1 現(xiàn)狀分析

事件檢測算法[3-10]發(fā)展至今,大致有模式識(shí)別算法、統(tǒng)計(jì)預(yù)測算法、突變理論算法、神經(jīng)網(wǎng)絡(luò)算法等類型。傳統(tǒng)的異常事件檢測算法主要依靠邏輯判斷,首先使用目標(biāo)檢測算法對(duì)環(huán)境傳感器返回的數(shù)據(jù)進(jìn)行目標(biāo)檢測,再使用多目標(biāo)跟蹤算法對(duì)目標(biāo)進(jìn)行跟蹤,最后基于多目標(biāo)跟蹤后的目標(biāo)軌跡數(shù)據(jù)進(jìn)行邏輯判斷,實(shí)現(xiàn)交通異常事件檢測。例如,當(dāng)目標(biāo)位于違停區(qū)域且運(yùn)動(dòng)速度＜1 m/s 時(shí)可認(rèn)為其是違停,當(dāng)目標(biāo)的運(yùn)動(dòng)方向與行車方向相反且運(yùn)動(dòng)距離＞20 px 時(shí)認(rèn)為其是逆行,當(dāng)目標(biāo)的運(yùn)動(dòng)軌跡點(diǎn)集與車道線直線方程有交叉關(guān)系且目標(biāo)的運(yùn)動(dòng)距離＞20 px 時(shí)認(rèn)為其是變道。

違停事件傳統(tǒng)檢測算法邏輯流程如圖1 所示,為降低異常檢測幀的影響,對(duì)目標(biāo)進(jìn)行邏輯判斷時(shí)還應(yīng)求標(biāo)準(zhǔn)差和位移抖動(dòng)比等。此外,在違停檢測邏輯中有一個(gè)步驟為計(jì)算目標(biāo)的速度,起初只計(jì)算其瞬時(shí)速度,這產(chǎn)生了事件檢出頻繁和誤檢的問題,后改為計(jì)算目標(biāo)平均速度,雖然檢出頻繁的問題得以解決,但又出現(xiàn)了檢出速度較慢和漏檢的問題。

圖1 違停事件傳統(tǒng)檢測算法邏輯流程

隨著傳感器所處場景逐漸復(fù)雜化,為更準(zhǔn)確地檢測出異常事件,需要對(duì)檢測算法進(jìn)行反復(fù)探討、改進(jìn)、再校驗(yàn),著重對(duì)表達(dá)式進(jìn)行修正、增補(bǔ)并調(diào)整參數(shù)閾值,這導(dǎo)致檢測模型日趨復(fù)雜化。交通參與者逐漸增多,異常事件檢測中的邏輯循環(huán)會(huì)隨之增加,相關(guān)檢測耗時(shí)也會(huì)更長。

以往利用激光雷達(dá)實(shí)現(xiàn)的交通異常事件檢測偏重于檢出異常事件,而未考慮及時(shí)獲取造成異常事件的目標(biāo)用以驗(yàn)證。因此本項(xiàng)目在異常事件檢測后,還將利用雷達(dá)、視頻融合數(shù)據(jù)對(duì)發(fā)生異常事件的位置目標(biāo)進(jìn)行視頻相機(jī)取圖。

2 目標(biāo)設(shè)計(jì)

本項(xiàng)目應(yīng)用神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)對(duì)交通異常事件的檢測[11-16],所輸入的為激光雷達(dá)與視頻相機(jī)進(jìn)行目標(biāo)檢測、目標(biāo)融合以及目標(biāo)跟蹤后得到的具有連續(xù)車輛位置信息的數(shù)據(jù)。對(duì)正常目標(biāo)的違停、逆行、超速、慢行、變道、掉頭6 類異常事件應(yīng)用相同的輸入目標(biāo)數(shù)據(jù),通過提取輸入數(shù)據(jù)的多維度特征(車輛位置、速度、航向角、車道偏移等)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,實(shí)現(xiàn)對(duì)目標(biāo)交通異常事件的檢測分類。該方法不需要通過大量數(shù)據(jù)分析尋找最優(yōu)參數(shù),同時(shí)神經(jīng)網(wǎng)絡(luò)模型在檢測交通異常事件時(shí)可以對(duì)數(shù)據(jù)進(jìn)行并行推理,解決了傳統(tǒng)邏輯循環(huán)中需要對(duì)每一幀圖像中的每一輛車進(jìn)行判斷的問題。

本項(xiàng)目中的檢測方法可對(duì)真實(shí)的車輛目標(biāo)軌跡數(shù)據(jù)進(jìn)行訓(xùn)練,歸納出車輛目標(biāo)不同種類異常事件的軌跡規(guī)律特征,從而完成檢測任務(wù)。該方法可解決傳統(tǒng)交通異常事件檢測過程中人為確定參數(shù)閾值有效性差、易出現(xiàn)漏檢與誤檢、檢測結(jié)果與事實(shí)偏差較大等問題。

3 數(shù)據(jù)介紹

3.1 智慧路側(cè)基站的確定

車輛目標(biāo)的可靠軌跡和及時(shí)的照片抓拍,是精準(zhǔn)檢測與驗(yàn)證交通異常事件的必備條件。激光雷達(dá)提供的車輛軌跡更加準(zhǔn)確、穩(wěn)定、可靠,視頻相機(jī)可提供直觀的視覺信息與車輛身份信息,因此本項(xiàng)目基于多維度數(shù)據(jù)視角,利用激光雷達(dá)與車道矢量線共同確定車輛目標(biāo)的詳細(xì)位置信息,并將激光雷達(dá)目標(biāo)與視頻相機(jī)的目標(biāo)相關(guān)聯(lián)。多傳感器路側(cè)基站如圖2 所示。

圖2 多傳感器路側(cè)基站

首先對(duì)傳感器設(shè)備進(jìn)行時(shí)間同步,然后對(duì)激光雷達(dá)與視頻相機(jī)進(jìn)行聯(lián)合標(biāo)定。

為了實(shí)現(xiàn)在高速公路上的長距離檢測,需要將多個(gè)路側(cè)基站串聯(lián)安裝。為獲得各路側(cè)基站的準(zhǔn)確位置與朝向,研究過程中采用高精度地圖與激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行配準(zhǔn),從而實(shí)現(xiàn)路側(cè)基站傳感器位置與大地坐標(biāo)系位置的精準(zhǔn)轉(zhuǎn)換,再根據(jù)聯(lián)合標(biāo)定后的轉(zhuǎn)換關(guān)系,將視覺檢測目標(biāo)的二維檢測信息映射至大地坐標(biāo)系內(nèi),最后根據(jù)目標(biāo)間位置關(guān)系將視覺檢測目標(biāo)與激光雷達(dá)檢測目標(biāo)進(jìn)行融合。

路側(cè)基站中,激光雷達(dá)主要提供車輛的位置信息,并由此計(jì)算出車輛的速度信息;視頻相機(jī)主要負(fù)責(zé)提供目標(biāo)的身份信息,例如車牌、車身顏色、類別等。在本項(xiàng)目中,激光雷達(dá)信息將主要應(yīng)用于異常事件檢測過程中;視頻相機(jī)信息則主要應(yīng)用于異常事件檢測后的取證,不將其作為神經(jīng)網(wǎng)絡(luò)算法的輸入特征。

最后結(jié)合車道矢量線信息與目標(biāo)位置,共同確定車輛航向角、車道號(hào)與車輛偏移車道線距離,對(duì)數(shù)據(jù)進(jìn)一步細(xì)化賦值,得到完備、可靠的融合感知數(shù)據(jù)。

3.2 輸入數(shù)據(jù)

輸入數(shù)據(jù)為路側(cè)基站提供的目標(biāo)軌跡數(shù)據(jù)。本項(xiàng)目設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)算法輸入層為車輛目標(biāo)的行駛軌跡特征。視頻相機(jī)屬于高頻檢測設(shè)備,而激光雷達(dá)屬于低頻檢測設(shè)備,掃描頻率低,因此結(jié)合激光雷達(dá)目標(biāo)檢測算法的耗時(shí),最終能夠穩(wěn)定輸出的目標(biāo)檢測數(shù)據(jù)的頻率約為10 Hz。在激光雷達(dá)目標(biāo)檢測數(shù)據(jù)輸出時(shí),找到距離該時(shí)刻最近的一次視頻相機(jī)目標(biāo)檢測數(shù)據(jù)進(jìn)行融合,最終每幀數(shù)據(jù)間隔約為100 ms。在樣本制作過程中選擇2 s 內(nèi)共計(jì)20 幀車輛軌跡作為輸入數(shù)據(jù),每一幀軌跡含x,y,z,θ,v,lane_num,lane_d,Frame_id 共8 個(gè)特征,其中,x為目標(biāo)在坐標(biāo)系下的橫軸坐標(biāo);y為目標(biāo)在坐標(biāo)系下的縱軸坐標(biāo);z為目標(biāo)在坐標(biāo)系下的立軸坐標(biāo)(坐標(biāo)系為右手坐標(biāo)系);θ為目標(biāo)航向角;v為目標(biāo)行駛速度;lane_num 為目標(biāo)所處車道號(hào);lane_d 為目標(biāo)與所在車道中心線的距離;Frame_id 為時(shí)間幀號(hào)。數(shù)據(jù)傳入幀率代表時(shí)間間隔,與目標(biāo)位置存在一定關(guān)聯(lián)性,因此將目標(biāo)軌跡數(shù)據(jù)的時(shí)間幀號(hào)也作為輸入數(shù)據(jù)。

在數(shù)據(jù)集制作過程中,為便于區(qū)分目標(biāo)的軌跡特征,加快制作速度,對(duì)采集的數(shù)據(jù)先進(jìn)行可視化制圖,人工區(qū)分后再查找對(duì)應(yīng)的數(shù)據(jù)并進(jìn)行打標(biāo)制作。車輛異常事件軌跡示例如圖3 所示,其中數(shù)字1 與20 表示該20 幀軌跡點(diǎn)的起始點(diǎn)與結(jié)束點(diǎn)。車輛目標(biāo)的20 幀軌跡數(shù)據(jù)實(shí)例如表1 所示。

表1 車輛目標(biāo)的20 幀軌跡數(shù)據(jù)實(shí)例

圖3 車輛異常事件軌跡示例

為了提高樣本的均衡性以及算法識(shí)別異常目標(biāo)的準(zhǔn)確性,訓(xùn)練輸入的目標(biāo)軌跡數(shù)據(jù)包括車輛正常行駛軌跡和車輛違停、逆行、超速、慢行、變道、掉頭軌跡。對(duì)這7 類軌跡數(shù)據(jù),將統(tǒng)計(jì)采取上述提及的數(shù)據(jù)格式,采用本文設(shè)計(jì)的全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行分類檢測,以區(qū)分各類異常事件。例如違停、超速、慢行事件都可以通過目標(biāo)的位移距離以及速度進(jìn)行區(qū)分。數(shù)據(jù)中的速度為標(biāo)量,因此逆行事件可以通過位移的遞增或是遞減進(jìn)行區(qū)分;變道與掉頭則可以通過目標(biāo)的車道號(hào)變化與車道中心距離變化進(jìn)行區(qū)分。

3.3 驗(yàn)證數(shù)據(jù)

基于目標(biāo)軌跡檢測出的異常事件,其驗(yàn)證工作需要視頻相機(jī)的輔助。在本項(xiàng)目中,檢測出的目標(biāo)經(jīng)過融合與跟蹤后都具備唯一的目標(biāo)ID(identity document,身份標(biāo)識(shí)號(hào)碼),而每個(gè)ID 內(nèi)都存儲(chǔ)有一定長度的歷史檢測信息,包括激光雷達(dá)檢測信息與視頻相機(jī)檢測信息。

在完成異常事件檢測任務(wù)后,對(duì)被檢測出的目標(biāo),可以在其歷史檢測信息中找到所處位置對(duì)應(yīng)的時(shí)間戳以及相應(yīng)所需取證的視頻相機(jī)位置,由這些信息便可對(duì)異常事件目標(biāo)進(jìn)行截圖取證。

4 算法的應(yīng)用及實(shí)現(xiàn)

本項(xiàng)目的異常事件檢測算法基于全連接神經(jīng)網(wǎng)絡(luò)模型進(jìn)行設(shè)計(jì),輸入數(shù)據(jù)為車輛目標(biāo)的連續(xù)軌跡數(shù)據(jù)。首先進(jìn)行數(shù)據(jù)集制作,然后構(gòu)建全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),將訓(xùn)練數(shù)據(jù)輸入網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練,并利用最終訓(xùn)練出的模型對(duì)目標(biāo)軌跡進(jìn)行異常事件檢測。根據(jù)檢測事件時(shí)間戳,對(duì)視頻相機(jī)進(jìn)行目標(biāo)取圖后,利用人工驗(yàn)證的方式驗(yàn)證算法精度并評(píng)價(jià)算法的檢測效果。

4.1 隱藏層與輸出層計(jì)算

全連接層經(jīng)過前向傳播和反向傳播兩個(gè)階段,對(duì)結(jié)構(gòu)層中的參數(shù)進(jìn)行更新。前向傳播可將輸入層信息經(jīng)過各隱藏層計(jì)算,傳輸至輸出層并給出結(jié)果。反向傳播是通過梯度下降法對(duì)全連接網(wǎng)絡(luò)中各層參數(shù)進(jìn)行更新修正,極小化損失函數(shù),最大限度地保證輸出結(jié)果與預(yù)期結(jié)果相一致。隱藏層是全連接神經(jīng)網(wǎng)絡(luò)模型中最為核心的一層,由若干個(gè)神經(jīng)單元組成。其中的激活函數(shù)對(duì)神經(jīng)元的計(jì)算結(jié)果進(jìn)行非線性映射,使神經(jīng)網(wǎng)絡(luò)可以解決非線性問題。

常見的激活函數(shù)有ReLU 函數(shù)(rectified linear unit,線性整流函數(shù))、sigmoid 函數(shù)(S 型函數(shù))、tanh函數(shù)(雙曲正切函數(shù))、softmax 函數(shù)(歸一化指數(shù)函數(shù))等,其中ReLU 函數(shù)相較于其他函數(shù)收斂速度更快,因此選取其作為最終的激活函數(shù),計(jì)算公式如式(1)所示:

全連接層各層之間所有神經(jīng)元相互連接,并使用激活函數(shù)實(shí)現(xiàn)非線性映射。l層激活函數(shù)輸出計(jì)算公式如式(2)所示:

式中,al為激活函數(shù)的非線性映射輸出;zl為全連接層(l層)的原始輸出;Xl為全連接層輸入;Wl為權(quán)重;bl為偏置;f為激活函數(shù)。

此外,由于神經(jīng)網(wǎng)絡(luò)的參數(shù)過多,為防止過擬合,增加dropout(隨機(jī)失活)層,其作用在于每次訓(xùn)練時(shí)隨機(jī)激活某些神經(jīng)元,未被激活的神經(jīng)元不進(jìn)行前向傳播和反向梯度計(jì)算。

輸出層使用softmax 函數(shù)計(jì)算不同類別概率分布,并選擇最大概率類作為輸出,具體計(jì)算如式(3)所示:

式中,pj為第j類別輸出的概率;zj為第j類別輸出值;O為類別總數(shù),且所有類別概率累加和為1。

4.2 算法流程

步驟1:初始化各層網(wǎng)絡(luò)及其參數(shù)、學(xué)習(xí)速率,轉(zhuǎn)至步驟2。

步驟2:輸入數(shù)據(jù)按前向傳播過程依次經(jīng)過全連接層計(jì)算并得到輸出數(shù)據(jù),轉(zhuǎn)至步驟3。

步驟3:計(jì)算網(wǎng)絡(luò)輸出值與期望值之間的誤差,轉(zhuǎn)至步驟4。

步驟4:判斷誤差是否大于期望值。若是,按照反向傳播過程將誤差傳回網(wǎng)絡(luò),依次求得全連接層輸出數(shù)據(jù),并更新參數(shù),轉(zhuǎn)至步驟5;若否,結(jié)束訓(xùn)練,固定模型參數(shù)。

步驟5:根據(jù)誤差更新相關(guān)權(quán)重,轉(zhuǎn)至步驟2。

5 試驗(yàn)與分析

5.1 原始數(shù)據(jù)說明

本項(xiàng)目采用實(shí)際高速公路作為數(shù)據(jù)采集場地,根據(jù)點(diǎn)云目標(biāo)檢測算法的最優(yōu)效果,路側(cè)基站激光雷達(dá)安裝高度為5.5 m,視頻相機(jī)與激光雷達(dá)處于同一平臺(tái),因此其安裝高度也為5.5 m。為獲取更完整的車輛軌跡,根據(jù)激光雷達(dá)與視頻相機(jī)的可靠檢測距離,每120 m 間隔安裝一臺(tái)路側(cè)基站,共計(jì)10 臺(tái)基站,可檢測范圍約為1 200 m。路側(cè)基站檢測效果如圖4 所示。

圖4 路側(cè)基站檢測效果

當(dāng)目標(biāo)經(jīng)過路側(cè)基站檢測范圍時(shí),通過目標(biāo)檢測、融合、跟蹤,便可獲得在該路段內(nèi)完備的目標(biāo)軌跡數(shù)據(jù)。

該條高速公路路段單月自然車流量約1.5 萬輛,由于在自然車流中的掉頭車輛較少,因此選擇在封路時(shí)段采用人工駕車制造掉頭數(shù)據(jù)約1 500條,從中挑選數(shù)據(jù)并制作試驗(yàn)用數(shù)據(jù)集。數(shù)據(jù)集共包含車輛軌跡10 000 條,其中70%作為訓(xùn)練集(在此7 000 條數(shù)據(jù)內(nèi)分別有車輛目標(biāo)正常行駛、違停、逆行、超速、慢行、變道、掉頭數(shù)據(jù)各1 000 條),剩余30%作為測試集。

5.2 參數(shù)設(shè)置

本項(xiàng)目的神經(jīng)網(wǎng)絡(luò)算法為具有3 個(gè)隱含層的全連接神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示,其由輸入層、隱含層1、隱含層2、隱含層3 和輸出層共5 層組成。網(wǎng)絡(luò)有160×64×128×64×7 個(gè)節(jié)點(diǎn),其中輸入層為20 幀目標(biāo)數(shù)據(jù),每幀目標(biāo)數(shù)據(jù)包括8 個(gè)參數(shù),共160 個(gè)節(jié)點(diǎn),隱含層1 有64 個(gè)節(jié)點(diǎn),隱含層2 有128 個(gè)節(jié)點(diǎn),隱含層3 有64 個(gè)節(jié)點(diǎn),輸出層有7 個(gè)節(jié)點(diǎn)。隱含層的神經(jīng)元經(jīng)過經(jīng)驗(yàn)公式和反復(fù)調(diào)試獲得。

圖5 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本項(xiàng)目中的試驗(yàn)環(huán)境為Ubuntu 16.04 操作系統(tǒng),顯卡配置為NVIDIA-RTX 3080,顯存為10 GB,滿足一般訓(xùn)練對(duì)批量塊大小(batch size)的設(shè)置要求。

將處理好的訓(xùn)練數(shù)據(jù)輸入網(wǎng)絡(luò)模型中,提取和學(xué)習(xí)軌跡數(shù)據(jù)特征,通過對(duì)設(shè)置參數(shù)的調(diào)整優(yōu)化完成檢測模型的不斷訓(xùn)練,使模型可更好地進(jìn)行收斂,學(xué)習(xí)到異常事件的軌跡特征。不同訓(xùn)練參數(shù)所訓(xùn)練出的模型會(huì)存在檢出性能上的差異,通過多次試驗(yàn),得到神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)如表2 所示。

表2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)

訓(xùn)練過程中,訓(xùn)練誤差曲線如圖6 所示,迭代次數(shù)為194 次時(shí),誤差達(dá)到精度期望要求,最終誤差為9.789 07×10-6。

圖6 訓(xùn)練誤差曲線

5.3 算法評(píng)價(jià)指標(biāo)

評(píng)價(jià)指標(biāo)包括檢出率、準(zhǔn)確率以及綜合性能,三者的計(jì)算公式如式(4)～式(6)所示。

檢出率、準(zhǔn)確率能夠反映事件檢測算法的有效性,綜合性能是檢出率與準(zhǔn)確率的調(diào)和平均值,其計(jì)算公式中準(zhǔn)確率與檢出率取自各類別事件的加權(quán)平均值。

5.4 試驗(yàn)結(jié)果分析

為了檢驗(yàn)所提出算法的有效性,利用測試集(包括正常目標(biāo)480 組和異常事件目標(biāo)6 類各420 組)對(duì)訓(xùn)練好的異常事件檢測模型進(jìn)行驗(yàn)證,通過與傳統(tǒng)的車輛異常事件檢測算法的檢測效果進(jìn)行對(duì)比,驗(yàn)證模型的實(shí)用性。事件檢測算法判別的結(jié)果包括正常目標(biāo)和6 類異常事件目標(biāo)。

在實(shí)際的異常事件檢測中,需要依據(jù)某一規(guī)則判別檢測對(duì)象是否符合成為異常事件的條件,因此需要根據(jù)實(shí)際需求平衡檢出率和準(zhǔn)確率。根據(jù)實(shí)際高速公路場景下的交通情況,經(jīng)過多次調(diào)教得到傳統(tǒng)算法與所研究算法的最佳性能,其中傳統(tǒng)算法1 通過計(jì)算瞬時(shí)速度、降低擊打次數(shù)研判、降低異常位移比來提高異常事件的檢出率,傳統(tǒng)算法2 通過計(jì)算平均速度、提高擊打次數(shù)研判、提高異常位移比來提高異常事件檢出的準(zhǔn)確率。檢測結(jié)果對(duì)比如表3 所示。

表3 檢測結(jié)果對(duì)比

傳統(tǒng)算法1 具有較高的異常事件檢出率,但準(zhǔn)確率較低,影響到了正確目標(biāo),使其檢出率驟降;傳統(tǒng)算法2 具有較高的異常事件檢測準(zhǔn)確率,但檢出率較低,影響到了正常目標(biāo),使其準(zhǔn)確率驟降,意味著造成的漏檢會(huì)較多。

本研究算法相較于傳統(tǒng)算法取得了更均衡、更優(yōu)秀的檢測結(jié)果。其綜合性能評(píng)分為97.10,分別高出2 個(gè)傳統(tǒng)事件檢測算法3.29 分與4.68 分。同時(shí),對(duì)異常事件識(shí)別能力的提高也可促進(jìn)對(duì)正常車輛目標(biāo)檢測性能的提高。此外,本研究算法的檢測平均時(shí)延比傳統(tǒng)算法縮短約33 ms,能夠在10 幀/s的檢測數(shù)據(jù)輸入頻率內(nèi)完成檢測任務(wù)。研究結(jié)果表明,本研究算法能夠以更高的檢出率和更高的準(zhǔn)確率識(shí)別異常事件。

值得一提的是,測試集中的數(shù)據(jù)雖然都經(jīng)過人工確認(rèn),但為了確保工程落地,并提高本研究算法的實(shí)際使用體驗(yàn),在完成異常事件檢測任務(wù)后,還應(yīng)根據(jù)異常事件檢測得到的開始時(shí)間、中間時(shí)間、結(jié)束時(shí)間,以及本地存儲(chǔ)的視頻數(shù)據(jù),在對(duì)應(yīng)的檢測位置進(jìn)行取圖操作,以驗(yàn)證異常事件。變道事件檢出后的目標(biāo)前、中、后取證圖片如圖7 所示,逆行事件檢出后的目標(biāo)前、中、后取證圖片如圖8 所示。

圖7 變道事件檢出后的目標(biāo)前、中、后取證圖片

圖8 逆行事件檢出后的目標(biāo)前、中、后取證圖片

事件的取圖驗(yàn)證有利于提高事件檢出后的工作效率與準(zhǔn)確性。

6 結(jié)語

研究構(gòu)建基于全連接神經(jīng)網(wǎng)絡(luò)的面向高速公路的車輛異常事件檢測算法,以激光雷達(dá)檢出的目標(biāo)軌跡結(jié)合道路矢量線地圖,得到以時(shí)間為序列且增加目標(biāo)速度、所在車道等信息的具有時(shí)空特征的輸入數(shù)據(jù)。利用多隱藏層進(jìn)行特征提取,學(xué)習(xí)車輛目標(biāo)軌跡的特征,實(shí)現(xiàn)對(duì)道路中車輛目標(biāo)交通異常事件的自動(dòng)檢測。最后以融合后對(duì)應(yīng)的視覺信息,獲取目標(biāo)發(fā)生異常事件時(shí)的圖片信息。試驗(yàn)結(jié)果表明,本研究算法的檢出率與準(zhǔn)確率均高于傳統(tǒng)算法,減少了漏檢與誤檢的問題,且耗時(shí)更少,具有較高的實(shí)用性。

該類研究能夠提升對(duì)類似道路的全局監(jiān)控能力,本項(xiàng)目僅對(duì)一些常規(guī)的交通異常事件檢測進(jìn)行了探討和研究,對(duì)更加復(fù)雜的異常事件的檢測有待進(jìn)一步拓展研究。