摘要 近年來，隨著信息技術(shù)的發(fā)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(dá)等事件檢測技術(shù)的優(yōu)勢和不足，并對近年出現(xiàn)的雷視融合交通事件檢測技術(shù)進(jìn)行詳細(xì)的探討，從雷視融合的技術(shù)路徑、系統(tǒng)功能等方面進(jìn)行分析，為交通事件檢測技術(shù)更好地應(yīng)用于交通管理工作實(shí)際提供了思路。

關(guān)鍵詞 雷視融合；交通事件；檢測

中圖分類號 U495 文獻(xiàn)標(biāo)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(dá)數(shù)百億元，為了預(yù)防和減少交通事故，及時(shí)有效地進(jìn)行事故救援和處理，有效減少由于交通事故產(chǎn)生的交通延誤及避免二次事故的發(fā)生，必須準(zhǔn)確、快速地對交通異常和交通事件進(jìn)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(jiān)視交通狀況，發(fā)現(xiàn)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(jiān)控系統(tǒng)發(fā)展的必然選擇，視頻、雷達(dá)等均在交通事件檢測中有所應(yīng)用。在實(shí)際工程實(shí)踐中存在誤報(bào)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(zhǔn)確的交通事件檢測技術(shù)適應(yīng)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(fā)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(biāo)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(yùn)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(jìn)行快速、準(zhǔn)確、完整的微觀層面的感知、分析與理解。

（2）雷達(dá)檢測法：通過對主線上設(shè)置的雷達(dá)，采集點(diǎn)云數(shù)據(jù)，通過分析交通流參數(shù)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(fā)現(xiàn)等問題，仍然存在檢測率低、誤報(bào)率高等問題。

2 雷視融合交通事件檢測技術(shù)探討

下文分別分析視頻事件檢測和雷達(dá)事件檢測的技術(shù)特點(diǎn)，并對雷視融合事件檢測技術(shù)進(jìn)行探討。

2.1 視頻檢測技術(shù)分析

當(dāng)前廣泛應(yīng)用的視頻檢測系統(tǒng)，以固定相機(jī)、云臺相機(jī)、事件檢測相機(jī)、車牌識別相機(jī)等為主要數(shù)據(jù)采集設(shè)備，根據(jù)實(shí)際環(huán)境和監(jiān)控需要布設(shè)于不同位置，具有一定的覆蓋范圍。視頻設(shè)備可以實(shí)現(xiàn)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(jì)算、車輛速度估計(jì)等功能及應(yīng)用。具有以下優(yōu)勢：

（1）數(shù)據(jù)優(yōu)勢：視頻設(shè)備以數(shù)字圖像為載體，能夠提供與人眼相同的直觀感知數(shù)據(jù)，數(shù)據(jù)直觀，數(shù)據(jù)形式便于人們理解。

（2）數(shù)據(jù)處理優(yōu)勢：采用圖像處理、機(jī)器學(xué)習(xí)、人工智能等領(lǐng)域算法，能有效對交通目標(biāo)開展精確的檢測、定位、識別、軌跡提取、速度估計(jì)等信息計(jì)算。針對交通場景，視頻數(shù)據(jù)形式和結(jié)構(gòu)穩(wěn)定，能夠有效進(jìn)行交通流量、車輛異常行為分析、排隊(duì)長度等交通管理關(guān)鍵信息感知。視頻處理方案和算法發(fā)展迅速，結(jié)果可靠穩(wěn)定，數(shù)據(jù)量可控，易于并行處理，實(shí)際應(yīng)用中可實(shí)現(xiàn)實(shí)時(shí)計(jì)算。

（3）管理與應(yīng)用優(yōu)勢：視頻檢測系統(tǒng)方案成熟，管理軟件易于開發(fā)。視頻數(shù)據(jù)以像素三元組為載體，易于編碼傳輸。視頻設(shè)備成本低廉，設(shè)備可靠，系統(tǒng)管理中便于對違法違規(guī)事件進(jìn)行證據(jù)留存。

傳統(tǒng)視頻檢測系統(tǒng)主要不足：

受安裝環(huán)境限制和設(shè)備固有屬性影響，氣候、光照、抖動、環(huán)境因素等對視頻數(shù)據(jù)處理結(jié)果造成影響。但隨著穩(wěn)健的人工智能算法的更迭，在有效視頻數(shù)據(jù)獲取的前提下，這些因素的影響逐漸弱化。

傳統(tǒng)視頻監(jiān)測系統(tǒng)對檢測近距離物體、小尺寸拋灑物體等檢測精度較低，誤報(bào)率較高。主要原因是檢測近距離物體在視頻數(shù)據(jù)中的形變較大、拋灑物事件發(fā)生概率低，造成事件樣本量較小，這些情況難以有效建模進(jìn)行檢測，影響現(xiàn)有系統(tǒng)的精度。

2.2 雷達(dá)檢測技術(shù)分析

常用雷達(dá)有激光雷達(dá)、超聲波雷達(dá)、毫米波雷達(dá)。激光通過發(fā)射光束進(jìn)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(huán)境影響大。超聲波雷達(dá)對高速運(yùn)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(yuǎn)距離的目標(biāo)時(shí)，其回波信號會比較弱，影響測量精度。

毫米波雷達(dá)可根據(jù)實(shí)際需要布設(shè)于特定位置，采集的三維點(diǎn)云數(shù)據(jù)能夠用于車輛類型識別、車輛定位、車流流量計(jì)算、車輛測速、車道占有率計(jì)算等功能及應(yīng)用^[2]。具有以下優(yōu)勢：

波長介于厘米波和光波之間，毫米波兼有微波制導(dǎo)和光電制導(dǎo)的優(yōu)點(diǎn)。同厘米波導(dǎo)引頭相比，毫米波導(dǎo)引頭具有體積小、質(zhì)量輕和空間分辨率高的特點(diǎn)。

毫米波雷達(dá)也存在如下缺陷：

低視角情況下，毫米波雷達(dá)在安裝角度較低的情況下，多普勒效應(yīng)造成的影響加劇，數(shù)據(jù)抖動情況增加。同時(shí)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(jìn)行車輛的檢測跟蹤。

毫米波雷達(dá)因數(shù)據(jù)形式為點(diǎn)云數(shù)據(jù)，設(shè)備原理對運(yùn)動物體更加有效，對停車事件、拋路物等靜止物體的發(fā)現(xiàn)處理邏輯較復(fù)雜。同時(shí)，毫米波雷達(dá)無法感知設(shè)備標(biāo)定需要的道路標(biāo)線等先驗(yàn)信息，實(shí)際應(yīng)用中的設(shè)備標(biāo)定精度相較于視頻設(shè)備而言表現(xiàn)較差。

2.3 雷視融合交通事件檢測技術(shù)探討

2.3.1 雷視融合檢測技術(shù)的優(yōu)勢

視頻與毫米波雷達(dá)聯(lián)合具有如下優(yōu)勢：

（1）視頻數(shù)據(jù)直觀、易于理解、標(biāo)定數(shù)據(jù)精度高。雷達(dá)點(diǎn)云數(shù)據(jù)不直觀、不易提高標(biāo)定精度。視頻與雷達(dá)聯(lián)合，有利于提高交通目標(biāo)分析精度。

（2）視頻在監(jiān)控近端容易覆蓋，在近場景具有高精度檢測定位精度，在監(jiān)控遠(yuǎn)端受制于圖像分辨率，目標(biāo)圖像尺寸較小。雷達(dá)在監(jiān)控近端無法覆蓋，在近場景檢測定位精度較差，在監(jiān)控遠(yuǎn)端具有較大覆蓋范圍，數(shù)據(jù)存在抖動。視頻與雷達(dá)聯(lián)合，將擴(kuò)大有效檢測范圍，數(shù)據(jù)精度和有效性達(dá)到互補(bǔ)。

（3）視頻面向煙、灰塵、強(qiáng)光等條件相較于雷達(dá)檢測效果較弱，雷達(dá)面向檢測跟蹤相較于視頻而言數(shù)據(jù)抖動較大，視頻針對遮擋效果相較雷達(dá)具有較大優(yōu)勢，視頻與雷達(dá)結(jié)合能有效提升全天候、全天時(shí)、全過程的有效監(jiān)測^[3]。

2.3.2 雷視融合事件檢測系統(tǒng)功能

雷視融合目標(biāo)跟蹤：感知系統(tǒng)充分發(fā)揮毫米波雷達(dá)與視頻檢測的優(yōu)勢，結(jié)合雷視系統(tǒng)設(shè)備，在邊緣端利用MEC邊緣計(jì)算服務(wù)器進(jìn)行融合，實(shí)現(xiàn)雷視融合全要素目標(biāo)跟蹤。

交通態(tài)勢感知與可視化：雷視感知系統(tǒng)能夠?qū)煌☉B(tài)勢進(jìn)行精準(zhǔn)實(shí)時(shí)感知，其中輸出交通流數(shù)據(jù)包括交通流量、平均速度、占有率、車頭時(shí)距、車間距等。

交通流態(tài)勢分析：基于微觀精細(xì)化單車數(shù)據(jù)，對交通流態(tài)勢進(jìn)行多維度分析。實(shí)時(shí)交通指數(shù)包括在途量、交通流量、平均時(shí)速、擁堵指數(shù)等；實(shí)時(shí)分段交通擁堵狀態(tài)包括暢通、緩行、擁堵等級別；實(shí)時(shí)交通監(jiān)測視頻畫面供對比參考。

交通事件極速上報(bào)：雷視感知系統(tǒng)能夠?qū)煌ㄍ话l(fā)事件進(jìn)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(bào)率≤5%，其中異常停車檢測精度≥95%。

事件監(jiān)測統(tǒng)計(jì)分析：融合所有雷視感知實(shí)時(shí)事件上報(bào)數(shù)據(jù)，結(jié)合地理信息，與里程樁號綁定，在上報(bào)事件的同時(shí)，提供樁號地點(diǎn)，便于中心指揮調(diào)度。對突發(fā)事件進(jìn)行緊急報(bào)警并記錄，為后續(xù)管理提供數(shù)據(jù)支撐；對事件類型、發(fā)生事件進(jìn)行分類統(tǒng)計(jì)，為業(yè)務(wù)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(rèn)。

數(shù)字孿生可視化：基于雷視融合感知、軌跡拼接融合等技術(shù)，實(shí)時(shí)采集全線的車輛運(yùn)行軌跡，適配高精度地圖，實(shí)現(xiàn)對車輛真實(shí)運(yùn)動狀態(tài)的數(shù)字實(shí)時(shí)再現(xiàn)，構(gòu)建管理數(shù)字孿生系統(tǒng)，為管理者提供實(shí)時(shí)交通狀態(tài)的“全局視角”。

2.3.3 雷視融合事件檢測系統(tǒng)設(shè)計(jì)

通過設(shè)計(jì)基于視頻和雷達(dá)目標(biāo)檢測的檢測跟蹤一體化深度學(xué)習(xí)模型，基于公開數(shù)據(jù)集、自建數(shù)據(jù)集和路段車輛目標(biāo)數(shù)據(jù)樣本訓(xùn)練模型參數(shù)，建立多移動目標(biāo)檢測、分類、識別與跟蹤模型，并采用多幀關(guān)聯(lián)計(jì)算方法降低計(jì)算成本，在完成目標(biāo)檢測跟蹤的同時(shí)保證實(shí)際應(yīng)用的計(jì)算實(shí)時(shí)性、有效性和可靠性。

通過集成毫米波雷達(dá)與高清攝像頭的雙源感知系統(tǒng)，可以對視頻與雷達(dá)設(shè)備采集數(shù)據(jù)進(jìn)行時(shí)空整合，對數(shù)據(jù)時(shí)間標(biāo)簽、圖像數(shù)據(jù)坐標(biāo)與雷達(dá)點(diǎn)云坐標(biāo)進(jìn)行時(shí)空標(biāo)準(zhǔn)化，開展視頻與雷達(dá)數(shù)據(jù)對比分析，基于現(xiàn)有實(shí)驗(yàn)場地開展數(shù)據(jù)測試和分析。針對區(qū)域特點(diǎn)，設(shè)計(jì)具有針對性的建設(shè)和監(jiān)測方案，開發(fā)設(shè)計(jì)雷視一體設(shè)備，開展數(shù)據(jù)分析與效果分析。

通過設(shè)計(jì)人工智能算法，完成車輛目標(biāo)的檢測、識別、分類及跟蹤，為實(shí)現(xiàn)多個(gè)節(jié)點(diǎn)聯(lián)動的交通移動目標(biāo)檢測跟蹤提供基礎(chǔ)。通過融合公開數(shù)據(jù)集、自建數(shù)據(jù)集和試點(diǎn)場景的交通目標(biāo)數(shù)據(jù)，遴選關(guān)鍵幀圖像，構(gòu)建陰天、雨天等多種天氣，多種光照條件和交通移動目標(biāo)尺度形變的訓(xùn)練和測試數(shù)據(jù)集，通過設(shè)計(jì)基于視頻和雷達(dá)目標(biāo)檢測的檢測跟蹤一體化網(wǎng)絡(luò)并學(xué)習(xí)模型參數(shù)，對交通目標(biāo)位置、類別進(jìn)行計(jì)算，通過計(jì)算區(qū)域提取移動目標(biāo)的靜態(tài)描述，完成移動目標(biāo)靜態(tài)特征建模，為多節(jié)點(diǎn)聯(lián)動的時(shí)空圖構(gòu)建提供數(shù)據(jù)基礎(chǔ)。

根據(jù)視頻與雷達(dá)數(shù)據(jù)分析，采用智能檢測技術(shù)對非法占用應(yīng)急車道、壓線、逆行、違停等異常行為進(jìn)行檢測發(fā)現(xiàn)、證據(jù)存儲及系統(tǒng)預(yù)報(bào)，對影響道路交通安全的拋路物進(jìn)行檢測和分析，再結(jié)合車輛軌跡信息和車型對車輛的駕駛行為進(jìn)行分析，從而對超速、龜速行駛、長期低速占用超車道、跟馳風(fēng)險(xiǎn)指標(biāo)、急加減速、頻繁加減速、蛇形駕駛、頻繁換道等指標(biāo)進(jìn)行計(jì)算，提供管理關(guān)鍵參考信息。

利用多節(jié)點(diǎn)相機(jī)和雷達(dá)聯(lián)動的全時(shí)空軌跡重建信息，基于全時(shí)空軌跡開展事件檢測，融合多源數(shù)據(jù)與全過程軌跡數(shù)據(jù)，開展交通運(yùn)行安全態(tài)勢感知，在復(fù)雜交通運(yùn)行條件下也能精準(zhǔn)監(jiān)測交通事件，改善事件檢測系統(tǒng)誤報(bào)、多報(bào)和漏報(bào)問題。

系統(tǒng)方案設(shè)計(jì)可采用“云—邊—端”一體化的“AIoT：大數(shù)據(jù)微應(yīng)用”架構(gòu)，包含終端設(shè)備層、邊緣計(jì)算層、云控平臺層三層架構(gòu)。終端設(shè)備層將兼容主流通信協(xié)議，支持多種設(shè)備的“統(tǒng)一接入、統(tǒng)一控制”，打破設(shè)備數(shù)據(jù)碎片化、業(yè)務(wù)煙囪化、流程孤島化現(xiàn)狀。邊緣計(jì)算層將部署邊緣計(jì)算網(wǎng)關(guān)，實(shí)現(xiàn)“數(shù)據(jù)層層聚合、算法分布式執(zhí)行”，有效保障關(guān)鍵業(yè)務(wù)處理的實(shí)時(shí)性、海量業(yè)務(wù)處理的全面性。云控平臺層將支撐統(tǒng)一云控平臺建設(shè)和設(shè)備聯(lián)動管控，落地“大數(shù)據(jù)中臺化，各業(yè)務(wù)微應(yīng)用化”，靈活解耦了數(shù)據(jù)、模型與應(yīng)用，實(shí)現(xiàn)各功能模塊化可插拔可升級。

考慮單臺設(shè)備檢測距離有限，為有效解決多目標(biāo)跨設(shè)備跟蹤檢測等問題和全域交通流數(shù)據(jù)采集及多目標(biāo)監(jiān)測問題，可通過多路多源目標(biāo)級聯(lián)算法處理，多部路側(cè)感知設(shè)備級聯(lián)安裝，基于深度運(yùn)動建模網(wǎng)絡(luò)，引入視頻片段時(shí)間戳作為輸入，使用卷積對特征處理器進(jìn)行處理，通過設(shè)計(jì)交通移動目標(biāo)運(yùn)動信息網(wǎng)絡(luò)、類別判別網(wǎng)絡(luò)和可視化網(wǎng)絡(luò)三個(gè)分支，組建基于卷積網(wǎng)絡(luò)的多目標(biāo)跟蹤模型和算法，從而獲得監(jiān)控結(jié)點(diǎn)移動目標(biāo)運(yùn)動軌跡。結(jié)合交通場景的視頻和雷達(dá)標(biāo)定參數(shù)，計(jì)算移動目標(biāo)在現(xiàn)實(shí)世界的三維運(yùn)動軌跡和時(shí)間信息，并構(gòu)建移動目標(biāo)的動態(tài)信息和特征描述，通過時(shí)間和車輛行駛方向距離為坐標(biāo)空間參照，完成車輛全軌跡重建和時(shí)空圖構(gòu)建。

多結(jié)點(diǎn)聯(lián)動監(jiān)控需要解決交通移動目標(biāo)的拓?fù)浣Y(jié)構(gòu)匹配和靜態(tài)特征匹配問題，從而得到面向整體的車輛目標(biāo)大范圍軌跡，以形成多個(gè)結(jié)點(diǎn)聯(lián)動的時(shí)空圖，用以描述多個(gè)目標(biāo)在較大范圍的精細(xì)化運(yùn)動信息。實(shí)際交通中多個(gè)移動目標(biāo)間拓?fù)潢P(guān)系具有一定的空間一致性，因此可以利用相機(jī)時(shí)間標(biāo)簽和空間一致性這一特點(diǎn)，經(jīng)過時(shí)間配準(zhǔn)之后根據(jù)各時(shí)空圖片段與盲區(qū)位置，按時(shí)間先后、距離遠(yuǎn)近原則對多個(gè)時(shí)空片段進(jìn)行排序，實(shí)現(xiàn)相鄰相機(jī)的時(shí)空圖匹配，結(jié)合非覆蓋區(qū)域的軌跡補(bǔ)全信息，可以獲得移動目標(biāo)的全運(yùn)動過程運(yùn)動路線，完成多個(gè)結(jié)點(diǎn)聯(lián)動的時(shí)空圖融合。如圖1所示為該項(xiàng)目多結(jié)點(diǎn)聯(lián)動時(shí)空圖融合技術(shù)示意圖。

3 結(jié)語

中國人均汽車擁有量快速發(fā)展，路網(wǎng)交通流量也迅猛增加，交通擁堵已給人們的生產(chǎn)、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(tǒng)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(shí)間，改善人們的交通出行體驗(yàn)。該文結(jié)合目前工程實(shí)際應(yīng)用狀況，分析了交通事件檢測的各類技術(shù)優(yōu)勢和不足，對雷視融合的事件檢測技術(shù)進(jìn)行探討，為交通事件自動檢測技術(shù)研究和應(yīng)用提供參考。

參考文獻(xiàn)

[1]胡萌. 基于AI機(jī)器視覺的公路交通感知關(guān)鍵技術(shù)研究及應(yīng)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(dá)頻率劃分和產(chǎn)品現(xiàn)狀分析[J]. 科技與創(chuàng)新， 2017（11）： 70-71.

[3]張博聞. 毫米波雷達(dá)在智慧高速中的應(yīng)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(shè)施設(shè)計(jì)、咨詢以及智能交通研究等工作。