基于深度学习的韶赣高速公路事件检测系统研究.docx

基于深度学习的韶赣高速公路事件检测系统研究 摘要：高速公路视频监控管理中，高效、准确的视频采集与分析技术是关键，本文主要围绕视频事件检测技术展开分析。本文首先阐述基于深度学习的事件检测系统的提出，并围绕韶赣高速公路工程，探讨基于深度学习的事件检测系统总体设计方案及其在隧道中应用情况，以期可供参考。 0 引言随着汽车保有量持续快速增长，人们出行需求越来越多，我国道路及隧道普遍存在交通流量巨大，道路拥堵、违章停车、交通事故等异常交通的问题，给道路交通安全运营管理带来了非常大的考验。视频事件检测是一种基于机器视觉的车辆检测与跟踪技术，现阶段国内视频事件检测以模式识别算法为主，然而受到复杂路况、恶劣天气以及视频画面抖动的影响，均会导致模式识别不准，以至于视频事件检测系统运行过程中频繁出现误报、漏报现象。随着大数据、智能技术的发展与应用，为有效提高事件检测器识别效率与识别性能，本文提出基于深度学习的事件检测系统的构建与应用，详细分析如下。1 基于深度学习的事件检测系统的提出近些年道路交通逐步建设与完善了视频监控系统，但目前还是完全依靠人工方式来监控视频显示屏，很难保证监控效率，已无法达到管理者对于监控系统的要求。现阶段，视频监控系统问题主要如下：(1)监控系统依靠专人值守，对视频显示屏进行人工监控，监控效率低；(2)监控人员无法实时查看所有监控画面；(3)长时间监控导致监控者视觉疲劳、注意力下降，极易出现报警不准确、不及时的情况，甚至是错报、漏报，以至于事故发现、处理滞后，带来不可控的影响；(4)视频监控系统成为事后取证的录像系统，无法实现及时的事件预防或预警。近年来，随着人工智能在算法、算力等方面的发展，特别是图像处理能力增强，实现了对原始视频的智能分析，可准确提取关键信息，并开展文本语义描述。目前，高速公路领域已经开发出基于深度学习技术的视频事件检测系统，深度学习概念源于人工神经网络的研究。基于深度学习的事件检测系统，主要是以人工构造的一套神经网络为基础，预先使用海量的不同类型的车辆、行人、非机动车图片素材对神经网络进行训练，由神经网络自动总结出不同目标特征与规律。由此系统在实际运行中，可对视频中目标进行准确的识别、分类，并结合其他算法分析判断车辆轨迹、行为，识别各类异常交通时间，包括车辆违停、逆行、占用应急车道、拥堵、行人/非机动车进入、抛洒物等，并由此进行告警与录像。2 基于深度学习的事件检测系统总体设计方案2.1 工程概况韶赣高速公路位于广东省北部韶关市境内，全长125.3 km，全线采用双向六车道高速公路标准，设计时速100 km/h,2010年底全线通车。路段沿线设回龙山、白山和梅关三座隧道，2处隧道管理站。韶赣高速监控中心闭路电视系统于2013年进行改造，随着监控系统网络化、高清化，以及一体化监控的发展，原有的监控系统设备及软件逐渐无法满足营运管理的需求，必须进行升级改造。2.2 监控系统改造方案本工程监控系统改造方案如下：(1)监控中心改造：包括监控大屏、操作台、监控平台软件；(2)视频事件检测分析系统：增设一套基于深度学习分析平台的视频事件检测系统，采用“服务器+平台软件”架构；(3)监控大厅环境改造：更换大厅、机房的防静电地板，更换监控大厅天花吊顶。2.3 视频事件检测系统总体设计方案目前，韶赣高速在监控中心设置了一套视频事件检测系统，配置了1台16路事件检测分析仪。由于受视频图像质量和分析仪本身事件检测算法的限制，现有的事件检测系统存在检测精度较低、误报率高等问题，给日常营运管理造成一定的干扰。为解决视频事件检测系统的问题，并结合当前人工智能、AI深度学习算法的发展，本项目在监控中心新增一套视频事件检测系统，系统采用基于人工智能的“事件检测服务器+深度学习数据分析软件”的架构，具体如图1所示。事件检测服务器采用分布式布设方案，后期可根据检测视频的数量灵活增设服务器及组网。深度学习数据分析软件具备开放式架构，可灵活扩容检测通道，满足不同的视频检测规模需求。本项目交通事件检测系统主要针对隧道视频图像进行检测，后期也可根据管理需要检测其他视频。基于外场视频的人工智能事件识别系统结合了智能视觉分析、深度学习、人工智能及信息传输等技术，对路面上所发生的各类事件进行自动检测和自动报警，系统能实时检测出道路上发生的车辆违停、车辆逆行、违规行人、违规变道、抛洒物、车辆超速、车辆低速、交通拥堵、禁行区域占用等多种交通事件，可以辅助监控人员进行7×24 h不间断的监视监控画面，并将事件视频图像及报警区域图像自动切换到主监控画面，提示管理人员进行应急处理。结合项目的实际情况，本项目在监控中心新增1套事件检测服务器，并在服务器安装深度学习数据分析软件，每台服务器及软件至少具备