[00867558]车辆测速及异常事件实时检测系统V1.0

一、课题来源与背景：高速公路一直以来都是各种交通事件频发的地方。由于高速公路上车型较多、车速较快，每次的交通事故的发生都会造成的不可预估的人员伤亡和经济损失。随着近几年来，计算机视觉与深度学习成熟，并逐步应用到各行各业。在安保，监测方面已经给人们的日常生活带来了巨大的变化，并为相关行业提高了极大的便利。正是由于上述原因，将计算机视觉与机器学习的方法应用于高速公路异常事件检测已经到了一个比较成熟的时间。而且已经有很多前辈在高速公路异常事件检测方面做出比较好的贡献。因此，将这些贡献应用到实际场景中，来解决实际问题，在实际中检验算法，再通过问题来优化算法，使其具有更好的鲁棒性。 二、技术原理及性能指标：该系统包括车通量，拥堵检测，行人检测，非机动车检测，测速，异常停车，逆行检测，火灾检测，越线检测等9个模块。其中车通量，行人检测，非机动车检测应用了可以兼顾速度与精确度的算法yolov3以及适合于工业应用的追踪算法deep_sort和sort算法，yolov3算法采用了称之为Darknet-53的网络结构(含有53个卷积层)，它借鉴了残差网络residual network的做法，在一些层之间设置了快捷链路(shortcut connections)，每个残差组件有两个卷积层和一个快捷链路。同时采取多尺度来进行对象检测，并通过k均值算法聚类出9种不同尺度的先验框，来检测不同尺度的物体。检测到结果后针对不同检测速度的要求采取不同的追踪算法，而且中两种追踪算法皆使用基于卡尔曼滤波(KalmanFilter)与匈牙利算法(Hungarian Algorithm)的方法来进行跟踪，而其中deep_sort则采用了重识别方法来提高追踪的效果。而其中测速，异常停车，逆行检测，越线检测则是在上述检测追踪结果后，进行相关的运算。而火灾检测则是采用了SLIC超像素分割技术将图像帧分割为多个段，采用已经训练好的卷积神经网络来检测超像素段中的火灾。性能指标主要包括车通量每分钟的计数，针对每辆车测定的速度是否准确，以及针对视频与监控图像所检测到的异常事件是否存在并且发生等。 三、技术的创造性与先进性：该系统的创造性和先进性主要体现在下面的几个方面：1.根据场景不同，选择不同的追踪算法。使不同应用场景下对追踪效果和精确度得到了平衡。2.测速所采用的相机校正，根据高速公路场景采取了半自动性相机校正，通过软件操作以及现场取值两种方法来得到较为准确的投影矩阵。3.越线检测不再仅局限通过计算检测框与两边白线是否相交来判定，而是针对现实告诉场景中摄像头布置角度，采取检测中心点的固定范围与两边白线是否相交来判定。4.火灾检测采取了在超像素下进行CNN检测的方式来提高检测的准确性，并通过添加车辆的颜色信息来减少检测器对红色车辆的误判情况。四、适用范围：该系统适合应用于高速公路各个区段的异常事件检测与测速，也可以应用于城市中各种干道的异常事件检测与测速。 五、应用情况及存在的问题：系统经过一系列的测试和现实场景的应用，可以很好地检测到高速公路上各种车辆并对其进行异常事件的判定，但由于模型的不成熟，各种异常事件的检测准确性并不是很高，还有着误报以及检测不到的情况发生。接下来将会对现有模型进行优化，提高检测的准确性，减少误报已经检测不到情况的发生。