基于交通大数据的视频智能化多场景应用

徐冰峰

中裕广恒科技股份有限公司  河南省  郑州市  450000

摘要：经济的发展，城镇化进程的加快，促进交通建设项目的增多。随着交通运输行业的不断发展，车辆规模日益增大，服务群体多、道路覆盖面广已成为其显著特点，而因此带来的交通运输管理问题，也成为了热点问题。就当下的交通营运车辆管理而言，违规场景复杂，既有非法营运的情况，也有合法车辆违规营运的情况。传统的营运车辆管理与交通执法存在违规事件识别难、取证难、现场执法人力需求大、执法效率低等问题。现有的执法技术手段难以满足高效精细管理与精准执法需要，交通运输管理水平与执法能力亟待提升。本文就基于交通大数据的视频智能化多场景应用展开探讨。

关键词：交通运输管理；交通大数据；视频智能化

引言

城市交通视频监控系统是基于计算机、图像识别、网络通信、信息处理等技术，由中心控制设备、车站控制设备、图像摄取及显示、视频信号传输等设备组成，可实现为控制中心调度员、各车站值班员、列车司机等提供监控区域视觉信息功能的安防系统，对保障城市交通安全运营和优质服务起到了十分重要的作用。

1城市智能交通管理系统的组成

（1）智能交通监控系统。交通监控系统的智能化可以协助疏导道路交通。在监控区域内可以通过监控系统，实时监测交通的堵塞情况以及信号灯的状态等，并通过监测的信息实施恰当的措施缓解交通拥堵。（2）城市交通诱导系统。智能交通管理系统需要先对车辆进行定位分析，规划车辆行驶路线，及时解决重要路段和交叉路口的拥堵问题，提供道路交通实时信息。交通信息控制中心可以实现信息的采集，这些信息包括道路状态、流量等，然后处理信息，对交通流进行诱导疏通。

2基于交通大数据的视频智能化多场景应用

2.1视频数据结构化处理技术研究与应用

为实现对研判目标更全面更高效的识别分析，基于深度学习研究视频结构化处理技术，对视频内容按照语义关系，采用目标分割、时序分析、对象识别、多目标跟踪(MOT)、深度学习等处理手段，分析和识别目标信息。基于交通要素及场景事件抽取选择交通要素特征模型库，构建了车、人、站、路等交通要素特征识别算法，实现视频图像结构化信息提取，将非结构化的视频数据转化为结构化或者半结构化数据，实现视频数据向信息化方向转化，达到视频感知世界的智慧应用。通过神经网络结合目标分类检测算法，利用千万级样本素材的训练，首次实现营运车辆特征属性识别，包括线路名称、线路牌、安全告示标识、危运标识、菱形标识牌、透气孔、顶灯、计价器等特征属性识别，有效图片的识别准确率达到95%以上。由于视频数据复杂性高，仅通过视频结构化获得的营运车辆特征无法保证100%的准确率，微小的误识别率在庞大的卡口过车数据基数下也会产生非常多的误报。为保障营运车辆违规事件综合研判告警的准确性，建立了特征值过滤算法，通过车牌模糊匹配、车辆轨迹上单特征的多点位交叉校验、营运时间段内特征值前后矛盾、限定周期内告警次数阈值、较长时间周期高频出没、重点区域高频出没等方法降低营运车辆特征值识别结果存在误差造成影响。

2.2数据协同

城市轨道交通视频监控系统在云边协同技术应用过程中会产生大量视频图像数据，传统的视频监控系统对采集的视频图像数据过滤较少，对重复性监控场景数据无差别存储，因而在中心服务器产生了大量冗余无效数据，不仅浪费系统存储资源，也增加了系统对数据处理的复杂性和计算量。数据协同是指在边缘节点层对采集的视频图像数据进行预处理，通过视频关键帧提取和图像识别技术从视频流数据中准确筛选出与安全有关的如打架斗殴、拥挤踩踏、电梯摔倒等关键事件，减少存储和传输大量重复无用的视频帧数据，提高系统的资源利用率，降低云中心的建设规模，在云计算中心层接收大量车站不同监控位置、具有不同监控视角采集的视频图像数据。因此，可以通过跨区域的多维时空数据融合及协同分析，实现对监控对象在车站不同活动区域的连续追踪。当出现传输网络不稳定情况时，边缘节点层还可以对部分关键视频数据进行缓存，待网络稳定后再将缓存数据输出至云计算中心层，同时对于关键数据和高优先级场景的数据可在边缘端实时存储，并在云计算中心备份一方面可提升关键视频数据的安全性，另一方面有利于视频数据的实时处理和分析，方便系统后期统一关联和检索可疑场景或事件的视频信息数据，常用的视频数据筛选方法包括基于运动特征分析的方法、视频数据聚类分析的方法、多特征融合的关键帧提取方法等。数据协同的传输方式可以采用包括物联网(IOT)、互联网(Internet)、无线局域网(Wlan)、5G、长期演进技术(LTE)等，使用时需考虑视频监控系统的带宽、功率、互操作性、安全性和可靠性等需求。

2.3目标追踪

对于区域跟踪方法，如果可以在背景建模中恢复真实场景并且可以消除影响最终建模的相关特征，则可以最大化最大值。在提高区域跟踪效率的问题上，动态轮廓跟踪在逻辑和实际操作方面更简单。如果初始值参数足够明确、清晰，则可以快速执行预算和比较。如果初始参数有缺陷或必要参数模糊，则使得整个操作效率都大幅度下降。在一些环境中，车辆的局部特征可能更明显和容易捕获，在对象捕获过程中会有旋转运动的对象。此时，根据一般信息提取方法难以收集足够的有效图像，并且在链路中提取数据时将存在一定比例的失真现象，从而导致系统无法进行正常跟踪，这会影响最终结果的准确性。为了解决这个问题，系统需要进行额外的计算，用程序计算方法提高数据捕获的准确性，但这又会增加系统的计算压力。在进行大量计算时需要强大的计算基础，如果不满足此要求，计算过程将花费大量时间，从而降低系统的整体效率，有时由于计算时间错位而导致系统失去原有的跟踪目标，此问题还需继续研究。

2.4智能分析协同

智能分析协同是指将包括人脸识别分析、轨迹跟踪、行为识别、语音解析等各类智能分析算法模型以及不同厂家针对同一场景的智能分析算法集成到云计算中心的平台服务层进行统一管理，根据边缘节点本身性能限制和应用需求，周期性选取最优的分析模型以功能函数、容器镜像、微服务、应用程序的形式部署至边缘节点。在日常运营中，云计算中心根据实际监控应用效果通过深度神经网络、专家系统、机器学习等人工智能技术对应用模型进行闭环反馈和迭代训练升级，通过这种自学习使系统对于各类业务场景的适应性和智能分析能力不断提升，边缘节点设备也同时具备了较强的智能分析能力和较快的输出响应能力，当中心服务器出现宕机或者网络传输出现中断时，不会影响车站视频监控系统智能分析和异常事件报警提示等功能的正常使用，有效保证对车站各个区域的不间断监控，防止突发事件或关键视频信息的遗漏，加快站务人员对突发事件和风险事件的应急响应。

结语

城市智能交通系统具有重要的现实意义，智能交通系统对促进城市建设和社会合理发展起着关键作用。智能交通视频图像处理技术可以帮助交通管理部门和司机获得更多的道路交通信息，减少城市交通资源的不合理分配情况。

参考文献

[1]蒋中铭.交通运输治理体系和治理能力现代化研究[J].综合运输，2020，40(12)：29-33+101.

[2]巫雪梅，刘海旭，刘星材.交通运输综合行政执法改革探索[J].综合运输，2021，43(06)：36-39+44.

[3]李晓峰.基于视频大数据的道路交通数据信息价值挖掘模型的研究[J].微型电脑应用，2020，v.33；No.296(12)：22-25.

[4]赵英，王亚涛，黄刚.交通视频大数据应用研究进展[J].科技导报，2019，37(6)：73-83.