论文部分内容阅读
摘要：目前，具有300路监控视频的路段已经是一种常态，具有上千路监控视频的路段也不断出现。本文探讨了如何充分利用丰富的视频资源，给高速公路的运营管理带来便利，具体分析高速公路视频监控人工智能应用有关内容。
关键词：高速公路;视频监控;人工智能;神经网络
1高速公路视频监控系统面临的问题
1.1人工监控存在弊端
监控中心采用人工查看视频的方式进行监控，尽管可确保对事件的准确判断，但是不能避免由人的主观因素带来的影响：人会因为长期观看众多的显示画面而出现疲倦和注意力下降等情况，可能错过第一时间发现和处置事件的机会;人会受工作积极性、情绪、身体状况等主观因素的影响，而没有认真观看监控视频画面;人在面对没有很具体地定义的现象时，会出现判断偏差，如同一个画面，有人可能认为属于正常状态，有人却认为已开始拥堵，且不同的路段对这种交通状况的判断也不一样。由于这些弊端，目前高速公路监控几乎不能在事情发生前发现不正常的交通行为，也很难及时发现交通事件，从而第一时间采取处置措施，有时甚至因为一个没有及时发现和处置的小事故，导致了更大的二次事故。
1.2显示设备和监控视频间的矛盾
用于视频显示的电视墙和监视器的数量都有限，无法一次性显示所有的监控视频，这就需要人工切换或自动轮询来查看视频，不能及时发现异常情况。为了克服这个问题，有些监控中心采用画面分割的方式，在一个监视器上显示多个视频画面。这种方式表面上看可几倍地增加显示的视频数量，但由于显示的画面变小，画面的可观看程度下降，更容易造成监控员的视觉疲劳，加剧人工监控带来的影响。
1.3视频事件检测不尽人意
在实际使用过程中发现，视频事件检测器在初期人工频繁干预时还能相对正常工作，随着时间的推移，检测器的误报率越来越高，完全达不到适用水平，反而对日常运营工作形成困扰。
1.4专用产品的局限性
近些年，卡口、车牌识别等基于视频的专用产品应用到高速公路上，为高速公路监控起到了一定的作用。然而，这些产品不能应用于视频监控，必须在视频监控系统外，另外在外场加装相应的设备，增加了不少建设成本和工作量。这些设备的功能相对单一，只能采集到有限的数据，实际上只满足了用户上交报表的要求，并没有起到预期的作用。
2基于人工智能的视频分析
2.1背景差分法
背景差分法是先通过算法形成一幅背景图像，用视频中的当前帧图像与之相减，再根据给定阈值分析判断图像中的目标。尽管这种方法是最常用的算法，但仍然对与背景亮度相当的目标无法检出;对因车灯或反射等光照因素造成的干扰无法抑制;相邻目标很容易连成一个大目标而识别错误。
2.2帧间差分法
帧间差分法就是将视频信号中前后两帧图像对应像素的亮度求差，如果超过给定阈值则表示有运动目标，再根据目标大小来区分车和人等。这种方法无法检测静止和慢速运动的目标;对于速度太快的目标也会形成超大目标失真，甚至变成两个目标;还有一些目标会出现空洞和截断现象;由飞虫等产生的快速划过的阴影也会产生假目标。
2.3检测线法
通过在合适的位置设置亮度与环境有很大差异的检测线，或利用环境中已存在的类似标志，将检测线所在图像作为背景保存，再用背景差分法来发现是否有目标通过检测线。这种方法除要在检测位置施划检测线外，同样受光照的影响;对大小差异很大的目标，或类似拖车的目标，很容易出现误判;对摄像机的视角要求较高，否则当目标密度偏高时，可能无法正确进行目标分割。
2.4光流法
光流法是把检测区域的图像变为速度的矢量场，每个向量表示了景物中一个点在图像中位置的瞬时变化。光流法首先需要计算景物中大量“点”的速度，而这在普通视频图像中难以实现，且计算复杂、抗噪性能差，一般需要专用硬件实现。
人工智能没有统一的定义，可以简单地说是人类智能在机器上的模拟。而人工神经网络是人工智能一种廣泛采用的实现。一个神经网络是一个由简单处理元构成的规模宏大的并行分布式处理器。神经网络在两个方面与人脑相似：神经网络获取的知识是从外界环境中学习得来的;互连神经元的连接强度，即突触权值，用于储存获取的知识。神经网络能学习和积累知识，神经网络的规模宏大。可见，神经网络需要具有强大计算能力的硬件支持，这也说明了过去因硬件的能力限制让神经网络的研究一度停滞的事实。近期提到的“深度学习”实际上反映在神经网络的层次规模上，层次越多，学习能力越强，能学习的知识也越多。然而，层次越多的人工智能模型，需要的计算资源也越庞大，通常要具有强大运算能力的CPU来构建，因此这种模型只能在后台实施，在前端摄像机上根本无法完成。人工智能之所以不同于以往的技术，体现在其学习能力上。人工智能的学习，不需要人直接参与，甚至不需要人理解，只要提供足够的学习素材，人工智能就能自动从素材中提取相应特征，从而对与素材同类或类似的目标进行识别。
人工智能的优越性是能识别目标，具体到高速公路监控视频的分析上，就是能别车辆和行人，进一步说，能识别不同类型的车辆。这个特征完全不同于以往的技术，它不需要关注背景，不需要目标处于运动状态，甚至不需要目标在图像中完全呈现出来。可见，这种技术可以避免各种背景干扰因素的影响，可以允许目标被部分遮挡，甚至在场景变化过程中仍能识别出目标。人工智能是否跟以往的技术一样，会出现识别不准的问题。就像人的学习过程一样，知识的积累需要一个过程，既要时间上的积累，也要空间（知识面）上的积累。当发现人工智能识别目标的准确率不满意时，可根据错误识别的画面，收集足够多的学习素材，对人工智能进行训练，这样就可大幅度提高目标识别的准确率。
3结语
人工智能视频分析系统有两个特性：一是系统部署简单，无需改造已有视频监控系统，仅在后端与视频监控系统对接，就可对所获取的视频信息进行检测分析;二是可通过现场收集学习素材，对模型分阶段进行训练，就可以让检测分析准确率得到进一步提高，甚至超过预期。
参考文献：
[1]古丽米拉·买买提.浅析人工智能在视频监控中的应用[J].科技风，2019，（29）：25.
[2]邢磊.高速公路数字视频监控系统的架构设计[J].中国科技纵横，2017，（4）：27-28.
（作者单位：辽宁艾特斯智能交通技术有限公司）
作者简介：韩新宇（1993.12-），男，汉族，辽宁沈阳，东北大学电力电子与电力传动硕士，助理工程师，研究方向：电力科学与技术。
关键词：高速公路;视频监控;人工智能;神经网络
1高速公路视频监控系统面临的问题
1.1人工监控存在弊端
监控中心采用人工查看视频的方式进行监控，尽管可确保对事件的准确判断，但是不能避免由人的主观因素带来的影响：人会因为长期观看众多的显示画面而出现疲倦和注意力下降等情况，可能错过第一时间发现和处置事件的机会;人会受工作积极性、情绪、身体状况等主观因素的影响，而没有认真观看监控视频画面;人在面对没有很具体地定义的现象时，会出现判断偏差，如同一个画面，有人可能认为属于正常状态，有人却认为已开始拥堵，且不同的路段对这种交通状况的判断也不一样。由于这些弊端，目前高速公路监控几乎不能在事情发生前发现不正常的交通行为，也很难及时发现交通事件，从而第一时间采取处置措施，有时甚至因为一个没有及时发现和处置的小事故，导致了更大的二次事故。
1.2显示设备和监控视频间的矛盾
用于视频显示的电视墙和监视器的数量都有限，无法一次性显示所有的监控视频，这就需要人工切换或自动轮询来查看视频，不能及时发现异常情况。为了克服这个问题，有些监控中心采用画面分割的方式，在一个监视器上显示多个视频画面。这种方式表面上看可几倍地增加显示的视频数量，但由于显示的画面变小，画面的可观看程度下降，更容易造成监控员的视觉疲劳，加剧人工监控带来的影响。
1.3视频事件检测不尽人意
在实际使用过程中发现，视频事件检测器在初期人工频繁干预时还能相对正常工作，随着时间的推移，检测器的误报率越来越高，完全达不到适用水平，反而对日常运营工作形成困扰。
1.4专用产品的局限性
近些年，卡口、车牌识别等基于视频的专用产品应用到高速公路上，为高速公路监控起到了一定的作用。然而，这些产品不能应用于视频监控，必须在视频监控系统外，另外在外场加装相应的设备，增加了不少建设成本和工作量。这些设备的功能相对单一，只能采集到有限的数据，实际上只满足了用户上交报表的要求，并没有起到预期的作用。
2基于人工智能的视频分析
2.1背景差分法
背景差分法是先通过算法形成一幅背景图像，用视频中的当前帧图像与之相减，再根据给定阈值分析判断图像中的目标。尽管这种方法是最常用的算法，但仍然对与背景亮度相当的目标无法检出;对因车灯或反射等光照因素造成的干扰无法抑制;相邻目标很容易连成一个大目标而识别错误。
2.2帧间差分法
帧间差分法就是将视频信号中前后两帧图像对应像素的亮度求差，如果超过给定阈值则表示有运动目标，再根据目标大小来区分车和人等。这种方法无法检测静止和慢速运动的目标;对于速度太快的目标也会形成超大目标失真，甚至变成两个目标;还有一些目标会出现空洞和截断现象;由飞虫等产生的快速划过的阴影也会产生假目标。
2.3检测线法
通过在合适的位置设置亮度与环境有很大差异的检测线，或利用环境中已存在的类似标志，将检测线所在图像作为背景保存，再用背景差分法来发现是否有目标通过检测线。这种方法除要在检测位置施划检测线外，同样受光照的影响;对大小差异很大的目标，或类似拖车的目标，很容易出现误判;对摄像机的视角要求较高，否则当目标密度偏高时，可能无法正确进行目标分割。
2.4光流法
光流法是把检测区域的图像变为速度的矢量场，每个向量表示了景物中一个点在图像中位置的瞬时变化。光流法首先需要计算景物中大量“点”的速度，而这在普通视频图像中难以实现，且计算复杂、抗噪性能差，一般需要专用硬件实现。
人工智能没有统一的定义，可以简单地说是人类智能在机器上的模拟。而人工神经网络是人工智能一种廣泛采用的实现。一个神经网络是一个由简单处理元构成的规模宏大的并行分布式处理器。神经网络在两个方面与人脑相似：神经网络获取的知识是从外界环境中学习得来的;互连神经元的连接强度，即突触权值，用于储存获取的知识。神经网络能学习和积累知识，神经网络的规模宏大。可见，神经网络需要具有强大计算能力的硬件支持，这也说明了过去因硬件的能力限制让神经网络的研究一度停滞的事实。近期提到的“深度学习”实际上反映在神经网络的层次规模上，层次越多，学习能力越强，能学习的知识也越多。然而，层次越多的人工智能模型，需要的计算资源也越庞大，通常要具有强大运算能力的CPU来构建，因此这种模型只能在后台实施，在前端摄像机上根本无法完成。人工智能之所以不同于以往的技术，体现在其学习能力上。人工智能的学习，不需要人直接参与，甚至不需要人理解，只要提供足够的学习素材，人工智能就能自动从素材中提取相应特征，从而对与素材同类或类似的目标进行识别。
人工智能的优越性是能识别目标，具体到高速公路监控视频的分析上，就是能别车辆和行人，进一步说，能识别不同类型的车辆。这个特征完全不同于以往的技术，它不需要关注背景，不需要目标处于运动状态，甚至不需要目标在图像中完全呈现出来。可见，这种技术可以避免各种背景干扰因素的影响，可以允许目标被部分遮挡，甚至在场景变化过程中仍能识别出目标。人工智能是否跟以往的技术一样，会出现识别不准的问题。就像人的学习过程一样，知识的积累需要一个过程，既要时间上的积累，也要空间（知识面）上的积累。当发现人工智能识别目标的准确率不满意时，可根据错误识别的画面，收集足够多的学习素材，对人工智能进行训练，这样就可大幅度提高目标识别的准确率。
3结语
人工智能视频分析系统有两个特性：一是系统部署简单，无需改造已有视频监控系统，仅在后端与视频监控系统对接，就可对所获取的视频信息进行检测分析;二是可通过现场收集学习素材，对模型分阶段进行训练，就可以让检测分析准确率得到进一步提高，甚至超过预期。
参考文献：
[1]古丽米拉·买买提.浅析人工智能在视频监控中的应用[J].科技风，2019，（29）：25.
[2]邢磊.高速公路数字视频监控系统的架构设计[J].中国科技纵横，2017，（4）：27-28.
（作者单位：辽宁艾特斯智能交通技术有限公司）
作者简介：韩新宇（1993.12-），男，汉族，辽宁沈阳，东北大学电力电子与电力传动硕士，助理工程师，研究方向：电力科学与技术。