LK分享 | 计算机视觉在交通中的12类应用

本文总结了计算机视觉在交通中的12类应用，包括车辆分类、行车违章检测、交通流量分析、停车占用检测、自动车牌识别、车辆重新识别、行人检测、交通标志检测、防撞系统、路况监测、基础设施状况评估、驾驶员注意力检测。

车辆分类

计算机视觉在车辆自动分类中的应用由来已久。自动车辆分类技术已经发展了几十年。随着快速增长的实惠传感器，如闭路电视（CCTV）摄像头、激光雷达（LiDAR），以及热成像设备，可以同时在多车道上对车辆进行检测、跟踪和分类。结合热成像、激光雷达成像和RGB可见光摄像头等多种传感器可以提升车辆分类的精度。有多个专业领域，例如，基于深度学习的工程车辆检测计算机视觉解决方案已用于安全监控、生产力评估和管理决策等方面。

行车违章检测

执法机构和市政当局正在增加基于摄像头的道路监控系统的部署，以减少不安全驾驶行为。越来越多的计算机视觉技术被用于自动检测违规行为，如超速、闯红灯或停车标志、错误驾驶和非法转弯。

交通流量分析

在智能交通系统（ITS）中，交通流分析已经得到了广泛的研究，包括使用入侵方法（标签、路面下线圈等）和非入侵方法（如摄像头）。随着计算机视觉和人工智能的兴起，视频分析现在可以应用到无处不在的交通摄像头上，这可以在智能交通系统和智慧城市产生巨大的影响。交通流可以用计算机视觉手段来观察，并测量交通工程师所要求的一些变量。

停车占用检测

停车位可视化监控的目的是检测停车场的占用情况。计算机视觉应用程序基于深度卷积神经网络（CNN），在视觉停车场占用检测方面提供高效解决方案。停车场检测存在多个数据集，如PKLot和CNRPark-EXT。此外，使用立体成像（3D）或热敏摄像头的基于视频的停车管理系统已经落地。

自动车牌识别

许多现代交通和公共安全系统依赖于从静止图像或视频中识别和提取车牌信息的能力。自动车牌识别（ALPR）在许多方面改变了公共安全和交通行业，帮助实现了现代收费道路解决方案，通过自动化不仅显著节约了运营成本，还实现了全新的功能（例如，警车上的车牌读取装置）。OpenALPR是一个流行的自动车牌识别库，基于车牌图像或视频的字符识别。

车辆重新识别

随着个人再识别技术的发展，智能交通和监控系统的目标是利用基于视觉的车辆再识别技术将这种方法复制到车辆上。提供唯一车辆ID的传统方法通常是侵入式的（车载标签、移动电话或GPS）。对于收费亭等受控设置，自动车牌识别（ALPR）可能是准确识别单个车辆的最合适技术。然而，车牌容易被更改和伪造，并且ALPR不能反映车辆的显著特征，例如标记或凹痕。基于图像的识别等非侵入性方法具有很大的潜力和需求，但在实际应用中还远远不够成熟。现有的基于视觉的车辆再识别技术大多基于车辆的颜色、纹理和形状等外观特征。至今，识别诸如车辆品牌或车型之类的细微特征仍然是一个悬而未决的挑战。

行人检测

行人检测对智能交通系统至关重要，它涉及到自动驾驶、基础设施监控、交通管理、交通安全和效率以及执法等各个方面。行人检测涉及许多类型的传感器，如传统的闭路电视(CCTV)或IP摄像机、热成像设备、近红外成像设备和车载RGB摄像头。行人检测算法可以基于红外特征、形状特征、梯度特征、机器学习或运动特征。基于深度卷积神经网络的行人检测已经取得了很大的进展，甚至可以检测出深度遮挡的行人。

交通标志检测

计算机视觉用于交通标志的检测和识别。将视觉技术应用于不同交通场景的交通标志分割（图像分割），并采用深度学习算法对交通标志进行识别和分类。

防撞系统

车辆检测和车道检测是最先进的驾驶员辅助系统（ADAS）的组成部分。深度神经网络近年来已应用到深度学习研究及自主避撞系统中。

路况监测

开发了基于计算机视觉的缺陷检测和状态评估应用程序，用于监测混凝土和沥青民用基础设施。路面状况评估提供了有关路面网络管理的更具成本效益和一致性的决策信息。一般来说，路面破损检查是使用先进的数据收集车辆和/或实地踏勘进行的。提出了一种基于深度机器学习的沥青路面状态指数识别方法，为实现基于计算机视觉的路面破损自动检测提供了一种独立、廉价、高效、安全的方法。另一个应用是计算机视觉用于检测道路凹坑，以分配道路维护和减少相关车辆事故的数量。

基础设施状况评估

为确保民用基础设施的安全和可用性，必须对其物理和功能状况进行目视检查和评估。基于计算机视觉的民用基础设施检测和监控系统用于将图像和视频数据自动转换为可操作的信息。计算机视觉检测应用程序用于识别结构部件，描述局部和全局可见损伤，并从参考图像中检测变化。这种监测应用包括应变和位移的静态测量和用于模态分析的位移的动态测量。

驾驶员注意力检测

分心驾驶——例如打手机和疲劳驾驶——在全球道路交通事故中占很大比例。人工智能是用来了解驾驶行为，找到缓解道路交通事故的解决方案。道路监控技术用于观察客舱违规行为，例如在道路监控中基于深度学习的安全带检测中。车内驾驶员监控技术侧重于视觉传感、分析和反馈。驾驶员行为既可以直接从面向驾驶员的内部摄像头推断，也可以间接从面向外部场景的摄像头或传感器推断。基于面向驾驶员的视频分析技术通过注视方向、头部姿势估计和面部表情监控算法检测面部和眼睛。人脸检测算法能够检测出注意力集中的和不集中的人脸。深度学习算法能够检测眼睛聚焦和非聚焦的差异，以及受此影响的驾驶迹象。在驾驶员分心检测中，有多种深度学习方法（RNN和CNN）应用于实时分心驾驶员姿态分类。

计算机视觉用于交通流量分类统计

参考文献：

1、https://viso.ai/applications/computer-vision-applications/

本文来源：北京市高级别自动驾驶示范区