基于机器视觉技术的高速公路不良天气监测响应管控系统

凌勇健

(广西交科集团有限公司,广西 南宁 530007)

0 引言

团雾、暴雨等不良天气,一直是影响高速公路运营安全水平的重要隐患,其主要影响驾驶员的可视距离和车辆的制动性能。因此,能见度和路表积水厚度一直以来是高速公路运营安全监测的重要数据。受能见度和降雨量监测设备价格、路域、可用布设空间等因素的影响,高速公路难以实现高密度的监测设备布设。而人工智能不断发展,为解决高速公路不良天气快速监测响应提供了新的思路。

根据《道路交通安全“十三五”规划》,截至2020年年底我国绝大多数高速公路已完成监控视频的全覆盖,监控摄像头密度平均达到800 m/处[1]。孟颖等[2]提出了一种基于监控视频的能见度计算方法,其在暗原色先验法基础上,利用图像灰度值,进一步滤波分隔获取空气透射率,获取计算能见度指标。Wang等[3]利用相机参数细化感知精度,提出了一种高准确度和可靠性的降雨强度监测模型。基于机器视觉技术开展高速公路不良天气的监测响应,不仅满足精准监测和快速响应的需求,还能够进一步发挥道路监控的价值。因此,本文以高速公路CCTV (Closed-Circuit Television)系统为硬件基础,构建高速公路不良天气监测响应管控系统。

1 不良天气监测响应重难点分析

目前,我国高速公路监控视频已趋近全覆盖,为开展相关工作提供了有力的应急基础保证。解决准确性和可移植性是高速公路不良天气监测响应管控系统的主要性能目标。准确性主要指对于能见度和降雨量的准确性;可移植性指相关算法和技术不限定于特定路段、特定高度的监控画面。但是在此基础上开展不良天气的监测响应,依旧存在以下几个重难点:

(1)设备参数指标差异较大:设备参数是直接影响监控图像的重要因素,其包括分辨率、焦距、高度、视场角、信噪比、光圈等。设备参数的差异直接影响系统的可移植性。因此,在系统模型构建中,需要将设备参数作为单独变量,以提高针对不同监控设备的可移植性。

(2)监测精度缺乏规范标准:监测精度是衡量准确性的重要指标,但是目前我国尚未形成相关技术标准。因此,本研究参照《道路交通气象环境 能见度检测器》(JT/T 714-2008)和《地面气象观测规范 气象能见度》(GB/T 35223-2017),结合实际需求将能见度精度控制在±20 m范围内,降雨强度精度控制在±0.2 mm/h。

(3)样本不平衡性:由于雾天、沙尘等天气的占比极低,如果直接开展机器学习模型训练,训练样本的不平衡性会导致预测性能不佳。因此,需要考虑该问题,尽量平衡训练样本中各类天气的占比。

(4)雨天能见度和降雨量:相对比雾天和沙尘天气的能见度计算,雨天相关计算更为复杂。降雨的强度与能见度间存在一定相关性,明确其影响规律是保证指标监测精度的重要环节。

2 高速公路不良天气监测响应管控系统架构

高速公路不良天气监测响应管控系统,在已有道路监控视频硬件网络的基础上,应用机器视觉和机器学习技术,通过图像处理、分析、预测实现能见度和降雨量的智能监测,充分发挥既有资源应用价值,在现有硬件体系下实现高速公路智慧化升级。系统包含“信息感知”“监测分析”“应急响应”三个层级,系统框架如下页图1所示。

图1 基于机器视觉技术的高速公路不良天气监测响应管控系统架构图

(1)信息感知:以既有高速公路监控系统为基础,传输道路实时图像信息。目前系统所需的不仅是图像信息,还需要摄像头编号、时间信息。根据摄像头编号,进一步匹配对应的地理位置信息,其中路段桩号、道路方向、路段类型。时间信息作为光照强度分布的参照指标。

(2)监测分析:监测分析包含三个主要步骤:图像特征提取、气象分类、指标计算。图像特征提取是通过计算图像特征指标,作为分类及预测模型的输入变量。气象分类是初步筛分气象类型,作为指标计算模型的选择条件。指标计算主要采用机器学习算法,根据训练后的模型进行能见度和降雨量计算。

(3)应急响应:根据降雨量能见度响应等级,确定应急响应方案,系统发布至管理员端,修正审核相关信息后,实时传递至管理部门、导航软件、广播电台等。

3 关键技术

监测分析是高速公路不良天气监测响应管控系统的核心,其涉及的关键指标分为三个部分:图像特征提取、气象分类和指标计算。

3.1 图像特征提取

图像特征提取主要负责图像指标数字化,为后续气象和指标检测提供基础数据。其主要涉及图像处理计算,本研究主要基于OpenCV算法实现相关功能。特征提取主要包括两个部分,如图2所示。

图2 图像特征提取示意图

第一部分为车辆图域剔除。由于车辆是道路画面中的最大变量,提取特征之前需要剔除车辆因素的影响。采用高斯混合背景差分算法计算识别动态车辆目标,确定图域位置进行背景建模。需要说明的是为了保证降雨画面能够保留,因此只针对车辆区域进行剔除,降雨画面保留。

第二部分为图像指标提取。图像指标包括单帧指标和连续帧指标。单帧指标主要包括图像的颜色平均强度、强度方差、强度梯度;连续帧指标主要为颜色平均强度、强度方差、强度梯度的排列熵。

3.2 气象分类

气象分类的目的在于为不同天气匹配不同的计算模型,其既减少系统算量又提高了准确性。通常采用支持向量机SVM(support vector machines)算法[4]开展气象分类,共分为晴天、多云、阴天、雨天、雾天、沙尘6种天气。训练样本共计4 730张图像,其中雾天、沙尘天气占比极低。为保证模型训练效果,采用SMOTE(Synthetic Minority Oversampling Technique)重采样算法[5]平衡训练样本。由此构建的气象分类模型,平均准确率达84%。虽然对晴天、多云误判为沙尘天气的占比较大,但是有效提升了对雾天和沙尘天气的召回率,达100%,能够在保证的不良天气监测覆盖率前提下,减少相关计算量。

3.3 指标计算

在气象分类完成的基础上,提出了基于XGBoost(eXtreme Gradient Boosting)[6]的降雨量和能见度指标预测框架,如图3所示。模型共分为雾天、沙尘天、雨天三种,其中沙尘天和雾天仅计算能见度。模型分两部分训练,由基础数据集(涵盖全线基础样本数据)训练得到基础模型,再根据监控所在位置补充训练样本,直至能见度精度和降雨强度精度达到使用要求,即可部署实施至项目所在区域。

图3 基于XGBoost的降雨量和能见度指标预测框架图

4 结语

在智慧交通发展的时代背景下,不仅要思考如何实现智慧化升级转型,也应该着力于发掘原有设备体系的价值。本文就高速公路不良天气监测管理问题,提出了一种基于机器视觉的精准监控和快速响应系统方法框架,进一步发挥了高速公路CCTV系统的应用价值,同时也为解决不良天气管理难题提供了新的思路。本文所提出的系统,实现了雨、雾、沙尘三种不良天气下的能见度和降雨量监测,为应急响应管理提供判断依据。其关键技术主要有:基于OpenCV算法的特征提取、基于SVM算法的气象分类、基于XGBoost算法的能见度及降雨强度指标计算。