2020-08-25 17:35:37 作者： 前沿| 大数
可见，大数据平台已由过去关注数据处理技术，逐步开始在数据管道验证、复杂数据碰撞、海量数据超算等环节产生新的需求，进而提高数据使用价值。大多智能交通管控平台采用信息被动搜索模式，即：用户先发出请求，然后服务器响应请求，最后将用户请求的内容返回用户。该模式存在的问题是随着业务量的增加，用户无法及时获取准确有效的信息。因此，利用人工智能等技术从庞大数据资源中自动获取实用、准确、优质的信息，实现主动推送决策信息亟待实现。我国与日俱增的小汽车保有量使得城市拥堵问题愈加严重；加之，云计算、物联网、大数据等新兴技术的蓬勃发展使得传统汽车产业发生重大变革，智能网联汽车成为全球汽车行业关注的焦点。智能网联汽车是传统汽车产业的转型升级，具体表现在：(1) 高数据量、高并发互联娱乐；(2) 通过后台的大数据处理及云计算实现语音交互和手势识别；(3) 高精度地图，超视距了解路况信息，更安全、更节能；(4) 先进的车载组合传感器技术，强调车辆主动安全性能。因此，智能网联汽车将是未来智能交通发展的重要方向之一。智能视频分析借助计算机强大的数据处理能力滤掉视频噪声，智能识别对象，分析抽取视频流中关键信息，在交通运输领域得到了广泛应用，包括道路交通流监测、车辆自动检测和识别、道路车辆与行人定位、监控区域内个体的异常行为检测、自动收费系统等。下面分别从目标检测、目标跟踪、目标识别三个方面总结分析计算机视觉技术的研究现状及应用情况。?基于计算机视觉的目标检测即将运动目标从实时变化的背景中快速、准确地提取出来，进而获取目标的相关属性、特征信息。常用的目标检测方法有图像差分法、光流场法以及目标特征模型检测法。图像差分法的劣势在于受到复杂场景、环境干扰以及噪声的影响，背景建模比较困难。光流场法由于受多光源、噪声、透明性、阴影、遮挡等因素的影响使计算出的光流分布可靠性、精准性、实时性与实用性较差。目标特征模型检测法是较新的研究成果，该方法是通过建立被检测目标的特征模型，设置分类器，从图像中对目标分类，主要步骤包括目标特征提取及目标分类识别。传统的目标特征模型检测法多将特征提取与分类分开，即：首先，采用某种算法提取目标特征，人工选择合适的特征组合；然后，单独运用包括神经网络、支持向量机、自适应增强等机器学习算法训练独立的分类器。传统的目标模型检测法由于人T构建的往往是梯度、颜色、纹理等浅层特征，使得其在面对类别数量大、环境较为复杂的情况时有很大的局限性，性能提高空间有限。根据采集的视频图像对车辆异常行为进行检测及行人行为进行判定具有重要意义。常用的目标跟踪算法主要有基于图像特征的跟踪、基于模板匹配的跟踪及基于运动预测的跟踪。目标跟踪研究的难点在于算法的鲁棒性和准确性。既有研究成果对处理简单背景下的车辆跟踪问题有较好的效果，但当跟踪目标发生遮挡、旋转、尺度变化及背景干扰时，很难获得鲁棒性较强的效果。基于计算机视觉的目标识别在目标检测、跟踪的基础上进行，首先根据实际需求确定要划分的类别，从检测到的目标中提取合适的特征；然后根据选取的特征，运用分类器将目标进行分类，进而获取视频图像中动态目标的类型和数量。因此，影响目标识别的关键是选取准确、高效、鲁棒性好的特征量和构建快速、有效的分类器。目前普遍采用的目标特征提取方法有形状特征、颜色特征、运动特征及多特征等。现有分类器算法有神经网络、支持向量机、Adaboost级联、贝叶斯决策等。但是，上述方法距离实时、精准地识别目标特征还有-定差距。近些年，随着图形处理器（Graphics Process-ing Unit，简称GPU）的并行计算架构（Compute Uni-fied Device Architecture，简称CUDA）被大规模应用于多层神经网络训练，科研人员开始探索利用深度学习技术实现图像视频检测识别。其最大的特点在于能将特征提取与分类整合到一个单独的神经网络中，并且随着网络结构的增加，图像信息也会由像素级别的特征、浅层特征提取逐渐过渡到高级、深层特征提取。由于特征提取不需人工干预，而是依靠神经网络自学习得到，因此深度学习的泛化性不是一般机器学习算法可以比拟的。目前，深度学习与计算机视觉技术在智能交通领域的应用方向主要有：(1) 基于车辆轮廓和形态的检测技术：从基于运动的检测技术到基于车辆轮廓和形态的检测技术的转变，可以解决很多过去车辆检测中存在的问题，排除了天气、光线等带来的干扰；? (2) 通过深度学习实现更多维度的识别：通过深度学习精确识别车牌，还有车辆的颜色、类型、品牌年款，车内人物，车辆挡风玻璃上的特殊标志以及车辆尾部的特征标志等；(3) 车辆比对一一以图搜图：基于视图大数据的以图搜图功能，可以在海量图片里找到一辆特定的车，该技术应用场景包括**识别、收费结算、逃费稽查、移动支付等；(4) 借助人工智能实现准确的交通事件检测：由于传统检测方法存在较多的误报，实际效果离真正的需求还有定的差距，而借助深度学习技术，能实现真正准确的交通事件检测。总之，目前交通运输领域的计算机视觉技术应用还停留在对静态图片的智能分析阶段，而真正的挑战是快速从视频中找出需要的画面，为执法提供快速、精准、有效的依据。
