据外媒报道,俄罗斯南乌拉尔国立大学(South Ural State University)的科学家们研发了一个独特的智能系统,以利用人工智能监控交通流量,而且无需特定的录制设备,就可以几乎在任何类型的摄像头上工作。现有的程序在处理实时接收到的数据时,处理过程会延迟10至15分钟,与之不同的是,该系统可以即时处理此类数据。
交通拥堵解决方案
南乌拉尔国立大学理工学院汽车运输系副教授兼项目经理Vladimir Shepelev表示:“我们建议并推行一套以最新车辆侦测及追踪技术为基础的现代化交通流量评估系统。与现有的类似系统不同,该系统能够实时识别和分析车辆的运动方向,最大相对误差小于10%,而与之最类似的系统是,只能确定一个方向上车辆的车速和类型,而且在摄像头的帮助下,精度才能达到80%至90%。而该系统利用神经网络则可以生成十字路口中多达400个交通参数。”
该独特的AIMS监控系统能够收集、解释和传输有关道路交通密度的数据,对10类车辆进行分类、测量车速、判断交叉路口各个方向当前的负荷水平、确定车辆接下来的行驶方向。与此同时,只需要一个全高清的闭路电视(CCTV)摄像头就可以在十字路口实时识别目标。
Shepelev表示:“该项研究的结果可让城市当局用于提高十字路口的整体交通容量。而且,我们已经在车里雅宾斯克的几个十字路口验证了该系统足够准确,可以作为其他高级模型的基础。”
该项创新技术可以实时提供有关交通流量结构、车辆方向和车速等数据,利用数据挖掘技术可以有利于实现高效的交通模式、减少交通拥堵、改善资源管理。
用于分析城市交通的神经网络
目前监测交通往往依赖于使用昂贵的传感器连续收集数据,或者对交通进行视觉研究,通常在几天内对某一时间段内的交通持续进行测量。但是,交通服务还是无法收到有关交通流量结构、密度、车速和运动方向等正确且准确的信息。
Shepelev表示:“我们管理的神经网络会处理大量的视频数据,不仅可检测和跟踪车辆,还可以用于分析事件的发生顺序。在研发该技术的过程中,我们采用了开源的Mask R-CNN(卷积神经网络)和YOLOv3神经网络架构以实时探测目标,还采用了SORT目标追踪算法,团队修改了该算法的代码以改善目标追踪质量。”
基于人工智能的嵌入式分析模块能够确定十字路口交通组织的层次,并且将性能指标(KPI)分配给十字路口的每个交叉口(以进行测量)。
增加效率、降低监控成本
由于优化了YOLOv3神经网络算法,南乌拉尔国立大学的科学家们能够将追踪过程中丢失目标考虑在内,目标跟踪精度达到95%,大大降低了实时监控设备的成本。
Shepelev表示:“具有机器视觉的人工智能技术能够将道路交通数据收集和分析提升至一个新水平,将识别车辆的可靠性大大提高。而且我们的深度学习网络易于配置,无需特定的录制设备,几乎可以在任何类型的摄像头上工作。”
南乌拉尔国立大学科学家们研发的该项技术将提高城市道路基础设施的使用效率,在不久的将来,利用人工智能监测道路交通的技术将成为车里雅宾斯克市可持续公共交通项目的一部分。(文中图片均来自南乌拉尔国立大学)