[01312367]面向智能交通基于智能手机的车辆检测技术及其应用研究

汽车工业的迅速发展,给人们生活带来了极大的便利。然而,随之而来,交通事故发生频率也迅猛增加。据世界卫生组织报告,目前交通事故已成为世界范围内致人死亡的最主要原因之一,而中国是世界上交通事故死亡人数最多的国家之一。交通事故已经给人们的生命和财产带来了巨大的威胁。目前通过雷达、激光或摄像头等传感器设计的司机辅助系统虽然在市场已可以购买,但价格仍比较昂贵,只有小部分车辆拥有这样的功能。智能手机对人群具有的天然覆盖性,并且具有环境感知力和科学计算能力,能够将其部署成感知车辆周围环境的设备。为此本项目研究以智能手机为平台,通过其摄像头感知道路场景,利用深度学习技术实现场景中车辆检测,并在检测结果的基础上完成连续图片的车辆跟踪,实现超速及近距离跟着的危险车辆监测。该系统包括了车辆识别、模型压缩、车辆检测、车辆追踪及危险车辆监测五个模块。车辆识别模块主要是搭建基于卷积神经网络车辆识别模型;模型压缩模块致力于在不降低车辆识别精度的条件下,压缩车辆识别模型规模,减少其对计算资源需求,同时提高计算效率;车辆检测模块用于检测真实交通场景图像中的车辆;车辆追踪模块用于实现对连续感知的图像中的车辆进行跟踪;危险车辆监测模块是在前面四个模块的基础上,研发适用于智能手机平台的对周围超速及近距离跟着的危险行驶车辆进行监测,以便能够提醒司机,减少交通事故的发生。 本项目将深度学习与移动终端相结合,研究成果可以在智能手机上以软件的方式实现车辆安全行驶,无需购置额外设备,不会增加用户成本,因此不仅具有较高的研究价值,这将会大大推动交通安全主动安全技术的发展及普及,对交通安全领域具有重要的意义,同时对 AI 的商业化也有一定的推动作用。 本项目研究了面向智能交通的车辆检测技术及应用设计,与传统深度学习运行平台及智能感知技术的不同,其创新之处如下： （1）轻量级高效的车辆检测技术。本项目用卷积神经网络技术用于车辆识别,相较于传统的依赖于先验知识的车辆识别具有显著的优势;同时,通过基于通道注意力机制的卷积神经网络压缩技术,是车辆识别模型达到了高效轻量级的效果,方便了在移动终端下移植使用。 （2）创新性地提出了一项切实可行的智能交通感知技术。该技术利用移动终端,特别是智能手机对人群的天然覆盖性及其摄像头对环境的感知能力,可以方便地捕捉车辆道路环境图像。通过融合深度压缩技术,可以使移动终端在无网络的情况下利用卷积神经网络模型完成道路图像中车辆检测。因此,本项目的研究为智能交通提供一项新颖的切实可行的感知技术。 （3）应用普遍性。针对智能交通中车辆安全行驶问题,利用移动终端对道路车辆的感知能力,无需基础设施建设,以纯软件的方法可以实现司机辅助系统,突破了目前被使用的技术及产品的市场局限性。 本项目针对智能交通中安全驾驶需求,探索了以智能手机为平台的主动安全驾驶技术,但任然存在一些问题：真实交通场景很复杂,不仅存在交通流量大的情况,车流行为方向会有不同,而本项目的实验场景相对简单,对算法在真实环境的可行性缺乏验证;此外,受光照及区域的不同,交通场景会呈现不同的特征分布,直接影响车辆检测的精度。针对这些问题,我们可以借助一些主动测距技术,进一步完善实验过程,验证方法在真实交通场景中的实用性;同时,可以研究车辆检测模型的域迁移技术,用于解决模型泛化性问题。