张昊1，汤立凡2，王庆1*
（1.东南大学 仪器科学与工程学院，
一、引言
据统计，2015年全球约有125万人死于道路交通事故，其中近一半的交通事故死亡者为易受伤害的道路使用者。据中国公安部统计，2012年全国发生涉及人员伤亡的道路交通事故超过20万起，造成近6万人死亡，其中易受伤害的道路使用者死亡人数占总死亡人数的比例高达71.8%，行人及骑车人分别占总死亡人数的25.4%和14.8%。因此，行人及骑车人的保护越来越引起各国政府、研究机构及汽车公司的关注。作为城市道路交通的重要组成部分，交叉路口是车辆与行人汇集、转向和疏散的必经之地，是交通的咽喉，也是交通事故的多发地。90%的重特大交通事故发生在交叉路口。据某省会城市公布的数据，2017年1-3月交通事故共造成165人死亡、1173人受伤，其中，某典型道口发生交通事故154起。然而，在非一线城市交叉路口因从众心理行人过马路闯红灯现象严重，行人不遵守交通规则的行为更是增加了交通事故发生的风险。
研究表明，交通参与方提前1-2秒感知或识别周围交通环境中存在的潜在危险，并采用积极应对措施，可大幅度降低交通事故的发生概率或强度。但是复杂的路口环境又会给过往行驶司机的视线带来了阻碍，例如左转车道有大型车辆等待通行时，中间的直行车辆司机因左转车辆的遮挡而产生左侧视线盲区，若此时有行人闯红灯从左侧穿出，直行车辆司机将无法及时做出反应，最终造成严重交通事故。针对此类因视线受阻而突发的“鬼探头”交通事故，本文开发了一套针对交通事故易发路口的“城市道口防碰撞主动警示系统”。旨在降低城市道口交通事故的发生概率提升驾驶员和行人的人身安全。
二、国内外研究现状
（一）行人检测、跟踪与意图识别研究现状
基于深度卷积神经网络的行人检测具有更深层次、更强大的表征能力，现有的实验大多是深度学习特征与传统方法相结合的方式，虽然取得了好的结果，但是存在计算复杂，实时性较低的问题，缺乏端到端的网络训练模型；目前的目标跟踪采取的主要方法是生成式方法与判别式方法，生成式方法往往具有速度上的优势，然而缺乏考虑背景信息，容易受到环境影响而被干扰。判别式方法通过训练以及更新检测器提高了算法的精度，目前主流的是基于相关滤波器和深度学习的跟踪算法；目前专注于行人过街意图识别研究领域开展的相关实验较少，总结起来可以分为两类，一是基于人体形态特征与分类器相结合的方法，该方法缺少对环境信息的充分利用，而且没有考虑不同特征对于行人过街意图的贡献是不同的，会影响意图识别的正确率。二是基于行人运动进行估计，通过预测行人轨迹进行判断，但在估计行人运动时存在的误差会影响预测结果。
（二）道路预警产品现状
目前市场上现有的产品都是通过雷达和摄像头对路口进行检测，当有行人或者车辆将要通过路口时通过语音或者LED屏进行警示，并不能针对性的进行提示或者预警，而是所有的人或车通过时都会进行警示，不论有没有危险都进行提示，久而久之当人们习惯之后警示作用便会越来越小，达不到真正的危险预警效果，下面列举几个相关产品和其原理：
表1国内道口预警产品
|
公司 |
产品 |
原理 |
|
安徽仁行科技有限公司 |
人车双向警示系统 |
雷达监测柱通过扇形区域检测行人穿越马路的行为和主路车辆行驶的速度及流量，当检测到行人时，通过斑马线道钉快速闪烁及LED屏幕警示车辆；当检测到主路车辆时，通过语音提醒和LED屏发光警示行人。 |
|
北京捷睿通科技有限公司 |
道路会车预警系统 |
系统集合了物联网检测触发、光电子显示、载波语音自动诱导等多种技术，利用人工智能、机器视觉技术自动识别行人、非机动车过路行为，检测甄别过往车辆的车速对行人的威胁，自动双向预警，在提醒驾驶员降速避让行人时，同步提醒行人过路注意观察高速驶来的车辆，从而很有效的避免发生交通事故。 |
|
北京信路威科技股份有限公司 |
路况预警系统 |
系统以无线通信技术为依托，利用视频分析技术、多普勒雷达检测技术等，对通行车辆进行检测抓拍、精准警示及自动告警，同时具备道路监控、双机联动、环境监测（环境光、温湿度、噪声）等功能，适用于城市道路、国道、省道、县道、乡道、村道和小区内道路等事故易发/多发、视野受限处，旨在减少交通意外、保障行人及行车安全。 |
|
苏州雷森电子科技有限公司 |
危险路段行人预警系统 |
危险路段行人预警系统由行人检测触发单元、预警提示单元、过街轨迹警示单元、太阳能供电单元组成。行人检测触发单元部署在路口，用于检测是否有行人穿越；车辆预警提示单元设置于路口前方，用于对驶来车辆发出注意行人的警示。 |
三、系统的总体设计
城市道路交叉路口是交通事故发生概率非常高的区域，本系统搭建一套针对交叉路口的防碰撞主动警示装置并对涉及到的目标检测、行人跟踪、行人过街意图识别三类算法进行了针对性的优化使其能够准确的识别各个交通参与方并对行人的过街意图进行预测，最终结合AI摄像头、LED显示屏、发光地砖等设备实现对即将发生碰撞的行人和机动车驾驶员发出预警，从而降低城市交叉路口交通事故的发生概率，保障行人和驾驶员的人身安全。系统的总体架构如图1所示。系统包含感知层、数据层、控制层、执行层和交互层五个层面。其中，感知层接入红绿灯信息检测器和智能监控系统，获取该路口实时交通信息；数据层获取智能摄像机信息及交通环境下的综合态势，进行数据融合与分析，为控制层提供数据基础；控制层接收数据层提供的信息在边缘计算工控主机中完成改进的YOLOv3检测算法，运行于边缘计算单元，实现交通大场景下的小目标实时检测，利用相关滤波跟踪算法，对交通环境中的各方交通参与者实时精确定位，实现了目标的运动追踪，对交通冲突进行精准预测，为执行层提供控制输入；执行层接收到控制层发出的控制指令，对网络音柱、爆闪灯、发光地砖、LED警示屏等设备的功能进行操控；交互层包含PC端、移动端和可视化大屏，主要实现不同设备之间的交互功能。
图1系统架构图
四、系统的关键技术
（一）目标检测
目标检测是检测出一张图片或者一段视频中目标的位置（静态或者动态），在交通场景中主要识别的目标为机动车、非机动车以及行人，由于安全的要求使得在交通场景中目标检测更注重实效性，因此，系统选择在精度与速度方面均有良好表现的YOLOv3网络模型。
Yolov3基于深度学习框架darknet开发而来，包含53个卷积层。该模型引入了金字塔特征图思想，小尺寸特征图用于检测大尺寸物体，而大尺寸特征图检测小尺寸物体；特征图的输出维度为N×N×3×(4+1+80)
，N×N
为输出特征图格点数，一共3个Anchor框，每个框有4维预测框数值 t x, t y, t w, t h
，1维预测框置信度，80维物体类别数。所以第一层特征图的输出维度为8×8×255
；采用K-means算法对数据集中的边界框进行聚类，获取9个先验框；相比之前的算法，YOLOv3采用了多尺度检测方法，特别是针对小目标，检测精度有显著提升。
为了符合交通场景下目标检测实时性与准确率兼顾的要求，本文将采用轻量级网络结构的MobileNetv2来替换YOLOv3主干网络。MobileNetv2架构是基于倒置残差结构，经典的残差块（residual block）的过程是：1×
1(降维)到3×3(卷积)再到1×1(升维)，但深度卷积层提取特征限制于输入特征维度，若采用残差块，需要先经过1×1的逐点卷积操作将输入特征图采用0.25的压缩率进行压缩，再经过深度卷积后，提取的特征会更少。
瓶颈层输入通过1×1的Conv+ReLU层将维度从k维增加到tk维，然后通过3×3conv+ReLU可分离卷积对图像进行降采样，此时特征维度已经为tk维度，最后通过1×1conv进行降维，维度从tk降低到k维。整个模型中除了第一个瓶颈层的t=1之外，其他瓶颈层t=6，即第一个瓶颈层内部并不对特征进行升维。如图2所示，为对应步长的提取模块。
图2 Mobilenetv2模块
将Mobilenetv2低计算量和参数量的优点与YOLOv3中的特征金字塔结构和多尺度特征融合策略相结合，形成轻量级的YOLOv3-Mobilenetv2目标检测算法。为增强高层特征图位置信息，在13×13特征图上引入Bottom-up连接。该算法在规模尺寸上较YOLOv3算法缩小了14倍。其网路结构如图3所示。
图3 YOLOv3-Mobilenetv2算法网络结构
（二）行人跟踪
目标追踪是给定视频中第一帧目标以及它的位置，然后跟踪这个目标，并预测它的轨迹，本文在目标跟踪中主要研究的对象为闯红灯的行人。本文选用相关滤波算法对行人进行跟踪。
相关滤波最早应用在信号处理领域，用来描述两个信号之间的相似性，其基本思想是设计一个滤波模板，利用该模板与目标候选区域做相关运算，最大输出响应的位置即为当前帧的目标位置。表示公式为：
g=u⊗ω
其中g
表示响应输出，u
表示输入图像特征，ω
表示滤波模板。利用相关定理，将相关转换为计算量更小的点积。相关滤波的任务，就是寻找最优的滤波模板ω。经典的方法是采用脊回归构建模型的目标函数：
minLω=min12j=1Ngj-ωTUj22+λ2ω22
其中，Uj
为第j个N维训练样本，ω∈RN
,λ
正则化参数，训练过程中设滤波相应g为一个高斯函数：
式中，x,y
为像素坐标位置，xc,yc
为目标中心位置，gx,y
在目标中心位置时取最大值。
将训练好的滤波器应用到第一帧图像中，并以第一帧目标位置为中心提取区域特征,在下一帧图像中提取目标区域，对滤波器先进行傅里叶变换，卷积之后，再进行逆向傅里叶变换找最大响应值，这个响应值的位置即为第二帧图像的待追踪目标的中心。相关滤波跟踪方法的基本框架如图4所示。
图 4 相关滤波实现流程
（三）交通冲突预判与决策
根据设计思路，城市道口防碰撞主动警示系统的交通冲突预判与决策流程如图5所示。
交通信号灯作为信息输入；判断该车辆通行方向是否为绿灯，如为绿灯执行下一步，否则返回上一步；交通摄像机开始工作，面向行车方向横向斑马线及周边重点区域进行行人检测；行人检测判别，在重点区域检测到行人时执行下一步，否则重新判断交通信号；人行道两侧过街一体灯提醒行人“请勿闯红灯”；进行行人意图预测，如行人存在闯红灯意图执行下一步，否则重新判断交通信号；行车道车辆检测，如有车辆驶入事故发生潜在危险区域执行下一步，否则重新判断交通信号；行驶车辆对面信号灯横杆LED信息屏显示“注意行人”字样并点亮指示图标显示闯灯行人方向，同时爆闪灯闪烁，过街地灯有绿色变红，以提醒驾驶司机注意及时减速，避免事故发生。
图 5 城市道口防碰撞主动警示系统流程如图
五、测试与验证
为验证所设计系统方案及算法的效果，分别在实验室及真实路口环境下进行实验测试和实地验证。
城市道口防碰撞主动警示系统主要的硬件配置包括：交通摄像机、红绿灯信号检测器、边缘计算工控机、数据交换机、智慧爆闪灯电子引导屏、机动车道停止线发光砖等，其中，交通摄像机选用海康型号DS-2CD7AFD，内置高效白光阵列灯，具备200万星光级1/1.8”智能补光，水平视场角99.5°-38.6°；采用红绿灯信号检测器LPJT-XHD-5-S，可对5路红绿灯信号检测，应用于电子警察系统红灯信号检测；边缘计算工控主机采用i5双核处理器，4G内存，包含边缘计算协同控制单元，完成多传感器感知数据融合，实现交通目标运动跟踪和轨迹预测，实现各类交通事件的检测及协同控制；智慧爆闪灯电子引导屏选用显示尺寸为960mm*320mm的户外P10全彩显示屏，含高清红蓝爆闪灯，并支持远程控制。
在实验室内搭建的模拟场景与测试效果如图6所示，交通摄像机安放在离地面高度2.6米处，对面规划三条行车道，在左转车道上采用人体模拟行驶车辆。图5所模拟的场景为：当交通信号灯为绿灯时，有行人闯红灯，此时检测到行驶车道预警范围内有行驶车辆，模拟LED显示屏点亮显示“注意行人减速避让”字样，提醒行驶车辆注意。
图 6 实验室测试环境 图7 室外交通路口实地验证场景
在室外场景选在苏州市虎丘区滨河路与横山路的交叉口，检测效果如图7所示。经过系统设备多次的实地检验，验证了城市道口防碰撞主动警示系统的准确与可行性，可有效预防交通事故的发生。
六、结论
本研究针对城市交通路口因驾驶员视线受阻行人不遵守交通规则而造成的“鬼探头”交通事故，设计了城市道口防碰撞主动警示系统，基于改进的YOLOv3算法实现了大交通场景下小目标的实时检测，利用相关滤波跟踪算法，实时准确定位交通环境中各类交通参与者，跟踪目标运动状态，并结合Kalman滤波对行人闯红灯的意图进行预测，在实现对交通参与者行为冲突的准确预警的同时，有效减少误报。通过实验场地测试和实际交叉路口试验表明，该方案能大大降低交通事故发生的概率和强度。
