在城市交通管理精细化创新论坛暨联盟大讲堂上，东南大学教授王昊发表了《计算机图像识别技术在交通观测中的应用》主题演讲。

2016年12月15日，第一届中国智慧交通管理产业联盟年会在无锡召开，赛文交通网（微信公众号：china_7its）受邀独家报道。在城市交通管理精细化创新论坛暨联盟大讲堂上，东南大学教授王昊发表了《计算机图像识别技术在交通观测中的应用》主题演讲。

王昊首先就交通图像识别技术的基本背景作了简单介绍，其次阐述了江苏省智能交通重点实验室在交通观测领域的研究情况，最后，提出了四个未来的研究方向：

一是可以进一步机器学习的算法，来提升车辆识别和跟踪的可靠性和精度；

二是进一步去完善机器学习的算法，使它尽可能加强处理效率，实现采集、处理、传输一体化完成；

第三是跟无人机结合，进一步提高数据采集灵活性；

第四是把这个技术进一步与交通管理和控制需求相结合，来提高我们的精细化管理水平。

以下为王昊演讲实录，经赛文交通网（china_7its）编辑整理：

我的演讲题目是关于交通图象识别技术在交通管控中的应用，这项工作是我依托东南大学江苏省智能交通重点实验室来开展的。

江苏省智能交通重点实验是2013年成立的，目前设了6个研究方向和研究部门，分别是有关于交通资源智能配置、城市职能交通技术、交通信息智能化处理分析、以及设施的智能化监管、交通的智能控制和智能安全六个方向，我今天讲的这个内容，因为时间关系我抽取了三个小点，给大家作个汇报，主要属于交通智能研究这个方向的。

背景介绍

交通数据采集是非常重要的工作，无论对规划设计还是对管控而言，都非常重要。在交通数据采集的时候，传统的方式都是依赖于人工观测，或者是地感线圈、雷达、微波等。那么人工观测非常明显，它的缺点是效率比较低，并且因为人工观测的精度比较差，通常只能够帮助我们获取一些宏观的数据。

比方说转向流量，包括车型的分类，地感线圈和雷达的精度会有所提高，但缺点是灵活性比较差。同时，地感线圈和雷达的数据类型也比较优先，通常来说常规的监测器获取的依然是宏观的量。

到了20世纪以来，视频观测这个方法逐渐开始普及。因为视频观测时效性更好，效率高，而且它获取的信息非常得全面，有很强的灵活性，特别是当我们近年来把视频的技术和无人机结合之后，发现这个技术的适应力很强，可以完成非常多的复杂的观测任务。

视频检测技术

视频检测并不是一个很新的技术，在上个世纪90年代就已经研究了，大部分基于模拟信号。在这个领域最最有名的企业应该是美国的Autoscope，后续有很多企业开始做类似的技术，它可以采集流量、速度、占有率、车型，以及排队长度等。

随着技术不断完善， 2000年之后计算机越来越先进，计算机图像处理技术也越来越完善，这个时候就可以用模式识别技术，对交通流更加宏观的特征进行采集，包括停车、撞车、逆行、拥堵等这样一些以往的视频技术所不具备的信息采集能力。

目前来说它的主要缺点是对微观车辆数据的提取还不够。国内近几年发展非常快，有很多很好的企业，也开始做类似的技术研发，并且已经在国内的交通管理界得到了很好的应用。目前的产品也都可以实现基本的摄像、传输、存储、显示，以及为交管监控服务的一些信息基础理技术。

但目前这样一个技术水平，它还是侧重于对宏观信息的分析，它对车辆微观的，特别是坐标化的数据处理还是比较少的，这也是实验室近几年工作开展的一个方向。

说到这儿要提一个有名的数据库叫做NGSIM，它是非常标准化的数据库，是美国在2005年推上线的，现在已经在全世界广泛采用，它的主要做法是什么呢？

它在美国旧金山歪曲的一条洲际公路上，连续设置了六七个摄像机，通过这个摄像机可以实现对地面道路的俯拍，然后进行识别，识别之后产生了大量的数据，包括车速、加速度、车宽、类型等一系列的数据。

一方面对科研很有帮助，另外对后续更精细化的交通管控的技术研发有一个支撑作用，所以这个数据库从2005年上线之后，到现在一直持续全世界学者的引用和应用。它的缺点是单个摄像机进行采集数据，因此采集范围很有限，每个摄像机最长覆盖四五百米的路段。

研究情况

下面我想把我们实验室在这一领域做的工作，给大家作一个汇报。

第一个是交叉口车辆信息采集。我们在这一块的研究方面主要还是侧重于技术性研究，主要实现对于任意一个交叉口通过各种视频渠道采集视频，可以是固定的大楼视频采集，也可以是无人机悬空采集。

采集到数据之后，然后自动提取每一个车的轨迹，并且计算出各种车型、各种转向的流量大小，用这个方法来代替传统的人工观测方法。

主要的技术路线是这样的步骤，首先采集视频，其次做图像的校正，再建立坐标系，进行车辆识别、车辆分型，然后进行车辆统计，最后输出数据。如果拍摄视频的角度不够好，可能会产生畸形的情况，第一步是把畸形进行校正，第二步是建立坐标系。

坐标系建完之后，就可以在交叉口内进行闭合的合围逻辑虚拟监测框，这个框的主要作用就是通过车辆转弯的时候，依次出碰框的边，可以检测出是什么样的车流，可以省去人工观测很多的时间。

第二个方面的成果是关于交叉口车辆冲突分析的，这个成果是上一个工作的延续。它主要是对已有交叉口通过视频的采集，让计算机自动地去分析这个路口安全的状况。

因为基于事故次数和事故域的安全评价是比较困难的，这个时候需要依赖于交通冲突来进行评价，传统的方法是人口去判断，我们会用一些经验丰富的工程师进行判断，哪些是冲突。这样总是不够客观，效率比较低，因此我们就对交叉口进行视频观测，然后内置一些算法。

这些算法是从人工对冲突进行判定的规则上积攒的规则，把这些规则写入程序以后，会对冲突强度进行计算，会比人的判断更精确。技术路线跟这个是类似的，需要在轨迹提取之后，增加一个冲突识别模块就可以实现了。

通过设置以后，可以对图像进行分析，然后可以对图像进行轨迹的提取，再根据冲突判定的规则，可以实现这些车的冲突判断，这是整个分析完之后所形成的一个结果，包括了数据的结果和轨迹线结果。

最后一块工作是关于路段车辆信息采集工作。

这个工作跟美国的NGC的标准数据库的工作非常相似，只不过我们做了一些改进，可以实现长距离车辆轨迹的跟踪和提取，主要采用的是视频拼接技术，我们所导出的数据结构跟美国NGC的数据库是完全一致的。

这个数据结构可以分析车辆的换道行为，具体方法首先要采取的是对视频进行拼接，拼接之后形成一个长视频，然后在长视频之内一次性完成轨迹提取。

研究方向

图像处理技术可以帮助我们实现车辆的识别和跟踪，实现宏观交通参数和微观车辆轨迹的提取，同时还可以实现流量转向统计以及冲突的分析。

未来的研究方向可能有这样四个方面：

一是可以进一步机器学习的算法，来提升车辆识别和跟踪的可靠性和精度；

二是进一步去完善机器学习的算法，使它尽可能加强处理效率，实现采集、处理、传输一体化完成；

第三是跟无人机结合，进一步提高数据采集灵活性；

第四是把这个技术进一步与交通管理和控制需求相结合，来提高我们的精细化管理水平。

最后感谢有这样的机会跟大家一起交流，同时也非常欢迎各位专家到东南大学跟我们一起去探讨，一起合作，共同去做一些技术研发，谢谢大家。