图片来源：South Ural State University

与现有的智能程序不同的是，该系统可以即时处理实时接收到的数据，而非像现有系统一样需要延迟10至15分钟。相关的研究结果发表在Big Data杂志上。

这项研究有助于解决关于交通堵塞问题。苏州理工大学汽车运输系（Automotive Transport Department of the Polytechnic Institute SUSU）副教授弗拉基米尔·谢佩列夫（Vladimir Shepelev）表示，他们根据车辆检测和跟踪的最新进展，提出并实施了一个现代化的交通流量评估系统。与现有的模拟系统不同，这个系统能够精确地实时识别和分析车辆的运动方向，其相对误差小于10％。只要将摄像机置于交通流量之上，模拟器能够迅速确定车辆的速度并仅在一个方向上对车辆进行分类，其精度在80%到90％之间，且在每个交叉路口能实时生成多达400个交通参数。这个监控系统可以即时收集、解释和传输道路交通强度数据，能同时对10类车辆进行分类、测速、判断交叉口各个方向当前的负荷水平并确定车辆接下来的行驶方向。这些实时目标的识别仅需要在十字路口安置一个高清摄像头即可实现。

图片来源：South Ural State University

Shepelev解说道，这项研究的结果可以用于提高十字路口的整体交通容量。研究人员已经在车里雅宾斯克的几个十字路口验证了这个系统，并发现它所提出的解决方案是足够准确的，这可以作为其他高级模型的基础。这项创新技术可以实时提供交通流结构、车辆方向和速度的数据，从而实现高效的交通模式，减少交通拥堵，改善资源管理。目前监测交通的做法主要是通过使用昂贵的传感器连续收集数据或对交通进行目视研究，通常是在连续的几天内进行测量。然而，这种交通服务并不会收到关于交通流结构、强度、速度和运动方向的准确的信息。而这项研究所述的神经网络可以来处理大量的视频数据，不仅能够用于检测和跟踪车辆，还可以用于分析事件的顺序。在开发这项技术的过程中，研究人员使用开源的Mask R-CNN和YOLOv3神经网络架构实时检测目标，并使用了SORT tracker。但为了提高对目标跟踪的质量，该团队对代码进行了优化。

图片来源：South Ural State University

由于优化了YOLOv3神经网络算法，SUSU的科学家们能够在跟踪过程中目标丢失的情况下达到95%的精度，这大大降低了实时监控设备的成本。

这项研究将人工智能在道路交通数据收集和分析的领域提升到了一个新水平，使得其对车辆识别的可靠性大大提高。此外，这种深度学习网络易于配置，不需要特定的录音设备，几乎可以在任何类型的相机上工作。

这项由SUSU科学家开发的技术将会大幅提高城市道路基础设施的使用效率。相信在不久的将来，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。

参考：https://techxplore.com/news/2019-08-scientists-traffic-based-artificial-intelligence.html

[关于转载]：本文为“AMiner”官网文章。转载本文请联系原作者获取授权，转载仅限全文转载并保留文章标题及内容，不得删改、添加内容绕开原创保护，且文章开头必须注明：转自“AMiner”官网。谢谢您的合作。