據(jù)外媒報道，俄羅斯南烏拉爾國立大學（South Ural State University）的科學家們研發(fā)了一個獨特的智能系統(tǒng)，以利用人工智能監(jiān)控交通流量，而且無需特定的錄制設備，就可以幾乎在任何類型的攝像頭上工作。現(xiàn)有的程序在處理實時接收到的數(shù)據(jù)時，處理過程會延遲10至15分鐘，與之不同的是，該系統(tǒng)可以即時處理此類數(shù)據(jù)。

交通擁堵解決方案

南烏拉爾國立大學理工學院汽車運輸系副教授兼項目經理Vladimir Shepelev表示：“我們建議并推行一套以最新車輛偵測及追蹤技術為基礎的現(xiàn)代化交通流量評估系統(tǒng)。與現(xiàn)有的類似系統(tǒng)不同，該系統(tǒng)能夠實時識別和分析車輛的運動方向，最大相對誤差小于10%，而與之最類似的系統(tǒng)是，只能確定一個方向上車輛的車速和類型，而且在攝像頭的幫助下，精度才能達到80%至90%。而該系統(tǒng)利用神經網絡則可以生成十字路口中多達400個交通參數(shù)。”

該獨特的AIMS監(jiān)控系統(tǒng)能夠收集、解釋和傳輸有關道路交通密度的數(shù)據(jù)，對10類車輛進行分類、測量車速、判斷交叉路口各個方向當前的負荷水平、確定車輛接下來的行駛方向。與此同時，只需要一個全高清的閉路電視（CCTV）攝像頭就可以在十字路口實時識別目標。

Shepelev表示：“該項研究的結果可讓城市當局用于提高十字路口的整體交通容量。而且，我們已經在車里雅賓斯克的幾個十字路口驗證了該系統(tǒng)足夠準確，可以作為其他高級模型的基礎。”

該項創(chuàng)新技術可以實時提供有關交通流量結構、車輛方向和車速等數(shù)據(jù)，利用數(shù)據(jù)挖掘技術可以有利于實現(xiàn)高效的交通模式、減少交通擁堵、改善資源管理。

用于分析城市交通的神經網絡

目前監(jiān)測交通往往依賴于使用昂貴的傳感器連續(xù)收集數(shù)據(jù)，或者對交通進行視覺研究，通常在幾天內對某一時間段內的交通持續(xù)進行測量。但是，交通服務還是無法收到有關交通流量結構、密度、車速和運動方向等正確且準確的信息。

Shepelev表示：“我們管理的神經網絡會處理大量的視頻數(shù)據(jù)，不僅可檢測和跟蹤車輛，還可以用于分析事件的發(fā)生順序。在研發(fā)該技術的過程中，我們采用了開源的Mask R-CNN（卷積神經網絡）和YOLOv3神經網絡架構以實時探測目標，還采用了SORT目標追蹤算法，團隊修改了該算法的代碼以改善目標追蹤質量。”

基于人工智能的嵌入式分析模塊能夠確定十字路口交通組織的層次，并且將性能指標（KPI）分配給十字路口的每個交叉口（以進行測量）。

增加效率、降低監(jiān)控成本

由于優(yōu)化了YOLOv3神經網絡算法，南烏拉爾國立大學的科學家們能夠將追蹤過程中丟失目標考慮在內，目標跟蹤精度達到95%，大大降低了實時監(jiān)控設備的成本。

Shepelev表示：“具有機器視覺的人工智能技術能夠將道路交通數(shù)據(jù)收集和分析提升至一個新水平，將識別車輛的可靠性大大提高。而且我們的深度學習網絡易于配置，無需特定的錄制設備，幾乎可以在任何類型的攝像頭上工作。”

南烏拉爾國立大學科學家們研發(fā)的該項技術將提高城市道路基礎設施的使用效率，在不久的將來，利用人工智能監(jiān)測道路交通的技術將成為車里雅賓斯克市可持續(xù)公共交通項目的一部分。

（文中圖片均來自南烏拉爾國立大學）