加入收藏 | 設為首頁 

                          咨詢電話:
                          咨詢電話:
                          首頁 新聞 品牌企業 招投標 解決方案 行業分析 前沿技術 智能交通產品與技術應用匯編
                            當前位置: 網站首頁 > 行業分析 > 公安部交科所張森:人工智能下的集成指揮平臺創新應用

                          公安部交科所張森:人工智能下的集成指揮平臺創新應用

                          來源:賽文交通網   發布時間: 2020-07-06 16:09:32

                          公安交通集成指揮平臺是公安交警部門科技信息化建設的四大平臺之一。作為面向指揮中心、執法站和一線民警路面執勤執法的實戰業務平臺,現有超過93%的支隊和82%的大隊在應用。

                          公安交通集成指揮平臺傳統業務應用包括:緝查布控、非現場執法、交警執法站、交通狀態監管、應急指揮、重點對象、勤務管理、交通態勢分析等。2019年,通過平臺應用各地共計現場查處攔截交通違法700多萬次,在保障道路交通安全有序、反恐處突、重大安保、疫情防控等方面都發揮了積極作用。

                          基于AI的集成指揮平臺創新應用

                          我們希望基于公安交通集成指揮平臺,應用計算機視覺、深度學習等人工智能技術,深入開展基于道路監控視頻圖像的智能化分析,建設服務交警應用的人工智能服務平臺,實現涉車涉證、無證駕駛等交通違法行為精準化識別,實現非現場業務的證據圖片自動化智能審核,實現交通視頻事件精準檢測、違法取證,提高交通管理科技應用水平。

                          具體如何實現?

                          人工智能有三大要素:算法、數據和算力。在數據層,集成指揮平臺已經具備了大數據環境,每天上傳存儲12億條過車數據,累積存儲8000億條動態數據,每條數據后面對應的是一張過車圖片;深度學習硬件環境,只需要采購一些GPU或國產芯片等這些具有算力的服務器;算法層面,它是一個碎片化的場景,特定場景下的特定算法才能有特定作用,針對深度學習算法,我們將它分為四類:車輛圖像特征識別、駕駛員人臉檢測識別、違法證據圖片識別、視頻媒體流檢測識別,四大類算法里面又分為很多細分的小算法。

                          基于這三個層面,人工智能服務平臺就具備搭建條件了。

                          我們通過這個平臺就可以開展交管業務應用,包括對黑校車、非法營運和疲勞駕駛等“隱性”交通違法行為進行實時發現、識別預警和攔截查處。

                          人工智能服務平臺總體架構我們是這么設計的,整體包括底層并行計算服務器群,中間層的算法資源分布式調度管理軟件和上層的算法倉庫,其中算法倉中每類算法模型都采用雙雙算法交叉驗證模式,對外與公安交通集成指揮平臺進行雙向的數據輸入輸出,實現算法靈活集成部署,硬件資源均衡調度。

                          blob.png

                          人工智能服務平臺實現的基礎,就是對道路監控設備采集的視頻圖像進行結構化處理。對機動車、非機動車、行人等交通參與者進行目標分類,然后針對每個檢測目標細化特征值,并提取主要特性進行組合,生成代表目標身份的唯一特征碼。在此基礎上,我們進行了涉車涉證等違法行為發現查處的具體實戰。

                          涉車違法應用思路,就是在每一輛過車圖片中識別提取車輛屬性特征,包括號牌號碼、號牌種類、車身顏色、車輛品牌、車輛子品牌、車輛類型等,且為每輛車繪制唯一的“車輛身份ID”,也就是可記錄的數字化特征值。

                          通過這個特征值能夠進行特征比對、以圖搜圖,對特征相似度高的車輛圖片進行歸類分析,從而可以有效解決偽造變造號牌、 挪用他人號牌、遮擋號牌等涉牌違法行為發現難、查處難等問題。

                          我們也將此進行了系統研發,應用基于GPU架構的深度學習技術,實現對卡口車輛通行圖片的智能分析,識別提取車輛號牌、品牌型號、年檢標識、擺件掛件等車輛特征和駕駛人不系安全帶、開車撥打電話等駕駛行為特征,生成車輛唯一特征值。關聯公安交通集成指揮平臺,比對機動車登記信息和特征值,實現車輛和駕駛違法行為精準判定、預警推送。

                          車輛特征智能識別與圖片檢索比對系統與全國公安交通集成指揮平臺集成應用,共享卡口過車統一接入服務。

                          應用深度學習技術,實現車輛外觀特征、駕駛員部分駕駛行為的智能識別與車輛智能建模;建立不依賴于號牌號碼的多維車輛特征庫;實現違法車輛的主動發現和自動預警;實現涉牌違法車輛真實信息的主動查證。

                          主要功能包括:車輛識別與特征提取、駕駛行為分析、涉牌違法車輛分析、以圖搜車等4大模塊。

                          blob.png

                          目前,系統已覆蓋20個省、31個單位部署,共有2600多個卡口參與識別,日均識別120多萬過車,日均分析出假套牌車輛20輛,日均輸出影響安全駕駛行為200條。我們可以簡單換算下,基本上每6萬條過車數據條件下,能夠分析發現1輛假套牌車輛。

                          目前,該系統可分析預警的道路交通違法行為或異常駕駛行為高達13種以上,其中挪用他人號牌車輛預警準確率50%以上,不按規定懸掛號牌的預警準確率80%以上,以上車輛通過以圖搜車功能找到真車軌跡的準確率均超過30%。

                          在識別性能方面,圖片識別速度達到每秒100張以上。新增的開車使用手機、主副駕駛人不系安全帶、駕乘摩托車不戴頭盔等異常駕駛行為預警準確率達80%以上。

                          近期,我們還基于國產機動車公告、進口車登記信息等,建立了完備的機動車基礎品牌型號編碼目錄和品牌型號年款分級分類關系,組織構建了全國車輛品牌庫和機動車車臉圖片特征庫,優化提升了車臉識別算法,支持國內道路上路行駛的所有國產小型汽車、貨車、客車、進口車等車輛品牌型號年款的標準化、細粒度的車臉識別。

                          交通管理主要業務工作是對機動車和駕駛人的管理。

                          通過集成指揮平臺緝查布控、二次識別、以圖搜車等業務,對機動車的管理已經實現從靜態管理轉向動靜結合的新管理模式。但對駕駛人的管理主要還是靜態的,對于路面的機動車駕駛人、非機動車駕駛人、行人等動態信息基本不掌握,對于涉證違法行為缺乏有效管控手段,對行人、二輪車輛違法更是束手無策。

                          為進一步落實公安部交管局印發的《2019年道路交通管理工作要點》要求,實現動態發現預警嫌疑駕駛人員的違法駕駛行為,基于公安交通集成指揮平臺緝查布控核心業務,集成應用人工智能新技術,我們研發了卡口圖片人臉智能識別預警功能。

                          通過AI算法,可以精確定位卡口圖片里的駕駛人,自動提取人臉特征信息,然后在后臺與本地或本省常住人口信息庫、全國機動車駕駛人信息庫進行實時比對分析,主動發現具有失駕、無證駕駛、準駕不符等交通違法行為的嫌疑駕駛人,通過集成指揮平臺實時預警攔截、確認后布控車輛、通知違法人員主動處理等方式進行查處。同時,系統支持與吸毒、在逃、臨控等大公安重點關注人員進行實時比對,實現對車內重點人員的管控。

                          blob.png

                          人臉識別核心業務流程是首先檢測過車圖片中的駕駛人人臉,對于檢測到駕駛人的,會有兩條并行的路線:人口庫比對與黑名單比對。

                          人口庫比對方案是首先通過與常住人口、暫住人口庫進行比對來確認身份信息;對于能夠確認身份信息的,進一步核實全國機動車駕駛人信息庫,檢查是否存在無證駕駛、準駕不符或超分、扣留等違法行為;存在違法行為的,生成嫌疑信息并推送實時預警。

                          黑名單比對方案是直接與各類黑名單進行比對,比中的直接預警。支持自定義黑名單庫。

                          2019年3月底開始,集成指揮平臺卡口圖片人臉智能識別預警功能,先后在河北唐山、江蘇泰州、江西南昌、上饒、山東聊城、廣東韶關、重慶等地試點應用。

                          截至2019年6月底,配置比對卡口123個,累計比對確認駕駛人身份380多萬次,成功比率超過60%,其中人臉相似度閾值大于98的首位命中率超過95%,發現違法嫌疑行為2萬多起,共計查處駕駛人違法駕駛行為1400多起,其中失駕違法1000多人、無證駕駛違法300多人、準駕不符5人、抓獲在逃人員5人。

                          另外,在后臺部署集成指揮平臺人臉識別應用軟件,公安交通集成指揮平臺警務通APP就能直接支持人臉核查應用,通過“人臉掃一掃”,就能快速準確核實當事人身份信息。

                          還有一個以圖片為主的,人工智能在交通管理領域的典型應用是非現場違法智能審核。

                          根據集成指揮平臺非現場違法數據上傳情況統計分析,全國各地通過執法取證設備平均每月上傳非現場違法1500多萬條,審核確認上傳綜合應用平臺200多萬條,審核通過率僅有14.0%。其中,違法禁止標線指示、闖紅燈、不按所需行進方向駛入導向車道、逆向行駛等4類違法行為審核無效占比較高。

                          審核有效率低的主要原因:一是業務體量大,人工不足。不完全體統計,平均每個支隊每日違法數據上傳量在3萬至6萬之間,超期未處理數據比例平均在50%左右,大量的非現場違法圖片直接被浪費。

                          據調查,一個熟練的業務員審核一條平均耗時5-10秒,對于違法要素不完整,單條違法審核最少1至3分鐘。

                          綜合來看,平均每人每天僅能審核1000多條。二是抓拍設備雜,抓拍質量低。

                          全國范圍內已在集成指揮平臺備案的執法取證設備廠商超過500家,各家違法抓拍設備品牌繁多,設備型號多樣,設備抓拍圖片質量有高有低, 以山東某支隊為例,2018年12月以來,違法上傳比例不足30%,設備上傳數據有效率最低為0%,最高達到80%以上。

                          非現場違法通過AI技術執法需要解決什么問題?要識別交通場景和車輛行為,鎖定目標車輛后,依據圖像取證規范要求判別違法行為,最終認定違法證據圖片是否符合要求。

                          引用AI之后,基于違法圖片的智能初篩審核應用大概分為兩個流程,一是原始違法圖片按照證據充分性篩選,大致分三類:證據充分,證據模糊,證據不足。

                          二是對人工篩選刪除的廢片進行智能回滾,找回滿足取證規范的圖片進入待篩選表或待審核表,重新進行篩選審核,最大效率的利用圖片價值,避免有效信息浪費,體現執法嚴肅性。

                          目前支持對壓線、逆行、不禮讓行人、不按規定車道、超速、闖紅燈等六類交通違法行為及號牌類違法行為圖片進行智能識別,平均檢出率超過50%,平均準確率超過95%。

                          我們在山東某地實際測試驗證,啟用AI非現場違法智能預篩選,由人工根據算法識別結果的證據充分性提取,優先選擇算法判斷為證據充分的違法圖片。經過測試,人工篩選的有效率從原來的7.54%,提升到46.30%,效率提升了約6倍。

                          下一步人工智能應用拓展方向

                          基于人工智能技術,集成指揮平臺車臉特征、人臉特征識別比對功能的啟用為人車信息的動態關聯提供了全新解決方案,一個全網范圍內的人臉和車臉識別緝查的智能應用新時代即將來臨。

                          下步集成指揮平臺將依托聯網交通監控視頻等數據,進一步豐富基于視頻圖像特征識別的智能化場景應用。

                          第一個方向是基于城市交通視頻的規則意識違法AI識別。

                          據2017年《中華人民共和國道路交通事故統計年報》顯示,2017年事故總數203049起,事故主要原因是機動車違法的有173454起,,其中未按規定讓行27779起,占事故總數的13.68%,死亡人數7174人,占總死亡人數的11.25%。

                          未按規定讓行違法只是城市中規則意識違法的其中一種,規則意識類違法包括:未按規定讓行、違法會車、違法超車、違規變更車道、占道行駛、違法搶行等6大類,共63種交通違法行為。

                          其中未按規定讓行15種、違法會車10種、違法超車18種、違規變更車道2種、占道行駛12種、違法搶行6種。可見,對城市規則意識違法智能識別對規范交通秩序、減少交通安全隱患意義重大。

                          目前,視頻監控系統產生的海量視頻或圖片均為非結構化數據,很難有效的應用于交警的實戰業務中,不利于開展數據的融合處理、分析、預測。采用目標檢測、特征提取、深度學習等分析手段,開展視頻結構化識別,可將視頻圖像組織成可被計算機和人識別、理解、檢索的文本信息。

                          通過識別的結果,可以對視頻中的行人、非機動車、機動車等活動目標進行特征識別和提取,車輛特征信息主要包括活動目標類型、運動方向、主體顏色等,具有行人性別、年齡段、是否戴眼鏡等屬性的識別,具有活動目標顏色、大小、方向、速度的識別。

                          對視頻畫面中的機動車、非機動車、行人等進行目標跟蹤,計算動態行駛軌跡,輔助未按規定讓行業務邏輯判斷,實現通過視頻分析發現預警相關違法。

                          第二個方向是基于高速交通視頻的匝道違法預警識別。

                          在所有高速公路事故中,匝道附近事故最為常見。2018年上半年,交管部門統計發現在高速公路上有5成以上事故發生在匝道口。對陜西某高速2007年10月至2009年7月的統計也表明,出口匝道事故占比達40%左右。

                          因而加強高速公路匝道管控,對于道路交通事故預防“減量控大”具有重要意義。

                          今年3月部局發布的《關于進一步加強高速公路交通管理工作的指導意見》中提出嚴管嚴查易擾亂秩序交通違法,緊盯違法占用應急車道、強行連續變道、貨車違法占道、違法倒車、逆向行駛等“五類違法”。五類違法尤其是違法倒車、逆向行駛、強行連續變道、占用應急車道均為匝道口及附近道路多發違法行為。

                          根據2019年全國高速公路違法數據,這五類違法共處罰70多萬次。

                          除“五類違法”之外,匝道口及附近道路還有壓導流線、實線變道(壓白實線)、違法超車、違停、不打轉向燈等其他5種常見違法行為共處罰170多萬次。

                          除限速外,以上10種違法行為占高速公路違法的60%以上,且大部分違法行為通過監控視頻識別取證更加有效。另外一個內容是對交通事件的識別。

                          高速公路匝道(出入口、服務區)違法與事故發生都有密切關聯,比如逆行(倒車)、違法變道之前通常會出現速度驟減、車輛緩行,而行人上高速、跟車過近、惡劣天氣等可能導致事故發生。

                          除了對上述違法行為進行識別預警之外,還可以對行人上高速、跟車過近、速度驟減、車輛緩行、惡劣天氣、交通擁堵、交通事故等7種事件進行預警。


                           

                          相關鏈接

                           

                            欄目導航

                          網站首頁 | 關于我們 | 在線訂閱 | 友情鏈接 | 聯系我們

                          智慧交通網 www.emisolar.com 網站備案:京ICP備17017045號-1

                          Copyright © 2007-2017 , All Rights Reserve

                          日本成人a片_中国videoses视频_国产 亚洲 中文在线 字幕