在你的城市繁忙的十字路口，看红绿灯上方，你可能会看到一个摄像头。安装这些设备可能是为了监控交通状况，并在发生碰撞时提供视觉效果。但他们能做得更多吗?它们能帮助规划者优化交通流量或识别最可能发生事故的地点吗?他们能做到这一点，而不需要个人费力地看几个小时的视频吗?
来自德州高级计算中心(TACC),德克萨斯大学交通研究中心奥斯汀市也这么认为。他们正在共同努力开发工具，利用深度学习和数据挖掘，实现复杂的、可搜索的流量分析。
在IEEE大数据国际会议本月，他们将展示一种新的深度学习工具，该工具使用奥斯汀市摄像头的原始交通摄像头录像来识别物体——人、汽车、公共汽车、卡车、自行车、摩托车和红绿灯——并描述这些物体是如何移动和相互作用的。然后，交通工程师和官员可以对这些信息进行分析和查询，以确定有多少辆车在单行道上逆行。
“我们希望开发一个灵活、高效的系统，以帮助交通研究人员和决策者满足动态的、真实的分析需求，”TACC数据挖掘与统计组的研究科学家徐维佳(音译)说。“我们不想为一个单一的、具体的问题建立一个交钥匙解决方案。我们想要探索可能对许多分析需求有帮助的方法，甚至是那些未来可能出现的需求。”
他们为流量分析开发的算法自动地从原始数据中标记所有潜在的对象，通过将对象与之前识别的其他对象进行比较来跟踪对象，并比较每一帧的输出来揭示对象之间的关系。
一旦研究人员开发出一种能够标记、跟踪和分析交通的系统，他们就将其应用到两个实际例子中:计算道路上行驶的车辆数量，识别车辆和行人之间的近距离接触。
该系统在一个10分钟的视频片段中自动计数车辆，初步结果显示，他们的工具总体上有95%的准确率。
德克萨斯大学交通研究中心网络建模中心副研究员兼主任Natalia Ruiz Juri说，了解交通量及其随时间的分布对验证交通模型和评估交通网络的性能至关重要。
她说:“目前的做法往往依赖于使用昂贵的传感器进行持续数据收集，或者依赖于对选定时间段内几天的交通量进行采样的交通研究。”“利用人工智能从现有的摄像头自动生成交通量，将为交通网络提供更广阔的时空覆盖范围，促进生成有价值的数据集，以支持创新研究，并了解交通管理和运营决策的影响。”
在潜在的近距离接触的情况下，研究人员能够自动识别一些车辆和行人距离很近的情况。这些都不代表现实生活中的危险，但它们展示了系统如何在没有人为干预的情况下发现危险地点。
“奥斯汀市致力于结束交通事故，视频分析将是帮助我们确定潜在危险地点的有力工具，”奥斯汀市的咨询工程师、该项目的合作者Jen Duthie说。“我们可以在受伤或死亡发生之前，将我们的资源用于修复问题地点。”
研究人员计划探索自动化如何促进其他与安全相关的分析，例如识别行人在指定人行道外穿过繁忙街道的位置，了解司机对不同类型的行人让路标志的反应，以及量化行人愿意走多远以使用人行道。
该项目展示了人工智能技术如何极大地减少分析视频数据的工作量，并为决策者提供可操作的信息。
Ruiz Juri说:“无人驾驶汽车和联网汽车的引入备受期待，这可能会给车辆和行人的行为以及道路性能带来重大改变。”“视频数据将在理解这些变化方面发挥关键作用，而人工智能可能是实现全面大规模研究的核心，从而真正捕捉新技术的影响。”
了下:AI•机器学习，工业自动化
