在过去的几百年里，交通运输业经历了多次变革和革命——我们现在正处于交通运输人工智能形式取得重大突破的阶段。无论是通过提高可靠性的自动驾驶汽车、提高安全性的路况监测，还是提高效率的交通流量分析，人工智能都引起了世界各地交通业老板的关注。

事实上，交通行业的许多人已经发现了人工智能的巨大潜力，预计到 2026 年全球市场将达到 38.7 亿美元。此类支出可以帮助公司利用计算机视觉和机器学习等先进技术来塑造交通的未来，从而提高乘客安全、减少道路事故并减少交通拥堵。

交通领域的深度学习和机器学习还可以帮助创建“智能城市”，例如我们在格拉斯哥看到的，该技术监控车辆停留时间、停车违规和交通密度趋势。以下是我们将介绍的内容：

自动驾驶汽车

自动驾驶汽车的概念并不新鲜。通用汽车公司早在 1939 年就推出了它。但只有在我们当前的人工智能交通时代，公司才能使用计算机视觉技术（如对象检测）来创建智能系统，对视觉数据进行解码和理解，从而——本质上——允许车辆自行驾驶。

虽然自动驾驶汽车听起来很复杂，但在其背后构建人工智能的想法实际上很简单：该算法被输入大量相关数据，然后被训练以检测特定物体，然后采取正确的行动，例如刹车、转弯、加速、减速等。

模型需要识别哪些对象？

道路上的其他车辆、道路标志、交通信号灯、车道标记、行人等。为了收集和使用数据，自动驾驶汽车使用摄像头和传感器。为了训练模型并使其可靠，它需要持续不断地输入大量数据。

当然，仍然存在一些挑战。

算法需要访问大量相关数据，而恶劣天气和不平坦地形等情况也会造成问题。其他问题包括光线不足以及自动驾驶汽车在路上遇到不明物体的可能性。当然，当我们中的许多人想到自动驾驶汽车时，我们会不自觉地想到特斯拉。

特斯拉——连同 Uber、Waymo 和 Motional 等公司——多年来一直致力于自动驾驶汽车，始终保持领先一步。与交通行业 AI 中的其他一些公司不同，特斯拉采用纯粹基于视觉的方法，使用配备摄像头的汽车收集视频和图像数据，而无需在其自动驾驶堆栈中使用高清地图和激光雷达。

从技术的角度来看，这实际上是一种更复杂的方法，主要是因为神经网络仅在视频数据上进行训练，因此实现最高准确度的需求变得至关重要。然而，Karpathy 指出：一旦你真正开始工作，它就是一个通用的视觉系统，主要可以部署在地球上的任何地方。

特斯拉的自动驾驶团队也积累了大量数据——多达 1.5 PB 的数据，包括 1,000,000 个 10 秒视频和 6,000,000,000 个对象，每个对象都带有速度、深度和边界框注释。

这并不是说特斯拉完全依赖人工数据标注。相反，它通过将人工审查与自动注释工具相结合来改进注释过程。人工智能系统仅限于自动驾驶汽车——它们还用于卡车、公共汽车和机场税，这些创新对物流和整个供应链中的人工智能产生了巨大影响。

事实上，麦肯锡曾预测，自动驾驶卡车将降低运营成本约 45%。环境影响也将大大降低。

在本文的其余部分，我们将更仔细、深入地研究一些为自动驾驶技术奠定基础的更具体的计算机视觉和机器学习案例。

交通检测（和交通标志）

仅在美国就有数千个红绿灯。虽然你可能认为红灯时停车是一个简单的过程，但事实上，在美国每年有大约 1000 人被闯红灯的车辆不必要地杀死。

这意味着整个事情是一个非常危险、危险和甚至复杂的游戏。这也是一场具有悲剧性后果的游戏，其中超过 50% 的死亡是由未闯红灯的乘客或司机造成的。问题是红绿灯系统本身可能是完美的，但方向盘后面的人并不总是完美的。错误会发生，有时司机会闯红灯——事故也会发生。

这个可怕问题的解决方案可以在自动驾驶汽车中找到，与智能城市一起，可以防止这些死亡。事实上，汽车制造商正在将交通信号问题置于其自动驾驶汽车能力的前沿和中心。可以通过计算机视觉模型训练基于 AI 的系统来识别灯光（绿色、黄色和红色），这些模型在各种场景中进行训练，例如光线不足、恶劣天气和遮挡。

因此，自动驾驶汽车的摄像头首先会发现交通信号灯，然后再对图像进行分析和处理——如果结果是红灯，汽车就会刹车。

自然，这里有问题。当摄像头扫描它前面的东西时，它可能会发现其他比如广告牌或路灯的灯光。是的，红绿灯与路灯的不同之处在于它有三个灯，但图像分析仪的能力仍然需要如此出色，以至于它可以立即发现交通信号，而不会被其他灯所迷惑。

如果它被愚弄，结果可能是毁灭性的。在为流量检测注释数据时，需要两种常用方法之一：

• 单独标记灯和外壳（最常见）；
• 使用活动灯的颜色定义每个交通灯对象类。

您还可以单独标记杆和灯。每当智能城市为自动驾驶汽车提供接近感应时，了解其支撑结构是了解自由浮动物体位置的唯一方法。

这种注释方式还可用于确定在多个车道中呈现的彼此之间的交通信号灯，每组灯与下面的车道相关并分组。本文探讨了一种使用卷积神经网络的交通灯检测和识别方法。

利用地图数据和一对单独的焦距相机来检测不同距离的交通灯，研究人员提出了一种独特的灯光识别算法，将图像分类与物体检测相结合，以识别交通灯的灯光状态类别。

研究人员还将 YOLOv3 集成到他们的实时交通信号灯检测方法中，以获得更好的结果。

这是该过程的简化视觉表示：

‍结果：所提出的方法未能达到 100% 的准确率。因为红绿灯检测和识别需要100%的准确率才能保证乘客和行人的安全，所以需要改进。

行人检测

如果计算机系统能够自动识别图像和视频中的行人，那该有多酷？此外，如果我们可以创建一个模型，让自动驾驶汽车能够理解行人的意图，以便他们知道。例如行人是否打算实时过马路，那会怎样？

这样的系统肯定会帮助自动驾驶汽车转向危险情况，并可能大量减少道路事故。

行人检测实际上是计算机视觉和模式识别中的一个关键问题，因为在道路交通环境中行人可能是超级不可预测的。它们是如此不可预测，以至于它们对自动驾驶汽车的成功构成了最大的威胁之一。

关键并不一定是系统能够识别特定的人类特征，例如胡须和鼻子，而是它能够正确区分人和另一个物体，以及了解行人下一步计划做什么。因此，他们会过马路吗？

为了开始识别和可视化行人的任务，计算机视觉系统使用边界框。为了检测行人，已经使用了不同类型的特征，包括基于运动的特征、基于纹理的特征、基于形状的特征和基于梯度的特征。

一些方法还结合了人体姿势估计，这是一种整理有关特定对象（在本例中为人类）的即时行为的信息的技术。这旨在将有关行人下一步打算做什么的信息传递给自动驾驶汽车。

例如，本文研究了如何通过深度学习网络使用 2D 骨骼姿势序列预测行人的意图。研究人员希望创建一个模型，可以毫不含糊地告诉他们行人是否要过马路。

他们将人类骨骼的动态与意图联系起来，以克服典型交通环境中实时谨慎意图预测的问题。实验结果表明，SPI-Net在基于JAAD数据集的人行横道预测中达到了94.4%的准确率。

这是该过程的简单可视化：

当然，在训练数据方面仍有挑战需要克服，其中包括不同场景下的不同照明参数、行人所穿的不同姿势和服装，以及不断变化的照明条件。

后一个问题因机器视觉和相机的使用而受到阻碍，这就是为什么需要更先进的技术来提供更准确的数据，然后可以用来在所有照明条件下成功识别行人。此外，机器学习算法的成功率将最终决定行人检测的成功程度。

车流量分析

交通流量会影响一个国家的经济好坏，也会影响道路安全。交通拥堵会耗费金钱和时间，会给司机和乘客带来压力，还会导致全球变暖。有了更好的交通流量，一个国家的经济才能更好地发展，道路使用者的安全也得到了不可估量的改善。

考虑到这一点，人工智能现在正在为使用机器学习和计算机视觉进行更好的交通流分析铺平道路也就不足为奇了。人工智能可以帮助减少瓶颈并消除阻塞我们道路和经济的阻塞点。

由于计算机视觉的进步，现在可以实现基于无人机和摄像头的交通流量跟踪和估计。

这些算法能够准确地跟踪和计算高速公路交通流量，并分析城市环境中的交通密度，例如高速公路和十字路口。这有助于城镇了解正在发生的事情，以便他们可以设计更有效的交通管理系统，同时改善道路安全。

闭路电视摄像机可以发现危险事件和其他异常情况，并提供对高峰时段、阻塞点和瓶颈的洞察。它还可以量化和跟踪一段时间内的变化，以便测量交通拥堵情况。因此，城市规划者可以大大减少城市交通和排放。

Flir、Viscando 和 SwissTraffic 等公司一直在将人工智能用于交通流量，Viscando 使用立体视觉技术来监控和控制交通。

Viscando 的系统监控十字路口和其他开放区域的交通流量，它可以同时发现和跟踪各种车辆以及行人和自行车。

此类功能确保 Viscando 能够跟踪交通信号灯处道路使用者的轨迹，识别冲突风险并计算道路使用者在汽车之间留下的距离。

正如 Viscando 的首席执行官 Amritpal Singh 所说：它还为城市提供了更多关于十字路口如何运作、队列长度和等待时间持续时间的数据，并且能够将行人和骑自行车的人包括在同一优化方案中。

本文提出了一个包含大量运动和类别的框架，以更好地计数车辆。研究人员使用先进的深度学习方法进行车辆检测和跟踪，以及允许他们监控车辆运动的轨迹方法。

研究人员希望改进基于闭路电视系统的交通流量计算过程，这本身就是一项复杂的任务。问题一直是涉及太多车辆运动。如果研究人员可以实施区分区域跟踪以监控车辆的不同运动，他们可以改进计数过程。

实验结果很有希望，模型对不同运动的准确率在 80% 到 98% 之间，所有这些都只需要一个相机视图。除了增加交通流量外，人工智能还补充了其他智慧城市目标，例如可持续性。

计算机视觉驱动的停车管理

曾经花了很长时间试图找到停车位吗？

哎呀，谁没有！停车位问题在当今社会如此普遍，以至于世界顶级喜剧演员都拿它开玩笑。伍迪艾伦打趣道：“宇宙每分每秒都在膨胀，但我还是找不到停车位。”

Seinfeld 甚至制作了两集关于停车位的剧集。当然，寻找停车位实际上并不好笑。它可能会带来巨大的压力（以及对环境的不利影响），而解决停车场问题是世界各地城镇都在努力解决的问题。

计算机视觉如何用于停车管理？

让我们首先从传感器开始。安装了传感器来监控停车场是否有任何空位。每当车辆停在空间中时，传感器都能够计算到其底部的距离。

但由于传感器无法扫描车牌，摄像头、停车计时器和计算机视觉需要参与其中。因此安装了使用计算机视觉来识别没有米的地点的相机。使用自动车牌技术，他们可以发现停放的车辆，并测量它们停放的时间。

然后，计算机视觉可以使用数据实时更新所有空置和可用空间的库存，司机可以在他们的移动设备上访问地图，查看所有可用的停车位。这可以大量节省时间，尤其适用于机场等人满为患的停车场。

该系统也已经投入使用，城镇和城市在停车引导和信息 (PGI) 系统中使用计算机视觉来进行视觉停车场占用检测。此外，与基于传感器的技术相比，它是一种更实惠的选择——这些技术价格昂贵，需要经常维护。

例如，Zensors 已经将计算机视觉用于停车管理。他们有一个平台，可以按空间跟踪停车位占用情况，并引导司机找到可用空间。他们的人工智能系统“允许机场交通管理人员提供前往可用停车位的转弯指示，最大限度地延长旅客在空侧购物和餐饮设施的时间。”

路况监测

坑洼损坏是美国的一个主要问题，据估计，它每年给司机造成的损失超过 3,000,000,000 美元。然而，多年来，道路状况监测主要掌握在公民手中，他们的“任务”是提高当地议会对受损道路的认识。

现在，人工智能运输中的计算机视觉可以成功检测到缺陷，并通过寻找沥青和混凝土的变化来评估周围的基础设施。

计算机视觉算法能够识别坑洼，并准确显示道路损坏程度，以便相关当局可以采取行动并改善道路维护。这些算法通过收集图像数据来工作，然后再对其进行处理以创建自动裂缝检测和分类系统。然后，这些将促进有针对性的康复和预防性维护，并且无需人工参与。

换句话说，报告坑洼和其他道路损坏的责任将不再由公民承担。相反，人工智能系统将实时更新，以便采取更快的行动，这可以节省时间和金钱。自动路面遇险 (PD) 检测的总体目标是提高道路维护分配效率，同时提高道路安全性，从而大大减少事故。

目前有许多 AI 驱动的道路维护项目正在运行，包括 RoadEye，它在交通和计算机视觉中使用机器学习来克服路面损坏问题。

RoadEye 项目将使用一个集成系统进行实时路况监测。摄像头将与嵌入式系统相结合，集成到一个完整的 ADAS 系统中，该系统本身将通过机器学习实时跟踪它所行驶的任何路面的状况。

RoadEye 开发的机器学习技术将道路状况分为不同类别，例如“潮湿”或“正常”，它还将检测道路表面的不规则性，包括坑洼。

RoadEye 的目标包括使用汽车创建完整的道路图像数据集，然后在所述数据集上训练计算机视觉技术。该数据集将在国家层面进行整理，然后将用于 ADAS 应用程序。

RoadEye 也有其他用途。例如，它可以在道路结冰时向驾驶员发出警告，提高驾驶员的保持力，从而节省燃料，并让他们在驾驶时更加安心。

自动交通事故检测

交通事故检测是 ITP（智能交通系统）和人工智能交通领域研究最多的领域之一。毕竟，只要有交通，总会有事故发生——而且总会有拦路虎。这对于那些负责保持道路畅通的人来说是有问题的，因为最终目标是确保交通畅通无阻。

多年来，视频监控在跟踪道路网络和十字路口方面一直发挥着重要作用。它为交通管理中心提供事件和交通流的实时视图，使负责人能够尽快做出响应。然而，人类是有限的，不能同时监控每一个摄像机。由于任务一直是手动的，因此并不总是能立即检测到事件，因此拖延时间会延长。

这就是自动事件检测的用武之地。它使用计算机，并将传感器与计算机视觉相结合，不断监控所有摄像头，寻找事故、排队和异常交通状况。

它是如何工作的？

城市道路网络配备闭路电视摄像机和多个探测器。它们共同为自动化、不间断的监控奠定了基础。在计算机视觉的支持下，探测器能够提供持续的数据流，帮助 TMC 进行交通运营。

每当交通状况出现异常时，控制中心操作员都会收到警报，并且他们能够尽快对人工智能驱动系统检测到的任何事件做出响应。为了收集数据，自动事件检测依赖于闭路电视摄像机和车载感应回路。

已经创建了用于自动事件检测的系统。例如，ClearWay 已经足够复杂，能够在事件发生后的前十秒内发现事件。该系统可在任何照明和天气条件下工作，可用于十字路口、隧道、开放道路，并且在设计时考虑了智能城市。

与此同时，每个传感器每天的误报率仅为一个，其 AID 雷达覆盖范围高达 1,000m。它能够检测到的不同类型的事件包括：

• 碎片检测；
• 行人检测（和动物）；
• 固定车辆；
• 方向错误的车辆；
• 车辆太快或太慢。

另一家为 ATI 使用计算机视觉的公司是海康威视。海康威视的系统可以可靠地检测隧道、桥梁沿线和高速公路上的事故，其解决方案基于智能视频处理。操作员可以快速收到事件警报，并可以立即做出反应。

自动车牌识别

自动车牌识别涉及使用连接到高速公路立交桥和街道杆的计算机视觉摄像系统来捕获车牌号以及位置、日期和时间。一旦图像被捕获，数据就会被输入中央服务器。

自动车牌识别可以使用专门为此目的设计的新摄像头系统，也可以使用现有的闭路电视以及道路执法摄像头。

为什么需要自动车牌识别？

它通常被警方用来帮助他们证实证据。例如，犯罪现场是否存在微粒车辆？有人有合法不在场证明吗？然而，自动车牌识别也可用于发现出行模式，并广泛用于高度监控、停车管理和收费管理。

警方收集的信息是否与其他机构共享取决于具体的执法机构本身。自动车牌识别并不像交通检测和路况监测等其他交通事务那样紧迫。因此，围绕它的问题，例如更多的政府支出和高错误率，被认为是有争议的。

此外，自动车牌识别理论上可以了解驾驶员生活的私密细节，并了解谁可能（除其他外）参加抗议活动或参观枪支商店等，这意味着公众支持受到打击和错过。

毕竟，司机无法选择不让他们的车牌被看到。

驾驶员监控

在美国，每年因困倦和疲劳导致的交通事故约为 56,000 起，死亡人数多达 1,500 起。根据这些统计数据，英国政府将驾驶员疲劳确定为“需要解决的驾驶员行为的主要领域之一”。

必须承担个人责任，但正如那些该死的统计数据所示，这还不够。要求司机更加小心驾驶并不能消除人为错误。

计算机视觉现在已被添加到车厢中，目的是更好、更安全地监控驾驶员。该技术使用面部检测和头部姿势估计来寻找困倦和情绪识别等问题，每年可以防止数千起事故和死亡。

这一点非常重要，因为很多司机不愿意承认他们疲劳的时候，或者感觉有点昏昏欲睡会影响他们的驾驶能力。

人工智能驱动的技术可以在驾驶员因疲劳驾驶受到重大打击时提醒他们，并建议他们停车休息。这确保了驾驶员、乘客以及其他道路使用者的安全。

该技术被证明有用的其他领域包括驾驶员分心。如果驾驶员分心——例如，通过他们的移动设备——技术可以立即提醒他们保持专注于道路。其他干扰可能包括与后座乘客聊天，这会在司机没有意识到的情况下削弱他们的注意力。

Eyedentify 已经开发了一种用于检测驾驶员疲劳和分心的解决方案。他们的系统能够实时提醒驾驶员保持注意力集中，并将注意力集中在道路上。

运输业中的人工智能：最终想法

交通中的人工智能正在利用重要的先进技术，例如交通中的大数据以提高安全性和机器学习以提高效率，以便城镇和智慧城市能够减少道路事故的数量，改善交通状况畅通，甚至将罪犯绳之以法。

事实上，当您能够解决困扰交通运输行业的所有关键问题时，例如大量不必要的死亡、瓶颈和损坏的道路，以及交通运输中的大数据和机器学习等，安全性和效率会显着提高。

当然，我们只是处于激动人心的前沿。还有更多的事情要做。随着技术的不断改进，希望更多的智慧城市将出现在世界各地，提高全球运营效率，增强可持续性，并使我们的道路、高速公路和十字路口更安全、更美好。

图片来源于网络

投稿、申请转载、合作、AI课程推广，请联系我们