2023面向智慧交通的图像处理与边缘计算.docx

《2023面向智慧交通的图像处理与边缘计算.docx》由会员分享，可在线阅读，更多相关《2023面向智慧交通的图像处理与边缘计算.docx（18页珍藏版）》请在第一文库网上搜索。

1、面向智慧交通的图像处理与边缘计算O引言随着社会经济和科技的快速发展，以及全球城市化的迅速普及，道路事故和交通拥堵及其导致的环境污染等问题已经成为世界各国面临的共同难题。全球每年因交通事故大约会造成数千亿美金的经济损失,中国是全球人口密度最大和最为拥堵的国家之一,据高德地图联合国家信息中心大数据发展部等机构发布的“2023年度中国主要城市交通分析报告”指出，2023年国内大约有59%的城市在通勤高峰时段处于拥堵或缓行状态(https:/report,share,do?id=a187527876d07ac-50177142eba987ce0),面对愈发复杂的交通环境，传统通过增加人力管理与调度的方

2、式已难以满足当今交通系统对安全、效率和环保的需求(Young等，2011).以创新方式实现实时、准确和高效的综合交通运输和管理系统已刻不容缓。智慧交通系统(inte11igenttransportationsystem,ITS)是于20世纪90年代提出的,并在2010年欧盟2010/40/EU指令(DIRECTIVE201040EU,2010)中定义为“将先进的信息、通信和控制技术应用于道路交通领域,通过加强基础设施、车辆和用户三者之间的联系，同时结合交通管理和移动管理,形成保障安全、提高效率、改善环境、节约能源的综合运输系统”。发展至今，智慧交通系统融入了物联网、人工智能、云计算、边缘计算和

3、自动控制等技术，以提供实时交通数据下的交通信息服务。通过充分运用信息技术、大数据技术和交通工程技术等,将各技术有效地集成并应用于整个交通运输管理体系中，使人、车和路密切配合，发挥协同效应，能够极大地提高交通运输效率，保障交通安全，改善交通运输环境,提高能源利用效率，实现交通的系统性、实时性、信息交流的交互性以及服务的广泛性（Wen等,2011）,近年来,世界各国均非常重视智慧交通的发展。美国自2010年确立了全面推进多模式车联网综合运输一体化发展的战略主题后，美国智慧交通系统联合计划办公室于2023年发布了智慧交通系统战略规划2023-2025）,强调了由自动驾驶和智能网联单点突破到新兴科技全

4、面创新的布局。中国则在2019年,由中共中央、国务院印发了交通强国建设纲要卜，其中强调大力发展智慧交通，明确了大数据、互联网、人工智能、区块链和超级计算等新技术与交通行业深度融合的战略部署（http:WWWgongbaocontent2019content5437132.him）.经过各国多年来在智慧交通领域的大力部署与发展，智慧交通系统已拥有了广泛的应用与服务。根据应用主体与发展重点的不同，主要可分为3大类别：智慧交通管理、辅助驾驶与自动驾驶以及车路协同。其中，面向智慧交通管理的应用主要由大量部署在道路上的智慧交通设施支撑，以实现交通管理的智能化，其应用主要包括：交通信息采集、车牌识别和车辆

5、违章检测等。面向辅助驾驶与自动驾驶的应用则主要以单车智能为主体，依靠视觉感知、雷达感知、定位系统、车载计算以及人工智能的协同合作，让车辆智能地辅助人类,或自动安全地行驶。而向车路协同的应用则是依托于智能车辆、智能路侧设备和云控平台的协同工作，以车联网为技术支撑，全方位实施车车、车路和车云动态实时信息交互,进而实现车辆主动安全控制和道路协同管理，保证交通安全,提高通行效率（Tian等,2014）。智慧交通的实现，需要融合通信、计算与控制等领域的大量先进技术。其中，图像处理技术作为智慧交通中感知、监控、调度和分析的基础，一直以来都是智慧交通系统的核心技术与前沿发展领域。尤其近年来，随着计算机视觉技

6、术的不断发展，图像分析已成为推动智慧交通发展的关键技术之一，是智慧交通的重要组成部分（GUdigar等，2016）,图像处理是指借助计算机算法对图像进行增强与复原、检测与识别以及分割等处理，以期达到所需目的。其具有精度高、再现性好、处理多样性和易于控制等优势,在多领域获得了广泛的应用。将图像分析应用于交通领域，可以加速交通的智能化进程,极大方便人们出行，降低交通事故发生（Deng等,2017）。智慧交通领域涉及的图像分析任务很多，如基于智能导航的道路识别、避障和道路节点规划（Kuang等,2017）以及基于交通监控的车辆识别与跟踪、交通标志牌识别（Zhao等,2017）等。通过这些方法，可以将

7、人、车和路全方位结合,针对交通要素建立一套完整、实时、高效和准确的数字化交通底座,为智慧交通管理、自动驾驶和辅助驾驶以及车路协同提供重要的技术保障。同时,为了实现智慧交通的各种应用与服务,中国于2018年提出了“新型基础设施建设（新基建）”方针,越来越密集的智能传感设备部署在道路中，以完成对道路的数字化、智能化改造.这些设备导致了呈指数级增长的海量交通数据，尤其在交通图像处理方面,有大量的监控图片、视频以及车辆数据需要传输至服务器进行数据处理，对网络带宽提出了很高的要求，同时智能驾驶等新型业务的出现对网络传输的实时性有了更高的需求。其中，每个交通监控摄像头每秒产生25-30帧图像，其所生成的数

8、据量将超过IOOMB（AH等,2023）,而自动驾驶的实现更依赖于大量的数据处理，据Tuxera公司估计，以每年17600min的驾驶时长估算，15级的自动驾驶车辆每年将至少产生300TB的数据。此外，智慧交通系统,尤其是智能驾驶业务对数据的精准性与实时性也有很高的要求,根据高可靠与低延迟通信标准,通常情况下需要满足100ms以内的端到端延迟以及小于107的丢包率,而完全自动驾驶情况的时延更是不能超过20ms（https:5gaa.org）。作为在各领域广泛应用的数据处理技术,集中式中心云服务面对如此海量的数据，很难满足大部分智慧交通应用的实时性需求，其所产生的滞后处理将会导致传输过程的不确定

9、性，从而对通信网络带来巨大的传输压力和不稳定延迟。因此，提出了边缘计算以解决上述各方面的困境，移动边缘计算（mobi1eedgecomputing）概念最初于2013年出现于IBM与NokiaSiemens共同推出的一款计算平台，其可在无线基站内部运行应用程序，向移动用户提供业务此后，欧洲电信标准协会（EuropeanTe1ecommunicationsStandardsInstitute,ETSI）于2014年成立移动边缘计算规范工作组，推动了移动边缘计算的标准化。2016年,ETSI将移动边缘计算的概念扩展为多接入边缘计算（mu1ti-accessedgecomputing,MEC）,将其

10、从电信蜂窝网络进一步延伸至其他各多源无线接入网络（https:WWw.etsi.orgtechno1ogiesmu）ti-access-edge-computing）边缘计算技术的核心是把云计算能力与相应的服务环境下沉至网络边缘（包括蜂窝网以及各无线网接口），以满足低时延与高带宽的需求（GiUS1等,2017）,边缘计算技术为智慧交通系统提供了边缘计算节点，通过对计算与通信资源的合理分配,提供低时延服务的同时，能够大幅降低智慧交通系统所需的负载压力。同时,边缘计算技术通过边缘缓存,将所需数据存储在边缘节点，能够满足特定应用与服务对高响应速度的需求（Ahmed和Ahmed,2016）,近年来，随

11、着大数据与人工智能的高速发展,将其与边缘计算相结合,诞生了边缘智能（edgeinte11igence,EI）等前沿研究领域（Zhou等，2019b）,旨在使边缘恻能够提供更加智能的高级数据分析、场景感知、实时决策、自组织与协同等服务，边缘智能的研究一方面可以利用人工智能对边缘计算中的某些瓶颈问题提供解决方案，另一方面则是通过技术的发展,使人工智能得以在边缘服务器上完全实现（Deng等,20231本文符面向国内外在智蔡交通领域的前沿研究成果与应用进展，首先梳理智慧交通系统中的应用与服务现状，随后围绕而向智慧交通的图像处理技术与边缘计算技术进行深入分析，阐述与对比国内外在该领域中的最新研究热点及前

12、沿进展，并展望未来的发展趋势。1智慧交通的应用与服务随着近年来智慧交通理念的迅猛发展，以及如图像处理、云计算与边缘计完、大数据和人工智能等支撑技术的不断突破，智慧交通系统已在世界各国的发展蓝图中拥有了广泛的部署与规划。图1展示了智慧交通系统的部分应用示例，其基于先进的“端（车我、路侧端设备）一边（边缘计算设备）一云（中心云服务器）”一体化架构，充分融合了图像处理、边缘计算的最新应用成果，打造了智慧交通系统3大方向的应用与服务：基于各基础交通设施的智慧交通管理、基于单车智能的辅助驾驶与自动驾驶以及基于车辆与路侧设备协同智能的车路协同。木文将分别对以上3大面向智慧交通的应用与服务现状进行阐述与分析

13、，并对国内外在各方向上的最新发展情况进行对比。1. 1智慧交通管理交通管理是评估智慧城市建设的重要指标之一，传统通过人力调度的交通管理已难以满足日渐增多的车辆与愈发复杂的交通环境,建立智慧交通管理系统己成为必然之举。近年来,随着人工智能技术和图像处理技术的迅速发展，智慧交通管理系统已被越来越多的国家重视。智慧交通管理系统秉持以人为本的理念,结合“人、车、路、环境”等关键要素,使用云计算、边缘计算和图像处理等技术,全面提升交通管理和服务水平。智慧交通管理系统起源于美国，2010年,美国运输部和智能交通协会在智能交通系统战略研究计划：20102014中提出智慧交通系统管理系统，目标是通过网络对全国

14、地而交通设施统一管理，为智慧城市发展提供重要基础。日本是智慧交通管理系统覆盖率较高的国家。目前，日本的主干道己基本覆盖了如车路协同、导航和不停车收费等功能，有效缓解了交通拥堵。日本政府正在与汽车制造企业合作建立覆盖全国的自动驾驶系统，并将物流车辆管理和公共设施出入管理等加入智慧交通管理系统中。欧洲针对跨国基础设施建设问即，提出以主动交通管控为基本路径,按照区域特点协同管理和服务的智慧交通管理系统。目前，已基本实现欧洲地区交通基础设施全覆盖和统一交通管理系统建设，大幅减少了拥堵和交通事故的发生（1in等，2017a）相较于西方发达国家，中国的智慧交通管理系统起步较晚但发展迅速。2015年，上海市

15、交通委通过了上海市交通委员会关于加强智慧交通体系建设的指导意见，整合交通行业数据，全方位提高公交、出租车和轨道交通的智慧管理效能和决策水平，力图打造全行业覆盖的智慧交通管理体系。2019年，图1智慧交通应用与服务示例Fig.1Examp1esofapp1icationsandservicesinITS中国移动广西北海分公司与北海市公安局交通警察支队合作，采用5G+智慧交管和边缘化AI计算解决道路拥堵和车辆违章等问题，百度Apo11o系统依托国产人工智能和海量互联网数据以及车路云从安全管控、缓堵保畅和出行服务3个领域助力智慧交通管理。当前，智慧交通管理系统的应用主要包括交通信息采集、车牌识别系统

16、和交通违章检测等。交通信息采集决定着智慧交通系统能否高效运行，其关键在于获取全面、精确和实时的动态交通信息(包括车流量、车速、车型分类和交通密度等).与传统的交通信息采集方法相比，图像处理技术具有直接、准确和高效采集交通信息的优点，能更好地反映交通运行情况。此外，图像处理技术还可通过运用计算机视觉技术提取较清晰的图像,进而准确获得相应范围内的车辆信息,同时有助于减少人力物力,提高信息采集效率。车牌识别是智慧交通管理系统中的垂要组成部分,其任务包括识别、分析和处理。最常见的车牌识别方法是基于图像处理的方法,常见于停车场出入管理,其原理为使用摄像头对车牌进行抓拍后进行图像分析，无需额外安装电子标签。随着深度学习和机器学习技术的发展，车牌识别算法的准确率和实时性逐渐提升。美国是最早在交通领域引入车牌识别的国家，其A1PR(automatic1icensep1aterecognition)自动车牌识别系统广泛覆盖，通过相机捕捉来往车辆车牌，并于数据库中对