The Future of Smart Cities – Traffic Management Sensor - smartmicro

智慧城市的未來 —— 交通管理感測器 - smartmicro

Journal of Intelligent Transportation Systems

在 AI 人工智慧潮流不斷發酵成主流，台灣有多少專業影像監控廠商業者，能夠比這篇報導的技術的內容，描述得更清楚，更令人了解 ……

介紹

交通堵塞在全世界都是一個嚴重的問題，尤其是在現代城市的早晚高峰時段。交通量、道路施工和天氣事件會導致交通擁堵。其中超過 20% 可歸因於交通事故等個別事件。儘管城市地區的大多數碰撞事故，不會因低速行駛而對車輛乘員造成傷害，但駕駛員必須停車等待執法人員到達，並確定財產損失責任，這不可避免地導致交通堵塞。密集影像監控系統，可以透過從道路沿線和十字路口的不同視點，捕獲即時影像來解決這個問題。執法部門事後可以透過錄影辨識交通事故責任，這將允許司機在發生碰撞後立即開走，避免造成交通擁堵。

本期特刊的主題

在本期特刊中，我們將重點關注密集影像監控系統的佈署，及其在城市交通中的應用。在過去的幾十年裡，人工智慧 (AI) 為智慧交通系統 (ITS) 做出了巨大貢獻，並顯示出解決交通影像分析難題的巨大潛力。數以千計的期刊和會議論文研究了深度學習，如何分析和追踪交通軌跡。透過應用密集的影像監控系統，來解決交通擁堵是一個較新的方向。在密集的影像監控系統中，攝影機節點的放置方式，確保了交叉路口和道路沿線的全面覆蓋。

這些節點形成了一個大型無線感測器網路 (WSN)，從而產生了節能問題。所以，有許多研究評估了攝影機節點能夠穩健地生存，和穩定工作的時間。密集的影像監控系統，在全球迅速引起人們的興趣，擁有許多活躍的學術和工業研究團體。去年，近 10 種已發表的期刊和 50 多篇會議論文討論了影像監控系統如何支持 ITS。

本期特刊目的在提供一個備受認可的國際論壇，展示透過密集影像監控系統，避免城市交通堵塞的創新發展。最終目標是匯集重點突出、高畫質的研究貢獻，以提高 AI 和 WSN 技術的可見性和相關性，並為一般 ITS 研究社區提供近期結果，和最有希望的途徑的總體視圖。其目的是提高人們對密集影像監控系統的集體認識，這是 ITS 研究界應該追求的一種很有前途的技術。本期將提供一個高度認可的國際論壇，透過《智慧交通系統雜誌》介紹最新進展。我們歡迎考慮理論貢獻、有趣應用和其他方面的論文，例如：

無線感測器網路
無線通訊
影像採集、壓縮和傳輸
3D 影像壓縮和分析
多視圖影像編碼
功率控制
節能編碼
低複雜度影像編碼
影像分析
車輛軌跡分析和追踪
深度學習
模式辨識
智慧交通

本期投稿 14 篇，共錄用 7 篇。錄用論文中，7 篇為原創研究論文，1 篇為綜述。

楷模

車聯網（IoV）的快速發展，對儲存大量車聯網數據和保持檢索效率，提出了新的挑戰。車聯網會產生大量的全球定位系統（GPS）日誌數據和車輛監控數據，但只需要其中一小部分用於讀取/寫入。傳統的 Hadoop 分佈式文件系統（HDFS）訪問過多的小文件，會產生佔用率高、訪問效率低、檢索效率低等一系列問題，從而降低了車聯網的性能。在「基於車聯網相關概率的儲存和訪問優化方案」中，Bin 等人建議透過小型文件相關概率 (FCP) 模型，來解決這些瓶頸問題 (Bin et al., 2019）。本文提出的基於 FCP 的小文件合併方案（SFMS），和小文件預取暫存策略（SFPCS），優化了 HDFS 的儲存和訪問性能。實驗顯示，與原生 HDFS 讀寫方案和基於Hadoop ARchive（HAR）的讀寫優化方案相比，所提出的優化方案緩解了 HDFS 名稱節點，佔用率高、訪問效率低的問題。

用於交通影像分析的人工智慧工具，已被廣泛認為是 ITS 中難題的潛在解決方案。為了充分發揮其潛力，人工智慧需要在道路和十字路口放置密集的攝影機，以監控所有交通。捕獲的影像需要回傳到控制中心，並作為 AI 工具的輸入。為了承受如此大的數據流量負載，並覆蓋遠距離傳輸，定向通信技術將無線信號的能量，集中在特定方向，以提供高數據速率和遠距離傳輸（可達數十公里）。在 Yan 等人的貢獻中，「一種用於定向密集城市交通監控系統的高效多路訪問控制協議，」當定向傳輸應用於密集的城市交通監控系統時，會出現通信時間擴展問題（CTEP），並且無線信號傳播時間接近於數據傳輸時間（Yan et al.,2019 年）。

CTEP 透過基於鏈路距離劃分 (LDD) 的時分多址 (TDMA) 協議進行尋址。首先，有向無線通信鏈路根據其鏈路距離進行分類，即位於同一通信環上的節點屬於同一類別。然後，基於鏈路距離感知 (LDA) 的時隙分配算法，將時隙分配給鏈路。該協議以封閉式公式推導通信環的最佳半徑，並推導最小平均鏈路距離。仿真結果表明，當環數為 4 時，LDD-TDMA 優於 TDMA 13.37%。

性能改進

紅外線和可見圖像在 ITS 中發揮著重要作用，因為它們可以全天候監控交通狀況。但可見圖像品質易受環境影響，紅外線圖像細節不夠豐富。紅外線和可見圖像融合技術，可以將這兩個不同的模態圖像融合成一個，包含更多有用資訊的圖像。在 Li 等人的投稿「Infrared and visible images fusion by using sparse representation andguided filter」中，作者提出了一種有效的交通系統紅外線和可見光圖像融合方法（Li et al., 2019）。首先，權重圖是透過使用稀疏係數來測量的。下一步是將紅外線和可見光，對分解為高頻層 (HFL) 和低頻層 (LFL)。由於兩層包含不同的結構和紋理資訊，引導濾波器根據紅外線和可見光對的不同特徵優化權重圖，以提取具有代表性的分量。最後一步是根據權重圖重建兩個尺度層。實驗結果顯示，所提出的方法，在主觀感知和客觀指標方面，優於其他流行的方法。

Rios-Torres 等人的貢獻，「安全關鍵應用中，車對車通信的可靠性程度：一項實驗研究」，研究了車對車 (V2V) 和車輛碰撞問題 (Rios-Torres 等人)等，2020）。使用專用短程通信 (DSRC) 技術的 V2V 通信，有可能大幅減少車輛碰撞。與用於汽車通信的其他無線技術相比，DSRC 允許車輛在高度移動和複雜的網路中，以更高的可靠性和更低的延遲，發送和接收安全消息。但是，有許多因素可能導致，安全關鍵型汽車應用中的通信故障。雖然 V2V 通信的可靠性，一直是一些研究人員研究的主題，但由於內部元素和高度差異會影響 V2V 通信，因此 DSRC 設備的最有效放置（車內或車外）仍然存在懸而未決的問題。

Cui 等人的貢獻「用於辨識高速公路交通擁堵的捲積神經網路」研究了使用深度卷積神經網路 (CNN) 在監控攝影機圖像中，辨識高速公路交通堵塞狀態（Cui 等人，2020）。高速公路攝影機通常具有廣泛的視角範圍，因此會生成具有大背景的圖像，這與 CNN 中用於對象分類（如 ImageNet）的通常輸入圖像不同。作者使用涵蓋一系列道路配置、一天中的時間，以及天氣和照明條件的真實交通影像，建構了一個高速公路圖像數據集。每個圖像都標有感知的交通堵塞狀態。該標記數據集用於表徵目標堵塞狀態辨識問題的 CNN。AlexNet 和 GoogLeNet 在保留的測試樣本上，產生了 98% 的出色辨識準確率，其中許多錯誤分類的圖像都是邊緣案例。更多結果顯示，規模和視角可能會影響辨識。

應用

紅外 (IR) 成像感測器，在城市交通系統中得到廣泛應用，因為它們不受光照條件的影響。他們可以全天候穩定工作。紅外線圖像使 ITS 的後續處理更容易。然而，由於硬體和成像環境的限制，很難獲得所需畫質的紅外線圖像。紅外圖像總是缺乏詳細的資訊，這導致傳統方法的增強效果不令人滿意。與紅外線圖像相比，可見光（VISible）圖像包含詳細資訊，有助於提高相應紅外線圖像的品質。

陳等人，在「基於可見圖像相關性測量的城市交通監控系統的新型紅外線圖像增強」中，提出了一種透過將多感測器應用於圖像，來增強紅外線圖像的有效方法（陳等人，2019 年）。首先，作者採用邊緣保留濾波器，根據 Retinex 理論將 IR 和 VIS 圖像，分解為其照明和反射分量。其次，根據 IR 和 VIS 圖像之間的相關性，將 IR 和 VIS 圖像中的每個區域分為相關區域和非相關區域。最後，自適應模糊高原 HE (AFPHE) 增強了照明分量，並採用 VIS 輔助策略，在 VIS 圖像的幫助下，增強 IR 反射分量的細節。實驗結果顯示，該方法可以有效提高紅外線圖像的對比度，增強圖像的細節。

越來越多的監控攝影機，對高效影像編碼提出了很高的要求。儘管現代影像編碼標準，已經顯著提高了編碼效率，但它們是為普通影像，而不是監控影像設計的。監控影像的特殊性為性能的進一步提升留下了空間。在 Ding 等人的貢獻中，「一種用於監控影像品質增強的深度學習方法」，作者利用深度學習方法，來增強監控影像壓縮中的重構幀（Ding 等人，2019）。更具體地說，作者將幀增強問題表述為回歸問題，並透過卷積神經網路 (CNN) 解決，稱為殘差擠壓和激發網路 (RSE-Net)。

RSE-Net 使用少量參數，廣泛利用了重建幀和地面實況之間的非線性映射。此外，透過改進 You Only Look Once (YOLO) 網路，系統成功地檢測到框架內的分組車輛。然後透過從分組車輛中學習，來開發一種新的模型訓練方案。透過所提出的方案，他們為監控影像的前景和背景，訓練了一個全局模型。實驗結果顯示，這些方法在 H.265/HEVC 分別在 AI、LDP 和 RA 配置下錨定，並在應用於壓縮監控影像時，產生視覺上令人愉悅的結果。

結論

本期特刊中的文章，為使用密集監控系統開發城市交通監控技術，提供了見解。這些貢獻包括模型、性能評估和改進，以及應用開發。我們希望讀者能從這些論文的見解中受益，並為這些快速發展的領域做出貢獻。我們還希望本期特刊能夠闡明《智慧交通系統雜誌》重點領域的重大發展，並引起科學界的興趣，以進行進一步的調查，以促進這些技術的快速實施。