據外媒報道，俄羅斯南烏拉爾國立大學（South Ural State University）的科學家們研發了一個獨特的智能系統，以利用人工智能監控交通流量，而且無需特定的錄制設備，就可以幾乎在任何類型的攝像頭上工作。現有的程序在處理實時接收到的數據時，處理過程會延遲10至15分鐘，與之不同的是，該系統可以即時處理此類數據。

交通擁堵解決方案

南烏拉爾國立大學理工學院汽車運輸系副教授兼項目經理Vladimir Shepelev表示：“我們建議并推行一套以最新車輛偵測及追蹤技術為基礎的現代化交通流量評估系統。與現有的類似系統不同，該系統能夠實時識別和分析車輛的運動方向，最大相對誤差小于10%，而與之最類似的系統是，只能確定一個方向上車輛的車速和類型，而且在攝像頭的幫助下，精度才能達到80%至90%。而該系統利用神經網絡則可以生成十字路口中多達400個交通參數。”

該獨特的AIMS監控系統能夠收集、解釋和傳輸有關道路交通密度的數據，對10類車輛進行分類、測量車速、判斷交叉路口各個方向當前的負荷水平、確定車輛接下來的行駛方向。與此同時，只需要一個全高清的閉路電視（CCTV）攝像頭就可以在十字路口實時識別目標。

Shepelev表示：“該項研究的結果可讓城市當局用于提高十字路口的整體交通容量。而且，我們已經在車里雅賓斯克的幾個十字路口驗證了該系統足夠準確，可以作為其他高級模型的基礎。”

該項創新技術可以實時提供有關交通流量結構、車輛方向和車速等數據，利用數據挖掘技術可以有利于實現高效的交通模式、減少交通擁堵、改善資源管理。

用于分析城市交通的神經網絡

目前監測交通往往依賴于使用昂貴的傳感器連續收集數據，或者對交通進行視覺研究，通常在幾天內對某一時間段內的交通持續進行測量。但是，交通服務還是無法收到有關交通流量結構、密度、車速和運動方向等正確且準確的信息。

Shepelev表示：“我們管理的神經網絡會處理大量的視頻數據，不僅可檢測和跟蹤車輛，還可以用于分析事件的發生順序。在研發該技術的過程中，我們采用了開源的Mask R-CNN（卷積神經網絡）和YOLOv3神經網絡架構以實時探測目標，還采用了SORT目標追蹤算法，團隊修改了該算法的代碼以改善目標追蹤質量。”

基于人工智能的嵌入式分析模塊能夠確定十字路口交通組織的層次，并且將性能指標（KPI）分配給十字路口的每個交叉口（以進行測量）。

增加效率、降低監控成本

由于優化了YOLOv3神經網絡算法，南烏拉爾國立大學的科學家們能夠將追蹤過程中丟失目標考慮在內，目標跟蹤精度達到95%，大大降低了實時監控設備的成本。

Shepelev表示：“具有機器視覺的人工智能技術能夠將道路交通數據收集和分析提升至一個新水平，將識別車輛的可靠性大大提高。而且我們的深度學習網絡易于配置，無需特定的錄制設備，幾乎可以在任何類型的攝像頭上工作。”

南烏拉爾國立大學科學家們研發的該項技術將提高城市道路基礎設施的使用效率，在不久的將來，利用人工智能監測道路交通的技術將成為車里雅賓斯克市可持續公共交通項目的一部分。

（文中圖片均來自南烏拉爾國立大學）