基于云計算的智能交通云聯(lián)網(wǎng)監(jiān)控系統(tǒng)設(shè)計

摘要：本文針對傳統(tǒng)交通監(jiān)控系統(tǒng)畫質(zhì)低、準(zhǔn)確率低和延遲高等問題，設(shè)計出一種基于云計算技術(shù)的智能交通云聯(lián)網(wǎng)監(jiān)控系統(tǒng)。在硬件設(shè)計方面，使用解碼器與監(jiān)控器為系統(tǒng)提供支持；在軟件設(shè)計方面，從特征分類、模型訓(xùn)練和隱患檢測等方面完成監(jiān)控程序與外設(shè)間的數(shù)據(jù)交換，進(jìn)而應(yīng)用云計算對交通數(shù)據(jù)信息進(jìn)行準(zhǔn)確識別與分類。試驗結(jié)果表明，與傳統(tǒng)交通監(jiān)控系統(tǒng)相比，本文系統(tǒng)監(jiān)控畫質(zhì)良好、穩(wěn)定性高，識別準(zhǔn)確率也具有一定優(yōu)勢，能夠滿足智慧交通建設(shè)所需。

關(guān)鍵詞：云計算；交通監(jiān)控；車流量；交通數(shù)據(jù)

中圖分類號：TP39""""""""" 文獻(xiàn)標(biāo)志碼：A

交通監(jiān)控系統(tǒng)負(fù)責(zé)收集各類交通信息，能夠直觀了解車輛運(yùn)行狀況與交通量，在提升道路使用效率與減少交通事故等方面為交通管理提供了必要輔助手段，對交通安全具有積極意義[1]。學(xué)界對交通監(jiān)控系統(tǒng)的研究較早，例如屠康等綜合利用ViT和Swin Transformer，設(shè)計了一種基于深度學(xué)習(xí)的交通檢測系統(tǒng)，試驗驗證該系統(tǒng)在交通檢測中具有較好的泛化能力[2]；王茁等將圖像處理技術(shù)引入監(jiān)控系統(tǒng)，通過分布式計算拓展數(shù)據(jù)傳送功能，并結(jié)合道路交通擁堵的判定條件預(yù)測道路運(yùn)行狀態(tài)，實現(xiàn)了交通情況的實時監(jiān)測[3]?？偨Y(jié)文獻(xiàn)可知，目前這些傳統(tǒng)交通監(jiān)控系統(tǒng)的收集頻率較低，信息冗余較多，常出現(xiàn)畫質(zhì)差、延遲高、準(zhǔn)確率低和不穩(wěn)定等問題。云計算技術(shù)具有較強(qiáng)的交通數(shù)據(jù)處理能力，在動態(tài)負(fù)載方面效果良好，能夠滿足智能交通監(jiān)控的區(qū)域化與網(wǎng)格化服務(wù)。因此本文設(shè)計出一種基于云計算技術(shù)的智能交通云聯(lián)網(wǎng)監(jiān)控系統(tǒng)。該系統(tǒng)改進(jìn)了編碼流程，與傳統(tǒng)交通監(jiān)控系統(tǒng)相比，能夠顯著提升畫質(zhì)與準(zhǔn)確率，有效降低整體延遲，具有良好的監(jiān)控實時性與應(yīng)用性。

1整體設(shè)計

系統(tǒng)整體架構(gòu)如圖1所示。系統(tǒng)整體框架包括存儲層、平臺層以及應(yīng)用層。本文根據(jù)分層理念，創(chuàng)建智能交通數(shù)據(jù)資源池，進(jìn)行實況錄音、錄像的傳輸與存儲、數(shù)據(jù)管理并監(jiān)控統(tǒng)一調(diào)度，系統(tǒng)整體結(jié)構(gòu)如圖1所示。存儲層可存儲云計算模型提供的交通數(shù)據(jù)，控制系統(tǒng)接入設(shè)備，同時整合所有交通信息，通過平臺層與應(yīng)用層進(jìn)行交互；平臺層采用分布式計算，由MDU、MSU設(shè)備構(gòu)成，將監(jiān)控系統(tǒng)部署到服務(wù)器終端，通過業(yè)務(wù)單元管理服務(wù)器，使城市交通信息與服務(wù)器交互，同時記錄所有交通數(shù)據(jù)，實現(xiàn)了本地網(wǎng)絡(luò)、交通軟件運(yùn)行與網(wǎng)絡(luò)數(shù)據(jù)管理等功能；應(yīng)用層可創(chuàng)建監(jiān)控信息傳輸通道，并提供信息共享和出行引導(dǎo)，其終端支持不同接入方式，使監(jiān)控信息進(jìn)入數(shù)據(jù)管理服務(wù)器并作為系統(tǒng)外設(shè)完成連接，通過光纖接入進(jìn)行交通數(shù)據(jù)收集與通信。

2硬件設(shè)計

2.1解碼器

利用云計算解碼器對交通視頻進(jìn)行譯碼，將其輸出的控制信息轉(zhuǎn)化為實際操作頻率，由此對前端攝像裝置進(jìn)行遙控。解碼電路如圖2所示，該解碼器（FST3257MX）的前端通過RS-485接口與VCR端的串口接口相連，通過轉(zhuǎn)換器將RS-232的數(shù)據(jù)流轉(zhuǎn)換為RS-485，并傳送至云端解碼器。云端解碼器將收到的命令進(jìn)行譯碼，并將其轉(zhuǎn)化為相應(yīng)的天線、視頻與其他操作模式的輸出信號，通過操作不同信號向解碼器與攝像裝置進(jìn)行控制信號傳輸。接收到控制信號的電頻后，云端解碼器會執(zhí)行相應(yīng)信號命令。

2.2監(jiān)控器

為滿足交通實際需要，需要打造全程監(jiān)控。該監(jiān)控器由PIC18F4520與OM-K2-S30等裝置構(gòu)成，采用前沿視頻通信技術(shù)，可進(jìn)行遠(yuǎn)距離數(shù)據(jù)傳送?？刂菩酒訮IC18F452為核心，功能是收集監(jiān)控各交通子節(jié)點的參數(shù)。OM-K2-S30是主控器，功能是將各子節(jié)點信息匯聚到一起并整合數(shù)據(jù)，以此監(jiān)控交通全程。監(jiān)控器的工作原理如下所示。1）接收來自攝像裝置或其他信號源的信號開始工作，這些信號可能是模擬信號或數(shù)字信號。2）對進(jìn)入監(jiān)控器的信號進(jìn)行解碼與轉(zhuǎn)換，包括放大、濾波和去噪等。3）如果信號源是模擬信號，就在輸入前由轉(zhuǎn)換器轉(zhuǎn)換為數(shù)字信號，便于更好地呈現(xiàn)圖像。4）將處理后的信號發(fā)送至顯示設(shè)備上，采用顯示技術(shù)將其轉(zhuǎn)化為可見圖像，監(jiān)控器上的像素矩陣根據(jù)接收到的信號來控制亮度。

3軟件設(shè)計

數(shù)據(jù)集成平臺選用監(jiān)視與控制通用系統(tǒng)（Monitor and Control Generated System，MCGS），由監(jiān)控系統(tǒng)收集、存儲、集成和共享網(wǎng)絡(luò)中的各類監(jiān)控信息，為交通管理部門提供完整有效的數(shù)據(jù)源，由此實現(xiàn)監(jiān)控程序與外設(shè)間的數(shù)據(jù)交換。系統(tǒng)軟件設(shè)計流程如圖3所示。

3.1特征分類

交通數(shù)據(jù)信息監(jiān)測與分類過程的核心是識別的準(zhǔn)確性與實時性。為了進(jìn)行交通監(jiān)控，使用云計算對交通數(shù)據(jù)信息特征進(jìn)行識別分類，具體分類過程如圖4所示。云計算包括2個部分，一是利用數(shù)據(jù)訓(xùn)練出分類器模型；二是數(shù)據(jù)測試，用以驗證模型準(zhǔn)確性。

3.2模型訓(xùn)練

由于分類器需要以合適的圖像為樣本，因此需要對收集的樣本進(jìn)行歸一處理，幀率保持在60f/s左右。根據(jù)場景差異，排除尺寸過小或無法分辨的圖片，甄選出可用目標(biāo)。將可用圖片中的一半作為訓(xùn)練樣本，其余為測試樣本。訓(xùn)練樣本主要用于提取特征向量，因此將車輛、人流和設(shè)施等特征合并為一個多維特征向量，并將其作為對分類器進(jìn)行模型訓(xùn)練的輸入數(shù)據(jù)。利用分類器進(jìn)行特征向量訓(xùn)練，最終得到一個全新分類器，訓(xùn)練最大迭代次數(shù)為 200 次，具體訓(xùn)練流程如圖 5 所示。

3.3隱患檢測

通過上述流程得到分類器后便可進(jìn)行圖像檢測。提取待檢測圖像的特征向量，將其輸入已訓(xùn)練好的分類器中，由此可判斷待檢測序列是否存在交通隱患。如視頻中某路況存在隱患，便可在原圖像中標(biāo)出區(qū)域，如果沒有隱患，就不做處理。

4監(jiān)控過程

4.1車流量

在軟件設(shè)計的基礎(chǔ)上讀取存儲層交通數(shù)據(jù)，識別異常車輛信息，從而設(shè)計監(jiān)控流程。設(shè)定交通數(shù)據(jù)范圍，例如設(shè)通行能力為x，修正系數(shù)為k1，根據(jù)交通車流量取值，數(shù)據(jù)收集間隔為a，則交通數(shù)據(jù)的車流量范圍r如公式（1）所示。

0≤r≤（1）

4.2速度

將r作為交通數(shù)據(jù)流的收集上限，根據(jù)特定周期進(jìn)行數(shù)據(jù)收集，同時挖掘高峰階段的交通數(shù)據(jù)，初始化數(shù)據(jù)收集的起止時間，識別高峰階段收集間隔，并在查詢歸檔后完成數(shù)據(jù)維護(hù)工作。因為高峰階段交通數(shù)據(jù)流較多且顯著高于通信水平，所以有必要進(jìn)行速度識別。設(shè)限速為sl，修正系數(shù)為k2，則交通數(shù)據(jù)的速度范圍s如公式（2）所示。

0≤s≤k2·sl（2）

4.3占有率

交通數(shù)據(jù)的車輛占有率取決于檢測時間與收集間隔的比值，合理范圍保持在100%以內(nèi)。將車流量作為參數(shù)值，設(shè)收集時間為t，修正系數(shù)為k3，交通數(shù)據(jù)的車流量范圍為r，則交通數(shù)據(jù)的車輛占有率e如公式（3）所示。

（3）

將車流量、速度和占有率作為基本參數(shù)代表參數(shù)內(nèi)容，篩選交通數(shù)據(jù)流的限值，將限值的計算結(jié)果作為允許誤差大小，使交通數(shù)據(jù)流呈正態(tài)分布，對處于不合理范圍的數(shù)據(jù)進(jìn)行標(biāo)記，由此識別錯誤數(shù)據(jù)，即監(jiān)控過程中的異常車輛。具體流程如圖6所示。

5系統(tǒng)試驗

試驗運(yùn)行在Windows11系統(tǒng)上，CPU型號為Intel I913900K，GPU型號為DUAL-RTX4070-12G，仿真平臺選用ErgoSIM交通仿真平臺，其中GPU包括3283個流處理器。為了更好地比較本文系統(tǒng)與傳統(tǒng)系統(tǒng)的整體性能，重點測試監(jiān)控系統(tǒng)的畫質(zhì)、準(zhǔn)確率與穩(wěn)定性。

5.1畫質(zhì)

選取幀數(shù)最多的測試序列，分別使用本文系統(tǒng)與傳統(tǒng)系統(tǒng)進(jìn)行編碼，并選取典型QP值（量化參數(shù)）進(jìn)行測試，得到由低至高各自對應(yīng)的碼率與幀率值。根據(jù)率失幀理論獲取所有碼率坐標(biāo)，構(gòu)建碼率-幀率曲線，如圖7所示。由試驗可知，本文系統(tǒng)的幀數(shù)整體上優(yōu)于傳統(tǒng)系統(tǒng)，當(dāng)碼率為12000kbit/s時，二者差距最大，表明本文系統(tǒng)編碼質(zhì)量顯著高于傳統(tǒng)系統(tǒng)，失幀更小，畫質(zhì)也更好。

5.2準(zhǔn)確率

為驗證系統(tǒng)識別準(zhǔn)確性，與傳統(tǒng)系統(tǒng)進(jìn)行比較試驗。在ErgoSIM平臺上構(gòu)建雙向車道，將車道線標(biāo)注清楚，并對通行與行駛情況進(jìn)行高度模擬，使其貼合真實道路情況。試驗時使車輛按照指令頻繁通過2個系統(tǒng)的監(jiān)控區(qū)域，并在某時間段進(jìn)行分析，所得結(jié)果見表1。由試驗可知，本文系統(tǒng)的車牌識別準(zhǔn)確率均值為98.60%，漏檢數(shù)量均值為4.2個；傳統(tǒng)系統(tǒng)的車牌識別準(zhǔn)確率均值為76.85%，漏檢數(shù)量均值為13.6個。與傳統(tǒng)系統(tǒng)相比，本文系統(tǒng)識別率約提高21.25%，漏檢數(shù)量約減少約9.4個。由此可見，本文系統(tǒng)不僅提高了車牌識別準(zhǔn)確率，還在一定程度上解決了車輛漏檢問題。

5.3穩(wěn)定性

記錄系統(tǒng)在長期運(yùn)行過程中的狀態(tài)，將直播視頻流輸出設(shè)置為分辨率1080ppi，幀率為30f/s，碼率為8000kbit/s， 得到系統(tǒng)平均延遲與丟包率情況，見表2。根據(jù)試驗可知，與傳統(tǒng)系統(tǒng)相比，本文系統(tǒng)能夠持續(xù)正常工作，沒有出現(xiàn)因延遲而丟包的問題。試驗24h后，本文系統(tǒng)的平均延遲仍然保持在較低水平，表明系統(tǒng)可滿足長期穩(wěn)定的監(jiān)控需求。

6結(jié)語

綜上所述，目前交通監(jiān)控系統(tǒng)設(shè)計多以犧牲畫質(zhì)換取低延遲，或以高延遲換取高畫質(zhì)。本文系統(tǒng)充分發(fā)揮了云計算高效處理交通數(shù)據(jù)的優(yōu)勢，成功實現(xiàn)了實時交通監(jiān)控。經(jīng)試驗驗證，本文系統(tǒng)運(yùn)行穩(wěn)定性較強(qiáng)，在高畫質(zhì)的基礎(chǔ)上也能保證延遲較低，同時具有較高的識別準(zhǔn)確率，能夠為管理者提供有效的監(jiān)控畫面。在后續(xù)研究中，應(yīng)逐步提高數(shù)據(jù)挖掘水平，以此促進(jìn)智慧交通建設(shè)的可持續(xù)發(fā)展。

參考文獻(xiàn)

[1]蔣建金. 一種采用容器技術(shù)基于通用硬件的云計算軌道交通信號控制系統(tǒng)安全平臺[J]. 科學(xué)技術(shù)創(chuàng)新，2023（26）：214-218.

[2]屠康，馬倩芳. 基于深度學(xué)習(xí)的交通事件檢測系統(tǒng)設(shè)計[J]. 無線互聯(lián)科技，2024，21（3）：63-65.

[3]王茁，侯洪鳳. 基于圖像處理技術(shù)的道路監(jiān)控系統(tǒng)設(shè)計[J]. 大連交通大學(xué)學(xué)報，2022，43（6）：19-24.