计算机视觉（CV)与交通的千丝万缕

1 前言

很高兴能够在和大家分享一些计算机视觉技术（computer vision）在交通领域的应用知识。

鉴于之前在计算机视觉领域的一些探索，在目标（车辆）检测、目标(车辆)追踪、车辆重识别、3D视觉、少样本学习、元学习、基于视觉的交通流参数提取以及事故快速检测等领域存在一些学习经验。

本文将做一个有关交通CV的简单介绍。具体包括：

• （1）简单聊聊交通CV。即对CV和交通CV做个简单的介绍；

• （2）一些简单的学习指导。为新手入门CV和交通CV提供一些指导性建议；

• （3）交通CV专栏未来计划。为后面交通CV系列文章指明了大致的方向。

图1 之前做的一些小成果

2 简单聊聊交通CV

计算机视觉（Computer vision）是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像（维基百科）。

一般而言，我们将CV分为

• 传统计算机视觉技术。比如人为设定的一些特征提取方式（如SIFT、SUFT等）

• 基于深度学习的计算机视觉技术。由于卷积神经网络具备良好的空间特征提取能力，使得其在CV领域迅速得到发展和应用。

目前，基于深度学习的计算机视觉技术已经获得了举世瞩目的成就，特别是在计算机视觉的三大基本任务上，即

• 物体分类，即区分图片上物体所属的类别信息

• 目标检测，不光要知道目标的类别信息，也要知道目标所在的位置，一般用矩形框框出

• 目标分割，更精确的位置信息，有点像抠图

如今计算机视觉技术被广泛应用在人脸识别、无人驾驶、智能安防等领域，并取得了不错的效果。

但是计算机视觉技术可以应用在交通领域的哪些方向呢？

在深度学习中，数据是决定模型表现好坏最重要的因素之一。交通监控密布的城市道路、高速公路的监控视频为交通CV提供了大量的数据来源。所以交通CV是一个有潜力的研究领域。

目前多数研究者主要将CV技术应用在交通状态感知上。考虑到其他传感器的局限性，如地磁线圈安装麻烦，雷达红外易受遮挡等情况影响等。基于监控相机的交通状态感知技术得到了广泛的应用，特别是在深度学习出来之后。

具笔者目前的认知，CV技术可用在

• （1）交通流参数的提取。比如车辆的速度、位置、轨迹等数据的提取，为交通管理部门决策提供相关的依据。

• （2）交通事故的快速检测。对事故的快速检测有助于提高医院和交通管理部门及时到达现场，降低事故带来的人员伤亡和经济损失。

• （3）驾驶人员的行为检测。主要检测不健康、不正确的驾驶行为，消除其可能带来的安全隐患。

• （4）车辆的行为分析。主要包括车辆是否有违法行为（如闯红灯、实线变道、逆行等）。

由于笔者阅读文献的重点偏向于CV领域（如CVPR、ICCV、ECCV等），对交通领域的文献阅读并不全面，所以目前只总结出以上四点，欢迎在下方或留言区评论交流更多应用点。

3 一些简单的学习指导

学好计算机视觉技术（基于深度学习的）在交通领域的应用，我认为你需要掌握以下工具和知识

• （1）熟练掌握深度学习（特别是卷积神经网络）的原理

• （2）熟练掌握python语言，如果可以的话，学好c++也很有必要

• （3）熟练掌握一到两门深度学习框架，推荐是Pytorch和Tensorflow

推荐的学习的流程是

• （1）简单学习下传统的图像处理知识

• （2）掌握一些opencv的工具包

• （3）学习深度学习和相应的深度学习框架

• （4）实战几个物体分类模型，如VGG、ResNet等

• （5）实战几个目标检测模型，如FasterRCNN、SSD、YOLO V1-YOLO V4等

• （6）阅读一些较新的CV文献，并结合代码摸清原理

• （7）自行确定自己喜欢的研究领域，努力冲！

4 交通CV专栏未来计划

未来，我将定期地发送一些有关CV技术在交通领域应用的帖子。主要包括：

• （1）对一些高水平期刊上的文章，如IEEE TITS、Part C上有关CV的论文进行解读

• （2）梳理计算机视觉技术的多个领域（如目标检测、目标追踪、行为理解等）的文献综述

• （3）对热门的CV模型（比如目标检测的YOLO系列、目标追踪的DeepSORT、FairMOT等），结合论文和代码进行解析

欢迎大家关注！

Attention

如果你和我一样是轨道交通、道路交通、城市规划相关领域的，可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！