第1章 绪论
　　1.1 道路运行风险的界定
　　系统提升道路交通安全水平是保障我国公路建设和道路客货运输持续健康发展的重要议题。在安全系统工程中，传统安全理念注重事后整改，安全措施成本高、代价大且缺乏对事故的预判，无法实现事前防范；而现代安全理念是对隐患风险进行管控，强调风险的客观性和安全的相对性，即安全是可以接受的风险。道路运行风险与事故的发生密切相关。高风险意味着事故发生的概率增加。驾驶人的不良行为，以及道路、环境的异常状况均是造成交通事故的关键风险因素，因此对道路运行风险的智能感知与主动防控，可达到有效预防事故和降低事故严重程度的目的。
　　道路运行风险可分为静态风险、动态风险和风险交通行为三类，如图1.1所示。
　　静态风险主要是指道路特征风险，包括特殊路段、地形、路表情况、路面状况、防护设施类型等。在不同公路等级与特殊路段，上述各类道路特征存在不同形式的运行风险，例如，在防护等级低的山区急弯路段易发生车辆侧滑、侧翻事故。
　　动态风险主要包括能见度低、障碍物、横风、轮毂升温及火灾等。在不同公路等级和所处特殊道路条件下，各类动态风险特征存在不同形式的运行风险。例如，隧道内障碍物易引发连环追尾碰撞甚至火灾事故。
　　风险交通行为包括超速、闯红灯等违法行为，也包括跟车距离过近、频繁换道，以及疲劳驾驶、分心等不良驾驶行为导致的风险交通行为。风险交通行为已成为影响道路交通安全的重要因素，是研究交通事故产生机理的关键。在影响和制约道路交通安全的关键因素中，风险交通行为引发的交通事故占到95%以上。
　　在一些特殊路段，如桥梁、长隧道、长下坡和急弯，因其自身结构特点和线形特征，道路的运行风险表现尤为突出。例如，受大雾、雨雪等天气的影响，桥梁路段易发生追尾、失稳事故；在长下坡路段，载货汽车需要考虑制动失效的风险；车辆在急弯路段行驶受视距、*率、横向力等因素的影响，易造成急刹车、侧滑和侧翻等意外状况。当与驾驶人分心、疲劳驾驶等不良驾驶行为，以及交通环境复杂、能见度低等动态风险相互叠加时，桥梁、长隧道、长下坡和急弯等特殊路段发生事故的风险会急剧增加。
　　图 1.1道路运行风险分类
　　1.2 道路运行风险主动防控的技术需求
　　道路运行风险主动防控作为实现智慧公路必不可少的一环，自始至终是实现交通强国目标的重中之重。我国道路运输网规模巨大，经济发展带来的庞大运输需求导致道路运输负荷快速上升，运输网运行风险问题日益凸显。由于交通场景复杂、交通风险具有多源异构等特征，现阶段需解决交通行为全天候精确识别、运行风险智能研判与快速预警、考虑人因的风险交通行为有效干预矫正等技术难题，以实现点-线-面一体化的道路运行风险主动防控。因此，本节从感知监测技术、风险交通行为辨识与风险预测和风险交通行为干预矫正技术三个方面简要论述道路运行风险主动防控的技术需求。
　　1.2.1 感知监测技术
　　道路运行风险感知监测技术主要包括基于视频的运动目标实时检测技术、基于雷达的多目标动态连续跟踪技术、视频与雷达一体化融合感知技术三部分。其主要传感设备为摄像头和雷达，可进行交通事件和道路环境分析，如流量分析和交通拥堵检测、交通事故检测、违法行为检测、团雾检测、抛洒物检测等。实时、精准、全天候、全面感知道路交通流动及交通行为是感知系统追求的目标。
　　1.基于视频的运动目标实时检测技术
　　视频监测技术应用昀广，基于视频的运动目标实时检测与跟踪涉及计算机图像处理、视频图像处理、模式识别以及人工智能等诸多领域。目标检测技术是指快速、准确地将视频图像中的运动目标从背景中分离出来，运动目标实时检测技术是视频图像处理领域的重要研究内容。在交通场景中，运动目标通常包括机动车、非机动车、行人和其他物体等。目标跟踪是指对同一目标进行全局唯一信息认证并给出其在不同帧的位置，能在单摄像头甚至多摄像头设备下完成跟踪识别。
　　基于视频的运动目标实时检测技术包括双阶段目标检测技术和单阶段目标检测技术。双阶段目标检测技术是指将检测过程分为产生检测框候选区域和对候选区域的内容进行分类两个阶段，典型算法有空间金字塔池 (spatial pyramid pooling，SPP)网络(He et al.，2015)和区域卷积神经网络(region-convolutional neural network，R-CNN)(Girshick et al.，2014)，此技术模拟了人类思维方式，即先找到物体的位置，然后观察物体的特征。为了克服双阶段目标检测技术的弊端，单阶段目标检测技术对原图进行区域划分，不再进行候选区域提取，直接在每个区域回归对应目标的位置及类别，代表算法有“你只看一次”(you only look once，YOLO)系列 (Redmon et al.，2016)。基于深度学习的目标检测技术虽然较传统技术在检测精度上有很大提高，但是存在解释性差、信息利用不充分、小目标检测效果差等问题。在未来的研究工作中，目标检测领域主要呈现以下发展趋势：①轻量型目标检测；②与自动化机器学习(automated machine learning，AutoML)结合的目标检测；③领域自适应的目标检测；④弱监督目标检测；⑤小目标检测；⑥视频检测；⑦信息融合目标检测。
　　目标跟踪是利用传感器对感兴趣目标的运动状态进行估计的过程，可分为单目标跟踪、多目标跟踪、目标重识别、多目标多摄像头跟踪、姿态跟踪等。在运动过程中，目标可能发生姿态或形状的变化、背景遮挡或光线亮度的变化等，目标跟踪算法主要围绕这些变化展开。现阶段主要有基于人工规则的**目标跟踪算法和基于深度学习的目标跟踪算法，如全卷积网络跟踪器(fully convolutional network based tracker，FCNT)(Wang et al.，2015)和孪生候选区域生成网络(Siamese region proposal network，Siamese-RPN)(Li et al.，2018)。
　　2.基于雷达的多目标动态连续跟踪技术
　　雷达检测技术不受光照、能见度等自然条件的约束，检测精度高、抗干扰能力强、全天候工作和安装维护方便快捷，应用较广(靳标，2015)。雷达主要分为毫米波雷达和激光雷达。传统雷达目标识别任务简单，难以满足交通复杂场景下的监测任务要求。未来，智能化是雷达目标识别发展的主要方向。
　　毫米波雷达的波长介于厘米波雷达和光波雷达之间，导引头穿透雾、烟、灰尘的能力强，能精确检测运动目标的运动方向、距离、速度和角度等。对比其他传感器，在多目标动态连续跟踪中有明显的优势，其主要特性有：①可用频带宽；②多普勒频移宽；③毫米波雷达发射天线波束宽度窄。在交通环境中，树木、路牌、建筑物等多目标跟踪具有较大的干扰，所以需要滤除道路边缘标识线之外的目标。此外，毫米波雷达可融合驾驶人信息、道路环境、交通法规等用于监测个体、车群、区域等不同层面的交通流和目标行为特征，进而判别异常交通行为，如压线、超速、逆行等。常用的机器学习算法，如支持向量机、神经网络算法等均可用于异常交通行为判别。
　　激光雷达的结构比较简单，检测范围广，具有一定的实时性，其扫描介质是红外波段和可见光波段的激光。基于激光雷达的目标跟踪适用于多目标跟踪 (multi-target tracking，MTT)，利用传感器所采集的信息对多个目标的状态进行持续、精确的估计与预测，其主要流程包括目标信息确认、数据关联和跟踪滤波。车辆的检测、跟踪和分类可利用激光雷达的原始点云数据，并通过合并车辆的外形和轮廓特征完成。基于激光雷达的车辆运行场景感知通过仿射变动及局部运动预计等方法实现。
　　3.视频与雷达一体化融合感知技术
　　基于视频和雷达的传感设备具有各自不可替代的优点，也具有不容忽视的缺点，二者的数据融合算法可用于提升目标检测、跟踪和定位等精度。如何将两种感知技术结合，实现优势互补，丰富道路信息采集的种类，提高目标检测的精度和范围是研究的难点。
　　视频与雷达一体化车辆检测跟踪系统，属于多传感器的信息融合系统，*先，需要进行时间标定和空间标定，在获得雷达信息和视频信息后，根据合适的算法进行融合，如贝叶斯理论和深度学习。昀后，对融合得到的轨迹进行评价。
　　单个雷视一体机的监控区域有限，无法满足长时间大范围跟踪运动目标的要求，因此可利用多个雷视一体机协同感知目标信息，以获取更广范围和更高层次的监控场景感知能力。但交通目标在跨监控设备运行过程中还存在目标交接、多源数据融合等方面的问题。因此，《风险交通行为智能感知与矫正》一书提出基于点迹、轨迹关联和外观特征的多目标跟踪算法。
　　1.2.2 风险交通行为辨识与风险预测
　　现有研究对桥梁、长隧道、长下坡、急弯等特殊路段交通风险的实时辨识与预测评估相对薄弱，是目前交通管理中存在的一个技术瓶颈。研究主要存在交通环境多变、目标特征量多、目标辨识、轨迹预测困难、交通行为预测方法复杂、预测效率不高、风险评估模型不准确、评估准确率低等问题。道路运行风险辨识和预测系统利用智能算法主要解决交通行为在线识别实时性差、运行风险智能研判能力不足的问题。
　　1.行为辨识
　　交通行为分析的目的在于通过对驾驶人、车辆、道路、环境系统行为的内在机制与外部表现进行识别，从不同层面确定影响交通系统的因素。在行为分析的基础上，传感器检测目标对象信息可转换为可定性分析的交通行为数据，进而形成交通行为快速精准辨识体系。
　　交通行为辨识的主要研究方法有时空法和计算法。时空法，即通过视频等方式记录交通参与者的行为轨迹；计算法，即通过计算机模拟真实场景来解决问题。基于轨迹分析的风险交通行为辨识的方法有很多，如神经网络方法 (Hu et al.， 2004)、聚类方法等(Yan et al.，2018)。目前，无监督学习方法成为异常检测研究的热点，该方法不需要轨迹标签，可以对轨迹进行自动学习来建立正常的轨迹模型，应用广泛。
　　2.风险预测
　　风险交通行为只有严重到一定程度才需要预警及干预，为避免非必要的预警，需要对运行风险状态进行准确预测。本书主要针对制动毂升温、车速和车辆轨迹做深入探讨，分别建立制动毂升温模型和车速预测模型，昀后针对行为预测做重点分析。轨迹预测包括目标轨迹关联及交通行为快速预测。目标轨迹关联是利用目标在时空域中状态变化的连续性进行目标检测和噪声滤除的有效手段；交通行为快速预测根据输入目标车辆和周围车辆的历史状态信息，输出目标车辆的预测轨迹。
　　对比风险交通行为数据库识别出风险交通行为，针对长隧道、长下坡等典型路段设计风险在线评估系统，考虑桥梁、长隧道的环境特征与长下坡、急弯的线形特征，实现风险交通行为的在线评估，准确描述风险的种类与等级。
　　1.2.3 风险交通行为干预矫正技术
　　实现道路运行风险主动防控，不仅需要从风险行为的感知与辨识方面进行风险预测，更要在此基础上进行风险交通行为的干预矫正。风险的感知、辨识、矫正是道路运行风险主动防控技术的基础和必要条件。由于驾驶人个体差异、运行风险多元多级、风险在点-线-面存在耦合传导等因素，风险交通行为如何实现有效的干预矫正、确保驾驶安全是需要解决的重要问题。分析驾驶人信息处理机制、基于人-机-环的匹配原则与驾驶人多通道刺激响应机理，采取以人因为导向、以行为为触发、以风险等级为驱动的高风险交通行为多模态预警、差异化矫正是实现风险防控、提高道路运行安全的有效手段。