刘远超
浙江中安电子工程有限公司 ? ?310002
摘要：本文提出一种应用于公安、交警的交通技术监控数据接入平台。通过统一的交通技术平台，可实现各类交通监控子系统的数据统一汇集接入，和各类交通监控子系统的综合管理。该系统可以对接高清视频监控系统、高清卡口系统、高清电子警察系统、交通信息分析系统、交通事件检测系统、智能行为分析系统、交通违法处理系统等业务系统，实现各系统数据的汇集、存储、处理、查询和转发，极大地推动了智慧交通的发展应用。
关键词：交通监控；数据处理；AI分析系统；设计
1.引言
当前，交通管理的业务已经展现出越来越多样化的趋势，交通管理和应用的数据维度也越来越多，对于平台的功能要求也已经不止局限于视频监控和交通数据管理等程度。而是更进一步地提出了交通流量接入和分析、单警系统的接入和警务管理，交通信号的管理和控制，交通诱导信息的接入和管理，车辆数据与横向称重数据的结合，面向社会面的停车场管理系统、和入侵报警等设备的接入要求，以及与交通气象数据，道路路面设施和路况数据等综合性接入的要求。也正是由于这些数据的接入多样性，数据接入平台才真正意义上实现交通管理和服务业务上的综合数据接入。
2.交通技术监控数据处理平台的提出
公安、交警的交通技术监控数据的处理，是智慧交通的关键所在。
2.1系统架构
本次设计的交通技术监控数据接入平台，主要分为四个子平台、五个子系统。具体来说，四个子平台包括：六合一平台、应急指挥平台、智能交通平台、交通大数据平台；五个子系统主要有：视频监控系统、高清卡口系统、电子警察系统、交通时间检测系统、交通信息分析系统。交通技术监控数据接入平台的结构如下图1：
.png)
图1 结构图
2.2系统组成
本平台遵循多层体系结构模型，采用四层体系结构，包括展现层（实现查询、管理、统计功能）、服务层（进行设备管理、通道管理、警报管理、区域管理、GIS管理、数据管理、场景管理、标定管理、算法调度、角色管理、安全管理、日志管理）、数据层（包括DB、媒体数据、GIS数据）、接口层（主要是接入负载服务、数据调度与分发）。
3.平台的数据传输
3.1内部数据
平台内部数据灵活采用关系型结构化数据和非结构化数据模式，实现数据的高效传输、存储，以及视频、图片的海量大规模存储。本地数据存储进行系统级加密，并在各级模块和子系统之间进行加密高效数据传输。平台与基础应用系统间的数据传输符合国标相关的要求（GA\T832—2014、GA\T 497—2016等）。
3.2外部数据
本平台作为公安交警指挥调度、日常应用的数据汇集平台，与公安其它各业务系统间均存在数据交互关系。涉及到与外部平台系统的关系图如下所示：
.png)
图2 外部数据关系
平台兼容对接方案主要有以下几种方式，其实现方法分别如下：
（1）WebService接口
平台采用标准的WebService接口与六合一处罚平台、机动车/驾驶人信息资源库、被盗抢车信息库、警用地理信息系统(PGIS)、人口信息库、在逃人员/负案人员信息资源库等进行互联，常用的接口类型包括：过车信息上传接口（数据主要有：卡口\路口名称、车道编号、车道名称、车牌号码、车牌类型、经过时间、车速、车辆类型、车身颜色、车牌颜色。）；违章信息接口；图片上传接口；设备状态上传接口；设备控制系统接口；其它接口。
（2）SDK接口
除了标准的WebService接口之外，交通数据接入平台还可以通过SDK的方式接入外部设备或子系统，完成系统的对接与数据交互传输。
4.平台的AI分析系统
本方案是在系统结构上采用前端采集+中心集中式处理服务器的方式，通过计算机视觉图像技术、深度学习、大数据分析、云计算等相关先进技术，对视频监控画面中动态信息（路口交通流量信息、速度、车辆通行信息、交通违法信息和事件信息等）行为进行分析识别，从而实现事件的智能监测与自动报警，并以不同的数据结构和数据要求存入到磁盘阵列中，并转发（派发）给相应的业务应用平台和指挥中心。
平台采用工业标准的J2EE系统框架和SOA面向服务的架构，具备良好的伸缩性、业务扩展能力。平台支持大规模视频信息数据接入，应用功能丰富，可实现区域化管理与统一集中后台分析。
4.1系统架构
.png)
图3 系统架构示意图
4.2技术路线
从设计思路出发，本平台主要采用以下核心技术路线：
4.2.1前端图像采集
考虑到电子警察系统前端都部署在室外，环境比较恶劣，而且需要全天24小时不间断工作，对设备的稳定性和可靠性要求很高。为进一步降低前端摄像机的设备压力，要求摄像机只做视频采集，不需要做进一步的智能分析。
前端部分由杆件、高清摄像机、LED智能补光灯、光纤收发器、电源、防雷、摄像机防护罩和户外防护柜等设备组成，不添加外部触发装置，仅负责全天候的前端视频采集，将采集的高清视频通过光纤通信系统实时传送到中心进行视频处理与存储。
4.2.2中心分析应用
中心分析平台涵盖了视频分析、业务应用两大模块。
电子警察管理平台采用成熟、主流的技术构建，充分兼顾交警业务需求和技术的发展，充分考虑与交警其他信息系统的连接，建设可扩展的开放平台。
中心检测处理存储单元包括集中处理服务器和视频处理软件，系统对视频进行特征符号化处理后，把抓拍照片、高清视频录像、交通基础数据等进行分类，通过业务逻辑处理单元实现各类交通管理业务处理并提供各类外部数据接口。
4.3 平台功能模块组成
智能视频分析平台主要由视频分析服务模块、视频数据服务模块、数据中心处理服务模块以及客户端应用服务模块四大部分构成。
.png)
图4 智能视频分析平台
4.3.1视频分析服务模块
包括场景管理服务、业务标定服务、算力负载均衡服务、算力池管理服务、视频流解码服务、视频分析服务。①场景管理服务用于管理视频分析中的视频流所对应的业务类型，包括城市交通管理等不同类别的业务。②业务标定服务用于视频画面的区域划分、界限标注、目标物标注、以及业务规则标定。③算力负载均衡服务用于对分析服务器上的算力资源使用进行跟踪和负载均衡调度。④算力池管理服务用于对多台分析服务器上的算力资源进行综合统一算力管理。⑤视频流解码服务用于视频流进行解码，支持H.264、H.265视频编码格式。⑥视频分析服务，提供各类业务的视频分析功能。
4.3.2视频数据服务模块
提供视频数据的预览、回放、存储、管理、云台控制、上墙显示、分析联动报警等视频应用服务。包括流媒体转发服务、流媒体格式服务、存储管理服务、网管服务、报警管理服务、设备接入服务、设备接入服务。
4.3.3数据中心处理服务模块
管理配置信息和数据信息，实现用户与资源管理、视频和交通数据调阅，提供用户权限控制、数据访问等核心服务。包括中心管理服务、Web服务、数据库服务、消息队列服务、GIS电子地图服务等。
4.3.4客户端应用服务模块
包括B/S用户端、APP用户端、电视墙控制端、B/S管理端。①B/S用户端通过WEB页界面对系统进行管理、维护、实时监控和数据信息查阅，采用WEB2.0技术，操作更顺畅、画面刷新速度更快，可为监控中心提供直观的可视化管理界面。②APP用户端提供基于移动通信网络的用户系统业务处理功能。可以远程收取报警信息、登录处理报警流程、实时查看系统数据和实时监控画面。③电视墙控制端业务实现对电视墙控制和管理。④B/S管理端提供系统级的运维管理。
4.4系统业务流程
主要是：（1）系统通过获取实时视频流，也可以直连前端相机取视频流，这样避免了系统本身的带宽压力及系统计算压力。（2）智能视频分析算法部署在机房中心服务器端（支持云部署）实现对视频的实时事件检测，支持自动定时轮询，轮询时间可配置。（3）系统将分析处理后得到的数据及时转发给各业务平台或指挥中心，并存储至数据服务器。（4）系统自动根据分析出来的各项数据进行分类统计，并以多种报表方式进行展示,以备查询所需。（5）将各项数据统计分析后，通过平台首页直接展示各项数据或转发给第三方业务平台。
5.系统应用评价
5.1设备兼容、功能一致
本系统采用基于云计算模式的视频分析模式，硬件组成相对简洁。在系统的整体架构上采用前端设备简化（只负责高清视频采集），在中心进行集中视频视觉识别、分析的处理存储模式。
前端不同时期、不同项目建设的不同厂家的摄像机，只要其满足标准码流的要求，都可以接入到统一的中心处理设备中。
5.2降低运营成本，升级方便
本系统采用云建设模式，前端摄像机只负责图像采集，中心处理设备才是系统功能实现的核心节点。在技术发展引领出新的功能时，只需要对中心处理设备进行升级即可，不需要耗费大量人力、物力对前端摄像机进行一个一个的升级。
5.3避开恶劣环境，运行更稳定
以往的电子警察智能前置到摄像机中，摄像机的运行压力巨大，常常会出现摄像机性能不足、机身过热，导致死机、频繁重启的问题。在云分析系统中大大减轻了前端摄像机的工作压力，摄像机只需要负责成像控制、视频采集等工作，出现故障的概率大大减少。而负责核心视频分析的设备集中到了环境舒适的中心机房，可保障设备具有良好的外部环境，提高设备运行稳定性。
5.4分析功能算法叠加
在同一台分析服务器上，不同的视频可以运行不同的算法功能，相同的一路视频也可以同时叠加不同的算法功能。
平台数据处理采用当前最先进的深度学习算法对车辆的视频和图片进行处理。深度学习就是利用一些方法去构建一个含有多层隐藏层的人工神经网络，网络的每一层都对应着原始数据不同层次的数学抽象，从而达到用特征向量描述图像的目的。和传统模式识别算法相比较，深度学习算法的最大不同在于它所采用的特征是从大数据中自动学习得到，而非采用手工设计。好的特征可以提高模式识别系统的性能。以往多数分类、回归等算法为浅层结构算法，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力
5.5算力池架构
在部署多台分析服务器的时候，分析服务器可以建立分析算法集群资源池，算力资源可以通过算法资源池进行合理分配和调度，提高硬件资源的使用率，提升系统总体的处理路数。同时，单台服务器在使用的时候，都会预留一定的系统性能以保障系统正常运行，如果不建立资源池的话，这部分算力资源就浪费了。通过集群资源池，可以收集所有服务器上预留的算力资源，进一步提升系统总体的处理运算性能。
5.6支持多种解码方式
平台具备多种解码方式，支持硬解、软解，支持AI加速卡独立解码、支持AI加速卡和CPU混合解码、支持CPU独立解码，适应多种不同配置条件和不同应用场景，提升整体运行效率。
支持多种品牌AI加速卡，支持NVIDIA Tesla加速卡、华为Atlas加速卡，支持混合使用不同品牌加速卡。
5.7设备状态自动检测
平台实时监测视频流、中心服务器、数据库服务、WEB应用等关键服务运行状况进行故障诊断。当各类设备、服务发生故障时系统通过声音、短信等形式将信息告知维护人员，建立故障上报、进度跟踪、服务效果评价的闭环管理机制。
6.小结
以上本文提到的交通技术监控数据接入平台，应用优势突出，尤其是平台的AI分析系统，对智慧交通的实现具有巨大的技术工具推动作用。具体来说，交通技术监控数据接入平台中的AI分析系统，具有两大分析功能，一方面是交通信息的分析，比如车流量分析、平均车速分析、平均车间距分析、拥堵等级统计；另一方面是对交通事件的分析，比如路口拥堵事件分析路口溢出事件分析、路口打结事件分析、抛锚异常停车事件分析、事故异常停车事件分析、交通栏异常事件分析、行人聚集事件分析、行人横穿事件分析、机占非行为事件分析、非占机行为事件分析、信号灯故障分析、车辆违停分析等等，值得进一步在公安、交通领域深入应用和研究。
作者简介：刘远超（1976.10-），男 ，汉族，籍贯：福建省福鼎市，本科，副总经理、工程师，研究方向：电子与智能化工程、智能交通技术监控。