随着时代的进步和科学技术的发展,中国的城市监控系统从原来的人工巡检到后来的集成监控再到现在的智能城市、智能交通,呈现出了功能多样化,人工智能化的趋势。人工智能化是行业内的一个非常重要的方向,自从2012年深度学习和卷积神经网络横空出世,为整个行业带来了全新的变化,注入了新的活力,同时造成了整个行业格局的深刻改变,传统的老牌监控外包公司倾向于将传统方法作为已有深度学习模型的先验知识来进行探索开发,而新兴的公司,如旷世,商汤则倾向于开发新的深度学习模型来实现公安部门设计的要求。自从去年的天网系统上线新的人脸识别系统之后,通过深度学习和人工智能解决传统方法无法解决的问题已经成为智能交通,智能公安系统主流的发展方向之一。本文主要用深度学习和人工智能技术,针对武汉市交通管理部门提出的需求进行研究和探索,主要研究的方向是在路口的复杂环境和不同干扰的条件下,识别出行人和车辆,并对车辆是否礼让行人进行判断,将判断的结果和证据链的三张图片提交到已有的交管系统,同时,对路口的遗留物进行判断并把生成证据链的两张图片提交到系统。在研究智能交通系统的过程中,本文依据公司内提供的训练数据,将深度学习模型的训练库分成了两个部分来训练,一部分是行人的检测训练,另一部分是车辆的检测训练,根据公安部提供的相关标准的要求,将车辆的训练分为三个部分,分别是车头,车身和车位,训练模型采用YOLO模型,经过大概30000batch之后得到训练结果,准确率达到85%以上,在使用模型识别之后,将是别的box的位置回归到视频图片上,因为每个路口的摄像头和人行横道位置是相对固定的,所以为了节约算力,加快运行速度,我们将人行横道区域人工标定出来作为整个系统识别的ROI,在ROI区域内进行识别判断。首先将行人的坐标作为基准点,并记录行人的运动方向作为标记位置,在行人面前的区域设为禁行区,不允许车辆进入,在行人身后的区域为可行区域,不对其进行检测,检测时首先将行人的位置确定,然后划定可行区与禁行区,对于进入禁行区的车辆进行检测,并把违章图片传入警方系统。遗留物检测同样是对视频中的ROI区域进行监控,采用帧差法和背景差分法的方法,将遗留物标定出来,并把遗留物图片传入警方系统。首先我们使用帧差法和背景差分法,将给定视频的背景区域和入侵物品的区域分割开来,并将遗留物品的轮廓投射到临时二值图中,然后再使用最小外接矩形将物品的轮廓标定出来,回归到视频的原图之中,以矩形框的形式将视频中的遗留物品框出来。在完成遗留物检测和行人检测两个模块之后也需要对整个子系统做一定的测试以保证他的有效性。