论文部分内容阅读
摘 要:本文首先从国内外发展现状调研入手,重点从两方面分析了机器视觉技术在公路管理中的应用,一是基于车载移动视频的路面病害智能检测技术研究。研究开发的路面病害智能检测系统利用卷积神经网络分析车载移动视频,具有低成本优势,识别准确率超过85%,检测路面病害超过日常病害总数的86.14%。二是基于固定视频的路域环境养护事件智能巡查技術研究。研究开发的路域环境养护事件智能巡查系统融合应用传统图像处理、深度学习方法构建AI检测模型,深化应用路侧固定视频监控资源,实现路面抛洒滴漏检测准确率达80%。本研究应用实现了机器巡查、自主识别、准确记录、闭环处置的全链式智能管理,探索出一条人工智能在公路管理中融合应用的新路子。
关键词:机器视觉;公路管理;智能巡查
中图分类号:TP391.41;U491 文献标识码:A
0 引言
国内外基于图像处理、机器视觉、深度学习等技术,开展了较多的路面病害、路域环境养护事件检测技术及应用研究。在路面病害事件检测方面,国外自从20世纪80年代,即开展道路病害检测技术研究,比如加拿大RoadWare公司研制的WiseCrax系统、日本Komatsu财团开发的路面破损调查车、美国Arkansas大学开发的路面裂缝检测系统DHDV、英国TRL开发的HARRIS系统、澳大利亚公路研究所ARRB研制的路面信息检测系统,一般是采用移动巡查方式,造价成本高;相较国外发达国家的同类检测设备,我国的产品还不是很成熟且真正得到商业应用的还很少,主要还依赖于国外进口。由于进口成本高、对复杂路况及环境条件适应能力差,难以广泛应用。路面抛洒物、路侧堆积物等频发路域环境养护事件多作为交通事件的一种,20世纪90年代起,美国、英国、日本等开始研究基于视频图像的交通事件检测方法。2010年Gao P[1]等研究了光流法(Optical flow),但计算量较大、抗干扰能力较弱;2011年MenDI E[2]等研究了基于背景差分法进行抛洒物检测,但是抗干扰能力较差且背景模型的建立较为复杂。国内对交通事件视频检测技术的研究起步较晚,21 世纪早期才开始研究基于视频图像的交通事件检测[3]。2011—2014年浙江大学、中南大学团队改进了光流法和基于背景差分的检测方法[4]、2019年李清瑶[5]等针对基于车载视频的帧间差分自适应方法,在一定程度上提高了方法的性能;2017年南京大学团队提出一种基于深度卷积神经网络的路面遗留物检测方法[6],将深度学习引入路面事件识别并加以改进。由此可见,针对路域环境养护事件视频检测技术研究成果多停留在实验室阶段,传统图像处理、模式识别方法存在计算复杂、抗干扰能力差等问题,而公路环境复杂、事件检测样本不足等矛盾又制约深度学习、机器学习等方法应用,成为公路交通事件视频检测技术应用亟需突破的关键难题。
结合国内外发展趋势,面向公路行业管理需要,有必要建立一套经济性优的、基于车载移动视频的路面病害智能检测系统,满足大范围路网路面病害检测;有必要利用已有路侧固定视频资源,结合传统图像处理、模式识别以及深度学习方法优势,形成一套低成本、广覆盖的路域环境养护事件智能巡查系统;在此基础上,服务于公路行业管理提质增效,进一步构建一套智能管理业务流程。
1 总体思路
国务院《交通强国建设纲要》提出大力发展智慧交通,推动大数据、人工智能等新技术与交通行业深度融合。《江苏省交通运输科技创新三年行动计划》的通知中指出要开展基于人工智能等技术的基础设施健康监测、交通运行状况实时检测监测等。可见,人工智能与交通行业深度融合已成必然趋势,在交通信息感知领域,利用机器视觉,实现人工向自动识别转变将是未来发展方向。一方面,一线养护管理单位对于路况检测主要依赖于车查人走模式,存在效率低、检测主观性强、标准不统一、无法量化及可视化等问题。另一方面,公路管理主要依靠业务员上路巡检或者查看路网中心监控视频的方式进行公路日常养护巡查,路面抛洒、路侧堆积物等影响路网安全通行的公路养护事件发生频率非常高,亟须通过智能化的手段为公路交通事件检测、辅助取证以及协同处置提供支持。
近年来,交通信息化建设让我们认识到,机器视觉技术相对于其他传统手段,具有信息量大、多维度、宽尺度和可取证、可校核的独特优势。同时,行业主管部门也在鼓励应用公路病害智能化自动识别系统,加大对全车道路面技术状况检测频率。
因此,我们依托省中心安排的应用项目,开展了机器视觉技术在公路养护路面病害、路域环境管理的应用研究。目前我们做到,路面病害识别准确率达85%,路面抛洒滴漏检测准确率达80%,初步实现机器巡查、自主识别、准确记录、闭环处置的全链式智能管理,探索出一条人工智能在公路养护管理中融合应用的新路子。
2 基于车载移动视频的路面病害智能检测技术研究及应用
该研究应用内容主要包括三部分:“一套经济性优的路面检测快速采集装置”;“一套识别精度高的路面检测数据自动识别算法”;“一套路面快检数据智能化管理、分析系统”。
2.1 比选“一套经济性优的路面检测快速采集装置”
研究过程中,比选确定一种快速采集终端,选取成像速度快的运动相机gopro6-8,同时具有高精定位、定时拍摄、防抖预处理、大容量存储等功能;可在现有养护巡查车辆上便捷搭载、快速采集;影像包含GPS位置信息,便于病害、定位信息叠加,与GIS地图进行关联处理。
2.2 建立“一套识别精度高的路面检测数据自动识别算法”
由于路面坑槽、裂缝类型多样,图像采集易受光照、降雨等天气因素影响,为了提高模型检测的适应性,我们采集各类场景下的样本达20万张,标注横纵向、块状、龟裂、坑槽、修补等各种形式病害数量超过4.6万处,基于101层卷积神经网络深度学习训练,经过模型反复迭代、结构调优,形成轻量化、高精度路面病害目标检测算法模型。区别于传统图像处理,采用卷积神经网络,既可以达到像素级识别,又可并行提取多尺度特征,使得细小裂缝检测更加精确,支持识别更多类型路面病害。经优化,AI检测模型检测一张图像仅用0.5~1 s,识别准确率超过85%,检测路面病害超过日常病害总数的86.14%。 2.3 开发“一套路面快检数据智能化管理、分析系统”
在便携式快速采集终端发现问题、AI检测模型分析问题的基础上,我们研发出一套数据管理系统,实现对路面病害信息的分析研判和科学管理。系统包括检测结果一张图、识别任务、智能分析,系统管理等模块,识别任务模块可新增识别列表,查看识别进度、识别结果并进行人工复检。
3 基于固定视频的路域环境养护事件智能巡查技术研究
该研究应用内容主要包括技术调研、公路视频图像采集及预处理、公路养护事件视频图像分析模型建立以及公路智能养护巡查系统研发及应用。
3.1 研究一套可行的路侧固定视频接入方式
目前,江苏省内国省道路侧固定视频从设备端直接接入各区县公路分中心存储,并向省公路事业发展中心视频共享平台共享视频地址列表。为了高效获取数据来源,我们遵循行业视频对接协议,按照路线、桩号、时间等条件编制视频自动轮询接口,通过公路内网从各区县公路分中心获取视频流,改变手动调看、“盯屏幕”的低效方式。
3.2 建立路侧抛洒物和堆积物AI检测模型
路面抛洒物AI检测模型建立过程,首先基于高斯动态背景建模以及颜色空间变换,降低光照变化、移动物体阴影影响,达到剔除机动车辆、非机动车辆目标;进一步采用卷积神经网络实现像素级语义分割,分割道路路面,同时,检测区别于路面区域的抛洒物,并进行类别识别。路侧非法堆积物AI检测模型通过大量的路侧堆积物图像样本,训练R-CNN、fast R-CNN、yolov3等卷积神经网络,精确定位路侧堆积物并识别其类型。
3.3 研发路域环境养护事件智能巡查系统
该系统支持大范围路网路侧固定视频自动轮巡、事件自动检测、事件可视化展现,提供视频的路线、桩号以及轮巡时段的自定义配置选择,以可视化方式提供抛洒物、路侧堆积物事件现场图片、桩号以及声光警报。为业务人员提供检测事件报警确认审核窗口,审核之后的事件检测图片进一步作为模型的训练样本,支持不断在线优化升级。系统同时提供标准的数据共享接口,可与南通公路协同巡查系统实时共享事件类型、事件发生的桩号,可自动匹配事件所属辖区责任人,实现事件信息精准推送。
4 全链式智能养护业务路程
在路面病害智能检测系统、路域环境养护事件智能巡查系统的支撑下,养护管理信息采集端由传统的人工发现事件、手动拍照、纸质台账记录转化为巡查车车载、路侧固定视频的机器巡查、智能检测、主动报警、自动取证登记的标准化、数字化模式;养护管理后台决策由传统的人工经验、人工分析转化为基于多维度历史养护数据的分析挖掘、可视化展现模式,结合AI人工智能由定性检测到定量识别,同时为养护处置效果评价提供智能化手段。但再好的技术和系统不投入具体的生产实践是无法发挥出应有的效益,为了加大智能养护技术的推广应用力度,我们摸索建立了一套养护业务流程。首先,在养护管理信息采集、后台分析决策、处置结果评价等不同阶段制定相应的操作规程,明确包括巡查车行驶速度、路侧固定视频自动轮巡设置、事件触发阈值、事件报警审核确认等要求;其次,建立与已有公路协同巡查系统数据共享机制,打通养护业务的“巡、查、处”的业务流程;同时,研究编制事件处置结果评价标准,建立检查考核机制,进一步促进2套软件在内部业务部门全面运用。
5 应用效果
路面病害智能检测系统2019年初启动,8月份开始试运行,2020年4月通过验收正式上线运行。从如东、通州、海门等县市一年多的应用效果看,前端采集便捷高效,检测全过程自动拍摄,无需人工干预,平均每车道1公里采集数据不到2分钟,工作效率比纯人工检查提高8至10倍,广大一线养护人员经过简短培训后即可快速上手。系统支持所见即所得,能够基于公路行业GIS地图,按宏观、中观、微观不同层次,将路面病害检测结果可视化展示。路面坑槽裂缝AI检测模型不仅支持定性识别,同时根据《公路技术状况评定标准》指标体系,定量计算,量化测算检测结果,自动生成数据报表,数据准确率85%以上,与实际情况高度匹配,系统可用性高。
路域环境养护事件智能巡查系统目前在启东等县区公路分中心试点应用,经过半年多的不断优化,抛洒物、路侧堆积物事件检测准确率达到80%以上。从养护巡查成本上看,相较于车查+视频人工轮巡模式,按照200公里100路视频计算,成本一年约80至200万元;而采用自动轮巡+智能检测模式,成本包括设备采购运维费用约22万至30万元左右,相比之下节约经济成本70%以上。从时间成本上看,四路并发情况下轮巡100路视频,自动轮巡时间1分钟/路,共计花费25分钟;人视频轮巡100路视频,轮巡事件0.5分钟/路,共计花费50分钟,节约时间50%以上。
6 结论
机器视觉技术在公路管理中的应用研究主要有以下几点创新:一是融合创新,以人工智能应用于巡查车车载视频、路侧固定视频,形成路面病害、路域环境养护事件智能巡查系统,拓展了现有资源的挖掘应用范围;二是应用创新,有效支持养护事件历史数据挖掘,提供可视化报表,为养护决策提供数据驱动。下一步我们将对机器技术深入研究,并对系统进行改进。强化对历史采集数据的比对分析,强化系统预警,持续优化算法,进一步扩大病害检测范围,对公路机器巡查技术进行深入研究及应用。
参考文献:
[1]GAO P,SUN X J,WANG W.Moving object detection based on Kirsch operator combined with optical flow[C].IEEE.Proceedings of 2010International Conference on Image Analysis and Signal Processing (IASP).New York:IEEE,2010:620-624.
[2]MENDI E,BAYRAK C,MILANOVA M.A video quality metric based on frame differencing[C].IEEE.2011IEEE International Conference on Information and Automation (ICIA).New York:IEEE,2008:829-832.
[3]DONG G H,AN X J,FANG Y Q,etal.Contributions to Horn-Schunck optical flow equations-PartⅠ:Stability and rate of convergence of classical algorithm[J].Journal of Central South University,2013(7):1909-1918.
[4]HAN Y X,ZHANG Z S,CHEN F,etal.An efficient approach for shadow detection based on Gaussian mixture model[J].Journal of Central South University,2014(4):1385-1395.
[5]李清瑤.基于视频流的高速公路抛洒物检测[D].长春理工大学,2019
[6]中国专利.CN201710059678.0,基于深度卷积网络的路面遗留物检测方法[P].
[7]陈媛,胡娜,余秋月.融合背景差分法和帧间差分法的运动目标检测[J].现代计算机,2019(34):50-53.
[8]李伟,成军,张江州,等.人工智能在道路交通管理中的应用探究[J].中国公共安全,2020(4):90-92.
关键词:机器视觉;公路管理;智能巡查
中图分类号:TP391.41;U491 文献标识码:A
0 引言
国内外基于图像处理、机器视觉、深度学习等技术,开展了较多的路面病害、路域环境养护事件检测技术及应用研究。在路面病害事件检测方面,国外自从20世纪80年代,即开展道路病害检测技术研究,比如加拿大RoadWare公司研制的WiseCrax系统、日本Komatsu财团开发的路面破损调查车、美国Arkansas大学开发的路面裂缝检测系统DHDV、英国TRL开发的HARRIS系统、澳大利亚公路研究所ARRB研制的路面信息检测系统,一般是采用移动巡查方式,造价成本高;相较国外发达国家的同类检测设备,我国的产品还不是很成熟且真正得到商业应用的还很少,主要还依赖于国外进口。由于进口成本高、对复杂路况及环境条件适应能力差,难以广泛应用。路面抛洒物、路侧堆积物等频发路域环境养护事件多作为交通事件的一种,20世纪90年代起,美国、英国、日本等开始研究基于视频图像的交通事件检测方法。2010年Gao P[1]等研究了光流法(Optical flow),但计算量较大、抗干扰能力较弱;2011年MenDI E[2]等研究了基于背景差分法进行抛洒物检测,但是抗干扰能力较差且背景模型的建立较为复杂。国内对交通事件视频检测技术的研究起步较晚,21 世纪早期才开始研究基于视频图像的交通事件检测[3]。2011—2014年浙江大学、中南大学团队改进了光流法和基于背景差分的检测方法[4]、2019年李清瑶[5]等针对基于车载视频的帧间差分自适应方法,在一定程度上提高了方法的性能;2017年南京大学团队提出一种基于深度卷积神经网络的路面遗留物检测方法[6],将深度学习引入路面事件识别并加以改进。由此可见,针对路域环境养护事件视频检测技术研究成果多停留在实验室阶段,传统图像处理、模式识别方法存在计算复杂、抗干扰能力差等问题,而公路环境复杂、事件检测样本不足等矛盾又制约深度学习、机器学习等方法应用,成为公路交通事件视频检测技术应用亟需突破的关键难题。
结合国内外发展趋势,面向公路行业管理需要,有必要建立一套经济性优的、基于车载移动视频的路面病害智能检测系统,满足大范围路网路面病害检测;有必要利用已有路侧固定视频资源,结合传统图像处理、模式识别以及深度学习方法优势,形成一套低成本、广覆盖的路域环境养护事件智能巡查系统;在此基础上,服务于公路行业管理提质增效,进一步构建一套智能管理业务流程。
1 总体思路
国务院《交通强国建设纲要》提出大力发展智慧交通,推动大数据、人工智能等新技术与交通行业深度融合。《江苏省交通运输科技创新三年行动计划》的通知中指出要开展基于人工智能等技术的基础设施健康监测、交通运行状况实时检测监测等。可见,人工智能与交通行业深度融合已成必然趋势,在交通信息感知领域,利用机器视觉,实现人工向自动识别转变将是未来发展方向。一方面,一线养护管理单位对于路况检测主要依赖于车查人走模式,存在效率低、检测主观性强、标准不统一、无法量化及可视化等问题。另一方面,公路管理主要依靠业务员上路巡检或者查看路网中心监控视频的方式进行公路日常养护巡查,路面抛洒、路侧堆积物等影响路网安全通行的公路养护事件发生频率非常高,亟须通过智能化的手段为公路交通事件检测、辅助取证以及协同处置提供支持。
近年来,交通信息化建设让我们认识到,机器视觉技术相对于其他传统手段,具有信息量大、多维度、宽尺度和可取证、可校核的独特优势。同时,行业主管部门也在鼓励应用公路病害智能化自动识别系统,加大对全车道路面技术状况检测频率。
因此,我们依托省中心安排的应用项目,开展了机器视觉技术在公路养护路面病害、路域环境管理的应用研究。目前我们做到,路面病害识别准确率达85%,路面抛洒滴漏检测准确率达80%,初步实现机器巡查、自主识别、准确记录、闭环处置的全链式智能管理,探索出一条人工智能在公路养护管理中融合应用的新路子。
2 基于车载移动视频的路面病害智能检测技术研究及应用
该研究应用内容主要包括三部分:“一套经济性优的路面检测快速采集装置”;“一套识别精度高的路面检测数据自动识别算法”;“一套路面快检数据智能化管理、分析系统”。
2.1 比选“一套经济性优的路面检测快速采集装置”
研究过程中,比选确定一种快速采集终端,选取成像速度快的运动相机gopro6-8,同时具有高精定位、定时拍摄、防抖预处理、大容量存储等功能;可在现有养护巡查车辆上便捷搭载、快速采集;影像包含GPS位置信息,便于病害、定位信息叠加,与GIS地图进行关联处理。
2.2 建立“一套识别精度高的路面检测数据自动识别算法”
由于路面坑槽、裂缝类型多样,图像采集易受光照、降雨等天气因素影响,为了提高模型检测的适应性,我们采集各类场景下的样本达20万张,标注横纵向、块状、龟裂、坑槽、修补等各种形式病害数量超过4.6万处,基于101层卷积神经网络深度学习训练,经过模型反复迭代、结构调优,形成轻量化、高精度路面病害目标检测算法模型。区别于传统图像处理,采用卷积神经网络,既可以达到像素级识别,又可并行提取多尺度特征,使得细小裂缝检测更加精确,支持识别更多类型路面病害。经优化,AI检测模型检测一张图像仅用0.5~1 s,识别准确率超过85%,检测路面病害超过日常病害总数的86.14%。 2.3 开发“一套路面快检数据智能化管理、分析系统”
在便携式快速采集终端发现问题、AI检测模型分析问题的基础上,我们研发出一套数据管理系统,实现对路面病害信息的分析研判和科学管理。系统包括检测结果一张图、识别任务、智能分析,系统管理等模块,识别任务模块可新增识别列表,查看识别进度、识别结果并进行人工复检。
3 基于固定视频的路域环境养护事件智能巡查技术研究
该研究应用内容主要包括技术调研、公路视频图像采集及预处理、公路养护事件视频图像分析模型建立以及公路智能养护巡查系统研发及应用。
3.1 研究一套可行的路侧固定视频接入方式
目前,江苏省内国省道路侧固定视频从设备端直接接入各区县公路分中心存储,并向省公路事业发展中心视频共享平台共享视频地址列表。为了高效获取数据来源,我们遵循行业视频对接协议,按照路线、桩号、时间等条件编制视频自动轮询接口,通过公路内网从各区县公路分中心获取视频流,改变手动调看、“盯屏幕”的低效方式。
3.2 建立路侧抛洒物和堆积物AI检测模型
路面抛洒物AI检测模型建立过程,首先基于高斯动态背景建模以及颜色空间变换,降低光照变化、移动物体阴影影响,达到剔除机动车辆、非机动车辆目标;进一步采用卷积神经网络实现像素级语义分割,分割道路路面,同时,检测区别于路面区域的抛洒物,并进行类别识别。路侧非法堆积物AI检测模型通过大量的路侧堆积物图像样本,训练R-CNN、fast R-CNN、yolov3等卷积神经网络,精确定位路侧堆积物并识别其类型。
3.3 研发路域环境养护事件智能巡查系统
该系统支持大范围路网路侧固定视频自动轮巡、事件自动检测、事件可视化展现,提供视频的路线、桩号以及轮巡时段的自定义配置选择,以可视化方式提供抛洒物、路侧堆积物事件现场图片、桩号以及声光警报。为业务人员提供检测事件报警确认审核窗口,审核之后的事件检测图片进一步作为模型的训练样本,支持不断在线优化升级。系统同时提供标准的数据共享接口,可与南通公路协同巡查系统实时共享事件类型、事件发生的桩号,可自动匹配事件所属辖区责任人,实现事件信息精准推送。
4 全链式智能养护业务路程
在路面病害智能检测系统、路域环境养护事件智能巡查系统的支撑下,养护管理信息采集端由传统的人工发现事件、手动拍照、纸质台账记录转化为巡查车车载、路侧固定视频的机器巡查、智能检测、主动报警、自动取证登记的标准化、数字化模式;养护管理后台决策由传统的人工经验、人工分析转化为基于多维度历史养护数据的分析挖掘、可视化展现模式,结合AI人工智能由定性检测到定量识别,同时为养护处置效果评价提供智能化手段。但再好的技术和系统不投入具体的生产实践是无法发挥出应有的效益,为了加大智能养护技术的推广应用力度,我们摸索建立了一套养护业务流程。首先,在养护管理信息采集、后台分析决策、处置结果评价等不同阶段制定相应的操作规程,明确包括巡查车行驶速度、路侧固定视频自动轮巡设置、事件触发阈值、事件报警审核确认等要求;其次,建立与已有公路协同巡查系统数据共享机制,打通养护业务的“巡、查、处”的业务流程;同时,研究编制事件处置结果评价标准,建立检查考核机制,进一步促进2套软件在内部业务部门全面运用。
5 应用效果
路面病害智能检测系统2019年初启动,8月份开始试运行,2020年4月通过验收正式上线运行。从如东、通州、海门等县市一年多的应用效果看,前端采集便捷高效,检测全过程自动拍摄,无需人工干预,平均每车道1公里采集数据不到2分钟,工作效率比纯人工检查提高8至10倍,广大一线养护人员经过简短培训后即可快速上手。系统支持所见即所得,能够基于公路行业GIS地图,按宏观、中观、微观不同层次,将路面病害检测结果可视化展示。路面坑槽裂缝AI检测模型不仅支持定性识别,同时根据《公路技术状况评定标准》指标体系,定量计算,量化测算检测结果,自动生成数据报表,数据准确率85%以上,与实际情况高度匹配,系统可用性高。
路域环境养护事件智能巡查系统目前在启东等县区公路分中心试点应用,经过半年多的不断优化,抛洒物、路侧堆积物事件检测准确率达到80%以上。从养护巡查成本上看,相较于车查+视频人工轮巡模式,按照200公里100路视频计算,成本一年约80至200万元;而采用自动轮巡+智能检测模式,成本包括设备采购运维费用约22万至30万元左右,相比之下节约经济成本70%以上。从时间成本上看,四路并发情况下轮巡100路视频,自动轮巡时间1分钟/路,共计花费25分钟;人视频轮巡100路视频,轮巡事件0.5分钟/路,共计花费50分钟,节约时间50%以上。
6 结论
机器视觉技术在公路管理中的应用研究主要有以下几点创新:一是融合创新,以人工智能应用于巡查车车载视频、路侧固定视频,形成路面病害、路域环境养护事件智能巡查系统,拓展了现有资源的挖掘应用范围;二是应用创新,有效支持养护事件历史数据挖掘,提供可视化报表,为养护决策提供数据驱动。下一步我们将对机器技术深入研究,并对系统进行改进。强化对历史采集数据的比对分析,强化系统预警,持续优化算法,进一步扩大病害检测范围,对公路机器巡查技术进行深入研究及应用。
参考文献:
[1]GAO P,SUN X J,WANG W.Moving object detection based on Kirsch operator combined with optical flow[C].IEEE.Proceedings of 2010International Conference on Image Analysis and Signal Processing (IASP).New York:IEEE,2010:620-624.
[2]MENDI E,BAYRAK C,MILANOVA M.A video quality metric based on frame differencing[C].IEEE.2011IEEE International Conference on Information and Automation (ICIA).New York:IEEE,2008:829-832.
[3]DONG G H,AN X J,FANG Y Q,etal.Contributions to Horn-Schunck optical flow equations-PartⅠ:Stability and rate of convergence of classical algorithm[J].Journal of Central South University,2013(7):1909-1918.
[4]HAN Y X,ZHANG Z S,CHEN F,etal.An efficient approach for shadow detection based on Gaussian mixture model[J].Journal of Central South University,2014(4):1385-1395.
[5]李清瑤.基于视频流的高速公路抛洒物检测[D].长春理工大学,2019
[6]中国专利.CN201710059678.0,基于深度卷积网络的路面遗留物检测方法[P].
[7]陈媛,胡娜,余秋月.融合背景差分法和帧间差分法的运动目标检测[J].现代计算机,2019(34):50-53.
[8]李伟,成军,张江州,等.人工智能在道路交通管理中的应用探究[J].中国公共安全,2020(4):90-92.