![8ad163bbbfd8de6ed6d9f19b3eebcc69.png](https://i-blog.csdnimg.cn/blog_migrate/a856b6d815bd683908f24c3bcd9c00e2.jpeg)
原文链接:https://medium.com/geoai/an-end-to-end-solution-on-the-cloud-to-monitor-traffic-flow-using-deep-learning-9dfdfd00b621
原作者:Amin Tayyebi
翻译:荆雪涵
本文将大致介绍如何结合监控视频流,ArcGIS,ArcGIS API for API,AWS等技术来监测车流量。
目录:
- 交通治理以及研究问题描述
- 实时视频流以及数据标注
- 目标检测:在AWS上训练YOLO3模型
- 流程架构
- 使用Dashboard应用实时监测路况
- 基于历史数据的异常行为监测
- 结论以及展望
- 致谢以及参考文献
交通治理以及问题研究描述
车流量是监测城市环境状态的一个重要要素。控制道路上车流量是一个非常基本的需求。在一些大城市,通常使用监控相机监测繁忙的道路,高速公路,以及十字路口。交通局工作人员通常对事故,路面覆盖物(雨,冰,雪),路面犯罪,抛锚,超速,拥堵,行人数量等信息感兴趣。监控相机可以帮助更好治理路况维持公共安全。国家高速公路安全管理局的一项研究表明,36%的碰撞事故都发生在道路交汇处。因此,十字路口时城市交通拥堵的罪魁祸首,也是交管中心重点监测对象。为了监测和管理路况,交通十字路口通常安装了许多相机。监测相机可以时固定,也可以是可遥控的PTZ相机。
![03d602dbde1aafcada69eb6a2f31995d.png](https://i-blog.csdnimg.cn/blog_migrate/935a1617169074b7799e36dc093b3f4b.jpeg)
![deb2416ec44fe245336df5560b43f895.png](https://i-blog.csdnimg.cn/blog_migrate/06d5c4492bc9345d57bfcf087a2ef36a.jpeg)
于是,华盛顿区域的交通部门需要Esri定制一个云解决方案,方案需要满足以下需求:1)监测110个交通路口的路况(小汽车,公交,卡车,摩托车,行人),并且使用GIS将其可视化。2)监测路口流量异常。3)监测处在危险区域的行人。这个解决方案不仅需要监控相机,还需要将空间数据和深度学习框架结合。
本文将介绍,如何使用ArcGIS,ArcGIS API for Pyhon,AWS以及Keras深度学习框架实现这个解决方案。解决方案是使用AWS环境中的GPU来加速实时处理视频流,从而进行模型训练和推断预测。ArcGIS API for Python将空间信息如视频流的位置与深度学习框架结合,并且使用ArcGIS Enterprise将时间信息一同保存。
实时视频流以及数据标注
深度学习模型需要大量的训练数据。作者通过Traffic Land的REST API服务获取华盛顿111个路口的实视监控视频。作者使用Python代码,从Traffi