基于深度学习的交通速度检测器

在许多城市，超速驾驶是造成交通事故的主要原因之一。传统的速度检测器，如基于雷达(RADAR)或激光雷达(LIDAR)的设备，通常价格昂贵。本文系列将向展示如何仅使用深度学习技术，构建一个相对准确的交通速度检测器，并在边缘设备如树莓派(Raspberry Pi)上运行。

可以从下载本系列文章的代码。TrafficCV是一个跨平台的Python程序，允许在预先录制的视频或实时交通摄像头上运行不同的计算机视觉模型，并实时叠加计算出的交通信息。

假设已经熟悉Python，因为这是需要了解的全部内容，将详细介绍安装和使用TrafficCV中使用的其他库的细节。

超速有多严重？

道路交通伤害是全球因伤害死亡的主要原因，每年有近1350万人死于道路事故和碰撞。2020年2月，世界卫生组织(WHO)发布了一些关于全球道路交通碰撞影响的有趣统计数据：

• 道路交通碰撞使大多数国家损失了3%的国内生产总值(GDP)。
• 超过一半的道路交通事故死亡者是弱势道路使用者：行人、骑自行车的人和摩托车手。
• 世界上93%的道路死亡事故发生在低收入和中等收入国家，尽管这些国家大约拥有世界上60%的车辆。
• 道路交通伤害是5-29岁儿童和年轻人死亡的主要原因。

超速是导致道路交通事故的一个关键因素。在美国，美国国家公路交通安全管理局(NHTSA)报告称，2018年有近9400人死于与超速相关的事故。在过去的二十年里，美国所有机动车死亡事故中有25%至33%涉及超速和与速度相关的碰撞，这些事故造成了大约520亿美元的经济损失。

如何检测超速？

自动速度执法(Automated Speed Enforcement, ASE)指的是使用摄像头和速度检测器的自主系统，监控并记录特定区域或红灯处的车辆速度和位置。这样做的目的是为了执行有关速度限制的法律，并改变驾驶员的行为，以降低速度并提高道路安全。在ASE系统中，当检测到车辆速度过快时，摄像头会拍摄车辆和车牌的照片，记录时间、日期、位置、速度，以及如果相关法律要求的话，驾驶员的照片。

现代ASE系统使用雷达检测和测距(RADAR)或激光图像检测和测距(LIDAR)来检测车辆在监控区域通过时的速度，以及一个或多个摄像头，记录包含所需详细信息的车辆图像。激光雷达系统具有较低的光束发散度，可以瞄准特定车辆而不触发其他车辆的检测器，而雷达系统能够同时监控分布在大片区域内的多辆车辆。

市场上有多种供应商提供的ASE解决方案，从带有LED显示屏的移动路边单车道速度检测器到能够同时检测多辆汽车的大型柱式装置。

多年来，ASE对超速的影响已经得到了研究：

• 所有13项关于自动速度执法的研究报告都报告了在引入自动速度执法后事故的统计学显著减少。最有力的评估是针对特定高碰撞点或路段的固定、显眼的摄像头执法计划，长度从0.31英里(500米)到3.2英里(5.2公里)不等。

检测成本是多少？

简而言之：很多。ASE的成本通常分为固定的初始资本成本和持续的运营成本。2014-16年纽约市交通局(NYC DOT)为140台摄像头的初始成本为2650万美元，每台摄像头近186000美元。两年的运营成本接近4300万美元。运营成本主要由负责操作和维护系统的全职员工数量以及生成和邮寄超速罚单给车辆操作者的成本所主导。

执法人员使用的手持和仪表盘安装的速度枪相对便宜。然而，结合了雷达或激光雷达检测器和自主摄像头单元的速度摄像头，需要全职员工来管理和维护，其总的初始成本可能在5万至9万美元之间。