本文總結了計算機視覺在交通中的12類應用，包括車輛分類、行車違章檢測、交通流量分析、停車占用檢測、自動車牌識別、車輛重新識別、行人檢測、交通標志檢測、防撞系統、路況監測、基礎設施狀況評估、駕駛員注意力檢測。

　　01

　　車輛分類

　　計算機視覺在車輛自動分類中的應用由來已久。自動車輛分類技術已經發展了幾十年。隨著快速增長的實惠傳感器，如閉路電視（CCTV）攝像頭、激光雷達（LiDAR），以及熱成像設備，可以同時在多車道上對車輛進行檢測、跟蹤和分類。結合熱成像、激光雷達成像和RGB可見光攝像頭等多種傳感器可以提升車輛分類的精度。有多個專業領域，例如，基于深度學習的工程車輛檢測計算機視覺解決方案已用于安全監控、生產力評估和管理決策等方面。

　　02

　　行車違章檢測

　　執法機構和市政當局正在增加基于攝像頭的道路監控系統的部署，以減少不安全駕駛行為。越來越多的計算機視覺技術被用于自動檢測違規行為，如超速、闖紅燈或停車標志、錯誤駕駛和非法轉彎。

　　03

　　交通流量分析

　　在智能交通系統（ITS）中，交通流分析已經得到了廣泛的研究，包括使用入侵方法（標簽、路面下線圈等）和非入侵方法（如攝像頭）。隨著計算機視覺和人工智能的興起，視頻分析現在可以應用到無處不在的交通攝像頭上，這可以在智能交通系統和智慧城市產生巨大的影響。交通流可以用計算機視覺手段來觀察，并測量交通工程師所要求的一些變量。

　　04

　　停車占用檢測

　　停車位可視化監控的目的是檢測停車場的占用情況。計算機視覺應用程序基于深度卷積神經網絡（CNN），在視覺停車場占用檢測方面提供高效解決方案。停車場檢測存在多個數據集，如PKLot和CNRPark-EXT。此外，使用立體成像（3D）或熱敏攝像頭的基于視頻的停車管理系統已經落地。

　　05

　　自動車牌識別

　　許多現代交通和公共安全系統依賴于從靜止圖像或視頻中識別和提取車牌信息的能力。自動車牌識別（ALPR）在許多方面改變了公共安全和交通行業，幫助實現了現代收費道路解決方案，通過自動化不僅顯著節約了運營成本，還實現了全新的功能（例如，警車上的車牌讀取裝置）。OpenALPR是一個流行的自動車牌識別庫，基于車牌圖像或視頻的字符識別。

　　06

　　車輛重新識別

　　隨著個人再識別技術的發展，智能交通和監控系統的目標是利用基于視覺的車輛再識別技術將這種方法復制到車輛上。提供唯一車輛ID的傳統方法通常是侵入式的（車載標簽、移動電話或GPS）。對于收費亭等受控設置，自動車牌識別（ALPR）可能是準確識別單個車輛的最合適技術。然而，車牌容易被更改和偽造，并且ALPR不能反映車輛的顯著特征，例如標記或凹痕。基于圖像的識別等非侵入性方法具有很大的潛力和需求，但在實際應用中還遠遠不夠成熟。現有的基于視覺的車輛再識別技術大多基于車輛的顏色、紋理和形狀等外觀特征。至今，識別諸如車輛品牌或車型之類的細微特征仍然是一個懸而未決的挑戰。

　　07

　　行人檢測

　　行人檢測對智能交通系統至關重要，它涉及到自動駕駛、基礎設施監控、交通管理、交通安全和效率以及執法等各個方面。行人檢測涉及許多類型的傳感器，如傳統的閉路電視(CCTV)或IP攝像機、熱成像設備、近紅外成像設備和車載RGB攝像頭。行人檢測算法可以基于紅外特征、形狀特征、梯度特征、機器學習或運動特征。基于深度卷積神經網絡的行人檢測已經取得了很大的進展，甚至可以檢測出深度遮擋的行人。

　　08

　　交通標志檢測

　　計算機視覺用于交通標志的檢測和識別。將視覺技術應用于不同交通場景的交通標志分割（圖像分割），并采用深度學習算法對交通標志進行識別和分類。

　　09

　　防撞系統

　　車輛檢測和車道檢測是最先進的駕駛員輔助系統（ADAS）的組成部分。深度神經網絡近年來已應用到深度學習研究及自主避撞系統中。

　　10

　　路況監測

　　開發了基于計算機視覺的缺陷檢測和狀態評估應用程序，用于監測混凝土和瀝青民用基礎設施。路面狀況評估提供了有關路面網絡管理的更具成本效益和一致性的決策信息。一般來說，路面破損檢查是使用先進的數據收集車輛和/或實地踏勘進行的。提出了一種基于深度機器學習的瀝青路面狀態指數識別方法，為實現基于計算機視覺的路面破損自動檢測提供了一種獨立、廉價、高效、安全的方法。另一個應用是計算機視覺用于檢測道路凹坑，以分配道路維護和減少相關車輛事故的數量。

　　11

　　基礎設施狀況評估

　　為確保民用基礎設施的安全和可用性，必須對其物理和功能狀況進行目視檢查和評估。基于計算機視覺的民用基礎設施檢測和監控系統用于將圖像和視頻數據自動轉換為可操作的信息。計算機視覺檢測應用程序用于識別結構部件，描述局部和全局可見損傷，并從參考圖像中檢測變化。這種監測應用包括應變和位移的靜態測量和用于模態分析的位移的動態測量。

　　12

　　駕駛員注意力檢測

　　分心駕駛——例如打手機和疲勞駕駛——在全球道路交通事故中占很大比例。人工智能是用來了解駕駛行為，找到緩解道路交通事故的解決方案。道路監控技術用于觀察客艙違規行為，例如在道路監控中基于深度學習的安全帶檢測中。車內駕駛員監控技術側重于視覺傳感、分析和反饋。駕駛員行為既可以直接從面向駕駛員的內部攝像頭推斷，也可以間接從面向外部場景的攝像頭或傳感器推斷。基于面向駕駛員的視頻分析技術通過注視方向、頭部姿勢估計和面部表情監控算法檢測面部和眼睛。人臉檢測算法能夠檢測出注意力集中的和不集中的人臉。深度學習算法能夠檢測眼睛聚焦和非聚焦的差異，以及受此影響的駕駛跡象。在駕駛員分心檢測中，有多種深度學習方法（RNN和CNN）應用于實時分心駕駛員姿態分類。

　　計算機視覺用于交通流量分類統計