基於人工智慧之智慧交通系統實踐

本專題提出透過路口監視器抓取即時影像，使用影像辨識技術，將其對車輛進行車種辨識，以及藉由物件追蹤與設立偵測區域，抓取車輛通過監視器畫面所獲得的相關資訊，回饋給路口交通信號燈系統，做出禁止或警告道路上通行的車輛，幫助疏通車流。本專題主要分為四大部分,包括基於YOLO之車輛偵測、基於Deep SORT之車流轉向追蹤、偵測物件計算車流車速、強化學習之交通號誌控制系統。

⚫ 基於YOLO之車輛偵測 

影像處理的部分，使用 YOLO 對影像進行物件辨識。前處理利用 OpenCV 庫進行影像處理，透過 YOLO 神經網路進行物件偵測，並且將偵測結果結合實際拍攝影像。根據監視器即時影像，進行自適應影像處理，經由影像解碼器做亮度調整及門檻值調整，以滿足所需亮度及條件。由於YOLO辨識速度快、pipeline 簡單、背景檢驗錯誤率低、通用性強。在高速移動情況下，監視器要在監視同時進行多台車輛的辨識，影像抓取的速度也要滿足車輛的移動速度，使擷取出數據的更加精準。

⚫ 基於Deep SORT之車流轉向追蹤 

本專題需計算車流車速等數據，因此需要進行物件追蹤 (Object tracking)，基於 YOLO 的 Object detection 後加入追蹤器 (tracker)，追蹤每台車輛的移動動態，追蹤器必須判斷偵測出來之物件於前後 frame 中是否為同一物體，當新物體進入畫面中則分配一組新 ID 代表此物體 ID已進行追蹤。

⚫ 偵測物件計算車流車速 ​

車輛速度的計算是透過路口監視器抓取行經的車輛，並且從動態影像中，做物件排序以每一物件的中心點為參考重心，以此進行物件追蹤。並利用ROI (Region of Interest）表示感興趣區域，可以通過各種運算元 (Operator) 和函式求得感興趣ROI區域，並進行影像的下一步處理。同時，對追蹤物件進行循跡追蹤，抓取物件進入監視器畫面，以及離開監視器畫面的通行時間與行駛距離。

⚫ 強化學習之交通號誌控制系統 

本專題希望透過強化學習讓交通控制號誌燈能增進整體時間運用的效率，促進交通順暢，我們使用強化學習結合deep Q-learning 演算法。State由位置和速度兩種參數來定義交叉路口車輛的狀態，透過前方敘述的物件辨識，我們可以測得車輛的位置和速度。Action交通號誌的階段順序是週期性的變化，在兩個相鄰號誌之間需要有讓行駛中車輛在變成紅燈前停下來的黃燈來保證安全。Reward主要目標是提高路口效率，減少車輛等待時間，因此定義為兩個相鄰週期間累積的等待時間的變化。