2025, Vol. 42扩展功能
文章信息
- 荆根强, 罗翥, 高耀, 王相勋, 洪汉玉.
- JING Genqiang, LUO Zhu, GAO Yao, WANG Xiangxun, HONG Hanyu
- 公路交通基本要素计量测试技术综述
- Review on metrological testing technology for essential elements of highway transport
- 公路交通科技, 2025, 42(6): 1-21
- Journal of Highway and Transportation Research and Denelopment, 2025, 42(6): 1-21
- 10.3969/j.issn.1002-0268.2025.06.001
-
文章历史
- 收稿日期: 2024-08-06
, 2. 国家道路与桥梁工程检测设备计量站, 北京 100088;
3. 武汉工程大学 电气信息学院, 湖北 武汉 430205
2. National Center of Metrology of Testing Equipment for Roads and Bridges, Beijing 100088, China;
3. School of Electrical and Information Engineering, Wuhan Institute of Technology, Wuhan, Hubei 430205, China
通常认为，路、车、人、环境是构成公路交通系统的基本要素。随着大数据、人工智能、物联网、云计算等技术与交通行业的加速融合，以信息获取、处理、决策和传递为基础的“智能体”正不断涌现，成为推进传统交通要素交互协同和发展变革的推进器。在未来交通系统中，“裸人”(即不在车里的人)、“裸车”(即没有人坐在里面的车)、“人车”(即有人开的车)和“车人”(即有人坐无人开的车)的协同共存，也将刷新对交通参与者、交通装备、交通环境的认识[1]。
无论是传统公路交通还是智能交通，对于公路交通要素物理特性的获取，一直是人们研究和改进交通方式、提升交通安全性和效率的基础[2-6]。交通运输工程学科的不断发展，也得益于人们并未局限于对交通特性“快慢、多寡、优劣”的定性认识，从而不断探索更为精准的量化信息，并在此基础上对交通要素的内在规律开展了卓有成效的研究[7-9]。随着公路交通领域对精准测量数据的需求日益迫切，计量测试技术不断向产业领域渗透，并以在线测量、远程测量、动态测量等模式直接服务于产业发展，成为先进测量体系中不可或缺的组成部分[10-12]。
计量测试技术的目标是使用标准化的测量工具或程序，以量化的方式来评估事物的属性。其主要特点是标准化、量化、可靠性和效度，即通过标准化的测量程序，以可量化的方式进行特征描述，并确保在不同时间和条件下均能准确、一致地衡量所要评估的特定特征或能力。因此广义上讲，当前公路交通领域所开展的基于信息、传感技术的数字化检/监测技术，以及为测量目标的量化特征所开展的目标识别、特征提取、状态分析等，均属于计量测试技术的范畴。
采用机器视觉技术对路面、桥梁等结构裂缝进行检测已有近40 a的历史，然而路面裂缝图像的自动化处理和识别仍然充满挑战。大量研究认为，由于路面、桥梁结构损坏场景及成像条件的高度复杂性，通过图像分割、图论、模糊C均值聚类、分形理论等方法均难以满足工程应用的普适性[13]。近年来，面向不同工况的基础设施裂缝检测技术研究表明，深度学习方法相对于传统图像处理和机器学习方法，在检测准确率和泛化能力方面具有明显优势[2]。数据获取方式上，移动激光扫描(Mobile Laser Scanning, MLS)技术的分辨率和准确性不断提升，在公路检测和路产调查等方面的应用潜力巨大[14]。除无损检测技术外，相关学者也尝试了采用埋入式传感器对路面结构进行长期性能监测，但传感器自身的测量性能、功耗、耐久性等是影响其应用成效的关键[15]。相比之下，桥梁结构健康监测(Structural Health Monitoring, SHM)领域则大量采用了传感技术，并与移动通信、无人机、虚拟/增强现实和数字孪生等技术实现了融合应用[16]。
车辆运动参数测量方面，由于交通监控相机的大量应用，基于单目交通视频的车辆运动参数测量技术具有良好的应用基础。就车速测量而言，其涵盖了从相机设置和校准、车辆检测和跟踪、距离和速度估计等所有阶段，在研究深度和广度方面均有较大的探索空间。近年来，基于卷积神经网络(Convolutional Neural Network, CNN)的目标检测方法，如Faster R-CNN，Mask R-CNN，YOLO系列方法的提出，显著提升了车辆目标智能检测的准确性和实时性，进一步研究将主要集中在恶劣天气和光照条件下的鲁棒性、基准测试等领域[5, 17]。在成本不敏感的应用领域，开展相机、激光雷达和毫米波雷达等与深度神经网络(Deep Neural Network, DNN)的融合技术研究，将有利于综合各类技术优势，从而获得更优的测量结果[18]。
交通参与者(驾驶人和行人)异常监测方面，实时、准确检测驾驶人的认知状态(分心、疲劳、困倦等)被认为是支撑安全驾驶的重要技术，其主要通过摄像头或传感器获取的身体特征、生物特征、车辆特征和混合特征等数据分析来实现[19]。基于摄像头和疲劳检测算法的驾驶员监测系统已在大量车型上应用，但主要基于外在的身体特征而无法深入感知认知状态。脑电图(Electroencephalogram, EEG)传感器则可直接以较高的时间分辨率采集人脑信号，是最有效的驾驶员状态监测技术之一[6]。行人异常行为检测主要通过计算机视觉技术，其算法研究已实现从经典机器学习向深度学习的转移[3]。
公路交通环境检/监测研究可分为噪声、尾气监测和驾驶环境监测(态势感知)等方向。公路交通噪声监测包括路边、车载和实验室3种典型场景，其测量技术研究经历了从整体声压级测试，到更精确的车载声强测试，再到声场全息技术的发展历程[20]。交通噪声预测模型大多采用回归建模，遗传算法、模糊系统和神经网络等技术的应用仍需加强，模型中对于路面类型、沿线植被、路面平整度等影响因素的研究也需深入[21]。传统燃油车辆排放评估方法包括实验室测量法、道路测量法和隧道测量法等，当前不同方法在评估结果上仍有显著差异。为适应未来新能源车辆的快速增长，相关能耗和排放评估方法研究将成为新热点。驾驶环境监测通过传感器实时采集和分析车辆周边环境信息，如道路、交通、天气状况、物体距离和速度等，为自动驾驶或辅助驾驶提供全面决策依据。以激光雷达、毫米波雷达、数字相机等作为主要数据源的目标检测、识别和测量算法是本领域研究的热点[22]。
综上，公路交通领域的高质量发展离不开计量测试技术的支撑作用。计量测试技术亟待与交通产业深度融合，面向全溯源链、全产业链、全寿命周期开展前瞻性的技术、方法和专用装备研究。本研究以构成公路交通的关键要素为主线，利用Web of Science检索工具分析了近10 a以来的研究文献分布情况，并采用文献计量学和科学知识图谱方法分析了近5 a来公路交通计量测试的知识体系，梳理了相关计量测试技术的发展脉络，初步构建了公路交通计量测试技术的研究框架，最后对相关领域计量测试技术的发展方向和研究热点进行了展望。
1 文献来源及分析公路交通计量测试涉及基础设施、交通装备、交通参与者、交通环境、运输服务等多个领域，为使本研究更加聚焦，分别从人-车-路-环境4个关键要素的视角，利用Web of Science检索系统进行文献检索，通过3个层次不断具体化检索主题。
首先，检索库设置为Web of Science的核心库，并选择学科分类为Transportation Science Technology或Transportation，对于基础设施，增加Engineering Civil分类；其次，按照基础设施(Infrastructure or Road or Bridge)，交通装备(Equipment or Vehicle)，交通参与者(Driver or Pedestrian)和交通环境(Traffic Situation or Noise or Emission)，进一步限定检索主题；最后，对于每个交通要素，分别设定与计量测试相关的关键词，如基础设施相关的Condition or Crack or Damage和Detection or Measurement or Monitoring or Inspection等。
当检索时间跨度设置为2014—2023年，且文献类型为Article和Review时，共检索论文15 264篇，所检索论文的逐年分布情况如图 1所示。图中，不同阴影区域的高度表示各领域在不同年份发表论文的数量，阴影区域总高度为各领域在不同年份发表论文的累计数量，曲线表示近10 a来Web of Science交通学科分类中与神经网络方法相关的研究文献数量。
|
| 图 1 检索论文的逐年分布情况 Fig. 1 Year-by-year distribution of retrieved papers |
| |
由图 1可知，10 a以来公路交通计量测试相关技术研究稳步增长，其中，近5 a来的研究更加活跃，这与近年来人工智能(如神经网络方法)研究向交通领域渗透、融合具有较强的关联性。为进一步分析研究热点，2019—2023年符合上述检索条件的文献的全部元数据记录导入科学知识图谱软件VOSviewer进行分析，根据关键词共现性及关联强度进行聚类。文献的热点关键词汇总如表 1所示。对各要素计量测试技术研究文献中的高频关键词进行梳理和归纳，可了解近年来该领域的研究热点，汇总如表 2所示。
| 要素名称 | A类 | B类 | C类 |
| 基础设施 | system, inspection, deep learning, crack detection, machine learning, classification, computer vision | damage detection, structural health monitoring, Identification, bridge, damage identification, vibration, dynamic-response, sensors | model, bridges, performance, prediction, damage, infrastructure, temperature, safety |
| 交通装备 | trajectory, vehicles, roads, system, autonomous vehicles, vehicle dynamics, feature extraction, deep learning | model, design, optimization, algorithm, simulation, calibration, automated vehicles, adaptive cruise control, systems | safety, speed, behavior, vehicle, performance, impact, risk, road safety |
| 交通参与者 | safety, model(s), driver behavior, pedestrians, human factors, design, systems, adaptive cruise control | vehicles, roads, system, feature extraction, tracking, deep learning, autonomous vehicles | behavior, performance, impact, drivers, speed, time, risk, distraction, road safety, fatigue (drowsiness, sleepiness), driving simulator |
| 交通环境 | model, emissions, impact, noise, combustion, simulation, transport, air pollution, electric vehicles | performance, behavior, vehicles, safety, speed, situation awareness, risk, perception, time | system(s), optimization, signal to noise ratio, tracking, algorithm, noise measurement, autonomous vehicles, design |
| 要素名称 | 研究热点 | 代表性研究 |
| 基础设施 | 基于机器视觉、机器学习、深度学习的基础设施损坏检/监测系统；结构健康监测、振动及动态响应、损伤检测及分类、传感技术；基于温度等物理特性数据的桥梁损伤、性能及安全性预测模型 | [23-37] |
| 交通装备 | 基于深度学习等技术的自动车辆动态特性提取、轨迹测量、预测技术及系统；自动驾驶车辆、自适应巡航相关的设计、优化、仿真、算法、校准、建模及系统构建；道路车辆安全性能、行驶特性测试、影响安全的风险识别 | [38-50] |
| 交通参与者 | 驾驶员及行人行为检测技术及系统设计建模；基于深度学习的人员、道路、车辆特征提取、跟踪技术及系统；驾驶员疲劳、分心等风险行为检测，车速、驾驶时间等道路安全影响因素分析 | [19, 51-59] |
| 交通环境 | 交通噪声、碳排放仿真、监测、评估模型、测量算法；车辆行驶状态感知、风险识别，车辆安全性能、车速计量测试；自动驾驶车辆态势感知技术、系统优化设计 | [60-71] |
2 基础设施检测、监测及调查 2.1 道路技术状况检测 2.1.1 道路表面损坏检测技术
以图像处理算法为核心的机器视觉技术提供了一种更加高效、便捷的路面裂缝、变形等损坏检测方法。针对复杂路面损坏特征的图像处理算法研究主要经历了3个阶段：基于启发式规则的图像处理方法、基于特征学习的机器学习方法和基于自动特征提取的深度学习方法。其中，深度学习方法是路面损坏自动识别技术的重要里程碑。
卷积神经网络通过卷积运算自动提取对象特征，是深度学习方法的典型代表。Hu[2]系统地回顾了自建模型、预训练模型、基于序列的模型、卷积自编码器和生成对抗网络等深度学习模型在裂缝分析中的应用进展和局限性。预训练模型经过大规模数据预训练和深度、系统的优化，比自建CNN模型具有更强的泛化能力。当前针对图像分类、目标检测、语义分割等图像处理需求，已经建立了比较典型的预训练模型，如表 3所示。各国学者基于这些模型提出了路面损坏检测的优化算法，并取得了成功应用。近年来基于这些预训练模型的路面损坏检测技术的最新进展汇总如表 4所示。
| 具体用途 | 所用方法 | 技术特点 |
| 路面裂缝检测和分类 | RetinaNet[23]，Mask R-CNN[24] | 准确率较高，实时性不佳，平均准确率为92.10%；严重程度分类的准确率为87.5% |
| 路面损坏的检测和分类 | YOLO[25] | 自动特征提取速度快，准确率不高，检测准确率为73.64%，处理速度为0.034 7 s/张 |
| 路面裂缝自动检测与分割 | YOLO v3+改进的UNet[26] | 先检测，再分割，准确度较高，F1得分为90.58%和95.75 |
| 路面多类型损坏检测 | YOLO v4[27]，YOLO v5[28] | 高效率，高准确性，均值平均精度mAP为81.7%~96.5% |
| 路面三维损坏检测和分类 | 深度CNN[81]，改进UNet[82] | 三维分割和体积测量，精度和推理速度较高，自动分类准确率可达到94%以上 |
RetinaNet是一种监督机器学习的网络模型，Tran[23]将其用于检测和分类沥青路面各种类型的裂缝。试验表明，训练后的网络模型的检测和分类准确率可以达到84.9%，进而提出了包含掩模R-CNN和图像处理的两步序列自动化过程，分别用于检测沥青路面的裂缝并对严重程度进行分类[24]。检测准确率得到进一步提升，但算法的实时性不强。Du[25]构建了一个包含45 788张不同天气和照度条件下拍摄的路面损坏图像数据集，然后利用单阶段目标检测框架YOLO对路面图像进行损坏位置和类型检测，处理速度达到0.034 7 s/张，具有良好的实时处理能力，然而在准确率方面则不及R-CNN相关方法。
在YOLO版本升级的基础上，研究人员广泛开展了路面损坏检测算法的探索，例如UNet网络分割[26]、多任务学习和联合训练[28]等思想的融合应用，其改进目标主要是追求路面损坏检测、分类、级别判定的准确性和效率的共同提升[27]，并适应于行业对3D路面损坏检测的更高要求[81-82]。
2.1.2 路面结构性能检测技术承载能力是路面结构性能的基础，常通过弯沉值来表征，包括回弹弯沉和动态总弯沉。贝克曼梁弯沉仪利用杠杆原理测量路面在车辆静态荷载下的回弹变形，虽然测量效率较低，但设备简单、成本低廉，自1953年研制至今仍在使用。自动弯沉仪采用了与贝克曼梁相似的杠杆原理，利用自动化装置代替人工完成放梁和测量工作，检测效率有所提升，但仍未能完全克服静态测试的局限性。
落锤式弯沉仪(Falling Weight Deflectometer，FWD)通过地震检波器测量路面在重锤冲击荷载作用下的路面动态总弯沉[83]，与回弹弯沉的测量原理不同，因此测量结果不具有严格的相关性。检测工程中，FWD常以拖车或车载形式使用，但测量过程需在停车状态下完成，难以满足路网级的高速检测需求。
路面弯沉高速检测系统是备受瞩目的研究热点。2000年丹麦某研究机构与企业联合研制了高速弯沉仪(Traffic Speed Deflectometer，TSD)的原型设备[84-85]。TSD采用激光多普勒技术，实时测量路面在荷载作用下的垂直下沉速度，并通过积分获得弯沉数据。滚轮式弯沉仪(Rolling Wheel Deflectometer，RWD)[86]通过模拟车辆行驶过程中轮胎对路面的加载来进行检测，利用高频激光扫描技术，以正常行驶速度连续测量车辆在路面产生的动态弯沉。美国得克萨斯大学研制的滚动式动态弯沉仪(Rolling Dynamic Deflectometer，RDD)[29, 87]采用了与RWD相似的工作原理，但在测量弯沉时采用了滚动式弯沉传感器，这使得它在数据采集和分析上具有独特的优势。武汉大学等团队研制了激光动态弯沉检测仪(Laser Dynamic Deflectometer，LDD)，该仪器以激光多普勒测振仪为核心测量部件，结合欧拉-伯努利梁等理论，利用路面变形速度反演路面弯沉，当前已取得大量的工程应用[88-89]。
当前路面承载能力检测技术正朝着非接触式和自动化、高速化的方向发展，这些新特性已经在行业得到高度认可，技术应用的主要难题在于标准和校准手段的滞后。但值得期待的是，中国相关科研机构及团队已开展了积极的研究，并取得阶段性进展[90-91]。
相比之下，路面平整度、抗滑性等结构性能的检测方法在20世纪已被交通领域广泛接受，近年来在仪器设备方面的改进主要集中在传感和控制技术领域，并未突破原有的方法框架，如世界银行第46号文件《路面平整度测量和校准指南》，以及美国材料与试验协会(ASTM)的抗滑性能试验方法(如E303，E274，E670等)仍然是国际公认的标准方法，相关技术内容被中国标准所采纳。
2.2 桥隧结构检测和监测 2.2.1 结构损坏检测技术视觉测量是桥隧结构损坏检测的常用技术之一。Cha[91]基于快速区域卷积神经网络(Faster R-CNN)，利用2 366张经过标记的桥梁结构损伤图像数据库进行模型训练，对5种损伤类型的平均检测精度达到87.8%，且具备在视频流中进行准实时的损伤检测的能力。为应对无人机成像检测的复杂背景信息对裂缝检测的挑战，Xiao[30]提出了一种基于深度学习的大规模桥梁点云语义分割网络，通过三维兴趣区域(Region of Interest, ROI)提取，生成仅包含ROI的图像，并利用网格分类和框架检测(Grid-based Classification and Box-based Detection, GCBD)融合模型对结构裂缝进行识别。经验证，ROI提取可滤除47.9%的背景网格单元，大幅提高了桥梁裂缝识别精度。Hu[31]提出了一种通过物理模型和视觉测量对空心板桥铰链接头进行损伤检测和状态评估的混合方法。该方法以铰链接头刚度降低为损伤评估指标，建立了相对位移比与刚度降低的关系模型，实现了铰链关节损伤程度的定量评估。
近年来，通过工业相机对隧道衬砌表面状况进行快速定量检测的应用逐渐成熟，如Jiang[92]通过车载工业相机自动采集和提取裂缝等缺陷，绘制了隧道衬砌裂缝图，并利用裂缝的分形维数进行隧道衬砌健康状况的评估。对隧道衬砌内部缺陷的检测则多采用探地雷达(GPR)结合成像分析技术来实现。Wang[32]提出了一种基于旋转区域可变形卷积神经网络(R2DCNN)和GPR图像的隧道衬砌内部缺陷自动检测方法。该方法通过可变形卷积、特征融合和旋转区域检测模块，利用合成和真实GPR图像训练和测试R2DCNN，检测精度显著提高。
2.2.2 结构健康监测技术传感技术、检测模型及数据分析方法等是结构健康监测技术的重点研究内容。Huang[33]利用长规格光纤传感器阵列监测识别弯曲结构的旋转响应，提出了4种旋转响应识别方法，分别利用了混凝土表面和钢筋上的应变，以及截面纤维模型(SFM)在受压混凝土和受拉钢筋上的测量应变，通过梁、柱的实验室和现场测试，验证了方法的有效性。研究认为，基于长规格传感器的旋转识别对于计算弹性和大变形状态下的旋转分布至关重要，有助于受弯结构的运行状态评估。Zheng[34]研究提出了结构健康监测中用于连续状态评估的指标——位移谱相似性测量指数。该指数对短期车辆载荷不敏感，但对横向连接刚度较为敏感。研究通过数值模拟验证了该指数的鲁棒性，并在实际桥梁上测试了指数获取方法。结果表明，该指数与现场调查结果高度一致，具有工程应用的可行性。
桥隧结构监测系统由于运行环境复杂，其数据准确性和长期稳定性是工程应用的关键。针对土木工程结构位移的长期监测难题，Zheng[93]提出了一种在线实时加速积分方法，本方法结合基线校正技术、递归高通滤波器和递归积分器，通过多轮基线校正、滤波和积分，解决了长期监测中难以建立固定参考点的问题。Desjardins[35]研究提出了一种自动在线全空间识别方法，实现了数据处理和分析操作的自动化，并致力于减少操作模态分析中的不确定性和可变性。此外，研究中还开发了一种传感器诊断算法，该算法能够自动识别并排除有问题或缺失的传感器数据，确保监控程序中使用的是准确数据，从而提高数据分析和状态识别的准确性。监测系统的在线计量是保障监测数据长期有效的关键，近年来中国相关团队为推进结构监测系统的在线计量开展了大量研究，但工程应用仍需多方协同推进。
通过数据分析进行损伤识别是结构监测技术应用的重点和难点。Abedin[36]对一座有50多年历史的预制预应力箱梁桥进行了静态和动态荷载试验研究，通过仪器记录桥面板挠度，并利用有限元模型分析接缝处的疑似损坏。基于有限元分析和载荷试验，提出了一种新的桥梁结构损伤检测方法，可有效识别接缝损伤的位置和程度。通过有限元模型与实桥响应的比较确认了纵向接缝的损坏，与桥面反射开裂的观测结果具有较好的一致性。然而，由于桥梁形式多样，损坏机理较为复杂，结合监测数据的损伤识别技术研究仍然充满挑战。未来应加强有效样本数据的积累，并积极探索人工智能识别技术的研究。
2.3 交通安全设施调查机器视觉检测技术是交通安全设施调查中行之有效的技术手段。Xu[4]提出了一种基于视觉的路面标线检测和状况评估方法，用于自动化收集路面标线调查数据并评估其磨损程度。该方法采用混合特征检测器结合阈值方法，通过颜色和梯度特征来识别路面标线，并对检测到的标线进行分类。研究中还量化了标线的磨损程度，通过像素级别的分析计算标线磨损的百分比，通过与人工测量结果的比较，验证了该方法的有效性。针对道路交通标志损坏、褪色、被遮挡或被涂鸦等交通安全问题，Trpković [94]研究提出了一种用于识别和分类正常、部分损坏和污损交通标志的CNN模型。创建了一个包含6 000张交通标志图像的数据集，其中包括不同天气和照明条件下的损坏和涂鸦标志。该模型在测试中表现出对光照和天气变化的不变性，达到了99%以上的整体准确率，能够有效地识别和分类受损和涂鸦的交通标志。
移动激光扫描(Mobile Laser Scanning，MLS)技术通过车载传感器获取高密度、高精度的三维地理参考点云数据，为公路资产调查、智能交通系统应用、高清地图制作和其他高精度定位服务提供了可靠的解决方案。尤其是MLS的深度信息测量能力为道路交通标线调查提供了稳定的数据支持，对光照条件变化具有较好的适应性。Jung[95]通过MLS数据实现了车道线的高效、可靠提取。该方法首先利用MLS轨迹信息将数据分段并转换至便于提取的坐标系；然后提取路面并生成2D强度图像，并通过图像分割技术分离车道线；最后填补空隙，去除噪声及错误信息，以获得完整的车道线数据。Zhang[96]提出了一种基于激光扫描3D数据的自动道路标线检测与测量新方法。该方法使用阶梯算子对轮廓数据进行卷积，结合道路标线的几何特征和卷积特征的连续性，提取三维道路标线区域；引入卷积神经网络，更清晰地区分实际标线数据；最后从检测区域和高程信息中提取三维测量信息。试验显示，检测准确率高于90.8%，与标线厚度手动测量结果的相关性达到85.4%。由于该方法利用了标线厚度信息，可有效应对阴影和照明不均匀等问题。
3 交通装备检测和监测 3.1 车辆运行状态检测车辆运行状态检测是目前公路交通领域最为活跃的研究热点之一。根据现有文献研究情况，本研究重点从车辆目标识别与检测，车辆定位、跟踪及轨迹检测，车辆速度、姿态测量与估计这3个方面进行综述。
3.1.1 车辆目标识别与检测车辆目标检测的数据来源主要有可见光相机、红外相机、雷达等，根据特定场景需要，通常要融合多种设备以生成更高辨识度的融合图像。而在众多目标识别算法中，基于深度神经网络的方法，经公开数据集验证，在准确率和检测速度上均取得了较好的结果。典型应用场景下的车辆目标识别与检测的代表方法如表 5所示。
| 应用场景 | 技术方法 | 优缺点 | 典型文献 |
| 恶劣天气下车辆识别 | 雷达和红外热像仪信息融合，注意力机制，YOLO v4结合迁移学习 | 检测的准确性较高 | [38] |
| 视频监控车辆实时检测 | 数字信号处理(DSP)，深度学习模型 | 在提升检测速度的情况下，精度损失较小 | [39] |
| 多视角车辆模型分类 | 位姿估计子网络(PE-SubNet)和车辆模型分类子网络(VMC-SubNet)融合 | 精度较高，优于经典CNN模型 | [40] |
| 跨摄像头车辆搜索 | 分阶段特征提取网络，以无锚点YOLO vX为骨干 | 可应对视角变化和拍摄差异 | [41] |
| 车辆精确识别和定位 | 无锚点级联网络，TBox边界框，对角线和消失点约束 | 标注目标边框、准确度较高，且模型尺寸小 | [42] |
为应对恶劣天气下的车辆识别难题，Wang[38]开展了基于雷达和红外热成像信息融合的车辆识别方法研究，通过雷达引导的注意力机制快速准确提取感兴趣区域(ROI)，并利用深度学习模型YOLO v4结合迁移学习进行车辆检测。该方法通过像素回归的车辆深度估计方法，将车辆融合从二维空间提升到三维空间，显著提高了车辆检测的准确性，尤其是在车辆相邻时。试验结果表明，该方法在恶劣天气下的车辆检测准确率达到95.2%，检测速度为37 FPS。
在车辆模型分类方面，Yu[40]提出了一种用于多视角车辆模型识别的卷积神经网络模型(EP-CNN)，包含姿态估计子网络和车辆模型分类子网络，分别用于提取车辆的姿态信息和解决车辆尺度变化问题。通过融合姿态特征和分类特征，EP-CNN能够有效地进行车辆模型分类。在CompCars和Stanford Cars数据集上的试验结果表明，该模型在识别精度上优于多种经典CNN模型和现有的细粒度车辆模型分类算法。
为实现视频监控过程中的车辆和行人实时检测，Zhang[39]提出了一种可应用于数字信号处理器(DSP)的CNN模型优化策略，优化手段包括卷积层、缓存、编译器、本征值优化和直接内存存取(DMA)加速等，通过并行化实现了多核运行，同时强化了模型性能。该方法在UA-DETRAC和KITTI公开数据集上进行了评估，相比于台式电脑运行的相同CNN模型，检测速度更快，精度损失仅为0.06%。跨摄像头车辆搜索一直是车辆目标检测应用的难点。Wang[41]提出了分阶段特征提取网络(PFE-Net)，该网络采用无锚点YOLO X框架作为骨干，通过设计摄像头分组模块和跨层特征融合模块，提高了车辆特征提取的精度。研究者还开发了真实世界车辆场景的跨摄像头车辆搜索数据集DAIR-V2XSearch，并通过大量试验验证了所提网络的有效性。
车辆的高精度定位和识别是车辆运动特性分析的关键。Liu[42]提出了TBox车辆检测方法，设计了一个无锚点的级联网络，包括CAFNet和TKNet这2个子网络，其原理如图 2所示。CAFNet利用堆叠的Hourglass网络检测车辆的角点，而TKNet则估计TBox的关键点，通过一种多任务学习策略，以隐式整合全局和局部细节，从而提高2个任务的性能。试验表明，该方法在车辆检测任务上超越了现有的无锚点检测器，并且在TBox任务上实现了更好的性能，同时模型尺寸更小。
3.1.2 车辆跟踪、定位与姿态估计
车辆跟踪、定位与姿态估计是智能交通研究的基础，具有重要的研究意义和实际应用价值，其数据来源主要有工业相机、全球导航卫星系统(GNSS)、超宽带(UWB)、激光雷达(LiDAR)及多种方式的融合应用。从车辆跟踪、定位的应用场景看，主要包括车辆自身(自车)实时位置的确定和车辆行驶中障碍物的跟踪和定位。典型应用场景下，车辆目标跟踪、定位与姿态估计的代表方法如表 6所示。
智能车辆常用的定位方法包括全球卫星导航系统(GNSS)、实时运动学(RTK)、航位推算(DR)、惯性导航系统(INS)、地图匹配(MM)和视觉定位等。然而，任何独立的定位方法都有其不足之处。例如，GNSS系统在遮挡环境下将无法实时获取卫星定位数据。Zhu等[44]提出了融合GNSS，DR，UWB和VMM的智能车辆定位策略，分析了3种独立定位方法的误差源并提出改进算法，使用联邦卡尔曼滤波器融合定位数据，并利用VMM校正以提高精度和连续性。测试结果表明，该方法能显著提升智能车辆定位的准确性和可靠性，且成本效益较高。
行驶过程中对其他车辆的跟踪和定位常通过LiDAR和实时分析算法实现。Zhao[46]研究提出了基于3D-LiDAR的实时车辆姿态估计和跟踪算法。该算法利用L型拟合检测移动车辆的边角，通过构建多权重系统实现基于L型拟合方向估计的车辆跟踪。在KITTI数据集和卡内基梅隆大学自动驾驶车辆的手动标记数据集上进行了验证，并在自动驾驶车辆AutomatiKar上实现了该解决方案。试验表明，该算法具有实时性能，能够减轻噪声数据的影响并提高估计精度。Wang等[45]研究设计了一个车辆姿态估计网络，利用自车上搭载的LiDAR连续获取点云数据，通过PointNet++作为网络骨干提取点特征，并将点分为静态和动态2个部分，分别用于估计目标车和自车姿态，其原理如图 3所示。
3.1.3 车辆行驶速度测量
车辆速度、数量等是交通流量化表征的关键参数，对保障交通安全、监测和预测交通流量、减少排放和能耗起着重要作用。交通监控相机、激光雷达、毫米波雷达，及其融合应用是当前车速测量、车型分类的常用技术手段，硬件性能的提升和数据分析算法的优化推进了相关技术的不断进步。典型的车速测量方法如表 7所示。
| 应用场景 | 技术方法 | 优缺点 | 典型文献 |
| 交通监控及车辆测速 | 基于交通监控系统，利用相机标定、机器视觉、卷积神经网络等方法 | 非侵入式测量、充分利用现有硬件资源、直观易验证，但测量精度不够高 | [47-49] |
| 车辆跟踪及测速 | 采用路侧激光雷达、毫米波雷达获取动态位置信息 | 直接空间位置测量、点云数据获取，实时性强，对车辆形态等的直观性不强 | [97-98] |
| 特定目标车辆测速 | 双目立体视觉系统、获取车辆特征点的空间坐标，结合帧间时间估计车速 | 可获取三维信息，标定及算法复杂度较高，视野有限 | [99] |
| 特定断面的车速测量 | MEMS传感器植入道路，根据应力响应特性估计车速 | 植入路面安装、维护难，仅适用于通过某断面车辆的检测 | [100] |
| 低速运动车速估计 | 根据图像的运动模糊效应，估计车速及行驶方向 | 利用车载相机图像的分析得到车载运动参数，系统简单，但速度测量范围有限 | [101] |
基于交通监控网络开展高精度车速检测算法研究，可在不额外增加硬件成本的条件下提升车速测量性能，具有良好的经济性和应用前景。Trivedi[47]提出了一种基于计算机视觉技术的非计划交通场景的车辆检测和车速测量方法。该方法利用形态学操作和二进制逻辑运算，通过处理监控摄像头捕获的图像来实现实时车辆检测和车速测量，在召回率、精确度和F1性能参数均有明显提升，可有效提高交通管理系统的效率。Zhang[48]研发了一种基于Mask R-CNN的交通监控系统，通过建立带标注的图像数据集训练Mask R-CNN，使用MaskIoU算法识别车辆轴数，并基于车辆分割生成3D边界框，根据参考点计算单应性矩阵，实现车辆速度和长度的测量(见图 4)。该系统采用了SORT跟踪方法处理多帧结果，在不同场景下车辆类型和轴数识别准确率超过97%和88%，速度误差普遍小于4%。
为从传统摄像头视频数据中提取交通信息，Liu[49]采用最新的目标检测器和迁移学习技术来检测视频中的车辆、行人和自行车，并通过对摄像头进行弱校准，利用图像到现实世界的单应性变换来计数车辆、估算车辆长度和速度。此外，系统还包括一个结合卷积神经网络分类器和投影几何信息的车辆分类模块。该系统能够以60帧/s的速度处理预录制视频，并生成高质量的元数据。
激光雷达和毫米波雷达可直接获取物体的空间位置信息，是车速检测的常用技术。Zhang[97]研发了基于路侧激光雷达的车辆跟踪和速度估计框架。该框架首先从点云中检测车辆，然后结合质心跟踪算法、无迹卡尔曼滤波器和联合概率数据关联滤波器进行车辆跟踪，最后通过图像匹配进行跟踪结果优化。试验表明，该方法能够检测和跟踪超过94%的车辆，平均速度精度为0.22 m/s。分析了影响毫米波雷达定位精度的因素，这些因素在交通系统的应用中备受关注。为提升测速准确度，Zhao[98]分析了雷达测量原理和不同场景下雷达点云在车身上的分布，对雷达安装高度、采样频率、车辆位置、姿态、尺寸等方面的测速影响进行了定性分析，并提出了雷达数据处理的准则。
此外，结合特定应用需求所开发的其他车速测量系统，虽然适用范围有限，但也充分体现了技术研究的多样性。例如，Yang[99]基于双目立体视觉系统的车辆速度测量方法，利用校准后的双目摄像头捕获通过车辆的立体视频，获取车牌中心表征的车辆精确位置，实现特定区域的车速测量；Shi[100]将无线微机电系统(MEMS)传感器嵌入半刚性路面，通过测量的动态应力响应来估计车辆的通过速度；Jin[101]通过分析车载相机运动模糊图像的光谱特性，利用双拉东变换确定车辆运动的模糊方向和尺度，构建了车速估计模型。
综上，通过算法研究和改进，以相机为基础的机器视觉技术可以实现车辆运动参数的测量的更多需求。然而，其对空间位置和速度信息的获取是间接实现，在准确性和效率方面有一定的局限性。毫米波雷达和激光雷达传感器本身容易获取目标的空间位置和速度信息，但很难得到直观的形状和颜色等信息。因此，融合各传感器优势的动态测量技术将是未来该领域的重要研究方向。
3.2 工程技术装备监测 3.2.1 施工过程质量监测工程装备是公路建设、运行、养护期间不可或缺的交通装备，新技术(如北斗导航、智能传感、物联网和5G通信等)为基础设施施工管理模式带来了变革，智能监测、智慧工地等技术的研究日益成为公路交通领域的热点。为实现沥青混凝土路面施工质量的动态监测，Ma[102]开发了一种基于北斗导航卫星系统、物联网和5G技术的监测系统，通过实时采集和传输沥青混合料生产、运输、摊铺和压实等关键技术参数，实现了对沥青路面施工过程的全面监控。研究还构建了基于神经网络的专家决策模型，形成了全面、多维度的数字化施工质量评价模型，通过与路面使用性能指标的关联分析，验证了其在沥青路面施工质量评价中的有效性和准确性。
Zhang[50]在建筑动态压实质量监测中引入了基于视觉的智能监测设备。该设备整合了GNSS实时动态测量、计算机视觉和摄影测量技术，用于监测动态压实机的操作，实现对压实点布局、压实次数和压实沉降等关键施工指标的自动监测。通过现场试验，验证了智能设备的监测准确性和可行性。非接触式监测方法减少了人工监测对施工的干扰，大幅提高了施工效率，并提供了更客观准确的监测结果。
为解决隧道施工中混凝土喷射厚度和喷射区域的检测问题，Luo[103]提出了一种结合深度学习和激光雷达的隧道喷射混凝土智能检测方法。该方法利用LiDAR获取隧道的3D模型，并使用基于YOLO算法的神经网络结构来检测拱形结构的大致边界框，再通过线检测算法确定喷射区域的最终位置。试验表明，该方法在隧道喷射混凝土检测中表现良好，喷射区域检测的平均精度达到了91.4%。
3.2.2 施工设备定位和姿态测量施工设备定位和姿态测量是智慧工地的核心，通过施工设备的实时监控，可有效提高施工安全性和效率，支持自动化操作，优化资源管理，并促进数据驱动的决策制订。施工设备实时监测的主要任务包括设备的跟踪和定位、姿态估计、施工活动分析和记录等。
为估计施工设备3D姿态和实时位置，Kim[9]提出了一种基于单摄像头的虚拟现实测量分析方法，如图 5所示。该方法包括2D-3D注释、预处理(图像匹配或关键点检测)和3D定位3个主要过程。试验结果显示，施工设备3D姿态的均方根误差分别为1.49 m(图像匹配)和1.56 m(关键点检测)，证明了该方法能够成功估计单摄像头下的设备3D姿态。该研究有助于基于更丰富的3D信息进行详细的生产力或安全分析。Wu[104]基于差分接收信号强度(RSS)测量来实现对施工设备的跟踪和定位。与传统的寻找RSS与距离关系的方法不同，该方法是基于角度和差分接收信号强度的线性回归。其优点在于，对无线射频识别标签的异构性和标签与读写器之间的方向性不敏感，但定位误差偏大，相比于UWB的优势不明显。
计算机视觉技术是实现施工设备姿态估计和施工活动分析的有效方法。Luo[105]尝试了结合计算机视觉和深度学习自动估计施工设备姿态的方法，通过监控视频构建图像库并标注关键点，使用堆叠沙漏网络(Stacked Hourglass Network，HG)和级联金字塔网络(Cascaded Pyramid Network，CPN)的集成模型HG-CPN进行训练和测试。研究显示，HG-CPN的检测速度和训练时间上较长，但其在姿态估计准确性上表现最优。Roberts[106]介绍了一种基于计算机视觉的施工活动分析方法。该方法基于卷积神经网络进行目标检测和跟踪，并将轨迹输入隐马尔可夫模型以自动识别和标记观察到的对象的活动。该方法检测挖掘机的平均精度达到97.43%，施工活动分析的准确率为86.8%，具有实际应用的潜力。Zhu[107]提出了一种结合视觉检测和跟踪的框架，该方法使用高清晰度摄像头记录工地活动，并通过结合检测和跟踪模块来定位视频帧中的工人和设备。在真实工地进行了测试，其检测召回率提高了30%~50%，同时保持了高精度。
4 交通参与者检测 4.1 道路行人检测道路行人检测对于保障行人安全、提升驾驶体验、辅助车辆进行精确决策和路径规划至关重要。行人检测技术的研究不仅有助于避免交通事故，同时促进了机器视觉、人工智能等技术的进步，对智能交通系统的构建发挥了重要作用。行人检测的主要技术包括机器视觉(含可见光和红外)、毫米波雷达、多传感器融合及卷积神经网络算法等。
机器视觉结合神经网络算法在道路行人检测方面取得了显著的成效。Fang[55]提出了一种基于单目视觉的行人和自行车手意图识别方法，利用深度卷积神经网络进行2D姿态估计，以预测他们是否会穿过道路。在公开数据集(JAAD)上的试验表明，该方法能够在自然驾驶条件下以高准确率识别行人和自行车骑行者的意图，为自动驾驶和高级驾驶辅助系统研究提供了新视角。贺宇哲[54]提出了一种密集行人检测模型，针对密集场景下行人之间遮挡问题，通过迭代方案改进Faster R-CNN模型，有效解决了非极大值抑制算法在精确度和召回率之间平衡的难题。同时，引入递归金字塔结构增强模型特征提取能力。在公开数据集WiderPerson和CrowdHuman上的试验结果表明，该模型的精度、召回率和漏检率均优于传统的Faster R-CNN方法。闫晨阳[108]提出了一种面向智能驾驶的行人多目标跟踪算法PDTNet，该算法通过融合注意力机制和无锚框检测来提高复杂环境下的跟踪精度和鲁棒性。在MOT16，MOT17，BUUISE等公开数据集上进行了验证，结果显示，PDTNet的检测准确率、关联准确率和跟踪总精度均有所提高，适用于智能驾驶多目标跟踪场景。
红外成像技术在夜间行人检测中具有独特优势，然而成像分辨率和清晰度与可见光图像有较大差距。针对红外图像中行人检测难题，Wei[51]提出了一种结合改进的UNet和YOLO网络的方法。通过UNet学习红外和可见光图像的共享特征，生成伪彩色红外图像，进而利用YOLO v5模型提升红外行人检测准确率。该方法在3个数据集上达到87.7%~97.5%的高检测精度，并在边缘设备上实现25.6帧/s的实时检测速度。
多传感器融合技术有利于发挥各传感器的特长，实现优势不互补，已在研究中广泛采用。Zhao[52]通过改进的YOLO v5算法结合红外视觉信息和毫米波雷达数据来检测行人，通过扩展卡尔曼滤波器对雷达数据进行处理和跟踪，然后利用相关方法将雷达点与红外图像中的目标点进行关联，以获取目标的多模态信息。该方法在夜间行人识别的准确性和鲁棒性方面优于单一传感器检测。Dimitrievski[53]提出了一种用于夜间或复杂环境中行人检测的多目标跟踪系统，利用雷达和摄像头检测的邻近性和位置不确定性进行匹配和加强，并通过多目标跟踪器对融合检测进行时间整合，使对象存在性及其位置的可信度最大化。该方法在检测和跟踪性能上相较于多种控制算法有显著改进，尤其在复杂交通场景中跟踪性能提升最为显著。
4.2 驾驶人员状态监测驾驶人员状态监测技术能够实时监控驾驶员的生理和心理状态，及时发现疲劳、分心或健康问题等潜在风险，从而采取相应措施，保障驾驶过程的安全性，已成为车辆的智能辅助系统研究的热点之一。驾驶人员状态监测包括侵入式监测和非侵入式监测。目前已取得应用的主要是基于成像和智能识别的非侵入式监测技术，但基于脑电传感器的监测技术有可能成为更加有效的监测手段。
驾驶员的疲劳状态可依据眨眼、坐姿、面部表情等外在特征的变化进行判定，借助摄像头和智能识别算法是可行的技术方案。Yu[56]提出了基于3D深度卷积神经网络的条件自适应学习框架，根据场景条件提取更具辨识性的特征，提供更准确的疲劳检测结果，且能够适应不同的驾驶情况，包括照明条件、是否佩戴眼镜等。然而，此框架需占用较多的计算资源。Sunagawa[57]提出了一种结合驾驶员眨眼和姿势信息的全阶段疲劳检测模型，通过分析姿势指数和传统指数的敏感性，实现对不同疲劳阶段的检测。在约50名驾驶员的模拟驾驶试验数据集上进行了训练和评估，结果表明，该模型能够覆盖所有疲劳阶段, 尤其对弱疲劳的准确检测，有利于在驾驶员变得疲劳之前采取干预措施。Bai[59]提出了一种双流空间-时间图卷积网络(2s-STGCN)，用于检测驾驶员的嗜睡状态，如图 6所示。该方法通过面部标志点检测提取驾驶员的面部特征，然后利用2s-STGCN进行处理。该研究将视频而非连续视频帧作为处理单元，并在YawDD和NTHU-DDD数据集上进行了广泛试验。结果表明，该方法在检测驾驶员嗜睡方面的平均准确率分别为93.4%和92.7%。
提升实时性是驾驶员疲劳状态监测技术研发和应用的重点。Phan[109]研究了一种结合深度学习和物联网技术的驾驶员疲劳检测系统。该系统通过摄像头捕捉驾驶员行为，通过实时监控系统发出警告。Civik[110]也在低成本嵌入式设备(Nvidia Jetson Nano)上试验了基于深度学习的实时驾驶员疲劳检测系统，经YawDD数据集训练测试后，系统在眼部和口部模型上分别达到93.6%和94.5%的准确率，平均速度为6帧/s，具有实时应用的可行性。
除疲劳状态之外，接打手机等异常行为也是影响驾驶安全的重要因素。Su[58]针对驾驶员异常行为检测提出了两阶段的异常提议和分类框架(DADCNet)。第1阶段使用条件时间提议网络快速识别可疑的异常驾驶行为，第2阶段利用更多的特征来验证异常提议并对具体分心动作分类。另外，并非所有影响驾驶安全的人员状态均能通过视觉特征来解释，结合脑电图、心电图、肌电图技术的驾驶员状态监测技术研究将有助于破解安全驾驶背后的秘密。
5 公路交通环境监测 5.1 环境影响性监测交通噪声监测和尾气排放监测与人类健康和生活舒适性紧密相关，是公路交通环境影响性监测的2个重点研究领域。
5.1.1 公路交通噪声监测随着发动机噪声的降低和车辆空气动力学设计的优化，轮胎与路面相互作用噪声(Tire-Pavement Interaction Noise，TPIN)成为主要的交通噪声源，低噪声路面也成为交通噪声控制的研究热点。为准确评估低噪声路面降噪效果，袁旻忞[61]提出了一种基于近距法(CPX)路面噪声检测技术的降噪性能评估方法，该方法结合交通流特性、路面声学性能及使用状态，运用声能叠加原理和户外声空间传播机理建立评估模型。通过多种路面组合结构试验段验证认为，该方法对于道路边界交通噪声和35 m外环境噪声的预估误差明显降低。
公路交通噪声监测是建立噪声预测和评估模型的基础，监测的网络化和实时性为噪声地图的实时更新提供了科学依据。Dobrilović [62]基于远程广域网(LoRaWAN)技术研发了城市交通噪声监测系统，该系统采用微服务架构，利用开源软硬件解决方案，通过无线传感器网络、物联网技术和云架构来监测城市道路噪声，已在塞尔维亚兹雷尼亚宁市进行了实施和验证。欧洲的DYNAMAP项目[111]通过在意大利米兰和罗马的高速公路噪声监测站收集数据，以实时监测城市车辆交通噪声。项目通过比较预测和现场测量值，运用统计分析和校正程序来确保预测的准确性和可靠性。Lan[60]提出了一种基于噪声监测和交通速度数据的大区域交通噪声图动态更新方法。该方法具有更高精度，并能实时采集和修正噪声地图。Baclet[65]提出了一种准实时的动态噪声映射方法，通过微观交通模型模拟噪声排放与传播，利用物联网传感器获得的实时交通计数对微观交通模拟进行校准，经过数据后处理计算得到噪声暴露指标。该方法在爱沙尼亚塔尔图市得到验证，能生成大城市地区的动态噪声地图。
公路交通噪声由交通量、车速、车辆噪声源强等多种因素共同作用，其预测和评估模型的研究仍然充满挑战。Pascale[63]提出的道路交通噪声模型(RTNM)根据可靠的每小时交通量和速度数据动态评估道路交通噪声水平，以支持或取代噪声传感器网络。通过传感器对RTNM模型方法的结果进行评估，误差不超过5.8%，噪声估计具有稳健性。Nygren[64]提出的交通噪声评估方法，将微观交通模拟和噪声计算方法与宏观层面的噪声影响评估模型相结合，形成车辆特定的噪声暴露成本(NEC)。通过3个案例研究，认为微观方法反映了车辆间的互动、特定车辆特性和行为对NEC的影响，对模型研究非常重要。王奇[112]提出了一种基于实时车辆源强的交通噪声预测模型，能够根据实时车辆噪声源强、车速等数据预测交通噪声。通过实验室和实地测试验证，预测值与实测值的差值在3 dB (A)以内。研究同时探讨了不同道路长度范围对敏感点噪声的影响，可用于支撑噪声治理方案的设计。
5.1.2 车辆排放监测公路交通领域对车辆排放的研究主要集中在实际驾驶排放与实验室测试技术、排放标准对减排效果的影响评估、高排放车辆的识别与控制策略，以及遥感技术在测量排放中的应用等。这些研究对于制定有效的空气质量改善政策、推动车辆更新和促进新能源汽车发展具有重要意义。
便携式排放测量系统和路侧遥感技术是车辆实际排放研究的重要手段。Gis[67]采用便携式排放测量系统和粒子计数器，依据欧盟标准对轻型和重型车辆在不同路段上的CO2，NOx和颗粒物数量排放进行了测试，提出了将各种污染物的排放量乘以评估每类车辆排放因子的新方法。该研究还为重型车辆开发了相似的评估方法，并引入了一个综合考虑多种污染物的无量纲排放因子，用以评估车辆的环境性能。Zhang[113]使用便携式排放测量系统对8辆国Ⅱ标准和18辆国Ⅲ标准的农用车在省级道路、农村道路和农田道路上的实际排放进行了测试。结果显示，实测国Ⅱ和国Ⅲ标准车辆的平均NOx排放因子分别比国家排放指南中的推荐值高2.21倍和1.65倍，导致整体排放水平被低估。Mahesh[66]通过在都柏林使用道路遥感技术，测量了实际行驶中的汽车、出租车、货车和公交车的排放因子(EFs)，其测量原理如图 7所示。与旧排放标准车辆相比，符合欧6排放标准的汽油和柴油车的EFs有显著改善。然而，少数高排放的老旧车辆会扭曲整体EFs分布。研究还分析了排放标准、位置和其他驾驶特征对个别污染物EFs变化的影响，为实施车队更新政策提供了依据。
为实现“碳达峰，碳中和”目标，中国对碳核算、碳计量、碳监测等技术研究给予了大量政策支持，并规划于2025年基本建立碳达峰碳中和标准计量体系。交通运输行业作为温室气体排放的重点领域之一，推动碳排放从“核算”向“测量”转变的迫切性毋庸置疑。然而，由于交通领域排放源的分散性，相关技术研究也充满了挑战。
5.2 驾驶环境监测(交通态势感知)驾驶环境监测通过传感器和系统实时收集分析车辆周围信息，如道路、交通、天气状况及物体距离速度等，以提升道路交通安全性，并为自动驾驶提供全面环境感知。随着近年来自动驾驶技术研究的推进，基于雷达、LiDAR、数字成像等的驾驶环境监测技术已成为学术研究的新热点。Dong[68]提出了一种用于车道检测的混合时空深度学习架构。该架构利用多个连续图像帧中的时空信息来检测最后一帧中的车道标记，整合了单图像特征提取模块、混合时空特征集成模块，以及编-解码器结构，实现端到端的监督学习。试验表明，该模型能够有效处理具有挑战性的驾驶场景，并在大多数情况下超越了现有方法。胡杰[71]研究了一种利用3D激光雷达数据检测道路障碍物(如车辆、行人、非机动车)的算法。提出了基于随机采样一致性算法的目标位姿检测方法，构建障碍物的盒模型并输出其位姿信息。试验表明，该算法在障碍物位姿检测方面准确度高，且具有较少的计算量和较强的实时性。李茂月[114]提出基于机器视觉的车道线识别方法，通过自适应道路感兴趣区域提高特征检测效率，采用改进的多尺度边缘检测算子、多色域阈值处理、DBSCAN聚类和NURBS曲线拟合等方法，实现了不同道路工况下车道线的有效识别。
由于单一传感器在感知范围、测量能力和工作条件方面的局限性，多传感器融合和系统集成技术具有更好的适用性。Hu[22]系统地回顾了基于多传感器融合的智能地面车辆障碍物检测技术，总结了智能地面车辆在非道路环境中车载多传感器配置的主要因素，并提供了基于性能要求和应用环境选择传感器的建议。为解决低能见度条件下的车辆-道路环境感知难题，Wang[69]将多模视觉成像与深度学习相结合，开发了一种多分支输入编码-解码网络模型，如图 8所示。该模型能够同时输入偏振度图像和红外图像，并使用2个分支网络提取多模态特征。试验结果表明，所提方法能够有效提升图像的分割效果，并且比单一模态特征的语义分割效果更好。Kim[70]研究了一种基于多传感器的移动物体检测和跟踪技术，用于自动驾驶条件下的相对位置估计。该方法结合了YOLO神经网络目标检测技术，通过修改检测器以实时获取局部位置估计，同时构建了一个融合服务器，以同步和转换多传感器上多个物体的信息，解决了包括长、中、短视距在内的周围视图识别问题。
6 结论及未来研究方向
从公路交通各要素计量测试技术研究现状看，数字化、智能化发展趋势越发明显，这一趋势既体现在检测仪器及装备的改进方面，也体现在计量溯源方法和模式的创新上。结合对公路交通领域计量测试技术的总结和回顾，对未来研究方向提出以下设想。
(1) 道路、桥梁健康监/检测与损伤预测。未来研究中，可见光和红外相机仍将是机器视觉检测的主要感知手段，但空间和时间分辨率将进一步提高；结构监测方面加速度、振动、倾角、应变等传感器的集成化、智能化、高性能、低成本优化，极端环境下的可靠性提升将是传感器研究的重点方向。在数据质量提升的前提下，基础设施的损坏分析和预测将与机器学习、深度学习等技术深入融合，支撑结构损坏的内在规律性研究。
(2) 路侧智能感知系统的计量测试及性能评估。未来研究将侧重于利用深度学习和多传感器融合技术的车辆检测、跟踪、定位与姿态估计，复杂交通场景下车辆速度测量与车型分类；车辆与路侧感知系统的实时通信、网络安全与隐私保护、环境适应性等测试技术；结合真实交通环境的计量测试参考系统的研究，包括准确稳定的车辆动态特性自动获取、轨迹测量和预测等。
(3) 驾驶员和行人行为特征感知与意图分析。未来研究将聚焦利用多模态传感数据融合提高行人和驾驶员状态监测、跟踪和意图识别的准确性和鲁棒性，开发针对复杂环境和夜间条件下的行人和驾驶员行为检测系统，研究智能驾驶场景中的多目标跟踪算法，在考虑隐私和伦理问题的情况下研发驾驶员疲劳、分心等异常行为的实时监测技术。
(4) 公路交通噪声监测与碳计量。在噪声监测方面，未来研究将侧重于大区域交通噪声的实时评估模型、噪声暴露成本评估模型、基于实时车辆噪声源强的预测模型等。碳计量方面，重点强化基于遥感技术的车辆排放监测技术、便携式排放测量技术的研发及应用，开展碳计量方法、传感器及仪器研发，推进碳计量数据的采集、分析和科学评价。
(5) 车载交通态势感知系统的量化评测。未来研究将侧重于基于深度学习的时空信息处理，复杂交通环境下的车道检测和交通环境的实时分析，低能见度条件下的融合感知技术，结合多模态成像与深度学习的环境感知技术，移动物体的精准检测、位置估计与跟踪算法，基于3D激光雷达数据的障碍物检测技术等。
| [1] |
李彦宏. 智能交通: 影响人类未来10-40年的重大变革[M]. 北京: 人民出版社, 2021. LI Yanhong. Intelligent transportation: Major transformation influencing next 10 to 40 years of humanity[M]. Beijing: People's Publishing House, 2021. |
| [2] |
HU W B, WANG W D, AI C B, et al. Machine vision-based surface crack analysis for transportation infrastructure[J/OL]. Automation in Construction, 2021, 132: 103973. https://doi.org/10.1016/j.autcon. 2021.103973.
|
| [3] |
SANTHOSH K K, DOGRA D P, ROY P P. Anomaly detection in road traffic using visual surveillance: A survey[J].
ACM Computing Surveys, 2021, 53(6): 1-26.
|
| [4] |
XU S Y, WANG J, WU P, et al. Vision-based pavement marking detection and condition assessment: A case study[J/OL]. Applied Sciences, 2021, 11(7): 3152. (2021-04-01)[2024-08-01]. https://doi.org/10.3390/app11073152.
|
| [5] |
FERNÁNDEZ L D, HERNÁNDEZ M A, GARCÍA D I. Vision-based vehicle speed estimation: A survey[J].
IET Intelligent Transport Systems, 2021, 15(8): 987-1005.
DOI:10.1049/itr2.12079 |
| [6] |
ZHANG C, ESKANDARIAN A. A survey and tutorial of EEG-based brain monitoring for driver state analysis[J].
IEEE/CAA Journal of Automatica Sinica, 2021, 8(7): 1222-1242.
DOI:10.1109/JAS.2020.1003450 |
| [7] |
ZHU Q. Research on road traffic situation awareness system based on image big data[J].
IEEE Intelligent Systems, 2020, 35(1): 18-26.
DOI:10.1109/MIS.2019.2942836 |
| [8] |
SONG R, FANG Y C. Vehicle state estimation for INS/GPS aided by sensors fusion and SCKF-based algorithm[J/OL]. Mechanical Systems and Signal Processing, 2021, 150: 107315. https://doi.org/10.1016/j.ymssp. 2020.107315.
|
| [9] |
KIM J H, CHI S K, KIM J W. 3D pose estimation and localization of construction equipment from single camera images by virtual model integration[J/OL]. Advanced Engineering Informatics, 2023, 57: 102092. https://doi.org/10.1016/j.aei.2023.102092
|
| [10] |
LUO Y C, LI X B, JING G Q, et al. Performance evaluation of traffic speed deflectometer based on virtual standard test road[J].
IEEE Access, 2023, 11: 977-986.
DOI:10.1109/ACCESS.2022.3233027 |
| [11] |
JING G Q, DUAN F J, PENG L, et al. In-situ calibration of in-service strain sensing system under passive excitation: Methodology and impacts assessment[J/OL]. Measurement Science and Technology, 2021, 32(12): 125121. (2021-10-08)[2024-08-01]. https://doi.org/10.1088/1361-6501/ac2618.
|
| [12] |
荆根强, 段发阶, 彭璐, 等. 基于被动激励的结构应变监测系统在线校准方法[J]. 仪器仪表学报, 2021, 41(8): 137-145. JING Genqiang, DUAN Fajie, PENG Lu, et al. Online calibration method for structural strain monitoring system based on passive excitation[J]. Chinese Journal of Science Instrument, 2021, 41(8): 137-145. |
| [13] |
WANG W X, WANG M F, LI H X, et al. Pavement crack image acquisition methods and crack extraction algorithms: A review[J].
Journal of Traffic and Transportation Engineering (English Edition), 2019, 6(6): 535-556.
DOI:10.1016/j.jtte.2019.10.001 |
| [14] |
MA L F, LI Y, LI J, et al. Mobile laser scanned point-clouds for road object detection and extraction: A review[J/OL]. Remote Sensing, 2018, 10(10): 1531. (2018-09-24)[2024-08-01]. https://doi.org/10.3390/rs10101531.
|
| [15] |
HOU Y, LI Q H, ZHANG C, et al. The state-of-the-art review on applications of intrusive sensing, image processing techniques, and machine learning methods in pavement monitoring and analysis[J].
Engineering, 2021, 7(6): 845-856.
DOI:10.1016/j.eng.2020.07.030 |
| [16] |
MALEKLOO A, OZER E, ALHAMAYDEH M, et al. Machine learning and structural health monitoring overview with emerging technology and high-dimensional data source highlights[J].
Structural Health Monitoring, 2022, 21(4): 1906-1955.
DOI:10.1177/14759217211036880 |
| [17] |
GHAHREMANNEZHAD H, SHI H, LIU C J. Object detection in traffic videos: A survey[J].
IEEE Transactions on Intelligent Transportation Systems, 2023, 24(7): 6780-6799.
DOI:10.1109/TITS.2023.3258683 |
| [18] |
RAVINDRAN R, SANTORA M J, JAMALI M M. Multi-object detection and tracking, based on DNN, for autonomous vehicles: A review[J].
IEEE Sensors Journal, 2021, 21(5): 5668-5677.
DOI:10.1109/JSEN.2020.3041615 |
| [19] |
SIKANDER G, ANWAR S. Driver fatigue detection systems: A review[J].
IEEE Transactions on Intelligent Transportation Systems, 2019, 20(6): 2339-2352.
DOI:10.1109/TITS.2018.2868499 |
| [20] |
LI T. A state-of-the-art review of measurement techniques on tire-pavement interaction noise[J].
Measurement, 2018, 128: 325-351.
DOI:10.1016/j.measurement.2018.06.056 |
| [21] |
MANN S, SINGH G. Traffic noise monitoring and modelling: An overview[J].
Environmental Science and Pollution Research, 2022, 29(37): 55568-55579.
DOI:10.1007/s11356-022-21395-4 |
| [22] |
HU J W, ZHENG B Y, WANG C, et al. A survey on multi-sensor fusion based obstacle detection for intelligent ground vehicles in off-road environments[J].
Frontiers of Information Technology & Electronic Engineering, 2020, 21(5): 675-692.
|
| [23] |
TRAN V P, TRAN T S, LEE H J, et al. One stage detector (RetinaNet)-based crack detection for asphalt pavements considering pavement distresses and surface objects[J].
Journal of Civil Structural Health Monitoring, 2021, 11(1): 205-222.
DOI:10.1007/s13349-020-00447-8 |
| [24] |
TRAN T S, TRAN V P, LEE H J, et al. A two-step sequential automated crack detection and severity classification process for asphalt pavements[J].
International Journal of Pavement Engineering, 2022, 23(6): 2019-2033.
DOI:10.1080/10298436.2020.1836561 |
| [25] |
DU Y C, PAN N, XU Z H, et al. Pavement distress detection and classification based on YOLO network[J].
International Journal of Pavement Engineering, 2021, 22(13): 1659-1672.
DOI:10.1080/10298436.2020.1714047 |
| [26] |
LIU J W, YANG X, LAU S, et al. Automated pavement crack detection and segmentation based on two-step convolutional neural network[J].
Computer-Aided Civil and Infrastructure Engineering, 2020, 35(11): 1291-1305.
DOI:10.1111/mice.12622 |
| [27] |
PERAKA N S P, BILIGIRI K P, KALIDINDI S N. Development of a multi-distress detection system for asphalt pavements: Transfer learning-based approach[J].
Journal of the Transportation Research Board, 2021, 2675: 538-553.
|
| [28] |
LI B L, QI Y, FAN J S, et al. A grid-based classification and box-based detection fusion model for asphalt pavement crack[J].
Computer-Aided Civil and Infrastructure Engineering, 2023, 38(16): 2279-2299.
DOI:10.1111/mice.12962 |
| [29] |
FLORES J M, LEE H J, ELIPSE C, et al. Dynamic back-calculation approach of deflections obtained from the rolling dynamic deflectometer: Fundamental theory[J/OL]. Journal of Transportation Engineering, Part B: Pavements, 2021, 147(1): 04020089. (2021-03-01)[2024-08-01]. https://doi.org/10.1061/jpeodx.0000249.
|
| [30] |
XIAO J L, FAN J S, LIU Y F, et al. Region of interest (ROI) extraction and crack detection for UAV-based bridge inspection using point cloud segmentation and 3D-to-2D projection[J/OL]. Automation in Construction, 2024, 158: 105226. https://doi.org/10.1016/j.autcon. 2023.105226.
|
| [31] |
HU H, WANG J J, DONG C Z, et al. A hybrid method for damage detection and condition assessment of hinge joints in hollow slab bridges using physical models and vision-based measurements[J/OL]. Mechanical Systems and Signal Processing, 2023, 183: 109631. (2023-01- 15)[2024-08-01]. https://doi.org/10.1016/j.ymssp. 2022.109631.
|
| [32] |
WANG J, ZHANG J Q, COHN A G, et al. Arbitrarily-oriented tunnel lining defects detection from ground penetrating radar images using deep convolutional neural networks[J/OL]. Automation in Construction, 2022, 133: 104044. https://doi.org/10.1016/j.autcon.2021. 104044.
|
| [33] |
HUANG H, WU Z S, WANG X. Accurate rotation identification of flexural structures using long-gauge fiber optical sensors[J/OL]. (2024-01-24)[2024-08-01]. Advances in Structural Engineering, 2024. https://doi.org/10.1177/13694332241229017.
|
| [34] |
ZHENG W H, DAN D H, ZHONG J W. Performance monitoring of assembled beam bridges using displacement spectrum similarity measure[J/OL]. Advances in Structural Engineering, 2024. https://doi.org/10.1177/13694332231223624.
|
| [35] |
DESJARDINS S, LAU D. Advances in intelligent long-term vibration-based structural health-monitoring systems for bridges[J].
Advances in Structural Engineering, 2022, 25(7): 1413-1430.
DOI:10.1177/13694332221081186 |
| [36] |
ABEDIN M, DE CASO Y BASALO F J, KIANI N, et al. Bridge load testing and damage evaluation using model updating method[J/OL]. Engineering Structures, 2022, 252: 113648. (2022-02-01)[2024-08-01]. https://doi.org/10.1016/j.engstruct.2021.113648.
|
| [37] |
YANG D H, GUAN Z X, YI T H, et al. Structural temperature gradient evaluation based on bridge monitoring data extended by historical meteorological data[J].
Structural Health Monitoring, 2023, 23(3): 1800-1815.
|
| [38] |
WANG Z G, ZHAN J, DUAN C G, et al. Traffic vehicle cognition in severe weather based on radar and infrared thermal camera fusion[J/OL]. Measurement Science and Technology, 2021, 32(9): 095111. (2021-06-08)[2024-08-01]. https://doi.org/10.1088/1361-6501/abfe34.
|
| [39] |
ZHANG J H, WANG R C, LIU R Y, et al. DSP-based traffic target detection for intelligent transportation[J/OL]. IEEE Transactions on Intelligent Transportation Systems, 2023, 24(11): 13180-13191.
|
| [40] |
YU Y, LIU H T, FU Y Z, et al. Embedding pose information for multiview vehicle model recognition[J].
IEEE Transactions on Circuits and Systems for Video Technology, 2022, 32(8): 5467-5480.
DOI:10.1109/TCSVT.2022.3151116 |
| [41] |
WANG H, NIU Y Q, CHEN L, et al. Phased feature extraction network for vehicle search tasks based on cross-camera for vehicle-road collaborative perception[J/OL]. Sensors, 2023, 23(20): 8630. (2023-10-22)[2024-08-01]. https://doi.org/10.3390/s23208630.
|
| [42] |
LIU R J, YUAN Z J, LIU T. Learning TBox with a cascaded anchor-free network for vehicle detection[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(1): 321-332.
DOI:10.1109/TITS.2020.3010523 |
| [43] |
GE D Y, YAO X F, XIANG W J, et al. Vehicle detection and tracking based on video image processing in intelligent transportation system[J].
Neural Computing and Applications, 2023, 35: 2197-2209.
DOI:10.1007/s00521-022-06979-y |
| [44] |
ZHU B, TAO X W, ZHAO J, et al. An integrated GNSS/UWB/DR/VMM positioning strategy for intelligent vehicles[J].
IEEE Transactions on Vehicular Technology, 2020, 69(10): 10842-10853.
DOI:10.1109/TVT.2020.3014516 |
| [45] |
WANG Q, CHEN J, DENG J Q, et al. Simultaneous pose estimation and velocity estimation of an ego vehicle and moving obstacles using LiDAR information only[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(8): 12121-12132.
DOI:10.1109/TITS.2021.3109936 |
| [46] |
ZHAO C F, FU C, DOLAN J M, et al. L-shape fitting-based vehicle pose estimation and tracking using 3D-LiDAR[J].
IEEE Transactions on Intelligent Vehicles, 2021, 6(4): 787-798.
DOI:10.1109/TIV.2021.3078619 |
| [47] |
TRIVEDI J D, MANDALAPU S D, DAVE D H. Vision-based real-time vehicle detection and vehicle speed measurement using morphology and binary logical operation[J/OL]. Journal of Industrial Information Integration, 2022, 27: 100280. https://doi.org/10.1016/j.jii.2021. 100280.
|
| [48] |
ZHANG B, ZHANG J. A traffic surveillance system for obtaining comprehensive information of the passing vehicles based on instance segmentation[J].
IEEE Transactions on Intelligent Transportation Systems, 2021, 22(11): 7040-7055.
DOI:10.1109/TITS.2020.3001154 |
| [49] |
LIU C F, HUYNH D Q, SUN Y C, et al. A vision-based pipeline for vehicle counting, speed estimation, and classification[J].
IEEE Transactions on Intelligent Transportation Systems, 2021, 22(12): 7547-7560.
DOI:10.1109/TITS.2020.3004066 |
| [50] |
ZHANG H Y, YANG Q G, LIU Q, et al. Multi-sensor integrated monitoring equipment and its application to dynamic compaction quality in construction[J/OL]. Automation in Construction, 2023, 156: 105151.https://doi.org/10.1016/j.autcon.2023.105151.
|
| [51] |
WEI J Y, SU S J, ZHAO Z Q, et al. Infrared pedestrian detection using improved UNet and YOLO through sharing visible light domain information[J/OL]. Measurement, 2023, 221: 113442. (2023-11-15)[2024-08-01].https://doi.org/10.1016/j.measurement.2023.113442.
|
| [52] |
ZHAO W, WANG T T, TAN A, et al. Nighttime pedestrian detection based on a fusion of visual information and millimeter-wave radar[J].
IEEE Access, 2023, 11: 68439-68451.
DOI:10.1109/ACCESS.2023.3291398 |
| [53] |
DIMITRIEVSKI M, VAN HAMME D, VEELAERT P, et al. Cooperative multi-sensor tracking of vulnerable road users in the presence of missing detections[J/OL]. Sensors, 2020, 20(17): 4817.(2020-08-26)[2024- 08-01]. https://doi.org/10.3390/s20174817.
|
| [54] |
贺宇哲, 徐光美, 何宁, 等. 迭代Faster R-CNN的密集行人检测[J]. 计算机工程与应用, 2023, 59(21): 214-221. HE Yuzhe, XU Guangmei, HE Ning, et al. Dense pedestrian detection with iterative Faster R-CNN[J]. Computer Engineering and Applications, 2023, 59(21): 214-221. DOI:10.3778/j.issn.1002-8331.2206-0315 |
| [55] |
FANG Z J, LOPEZ A M. Intention recognition of pedestrians and cyclists by 2D pose estimation[J].
IEEE Transactions on Intelligent Transportation Systems, 2020, 21(11): 4773-4783.
DOI:10.1109/TITS.2019.2946642 |
| [56] |
YU J M, PARK S W, LEE S W, et al. Driver drowsiness detection using condition-adaptive representation learning framework[J].
IEEE Transactions on Intelligent Transportation Systems, 2019, 20(11): 4206-4218.
DOI:10.1109/TITS.2018.2883823 |
| [57] |
SUNAGAWA M, SHIKII S, NAKAI W, et al. Comprehensive drowsiness level detection model combining multimodal information[J].
IEEE Sensors Journal, 2020, 20(7): 3709-3717.
DOI:10.1109/JSEN.2019.2960158 |
| [58] |
SU L, SUN C, CAO D P, et al. Efficient driver anomaly detection via conditional temporal proposal and classification network[J].
IEEE Transactions on Computational Social Systems, 2023, 10(2): 736-745.
DOI:10.1109/TCSS.2022.3158480 |
| [59] |
BAI J, YU W T, XIAO Z, et al. Two-stream spatial-temporal graph convolutional networks for driver drowsiness detection[J].
IEEE Transactions on Cybernetics, 2022, 52(12): 13821-13833.
DOI:10.1109/TCYB.2021.3110813 |
| [60] |
LAN Z Q, CAI M. Dynamic traffic noise maps based on noise monitoring and traffic speed data[J/OL]. Transportation Research Part D: Transport and Environment, 2021, 94: 102796. https://doi.org/10.1016/j.trd.2021.102796.
|
| [61] |
袁旻忞, 李明亮, 刘晓霏. 一种基于近距法(CPX)改进的低噪声路面降噪效果预估方法[J]. 中国环境科学, 2021, 41(12): 5943-5952. YUAN Minmin, LI Mingliang, LIU Xiaofei. An improved noise reduction performance prediction method for low noise pavement based on CPX[J]. China Environmental Science, 2021, 41(12): 5943-5952. DOI:10.3969/j.issn.1000-6923.2021.12.051 |
| [62] |
DOBRILOVIĆ D, BRTKA V, JOTANOVIĆ G, et al. The urban traffic noise monitoring system based on LoRaWAN technology[J].
Wireless Networks, 2022, 28(1): 441-458.
DOI:10.1007/s11276-021-02586-2 |
| [63] |
PASCALE A, GUARNACCIA C, MACEDO E, et al. Road traffic noise monitoring in a smart city: Sensor and model-based approach[J/OL]. Transportation Research Part D: Transport and Environment, 2023, 125: 103979. https://doi.org/10.1016/j.trd.2023.103979.
|
| [64] |
NYGREN J, BOIJ S, RUMPLER R, et al. Vehicle-specific noise exposure cost: Noise impact allocation methodology for microscopic traffic simulations[J/OL]. Transportation Research Part D: Transport and Environment, 2023, 118: 103712. https://doi.org/10.1016/j.trd.2023.103712.
|
| [65] |
BACLET S, KHOSHKHAH K, POURMORADNASSERI M, et al. Near-real-time dynamic noise mapping and exposure assessment using calibrated microscopic traffic simulations[J/OL]. Transportation Research Part D: Transport and Environment, 2023, 124: 103922. https://doi.org/10.1016/j.trd.2023.R103922.
|
| [66] |
MAHESH S, MCNABOLA A, SMITH W, et al. On-road remote sensing of vehicles in Dublin: Measurement and emission factor estimation[J/OL]. Transportation Research Part D: Transport and Environment, 2023, 117: 103620. https://doi.org/10.1016/j.trd.2023.103620.
|
| [67] |
GIS W, GIS M, PIELECHA J, et al. Alternative exhaust emission factors from vehicles in on-road driving tests[J/OL]. Energies, 2021, 14(12): 3487. (2021-05-06)[2024-08-01]. https://doi.org/10.3390/en14123487.
|
| [68] |
DONG Y Q, PATIL S, VAN AREM B, et al. A hybrid spatial-temporal deep learning architecture for lane detection[J].
Computer-Aided Civil and Infrastructure Engineering, 2023, 38(1): 67-86.
DOI:10.1111/mice.12829 |
| [69] |
WANG H F, JIAO Y M, HAO T, et al. Low-visibility vehicle-road environment perception based on the multi-modal visual features fusion of polarization and infrared[J].
IEEE Transactions on Intelligent Transportation Systems, 2023, 24(11): 11997-12013.
DOI:10.1109/TITS.2023.3286541 |
| [70] |
KIM J W, CHOI Y G, PARK M W, et al. Multi-sensor-based detection and tracking of moving objects for relative position estimation in autonomous driving conditions[J].
The Journal of Supercomputing, 2020, 76(10): 8225-8247.
DOI:10.1007/s11227-019-02811-y |
| [71] |
胡杰, 刘汉, 徐文才, 等. 基于三维激光雷达的道路障碍物目标位姿检测算法[J]. Chinese Journal of Lasers, 2021, 48(24): 158-168. HU Jie, LIU Han, XU Wencai, et al. Position detection algorithm of road obstacles based on 3D LiDAR[J]. Chinese Journal of Lasers, 2021, 48(24): 158-168. |
| [72] |
WANG W D, HU W B, WANG W J, et al. Automated crack severity level detection and classification for ballastless track slab using deep convolutional neural network[J/OL]. Automation in Construction, 2021, 124: 103484. https://doi.org/10.1016/j.autcon. 2020.103484.
|
| [73] |
QU Z, MEI J, LIU L, et al. Crack detection of concrete pavement with cross-entropy loss function and improved VGG16 network model[J].
IEEE Access, 2020, 8: 54564-54573.
DOI:10.1109/ACCESS.2020.2981561 |
| [74] |
ALIPOUR M, HARRIS D K. Increasing the robustness of material-specific deep learning models for crack detection across different materials[J/OL]. Engineering Structures, 2020, 206: 110157. (2020-03-01)[2024-08-01]. https://doi.org/10.1016/j.engstruct. 2019.110157.
|
| [75] |
SONG L, WANG X C. Faster region convolutional neural network for automated pavement distress detection[J].
Road Materials and Pavement Design, 2021, 22(1): 23-41.
DOI:10.1080/14680629.2019.1614969 |
| [76] |
XUE Y D, LI Y C. A fast detection method via region-based fully convolutional neural networks for shield tunnel lining defects[J].
Computer-Aided Civil and Infrastructure Engineering, 2018, 33(8): 638-654.
DOI:10.1111/mice.12367 |
| [77] |
JU H Y, LI W, TIGHE S, et al. Detection of sealed and unsealed cracks with complex backgrounds using deep convolutional neural network[J/OL]. Automation in Construction, 2019, 107: 102946. https://doi.org/10.1016/j.autcon.2019.102946.
|
| [78] |
HUANG H W, LI Q T, ZHANG D M. Deep learning based image recognition for crack and leakage defects of metro shield tunnel[J].
Tunnelling and Underground Space Technology, 2018, 77: 166-176.
DOI:10.1016/j.tust.2018.04.002 |
| [79] |
ZHANG X X, RAJAN D, STORY B. Concrete crack detection using context-aware deep semantic segmentation network[J].
Computer-Aided Civil and Infrastructure Engineering, 2019, 34(11): 951-971.
DOI:10.1111/mice.12477 |
| [80] |
ZHAO S, ZHANG D M, HUANG H W. Deep learning-based image instance segmentation for moisture marks of shield tunnel lining[J/OL]. Tunnelling and Underground Space Technology, 2020, 95: 103156. https://doi.org/10.1016/j.tust.2019.103156.
|
| [81] |
LI B X, WANG K C P, ZHANG A, et al. Automatic classification of pavement crack using deep convolutional neural network[J].
International Journal of Pavement Engineering, 2020, 21(4): 457-463.
DOI:10.1080/10298436.2018.1485917 |
| [82] |
GUAN J C, YANG X, DING L, et al. Automated pixel-level pavement distress detection based on stereo vision and deep learning[J/OL]. Automation in Construction, 2021, 129: 103788. https://doi.org/10.1016/j.autcon. 2021. 103788.
|
| [83] |
LI M Y, WANG H, XU G J, et al. Finite element modeling and parametric analysis of viscoelastic and nonlinear pavement responses under dynamic FWD loading[J].
Construction and Building Materials, 2017, 141: 23-35.
DOI:10.1016/j.conbuildmat.2017.02.096 |
| [84] |
FLINTSCH G W, FERNE B, DIEFENDERFER B, et al. Evaluation of traffic-speed deflectometers[J].
Transportation Research Record, 2012, 2304(1): 37-46.
DOI:10.3141/2304-05 |
| [85] |
XIAO F P, XIANG Q, HOU X D, et al. Utilization of traffic speed deflectometer for pavement structural evaluations[J/OL]. Measurement, 2021, 178: 109326. https://doi.org/10.1016/j.measurement.2021.109326.
|
| [86] |
ELSEIFI M A, ABDEL-KHALEK A M, GASPARD K, et al. Evaluation of continuous deflection testing using the rolling wheel deflectometer in Louisiana[J].
Journal of Transportation Engineering, 2012, 138(4): 414-422.
DOI:10.1061/(ASCE)TE.1943-5436.0000349 |
| [87] |
FLORES J M, LEE S, LEE H J, et al. Dynamic back-calculation approach of deflections obtained from the rolling dynamic deflectometer: Application and validation[J/OL]. Journal of Transportation Engineering, Part B: Pavements, 2022, 148(2): 04022010.(2022-02-09)[2024-08-01]. https://doi.org/10.1061/JPEODX. 0000353.
|
| [88] |
LI Q Q, ZOU Q, MAO Q Z, et al. Efficient calibration of a laser dynamic deflectometer[J].
IEEE Transactions on Instrumentation and Measurement, 2013, 62(4): 806-813.
DOI:10.1109/TIM.2013.2240932 |
| [89] |
张德津, 李清泉, 曹民, 等. 基于路面变形速度的弯沉测量方法[J]. 上海交通大学学报, 2015, 49(2): 220-226, 231. ZHANG Dejin, LI Qingquan, CAO Min, et al. Deflection measurement methods based on velocities of pavement deflections[J]. Journal of Shanghai Jiaotong University, 2015, 49(2): 220-226, 231. |
| [90] |
LUO Y C, AN H Z, LI X B, et al. Dynamic measuring method of laser beam incident angle for laser Doppler vibrometer[J/OL]. Applied Sciences, 2023, 13(18): 10396. (2023-09-17)[2024-08-01]. https://doi.org/10.3390/app131810396.
|
| [91] |
CHA Y J, CHOI W R, SUH G Y, et al. Autonomous structural visual inspection using region-based deep learning for detecting multiple damage types[J].
Computer-Aided Civil and Infrastructure Engineering, 2018, 33(9): 731-747.
DOI:10.1111/mice.12334 |
| [92] |
JIANG Y J, ZHANG X P, TANIGUCHI T. Quantitative condition inspection and assessment of tunnel lining[J].
Automation in Construction, 2019, 102: 258-269.
DOI:10.1016/j.autcon.2019.03.001 |
| [93] |
ZHENG W H, DAN D H, CHENG W, et al. Real-time dynamic displacement monitoring with double integration of acceleration based on recursive least squares method[J].
Measurement, 2019, 141: 460-471.
DOI:10.1016/j.measurement.2019.04.053 |
| [94] |
TRPKOVIĆ A, ŠELMIĆ M, JEVREMOVIĆ S. Model for the identification and classification of partially damaged and vandalized traffic signs[J].
KSCE Journal of Civil Engineering, 2021, 25(10): 3953-3965.
DOI:10.1007/s12205-021-1796-9 |
| [95] |
JUNG J H, CHE E Z, OLSEN M J, et al. Efficient and robust lane marking extraction from mobile LiDAR point clouds[J].
ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 147: 1-18.
DOI:10.1016/j.isprsjprs.2018.11.012 |
| [96] |
ZHANG D J, XU X, LIN H, et al. Automatic road-marking detection and measurement from laser-scanning 3D profile data[J/OL]. Automation in Construction, 2019, 108: 102957. https://doi.org/10.1016/j.autcon.2019. 102957.
|
| [97] |
ZHANG J X, XIAO W, COIFMAN B, et al. Vehicle tracking and speed estimation from roadside LiDAR[J].
IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 5597-5608.
DOI:10.1109/JSTARS.2020.3024921 |
| [98] |
ZHAO C, DING D L, DU Z Y, et al. Analysis of perception accuracy of roadside millimeter-wave radar for traffic risk assessment and early warning systems[J/OL]. International Journal of Environmental Research and Public Health, 2023, 20(1): 879.(2023-01-03)[2024-08-01]. https://doi.org/10.3390/ijerph20010879.
|
| [99] |
YANG L, LI M L, SONG X W, et al. Vehicle speed measurement based on binocular stereovision system[J].
IEEE Access, 2019, 7: 106628-106641.
DOI:10.1109/ACCESS.2019.2932120 |
| [100] |
SHI B, SHEN S H, LIU L P, et al. Estimation of vehicle speed from pavement stress responses using wireless sensors[J/OL]. Journal of Transportation Engineering, Part B: Pavements, 2021, 147(3): 04021028. (2021-05-14)[2024-08-01].https://doi.org/10.1061/JPEODX.0000288.
|
| [101] |
JIN S F, YIN J J, TIAN M R, et al. Practical speed measurement for an intelligent vehicle based on double Radon transform in urban traffic scenarios[J/OL]. Measurement Science and Technology, 2021, 32(2): 025114. (2020-12-03)[2024-08-01]. https://doi.org/10.1088/1361-6501/abb5d9.
|
| [102] |
MA Z Y, ZHANG J X, PHILBIN S P, et al. Dynamic quality monitoring system to assess the quality of asphalt concrete pavement[J/OL]. Buildings, 2021, 11(12): 577. (2021-11-24)[2024-08-01]. https://doi.org/10.3390/buildings11120577.
|
| [103] |
LUO C L, SHA H, LING C L, et al. Intelligent detection for tunnel shotcrete spray using deep learning and LiDAR[J].
IEEE Access, 2020, 8: 1755-1766.
DOI:10.1109/ACCESS.2019.2962496 |
| [104] |
WU C Z, WANG X Y, CHEN M C, et al. Differential received signal strength based RFID positioning for construction equipment tracking[J/OL]. Advanced Engineering Informatics, 2019, 42: 100960. https://doi.org/10.1016/j.aei.2019.100960.
|
| [105] |
LUO H, WANG M Z, WONG P K Y, et al. Full body pose estimation of construction equipment using computer vision and deep learning techniques[J/OL]. Automation in Construction, 2020, 110: 103016. https://doi.org/10.1016/j.autcon.2019.103016.
|
| [106] |
ROBERTS D, GOLPARVAR-FARD M. End-to-end vision-based detection, tracking and activity analysis of earthmoving equipment filmed at ground level[J/OL]. Automation in Construction, 2019, 105: 102811. https://doi.org/10.1016/j.autcon.2019.04.006.
|
| [107] |
ZHU Z, H REN X N, CHEN Z. Integrated detection and tracking of workforce and equipment from construction jobsite videos[J].
Automation in Construction, 2017, 81: 161-171.
DOI:10.1016/j.autcon.2017.05.005 |
| [108] |
闫晨阳, 刘宏哲, 徐成, 等. 面向智能驾驶的行人多目标跟踪算法研究[J]. 计算机工程与应用, 2023, 59(15): 206-213. YAN Cenyang, LIU Hongzhe, XU Cheng, et al. Research on pedestrian multi-object tracking algorithm for intelligent driving[J]. Computer Engineering and Applications, 2023, 59(15): 206-213. DOI:10.3778/j.issn.1002-8331.2204-0105 |
| [109] |
PHAN A C, TRIEU T N, PHAN T C. Driver drowsiness detection and smart alerting using deep learning and IoT[J/OL]. Internet of Things, 2023, 22: 100705. https://doi.org/10.1016/j.iot.2023.100705.
|
| [110] |
CIVIK E, YUZGEC U. Real-time driver fatigue detection system with deep learning on a low-cost embedded system[J/OL]. Microprocessors and Microsystems, 2023, 99: 104851. https://doi.org/10.1016/j.micpro.2023.104851.
|
| [111] |
BENOCCI R, CONFALONIERI C, ROMAN H E, et al. Accuracy of the dynamic acoustic map in a large city generated by fixed monitoring units[J/OL]. Sensors, 2020, 20(2): 412. (2020-01-11)[2024-08-01]. https://doi.org/10.3390/s20020412.
|
| [112] |
王奇, 秦延朋, 马保龙, 等. 基于实时车辆源强的交通噪声预测模型研究[J]. 声学技术, 2023, 42(3): 358-362. WANG Qi, QIN Yanpeng, MA Baolong, et al. Research on traffic noise prediction model based on real-time vehicle source intensity[J]. Technical Acoustics, 2023, 42(3): 358-362. |
| [113] |
ZHANG S H, PENG D, LI Y, et al. Study on the real-world emissions of rural vehicles on different road types[J/OL]. Environmental Pollution, 2021, 273: 116453. (2021-03-15)[2024-08-01]. https://doi.org/10.1016/j.envpol.2021.116453.
|
| [114] |
李茂月, 吕虹毓, 王飞, 等. 基于机器视觉的智能车辆鲁棒车道线识别方法[J]. 中国机械工程, 2021, 32(2): 242-252. LI Maoyue, LV Hongyu, WANG Fei, et al. An intelligent vehicle robust lane line identification method based on machine vision[J]. China Mechanical Engineering, 2021, 32(2): 242-252. DOI:10.3969/j.issn.1004-132X.2021.02.016 |