图 3 人脸识别系统组成
软件方面，20世纪 50年代，认知科学家就已着手对人脸识别展开研究。20世纪 60年代，人脸识别工程化应用研究正式开启。当时的方法主要利用了人脸的几何结构，通过分析人脸器官特征点及其之间的拓扑关系进行辨识。这种方法简单直观，但是一旦人脸姿态、表情发生变化，则精度严重下降。21世纪前 10年，随着机器学习理论的发展，研究人员探索了基于遗传算法、支持向量机、boosting、流形学习及核方法等进行人脸识别的技术。2009—2012年，稀疏表达（sparse representation）成 为 研 究 热 点 。 LFW（labeled faces in the wild）人脸识别公开竞赛在此背景下开始流行。当时最好的识别系统在 LFW上的最高精度仅约 80%，距离实用距离颇远。2013年，研究者基于高维局部二值模式（local binary pattern，LBP）特征和 Joint Bayesian 方法在LFW上获得了 95.17%的精度。2014年前后，香港中文大学的 Sun 等提出将卷积神经网络应用到人脸识别上，采用 20 万训练数据，在 LFW 上第一次得到超过人类水平的识别精度（表1）。
表 1 人脸识别经典方法及其在 LFW上精度对比
硬件方面，人脸识别技术经历了可见光图像人脸识别、三维图像人脸识别/热成像人脸识别、基于主动近红外图像的多光源人脸识别 3层进化过程，逐渐缓解和解决了光线等环境的变化对于人脸识别的影响，加之算法的不断精准演化，人脸识别技术逐渐进入越来越多的应用领域。
② 无感支付技术。目前，应用于交通的无感支付技术主要包括 3 种途径：不停车电子收费系统（ETC）、车牌识别和北斗支付。3 种技术途径的特点如表 2 所示。
表 2 无感支付技术对比
ETC在高速上已有成熟应用，但其需要用户安装车载单元（on board unit，OBU），流程相对复杂，但现有用户规模较大。截至 2017年，中国已有约 30%车辆安装了 ETC 设备。车牌识别技术对识别环境要求高，对天气条件较为敏感，但该技术流程简单，只要注册即可应用服务，对停车场来说只需增设摄像头等即可。北斗智能支付方案要求每辆车安装北斗模块，手机安装 APP后即可使用支付服务，该模式相对复杂，但支付场景可延展性比ETC和车牌识别更强。
智能交通主要技术发展展望
为实现交通强国的建设目标，抓住机遇、大幅度提高中国智能交通水平是我们面临的重要任务。从以上回顾可知，交通大数据平台及其应用、视频数据提取技术、综合分析研判技术、交通控制优化技术、车路协同技术、城市交通大脑、无感技术等 7项技术是智能交通领域的关键技术，对上述技术的发展进行分析，展望如下。
交通大数据技术
交通大数据具有多源异构、时空跨度大、动态多变、异质性、高度随机性、局部性和生命周期较短等特征，如何有效地采集和利用交通大数据，满足高时效性的交通组织控制、交通信息服务、交通状况预警、交通行政监管、交通执法管理、交通企业经营管理、交通市民服务等应用需求，是城市交通和智慧城市面临的机遇和挑战。
构建交通大数据平台是深化大数据应用、不断探索应用人工智能技术、不断提高智能化水平的前提条件。未来交通大数据应用，最重要的方向是数据“加工能力”的提高，未来必然要形成规范的数据结构和实时的数据处理机制，在大数据的采集、传输、处理和应用中，通过系统地使用非传统工具对大量的结构化、半结构化和非结构化数据进行处理，从而获得能够支撑规律发现、机理分析和对策方案自动生成的数据条件。由于数据处理受到高成本、高时效性等一系列条件限制，未来基于云计算技术的数据分析平台、能够实现分布式计算的技术 Hadoop、Spark平台将发挥越来越重要的作用。
视频技术
在智能化发展的背景下，深度学习和大数据为视频识别技术提供了前进的方向。AI智能视频识别算法提出了一种新的基于图（graph）的视频建模方法，实现了可帧级解读视频。为提升智能视频识别技术的应用性，使得智能视频识别产品真正市场化，在完善核心算法的同时，视频识别技术必然将向以下方向发展：一是视频结构化；二是人工智能；三是适应更为复杂和多变的场景；四是更低的成本。
在应用方面，主要体现在智能感知、智能识别及智能分析3个方面。
1）智能感知。路口、路段感知：基于视频识别集成卡口、电警、信号控制、交通检测等系统，为路口的最优配时、道路路况分析、交通大数据、交通规划等提供可靠依据。路侧停车感知：基于图像的识别进行路侧违法停车的感知和抓拍以及路侧停车位的管理，可以有效降低成本，提高系统可靠性。停车场感知：基于视频车位引导系统，实现快速车位引导，通过增配设备可升级为具有找车功能的智能车位引导及视频寻车一体化系统。
2）智能识别。通过图像识别、图像比对及模式匹配等核心技术，实现对人、车、物等相关特征信息的提取与分析，如车牌识别、人脸识别、车身颜色识别、车型识别、车脸识别等。
3）智能分析。一是交通事故及事件检测，基于连续视频可以分析车辆停车、逆行等行为，发现交通事故和交通拥堵时报警；二是车辆违章抓拍，利用视频检测实现非现场执法。
分析研判技术
交通大数据为系统全面分析研判提供了前所未有的信息支撑。应用大数据、云计算、特征识别、数据库分析、大数据挖掘分析、建模仿真、数据可视化等新技术进行交通深度分析研判，有望实现更全面的需求预测、更精准的态势分析、更精细的预报预警、更高效的规律发现、更科学的决策支撑，应用重点体现在交通运行态势分析研判与预警、多尺度交通安全风险分析、警力等资源配置优化与智能执法管理、交通监管与综合服务等方面。
交通分析研判技术发展将以应用为导向，以提高智能化水平为目标，以云计算、大数据挖掘分析、人工智能等技术创新突破为驱动，将在数据融合挖掘、态势分析研判、信息服务与预警、方案智能生成等技术方面重点突破，同时应大力推进相关成果在工程领域的示范和应用。
优化控制技术
未来交通信号优化控制技术将在以下 6个方面实现突破。
1）交通信息采集与融合。基于互联网、大数据及云计算的交通信号控制系统，可以对道路系统中的交通状况、交通事故、气象状况和交通环境进行实时采集、融合分析，形成多来源、多维度的交通状况监控与融合数据。
2）控制方案优化。大数据应用的最核心功能之一是交通信号控制系统的优化，目前这方面的差距巨大，无论是优化思路、还是模型方法，均无明显进展。从实现上看，因信号控制不合理导致的通行资源浪费和交通延误十分明显，可以改进的空间很大。人工智能技术、网络流算法等优化方法的不断发展，将有可能助力实现更加优化的干道控制和区域协调控制。借助车路协同技术，可进一步提高道路交通系统的运行效率。
3）交通信号控制等信息交互方式的改进。在逆光、雨雪、浓雾、沙尘等视线不佳场景和恶劣天气下，驾驶员很难及时分辨信号灯状态。车路协同可以实现将信息迅速传递给交通参与者。
4）信号控制优化效果的评价。对交通信号控制方案进行优化调整后的效果，传统方法难以及时、定量地进行评估。利用移动互联网、手机、卫星定位等数据可以构建更加直观、更加可信的信号控制评价指标，从而可以更加高效地对交通系统性能进行评估和调整。
5）控制与诱导的协同将可能带来基础设施使用效率的显著提高。通过诱导信息，实现主动选择，可以实现更加优化的交通控制。
6）交通流信息与气象信息、大范围的交通状况信息融合使用，能够实现更加安全、更加高效的交通组织与指挥。
车路协同技术
车路协同技术经过世界各国的大量研究和探索，已经取得了阶段性成果。目前，建立了车路协同体系框架和各种相关测试平台，突破了车-车/车-路通信、车辆安全控制及信息技术共享等关键技术，小规模展开了道路演示，但仍存在如下问题和不足。
1）通信标准：国外车路协同通信普遍采用 802.11p协议，中国希望独立制定自己的协议，国家层面的通信标准仍在制定之中。
2）技术推进缓慢：车路协同系统的核心技术目前在世界范围内仍普遍处于基础理论研究、实验测验和小范围商业应用阶段，并未广泛进入民用环节。
3）信息安全问题：由于车路协同可以掌握全体用户的出行状态及目的信息，广泛推进车路协同技术可能在发达国家和更为关注隐私的地区引起公众不同程度的质疑。
城市交通大脑
一个良好的城市交通大脑，能够助力实现数据驱动的交通管理模式和服务模式的形成，提供更好地分析研判和决策实施的智能支撑。主要包括以下 10项关键技术。
1）通过迭代优化的智能算法，优化路口、关联路段、功能组团等之间的交通连接，基于交通事件、道路流量等实时感知体系和交通大数据综合平台的分析能力，智能形成交通组织、管理、控制的优化方案，形成不断进化的交通优化区域，提高道路通行效率。
2）梳理全区域、路口、路段等交通在线实时数据，研发精准刻画道路交通演变的算法模型，包括交通视频分析处理算法、数据整合算法、信号优化算法、交通评价算法、态势研判算法等，为交通信号控制优化提供支撑，实现对交通流状态的精准刻画。
3）创新面向未来交通的交通治理模型，提升当前交通管理目标层级，实现对道路网络上交通运行健康状态的精准感知，通过当前状态和历史状态对比、趋势预判，找出影响交通拥堵和安全的关键因子，确定面向未来交通的治理模型。
4）以数据驱动实现交通规划管理一体化。改变原有的交通系统建设（交通信号控制、非现场执法系统、交通流信息采集系统、交通视频监控系统、交通诱导系统、道路交通设施建设等）和应用相对割裂的局面，消除路口交通设备间数据不共享的状况，以数据分析为基础实现交通管理的科学化和智能化。
5）推进数据治堵深入应用。通过交通大数据研究交通拥堵的成因，以先进的智能算法指导交通排堵保畅策略。交通控制设备实时在线，以实时的交通数据推进区域交通控制策略的形成和实施，形成良性的交通运行机制，保障畅通有序。
6）构建安全有序的交通环境。准确把握交通事故的特点和规律，提升以识别风险、管控风险为主要内容的安全防控能力，建立健全“预测、预警、预防”机制，加强交通安全风险等级研判体系建设。
7）辅助道路网络优化改造决策。基于城市交通大数据分析，实施精准掌握交通需求特性、交通供给特性和交通供求关系特性，为城区道路交通系统改造提供决策支持，实现道路网络建设综合优化。
8）详细分析公交交通运行状况、供求特性、交通方式的衔接特性，不断提高公交的服务质量；不断提高交通分担率、以公交方式为主导的综合交通系统。
9）动态分析末端交通状况，不断提高综合交通一体化、一站式服务能力，促进共享单车等绿色交通出行的发展。
10）动态分析行人需求特性，不断完善行人步行空间，指导形成安全、连续、温馨的步行道路系统。
交通大脑建设要以需求为依据，以功能实现为衡量，要遵循交通工程原理和交通发展规律，注重实际效果。有无实际功能效果是评价交通大脑的第一标准，同时系统要具有优化反馈、智能水平不断自我优化提高的机制（自我进化机制）。换句话说，智能进化机制是交通大脑的基本属性要求。
无感技术
未来无感技术将会广泛应用，除人脸识别、车牌识别和无感支付之外，还有一系列物联网技术将在交通领域深度应用。从现有技术来看，人脸识别相对较为成熟，但也面临一系列需要解决的问题。
1）光照问题：光照投射出的阴影，会加强或减弱原有的人脸特征。
2）表情姿态问题：当发生俯仰或者左右侧面的情况下，人脸识别算法的识别率也将急剧下降。
3）遮挡问题：当被采集出来的人脸图像不完整时，会影响后面的特征提取与识别。
4）年龄变化：对于不同的年龄段，人脸识别算法的识别率也不同。
5）唯一性识别问题。在不同个体之间人脸的区别不大，所有人脸的结构都相似，甚至人脸器官的结构外形都很相似。
6）图像质量：对于分辨率低、噪声大、质量差的人脸图像难以识别。
7）样本缺乏：如何解决小样本下的统计学习问题有待进一步地研究。
8）海量数据：传统人脸识别方法如主成分分析方法（principal component analysis，PCA）、线性判别分析（linear discriminant analysis，LDA）等在海量数据中难以进行，甚至有可能崩溃。
9）大规模人脸识别：随着数据库规模的增长，人脸算法的性能将呈现下降趋势。
在无感支付领域，未来随着城市交通管理的精细化、智能化，基于车辆轨迹的交通收费和基于识别的停车收费等诸多无感收费技术将会得到不断发展，北斗作为全场景的应用技术将有更加广阔的应用前景。
智能交通是提高交通运输系统效率、服务品质、安全水平和环保节能的关键，是建设交通强国、实现中国交通世界领先目标的重要抓手。
为实现交通强国的战略目标，智能交通技术必将实现快速发展，智能化水平必将显著提高。未来智能交通发展的重点将是构建城市交通大数据共享平台、打造先进实用的城市“交通大脑”、构建世界领先的城市智能交通系统、高水平实现车路协同、提升客货运输服务的智能化水平、实现综合运输的智能化、借助于高度的智能化破解交通拥堵、提高安全水平、实现绿色交通主导。
智能交通系统是与城市土地使用形态调整、城市交通结构调整、城市路网结构优化、城市道路系统路权调整一起共同构成的城市交通战略与对策体系，要服务于城市发展战略和综合交通规划发展战略。为做好城市智能交通系统建设，应高度重视智能交通系统的顶层设计，应坚持交通基础设施和交通工程设施建设先行原则，不但要重视智能交通系统的硬件建设，更要注重智能交通系统软件开发与功能提升。
城市智能交通系统建设应以功能实现为核心，以问题为导向，既要有先进性，更要有实用性。智能交通系统发展的第一关键就是能够实现预期功能和能够取得实际应用效果，而不是系统建设本身。智能交通系统建设应进行充分的专家论证和建设效果分析。系统目标明确、验收标准清晰、专家论证充分、后评价制度完善，是保证智能交通系统健康发展的基本要求。应加快出台相关标准与规范，形成完善体系，指导智能交通系统建设，避免决策失误和投资浪费。（责任编辑 王志敏）
基金项目：北京市科技计划项目（Z161100001116093）
参考文献（略）
作者简介：陆化普，清华大学交通研究所，教授，研究方向为智能交通、交通规划与政策。
注：本文发表于《科技导报》2019 年第6期，敬请关注。
