《Sensors》：Real-Time Urban Traffic Monitoring System Based on Edge Computing: Vehicle Speed Estimation via Homography and Automatic License Plate Recognition on Jetson Orin NX for Andean Urban Corridors
编辑推荐：
本文提出一种分布式边缘计算系统，用于实时城市交通监测，在NVIDIA Jetson Orin NX设备上集成车辆速度估计与自动车牌识别（automatic license plate recognition, ALPR）。该系统面向缺乏认证雷达测速基础设施的发
本文提出一种分布式边缘计算系统，用于实时城市交通监测，在NVIDIA Jetson Orin NX设备上集成车辆速度估计与自动车牌识别（automatic license plate recognition, ALPR）。该系统面向缺乏认证雷达测速基础设施的发展中城市环境，满足低成本、自动化交通执法需求。所提架构由两个独立处理节点组成。第一节点使用IMOU空中摄像机、基于YOLO26n的车辆检测、ByteTrack多目标跟踪、透视单应性（homography）变换和卡尔曼滤波（Kalman filtering）进行瞬时速度计算。第二节点使用正面摄像机、YOLO26n检测和紧凑卷积Transformer（Compact Convolutional Transformer, CCT）光学字符识别（optical character recognition, OCR）模型进行实时车牌读取。两个子系统均部署于Jetson Orin NX模块，采用TensorRT FP16优化模型，速度估计保持20.0–22.3 FPS，车牌识别保持29–36 FPS。系统纳入秘鲁交通法规（DS 025-2021-MTC）用于自动违规分类，包括超速违法（代码M20）以及DS 011-2026-MTC引入的5 km/h摄像头容差阈值。现场验证在秘鲁阿亚库乔Jr. Carlos F. Vivanco进行（海拔2719–2725 m a.s.l.）。速度估计在40次夜间通行验证活动中以1 Hz全球导航卫星系统（global navigation satellite system, GNSS）多普勒速度为参考进行验证，速度范围16.9–48.8 km/h，覆盖30 km/h法定限速和35 km/h执法容差。该验证活动中部署的配置采用常速度卡尔曼滤波对度量足点进行平滑，在执法线处达到3.19 km/h的平均绝对误差（mean absolute error, MAE）。该残差被识别为该运动模型在车辆加速下的稳态滞后，其与加速度的相关系数为r = ?0.727；以常加速度模型替代后，在留一通行交叉验证下误差降至1.32 km/h，并完全消除对加速度的依赖（r = +0.003）。该改进已验证可迁移至Jetson部署节点。为完整性保留了两个早期验证活动，因为它们识别出部署故障模式——实时流传输协议（real-time streaming protocol, RTSP）流分辨率重协商和影响停在测量区外车辆的速度显示缺陷——这些作为独立的工程贡献报告。一项涵盖三种架构（YOLOv8m-seg、YOLO11m-seg、YOLO26-seg/det）的六次训练实验（M1–M6）的综合模型开发研究，记录了由边缘计算时延约束驱动的从实例分割到边界框检测的方法学转变。结果表明，利用商用边缘设备和IP摄像机基础设施部署交通执法原型的可行性，为发展中地区的智慧城市应用提供可扩展且成本有效的解决方案。
研究背景方面，超速是城市交通碰撞中最重要且可改变的风险因素，速度摄影机可降低行驶速度，但低收入和中等收入国家的执法覆盖仍不足。秘鲁国家道路安全观察台（ONSV）记录2023年87,083起交通碰撞，超速为主要诱因的占26.4%；阿亚库乔地区2024年记录549起碰撞，较上一年增加32.3%，2021—2023年致命碰撞的49.1%集中于Huamanga省。执法依赖认证雷达测速仪或感应线圈，购置、安装和维护成本高；国家陆路运输管理局（SUTRAN）的认证测速仪集中于少数事故高发国家公路，未覆盖阿亚库乔等中等安第斯城市城市走廊；秘鲁计量标准（NMP 013:2010）的校准与认证要求进一步增加成本与行政负担，即使在利马，移动测速执法也仅有限开展。由此形成“限速存在但实践未监测”的监管缺口。研究人员在同一研究点既有交通灯优化、交通标志识别和弱势道路使用者检测研究基础上，补足自动测速与车牌读取的执法缺口，针对三个空白开展研究：缺少在TensorRT优化分布式边缘节点上集成单应性速度估计与ALPR并依国家法规自动分类的系统；单应性与虚拟线交叉互验未在拥堵历史城市走廊报告；CCT车牌OCR未在实时边缘部署下与EasyOCR等基准比较。研究结论表明，在低成本边缘硬件上无需认证雷达即可实现连续速度与车牌测量，具有可扩展、成本有效的智慧城市应用意义。
关键技术方法上，研究人员采用两个NVIDIA Jetson Orin NX节点分布式部署：速度节点以IMOU空中摄像机视频为输入，经YOLO26n检测、ByteTrack多目标跟踪、基于无人机正射影像与AutoCAD Civil 3D 2025标定的单应性（homography）变换和卡尔曼滤波计算瞬时速度，并以虚拟线交叉法互验；车牌节点以正面摄像机视频为输入，经YOLO26n检测与CCT OCR读取车牌，模型以TensorRT FP16优化。航空数据集来自同一交叉口既有交通灯优化研究（2,985幅图像），正面专有数据集为现场采集1,513幅图像，并与QHAWAY等外部数据组合为7,555幅图像；速度验证采用40次受控夜间通行，以1 Hz GNSS多普勒速度为参考。违规分类依据DS 025-2021-MTC及DS 011-2026-MTC。
研究结果中，4.1 单应性标定验证：通过六点最小二乘单应性拟合与重投影误差评估，平均重投影误差18.3 cm、最大29.7 cm，纵向平均4.4 cm；可靠操作区为0–42 m，P7因偏离平面被剔除。4.2 检测模型比较：在各自测试集比较M1–M6，YOLO26较YOLO11明显提升；M4分割模型Box mAP50达0.920，但在Jetson Orin NX上仅约5 FPS，M5检测模型达20.2 FPS且Box mAP50为0.856；MT类最高mAP50为0.949，RC类最低为0.695，说明实时性约束驱动从实例分割转向边界框检测。4.3 速度估计精度：早期3点与24次夜间验证被取代，并识别RTSP分辨率重协商与速度显示缺陷；校正管线40次夜间通行以GNSS为参考，部署常速度（constant-velocity, CV）滤波在执法线MAE为3.19 km/h、Deming斜率为0.825，误差与加速度相关r = ?0.727；常加速度（constant-acceleration, CA）滤波使MAE降至1.32 km/h且r = +0.003，留一通行交叉验证支持该改进；位置MAE为3.96 m、均方根误差（root mean square error, RMSE）为4.92 m；速度误差随距离由2.08增至9.49 km/h；停车时86%读数低于2 km/h、100%低于5 km/h；近场限制后车辆分类40/40正确；10次通行在Jetson节点复处理显示FP16量化与降帧影响小。4.4 车牌识别性能：4.4.1 M6与YOLO26n_suelo在同一测试集上plate类mAP50分别为0.815与0.807，外部数据未改善秘鲁车牌检测；4.4.2 CCT对EasyOCR在35幅现场车牌上分别为35/35与0/35；4.4.3 现场夜间正确识别14个秘鲁车牌。4.5 实时系统性能：4小时连续运行中速度节点20.0–22.3 FPS、车牌节点29–36 FPS，GPU利用率分别78–85%与65–72%，无流中断且热稳定。4.6 昼夜运行：以每条件200辆车人工真值比较，夜间检测率下降4.5个百分点，归因于深色车辆轮廓丢失、钠灯色偏和殖民建筑阴影，ByteTrack持久性过滤可抑制部分误检。
讨论部分总结：所提系统MAE处于近期视觉测速文献范围，吞吐超过Ammar et al.在Jetson Xavier AGX上的17.1 FPS；双方法架构具原创性，但同车单应性与线交叉定量互验尚未展示。车牌检测负结果支持“本地数据优先”，国际车牌格式与秘鲁标准格式的域差超过增加训练量的收益。局限包括单一车辆与单站点、仅夜间速度验证、智能手机正面相机、夜间分类退化、单交叉口、OCR混淆、速度与车牌子系统未关联、非认证测速仪、M30模块未集成、手动启动、单应性非均匀度量分辨率及数据划分未按采集会话分组等。成本上，两节点增量硬件约US$2354，进口至秘鲁因关税、国产化费用和18% IGV约高于FOB价格29%，月连接约US$17，仍显著低于认证雷达测速仪；标定流程可迁移，法规模块与行政要求对齐。
研究结论部分翻译：本工作提出一种分布式边缘计算系统，用于实时城市交通监测，在两个NVIDIA Jetson Orin NX模块上集成车辆速度估计与自动车牌识别。系统在秘鲁阿亚库乔Jr. Carlos F. Vivanco（海拔2719–2725 m a.s.l.）设计、开发并部署，针对中等安第斯城市缺乏认证雷达基础设施的执法缺口。总体而言，结果验证了系统核心前提：在低成本边缘硬件上无需认证雷达即可实现准确、连续的速度与车牌测量。40次夜间通行以1 Hz GNSS多普勒速度为参考的验证是最强证据。在验证活动部署的常速度滤波下，执法线MAE为3.19 km/h，残差追溯为该运动模型在车辆加速下的稳态滞后（与加速度r = ?0.727）；以常加速度滤波替代后，留一通行交叉验证下误差降至1.32 km/h并完全消除加速度依赖（r = +0.003），该改进在部署硬件上独立验证。同一验证活动还交叉检查了标定本身，纵向位置在41 m区域内与GNSS轨迹一致，MAE为3.96 m、RMSE为4.92 m。该精度是在诊断并修正三种现场故障模式后达到的：未检测到的相机RTSP分辨率重协商，以分辨率强制保护修正；速度显示缺陷，使屏幕保留旧读数但不影响记录测量或违规判定；会话间相机物理位移，其代价被直接量化（陈旧标定下MAE更高，39次中3次违规漏检）。报告这些故障模式与架构本身，旨在为类似部署提供实践贡献：分布式两节点架构（20.0–22.3与29–36 FPS）、双速度估计方法、YOLO26n+CCT车牌流程及DS 025-2021-MTC/DS 011-2026-MTC违规分类器均在方法部分连同其失效条件描述。重要方法学发现是仅用秘鲁本地数据训练的M6与结合外部Roboflow数据的YOLO26n_suelo性能等价，这一负结果说明国际车牌格式与秘鲁标准格式的域差超过增加训练量对该应用的收益。未来工作包括：在至少50次通行、0–60 km/h范围内重新验证修正管线；开发基于Levenshtein距离的后处理器合并重复车牌读数并纠正OCR混淆；以有线IP相机替代智能手机正面相机；补充夜间数据训练以改善低照度车辆分类；将交通信号关联模块集成至实时流管线；自动生成PDF格式推定违规罚单；通过systemd服务实现无人值守自动启动；在第二交叉口Puente Nuevo验证可迁移性；以及关联速度与车牌子系统以链接速度测量与车辆识别。所提系统的可行性、相对认证雷达基础设施的成本可及性及标定流程可迁移性，使其成为发展中地区智慧城市应用的可扩展且成本有效方案；对结果、局限和方法学发现的透明报告旨在为智能交通系统在真实运行环境中的实践部署文献作出贡献。
