CN101329815A - 一种新型的交通路口四相位车流量检测系统与方法 - Google Patents
一种新型的交通路口四相位车流量检测系统与方法 Download PDFInfo
- Publication number
- CN101329815A CN101329815A CNA2008101381575A CN200810138157A CN101329815A CN 101329815 A CN101329815 A CN 101329815A CN A2008101381575 A CNA2008101381575 A CN A2008101381575A CN 200810138157 A CN200810138157 A CN 200810138157A CN 101329815 A CN101329815 A CN 101329815A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detection
- background
- image
- video
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种交通路口四相位车流量检测系统,属于智能交通管理技术领域中的图像处理和模式识别领域,本发明还涉及该检测系统对所采集道路视频信息进行处理以获取车流量的方法。本发明交通路口四相位车流量检测系统及其方法基于检测方法的改进,不涉及车辆类别的判断,主要统计路口四相位车流量和车速数据,精简系统结构,以节约系统成本和消除因系统复杂所带来的多节点而可能产生的缺陷。本发明提供了一种成本低,车辆误检量小,检测精确度高的四相位车流量检测系统及其方法。
Description
(一)技术领域
本发明涉及新型的一种接通路口四相位车流量检测系统,属于智能交通管理技术领域中的图像处理和模式识别领域,本发明还涉及该检测系统对所采集道路视频信息进行处理以获取车流量的方法。
(二)背景技术
目前道路交通管理或其类似场合,往往需要对路口四相位的车流量进行统计和车速计算,提供给交通管理部门车流量和车速数据,以便于对交通进行统筹调控。
目前道路四相位车道需要设置4台摄像机进行交通状况信息进行采集,通常一块采集卡只能与一部摄像机相连,再考虑到与系统接口设备,设备成本成本比较高。
2005年11月23日,国家知识产权局公开了一种名称为《道路交通状况数据采集系统》,申请号为:200410027326.X,其背景技术部分详细描述了当前道路交通状况数据采集的技术现状。该发明在车道下面安装一个或一组可以连续监测相应车道内的地球磁场实时变化状态的异向性磁阻传感器,利用车辆经过时对地磁场的扰动进行车辆信息采集,不过利用地磁场受扰动对车辆信息进行采集实际操作起来是很困难的,虽然不同车型的车辆对地磁场的影响不同,但是如果车流量比较大,各车道间磁场扰动比较大,上述传感器并不能准确反映出车流量的变化。并且对于车辆调控中,很少涉及到车辆分类信息,关键问题在于具体到每一条道路上,几乎每天跑在其上的各种车辆比例相差不大,统计各型车辆流量并无多达实际价值,反而会因此要耗掉大量的系统资源,影响系统速度和检测精度。
涉及到车辆流量信息采集系统的处理方法,目前应用最广泛的是使用熵值作为参考特征参数的检测方法。实际上,摄像头安装在路杆或者桥头上,车辆经过或经风吹动时,不可避免地要引起摄像头的抖动,而上述检测方法的缺点恰恰对摄像机的抖动比较敏感,从而造成所采集图像信息当前祯不清楚,这样容易造成车辆的误检,从而影响检测的精确度。
(三)发明内容
本发明为了克服目前车流量自动采集系统及方法成本高,容易造成车辆误检,检测精确度差的缺陷,提供了一种成本低,车辆误检量小,检测精确度高的交通路口四相位车流量检测系统及其方法。
本发明交通路口四相位车流量检测系统及其方法基于检测方法的改进,不涉及车辆类别的判断,主要统计路口四相位车流量和车速数据,精简系统结构,以节约系统成本和消除因系统复杂所带来的多节点而可能产生的缺陷。
为实现上述发明目的,本发明采用以下技术方案:
其包括一台视野覆盖一个交通路口四个方向的摄像机、一个GPRS\CDMA1X无线通讯模块、一台监控计算机、一台数据库中心服务器,其中摄像机与GPRS\CDMA1X无线通讯模块相连,监控计算机则与数据库中心服务器通过局域网相连。
目前摄像机的分辨率完全可以满足一台摄像机覆盖整个路口四相位情况下的视频采集要求,本发明采用一台摄像机,架设于路口保证其视野覆盖路口四相位,该设备及其数据通讯设备为室外设备,室外设备少,受环境影响小,节约成本的同时,设备维护成本也会大量降低。GPRS\CDMA1X无线通讯模块,是一种独立运行的嵌入式装置,能通过GPRS/CDMA无线网络实现远程视频监控。例如市面上可买到的TM710由台湾TOPMON公司生产,可在厦门拓凯科技有限公司邮购。此外本发明设备包括安装有车辆检测软件和数据库管理系统的监控PC机一台和数据库中心服务器一台,以及电源设备,其设备大大少于原有车流量自动采集系统,成本低,且系统节点量少,维护成本低。
本发明的核心体现在该交通路口四相位车流量检测系统获取车流量的方法,其主要包括以下步骤:
1)视频输入:通过视频采集卡读取摄像机所采集视频信息;
2)设置检测带:按照摄像头安装高度和倾角以及景深的影响,选取显示车辆间距较大的图像下部位置;
3)设置初始背景:设置上述检测带时,没有车辆的情况下,以当前检测线和和检测区域上的当前帧图像作为初始背景图像;
4)车行方向检测;
5)对图像进行预处理:采用背景差法消除因摄像头抖动带来的背景,然后进行形态学除噪、车辆阴影边缘抑制、提取数据流,并对该数据流进行相关性修正和预估校正;
6)判断是否有车辆通过:
6.1)车辆计数、测速:若判断有车通过,则计数,并记录车速,存储数据库存储器;
6.2)背景更新:若判断无车通过,则进行背景更新。
上述获取车流量的方法,所述背景差法为对当前帧与背景帧对应像素点进行邻域比较,优先采用当前帧检测带内的点与背景帧中的对应位置的点进行灰度比较,若差值在设定范围内,则是为背景,不再与邻域点进行比较,反之再顺序比较其他邻域点。
上述获取车流量的方法,进行邻域比较时,阀值选取范围为25~35。
上述获取车流量的方法,所述背景更新判断无车辆通过是以连续150帧持续判断无车辆通过检测线时,进行背景更新。所述车行方向检测包括依次执行的虚拟监测区的设置、目标车辆的定位提取和匹配活动运动矢量三个步骤。
该发明所涉及步骤,其检测带的选取考虑到路口区域大小不同,摄像头的安装高度和倾角也不同,所以检测带选取主要考虑摄像头的安装高度和倾角和景深三大要素,本发明的检测带选取主要选取图像下部位置区域,该处车辆之间间距比较大,包含车辆信息量多,不宜受到噪声影响。本发明采用背景差法消除因摄像头抖动带来的背景,然后进行形态学除噪、车辆阴影边缘抑制、提取数据流,并对该数据流进行预估校正和相关性修正,极大地消除了噪音影响,通过仿真试验,在不同路段、不同时段以及不同天气条件下的视频图像序列作了大量测试,车辆检测准确率保持在80%以上,运行速度可达15帧/秒,大大高于原有车流量监测系统的准确率、精确度和速度,且系统运行稳定没有出现异常,为城市规划提供准确可靠的交通数据。为了防止可能出现漏检的情况,本发明采用了背景动态更新的方法来适应随时间变化的背景,如判断无车通过时,即进行背景更新,便于及时地对背景进行更新。
(四)附图说明
图1为本发明具体实施方式系统结构框图。
图2为本发明具体实施方式系统流程图。
图3为本发明具体实施方式帧差法提取运动车辆的完整步骤图。
图4为本发明具体实施方式阀值处理效果图。
具体实施方式
下面结合说明书附图具体说明一下本发明的原理。
参照说明书附图1,本具体实施方式交通路口四相位车流量自动采集系统,包括一台视野覆盖一个交通路口四个方向的摄像机、一个GPRS\CDMA1X无线通讯模块、一台监控计算机、一台数据库中心服务器,其中摄像机与GPRS\CDMA1X无线通讯模块相连,监控计算机则与数据库中心服务器通过局域网相连。本具体实施方式采用计算机Pentinum4 CPU3.20GHz,GPRS\CDMA1X无线通讯模块可以在无线网络覆盖下的任意地点实现视频监控,具备很好的灵活性和可移动性。
下面具体说明一下本具体实施方式的工作流程:
参照说明书附图首先通过视频采集卡读入摄像机采集的视频图像,接着设置各检测线和检测区域的位置以及各检测线上的参数,在设置检测线的位置时系统把当前检测线和检测区域上的图像作为初始的背景图像,所以只能在检测线(域)上没有车辆时设定。完成上述的参数初始化后系统就可以进行车辆检测了,车辆检测时首先需要对检测线区域的图像进行预处理,预处理步骤包括背景差计算、形态除噪、除去车辆阴影边缘、提取数据流、相关性修正、预估校正;图像预处理后再进行车辆计数、测速和背景更新步骤,一下对各个步骤进行详细的说明:
步骤S101,计算机通过视频采集卡、摄像机采集车道视频信息。
步骤S102、S114、S104,对于读取的道路视频信息,读取当前帧以设置背景帧,为以后步骤提供参考。
步骤S103,设置检测带,其位置的选取应充分考虑摄像头安装的高度和倾角以及景深的影响。检测带过小,包含的车辆信息量太少,易受噪声影响。一般,对于640×480的图像,取平均高度为20行。
步骤S105、S106,车辆行驶方向判断,以实现城市十字路口车辆行驶方向四相位的实时准确判断,主要包括虚拟检测区的设置、目标车辆的定位提取、匹配获得运动矢量三个步骤。其中:
1)设置虚拟检测区
虚拟检测区的设置应遵循以下原则:首先检测区应尽量靠近城市十字路口的正中间位置,这样检测结果才能完整地包含所有相位的情况;其次检测区面积应足够大,有利于方向检测时运动车辆信息的提取;再次,为了降低误判率,应尽量避免包含人行道区域。
2)帧差法提取运动车辆
设置虚拟检测区后,首先利用帧差法得到虚拟检测区的帧差图。设在t1和t2时刻采集到两幅虚拟检测区灰度图像取值为f(x,y,t1)和f(x,y,t2),则二值化帧差图满足:
其中Td为分割阈值,可以事先给定或者用自适应的方法确定。帧差图像中的运动区域已经非常明显,设置阈值进行二值化可以更有效去处那些小于阈值的帧差噪声,同时增强目标区域分割的效果。图像分割中自适应选取阈值的方法有很多,实验证明,最小半采样阈值法虽然不是最佳分割,但是因为该方法尽可能多的保留了车辆信息,其阈值在实际检测中的表现十分理想;同时该方法耗时也比较少。因此,本算法的自适应阈值选取最终采用了最小半采样阈值法。
帧差法得到的运动车辆的目标区域,会存在着一些不需要的孤立点或“空洞”,通过形态学操作可以得到连通完整的运动对象图像。先腐蚀后膨胀称为开运算,具有滤除由噪声引起的离散小区域以及图像边缘毛刺的作用;先膨胀后腐蚀为闭运算,用于填充一些小的空洞或小细缝。为保留更多的车辆信息,本具体实施方式对虚拟检测区的二值化帧差图采用闭运算操作,可以有效填充目标区域内的细小空洞,形成内部连通的完整区域。实验证明,形态学结构元素选择以当前像素点为中心的5×5邻域,可以有效增强目标区域的连通性。
经过形态学操作后,本方法采用了图像分割中的基本算法区域生长法达到简单快速寻找目标车辆区域的目的。具体做法是事先设定面积阈值Tarea,在二值化图像中每个连通区域内找到种子点,依次利用区域生长法计算每个连通区域面积,一旦其中存在区域面积大于阈值Tarea时,该区域即为要寻找的目标车辆。
3)MAD准则匹配算法计算运动矢量
为了进一步提高运算速度,直接从目标车辆区域抠取覆盖大部分车身的方阵作为匹配内容进行模板匹配,采用MAD匹配准则,公式为:
本方法采用最直接的邻域搜索法,在目标车辆方阵的八邻域内做匹配(根据采样率可适当调整领域大小)。设置匹配阈值Tmatch,当根据MAD准则计算的差别小于阈值时,即停止搜索。如此,既能保证得到最佳匹配结果,又有效的提高了搜索速度,增强了算法实时性。由于搜索范围大大减小,算法时间复杂度低,完全能满足实时性要求。
根据匹配前后的位置计算目标车辆的运动矢量,即可判断车辆行驶方向。由于摄像机拍摄角度的问题,真实世界的方向与图像坐标系之间会有一定的夹角θ,判断方向时需要注意修正。
步骤S107,经上述步骤之后,即进入背景差计算阶段。由于摄像头安装在路杆或桥头上,车辆经过或风吹动时,不可避免地要引起摄像头的轻微抖动。若用当前帧与背景帧直接相减,不可能将背景完全去除。
因此,本具体实施方式采用了对当前帧与背景帧对应像素点进行邻域比较的方法,初始背景图像取一幅检测带位置没有车辆的图像,为得到最优的邻域比较效果,并减少不必要的计算量,应优先采用当前帧检测带内的点与背景帧中的对应位置的点进行灰度值比较。若差值在某一范围内,则视为背景,不再与邻域点进行比较;否则再顺序比较其它邻域点。下表所示为当前像素点的八邻域。
1 | 2 | 3 |
0 | X | 4 |
7 | 6 | 5 |
阈值选取时,若阈值过大,对于灰度接近于路面的车,车辆信息丢失太多,易造成漏检;若阈值过小背景去除不干净,易造成误检。在实际工作中,阈值选取30左右为宜,通常为25~35范围内。
步骤S108,形态学除噪。经邻域比较,仍不能完全消除摄像机的抖动、背景不够精确带来的噪声,另外,在视频的摄制、传输、格式转换中也会带来附加的噪声,除噪是必要的步骤。数学形态学是图像处理的一个统一的理论,是对传统图像处理理论的延拓。本具体实施方式的除噪使用了形态学除噪算法,其运算过程如式(1):
式中:ο表示开启运算,·表示闭合运算,表示腐蚀运算,已表示腐蚀运算,伪输入的图像,b是结构元素。在本文中使用b的是一个半径为1的3×3钻石形结构元素,结构中的四个角上的元素均为0,其余元素为1。该算法能够很好地抑制噪声。
步骤S109,阴影去除,其作用是阴影边缘抑制。经邻域比较、形态学除噪后,车辆阴影和路面阳光光线的接触界线仍会留有边缘,影响检测的精度,需要去掉。本文不涉及车辆的分类,去除阴影边缘的主要目的是抑制阴影投射到相邻车道引起车辆的误检,所以使用的结构单元仅足横向有效的,如下表所示。对于背景差后的图像Dt(i,j),如果与当前像素c同一行的前两个像素c-1、c-2和后两个像素c+1、c+2都不为0,则说明当前像素是内部像素,使形态学除噪后图像相应位置的像素为当前像素,相反,说明是边界像素,取形态学除噪后图像相应位置的像素为0。这样就去掉了车辆阴影的边缘,可以有效克服车辆阴影引起的误检。
c-2 | c-1 | c | c+1 | c+2 |
步骤S110,提取数据流。对步骤S107、S108、S109后检测带内留下的车辆信息进行量化,生成数据流。若用‘1’表示检测带内相应位置有车辆变化的信息,用‘0’表示检测带内相应位置无车辆变化的信息则带内车辆变化的信息就完全可以用帧的数据流表示,例如:(0001111110000001111100000)。
以图像宽度为640个像素点为例,为了减少数据的运算量以及所需存储器的数目,可选取每10个像素宽的信息生成数据流的一个信息位。为此,定义1个长度为64的一维数组a,表示当前帧背景差后的数据流。若检测带高为20个像素,则把每个宽10个像素、高20个像素的浮动窗内的像素点的灰度值进行累加,如果累加值大于某个设定的阈值,就将对应的数组元素赋值为‘1’,否则赋值为‘0’,这样就得到了当前图像的反映车辆运动信息的数据流。
步骤S111,预估校正。经过邻域比较、形态学除噪、阴影去除后,可能会造成车辆的一部分信息丢失而产生断带,因此需修正数据流,得到尽可能连续的‘1’。首先进行填1操作,消除断带;然后进行填0操作,去除不足以表示一辆车的信息位‘1’。这一顺序不能颠倒。
a)填1:修补数据流中的断带。算法描述:对于两个有断带的信息位‘1’,统计断带中的‘0’。若小于阈值,则进行填‘1’操作;否则,保留原值。阈值为两辆并行车辆的视频图生成数据流后的最小间距,该最小间距由镜头安装高度和角度等决定。
式中:I0n为当前断带第n个‘0’信息位;L0为断带长度;Dv为车辆最小水平间距。
b)填0:抹除经填‘1’操作后,还不足以表示一辆车的信息位‘1’。可解决因车前灯的影响、车辆头小尾大而造成的数据流变化始终不足以表示一辆车,从而导致的车辆漏检问题。算法描述:统计连续‘1’段,对不足以表示一辆车的信息位‘1’段进行填‘0’操作。阈值为车辆的最小宽度。
式中:I1n为当前连续‘1’的第n个‘1’信息位;L1为断带长度;Wv为车辆最小宽度。
步骤S112,相关性修正。经过邻域比较、阴影去除、形态学除噪、预估校正,已能对正常行驶、运动缓慢、走走停停的大小车辆进行正确检测。在实际运行中,还存在车辆换道、装载货物复杂的大货车等造成信息时多时少而发生误计的情况。
算法描述:根据前一帧中车辆的中心位置,在当前帧中寻找与其距离最近的车辆中心位置。如果两中心位置距离大于等于一个车道的宽度,则认为是两辆车;否则认为是同一辆车,使用信息量多的那一帧数据流修正另一帧数据流。实际工作中,根据检测线的位置获取车道宽度。
步骤S113、S115,车辆计数、车速测量。原理分析:比较上一帧和当前帧背景差后的数据流有四种情况和三种结果:
a)上一帧某位置无车,当前帧对应位置也无车:此位置对应数据流不变,仍为0,表示没有车辆经过;
b)上一帧某位置有车,当前帧对应位置也有车:此位置对应数据流不变,仍为0,表示有车辆经过;
c)上一帧某位置无车,当前帧对应位置有车:此位置对应数据流由0变为1,表示有新车到来;
d)上一帧某位置有车,当前帧对应位置无车:此位置对应数据流由1变为0,表示车已离去。
方法描述:根据上一帧和当前帧背景差后的比较结果进行车辆计数和车速估算,其方法如下:
a)若检测带上某位置对应数据流由0变为1,则进行车辆计数,并记录当前帧数;
b)若检测带上某位置对应数据流由1变为0,则记录当前帧数,并进行车速估算。根据车辆到来与车辆离去,可知该车辆在检测带中停留的帧数,由摄像头的拍摄速度、车辆的平均长度及检测带高度,即可测量出车速。
车速测量公式:
式中:LV为车辆的平均长度;HB为检测带高度;SP为当前车辆停留帧数;VP为摄像头的拍摄速度。
步骤S113、S114,背景更新。本具体实施方式采用了背景动态更新的方法来适应随时间变化的背景。由于可能漏检车辆,所以不能简单的当检测线上判为无车时就更新背景。系统只有在连续150帧持续判为无车通过检测线时,才能更新背景。
更新用的背景计算为:
Bt(i,j)=(Ct-120(i,j)+Ct-90(i,j)+Ct-60(i,j)+Ct-30(i,j)+Ct(i,j))/5 (5)
式中:Bt(i,j)为更新过的背景,Ct-120(i,j)、Ct-90(i,j)、Ct-60(i,j)、Ct-30(i,j)、Ct(i,j)分别为连续150帧中的第30、60、90、120和150帧。这样做既保证了更新背景的质量,又保证了动态更新的速度。
步骤S116,判断视频祯是否结束,此过程用于检测视频流是否继续输入,若没有则退出系统,如有则进入步骤S105,进行车行方向检测,进入下一循环。
Claims (6)
1.一种四相位车流量自动采集系统,其特征在于:包括一台视野覆盖一个交通路口四个方向的摄像机、一个GPRS或CDMA1X无线通讯模块、一台监控计算机、一台数据库中心服务器,其中摄像机通过GPRS\CDMA1X无线通讯模块与监控计算机相连,数据库中心服务器通过局域网与上述监控计算机相连。
2.一种如权利要求1所述的四相位车流量自动采集系统获取车流量的方法,其特征在于包括以下步骤:
1)视频输入:通过视频采集卡读取摄像机所采集视频信息;
2)设置检测带:按照摄像头安装高度和倾角以及景深的影响,选取显示车辆间距较大的图像下部位置(适当选取四条检测带,分别用于四相位检测)
3)设置初始背景:设置上述检测带时,没有车辆的情况下,以当前检测线和和检测区域上的当前帧图像作为初始背景图像;
4)车行方向检测;
5)对图像进行预处理:采用背景差法消除因摄像头抖动带来的背景,然后进行形态学除噪、车辆阴影边缘抑制、提取数据流,并对该数据流进行预估校正和相关性修正;
6)判断是否有车辆通过:
6.1)车辆计数、测速:若判断有车通过,则计数,并记录车速,数据实时存入数据库;
6.2)背景更新:若判断无车通过,则进行背景更新。
3.根据权利要求2所述的获取车流量的方法,其特征在于:所述背景差法为对当前帧与背景帧对应像素点进行邻域比较,优先采用当前帧检测带内的点与背景帧中的对应位置的点进行灰度比较,若差值在设定范围内,则是为背景,不再与邻域点进行比较,反之再顺序比较其他邻域点。
4.根据权利要求3所述的获取车流量的方法,其特征在于:进行邻域比较时,阀值选取范围为25~35。
5.根据权利要求2所述的获取车流量的方法,其特征在于:所述背景更新判断无车辆通过是以连续150帧持续判断无车辆通过检测线时,进行背景更新。
6.根据权利要求2所述获取车流量的方法,其特征在于:所述车行方向检测包括依次执行的虚拟监测区的设置、目标车辆的定位提取和匹配活动运动矢量三个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2008101381575A CN100573618C (zh) | 2008-07-07 | 2008-07-07 | 一种交通路口四相位车流量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2008101381575A CN100573618C (zh) | 2008-07-07 | 2008-07-07 | 一种交通路口四相位车流量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101329815A true CN101329815A (zh) | 2008-12-24 |
CN100573618C CN100573618C (zh) | 2009-12-23 |
Family
ID=40205604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2008101381575A Expired - Fee Related CN100573618C (zh) | 2008-07-07 | 2008-07-07 | 一种交通路口四相位车流量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100573618C (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101714296B (zh) * | 2009-11-13 | 2011-05-25 | 北京工业大学 | 一种基于伸缩窗的实时动态交通拥堵检测方法 |
CN102289940A (zh) * | 2011-07-26 | 2011-12-21 | 西南交通大学 | 一种基于混合差分的车流量检测方法 |
CN102496278A (zh) * | 2011-12-09 | 2012-06-13 | 北京世纪高通科技有限公司 | 通过图像获取交通状态的方法和装置 |
CN101726348B (zh) * | 2009-12-18 | 2012-08-29 | 北京斯凯尔工业科技有限公司 | 煤矸辨识及防作弊的矿车检测装置和方法 |
CN103093528A (zh) * | 2012-12-28 | 2013-05-08 | 中山大学 | 一种小区车辆和人员智能监控系统 |
CN104077757A (zh) * | 2014-06-09 | 2014-10-01 | 中山大学 | 一种融合实时交通状态信息的道路背景提取与更新方法 |
CN104620294A (zh) * | 2012-09-14 | 2015-05-13 | 奥迪股份公司 | 对道路交通中的节点处的交通数据和事故数据的获取 |
WO2016107561A1 (zh) * | 2014-12-30 | 2016-07-07 | 清华大学 | 交通事件检测方法以及系统 |
CN105761485A (zh) * | 2016-02-04 | 2016-07-13 | 彭冬青 | 智能化交通路口控制柜 |
CN105955231A (zh) * | 2016-02-04 | 2016-09-21 | 彭冬青 | 电气控制柜功能测试设备 |
CN108629971A (zh) * | 2018-05-07 | 2018-10-09 | 青海千寻信息科技有限公司 | 一种交通灯控制方法及最佳车速确定方法 |
CN109146807A (zh) * | 2018-07-31 | 2019-01-04 | 南昌工程学院 | 一种交通视频中车辆的快速检测方法 |
CN110580694A (zh) * | 2019-09-11 | 2019-12-17 | 石家庄学院 | 二次直方图均衡动态图像方法 |
CN111126165A (zh) * | 2019-11-29 | 2020-05-08 | 苏州科达科技股份有限公司 | 黑烟车检测方法、装置及电子设备 |
CN111383455A (zh) * | 2020-03-11 | 2020-07-07 | 上海眼控科技股份有限公司 | 交通路口对象流量统计方法、装置、计算机设备和介质 |
CN114898078A (zh) * | 2022-04-25 | 2022-08-12 | 深圳信路通智能技术有限公司 | 车辆统计方法、装置及公路收费方法、系统 |
-
2008
- 2008-07-07 CN CNB2008101381575A patent/CN100573618C/zh not_active Expired - Fee Related
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101714296B (zh) * | 2009-11-13 | 2011-05-25 | 北京工业大学 | 一种基于伸缩窗的实时动态交通拥堵检测方法 |
CN101726348B (zh) * | 2009-12-18 | 2012-08-29 | 北京斯凯尔工业科技有限公司 | 煤矸辨识及防作弊的矿车检测装置和方法 |
CN102289940A (zh) * | 2011-07-26 | 2011-12-21 | 西南交通大学 | 一种基于混合差分的车流量检测方法 |
CN102289940B (zh) * | 2011-07-26 | 2013-07-03 | 西南交通大学 | 一种基于混合差分的车流量检测方法 |
CN102496278A (zh) * | 2011-12-09 | 2012-06-13 | 北京世纪高通科技有限公司 | 通过图像获取交通状态的方法和装置 |
CN102496278B (zh) * | 2011-12-09 | 2014-05-07 | 北京世纪高通科技有限公司 | 通过图像获取交通状态的方法和装置 |
CN104620294B (zh) * | 2012-09-14 | 2017-09-08 | 奥迪股份公司 | 获取道路交通中的节点处的交通数据的方法和设备 |
CN104620294A (zh) * | 2012-09-14 | 2015-05-13 | 奥迪股份公司 | 对道路交通中的节点处的交通数据和事故数据的获取 |
CN103093528A (zh) * | 2012-12-28 | 2013-05-08 | 中山大学 | 一种小区车辆和人员智能监控系统 |
CN104077757B (zh) * | 2014-06-09 | 2017-05-10 | 中山大学 | 一种融合实时交通状态信息的道路背景提取与更新方法 |
CN104077757A (zh) * | 2014-06-09 | 2014-10-01 | 中山大学 | 一种融合实时交通状态信息的道路背景提取与更新方法 |
WO2016107561A1 (zh) * | 2014-12-30 | 2016-07-07 | 清华大学 | 交通事件检测方法以及系统 |
CN105761485A (zh) * | 2016-02-04 | 2016-07-13 | 彭冬青 | 智能化交通路口控制柜 |
CN105955231A (zh) * | 2016-02-04 | 2016-09-21 | 彭冬青 | 电气控制柜功能测试设备 |
CN108629971A (zh) * | 2018-05-07 | 2018-10-09 | 青海千寻信息科技有限公司 | 一种交通灯控制方法及最佳车速确定方法 |
CN108629971B (zh) * | 2018-05-07 | 2021-07-02 | 青海千寻信息科技有限公司 | 一种交通灯控制方法及最佳车速确定方法 |
CN109146807B (zh) * | 2018-07-31 | 2021-04-06 | 南昌工程学院 | 一种交通视频中车辆的快速检测方法 |
CN109146807A (zh) * | 2018-07-31 | 2019-01-04 | 南昌工程学院 | 一种交通视频中车辆的快速检测方法 |
CN110580694A (zh) * | 2019-09-11 | 2019-12-17 | 石家庄学院 | 二次直方图均衡动态图像方法 |
CN110580694B (zh) * | 2019-09-11 | 2022-03-08 | 石家庄学院 | 二次直方图均衡动态图像方法 |
CN111126165A (zh) * | 2019-11-29 | 2020-05-08 | 苏州科达科技股份有限公司 | 黑烟车检测方法、装置及电子设备 |
CN111126165B (zh) * | 2019-11-29 | 2022-07-29 | 苏州科达科技股份有限公司 | 黑烟车检测方法、装置及电子设备 |
CN111383455A (zh) * | 2020-03-11 | 2020-07-07 | 上海眼控科技股份有限公司 | 交通路口对象流量统计方法、装置、计算机设备和介质 |
CN114898078A (zh) * | 2022-04-25 | 2022-08-12 | 深圳信路通智能技术有限公司 | 车辆统计方法、装置及公路收费方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN100573618C (zh) | 2009-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100573618C (zh) | 一种交通路口四相位车流量检测方法 | |
CN109147331B (zh) | 一种基于计算机视觉的道路拥堵状态检测方法 | |
CN102819952B (zh) | 一种基于视频检测技术的车辆违法变道检测方法 | |
CN111368687A (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
CN110287905B (zh) | 一种基于深度学习的交通拥堵区域实时检测方法 | |
CN104537841B (zh) | 无牌车辆违章检测方法及其检测系统 | |
CN103150903B (zh) | 一种自适应学习的视频车辆检测方法 | |
CN105513349A (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN104134222A (zh) | 基于多特征融合的车流监控图像检测和跟踪系统及方法 | |
CN112329533B (zh) | 一种基于图像分割的局部路面附着系数估计方法 | |
CN104318258A (zh) | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 | |
CN103383733A (zh) | 一种基于半机器学习的车道视频检测方法 | |
CN110688922A (zh) | 基于深度学习的交通拥堵检测系统及检测方法 | |
CN105336169A (zh) | 一种基于视频判断交通拥堵的方法和系统 | |
CN104183127A (zh) | 交通监控视频检测方法和装置 | |
CN102087788A (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
CN103077387B (zh) | 视频中货运列车车厢自动检测方法 | |
CN104200466A (zh) | 一种预警方法及摄像机 | |
CN113327248B (zh) | 一种基于视频的隧道车流量统计方法 | |
CN117351702A (zh) | 一种基于车流量进行调节的智慧交通管理方法 | |
CN103794050A (zh) | 一种实时的交通车辆检测与跟踪方法 | |
CN110020642A (zh) | 一种基于车辆检测的能见度识别方法 | |
Thiruppathiraj et al. | Automatic pothole classification and segmentation using android smartphone sensors and camera images with machine learning techniques | |
CN103413439A (zh) | 一种基于视频的客车与货车分类方法 | |
CN115311229A (zh) | 基于激光雷达的路面病害检测分类方法、系统和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20091223 Termination date: 20100707 |