CN102136195A - 一种基于图像纹理检测道路交通状况的方法 - Google Patents
一种基于图像纹理检测道路交通状况的方法 Download PDFInfo
- Publication number
- CN102136195A CN102136195A CN 201110075087 CN201110075087A CN102136195A CN 102136195 A CN102136195 A CN 102136195A CN 201110075087 CN201110075087 CN 201110075087 CN 201110075087 A CN201110075087 A CN 201110075087A CN 102136195 A CN102136195 A CN 102136195A
- Authority
- CN
- China
- Prior art keywords
- value
- domain texture
- time domain
- analysis
- texture
- 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)
Abstract
本发明公开了一种基于纹理检测道路交通状况的方法,该方法结合对视频图像的空域和时域纹理分析来判断道路的交通状况。其中空域纹理分析用来判断车辆的空间占有率,时域纹理分析用来判断车辆的时间占有率,如果时域纹理变化较小且空域纹理显示车辆空间占有率较大,则表明当前交通状况处于饱和和拥堵的置信度较高,反之,则处于畅通的置信度较高。本发明采用逐行逐帧进行处理,其处理时间小于数据的采集时间,因此能够保证检测的实时性,并且基于图像纹理的计算能够准确的确定出车辆的空间占有率及时间占有率,为交通参数统计提供依据。
Description
技术领域
本发明属于视频检测技术领域,涉及一种基于图像纹理检测道路交通状况的方法。
背景技术
近年来,随着世界经济的快速发展,交通负荷急剧增长,随之而来的道路拥挤严重、交通事故频发等问题已经逐步成为制约各国交通发展的主要因素。因此,及时正确地进行道路交通拥堵判别,是采取合理预警措施、主动避免交通拥堵的前提,同时也可以为公众出行以及城市公交调度提供参考,是提高道路通行能力的有效手段。
现有分析城市道路交通拥堵状况的技术主要有:环形线圈法、雷达(微波)法、超声波法、基于GPS数据法等。这些方法各有利弊都不能实现准确、实时、方便地检测道路交通状况。视频处理技术由于具有处理信息量大、无需破坏地面、安装维护方便等优点,在道路交通拥堵检测方面具有较好的应用前景。
本发明通过观察大量交通视频数据,分析道路处于各交通状况时的特征,当道路处于畅通状态时,车辆处于快速运动状态,因此相邻帧图像会有明显变化,且车道占有率较低;当道路处于饱和状态时,车辆处于缓慢运动状态,因此相邻帧图像变化较小,且车道占有率相对较高;当道路处于拥堵状态时,车辆停止且持续时间很长,车辆占有率极高。
基于上述路况特征以及大量实验验证,提出基于纹理检测道路交通状况的方法,该方法能够很好的将时间与空间结合,减少单一由时间或空间上的判断而带来的误差,因此准确性较高,同时根据空间纹理分析得到的车辆空间占有率可以进行车道参数的分析,因此本发明可同时分析交通事件及计算交通参数,具有较广的应用前景。
发明内容
本发明的目的是提供一种基于纹理检测道路交通状况的方法,该方法能够准确实现交通状况的实时检测。
为了实现上述任务,本发明采取如下的技术解决方案:
一种基于纹理检测道路交通状况的方法,该方法包括以下步骤:
步骤一:对视频图像进行空域纹理分析
(1)在视频图像中确定目标车道,将目标车道沿车辆行驶方向分割成若干路段,再沿车道线方向将所分割的各路段划分为若干区域,分段对所划分的视频图像区域进行空域纹理处理,求出各区域分界线上相邻行之间像素灰度值差的绝对值,即为空域纹理的变化值;
(2)求出各车目标车道每一行空域纹理变化的最大值;
(3)对整幅视频图像空域纹理变化的最大值进行平滑处理;
(4)对平滑处理后的最大值进行二值化,若该值大于二值化阈值,则将其设为1,否则为0;
(5)对二值化后的数据进行处理,将像素个数小于10且实际距离小于5米且二值化状态结果不一致的数据赋为相同的状态;
步骤二:对视频图像进行时域纹理分析
(1)在视频图像中确定目标车道,将目标车道沿车辆行驶方向分割成若干路段,分段对所划分的视频图像区域进行时域纹理处理,求出各段车道中线上相隔一定帧数对应位置像素差的绝对值,即为时域纹理的变化值。由于对于车道较远处其对应的实际距离较大,对实际分析结果影响不大,且为了节省运算时间,在具体实现时可将每条车道划分为三段处理,从图像底端到1/3车道长度、1/3车道长度到2/3车道长度、2/3车道长度到图像顶端分别采用相邻帧、隔1帧、隔两帧进行时域纹理处理。
(2)对整幅视频图像时域纹理的变化值进行平滑处理;
(3)对平滑处理后的时域纹理的变化值进行二值化,若该值大于二值化阈值,则将其设为1,否则为0;
(4)对二值化后的数据进行处理,将像素个数小于10且实际距离小于5米且二值化状态结果不一致的数据赋为相同的状态;
步骤三:道路交通状况分析判断;
(1)分段处理空域纹理分析过程中数据为1时所对应的像素个数;
(2)当该像素个数占目标车道总像素个数百分比大于50%—80%且对应实际距离大于60—120米时,则对时域纹理分析为1的值与空域纹理分析为1的值进行比值分析;当该像素个数占目标车道总像素个数百分比及对应实际距离不满足上述条件时,判断目标车道所分割的所有路段是否处理完毕,如果没有处理完毕,则对下一路段进行上述处理;如果所有路段均已处理完毕,则判断此时道路处于畅通状态;
(3)当该像素个数占目标车道总像素个数百分比大于50%—80%且对应实际距离大于60—120米时,则对时域纹理分析为1的值与空域纹理分析为1的值的百分比进行判断,如果时域纹理分析为1的值与空域纹理分析为1的值的百分比小于10%时,标记此帧满足饱或和拥堵条件,如果连续一定帧数满足拥堵条件且已进入饱和状态时,则判断该道路交通状况为拥堵状态,否则该道路交通状况为饱和状态;如果时域纹理分析为1的值与空域纹理分析为1的值的百分比大于或等于10%时,标记此帧满足饱和条件,如果连续一定帧数满足饱和条件时,则判断该道路交通状况为饱和状态,否则该道路交通状况为畅通状态。
本发明的基于纹理检测道路交通状况的方法是逐行逐帧进行,其处理时间小于数据的采集时间,因此能够保证检测的实时性,并且基于图像纹理的计算能够准确的判断车辆的时间占有率及空间占有率,为交通参数统计提供依据。本发明通过道路安装的摄像头可获取实时路况视频,实验设备简单;对实验结果进行分析处理时,能够较快判断出路况信息,延迟较小。
附图说明
图1是视频图像空域纹理分析流程图。
图2是视频图像时域纹理分析流程图。
图3是道路交通状况判断流程图。
图4是道路饱和状态的效果图,其中图4a为道路饱和实时视频图像,图4b为对道路饱和视频图像经过处理后的空域与时域纹理变化波形图。
图5是道路饱和状态的效果图,其中图5a为道路饱和实时视频图像,图5b为对道路饱和视频图像经过处理后的空域与时域纹理变化波形图。
图6是道路饱和状态的效果图,其中图6a为道路饱和实时视频图像,图6b为对道路饱和视频图像经过处理后的空域与时域纹理变化波形图。
图7是道路畅通状态的效果图,其中,图7a为道路畅通实时视频图像,图7b为对道路畅通视频图像经过处理后的空域及时域纹理变化波形图。
下面结合附图对本发明的内容作进一步详细说明。
具体实施方式
空域纹理分析通过计算每帧图像中沿车道方向相邻行对应像素的图像纹理变化,判断路面车辆的空间占有率,其中主要困难是区分车辆形成的纹理与树影及路面本身纹理的区别。为避免车道边缘树影及路面的干扰,本发明在进行空域纹理分析时,根据车道的走势将车道进行分段分析,对两车道线间的中间区域进行处理。时域纹理分析主要检测视频图像相隔一定帧的纹理变化,由此判断车辆的时间占有率。由于映射表关系及同一车道不同位置对结果判断的影响,对于同一车道同样将其进行分段分析,不同位置的车道采取不同的帧间隔进行处理。对于时域纹理分析结果如果变化较多,则说明车辆处于较快的运动状态,如果变化较少,则说明此刻车辆运动速度较慢。
本发明结合对视频图像的空域和时域纹理分析来判断道路的交通状况。空域纹理分析用来判断车辆的空间占有率,时域纹理分析用来判断车辆的时间占有率,如果时域纹理变化较少且空域纹理显示车辆空间占有率较大,则表明当前交通状况处于饱和和拥堵的置信度较高,反之,则处于畅通的置信度较高。
参见图1-图3,本发明的基于纹理检测道路交通状况的方法,该方法包括以下步骤:
步骤一:对视频图像进行空域纹理分析:
(1)在视频图像中确定目标车道,将目标车道沿车辆行驶方向分割成若干路段,再沿车道线方向将所分割的各路段划分为若干区域,分段对所划分的视频图像区域进行空域纹理处理,求出各区域分界线上相邻行之间像素灰度值差的绝对值,即为空域纹理的变化值;
(2)求出各车道每一行空域纹理变化的最大值;
(3)对整幅视频图像空域纹理变化的最大值进行平滑处理;
(4)对平滑处理后的最大值进行二值化,若该值大于二值化阈值,则将其设为1,否则为0;
(5)对二值化后的数据进行处理,将像素个数小于10且实际距离小于5米且二值化状态结果不一致的数据赋为相同的状态。对于进行二值化处理后的数据,由于路面环境的复杂性,会出现较多的纹理变化,对处理结果分析带来一定的难度,为了方便后期的判断,对于二值化变化较频繁的区域我们进行选择性填充,填充要求的选择条件,我们根据大量的实验数据分析获得,如果对应的像素个数较小如10个像素,且实际距离小于一个车长,我们将其填充,此时对实际结果的分析不会造成影响。
步骤二:对视频图像进行时域纹理分析
(1)在视频图像中确定目标车道,将目标车道沿车辆行驶方向分割成若干路段,分段对所划分的视频图像区域进行时域纹理处理,求出各段车道中线上相隔一定帧数对应位置像素差的绝对值,即为时域纹理的变化值。由于对于车道较远处其对应的实际距离较大,对实际分析结果影响不大,且为了节省运算时间,在具体实现时可将每条车道划分为三段处理,从图像底端到1/3车道长度、1/3车道长度到2/3车道长度、2/3车道长度到图像顶端分别采用相邻帧、隔1帧、隔两帧进行时域纹理处理;
(2)对整幅视频图像时域纹理的变化值进行平滑处理;
(3)对平滑处理后的时域纹理的变化值进行二值化,若该值大于二值化阈值,则将其设为1,否则为0;
(4)对二值化后的数据进行处理,将像素个数小于10且实际距离小于5米(此值依据最小车长设定,最小为4米)且二值化状态结果不一致的数据赋为相同的状态。对于进行二值化处理后的数据,由于路面环境的复杂性,会出现较多的纹理变化,对处理结果分析带来一定的难度,为了方便后期的判断,对于二值化变化较频繁的区域我们进行选择性填充,填充要求的选择条件,我们根据大量的实验数据分析获得,如果对应的像素个数较小如10个像素,且实际距离小于一个车身长,我们将其填充,此时对实际结果的分析不会造成影响。
步骤三:道路交通状况分析判断
(1)分段处理空域纹理分析过程中数据为1时所对应的像素个数;
(2)当该像素个数占目标车道总像素个数百分比大于50%—80%(此值表示车道长度上至少有一半的长度被车占用)且对应实际距离大于60—120米时,则对时域纹理分析为1的值与空域纹理分析为1的值进行比值分析;当该像素个数占目标车道总像素个数百分比及对应实际距离不满足上述条件时,判断目标车道所分割的所有路段是否处理完毕,如果没有处理完毕,则对下一路段进行上述处理;如果所有路段均以处理完毕,则判断此时道路处于畅通状态。
本发明通过观察大量的视频数据,对不同要求判断准确率的路况进行了区别研究:研究发现如果目标路段是关键路段,其需要对路况实时状况进行较高精确判断时,该路段进入饱和拥堵的条件可以采用空域为1的像素个数占目标车道总像素个数百分比大于80%且对应实际距离大于120米作为判断条件进行判断。如果目标路段为一般道路街道,该路段进入饱和拥堵条件可以设置为空域为1的车道长度占目标车道总长度百分比大于50%且对应实际距离大于60米作为判断条件进行判断。
(3)当该像素个数占目标车道总像素个数百分比大于50%—80%,且对应实际距离大于60—120米时,则对时域纹理分析为1的值与空域纹理分析为1的值的百分比进行判断,如果时域纹理分析为1的值与空域纹理分析为1的值的百分比小于10%时,标记此帧满足饱和和拥堵条件,如果连续一定帧数满足拥堵条件且已进入饱和状态时,则判断该道路交通状况为拥堵状态,否则该道路交通状况为饱和状态;如果时域纹理分析为1的值与空域纹理分析为1的值的百分比大于或等于10%时,标记此帧满足饱和条件,如果连续一定帧数满足饱和条件时,则判断该道路交通状况为饱和状态,否则该道路交通状况为畅通状态。
为保证路况信息报告的准确性,减少误报情况的发生,在进行最后时域与空域纹理分析时我们采取较严格的判断条件。只有当缓慢运行的车辆占有率到整个车道的长度的一半以上并且对应实际的距离很大我们才进行饱和拥堵的判断。根据大量实际数据的观察,当车辆处于拥堵状态时,车辆基本处于停止运动状态,因此时域与空域百分比很小,本发明通过大量的数据分析及不断的调整,最终对路面信息较好,外界干扰不明显的路段,其值取10%进行处理。
以下是发明人给出的具体实施例,需要说明的是本发明并不限于以下实施例,凡是在以下实施例基础上的等同变换或者替换均属于本发明的保护范围。
实施例1 :
参照图4所示,遵循上述技术步骤,对西安科技大学门前立交上拍摄的实际实时路况视频图像进行分析处理,此视频数据路况平整,树影及其他干扰较少,观测结果较为理想,对此段视频分析判断过程中所用到的具体参数如下:
二值化阈值:20;
空域与时域二值化后处理可进行填充的像素个数:10,实际距离:5米;
饱和状态持续帧数:50;
拥堵状态持续帧数:100;
进入饱和拥堵条件:空域为1的像素个数占车道总像素个数百分比大于50%且对应实际距离大于60米;
时域纹理分析为1的值与空域纹理分析为1的值的百分比:10%;
遵循上述步骤,通过对实时采集到的道路交通视频图像(图4a)进行分析,白色条纹表示此时道路已处于饱和状态,即已经有连续数帧满足交通饱和条件,经过分析该图在第1813帧时报出饱和事件,图4b为对应各车道的空域及时域纹理变化波形图,可以发现当道路处于饱和状态时,时域与空域纹理变化与分析相符且百分比小于一定的比例,可见本发明可以在实际中进行广泛应用。
实施例2:
参照图5所示,对西安科技大学门前立交上拍摄的实际实时路况视频图像进行分析处理,此段视频分析判断所用到的具体参数如下:
二值化阈值:20;
空域与时域二值化后处理可进行填充的像素个数:10,实际距离:5米;
饱和状态持续帧数:50;
拥堵状态持续帧数:100;
进入饱和拥堵条件:空域为1的像素个数占车道总像素个数百分比大于65%且对应实际距离大于90米;
时域纹理分析为1的值与空域纹理分析为1的值的百分比:10%。
遵循上述步骤,通过对实时采集到的道路交通视频图像(图5a)进行分析,白色条纹表示此时道路已处于饱和状态,即已经有连续数帧满足交通饱和条件,该图在第3205帧时报出饱和事件,图5b为对应各车道的空域及时域纹理变化波形图,通过对比,可以发现此时报出事件时对应的车道空间占有率较高,对比上例报出事件的时间有所延长,准确率有有所提高。
实施例3:
参照图6所示,对西安科技大学门前立交上拍摄的实际实时路况视频图像进行分析处理,此段视频分析判断过程所用到的具体参数如下:
二值化阈值:20;
空域与时域二值化后处理可进行填充的像素个数:10,实际距离:5米;
饱和状态持续帧数:50;
拥堵状态持续帧数:100;
进入饱和拥堵条件:空域为1的像素个数占车道总像素个数百分比大于80%且对应实际距离大于120米;
时域纹理分析为1的值与空域纹理分析为1的值的百分比:10%;
遵循上述步骤,通过对实时采集到的道路交通视频图像(图6a)进行分析,白色条纹表示此时道路已处于饱和状态,即已经有连续数帧满足交通饱和条件,该图在第5078帧时报出饱和事件,图6b为对应各车道的空域及时域纹理变化波形图,通过对比可以发现报出事件时对应的车道空间占有率较高,此时进入饱和和拥堵的条件较高,延迟较长,但准确率有所提高,误差减小。
实施例4:
参照图7所示,对上海浦东国际机场入口的实时路况视频图像进行分析处理,判断过程所用到的具体参数如下:
二值化阈值:20;
空域与时域二值化后处理可进行填充的像素个数:10,实际距离:5米;
饱和状态持续帧数:50;
拥堵状态持续帧数:100;
进入饱和拥堵条件:空域为1的像素个数占车道总像素个数百分比大于50%且对应实际距离大于60米;
时域纹理分析为1的值与空域纹理分析为1的值的百分比:10%;
图7a为实时采集到的道路畅通视频,图7b为对应各车道的空域及时域纹理变化波形图,该图在第2015帧时报出畅通事件,可以发现当道路处于畅通状态时,时域具有较大的变化,此时时域与空域百分比大于所设定的阈值,可见本发明可以在实际中进行广泛应用。
Claims (2)
1.一种基于图像纹理检测道路交通状况的方法,其特征在于:包括以下步骤:
步骤一:对视频图像进行空域纹理分析
(1)在视频图像中确定目标车道,将目标车道沿车辆行驶方向分割成若干路段,再沿车道线方向将所分割的各路段划分为若干区域,分段对所划分的视频图像区域进行空域纹理处理,求出各区域分界线上相邻行之间像素灰度值差的绝对值,即为空域纹理的变化值;
(2)求出各目标车道每一行空域纹理变化的最大值;
(3)对整幅视频图像空域纹理变化的最大值进行平滑处理;
(4)对平滑处理后的最大值进行二值化,若该值大于二值化阈值,则将其设为1,否则为0;
(5)对二值化后的数据进行处理,将像素个数小于10且实际距离小于5米且二值化状态结果不一致的数据赋为相同的状态;
步骤二:对视频图像进行时域纹理分析
(1)在视频图像中确定目标车道,将目标车道沿车辆行驶方向分割成若干路段,分段对所划分的视频图像区域进行时域纹理处理,求出各段车道中线上相隔一定帧数对应位置像素差的绝对值,即为时域纹理的变化值;
(2)对整幅视频图像时域纹理的变化值进行平滑处理;
(3)对平滑处理后的时域纹理的变化值进行二值化,若该值大于二值化阈值,则将其设为1,否则为0;
(4)对二值化后的数据进行处理,将像素个数小于10且实际距离小于5米且二值化状态结果不一致的数据赋为相同的状态;
步骤三:道路交通状况分析判断
(1)分段处理空域纹理分析过程中数据为1时所对应的像素个数;
(2)当该像素个数占目标车道总像素个数百分比大于50%—80%,且对应实际距离大于60—120米时,则对时域纹理分析为1的值与空域纹理分析为1的值进行比值分析;当该像素个数占目标车道总像素个数百分比及对应实际距离不满足上述条件时,判断目标车道所分割的所有路段是否处理完毕,如果没有处理完毕,则对下一路段进行上述处理;如果所有路段均以处理完毕,则判读此时道路处于畅通状态;
(3)当该像素个数占目标车道总像素个数百分比大于50%—80%,且对应实际距离大于60—120米时,则对时域纹理分析为1的值与空域纹理分析为1的值的百分比进行判断,如果时域纹理分析为1的值与空域纹理分析为1的值的百分比小于10%时,标记此帧满足饱或和拥堵条件,如果连续一定帧数满足拥堵条件且已进入饱和状态时,则判断该道路交通状况为拥堵状态,否则该道路交通状况为饱和状态;如果时域纹理分析为1的值与空域纹理分析为1的值的百分比大于或等于10%时,标记此帧满足饱和条件,如果连续一定帧数满足饱和条件时,则判断该道路交通状况为饱和状态,否则该道路交通状况为畅通状态。
2.如权利要求1所述的基于图像纹理检测道路交通状况的方法,其特征在于:对视频图像进行时域纹理分析时,将每条目标车道划分为三段,从视频图像底端到1/3车道长度、1/3车道长度到2/3车道长度、2/3车道长度到图像顶端分别采用相邻帧、相隔1帧、相隔两帧进行图像处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110075087 CN102136195B (zh) | 2011-03-28 | 2011-03-28 | 一种基于图像纹理检测道路交通状况的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110075087 CN102136195B (zh) | 2011-03-28 | 2011-03-28 | 一种基于图像纹理检测道路交通状况的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102136195A true CN102136195A (zh) | 2011-07-27 |
CN102136195B CN102136195B (zh) | 2013-05-01 |
Family
ID=44295965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110075087 Expired - Fee Related CN102136195B (zh) | 2011-03-28 | 2011-03-28 | 一种基于图像纹理检测道路交通状况的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102136195B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867415A (zh) * | 2012-09-12 | 2013-01-09 | 重庆大学 | 基于视频检测技术的道路拥堵判别方法 |
CN106097726A (zh) * | 2016-08-23 | 2016-11-09 | 苏州科达科技股份有限公司 | 检测区域的确定、交通信息检测方法及装置 |
CN106408958A (zh) * | 2015-07-31 | 2017-02-15 | 富士通株式会社 | 路口信号灯的控制装置及方法 |
WO2017028012A1 (zh) * | 2015-08-14 | 2017-02-23 | 富士通株式会社 | 交通拥堵状况检测装置及方法 |
CN108538062A (zh) * | 2018-05-30 | 2018-09-14 | 杭州天铂红外光电技术有限公司 | 用于检测车辆拥堵的方法 |
CN109446881A (zh) * | 2018-09-05 | 2019-03-08 | 重庆大学 | 一种基于异构数据的高速公路路段交通状态检测方法 |
US11055856B2 (en) | 2016-12-21 | 2021-07-06 | Axis Ab | Method for and apparatus for detecting events |
CN114463973A (zh) * | 2022-01-29 | 2022-05-10 | 北京科技大学天津学院 | 一种基于影像的交通状态检测方法 |
EP4283591A1 (en) * | 2022-05-26 | 2023-11-29 | Pegatron Corporation | Driving assistance system and driving assistance method |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009110054A (ja) * | 2007-10-26 | 2009-05-21 | Panasonic Corp | 状況判定装置、状況判定方法、状況判定プログラム、異常判定装置、異常判定方法および異常判定プログラム |
CN101499214A (zh) * | 2009-02-27 | 2009-08-05 | 北京大学深圳研究生院 | 一种基于图像信息熵的交通参数自动提取方法 |
-
2011
- 2011-03-28 CN CN 201110075087 patent/CN102136195B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009110054A (ja) * | 2007-10-26 | 2009-05-21 | Panasonic Corp | 状況判定装置、状況判定方法、状況判定プログラム、異常判定装置、異常判定方法および異常判定プログラム |
CN101499214A (zh) * | 2009-02-27 | 2009-08-05 | 北京大学深圳研究生院 | 一种基于图像信息熵的交通参数自动提取方法 |
Non-Patent Citations (2)
Title |
---|
《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 20060615 陈宏方 基于视频技术的交通状态参数提取研究 第I138-234页 1-2 , 第6期 * |
《中国优秀硕士学位论文全文数据库 信息科技辑》 20100215 朱婧 《基于视频图像分析的交通事件检测方法研究》 I138-293 1-2 , 第2期 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867415A (zh) * | 2012-09-12 | 2013-01-09 | 重庆大学 | 基于视频检测技术的道路拥堵判别方法 |
CN102867415B (zh) * | 2012-09-12 | 2015-05-13 | 重庆大学 | 基于视频检测技术的道路拥堵判别方法 |
CN106408958A (zh) * | 2015-07-31 | 2017-02-15 | 富士通株式会社 | 路口信号灯的控制装置及方法 |
WO2017028012A1 (zh) * | 2015-08-14 | 2017-02-23 | 富士通株式会社 | 交通拥堵状况检测装置及方法 |
CN106097726A (zh) * | 2016-08-23 | 2016-11-09 | 苏州科达科技股份有限公司 | 检测区域的确定、交通信息检测方法及装置 |
US11055856B2 (en) | 2016-12-21 | 2021-07-06 | Axis Ab | Method for and apparatus for detecting events |
CN108538062A (zh) * | 2018-05-30 | 2018-09-14 | 杭州天铂红外光电技术有限公司 | 用于检测车辆拥堵的方法 |
CN109446881A (zh) * | 2018-09-05 | 2019-03-08 | 重庆大学 | 一种基于异构数据的高速公路路段交通状态检测方法 |
CN109446881B (zh) * | 2018-09-05 | 2022-06-24 | 重庆大学 | 一种基于异构数据的高速公路路段交通状态检测方法 |
CN114463973A (zh) * | 2022-01-29 | 2022-05-10 | 北京科技大学天津学院 | 一种基于影像的交通状态检测方法 |
CN114463973B (zh) * | 2022-01-29 | 2022-10-04 | 北京科技大学天津学院 | 一种基于影像的交通状态检测方法 |
EP4283591A1 (en) * | 2022-05-26 | 2023-11-29 | Pegatron Corporation | Driving assistance system and driving assistance method |
Also Published As
Publication number | Publication date |
---|---|
CN102136195B (zh) | 2013-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102136195B (zh) | 一种基于图像纹理检测道路交通状况的方法 | |
CN102819952B (zh) | 一种基于视频检测技术的车辆违法变道检测方法 | |
CN109003444A (zh) | 基于广域雷达微波检测器的城市交叉口溢流控制方法 | |
CN103839415B (zh) | 基于路面图像特征识别的交通流量和占有率信息获取方法 | |
CN106023593B (zh) | 一种交通拥堵检测方法和装置 | |
CN103914688A (zh) | 一种城市道路障碍物识别系统 | |
CN104658285A (zh) | 一种城市内涝情况下的交通智能疏导方法 | |
WO2016018936A1 (en) | Self-configuring traffic signal controller | |
CN103730015B (zh) | 交叉路口车流量检测方法及装置 | |
CN105023428A (zh) | 路况信息评估方法及装置 | |
CN100589143C (zh) | 判断浮动车行驶状态的方法及装置 | |
CN104484996A (zh) | 一种基于多源数据的路段交通状态判别方法 | |
CN108871357B (zh) | 一种在电子地图上显示拥堵路段的事故车道的方法 | |
CN105825669A (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
CN109712401B (zh) | 一种基于浮动车轨迹数据的复合路网瓶颈点识别方法 | |
CN102542801A (zh) | 一种融合多种交通数据的交通状况预测系统及方法 | |
CN102496273B (zh) | 城市交通路况的采集方法及系统 | |
CN105374212A (zh) | 基于智能终端传感的高速公路车辆车道识别方法及系统 | |
CN106529443A (zh) | 改进霍夫变化检测车道线的方法 | |
CN106097718B (zh) | 基于gps数据的信号交叉口区域通行时间估计方法 | |
CN103745595A (zh) | 分析路况信息的方法和系统、车载终端和路况分析服务器 | |
CN105654720B (zh) | 基于城市道路拥堵识别的检测器布设方法 | |
CN102930718A (zh) | 基于浮动车数据和线圈流量融合的间断流路段行程时间估计方法 | |
KR101943198B1 (ko) | 구간통행시간 및 신호지체 추정방법 | |
CN102610108A (zh) | 一种绿波有效协调时间的计算方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130501 Termination date: 20150328 |
|
EXPY | Termination of patent right or utility model |