CN102867411A - 一种基于视频监控系统的出租车调度方法及调度系统 - Google Patents
一种基于视频监控系统的出租车调度方法及调度系统 Download PDFInfo
- Publication number
- CN102867411A CN102867411A CN2012103564469A CN201210356446A CN102867411A CN 102867411 A CN102867411 A CN 102867411A CN 2012103564469 A CN2012103564469 A CN 2012103564469A CN 201210356446 A CN201210356446 A CN 201210356446A CN 102867411 A CN102867411 A CN 102867411A
- Authority
- CN
- China
- Prior art keywords
- taxi
- video
- dispatching
- monitoring system
- video monitoring
- 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
Abstract
本发明涉及车辆识别领域,尤其涉及一种基于视频监控系统的出租车调度方法和调度系统,基于现有的、已经覆盖市区几乎所有交通路况、停车场的视频监控系统,利用每个路口等处的监控探头所提供的视频,通过视频智能分析技术的应用,即可实现对车辆信息的自动提取,再通过监控视频的联网对多个摄像头的信息汇总,将整个城市的出租车位置信息标注在了地图上,在此基础上发现了可能需要出租车的区域。针对现今基于GPS系统的出租调度各公司信息不共享的弊病,基于视频监控的车联网保障了信息的全面性,为智能调度、交通诱导等提供一种可行的车联网解决方案。
Description
技术领域
本发明涉及基于视频图像的车辆识别方法领域,尤其涉及一种基于视频监控系统的出租车调度方法及调度系统。
背景技术
车联网(IOV:Internet of Vehicle)是物联网在汽车领域的一个细分应用,是指是利用先进传感技术、网络技术、计算技术、控制技术、智能技术,对道路和交通进行全面感知,实现多个系统间大范围、大容量数据的交互,对每一辆汽车进行交通全程控制,对每一条道路进行交通全时空控制,以提供交通效率和交通安全为主的网络与应用。目前得到较广泛应用的主要是基于RFID的车联网技术方案,通过装载在车辆上的RFID电子标签,实现在信息网络平台上对所有车辆的属性信息和静、动态信息进行提取和有效利用,并根据不同的功能需求对所有车辆的运行状态进行有效的监管和提供综合服务。
如图1所示,与物联网系统构成相同,车联网也可划分为3个层:感知层、网络层和应用层,分别对应着全面感知、可靠传送和智能处理系统功能。感知层也可以称为信息采集技术层,它是实现物/车联网的基础。该层包括各种车载和路基的道路交通信息采集设备,提供车辆自身信息的收集、交通流数据的采集及整个路网的交通状况的获取等多种物理支撑。网络层包括通信网络层和通信协议层,通信网络层包括车联网体系中的各种网络设备,提供车车通信、车路通信、及车-路-交通云平台通信的通信传输网络及计算机网络等多种物理支撑。通信协议层包括各种通信协议和平台内部各种应用间的消息协议,提供车车通信、车路通信、及车-路-交通云平台通信的各种通信协议、应用协议、中间件等逻辑支撑。应用层包括交通诱导系统、辅助决策系统、综合调度系统、发布网关系统、交通网站、移动信息终端发布系统、固定终端发布系统等,实现整个交通云平台的各种应用业务。
接下来所介绍的车联网技术方案将遵循这个架构来进行。
渣土车智能监管系统
参见图2,渣土车智能监管系统的设计思路是基于物联网技术,通过RFID(以无线方式传送数据的集成电路标签)、GPRS数字通信、GPS卫星定位、GIS地理信息系统、视频识别等计算机技术采集车辆信息,监控渣土车违规行为。通过3G网络,无线收发器,光缆进行信息传递;在集中监管中心构建监管系统的软硬件平台进行信息的汇总。对统一的GIS地图,综合渣土车RFID信息、申报信息、GPS轨迹、视频信息进行信息的分析。实现了问题渣土车的视频上报、立案派遣、任务处理、GPS定位追踪渣土车行驶路线,结案等功能。
特点分析,通过车载RFID可获得车辆身份,通过视频监控可分析车辆特殊行为,通过GPS定位,GIS地理信息识别。
G-BOS智慧运营系统的应用
参见图3,G-BOS智慧运营系统是Telematics(特力玛)技术(无线通信技术、卫星定位、网络通信技术、车载电脑)、CAN总线技术、商业智能技术、先进管理技术的在客车上的综合应用。
G-BOS智慧运营系统通过安装在客车上的G-BOS终端从CAN总线、各类传感器上持续不断的采集发动机运行数据、车辆状况信息、驾驶员的操控行为,通过接收GPS卫星定位
信息记录车辆所在位置。通过3G通信技术对信息进行传递。在数据处理中心建立数据平台,进行信息汇总,通过商业智能技术将接收到的海量数据实时分析、整理,并结合国内外先进管理思想实现了,将驾驶员不良驾驶行为、油耗数据、车辆运行情况、维修保养计划等内容以直观的报告、图表等形式展现出来。
特点分析,通过车载G-BOS终端采集器可全面采集车辆的身份,耗油量,车况,行驶路线等一系列的详细的信息,通过GPS定位,GIS地理信息识别。
斯堪尼亚“黑匣子”车队管理系统
参见图4,斯堪尼亚(SCANIA)““黑匣子”车队管理系统通过GPS定位系统、车载记录设备对车辆信息进行采集。通过通讯设备(FM3316)、3G网络进行信息传递。通过通讯服务订阅与网页式办公界面结合在一起的方法建立网络平台。实现了物流和运输企业在任何地点通过一台联网电脑即可对工作车辆所在位置、油耗情况、行驶状态甚至潜在的机械故障进行准确和有效的远程监控,亦可利用该系统反馈的数据和行车报告加强车队管理并提高盈利能力。
特点分析,通过车载黑匣子采集信息,更加全面准确,实现了物流和运输企业在任何地点通过联网电脑即可对工作车辆所在位置、油耗情况、行驶状态甚至潜在的机械故障进行准确和有效的远程监控,亦可利用该系统反馈的数据和行车报告加强车队管理并提高盈利能力。
以上所描述的几种传统意义上的车联网,均是使用RFID电子标签技术收集车辆信息,即由GPS确定车辆位置,通过3G无线传输系统传递信息,最后以互联网平台进行联网。RFID技术的优势在于收集车辆信息全面,并能准确确定车主信息。但基于RFID技术的车辆网方案,存在实施成本过高、容易信息泄露等问题:为收集RFID发出的信息,需要对所有车辆部署RFID标签及射频收发设备;同时,需要在道路沿线、停车场等车辆出入的地方,建立大量的RFID信号接受装置,才能实现全覆盖联网,这将带来极其巨大的经济成本!此外,RFID技术由于通过射频进行信息收发,容易造成用户车辆信息的外泄,存在不安全因素。
另外,在实际操作中还存在各大出租车公司的信息相互不共享的现状,故此同一地区的出租车的智能调度遇到了一定的困难。
发明内容
本发明的目的是针对现有技术的空白,提出一种基于视频监控系统的出租车调度方法及调度系统,基于现有的、已经覆盖市区几乎所有交通路况、停车场的视频监控系统,利用每个路口等处的监控探头所提供的视频,通过视频智能分析技术的应用,即可实现对车辆信息,如车牌、车型、位置等信息进行自动提取,再通过监控视频的联网,实现车辆位置等信息等联网共享,为智能调度、交通诱导等提供一种可行的车联网解决方案。
为了达到上述发明目的,本发明首先提出的一种基于视频监控系统的出租车调度方法,通过以下技术方案实现的:
一种基于视频监控系统的出租车调度方法,其特征在于包括如下步骤:
a、基于视频监控系统中各视频采集设备所采集的视频数据,构建包括若干含有出租车的正样本以及若干含有其它机动车辆的负样本的样本库;并基于所述视频数据中出租车的车身主色种类,设定出租车用颜色类别集,并确定所述类别集中各颜色类别的颜色参数边界;
b、获取所述样本的判断窗口,并将所述判断窗口图像尺寸归一化;提取归一化处理后的判断窗口内的各颜色类别的面积,确定各颜色类别的面积门限;以及,提取所述判断窗口的HOG特征,并利用此HOG特征训练支持向量机分类器;
c、所述视频采集设备将视频数据实时上传至分析服务器中;
d、所述分析服务器检测和追踪所述视频数据中各待识别车辆;
e、所述分析服务器将跟踪成功后的首个图像帧的跟踪窗口尺寸归一化,提取归一化处理后的跟踪窗口中各颜色种类的面积,并将所述面积与对应的面积门限进行比对,若该跟踪窗口中至少一个颜色种类的面积大于面积门限,则进入下一步骤;否则,仅继续跟踪;
f、所述分析服务器通过所述向量机分类器分类,并将分类结果实时上传至汇总服务器进行汇总,所述汇总服务器根据各视频采集设备所在位置在电子地图显示出租车分布信息;
g、调度中心根据所述出租车分布信息确定调度方案,并将调度方案发送给出租车。
所述分类结果至少通过空间域修正识别步骤获得:将所述首个图像帧中通过面积比对的跟踪窗口分别向上、下两个方向移动y个像素点,获得二个子窗口,以及向左、两个方向移动x个像素点,获得另二个子窗口;将所获得的四个子窗口尺寸归一化,将归一化处理后的四个子窗口和跟踪窗口输入所述支持向量机分类器获得五个识别结果,对这五个识别结果进行投票统计,票数多者取胜,由此获得空间域修正识别结果;所述的x、y均为正整数。
该调度方法还包括时间域修正步骤:由所述首个图像帧起,对一段时间内的连续视频帧中采样获得n个关键帧,并分别对关键帧分别执行所述空间域修正识别步骤,以获得多个空间域修正识别结果,将基于这些关键帧和首个图像帧做出的空间域修正识别结果进行投票统计,票数多者取胜,由此获得时间域修正识别结果,其中n为大于2的自然数。
所述关键帧是以固定时间间隔在所述一段时间内的连续视频帧选取的。
所述n为4,所述固定时间间隔取决于对任一所述关键帧执行步骤e的时间。
该调度方法还包括如下步骤:周期性的对所述连续视频帧执行所述步骤e、空间域修正步骤以及时间域修正步骤,以获得基于同一跟踪窗口的多个时空域联合修正识别结果,并在每获得一个时空域联合修正识别结果之后,对于之前基于同一跟踪窗口做出的识别结果进行修正。
所述样本的判断窗口、所述子窗口和所述跟踪窗口均被归一化为横向a个像素点、纵向b个像素点,所述a、b均为大于10的自然数;且所述x取值范围为0.1a-0.2a,所述y取值范围为0.1b-0.2b。
所述颜色参数边界包括在HSV颜色空间中。
另外,本发明还提出的一种基于视频监控系统的出租车调度系统,通过以下技术方案实现的:
一种基于视频监控系统的出租车调度系统,涉及装有移动通讯终端的出租车,其特征在于:包括设于各机动车监控区域的若干视频采集设备、分析服务器、汇总服务器和调度中心,所述分析服务器通过通信链路与所述视频采集设备连接和汇总服务器连接,对所述视频采集设备上传的视频数据进行识别并将车辆分类结果上传至汇总服务器,所述汇总服务器根据所述分类结果在电子地图上显示出租车分布信息,所述调度中心根据所述出租车分布信息确定调度方案,并将调度方案发送给出租车。
与现有技术相比,本发明一种基于视频监控系统的出租车调度方法及调度系统,基于现有的、已经覆盖市区几乎所有交通路况、停车场的视频监控系统,利用每个路口等处的监控探头所提供的视频,通过视频智能分析技术的应用,即可实现对车辆信息的自动提取,再通过监控视频的联网对多个摄像头的信息汇总,将整个城市的出租车位置信息标注在了地图上,在此基础上发现了可能需要出租车的区域。针对现今基于GPS系统的出租调度各公司信息不共享的弊病,基于视频监控的车联网保障了信息的全面性,为智能调度、交通诱导等提供一种可行的车联网解决方案。
附图说明
通过下面结合附图对其示例性实施例进行的描述,本发明上述特征和优点将会变得更加清楚和容易理解。
图1为车联网系统构成示意图;
图2为渣土车智能监管系统构成示意图;
图3为G-BOS智慧运营系统构成示意图;
图4为斯堪尼亚“黑匣子”车队管理系统构成示意图;
图5为本发明实施例调度系统构成示意图;
图6为本发明实施例流程示意图;
图7为本发明实施例HOG算法流程示意图;
图8为本发明实施例颜色识别机制的原理示意图;
图9为本发明实施例多窗口投票机制的原理示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明,以便于同行业技术人员的理解:
如图1-9所示,标号分别表示:第一级汇总服务器1、调度中心2、第二级汇总服务器3、分析服务器4、视频采集设备5、出租车6。
本发明提供一种基于视频监控系统的出租车调度方法及调度系统,而且无论是调度方法还是调度系统,其实现均依赖于视频图像的出租车实时识别。因此,首先要解决的是出租车的实时图像识别。
相对于其它机动车来说,出租车具有以下显著特点:
特点一、顶灯。出租车的顶灯为区别于其他车辆的明显标志。对车身的轮廓特征有明显的改变。
特点二、车型。出租车为小轿车车型,在外形轮廓方面明显区别于中大型的车辆。
特点三、颜色。为体现出租车和私家车之间的显著区别,便于市民分辨,每个地区往往还对出租车车身颜色有明确的限定,因此出租车和私家车在颜色上具有显著的区别。
如北京,出租车都是双色车,并且在颜色设定上将我国古老的五行文化寓意其中。其内运营的所有的出租车不论是什么颜色,车的中部都有一道黄色的颜色带,意为五行中土居中,颜色中黄色为尊,而其它搭配颜色则由出租车公司从绿、红、蓝、紫、白、赤颜色中选择,并且不得复选。
又如上海,对于出租车颜色则规定超过2000辆以上车辆的企业可以自行选择颜色,经过统计上海出租车的颜色共有9种不同的颜色。这些颜色被称为企业色,私家车用颜色具有显著的区别。
参加图6,本实施例首先以中国的市级行政区域为例,提供的一种基于视频监控系统的出租车调度系统,该调度系统主要由视频采集设备5、第一级汇总服务器1、调度中心2、第二级汇总服务器3和分析服务器4组成。
其中,视频采集设备5为现有的视频监控系统中的监控探头,由于其广泛安装覆盖市区绝大部分交通路况、停车场以及其它机动车监控区域,故此可大幅降低本调度系统的应用成本。另外,每一个视频采集设备5需要在电子地图上进行人工标定位置,并由此来大致确定车辆的位置信息。分析服务器4可安装在各派出所内,并通过通信链路连接对应派出所所辖区域的视频采集设备5,分析服务器4通过出租车识别技术所述视频采集设备5上传的视频数据进行识别分类,并将车辆分类结果上传到公安分局中安装的第二级汇总服务器3。各公安分局中的第二级汇总服务器3再将数据上传至市局安装的第一级汇总服务器1中。第一级汇总服务器1进行数据汇总,对汇总的数据进行分析,得出全市的出租车分布情况,在电子地图上将出租车分布与出租车需求的关系对应起来,并上述信息发送给调度中心2,调度中心2与装有移动通讯终端的出租车建立通讯连接,并完成出租车的智能化调度。
参见图6-9,本实施例还提供的一种基于视频监控系统的出租车调度方法,该调度方法的实现依赖于上述的出租车调度系统。其主要设计思路和常规的车辆识别方法相同,首先构件出租车分类器,之后通过分类器对于出租车进行识别,以下将对这两个步骤进行详细描述:
一、构建出租车分类器,由下述几个步骤组成:
1.1、构建样本库,包括含有出租车的正样本以及含有其它机动车辆的负样本。在算法一定的情况下,样本库的大小和典型性共同决定着SVM分类器的准确性。而由于一个地区的出租车往往和其它地区出租车体现出较大的差异性,除以上所述的出租车颜色特征外,还有对于车辆轮廓特征影响较大的因素,如车顶灯的外形尺寸、车顶灯在夜间发光状态下的外形轮廓等。因此优选的,构建样本库应该基于同一个地区内的多个监控摄像机所采集的车辆图像(注:此处所用术语“地区”应当被理解为其内的出租车具有相同规范的地域,在实际实践中应根据不同区域交管部门的具体要求对于上述地区进行选择)。虽然采用这样的样本库所训练的SVM分类器不可避免的具有一定地域性,不太适宜其它地区使用,但是准确度会相应提高。相反的,如果采用多个地区的监控摄像机所采集的车辆图像,SVM分类器会具有普适性,但是其准确率往往会有一定程度的下降。
不仅如此,所采集的车辆图像的选择还需要具有全面型、典型性,样本库应该包含了各种车型在各种天气情况以及各种光照环境下各种角度的图像。基于这样的样本库,使得SVM分类器的准确性得到了保证。
1.2、基于以上所采集的正样本图像来确定当地出租车车身主色的所有种类,并设定为出租车用颜色类别集。在本实施例中,基于某地的交通监控录像,颜色类别集中包括八种颜色:橘黄、土黄、绿色、浅蓝、深蓝、深紫、白色和红色。
1.3、确定颜色类别集中各颜色类别的颜色参数边界。在对于样本大量的细致分析后发现,尤其是分析同种颜色不同光照下的变化,发现光照主要改变的是颜色的亮度,如红色即从深红、红、到浅红的变化。从这一点出发,该颜色参数边界的确定主要通过在正样本中选取不同光照下的各种颜色出租车的图像,基于HSV颜色空间,对一类颜色进行提取。通过人工标定的方法确定标定区域内H、S、V这三个参数的范围。参见表1,其为本实施例中颜色类别集内的八种颜色的颜色参数边界。
HMAX | HMIN | SMAX | SMIN | VMAX | VMIN | |
1.橘黄 | 0.0593 | 0.0300 | 0.8750 | 0.2500 | 0.9961 | 0.6000 |
2.土黄 | 0.4090 | 0.0500 | 0.6400 | 0.2500 | 1.0000 | 0.6000 |
3.绿色 | 0.5219 | 0.3000 | 0.7000 | 0.0750 | 1.0000 | 0.5500 |
4.浅蓝 | 0.5682 | 0.5249 | 0.4751 | 0.1000 | 1.0000 | 0.5000 |
5.深蓝 | 0.7374 | 0.5720 | 0.4522 | 0.2410 | 1.0000 | 0.4900 |
6.深紫 | 0.7440 | 0.0300 | 0.6000 | 0.1000 | 0.4500 | 0.1000 |
7.白色 | 0.9444 | 0.0000 | 0.1105 | 0.0000 | 1.0000 | 0.9240 |
8.红色 | 0.9400 | 0.0360 | 0.8500 | 0.1500 | 1.0000 | 0.4000 |
对于上述HSV颜色空间,以下进行简要描述。HSV色彩模型从CIE三维颜色空间演变而来,它采用的是用户直观的色彩描述方法,它跟孟塞尔显色系统的HVC球型色立体较接近,只不过HSV色彩模型是一个倒立的六菱锥,只相当于孟塞尔球型色立体的一半(南半球),所以不含黑色的纯净颜色都处于六棱锥顶面的一个色平面上。在HSV六棱锥色彩模型中,色相(H)处于平行于六棱锥顶面的色平面上,它们围绕中心轴V旋转和变化,红、黄、绿、青、蓝、品红六个标准色分别相隔60度。色彩明度(B)沿着六棱锥中心轴V从上至下变化,中心轴顶端呈白色(V=1),底端呈黑色(V=0),它们表示无彩色系的灰度颜色。色彩饱和度(S)沿水平方向变化,越接近六棱锥的中心轴的色彩,其饱和度越低,六边形正中心的色彩饱和度为零(S=0),与最高明度的V=1相重合,最高饱和度的颜色则处于六边形外框的边缘线上(S=1)。
色平面(H、S)的基础是CIE色度图的x、y色平面
色明度/六棱锥中轴(V)的基础是CIE三维颜色空间的亮度因素Y。
1.4、在找到上述颜色参数范围的基础上,选取大量的具有代表性的正、负样本,通过遍历的方式在一系列正样本与负样本中找寻图像中出租车和非出租车上类别集中颜色的相对颜色面积值,比较得出区别正负样本的门限值。由于上述正样本和负样本存在尺寸大小不一的情况,因此提取上述样本的判断窗口后,还需要将判断窗口尺寸归一化,之后再提取归一化处理后的判断窗口内的各颜色类别的面积。
参见表2,为各颜色门限值的设定值。由于颜色判断为整个车辆识别的第一次判断,所以为避免将正样本漏检,所以门限值取得和负样本的最大面积更近一点。
正样本最小面积 | 负样本最大面积 | 门限 | |
1.橘黄 | 703 | 485 | 500 |
2.土黄 | 517 | 200 | 215 |
3.绿色 | 742 | 300 | 400 |
4.浅蓝 | 550 | 188 | 200 |
5.深蓝 | 628 | 288 | 300 |
6.深紫 | 715 | 340 | 350 |
7.白色 | 619 | 479 | 500 |
8.红色 | 991 | 773 | 785 |
1.5、基于HOG算法提取所述上述经归一化处理后的判断窗口的HOG特征,并利用此HOG特征训练SVM分类器。以下对于HOG算法以及SVM分类器进行简要描述:
HOG算法能在低清晰度的情况下较为准确的对车辆的轮廓特征进行提取。是因为HOG算法是在局部细胞单元上提取颜色梯度,对清晰度要求不高。从而降低了对仪器的要求,极大的降低了成本。
针对车辆识别中普遍存在的问题,即不同光照下车辆的外观的不同。由于HOG方法是在图像的局部细胞单元上操作,所以它对图像几何的(geometric)和光学的(photometric)形变都能保持很好的不变性。从而增加了识别的鲁棒性。
HOG特征是一种局部区域描述符,它通过计算局部区域上的梯度方向直方图来构成车辆外型特征,能够很好地描述车辆的边缘。它对光照变化和小量的偏移不敏感。输入图像中像素点(x,y)的梯度如以下公式
Gx(x,y)=H(x+1,y)-H(x-1,y)
Gy(x,y)=H(x,y+1)-H(x,y-1)
式中,Gx(x,y)、Gy(x,y)、H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值。像素点(x,y)处的梯度幅值和梯度方向如以下公式
HOG特征提取步骤:把图像分割为若干个8×8像素的单元(cell),把[-π/2,π/2]的梯度方向平均划分为9个区间(bin),在每个cell内对所有像素的梯度幅值在各个方向bin区间进行直方图统计,如下图1.7所示,得到一个9维的特征向量,每相邻4个单元为一个块(block),把4个单元的特征向量联起来得到块的36维特征向量,用block对样本图像进行扫描,扫描步长为一个cell,最后将所有block的特征串联得到车辆的特征。在DATAL的方法中所有块的大小是固定的,获得的信息有限,不能获得较为完整的信息,本发明实施例中采用大小可变的block提取HOG特征,采用的block的宽高比分别为(1:1)、(2:1)、(1:2)。block的大小变化从16×16到64×128,每个block平均分为4个cell单元。每个block的移动步长仍为8个像素,这样总共得到438个block,每个block内HOG特征使用以下公式进行归一化。
式中,v为待归一化向量;ε用来避免分母为0,本实施例中取ε=0.05。为了提高计算速度,在计算HOG特征时引入积分向量图,先用9个积分直方图来分别表示各像素点在9个梯度方向的梯度积分图,这样在对梯度方向离散化时就不能用三角线性投票方式。利用积分图对任何一个矩形区域内的直方图统计用4个角的积分值可快速计算得到,这样避免了由于block的重叠造成的重复计算,提高了计算速度。
与其他的特征描述方法相比,HOG算法有很多优点。首先,由于HOG方法是在图像的局部细胞单元上操作,所以它对图像几何的(geometric)和光学的(photometric)形变都能保持很好的不变性,而这两种形变只会出现在更大的空间领域上。
SVM的主要思想可以概括为两点:(1)它是针对线性可分情况进行分析,对于线性不可分的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能;(2)它基于结构风险最小化理论之上在特征空间中建构最优分割超平面,使得学习其得到全局最优化,并且在整个样本空间的期望风险以某个概率满足一定上界。
基于上述原理,本实施例中将判断窗口进行归一化处理,再送进HOG算法中进行变换,将一个100×100的图片,从10000维降阶到900维。通过HOG算法的变化,经过特征提取后的图像特征,凸显了出租车顶灯的轮廓特征。之后将HOG算法提取的图像特征,送入SVM进行训练。得到SVM构造的车辆分类器。
1.6、将判定颜色参数范围以及对应面积门限值的软件以及上述的SVM分类器安装在各派出所内的分析服务器4上。
二、出租车识别,出租车识别是建立在车辆跟踪的基础上的,通过对驶入监控区域的所有车辆进行跟踪,只需对跟踪好的目标窗口进行各种识别判断即可。由于车辆跟踪技术为本领域技术人员习见技术,故在此对其具体原理不再赘述。出租车识别由以下几个步骤组成:
2.1、视频采集设备5将视频数据实时上传到分析服务器4中,分析服务器4对所输入的一段含有待识别车辆的连续视频帧进行车辆跟踪处理。
2.2、颜色判定步骤,通过出租车的颜色特征对车辆进行第一次粗分类。
分析服务器4当跟踪处理完毕时,将跟踪成功后的首个图像帧内包括待识别出租车辆完整图像的跟踪窗口尺寸归一化。之后提取归一化处理后的跟踪窗口中各颜色种类的面积,并将所述面积与对应的面积门限进行比对,若一个标准跟踪窗口中一个或一个以上的颜色种类的面积大于面积门限,则认为此跟踪窗口对应的车辆通过颜色判定,则此跟踪窗口进入下一步骤;否则,抛弃。通过颜色特征判断,可有效的大量的排除其他颜色的私家车辆,增加出租车识别的有效性,实时性。对于以上颜色参数边界的选择以及颜色判断步骤,还结合图8进行理解。
2.3、分析服务器4采用上述SVM分类器对于通过颜色判定步骤的标准跟踪窗口进行识别。事实上,随样本库中样本量的增长,SVM分类器的判断正确率的增加速度会逐步减慢,因此为进一步提高判断正确率,本申请人在本发明中提出了采用时间域以及空间域上的多窗口投票机制。
空间域
在本申请人的反复实验中发现,即使在相同的SVM分类器下,基于同一张图像帧,由于标准跟踪窗口的选择不同也会造成判断车辆背景的改变,因此在一定条件下能够导致判断结果发生变化。而在申请人将标准跟踪窗口多次进行微小的移动后发现,平移标准跟踪窗口所获得的多个子窗口的大部分是有利于判断的,而少量则由于特殊背景会导致判断错误。换而言之,标准跟踪窗口同样会存在由于特殊背景而导致错误判断。基于上述原理论,空间域上的多窗口投票机制的基本原理如下:
将一张图像帧中的标准跟踪窗口分别向上、下两个方向移动x个像素点,获得二个子窗口,以及向左、两个方向移动相同的y个像素点,获得另二个子窗口。将所获得的这4个子窗口尺寸归一化,将经归一化处理后的4个子窗口和标准跟踪窗口输入所述支持向量机分类器获得五个识别结果。承上述,基于同一张图像帧的5个识别结果大部分是在利于判断的基础上得出的,也就是说是正确的结果。对这五个识别结果进行投票统计,是、否两种结果中票数多者取胜,由此获得第一次修正识别结果。
时间域
在车辆运行的过程中,难免存在受到遮挡、车辆背景复杂、反光等不利于判断识别的因素,从而导致误判。但是本申请人通过对大量视频的调研发现,在车辆运行的连续的一段时间内,其大部分的时间中是有利于判断的。正是基于上述理论,时间域上的多窗口投票机制的基本原理如下:
在一段连续的图像帧(含有待识别车辆),选取多张图像帧。基于“在车辆连续运行中,大部分的时间有利于判断”的理论,将这些图像帧中包括同一待待识别出租车辆完整图像的跟踪窗口分别输入SVM分类器中获得多个识别结果后,这些识别结果大部分是在利于判断的基础上得出的,也就是说是正确的结果。在对于这些结果加权并进行投票统计,是、否两种结果中票数多者获胜,由此得到修正后的判断结果。而通过时间域上的多窗口投票机制,可很好的规避由于特殊条件下所获得错误识别结构的偶然性,有效的增加了判断的鲁棒性。
事实上,将空间域和时间域多窗口投票机制结合,还可以进一步提高判断的鲁棒性。以及这样的设计思路,本实施例中车辆识别步骤的具体实施方式如下:
在通过颜色判断后,由所述首个图像帧起对于视频帧采样获得关键帧(关键帧的采样率取决于一帧图像的处理速度)。在本实施例中该步骤为在一秒内每隔0.2秒取1帧图像帧,将所得的5帧图像(包括所述首个图像帧)的每一帧使用空间域的算法得出各自帧的空间域修正结果,之后将这一秒内的5帧图像的空间域修正结果进行投票,即时间域处理,完成对最初判断结果的时空域联合修正。需要注意的是,上述0.2秒和1秒仅为示例性的举例,实际中的时间间隔的选取应该在满足完成一帧图像的处理周期的基础上,车辆产生较为明显的位移。而进行时间域处理的视频帧数量不宜过少,否则具有相对较高的错误率,而且也不宜较多,否则运算量过大。
在步骤2.3中,空间域投票中窗口平移量x和y的取值如下:设标准判断跟踪窗口为横向a个像素点、纵向b个像素点,x取值范围为0.1a-0.2a,y取值范围为0.1b-0.2b。
上述x和y的取值范围是本申请人经过大量实际试验所获得的经验值,如果平移因子过大,自窗口将可能不能很好的涵盖目标,如果平移因子过小,则平移效果不够。
2.4、后续帧的间隔修正识别
当上述首次识别步骤完成后,已经获得车辆识别结果。而在此车辆进入监控区域的一段时间内不再需要时刻对其进行识别,这样在大车流量慢车速的情况下可以减少运算量。为增加判断准确率与鲁棒性,在后续视频帧中采用间隔识别修正的方式。
也就是说,对于同一辆机动车辆,从首次识别完成后,每隔一定周期对此车辆进行一次修正识别,重复上述步骤2.1-2.3,以对于前次判断结果进行修正。换而言之,当车辆进入监控区域并跟踪成功后,周期性的重复识别步骤中的步骤2.1-2.3,并利用每个周期获得的识别结果对于之前结果进行修正。
2.5、从上述步骤2.3执行完毕之时起,分析服务器5将通过时空域联合修正后的分类结果实时的逐级上传至第一级汇总服务器1中进行汇总,所述第一级汇总服务器1根据各视频采集设备5所在位置在电子地图显示出租车分布信息。
2.6、调度中心根据所述出租车分布信息确定调度方案,并将调度方案发送给出租车。
以上通过实施例详细描述了本发明所提出的调度方法的具体实施步骤,以下通过实验对于调度方法中所采用的与以往不同的识别技术和现有的基于HOG算法和SVM分类器的识别方法进行对比:
实验设计
在测试样本库随机取出正负测试样本各30张,在样本库随机挑选正负样本各150,250,350,500张。分别用现有识别方法与本实施例识别方法进行识别,并对检测结果进行对比评估,获得下表。
原算法与加入多角度判断算法的正确率对比结果
由上述实验证明,出租车的辨识率达到96%,充分证明该方案的可行性。
与现有技术相比,本发明一种基于视频监控系统的出租车调度方法及调度系统,基于现有的、已经覆盖市区几乎所有交通路况、停车场的视频监控系统,利用每个路口等处的监控探头所提供的视频,通过视频智能分析技术的应用,即可实现对车辆信息的自动提取,再通过监控视频的联网对多个摄像头的信息汇总,将整个城市的出租车位置信息标注在了地图上,在此基础上发现了可能需要出租车的区域。针对现今基于GPS系统的出租调度各公司信息不共享的弊病,基于视频监控的车联网保障了信息的全面性,为智能调度、交通诱导等提供一种可行的车联网解决方案。
针对城市道路拥堵问题。实施出租车调度可以大大降低出租车的空载率,使道路车流组成中30%为出租汽车降到15%-20%;可改变目前要打车满街找或者站在马路上东张西望的现象,避免了车辆在街上尤其是主干道上随意调头、随意停靠等影响道路畅通的情况发生,而即停即下、即下即走也有效地避免了车辆满街跑,可以减轻道路通行压力。
针对城市尾气污染及环境问题,实现绿色交通、节约能源的目的。
同时,实施出租车智能调度可以大大提高出租车周转量,缓解市民出行需求问题。一出门就能利用出租车智能调度实现叫车目的,老百姓的出行会更方便。同时,利用出租车智能调度还可以实现管理部门对出租车司机服务的跟踪。
较好解决出租车从业人员生计问题。对于出租车行业从业者(企业和司机)来说,减少空驶率将极大地降低出租车运营成本,增加收入:还有效地改善出租车营运环境,降低出租车司机的劳动强度。
提升行业管理水平,可以辅助政府宏观政策。出租车智能调度可有利于形成管理者与被管理者之间和谐的关系;由于真正实现了信息化管理,管理部门可以及时掌握出租车营运状况,对于提升行业管理水平、降低管理成本有着不可取代的作用。
有效促进相关产业的发展。包括GPS应用、IT业、视频、广告等这些绿色产业将伴随出租车智能调度实施而得到进一步发展。
引导市民提高素质,提升城市形象。规范市民文明乘车,提升市民交通法规意识,并利用这些扬招站点让市民形成良好的习惯。独特、新颖、美观的站牌将成为城市形象展示的重要载体,较好地提升城市形象。
综上所述,实施出租车智能调度的市场需求巨大,具有非常高的研究意义与价值。
本发明所属领域的一般技术人员可以理解,本发明以上实施例仅为本发明的示意性实施例之一,为篇幅限制,这里不能逐一列举所有实施方式,任何可以体现本发明权利要求技术方案的实施,都在本发明的保护范围内。
需要注意的是,以上内容是结合具体的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施方式仅限于此,在上述实施例的指导下,本领域技术人员可以在上述实施例的基础上进行各种改进和变形,而这些改进或者变形落在本发明的保护范围内。
Claims (9)
1.一种基于视频监控系统的出租车调度方法,其特征在于包括如下步骤:
a、基于视频监控系统中各视频采集设备所采集的视频数据,构建包括若干含有出租车的正样本以及若干含有其它机动车辆的负样本的样本库;并基于所述视频数据中出租车的车身主色种类,设定出租车用颜色类别集,并确定所述类别集中各颜色类别的颜色参数边界;
b、获取所述样本的判断窗口,并将所述判断窗口图像尺寸归一化;提取归一化处理后的判断窗口内的各颜色类别的面积,确定各颜色类别的面积门限;以及,提取所述判断窗口的HOG特征,并利用此HOG特征训练支持向量机分类器;
c、所述视频采集设备将视频数据实时上传至分析服务器中;
d、所述分析服务器检测和追踪所述视频数据中各待识别车辆;
e、所述分析服务器将跟踪成功后的首个图像帧的跟踪窗口尺寸归一化,提取归一化处理后的跟踪窗口中各颜色种类的面积,并将所述面积与对应的面积门限进行比对,若该跟踪窗口中至少一个颜色种类的面积大于面积门限,则进入下一步骤;否则,仅继续跟踪;
f、所述分析服务器通过所述向量机分类器分类,并将分类结果实时上传至汇总服务器进行汇总,所述汇总服务器根据各视频采集设备所在位置在电子地图显示出租车分布信息;
g、调度中心根据所述出租车分布信息确定调度方案,并将调度方案发送给出租车。
2.根据权利要求1所述的一种基于视频监控系统的出租车调度方法,其特征在于,所述分类结果至少通过空间域修正识别步骤获得:将所述首个图像帧中通过面积比对的跟踪窗口分别向上、下两个方向移动y个像素点,获得二个子窗口,以及向左、两个方向移动x个像素点,获得另二个子窗口;将所获得的四个子窗口尺寸归一化,将归一化处理后的四个子窗口和跟踪窗口输入所述支持向量机分类器获得五个识别结果,对这五个识别结果进行投票统计,票数多者取胜,由此获得空间域修正识别结果;所述的x、y均为正整数。
3.根据权利要求2所述的一种基于视频监控系统的出租车调度方法,其特征在于该调度方法还包括时间域修正步骤:由所述首个图像帧起,对一段时间内的连续视频帧中采样获得n个关键帧,并分别对关键帧分别执行所述空间域修正识别步骤,以获得多个空间域修正识别结果,将基于这些关键帧和首个图像帧做出的空间域修正识别结果进行投票统计,票数多者取胜,由此获得时间域修正识别结果,其中n为大于2的自然数。
4.根据权利要求3所述的一种基于视频监控系统的出租车调度方法,其特征在于:所述关键帧是以固定时间间隔在所述一段时间内的连续视频帧选取的。
5.根据权利要求4所述的一种基于视频监控系统的出租车调度方法,其特征在于:所述n为4,所述固定时间间隔取决于对任一所述关键帧执行步骤e的时间。
6.根据权利要求4所述的一种基于视频监控系统的出租车调度方法,其特征在于该调度方法还包括如下步骤:周期性的对所述连续视频帧执行所述步骤e、空间域修正步骤以及时间域修正步骤,以获得基于同一跟踪窗口的多个时空域联合修正识别结果,并在每获得一个时空域联合修正识别结果之后,对于之前基于同一跟踪窗口做出的识别结果进行修正。
7.根据权利要求1-6任意一项所述的一种基于视频监控系统的出租车调度方法,其特征在于:所述样本的判断窗口、所述子窗口和所述跟踪窗口均被归一化为横向a个像素点、纵向b个像素点,所述a、b均为大于10的自然数;且所述x取值范围为0.1a-0.2a,所述y取值范围为0.1b-0.2b。
8.根据权利要求7所述的一种基于视频监控系统的出租车调度方法,其特征在于:所述颜色参数边界包括在HSV颜色空间中。
9.一种基于视频监控系统的出租车调度系统,涉及装有移动通讯终端的出租车,其特征在于:包括设于各机动车监控区域的若干视频采集设备、分析服务器、汇总服务器和调度中心,所述分析服务器通过通信链路与所述视频采集设备连接和汇总服务器连接,对所述视频采集设备上传的视频数据进行识别并将车辆分类结果上传至汇总服务器,所述汇总服务器根据所述分类结果在电子地图上显示出租车分布信息,所述调度中心根据所述出租车分布信息确定调度方案,并将调度方案发送给出租车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210356446.9A CN102867411B (zh) | 2012-09-21 | 2012-09-21 | 一种基于视频监控系统的出租车调度方法及调度系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210356446.9A CN102867411B (zh) | 2012-09-21 | 2012-09-21 | 一种基于视频监控系统的出租车调度方法及调度系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102867411A true CN102867411A (zh) | 2013-01-09 |
CN102867411B CN102867411B (zh) | 2014-07-09 |
Family
ID=47446263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210356446.9A Active CN102867411B (zh) | 2012-09-21 | 2012-09-21 | 一种基于视频监控系统的出租车调度方法及调度系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102867411B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103956043A (zh) * | 2014-04-29 | 2014-07-30 | 南京理工大学 | 基于移动终端的车辆出行路径辅助系统 |
CN104167092A (zh) * | 2014-07-30 | 2014-11-26 | 北京市交通信息中心 | 一种确定出租车上下客热点区域中心的方法以及装置 |
CN104835029A (zh) * | 2015-05-26 | 2015-08-12 | 丹阳飓风物流股份有限公司 | 一种物流车辆综合管理系统 |
CN104883546A (zh) * | 2015-06-11 | 2015-09-02 | 中科宇图天下科技有限公司 | 一种堆料覆盖率监测系统及其方法 |
CN105608900A (zh) * | 2016-03-27 | 2016-05-25 | 无锡智谷锐拓技术服务有限公司 | 基于数据采集的交通路口配电柜 |
CN105608901A (zh) * | 2016-03-27 | 2016-05-25 | 无锡智谷锐拓技术服务有限公司 | 一种基于配电箱的的士信息发布方法 |
CN106611147A (zh) * | 2015-10-15 | 2017-05-03 | 腾讯科技(深圳)有限公司 | 车辆追踪方法和装置 |
CN106791613A (zh) * | 2016-11-30 | 2017-05-31 | 江苏省邮电规划设计院有限责任公司 | 一种基于3dgis和视频相结合的智能监控系统 |
CN108154149A (zh) * | 2017-12-08 | 2018-06-12 | 济南中维世纪科技有限公司 | 基于深度学习网络共享的车牌识别方法 |
CN108447294A (zh) * | 2018-03-29 | 2018-08-24 | 四川畅云出行信息技术有限公司 | 一种网约车车辆调度方法及系统 |
CN109543610A (zh) * | 2018-11-22 | 2019-03-29 | 中国科学院长春光学精密机械与物理研究所 | 车辆检测跟踪方法、装置、设备及存储介质 |
CN111310736A (zh) * | 2020-03-26 | 2020-06-19 | 上海同岩土木工程科技股份有限公司 | 一种保护区内车辆卸载堆土的快速识别方法 |
TWI704521B (zh) * | 2018-12-06 | 2020-09-11 | 英華達股份有限公司 | 自駕車車隊平均能量消耗的駕駛系統及其方法 |
CN110321852B (zh) * | 2019-07-05 | 2022-06-14 | 创优数字科技(广东)有限公司 | 一种动作类型识别方法、装置、存储介质及计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10063598A1 (de) * | 2000-12-20 | 2002-06-27 | Volkswagen Ag | Verfahren und Einrichtung zur Überwachung von Verkehrssituationen |
CN101196996A (zh) * | 2007-12-29 | 2008-06-11 | 北京中星微电子有限公司 | 一种图像检测方法及装置 |
US20080247652A1 (en) * | 2007-04-04 | 2008-10-09 | Motorola, Inc. | Q-metric based support vector machine |
CN101783076A (zh) * | 2010-02-04 | 2010-07-21 | 西安理工大学 | 一种视频监控模式下的快速车型识别方法 |
CN202758487U (zh) * | 2012-09-21 | 2013-02-27 | 博康智能网络科技股份有限公司 | 一种基于视频识别技术的出租车调度系统 |
-
2012
- 2012-09-21 CN CN201210356446.9A patent/CN102867411B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10063598A1 (de) * | 2000-12-20 | 2002-06-27 | Volkswagen Ag | Verfahren und Einrichtung zur Überwachung von Verkehrssituationen |
US20080247652A1 (en) * | 2007-04-04 | 2008-10-09 | Motorola, Inc. | Q-metric based support vector machine |
CN101196996A (zh) * | 2007-12-29 | 2008-06-11 | 北京中星微电子有限公司 | 一种图像检测方法及装置 |
CN101783076A (zh) * | 2010-02-04 | 2010-07-21 | 西安理工大学 | 一种视频监控模式下的快速车型识别方法 |
CN202758487U (zh) * | 2012-09-21 | 2013-02-27 | 博康智能网络科技股份有限公司 | 一种基于视频识别技术的出租车调度系统 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103956043B (zh) * | 2014-04-29 | 2016-04-20 | 南京理工大学 | 基于移动终端的车辆出行路径辅助系统 |
CN103956043A (zh) * | 2014-04-29 | 2014-07-30 | 南京理工大学 | 基于移动终端的车辆出行路径辅助系统 |
CN104167092A (zh) * | 2014-07-30 | 2014-11-26 | 北京市交通信息中心 | 一种确定出租车上下客热点区域中心的方法以及装置 |
CN104835029A (zh) * | 2015-05-26 | 2015-08-12 | 丹阳飓风物流股份有限公司 | 一种物流车辆综合管理系统 |
CN104883546A (zh) * | 2015-06-11 | 2015-09-02 | 中科宇图天下科技有限公司 | 一种堆料覆盖率监测系统及其方法 |
CN106611147B (zh) * | 2015-10-15 | 2018-10-16 | 腾讯科技(深圳)有限公司 | 车辆追踪方法和装置 |
CN106611147A (zh) * | 2015-10-15 | 2017-05-03 | 腾讯科技(深圳)有限公司 | 车辆追踪方法和装置 |
CN105608900A (zh) * | 2016-03-27 | 2016-05-25 | 无锡智谷锐拓技术服务有限公司 | 基于数据采集的交通路口配电柜 |
CN105608901A (zh) * | 2016-03-27 | 2016-05-25 | 无锡智谷锐拓技术服务有限公司 | 一种基于配电箱的的士信息发布方法 |
CN105608900B (zh) * | 2016-03-27 | 2016-11-30 | 江苏绿叶机械有限公司 | 基于数据采集的交通路口配电柜 |
CN105608901B (zh) * | 2016-03-27 | 2017-02-08 | 国网山东省电力公司蒙阴县供电公司 | 一种基于配电箱的的士信息发布方法 |
CN106791613A (zh) * | 2016-11-30 | 2017-05-31 | 江苏省邮电规划设计院有限责任公司 | 一种基于3dgis和视频相结合的智能监控系统 |
CN106791613B (zh) * | 2016-11-30 | 2019-07-12 | 中通服咨询设计研究院有限公司 | 一种基于3dgis和视频相结合的智能监控系统 |
CN108154149A (zh) * | 2017-12-08 | 2018-06-12 | 济南中维世纪科技有限公司 | 基于深度学习网络共享的车牌识别方法 |
CN108154149B (zh) * | 2017-12-08 | 2021-12-10 | 济南中维世纪科技有限公司 | 基于深度学习网络共享的车牌识别方法 |
CN108447294A (zh) * | 2018-03-29 | 2018-08-24 | 四川畅云出行信息技术有限公司 | 一种网约车车辆调度方法及系统 |
CN109543610A (zh) * | 2018-11-22 | 2019-03-29 | 中国科学院长春光学精密机械与物理研究所 | 车辆检测跟踪方法、装置、设备及存储介质 |
CN109543610B (zh) * | 2018-11-22 | 2022-11-11 | 中国科学院长春光学精密机械与物理研究所 | 车辆检测跟踪方法、装置、设备及存储介质 |
TWI704521B (zh) * | 2018-12-06 | 2020-09-11 | 英華達股份有限公司 | 自駕車車隊平均能量消耗的駕駛系統及其方法 |
CN110321852B (zh) * | 2019-07-05 | 2022-06-14 | 创优数字科技(广东)有限公司 | 一种动作类型识别方法、装置、存储介质及计算机设备 |
CN111310736A (zh) * | 2020-03-26 | 2020-06-19 | 上海同岩土木工程科技股份有限公司 | 一种保护区内车辆卸载堆土的快速识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102867411B (zh) | 2014-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102867411B (zh) | 一种基于视频监控系统的出租车调度方法及调度系统 | |
GB2569750A (en) | Comfort-based self-driving planning method | |
CN102867417B (zh) | 一种出租车防伪系统及方法 | |
CN102622798A (zh) | 一种客流统计分析系统 | |
CN106127107A (zh) | 基于车牌信息和车辆轮廓的多路视频信息融合的车型识别方法 | |
CN103279756A (zh) | 基于集成分类器的车辆检测分析系统及其检测分析方法 | |
CN105354530A (zh) | 一种车身颜色识别方法及装置 | |
CN101944176A (zh) | 存在交通设施标识的更优畅通路径检测 | |
CN101504717A (zh) | 特征区域的定位方法、车身深浅色与车身颜色的识别方法 | |
CN102708378A (zh) | 一种基于图像异常特征的智能交通抓拍设备故障诊断的方法 | |
CN103093249A (zh) | 一种基于高清视频的出租车识别方法及系统 | |
CN103268072A (zh) | 一种基于机器视觉的缩微车、缩微车控制系统及控制方法 | |
CN105262983A (zh) | 基于灯联网的道路监控系统与方法 | |
CN109993058A (zh) | 基于多标签分类的道路交通标志的识别方法 | |
CN106845359A (zh) | 基于红外发射的隧道入口行车提示装置及方法 | |
CN106529391B (zh) | 一种鲁棒的限速交通标志检测与识别方法 | |
CN202758487U (zh) | 一种基于视频识别技术的出租车调度系统 | |
CN210515650U (zh) | 一种智能环保道路黑烟车辆电子抓拍系统 | |
CN110633609B (zh) | 基于人脸对象位置分析的定位平台 | |
CN110379173A (zh) | 一种基于共享单车多模态数据的非机动车交通违规行为识别方法 | |
CN115326131A (zh) | 一种用于无人驾驶的矿山道路路况智能分析方法和系统 | |
CN111027365B (zh) | 基于人脸对象位置分析的定位方法 | |
Momirski et al. | Southern inner ring road in Ljubljana: 2021 data set from traffic sensors installed as part of the citizen science project WeCount | |
CN114898309A (zh) | 一种基于视觉ai技术的城市智能巡检车系统及巡检方法 | |
CN212809464U (zh) | 一种停车管理系统 |
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 | ||
C56 | Change in the name or address of the patentee | ||
CP01 | Change in the name or title of a patent holder |
Address after: 201209 Chuansha Road, Shanghai, No. 221, room 11, building 955 Patentee after: Bocom Intelligent Network Technology Co. Ltd. Address before: 201209 Chuansha Road, Shanghai, No. 221, room 11, building 955 Patentee before: BOCOM Smart Network Technologies Inc. |