CN104318760A - 一种基于似物性模型的路口违章行为智能检测方法及系统 - Google Patents
一种基于似物性模型的路口违章行为智能检测方法及系统 Download PDFInfo
- Publication number
- CN104318760A CN104318760A CN201410469748.6A CN201410469748A CN104318760A CN 104318760 A CN104318760 A CN 104318760A CN 201410469748 A CN201410469748 A CN 201410469748A CN 104318760 A CN104318760 A CN 104318760A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- image
- track
- physical property
- region
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000033001 locomotion Effects 0.000 claims abstract description 17
- 230000000704 physical effect Effects 0.000 claims description 51
- 239000013598 vector Substances 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000013316 zoning Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 241000283070 Equus zebra Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/005—Traffic control systems for road vehicles including pedestrian guidance indicator
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于似物性模型的路口违章行为智能检测方法及系统,该方法应用在城市交通中基于视频的路口行人闯红灯事件检测领域,其特征是利用似物性模型快速检测行人,并利用轨迹过滤的方法提高检测准确率,结合信号灯状态检测最终完成行人闯红灯事件的判断。本方法首先采集交叉口过街行人图像,并人工标定其坐标位置,在给定数据集上训练得到行人似物性模型;然后,利用似物性模型快速的检测视频图像中的行人,并对检测得到的行人,根据距离和角度关系,建立行人的运动轨迹;最后,结合信号灯状态和行人的轨迹特征,判断行人闯红灯事件,并抓拍和语音提示。
Description
技术领域
本发明涉及智能交通和模式识别领域,尤其涉及一种检测行人闯红灯的技术领域。
背景技术
目前各大城市交叉口行人闯红灯事件较为严重,给交通安全带来很大的隐患。基于视频处理的行人检测是智能交通系统中的一项关键技术,相对于光栅等传统检测方法,视频检测安装成本低、可扩展性较好。在实际应用中,由于场景的复杂性、视角与尺度的变化、人体姿态与着装的多样性以及部分遮挡等因素,使得行人检测具有较大的困难。
而传统的图像中搜寻物体的方法叫做滑动窗口法,即不断在图像上遍历穷举不同区域,然后再判断这个区域的具体内容,该方法效率很低。现有的各种基于视频的行人闯红灯检测方法,在实时性和准确率方面尚存在一些不足,因此还不能满足真实交通场景下交叉口的行人闯红灯事件检测。
为解决上述问题,本发明首次将似物性模型应用于智能交通领域,用于交通路口的行人检测,似物性模型是用来度量图像中某个区域的目标显著性水平,其刻划了前景目标区别于背景的模式,用来快速的发现潜在目标的位置。似物性模型更接近人对客观世界目标的识别过程,人能很快地知道什么位置有个东西,然后进一步看清具体是什么。似物性模型并不直接解决行人检测的问题,仅用来快速的发现潜在的可能存在行人的区域,然后再借助其他方法进一步确定是否是行人。
本发明还利用轨迹过滤的方法提高检测准确率,结合信号灯状态检测最终完成行人闯红灯事件的判断。该发明的优点在于上述方法由于采用似物性模型,其计算速度快于同类方法,另外采用将行人抽象为点并根据轨迹过滤噪声,其检测准确率得到提高。
本发明的行人闯红灯事件检测方法及系统,基于计算机视觉技术、视频处理和模式识别技术,具有安装成本低、检测准确率高、抓拍准确等优点,在智能交通领域具有广泛的应用前景。
发明内容
本发明目的在于建立一种不需人工干预的智能行人闯红灯事件检测方法及系统,通过分析交叉口监控视频,结合信号灯状态检测实现对行人的定位、识别和跟踪,进一步完成行人闯红灯事件的检测与图像的抓拍。为了实现所述目的,采取如下具体技术方案:
该智能检测方法依次包括如下步骤:(1)采集交通场景下道路交叉口行人过街图像,并人工标注行人位置,作为训练数据集;提取行人区域正样本和行人区域负样本的8*8图像梯度特征,所述行人区域正样本为路口图像中包含了行人的图像区域,行人区域负样本为路口图像中不包含行人及包含不完整行人的图像区域;并将所述图像梯度特征输入到支持向量机中训练,得到行人似物性模型;采用如下似物性度量方法以训练行人似物性模型: ,式中,w为64维向量,是在数据集上训练得到的行人似物性模型;gL表示待判断的图像区域L的64维梯度特征;表示支持向量机的向量内积运算;sL 表示似物性度量值,其反映图像区域L中目标可能是行人的程度;(2)对交叉口信号灯图像进行采集,并根据图像颜色分布情况自动识别信号灯状态;(3)在红灯时间内,利用所述行人似物性模型检测过街行人,首先根据步骤(1)所得到的行人似物性模型,找出潜在的可能存在行人的区域;然后计算区域图像中行人的长宽比A=W/L,根据A的取值范围(0.3,0.5),过滤所有不符合条件的行人;(4)对于所检测到的行人计算其重心坐标位置,并加入候选行人集合S;在S中,利用行人的位置关系,生成n条行人轨迹;(5)当行人轨迹中的行人位置个数大于阈值m时候,抓拍当前行人图像并存储,并给予过街行人语音和图像警报。
优选地,在步骤(2)中所述自动识别信号灯状态的方法为:定位信号灯区域,并将其划分为2*5的小方格;在这2*5个格子内分别计算其亮度值,得到一个10维向量;统计路口红灯图像时该向量的取值分布的最大值和最小值,得到红灯模型;利用训练得到的红灯模型检测路口的信号灯状态。
优选地,在步骤(4)中的候选行人集合S中包括所有满足行人似物性模型的行人,结合运动特征,进一步过滤噪声,得到真正的闯红灯行人,具体步骤为:1)在视频帧f中检测到行人个数p,将每个行人抽象为一个点,计算其重心位置坐标; 2) 将p个行人加入到n条轨迹中,其中每条轨迹是一个包含若干坐标点的队列; 3) 循环遍历p个行人,如果它和n条轨迹中的任意一个距离都大于阈值d或者角度差值都大于阈值α则该行人不属于任何现有轨迹,则新生成一条轨迹,该行人作为起点,轨迹个数加1;如果该行人和现有某条轨迹距离小于阈值并且其角度差值小于α,则该行人加入所对应的轨迹中; 4) 检测所维护的n条轨迹,如果轨迹i超过15帧没有变化则清除该轨迹,轨迹个数n减1;如果轨迹i中的行人坐标个数超过m,则表示该行人形成了稳定轨迹,记录该行人并作后续处理,同时轨迹清空。
优选地,在步骤(5)中,抓拍行人的条件为该行人形成了超过m个点的稳定轨迹,此时存储该行人的图像并对该行人进行语音提示。
采用如上所述智能检测方法的智能检测系统,其包括:行人似物性模型生成模块,其根据人工标注好位置的路口行人图像数据集,提取行人区域正样本和行人区域负样本的8*8图像梯度特征,并将所述图像梯度特征输入到支持向量机中训练,得到行人似物性模型;信号灯状态检测模块,其根据信号灯的图像特征判断信号灯是否为红灯;运动轨迹过滤模块,其根据区域中行人的运动轨迹判断真正的违章过街行人;输出模块,该模块结合信号灯和行人检测的结果,对闯红灯的行人进行抓拍和语音提示;控制模块,该模块与其他各模块相连,用于加载行人似物性模型生成模块和信号灯状态检测模块输入的模型,并控制运动轨迹过滤模块进行计算及输出模块的运行。
本发明具有如下有益效果:
(1)本发明首次将似物性模型应用于智能交通领域,以检测交通路口的违章行人,在给定数据集上所训练得到的行人似物性模型行人的轮廓特征,可以快速的检测行人,形成候选行人列表。
(2)根据运动轨迹的特征,过滤掉大部分检测噪声提高了行人检测的准确率。
(3)本发明可以在交通智能监控领域实现稳定可靠地行人闯红灯事件检测,并对闯红灯行人进行自动抓拍和语音提示。
附图说明
图1 是本发明的行人闯红灯事件检测整体流程图。
图2是似物性模型的原理示意图。
图3是似物性模型的生成过程图。
图4 是信号灯状态检测方法示意图。
图5 是新检测行人加入轨迹的过程图。
具体实施方式
下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是,所描述的实施例仅旨在便于对本发明的理解,而对其不起任何限定作用。
如图1所示,本发明的检测方法在处理流程上主要包括五个模块。第一模块为行人似物性模型生成模块,根据人工标注好位置的路口行人图像数据集训练得到;第二模块为信号灯状态检测模块,根据信号灯的图像特征判断信号灯是否为红灯;第三模块为运动轨迹过滤模块,系统维护n条轨迹,通过将新检测得到的行人加入n条轨迹,并根据轨迹中行人的个数判断真正的行人;第四模块为输出模块,该模块结合信号灯和行人检测的结果,对闯红灯的行人进行抓拍和语音提示;第五个模块为控制模块,该模块与其他各模块相连,用于加载行人似物性模型生成模块和信号灯状态检测模块输入的模型,并控制运动轨迹过滤模块进行计算及输出模块的运行。根据上述流程,具体的实施方式如下所示:
1、 似物性模型生成模块
对斑马线上的过路行人采集视频图像集合,并人工标注其中行人的位置。似物性模型用来度量图像中某个区域的目标显著性水平,如图2中框1区域的显著性要大于框2的显著性,即框1图像区域更大程度上确定了一个完整的前景目标。这种原理类似于人在识别物体上,首先要确定哪个位置可能是个目标,然后再确定这个目标具体是什么物体。传统的图像中搜寻物体的方法叫做滑动窗口法,即不断在图像上遍历穷举不同区域,然后再判断这个区域的具体内容。滑动窗口法效率很低,而似物性模型更接近人对客观世界目标的识别过程,人能很快地知道什么位置有个东西,然后进一步看清具体是什么。似物性模型并不直接解决行人检测的问题,仅用来快速的发现潜在的可能存在行人的区域,然后再借助其他方法进一步确定是否是行人。本发明似物性模型的生成过程如图3所示。
其中行人区域正样本指的是路口图像中包含了行人的图像区域,如图2中的框1、框3、框4和框5。行人区域负样本指的是路口图像中不包含行人或者不包含完整行人的图像区域,如框2和框6。然后,分别提取正负样本的8*8图像梯度特征,并输入到支持向量机中训练,得到似物性模型。该物性模型刻划了前景目标区别于背景的模式,用来快速的发现潜在目标的位置。
该模型的物理意义表达了路口行人在8*8灰度图像上的模式,用来快速的定位潜在行人位置。采用如下似物性度量方法以训练行人似物性模型:,式中,w为64维向量,是在数据集上训练得到的行人似物性模型;gL表示待判断的图像区域L的64维梯度特征;表示支持向量机的向量内积运算;sL 表示似物性度量值,其反映图像区域L中目标可能是行人的程度。
根据步骤所得到的行人似物性模型,找出潜在的可能存在行人的区域;然后计算区域图像中行人的长宽比A=W/L,根据A的取值范围(0.3,0.5),过滤所有不符合条件的行人。
2、 信号灯状态检测模块
将信号灯图像区域分离出来,并将之分割为2*5的小方格,如图4所示,分别计算各个块内的亮度值;将信号灯亮度表达为一个10维的向量,分别统计红灯的平均值R和绿灯的平均值G,其中R和G都是10维向量;根据路口的信号灯表达为相同的形式与R和G比较,根据近邻原则判断是否为红灯。
3、 运动轨迹过滤模块
定义队列数据结构,每个队列存放同一个行人的运动轨迹,每个轨迹包括多个检测到的行人重心坐标点。每个新检测到的行人开辟一个新的队列。队列中的每个元素为一个结构体,存放在图像中检测到的行人重心坐标。如图5所示,中间圆形代表新检测的行人坐标位置,由于它和左右两个行人轨迹最后一个元素的坐标距离都大于给定阈值d,并且该圆形与左右两个轨迹的所形成角度差值大于给定阈值α,从而该圆形无法加入原先的两条轨迹,从而作为新的轨迹起点生成新轨迹;加入符合d和α阈值的要求,则新检测的行人加入原先轨迹中。其中d和α的确定由实际视频速率和分辨率人工确定。具体步骤为:
1)在视频帧f中检测到行人个数p,将每个行人抽象为一个点,计算其重心位置坐标; 2) 将p个行人加入到n条轨迹中,其中每条轨迹是一个包含若干坐标点的队列; 3) 循环遍历p个行人,如果它和n条轨迹中的任意一个距离都大于阈值d或者角度差值都大于阈值α则该行人不属于任何现有轨迹,则新生成一条轨迹,该行人作为起点,轨迹个数加1;如果该行人和现有某条轨迹距离小于阈值并且其角度差值小于α,则该行人加入所对应的轨迹中; 4) 检测所维护的n条轨迹,如果轨迹i超过15帧没有变化则清除该轨迹,轨迹个数n减1;如果轨迹i中的行人坐标个数超过m,则表示该行人形成了稳定轨迹,记录该行人并作后续处理,同时轨迹清空。
4、 输出模块
抓拍行人的条件为该行人形成了超过m个点的稳定轨迹,此时存储该行人的图像并对该行人进行语音提示。当队列中的内容连续15帧不发生变化,在对其进行如下处理:如果队列中的元素数量超过3个,则表示该队列形成了一条稳定的行人运动轨迹,从而抓拍该行人并且给予语音提示;反之,则表示该队列所对应的行人运动轨迹可能为噪声,不做处理;最后,队列内容清除,表示行人已经离开检测区域。
5、 控制模块
控制模块,该模块与其他各模块相连,用于加载行人似物性模型生成模块和信号灯状态检测模块输入的模型,并控制运动轨迹过滤模块进行计算及输出模块的运行。
在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (5)
1.一种基于似物性模型的路口违章行为智能检测方法,其特征在于,所述检测方法依次进行如下步骤:
(1)采集交通场景下道路交叉口行人过街图像,并人工标注行人位置,作为训练数据集;提取行人区域正样本和行人区域负样本的8*8图像梯度特征,所述行人区域正样本为路口图像中包含了行人的图像区域,行人区域负样本为路口图像中不包含行人及包含不完整行人的图像区域;并将所述图像梯度特征输入到支持向量机中训练,得到行人似物性模型;采用如下似物性度量方法以训练行人似物性模型:
式中,w为64维向量,是在数据集上训练得到的行人似物性模型;gL表示待判断的图像区域L的64维梯度特征;表示支持向量机的向量内积运算;sL 表示似物性度量值,其反映图像区域L中目标可能是行人的程度;
(2)对交叉口信号灯图像进行采集,并根据图像颜色分布情况自动识别信号灯状态;
(3)在红灯时间内,利用所述行人似物性模型检测过街行人,首先根据步骤(1)所得到的行人似物性模型,找出潜在的可能存在行人的区域;然后计算区域图像中行人的长宽比A=W/L,根据A的取值范围(0.3,0.5),过滤所有不符合条件的行人;
(4)对于所检测到的行人计算其重心坐标位置,并加入候选行人集合S;在S中,利用行人的位置关系,生成n条行人轨迹;
(5)当行人轨迹中的行人位置个数大于阈值m时候,抓拍当前行人图像并存储,并给予过街行人语音和图像警报。
2.根据如权利要求1所述的基于似物性模型的路口违章行为智能检测方法,其特征在于,在步骤(2)中所述自动识别信号灯状态的方法为:
定位信号灯区域,并将其划分为2*5的小方格;在这2*5个格子内分别计算其亮度值,得到一个10维向量;统计路口红灯图像时该向量的取值分布的最大值和最小值,得到红灯模型;利用训练得到的红灯模型检测路口的信号灯状态。
3.根据如前述权利要求中所述的基于似物性模型的路口违章行为智能检测方法,其特征在于,步骤(4)中的候选行人集合S中包括所有满足行人似物性模型的行人,结合运动特征,进一步过滤噪声,得到真正的闯红灯行人,具体步骤为:
1)在视频帧f中检测到行人个数p,将每个行人抽象为一个点,计算其重心位置坐标;
2) 将p个行人加入到n条轨迹中,其中每条轨迹是一个包含若干坐标点的队列;
3) 循环遍历p个行人,如果它和n条轨迹中的任意一个距离都大于阈值d或者角度差值都大于阈值α则该行人不属于任何现有轨迹,则新生成一条轨迹,该行人作为起点,轨迹个数加1;如果该行人和现有某条轨迹距离小于阈值并且其角度差值小于α,则该行人加入所对应的轨迹中;
4) 检测所维护的n条轨迹,如果轨迹i超过15帧没有变化则清除该轨迹,轨迹个数n减1;如果轨迹i中的行人坐标个数超过m,则表示该行人形成了稳定轨迹,记录该行人并作后续处理,同时轨迹清空。
4.根据如前述权利要求中所述的基于似物性模型的路口违章行为智能检测方法,其特征在于,在步骤(5)中,抓拍行人的条件为该行人形成了超过m个点的稳定轨迹,此时存储该行人的图像并对该行人进行语音提示。
5.一种采用如前述权利要求所述智能检测方法的智能检测系统,其特征在于,其包括:
行人似物性模型生成模块,其根据人工标注好位置的路口行人图像数据集,提取行人区域正样本和行人区域负样本的8*8图像梯度特征,并将所述图像梯度特征输入到支持向量机中训练,得到行人似物性模型;
信号灯状态检测模块,其根据信号灯的图像特征判断信号灯是否为红灯;
运动轨迹过滤模块,其根据区域中行人的运动轨迹判断真正的违章过街行人;
输出模块,该模块结合信号灯和行人检测的结果,对闯红灯的行人进行抓拍和语音提示;
控制模块,该模块与其他各模块相连,用于加载行人似物性模型生成模块和信号灯状态检测模块输入的模型,并控制运动轨迹过滤模块进行计算及输出模块的运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410469748.6A CN104318760B (zh) | 2014-09-16 | 2014-09-16 | 一种基于似物性模型的路口违章行为智能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410469748.6A CN104318760B (zh) | 2014-09-16 | 2014-09-16 | 一种基于似物性模型的路口违章行为智能检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104318760A true CN104318760A (zh) | 2015-01-28 |
CN104318760B CN104318760B (zh) | 2016-08-24 |
Family
ID=52373984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410469748.6A Active CN104318760B (zh) | 2014-09-16 | 2014-09-16 | 一种基于似物性模型的路口违章行为智能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318760B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846400A (zh) * | 2015-12-04 | 2017-06-13 | 南京大学 | 一种结合窗口评分与超像素组合的物体位置预估方法 |
US9805474B1 (en) | 2016-05-09 | 2017-10-31 | Iteris, Inc. | Pedestrian tracking at a traffic intersection to identify vulnerable roadway users for traffic signal timing, pedestrian safety, and traffic intersection control |
WO2017196515A1 (en) * | 2016-05-09 | 2017-11-16 | Iteris, Inc. | Pedestrian counting and detection at a traffic intersection based on location of vehicle zones |
CN109766756A (zh) * | 2018-12-10 | 2019-05-17 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 闯红灯数据处理方法、装置、计算机设备和存储介质 |
CN111402632A (zh) * | 2020-03-18 | 2020-07-10 | 五邑大学 | 一种交叉口行人运动轨迹的风险预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11120483A (ja) * | 1997-10-21 | 1999-04-30 | Mitsubishi Electric Corp | 横断歩道横断支援システム |
JP2002279584A (ja) * | 2001-03-21 | 2002-09-27 | Toshiba Corp | 短距離無線を応用した交通信号システム、これで用いるユーザ端末、および横断歩道の信号誘導方法 |
CN101123039A (zh) * | 2007-09-14 | 2008-02-13 | 清华大学 | 基于数字摄像机的闯红灯检测系统及方法 |
CN102298852A (zh) * | 2011-08-26 | 2011-12-28 | 北京汉王智通科技有限公司 | 基于视频的交通信号灯检测方法及装置 |
CN102682304A (zh) * | 2012-03-26 | 2012-09-19 | 北京博康智能信息技术有限公司 | 一种融合多特征的行人检测方法及装置 |
CN103473570A (zh) * | 2013-08-16 | 2013-12-25 | 电子科技大学 | 自适应视频场景的行人检测方法 |
CN103646254A (zh) * | 2013-12-19 | 2014-03-19 | 北方工业大学 | 一种高密度行人检测方法 |
US20140122409A1 (en) * | 2012-10-29 | 2014-05-01 | Electronics & Telecommunications Research Institute | Apparatus and method for building map of probability distribution based on properties of object and system |
-
2014
- 2014-09-16 CN CN201410469748.6A patent/CN104318760B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11120483A (ja) * | 1997-10-21 | 1999-04-30 | Mitsubishi Electric Corp | 横断歩道横断支援システム |
JP2002279584A (ja) * | 2001-03-21 | 2002-09-27 | Toshiba Corp | 短距離無線を応用した交通信号システム、これで用いるユーザ端末、および横断歩道の信号誘導方法 |
CN101123039A (zh) * | 2007-09-14 | 2008-02-13 | 清华大学 | 基于数字摄像机的闯红灯检测系统及方法 |
CN102298852A (zh) * | 2011-08-26 | 2011-12-28 | 北京汉王智通科技有限公司 | 基于视频的交通信号灯检测方法及装置 |
CN102682304A (zh) * | 2012-03-26 | 2012-09-19 | 北京博康智能信息技术有限公司 | 一种融合多特征的行人检测方法及装置 |
US20140122409A1 (en) * | 2012-10-29 | 2014-05-01 | Electronics & Telecommunications Research Institute | Apparatus and method for building map of probability distribution based on properties of object and system |
CN103473570A (zh) * | 2013-08-16 | 2013-12-25 | 电子科技大学 | 自适应视频场景的行人检测方法 |
CN103646254A (zh) * | 2013-12-19 | 2014-03-19 | 北方工业大学 | 一种高密度行人检测方法 |
Non-Patent Citations (2)
Title |
---|
BOGDAN ALEXE 等: "Measuring the Objectness of Image Windows", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
李梅 等: "基于阈值模型的行人违章从众穿越行为分析", 《山东交通科技》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846400A (zh) * | 2015-12-04 | 2017-06-13 | 南京大学 | 一种结合窗口评分与超像素组合的物体位置预估方法 |
CN106846400B (zh) * | 2015-12-04 | 2020-06-16 | 南京大学 | 一种结合窗口评分与超像素组合的物体位置预估方法 |
US9805474B1 (en) | 2016-05-09 | 2017-10-31 | Iteris, Inc. | Pedestrian tracking at a traffic intersection to identify vulnerable roadway users for traffic signal timing, pedestrian safety, and traffic intersection control |
WO2017196515A1 (en) * | 2016-05-09 | 2017-11-16 | Iteris, Inc. | Pedestrian counting and detection at a traffic intersection based on location of vehicle zones |
CN109766756A (zh) * | 2018-12-10 | 2019-05-17 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 闯红灯数据处理方法、装置、计算机设备和存储介质 |
CN111402632A (zh) * | 2020-03-18 | 2020-07-10 | 五邑大学 | 一种交叉口行人运动轨迹的风险预测方法 |
CN111402632B (zh) * | 2020-03-18 | 2022-06-07 | 五邑大学 | 一种交叉口行人运动轨迹的风险预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104318760B (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105632186B (zh) | 检测车辆加塞行为的方法和装置 | |
CN103927878B (zh) | 一种用于违章停车的自动抓拍装置及自动抓拍方法 | |
CN103714363B (zh) | 一种机动车尾气烟度视频识别系统 | |
CN104183127B (zh) | 交通监控视频检测方法和装置 | |
CN108470461B (zh) | 一种交通信号控制器控制效果在线评价方法及系统 | |
CN108230254A (zh) | 一种自适应场景切换的高速交通全车道线自动检测方法 | |
CN103400157B (zh) | 一种基于视频分析的道路行人及非机动车检测方法 | |
CN102819764B (zh) | 一种适用于交通路口复杂场景下的多视角人流量统计方法 | |
CN109460709A (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
CN105608417B (zh) | 交通信号灯检测方法及装置 | |
CN107301776A (zh) | 基于视频检测技术的车道路况处理及发布方法 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN105513354A (zh) | 基于视频的城市道路交通拥堵检测系统 | |
CN104318760A (zh) | 一种基于似物性模型的路口违章行为智能检测方法及系统 | |
KR102307217B1 (ko) | 드론 촬영 영상을 이용하여 도로 교통 정보를 분석하는 방법 및 이를 이용한 장치 | |
CN104157160B (zh) | 车辆行驶控制方法、装置及车辆 | |
Pan et al. | Traffic surveillance system for vehicle flow detection | |
Twaddle et al. | Modeling the speed, acceleration, and deceleration of bicyclists for microscopic traffic simulation | |
CN102930524A (zh) | 一种基于垂直放置的深度摄像头的人头检测方法 | |
CN109427191A (zh) | 一种行驶检测方法及装置 | |
CN111062971B (zh) | 一种基于深度学习多模态的跨摄像头泥头车追踪方法 | |
CN109272482A (zh) | 一种基于序列图像的城市路口车辆排队检测系统 | |
CN109903574A (zh) | 路口交通信息的获取方法和装置 | |
CN105632170A (zh) | 一种基于Mean Shift跟踪算法的交通流检测方法 | |
CN105184274A (zh) | 一种基于深度图像获取客流速度和密度参数的方法 |
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 |