CN105069407A - 一种基于视频的交通流量获取方法 - Google Patents
一种基于视频的交通流量获取方法 Download PDFInfo
- Publication number
- CN105069407A CN105069407A CN201510439696.2A CN201510439696A CN105069407A CN 105069407 A CN105069407 A CN 105069407A CN 201510439696 A CN201510439696 A CN 201510439696A CN 105069407 A CN105069407 A CN 105069407A
- Authority
- CN
- China
- Prior art keywords
- wire frame
- virtual wire
- frame
- connected region
- max
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于视频的交通流量获取方法,首先通过绘制虚拟线框,并获取一个检测区域;然后对每一帧检测区域图像提取运动前景并通过腐蚀和膨胀、连通区域过滤后,提取每一块连通区域中的SURF(Speeded?up?robust?features)特征点;最后,提取每一块连通区域的最小外接矩形,当且仅当当前帧的某一连通区域不在虚拟线框内,且该块通区域块与上一帧中某个与虚拟线框相交的连通区域块的SURF特征点匹配达到90%以上,则认为有一车辆通过虚拟线框,从而完成交通流量的获取。与现有技术相比,避免了噪声的干扰,同时对车辆进行了更为准确的描述,这样有效地提高的交通流量获取的准确度。
Description
技术领域
本发明属于交通管理技术领域,更为具体地讲,涉及一种基于视频的交通流量获取方法。
背景技术
随着我国经济持续快速的发展,城市现代化建设的步伐进一步加快,市民物质文化生活质量有了较大提高,城市汽车数量快速增加,交通堵塞已经成了城市交通领域的难题。特别是近几年,由于城市基础设施建设和道路交通管理没有相应匹配发展,使得道路交通拥堵成为中国大中型城市最受诟病的“城市病”之一。道路拥挤、交通阻塞、乘车难、行车难、行路难等问题给市民的出行带来了诸多不便,影响了日常工作和生活,并严重制约了城市的发展。如何增强交通调度、规范交通行为、保障交通安全已经是我们急需解决的问题。
交通流量状况对于交通管理的决策起着重要的作用。传统的交通流量获取方法,例如,感应线圈检测器、声波定位仪、微波检测器等,有诸多弊处。
感应线圈检测器是地埋型检测器,其传感器为一组通有一定工作电流的环形感应线圈。当车辆进入环形感应线圈所形成的磁场时,引起电路中调谐电流的频率或相位变化,检测处理单元通过对频率或相位变化的响应,得出一个检测到车辆的输出信号。感应线圈检测器可直接提供车辆出现、车辆通过、车辆计数及车道占有率等交通流信息。调查表明,用2m×2m的标准感应线圈对交通流量进行检测,其精度可达到98%~99%。感应线圈检测器应用广泛,一般道路均可设置,主要应用在收费站、互通式立交前后、隧道区段、城市道路、停车场等场合。感应线圈检测器前期投入较少、可靠性高,但维护、重新安装困难,需封闭车道、破坏路面,从长期来看运营成本较高。
声波定位仪也是利用反射回波原理制成的非地埋式检测装置,其通过接收由超声波发生器发射后经车辆反射的超声回波而检测车辆信息,工作方式为主动型。声波检测方法可分为2种:传播时间差法和多普勒法。检测装置悬挂在车道上方,向车道下方发射超声波脉冲,当有车辆从下方通过时,回波从车顶反射缩短了回波路程,从而通过检测时间差来达到检测车辆的目的,这种方法被称为传播时间差法。另外,超声波检测器发射超声波束射向驶近的车辆,接受的反射波信号就会呈现多普勒效应,也能检测出车辆的存在,这种方法被称为多普勒法。
微波检测器是一种工作在微波频段的雷达探测器,其向行驶的车辆发射调频微波,波束被行驶的车辆阻挡而发生反射,反射波通过多普勒效应使频率发生偏移,根据这种频率的偏移可检测出有车辆通过,经过接收、处理、鉴频放大后输出一个检测信号,从而达到检测道路交通参数的目的。微波检测器主要应用于高速公路、城市快速路或T型路口和桥梁的交通参数采集,特别适合车流量大、车辆行驶速度均匀的道路。
传统的交通流量获取方法都需要安装专门的设备,成本较高。
基于视频的交通流量获取方法是将视频图像处理和计算机图形识别技术相结合的新型数据采集技术,近年来发展迅速,代表了未来交通流信息检测领域的发展方向。它是用广泛使用的视频摄像机作为传感器,在视频范围内设置虚拟线圈,即检测区,车辆进入检测区时使背景灰度值发生变化,而产生检测信号,通过软件的分析和处理,得到交通(车)流量,为智能交通系统提供后续处理的基本数据,实现道路智能化调度,减少拥塞,提高路面资源的利用率。由于其不需要专门的设备,并进行安装,成本较低。
现有技术的基于视频的交通流量获取方法根据检测区域背景灰度值变化来检测车辆,可能存在漏检,检测准确度有待提高。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于视频的交通流量获取方法,以提高交通流量的获取准确度。
为实现上述发明目的,本发明基于视频的交通流量获取方法,其特征在于,包括以下步骤:
(1)、绘制虚拟线框
在视频中车辆通过的道路上绘制一个横跨道路的线框作为检测用的虚拟线框;并能保证车辆在设置的最高速度限值下,能至少有一帧视频图像中的车辆落入绘制的虚拟线框;
所述的线框为矩形框,并与道路垂直,其长度应覆盖道路的宽度,矩形框的宽度应适中,根据不同视频分辨率进行取不同的值,以保证车辆在设置的最高速度限值下,能至少有一帧视频图像中的车辆落入绘制的虚拟线框;
(2)、获取检测区域
首先,取虚拟线框的最小外接标准矩形(标准矩形为与视频窗体四边平行的矩形):根据虚拟线框四个顶点的坐标,找到x轴方向的最大值xmax和最小值xmin、y轴方向的最大值ymax和最小值ymin,则最小外接标准矩形的左上角的坐标为:(xmin,ymin),右上角的坐标为(xmin,ymax),左下角的坐标为(xmax,ymin),右下角的坐标为(xmax,ymax);
然后,把最小外接标准矩形左上角的横坐标向上移动d个像素,纵坐标向左移动d个像素,即坐标变为(xmin-d,ymin-d),把最小外接标准矩形右下角的横坐标向下移动d个像素,纵坐标向右移动d个像素,即坐标变为(xmax+d,ymax+d);相应地,把最小外接标准矩形的右上角坐标变为(xmin-dn,ymax+d),把最小外接标准矩形的左下角坐标变为(xmax+d,ymin-d),这样得到的四个顶点坐标构成的矩形区域为检测区域;d的取值保证至少一个车辆经过虚拟线框后,能获得一帧图像;
(3)、对视频中每一帧位于检测区域的图像,使用混合高斯模型(GMM)提取运动前景;
(4)、对提取到的运动前景做形态学中的腐蚀和膨胀操作,去除部分噪音影响;
(5)、对运动前景做连通区域分析,并提取出连通区域;
(6)、计算每一块连通区域的面积,设定面积阈值Sth,若连通区域的面积小于该阈值,则认为是噪声,予以过滤(去除);
(7)、提取过滤后的每一块连通区域中的SURF(Speededuprobustfeatures)特征点;
(8)、提取每一块连通区域的最小外接矩形,判断其最小外接矩形与虚拟线框是否相交,并记录;
(9)、判断条件:当且仅当当前帧的某一连通区域的最小外接矩形不在虚拟线框内,且该块通区域的最小外接矩形中的SURF特征点与上一帧中某个与虚拟线框相交的连通区域的最小外接矩形中的SURF特征点匹配达到90%以上,则认为有一车辆通过虚拟线框,计数器计数值加1;
如果有n块连通区域满足本步骤前述判断条件,则计数器相应地增加n,计数器的计数值即为交通流量。
本发明的目的是这样实现的。
本发明基于视频的交通流量获取方法,首先通过绘制虚拟线框,并获取一个检测区域;然后对每一帧检测区域图像提取运动前景并通过腐蚀和膨胀、连通区域过滤后,提取每一块连通区域中的SURF(Speededuprobustfeatures)特征点;最后,提取每一块连通区域的最小外接矩形,当且仅当当前帧的某一连通区域不在虚拟线框内,且该块通区域块与上一帧中某个与虚拟线框相交的连通区域块的SURF特征点匹配达到90%以上,则认为有一车辆通过虚拟线框,从而完成交通流量的获取。与现有技术相比,并不是笼统地判断检测区域的背景灰度值变化,而是更为精确地提取运动前景并处理得到连通区域最小外接矩形,并设定一个虚拟线框,并判断连通区域最小外接矩形是否与之相交,在随后一帧中的连通区域的SURF特征的匹配度,如果达到90%才认为有车辆通过,避免了噪声的干扰,同时对车辆进行了更为准确的描述,这样有效地提高的交通流量获取的准确度。
附图说明
图1是本发明基于视频的交通流量获取方法一种具体实施方式流程图;
图2是绘制虚拟线框的示意图;
图3是最小外接矩形与虚拟线框相交的两种情形示意图;
图4是SURF特征点匹配过程及计数示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
图1是本发明基于视频的交通流量获取方法一种具体实施方式流程图。
在本实施例中,如图1所示,本发明基于视频的交通流量获取方法包括以下步骤:
ST1、绘制虚拟线框
如图2所示,在视频中车辆通过的道路上绘制一个横跨道路的矩形框作为检测用的虚拟线框。所述的矩形框与道路垂直,其长度覆盖道路的宽度;所述的矩形框的宽度应适中,根据不同视频分辨率进行取不同的值,并能保证车辆在设置的最高速度限值下,能至少有一帧视频图像中的车辆落入绘制的虚拟线框,过小会可能会造成检测不到运动车辆,过大会造成不必要的计算,一般不超过视频中车辆的长度,在本实施例中,虚拟线框的宽度取20个像素。
在本实施例中,虚拟线框的具体绘制方法为在视频帧中拖动鼠标拉出一条与道路垂直的线段,根据这条线段以及设定虚拟线框,求虚拟线框的四个顶点的坐标。
ST2、获取检测区域
由于虚拟线框不一定是标准的矩形即与窗体四边平行的矩形,故先取虚拟线框的最小外接标准矩形R。首先,取虚拟线框的最小外接标准矩形R(标准矩形为与视频窗体四边平行的矩形):根据虚拟线框四个顶点的坐标,找到x轴方向的最大值xmax和最小值xmin、y轴方向的最大值ymax和最小值ymin,则最小外接标准矩形的左上角的坐标为:(xmin,ymin),右上角的坐标为(xmin,ymax),左下角的坐标为(xmax,ymin),右下角的坐标为(xmax,ymax)。
则虚拟线框的最小外接标准矩形R的左上角坐标(x0,y0)、宽度wR和高度hR为:
x0=xmin;
y0=ymin;
wR=xmax-xmin;
hR=ymax-ymin。
然后,把最小外接标准矩形左上角的横坐标向上移动d个像素,纵坐标向左移动d个像素,即坐标变为(xmin-d,ymin-d),把最小外接标准矩形右下角的横坐标向下移动d个像素,纵坐标向右移动d个像素,即坐标变为(xmax+d,ymax+d);相应地,把最小外接标准矩形的右上角坐标变为(xmin-dn,ymax+d),把最小外接标准矩形的左下角坐标变为(xmax+d,ymin-d),这样得到的四个顶点坐标构成的矩形区域为检测区域。d的取值保证至少一个车辆经过虚拟线框后,能获得一帧图像。在本实施例中,d取值为50个像素。
则检测区域的左上角坐标(x3,y3)、宽度wD和高度hD为:
x3=x0-d=xmin-d;
y3=y0-d=ymin-d;
wD=wR+2d;
hD=hR+2d。
ST3、对视频中每一帧位于检测区域的图像,使用混合高斯模型(GMM)提取运动前景。
混合高斯模型方法是目前普遍应用的一种运动前景提取方法。高斯模型就是用高斯概率密度函数精确地量化事物,把一个事物分解为若干的基于高斯概率密度函数形成的模型。高斯背景建模假设场景固定,光照变化较为缓慢,背景固定,场景中各个像素点符合高斯分布。单高斯模型,对于服从均值η和标准差σ分布的像素点,标记为背景像素。根据这些标记的像素点,我们可以估算出背景图像,分割出前景图像,进而判断目前是否有异物进入画面,对异物进行判断,判断是否为遮挡。单高斯背景模型比较简单,虽然能粗略地实现效果,但是为了提高检测精度,在本发明中,使用混合高斯模型。混合高斯模型是基于单高斯模型提出来的一种多高斯分布模型。从假设像素的分布服从一个高斯分布到服从K个高斯分布:
其中参数t表示时刻,参数i表示第i个高斯分量,参数wi,t代表第i个高斯分量在t时刻的权重,参数η表示第i个高斯分量在t时刻均值为μi,t协方差为Σi,t的概率密度函数,Xt表示在t时刻图像像素。
据此模型,在本实施例中,建立K个高斯模型,并用下一帧图像像素的分布来更新这个K高斯模型,同时更新这个K高斯模型之间的权重。在本实施例中,K取5。
ST4、对提取到的运动前景做形态学中的腐蚀和膨胀操作,去除部分噪音影响。
ST5、对运动前景做连通区域分析,并提取出连通区域;
ST6、计算每一块连通区域的面积,设定面积阈值Sth,若连通区域的面积小于该阈值,则认为是噪声,予以过滤(去除)。面积阈值Sth的设定根据不同的视频而不同,并且不应把车辆过滤掉,在本实施例中,Sth的取值为400个像素点。
ST7、提取过滤后的每一块连通区域中的SURF(Speededuprobustfeatures)特征点。
ST8、提取每一块连通区域的最小外接矩形,判断其最小外接矩形与虚拟线框是否相交,并记录。
判断连通区域最小外接矩形与虚拟线框是否相交,实际上就是判断两个非标准的矩形是否相交。两个非标准的矩形相交的情况如图3所示。两个非标准矩形相交的两种情况:(a)边界相交,(b)内部完全包含。
因此,判断两个非标准矩形相交就分成了两种情况,内部完全包含和边界相交。
对于边界相交情况,判断两个非标准矩形是否相交可转换成判断两条线段是否相交。在计算几何中,可以使用向量的叉积来判断一个向量在另一个向量的顺时针还是逆时针方向上。例如,设p0为原点,p1点的坐标为(x1,y1),p2点的坐标为(x2,y2)。令向量的叉积实际上就是矩阵的行列式:
当叉积为正时,说明在的顺时针方向上;叉积为负时,说明在的逆时针方向上;叉积为0,说明两向量共线(同向或反向)。
由此,可判断线段p1p2和线段p3p4相交时,必满足:
①、和在的两侧,即一个在顺时针方向上,一个在逆时针方向上;
②、和在的两侧。
对于内部完全包含,只需判断一个矩形的四个顶点是否在另一个矩形的内部即可。
ST9、判断条件:当且仅当当前帧的某一连通区域的最小外接矩形不在虚拟线框内,且该块通区域的最小外接矩形中的SURF特征点与上一帧中某个与虚拟线框相交的连通区域的最小外接矩形中的SURF特征点匹配达到90%以上,则认为有一车辆通过虚拟线框,计数器计数值加1。
如果有n块连通区域满足本步骤前述判断条件,则计数器相应地增加n,计数器的计数值即为交通流量。
在本实施例中,SURF特征点匹配过程及计数如图4所示,其中,(a)表示进入虚拟线框时不计数,(b)表示离开虚拟线框时计数,实点为SURF特征点,实点的外接矩形为连通区域的最小外接矩形,倾斜的矩形为虚拟线框,虚线为匹配线。
其中,图4(b)就是本发明步骤(9)的判断条件情形,该情形下,如果一块连通区域的最小外接矩形中的SURF特征点与上一帧中某个与虚拟线框相交的连通区域最小外接矩形中的SURF特征点匹配达到90%以上,同时该连通区域的最小外接矩形又不在虚拟线框内,表示一个车辆经过了虚拟线框,计数器计数值加1。
与现有技术相比,并不是笼统地判断检测区域的背景灰度值变化,而是更为精确地提取运动前景并处理得到连通区域最小外接矩形,并设定一个虚拟线框,并判断连通区域最小外接矩形是否与之相交,在随后一帧中的连通区域的SURF特征的匹配度,如果达到90%才认为有车辆通过,对车辆进行了更为准确的描述,同时避免了噪声的干扰,这样有效地提高的交通流量获取的准确度。
需要说明的是,虚拟线框也可以其他形状,如菱形,其与道路也可不完全垂直,只要保证车辆有一帧经过该虚拟线框即可。检测区域也可以是其他形状,只要其包含虚拟线框,并能保证至少一个车辆经过虚拟线框后,能获得一帧图像即可。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种基于视频的交通流量获取方法,其特征在于,包括以下步骤:
(1)、绘制虚拟线框
在视频中车辆通过的道路上绘制一个横跨道路的线框作为检测用的虚拟线框;并能保证车辆在设置的最高速度限值下,能至少有一帧视频图像中的车辆落入绘制的虚拟线框;
(2)、获取检测区域
首先,取虚拟线框的最小外接标准矩形(标准矩形为与视频窗体四边平行的矩形):根据虚拟线框四个顶点的坐标,找到x轴方向的最大值xmax和最小值xmin、y轴方向的最大值ymax和最小值ymin,则最小外接标准矩形的左上角的坐标为:(xmin,ymin),右上角的坐标为(xmin,ymax),左下角的坐标为(xmax,ymin),右下角的坐标为(xmax,ymax);
然后,把最小外接标准矩形左上角的横坐标向上移动d个像素,纵坐标向左移动d个像素,即坐标变为(xmin-d,ymin-d),把最小外接标准矩形右下角的横坐标向下移动d个像素,纵坐标向右移动d个像素,即坐标变为(xmax+d,ymax+d);相应地,把最小外接标准矩形的右上角坐标变为(xmin-dn,ymax+d),把最小外接标准矩形的左下角坐标变为(xmax+d,ymin-d),这样得到的四个顶点坐标构成的矩形区域为检测区域;d的取值保证至少一个车辆经过虚拟线框后,能获得一帧图像;
(3)、对视频中每一帧位于检测区域的图像,使用混合高斯模型(GMM)提取运动前景;
(4)、对提取到的运动前景做形态学中的腐蚀和膨胀操作,去除部分噪音影响;
(5)、对运动前景做连通区域分析,并提取出连通区域;
(6)、计算每一块连通区域的面积,设定面积阈值Sth,若连通区域的面积小于该阈值,则认为是噪声,予以过滤(去除);
(7)、提取过滤后的每一块连通区域中的SURF(Speededuprobustfeatures)特征点;
(8)、提取每一块连通区域的最小外接矩形,判断其最小外接矩形与虚拟线框是否相交,并记录;
(9)、判断条件:当且仅当当前帧的某一连通区域的最小外接矩形不在虚拟线框内,且该块通区域的最小外接矩形中的SURF特征点与上一帧中某个与虚拟线框相交的连通区域的最小外接矩形中的SURF特征点匹配达到90%以上,则认为有一车辆通过虚拟线框,计数器计数值加1;
如果有n块连通区域满足本步骤前述判断条件,则计数器相应地增加n,计数器的计数值即为交通流量。
2.根据权利要求1所述的交通流量获取方法,其特征在于,所述的线框为矩形框,并与道路垂直,其长度应覆盖道路的宽度,矩形框的宽度应适中,根据不同视频分辨率进行取不同的值,以保证车辆在设置的最高速度限值下,能至少有一帧视频图像中的车辆落入绘制的虚拟线框。
3.根据权利要求2所述的交通流量获取方法,其特征在于,所述的虚拟线框的具体绘制方法为在视频帧中拖动鼠标拉出一条与道路垂直的线段,根据这条线段以及设定虚拟线框,求虚拟线框的四个顶点的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510439696.2A CN105069407B (zh) | 2015-07-23 | 2015-07-23 | 一种基于视频的交通流量获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510439696.2A CN105069407B (zh) | 2015-07-23 | 2015-07-23 | 一种基于视频的交通流量获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069407A true CN105069407A (zh) | 2015-11-18 |
CN105069407B CN105069407B (zh) | 2018-05-04 |
Family
ID=54498769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510439696.2A Expired - Fee Related CN105069407B (zh) | 2015-07-23 | 2015-07-23 | 一种基于视频的交通流量获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069407B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107644528A (zh) * | 2017-08-02 | 2018-01-30 | 浙江工业大学 | 一种基于车辆跟踪的车辆排队长度检测方法 |
CN108108697A (zh) * | 2017-12-25 | 2018-06-01 | 中国电子科技集团公司第五十四研究所 | 一种实时无人机视频目标检测与跟踪方法 |
CN114333356A (zh) * | 2021-11-30 | 2022-04-12 | 中交第二公路勘察设计研究院有限公司 | 基于视频多区域标记的道路平面交叉口交通量统计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7460691B2 (en) * | 1999-11-03 | 2008-12-02 | Cet Technologies Pte Ltd | Image processing techniques for a video based traffic monitoring system and methods therefor |
CN101510358A (zh) * | 2009-03-20 | 2009-08-19 | 吉林大学 | 采用视频图像处理实时统计车流量的方法及装置 |
CN103310638A (zh) * | 2013-05-24 | 2013-09-18 | 江苏引跑网络科技有限公司 | 基于虚拟线圈技术的视频车流量统计技术 |
CN103413046A (zh) * | 2013-08-14 | 2013-11-27 | 深圳市智美达科技有限公司 | 车流量统计方法 |
CN104183142A (zh) * | 2014-08-18 | 2014-12-03 | 安徽科力信息产业有限责任公司 | 一种基于图像视觉处理技术的车流量统计方法 |
-
2015
- 2015-07-23 CN CN201510439696.2A patent/CN105069407B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7460691B2 (en) * | 1999-11-03 | 2008-12-02 | Cet Technologies Pte Ltd | Image processing techniques for a video based traffic monitoring system and methods therefor |
CN101510358A (zh) * | 2009-03-20 | 2009-08-19 | 吉林大学 | 采用视频图像处理实时统计车流量的方法及装置 |
CN103310638A (zh) * | 2013-05-24 | 2013-09-18 | 江苏引跑网络科技有限公司 | 基于虚拟线圈技术的视频车流量统计技术 |
CN103413046A (zh) * | 2013-08-14 | 2013-11-27 | 深圳市智美达科技有限公司 | 车流量统计方法 |
CN104183142A (zh) * | 2014-08-18 | 2014-12-03 | 安徽科力信息产业有限责任公司 | 一种基于图像视觉处理技术的车流量统计方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107644528A (zh) * | 2017-08-02 | 2018-01-30 | 浙江工业大学 | 一种基于车辆跟踪的车辆排队长度检测方法 |
CN108108697A (zh) * | 2017-12-25 | 2018-06-01 | 中国电子科技集团公司第五十四研究所 | 一种实时无人机视频目标检测与跟踪方法 |
CN108108697B (zh) * | 2017-12-25 | 2020-05-19 | 中国电子科技集团公司第五十四研究所 | 一种实时无人机视频目标检测与跟踪方法 |
CN114333356A (zh) * | 2021-11-30 | 2022-04-12 | 中交第二公路勘察设计研究院有限公司 | 基于视频多区域标记的道路平面交叉口交通量统计方法 |
CN114333356B (zh) * | 2021-11-30 | 2023-12-15 | 中交第二公路勘察设计研究院有限公司 | 基于视频多区域标记的道路平面交叉口交通量统计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105069407B (zh) | 2018-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102768804B (zh) | 基于视频的交通信息采集方法 | |
Liu et al. | A vision-based pipeline for vehicle counting, speed estimation, and classification | |
WO2020000251A1 (zh) | 基于摄像机协同接力的路口违章视频识别方法 | |
CN104008645B (zh) | 一种适用于城市道路车道线预测及预警方法 | |
CN104537841B (zh) | 无牌车辆违章检测方法及其检测系统 | |
CN102819952B (zh) | 一种基于视频检测技术的车辆违法变道检测方法 | |
CN106647776B (zh) | 车辆变道趋势的判断方法、判断装置和计算机存储介质 | |
CN105575125B (zh) | 一种车流视频侦测分析系统 | |
CN105336169B (zh) | 一种基于视频判断交通拥堵的方法和系统 | |
Zhangyu et al. | A camera and LiDAR data fusion method for railway object detection | |
CN103617410A (zh) | 基于视频检测技术的高速公路隧道停车检测方法 | |
CN105005771A (zh) | 一种基于光流点轨迹统计的车道线实线的检测方法 | |
CN103500322A (zh) | 基于低空航拍图像的车道线自动识别方法 | |
CN104616502A (zh) | 基于组合式车路视频网络的车牌识别与定位系统 | |
CN105513342A (zh) | 一种基于视频跟踪的车辆排队长度计算方法 | |
CN107705577B (zh) | 一种基于车道线标定车辆违章变道的实时检测方法及系统 | |
CN113822285A (zh) | 一种用于复杂应用场景的车辆违停识别方法 | |
CN111027447B (zh) | 一种基于深度学习的道路溢出实时检测方法 | |
CN103164958B (zh) | 车辆监控方法及系统 | |
CN107516423B (zh) | 一种基于视频的车辆行驶方向检测方法 | |
CN114898296A (zh) | 基于毫米波雷达与视觉融合的公交车道占用检测方法 | |
CN102768726A (zh) | 一种预防行人碰撞的行人检测方法 | |
CN109272482A (zh) | 一种基于序列图像的城市路口车辆排队检测系统 | |
CN105069407A (zh) | 一种基于视频的交通流量获取方法 | |
Huang | Real-time multi-vehicle detection and sub-feature based tracking for traffic surveillance systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180504 Termination date: 20210723 |