CN105608431A - 一种基于车辆数目与车流速度的高速公路拥堵检测方法 - Google Patents
一种基于车辆数目与车流速度的高速公路拥堵检测方法 Download PDFInfo
- Publication number
- CN105608431A CN105608431A CN201510973406.2A CN201510973406A CN105608431A CN 105608431 A CN105608431 A CN 105608431A CN 201510973406 A CN201510973406 A CN 201510973406A CN 105608431 A CN105608431 A CN 105608431A
- Authority
- CN
- China
- Prior art keywords
- vehicles
- flow speed
- vehicle
- highway
- wagon flow
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于车辆数目与车流速度的高速公路拥堵检测方法,包括:统计出车辆数目;计算车流速度;根据车辆数目和车流速度,判断高速公路上的拥堵状况。本发明不会带来非车辆特征点,可以避免大部分误差,只是选取一定的车辆(小于等于阈值N)区域,所以计算量大大减少,基于TIDM8127相机平台,发明测试352×288?cif格式的视频达到15fps(帧每秒),实现实时准确检测。
Description
技术领域
本发明涉及视频监控的智能应用领域。
背景技术
到2014年底,高速公路通车总里程达到11.2万公里,已超过美国跃居世界第一,2015年高速公路还需2.33万公里(含地方高速)。由于里程如此之大,实时发现高速公路因塌陷、滑坡、车辆事故等原因造成的拥堵,已成为高速公路管理部门及交通部门急切想要解决的难题。
现有技术中,有一些对高速公路的车辆拥堵进行判断的方法,例如,采用前景与背景分离的方法,提取高速公路上的车辆,判断拥堵,或者直接采用两帧相减的方式;也有先采用GMM背景建模,再每帧视频与背景模型相减的方式提取检测区域车辆信息。不管哪一种,对环境的变化都很敏感,而暴露在室外的高速公路环境非常恶劣。比如:下雨、下雪、太阳照射、雾天都会对上述算法造成影响,结果出现大的偏差。又或者,直接对视频图像的检测区域进行光流特征点跟踪分析,检测出车流的运行速度,通过车流速度判断道路拥堵状况,但是,该方法基于整个视频光流不变性,存在以下缺点,首先,算法复杂,又需要对整个检测区域全检测,所以速度难以做到实时,其次,因为光照变化等影响,会检测到大量非车辆的特征点,而且难以排除,造成算法结果出现偏离,所以,该算法整体速度慢,存在误差。
高速公路上单一的车辆数据不能信任拥堵判断,需要增加车流速度检测。通过视频检测车流速度的一般处理方式是采用轨迹分析,但是由于轨迹跟踪只能描述目标的运动趋势,用来描述车辆速度准确度不够。另外一种处理方式是采用整幅图的光流场来求取,整个算法需要计算的图像面积大,导致计算量大、速度慢,并且容易受到非车辆部分光流场干扰,比如公路路基、隔离带等等。
发明内容
本发明所要解决的技术问题是提供一种基于车辆数目与车流速度的高速公路拥堵检测方法,能够克服背景技术中的问题,解决高速公路拥堵的检测问题。
本发明解决技术问题所采用的技术方案是:一种基于车辆数目与车流速度的高速公路拥堵检测方法,包括以下步骤:
1)对高速公路的图像中的车辆进行精确检测,统计出车辆数目;
2)从统计结果中选择一定量的车辆区域,并计算车流速度;
3)根据步骤1)和步骤2)的车辆数目和车流速度,判断高速公路上的拥堵状况。
在采用上述技术方案的同时,本发明还可以采用或者组合采用以下进一步的技术方案:
所述车辆数目的检测首先包括离线训练阶段,所述离线训练阶段具体包括以下步骤:
1.1)手动标记海量数据的正负样本;
1.2)在标记好的正负样本中挑选能进行区分的特征;
1.3)将能区分的特征形成特征平面。
所述车辆数目的检测还包括在线检测阶段,所述在线检测阶段具体包括:计算测试样本位于所述特征平面的哪一侧,区分样本是否是车辆,从而检测出车辆。
所述车辆检测步骤中采用基于Haar-like特征的Adaboost分类检测器。
所述车流速度的计算步骤包括:
2.1)根据车辆数目的检测结果,获取部分车辆区域;
2.2)计算该部分车辆区域的角点;
2.3)在相邻帧对上述角点进行跟踪;
2.4)统计上述角点的平均速度,得到平均车流速度。
所述高速公路上拥堵状况的判断具体包括:根据步骤1)中检测的车辆数目设定阈值一,根据步骤2)中计算的车流速度设定阈值二,将阈值一和阈值二与设定值比较,判断高速公路的拥堵状况。
本发明的有益效果是:本发明主要基于高速公路视频,利用分类检测器,在视频检测区域检测出车辆个数。在这些检测到的车辆中随机抽取一定数量的车辆,对车辆对应抽取区域进行特征点(车辆的角点特征)光流跟踪,计算出车辆区域光流平均速度,之所以提取一定数量车辆,是因为光流计算复杂,这样可以减少计算量。当车辆特征点光流跟踪计算出的平均速度(即车流速度)小于预设值,且第一步检测的车辆数大于预设值时,判断高速公路进入拥堵状态。当车辆特征点光流跟踪计算出的平均速度小于预设值,而第一步检测的车辆数小于预设值时,判断为疑似高速拥堵。
本发明通过采集大量不同环境样本,训练出车辆Adaboost检测器,都是对单帧图像里检测区域的车辆直接进行检测。经测试,该发明可以克服上述问题,偏差小,鲁棒性优,具体性能详细方案中列出。并且,本发明在检测之前已提取的车辆区域,不会带来非车辆特征点,可以避免大部分误差,同时只是选取一定的车辆(小于等于阈值N)区域,所以计算量大大减少。基于TIDM8127相机平台,发明测试352×288cif格式的视频达到15fps(帧每秒),实现实时准确检测。
附图说明
图1是本发明的整体流程图。
图2是本发明的车辆数目检测的框架图。
图3是本发明的车流速度计算的框架图。
具体实施方式
参照附图。
本发明的一种基于车辆数目与车流速度的高速公路拥堵检测方法,包括以下步骤:
1)对高速公路的图像中的车辆进行精确检测,统计出车辆数目;
2)从统计结果中选择一定量的车辆区域,并计算车流速度;
3)根据步骤1)和步骤2)的车辆数目和车流速度,判断高速公路上的拥堵状况。
本发明的整体流程如图1所示,首先,从高速公路的监控摄像中提取相应的视频,对视频中的图像通过车辆检测器对车辆数目进行检测,结合车辆数目检测结果对图像中车辆区域的光流场进行跟踪,再根据车辆数目检测结果和车流平均速度统计,进行结果判断,得到高速公路拥堵的判断结果。
步骤1)中的所述车辆数目的检测首先包括离线训练阶段,所述离线训练阶段具体包括以下步骤:
1.1)手动标记海量数据的正负样本;
1.2)在标记好的正负样本中挑选能进行区分的特征;
1.3)将能区分的特征形成特征平面。
所述车辆数目的检测还包括在线检测阶段,所述在线检测阶段具体包括:计算测试样本位于所述特征平面的哪一侧,区分样本是否是车辆,从而检测出车辆。
所述车辆检测步骤中采用基于Haar-like特征的Adaboost分类检测器,高速公路环境相对简单,训练好的车辆检测器能达到96%以上的准确率。
高速公路车辆检测部分,用局部特征,组成分类器来检测车辆。过程分为:分类器离线训练和在线检测两部分,如图2所示。
离线训练先手动标记巨量的正负样本,再在这些标记好的正负样本中,挑选出能区分这两类样本的特征。这些被挑选的特征形成最终特征平面。
在线检测就是利用先前形成的特征平面,计算输入测试样本位于平面的哪一侧,即可以区分输入样本是否是车辆,从而检测出车辆。
先将从监控视频的图像中采集到的样本(包括车辆样本和非车辆样本)利用积分图计算其矩形特征,得到矩形特征集,在矩形特征集中扫描分类错误率最低时对应的阈值,生成对应特征的弱分类器,并得到弱分类器集,调用Adaboost算法迭代,每次迭代选择错误率最低的弱分类器作为最优分类器,结果加权生成强分类器,并得到强分类器集,根据强分类器集对错误识别的非车辆图片进行归类得到非车辆图片集,将非车辆图片集加入到非车辆样本中便于以后的分类。
对图像样本进行整体积分,通过强分类器形成的级联分类器计算自创口中对应级联分类器的所有特征,计算对应分类器每层特征的加权值并比对阈值,从而得到车辆数目和位置。
训练特征我们采用通用的类哈尔特征,训练方法利用ADABOOST。挑选符合要求的特征,最后采用cascade方式级联,形成一个强度逐步加强的多层级连分类器。检测时,所有缩放及截取的感兴趣图像块被一层一层分类器分类,坚持到最后的图像块属于正样本类,也就是我们需要检测的结果。
分类器的使用非常简单,先对输入图像缩放,计算积分图后,再截取输入图像中感兴趣块,再把图像块中与分类器对应的特征计算出来,并对分类器每层对应的特征分别统计,结果达到分类器每层阈值则通过,没达到就否认,通过最后一层就是正确结果,这样可以得到图中车辆个数及位置。通过测试,分类检测率达96%,
到此处,已经检测出高速公路上车辆的个数与位置,其中个数信息可以作为高速拥堵检测的部分判据,位置信息为后续车流速度求取提供帮助。
所述车流速度的计算步骤包括:
2.1)根据车辆数目的检测结果,获取部分车辆区域;
2.2)计算该部分车辆区域的角点;
2.3)在相邻帧对上述角点进行跟踪;
2.4)统计上述角点的平均速度,得到平均车流速度。
本发明的车流速度计算提取部分车辆区域进行光流场检测,这部分数量大小由预先设定阈值决定,这保证了光流场计算范围较小且固定,解决了光流法计算复杂度高、计算慢的致命缺点。另外,只是对车辆区域进行光流场跟踪,排除了非车辆光流场的干扰,使得车流速度更准确、稳定。
发明计算的速度,为高速公路车流在相邻帧图像中的相对速度,首先选取当前帧图像,利用前期获得的车辆数量及位置信息,截取需要计算光流的图像区域,之后再利用梯度信息计算这些区域的Harris角点,并对获得的角点进行非最大值抑制和最小距离控制,获得最佳跟踪角点。这时,对相邻下一帧图像数据进行金字塔及梯度化,再利用Lucas-Kanade光流算法,跟踪当前帧中获取的最佳角点在相邻帧中位置,跟踪完成后,再进行各个角点位移计算,并对所有位移求平均,对每一帧反复进行,即获得实时车流速度,如图3所示。
所述高速公路上拥堵状况的判断具体包括:根据步骤1)中检测的车辆数目设定阈值一,根据步骤2)中计算的车流速度设定阈值二,将阈值一和阈值二与设定值比较,判断高速公路的拥堵状况。
综合步骤1)和步骤2)中高速公路车辆数和高速公路车辆平均速度,我们可以设定车辆数量阈值M和车辆平均速度阈值V(M、V按使用环境设置),当算法中V小于阈值且M大于阈值时,判断为高速拥堵状态,当V小于阈值而M小于阈值时,判断为高速疑似拥堵状态。
Claims (6)
1.一种基于车辆数目与车流速度的高速公路拥堵检测方法,其特征在于:包括以下步骤:
1)对高速公路的图像中的车辆进行精确检测,统计出车辆数目;
2)从统计结果中选择一定量的车辆区域,并计算车流速度;
3)根据步骤1)和步骤2)的车辆数目和车流速度,判断高速公路上的拥堵状况。
2.如权利要求1所述的一种基于车辆数目与车流速度的高速公路拥堵检测方法,其特征在于:所述车辆数目的检测首先包括离线训练阶段,所述离线训练阶段具体包括以下步骤:
1.1)手动标记海量数据的正负样本;
1.2)在标记好的正负样本中挑选能进行区分的特征;
1.3)将能区分的特征形成特征平面。
3.如权利要求2所述的一种基于车辆数目与车流速度的高速公路拥堵检测方法,其特征在于:所述车辆数目的检测还包括在线检测阶段,所述在线检测阶段具体包括:计算测试样本位于所述特征平面的哪一侧,区分样本是否是车辆,从而检测出车辆。
4.如权利要求1所述的一种基于车辆数目与车流速度的高速公路拥堵检测方法,其特征在于:所述车辆检测步骤中采用基于Haar-like特征的Adaboost分类检测器。
5.如权利要求1所述的一种基于车辆数目与车流速度的高速公路拥堵检测方法,其特征在于:所述车流速度的计算步骤包括:
2.1)根据车辆数目的检测结果,获取部分车辆区域;
2.2)计算该部分车辆区域的角点;
2.3)在相邻帧对上述角点进行跟踪;
2.4)统计上述角点的平均速度,得到平均车流速度。
6.如权利要求1所述的一种基于车辆数目与车流速度的高速公路拥堵检测方法,其特征在于:所述高速公路上拥堵状况的判断具体包括:根据步骤1)中检测的车辆数目设定阈值一,根据步骤2)中计算的车流速度设定阈值二,将阈值一和阈值二与设定值比较,判断高速公路的拥堵状况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510973406.2A CN105608431A (zh) | 2015-12-22 | 2015-12-22 | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510973406.2A CN105608431A (zh) | 2015-12-22 | 2015-12-22 | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105608431A true CN105608431A (zh) | 2016-05-25 |
Family
ID=55988357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510973406.2A Pending CN105608431A (zh) | 2015-12-22 | 2015-12-22 | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608431A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106816008A (zh) * | 2017-02-22 | 2017-06-09 | 银江股份有限公司 | 一种道路拥堵预警及拥堵形成时间预测方法 |
CN108734960A (zh) * | 2018-05-23 | 2018-11-02 | 深圳市华慧品牌管理有限公司 | 道路堵塞预测方法及其装置 |
CN108922187A (zh) * | 2018-07-20 | 2018-11-30 | 肖哲睿 | 一种智能交通系统 |
CN109147331A (zh) * | 2018-10-11 | 2019-01-04 | 青岛大学 | 一种基于计算机视觉的道路拥堵状态检测方法 |
CN109559515A (zh) * | 2018-12-20 | 2019-04-02 | 四川睿盈源科技有限责任公司 | 一种基于车流数量监测的高速公路交通检测方法及系统 |
CN109584560A (zh) * | 2018-12-20 | 2019-04-05 | 四川睿盈源科技有限责任公司 | 一种基于高速公路交通检测的交通控制调节方法及系统 |
CN109684996A (zh) * | 2018-12-22 | 2019-04-26 | 北京工业大学 | 基于视频的实时车辆进出识别方法 |
CN109754621A (zh) * | 2019-03-01 | 2019-05-14 | 苏州星奥达科技有限公司 | 一种基于高速公路路况态势的视频分析方法 |
CN110188693A (zh) * | 2019-05-30 | 2019-08-30 | 重庆大学 | 改进的复杂环境车辆特征提取和停车判别方法 |
CN110598511A (zh) * | 2018-06-13 | 2019-12-20 | 杭州海康威视数字技术股份有限公司 | 一种对闯绿灯事件检测方法、装置、电子设备及系统 |
CN111028511A (zh) * | 2019-12-25 | 2020-04-17 | 亚信科技(中国)有限公司 | 一种交通拥堵预警方法及装置 |
CN111724592A (zh) * | 2020-06-12 | 2020-09-29 | 重庆大学 | 一种基于收费数据与卡口数据的高速公路交通拥堵检测方法 |
CN112630770A (zh) * | 2020-12-02 | 2021-04-09 | 北京首科丰汇科技有限公司 | 一种高速公路服务质量评价方法及装置 |
CN112669601A (zh) * | 2020-12-16 | 2021-04-16 | 北京百度网讯科技有限公司 | 交通溢流检测方法、装置、电子设备及路侧设备 |
CN113538891A (zh) * | 2020-04-17 | 2021-10-22 | 无锡锦铖人工智能科技有限公司 | 一种智能车辆计数系统 |
CN113762135A (zh) * | 2021-09-02 | 2021-12-07 | 中远海运科技股份有限公司 | 一种基于视频的交通拥堵检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001033503A1 (en) * | 1999-11-03 | 2001-05-10 | Cet Technologies Pte Ltd | Image processing techniques for a video based traffic monitoring system and methods therefor |
CN101923778A (zh) * | 2009-09-11 | 2010-12-22 | 中山大学 | 一种基于视频的高速公路交通拥堵状态检测方法 |
CN103871079A (zh) * | 2014-03-18 | 2014-06-18 | 南京金智视讯技术有限公司 | 基于机器学习和光流的车辆跟踪方法 |
CN104282165A (zh) * | 2013-07-12 | 2015-01-14 | 深圳市赛格导航科技股份有限公司 | 路段拥堵预警方法及装置 |
CN105023434A (zh) * | 2015-07-03 | 2015-11-04 | 信融源大数据科技(北京)有限公司 | 一种高速公路拥堵指数的获取方法 |
-
2015
- 2015-12-22 CN CN201510973406.2A patent/CN105608431A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001033503A1 (en) * | 1999-11-03 | 2001-05-10 | Cet Technologies Pte Ltd | Image processing techniques for a video based traffic monitoring system and methods therefor |
CN101923778A (zh) * | 2009-09-11 | 2010-12-22 | 中山大学 | 一种基于视频的高速公路交通拥堵状态检测方法 |
CN104282165A (zh) * | 2013-07-12 | 2015-01-14 | 深圳市赛格导航科技股份有限公司 | 路段拥堵预警方法及装置 |
CN103871079A (zh) * | 2014-03-18 | 2014-06-18 | 南京金智视讯技术有限公司 | 基于机器学习和光流的车辆跟踪方法 |
CN105023434A (zh) * | 2015-07-03 | 2015-11-04 | 信融源大数据科技(北京)有限公司 | 一种高速公路拥堵指数的获取方法 |
Non-Patent Citations (1)
Title |
---|
彭仁明 等: ""基于视频的车流量检测"", 《西华师范大学学报(自然科学版)》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106816008B (zh) * | 2017-02-22 | 2019-08-23 | 银江股份有限公司 | 一种道路拥堵预警及拥堵形成时间预测方法 |
CN106816008A (zh) * | 2017-02-22 | 2017-06-09 | 银江股份有限公司 | 一种道路拥堵预警及拥堵形成时间预测方法 |
CN108734960A (zh) * | 2018-05-23 | 2018-11-02 | 深圳市华慧品牌管理有限公司 | 道路堵塞预测方法及其装置 |
CN110598511A (zh) * | 2018-06-13 | 2019-12-20 | 杭州海康威视数字技术股份有限公司 | 一种对闯绿灯事件检测方法、装置、电子设备及系统 |
CN108922187A (zh) * | 2018-07-20 | 2018-11-30 | 肖哲睿 | 一种智能交通系统 |
CN108922187B (zh) * | 2018-07-20 | 2021-09-07 | 上海久揽视讯科技有限公司 | 一种智能交通系统 |
CN109147331B (zh) * | 2018-10-11 | 2021-07-27 | 青岛大学 | 一种基于计算机视觉的道路拥堵状态检测方法 |
CN109147331A (zh) * | 2018-10-11 | 2019-01-04 | 青岛大学 | 一种基于计算机视觉的道路拥堵状态检测方法 |
CN109584560A (zh) * | 2018-12-20 | 2019-04-05 | 四川睿盈源科技有限责任公司 | 一种基于高速公路交通检测的交通控制调节方法及系统 |
CN109559515A (zh) * | 2018-12-20 | 2019-04-02 | 四川睿盈源科技有限责任公司 | 一种基于车流数量监测的高速公路交通检测方法及系统 |
CN109684996A (zh) * | 2018-12-22 | 2019-04-26 | 北京工业大学 | 基于视频的实时车辆进出识别方法 |
CN109754621A (zh) * | 2019-03-01 | 2019-05-14 | 苏州星奥达科技有限公司 | 一种基于高速公路路况态势的视频分析方法 |
CN110188693B (zh) * | 2019-05-30 | 2023-04-07 | 重庆大学 | 改进的复杂环境车辆特征提取和停车判别方法 |
CN110188693A (zh) * | 2019-05-30 | 2019-08-30 | 重庆大学 | 改进的复杂环境车辆特征提取和停车判别方法 |
CN111028511A (zh) * | 2019-12-25 | 2020-04-17 | 亚信科技(中国)有限公司 | 一种交通拥堵预警方法及装置 |
CN111028511B (zh) * | 2019-12-25 | 2021-10-15 | 亚信科技(中国)有限公司 | 一种交通拥堵预警方法及装置 |
CN113538891A (zh) * | 2020-04-17 | 2021-10-22 | 无锡锦铖人工智能科技有限公司 | 一种智能车辆计数系统 |
CN111724592A (zh) * | 2020-06-12 | 2020-09-29 | 重庆大学 | 一种基于收费数据与卡口数据的高速公路交通拥堵检测方法 |
CN112630770A (zh) * | 2020-12-02 | 2021-04-09 | 北京首科丰汇科技有限公司 | 一种高速公路服务质量评价方法及装置 |
CN112669601A (zh) * | 2020-12-16 | 2021-04-16 | 北京百度网讯科技有限公司 | 交通溢流检测方法、装置、电子设备及路侧设备 |
CN112669601B (zh) * | 2020-12-16 | 2022-04-15 | 阿波罗智联(北京)科技有限公司 | 交通溢流检测方法、装置、电子设备及路侧设备 |
CN113762135A (zh) * | 2021-09-02 | 2021-12-07 | 中远海运科技股份有限公司 | 一种基于视频的交通拥堵检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608431A (zh) | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 | |
CN106373394B (zh) | 一种基于视频和雷达的车辆检测方法及系统 | |
TWI452540B (zh) | 影像式之交通參數偵測系統與方法及電腦程式產品 | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
CN105389567A (zh) | 基于稠密光流直方图的群体异常检测方法 | |
CN105513349A (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
Bharadwaj et al. | Traffic data analysis using image processing technique on Delhi–Gurgaon expressway | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
CN116434159A (zh) | 一种基于改进YOLO V7和Deep-Sort的交通流量统计方法 | |
CN110969864A (zh) | 一种车速检测方法、车辆行驶事件检测方法及电子设备 | |
CN116128360A (zh) | 道路交通拥堵等级评估方法、装置、电子设备及存储介质 | |
Minnikhanov et al. | Detection of traffic anomalies for a safety system of smart city | |
Kadim et al. | Real-time deep-learning based traffic volume count for high-traffic urban arterial roads | |
CN103605960A (zh) | 一种基于不同焦距视频图像融合的交通状态识别方法 | |
CN113537170A (zh) | 一种交通路况智能监测方法和计算机可读存储介质 | |
CN115440071B (zh) | 一种自动驾驶违规停车检测方法 | |
Zhang et al. | Machine learning and computer vision-enabled traffic sensing data analysis and quality enhancement | |
Muniruzzaman et al. | Deterministic algorithm for traffic detection in free-flow and congestion using video sensor | |
Ponte et al. | Using specialised cyclist detection software to count cyclists and determine cyclist travel speed from video | |
Khuc | Computer vision based structural identification framework for bridge health mornitoring | |
Perkasa et al. | Video-based system development for automatic traffic monitoring | |
Pan et al. | Identifying Vehicles Dynamically on Freeway CCTV Images through the YOLO Deep Learning Model. | |
Charouh et al. | Headway and Following Distance Estimation using a Monocular Camera and Deep Learning. | |
Kadim et al. | Real-time vehicle counting in complex scene for traffic flow estimation using multi-level convolutional neural network | |
CN112907978A (zh) | 基于监控视频的交通流量监控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160525 |