CN105761507A - 一种基于三维轨迹聚类的车辆计数方法 - Google Patents
一种基于三维轨迹聚类的车辆计数方法 Download PDFInfo
- Publication number
- CN105761507A CN105761507A CN201610182189.XA CN201610182189A CN105761507A CN 105761507 A CN105761507 A CN 105761507A CN 201610182189 A CN201610182189 A CN 201610182189A CN 105761507 A CN105761507 A CN 105761507A
- Authority
- CN
- China
- Prior art keywords
- running orbit
- class
- running
- clustered
- video image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 238000012546 transfer Methods 0.000 claims abstract description 6
- 206010008190 Cerebrovascular accident Diseases 0.000 claims description 20
- 208000006011 Stroke Diseases 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于三维轨迹聚类的车辆计数方法,具体包括利用摄像机采集道路的视频图像,利用灭点的方法建立二维图像坐标与三维世界坐标之间的关系,求得转移矩阵M;在视频图像中确定检测线和检测区域,提取视频图像的背景图像;获取视频图像上的多条运行轨迹;选取符合粗聚类条件的运行轨迹进行粗聚类,将所选取的运行轨迹分成多个类,并将所选取的运行轨迹标记为已聚类;对在步骤四中被标记为已聚类的运行轨迹进行细聚类。本发明的方法不受工程应用上的环境限制,具有较高的稳定性和检测精度,且易于实现,能有效地对视野范围内的车辆进行实时准确的检测,因此具有广阔的应用前景。
Description
技术领域
本发明属于视频检测技术领域,具体涉及一种基于三维轨迹聚类的车辆计数方法。
背景技术
由于经济的快速发展,车辆数目明显增多,道路交通通行能力下降,通过使用高新技术提高路网的通行能力,对现有道路进行有效的管理,为道路建设提供有效的数据是十分必要的。其中,对某一段路进行车辆检测,统计一段时间内的车流量,将该路段的车流量信息发送给管理部门或者是其他终端客户可以达到舒缓交通,管理交通的目的。
基于视频的车辆检测以及车流量统计,由于具备高效的实时检测性能,安装维护方便的优势得到了越来越多的关注。目前常用的基于视频的车辆检测软件以及车流量统计使用范围受到限制,只有在交通畅通,场景简单的情况下才能够有较高的检测率,在实际场景中,往往无法达到预期的效果。
发明内容
针对上述现有技术中存在的问题或缺陷,本发明的目的在于,提供一种基于三维轨迹聚类的车辆计数方法。
为了实现上述目的,本发明采用如下技术方案:
一种基于三维轨迹聚类的车辆计数方法,包括以下步骤:
步骤一,利用摄像机采集道路的视频图像,建立视频图像的二维图像坐标与三维世界坐标之间的关系,求得转移矩阵M;
步骤二,在视频图像中确定检测线和检测区域,提取视频图像的背景图像;
步骤三,获取视频图像上的多条运动目标产生的运行轨迹;
步骤四,选取符合粗聚类条件的运行轨迹进行粗聚类,将所选取的运行轨迹分成多个类,并将所选取的运行轨迹标记为已聚类;
步骤五,对在步骤四中被标记为已聚类的运行轨迹进行细聚类,将被标记为已聚类的运行轨迹分成N类,车辆计数结果为N。
具体地,所述步骤三中的获取视频图像上的多条运行轨迹的实现方法包括:
获取视频图像中的所有运动目标,针对运动目标提取特征点,对特征点采用模板匹配的方法进行跟踪,得到所有运动目标的运行轨迹。
具体地,所述步骤四中符合粗聚类条件的运动轨迹指的是:穿过所述检测线,且特征点的个数大于10的运动轨迹。
具体地,所述步骤四中的粗聚类的实现方式包括:
将所有符合粗聚类条件的运行轨迹上的最后跟踪的一个特征点映射到XY0平面上,XY0平面是指,在XYZ坐标系中,Z=0的平面;其中X是沿与车道线垂直的方向,Y是沿与车道线平行的方向,Z是沿垂直于路面的方向;计算所有特征点中任意两个特征点在X方向的距离dX和在Y方向的距离dY,若dX<A,A=1.5m,且dY<B,B=3m,则这两个特征点所在的运行轨迹属于同一类;未与其他特征点归为一类的特征点单独归为一类,该特征点所在的运行轨迹单独归为一类。
具体地,所述步骤五的细聚类的实现方式包括:
步骤5.1,对步骤四中被标记为已聚类的运行轨迹中即将要离开检测区域的一条运行轨迹所在的类进行类内部处理,将被标记为已聚类的运行轨迹重新分成多个类;
步骤5.2,对步骤5.1重新分成的多个类进行类间处理,将被标记为已聚类的运行轨迹分成N'类,车辆计数结果增加N';
步骤5.3,判断被标记为已聚类的运行轨迹中是否存在即将离开检测区域的运行轨迹,如果是,返回步骤5.1,如果否,结束。
具体地,所述步骤5.1的具体实现方式包括:
步骤5.1.1,求取即将离开检测区域的运行轨迹所在类中的所有运行轨迹的速度,确定该类中代表轨迹,以及代表轨迹的速度即代表速度;
步骤5.1.2,求取即将离开检测区域的运行轨迹所在类中的每条运行轨迹上最后跟踪的一个特征点的三维信息;
步骤5.1.3,利用模型的方法,将不属于即将离开检测区域的运行轨迹所在类的运行轨迹剔出,将剔出的运行轨迹放在同一个类内;
步骤5.1.4,对剔出的运行轨迹所形成类进行类内部处理,即返回步骤5.1.1重复执行,直至没有运行轨迹被剔出,将被标记为已聚类的运行轨迹重新分成多个类。
具体地,所述步骤5.2的具体实现方式包括:
步骤5.2.1,选取两个类,求取两个类中所有运行轨迹的速度中的最低速度,将该最低速度作为参考速度Vmin *,并将具有该参考速度Vmin *的运行轨迹作为参考轨迹,参考轨迹所在的类作为参考类,另一个类为所求类;
步骤5.2.2,求出参考轨迹和所求类中的所有运行轨迹上最开始跟踪的15个特征点的三维信息;
步骤5.2.3,将所求类中的所有运行轨迹与参考轨迹均进行相对运动约束的判断,若所求类中的2/3的运行轨迹与参考轨迹满足相对运动约束条件,则将两个类进行合并;否则不做合并处理;
步骤5.2.4,重新选取两个类,返回步骤5.2.1,直至所有的类处理结束,删除步骤5.1中即将离开检测区域的运行轨迹所在的类,最终将被标记为已聚类的运行轨迹分成N类,车辆计数结果增加N。
与现有技术相比,本发明具有以下技术效果:本发明的基于三维轨迹聚类的车辆计数算法,与现有技术相比,不受工程应用上的环境限制,具有较高的稳定性和检测精度,且易于实现,能有效地对视野范围内的车辆进行实时准确的检测,因此具有广阔的应用前景。
以下结合附图和具体实施方式对本发明的内容作进一步详细地说明。
附图说明
图1为视频图像中的一帧图像;
图2为获取的背景图像;
图3为目标区域提取的特征点结果图;
图4为提取的运动轨迹结果图;
图5为车辆检测计数结果图;
图6为相对运动约束条件示意图;
图7是本发明的方法流程图。
具体实施方式
本发明的基于三维轨迹聚类的车辆计数方法,通过对车辆的行驶轨迹进行聚类达到车辆检测的目的。利用摄像机对道路进行拍摄,得到视频图像,视频图像沿正时间序列包括第一帧图像、第二帧图像…第n帧图像(n为自然数)。参见图7,本发明的方法具体包括以下步骤:
步骤一,利用灭点的方法建立视频图像的二维图像坐标与三维世界坐标之间的关系,求得转移矩阵M。由于摄像机的安装位置是固定的,摄像机的图像视频始终获取的是二维图像;摄像机在三维世界中的坐标是已知的,因此可以得到摄像机拍摄的二维图像所在实际位置与三维世界坐标之间的关系。三维世界坐标是在二维世界坐标的基础上根据右手定则增加z轴而形成的。
步骤二,针对采集到的视频图像利用多帧图像平均法提取背景图像,在视频图像中确定一条垂直于道路的检测线,检测线是人工确定的,检测线的纵向坐标为170(像素),视频图像的大小为720*288,坐标原点在左上角。同时,在视频图像中确定检测区域,检测区域指的是需要检测的车道区域,检测区域为一个矩形区域,宽度包括要检测的车道,长度取60m。
步骤三,针对视频图像中的每一帧图像,减去背景图像,得到每一帧图像中对应的运动目标,对所有的运动目标利用Moravec算子提取特征点,并采用模板匹配的方法对特征点进行跟踪,得到运动目标的运行轨迹,并记录运行轨迹上每个特征点的二维图像坐标信息,即像素坐标信息;此处需要说明的是,一帧图像中可能包含多个运动目标,在该帧图像上的每个运动目标均表示一个要检测的车辆,因此,在对特征点进行跟踪后,得到多条运动目标产生的运行轨迹。
步骤四,选取符合粗聚类条件的运行轨迹进行粗聚类,将所选取的运行轨迹分成多个类,并将所选取的运行轨迹标记为已聚类;具体实现方式为:
当检测到多条运行轨迹中的某个运行轨迹穿过检测线,且该运行轨迹上的特征点的个数大于10时,则将该运行轨迹上的最后跟踪的一个特征点映射到XY0平面上,利用公式(1)得到该特征点在XYZ平面上的坐标(X,Y,0),XY0平面是指,在XYZ坐标系中,Z=0的平面;其中X是沿与车道线垂直的方向,Y是沿与车道线平行的方向,Z是沿垂直于路面的方向;(X,Y,0)为该特征点在XY0平面上的坐标:
公式(1)表示的像素点到空间点的转换关系;其中,(u,v)为特征点的像素坐标,(X,Y,0)为特征点在XY0面上的坐标,M为3*4转移矩阵。
满足穿过检测线且该运行轨迹上的特征点的个数大于10的运行轨迹可能存在多条,则得到多个映射到XYZ面上的特征点(Z=0),对所有映射到XYZ面上的特征点所在的运行轨迹进行粗聚类,具体实现方法为:计算所有映射到XYZ面上特征点中的任意两个特征点在X方向的距离dX和在Y方向的距离dY;若两个特征点在X方向的距离dX<A(A=1.5m),且在Y方向的距离dY<B(B=3m),则将这两个特征点属于同一类,归为一类的多个特征点分别所在的运行轨迹属于同一类;在进行粗聚类后,对于未与其他特征点归为一类的特征点单独归为一类,该特征点所在的运行轨迹单独归为一类;对所有映射到XYZ面上的特征点所在的运行轨迹均标记为已聚类,则其他运行轨迹未被标记为已聚类。
步骤五,对所有被标记为已聚类的运行轨迹进行细聚类,最终将被标记为已聚类的运行轨迹分成N,车辆计数结果加N,实现方法包括以下步骤:
步骤5.1,对即将离开检测区域的某条运行轨迹所在的类先进行类内部处理,将被标记为已聚类的运行轨迹重新分成多个类。具体实现方法如下:
步骤5.1.1,采用线性拟合的方法求出该即将离开检测区域的运行轨迹所在类中的所有运行轨迹的速度,求取所有运行轨迹的速度中的最低速度,将该最低速度作为该类的代表速度Vmin,并将具有该最低速度的运行轨迹作为代表轨迹;
步骤5.1.2,将代表轨迹的高度设为零,运行轨迹的高度指的是运行轨迹上的特征点的Z坐标的值,同一条运行轨迹上的各个特征点的Z坐标的值相同;利用公式(2)求出该类内其他运行轨迹的高度h:
其中,V表示该类内其他运行轨迹的速度,H表示代表轨迹的高度,h表示该类内其他运行轨迹的高度。
利用公式(2)求出的该类内其他运行轨迹的高度h,再利用公式(3)求该类内每条运行轨迹最后跟踪的一个特征点的三维信息:
其中,M表示3*4的转移矩阵,(u,v,1)为特征点的像素坐标,(X,Y,Z,1)为特征点对应的世界坐标值,其中,X,Y,Z表示特征点的三维信息,其中的Z即为该类内其他运行轨迹的高度h。
步骤5.1.3,利用模型的方法,将不属于该类的运行轨迹剔除,具体实现方法为:获取3种不同车型的车辆的尺寸信息,小型车:长3.5m,宽2.5m,高1.5m;中型车:长5m,宽3.5m,高2m;大型车:长8m,宽4m,高2.5m。将步骤5.1.2求出的该类内每条运行轨迹最后跟踪的一个特征点的三维信息与代表轨迹中最后跟踪的一个特征点的三维信息分别相减,得到三维方向的差值DX,DY和DZ,若0<DZ<1.5m,0<DX<3.5m且0<DY<2.5m,或者0<DZ<2m,0<DX<5m,且0<DY<3.5m,或者0<DZ<2.5m,0<DX<8m且0<DY<4m,则相对应的两条运行轨迹属于同一辆车的运行轨迹,否则不属于同一辆车的运行轨迹,并将不属于同一辆车的运行轨迹剔出,将剔出的运行轨迹放在一个类内。
步骤5.1.4,对剔出的运行轨迹所形成类进行类内部处理,即返回步骤5.1.1重复执行,直至没有运行轨迹被剔出,最终将被标记为已聚类的运行轨迹重新分成多个类。
步骤5.2,对步骤5.1重新分成的多个类进行类间处理。
步骤5.2.1,选取两个类,求取两个类中所有运行轨迹的速度中的最低速度,将该最低速度作为参考速度Vmin *,并将具有该参考速度Vmin *的运行轨迹作为参考轨迹,参考轨迹所在的类作为参考类;
步骤5.2.2,将参考轨迹的高度设为零,利用公式(4)求出两个类中除参考类以外的类中的所有运行轨迹的高度h*:
其中,V*表示所求类内所有运行轨迹的速度,H*表示参考轨迹的高度,h*表示所求类内所有运行轨迹的高度。
利用公式(3)求出参考轨迹和所求类中所有运行轨迹上最开始跟踪的15个特征点的三维信息,公式(3)中的Z等于h*。
步骤5.2.3,将所求类的每条运行轨迹与参考轨迹均进行相对运动约束的判断,参见图6,相对运动约束条件为:A1B1-A2B2=A2B2-A3B3=…A14B14-A15B15=0,其中,A1,A2…A15分别表示所求类内运行轨迹的15个特征点的三维信息,B1,B2…B15分别表示参考轨迹的15个特征点的三维信息,若所求类中的2/3的运行轨迹与参考轨迹满足所述相对运动约束条件,则将两个类进行合并;否则不做合并处理。
步骤5.2.4,重新选取两个类,返回步骤5.2.1,直至所有的类处理结束,删除步骤5.1中即将离开检测区域的运行轨迹所在的类,最终将被标记为已聚类的运行轨迹分成N'类,车辆计数结果增加N';
步骤5.3,判断被标记为已聚类的运行轨迹中是否存在即将离开检测区域的运行轨迹,如果是,返回步骤5.1,如果否,结束。
本发明的方法结束后,最终将被标记为已聚类的运行轨迹分成N类,车辆计数结果为N。
实施例:
实施例采用上海外环某一路段的实时路况视频图像,视频采样频率是20帧/秒,图像大小为720×288。
图1所示为视频图像中的一帧图像;图2为提取到的背景图像;图3中的交叉线为提取到的特征点;图4中的连线表示运行轨迹;
图5表示车辆检测得到的计数结果,其中图5中的(a)和(b)分别表示车辆计数结果为15和16时的实时视频场景图。
Claims (7)
1.一种基于三维轨迹聚类的车辆计数方法,其特征在于,包括以下步骤:
步骤一,利用摄像机采集道路的视频图像,建立视频图像的二维图像坐标与三维世界坐标之间的关系,求得转移矩阵M;
步骤二,在视频图像中确定检测线和检测区域,提取视频图像的背景图像;
步骤三,获取视频图像上的多条运动目标产生的运行轨迹;
步骤四,选取符合粗聚类条件的运行轨迹进行粗聚类,将所选取的运行轨迹分成多个类,并将所选取的运行轨迹标记为已聚类;
步骤五,对在步骤四中被标记为已聚类的运行轨迹进行细聚类,将被标记为已聚类的运行轨迹分成N类,车辆计数结果为N。
2.如权利要求1所述的基于三维轨迹聚类的车辆计数方法,其特征在于,所述步骤三中的获取视频图像上的多条运行轨迹的实现方法包括:
获取视频图像中的所有运动目标,针对运动目标提取特征点,对特征点采用模板匹配的方法进行跟踪,得到所有运动目标的运行轨迹。
3.如权利要求2所述的基于三维轨迹聚类的车辆计数方法,其特征在于,所述步骤四中符合粗聚类条件的运动轨迹指的是:穿过所述检测线,且特征点的个数大于10的运动轨迹。
4.如权利要求3所述的基于三维轨迹聚类的车辆计数方法,其特征在于,所述步骤四中的粗聚类的实现方式包括:
将所有符合粗聚类条件的运行轨迹上的最后跟踪的一个特征点映射到XY0平面上,XY0平面是指,在XYZ坐标系中,Z=0的平面;其中X是沿与车道线垂直的方向,Y是沿与车道线平行的方向,Z是沿垂直于路面的方向;计算所有特征点中任意两个特征点在X方向的距离dX和在Y方向的距离dY,若dX<A,A=1.5m,且dY<B,B=3m,则这两个特征点所在的运行轨迹属于同一类;未与其他特征点归为一类的特征点单独归为一类,该特征点所在的运行轨迹单独归为一类。
5.如权利要求1所述的基于三维轨迹聚类的车辆计数方法,其特征在于,所述步骤五的细聚类的实现方式包括:
步骤5.1,对步骤四中被标记为已聚类的运行轨迹中即将要离开检测区域的一条运行轨迹所在的类进行类内部处理,将被标记为已聚类的运行轨迹重新分成多个类;
步骤5.2,对步骤5.1重新分成的多个类进行类间处理,将被标记为已聚类的运行轨迹分成N'类,车辆计数结果增加N';
步骤5.3,判断被标记为已聚类的运行轨迹中是否存在即将离开检测区域的运行轨迹,如果是,返回步骤5.1,如果否,结束。
6.如权利要求5所述的基于三维轨迹聚类的车辆计数方法,其特征在于,所述步骤5.1的具体实现方式包括:
步骤5.1.1,求取即将离开检测区域的运行轨迹所在类中的所有运行轨迹的速度,确定该类中代表轨迹,以及代表轨迹的速度即代表速度;
步骤5.1.2,求取即将离开检测区域的运行轨迹所在类中的每条运行轨迹上最后跟踪的一个特征点的三维信息;
步骤5.1.3,利用模型的方法,将不属于即将离开检测区域的运行轨迹所在类的运行轨迹剔出,将剔出的运行轨迹放在同一个类内;
步骤5.1.4,对剔出的运行轨迹所形成类进行类内部处理,即返回步骤5.1.1重复执行,直至没有运行轨迹被剔出,将被标记为已聚类的运行轨迹重新分成多个类。
7.如权利要求5所述的基于三维轨迹聚类的车辆计数方法,其特征在于,所述步骤5.2的具体实现方式包括:
步骤5.2.1,选取两个类,求取两个类中所有运行轨迹的速度中的最低速度,将该最低速度作为参考速度Vmin *,并将具有该参考速度Vmin *的运行轨迹作为参考轨迹,参考轨迹所在的类作为参考类,另一个类为所求类;
步骤5.2.2,求出参考轨迹和所求类中的所有运行轨迹上最开始跟踪的15个特征点的三维信息;
步骤5.2.3,将所求类中的所有运行轨迹与参考轨迹均进行相对运动约束的判断,若所求类中的2/3的运行轨迹与参考轨迹满足相对运动约束条件,则将两个类进行合并;否则不做合并处理;
步骤5.2.4,重新选取两个类,返回步骤5.2.1,直至所有的类处理结束,删除步骤5.1中即将离开检测区域的运行轨迹所在的类,最终将被标记为已聚类的运行轨迹分成N类,车辆计数结果增加N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610182189.XA CN105761507B (zh) | 2016-03-28 | 2016-03-28 | 一种基于三维轨迹聚类的车辆计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610182189.XA CN105761507B (zh) | 2016-03-28 | 2016-03-28 | 一种基于三维轨迹聚类的车辆计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105761507A true CN105761507A (zh) | 2016-07-13 |
CN105761507B CN105761507B (zh) | 2018-03-02 |
Family
ID=56346511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610182189.XA Expired - Fee Related CN105761507B (zh) | 2016-03-28 | 2016-03-28 | 一种基于三维轨迹聚类的车辆计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105761507B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021174A (zh) * | 2019-04-02 | 2019-07-16 | 北京同方软件有限公司 | 一种基于视频图像的适用多场景的车流量计算方法 |
CN110361020A (zh) * | 2018-09-30 | 2019-10-22 | 长城汽车股份有限公司 | 用于确定车道线坐标的方法及系统 |
CN111599346A (zh) * | 2020-05-19 | 2020-08-28 | 科大讯飞股份有限公司 | 一种说话人聚类方法、装置、设备及存储介质 |
CN112287778A (zh) * | 2020-10-16 | 2021-01-29 | 苏州万店掌网络科技有限公司 | 基于方向聚合的人流量分析方法及介质 |
US11926339B2 (en) | 2018-09-30 | 2024-03-12 | Great Wall Motor Company Limited | Method for constructing driving coordinate system, and application thereof |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003208692A (ja) * | 2002-01-11 | 2003-07-25 | Omron Corp | 車両認識方法およびこの方法を用いた交通流計測装置 |
CN101989289A (zh) * | 2009-08-06 | 2011-03-23 | 富士通株式会社 | 数据聚类方法和装置 |
CN103605362A (zh) * | 2013-09-11 | 2014-02-26 | 天津工业大学 | 基于车辆轨迹多特征的运动模式学习及异常检测方法 |
CN104794425A (zh) * | 2014-12-19 | 2015-07-22 | 长安大学 | 一种基于行驶轨迹的车辆统计方法 |
CN105243354A (zh) * | 2015-09-08 | 2016-01-13 | 长安大学 | 一种基于目标特征点的车辆检测方法 |
-
2016
- 2016-03-28 CN CN201610182189.XA patent/CN105761507B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003208692A (ja) * | 2002-01-11 | 2003-07-25 | Omron Corp | 車両認識方法およびこの方法を用いた交通流計測装置 |
CN101989289A (zh) * | 2009-08-06 | 2011-03-23 | 富士通株式会社 | 数据聚类方法和装置 |
CN103605362A (zh) * | 2013-09-11 | 2014-02-26 | 天津工业大学 | 基于车辆轨迹多特征的运动模式学习及异常检测方法 |
CN104794425A (zh) * | 2014-12-19 | 2015-07-22 | 长安大学 | 一种基于行驶轨迹的车辆统计方法 |
CN105243354A (zh) * | 2015-09-08 | 2016-01-13 | 长安大学 | 一种基于目标特征点的车辆检测方法 |
Non-Patent Citations (5)
Title |
---|
GUANGCHUN CHENG等: "Video-based automatic transit vehicle ingress/egress counting using trajectory clustering", 《2014 IEEE INTELLIGENT VEHICLES SYMPOSIUM PROCEEDINGS》 * |
VINCENT RABAUD等: "Counting Crowded Moving Objects", 《2006 IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
卢胜男等: "基于虚拟检测窗口的车流量检测算法设计与实现", 《电脑知识与技术》 * |
赵倩倩: "基于目标特征点跟踪与聚类的车辆检测算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
陈禹: "基于视频的人群数量统计及异常检测方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110361020A (zh) * | 2018-09-30 | 2019-10-22 | 长城汽车股份有限公司 | 用于确定车道线坐标的方法及系统 |
CN110361020B (zh) * | 2018-09-30 | 2021-03-23 | 长城汽车股份有限公司 | 用于确定车道线坐标的方法及系统 |
US11926339B2 (en) | 2018-09-30 | 2024-03-12 | Great Wall Motor Company Limited | Method for constructing driving coordinate system, and application thereof |
CN110021174A (zh) * | 2019-04-02 | 2019-07-16 | 北京同方软件有限公司 | 一种基于视频图像的适用多场景的车流量计算方法 |
CN111599346A (zh) * | 2020-05-19 | 2020-08-28 | 科大讯飞股份有限公司 | 一种说话人聚类方法、装置、设备及存储介质 |
CN111599346B (zh) * | 2020-05-19 | 2024-02-20 | 科大讯飞股份有限公司 | 一种说话人聚类方法、装置、设备及存储介质 |
CN112287778A (zh) * | 2020-10-16 | 2021-01-29 | 苏州万店掌网络科技有限公司 | 基于方向聚合的人流量分析方法及介质 |
CN112287778B (zh) * | 2020-10-16 | 2021-07-27 | 苏州万店掌网络科技有限公司 | 基于方向聚合的人流量分析方法及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105761507B (zh) | 2018-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dhiman et al. | Pothole detection using computer vision and learning | |
Chougule et al. | Reliable multilane detection and classification by utilizing cnn as a regression network | |
Chen et al. | Next generation map making: Geo-referenced ground-level LIDAR point clouds for automatic retro-reflective road feature extraction | |
CN103593678B (zh) | 一种大跨度桥梁车辆动态荷载分布检测方法 | |
CN104217427B (zh) | 一种交通监控视频中车道线定位方法 | |
CN105761507A (zh) | 一种基于三维轨迹聚类的车辆计数方法 | |
Shin et al. | Real-time and accurate segmentation of 3-D point clouds based on Gaussian process regression | |
Šegvić et al. | A computer vision assisted geoinformation inventory for traffic infrastructure | |
CN106156752B (zh) | 一种基于逆投影三视图的车型识别方法 | |
CN107491720A (zh) | 一种基于改进型卷积神经网络的车型识别方法 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
Feng et al. | Mixed road user trajectory extraction from moving aerial videos based on convolution neural network detection | |
CN104050818A (zh) | 基于目标跟踪和特征点匹配的运动车辆测速方法 | |
US20230192123A1 (en) | Normal distributions transform (ndt) method for lidar point cloud localization in unmanned driving | |
CN103544489A (zh) | 一种车标定位装置及方法 | |
CN104794425A (zh) | 一种基于行驶轨迹的车辆统计方法 | |
CN107315994A (zh) | 基于Spectral Clustering空间轨迹的聚类算法 | |
Li et al. | Judgment and optimization of video image recognition in obstacle detection in intelligent vehicle | |
CN105243354B (zh) | 一种基于目标特征点的车辆检测方法 | |
Wang et al. | An improved hough transform method for detecting forward vehicle and lane in road | |
CN110443142A (zh) | 一种基于路面提取与分割的深度学习车辆计数方法 | |
Khosravi et al. | Vehicle speed and dimensions estimation using on-road cameras by identifying popular vehicles | |
Douret et al. | A multi-cameras 3d volumetric method for outdoor scenes: a road traffic monitoring application | |
CN114820931B (zh) | 基于虚拟现实的智慧城市cim可视化实时成像方法 | |
CN115984772A (zh) | 一种基于视频监控的道路积水检测方法及终端 |
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: 20180302 |