CN106327880A - 一种基于监控视频的车速识别方法及其系统 - Google Patents

一种基于监控视频的车速识别方法及其系统 Download PDF

Info

Publication number
CN106327880A
CN106327880A CN201610812919.XA CN201610812919A CN106327880A CN 106327880 A CN106327880 A CN 106327880A CN 201610812919 A CN201610812919 A CN 201610812919A CN 106327880 A CN106327880 A CN 106327880A
Authority
CN
China
Prior art keywords
vehicle
image
intersection point
distance
algorithm
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
Application number
CN201610812919.XA
Other languages
English (en)
Other versions
CN106327880B (zh
Inventor
毛河
王哲
龙学军
周剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Tongjia Youbo Technology Co Ltd
Original Assignee
Chengdu Tongjia Youbo Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Tongjia Youbo Technology Co Ltd filed Critical Chengdu Tongjia Youbo Technology Co Ltd
Priority to CN201610812919.XA priority Critical patent/CN106327880B/zh
Publication of CN106327880A publication Critical patent/CN106327880A/zh
Application granted granted Critical
Publication of CN106327880B publication Critical patent/CN106327880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights

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)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明通过设计车辆速度监控算法，以及应用该算法设计的系统，对交通信息作出分析，完全无需人为干涉的情况下，实现城市道路车辆监控方法的解决途径，旨在利用计算机视觉技术对道路车辆进行跟踪、计数及测速，同时测速算法适应性高保证效果，实现交通状况（如拥堵情况）分析，违规现象提示等功能。

Description

一种基于监控视频的车速识别方法及其系统
技术领域
本发明涉及一种车速识别技术。
背景技术
智能交通系统以及交通智能管理技术已成为近来的研究热点，车辆跟踪是基于视频技术的智能交通检测系统的关键技术之一。视频的目标跟踪是对视频序列中目标的时空变化进行监控，包括位置和大小等。在一段交通视频中，若想获得特定的某辆车的一些交通参数和特征，就必须将它与同帧图像中检测到的其他车辆区别开。常用的基于视频的跟踪方法主要有模板匹配、基于特征的跟踪、基于区域匹配的跟踪和Kalman滤波器预测等方法。
目前，智能交通系统中对车辆进行测速的方法主要有线圈测速、激光测速、雷达测速、视频测速等。线圈测速多为埋设式,车辆通过线圈时,会引起线圈磁场变化,检测器依此计算出车辆速度,线圈在安装或维护时必须直接埋入车道,容易使路面受损,且安装过程中会暂时阻碍交通,线圈也易受到冰冻、路基下沉等因素的影响。当车流拥堵时,检测精度会大大降低。激光测速的工作原理是建立在光波测距的基础上,利用对运动物体的多次测距与时间之比,得出其运动速度。雷达测速采用了多普勒雷达体制,当发射源和接收者之间有相对径向运动时,接收到的信号频率将发生变化。激光测速与雷达测速方法对测速的角度要求都非常高,在实际运用中存在一定局限。视频测速利用车辆跟踪的结果，结合相机坐标到大地坐标的转换以及视频帧率实现对每个车辆速度的测量。相比之下视频测速所需设备更简单，所受限制更少。
但是视频测速也存在以下两个问题，一、由于视频数据和算法的限制，所以对车速的检测精度仍然较低；二、由于如果监控设备位置发生变化，或者由光线引起的其他变化，现有的算法，对该种变化的适应性较低。
发明内容
本发明的第一目的在于，提供一种环境适应度和精度较高一种基于监控视频的车速识别方法；
本发明的第二目的在于，提供一种环境适应度和精度较高一种基于监控视频的车速识别系统；
本发明所解决的技术问题可以采用以下技术方案来实现：一种基于监控视频的车速识别方法，
步骤1，获取视频序列图像；
步骤2，从视频序列图像中确定车道线的位置，并根据车道线的位置划分车道，每一车道线均包括有若干相间的车道线段和间隔线段，任意的车道线段和间隔线段之间形成间隔点；
步骤3，获取一车辆在图像中起点和终点的位置；
步骤4，计算所述起点与所述终点之间的横向距离Sx，以及计算所述起点与所述终点之间的纵向距离Sy；
步骤5，计算实际距离S=（Sx2+Sy2）1/2；
步骤6，获得所述起点所在图像和所述终点所在图像的间隔时间T，计算车速V=S/T。
通过这样设置，首先通过对视频图像的获取，因为在道路中势必存在车道线，而车道线一般为虚线线段，虚线线段就包括实线的车道线段以及断开的间隔线段，通过图像识别技术算法将线段识别，而每个监控装置安装时就可以实地测量车道实际宽度、车道线段长度以及间隔线段长度，通过这三个长度的设置，从而计算起点和终点的位移距离，起点和终点技术通过车辆识别技术识别车辆，取车辆中心点作为起点和终点的位置，而通过已知线长以及道路宽度计算位移距离，较为精确，可以减小因成像造成的误差，同时，这样设置，对环境的适应度较高，保证处理效果。
进一步的，步骤4中，通过算法一计算所述横向距离Sx；
算法一：分别就起点和终点确定距离最近的车道线并计算两车道线之间的车道数量n1，Sx=n1*D1，其中D1为车道的实际宽度。
进一步的， 步骤4中，通过算法二计算纵向距离Sy；
算法二：以任意一条车道线为基准车道线，起点与基准车道线做垂线令垂足为交点一，终点与基准车道线做垂线令垂足为交点二，以车道线段和间隔线段为基准求交点一到交点二的距离得到纵向距离Sy。
进一步的，所述步骤4的算法二中，以距离起点或终点最近的一条车道线为基准车道线。
进一步的，所述步骤4的算法二中，以距离终点最近的一条车道线为基准车道线。
进一步的，算法二中，在基准车道线上选取间隔点一和间隔点二，L1为交点一到间隔点一的距离，L2为交点二到间隔点二的距离,L3=n2*D2+n3*D3；n2为隔点一和隔点二之间完整的车道线段数量，D2为车道线段实际长度，n3为隔点一和隔点二之间完整的间隔线段数量，D3为间隔线段实际长度，通过L1、L2、L3求出纵向距离Sy。
进一步的，算法二中，通过起点所在图像计算起点到间隔点一的距离以及起点到交点一的距离，并根据勾股定理求间隔点一到交点一的距离L1，通过终点所在图像计算终点到间隔点二的距离以及终点到间交点二的距离并根据勾股定理求间隔点二到交点二的距离L2；或算法二中，间隔点一为交点一向交点二方向上第一个间隔点；间隔点二为交点二向交点一方向上的第一个间隔点，Sy=L1+L2+L3。
为了实现本发明的第二目的，提供一种监控视频系统，包括若干监控装置，监控装置通过上述的一种技术监控视频的车速识别方法判断车速。
进一步的，所述监控视频系统通过车数识别方法判断每一监控装置的监控区域内的车辆数，所述车数识别方法包括
图像获取步骤，获取视频图像序列并根据车辆识别算法识别图像序列中的车辆得到车辆图像，根据每一视频图像序列中的车辆图像以及车辆图像内的特征值建立车辆数据序列；
目标序列生成步骤，将第一时刻的车辆数据序列作为目标数据序列，将目标数据序列中的每一车辆图像与车辆数据序列中的车辆图像分别进行特征值比对，若一车辆图像与对应序列中的任一车辆图像的特征值的重复率大于预设值则判断为该车辆图像配对，若一车辆图像与对应序列中的所有车辆图像的特征值的重复率小于预设值，则判断为该车辆图像不配对；一次比对中，若车辆数据序列中的车辆图像被判断为不配对，则将该车辆图像以及车辆图像内的特征值录入目标数据序列中；每一目标数据序列中的车辆图像分别设置有预设次数，连续的多次比对中，若目标数据序列中的车辆图像被判断为不配对的次数超过所述预设次数，则将该车辆图像移出目标数据序列；
数量判断步骤，将第一个目标数据序列中车辆图像的数量作为初始数量，每次有新的车辆图像录入目标数据序列中时，则车辆数量加一。
进一步的，目标序列生成步骤中，任意一次比对中，若目标数据序列中的车辆图像被判断为配对，则预设次数重置。而如果被遮挡一次重复出现的车辆，直接进入判断，避免车辆未离开区域时，被多次遮挡。
进一步的，还包括违章判断模块或路况判断模块；
所述违章判断模块包括第一预设车速，当所述任意车辆的车速大于预设车速时，则判断该车辆违章；
所述路况判断模块包括第二预设车速和第一预设车辆数，一定时间内，所有车辆的平均车速小于第二预设车速同时经过的车辆数小于第一预设车辆数时，判断此时路况拥堵。通过两种判断方式进行判断，无需人为干涉，减少人力成本。
有益效果：由于采用以上技术方案，完全无需人为干涉的情况下，实现城市道路车辆监控方法的解决途径，旨在利用计算机视觉技术对道路车辆进行跟踪、计数及测速，同时测速算法适应性高保证效果，实现交通状况（如拥堵情况）分析，违规现象提示等功能。
附图说明
图1为本发明车速识别方法距离计算的原理图；
图2为本发明监控视频系统拓扑图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明所解决的技术问题可以采用以下技术方案来实现：
实施例1-1如下所述，一种基于监控视频的车速识别方法，
步骤1，获取视频序列图像；
步骤2，从视频序列图像中确定车道线的位置，并根据车道线的位置划分车道，每一车道线均包括有若干相间的车道线段和间隔线段，任意的车道线段和间隔线段之间形成间隔点；
步骤3，获取一车辆在图像中起点和终点的位置；
步骤4，根据步骤3中获得的起点和终点位置，通过算法一计算横向距离Sx，通过算法二计算纵向距离Sy，
算法一：分别就起点和终点确定距离最近的车道线并计算两车道线之间的车道数量n1，Sx=n1*D1，其中D1为车道的实际宽度；
算法二：以任意一条车道线为基准车道线，起点与基准车道线做垂线令垂足为交点一，终点与基准车道线做垂线令垂足为交点二，以车道线段和间隔线段为基准求交点一到交点二的距离得到纵向距离Sy；以距离起点或终点最近的一条车道线为基准车道线。
所述步骤4的算法二中，以距离终点最近的一条车道线为基准车道线。
参照图1所示，算法二中，在基准车道线上选取间隔点一和间隔点二，L1为交点一到间隔点一的距离L2为交点二到间隔点二的距离,L3=n2*D2+n3*D3;n2为隔点一和隔点二之间完整的车道线段数量，D2为车道线段实际长度，n3为隔点一和隔点二之间完整的间隔线段数量，图中，完整的间隔线段数量为三个，完整的车道线段数量为两个，D3为间隔线段实际长度，通过L1、L2、L3求出纵向距离Sy。通过起点所在图像计算起点到间隔点一的距离以及起点到交点一的距离并根据勾股定理求间隔点一到交点一的距离L1，通过终点所在图像计算终点到间隔点二的距离以及终点到间交点二的距离并根据勾股定理求间隔点二到交点二的距离L2。间隔点一为交点一向交点二方向上第一个间隔点；间隔点二为交点二向交点一方向上的第一个间隔点，Sy=L1+L2+L3。
步骤5，计算实际距离S=（Sx2+Sy2）1/2；
步骤6，获得起点所在图像和终点所在图像的间隔时间T，计算车速V=S/T。
通过这样设置，首先通过对视频图像的获取，因为在道路中势必存在车道线，而车道线一般为虚线线段，虚线线段就包括实线的车道线段以及断开的间隔线段，通过图像识别技术算法将线段识别，而每个监控装置安装时就可以实地测量车道实际宽度、车道线段长度以及间隔线段长度，通过这三个长度的设置，从而计算起点和终点的位移距离，起点和终点技术通过车辆识别技术识别车辆，取车辆中心点作为起点和终点的位置，而通过已知线长以及道路宽度计算位移距离，较为精确，可以减小因成像造成的误差，同时，这样设置，对环境的适应度较高，保证处理效果。
实施例1-2中，与实施例1-1的不同之处在于对间隔点的识别，为了减少误差，可以对间隔点一和间隔点二位置的获取为离交点一和交点二最近的间隔点，而通过同样的方式计算间隔点到交点的距离，而如果间隔点在两交点之外，则通过减法减去该距离，反之，则增加该距离，获得两交点的距离。
实施例1-3中，通过比例计算交点至间隔点的位置，交点肯定在车道线段或者间隔线段中，所以图中交点所在线段长度可以通过计算得出，这样就可以算出交点到间隔点占总长度的比例关系，这样一来，将线段实际长度乘以比例关系，就可以得到交点的长度，可以作为勾股定理求长的替代算法。
实施例2中，参照图2所示，一种监控视频系统，包括若干监控装置，监控装置通过上述的一种技术监控视频的车速识别方法判断车速。监控装置优选安装于道路的正上方，方便识别。
监控视频系统通过车数识别方法判断每一监控装置的监控区域内的车辆数，所述车数识别方法包括
图像获取步骤，获取视频图像序列并根据车辆识别算法识别图像序列中的车辆，根据每一时刻图像序列中的车辆以及车辆的特征值建立车辆数据序列；我们提出基于计算机视觉的智能车辆监控方法，该方法采用固定位置的相机获取视频数据，用背景建模法检测运动目标，再结合ACF + AdaBoost级联分类器从运动目标中检测出车辆，最后用KCF算法跟踪车辆目标。以上为车辆计数和测速的基础。利用计数和测速结果，我们可以估计视频中道路的交通状况，是否有超速等违章现象，实现智能监控的目的。具体做法如下：
一、利用安装在路灯顶部的相机对斜下视范围内的道路进行视频监控，获取视频数据。为了消除风吹、大型车辆经过引起地面震动等对相机拍摄范围的影响，我们对每帧图像做如下处理：选取实际拍摄范围中距成像平面边缘较远的固定标志物，如公交站牌，作为拍摄范围变化的参照物；选取略小于实际成像平面的矩形作为实际处理区域；根据参照物在图像中的位置来调整矩形的位置，以此来确保实际处理区域相对参照物无变化。
二、对已做稳像处理的视频数据进行背景建模，此处采用混合高斯模型，可以较快从原始图像中分离出背景像素。分离出背景像素后，即可获得视频中的运动目标，此时不能判断运动目标是否是车辆，有可能是行人、自行车等。利用ACF + AdaBoost分类器，对运动目标进行检测，即可区分出每一辆车，并用计数变量对其做唯一的标记和存储到车辆队列。
目标序列生成步骤，将第一时刻的车辆数据序列作为目标数据序列，将目标数据序列中的每一车辆与车辆数据序列中的车辆分别进行特征值比对，若一车辆与对应序列中的任一车辆的特征值重复率大于预设值则判断为配对，若一车辆与对应序列中的所有车辆的特征值重复率小于预设值，则判断为不配对；一次比对中，若车辆数据序列中的车辆被判断为不配对，则将该车辆录入目标数据序列中；每一目标数据序列中的车辆分别设置有预设次数，连续的多次比对中，若目标数据序列中的车辆被判断为不配对的次数超过预设次数，则将该车辆移出目标数据序列；目标序列生成步骤中，任意一次比对中，若目标数据序列中的车辆被判断为配对，则预设次数重置。而如果被遮挡一次重复出现的车辆，直接进入判断，避免车辆未离开区域时，被多次遮挡。
数量判断步骤，将第一个目标数据序列中车辆的数量作为初始数量，每次有新的车辆录入目标数据序列中时，则车辆数量加一。首先，通过特征值配对的方式进行判断重复车辆，保证车辆不会重复计数，而通过对一定时间内的车辆数量判断存在一定的问题，由于车辆在行驶过程中可能出现遮挡导致特征值配对不成功，所以需要设置一预设次数，当一定次数都未检测到目标车辆时，才将该车辆移出目标序列，这样一来，目标序列总数量则为一定时间内的车辆数量。
还包括违章判断模块或路况判断模块；
违章判断模块包括第一预设车速，当所述任意车辆的车速大于预设车速时，则判断该车辆违章；
路况判断模块包括第二预设车速和第一预设车辆数，一定时间内，所有车辆的平均车速小于第二预设车速同时经过的车辆数小于第一预设车辆数时，判断此时路况拥堵。通过两种判断方式进行判断，无需人为干涉，减少人力成本。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (10)

1.一种基于监控视频的车速识别方法，其特征在于：
步骤1，获取视频序列图像；
步骤2，从视频序列图像中确定车道线的位置，并根据车道线的位置划分车道，每一车道线均包括有若干相间的车道线段和间隔线段，任意的车道线段和间隔线段之间形成间隔点；
步骤3，获取一车辆在图像中起点和终点的位置；
步骤4，计算所述起点与所述终点之间的横向距离Sx，以及计算所述起点与所述终点之间的纵向距离Sy；
步骤5，计算实际距离S=（Sx2+Sy2）1/2；
步骤6，获得所述起点所在图像和所述终点所在图像的间隔时间T，计算车速V=S/T。
2.如权利要求1所述的一种基于监控视频的车速识别方法，其特征在于，步骤4中，通过算法一计算所述横向距离Sx；
算法一：分别就起点和终点确定距离最近的车道线并计算两车道线之间的车道数量n1，Sx=n1*D1，其中D1为车道的实际宽度。
3.如权利要求1所述的一种基于监控视频的车速识别方法，其特征在于，
步骤4中，通过算法二计算纵向距离Sy；
算法二：以任意一条车道线为基准车道线，起点与基准车道线做垂线令垂足为交点一，终点与基准车道线做垂线令垂足为交点二，以车道线段和间隔线段为基准求交点一到交点二的距离得到纵向距离Sy。
4.如权利要求3所述的一种基于监控视频的车速识别方法，其特征在于，所述算法二中，以距离终点最近的一条车道线为基准车道线；或所述算法二中，以距离起点或终点最近的一条车道线为基准车道线。
5.如权利要求3所述的一种基于监控视频的车速识别方法，其特征在于，算法二中，在基准车道线上选取间隔点一和间隔点二，L1为交点一到间隔点一的距离，L2为交点二到间隔点二的距离,L3=n2*D2+n3*D3；n2为隔点一和隔点二之间完整的车道线段数量，D2为车道线段实际长度，n3为隔点一和隔点二之间完整的间隔线段数量，D3为间隔线段实际长度，通过L1、L2、L3求出纵向距离Sy。
6.如权利要求5所述的一种基于监控视频的车速识别方法，其特征在于，算法二中，通过起点所在图像计算起点到间隔点一的距离以及起点到交点一的距离，并根据勾股定理求间隔点一到交点一的距离L1，通过终点所在图像计算终点到间隔点二的距离以及终点到间交点二的距离并根据勾股定理求间隔点二到交点二的距离L2；或算法二中，间隔点一为交点一向交点二方向上第一个间隔点；间隔点二为交点二向交点一方向上的第一个间隔点，Sy=L1+L2+L3。
7.一种监控视频系统，其特征在于，包括若干监控装置，监控装置通过
如权利要求1-6任意一项所述的一种技术监控视频的车速识别方法判断车速。
8.根据权利要求7所述的一种监控视频系统，其特征在于，所述监控视频系统通过车数识别方法判断每一监控装置的监控区域内的车辆数，所述车数识别方法包括
图像获取步骤，获取视频图像序列并根据车辆识别算法识别图像序列中的车辆得到车辆图像，根据每一视频图像序列中的车辆图像以及车辆图像内的特征值建立车辆数据序列；
目标序列生成步骤，将第一时刻的车辆数据序列作为目标数据序列，将目标数据序列中的每一车辆图像与车辆数据序列中的车辆图像分别进行特征值比对，若一车辆图像与对应序列中的任一车辆图像的特征值的重复率大于预设值则判断为该车辆图像配对，若一车辆图像与对应序列中的所有车辆图像的特征值的重复率小于预设值，则判断为该车辆图像不配对；一次比对中，若车辆数据序列中的车辆图像被判断为不配对，则将该车辆图像以及车辆图像内的特征值录入目标数据序列中；每一目标数据序列中的车辆图像分别设置有预设次数，连续的多次比对中，若目标数据序列中的车辆图像被判断为不配对的次数超过所述预设次数，则将该车辆图像移出目标数据序列；
数量判断步骤，将第一个目标数据序列中车辆图像的数量作为初始数量，每次有新的车辆图像录入目标数据序列中时，则车辆数量加一。
9.根据权利要求8所述的一种监控视频系统，其特征在于，目标序列生成步骤中，任意一次比对中，若目标数据序列中的车辆图像被判断为配对，则预设次数重置。
10.根据权利要求7所述的一种监控视频系统，其特征在于，还包括违章判断模块或路况判断模块；
所述违章判断模块包括第一预设车速，当所述任意车辆的车速大于预设车速时，则判断该车辆违章；
所述路况判断模块包括第二预设车速和第一预设车辆数，一定时间内，所有车辆的平均车速小于第二预设车速同时经过的车辆数小于第一预设车辆数时，判断此时路况拥堵。
CN201610812919.XA 2016-09-09 2016-09-09 一种基于监控视频的车速识别方法及其系统 Active CN106327880B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610812919.XA CN106327880B (zh) 2016-09-09 2016-09-09 一种基于监控视频的车速识别方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610812919.XA CN106327880B (zh) 2016-09-09 2016-09-09 一种基于监控视频的车速识别方法及其系统

Publications (2)

Publication Number Publication Date
CN106327880A true CN106327880A (zh) 2017-01-11
CN106327880B CN106327880B (zh) 2019-01-25

Family

ID=57787709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610812919.XA Active CN106327880B (zh) 2016-09-09 2016-09-09 一种基于监控视频的车速识别方法及其系统

Country Status (1)

Country Link
CN (1) CN106327880B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364466A (zh) * 2018-02-11 2018-08-03 金陵科技学院 一种基于无人机交通视频的车流量统计方法
WO2018153211A1 (zh) * 2017-02-22 2018-08-30 中兴通讯股份有限公司 获取交通路况信息的方法及装置、计算机存储介质
CN111009135A (zh) * 2019-12-03 2020-04-14 北京百度网讯科技有限公司 车辆行驶速度的确定方法、装置以及计算机设备
CN112053572A (zh) * 2020-09-07 2020-12-08 重庆同枥信息技术有限公司 基于视频和距离网格标定的车辆测速方法、设备及系统
CN112419748A (zh) * 2019-08-20 2021-02-26 广州中广国科测控技术有限公司 利用道路标线的一种图像测速方法
CN113689713A (zh) * 2020-05-19 2021-11-23 昆山研达电脑科技有限公司 基于行车记录仪的车速监测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1963884A (zh) * 2006-12-13 2007-05-16 王海燕 视频测速仪方法及系统
CN101042802A (zh) * 2006-03-23 2007-09-26 安捷伦科技有限公司 交通信息传感器、交通信息检测方法和系统
CN101187671A (zh) * 2007-12-27 2008-05-28 北京中星微电子有限公司 一种确定汽车行驶速度的方法及装置
JP2012160165A (ja) * 2011-01-31 2012-08-23 Nec (China) Co Ltd ベースライン帯域ビデオ監視システムおよび方法
CN103116987A (zh) * 2013-01-22 2013-05-22 华中科技大学 一种基于监控视频处理的车流统计和违规检测的方法
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
CN103456172A (zh) * 2013-09-11 2013-12-18 无锡加视诚智能科技有限公司 一种基于视频的交通参数测量方法
CN103676949A (zh) * 2012-09-03 2014-03-26 现代摩比斯株式会社 车道线跟踪控制系统及其控制方法
CN104575003A (zh) * 2013-10-23 2015-04-29 北京交通大学 一种基于道路监控视频的车辆速度检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101042802A (zh) * 2006-03-23 2007-09-26 安捷伦科技有限公司 交通信息传感器、交通信息检测方法和系统
CN1963884A (zh) * 2006-12-13 2007-05-16 王海燕 视频测速仪方法及系统
CN101187671A (zh) * 2007-12-27 2008-05-28 北京中星微电子有限公司 一种确定汽车行驶速度的方法及装置
JP2012160165A (ja) * 2011-01-31 2012-08-23 Nec (China) Co Ltd ベースライン帯域ビデオ監視システムおよび方法
CN103676949A (zh) * 2012-09-03 2014-03-26 现代摩比斯株式会社 车道线跟踪控制系统及其控制方法
CN103116987A (zh) * 2013-01-22 2013-05-22 华中科技大学 一种基于监控视频处理的车流统计和违规检测的方法
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
CN103456172A (zh) * 2013-09-11 2013-12-18 无锡加视诚智能科技有限公司 一种基于视频的交通参数测量方法
CN104575003A (zh) * 2013-10-23 2015-04-29 北京交通大学 一种基于道路监控视频的车辆速度检测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018153211A1 (zh) * 2017-02-22 2018-08-30 中兴通讯股份有限公司 获取交通路况信息的方法及装置、计算机存储介质
CN108364466A (zh) * 2018-02-11 2018-08-03 金陵科技学院 一种基于无人机交通视频的车流量统计方法
CN108364466B (zh) * 2018-02-11 2021-01-26 金陵科技学院 一种基于无人机交通视频的车流量统计方法
CN112419748A (zh) * 2019-08-20 2021-02-26 广州中广国科测控技术有限公司 利用道路标线的一种图像测速方法
CN111009135A (zh) * 2019-12-03 2020-04-14 北京百度网讯科技有限公司 车辆行驶速度的确定方法、装置以及计算机设备
CN113689713A (zh) * 2020-05-19 2021-11-23 昆山研达电脑科技有限公司 基于行车记录仪的车速监测方法
CN112053572A (zh) * 2020-09-07 2020-12-08 重庆同枥信息技术有限公司 基于视频和距离网格标定的车辆测速方法、设备及系统

Also Published As

Publication number Publication date
CN106327880B (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
US11074813B2 (en) Driver behavior monitoring
US20240290201A1 (en) Driver behavior monitoring
CN106327880A (zh) 一种基于监控视频的车速识别方法及其系统
US11380105B2 (en) Identification and classification of traffic conflicts
CN106373394B (zh) 一种基于视频和雷达的车辆检测方法及系统
US11836985B2 (en) Identifying suspicious entities using autonomous vehicles
US9721169B2 (en) Image processing device for detecting vehicle in consideration of sun position
RU2629433C2 (ru) Устройство обнаружения трехмерных объектов
CN112106124A (zh) 用于使用v2x和传感器数据的系统和方法
CN113345237A (zh) 一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质
CN102005120A (zh) 基于视频图像分析的交通路口监控技术和系统
CN104616502A (zh) 基于组合式车路视频网络的车牌识别与定位系统
EP3806062A1 (en) Detection device and detection system
JP2019207654A (ja) 検知装置及び検知システム
CN116564083A (zh) 一种基于改进CrowdDet算法的高速公路交通拥堵检测的方法
CN114373297B (zh) 一种数据处理装置、方法及电子设备
CN116913081A (zh) 一种基于路侧激光雷达的车辆排队长度检测方法
Zhang et al. Machine learning and computer vision-enabled traffic sensing data analysis and quality enhancement
US11823570B2 (en) Traffic management server, and method and computer program for traffic management using the same
JP4972596B2 (ja) 交通流計測装置
US11566912B1 (en) Capturing features for determining routes
KR101448696B1 (ko) 프레임 변화량을 이용하여 연속 차량을 감지하는 방법 및 차량 인식 시스템
CN109325447A (zh) 基于视频分析的非导向行驶检测方法
Panmungmee et al. Automatic traffic estimation system using mobile probe vehicles
KR20140112170A (ko) 위치기반 교차로 차량정보 표시시스템

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant