CN106355884A - 一种基于车型分类的高速公路车辆引导系统及方法 - Google Patents
一种基于车型分类的高速公路车辆引导系统及方法 Download PDFInfo
- Publication number
- CN106355884A CN106355884A CN201611023028.2A CN201611023028A CN106355884A CN 106355884 A CN106355884 A CN 106355884A CN 201611023028 A CN201611023028 A CN 201611023028A CN 106355884 A CN106355884 A CN 106355884A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- highway
- detection zone
- module
- classification
- 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
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Abstract
本发明提出一种基于车型分类的高速公路车辆引导系统及方法,旨在充分利用现有的交通基础设施,分析高速公路的运行状态,判断不同类型的车辆对高速公路的运行状态的影响,为提高高速公路的通行能力提供数据支持和引导。其方案核心为:利用现有高速公路上装有的监控摄像头采集待检测区域的视频图像,利用该视频图像进行车辆检测、跟踪、分类,计算总车辆密度、总平均速度及不同类型车辆所占密度比,并进行拥堵判别,当发生长时间拥堵时,对车辆密度比较高的某类型车辆加以引导。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种基于车型分类的高速公路车辆引导系统及方法。
背景技术
高速公路在交通运输业中占有举足轻重的地位,在设计和建设上,高速公路采取限制出入、分向分车道、汽车专用、全封闭、全立交等较高的技术标准和完善的交通基础设施,为汽车快速、安全、经济、舒适地运行创造了条件。与普通公路相比,高速公路具有行车速度快、通行能力大、运输成本低、行车安全等突出优势,其行车速度比普通公路高出百分之五十以上,通行能力提高了二至六倍,并可降低百分之三十以上的燃油消耗,减少三分之一的汽车尾气排放,降低三分之一的交通事故率。
然而,一旦在高速公路上发生交通事故,由于高速公路出入口较少、封闭等特点,同时也易造成长时间交通拥堵,甚至瘫痪。为了提供高速公路的运输流量,同时保证高速公路的运行安全,必须对高速公路的运行状态进行监控。现有的对高速公路运行状态监控的手段主要是通过在高速公路沿线安装摄像头、测速装置等进行监控。单凭这些孤立的检测点对交通某一参数进行检测,很难判断交通的运行状态。因此有必要将这些孤立的交通参数进行融合,形成一套系统的方案,来进行高速公路的拥堵情况进行识别,并进行正确的车辆引导,从而缓解高速公路的交通压力。
发明内容
本发明所要解决的技术问题是:一种基于车型分类的高速公路车辆引导系统及方法,旨在充分利用现有的交通基础设施,同过对车辆密度和平均速度进行检测,分析高速公路的运行状态,判断不同类型的车辆对高速公路的运行状态的影响,为提高高速公路的通行能力进行车辆引导。
本发明解决上述技术问题所采用的方案是:
一种基于车型分类的高速公路车辆引导系统,包括:
采集单元,检测跟踪模块,测速模块,分类单元、处理系统、判断模块及决策模块;
所述采集单元包括高速公路上的摄像装置,其用于采集待检测区域的视频图像,并将视频图像序列传入车辆检测跟踪模块;
所述检测跟踪模块接收图像采集单元传送的图像,并对待检测区域的车辆进行检测和跟踪,将车辆的检测信息传入分类单元,将车辆的跟踪信息传入到测速模块;
所述测速模块接收检测跟踪模块传送的车辆跟踪信息,对待检测区域的车辆测量其平均速度,将测量结果传入处理系统;
所述分类单元接收检测跟踪模块传送的车辆检测信息,对待检测区域的车辆的车型进行分类,并将分类结果传入处理系统;
所述处理系统接收测速模块传送的车辆平均速度信息和分类单元传送的分类信息,对总车辆密度和总平均车速进行计算,并计算每种车辆的密度所占车辆总密度值比例,将总车辆密度和总平均车速的计算结果传入判断模块,将车辆密度占比结果传入决策模块;
所述判断模块接收处理系统模块的总车辆密度和总平均车速的计算结果,并判断该检测区域是否发生拥堵,将判断结果传入决策模块;
所述决策模块接收处理系统的不同类型的车辆密度占比结果和判断模块的判断结果,在发生车辆长时间拥堵时,某类型车辆一直处于车辆密度占比较高的状态,则认为该类车型是影响交通阻塞的重要原因,并在该类型车辆将通过该高速公路路段前往目的地时加以引导。
作为进一步优化,所述检测跟踪模块采用Adaboost方法对车辆进行检测,采用Kernelized Correlation Filters(KCF)对车辆对象进行跟踪,当车辆进入检测区域时,对车辆进行跟踪;当车辆驶出检测区域时,结束该车辆的跟踪。
作为进一步优化,所述对待检测区域的车辆测量其平均速度,具体包括:
假设车辆通过检测区域的视频张数为a,视频图像传输速率为b帧每秒,检测区域长度为l,则该车辆通过检测区域在时间为1/b×a,那么该车辆平均速度为l/(1/b×a)×3.6千米每小时。
作为进一步优化,所述分类单元对待测区域的进行分类,具体包括:
首先收集不同类型的车辆样本,每类车辆的样本数量为c个,样本大小统一采用X×Y的大小,根据样本的HOG特征训练不同车辆类型的模型,并将不同车辆的模型与检测跟踪模块传来的检测到的车辆信息进行匹配,从而对检测区域内车辆进行分类。
作为进一步优化,所述分类单元将车型分为轿车、客车、货车三类。
作为进一步优化,所述处理系统的总车辆密度由检测区域内不同类型的车辆数量得到,假如检测区域内轿车数量为k1,客车数量为k2,货车数量为k3,其他类型车辆数量为k4,k5,…kn,总车辆密度则为k=k1+k2+k3+k4+…+kn,则每种类型的车辆密度所占总车辆密度的比例为
作为进一步优化,所述判断模块判断该检测区域是否发生拥堵,具体包括:
当总车辆密度大于阈值T时,且车辆总平均速度小于阈值M,则交通发生拥堵;反之,交通顺畅。
作为进一步优化,所述决策模块在该类型车辆将通过该高速公路路段前往目的地时加以引导,其引导方法为通过网络向车载导航设备发出该路段拥堵信号和该类型车辆造成堵塞的预警,并指示和引导将通过该高速路段前往目的地的该类型车辆采用其他的交通要道前往目的地。
此外,本发明的另一目的还在于,提出一种基于车型分类的高速公路车辆引导方法,其包括以下步骤:
A、利用现有高速公路上装有的监控摄像头采集待检测区域的视频图像;
B、在视频图像序列中进行车辆检测和跟踪,并计算每辆车的平均速度;
C、对检测区域内的所有车辆进行分类;
D、对检测区域的所有车辆计算总密度值、总平均车速及每种车辆的密度所占车辆总密度值比例;
E、根据车辆的总密度值和总平均车速判断该检测区域是否发生拥堵;
F、根据对每种车辆的密度所占车辆总密度值比例,在发生车辆长时间拥堵时,某类型车辆一直处于车辆密度占比较高的状态,则认为该类车型是影响交通阻塞的重要原因,并在该类型车辆将通过该高速公路路段前往目的地时加以引导。
作为进一步优化,步骤F中,所述在该类型车辆将通过该高速公路路段前往目的地时加以引导,其引导方法为通过网络向车载导航设备发出该路段拥堵信号和该类型车辆造成堵塞的预警,并指示和引导将通过该高速路段前往目的地的该类型车辆采用其他的交通要道前往目的地。
本发明的有益效果是:
利用已有的交通设施,对高速公路的交通参数进行检测,掌握高速公路的运行状态,由于不同车型对交通流量也存在着重要影响,故本发明创新性的提出同时对不同车型的密度进行监控,挖掘是否由于某一车型在车辆总密度中占比过大,导致交通流量变小、交通拥堵等,从而对造成该车型的车辆进行引导,缓解交通压力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例1公开的一种基于车型分类的高速公路车辆引导系统结构示意图。
图2为本发明实施例1公开的一种待检测区域设置的示意图。
图3为本发明实施例2公开的一种基于车型分类的高速公路车辆引导方法的实施流程图。
具体实施方式
本发明提出一种基于车型分类的高速公路车辆引导系统及方法,旨在充分利用现有的交通基础设施,同过对车辆密度和平均速度进行检测,分析高速公路的运行状态,判断不同类型的车辆对高速公路的运行状态的影响,为提高高速公路的通行能力提供数据支持和引导。其方案核心为:利用现有高速公路上装有的监控摄像头采集待检测区域的视频图像,利用该视频图像进行车辆检测、跟踪、分类,计算相关参数并进行拥堵判别,当发生长时间拥堵时,对部分参数占比较高的某类型车辆加以引导。
本发明实施例1公开了一种基于车型分类的高速公路车辆引导系统,参见图1所示,该系统包括:
采集单元,用于采集待检测区域的视频图像,并将视频图像序列传入车辆检测跟踪模块;
检测跟踪模块,用于接收图像采集单元传送的图像,并对待检测区域的车辆进行检测和跟踪,将车辆的检测信息传入分类单元,将车辆的跟踪信息传入到测速模块;
测速模块,用于接收检测跟踪模块传送的车辆跟踪信息,对待检测区域的车辆测量其平均速度,将测量结果传入处理系统;
分类单元,用于接收检测跟踪模块传送的车辆检测信息,对待检测区域的车辆的车型进行分类,并将分类结果传入处理系统;
处理系统,用于接收测速模块传送的车辆平均速度信息和分类单元传送的分类信息,对总车辆密度和总平均车速进行计算,并计算每种车辆的密度所占车辆总密度值比例,将总车辆密度和总平均车速的计算结果传入判断模块,将车辆密度占比结果传入决策模块;
判断模块,用于接收处理系统模块的总车辆密度和总平均车速的计算结果,并判断该检测区域是否发生拥堵,将判断结果传入决策模块;
决策模块,用于接收处理系统的不同类型的车辆密度占比结果和判断模块的判断结果,在发生车辆长时间拥堵时,某类型车辆一直处于车辆密度占比较高的状态,则认为该类车型是影响交通阻塞的重要原因,并在该类型车辆将通过该高速公路路段前往目的地时加以引导。
在具体实现上,采集单元利用现有高速公路上装有的监控摄像头采集待检测区域的视频图像,视频图像传输速率为25帧每秒,将其收到的视频图像格式统一转换成RGB的图像格式。
由于高速公路上的车道线都是具有固定尺寸大小的,所以可以根据高速公路已有的车道线,设置检测区域,方便车辆检测。这里的待检测区域的设置方法如图2所示,检测区域横跨过两个车道,每个车道宽度为3.5米,则检测区域的宽为7米;检测区域纵跨“六九线”的一根白线和两个间隙,故检测区域的长为24米。
检测跟踪模块在视频图像序列中采用经典的Adaboost方法对检测区域的车辆进行检测,采用Kernelized Correlation Filters(KCF)对车辆进行跟踪,当车辆进入检测区域时,对车辆进行跟踪;当车辆驶出检测区域时,结束该车辆的跟踪。
需要说明的是,本实施例的车辆检测方法并不限于经典的Adaboost方法,车辆跟踪方法并不限于经典的KCF方法,例如还可以采用Auto-Correlation Funcion(ACF)算法对车辆进行检测,采用光流法对车辆进行跟踪。
测速模块的测速方法为:由于在本实施例中视频图像传输速率为25帧每秒,检测区域的长为24米,车辆通过检测区域的视频张数为a,则该车辆通过检测区域在时间为0.04s×a,那么该车辆的平均速度为24/(0.04s×a)×3.6千米每小时。
需要说明的是,本实施例的测速方法不限于上述方法,例如还可以通过世界坐标与摄像机坐标的转换,获得车辆在进入检测区域时和驶出检测区域时的两帧图像间行驶距离,从而计算出当前车辆的平均行驶速度。
分类单元首先收集轿车、客车、货车三种类型的车辆样本,每类车辆的样本数量c为10万个,样本大小采用统一大小128×64,即取M=128,N=64,根据样本的HOG特征训练不同车辆类型的模型,并将不同车辆的模型与检测跟踪模块传来的检测到的车辆信息进行匹配,从而对检测区域内车辆进行分类。
处理系统的总车辆密度由检测区域内不同类型的车辆数量得到,假如检测区域内轿车数量为k1,客车数量为k2,货车数量为k3,总的车辆密度则为k=k1+k2+k3,则每种类型的车辆密度所占总车辆密度的比例为处理系统的总平均速度为该检测区域所有车辆的平均速度的均值。
需要说明的是,本实施例的车辆类型并不限于以上三种,可以采用不同的分类方式将车辆类型进行更大程度上的细分。同时,模型训练的方法也不限于HOG特征,例如还可以采用SHIFT特征。
判断模块对该检测区域是否发生拥堵的判断方法为:当总车辆密度k大于阈值8时,且车辆总平均速度v小于某一阈值20,则交通发生拥堵;反之,交通顺畅。
需要说明的是,本实施例中判断模块对阈值选取与检测区域的尺寸相关,因为在该实施例中检测区域长24米,宽7米,所以对阈值进行上述设置。但是随着检测区域尺寸的扩大或者缩小,阈值的大小也将相应发生变化。
决策模块在该类型车辆将通过该高速公路路段前往目的地时加以引导,其引导方法为通过网络向车载导航设备发出该路段拥堵信号和该类型车辆造成堵塞的预警,并指示和引导将通过该高速路段前往目的地的该类型车辆采用其他的交通要道前往目的地。
基于上述系统,如图3所示,本发明实施例2公开了一种基于车型分类的高速公路车辆引导方法,包括以下实现步骤:
1)利用现有高速公路上装有的监控摄像头采集待检测区域的视频图像;
2)在视频图像序列中进行车辆检测和跟踪,并计算每辆车的平均速度;
3)对检测区域内的所有车辆进行分类;
4)对检测区域的所有车辆计算总密度值、总平均车速及每种车辆的密度所占车辆总密度值比例;
5)根据车辆的总密度值和总平均车速判断该检测区域是否发生拥堵;
6)根据对每种车辆的密度所占车辆总密度值比例,在发生车辆长时间拥堵时,某类型车辆一直处于车辆密度占比较高的状态,则认为该类车型是影响交通阻塞的重要原因,并在该类型车辆将通过该高速公路路段前往目的地时加以引导。
在具体实现上,步骤6)中,所述在该类型车辆将通过该高速公路路段前往目的地时加以引导,其引导方法为通过网络向车载导航设备发出该路段拥堵信号和该类型车辆造成堵塞的预警,并指示和引导将通过该高速路段前往目的地的该类型车辆采用其他的交通要道前往目的地。
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)
1.一种基于车型分类的高速公路车辆引导系统,其特征在于,包括:
采集单元,检测跟踪模块,测速模块,分类单元、处理系统、判断模块及决策模块;
所述采集单元包括高速公路上的摄像装置,其用于采集待检测区域的视频图像,并将视频图像序列传入车辆检测跟踪模块;
所述检测跟踪模块接收图像采集单元传送的图像,并对待检测区域的车辆进行检测和跟踪,将车辆的检测信息传入分类单元,将车辆的跟踪信息传入到测速模块;
所述测速模块接收检测跟踪模块传送的车辆跟踪信息,对待检测区域的车辆测量其平均速度,将测量结果传入处理系统;
所述分类单元接收检测跟踪模块传送的车辆检测信息,对待检测区域的车辆的车型进行分类,并将分类结果传入处理系统;
所述处理系统接收测速模块传送的车辆平均速度信息和分类单元传送的分类信息,对总车辆密度和总平均车速进行计算,并计算每种车辆的密度所占车辆总密度值比例,将总车辆密度和总平均车速的计算结果传入判断模块,将车辆密度占比结果传入决策模块;
所述判断模块接收处理系统模块的总车辆密度和总平均车速的计算结果,并判断该检测区域是否发生拥堵,将判断结果传入决策模块;
所述决策模块接收处理系统的不同类型的车辆密度占比结果和判断模块的判断结果,在发生车辆长时间拥堵时,某类型车辆一直处于车辆密度占比较高的状态,则认为该类车型是影响交通阻塞的重要原因,并在该类型车辆将通过该高速公路路段前往目的地时加以引导。
2.如权利要求1所述的一种基于车型分类的高速公路车辆引导系统,其特征在于,所述检测跟踪模块采用Adaboost方法对车辆进行检测,采用Kernelized Correlation Filters(KCF)对车辆对象进行跟踪,当车辆进入检测区域时,对车辆进行跟踪;当车辆驶出检测区域时,结束该车辆的跟踪。
3.如权利要求2所述的一种基于车型分类的高速公路车辆引导系统,其特征在于,所述对待检测区域的车辆测量其平均速度,具体包括:
假设车辆通过检测区域的视频张数为a,视频图像传输速率为b帧每秒,检测区域长度为l,则该车辆通过检测区域在时间为1/b×a,那么该车辆平均速度为l/(1/b×a)×3.6千米每小时。
4.如权利要求3所述的一种基于车型分类的高速公路车辆引导系统,其特征在于,所述分类单元对待测区域的车辆类型进行分类,具体包括:
首先收集不同类型的车辆样本,每类车辆的样本数量为c个,样本大小统一采用X×Y的大小,根据样本的HOG特征训练不同车辆类型的模型,并将不同车辆的模型与检测跟踪模块传来的检测到的车辆信息进行匹配,从而对检测区域内车辆进行分类。
5.如权利要求4所述的一种基于车型分类的高速公路车辆引导系统,其特征在于,所述分类单元将车型分为轿车、客车、货车三类。
6.如权利要求5所述的一种基于车型分类的高速公路车辆引导系统,其特征在于,所述处理系统的总车辆密度由检测区域内不同类型的车辆数量得到,假如检测区域内轿车数量为k1,客车数量为k2,货车数量为k3,其他类型车辆数量为k4,k5,…kn,总的车辆密度则为k=k1+k2+k3+k4+…+kn,则每种类型的车辆密度所占总车辆密度的比例为(i=1,2,3,4,…,n)。
7.如权利要求6所述的一种基于车型分类的高速公路车辆引导系统,其特征在于,所述判断模块判断该检测区域是否发生拥堵,具体包括:
当总车辆密度大于阈值T时,且车辆总平均速度小于阈值M,则交通发生拥堵;反之,交通顺畅。
8.如权利要求7所述的一种基于车型分类的高速公路车辆引导系统,其特征在于,所述决策模块在该类型车辆将通过该高速公路路段前往目的地时加以引导,其引导方法为通过网络向车载导航设备发出该路段拥堵信号和该类型车辆造成堵塞的预警,并指示和引导将通过该高速路段前往目的地的该类型车辆采用其他的交通要道前往目的地。
9.一种基于车型分类的高速公路车辆引导方法,其特征在于,包括以下步骤:
A、利用现有高速公路上装有的监控摄像头采集待检测区域的视频图像;
B、在视频图像序列中进行车辆检测和跟踪,并计算每辆车的平均速度;
C、对检测区域内的所有车辆进行分类;
D、对检测区域的所有车辆计算总密度值、总平均车速及每种车辆的密度所占车辆总密度值比例;
E、根据车辆的总密度值和总平均车速判断该检测区域是否发生拥堵;
F、根据对每种车辆的密度所占车辆总密度值比例,在发生车辆长时间拥堵时,如果某类型车辆一直处于车辆密度占比较高的状态,则认为该类车型是影响交通阻塞的重要原因,并在该类型车辆将通过该高速公路路段前往目的地时加以引导。
10.如权利要求9所述的一种基于车型分类的高速公路车辆引导方法,步骤F中,所述在该类型车辆将通过该高速公路路段前往目的地时加以引导,其引导方法为通过网络向车载导航设备发出该路段拥堵信号和该类型车辆造成堵塞的预警,并指示和引导将通过该高速路段前往目的地的该类型车辆采用其他的交通要道前往目的地。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611023028.2A CN106355884B (zh) | 2016-11-18 | 2016-11-18 | 一种基于车型分类的高速公路车辆引导系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611023028.2A CN106355884B (zh) | 2016-11-18 | 2016-11-18 | 一种基于车型分类的高速公路车辆引导系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106355884A true CN106355884A (zh) | 2017-01-25 |
CN106355884B CN106355884B (zh) | 2019-02-12 |
Family
ID=57861802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611023028.2A Active CN106355884B (zh) | 2016-11-18 | 2016-11-18 | 一种基于车型分类的高速公路车辆引导系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106355884B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109841060A (zh) * | 2019-01-23 | 2019-06-04 | 桂林电子科技大学 | 一种基于线性回归的道路拥堵判断装置及判断方法 |
CN109948582A (zh) * | 2019-03-28 | 2019-06-28 | 湖南大学 | 一种基于跟踪轨迹分析的车辆逆行智能检测方法 |
CN110610118A (zh) * | 2018-06-15 | 2019-12-24 | 杭州海康威视数字技术股份有限公司 | 交通参数采集方法及装置 |
CN110896460A (zh) * | 2019-10-23 | 2020-03-20 | 石秋华 | 基于数据映射的区间监控系统及方法 |
CN112907981A (zh) * | 2021-03-25 | 2021-06-04 | 东南大学 | 一种用于分流路口交通拥堵车辆的分流装置及其控制方法 |
CN112991769A (zh) * | 2021-02-03 | 2021-06-18 | 中科视语(北京)科技有限公司 | 基于视频的交通量调查方法和装置 |
WO2021142944A1 (zh) * | 2020-01-13 | 2021-07-22 | 南京新一代人工智能研究院有限公司 | 车辆行为识别方法、装置 |
CN113870564A (zh) * | 2021-10-26 | 2021-12-31 | 安徽百诚慧通科技有限公司 | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000163611A (ja) * | 1998-11-26 | 2000-06-16 | Toshiba Corp | 料金収受システム及び料金収受方法 |
JP2001076284A (ja) * | 1999-09-03 | 2001-03-23 | Toshiba Corp | 交通流解析システム |
WO2007066983A1 (en) * | 2005-12-08 | 2007-06-14 | Electronics And Telecommunications Research Institute | Apparatus and method for providing traffic jam information, and apparatus for receiving traffic jam information for automobile |
CN101110161A (zh) * | 2007-08-31 | 2008-01-23 | 北京科技大学 | 一种车型自动识别和车流量自动检测系统及其方法 |
CN102855758A (zh) * | 2012-08-27 | 2013-01-02 | 无锡北邮感知技术产业研究院有限公司 | 一种违章车辆检测方法 |
CN104036288A (zh) * | 2014-05-30 | 2014-09-10 | 宁波海视智能系统有限公司 | 一种基于视频的车型分类方法 |
CN106097725A (zh) * | 2016-08-18 | 2016-11-09 | 马平 | 一种基于动态特征提取的车辆分类流量检测方法 |
-
2016
- 2016-11-18 CN CN201611023028.2A patent/CN106355884B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000163611A (ja) * | 1998-11-26 | 2000-06-16 | Toshiba Corp | 料金収受システム及び料金収受方法 |
JP2001076284A (ja) * | 1999-09-03 | 2001-03-23 | Toshiba Corp | 交通流解析システム |
WO2007066983A1 (en) * | 2005-12-08 | 2007-06-14 | Electronics And Telecommunications Research Institute | Apparatus and method for providing traffic jam information, and apparatus for receiving traffic jam information for automobile |
CN101110161A (zh) * | 2007-08-31 | 2008-01-23 | 北京科技大学 | 一种车型自动识别和车流量自动检测系统及其方法 |
CN102855758A (zh) * | 2012-08-27 | 2013-01-02 | 无锡北邮感知技术产业研究院有限公司 | 一种违章车辆检测方法 |
CN104036288A (zh) * | 2014-05-30 | 2014-09-10 | 宁波海视智能系统有限公司 | 一种基于视频的车型分类方法 |
CN106097725A (zh) * | 2016-08-18 | 2016-11-09 | 马平 | 一种基于动态特征提取的车辆分类流量检测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610118A (zh) * | 2018-06-15 | 2019-12-24 | 杭州海康威视数字技术股份有限公司 | 交通参数采集方法及装置 |
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 |
CN109841060A (zh) * | 2019-01-23 | 2019-06-04 | 桂林电子科技大学 | 一种基于线性回归的道路拥堵判断装置及判断方法 |
CN109948582A (zh) * | 2019-03-28 | 2019-06-28 | 湖南大学 | 一种基于跟踪轨迹分析的车辆逆行智能检测方法 |
CN110896460A (zh) * | 2019-10-23 | 2020-03-20 | 石秋华 | 基于数据映射的区间监控系统及方法 |
WO2021142944A1 (zh) * | 2020-01-13 | 2021-07-22 | 南京新一代人工智能研究院有限公司 | 车辆行为识别方法、装置 |
CN112991769A (zh) * | 2021-02-03 | 2021-06-18 | 中科视语(北京)科技有限公司 | 基于视频的交通量调查方法和装置 |
CN112907981A (zh) * | 2021-03-25 | 2021-06-04 | 东南大学 | 一种用于分流路口交通拥堵车辆的分流装置及其控制方法 |
CN112907981B (zh) * | 2021-03-25 | 2022-03-29 | 东南大学 | 一种用于分流路口交通拥堵车辆的分流装置及其控制方法 |
CN113870564A (zh) * | 2021-10-26 | 2021-12-31 | 安徽百诚慧通科技有限公司 | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 |
CN113870564B (zh) * | 2021-10-26 | 2022-09-06 | 安徽百诚慧通科技股份有限公司 | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106355884B (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355884B (zh) | 一种基于车型分类的高速公路车辆引导系统及方法 | |
CN110176139A (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
JP5338392B2 (ja) | 運転支援装置および運転支援方法 | |
CN101739824A (zh) | 基于数据融合技术的交通状况估计方法 | |
CN106448180A (zh) | 一种长大隧道交通事件实时检测系统及其方法 | |
CN104574979B (zh) | 机动车行经人行横道不依法让行行为的拍照系统及方法 | |
CN106327880A (zh) | 一种基于监控视频的车速识别方法及其系统 | |
KR101342613B1 (ko) | 안전거리 단속시스템 | |
JP4580995B2 (ja) | 道路交通管制システム | |
Ansariyar et al. | Investigating the accuracy rate of vehicle-vehicle conflicts by LIDAR technology and microsimulation in VISSIM and AIMSUN. | |
KR101945179B1 (ko) | 위험 교통류 정보 제공 시스템 및 그 방법 | |
CN106600987A (zh) | 一种具有多维检测功能的路口交通信号控制方法及系统 | |
Zaheri et al. | An algorithm for identifying red light runners from radar trajectory data | |
Kawakatsu et al. | Fully-neural approach to heavy vehicle detection on bridges using a single strain sensor | |
CN116311913B (zh) | 一种基于ai视频智能分析的高速路段拥堵分析方法及系统 | |
Miqdady et al. | In search of severity dimensions of traffic conflicts for different simulated mixed fleets involving connected and autonomous vehicles | |
CN109448398A (zh) | 阵列激光车流量检测系统 | |
KR101815941B1 (ko) | 불안정 교통류 정보 제공 방법 | |
KR102377748B1 (ko) | 교통 정보를 도출하는 장치, 방법 및 컴퓨터 프로그램 | |
JP4128962B2 (ja) | 道路交通管制システム | |
Balasubramani et al. | A Predictive Decision Model for an Efficient Detection of Abnormal Driver Behavior in Intelligent Transport System | |
Li et al. | The role of traffic conflicts in roundabout safety evaluation: A review | |
CN113570853B (zh) | 一种城市快速路出口违法驶入车辆的检测系统和方法 | |
Patil et al. | Infrastructure Camera Video Data Processing of Traffic at Roundabouts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |