CN106355903A - 基于视频分析的多车道车流量检测方法 - Google Patents
基于视频分析的多车道车流量检测方法 Download PDFInfo
- Publication number
- CN106355903A CN106355903A CN201610820251.3A CN201610820251A CN106355903A CN 106355903 A CN106355903 A CN 106355903A CN 201610820251 A CN201610820251 A CN 201610820251A CN 106355903 A CN106355903 A CN 106355903A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detection line
- virtual detection
- car
- track
- 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
- G08G1/065—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)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于视频分析的多车道车流量检测方法,属于智能交通系统交通参数采集领域。本发明采用的技术方案为:基于视频分析的多车道车流量检测方法,包括以下步骤,视频背景模型建立:在视频背景中设置位于车道上的横向主虚拟检测线、副虚拟检测线和车道边缘处的纵向虚拟检测线,主虚拟检测线和副虚拟检测线互相平行距离固定;视频预处理:利用高斯混合背景模型建立背景图像模型,车辆目标检测:当运动车辆进入主虚拟检测线时依据前后帧背景图像模型确定是否给予车辆计数,即主虚拟检测线上本帧图像数据和下一帧图像数据有无车辆目标关系变化;依据车辆目标检测结果统计车辆计数。
Description
技术领域
本发明涉及一种基于视频分析的多车道车流量检测方法,属于智能交通系统交通参数采集领域。
背景技术
随着汽车保有量大幅增加,高质量地利用现有有限的交通资源,以提高城市交通监控指挥的自动化水平就显得非常重要。为解决这一问题,对智能交通系统(ITS)的研究被提到了更加重要的位置。其中车流量检测是智能交通系统需要考虑的重要技术与信息之一。它为智能控制提供重要的数据来源,作为ITS 的基础部分,车流量检测系统在ITS 中占有很重要的地位。它为后续进行车速测定、车道占有率、交通诱导、交通违章处理等交通决策提供重要依据。
车流量检测方法除了基于视频分析方法外,主要还有线圈检测法、电磁检测法、微波检测法、雷达检测法、红外检测法、超声波检测法等。但这些方法有很明显的缺陷。(1)不便于安装和维护;(2)所获取的信号不直观,需要经过比较复杂的处理,才能获取有用的交通参量,不便于实时控制;(3)能够检测的交通参量有限,仅限于汽车流量及速度的检测,不能适应以后的更新换代需要。基于视频分析的车流量检测方法具有明显的优势。(1)安装方便和维护成本低;(2)获得信息量丰富,可以融合车辆监控、识别、测速、查违章等其他功能与一体;(3)可以进行多车道同时检测。
发明人实现本发明主要源于现有技术存在以下缺点或不足:
现有技术主要是针对高速公路、快速路、天气环境和道路环境良好、整洁的车辆辆检测,在天气、车道环境变化快速、突变等情况下不能较快适应场景变化和维持较高检测准确率;现有技术不能在车辆密集的路口,车辆压线、变道行驶等情况时准确检测流量。
发明内容
基于视频分析的车流量检测系统的准确性关键来源于两个方面:一是前期准确地提取车辆目标,二是后期对车辆目标进行准确的判定计数。前期目标的实现容易受环境变化、行人、车速等影响,后期目标在车流量密集区、车辆压线、变道等异常行车状况时容易误判计数。针对这一系列问题,为了提高车流量检测准确率,本发明提供了一种基于视频分析的多车道车流量检测方法。
为实现上述目的,本发明采用的技术方案为:
基于视频分析的多车道车流量检测方法,包括以下步骤,
视频背景模型建立:在视频背景中设置位于车道上的横向主虚拟检测线、副虚拟检测线和车道边缘处的纵向虚拟检测线,主虚拟检测线和副虚拟检测线互相平行距离固定;
视频预处理:利用高斯混合背景模型建立背景图像模型,其中计算连续两帧图像道路区域的差值引入全局变化因子参数P,
车辆目标检测:当运动车辆进入主虚拟检测线时依据前后帧背景图像模型确定是否给予车辆计数,即主虚拟检测线上本帧图像数据和下一帧图像数据有无车辆目标关系变化,其中副虚拟检测线修正因超长车辆和车辆距离过近引起的计数错误,纵向虚拟检测线修正多车并行与单车辆压线行驶或变道行驶带来的计数错误;
依据车辆目标检测结果统计车辆计数。
进一步的,主虚拟检测线上本帧图像数据无车辆目标出现和下一帧图像数据有车辆目标出现时,直接进行车辆计数,否则不计数;主虚拟检测线上本帧图像数据和下一帧图像数据都出现了车辆时,判断两车是否为同一车辆确定是否计数。
在进一步的,车辆目标检测计数标准:
(1)如果本帧图像数据中主虚拟检测线没有检测到车辆目标,下一帧图像数据主虚拟检测线也没有检测到车辆目标,车辆计数不变;
(2)如果本帧主虚拟检测线没有检测到车辆目标,下一帧主虚拟检测线检测到车辆目标,车辆计数加1;
(3)如果本帧主虚拟检测线检测到车辆目标,下一帧主虚拟检测线没有检测到车辆目标,车辆计数不变;
(4)如果本帧主虚拟检测线检测到车辆目标,下一帧主虚拟检测线也检测到车辆目标,判断该两车是否为同一车辆目标还是相邻车道的车辆目标,是同一车辆计数不变,不为同一车辆则计数加1。
再进一步的,上述步骤(4)判断两者是否为同一车辆的过程:
a.判断检测车道是否还有右临车道,如果有右临车道转步骤b,如果没有右临车道转步骤e。
b.利用右临车道主虚拟检测线判断右临车道是否有车,如果有车转步骤c,如果没有车转步骤e;
c.使用纵向虚拟检测线排除重复计数,利用检测车道纵向虚拟检测线检测纵向车道线上是否有车,有车转步骤d,如果没有车转步骤e。
d.判断检测车道和右临车道车辆目标区域连通性,如果连通,判定为两车道为同一辆车,由于在右临车道也会将该车计数,为避免同一辆车重复计数在检测车道计数减1,转步骤e,如果不连通,代表两车道确实有两辆车在并行,只是其中一辆车没有完全在车道内行驶,行驶过程压线了,此种情况无需改变两车道的计数,直接转步骤e;
e.使用副虚拟检测线检测车辆目标,如果检测到车,转步骤f,如果没有检测到车,不作计数;
f.通过对主副两虚拟检测线上检测到的车辆目标做颜色一致性、文理一致性分析,判定是否同一辆车,如果是同一辆车,车辆计数不变,如果判定不是同一辆车,车辆计数加1。
进一步的,所述主虚拟检测线和副虚拟检测线间的距离为D,D不能低于一般车辆的长度。
再进一步的,所述D为常见车辆类型长度的1.5-2倍。
再进一步的,所述主虚拟检测线和副虚拟检测线长为车道宽度的0.8-0.9倍,且置于车道中间,纵向虚拟检测线设置在车道右侧线上,使其被主虚拟检测线穿过中点位置,纵向虚拟检测线高度H设为普通轿车在图像上显示的长度。
进一步的,所述高斯混合背景模型建立背景图像模型是利用背景差生成二值化运动目标图像,对该目标图像通过滤波算法、形态学开闭运算去除空洞和离散噪声,利用HSV颜色空间去除运动目标阴影区,根据车辆比单个行人、路面树叶移动物大许多滤除图像出过小的目标区域,生成最终的二值化车辆目标图像,高斯混合模型背景更新的均值学习率和方差学习率可分别采用如下公式:
其中,ρ为均值或方差的学习率;α为改进前的原始学习率,取0~1; 、 为可调参数,经实验可分别取1、0.5;ω为高斯模型权重。
本发明的优点在于,在视频图像中建立主副虚拟检测线和纵向虚拟检测线,通过多条虚拟检测线组合提高车辆计数的准确性;在图像模型建立中,引入全局变化因子参数来更新学习率,以更好地适应车灯光线、路灯光线、树枝树叶等杂物、雨雪天气等情况带来的道路环境变化。
附图说明
图1为基于视频分析的多车道车流量检测系统的总体流程图;
图2为本发明方法的虚拟检测线设置图;
图3为在非交通拥挤且驾驶员严格遵守交通规则情况下的中小型车辆通过检测线时的运行情况图;
图4为相邻两车道都会被检测到车目标时车辆的运行情况图;
图5为大型车辆或两车前后紧贴通过检测线是的运行情况图;
图6为车辆目标分析与计数流程图。
具体实施方式
为了更清晰地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地说明,很显然,下面描述中的附图仅仅是本发明的一些具体实施例,对于本领域技术人员来讲,根据本发明精神,还可以根据这些附图获得其他的附图。
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。
基于视频分析的多车道车流量检测方法,流程图如图1,其中,包括以下步骤:
步骤一,输入视频图像建立视频背景模型,通过求取多帧图像平均值建立初始背景模型b(x,y)。在道路上设置横向一主一副两个虚拟检测线L1、L2和纵向检测线L3,如图2,为了简化各车道横向实际检测线的设置,各车道的实际车辆检测线都设置在两条虚拟检测线上,分别为L11、L12、L21、L22、......。除最右侧车道外,每个车道的右侧车道线上设置该车道的纵向检测线,分别为L31、L32、......。
步骤一中的一主一副两个虚拟检测线的距离D可根据不同适应路段调整,L2上辅助检测线设置的目的是辨别大型车辆(如公交车)和车辆距离过近造成合并计数的两种情况。距离D不能低于一般车辆的长度,否则L2上的辅助检测线会过多地用于不必要的辅助检测;也不要设置过长,一般不要超过道路拥堵情况下两辆家用轿车尾随紧贴行驶时占用道路的总长度。可根据最经常通过的车辆类型,设置为该类型车辆在图像中显示长度的倍数,比如1.5-2倍。
步骤一中各车道横向检测线L11、L12、L21、L22、......以及纵向虚拟检测线L31、L32、......的宽度根据视频大小和分辨率来确定,但不宜过宽,取3-5个像素即可。横向检测线的长度(L11、L21、......)取比对应车道宽度略小一些,可以初步避免车辆压车道线行驶时在左右双车道同时检测到造成重复计数。横向检测线一般可取检测线长度为车道宽度的0.8-0.9倍,且置车道中间。纵向虚拟检测线设置在右车道线上,纵向位置可调,一般使其被横向主虚拟检测线穿过中点的位置,其高度H一般可设为普通轿车在图像上显示的长度。
步骤二,采集图像f(x,y),建立混合高斯模型(GMM),利用背景差生成二值化运动目标图像,对该目标图像做预处理。通过滤波算法、形态学开闭运算去除空洞和离散噪声;利用HSV颜色空间去除运动目标阴影区;根据车辆比单个行人、路面树叶等移动物大许多的常识,滤除图像出过小的目标区域。生成最终的二值化车辆目标图像d(x,y)。
背景模型b(x,y)更新。背景模型的更新效率至关重要,直接决定了后续运动目标提取的准确性。为了更好地适应环境变化,本发明通过计算连续两帧图像道路区域的差值引入全局变化因子参数P,其表达整个道路光线、路面变化的强度,将P加入到背景模型更新的学习率中,以更好地适应车灯光线、路灯光线、树枝树叶等杂物、雨雪天气等情况带来的道路环境变化,建立准确的背景模型。其P可采用如下公式计算:
改进后的高斯混合模型背景更新的均值学习率和方差学习率可分别采用如下公式:
其中,ρ为均值或方差的学习率;α为改进前的原始学习率,取0~1;、为可调参数,经实验可分别取1、0.5;ω为高斯模型权重。
步骤三,车辆目标分析,根据每个车道分别进行车辆目标分析。利用横向主检测线(L11)上的检测结果判断该车道是否有车目标。其中,两个横向检测线和纵向虚拟检测线对有无车的判断可以通过计算车目标区域占总检测线区域的比例判定。如图3所示为非交通拥挤且驾驶员严格遵守交通规则情况下的中小型车辆通过检测线时的运行情况图,此种一般车辆行驶情况可利用横向主检测线(L11)上本帧数据和下一帧数据的有无车目标关系,直接进行车辆计数。但是,当本帧数据和下一帧数据该车道上都出现了车辆时,先不做计数处理,做进一步判别,防止出现图4和图5情况下错误计数。整个分析过程,拿其中第一号车道为例,其步骤为:
(1)如果本帧横向主检测线(L11)没有检测到车目标,下一帧横向主检测线(L11)也没有检测到车目标,车辆计数不变,转下述的步骤(5)。
(2)如果本帧横向主检测线(L11)没有检测到车目标,下一帧横向主检测线(L11)检测到车目标,车辆计数加1,转下述的步骤(5)。
(3)如果本帧横向主检测线(L11)检测到车目标,下一帧横向主检测线(L11)没有检测到车目标,车辆计数不变,转下述的步骤(5)。
(4)如果本帧横向主检测线(L11)检测到车目标,下一帧横向主检测线(L11)也检测到车目标,为了提高识别计数的准确性,做进一步分析判定,具体判定步骤如下。
a.判断本车道是否还有右临车道,如果有车转步骤b,如果没有车转步骤e。
b.利用右临车道主检测线(L21)判断右临车道是否有车,如果有车转步骤c,如果没有车转步骤e。
c.使用纵向虚拟检测线(L31)排除重复计数。利用本车道纵向虚拟检测线(L13)检测纵向车道线上是否有车,如果有车可能出现图4中的两种情况,一种情况是两辆车并行,其中一辆压线行驶,另一种情况是两车道上行驶着同一辆车,正在压线或变道行驶。转步骤d,如果没有车转步骤e。
d.判断本车道和右临车道车目标区域连通性,如果连通,判定为两车道为同一辆车。因为在右临车道也会将该车计数,所以为避免同一辆车重复计数在本车道计数减1,转步骤e。如果不联通,代表两车道确实有两辆车在并行,只是其中一辆车没有完全在车道内行驶,行驶过程压线了。此种情况无需改变两车道的计数,直接转步骤e。
e.使用横向副检测线(L21)排除车距过小使目标粘连造成的车辆少计数。利用横向副检测线检测车目标,如果检测到车,转步骤分f,如果没有检测到车,转步骤(5)。
f.是否同一辆车判定。通过对横向两虚拟检测线(L11、L21)上检测到的车目标做颜色一致性、文理一致性等分析,判定是否同一辆车。如果是同一辆车,车辆计数不变,转步骤(5),如果判定不是同一辆车,车辆计数加1,转步骤(5)。
对步骤f的进一步说明,横向两虚拟检测线(L11、L21)的距离D设置不要过大,一般不要超过在拥堵路段上,两辆轿车尾随紧贴行驶时两车占据前后道路在视频上显示的总长度。如果D设置过大,需要在步骤f开始时添加首先判定主副检测线(L11、L21)上的目标连通性,以此来初步判定是否为同一辆车。如果区域连通,再做进一步的颜色或文理一致性分析。如果区域不连通,转步骤(5)。
(5)统计车辆计数。
以上所述仅为本发明的较佳实施例,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。该实例并不用与限制本发明,凡在本发明的精神和原则之内,所做的任何修改,改进,等同替换等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于视频分析的多车道车流量检测方法,其特征是,包括以下步骤,
视频背景模型建立:在视频背景中设置位于车道上的横向主虚拟检测线、副虚拟检测线和车道边缘处的纵向虚拟检测线,主虚拟检测线和副虚拟检测线互相平行距离固定;
视频预处理:利用高斯混合背景模型建立背景图像模型,首先初始化背景图形模型,根据背景图形差求运动目标,将背景图形中的运动目标做预处理,背景图形自适应更新,其中背景图形差求运动目标引入全局变化因子参数P,
车辆目标分析:当运动车辆进入主虚拟检测线时依据前后帧背景图像模型确定是否给予车辆计数,即主虚拟检测线上本帧图像数据和下一帧图像数据有无车辆目标关系变化,其中副虚拟检测线修正因超长车辆和车辆距离过近引起的计数错误,纵向虚拟检测线修正多车并行与单车辆压线行驶或变道行驶带来的计数错误;
依据车辆目标检测结果统计车辆计数。
2.根据权利要求1所述的基于视频分析的多车道车流量检测方法,其特征是,主虚拟检测线上本帧图像数据无车辆目标出现和下一帧图像数据有车辆目标出现时,直接进行车辆计数,否则不计数;主虚拟检测线上本帧图像数据和下一帧图像数据都出现了车辆时,判断两车是否为同一车辆确定是否计数。
3.根据权利要求2所述的基于视频分析的多车道车流量检测方法,其特征是,车辆目标检测计数标准:
(1)如果本帧图像数据中主虚拟检测线没有检测到车辆目标,下一帧图像数据主虚拟检测线也没有检测到车辆目标,车辆计数不变;
(2)如果本帧主虚拟检测线没有检测到车辆目标,下一帧主虚拟检测线检测到车辆目标,车辆计数加1;
(3)如果本帧主虚拟检测线检测到车辆目标,下一帧主虚拟检测线没有检测到车辆目标,车辆计数不变;
(4)如果本帧主虚拟检测线检测到车辆目标,下一帧主虚拟检测线也检测到车辆目标,判断该两车是否为同一车辆目标还是相邻车道的车辆目标,是同一车辆计数不变,不为同一车辆则计数加1。
4.根据权利要求3所述的基于视频分析的多车道车流量检测方法,其特征是,上述步骤(4)判断两者是否为同一车辆的过程:
a.判断检测车道是否还有右临车道,如果有右临车道转步骤b,如果没有右临车道转步骤e;
b利用右临车道主虚拟检测线判断右临车道是否有车,如果有车转步骤c,如果没有车转步骤e;
c.使用纵向虚拟检测线排除重复计数,利用检测车道上的纵向虚拟检测线检测纵向车道线上是否有车,有车转步骤d,如果没有车转步骤e;
d.判断检测车道和右临车道车辆目标区域连通性,如果连通,判定为两车道为同一辆车,由于在右临车道也会将该车计数,为避免同一辆车重复计数在检测车道计数减1,转步骤e,如果不连通,代表两车道确实有两辆车在并行,只是其中一辆车没有完全在车道内行驶,行驶过程压线了,此种情况无需改变两车道的计数,直接转步骤e;
e.使用副虚拟检测线检测车辆目标,如果检测到车,转步骤f,如果没有检测到车,不作计数;
f.通过对主副两虚拟检测线上检测到的车辆目标做颜色一致性、文理一致性分析,判定是否同一辆车,如果是同一辆车,车辆计数不变,如果判定不是同一辆车,车辆计数加1。
5.根据权利要求1所述的基于视频分析的多车道车流量检测方法,其特征是,所述主虚拟检测线和副虚拟检测线间的距离为D,D不能低于一般车辆的长度。
6.根据权利要求5所述的基于视频分析的多车道车流量检测方法,其特征是,所述D为常见车辆类型长度的1.5-2倍。
7.根据权利要求6所述的基于视频分析的多车道车流量检测方法,其特征是,所述主虚拟检测线和副虚拟检测线长为车道宽度的0.8-0.9倍,且置于车道中间,纵向虚拟检测线设置在车道右侧线上,使其被主虚拟检测线穿过中点位置,纵向虚拟检测线高度H设为普通轿车在图像上显示的长度。
8.根据权利要求1所述的基于视频分析的多车道车流量检测方法,其特征是,所述高斯混合背景模型建立背景图像模型是利用背景差生成二值化运动目标图像,对该目标图像通过滤波算法、形态学开闭运算去除空洞和离散噪声,利用HSV颜色空间去除运动目标阴影区,根据车辆比单个行人、路面树叶移动物大许多滤除图像出过小的目标区域,生成最终的二值化车辆目标图像,高斯混合模型背景更新的均值学习率和方差学习率可分别采用如下公式:
其中,ρ为均值或方差的学习率;α为改进前的原始学习率,取0~1;、为可调参数,经实验可分别取1、0.5;ω为高斯模型权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610820251.3A CN106355903B (zh) | 2016-09-13 | 2016-09-13 | 基于视频分析的多车道车流量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610820251.3A CN106355903B (zh) | 2016-09-13 | 2016-09-13 | 基于视频分析的多车道车流量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106355903A true CN106355903A (zh) | 2017-01-25 |
CN106355903B CN106355903B (zh) | 2019-03-15 |
Family
ID=57859796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610820251.3A Active CN106355903B (zh) | 2016-09-13 | 2016-09-13 | 基于视频分析的多车道车流量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106355903B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991812A (zh) * | 2017-05-05 | 2017-07-28 | 深圳市哈工大交通电子技术有限公司 | 基于视频方式的排阵式路口阵区车流量的检测方法及装置 |
CN107274678A (zh) * | 2017-08-14 | 2017-10-20 | 河北工业大学 | 一种基于Kinect的夜间车流量统计及车型识别方法 |
CN107665332A (zh) * | 2017-08-18 | 2018-02-06 | 三峡大学 | 一种路口占有率和车辆流量计算方法及装置 |
CN108528455A (zh) * | 2017-03-03 | 2018-09-14 | 奥迪股份公司 | 驾驶辅助系统和方法 |
CN109544907A (zh) * | 2018-10-23 | 2019-03-29 | 大唐软件技术股份有限公司 | 一种车辆计数方法、装置 |
CN109859468A (zh) * | 2019-01-30 | 2019-06-07 | 淮阴工学院 | 基于YOLOv3的多车道车流量计数及车辆跟踪方法 |
WO2019200937A1 (zh) * | 2018-04-18 | 2019-10-24 | 福州大学 | 一种有效判别车辆压线及预先提示系统 |
CN110956824A (zh) * | 2019-12-12 | 2020-04-03 | 天地伟业技术有限公司 | 一种基于视频的事件监测方法 |
CN111540217A (zh) * | 2020-04-16 | 2020-08-14 | 成都旸谷信息技术有限公司 | 基于mask矩阵的平均车速智能监测方法、系统 |
CN112069224A (zh) * | 2020-09-11 | 2020-12-11 | 重庆紫光华山智安科技有限公司 | 一种过车数量存储方法、装置、终端及计算机存储介质 |
CN112562358A (zh) * | 2020-11-27 | 2021-03-26 | 石家庄铁道大学 | 基于视频数据的交通量检测方法、装置及终端设备 |
CN113257033A (zh) * | 2021-07-01 | 2021-08-13 | 成都宜泊信息科技有限公司 | 一种停车场管理方法、系统、存储介质及电子设备 |
CN113469026A (zh) * | 2021-06-30 | 2021-10-01 | 上海智能交通有限公司 | 一种基于机器学习的路口滞留事件检测方法及系统 |
CN114143940A (zh) * | 2022-01-30 | 2022-03-04 | 深圳市奥新科技有限公司 | 隧道照明控制方法、装置、设备及存储介质 |
CN114194219A (zh) * | 2022-01-19 | 2022-03-18 | 上海智驾汽车科技有限公司 | 一种自动驾驶车辆行驶道路模型预测方法 |
CN114613143A (zh) * | 2021-05-28 | 2022-06-10 | 三峡大学 | 基于YOLOv3模型的道路车辆计数方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008299757A (ja) * | 2007-06-01 | 2008-12-11 | Toyota Motor Corp | 交通情報検出装置及び交通情報処理システム |
CN101777263A (zh) * | 2010-02-08 | 2010-07-14 | 长安大学 | 一种基于视频的交通车流量检测方法 |
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 |
CN104021679A (zh) * | 2014-05-30 | 2014-09-03 | 宁波海视智能系统有限公司 | 一种基于视频的车流量统计方法 |
CN105427626A (zh) * | 2015-12-19 | 2016-03-23 | 长安大学 | 一种基于视频分析的车流量统计方法 |
US20160155328A1 (en) * | 2013-10-09 | 2016-06-02 | Xerox Corporation | Video based method and system for automated side-by-side drive thru load balancing |
-
2016
- 2016-09-13 CN CN201610820251.3A patent/CN106355903B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008299757A (ja) * | 2007-06-01 | 2008-12-11 | Toyota Motor Corp | 交通情報検出装置及び交通情報処理システム |
CN101777263A (zh) * | 2010-02-08 | 2010-07-14 | 长安大学 | 一种基于视频的交通车流量检测方法 |
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 |
US20160155328A1 (en) * | 2013-10-09 | 2016-06-02 | Xerox Corporation | Video based method and system for automated side-by-side drive thru load balancing |
CN104021679A (zh) * | 2014-05-30 | 2014-09-03 | 宁波海视智能系统有限公司 | 一种基于视频的车流量统计方法 |
CN105427626A (zh) * | 2015-12-19 | 2016-03-23 | 长安大学 | 一种基于视频分析的车流量统计方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108528455B (zh) * | 2017-03-03 | 2021-05-04 | 奥迪股份公司 | 驾驶辅助系统和方法 |
CN108528455A (zh) * | 2017-03-03 | 2018-09-14 | 奥迪股份公司 | 驾驶辅助系统和方法 |
CN106991812A (zh) * | 2017-05-05 | 2017-07-28 | 深圳市哈工大交通电子技术有限公司 | 基于视频方式的排阵式路口阵区车流量的检测方法及装置 |
CN107274678A (zh) * | 2017-08-14 | 2017-10-20 | 河北工业大学 | 一种基于Kinect的夜间车流量统计及车型识别方法 |
CN107274678B (zh) * | 2017-08-14 | 2019-05-03 | 河北工业大学 | 一种基于Kinect的夜间车流量统计及车型识别方法 |
CN107665332A (zh) * | 2017-08-18 | 2018-02-06 | 三峡大学 | 一种路口占有率和车辆流量计算方法及装置 |
WO2019200937A1 (zh) * | 2018-04-18 | 2019-10-24 | 福州大学 | 一种有效判别车辆压线及预先提示系统 |
CN109544907A (zh) * | 2018-10-23 | 2019-03-29 | 大唐软件技术股份有限公司 | 一种车辆计数方法、装置 |
CN109859468A (zh) * | 2019-01-30 | 2019-06-07 | 淮阴工学院 | 基于YOLOv3的多车道车流量计数及车辆跟踪方法 |
CN110956824A (zh) * | 2019-12-12 | 2020-04-03 | 天地伟业技术有限公司 | 一种基于视频的事件监测方法 |
CN111540217A (zh) * | 2020-04-16 | 2020-08-14 | 成都旸谷信息技术有限公司 | 基于mask矩阵的平均车速智能监测方法、系统 |
CN112069224A (zh) * | 2020-09-11 | 2020-12-11 | 重庆紫光华山智安科技有限公司 | 一种过车数量存储方法、装置、终端及计算机存储介质 |
CN112069224B (zh) * | 2020-09-11 | 2023-11-17 | 重庆紫光华山智安科技有限公司 | 一种过车数量存储方法、装置、终端及计算机存储介质 |
CN112562358A (zh) * | 2020-11-27 | 2021-03-26 | 石家庄铁道大学 | 基于视频数据的交通量检测方法、装置及终端设备 |
CN114613143A (zh) * | 2021-05-28 | 2022-06-10 | 三峡大学 | 基于YOLOv3模型的道路车辆计数方法 |
CN114613143B (zh) * | 2021-05-28 | 2023-08-25 | 三峡大学 | 基于YOLOv3模型的道路车辆计数方法 |
CN113469026A (zh) * | 2021-06-30 | 2021-10-01 | 上海智能交通有限公司 | 一种基于机器学习的路口滞留事件检测方法及系统 |
CN113469026B (zh) * | 2021-06-30 | 2023-03-24 | 上海智能交通有限公司 | 一种基于机器学习的路口滞留事件检测方法及系统 |
CN113257033A (zh) * | 2021-07-01 | 2021-08-13 | 成都宜泊信息科技有限公司 | 一种停车场管理方法、系统、存储介质及电子设备 |
CN114194219A (zh) * | 2022-01-19 | 2022-03-18 | 上海智驾汽车科技有限公司 | 一种自动驾驶车辆行驶道路模型预测方法 |
CN114194219B (zh) * | 2022-01-19 | 2023-09-12 | 上海智驾汽车科技有限公司 | 一种自动驾驶车辆行驶道路模型预测方法 |
CN114143940A (zh) * | 2022-01-30 | 2022-03-04 | 深圳市奥新科技有限公司 | 隧道照明控制方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106355903B (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355903A (zh) | 基于视频分析的多车道车流量检测方法 | |
CN104537841B (zh) | 无牌车辆违章检测方法及其检测系统 | |
CN102521983B (zh) | 一种基于高清视频技术的车辆违章检测系统及方法 | |
CN103531031B (zh) | 一种基于城市交通干线软封闭区视频检测识别实现一路绿灯通行的控制方法 | |
CN103366571B (zh) | 智能的夜晚交通事件检测方法 | |
CN111091720B (zh) | 基于信令数据和浮动车数据的拥堵路段识别方法及装置 | |
CN110717433A (zh) | 一种基于深度学习的交通违规分析方法及装置 | |
CN101639983B (zh) | 一种基于图像信息熵的多车道车流量检测方法 | |
CN106355884B (zh) | 一种基于车型分类的高速公路车辆引导系统及方法 | |
CN103714363A (zh) | 一种机动车尾气烟度视频识别系统 | |
CN103295403B (zh) | 一种交通流视觉检测方法 | |
CN110176139A (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN102005120A (zh) | 基于视频图像分析的交通路口监控技术和系统 | |
CN105825669A (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
CN109544934A (zh) | 基于城市交叉口混合交通流三维轨迹的效率安全监控系统 | |
CN101739828A (zh) | 结合路面交通与天气状态的城市交通区域拥塞判定方法 | |
CN107170247A (zh) | 一种确定交叉口排队长度方法及装置 | |
CN107590999A (zh) | 一种基于卡口数据的交通状态判别方法 | |
CN102201167A (zh) | 基于视频的汽车车道自动识别方法 | |
CN109272482A (zh) | 一种基于序列图像的城市路口车辆排队检测系统 | |
WO2022213542A1 (zh) | 基于激光雷达和轨迹预测的信控交叉口清空方法和系统 | |
CN106781460A (zh) | 一种路段交通状态确定方法及装置 | |
CN101976508A (zh) | 基于车牌识别数据的交通信号干线相位差优化方法 | |
CN115223106A (zh) | 一种融合差分视频序列和卷积神经网络的抛洒物检测方法 | |
CN104574996A (zh) | 一种道路交通车辆扫描式智能检测方法及装置 |
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 |