CN106548628A - 一种基于视觉空间转换网格化的路况分析方法 - Google Patents
一种基于视觉空间转换网格化的路况分析方法 Download PDFInfo
- Publication number
- CN106548628A CN106548628A CN201710019201.XA CN201710019201A CN106548628A CN 106548628 A CN106548628 A CN 106548628A CN 201710019201 A CN201710019201 A CN 201710019201A CN 106548628 A CN106548628 A CN 106548628A
- Authority
- CN
- China
- Prior art keywords
- road
- grid
- access control
- formatted
- control model
- 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
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明涉及一种基于视觉空间转换网格化的路况分析方法,首先在交通视频图像上确定四边形道路区域;随后对道路区域所在的图像进行处理,得到运动目标二值化图像;然后对四边形道路区域进行基于视觉空间转换的网格化处理,将该区域划分为多个小四边形;最后在网格化的道路区域中,结合运动目标二值化图像,进行交通路况分析。本发明满足实路况分析应用中对准确性与及时性的要求,具有较强的实用性。
Description
技术领域
本发明涉及路况分析领域,特别是一种基于视觉空间转换网格化的路况分析方法。
背景技术
随着经济和社会的快速发展,我国很多城市的市区面积开始逐渐扩大,道路建设不断增多,出行车辆不断增加,城市交通已经进入一个快速发展的阶段。但是,很多城市在发展过程中普遍遇到了城市交通拥堵问题,解决城区交通拥堵已成为许多城市迫在眉睫的重要任务。
智能交通系统(ITS)的本质是通过传感技术、信号处理技术、控制技术等现代信息技术与交通工程的综合应用,以最大限度地发挥交通基础设施的潜力,并引导合理的交通行业。通过应用ITS,将传统的交通系统改造成一种信息化、智能化、社会化的新型交通系统。实时路况分析系统是智能交通系统的一个重要组成部分,通过实时路况分析系统,出行者能够根据自己的意愿了解某条道路或某个地点的畅通情况,从而选择最合适的出行行车路线。
目前,浮动车信息(FCD)采集技术是国际上ITS系统中采集道路交通信息的主要技术手段,它利用定位技术、无线通信技术和信息处理技术,实现对道路上行驶车辆的瞬时速度、位置、路段旅行时间等交通数据的采集。经过汇总、处理后这些信息生成反映实时道路拥堵情况的交通信息。虽然FCD浮动车数据具有很强的连续性,可全天候工作,提供的交通信息多样化,但要获得全路网的精确交通信息就必须要有足够多的装有GPS接收设备的车辆驶行在道路网络中。由于目前浮动车多以安装有GPS的营运车辆为主。在交通高峰期,运营车辆司机凭借以往经验会在高峰时段有意避开某些拥堵路段,导致此路段浮动数据量较少而与实际路况拥堵情况不相符。而在非高峰时段营运车辆经常会同时停靠在某些畅通路段(如等客,防止空载行驶,节约成本),导致此类路段停止的浮动车数据量较多,在地图路况展现上出现严重偏差。此外,所有的FCD浮动车数据需要经过采集、处理、分析、展示等多个环节,最终在地图上展现往往需要延时5至7分钟。
发明内容
有鉴于此,本发明的目的是提出一种基于视觉空间转换网格化的路况分析方法,满足实时路况分析应用中对准确性与及时性的要求,具有较强的实用性。
本发明采用以下方案实现:一种基于视觉空间转换网格化的路况分析方法,具体包括以下步骤:
步骤S1:在视频图像上确定四边形道路区域;
步骤S2:对道路区域所在的部分进行处理,得到运动目标二值化图像;
步骤S3:对四边形道路区域进行基于视觉空间转换的网格化处理,将该区域划分为多个小四边形;
步骤S4:在网格化的道路区域中,结合步骤S2得到的运动目标二值化图像,进行路况分析。
进一步地,所述步骤S1具体为:根据交通视频探头的位置与朝向,沿道路边缘预先设置兴趣道路区域,将兴趣道路区域设置为四边形。
进一步地,所述步骤S2具体包括以下步骤:
步骤S21:灰度化处理:采用加权平均值法将彩色图像中的每个像素点都转换成8bit长度的亮度值,使所有像素的灰度值都在[0,255]范围之内,得到灰度图像;
步骤S22:平滑处理:采用中值滤波法对步骤S21得到的灰度图像进行平滑操作,去除视频图像中的噪声,并保留原图像中的轮廓信息;
步骤S23:对步骤S22得到的灰度图像进行背景差分二值化,得到运动目标二值化图像;
步骤S24:对运动目标进行填充:对运动目标,即车辆内部的黑色部分进行填充处理,通过判定黑像素点周边白像素的分布情况,来确定是否将该黑像素点置为白像素点。
进一步地,所述步骤S23具体包括以下步骤:
步骤S231:构建视频场景的背景图像;
步骤S232:将当前帧图像与背景图像的数据进行相减;
步骤S233:对步骤S232得到的结果进行阈值二值化,得到运动目标的二值化图像。
进一步地,所述步骤S24具体为:对一个黑像素点(x,y),其周边共有(x-1,y-1),(x,y-1),(x+1,y-1),(x+1,y),(x+1,y+1),(x,y+1),(x-1,y+1),(x-1,y)八个像素点,若该黑像素点周边的八个像素点中有三个及以上像素点均为白像素点,则将该黑像素点置为白色。
进一步地,所述步骤S3具体包括以下步骤:
步骤S31:将四边形道路区域进行纵向网格化;
步骤S32:将四边形道路区域进行横向网格化。
进一步地,所述纵向网格化具体为:沿车道线方向将道路进行m等分,然后连接两边各等分点。
进一步地,所述横向网格化具体为:对四边形道路区域中与道路走向平行的两条边进行视觉空间转换,具体包括如下步骤:
步骤S321:设θi(i=1,2,…n)为摄像头到第i-1等分点连线与第i个等分点连线的夹角,θ为可视路段总夹角,以θi与θ的比值作为横向网格化的划分比例将路段等分为n段,θi与θ的计算公式如下:
其中,h为摄像头高度,l为可视路段总长度,k为可视路段起始点。
进一步地,所述步骤S4具体包括以下步骤:
步骤S41:判断网格是否为有车网格;
步骤S42:定义车辆占比指数r1用于衡量指定道路区域中车辆的多少,采用下式计算:
r1=w/(m×n);
其中,w为有车网格的数量,m为纵向网格等分数,n为横向网格等分数,m×n为总网格数量;
步骤S43:定义车辆间距指数r2用于衡量指定道路区域中车辆间距的大小,采用下式计算:
其中,m为纵向网格等分数,Bi为第i列纵向网格中最大连通无车网格数,为各列平均最大连通无车网格数量;
步骤S44:定义道路拥堵指数r用于评估道路的拥堵程度,当r值越大,道路越拥堵,根据r值将道路实时路况等级确定为顺畅、缓慢和拥堵;r值的计算采用下式:
r=r1×A+(1-r2)×(1-A);
其中,A为权值系数。
进一步地,所述步骤S41具体为:将网格中白像素占总像素点的比值与指定阈值相比较,如比值大于指定阈值,则可将该网格认为是有车网格;若比值小于阈值,将该网格认为是无车网格。
与现有技术相比,本发明有以下有益效果:本发明提供一种基于视觉空间转换网格化的路况分析方法,在交通视频图像上确定四边形道路区域;随后对道路区域所在的图像进行处理,得到运动目标二值化图像;然后对四边形道路区域进行基于视觉空间转换的网格化处理,将该区域划分为多个小四边形。最后在网格化的道路区域中,结合运动目标二值化图像,进行交通路况分析。该方法检测准确率高,识别速度快,满足实际应用中对准确性与及时性的要求。
附图说明
图1为本发明的方法流程示意图。
图2为本发明实施例中交通视频图像上确定四边形道路区域示意图。
图3为本发明实施例中道路区域当前帧图像。
图4为本发明实施例中运动目标二值化图像。
图5为本发明实施例中运动目标填充后的二值化图像。
图6为本发明实施例中道路区域横向网格化过程示意图。
图7为本发明实施例中道路区域网格化示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示,本实施例提供了一种基于视觉空间转换网格化的路况分析方法,具体包括以下步骤:
步骤S1:在视频图像上确定四边形道路区域;
步骤S2:对道路区域所在的部分进行处理,得到运动目标二值化图像;
步骤S3:对四边形道路区域进行基于视觉空间转换的网格化处理,将该区域划分为多个小四边形;
步骤S4:在网格化的道路区域中,结合步骤S2得到的运动目标二值化图像,进行路况分析。
在本实施例中,选取同一路段不同时段的100张道路图像。
在本实施例中,在步骤S1中:根据交通视频探头的位置与朝向,采用预先人工设定的方法沿道路边缘设置兴趣道路区域,将兴趣道路区域设置为四边形,如图2所示。
在本实施例中,步骤S2具体包括如下步骤:
步骤S21:灰度化处理:采用加权平均值法将彩色图像中的每个像素点都转换成8bit长度的亮度值,使所有像素的灰度值都在[0,255]范围之内;
步骤S22:平滑处理:采用中值滤波对步骤S21得到的灰度图像进行平滑操作,去除视频图像中的噪声,并保留原图像中的轮廓信息,如图3所示;
步骤S23:对步骤S22得到的灰度图像进行背景差分二值化,得到运动目标二值化图像。
步骤S24:对运动目标进行填充;
在本实施例中,在所述步骤S23具体包括如下步骤:
步骤S231:构建视频场景的背景图像;
步骤S232:将当前帧图像与背景图像的数据进行相减;
步骤S233:对步骤S232得到的结果进行阈值二值化,得到运动目标的二值化图像,如图4所示。
在本实施例中,在所述步骤S233中,阈值取0.5。
在本实施例中,在所述步骤S24中,对运动目标,即车辆内部的黑色部分进行填充处理,通过判定黑像素点周边白像素的分布情况,来确定是否将该黑像素点置为白像素点。具体步骤为:对一个黑像素点(x,y),其周边共有(x-1,y-1),(x,y-1),(x+1,y-1),(x+1,y),(x+1,y+1),(x,y+1),(x-1,y+1),(x-1,y)八个像素点,若该黑像素点周边的八个像素点中有三个及以上像素点均为白像素点,则将该黑像素点置为白色,如图5所示。
在本实施例中,在步骤S3中:还包括如下步骤:
步骤S31:四边形道路区域进行纵向网格化;
步骤S32:四边形道路区域进行横向网格化。
在本实施例中,在所述步骤S31中,所述的纵向网格化是沿车道线方向将道路进行m等分,然后连接两边各等分点。
在本实施例中,在所述步骤S32中,所述的横向网格化是对四边形道路区域中与道路走向平行的两条边进行视觉空间转换,如图6所示,具体包括如下步骤:设θi(i=1,2,…n)为摄像头到第i-1等分点连线与第i个等分点连线的夹角,θ为可视路段总夹角,以θi与θ的比值作为横向网格化的划分比例将路段等分为n段,θi与θ的具体计算公式为:
其中,h为摄像头高度,l为可视路段总长度,k为可视路段起始点。
在本实施例中,在所述步骤S4中,如图7所示,设m=10,n=20,还包括如下步骤:
步骤S41:判断网格是否为有车网格;
步骤S42:定义车辆占比指数r1用于衡量指定道路区域中车辆的多少,具体计算公式如下:
r1=w/(m*n),
其中,w为有车网格的数量,m为纵向网格等分数,n为横向网格等分数,m*n为总网格数量;
步骤S43:定义车辆间距指数r2用于衡量指定道路区域中车辆间距的大小,具体计算公式如下:
其中,m为纵向网格等分数,Bi为第i列纵向网格中最大连通无车网格数,为各列平均最大连通无车网格数量;
步骤S44:定义道路拥堵指数r用于评估道路的拥堵程度,当r值越大,道路越拥堵,可根据r值将道路实时路况等级确定为顺畅、缓慢和拥堵。具体计算公式如下:
r=r1*A+(1-r2)*(1-A),
其中,A为权值系数。
在本实施例中,在步骤S41中:将网格中白像素占总像素点的比值与指定阈值相比较,如比值大于阈值,则可将该网格认为是有车网格;若比值小于阈值,将该网格认为是无车网格。阈值取0.1。
在本实施例中,在步骤S44中:权值系数A取0.7。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (10)
1.一种基于视觉空间转换网格化的路况分析方法,其特征在于:包括以下步骤:
步骤S1:在视频图像上确定四边形道路区域;
步骤S2:对道路区域所在的部分进行处理,得到运动目标二值化图像;
步骤S3:对四边形道路区域进行基于视觉空间转换的网格化处理,将该区域划分为多个小四边形;
步骤S4:在网格化的道路区域中,结合步骤S2得到的运动目标二值化图像,进行路况分析。
2.根据权利要求1所述的一种基于视觉空间转换网格化的路况分析方法,其特征在于:所述步骤S1具体为:根据交通视频探头的位置与朝向,沿道路边缘预先设置兴趣道路区域,将兴趣道路区域设置为四边形。
3.根据权利要求1所述的一种基于视觉空间转换网格化的路况分析方法,其特征在于:所述步骤S2具体包括以下步骤:
步骤S21:灰度化处理:采用加权平均值法将彩色图像中的每个像素点都转换成8bit长度的亮度值,使所有像素的灰度值都在[0,255]范围之内,得到灰度图像;
步骤S22:平滑处理:采用中值滤波法对步骤S21得到的灰度图像进行平滑操作,去除视频图像中的噪声,并保留原图像中的轮廓信息;
步骤S23:对步骤S22得到的灰度图像进行背景差分二值化,得到运动目标二值化图像;
步骤S24:对运动目标进行填充:对运动目标,即车辆内部的黑色部分进行填充处理,通过判定黑像素点周边白像素的分布情况,来确定是否将该黑像素点置为白像素点。
4.根据权利要求3所述的一种基于视觉空间转换网格化的路况分析方法,其特征在于:所述步骤S23具体包括以下步骤:
步骤S231:构建视频场景的背景图像;
步骤S232:将当前帧图像与背景图像的数据进行相减;
步骤S233:对步骤S232得到的结果进行阈值二值化,得到运动目标的二值化图像。
5.根据权利要求3所述的一种基于视觉空间转换网格化的路况分析方法,其特征在于:所述步骤S24具体为:对一个黑像素点(x,y),其周边共有(x-1,y-1),(x,y-1),(x+1,y-1),(x+1,y),(x+1,y+1),(x,y+1),(x-1,y+1),(x-1,y)八个像素点,若该黑像素点周边的八个像素点中有三个及以上像素点均为白像素点,则将该黑像素点置为白色。
6.根据权利要求1所述的一种基于视觉空间转换网格化的路况分析方法,其特征在于:所述步骤S3具体包括以下步骤:
步骤S31:将四边形道路区域进行纵向网格化;
步骤S32:将四边形道路区域进行横向网格化。
7.根据权利要求6所述的一种基于视觉空间转换网格化的路况分析方法,其特征在于:所述纵向网格化具体为:沿车道线方向将道路进行m等分,然后连接两边各等分点。
8.根据权利要求6所述的一种基于视觉空间转换网格化的路况分析方法,其特征在于:所述横向网格化具体为:对四边形道路区域中与道路走向平行的两条边进行视觉空间转换,具体包括如下步骤:
步骤S321:设θi(i=1,2,…n)为摄像头到第i-1等分点连线与第i个等分点连线的夹角,θ为可视路段总夹角,以θi与θ的比值作为横向网格化的划分比例将路段等分为n段,θi与θ的计算公式如下:
其中,h为摄像头高度,l为可视路段总长度,k为可视路段起始点。
9.根据权利要求1所述的一种基于视觉空间转换网格化的路况分析方法,其特征在于:所述步骤S4具体包括以下步骤:
步骤S41:判断网格是否为有车网格;
步骤S42:定义车辆占比指数r1用于衡量指定道路区域中车辆的多少,采用下式计算:
r1=w/(m×n);
其中,w为有车网格的数量,m为纵向网格等分数,n为横向网格等分数,m×n为总网格数量;
步骤S43:定义车辆间距指数r2用于衡量指定道路区域中车辆间距的大小,采用下式计算:
其中,m为纵向网格等分数,Bi为第i列纵向网格中最大连通无车网格数,为各列平均最大连通无车网格数量;
步骤S44:定义道路拥堵指数r用于评估道路的拥堵程度,当r值越大,道路越拥堵,根据r值将道路实时路况等级确定为顺畅、缓慢和拥堵;r值的计算采用下式:
r=r1×A+(1-r2)×(1-A);
其中,A为权值系数。
10.根据权利要求9所述的一种基于视觉空间转换网格化的路况分析方法,其特征在于:所述步骤S41具体为:将网格中白像素占总像素点的比值与指定阈值相比较,如比值大于指定阈值,则可将该网格认为是有车网格;若比值小于阈值,将该网格认为是无车网格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710019201.XA CN106548628A (zh) | 2017-01-11 | 2017-01-11 | 一种基于视觉空间转换网格化的路况分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710019201.XA CN106548628A (zh) | 2017-01-11 | 2017-01-11 | 一种基于视觉空间转换网格化的路况分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106548628A true CN106548628A (zh) | 2017-03-29 |
Family
ID=58396558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710019201.XA Pending CN106548628A (zh) | 2017-01-11 | 2017-01-11 | 一种基于视觉空间转换网格化的路况分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106548628A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389419A (zh) * | 2018-03-02 | 2018-08-10 | 辽宁工业大学 | 一种车辆动态路径诱导方法 |
CN109448376A (zh) * | 2018-11-27 | 2019-03-08 | 科大国创软件股份有限公司 | 一种基于视频的路况分析方法及系统 |
CN109615874A (zh) * | 2018-12-28 | 2019-04-12 | 浙江大学 | 一种基于格式塔心理学准则的路况分析方法 |
CN110399771A (zh) * | 2019-04-12 | 2019-11-01 | 泰州阿法光电科技有限公司 | 交通环境现场维护系统 |
CN115273039A (zh) * | 2022-09-29 | 2022-11-01 | 中汽数据(天津)有限公司 | 一种基于摄像头的小障碍物探测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0520593A (ja) * | 1991-07-12 | 1993-01-29 | Matsushita Electric Ind Co Ltd | 走行レーン認識装置と先行車認識装置 |
CN101373515A (zh) * | 2008-10-20 | 2009-02-25 | 东软集团股份有限公司 | 道路区域检测方法及系统 |
CN101621615A (zh) * | 2009-07-24 | 2010-01-06 | 南京邮电大学 | 一种自适应背景建模及运动目标检测方法 |
KR20100053318A (ko) * | 2008-11-12 | 2010-05-20 | (주) 서돌 전자통신 | 코너정보를 이용한 끼어들기 위반차량 검지시스템 및 그 방법 |
CN102750710A (zh) * | 2012-05-31 | 2012-10-24 | 信帧电子技术(北京)有限公司 | 一种图像中运动目标统计方法和装置 |
-
2017
- 2017-01-11 CN CN201710019201.XA patent/CN106548628A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0520593A (ja) * | 1991-07-12 | 1993-01-29 | Matsushita Electric Ind Co Ltd | 走行レーン認識装置と先行車認識装置 |
CN101373515A (zh) * | 2008-10-20 | 2009-02-25 | 东软集团股份有限公司 | 道路区域检测方法及系统 |
KR20100053318A (ko) * | 2008-11-12 | 2010-05-20 | (주) 서돌 전자통신 | 코너정보를 이용한 끼어들기 위반차량 검지시스템 및 그 방법 |
CN101621615A (zh) * | 2009-07-24 | 2010-01-06 | 南京邮电大学 | 一种自适应背景建模及运动目标检测方法 |
CN102750710A (zh) * | 2012-05-31 | 2012-10-24 | 信帧电子技术(北京)有限公司 | 一种图像中运动目标统计方法和装置 |
Non-Patent Citations (1)
Title |
---|
王秀 等: "基于交通视频的路况分析方法的设计与实现", 《PROCEEDINGS OF 2014 INTERNATIONAL CONFERENCE ON FUTURE COMPUTER AND COMMUNICATION ENGINEERING(ICFCCE 2014)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389419A (zh) * | 2018-03-02 | 2018-08-10 | 辽宁工业大学 | 一种车辆动态路径诱导方法 |
CN108389419B (zh) * | 2018-03-02 | 2024-03-29 | 辽宁工业大学 | 一种车辆动态路径诱导方法 |
CN109448376A (zh) * | 2018-11-27 | 2019-03-08 | 科大国创软件股份有限公司 | 一种基于视频的路况分析方法及系统 |
CN109615874A (zh) * | 2018-12-28 | 2019-04-12 | 浙江大学 | 一种基于格式塔心理学准则的路况分析方法 |
CN109615874B (zh) * | 2018-12-28 | 2021-02-02 | 浙江大学 | 一种基于格式塔心理学准则的路况分析方法 |
CN110399771A (zh) * | 2019-04-12 | 2019-11-01 | 泰州阿法光电科技有限公司 | 交通环境现场维护系统 |
CN110399771B (zh) * | 2019-04-12 | 2020-09-11 | 厦门瞳景智能科技有限公司 | 交通环境现场维护系统 |
CN115273039A (zh) * | 2022-09-29 | 2022-11-01 | 中汽数据(天津)有限公司 | 一种基于摄像头的小障碍物探测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106548628A (zh) | 一种基于视觉空间转换网格化的路况分析方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN109448367B (zh) | 一种基于大数据图像采集的智能道路交通追踪管理系统 | |
CN102855759B (zh) | 高分辨率卫星遥感交通流信息自动采集方法 | |
CN103794070B (zh) | 一种基于车路协同的动态诱导信息广播方法及系统 | |
CN102737504B (zh) | 一种基于驾驶特性的公交车到站时间实时估计方法 | |
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 | |
CN104778274B (zh) | 基于稀疏出租车gps数据的大范围城市路网旅行时间估计方法 | |
CN104575050B (zh) | 一种基于浮动车的快速路匝道智能诱导方法及装置 | |
CN104715610B (zh) | 一种面向城市交通的交通指数计算方法 | |
CN111341095B (zh) | 一种基于边缘侧在线计算的交通信号控制系统及方法 | |
CN106571037A (zh) | 一种基于卡口检测技术的高速公路实时路况监测方法 | |
CN101710449A (zh) | 基于公交车gps数据的交通流运行状态识别方法 | |
CN107240264B (zh) | 一种车辆非有效行驶轨迹识别方法和城市道路设施规划方法 | |
CN104851287B (zh) | 基于视频检测器的城市道路路段行程时间检测方法 | |
CN104408925A (zh) | 基于陈列雷达的交叉口运行状态评价方法 | |
CN104750963B (zh) | 交叉口延误时长估计方法及装置 | |
CN109887289A (zh) | 一种城市交通网络模型的网络车流量最大化方法 | |
CN102087788A (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
CN105825669A (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
CN109345853A (zh) | 一种基于gis的无人车安全驾驶优化方法 | |
CN106203662A (zh) | 一种基于etc系统实现高速公路通行预约的方法 | |
CN111402613B (zh) | 一种自动驾驶车辆收费站车道选择方法 | |
CN101404120A (zh) | 判断浮动车行驶状态的方法及装置 | |
CN104318781A (zh) | 基于rfid技术的行程速度获取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20170329 |