CN107038411A - 一种基于视频中车辆运动轨迹的路侧停车行为精确识别方法 - Google Patents

一种基于视频中车辆运动轨迹的路侧停车行为精确识别方法 Download PDF

Info

Publication number
CN107038411A
CN107038411A CN201710105367.3A CN201710105367A CN107038411A CN 107038411 A CN107038411 A CN 107038411A CN 201710105367 A CN201710105367 A CN 201710105367A CN 107038411 A CN107038411 A CN 107038411A
Authority
CN
China
Prior art keywords
video
point
parking
vehicle
parking behavior
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
Application number
CN201710105367.3A
Other languages
English (en)
Inventor
张可
于青青
穆屹
邹迎
耿松麟
胡永利
毛力增
赵箐
孙艳丰
蔡锦德
李倩
汪鸣
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.)
BEIJING MUNICIPAL TRANSPORTATION OPERATIONS COORDINATION CENTER
Beijing University of Technology
Original Assignee
BEIJING MUNICIPAL TRANSPORTATION OPERATIONS COORDINATION CENTER
Beijing University of Technology
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 BEIJING MUNICIPAL TRANSPORTATION OPERATIONS COORDINATION CENTER, Beijing University of Technology filed Critical BEIJING MUNICIPAL TRANSPORTATION OPERATIONS COORDINATION CENTER
Priority to CN201710105367.3A priority Critical patent/CN107038411A/zh
Publication of CN107038411A publication Critical patent/CN107038411A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于视频中车辆运动轨迹的路侧停车行为识别方法，包括：步骤1、停车行为监控视频预处理；步骤2、通过KLT角点检测得到适合跟踪的特征点，确定待跟踪车辆位置；步骤3、利用CT算法跟踪车辆并提取得到停车过程运动轨迹；步骤4、根据跟踪到的运动轨迹识别停车行为。采用本发明的技术方案，提高停车行为识别准确率，并为车位资源的有效管理提供帮助。

Description

一种基于视频中车辆运动轨迹的路侧停车行为精确识别方法
技术领域
本发明属于交通视频监控领域，尤其涉及一种基于视频中车辆运动轨迹的路侧停车行为精确识别方法。
背景技术
随着城市现代化建设的不断加快以及城市人口和机动车辆的迅速增加，城市交通相关问题，例如拥堵、停车等问题变得日益严重。其中一个典型问题就是路侧停车问题。由于停车空间不封闭、停车环境复杂、停车资源紧缺、管理手段落后，路侧停车问题成为城市交通停车管理中最困难的问题之一。针对城市车位资源紧张和停车难的问题，通过车位的统一管理和动态实时监测，可以充分利用车位资源，实现资源的有效整合，解决驾驶员寻停车位难的问题，提供停车服务的智能化和一体化。其中涉及的关键问题是对路侧停车行为的识别分析技术。
现有的停车行为识别技术中最具代表性的是基于地磁的停车行为识别技术和基于视频的停车行为识别技术。基于地磁的停车行为识别技术主要依赖地磁感应设备对车辆停车行为进行分析。经过几十年的发展，地磁技术已发展形成商用产品，并在许多城市得到应用。但该技术在地磁线圈设备的安装和维护过程中需要破路施工，其性能易受到冰冻、盐碱或繁忙交通的影响，同时对于复杂的异常停车行为(例如斜跨、半侧位压线、反复、跨位等停车行为)地磁技术往往无效。为了解决异常停车行为问题，基于图像或视频的停车行为识别技术得到了广泛的研究和应用。这种技术主要从停车行为的视频帧序列中选取关键帧，从中提取感兴趣区域(Region of Interest,ROI)对停车行为进行分类识别。然而车辆的停车行为是一种持续的动态过程，单帧图像无法描述其完整的运动过程，因此采用基于视频图像帧序列的停车行为识别技术更为合理。现有基于视频图像帧序列的停车行为识别方法主要分为两种：一种是根据车辆质心位移和速度对停车行为进行判别分析；另一种是根据划定区域像素灰度值变化对停车行为进行判别分析。第一种方法的缺陷是质心位移和速度的计算量大，不能满足实时性要求。第二种方法需要提前划定计算灰度值的区域，对于不同的停车区域适应性差。
发明内容
现有的停车行为识别技术对于异常停车行为识别性能较差，例如地磁技术无法获取车辆的视频图像资料，通过物理上的地磁信号检测只能检测到车辆是否经过，不能准确判断停车时斜跨、半侧位压线、反复、跨位等异常行为。针对此类问题，本发明提出了一种基于视频的停车行为识别技术，其主要目的是利用视频监控系统对视频中运动车辆进行分析，并提出一种基于视频中车辆运动轨迹的路侧停车行为识别方法，提高停车行为识别准确率，并为车位资源的有效管理提供帮助。
本发明提供一种基于视频中车辆运动轨迹的路侧停车行为精确识别方法，通过KLT(Kanade-Lucas-Tomasi)角点检测算法发现第一帧中角点，根据角点范围确定待跟踪车辆位置(左上角坐标x0,y0,长宽ω,h)，然后将得到的车辆位置作为CT算法的输入，利用CT算法跟踪得到车辆的运动轨迹，根据跟踪到的运动轨迹识别停车行为。其中，所述KLT角点检测算法起到了目标检测的作用。
为实现上述目的，本发明采用如下的技术方案：
一种基于视频中车辆运动轨迹的路侧停车行为识别方法包括以下步骤：
步骤1、停车行为监控视频预处理
将视频帧一一提取出来，并将其下采样至原始尺寸的三分之一，同时将场景图像作为背景帧；
步骤2、确定待跟踪车辆位置
通过KLT角点检测得到适合跟踪的特征点，根据所述特征点的范围确定待跟踪车辆位置,角点坐标中的最小值(xmin，ymin)作为待跟踪车辆的左上角坐标(x0，y0),角点横纵坐标的范围作为待跟踪车辆的长宽(w＝xmax-xmin，h＝ymax-ymin)；
步骤3.提取得到停车过程运动轨迹
将KLT角点检测确定的待跟踪车辆位置(x0，y0，w，h)的左下角部分(x0，y0+w/3，w/3，h/3)作为CT跟踪算法的初始输入，由CT算法跟踪得到停车行为运动轨迹。
步骤4.根据跟踪到的运动轨迹识别停车行为。
作为优选，步骤2包含以下步骤：
步骤(2.1)像素点x(x，y)的光强度I由其泰勒展开式表示，g指强度梯度，d指像素位移
I(x-d)＝I(x)-g·d. (1)
步骤(2.2)选择d使窗口W内偏差能量∈最小，使其导数(公式(3))为0
其中，J(x)是下一时刻像素点x的光强度，I(x)-J(x)用h表示，ω表示权重，
∈＝∫W(I(x)-g·d-J(x)]2ωdx＝∫W(h-g·d)2ωdx， (2)
∫W(h-g·d)gωdA＝0， (3)
(∫WggTωdA)d＝∫WhgωdA. (4)
令
G＝∫WggTωdA， (5)
e＝∫W(I-J)gωdA. (6)
故
Gd＝e. (7)
由上式，估计出位移向量d；
步骤(2.3)矩阵G特征值
角点的选择依赖于矩阵G的两个特征值λ1，λ2，，采用如下公式：
min(λ1，λ2)＞λ (8)
其中，阈值λ是为区分目标前景同背景，选择图像上亮度相似区域的特征值作为阈值下限，而将角点或高纹理区域的特征值作为阈值上限，λ取值为上下限的一半左右，
步骤(2.4)特征点选择
首先将图像各区域中最小特征值降序排列，选择其中前k个，k为预设的特征点个数，其中，所选特征点如果在先前选择特征点的窗口内则将其删除。
作为优选，步骤3包含以下步骤：
步骤(3.1)对于待跟踪的第t帧图像，首先在第t-1帧中已跟踪到的目标位置lt-1(xt-1，yt-1)的周围(Dγ＝{z|||l(z)-lt-1||＜γ}，即选取图像片z的位置中心l(z)与t-1帧位置中心lt-1小于γ的区域，其中，γ为预设像素点之间的第一距离)均匀采样n个图像片，然后对这些图像片进行特征提取，得到每个图像片的特征向量其中，代表向量空间；
步骤(3.2)使用贝叶斯分类器H(v)对特征向量(v＝(υ1，…，υn)T)进行分类，找到最大分类分数的图像片作为当前帧跟踪到的目标位置，记为lt；
其中，υi是特征向量v的第i项，先验概率p(y′＝1)＝p(y′＝0)，y′表示标签；
(3.3)采样两个图像片集
Dα＝{z|||l(z)-lt||＜α}和Dζ，β＝{z|ζ＜||l(z)-lt||＜β}，其中，α为预设像素点之间的第二距离，β为预设像素点之间的第三距离，α＜ζ＜β；
(3.4)提取上述两个图像片集的特征，更新分类器参数。
针对路侧停车行为识别问题，本发明提出一种基于视频中车辆运动轨迹的停车行为识别方法，解决目前单独依靠地磁技术或单帧图像无法准确判断异常停车行为的问题。在本发明中，利用KLT(Kanade-Lucas-Tomasi，KLT)运动角点检测方法和实时的压缩跟踪(Real-time Compressive tracking,CT)方法提取视频中车辆停车全过程的运动轨迹，实现对停车行为的准确表达以及识别。选择基于特征点匹配的KLT跟踪方法的原因在于该方法可以自动发现图像的运动角点，并可以实现角点的快速匹配。而选择压缩跟踪算法的原因在于其快速跟踪的特点，能够满足视频监控的实时性需求。同时，本发明提出的停车行为识别技术主要根据停车过程运动轨迹变化来分析停车行为。由于不同停车行为的运动轨迹不同，利用跟踪技术提取到的轨迹可以对不同停车行为进行有效分类，并且这里的跟踪不需要计算质心位移和速度，可达到实时的要求。另外，这种基于视频停车行为识别技术不受停车区域路况的限制，例如上坡、下坡、停车场、路侧等，具有较好的环境适应性。
附图说明
图1为本发明路侧停车行为识别方法流程图；
图2为不同停车行为对应不同的运动轨迹示意图；
图3为SVM分类器实验结果示意图。
具体实施方式
如图1所示,本发明提供一种基于视频中车辆运动轨迹的路侧停车行为精确识别方法，包括以下步骤：
步骤1、停车行为监控视频预处理
将视频帧一一提取出来，并将其下采样至原始尺寸的三分之一，用以加快跟踪速度，同时将场景图像作为背景帧。
步骤2、通过KLT角点检测算法发现适合跟踪的特征点，确定待跟踪车辆位置，其过程包含以下步骤：
步骤(2.1)像素点x(x，y)的光强度I由其泰勒展开式表示，g指强度梯度，d指像素位移
I(x-d)＝I(x)-g·d. (1)
步骤(2.2)选择d使窗口W内偏差能量∈最小，使其导数(公式(3))为0
其中，J(x)是下一时刻像素点x的光强度，I(x)-J(x)用h表示，ω表示权重，可置为1。
∈＝∫W[I(x)-g·d-J(x)]2ωdx＝∫W(h-g·d)2ωdx， (2)
∫W(h-g·d)gωdA＝0， (3)
(∫WggTωdA)d＝∫WhgωdA. (4)
令
G＝∫WggTωdA， (5)
e＝∫W(I-J)gωdA. (6)
故
Gd＝e. (7)
由上式，估计出位移向量d；
步骤(2.3)矩阵G特征值
角点的选择依赖于矩阵G的两个特征值λ1，λ2，一方面两个特征值不能太小，排除噪声影响；另一方面两个特征值不能差别太大，说明这是角点，提出了下面的公式：
min(λ1，λ2)＞λ (8)
其中，阈值λ是为区分目标前景同背景，选择图像上亮度相似区域的特征值作为阈值下限，而将角点或高纹理区域的特征值作为阈值上限，λ取值为上下限的一半左右，优选地，λ取值为10。
步骤(2.4)特征点选择
首先将图像各区域中最小特征值降序排列，选择其中前k个，其中，k为预设的特征点个数，为防止窗口重叠，所选特征点如果在先前选择特征点的窗口内则将其删除。
通过KLT角点检测得到适合跟踪的特征点，可以根据这些特征点的范围确定待跟踪车辆位置,角点坐标中的最小值(xmin，ymin)作为待跟踪车辆的左上角坐标(x0,y0),角点横纵坐标的范围作为待跟踪车辆的长宽(w＝xmax-xmin，h＝ymax-ymin)。
步骤3.利用CT算法跟踪车辆并提取得到停车过程运动轨迹。主要过程如下：
步骤(3.1)对于待跟踪的第t帧图像，首先在第t-1帧中已跟踪到的目标位置lt-1(xt-1，yt-1)的周围(Dγ＝{z|||l(z)-lt-1||＜γ}，即选取图像片z的位置中心l(z)与t-1帧位置中心lt-1小于γ的区域，其中，γ为预设像素点之间的第一距离)均匀采样n个图像片，然后对这些图像片进行特征提取，得到每个图像片的特征向量其中，代表向量空间；
步骤(3.2)使用贝叶斯分类器H(v)对特征向量(v＝(υ1，…，υn)T)进行分类，找到最大分类分数的图像片作为当前帧跟踪到的目标位置，记为lt；
其中，υi是特征向量v的第i项，先验概率p(y′＝1)＝p(y′＝0)，y′表示标签，取值范围{0，1}。
(3.3)采样两个图像片集：
Dα＝{z|||l(z)-lt||＜α}和Dζ，β＝{z|ζ＜||l(z)-lt||＜β}，其中，α为预设像素点之间的第二距离，β为预设像素点之间的第三距离，α＜ζ＜β；
(3.4)提取上述两个图像片集的特征，更新分类器参数。
为了提高速度和精度，缩小跟踪范围，将KLT角点检测确定的待跟踪车辆位置(x0，y0，w，h)的左下角部分(x0，y0+w/3，w/3，h/3)作为CT跟踪算法的初始输入，由CT算法跟踪得到停车行为运动轨迹。
步骤4.根据跟踪到的运动轨迹识别停车行为，如图2所示，不同的停车行为有不同的运动轨迹，可以根据运动轨迹识别不同的停车行为。
由于各视频段帧数不一致，得到的跟踪轨迹长度不一；根据跟踪得到的最长轨迹进行维度补齐，重采样轨迹点到同样的维度；再计算每个轨迹点P(x，y)相对于图像原点(0，0)的距离d＝x2+y2，将二维坐标化为一维向量，将得到的一维数据规格化，然后放入分类器中分类，例如本发明用了SVM、KSVD和KKSVD三种方法。
本发明通过基于视频跟踪轨迹的停车检测技术和停车行为识别技术，结合KLT角点检测跟踪法和CT压缩跟踪算法的准确性、基于轨迹的停车检测对于复杂区域的适应性以及对于复杂停车行为的鲁棒性，弥补了地磁停车检测的不足，实现了停车过程的准确检测。并在获取停车信息的同时，实现对多种复杂停车行为的识别分类。
本发明方法针对5种典型的路侧停车行为，包括斜位停车、跨位停车、半侧位压线停车、反复停车和正常停车。每类停车行为50个样本，对每类样本随机选取25个样本作为训练样本，剩余样本作为测试样本。采用SVM分类器的识别结果,实验结果正确率95.60％,如图3所示。

Claims (3)

1.一种基于视频中车辆运动轨迹的路侧停车行为精确识别方法，其特征在于，包括以下步骤：
步骤1、停车行为监控视频预处理
将视频帧一一提取出来，并将其下采样至原始尺寸的三分之一，同时将场景图像作为背景帧；
步骤2、确定待跟踪车辆位置
通过KLT角点检测得到适合跟踪的特征点，根据所述特征点的范围确定待跟踪车辆位置,角点坐标中的最小值(xmin，ymin)作为待跟踪车辆的左上角坐标(x0，y0),角点横纵坐标的范围作为待跟踪车辆的长宽(w＝xmax-xmin，h＝ymax-ymin)；
步骤3.提取得到停车过程运动轨迹
将KLT角点检测确定的待跟踪车辆位置(x0，y0，w，h)的左下角部分(x0，y0+w/3，w/3，h/3)作为CT跟踪算法的初始输入，由CT算法跟踪得到停车行为运动轨迹。
步骤4.根据跟踪到的运动轨迹识别停车行为。
2.如权利要求1所述的基于视频中车辆运动轨迹的路侧停车行为精确识别方法，步骤2包含以下步骤：
步骤(2.1)像素点x(x，y)的光强度I由其泰勒展开式表示，g指强度梯度，d指像素位移
T(X-d)＝I(X)-g·d. (1)
步骤(2.2)选择d使窗口W内偏差能量∈最小，使其导数(公式(3))为0
其中，J(x)是下一时刻像素点x的光强度，I(x)-J(x)用h表示，ω表示权重，
∈＝∫W[I(x)-g·d-J(x)]2ωdx＝∫W(h-g·d)2ωdx， (2)
∫W(h-g·d)gωdA＝0， (3)
(∫WggTωdA)d＝∫WhgωdA. (4)
令
G＝∫WggTωdA， (5)
e＝∫W(I-J)gωdA. (6)
故
Gd＝e. (7)
由上式，估计出位移向量d；
步骤(2.3)矩阵G特征值
角点的选择依赖于矩阵G的两个特征值λ1，λ2，，采用如下公式：
min(λ1，λ2)＞λ (8)
其中，阈值λ是为区分目标前景同背景，选择图像上亮度相似区域的特征值作为阈值下限，而将角点或高纹理区域的特征值作为阈值上限，λ取值为上下限的一半左右，
步骤(2.4)特征点选择
首先将图像各区域中最小特征值降序排列，选择其中前k个，k为预设的特征点个数，其中，所选特征点如果在先前选择特征点的窗口内则将其删除。
3.如权利要求1所述的基于视频中车辆运动轨迹的路侧停车行为精确识别方法，步骤3包含以下步骤：
步骤(3.1)对于待跟踪的第t帧图像，首先在第t-1帧中已跟踪到的目标位置lt-1(xt-1，yt-1)的周围(Dγ＝{z| ||l(z)-lt-1||＜γ}，即选取图像片的位置中心l(z)与t-1帧位置中心lt-1小于γ的区域，其中，γ为预设像素点之间的第一距离)均匀采样n个图像片，然后对这些图像片进行特征提取，得到每个图像片的特征向量其中，代表向量空间；
步骤(3.2)使用贝叶斯分类器H(v)对特征向量(v＝(υ1，…，υn)T)进行分类，找到最大分类分数的图像片作为当前帧跟踪到的目标位置，记为lt；
其中，vi是特征向量v的第i项，先验概率p(y′＝1)＝p(y′＝0)，y′表示标签；
(3.3)采样两个图像片集
Dα＝{z| ||l(z)-lt||＜α}和Dζ，β＝{z|ζ＜||l(z)-lt||＜β}，其中，α为预设像素点之间的第二距离，β为预设像素点之间的第三距离，α＜ζ＜β；
(3.4)提取上述两个图像片集的特征，更新分类器参数。
CN201710105367.3A 2017-02-26 2017-02-26 一种基于视频中车辆运动轨迹的路侧停车行为精确识别方法 Pending CN107038411A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710105367.3A CN107038411A (zh) 2017-02-26 2017-02-26 一种基于视频中车辆运动轨迹的路侧停车行为精确识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710105367.3A CN107038411A (zh) 2017-02-26 2017-02-26 一种基于视频中车辆运动轨迹的路侧停车行为精确识别方法

Publications (1)

Publication Number Publication Date
CN107038411A true CN107038411A (zh) 2017-08-11

Family

ID=59534332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710105367.3A Pending CN107038411A (zh) 2017-02-26 2017-02-26 一种基于视频中车辆运动轨迹的路侧停车行为精确识别方法

Country Status (1)

Country Link
CN (1) CN107038411A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229407A (zh) * 2018-01-11 2018-06-29 武汉米人科技有限公司 一种视频分析中的行为检测方法与系统
CN109242024A (zh) * 2018-09-13 2019-01-18 中南大学 一种基于卡口数据的车辆行为相似度计算方法
CN109579798A (zh) * 2018-12-29 2019-04-05 中国汽车技术研究中心有限公司 一种应用于自动泊车系统的视频量测方法及量测装置
CN109712428A (zh) * 2019-02-27 2019-05-03 爱笔（北京）智能科技有限公司 一种停车位置定位方法及装置、系统
CN110348297A (zh) * 2019-05-31 2019-10-18 纵目科技（上海）股份有限公司 一种用于识别立体停车库的检测方法、系统、终端和存储介质
CN111563469A (zh) * 2020-05-13 2020-08-21 南京师范大学 一种不规范停车行为识别方法及装置
CN111914627A (zh) * 2020-06-18 2020-11-10 广州杰赛科技股份有限公司 一种车辆识别与追踪方法及装置
CN113196010A (zh) * 2018-12-27 2021-07-30 大陆汽车系统公司 从长期传感器数据学习的交叉路口地图
CN113469115A (zh) * 2021-07-20 2021-10-01 阿波罗智联(北京)科技有限公司 用于输出信息的方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073846A (zh) * 2010-12-15 2011-05-25 同济大学 基于航拍图像的交通信息获取方法
CN102945603A (zh) * 2012-10-26 2013-02-27 青岛海信网络科技股份有限公司 检测交通事件的方法及电子警察装置
KR101492366B1 (ko) * 2014-01-13 2015-02-12 한양대학교 에리카산학협력단 차량 사고 감지 방법 및 그 장치
CN105809975A (zh) * 2016-05-30 2016-07-27 北京精英智通科技股份有限公司 一种异常停车判断方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073846A (zh) * 2010-12-15 2011-05-25 同济大学 基于航拍图像的交通信息获取方法
CN102945603A (zh) * 2012-10-26 2013-02-27 青岛海信网络科技股份有限公司 检测交通事件的方法及电子警察装置
KR101492366B1 (ko) * 2014-01-13 2015-02-12 한양대학교 에리카산학협력단 차량 사고 감지 방법 및 그 장치
CN105809975A (zh) * 2016-05-30 2016-07-27 北京精英智通科技股份有限公司 一种异常停车判断方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙少军 等: "一种基于卡尔曼滤波的压缩跟踪算法研究", 《山东科学》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229407A (zh) * 2018-01-11 2018-06-29 武汉米人科技有限公司 一种视频分析中的行为检测方法与系统
CN109242024A (zh) * 2018-09-13 2019-01-18 中南大学 一种基于卡口数据的车辆行为相似度计算方法
CN109242024B (zh) * 2018-09-13 2021-09-14 中南大学 一种基于卡口数据的车辆行为相似度计算方法
CN113196010A (zh) * 2018-12-27 2021-07-30 大陆汽车系统公司 从长期传感器数据学习的交叉路口地图
CN109579798A (zh) * 2018-12-29 2019-04-05 中国汽车技术研究中心有限公司 一种应用于自动泊车系统的视频量测方法及量测装置
CN109712428A (zh) * 2019-02-27 2019-05-03 爱笔（北京）智能科技有限公司 一种停车位置定位方法及装置、系统
CN110348297A (zh) * 2019-05-31 2019-10-18 纵目科技（上海）股份有限公司 一种用于识别立体停车库的检测方法、系统、终端和存储介质
CN110348297B (zh) * 2019-05-31 2023-12-26 纵目科技（上海）股份有限公司 一种用于识别立体停车库的检测方法、系统、终端和存储介质
CN111563469A (zh) * 2020-05-13 2020-08-21 南京师范大学 一种不规范停车行为识别方法及装置
CN111914627A (zh) * 2020-06-18 2020-11-10 广州杰赛科技股份有限公司 一种车辆识别与追踪方法及装置
CN113469115A (zh) * 2021-07-20 2021-10-01 阿波罗智联(北京)科技有限公司 用于输出信息的方法和装置

Similar Documents

Publication Publication Date Title
CN107038411A (zh) 一种基于视频中车辆运动轨迹的路侧停车行为精确识别方法
Anandhalli et al. A novel approach in real-time vehicle detection and tracking using Raspberry Pi
CN111652097B (zh) 一种图像毫米波雷达融合目标检测方法
CN102768804B (zh) 基于视频的交通信息采集方法
Huang Traffic speed estimation from surveillance video data
CN105760846B (zh) 基于深度数据的目标检测与定位方法及系统
CN103425967A (zh) 一种基于行人检测和跟踪的人流监控方法
Yaghoobi Ershadi et al. Robust vehicle detection in different weather conditions: Using MIPM
Pan et al. Traffic surveillance system for vehicle flow detection
Wu et al. Adaptive vehicle detector approach for complex environments
CN101094413A (zh) 用于视频监控的实时运动检测方法
CN105513342A (zh) 一种基于视频跟踪的车辆排队长度计算方法
Chong et al. Integrated real-time vision-based preceding vehicle detection in urban roads
Tschentscher et al. Scalable real-time parking lot classification: An evaluation of image features and supervised learning algorithms
Naufal et al. Preprocessed mask RCNN for parking space detection in smart parking systems
CN109086682A (zh) 一种基于多特征融合的智能视频黑烟车检测方法
CN113887304A (zh) 一种基于目标检测与行人追踪的占道经营监测方法
Zhao et al. APPOS: An adaptive partial occlusion segmentation method for multiple vehicles tracking
CN106951820B (zh) 基于环形模板和椭圆拟合的客流统计方法
Xia et al. Automatic multi-vehicle tracking using video cameras: An improved CAMShift approach
CN103150550A (zh) 一种基于运动轨迹分析的道路行人事件检测方法
Veni et al. Video-Based Detection, Counting and Classification of Vehicles Using OpenCV
Tan et al. Vehicle speed measurement for accident scene investigation
CN110889347A (zh) 基于时空计数特征的密度交通流计数方法及系统
CN103258433B (zh) 一种交通视频监控中智能车牌清晰显示方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170811