CN108550259A - 道路拥堵判断方法、终端设备及计算机可读存储介质 - Google Patents
道路拥堵判断方法、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108550259A CN108550259A CN201810356738.XA CN201810356738A CN108550259A CN 108550259 A CN108550259 A CN 108550259A CN 201810356738 A CN201810356738 A CN 201810356738A CN 108550259 A CN108550259 A CN 108550259A
- Authority
- CN
- China
- Prior art keywords
- road
- congestion
- decoder
- result
- convolution feature
- 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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种道路拥堵判断方法、终端设备及计算机可读存储介质，本发明通过预设神经网络模型提取待处理道路图像的目标卷积特征，将所述目标卷积特征分别代入分类解码器、检测解码器和分割解码器，获得类别结果、位置结果和语义分割结果，根据所述类别结果，所述位置结果和所述语义分割结果确定所述待处理道路图像中的路面区域坐标和车辆区域坐标，根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息，提高道路拥堵判断的准确性，缩短道路拥堵判断的处理时间，避免外界环境的干扰，实时地对道路拥堵进行可靠判断。
Description
技术领域
本发明涉及计算机视觉领域，尤其涉及一种道路拥堵判断方法、终端设备及计算机可读存储介质。
背景技术
随着国民经济的快速发展和城市化进程的加快，我国机动车拥有量和道路交通量迅速增长，交通拥堵问题日趋严重。在这种情况下，采用先进的交通监测系统对道路通行状况进行实时监测，提高对路况拥堵等突发状况的反应速度，实现最终的交通控制与诱导显得尤为重要。
而交通控制与诱导必须以实时、准确的交通流量统计信息获取为前提，而早期的人工统计方式不仅耗费人力，而且获取到的实时信息难以快速传播。近些年，随着光电子技术的发展，各种基于电子传感器的交通参数检测方式得到了应用，主要有超声波检测、红外检测和环形感应圈检测等。而上述各种方式均有比较明显的弊端，例如：超声波检测精度不高，容易受车辆遮挡和行人的影响，检测的距离短；红外检测受车辆本身热源的影响，抗噪声的能力低，检测精度低；环形感应圈检测精度高，但需要设于路面结构中，对路面有损坏，施工和安装不便。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种道路拥堵判断方法、终端设备及计算机可读存储介质，旨在解决现有技术中进行道路通行状况监测时，抗干扰能力差，对外部检测环境要求较高，一旦外部环境出现偏差，不能够准确对道路拥堵状况进行判断的技术问题。
为实现上述目的，本发明提供一种道路拥堵判断方法，所述道路拥堵判断方法包括以下步骤：
根据预设神经网络模型提取待处理道路图像的目标卷积特征；
将所述目标卷积特征分别代入分类解码器、检测解码器和分割解码器，获得类别结果、位置结果和语义分割结果；所述分类解码器为对卷积特征进行分类识别的解码器，所述检测解码器为对卷积特征进行定位检测的解码器，所述分割解码器为对卷积特征进行语义分割的解码器；
根据所述类别结果，所述位置结果和所述语义分割结果确定所述待处理道路图像中的路面区域坐标和车辆区域坐标；
根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息。
优选地，所述将所述目标卷积特征分别代入分类解码器、检测解码器和分割解码器，获得类别结果，位置结果和语义分割结果，具体包括：
将所述目标卷积特征代入分类解码器，获得特征向量，根据所述特征向量获得类别结果；
将所述目标卷积特征代入检测解码器，获得边界框位置残差，根据所述边界框位置残差获得位置结果；
将所述目标卷积特征代入分割解码器，获得与所述待处理道路图像大小一致的特征图，根据所述特征图获得语义分割结果。
优选地，所述将所述目标卷积特征代入分类解码器，获得特征向量，根据所述特征向量获得类别结果，具体包括：
将所述目标卷积特征代入分类解码器，获得第一隐藏层；
将所述第一隐藏层进行延展，获得特征向量，根据所述特征向量获得类别结果。
优选地，所述将所述目标卷积特征代入检测解码器，获得边界框位置残差，根据所述边界框位置残差获得位置结果，具体包括：
将所述目标卷积特征代入检测解码器，获得第二隐藏层；
将所述第二隐藏层代入感兴趣区域ROI层获得边界框位置残差，根据所述边界框位置残差获得位置结果。
优选地，所述将所述目标卷积特征代入分割解码器，获得与所述待处理道路图像大小一致的特征图，根据所述特征图获得语义分割结果，具体包括：
将所述目标卷积特征代入分割解码器，从所述目标卷积特征中获取高分辨率特征和低分辨率特征；
通过全卷积神经网络中的跳跃层将所述高分辨率特征和低分辨率特征进行结合，获得与所述待处理道路图像大小一致的特征图，根据所述特征图获得语义分割结果。
优选地，所述根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息，具体包括：
根据所述路面区域坐标和所述车辆区域坐标计算出道路拥塞密度检测信息，车辆道路占比信息和车辆重叠密度检测信息；
根据所述道路拥塞密度检测信息，车辆道路占比信息和车辆重叠密度检测信息确定所述道路拥堵信息。
优选地，所述根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息之后，所述道路拥堵判断方法还包括：
根据对所述道路拥堵信息中各个参数按照预设权重进行加权运算，计算出所述待处理道路图像对应的道路拥堵判定值；
根据所述道路拥堵判定值确定道路拥堵等级，根据所述道路拥堵等级确定道路拥堵情况。
优选地，所述根据预设神经网络模型提取待处理道路图像的目标卷积特征之前，所述道路拥堵判断方法还包括：
将样本图像集中的各个样本图像分别输入至所述分类解码器、检测解码器和分割解码器中，获得类别预测值，位置预测值和语义分割预测值；
将所述类别预测值、位置预测值和语义分割预测值分别与预设类别标签值、预设位置标签值和预设语义标签值进行对比，获得损失函数；
根据所述损失函数对所述预设神经网络模型进行校正训练，直至最终收敛；
将经过训练后的预设神经网络模型作为新的预设神经网络模型。
此外，为实现上述目的，本发明还提出一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的道路拥堵判断程序，所述道路拥堵判断程序配置为实现如上文所述的道路拥堵判断方法的步骤。
此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有道路拥堵判断程序，所述道路拥堵判断程序被处理器执行时实现如上文所述的道路拥堵判断方法的步骤。
本发明提出的道路拥堵判断方法，通过预设神经网络模型提取待处理道路图像的目标卷积特征，将所述目标卷积特征分别代入分类解码器、检测解码器和分割解码器，获得类别结果、位置结果和语义分割结果，所述分类解码器为对卷积特征进行分类识别的解码器，所述检测解码器为对卷积特征进行定位检测的解码器，所述分割解码器为对卷积特征进行语义分割的解码器，根据所述类别结果，所述位置结果和所述语义分割结果确定所述待处理道路图像中的路面区域坐标和车辆区域坐标，根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息，提高道路拥堵判断的准确性，缩短道路拥堵判断的处理时间，避免外界环境的干扰，实时地对道路拥堵进行可靠判断。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的终端设备结构示意图；
图2为本发明道路拥堵判断方法第一实施例的流程示意图；
图3为本发明道路拥堵判断方法第二实施例的流程示意图；
图4为本发明道路拥堵判断方法第三实施例的流程示意图；
图5为本发明道路拥堵判断方法第四实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的解决方案主要是：利用端到端的深度学习代码框架实时判断出当前道路的拥堵情况，主要是通过预设神经网络模型提取待处理道路图像的目标卷积特征，将所述目标卷积特征分别代入分类解码器、检测解码器和分割解码器，获得类别结果、位置结果和语义分割结果，所述分类解码器为对卷积特征进行分类识别的解码器，所述检测解码器为对卷积特征进行定位检测的解码器，所述分割解码器为对卷积特征进行语义分割的解码器，根据所述类别结果，所述位置结果和所述语义分割结果确定所述待处理道路图像中的路面区域坐标和车辆区域坐标，根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息，提高道路拥堵判断的准确性，缩短道路拥堵判断的处理时间，避免外界环境的干扰，实时地对道路拥堵进行可靠判断，解决了现有技术中进行道路通行状况监测时，抗干扰能力差，对外部检测环境要求较高，一旦外部环境出现偏差，不能够准确对道路拥堵状况进行判断的技术问题。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的终端设备结构示意图。
如图1所示，该终端设备可以包括：处理器1001，例如CPU，通信总线1002、用户端接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户端接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户端接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端设备结构并不构成对该终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户端接口模块以及道路拥堵判断程序。
本发明终端设备通过处理器1001调用存储器1005中存储的道路拥堵判断程序，并执行以下操作：
根据预设神经网络模型提取待处理道路图像的目标卷积特征；
将所述目标卷积特征分别代入分类解码器、检测解码器和分割解码器，获得类别结果、位置结果和语义分割结果；所述分类解码器为对卷积特征进行分类识别的解码器，所述检测解码器为对卷积特征进行定位检测的解码器，所述分割解码器为对卷积特征进行语义分割的解码器；
根据所述类别结果，所述位置结果和所述语义分割结果确定所述待处理道路图像中的路面区域坐标和车辆区域坐标；
根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息。
进一步地，处理器1001可以调用存储器1005中存储的道路拥堵判断程序，还执行以下操作：
将所述目标卷积特征代入分类解码器，获得特征向量，根据所述特征向量获得类别结果；
将所述目标卷积特征代入检测解码器，获得边界框位置残差，根据所述边界框位置残差获得位置结果；
将所述目标卷积特征代入分割解码器，获得与所述待处理道路图像大小一致的特征图，根据所述特征图获得语义分割结果。
进一步地，处理器1001可以调用存储器1005中存储的道路拥堵判断程序，还执行以下操作：
将所述目标卷积特征代入分类解码器，获得第一隐藏层；
将所述第一隐藏层进行延展，获得特征向量，根据所述特征向量获得类别结果。
进一步地，处理器1001可以调用存储器1005中存储的道路拥堵判断程序，还执行以下操作：
将所述目标卷积特征代入检测解码器，获得第二隐藏层；
将所述第二隐藏层代入感兴趣区域ROI层获得边界框位置残差，根据所述边界框位置残差获得位置结果。
进一步地，处理器1001可以调用存储器1005中存储的道路拥堵判断程序，还执行以下操作：
将所述目标卷积特征代入分割解码器，从所述目标卷积特征中获取高分辨率特征和低分辨率特征；
通过全卷积神经网络中的跳跃层将所述高分辨率特征和低分辨率特征进行结合，获得与所述待处理道路图像大小一致的特征图，根据所述特征图获得语义分割结果。
进一步地，处理器1001可以调用存储器1005中存储的道路拥堵判断程序，还执行以下操作：
根据所述路面区域坐标和所述车辆区域坐标计算出道路拥塞密度检测信息，车辆道路占比信息和车辆重叠密度检测信息；
根据所述道路拥塞密度检测信息，车辆道路占比信息和车辆重叠密度检测信息确定所述道路拥堵信息。
进一步地，处理器1001可以调用存储器1005中存储的道路拥堵判断程序，还执行以下操作：
根据对所述道路拥堵信息中各个参数按照预设权重进行加权运算，计算出所述待处理道路图像对应的道路拥堵判定值；
根据所述道路拥堵判定值确定道路拥堵等级，根据所述道路拥堵等级确定道路拥堵情况。
进一步地，处理器1001可以调用存储器1005中存储的道路拥堵判断程序，还执行以下操作：
将样本图像集中的各个样本图像分别输入至所述分类解码器、检测解码器和分割解码器中，获得类别预测值，位置预测值和语义分割预测值；
将所述类别预测值、位置预测值和语义分割预测值分别与预设类别标签值、预设位置标签值和预设语义标签值进行对比，获得损失函数；
根据所述损失函数对所述预设神经网络模型进行校正训练，直至最终收敛；
将经过训练后的预设神经网络模型作为新的预设神经网络模型。
本实施例通过上述方案，通过预设神经网络模型提取待处理道路图像的目标卷积特征，将所述目标卷积特征分别代入分类解码器、检测解码器和分割解码器，获得类别结果、位置结果和语义分割结果，所述分类解码器为对卷积特征进行分类识别的解码器，所述检测解码器为对卷积特征进行定位检测的解码器，所述分割解码器为对卷积特征进行语义分割的解码器，根据所述类别结果，所述位置结果和所述语义分割结果确定所述待处理道路图像中的路面区域坐标和车辆区域坐标，根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息，提高道路拥堵判断的准确性，缩短道路拥堵判断的处理时间，避免外界环境的干扰，实时地对道路拥堵进行可靠判断。
基于上述硬件结构，提出本发明道路拥堵判断方法实施例。
参照图2，图2为本发明道路拥堵判断方法第一实施例的流程示意图。
在第一实施例中，所述道路拥堵判断方法包括以下步骤：
步骤S10、根据预设神经网络模型提取待处理道路图像的目标卷积特征。
需要说明的是，所述预设神经网络模型为预先设置好的，并且经过了大量数据的训练后的神经网络模型，可以适用于大部分图像的卷积特征提取；所述待处理道路图像可以是公路监控系统中获取的当前道路交通的视频中选取的图像，也可以是通过道路交通采集仪器采集的当前道路交通图像，还可以是通过航拍飞行器采集到的当前道路交通图像，当然还可以是通过其他方式获取的图像作为待处理道路图像，本实施例对此不加以限制。
可以理解的是，所述预设神经网络模型可以包括深度卷积神经网络层、卷积神经网络编码层、卷积神经网络解码层和全卷积神经网络层，当然还可以包括更多或更少的其他类型的网络层用于更好的实现卷积特征的提取，本实施例对此不加以限制；所述目标卷积特征为所述待处理道路图像经过所述预设神经网络模型提取的卷积特征，通过所述预设神经网络模型可以快速提取出所述待处理道路图像的目标卷积特征，进而节省了道路拥堵判断的处理时间。
在具体实现中，一般可以通过所述预设神经网络模型中的卷积神经网络(Convolution Neural Network，CNN)编码层对所述待处理道路图像进行编码后形成的卷积特征作为所述目标卷积特征，即通过所述预设神经网络模型中的编码器对所述待处理道路图像进行编码后形成的特征作为卷积特征，所述编码器可以由视觉几何组(VisualGeometry Group，VGG-16)卷积神经结构的卷积层和池化层组成，采用前13层输出的结果，并可以共享权重，当然也可以通过其他方式组成，本实施例对此不加以限制。
步骤S20、将所述目标卷积特征分别代入分类解码器、检测解码器和分割解码器，获得类别结果、位置结果和语义分割结果；所述分类解码器为对卷积特征进行分类识别的解码器，所述检测解码器为对卷积特征进行定位检测的解码器，所述分割解码器为对卷积特征进行语义分割的解码器。
需要说明的是，获得所述目标卷积特征后，可以通过预设统计架构对所述目标卷积特征进行解码分析操作，所述预设统计架构可以包括编码器、分类解码器、检测解码器和分割解码器，所述分类解码器为对卷积特征进行分类识别的解码器，所述检测解码器为对卷积特征进行定位检测的解码器，所述分割解码器为对卷积特征进行语义分割的解码器。
可以理解的是，一般的将所述目标卷积特征代入分类解码器、检测解码器和分割解码器获得类别结果、位置结果和语义分割结果，所述分类解码器、检测解码器和分割解码器可以共享所述目标卷积特征，也可以共享权重。
步骤S30、根据所述类别结果，所述位置结果和所述语义分割结果确定所述待处理道路图像中的路面区域坐标和车辆区域坐标。
应当理解的是，获得所述类别结果，所述位置结果和所述语义分割结果后，能够确定车辆坐标位置和所述待处理道路图像中路面区域的范围，即所述路面区域坐标和车辆区域坐标。
步骤S40、根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息。
可以理解的是，根据所述路面区域坐标和所述车辆区域坐标能够确定所述待处理道路图像的道路拥堵信息，具体的，当交通需求量较低时，道路上的交通流量较小，所有车辆均能够以较高的速度运行，此时车头时距较大；随着交通需求量的增加，道路上的交通流量不断增大，同时交通流速度和车头时距逐渐下降，当交通需求量达到道路通行能力时，道路上的交通流量达到最大值，车头时距达到最小值；当交通需求量超过道路的通行能力时，交通流的速度继续下降，结果导致单位时间内通过道路的交通流量低于道路的通行能力；因此，可以通过所述路面区域坐标和所述车辆区域坐标确定路面上的车辆辆数以及路面面积来判断。
在具体实现中，为了更加准确地判断出路面拥堵状况，可以通过所述路面区域坐标和所述车辆区域坐标结合分析当前道路上所有车辆占路面面积比例、车辆占图像比例、图像中车辆辆数、图像中车辆密度等统计数据来综合分析，进而确定所述待处理道路图像的道路拥堵信息。
进一步地，所述步骤S40具体包括以下步骤：
根据所述路面区域坐标和所述车辆区域坐标计算出道路拥塞密度检测信息，车辆道路占比信息和车辆重叠密度检测信息；
根据所述道路拥塞密度检测信息，车辆道路占比信息和车辆重叠密度检测信息确定所述道路拥堵信息。
应当理解的是，根据所述路面区域坐标和所述车辆区域坐标即车辆位置和道路位置能够计算出道路拥塞密度检测信息，车辆道路占比信息和车辆重叠密度检测信息；根据所述道路拥塞密度检测信息，车辆道路占比信息和车辆重叠密度检测信息确定所述道路拥堵信息；其中，所述道路拥塞密度检测信息表现为车辆占图像面积比例，即车辆面积占所述待处理道路图像面积的比例；所述车辆道路占比信息表现为车辆占路面面积比例，即所述待处理道路图像中检测出来的车辆面积与检测出来的路面面积比例值，所述车辆重叠密度检测信息表现为车辆重叠密度，即车辆面积。本实施例通过上述方案，通过预设神经网络模型提取待处理道路图像的目标卷积特征，将所述目标卷积特征分别代入分类解码器、检测解码器和分割解码器，获得类别结果、位置结果和语义分割结果，所述分类解码器为对卷积特征进行分类识别的解码器，所述检测解码器为对卷积特征进行定位检测的解码器，所述分割解码器为对卷积特征进行语义分割的解码器，根据所述类别结果，所述位置结果和所述语义分割结果确定所述待处理道路图像中的路面区域坐标和车辆区域坐标，根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息，提高道路拥堵判断的准确性，缩短道路拥堵判断的处理时间，避免外界环境的干扰，实时地对道路拥堵进行可靠判断。
进一步地，图3为本发明道路拥堵判断方法第二实施例的流程示意图，如图3所示，基于第一实施例提出本发明道路拥堵判断方法第二实施例，在本实施例中，所述步骤S20具体包括以下步骤：
步骤S21、将所述目标卷积特征代入分类解码器，获得特征向量，根据所述特征向量获得类别结果。
需要说明的是，使用预设统计架构中的分裂解码器，即将所述目标卷积特征代入分类解码器，可以获得特征向量，根据所述特征向量获得类别结果，即确定出待处理道路图像中每个像素的类别归属。
进一步地，所述步骤S21具体包括以下步骤：
将所述目标卷积特征代入分类解码器，获得第一隐藏层；
将所述第一隐藏层进行延展，获得特征向量，根据所述特征向量获得类别结果。
在具体实现中，一般的，例如可以将所述目标卷积特征输出至所述分类解码器，得到39x12x500大小的隐藏层，然后将该隐藏层进行延展，形成140400x2大小的特征向量，并将该向量输出到softmax函数里面，得到与所述待处理道路图像大小一致的类别预测结果图(1248x384x2)，即生成与所述待处理道路图像大小一致的车辆和路面归属分类结果，即所述分类结果。
步骤S22、将所述目标卷积特征代入检测解码器，获得边界框位置残差，根据所述边界框位置残差获得位置结果。
需要说明的是，使用所述预设统计架构中的检测解码器，即将所述目标卷积特征代入检测解码器，获得边界框位置残差，根据所述边界框位置残差获得位置结果，即确定出准确的车辆坐标位置。
进一步地，所述步骤S22具体包括以下步骤：
将所述目标卷积特征代入检测解码器，获得第二隐藏层；
将所述第二隐藏层代入感兴趣区域ROI层获得边界框位置残差，根据所述边界框位置残差获得位置结果。
可以理解的是，所述检测解码器用于生成车辆精确位置信息，将所述目标卷积特征输出至所述检测解码器，得到中间隐藏层，即所述第二隐藏层；同时，通过引入一个感兴趣区域(Regions of Interest，ROI)层利用高分辨率特征来得到边界框位置上的残差，计算得到目标框位置和目标置信度的预测值，即所述位置结果。在具体实现中，一般的，例如可以通过所述预设统计架构中的检测编码器的输出(39x12x512)进行卷积，生成隐藏层(39x12x500)并最终输出预测向量(39x12x6)；另外，利用最终输出的预测向量(39x12x6)并且通过一个ROI池化层，得到对应位置的VGG深度卷积网络里面的高分辨率卷积特征；并和低分辨率的卷积特征进行级联，生成位置信息的残差，提高车辆位置的输出精度。
步骤S23、将所述目标卷积特征代入分割解码器，获得与所述待处理道路图像大小一致的特征图，根据所述特征图获得语义分割结果。
需要说明的是，使用所述预设统计架构中的分割解码器，即将所述目标卷积特征代入分割解码器，获得与所述待处理道路图像大小一致的特征图，根据所述特征图获得语义分割结果，即确定出所述待处理道路图像中路面区域的范围。
进一步地，所述步骤S23具体包括以下步骤：
将所述目标卷积特征代入分割解码器，从所述目标卷积特征中获取高分辨率特征和低分辨率特征；
通过全卷积神经网络中的跳跃层将所述高分辨率特征和低分辨率特征进行结合，获得与所述待处理道路图像大小一致的特征图，根据所述特征图获得语义分割结果。
可以理解的是，所述分割解码器一般采用全卷积神经网络来对图像进行语义分割，所述分类解码器通过将低分辨率卷积特征和高分辨率卷积特征进行结合、实现图像中的前景背景检测，即对所述待处理图像中不同部件分门别类地进行分割。
在具体实现中，通过全卷积神经网络，生成一个与输入图像大小一致的卷积特征图像，通过跳跃层将高分辨率特征和低分辨率特征进行结合，得到与原始图像大小的特征图，最后获取语义分割预测值，即所述分割结果。
本实施例通过上述方案，通过将所述目标卷积特征代入分类解码器，获得特征向量，根据所述特征向量获得类别结果，将所述目标卷积特征代入检测解码器，获得边界框位置残差，根据所述边界框位置残差获得位置结果，将所述目标卷积特征代入分割解码器，获得与所述待处理道路图像大小一致的特征图，根据所述特征图获得语义分割结果，能够提高待处理道路图像中特征的识别精度，并且智能化及自动化程度高，一次部署，长期使用，提高道路拥堵判断的准确性，缩短道路拥堵判断的处理时间，避免外界环境的干扰，实时地对道路拥堵进行可靠判断。
进一步地，图4为本发明道路拥堵判断方法第三实施例的流程示意图，如图4所示，基于第一实施例提出本发明道路拥堵判断方法第三实施例，在本实施例中，所述步骤S40之后，所述道路拥堵判断方法还包括以下步骤：
步骤S50、根据对所述道路拥堵信息中各个参数按照预设权重进行加权运算，计算出所述待处理道路图像对应的道路拥堵判定值。
需要说明的是，所述预设权重为预先设置的权重为与所述道路拥堵信息中各个参数对应的预设的权重，例如道路拥塞密度值、车辆道路占比值和车辆重叠密度值等各个参数对应的预设的权重，根据所述预设权重对所述道路拥堵信息中各个参数进行加权运算，能够计算出所述待处理道路图像的道路拥堵判定值。
步骤S60、根据所述道路拥堵判定值确定道路拥堵等级，根据所述道路拥堵等级确定道路拥堵情况。
可以理解的是，所述道路拥堵等级为预设的用来区分道路拥堵情况的等级，例如设置为1至5级，1级表示道路畅通，5级表示非常拥堵，当然也可以设置为其他更多或更少的等级，本实施例对此不加以限制；根据所述道路拥堵判定值能够确定道路拥堵等级，根据所述道路拥堵等级能够快速确定道路拥堵情况，有利于作为后续道路交通管制的依据，及时为交管部门提供当前道路情况的精确数据，有利于疏通道路堵塞的情况，降低道路交通的压力。
在具体实现中，根据所述道路拥塞密度检测信息，车辆道路占比信息和车辆重叠密度检测信息确定所述道路拥堵信息，由于道路拥堵受到各种因素影响，且准确的影响机制无法使用量化的数学表达式来表示，所以一般采用模糊数学中的隶属度函数来实现道路拥堵程度的量化计算，即先确定好对应于车辆占路面面积比例、车辆占图像面积比例与车辆重叠密度这三个变量的隶属函数，然后给每一个隶属度函数设置一个初始化权重，再根据初始化权重结合所述道路员工年度信息中各个参数进行模糊加权计算，计算出所述待处理道路图像对应的道路拥堵判定值，进而确定道路拥堵等级。
本实施例通过上述方案，通过根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息之后，根据对所述道路拥堵信息中各个参数按照预设权重进行加权运算，计算出所述待处理道路图像对应的道路拥堵判定值，根据所述道路拥堵判定值能够快速确定道路拥堵情况，有利于作为后续道路交通管制的依据，及时为交管部门提供精确的当前道路情况的数据，有利于疏通道路堵塞的情况，降低道路交通的压力。
进一步地，图5为本发明道路拥堵判断方法第四实施例的流程示意图，如图5所示，基于第一实施例提出本发明道路拥堵判断方法第四实施例，在本实施例中，所述步骤S10之前，所述道路拥堵判断方法还包括以下步骤：
步骤S01、将样本图像集中的各个样本图像分别输入至所述分类解码器、检测解码器和分割解码器中，获得类别预测值，位置预测值和语义分割预测值。
需要说明的是，所述样本图像集为预先设置的用于训练神经网络模型的样本图像的集合，可以是预先设置的固定数量的图像作为样本图像集，也可以是以一定周期持续更新的样本图像集，当然还可以是通过其他方式确定的样本图像集，本实施例对此不加以限制。
可以理解的是，将样本图像集中的各个样本图像分别输入至所述分类解码器、检测解码器和分割解码器中，能够获得类别预测值，位置预测值和语义分割预测值，能够快速将各个样本图像进行分析，获取各个样本图片对应的类别、位置和语义等重要信息，缩短了道路拥堵判断的时间。
步骤S02、将所述类别预测值、位置预测值和语义分割预测值分别与预设类别标签值、预设位置标签值和预设语义标签值进行对比，获得损失函数。
需要说明的是，所述预设类别标签值、预设位置标签值和预设语义标签值为预先设置的与各个样本图像对应的图片中的道路信息和车辆的位置信息，用于与所述类别预测值、位置预测值和语义分割预测值进行一一对比，进而获得损失函数，所述损失函数为分类，分割和检测这三个预测值与标签值的损失函数的总和。
可以理解的是，当利用样本图像集中的各个样本图像分别输入至所述分类解码器、检测解码器和分割解码器中，进行神经网络模型的训练时，所有的损失都被相等地加权。在具体实现中，可以分别进行小批次抽样，以使所有的损失函数交替更新，更新仅利用检测解码器的误差值，为了加速训练过程，可以使用已有的预先训练的VGG权重对编码器进行权值初始化，另外使用范围为[-0.1,0.1]中的单位正太分布随机初始化检测解码器和分类解码器的网络权重。分割解码器的卷积层也使用VGG权重进行初始化，并且转置卷积层被初始化以执行双线性上采样。另一方面，跳过连接以非常小的权重(即1e-4的标准)随机初始化，从而进一步进行训练，可以使用自适应矩估计(Adaptive Moment estimation，Adam)优化器来实现整个损失函数的参数迭代优化过程，学习速率为1e-5。对所有层施加5e-4的权重衰减，并且以解码器中的所有的1x1卷积应用概率为0.5的dropout，其中，dropout是指在深度学习网络的训练过程中,对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。
步骤S03、根据所述损失函数对所述预设神经网络模型进行校正训练，直至最终收敛。
需要说明的是，根据所述损失函数，即所述类别预测值、位置预测值和语义分割预测值分别与预设类别标签值、预设位置标签值和预设语义标签值进行比对获得的误差值，按照所述函数计算出最终的损失数值，对所述预设神经网络模型进行校正训练，直至最终收敛。
可以理解的是，按照损失函数计算得到最终的损失数值后，可以通过梯度反向传播和链式求导方式完成对神经网络权重相应的修正，如此循环往复，直至设定的损失函数最终收敛，实现对所述神经网络模型的训练过程，保证得到的路面分割区域和车辆区域分别能够与标签数据的路面分割区域和车辆区域很好地对应。
步骤S04、将经过训练后的预设神经网络模型作为新的预设神经网络模型。
应当理解的是，经过训练后的预设神经网络模型可以应对大部分的各类待处理道路图片的特征提取了，也可以是以一定周期对所述预设数据网络模型进行更新训练，以使所述预设神经网络模型能够更加快速准确的实现道路交通状况的判断。
本实施例通过上述方案，通过将样本图像集中的各个样本图像分别输入至所述分类解码器、检测解码器和分割解码器中，获得类别预测值，位置预测值和语义分割预测值，将所述类别预测值、位置预测值和语义分割预测值分别与预设类别标签值、预设位置标签值和预设语义标签值进行对比，获得损失函数，根据所述损失函数对所述预设神经网络模型进行校正训练，直至最终收敛，将经过训练后的预设神经网络模型作为新的预设神经网络模型，能够提高待处理道路图像中特征的识别精度，通过训练后的预设神经网络模型能够更加智能快速地对待处理道路图片进行特征提取，提高道路拥堵判断的准确性，缩短道路拥堵判断的处理时间，避免外界环境的干扰，实时地对道路拥堵进行可靠判断。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有道路拥堵判断程序，所述道路拥堵判断程序被处理器执行时实现如下操作：
根据预设神经网络模型提取待处理道路图像的目标卷积特征；
将所述目标卷积特征分别代入分类解码器、检测解码器和分割解码器，获得类别结果、位置结果和语义分割结果；所述分类解码器为对卷积特征进行分类识别的解码器，所述检测解码器为对卷积特征进行定位检测的解码器，所述分割解码器为对卷积特征进行语义分割的解码器；
根据所述类别结果，所述位置结果和所述语义分割结果确定所述待处理道路图像中的路面区域坐标和车辆区域坐标；
根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息。
进一步地，所述道路拥堵判断程序被处理器执行时还实现如下操作：
将所述目标卷积特征代入分类解码器，获得特征向量，根据所述特征向量获得类别结果；
将所述目标卷积特征代入检测解码器，获得边界框位置残差，根据所述边界框位置残差获得位置结果；
将所述目标卷积特征代入分割解码器，获得与所述待处理道路图像大小一致的特征图，根据所述特征图获得语义分割结果。
进一步地，所述道路拥堵判断程序被处理器执行时还实现如下操作：
将所述目标卷积特征代入分类解码器，获得第一隐藏层；
将所述第一隐藏层进行延展，获得特征向量，根据所述特征向量获得类别结果。
进一步地，所述道路拥堵判断程序被处理器执行时还实现如下操作：
将所述目标卷积特征代入检测解码器，获得第二隐藏层；
将所述第二隐藏层代入感兴趣区域ROI层获得边界框位置残差，根据所述边界框位置残差获得位置结果。
进一步地，所述道路拥堵判断程序被处理器执行时还实现如下操作：
将所述目标卷积特征代入分割解码器，从所述目标卷积特征中获取高分辨率特征和低分辨率特征；
通过全卷积神经网络中的跳跃层将所述高分辨率特征和低分辨率特征进行结合，获得与所述待处理道路图像大小一致的特征图，根据所述特征图获得语义分割结果。
进一步地，所述道路拥堵判断程序被处理器执行时还实现如下操作：
根据所述路面区域坐标和所述车辆区域坐标计算出道路拥塞密度检测信息，车辆道路占比信息和车辆重叠密度检测信息；
根据所述道路拥塞密度检测信息，车辆道路占比信息和车辆重叠密度检测信息确定所述道路拥堵信息。
进一步地，所述道路拥堵判断程序被处理器执行时还实现如下操作：
根据对所述道路拥堵信息中各个参数按照预设权重进行加权运算，计算出所述待处理道路图像对应的道路拥堵判定值；
根据所述道路拥堵判定值确定道路拥堵等级，根据所述道路拥堵等级确定道路拥堵情况。
进一步地，所述道路拥堵判断程序被处理器执行时还实现如下操作：
将样本图像集中的各个样本图像分别输入至所述分类解码器、检测解码器和分割解码器中，获得类别预测值，位置预测值和语义分割预测值；
将所述类别预测值、位置预测值和语义分割预测值分别与预设类别标签值、预设位置标签值和预设语义标签值进行对比，获得损失函数；
根据所述损失函数对所述预设神经网络模型进行校正训练，直至最终收敛；
将经过训练后的预设神经网络模型作为新的预设神经网络模型。
本实施例通过上述方案，通过预设神经网络模型提取待处理道路图像的目标卷积特征，将所述目标卷积特征分别代入分类解码器、检测解码器和分割解码器，获得类别结果、位置结果和语义分割结果，所述分类解码器为对卷积特征进行分类识别的解码器，所述检测解码器为对卷积特征进行定位检测的解码器，所述分割解码器为对卷积特征进行语义分割的解码器，根据所述类别结果，所述位置结果和所述语义分割结果确定所述待处理道路图像中的路面区域坐标和车辆区域坐标，根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息，提高道路拥堵判断的准确性，缩短道路拥堵判断的处理时间，避免外界环境的干扰，实时地对道路拥堵进行可靠判断。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种道路拥堵判断方法，其特征在于，所述道路拥堵判断方法包括：
根据预设神经网络模型提取待处理道路图像的目标卷积特征；
将所述目标卷积特征分别代入分类解码器、检测解码器和分割解码器，获得类别结果、位置结果和语义分割结果；所述分类解码器为对卷积特征进行分类识别的解码器，所述检测解码器为对卷积特征进行定位检测的解码器，所述分割解码器为对卷积特征进行语义分割的解码器；
根据所述类别结果，所述位置结果和所述语义分割结果确定所述待处理道路图像中的路面区域坐标和车辆区域坐标；
根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息。
2.如权利要求1所述的道路拥堵判断方法，其特征在于，所述将所述目标卷积特征分别代入分类解码器、检测解码器和分割解码器，获得类别结果，位置结果和语义分割结果，具体包括：
将所述目标卷积特征代入分类解码器，获得特征向量，根据所述特征向量获得类别结果；
将所述目标卷积特征代入检测解码器，获得边界框位置残差，根据所述边界框位置残差获得位置结果；
将所述目标卷积特征代入分割解码器，获得与所述待处理道路图像大小一致的特征图，根据所述特征图获得语义分割结果。
3.如权利要求2所述的道路拥堵判断方法，其特征在于，所述将所述目标卷积特征代入分类解码器，获得特征向量，根据所述特征向量获得类别结果，具体包括：
将所述目标卷积特征代入分类解码器，获得第一隐藏层；
将所述第一隐藏层进行延展，获得特征向量，根据所述特征向量获得类别结果。
4.如权利要求3所述的道路拥堵判断方法，其特征在于，所述将所述目标卷积特征代入检测解码器，获得边界框位置残差，根据所述边界框位置残差获得位置结果，具体包括：
将所述目标卷积特征代入检测解码器，获得第二隐藏层；
将所述第二隐藏层代入感兴趣区域ROI层获得边界框位置残差，根据所述边界框位置残差获得位置结果。
5.如权利要求4所述的道路拥堵判断方法，其特征在于，所述将所述目标卷积特征代入分割解码器，获得与所述待处理道路图像大小一致的特征图，根据所述特征图获得语义分割结果，具体包括：
将所述目标卷积特征代入分割解码器，从所述目标卷积特征中获取高分辨率特征和低分辨率特征；
通过全卷积神经网络中的跳跃层将所述高分辨率特征和低分辨率特征进行结合，获得与所述待处理道路图像大小一致的特征图，根据所述特征图获得语义分割结果。
6.如权利要求1-5中任一项所述的道路拥堵判断方法，其特征在于，所述根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息，具体包括：
根据所述路面区域坐标和所述车辆区域坐标计算出道路拥塞密度检测信息，车辆道路占比信息和车辆重叠密度检测信息；
根据所述道路拥塞密度检测信息，车辆道路占比信息和车辆重叠密度检测信息确定所述道路拥堵信息。
7.如权利要求1-5中任一项所述的道路拥堵判断方法，其特征在于，所述根据所述路面区域坐标和所述车辆区域坐标确定所述待处理道路图像的道路拥堵信息之后，所述道路拥堵判断方法还包括：
根据对所述道路拥堵信息中各个参数按照预设权重进行加权运算，计算出所述待处理道路图像对应的道路拥堵判定值；
根据所述道路拥堵判定值确定道路拥堵等级，根据所述道路拥堵等级确定道路拥堵情况。
8.如权利要求1-5中任一项所述的道路拥堵判断方法，其特征在于，所述根据预设神经网络模型提取待处理道路图像的目标卷积特征之前，所述道路拥堵判断方法还包括：
将样本图像集中的各个样本图像分别输入至所述分类解码器、检测解码器和分割解码器中，获得类别预测值，位置预测值和语义分割预测值；
将所述类别预测值、位置预测值和语义分割预测值分别与预设类别标签值、预设位置标签值和预设语义标签值进行对比，获得损失函数；
根据所述损失函数对所述预设神经网络模型进行校正训练，直至最终收敛；
将经过训练后的预设神经网络模型作为新的预设神经网络模型。
9.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的道路拥堵判断程序，所述道路拥堵判断程序配置为实现如权利要求1至8中任一项所述的道路拥堵判断方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有道路拥堵判断程序，所述道路拥堵判断程序被处理器执行时实现如权利要求1至8中任一项所述的道路拥堵判断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810356738.XA CN108550259B (zh) | 2018-04-19 | 2018-04-19 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810356738.XA CN108550259B (zh) | 2018-04-19 | 2018-04-19 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108550259A true CN108550259A (zh) | 2018-09-18 |
| CN108550259B CN108550259B (zh) | 2020-05-12 |
Family
ID=63515679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810356738.XA Expired - Fee Related CN108550259B (zh) | 2018-04-19 | 2018-04-19 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108550259B (zh) |
Cited By (24)
| 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 |
| CN109241938A (zh) * | 2018-09-27 | 2019-01-18 | 深圳金三立视频科技股份有限公司 | 道路拥堵检测方法及终端 |
| CN109446933A (zh) * | 2018-10-12 | 2019-03-08 | 浙江科技学院 | 一种基于卷积神经网络的道路场景语义分割方法 |
| 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 |
| CN109635719A (zh) * | 2018-12-10 | 2019-04-16 | 宽凳（北京）科技有限公司 | 一种图像识别方法、装置和计算机可读存储介质 |
| CN109670594A (zh) * | 2018-12-28 | 2019-04-23 | 北京旷视科技有限公司 | 数据训练方法、装置及电子设备 |
| CN109859477A (zh) * | 2019-03-15 | 2019-06-07 | 同盾控股有限公司 | 一种拥堵数据的确定方法和装置 |
| CN109886152A (zh) * | 2019-01-30 | 2019-06-14 | 天津大学 | 一种基于多传感器协作的无人驾驶路径选择方法 |
| CN110298844A (zh) * | 2019-06-17 | 2019-10-01 | 艾瑞迈迪科技石家庄有限公司 | X光造影图像血管分割与识别方法及装置 |
| CN110390314A (zh) * | 2019-07-29 | 2019-10-29 | 深兰科技（上海）有限公司 | 一种视觉感知方法及设备 |
| CN110853349A (zh) * | 2019-10-24 | 2020-02-28 | 杭州飞步科技有限公司 | 车辆调度方法、装置及设备 |
| WO2020062433A1 (zh) * | 2018-09-29 | 2020-04-02 | 初速度（苏州）科技有限公司 | 一种神经网络模型训练及通用接地线的检测方法 |
| CN111008986A (zh) * | 2019-11-20 | 2020-04-14 | 天津大学 | 一种基于多任务半卷积的遥感图像分割方法 |
| CN111369807A (zh) * | 2020-03-24 | 2020-07-03 | 北京百度网讯科技有限公司 | 一种交通事故的检测方法、装置、设备和介质 |
| CN111739283A (zh) * | 2019-10-30 | 2020-10-02 | 腾讯科技（深圳）有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
| CN112053561A (zh) * | 2020-09-11 | 2020-12-08 | 深兰人工智能芯片研究院（江苏）有限公司 | 非监控路段判断与定位交通事故的方法、系统及装置 |
| CN112464841A (zh) * | 2020-12-04 | 2021-03-09 | 四川长虹电器股份有限公司 | 一种用于专用道路违规行驶车辆检测的方法、存储介质 |
| CN112703532A (zh) * | 2020-12-03 | 2021-04-23 | 华为技术有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN113651061A (zh) * | 2021-08-18 | 2021-11-16 | 上海德启信息科技有限公司 | 一种物流流转状态的监测方法及监测系统 |
| CN113807270A (zh) * | 2021-09-22 | 2021-12-17 | 北京百度网讯科技有限公司 | 道路拥堵检测方法、装置及电子设备 |
| CN113807220A (zh) * | 2021-09-06 | 2021-12-17 | 丰图科技(深圳)有限公司 | 交通事件检测方法、装置、电子设备和可读存储介质 |
| CN114639036A (zh) * | 2022-03-02 | 2022-06-17 | 青岛海信网络科技股份有限公司 | 确定交通拥堵等级的方法及电子设备 |
| CN114724133A (zh) * | 2022-04-18 | 2022-07-08 | 北京百度网讯科技有限公司 | 文字检测和模型训练方法、装置、设备及存储介质 |
| WO2023125843A1 (zh) * | 2021-12-30 | 2023-07-06 | 深圳云天励飞技术股份有限公司 | 道路拥堵检测方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001319226A (ja) * | 2000-05-09 | 2001-11-16 | Toshiba Corp | 道路監視装置 |
| JP2003085686A (ja) * | 2001-09-13 | 2003-03-20 | Mitsubishi Electric Corp | 交通流計測画像処理装置 |
| CN106297297A (zh) * | 2016-11-03 | 2017-01-04 | 成都通甲优博科技有限责任公司 | 基于深度学习的交通拥堵判别方法 |
| CN106557814A (zh) * | 2016-11-15 | 2017-04-05 | 成都通甲优博科技有限责任公司 | 一种道路车辆密度评估方法及装置 |
| CN106971544A (zh) * | 2017-05-15 | 2017-07-21 | 安徽大学 | 一种直接利用静态图像来检测车辆拥堵的方法 |
| CN107226087A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种结构化道路自动驾驶运输车及控制方法 |
| CN107705551A (zh) * | 2016-08-08 | 2018-02-16 | 阿里巴巴集团控股有限公司 | 交通路况的评估方法以及装置 |
| CN107705560A (zh) * | 2017-10-30 | 2018-02-16 | 福州大学 | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 |
-
2018
- 2018-04-19 CN CN201810356738.XA patent/CN108550259B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001319226A (ja) * | 2000-05-09 | 2001-11-16 | Toshiba Corp | 道路監視装置 |
| JP2003085686A (ja) * | 2001-09-13 | 2003-03-20 | Mitsubishi Electric Corp | 交通流計測画像処理装置 |
| CN107705551A (zh) * | 2016-08-08 | 2018-02-16 | 阿里巴巴集团控股有限公司 | 交通路况的评估方法以及装置 |
| CN106297297A (zh) * | 2016-11-03 | 2017-01-04 | 成都通甲优博科技有限责任公司 | 基于深度学习的交通拥堵判别方法 |
| CN106557814A (zh) * | 2016-11-15 | 2017-04-05 | 成都通甲优博科技有限责任公司 | 一种道路车辆密度评估方法及装置 |
| CN106971544A (zh) * | 2017-05-15 | 2017-07-21 | 安徽大学 | 一种直接利用静态图像来检测车辆拥堵的方法 |
| CN107226087A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种结构化道路自动驾驶运输车及控制方法 |
| CN107705560A (zh) * | 2017-10-30 | 2018-02-16 | 福州大学 | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 |
Cited By (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241938B (zh) * | 2018-09-27 | 2022-02-18 | 深圳金三立视频科技股份有限公司 | 道路拥堵检测方法及终端 |
| CN109241938A (zh) * | 2018-09-27 | 2019-01-18 | 深圳金三立视频科技股份有限公司 | 道路拥堵检测方法及终端 |
| WO2020062433A1 (zh) * | 2018-09-29 | 2020-04-02 | 初速度（苏州）科技有限公司 | 一种神经网络模型训练及通用接地线的检测方法 |
| CN109147331B (zh) * | 2018-10-11 | 2021-07-27 | 青岛大学 | 一种基于计算机视觉的道路拥堵状态检测方法 |
| 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 |
| CN109446933B (zh) * | 2018-10-12 | 2021-10-12 | 浙江科技学院 | 一种基于卷积神经网络的道路场景语义分割方法 |
| CN109446933A (zh) * | 2018-10-12 | 2019-03-08 | 浙江科技学院 | 一种基于卷积神经网络的道路场景语义分割方法 |
| CN109635719A (zh) * | 2018-12-10 | 2019-04-16 | 宽凳（北京）科技有限公司 | 一种图像识别方法、装置和计算机可读存储介质 |
| CN109635719B (zh) * | 2018-12-10 | 2023-11-17 | 宽凳（北京）科技有限公司 | 一种图像识别方法、装置和计算机可读存储介质 |
| CN109670594A (zh) * | 2018-12-28 | 2019-04-23 | 北京旷视科技有限公司 | 数据训练方法、装置及电子设备 |
| 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 |
| CN109886152A (zh) * | 2019-01-30 | 2019-06-14 | 天津大学 | 一种基于多传感器协作的无人驾驶路径选择方法 |
| CN109859477A (zh) * | 2019-03-15 | 2019-06-07 | 同盾控股有限公司 | 一种拥堵数据的确定方法和装置 |
| CN110298844B (zh) * | 2019-06-17 | 2021-06-29 | 艾瑞迈迪科技石家庄有限公司 | X光造影图像血管分割与识别方法及装置 |
| CN110298844A (zh) * | 2019-06-17 | 2019-10-01 | 艾瑞迈迪科技石家庄有限公司 | X光造影图像血管分割与识别方法及装置 |
| CN110390314A (zh) * | 2019-07-29 | 2019-10-29 | 深兰科技（上海）有限公司 | 一种视觉感知方法及设备 |
| CN110853349A (zh) * | 2019-10-24 | 2020-02-28 | 杭州飞步科技有限公司 | 车辆调度方法、装置及设备 |
| CN111739283A (zh) * | 2019-10-30 | 2020-10-02 | 腾讯科技（深圳）有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
| CN111739283B (zh) * | 2019-10-30 | 2022-05-20 | 腾讯科技（深圳）有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
| CN111008986A (zh) * | 2019-11-20 | 2020-04-14 | 天津大学 | 一种基于多任务半卷积的遥感图像分割方法 |
| CN111008986B (zh) * | 2019-11-20 | 2023-09-05 | 天津大学 | 一种基于多任务半卷积的遥感图像分割方法 |
| CN111369807A (zh) * | 2020-03-24 | 2020-07-03 | 北京百度网讯科技有限公司 | 一种交通事故的检测方法、装置、设备和介质 |
| CN112053561A (zh) * | 2020-09-11 | 2020-12-08 | 深兰人工智能芯片研究院（江苏）有限公司 | 非监控路段判断与定位交通事故的方法、系统及装置 |
| CN112703532A (zh) * | 2020-12-03 | 2021-04-23 | 华为技术有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN112703532B (zh) * | 2020-12-03 | 2022-05-31 | 华为技术有限公司 | 图像处理方法、装置、设备及存储介质 |
| WO2022116104A1 (zh) * | 2020-12-03 | 2022-06-09 | 华为技术有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN112464841B (zh) * | 2020-12-04 | 2022-08-19 | 四川长虹电器股份有限公司 | 一种用于专用道路违规行驶车辆检测的方法、存储介质 |
| CN112464841A (zh) * | 2020-12-04 | 2021-03-09 | 四川长虹电器股份有限公司 | 一种用于专用道路违规行驶车辆检测的方法、存储介质 |
| CN113651061A (zh) * | 2021-08-18 | 2021-11-16 | 上海德启信息科技有限公司 | 一种物流流转状态的监测方法及监测系统 |
| CN113807220A (zh) * | 2021-09-06 | 2021-12-17 | 丰图科技(深圳)有限公司 | 交通事件检测方法、装置、电子设备和可读存储介质 |
| US20220215747A1 (en) * | 2021-09-22 | 2022-07-07 | Beijing Baidu Netcom Science Technology Co., Ltd. | Road congestion detection method and device, and electronic device |
| CN113807270A (zh) * | 2021-09-22 | 2021-12-17 | 北京百度网讯科技有限公司 | 道路拥堵检测方法、装置及电子设备 |
| US11887473B2 (en) * | 2021-09-22 | 2024-01-30 | Beijing Baidu Netcom Science Technology Co., Ltd. | Road congestion detection method and device, and electronic device |
| WO2023125843A1 (zh) * | 2021-12-30 | 2023-07-06 | 深圳云天励飞技术股份有限公司 | 道路拥堵检测方法、装置、电子设备及存储介质 |
| CN114639036A (zh) * | 2022-03-02 | 2022-06-17 | 青岛海信网络科技股份有限公司 | 确定交通拥堵等级的方法及电子设备 |
| CN114724133A (zh) * | 2022-04-18 | 2022-07-08 | 北京百度网讯科技有限公司 | 文字检测和模型训练方法、装置、设备及存储介质 |
| CN114724133B (zh) * | 2022-04-18 | 2024-02-02 | 北京百度网讯科技有限公司 | 文字检测和模型训练方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108550259B (zh) | 2020-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108550259A (zh) | 道路拥堵判断方法、终端设备及计算机可读存储介质 | |
| CN109932730B (zh) | 基于多尺度单极三维检测网络的激光雷达目标检测方法 | |
| CN114022847B (zh) | 一种智能体轨迹预测方法、系统、设备和存储介质 | |
| CN104899135B (zh) | 软件缺陷预测方法和系统 | |
| CN110929577A (zh) | 一种基于YOLOv3的轻量级框架改进的目标识别方法 | |
| CN114693615A (zh) | 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法 | |
| CN106951919A (zh) | 一种基于对抗生成网络的流速监测实现方法 | |
| CN107730881A (zh) | 基于深度卷积神经网络的交通拥堵视觉检测系统 | |
| CN102799900B (zh) | 一种基于检测中支持在线聚类学习的对象跟踪方法 | |
| CN106503035A (zh) | 一种知识图谱的数据处理方法和装置 | |
| CN110069993A (zh) | 一种基于深度学习的目标车辆检测方法 | |
| CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
| CN103488993A (zh) | 一种基于fast的人群异常行为识别方法 | |
| CN109886147A (zh) | 一种基于单网络多任务学习的车辆多属性检测方法 | |
| CN112766194A (zh) | 一种海洋中尺度涡检测方法 | |
| CN102867183A (zh) | 一种车辆遗撒物检测方法、装置及智能交通监控系统 | |
| CN107985189A (zh) | 面向高速驾驶环境下的驾驶员变道深度预警方法 | |
| CN109190488A (zh) | 基于深度学习YOLOv3算法的前车车门打开检测方法及装置 | |
| CN109086803A (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 | |
| CN106056102A (zh) | 基于视频图像分析的道路车型分类方法 | |
| CN113836999A (zh) | 基于探地雷达的隧道施工风险智能识别方法及系统 | |
| CN101964061B (zh) | 一种基于二类核函数支持向量机的车型识别方法 | |
| CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
| CN109543617A (zh) | 基于yolo目标检测技术的智能车辆运动路况信息的检测方法 | |
| CN115220133A (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200512 Termination date: 20210419 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |