CN108564787A - 基于浮动车法的交通观测方法、系统及设备 - Google Patents
基于浮动车法的交通观测方法、系统及设备 Download PDFInfo
- Publication number
- CN108564787A CN108564787A CN201810551045.6A CN201810551045A CN108564787A CN 108564787 A CN108564787 A CN 108564787A CN 201810551045 A CN201810551045 A CN 201810551045A CN 108564787 A CN108564787 A CN 108564787A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- distance
- image
- unmanned plane
- fleet size
- 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
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于浮动车法的交通观测方法、系统及设备，观测方法包括：提取无人机在待观测路段若干次往返飞行采集的视频中的多帧图像，并提取任一帧图像的道路分割区域的所有车辆；基于每一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据及每一第二类路程的观测数据，并基于每一第一类路程以及每一第二类路程的观测数据，获取待观测路段的观测结果，其中，无人机在第一类路程上的行进方向和无人机在第二类路程上的行进方向相反。本发明实施例实现了车辆的检测；通过卡尔曼滤波和图像金字塔的模板匹配法，可以消除车辆的帧间重复计数问题以及减少运算canny量。
Description
技术领域
本发明实施例涉及航拍交通观测领域，更具体地，涉及一种基于浮动车法的交通观测方法、系统及设备。
背景技术
交通问题是全世界各国面临的共同难题，智能交通系统将在交通管理中发挥巨大作用，早期大规模修建和扩建各种等级公路的办法早已不再适用。目前在道路上方安装摄像机进行监测的方法已经基本取代传统的感应线圈法和红外探测法，这种方法将拍摄的视频传送到控制中心，人工干预处理后可以完成对车辆以及行人的检测与跟踪，获取各种交通参数，但是灵活性差，只能固定对一个地方进行监测，具有一定的局限性。
利用无人机载光电成像系统拍摄视频对目标进行检测与跟踪，具有机动性强、轻便灵活、实时快速等优点，已成为近年来目标识别跟踪领域的热点。浮动车法是一种综合的交通观测方法，可以同时实现路段交通流量、平均行程速度、平均行程时间的观测，但地面浮动车法需多次来回对同一路段观测，对于道路封闭或者不利于车辆来回调转车头的路段无法测量。
发明内容
针对现有技术存在的问题，本发明实施例提供一种基于浮动车法的交通观测方法、系统及设备。
本发明实施例提供一种基于浮动车法的交通观测方法，包括：提取无人机在待观测路段若干次往返飞行采集的视频中的多帧图像，并基于canny边缘检测算法，提取任一帧图像的道路分割区域的所有车辆；基于每一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据，并基于每一第一类路程的观测数据以及每一第二类路程的观测数据，获取所述待观测路段的观测结果，其中，任一第一类路程的距离和任一第二类路程的距离均为所述待观测路段的距离，所述无人机在所述第一类路程上的行进方向和所述无人机在所述第二类路程上的行进方向相反。
本发明实施例提供一种基于浮动车法的交通观测系统，包括：车辆提取模块，用于提取无人机在待观测路段若干次往返飞行采集的视频中的多帧图像，并基于canny边缘检测算法，提取任一帧图像的道路分割区域的所有车辆；结果获取模块，用于基于每一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据，并基于每一第一类路程的观测数据以及每一第二类路程的观测数据，获取所述待观测路段的观测结果，其中，任一第一类路程的距离和任一第二类路程的距离均为所述待观测路段的距离，所述无人机在所述第一类路程上的行进方向和所述无人机在所述第二类路程上的行进方向相反。
本发明实施例提供一种基于浮动车法的交通观测设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述观测方法。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述观测方法。
本发明实施例提供的基于浮动车法的交通观测方法、系统及设备，通过设置canny边缘检测，实现了车辆的检测；通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据，可以消除车辆的帧间重复计数问题以及减少运算canny量；本发明可以实现对于道路封闭或者不利于车辆来回调转车头的路段的观测。
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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明基于浮动车法的交通观测方法实施例的流程图；
图2为本发明基于浮动车法的交通观测系统实施例的模块图；
图3为本发明实施例中的基于浮动车法的交通观测设备的框架示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明基于浮动车法的交通观测方法实施例的流程图，如图1所示，包括：S101、提取无人机在待观测路段若干次往返飞行采集的视频中的多帧图像，并基于canny边缘检测算法，提取任一帧图像的道路分割区域的所有车辆；S102、基于每一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据，并基于每一第一类路程的观测数据以及每一第二类路程的观测数据，获取所述待观测路段的观测结果，其中，任一第一类路程的距离和任一第二类路程的距离均为所述待观测路段的距离，所述无人机在所述第一类路程上的行进方向和所述无人机在所述第二类路程上的行进方向相反。
具体地，本发明实施例中的基于浮动车法的交通观测方法是基于无人机在待观测路段若干次往返飞行采集的视频完成的。
首先，需要说明的是，无人机航拍前选定待观测路段，借鉴地面浮动车法观测原理，需要对一段1-2km的道路进行6-8个来回的拍摄，在测试路段两端旋翼无人机可以快速地改变运动方向进行航拍。本发明实施例中的对一段1-2km的道路进行6-8个来回的拍摄为一种优选地方式，本发明还保护其他方式的拍摄手段。
作为优选，基于浮动车法的交通观测方法需要在无人机获得航拍视频的同时获取当前时刻的飞行高度、位置和时间参数，以便在后续图像处理过程中实现对车辆的准确检测。因此自驾仪按照规划的航迹飞行；同步记录单元实现采集数据的时间、位置同步。自驾仪以优选为10Hz的频率上传飞行数据，飞行数据主要包括：经度、纬度、高度、俯仰角、偏航角、横滚角。同步记录单元接收自驾仪数据发送的飞机位置、姿态信息、时间等数据，按照通讯协议进行数据解析和暂存，按照设置好的时间间隔向相机发送拍照信号；控制光电吊舱的启动，并记录启动时刻，在需要记录的时刻，将飞行数据与以同步方式存储到SD卡中，实现与视频图像数据的匹配。
Canny边缘检测算子是John F.Canny于1986年开发出来的一个多级边缘检测算法。更为重要的是Canny创立了边缘检测计算理论(Computational theory of edgedetection)解释这项技术如何工作。通常情况下边缘检测的目的是在保留原有图像属性的情况下，显著减少图像的数据规模。
进一步地，所述无人机在所述第一类路程上的行进方向和所述无人机在所述第二类路程上的行进方向相反，可以举例包括：所述无人机在所述第一类路程上的行进方向为由西向东，所述无人机在所述第二类路程上的行进方向即为由东向西。需要说明的是，本发明实施例中的无人机的行进方向只包括在第一类路程上的行进方向和在第一类路程上的行进方向。
本发明实施例提供的基于浮动车法的交通观测方法，通过设置canny边缘检测，实现了车辆的检测；通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据，可以消除车辆的帧间重复计数问题以及减少运算canny量；本发明可以实现对于道路封闭或者不利于车辆来回调转车头的路段的观测。
基于上述实施例，所述提取无人机在待观测路段若干次往返飞行采集的视频中的多帧图像，并基于canny边缘检测算法，提取任一帧图像的道路分割区域的所有车辆，具体包括：提取无人机在待观测路段若干次往返飞行采集的视频中的多帧图像，并对每一帧图像进行预处理，所述预处理包括图像增强和图像校正；对任一帧预处理后的图像进行道路区域分割，获取所述任一帧预处理后的图像的道路分割区域；基于canny边缘检测算法，获取所述任一帧预处理后的图像的道路分割区域的所有车辆的边缘信息，并根据所述所有车辆的边缘信息提取所述任一帧预处理后的图像的道路分割区域的所有车辆；相应的，所述基于所述任一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据，具体包括：基于所述任一帧预处理后的图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据。
基于上述实施例，所述对每一帧图像进行预处理，所述预处理包括图像增强和图像校正，具体包括：对每一帧图像进行图像增强；基于Hough变换对图像增强后的每一帧图像中的主干道方向进行旋转校正，并且，若判断获知图像增强后的所有帧图像中存在变形图像，则对所述变形图像进行仿射变换。
具体地，提取无人机在待观测路段若干次往返飞行采集的视频中的多帧图像，并对每一帧图像进行预处理，所述预处理包括图像增强和图像校正。所述对每一帧图像进行预处理，所述预处理包括图像增强和图像校正，具体包括：对每一帧图像进行图像增强；基于Hough变换对图像增强后的每一帧图像中的主干道方向进行旋转校正，并且，若判断获知图像增强后的所有帧图像中存在变形图像，则对所述变形图像进行仿射变换。
需要说明的是，对每一帧图像进行图像增强，具体包括：先提取航拍道路图像X的红绿蓝三个分量图，依次记为R、G、B；再对R、G、B三个分量分别在不同的灰度范围内进行灰度变换，即利用图像映射函数s＝T(r)对输入图像灰度值进行变换，将原始图像的灰度r通过T(r)从而处理为s使得输出直方图G(s)在整个灰度s∈[s0,sk]中均匀分布；然后将变换后的三个分量图合成一幅彩色图。增强后的每一帧图像灰度范围变大，对比度变大，能有效增强局部的对比度而不影响整体的对比度。
进而，利用Hough变换对图像增强后的每一帧图像中的主干道方向进行旋转校正。对于城市道路和高速公路，主干道与车道分离线基本是白色直线，通过Canny算子进行边缘检测便能得到进行Hough变换的二值图像。对于有变形的图像需要进行仿射变换，即对坐标进行平移、缩放、旋转。
具体地，基于canny边缘检测算法，获取所述任一帧预处理后的图像的道路分割区域的所有车辆的边缘信息，并根据所述所有车辆的边缘信息提取所述任一帧预处理后的图像的道路分割区域的所有车辆，具体包括下述步骤说明：
图像的HSV空间受阴影、光强的影响比RGB空间小。由图像的红绿蓝三个分量转换得到H(色调)、S(饱和度)、V(明度)三个分量图像；再对S分量图像进行阈值分割得到道路区域粗分割结果；然后通过形态学处理来去除分割区域中的毛刺以及填补鸿沟间断得到道路分割的分割区域D1。
航拍图像中道路区域的灰度、梯度、纹理特征与周围其他地物区域有着明显区别，并且具有很好的连通性。根据预先定义的生长准则像素或子区域，设置合理的区域生长算法的生长准则对道路区域进行精细分割，其中生长准则包括生长过程中的区域面积选择与相似性选择；由于无人机飞行高度基本不变，所以根据道路区域在图像中所占像素大小来分割道路,当飞行控制器返回的高度参数发生明显变化时，可以根据成像原理计算出道路区域所占的像素大小；然后通过形态学处理来去除分割区域中的毛刺以及填补鸿沟间断得到道路分割区域D2。
将D1与D2相交得到道路分割区域D，对D进行形态学处理，然后生成一个最小边界矩形或者多边形D’(针对转弯道路区域)来代替道路区域，从图像中分割出D’便得到准确的道路分割区域。航拍图像视场大，场景复杂冗余信息多，因此利用图像的HSV色度空间特性和道路纹理特征对道路进行区域分割，减小检测跟踪时的搜索区域和干扰。
图像的边缘包含的是图像的高频信息，集中了图像的大部分信息。
Canny边缘检测的核心是用一个准高斯函数做平滑运算，再用带方向的一阶微分算子定位导数的最大值，从而确定图像的边缘像素点。具有较好的信噪比与定位性能。具体的Canny算法步骤包括以下4步：用高斯滤波器平滑图像；用一阶偏导有限差分计算梯度幅值和方向；对梯度幅值进行非极大值抑制；用双阈值算法检测和连接边缘。
经过canny边缘检测得到车辆的边缘信息后，对图像做阈值处理后再进行形态学处理使车辆轮廓更加准确完整。然后根据常见车辆大小尺寸在图像中所占像素大小和车辆形状来提取车辆。通过canny边缘检测算法从图像分割得到的道路区域中检测出车辆的边缘信息，由于无人机飞行高度基本不变，所以根据常见车辆大小尺寸在图像中所占像素大小和车辆形状来提取车辆，当飞行控制器返回的高度参数发生明显变化时，可以根据成像原理计算出车辆所占的像素大小。
需要说明的是，区域生长是根据预先定义的生长准则像素或子区域集合成较大区域，选择一个或者一些“种子”作为生长区域，然后把满足预先定义相似性规则的像素归到“种子”区域中，并标记这些满足规则的种子。如果相似性函数值足够小，则可认为待测区域与种子区域相似，可以纳入到目标区域中；若果相似性函数值太大，则不能纳入，以此生长准则来对道路区域分割。
本发明实施例提供的基于浮动车法的交通观测方法，利用图像的HSV色度空间特性和道路纹理特征对道路进行区域分割，能够解决无人机航拍视频图像视场大道路区域小的问题，能够减小后续车辆检测跟踪时的搜索区域和误差。本发明提出了相应的图像预处理方法能够针对无人机航拍视频对比度低、易旋转等特点。
基于上述实施例，所述基于每一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据，具体包括：将任一第一类路程对应的所有帧图像按时间顺序进行排列；对于按时间顺序排列的所述任一第一类路程对应的所有帧图像，通过卡尔曼滤波和图像金字塔的模板匹配法，获取所述任一第一类路程的行程时间、逆向行驶车辆数量、超越无人机的车辆数量和被无人机超越的车辆数量。
需要说明的是，由于无人机和车辆在同时运动，航拍视频中同一辆车在连续两帧或连续多帧图像内都可能重复出现，这时计算车辆数目需要消除重复计数的误差。在正常的实际道路情况下，相邻两帧或几帧图像之间车辆速度、位置都不可能发生突变，所以在第N帧图像检测到车辆C，利用卡尔曼滤波来估计车辆C在第N+1帧图像中的位置，同时对第N帧图像中的车辆C建立模型，用模板匹配来对第N+1帧图像中的车辆C实现匹配跟踪，二者结合判断实现同一辆车只计数一次的功能。
卡尔曼滤波估计车辆的位置。卡尔曼滤波是根据系统的状态方程和协方差，由当前状态值和预测值对下一状态的目标进行估计。
系统用一个线性随机微分状态方程来描述：
x(k)＝Ax(k-1)+u(k) (1)
其中，x(k)是k时刻的系统状态，x(k-1)是k-1时刻的系统状态，A是系统状态转移矩阵，u(k)是过程的高斯噪声，协方差为Q和R。
系统的测量值为：
z(k)＝Hx(k)+v(k) (2)
其中，z(k)是k时刻的测量值，H是系统观测矩阵，v(k)是测量的高斯噪声，协方差为Q和R。
卡尔曼滤波包括预测和更新两个部分，一个状态预测的完整过程如下：
系统状态预测：x'k＝Axk-1 (3)
误差协方差预测：P'k＝APk-1AT+Qk (4)
卡尔曼增益：Gk＝P'kHT/(HP'kHT+Rk) (5)
系统状态更新：xk＝x'k+Gk(zk-Hx'k) (6)
协方差更新：Pk＝(I-GkH)P'k (7)
由于车辆行驶过程中，速度、位置不会突变，为简化计算选择车辆行驶方向建立一维的状态方程进行预测。经过卡尔曼滤波后，根据第N帧图像检测到的车辆C，能得到车辆C在第N+1帧图像中的位置坐标。
还需说明的是，模板匹配实现车辆定位跟踪。模板匹配是在一幅图像中寻找与模板图像相似的目标的图像技术，它的原理主要是通过一些相似度准则来判断两个图像块之间的相似程度，根据相似度函数值的大小来判断是否匹配成功。具体对车辆进行匹配跟踪的过程是：提取图像N中的车辆C进行建模，模板图像C在待匹配图像N+1上顺序移动，计算模板图像块与当前实际图像块的相似度函数值，据此判定是否寻找到目标。航拍拍摄图像中车辆区域不是十分模糊、缺失信息较少，而且车辆的灰度值一般变化不是很大。因此采用基于灰度的模板匹配，利用随光照变化较小的归一化相关系数作为相似度函数。式(8)表示归一化相似度函数ncc，绝对值越大表示模板与待测图像越相似。当ncc值大于某个阈值时则表示匹配成功在第N+1帧图像的当前匹配区域找到了目标车辆C；当ncc值小于某个阈值时则表示匹配不成功在第N+1帧图像的当前匹配区域不存在目标车辆C。
其中，t(u,v)表示模板图像(u,v)像素点的灰度值，f(r+u,c+v)表示待匹配图像(r+u,c+v)像素点的灰度值。mt、mf、分别表示模板平均灰度值、模板所有灰度值的方差、模板目标区域对应的待测图像中当前位置区域内的平均灰度值、模板目标区域对应的待测图像中当前位置区域内所有灰度值的方差。
对于第N帧图像中的车辆C，经过卡尔曼滤波后可以得到车辆C在第N+1帧图像中的位置坐标，或者是车辆C不存在于第N+1帧图像；经过模板匹配可以得到车辆C在第N+1帧图像中匹配到的目标的位置坐标，或者是车辆C已经不存在与第N+1帧图像中。二者结合判断，当卡尔曼滤波与模板匹配得到的位置坐标结果相同或者小于某个阈值时表示是同一个目标车辆，车辆总数不变；当卡尔曼滤波与模板匹配得到的位置坐标结果大于某个阈值时表示不是同一个目标车辆，车辆总数加1。
无人机飞行方向与车辆行驶方向相反，对单帧图像内的车辆检测得到当前帧图像内每辆车的位置、大小等信息，依次循环对每一辆车创建模板，再根据飞行速度大小判断，计算出需在相邻几帧图像间进行匹配。从而实现车辆跟踪计数。
由于在模板匹配过程中，需要遍历图像的每个像素点，并且每个点都需要计算相似度函数，计算量非常大。因此可以通过基于图像金字塔的模板匹配来对车辆进行跟踪计数。图像金字塔是对一幅图像或者模板进行二次采样，图像按需求多次缩小一半构成图像金字塔。金字塔层数太高时信息不够识别不出来，太低时算法的复杂度基本没有减少。具体应用时基于金字塔的分层搜索过程是：从生成的金字塔的高层开始向下搜索，在高层图像搜索匹配到目标需追踪到金字塔的最底层。把高层的匹配结果依次映射到金字塔下一层，相应坐标乘2便得到搜索区域。考虑到匹配位置的不确定性，在下一层的搜索区域周围叠加一个小区域得到一个准确的搜索区域，然后在这个准确的搜索区域内计算相似度进行匹配。
本发明实施例提供的基于浮动车法的交通观测方法，对连续几帧图像的车辆位置进行判断，能够实现不同方向不同运动状态的车辆检测计数。
基于上述实施例，所述通过卡尔曼滤波和图像金字塔的模板匹配法，获取所述任一第一类路程的逆向行驶车辆数量、超越无人机的车辆数量和被无人机超越的车辆数量，具体包括：获取所述所有帧图像中的第一帧图像中的逆向行驶车辆数量，并将所述超越无人机的车辆数量和所述被无人机超越的车辆数量均设置为0；对任一帧图像的道路分割区域的所有车辆的位置坐标进行卡尔曼滤波，获取所述任一帧图像的下一帧图像的道路分割区域的任一车辆的预测位置坐标；并且，基于图像金字塔的模板匹配法，对所述任一车辆进行建模，并在所述任一帧图像的下一帧图像的道路分割区域中查找所述任一车辆，若所述任一车辆存在，则获取所述任一车辆在所述任一帧图像的下一帧图像的道路分割区域的匹配位置坐标；若判断获知所述任一车辆的预测位置坐标和匹配位置坐标间的距离小于预设阈值，则判定所述基于图像金字塔的模板匹配法查找的所述任一帧图像的下一帧图像的道路分割区域的任一车辆与所述任一帧图像的道路分割区域的任一车辆为同一车辆；若所述任一车辆与所述无人机的行进方向相同，则根据连续预设个数的帧图像，判断所述任一车辆是超越无人机的车辆或是被无人机超越的车辆，若所述任一车辆是超越无人机的车辆，则在所述超越无人机的车辆数量上加一，若所述任一车辆是被无人机超越的车辆，则在所述被无人机超越的车辆数量上加一；若判断获知所述任一车辆的预测位置坐标和匹配位置坐标间的距离大于或者等于所述预设阈值，则判定所述基于图像金字塔的模板匹配法查找的所述任一帧图像的下一帧图像的道路分割区域的任一车辆与所述任一帧图像的道路分割区域的任一车辆为不同车辆；若所述任一帧图像的道路分割区域的任一车辆与所述无人机的行进方向相反，则在所述逆向行驶车辆数量上加一。
具体地，对于行驶方向逆向的每一车辆，依次根据卡尔曼滤波和基于图像金字塔的模板匹配技术判断是否是同一辆车，如果不是同一辆车，则对下一辆车进行循环判断。如果是同一辆车，则车辆数目不累加，如果连续几帧内出现新的车辆则在测试方向逆向的车辆数目上进行累加。
进一步地，对于行驶方向同向的每一车辆，依次根据卡尔曼滤波和基于图像金字塔的模板匹配技术判断是否是同一辆车，如果不是同一辆车，则对下一辆车进行循环判断。如果是同一辆车，则根据连续几帧图像之间的相对位置判断是超越无人机的车辆还是被无人机超越的车辆。
基于上述实施例，所述基于每一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第二类路程的观测数据，具体包括：将任一第二类路程对应的所有帧图像按时间顺序进行排列；对于按时间顺序排列的所述任一第二类路程对应的所有帧图像，通过卡尔曼滤波和图像金字塔的模板匹配法，获取所述任一第二类路程的行程时间、逆向行驶车辆数量、超越无人机的车辆数量和被无人机超越的车辆数量。
基于上述实施例，所述基于每一第一类路程的观测数据以及每一第二类路程的观测数据，获取所述待观测路段的观测结果，具体包括：基于任一第一类路程的行程时间、逆向行驶车辆数量、超越无人机的车辆数量和被无人机超越的车辆数量，以及任一第二类路程的行程时间、逆向行驶车辆数量、超越无人机的车辆数量和被无人机超越的车辆数量，获取所述第一类路程的平均行程时间、平均逆向行驶车辆数量、平均超越无人机的车辆数量和平均被无人机超越的车辆数量，以及所述第二类路程的平均行程时间、平均逆向行驶车辆数量、平均超越无人机的车辆数量和平均被无人机超越的车辆数量；基于所述第一类路程的平均行程时间、平均逆向行驶车辆数量、平均超越无人机的车辆数量和平均被无人机超越的车辆数量，以及所述第二类路程的平均行程时间、平均逆向行驶车辆数量、平均超越无人机的车辆数量和平均被无人机超越的车辆数量，获取所述待观测路段的交通流量、平均行程时间以及平均行程速度。
具体地，若待观测路段ab为东西走向，长为L。当无人机从a点由西向东出发时开始计时，在无人机从a点行驶到b点的过程中，检测到相向方向从东到西行驶的车辆XE-W，；同向从西到东行驶的车辆中，超越无人机的车辆数目YW-E和被无人机超越的车辆数目ZW-E；以及从a点到b点的时间TW-E。当无人机到达b点时调头，无人机从b点由东向西出发时开始计时，在无人机从b点行驶到a点的过程中，检测到相向方向从西到东行驶的车辆XW-E，；同向从东到西行驶的车辆中，超越无人机的车辆数目YE-W和被无人机超越的车辆数目ZE-W；以及从b点到a点的时间TE-W。检测6个来回的航拍视频。需要说明的是，本实施例中的从西到东的数据和从东向西的数据均为6次的均值。
测定方向上的交通流量分别为：
平均行程时间为：
平均行程速度为：
作为一个优选实施例，本发明实施例提出的基于浮动车法的交通观测方法的效果可进一步通过下面的具体实施方案来说明。
检测数据来自于大疆六旋翼无人机S900在某地采集的航拍高速公路视频图像，道路走向为南北走向，拍摄时间为8月29日和8月30日，光电吊舱为1920×1080像素，飞行高度设定值100m。无人机共进行了三次飞行，每次飞行对不同路段航拍6个来回，各路段距离分别约为1.5km，1.5km，1.5km，无人机飞行速度为15m/s。表1为路段1从南到北方向的浮动车法观测统计结果表，表2为路段1从北到南方向的浮动车法观测统计结果表，表3为路段1基于航拍视频图像的浮动车法交通参数观测结果表，本实施例请参考表1、表2和表3。
表1路段1从南到北方向的浮动车法观测统计结果表
表2路段1从北到南方向的浮动车法观测统计结果表
表3路段1基于航拍视频图像的浮动车法交通参数观测结果表
同理可得路段2和路段3的交通参数检测结果，如表4和表5所示，表4为路段2基于航拍视频图像的浮动车法交通参数观测结果表，表5为路段3基于航拍视频图像的浮动车法交通参数观测结果表。本发明实施例的观测结果选择和道路断面交通流量进行对比，与人工直接进行道路截面交通流量相比，精度达87％。则利用浮动车法进行航拍高速公路观测平均行程速度的绝对值误差为9.85％。
表4路段2基于航拍视频图像的浮动车法交通参数观测结果表
表5路段3基于航拍视频图像的浮动车法交通参数观测结果表
基于上述实施例，图2为本发明基于浮动车法的交通观测系统实施例的模块图，包括：车辆提取模块201，用于提取无人机在待观测路段若干次往返飞行采集的视频中的多帧图像，并基于canny边缘检测算法，提取任一帧图像的道路分割区域的所有车辆；结果获取模块202，用于基于每一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据，并基于每一第一类路程的观测数据以及每一第二类路程的观测数据，获取所述待观测路段的观测结果，其中，任一第一类路程的距离和任一第二类路程的距离均为所述待观测路段的距离，所述无人机在所述第一类路程上的行进方向和所述无人机在所述第二类路程上的行进方向相反。
本发明实施例的观测系统，可用于执行图1所示的基于浮动车法的交通观测方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
基于上述实施例，图3为本发明实施例中的基于浮动车法的交通观测设备的框架示意图。请参考图3，本发明实施例提供一种基于浮动车法的交通观测设备，包括：处理器(processor)310、通信接口(CommunicationsInterface)320、存储器(memory)330和总线340，其中，处理器310，通信接口320，存储器330通过总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行如下方法，包括：提取无人机在待观测路段若干次往返飞行采集的视频中的多帧图像，并基于canny边缘检测算法，提取任一帧图像的道路分割区域的所有车辆；基于每一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据，并基于每一第一类路程的观测数据以及每一第二类路程的观测数据，获取所述待观测路段的观测结果，其中，任一第一类路程的距离和任一第二类路程的距离均为所述待观测路段的距离，所述无人机在所述第一类路程上的行进方向和所述无人机在所述第二类路程上的行进方向相反。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的观测方法，例如包括：提取无人机在待观测路段若干次往返飞行采集的视频中的多帧图像，并基于canny边缘检测算法，提取任一帧图像的道路分割区域的所有车辆；基于每一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据，并基于每一第一类路程的观测数据以及每一第二类路程的观测数据，获取所述待观测路段的观测结果，其中，任一第一类路程的距离和任一第二类路程的距离均为所述待观测路段的距离，所述无人机在所述第一类路程上的行进方向和所述无人机在所述第二类路程上的行进方向相反。
基于上述实施例，本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的观测方法，例如包括：提取无人机在待观测路段若干次往返飞行采集的视频中的多帧图像，并基于canny边缘检测算法，提取任一帧图像的道路分割区域的所有车辆；基于每一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据，并基于每一第一类路程的观测数据以及每一第二类路程的观测数据，获取所述待观测路段的观测结果，其中，任一第一类路程的距离和任一第二类路程的距离均为所述待观测路段的距离，所述无人机在所述第一类路程上的行进方向和所述无人机在所述第二类路程上的行进方向相反。
本领域普通技术人员可以理解：实现上述设备实施例或方法实施例仅仅是示意性的，其中所述处理器和所述存储器可以是物理上分离的部件也可以不是物理上分离的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如U盘、移动硬盘、ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
本发明实施例提供的基于浮动车法的交通观测方法、系统及设备，通过设置canny边缘检测，实现了车辆的检测；通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据，可以消除车辆的帧间重复计数问题以及减少运算canny量；本发明可以实现对于道路封闭或者不利于车辆来回调转车头的路段的观测。利用图像的HSV色度空间特性和道路纹理特征对道路进行区域分割，能够解决无人机航拍视频图像视场大道路区域小的问题，能够减小后续车辆检测跟踪时的搜索区域和误差。本发明提出了相应的图像预处理方法能够针对无人机航拍视频对比度低、易旋转等特点。对连续几帧图像的车辆位置进行判断，能够实现不同方向不同运动状态的车辆检测计数。本发明不受空间位置和道路的限制，可以实时快速地反映任意侦查路段的道路交通状况，在实时路况或者路况预测方面具有一定的应用价值。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于浮动车法的交通观测方法，其特征在于，包括：
提取无人机在待观测路段若干次往返飞行采集的视频中的多帧图像，并基于canny边缘检测算法，提取任一帧图像的道路分割区域的所有车辆；
基于每一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据，并基于每一第一类路程的观测数据以及每一第二类路程的观测数据，获取所述待观测路段的观测结果，其中，任一第一类路程的距离和任一第二类路程的距离均为所述待观测路段的距离，所述无人机在所述第一类路程上的行进方向和所述无人机在所述第二类路程上的行进方向相反。
2.根据权利要求1所述的观测方法，其特征在于，所述提取无人机在待观测路段若干次往返飞行采集的视频中的多帧图像，并基于canny边缘检测算法，提取任一帧图像的道路分割区域的所有车辆，具体包括：
提取无人机在待观测路段若干次往返飞行采集的视频中的多帧图像，并对每一帧图像进行预处理，所述预处理包括图像增强和图像校正；
对任一帧预处理后的图像进行道路区域分割，获取所述任一帧预处理后的图像的道路分割区域；
基于canny边缘检测算法，获取所述任一帧预处理后的图像的道路分割区域的所有车辆的边缘信息，并根据所述所有车辆的边缘信息提取所述任一帧预处理后的图像的道路分割区域的所有车辆；
相应的，所述基于所述任一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据，具体包括：基于所述任一帧预处理后的图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据。
3.根据权利要求2所述的观测方法，其特征在于，所述对每一帧图像进行预处理，所述预处理包括图像增强和图像校正，具体包括：
对每一帧图像进行图像增强；
基于Hough变换对图像增强后的每一帧图像中的主干道方向进行旋转校正，并且，若判断获知图像增强后的所有帧图像中存在变形图像，则对所述变形图像进行仿射变换。
4.根据权利要求1所述的观测方法，其特征在于，所述基于每一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据，具体包括：
将任一第一类路程对应的所有帧图像按时间顺序进行排列；
对于按时间顺序排列的所述任一第一类路程对应的所有帧图像，通过卡尔曼滤波和图像金字塔的模板匹配法，获取所述任一第一类路程的行程时间、逆向行驶车辆数量、超越无人机的车辆数量和被无人机超越的车辆数量。
5.根据权利要求4所述的观测方法，其特征在于，所述通过卡尔曼滤波和图像金字塔的模板匹配法，获取所述任一第一类路程的逆向行驶车辆数量、超越无人机的车辆数量和被无人机超越的车辆数量，具体包括：
获取所述所有帧图像中的第一帧图像中的逆向行驶车辆数量，并将所述超越无人机的车辆数量和所述被无人机超越的车辆数量均设置为0；
对任一帧图像的道路分割区域的所有车辆的位置坐标进行卡尔曼滤波，获取所述任一帧图像的下一帧图像的道路分割区域的任一车辆的预测位置坐标；并且，基于图像金字塔的模板匹配法，对所述任一车辆进行建模，并在所述任一帧图像的下一帧图像的道路分割区域中查找所述任一车辆，若所述任一车辆存在，则获取所述任一车辆在所述任一帧图像的下一帧图像的道路分割区域的匹配位置坐标；
若判断获知所述任一车辆的预测位置坐标和匹配位置坐标间的距离小于预设阈值，则判定所述基于图像金字塔的模板匹配法查找的所述任一帧图像的下一帧图像的道路分割区域的任一车辆与所述任一帧图像的道路分割区域的任一车辆为同一车辆；若所述任一车辆与所述无人机的行进方向相同，则根据连续预设个数的帧图像，判断所述任一车辆是超越无人机的车辆或是被无人机超越的车辆，若所述任一车辆是超越无人机的车辆，则在所述超越无人机的车辆数量上加一，若所述任一车辆是被无人机超越的车辆，则在所述被无人机超越的车辆数量上加一；
若判断获知所述任一车辆的预测位置坐标和匹配位置坐标间的距离大于或者等于所述预设阈值，则判定所述基于图像金字塔的模板匹配法查找的所述任一帧图像的下一帧图像的道路分割区域的任一车辆与所述任一帧图像的道路分割区域的任一车辆为不同车辆；若所述任一帧图像的道路分割区域的任一车辆与所述无人机的行进方向相反，则在所述逆向行驶车辆数量上加一。
6.根据权利要求1所述的观测方法，其特征在于，所述基于每一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第二类路程的观测数据，具体包括：
将任一第二类路程对应的所有帧图像按时间顺序进行排列；
对于按时间顺序排列的所述任一第二类路程对应的所有帧图像，通过卡尔曼滤波和图像金字塔的模板匹配法，获取所述任一第二类路程的行程时间、逆向行驶车辆数量、超越无人机的车辆数量和被无人机超越的车辆数量。
7.根据权利要求1所述的观测方法，其特征在于，所述基于每一第一类路程的观测数据以及每一第二类路程的观测数据，获取所述待观测路段的观测结果，具体包括：
基于任一第一类路程的行程时间、逆向行驶车辆数量、超越无人机的车辆数量和被无人机超越的车辆数量，以及任一第二类路程的行程时间、逆向行驶车辆数量、超越无人机的车辆数量和被无人机超越的车辆数量，获取所述第一类路程的平均行程时间、平均逆向行驶车辆数量、平均超越无人机的车辆数量和平均被无人机超越的车辆数量，以及所述第二类路程的平均行程时间、平均逆向行驶车辆数量、平均超越无人机的车辆数量和平均被无人机超越的车辆数量；
基于所述第一类路程的平均行程时间、平均逆向行驶车辆数量、平均超越无人机的车辆数量和平均被无人机超越的车辆数量，以及所述第二类路程的平均行程时间、平均逆向行驶车辆数量、平均超越无人机的车辆数量和平均被无人机超越的车辆数量，获取所述待观测路段的交通流量、平均行程时间以及平均行程速度。
8.一种基于浮动车法的交通观测系统，其特征在于，包括：
车辆提取模块，用于提取无人机在待观测路段若干次往返飞行采集的视频中的多帧图像，并基于canny边缘检测算法，提取任一帧图像的道路分割区域的所有车辆；
结果获取模块，用于基于每一帧图像的道路分割区域的所有车辆，通过卡尔曼滤波和图像金字塔的模板匹配法，获取每一第一类路程的观测数据以及每一第二类路程的观测数据，并基于每一第一类路程的观测数据以及每一第二类路程的观测数据，获取所述待观测路段的观测结果，其中，任一第一类路程的距离和任一第二类路程的距离均为所述待观测路段的距离，所述无人机在所述第一类路程上的行进方向和所述无人机在所述第二类路程上的行进方向相反。
9.一种基于浮动车法的交通观测设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的观测方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的观测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810551045.6A CN108564787A (zh) | 2018-05-31 | 2018-05-31 | 基于浮动车法的交通观测方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810551045.6A CN108564787A (zh) | 2018-05-31 | 2018-05-31 | 基于浮动车法的交通观测方法、系统及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108564787A true CN108564787A (zh) | 2018-09-21 |
Family
ID=63552618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810551045.6A Pending CN108564787A (zh) | 2018-05-31 | 2018-05-31 | 基于浮动车法的交通观测方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108564787A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109725213A (zh) * | 2018-12-12 | 2019-05-07 | 江南大学 | 基于逆向卡尔曼滤波器的Buck变换器故障检测方法 |
| CN111145550A (zh) * | 2019-12-27 | 2020-05-12 | 江苏省新通智能交通科技发展有限公司 | 一种基于无人机的交通状态信息采集方法 |
| CN112309135A (zh) * | 2020-01-07 | 2021-02-02 | 常俊杰 | 基于车道检测的方向判断系统以及相应终端 |
| CN113012422A (zh) * | 2019-12-20 | 2021-06-22 | 百度在线网络技术（北京）有限公司 | 公交车定位方法、装置、设备及存储介质 |
| CN113050698A (zh) * | 2021-03-29 | 2021-06-29 | 深圳市道通智能航空技术股份有限公司 | 一种搜寻目标物的方法、装置、无人机设备及存储介质 |
| CN114332644A (zh) * | 2021-12-30 | 2022-04-12 | 北京建筑大学 | 一种基于视频卫星数据的大视场交通密度获取方法 |
| CN115690630A (zh) * | 2022-11-08 | 2023-02-03 | 山东农业工程学院 | 一种用于路面车辆识别的交通遥感图像处理方法 |
Citations (9)
| 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 |
| CN102831617A (zh) * | 2012-07-17 | 2012-12-19 | 聊城大学 | 一种运动目标检测与跟踪的方法和系统 |
| CN102844771A (zh) * | 2009-11-19 | 2012-12-26 | 诺基亚公司 | 用旋转不变特征描述符进行跟踪和识别的方法和设备 |
| CN103413444A (zh) * | 2013-08-26 | 2013-11-27 | 深圳市川大智胜科技发展有限公司 | 一种基于无人机高清视频的交通流调查处理方法 |
| CN104899590A (zh) * | 2015-05-21 | 2015-09-09 | 深圳大学 | 一种无人机视觉目标跟随方法及系统 |
| CN105528891A (zh) * | 2016-01-13 | 2016-04-27 | 深圳市中盟科技有限公司 | 基于无人机监控的交通流密度检测方法及系统 |
| CN107209854A (zh) * | 2015-09-15 | 2017-09-26 | 深圳市大疆创新科技有限公司 | 用于支持顺畅的目标跟随的系统和方法 |
| CN107301369A (zh) * | 2017-09-04 | 2017-10-27 | 南京航空航天大学 | 基于航拍图像的道路交通拥堵分析方法 |
| CN107766821A (zh) * | 2017-10-23 | 2018-03-06 | 江苏鸿信系统集成有限公司 | 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及系统 |
-
2018
- 2018-05-31 CN CN201810551045.6A patent/CN108564787A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102844771A (zh) * | 2009-11-19 | 2012-12-26 | 诺基亚公司 | 用旋转不变特征描述符进行跟踪和识别的方法和设备 |
| 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 |
| CN102831617A (zh) * | 2012-07-17 | 2012-12-19 | 聊城大学 | 一种运动目标检测与跟踪的方法和系统 |
| CN103413444A (zh) * | 2013-08-26 | 2013-11-27 | 深圳市川大智胜科技发展有限公司 | 一种基于无人机高清视频的交通流调查处理方法 |
| CN104899590A (zh) * | 2015-05-21 | 2015-09-09 | 深圳大学 | 一种无人机视觉目标跟随方法及系统 |
| CN107209854A (zh) * | 2015-09-15 | 2017-09-26 | 深圳市大疆创新科技有限公司 | 用于支持顺畅的目标跟随的系统和方法 |
| CN105528891A (zh) * | 2016-01-13 | 2016-04-27 | 深圳市中盟科技有限公司 | 基于无人机监控的交通流密度检测方法及系统 |
| CN107301369A (zh) * | 2017-09-04 | 2017-10-27 | 南京航空航天大学 | 基于航拍图像的道路交通拥堵分析方法 |
| CN107766821A (zh) * | 2017-10-23 | 2018-03-06 | 江苏鸿信系统集成有限公司 | 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 徐瑞鑫等: "基于自适应模板的实时跟踪算法", 《光学精密工程》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109725213A (zh) * | 2018-12-12 | 2019-05-07 | 江南大学 | 基于逆向卡尔曼滤波器的Buck变换器故障检测方法 |
| CN113012422A (zh) * | 2019-12-20 | 2021-06-22 | 百度在线网络技术（北京）有限公司 | 公交车定位方法、装置、设备及存储介质 |
| CN111145550A (zh) * | 2019-12-27 | 2020-05-12 | 江苏省新通智能交通科技发展有限公司 | 一种基于无人机的交通状态信息采集方法 |
| CN112309135A (zh) * | 2020-01-07 | 2021-02-02 | 常俊杰 | 基于车道检测的方向判断系统以及相应终端 |
| CN113050698A (zh) * | 2021-03-29 | 2021-06-29 | 深圳市道通智能航空技术股份有限公司 | 一种搜寻目标物的方法、装置、无人机设备及存储介质 |
| CN113050698B (zh) * | 2021-03-29 | 2024-03-01 | 深圳市道通智能航空技术股份有限公司 | 一种搜寻目标物的方法、装置、无人机设备及存储介质 |
| CN114332644A (zh) * | 2021-12-30 | 2022-04-12 | 北京建筑大学 | 一种基于视频卫星数据的大视场交通密度获取方法 |
| CN114332644B (zh) * | 2021-12-30 | 2022-07-15 | 北京建筑大学 | 一种基于视频卫星数据的大视场交通密度获取方法 |
| CN115690630A (zh) * | 2022-11-08 | 2023-02-03 | 山东农业工程学院 | 一种用于路面车辆识别的交通遥感图像处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108564787A (zh) | 基于浮动车法的交通观测方法、系统及设备 | |
| CN105667518B (zh) | 车道检测的方法及装置 | |
| CN106651953B (zh) | 一种基于交通指示牌的车辆位姿估计方法 | |
| CN111080794B (zh) | 一种耕地现场边云协同的三维重建方法 | |
| US7509241B2 (en) | Method and apparatus for automatically generating a site model | |
| CN109949361A (zh) | 一种基于单目视觉定位的旋翼无人机姿态估计方法 | |
| CN112505065B (zh) | 一种实现室内无人机对大部件表面缺陷进行检测的方法 | |
| CN109801282A (zh) | 路面状况检测方法、处理方法、装置及系统 | |
| CN106780524A (zh) | 一种三维点云道路边界自动提取方法 | |
| CN108596165B (zh) | 基于无人机低空航拍图像的道路交通标线检测方法及系统 | |
| CN106373088B (zh) | 大倾斜低重叠率航空图像的快速拼接方法 | |
| CN103218787B (zh) | 多源异构遥感影像控制点自动采集方法 | |
| CN108919838A (zh) | 一种基于双目视觉的无人机输电线路自动跟踪方法 | |
| CN109934862A (zh) | 一种点线特征结合的双目视觉slam方法 | |
| CN110111338A (zh) | 一种基于超像素时空显著性分割的视觉跟踪方法 | |
| CN109949593A (zh) | 一种基于路口先验知识的交通信号灯识别方法及系统 | |
| CN104318051B (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
| CN109255808A (zh) | 基于倾斜影像的建筑物纹理提取方法和装置 | |
| CN109492525B (zh) | 一种测量基站天线工程参数的方法 | |
| CN109583302A (zh) | 一种移动机器人可行区域训练数据集扩充方法 | |
| CN107944403A (zh) | 一种图像中的行人属性检测方法及装置 | |
| CN110009675A (zh) | 生成视差图的方法、装置、介质及设备 | |
| CN109886336A (zh) | 一种基于舰基图像的目标检测方法及系统 | |
| CN115240089A (zh) | 一种航空遥感图像的车辆检测方法 | |
| CN109684914A (zh) | 基于无人机影像智能识别方法 |
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: 20180921 |