CN109063610A - 一种基于视觉识别和深度神经网络的通行系统及其方法 - Google Patents
一种基于视觉识别和深度神经网络的通行系统及其方法 Download PDFInfo
- Publication number
- CN109063610A CN109063610A CN201810796554.5A CN201810796554A CN109063610A CN 109063610 A CN109063610 A CN 109063610A CN 201810796554 A CN201810796554 A CN 201810796554A CN 109063610 A CN109063610 A CN 109063610A
- Authority
- CN
- China
- Prior art keywords
- neural network
- vehicle
- pedestrian
- deep neural
- executing agency
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于视觉识别和深度神经网络的通行系统,包括依次连接的视觉识别系统、分析系统、执行机构;所述分析系统包括大型机、控制中心,所述大型机包括深度神经网络结构,所述深度神经网络结构用于接收分类信号并根据分类信号对行人和车辆进行分析以通行时间最短为优化目标,计算执行机构各种工况的权值大小;所述控制中心用于接收大型机传输的权值信息,并根据权值信息控制所述执行机构的工况。通过所述视觉识别系统行人和车辆进行图片采集和分类,所述分析系统对分类信息进行分析计算得到通行时间最短的通行方式,所述执行机构根据分析系统的结论调整工况类型,使行人和车辆以最短的时间通过,舒缓交通压力。
Description
技术领域
本发明属于智能交通技术领域,尤其涉及一种基于视觉识别和深度神经网络的通行系统及其方法。
背景技术
随着城市化进程的不断加快和人们生活水平的提高,城市人口和车辆越来越多,城市交通也显地越发拥堵。为保证道路汽车的快速通行,以及行人和如自行车、小推车等小型车辆的快速和安全的通过马路,一般采用在道路上方建设固定的桥梁,随着人工智能的兴起,基于大数据技术的发展人工智能在图像识别、最优化策略方面得到大量应用。
中国CN201710970836.8号专利公开了一种基于图像处理的智能交通控制系统,包括依次连接的视频数据获取模块、交通数据处理模块、道路交通状态判别模块以及道路交通状态发布模块,交通数据处理模块包括用于检测行人数量的行人检测模块,还包括车辆检测模块,车辆检测模块包括车辆计数模块以及车辆识别模块;一种基于图像处理的智能交通控制方法,包括以下步骤:采集道路交通图像数据,将采集到的图像数据分成车辆图像数据以及行人图像数据,并分析处理得到具体的车辆数量数据以及车辆种类数据以及行人数量数据,然后根据预定的通行规则对上述数据进行分析并结合交通路段通行状态得到最终的决策信息,继而对交通灯进行智能的控制,防止堵塞,保证道路的通畅运行。该系统仅能通过控制红绿灯的变化调节交通压力,不能根据路口的堵塞状态改变道路结构对行人和车辆进行疏导使其快速通过,适用范围较窄。
中国CN201711144185.3号专利提供了一种多路摄像头深度学习的停车场智能管理系统,包括:服务器端,包括:数据采集模块,通过采用多路摄像头采集停车场的车辆以及停车场停车位边界的各个方位的视频和/或图像数据;网络传输模块,用于将采集到的车辆视频和/或图像数据上传至后台计算模块;以及后台计算模块,用于停车车辆信息的处理,包括:深度学习模型训练子模块以及车辆行为判断子模块,提高了神经网络识别率与稳定性,并具有适应性强、安装使用方便、价格便宜、抗电磁干扰能力强等优点。该系统中的深度学习算法仅对车辆类型、数量、停车位等信息进行运算,然后将车辆与停车位进行匹配,运算方式较为简单,在发生拥堵的情况下不能起到疏导交通的作用。
现有的在城市交通中,行人或者车辆穿过马路一般在马路上搭建固定的桥梁,通常在上、下面间建造阶梯或斜坡面的方式方便行人和如自行车、推车、摩托车等车辆通过,传统通行方式存在较多缺陷,如:通行方式固定不易拆除和移动,通过类型单一通用性较差,在发生堵塞的情况下不能根据行人和车辆的比例合理调整阶梯和斜坡面的状态,提供最短的通行方案,改装和维护困难。因此,急需设计一种基于视觉识别和深度神经网络的通行系统及其方法以解决上述问题。
发明内容
本发明的目的是针对现有技术存在的问题,提供一种基于视觉识别和深度神经网络的通行系统及其方法,通过所述视觉识别系统对行人和车辆进行图片采集和分类,所述分析系统对分类信息进行分析计算得到通行时间最短的通行方式,所述执行机构根据分析系统的结论调整工况类型,使行人和车辆以最短的时间通过,以解决城市路口越障时通行不便,改善城市交通拥堵的问题。
为实现上述目的,本发明采用的技术方案是:
本发明提供一种基于视觉识别和深度神经网络的通行系统,包括依次连接的视觉识别系统、分析系统、执行机构;
所述视觉识别系统包括用于采集图像信号的图像采集单元、用于将图像信息进行分解提取图像特征并根据图像特征对图像进行分类并将分类信号传输给所述分析系统的云服务器;
所述分析系统包括大型机、控制中心,所述大型机包括深度神经网络结构,所述深度神经网络结构用于接收分类信号并根据分类信号对行人和车辆进行分析以通行时间最短为优化目标,计算执行机构各种工况的权值大小;所述控制中心用于接收大型机传输的权值信息,并根据权值信息控制所述执行机构的工况;
执行机构包括踏板可调的台阶装置、一端与所述台阶装置连接用于调节各踏板角度另一端与所述控制中心连接的调节装置,执行机构包括仅供行人通过、仅供车辆通过、仅行人和小型车辆通过三种工况类型。
本发明适用行人、车辆较多、较拥堵的地方代替固定楼梯供行人和车辆快速通行。通过所述图像采集单元采集行人和小型车辆的图像信息,所述云服务器将图像信息进行分解成成行人和车辆信息,提取行人和车辆图像特征并根据图像特征对图像进行分类并将分类信号传输给所述大型机;所述大型机包含深度神经网络结构模型,开发得到深度学习算法,根据分类信号对行人和车辆进行分析,以通行时间最短为优化目标,计算执行机构各种工况的权值大小,所述控制中心根据所述大型机分析计算得到的最短通行时间的权值信息控制所述执行机构调整工况;所述执行机构包括仅供行人通过、仅供车辆通过、仅行人和小型车辆通过三种工况类型,所述执行机构为一种模块化爬梯,所述台阶装置的踏板的角度可调,所述踏板面能够与地面平行,以楼梯的状态供行人通过,所述踏板转动一定的角度,使各踏板在同一平面上形成斜坡面供小型车辆通过,所述踏板还可以一部分为斜坡面一部分为楼梯状态,供行人和小型车辆同时通过。本发明基于视觉识别和深度神经网络分析计算得到行人和车辆的最短通行时间的方案,并控制所述执行机构调整工况状态,满足交通需求,缓解交通压力。
所述云服务器还包括信号转换模块,所述的信号转换模块将分类信息转换成数据库处理系统能够识别的数据信号,并将所述数据信号传输给所述大型机。
所述图像采集单元为CCD相机。所述CCD相机能够将光线变为电荷并将电荷存储及转移,具有体积小、重量轻、不受磁场影响、具有抗震动和撞击的优异特性。
所述大型机还包括数据传输模块,所述数据传输模块用于将权值信息传输给所述控制中心。
所述台阶装置包括踏板、设置在所述踏板两端的踏板侧板,所述踏板与所述踏板侧板转动连接。
所述调节装置包括电机、与所述电机相连的蜗杆、安装在所述踏板侧板上与所述踏板连接的齿轮、两端分别连接所述蜗杆和齿轮用于传输动力的连接杆。
所述电机接收所述控制中心的控制指令,驱动所述蜗杆、齿轮转动从而带动所述踏板转动调整踏板角度,使所述执行机构成阶梯、斜坡面、阶梯和斜坡面相结合的工况状态。
所述电机为伺服电机。所述伺服电机可使控制速度,位置精度非常准确,可以将电压信号转化为转矩和转速以驱动所述踏板转动。
本发明还提供一种基于视觉识别和深度神经网络的通行系统的控制方法,包括以下步骤:
A、采集路况图像信号:对路况进行图像采集、图像分解、图像特征提取以及图像分类,将图像特征分为行人和车辆;
B、图像分析:对视觉识别系统提取的行人和车辆的特征信息进行具体分析得到车辆类型、车辆数量以及行人类型、行人数量信息,计算三种工况的通行时间,以通行时间最短为优化目标,计算执行机构三种工况的权值大小;
C、控制操作:根据计算得到的三种工况的权值大小,对执行机构进行控制。
步骤B是通过深度学习算法实现的,所述深度学习算法基于深度神经网络结构来实现,具体步骤为:
B1、将视觉识别系统对行人和车辆提取的特征信息作为输入层;
B2、隐藏层1根据输入层的信息将行人按每10岁作为一个年龄段对行人进行分类,车辆按车长、车宽、车高分为大型车、中型车和小型车,隐藏层2为执行机构的三种工况,输出层为通行时间;
B3、以输出层的通行时间最短为优化目标,计算执行机构三种工况的权值大小。
步骤C,根据计算得到的三种工况的权值大小所述控制中心发出执行指令,控制所述电机驱动,调整所述支撑机构的工况类型。
与现有技术相比,本发明的有益效果是:
(1)本发明基于深度神经结构模型开发深度学习算法对行人和车辆的图像新型进行分析,得到最短通行时间下的所述执行机构各工况的权值,智能化程度高,准确度较高;
(2)本发明所述控制中心根据分析系统得到的通行时间最短的各工况的权值控制所述执行机构调整工况状态,促使行人和车辆快速通行;
(3)本发明所述执行机构为一种模块化爬梯,所述台阶装置的踏板的角度可调,所述踏板面能够与地面平行,以楼梯的状态供行人通过,所述踏板转动一定的角度,使各踏板在同一平面上形成斜坡面供小型车辆通过,所述踏板还可以一部分为斜坡面一部分为楼梯状态,供行人和小型车辆同时通过的三种工况状态;
(4)本发明所述执行机构各模块均为可拆式连接,可根据通行需求和通行压力拆除和改装,适应性大,适用范围广,智能化程度高,有效解决城市路口越障时通行不便,改善城市交通拥堵的问题。
附图说明
图1为本发明所述一种基于视觉识别和深度神经网络的通行系统的结构示意图;
图2为本发明所述执行机构的结构示意图;
图3为本发明所述连接杆的结构示意图;
图4为本发明所述执行机构仅供行人通过的工况示意图;
图5为本发明所述执行机构仅供车辆通过的工况示意图;
图6为本发明所述执行机构仅行人和小型车辆的工况示意图;
图7为本发明所述视觉识别系统对图像处理的流程图;
图8为本发明所述深度学习算法的结构图。
图中:1、图像采集单元;2、云服务器;3、大型机;4、控制中心;6、台阶装置;7、调节装置;8、踏板;9、踏板侧板;10、电机;11、蜗杆;12、连接杆;13、齿轮。
具体实施方式
下面将对本发明的技术方案进行清楚、完整地描述,显然,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例,都属于本发明保护的范围。
实施例
本发明提供一种基于视觉识别和深度神经网络的通行系统,如图1所示,包括依次连接的视觉识别系统、分析系统、执行机构;
所述视觉识别系统包括用于采集图像信号的图像采集单元1,所述图像采集单元1为 CCD相机、用于将图像信息进行分解提取图像特征并根据图像特征对图像进行分类并将分类信号传输给所述分析系统的云服务器2;
所述分析系统包括大型机3、控制中心4,所述大型机3包括深度神经网络结构,所述深度神经网络结构用于接收分类信号并根据分类信号对行人和车辆进行分析以通行时间最短为优化目标,计算执行机构各种工况的权值大小;所述控制中心4用于接收大型机 3传输的权值信息,并根据权值信息控制所述执行机构的工况;
执行机构包括踏板8可调的台阶装置6、一端与所述台阶装置6连接用于调节各踏板 8角度另一端与所述控制中心4连接的调节装置7,执行机构包括仅供行人通过、仅供车辆通过、仅行人和小型车辆通过三种工况类型。
具体的,所述云服务器2还包括信号转换模块,所述的信号转换模块将分类信息转换成数据库处理系统能够识别的数据信号,并将所述数据信号传输给所述大型机3;所述大型机3还包括数据传输模块,所述数据传输模块用于将权值信息传输给所述控制中心4;如图2、图3所示,所述台阶装置6包括踏板8、设置在所述踏板8两端的踏板侧板9,所述踏板8与所述踏板侧板9转动连接;所述调节装置7包括电机10、与所述电机10相连的蜗杆11、安装在所述踏板侧板9上与所述踏板8连接的齿轮13、两端分别连接所述蜗杆 11和齿轮13用于传输动力的连接杆12;所述电机10为伺服电机。
本发明适用行人、车辆较多、较拥堵的地方代替固定楼梯供行人和车辆快速通行,解决城市路口越障时通行不便,改善城市交通拥堵的问题,所述图像采集装置对通行情况进行图像采集,所述云服务器2对采集到的图像信息进行分类,分为行人和车辆信息,提取行人和车辆图像特征并发送给大型机3;所述大型机3通过深度神经网络结构模型开发得到深度学习算法,根据分类信号对行人和车辆进行分析以通行时间最短为优化目标,计算执行机构各种工况的权值大小,所述控制中心4根据所述大型机3分析计算得到的最短通行时间的权值信息控制所述执行机构调整工况;所述执行机构包括仅供行人通过、仅供车辆通过、仅行人和小型车辆通过三种工况类型,所述执行机构为一种模块化爬梯,所述台阶装置6的踏板8的角度可调,如图4所示,所述踏板8面能够与地面平行,以楼梯的状态供行人通过;如图5所示,所述踏板8转动一定的角度,使各踏板8在同一平面上形成斜坡面供小型车辆通过;如图6所示,所述踏板8还可以一部分为斜坡面一部分为楼梯状态,供行人和小型车辆同时通过。本发明基于视觉识别和深度神经网络分析计算得到行人和车辆的最短通行时间,并控制所述执行机构调整工况状态,满足交通需求,缓解交通压力。
所述一种基于视觉识别和深度神经网络的通行系统的控制方法,包括以下步骤:
A、如图7所示,采集路况图像信号:对路况进行图像采集、图像分解、图像特征提取以及图像分类,将图像特征分为行人和车辆;
B、图像分析:对视觉识别系统提取的行人和车辆的特征信息进行具体分析得到车辆类型、车辆数量以及行人类型、行人数量信息,计算三种工况的通行时间,以通行时间最短为优化目标,计算执行机构三种工况的权值大小;
C、控制操作:根据计算得到的三种工况的权值大小,对执行机构进行控制。
步骤B是通过深度学习算法实现的,所述深度学习算法基于深度神经网络结构来实现,具体步骤为:
B1、将视觉识别系统对行人和车辆提取的特征信息作为输入层;
B2、隐藏层1根据输入层的信息将行人按每10岁作为一个年龄段对行人进行分类,车辆按车长、车宽、车高分为大型车、中型车和小型车,隐藏层2为执行机构的三种工况,输出层为通行时间;
B3、以输出层的通行时间最短为优化目标,计算执行机构三种工况的权值大小。
如图8所示,所述深度学习算法为:输入层X=[X1,X2,X3,X4,X5,X6],表示图像识别系统提取的图像特征,隐藏层1,Y=[Y1,Y2],表示将人按10岁年龄段和车辆类型分类,隐藏层2,H=[H1,H2,H3],表示模块化爬梯的工况,权值矩阵W=[w1,w2,w3],表示不同工况所占权重,输出层Z表示输出时间,以输出层Z最小为优化目标,优化权值矩阵确定三种工况的顺序。
步骤C,根据计算得到的三种工况的权值大小所述控制中心4发出执行指令,控制所述电机10驱动所述蜗杆11、连接杆12,在所述连接杆12的带动下调整所述踏板8角度,实现三种工况的转换。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于视觉识别和深度神经网络的通行系统,其特征在于,包括依次连接的视觉识别系统、分析系统、执行机构;
所述视觉识别系统包括用于采集图像信号的图像采集单元(1)、用于将图像信息进行分解提取图像特征并根据图像特征对图像进行分类并将分类信号传输给所述分析系统的云服务器(2);
所述分析系统包括大型机(3)、控制中心(4),所述大型机(3)包括深度神经网络结构,所述深度神经网络结构用于接收分类信号并根据分类信号对行人和车辆进行分析,以通行时间最短为优化目标,计算执行机构各种工况的权值大小;所述控制中心(4)用于接收大型机(3)传输的权值信息,并根据权值信息控制所述执行机构的工况;
执行机构包括踏板(8)可调的台阶装置(6)、一端与所述台阶装置(6)连接用于调节各踏板(8)角度另一端与所述控制中心(4)连接的调节装置(7),执行机构包括仅供行人通过、仅供车辆通过、仅行人和小型车辆通过三种工况类型。
2.根据权利要求1所述的一种基于视觉识别和深度神经网络的通行系统,其特征在于,所述云服务器(2)还包括信号转换模块,所述的信号转换模块将分类信息转换成数据库处理系统能够识别的数据信号,并将所述数据信号传输给所述大型机(3)。
3.根据权利要求1所述的一种基于视觉识别和深度神经网络的通行系统,其特征在于,所述图像采集单元(1)为CCD相机。
4.根据权利要求1所述的一种基于视觉识别和深度神经网络的通行系统,其特征在于,所述大型机(3)还包括数据传输模块,所述数据传输模块用于将权值信息传输给所述控制中心(4)。
5.根据权利要求1所述的一种基于视觉识别和深度神经网络的通行系统,其特征在于,所述台阶装置(6)包括踏板(8)、设置在所述踏板(8)两端的踏板侧板(9),所述踏板(8)与所述踏板侧板(9)转动连接。
6.根据权利要求1所述的一种基于视觉识别和深度神经网络的通行系统,其特征在于,所述调节装置(7)包括电机(10)、与所述电机(10)相连的蜗杆(11)、安装在所述踏板侧板(9)上与所述踏板(8)连接的齿轮(13)、两端分别连接所述蜗杆(11)和齿轮(13)用于传输动力的连接杆(12)。
7.根据权利要求6所述的一种基于视觉识别和深度神经网络的通行系统,其特征在于,所述电机(10)为伺服电机(10)。
8.权利要求1-7任一项所述一种基于视觉识别和深度神经网络的通行系统的控制方法,其特征在于,包括以下步骤:
A、采集路况图像信号:对路况进行图像采集、图像分解、图像特征提取以及图像分类,将图像特征分为行人和车辆;
B、图像分析:对视觉识别系统提取的行人和车辆的特征信息进行具体分析得到车辆类型、车辆数量以及行人类型、行人数量信息,计算三种工况的通行时间,以通行时间最短为优化目标,计算执行机构三种工况的权值大小;
C、控制操作:根据计算得到的三种工况的权值大小,对执行机构进行控制。
9.根据权利要求8所述一种基于视觉识别和深度神经网络的通行系统的控制方法,其特征在于,步骤B是通过深度学习算法实现的,所述深度学习算法基于深度神经网络结构来实现,具体步骤为:
B1、将视觉识别系统对行人和车辆提取的特征信息作为输入层;
B2、隐藏层1根据输入层的信息将行人按每10岁作为一个年龄段对行人进行分类,车辆按车长、车宽、车高分为大型车、中型车和小型车,隐藏层2为执行机构的三种工况,输出层为通行时间;
B3、以输出层的通行时间最短为优化目标,计算执行机构三种工况的权值大小。
10.根据权利要求8所述一种基于视觉识别和深度神经网络的通行系统的控制方法,其特征在于,步骤C,根据计算得到的三种工况的权值大小所述控制中心(4)发出执行指令,控制所述电机(10)驱动,调整所述执行机构的工况类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810796554.5A CN109063610B (zh) | 2018-07-19 | 2018-07-19 | 一种基于视觉识别和深度神经网络的通行系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810796554.5A CN109063610B (zh) | 2018-07-19 | 2018-07-19 | 一种基于视觉识别和深度神经网络的通行系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063610A true CN109063610A (zh) | 2018-12-21 |
CN109063610B CN109063610B (zh) | 2020-09-04 |
Family
ID=64817350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810796554.5A Active CN109063610B (zh) | 2018-07-19 | 2018-07-19 | 一种基于视觉识别和深度神经网络的通行系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063610B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010185266A (ja) * | 2009-02-10 | 2010-08-26 | Mitsuru Ohashi | 階段 |
CN201843356U (zh) * | 2010-09-21 | 2011-05-25 | 同济大学 | 一种液压升降式台阶系统 |
CN204087487U (zh) * | 2014-07-24 | 2015-01-07 | 兰州交通大学 | 一种道路交通视频信息获取及智能处理系统 |
CN205637383U (zh) * | 2016-01-28 | 2016-10-12 | 东北林业大学 | 一种多功能烫蜡家用楼梯 |
CN107134156A (zh) * | 2017-06-16 | 2017-09-05 | 上海集成电路研发中心有限公司 | 一种基于深度学习的智能交通灯系统及其控制交通灯的方法 |
CN107622678A (zh) * | 2017-10-18 | 2018-01-23 | 冯迎安 | 一种基于图像处理的智能交通控制系统及其方法 |
-
2018
- 2018-07-19 CN CN201810796554.5A patent/CN109063610B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010185266A (ja) * | 2009-02-10 | 2010-08-26 | Mitsuru Ohashi | 階段 |
CN201843356U (zh) * | 2010-09-21 | 2011-05-25 | 同济大学 | 一种液压升降式台阶系统 |
CN204087487U (zh) * | 2014-07-24 | 2015-01-07 | 兰州交通大学 | 一种道路交通视频信息获取及智能处理系统 |
CN205637383U (zh) * | 2016-01-28 | 2016-10-12 | 东北林业大学 | 一种多功能烫蜡家用楼梯 |
CN107134156A (zh) * | 2017-06-16 | 2017-09-05 | 上海集成电路研发中心有限公司 | 一种基于深度学习的智能交通灯系统及其控制交通灯的方法 |
CN107622678A (zh) * | 2017-10-18 | 2018-01-23 | 冯迎安 | 一种基于图像处理的智能交通控制系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109063610B (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829403B (zh) | 一种基于深度学习的车辆防碰撞预警方法及系统 | |
CN113256965B (zh) | 基于智慧城市的交通风险感知系统及方法 | |
CN109191830B (zh) | 一种基于视频图像处理的道路拥堵检测方法 | |
CN108230254B (zh) | 一种自适应场景切换的高速交通全车道线自动检测方法 | |
CN104751634B (zh) | 高速公路隧道行车图像采集信息的综合应用方法 | |
JP2018523234A (ja) | 乗客の混雑度の算出方法及びそのシステム | |
CN108597219B (zh) | 一种基于机器视觉的路段行人过街控制方法 | |
CN102819764A (zh) | 一种适用于交通路口复杂场景下的多视角人流量统计方法 | |
CN103324930A (zh) | 一种基于灰度直方图二值化的车牌字符分割方法 | |
CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN113160575A (zh) | 一种非机动车辆及驾驶人的交通违法行为检测方法及系统 | |
CN105118305A (zh) | 室外停车场出口车辆管理平台 | |
CN107204120B (zh) | 一种利用旅行时间进行交通信号相位设计的方法及其装置 | |
CN109147351A (zh) | 一种交通信号灯控制系统 | |
CN109118787A (zh) | 一种基于深度神经网络的车辆速度预测方法 | |
Jiang et al. | Deep transfer learning enable end-to-end steering angles prediction for self-driving car | |
CN116580547B (zh) | 一种地埋式交通信号灯智能控制方法及系统 | |
CN111899514A (zh) | 一种人工智能的拥堵检测系统 | |
CN115662113A (zh) | 一种信号交叉口人车博弈冲突风险评估与预警方法 | |
CN109815933A (zh) | 一种多轴车自动识别取证装置、系统及方法 | |
CN109063610A (zh) | 一种基于视觉识别和深度神经网络的通行系统及其方法 | |
Jin et al. | An intelligent traffic detection approach for vehicles on highway using pattern recognition and deep learning | |
CN113505346B (zh) | 一种基于人工智能的城市路灯数据处理及联合调控系统 | |
CN110610608A (zh) | 一种基于双目摄像机的交通状态识别方法 | |
CN116013072B (zh) | 一种基于深度学习应用的停车场出入车辆计数方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |