CN109241938A - 道路拥堵检测方法及终端 - Google Patents
道路拥堵检测方法及终端 Download PDFInfo
- Publication number
- CN109241938A CN109241938A CN201811130778.9A CN201811130778A CN109241938A CN 109241938 A CN109241938 A CN 109241938A CN 201811130778 A CN201811130778 A CN 201811130778A CN 109241938 A CN109241938 A CN 109241938A
- Authority
- CN
- China
- Prior art keywords
- road
- congestion
- detected
- vehicle
- image information
- 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
- G06V20/40—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种道路拥堵检测方法及终端，方法包括：获取待检测道路的历史视频图像信息；根据所述历史视频图像信息对车辆的特征进行学习，得到学习结果；获取待检测道路的当前视频图像信息；根据所述学习结果对当前视频图像信息中的车辆进行检测，得到检测结果；根据所述检测结果判断待检测道路是否拥堵。采用深度学习的方法对待检测道路的车辆特征进行学习，可以大大提高对车辆的识别精度，有效避免车辆处于停车状态时被融入背景、光线和阴影等造成车辆误识别的问题，进而可以提高道路状况判断精度。
Description
技术领域
本发明涉及检测技术领域，尤其涉及一种道路拥堵检测方法及终端。
背景技术
现有的道路拥堵检测技术中，对车辆的检测大多是基于背景建模的移动物体跟踪，受光线和阴影的干扰较大，容易引起误检。当车辆较多时，常常会因为对比特征不足导致车辆跟踪不准，对车辆的运行轨迹和速度等判断不准，从而引起误报。
现有的道路拥堵判断标准往往是采用手机热点、车辆速度和单位时间内车流量等方式来进行，此方法对于某些特殊的场景，例如收费站等不适用，不能准确反应道路状况。
发明内容
本发明所要解决的技术问题是：提供一种道路拥堵检测方法及终端，可以对车辆进行准确识别，提高道路状况判断精度。
为了解决上述技术问题，本发明采用的技术方案为：
一种道路拥堵检测方法，包括：
获取待检测道路的历史视频图像信息；
根据所述历史视频图像信息对车辆的特征进行学习，得到学习结果；
获取待检测道路的当前视频图像信息；
根据所述学习结果对当前视频图像信息中的车辆进行检测，得到检测结果；
根据所述检测结果判断待检测道路是否拥堵。
本发明采用的另一技术方案为：
一种道路拥堵检测终端，包括处理器、存储器以及存储在存储器上并可在处理器上运行的计算机程序，
所述处理器执行所述计算机程序时实现以下步骤：
获取待检测道路的历史视频图像信息；
根据所述历史视频图像信息对车辆的特征进行学习，得到学习结果；
获取待检测道路的当前视频图像信息；
根据所述学习结果对当前视频图像信息中的车辆进行检测，得到检测结果；
根据所述检测结果判断待检测道路是否拥堵。
本发明的有益效果在于：采用深度学习的方法对待检测道路的车辆特征进行学习，可以大大提高对车辆的识别精度，有效避免车辆处于停车状态时被融入背景、光线和阴影等造成车辆误识别的问题，进而可以提高道路状况判断精度。
附图说明
图1为本发明实施例一的道路拥堵检测方法的流程图；
图2为本发明实施例一的道路拥堵检测方法的另一流程图；
图3为本发明实施例一的道路拥堵检测方法的另一流程图；
图4为本发明实施例一的待检测道路的示意图；
图5为本发明实施例二的道路拥堵检测终端的结构示意图。
标号说明：
100、道路拥堵检测终端；1、处理器；2、存储器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
本发明最关键的构思在于：根据待检测道路的历史视频图像信息对车辆的特征进行学习，可以大大提高对车辆的识别精度。
请参照图1至图4，一种道路拥堵检测方法，包括：
获取待检测道路的历史视频图像信息；
根据所述历史视频图像信息对车辆的特征进行学习，得到学习结果；
获取待检测道路的当前视频图像信息；
根据所述学习结果对当前视频图像信息中的车辆进行检测，得到检测结果；
根据所述检测结果判断待检测道路是否拥堵。
从上述描述可知，本发明的有益效果在于：采用深度学习的方法对待检测道路的车辆特征进行学习，可以大大提高对车辆的识别精度，有效避免车辆处于停车状态时被融入背景、光线和阴影等造成车辆误识别的问题，进而可以提高道路状况判断精度。
进一步的，所述根据所述历史视频图像信息对车辆的特征进行学习，得到学习结果具体为：
对历史视频图像信息中的车辆进行标注，得到训练样本；
采用YOLO工具对所述训练样本进行训练，得到学习结果。
由上述描述可知，可以采用Labellmg对视频图像中的车辆进行框定，并写好酚类标识。
进一步的，所述采用YOLO工具对所述训练样本进行训练，得到学习结果具体为：
获取初始权重文件；
根据训练样本不断对所述初始权重文件进行调整，得到调整结果；
获取所述调整结果中各权重的权重系数；
去除权重系数小于预设系数的权重，得到学习结果。
由上述描述可知，在训练的过程中对权重的权重值不断进行调整，使其结果更加接近标注；去除权重系数较小的权重，可以减少之后车辆的检测时间和资源消耗，解决深度学习检测速度慢的问题。
进一步的，所述检测结果包括车辆位置和车辆大小；
所述根据所述检测结果判断待检测道路是否拥堵具体包括：
根据所述车辆位置和车辆大小分别计算当前视频图像信息中的车辆数目的平均值以及车辆面积的平均值；
当所述车辆数目的平均值超过预设车辆阈值或所述车辆面积的平均值超过预设面积阈值时，则待检测道路拥堵。
由上述描述可知，采用车辆数目和车辆面积相结合的判断方法综合判断道路是否拥堵，其判断结果更加准确。
进一步的，所述根据所述检测结果判断待检测道路是否拥堵之后还包括：判断待检测道路的拥堵等级；
所述判断待检测道路的拥堵等级具体包括：
预设待检测道路的拥堵点；
根据所述拥堵点将待检测道路划分为至少两个的待检测区域；
分别判断至少两个的所述待检测区域是否拥堵，得到判断结果；
根据所述判断结果判断待检测道路的拥堵等级。
由上述描述可知，将待检测道路划分为多个待检测区域，通过分别判断待检测区域是否拥堵来判断拥堵等级，得到的结果更加准确。
请参照图5，本发明涉及的另一技术方案为：
一种道路拥堵检测终端100，包括处理器1、存储器2以及存储在存储器2上并可在处理器1上运行的计算机程序，
所述处理器1执行所述计算机程序时实现以下步骤：
获取待检测道路的历史视频图像信息；
根据所述历史视频图像信息对车辆的特征进行学习，得到学习结果；
获取待检测道路的当前视频图像信息；
根据所述学习结果对当前视频图像信息中的车辆进行检测，得到检测结果；
根据所述检测结果判断待检测道路是否拥堵。
进一步的，所述根据所述历史视频图像信息对车辆的特征进行学习，得到学习结果具体为：
对历史视频图像信息中的车辆进行标注，得到训练样本；
采用YOLO工具对所述训练样本进行训练，得到学习结果。
进一步的，所述采用YOLO工具对所述训练样本进行训练，得到学习结果具体为：
获取初始权重文件；
根据训练样本不断对所述初始权重文件进行调整，得到调整结果；
获取所述调整结果中各权重的权重系数；
去除权重系数小于预设系数的权重，得到学习结果。
进一步的，所述检测结果包括车辆位置和车辆大小；
所述根据所述检测结果判断待检测道路是否拥堵具体包括：
根据所述车辆位置和车辆大小分别计算当前视频图像信息中的车辆数目的平均值以及车辆面积的平均值；
当所述车辆数目的平均值超过预设车辆阈值或所述车辆面积的平均值超过预设面积阈值时，则待检测道路拥堵。
进一步的，所述处理器1执行所述计算机程序时还实现以下步骤：
所述根据所述检测结果判断待检测道路是否拥堵之后还包括：判断待检测道路的拥堵等级；
所述判断待检测道路的拥堵等级具体包括：
预设待检测道路的拥堵点；
根据所述拥堵点将待检测道路划分为至少两个的待检测区域；
分别判断至少两个的所述待检测区域是否拥堵，得到判断结果；
根据所述判断结果判断待检测道路的拥堵等级。
请参照图1至图4，本发明的实施例一为：
一种道路拥堵检测方法，如图1所示，包括如下步骤：
S1、获取待检测道路的历史视频图像信息。
S2、根据所述历史视频图像信息对车辆的特征进行学习，得到学习结果。
步骤S2具体为：
S21、对历史视频图像信息中的车辆进行标注，得到训练样本；
S22、采用YOLO工具对所述训练样本进行训练，得到学习结果。
本实施例中，采用Labellmg对视频图像中的车辆进行框定，并写好分类标识。
如图2所示，步骤S21具体为：
S211、获取初始权重文件；
S212、根据训练样本不断对所述初始权重文件进行调整，得到调整结果；在训练过程中，不断根据标注信息对初始权重文件进行调整，学习图像中车辆的特征。并且训练时采用深度学习网络模型，使用多分辨率学习和归一化技术，能够有效学习各种不同大小车辆的特征，防止过学习，提高检测的准确率。
S213、获取所述调整结果中各权重的权重系数；
S214、去除权重系数小于预设系数的权重，得到学习结果。使用剪枝技术去除权重文件中对检测精度影响不大的权重，可减少之后车辆检测的时间和资源消耗，解决深度学习检测速度慢的问题。
S3、获取待检测道路的当前视频图像信息。
S4、根据所述学习结果对当前视频图像信息中的车辆进行检测，得到检测结果。所述检测结果包括车辆位置和车辆大小等。
S5、根据所述检测结果判断待检测道路是否拥堵。
本实施例中，步骤S5具体包括：
S51、根据所述车辆位置和车辆大小分别计算当前视频图像信息中的车辆数目的平均值以及车辆面积的平均值；
S52、当所述车辆数目的平均值超过预设车辆阈值或所述车辆面积的平均值超过预设面积阈值时，则待检测道路拥堵。
本实施例中，预设车辆阈值和预设面积阈值均可以根据实际需要进行设置，在统计当前视频图像信息中的车辆数目的平均值和车辆面积的平均值时，可以通过统计指定帧数的画面的总数目，然后进行平均值的计算。假设预设车辆阈值为10，当检测到待检测道路上的车辆数目超过10辆时，则认为待检测道路拥堵。预设面积阈值可以是车辆面积占道路总面积的比例，假设为80％，当检测到3辆大卡车其面积的总和占待检测道路面积的80％以上时，则认为道路也出现拥堵。
步骤S5之后还包括：判断待检测道路的拥堵等级。
如图3所示，所述判断待检测道路的拥堵等级具体包括：
S501、预设待检测道路的拥堵点；拥堵点为可能出现车辆拥堵的地方，例如收费站和加油站等地方，本实施例中，以收费站为例进行说明。
S502、根据所述拥堵点将待检测道路划分为至少两个的待检测区域。收费站通常有出口广场和入口广场，以入口广场为例，又分为进入高速的入口车道和从高速出来的收费车道，入口车道和收费车道需要分别进行检测。如图4所示，将入口车道分为待检测区域1、待检测区域2和待检测区域3，待检测区域1更靠近收费站，待检测区域1其次，待检测区域3离收费站最远。将收费车道分为待检测区域4、待检测区域5和待检测区域6，待检测区域4离收费站最远，待检测区域5其次，待检测区域6离收费站最近。
S503、分别判断至少两个的所述待检测区域是否拥堵，得到判断结果。
S504、根据所述判断结果判断待检测道路的拥堵等级。
入口车道拥堵等级的判断方法如下：
由于进入高速的车辆，其聚集到高速路口的速度远大于取卡的速度，当在流量高峰期时，就会出现拥堵情况，其拥堵往往会从收费站向匝道方向排队。因此，在检测时从待检测区域1开始，如果待检测区域1不拥堵，则不再向后检测，当前入口车道的拥堵等级为“畅通”；如果待检测区域1拥堵，则看待检测区域2，如果待检测区域2不拥堵，则不再向后检测，当前入口车道的拥堵等级为“畅通”；如果待检测区域2拥堵，再看待检测区域3，如果待检测区域3不拥堵，则不再向后检测，当前入口车道的拥堵等级属于“一般拥堵”；如果待检测区域3拥堵，则当前入口车道的拥堵等级属于“‘非常拥堵”。待检测区域不限于3个，可以分为五个甚至更多，拥堵等级也可以根据需要设置为五个甚至更多。
收费车道的拥堵等级的判断方法如下：
离开高速的车辆，由于收费速度远小于车辆离开的速度，因此第一辆车收费结束，在第二辆车收费完成前，第一辆车已经开出很远了。如果出现拥堵，则由可能是离开高速的路上出现事故，那么拥堵车辆应该从远端开始向收费站排队。因此在检测时，从匝道区域开始检测，先看待检测区域4，如果待检测区域4不拥堵，则不再向后检测，当前收费车道属于“畅通”状态；如果待检测区域4拥堵，则看待检测区域5，如果待检测区域5不拥堵，则不再向后检测，当前收费车道属于“畅通”状态；如果待检测区域5拥堵，当前收费车道属于“一般拥堵”状态，再看待检测区域6，如果待检测区域6不拥堵，则不再向后检测，当前收费车道属于“一般拥堵”状态；如果待检测区域6拥堵，当前收费车道属于“非常拥堵”状态。同理，如果将待检测区域设置为5个，则可以实现五级的拥堵检测。
最后整个收费广场的拥堵等级取入口车道和收费车道拥堵等级最高的值，作为整个收费广场的拥堵等级。
请参照图5，本发明的实施例二为：
一种道路拥堵检测终端100，与实施例一的方法相对应，所述道路拥堵检测终端100包括处理器1、存储器2以及存储在存储器2上并可在处理器1上运行的计算机程序，所述处理器1执行所述计算机程序时实现以下步骤：
获取待检测道路的历史视频图像信息；
根据所述历史视频图像信息对车辆的特征进行学习，得到学习结果；
获取待检测道路的当前视频图像信息；
根据所述学习结果对当前视频图像信息中的车辆进行检测，得到检测结果；
根据所述检测结果判断待检测道路是否拥堵。
进一步的，所述根据所述历史视频图像信息对车辆的特征进行学习，得到学习结果具体为：
对历史视频图像信息中的车辆进行标注，得到训练样本；
采用YOLO工具对所述训练样本进行训练，得到学习结果。
进一步的，所述采用YOLO工具对所述训练样本进行训练，得到学习结果具体为：
获取初始权重文件；
根据训练样本不断对所述初始权重文件进行调整，得到调整结果；
获取所述调整结果中各权重的权重系数；
去除权重系数小于预设系数的权重，得到学习结果。
进一步的，所述检测结果包括车辆位置和车辆大小；
所述根据所述检测结果判断待检测道路是否拥堵具体包括：
根据所述车辆位置和车辆大小分别计算当前视频图像信息中的车辆数目的平均值以及车辆面积的平均值；
当所述车辆数目的平均值超过预设车辆阈值或所述车辆面积的平均值超过预设面积阈值时，则待检测道路拥堵。
进一步的，所述处理器1执行所述计算机程序时还实现以下步骤：
所述根据所述检测结果判断待检测道路是否拥堵之后还包括：判断待检测道路的拥堵等级；
所述判断待检测道路的拥堵等级具体包括：
预设待检测道路的拥堵点；
根据所述拥堵点将待检测道路划分为至少两个的待检测区域；
分别判断至少两个的所述待检测区域是否拥堵，得到判断结果；
根据所述判断结果判断待检测道路的拥堵等级。
综上所述，本发明提供的一种道路拥堵检测方法及终端，可以准确识别车辆，能有效避免车辆处于停车状态时被融入背景、光线和阴影等造成车辆误识别的问题，且对道路拥堵情况的判断精度高。
以上所述仅为本发明的实施例，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同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种道路拥堵检测方法，其特征在于，包括：
获取待检测道路的历史视频图像信息；
根据所述历史视频图像信息对车辆的特征进行学习，得到学习结果；
获取待检测道路的当前视频图像信息；
根据所述学习结果对当前视频图像信息中的车辆进行检测，得到检测结果；
根据所述检测结果判断待检测道路是否拥堵。
2.根据权利要求1所述的道路拥堵检测方法，其特征在于，所述根据所述历史视频图像信息对车辆的特征进行学习，得到学习结果具体为：
对历史视频图像信息中的车辆进行标注，得到训练样本；
采用YOLO工具对所述训练样本进行训练，得到学习结果。
3.根据权利要求2所述的道路拥堵检测方法，其特征在于，所述采用YOLO工具对所述训练样本进行训练，得到学习结果具体为：
获取初始权重文件；
根据训练样本不断对所述初始权重文件进行调整，得到调整结果；
获取所述调整结果中各权重的权重系数；
去除权重系数小于预设系数的权重，得到学习结果。
4.根据权利要求1所述的道路拥堵检测方法，其特征在于，所述检测结果包括车辆位置和车辆大小；
所述根据所述检测结果判断待检测道路是否拥堵具体包括：
根据所述车辆位置和车辆大小分别计算当前视频图像信息中的车辆数目的平均值以及车辆面积的平均值；
当所述车辆数目的平均值超过预设车辆阈值或所述车辆面积的平均值超过预设面积阈值时，则待检测道路拥堵。
5.根据权利要求4所述的道路拥堵检测方法，其特征在于，所述根据所述检测结果判断待检测道路是否拥堵之后还包括：判断待检测道路的拥堵等级；
所述判断待检测道路的拥堵等级具体包括：
预设待检测道路的拥堵点；
根据所述拥堵点将待检测道路划分为至少两个的待检测区域；
分别判断至少两个的所述待检测区域是否拥堵，得到判断结果；
根据所述判断结果判断待检测道路的拥堵等级。
6.一种道路拥堵检测终端，包括处理器、存储器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，
所述处理器执行所述计算机程序时实现以下步骤：
获取待检测道路的历史视频图像信息；
根据所述历史视频图像信息对车辆的特征进行学习，得到学习结果；
获取待检测道路的当前视频图像信息；
根据所述学习结果对当前视频图像信息中的车辆进行检测，得到检测结果；
根据所述检测结果判断待检测道路是否拥堵。
7.根据权利要求6所述的道路拥堵检测终端，其特征在于，所述根据所述历史视频图像信息对车辆的特征进行学习，得到学习结果具体为：
对历史视频图像信息中的车辆进行标注，得到训练样本；
采用YOLO工具对所述训练样本进行训练，得到学习结果。
8.根据权利要求7所述的道路拥堵检测终端，其特征在于，所述采用YOLO工具对所述训练样本进行训练，得到学习结果具体为：
获取初始权重文件；
根据训练样本不断对所述初始权重文件进行调整，得到调整结果；
获取所述调整结果中各权重的权重系数；
去除权重系数小于预设系数的权重，得到学习结果。
9.根据权利要求6所述的道路拥堵检测终端，其特征在于，所述检测结果包括车辆位置和车辆大小；
所述根据所述检测结果判断待检测道路是否拥堵具体包括：
根据所述车辆位置和车辆大小分别计算当前视频图像信息中的车辆数目的平均值以及车辆面积的平均值；
当所述车辆数目的平均值超过预设车辆阈值或所述车辆面积的平均值超过预设面积阈值时，则待检测道路拥堵。
10.根据权利要求9所述的道路拥堵检测终端，其特征在于，所述处理器执行所述计算机程序时还实现以下步骤：
所述根据所述检测结果判断待检测道路是否拥堵之后还包括：判断待检测道路的拥堵等级；
所述判断待检测道路的拥堵等级具体包括：
预设待检测道路的拥堵点；
根据所述拥堵点将待检测道路划分为至少两个的待检测区域；
分别判断至少两个的所述待检测区域是否拥堵，得到判断结果；
根据所述判断结果判断待检测道路的拥堵等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811130778.9A CN109241938B (zh) | 2018-09-27 | 2018-09-27 | 道路拥堵检测方法及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811130778.9A CN109241938B (zh) | 2018-09-27 | 2018-09-27 | 道路拥堵检测方法及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109241938A true CN109241938A (zh) | 2019-01-18 |
| CN109241938B CN109241938B (zh) | 2022-02-18 |
Family
ID=65056996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811130778.9A Active CN109241938B (zh) | 2018-09-27 | 2018-09-27 | 道路拥堵检测方法及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109241938B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948436A (zh) * | 2019-02-01 | 2019-06-28 | 深兰科技（上海）有限公司 | 一种监控道路上车辆的方法及装置 |
| CN110175533A (zh) * | 2019-05-07 | 2019-08-27 | 平安科技（深圳）有限公司 | 高架桥交通状况实时监测方法、装置、终端及存储介质 |
| CN110889328A (zh) * | 2019-10-21 | 2020-03-17 | 大唐软件技术股份有限公司 | 检测道路交通状况的方法、装置、电子设备和存储介质 |
| CN111754781A (zh) * | 2019-03-27 | 2020-10-09 | 杭州海康威视数字技术股份有限公司 | 一种车辆违章检测的方法、装置、系统及摄像机 |
| CN112185103A (zh) * | 2019-09-24 | 2021-01-05 | 成都通甲优博科技有限责任公司 | 交通监控方法、装置及电子设备 |
| CN112785841A (zh) * | 2020-12-25 | 2021-05-11 | 北京中交兴路信息科技有限公司 | 判断货车行驶路线拥堵状态的方法及装置 |
| 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 |
| CN116403412A (zh) * | 2023-06-08 | 2023-07-07 | 深圳金三立视频科技股份有限公司 | 一种车辆拥堵检测方法以及终端 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080063239A1 (en) * | 2006-09-13 | 2008-03-13 | Ford Motor Company | Object detection system and method |
| CN104021670A (zh) * | 2014-03-27 | 2014-09-03 | 湖南工业大学 | 一种高分遥感影像提取城市路网车辆队列状态信息方法 |
| CN105469612A (zh) * | 2016-01-22 | 2016-04-06 | 大连楼兰科技股份有限公司 | 一种交通拥堵报警系统及方法 |
| CN106503382A (zh) * | 2016-10-28 | 2017-03-15 | 新奥科技发展有限公司 | 一种城市道路规划方法及装置 |
| CN107016861A (zh) * | 2017-05-31 | 2017-08-04 | 电子科技大学 | 基于深度学习和智能路灯的交通信号灯智能调控系统 |
| CN107368890A (zh) * | 2016-05-11 | 2017-11-21 | Tcl集团股份有限公司 | 一种以视觉为中心的基于深度学习的路况分析方法及系统 |
| CN108055501A (zh) * | 2017-11-22 | 2018-05-18 | 天津市亚安科技有限公司 | 一种目标检测及跟踪的视频监控系统及方法 |
| EP3333827A1 (en) * | 2016-12-12 | 2018-06-13 | Hitachi, Ltd. | Driving assistance apparatus with human machine interface system |
| CN108335483A (zh) * | 2017-12-25 | 2018-07-27 | 深圳先进技术研究院 | 交通拥堵扩散路径的推断方法及其系统 |
| CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
-
2018
- 2018-09-27 CN CN201811130778.9A patent/CN109241938B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080063239A1 (en) * | 2006-09-13 | 2008-03-13 | Ford Motor Company | Object detection system and method |
| CN104021670A (zh) * | 2014-03-27 | 2014-09-03 | 湖南工业大学 | 一种高分遥感影像提取城市路网车辆队列状态信息方法 |
| CN105469612A (zh) * | 2016-01-22 | 2016-04-06 | 大连楼兰科技股份有限公司 | 一种交通拥堵报警系统及方法 |
| CN107368890A (zh) * | 2016-05-11 | 2017-11-21 | Tcl集团股份有限公司 | 一种以视觉为中心的基于深度学习的路况分析方法及系统 |
| CN106503382A (zh) * | 2016-10-28 | 2017-03-15 | 新奥科技发展有限公司 | 一种城市道路规划方法及装置 |
| EP3333827A1 (en) * | 2016-12-12 | 2018-06-13 | Hitachi, Ltd. | Driving assistance apparatus with human machine interface system |
| CN107016861A (zh) * | 2017-05-31 | 2017-08-04 | 电子科技大学 | 基于深度学习和智能路灯的交通信号灯智能调控系统 |
| CN108055501A (zh) * | 2017-11-22 | 2018-05-18 | 天津市亚安科技有限公司 | 一种目标检测及跟踪的视频监控系统及方法 |
| CN108335483A (zh) * | 2017-12-25 | 2018-07-27 | 深圳先进技术研究院 | 交通拥堵扩散路径的推断方法及其系统 |
| CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| PARTHA NARAYAN CHOWDHURY: "A Vehicle Detection Technique for Traffic Management using Image Processing", 《 2018 INTERNATIONAL CONFERENCE ON COMPUTER, COMMUNICATION, CHEMICAL, MATERIAL AND ELECTRONIC ENGINEERING (IC4ME2)》 * |
| 王宇宁: "基于YOLO算法的车辆实时检测", 《武汉理工大学学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948436A (zh) * | 2019-02-01 | 2019-06-28 | 深兰科技（上海）有限公司 | 一种监控道路上车辆的方法及装置 |
| CN109948436B (zh) * | 2019-02-01 | 2020-12-08 | 深兰科技（上海）有限公司 | 一种监控道路上车辆的方法及装置 |
| CN111754781A (zh) * | 2019-03-27 | 2020-10-09 | 杭州海康威视数字技术股份有限公司 | 一种车辆违章检测的方法、装置、系统及摄像机 |
| CN110175533A (zh) * | 2019-05-07 | 2019-08-27 | 平安科技（深圳）有限公司 | 高架桥交通状况实时监测方法、装置、终端及存储介质 |
| CN112185103A (zh) * | 2019-09-24 | 2021-01-05 | 成都通甲优博科技有限责任公司 | 交通监控方法、装置及电子设备 |
| CN110889328A (zh) * | 2019-10-21 | 2020-03-17 | 大唐软件技术股份有限公司 | 检测道路交通状况的方法、装置、电子设备和存储介质 |
| CN112785841A (zh) * | 2020-12-25 | 2021-05-11 | 北京中交兴路信息科技有限公司 | 判断货车行驶路线拥堵状态的方法及装置 |
| CN112785841B (zh) * | 2020-12-25 | 2022-05-06 | 北京中交兴路信息科技有限公司 | 判断货车行驶路线拥堵状态的方法及装置 |
| 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 |
| CN116403412A (zh) * | 2023-06-08 | 2023-07-07 | 深圳金三立视频科技股份有限公司 | 一种车辆拥堵检测方法以及终端 |
| CN116403412B (zh) * | 2023-06-08 | 2023-09-19 | 深圳金三立视频科技股份有限公司 | 一种车辆拥堵检测方法以及终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109241938B (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241938A (zh) | 道路拥堵检测方法及终端 | |
| CN105844959B (zh) | 车辆入位的判定方法、装置及车辆出位的判定方法、装置 | |
| CN103116987B (zh) | 一种基于监控视频处理的车流统计和违规检测的方法 | |
| CN110287905B (zh) | 一种基于深度学习的交通拥堵区域实时检测方法 | |
| CN101456501B (zh) | 一种控制电梯按钮的方法及装置 | |
| CN105336169B (zh) | 一种基于视频判断交通拥堵的方法和系统 | |
| CN105512720A (zh) | 一种公交车辆客流统计方法和系统 | |
| CN110136447A (zh) | 行车变道检测及违法变道识别的方法 | |
| CN106682586A (zh) | 一种复杂光照条件下基于视觉的实时车道线检测的方法 | |
| CN105139425A (zh) | 一种人数统计方法及装置 | |
| CN106373426A (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
| CN111460924B (zh) | 一种基于目标检测的闸机通过逃票行为检测方法 | |
| CN102281385B (zh) | 基于运动视频的周期运动检测方法 | |
| CN103871078A (zh) | 一种台球击球关键信息检测方法及系统 | |
| CN100454355C (zh) | 实时采集道路车流量信息的视频方法 | |
| CN102867415B (zh) | 基于视频检测技术的道路拥堵判别方法 | |
| CN104331691A (zh) | 一种车标分类器训练方法、车标识别方法及装置 | |
| CN108804987B (zh) | 门开闭状态检测方法和装置、以及人流检测系统 | |
| CN107944329A (zh) | 一种用于etc车道的车辆检测方法、车道控制器及系统 | |
| CN110889328A (zh) | 检测道路交通状况的方法、装置、电子设备和存储介质 | |
| CN110490150A (zh) | 一种基于车辆检索的违章图片自动审核系统及方法 | |
| CN110633678A (zh) | 一种基于视频图像的快速高效的车流量计算方法 | |
| CN116153086B (zh) | 基于深度学习的多路段交通事故及拥堵检测方法及系统 | |
| CN114155706A (zh) | 一种服务区车辆判别方法、装置、电子设备和存储介质 | |
| CN110136171A (zh) | 一种目标跟踪过程中判断遮挡的方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: 518000 floor 101-5, building J, Shengli Industrial Park, No. 306, Xuegang North Road, Qinghu community, Longhua street, Longhua District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Jin made video Polytron Technologies Inc Address before: 518000 Longhua Guangdong New District, Longhua street, Qinghua Road, west side of the south side of the building J Industrial Park, building to 5 level 1 Applicant before: Shenzhen Jin made video Polytron Technologies Inc |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |