CN109272482A - 一种基于序列图像的城市路口车辆排队检测系统 - Google Patents
一种基于序列图像的城市路口车辆排队检测系统 Download PDFInfo
- Publication number
- CN109272482A CN109272482A CN201810802740.5A CN201810802740A CN109272482A CN 109272482 A CN109272482 A CN 109272482A CN 201810802740 A CN201810802740 A CN 201810802740A CN 109272482 A CN109272482 A CN 109272482A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- indicate
- detection
- bwl
- formula
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 99
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims abstract description 8
- 241001269238 Data Species 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 231100000241 scar Toxicity 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013264 cohort analysis Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- SYHGEUNFJIGTRX-UHFFFAOYSA-N methylenedioxypyrovalerone Chemical compound C=1C=C2OCOC2=CC=1C(=O)C(CCC)N1CCCC1 SYHGEUNFJIGTRX-UHFFFAOYSA-N 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于序列图像的城市路口车辆排队检测系统，包括摄像机、通信单元、相机标定系统、车辆行为分析系统及统计输出模块；所述摄像机通过通信单元连接车辆行为分析系统，车辆行为分析系统结合相机标定系统中的相机信息，对摄像机获得的序列图像进行车辆行为分析，判断视频中的车辆排队情况，并通过统计输出模块输出车辆排队信息；本发明的有益效果是，通过选择性背景更新的前景检测、分级车辆检测、多种交通数据计算和自适应跟踪效率优化方法，能实现准确和快速的车辆排队信息采集，满足准确交通信息实时性采集的需求。
Description
技术领域
本发明涉及图像处理系统技术领域，具体涉及一种基于序列图像的城市路口车辆排队检测系统。
背景技术
随着国内车辆保有量的不断提高，交通问题逐渐受到人们的广泛关注，而智能交通调度也渐渐进入人们的视野。人工的交通调度需要大量的人力物力，且难以及时发现拥堵情况并找到较好的解决方案，而自动化的交通调度能满足上述需求，在较好的解决调度问题的同时大大地减少了所需要的人力成本。但该方法需要实时的路口拥堵数据，因此需要自动的车辆拥堵检测为其提供基础数据，而基于序列图像的城市路口车辆排队检测系统是一种较好的解决方案，能提供准确的交通拥堵数据，并对场景中的情况变化进行实时的响应。
但无论是在准确提取交通数据上还是实时更新交通拥堵情况上，都对系统的算法提出了巨大的挑战，国内外学术界、工业界提出了很多方案。当前针对车辆排队检测的方法有很多，按检测设备可分为视频检测器、地磁传感器、红外线检测器、线圈检测器、超声波检测器等。在城市交叉路口检测车辆排队情况时，线圈检测器存在成本高、布设及调试复杂等缺点；传统浮动车存在检测成本高、操作复杂等缺点，且基于车载GPS检测的方法易受车辆条件限制，难以进行大规模应用；地磁传感器成本低廉、布设简单，但需要在道路完成前提前安装，维护复杂。
近年来，随着视频检测器成像质量不断提高及成本的不断降低，以及视频传感器易维护、安装方便等优点而得到广泛关注。根据视频检测的车辆排队检测方法可以根据是否进行车辆跟踪分为非跟踪方法和基于跟踪的方法，其中，非跟踪的方法通过逐帧判断道路中是否存在车辆达到检测排队长度。其中与本发明较为接近的技术方案包括：M.Y.Siyal等人(Siyal MY,Fathy M.Aneural-visionbased approach to measure traffic queueparameters in real-time[J].Pattern Recognition Letters,1999,20(8):761-770.)采用了滑动窗口机制实现车辆排队检测,而每个子窗口的检测又可分为车辆存在检测和车辆运动检测两步。M.Fathy等人(Fathy M,Siyal M Y.A window-based image processingtechnique for quantitative and qualitative analysis of road trafficparameters[J].IEEE Transactions on Vehicular Technology,1998,47(4):1342-1349.)采用帧间差分法进行车辆运动状态检测,并利用车辆垂直于车道轴方向上边缘强度的区别，提取该方向上的边缘信息以达到车辆目标检测。虽然通过非跟踪方法进行车辆排队队列分析简单高效，但存在易受背景的光照变化、阴影等因素的干扰造成车辆检测失败、受道路形状限制、仅能采集部分交通参数等不足。M.S.Shirazi等人(Shirazi M S,MorrisB.Vision-based vehicle queue analysis at junctions[A].IEEE InternationalConference on Advanced Video and Signal Based Surveillance[C].Karlsruhe,Germany:IEEE,2015:1-6.)利用在远景路口设置车辆检测区域进行车辆检测，并跟踪经过车辆获得车辆的运动状态。该方案鲁棒性高，较好的解决了超长等待的问题且能采集多个交通参数。但在实际工程应用中，往往采用单个相机同时采集多个车道的排队长度参数。在排队高峰期时，基于跟踪的排队长度检测算法需要同时跟踪多个车道中的多个车辆，对算法的实时性提出了很大挑战。
综上所述，当前车辆排队检测方案中存在如下不足：1)基于非跟踪的方法虽然能较好的满足系统实时性要求，但该方法容易受到环境干扰，且只能采集部分交通数据；2)基于跟踪的方法在实时性上稍有欠缺，且在场景中出现大量车辆的时候，会出现系统超负荷的情况，鲁棒性较差；3)上述方法在进行车辆排队长度的时候，没有考虑到车高遮挡对车辆排队计算精度的影响，数据准确性欠佳。
车辆排队检测作为交通调度的基础数据采集方案，在实时性和准确性上都有较高的要求，但现在的大多数方法不能同时兼顾这两方面的需求。而本发明中通过选择性背景更新的前景检测、分级车辆检测、多种交通数据计算和自适应跟踪效率优化方法，能实现准确和快速的车辆排队信息采集，满足准确交通信息实时性采集的需求。
发明内容
针对现有技术中存在的问题，本发明提供了准确、实时的一种基于序列图像的城市路口车辆排队检测系统。
本发明的技术方案如下：
一种基于序列图像的城市路口车辆排队检测系统，其特征在于，包括摄像机、通信单元、相机标定系统、车辆行为分析系统及统计输出模块；
所述摄像机通过通信单元连接车辆行为分析系统，车辆行为分析系统结合相机标定系统中的相机信息，对摄像机获得的序列图像进行车辆行为分析，判断视频中的车辆排队情况，并通过统计输出模块输出车辆排队信息；
所述相机标定系统通过事先为各路相机标注各项参数和标定车辆检测区域，辅助车辆行为分析系统进行车辆检测和行为分析；
所述车辆行为分析系统通过选择性背景更新的前景检测算法提取检测区域的运动目标，并通过分级的车辆检测方法对其中的车辆目标进行判断，再对车辆目标进行跟踪，并采用自适应跟踪优化方法对跟踪方法进行优化，得到车辆的历史行驶轨迹，最后通过分析所有车辆的行驶轨迹提取具体交通信息，并计算车辆排队长度；
所述统计输出模块通过车辆行为分析系统的计算结果，统计各时刻的道路信息，并将统计数据及时上传。
所述的一种基于序列图像的城市路口车辆排队检测系统，其特征在于，所述车辆行为分析系统包括选择性背景更新的前景检测模块、分级车辆检测模块、多种交通数据计算模块及自适应跟踪效率优化模块。
所述的一种基于序列图像的城市路口车辆排队检测系统，其特征在于，所述选择性背景更新的前景检测模块，该模块主要负责判断目标检测区域是否存在运动目标，具体步骤如下：
步骤1.1获取序列图像数据F＝{fi|i＝0,1,2,3,…,nframe}，其中fi表示第i帧的视频图像，nframe表示该序列中的视频图像数量；
步骤1.2构建有n个元素的背景模型M(x)＝{vj(x)|j＝1,2,3,…,n}；其中，vj(x)表示第j个背景模型中像素点x处的像素值，n为事先给定的背景样本数量；
步骤1.3进行背景模型初始化；根据式(1)从图像f0中每个像素点自身及其邻域NG(x)内随机选择n个像素点的值对其进行建模；
M0(x)＝{v0(y|y∈NG(x))} (1)
步骤1.4进行前景检测，判断fi中是否存在运动目标；根据式(2)判断是否为背景，满足则为背景，反之为前景；
λmin＜SR(vi(x))∩M(x) (2)
其中，SR(vi(x))表示以vi(x)为中心的圆形区域，vi(x)表示第fi帧中像素点x处的像素值，R表示事先给定的圆形区域的半径，SR(vi(x))∩M(x)表示在SR(vi(x))区域中集合M(x)点的个数，λmin为事先给定的最小前景阈值；
步骤1.5选择性背景模型更新；记当前跟踪队列集合为TL，若TL满足式(3)，则停止车辆虚拟检测区域的背景更新；否则，像素背景像素p(x)有1/γ的概率从样本集M(x)中随机地选取一个值用p(x)替代填充，并从邻域点的样本集中随机的选择p(x)的一个样本点，用该领域点的像素值进行填充更新；
其中，car表示跟踪队列中的跟踪车辆，ROI表示车辆检测区域前方位置，car.center表示车辆矩形的中心点坐标，ROI.contains(car.center)表示车辆中心点坐标在ROI内；γ表示事先给定的更新因子；
步骤1.6重复步骤1.3到1.5，直至处理完所有图像数据；
所述的一种基于序列图像的城市路口车辆排队检测系统，其特征在于，所述分级车辆检测模块，该模块主要负责对检测区域中的车辆目标进行检测，具体步骤如下：
步骤2.1从标定系统中读取已经标定好的大型车辆检测区域和小型车辆检测区域；
步骤2.2利用选择性背景更新的前景检测算法对两个检测区域进行背景建模，再进行膨胀腐蚀的形态学处理分别得到大型车辆检测区域和小型车辆检测区域的前景图G和GS；
步骤2.3找到G、GS中所有连通区域的最小外接矩形，并进行长、宽和面积的过滤，分别得到小型车辆车窗候选集合SWL＝{swli|i＝1,2,3,…,n}和大型车辆车窗候选集合BWL＝{bwli|i＝1,2,3,…,m}，使其分别满足式(4)和式(5)：
swli.W＞SCar.W且swli.H＞SCar.H (4)
bwli.W＞BCar.W且bwli.H＞BCar.H (5)
其中，n表示候选小型车车窗数量，m表示候选大型车车窗数量，swli.W和swli.H分别表示小型车候选区域swli的宽度和高度，bwli.W和bwli.H分别表示大型车候选区域bwli的宽度和高度，SCar.W和SCar.H分别表示该场景中小型车最小宽度和高度，BCar.W和BCar.H分别表示该场景中大型车最小宽度和高度；
步骤2.4过滤虚假的候选大型车辆；记跟踪车辆外接矩形集合为TB＝{tli|i＝1,2,3,…,P}，其中P为跟踪车辆总数；若bwli满足式(6)或式(7)，则判定bwli为虚假候选大型车辆，进一步从BWL中剔除该矩形；重复这一过程，直至遍历BWL中所有外接矩形；
其中，tlj I bwli表示矩形tlj和bwli相交区域，Stlj I bwli表示相交区域的面积；tlj.X和tlj.W分别表示矩形tlj的左上角点横坐标和宽度；bwli.X和bwlj.W分别表示矩形bwli的左上角点横坐标和宽度；tlj.center.Y表示矩形中心点的纵坐标，G.Buttom表示大型车辆检测区域底部纵坐标；
步骤2.5用训练好的大车车窗分类器对BWL中的候选车窗进行检测，用训练好的小车车窗分类器对SWL中的候选车窗进行检测，得到大型车辆车窗外接矩形集合NTLB＝{ntlbi|i＝1,2,3,…,p}和小型车辆的车窗外接矩形集合NTLS＝{ntlsi|i＝1,2,3,…,q}；其中，p表示大型车辆车窗外接矩形数量，q表示小型车辆车窗外接矩形数量；
步骤2.6若NTLB中任意矩形ntlbi或NTLS中任意矩形ntlsi满足式(8)，则认为该矩形为新检测到的车辆，将其加入TB，否则将其剔除；
式中，ntlbi∩tli表示矩形ntlbi和tlj相交区域，Sntlbi∩tli表示相交区域的面积。
所述的一种基于序列图像的城市路口车辆排队检测系统，其特征在于，所述多种交通数据计算模块，该模块包括车辆排队长度计算、车流量统计和平均车速统计；
所述车辆排队长度计算模块：K表示摄像机光心位置，O表示摄像机在地面的垂足点,平面XOY表示地面平面，世界坐标系为OXYZ，MN表示车辆尾部与平面XOY的交线；若世界坐标系中某点坐标N为(xw,yw,zw)，已知zw为车辆高度h，像素坐标为(u,v)，则该点距离平面XOZ的距离yw可通过下式计算得到：
其中，Zc表示相机坐标下目标点在Z轴上的位置，u0和v0表示图像像素坐标原点，fx和fy表示图像物理坐标系在相机坐标X轴、Y轴上的等效焦距，R和T表示相机的外部参数，0T＝[0,0,0]，Xw、Yw和Zw分别表示世界坐标系下目标点在X轴、Y轴和Z轴上的位置，M1表示摄像机内部参数，M2表示摄像机外部参数，M＝M1M2；
所述车流量统计模块：统计时刻ta到tb内的车流量，从车辆跟踪队列TB中筛选出各个车道在ta到tb内通过的车辆，得到集合QLanen＝{qlanej|j＝1,2,3,…,Lcountn}，n表示该车道号，Lcountn表示在第n车道通过的车辆数；通过式(10)计算车流量：
所述平均车速统计模块：统计时刻ta到tb内的平均速度，ta和tb分别对应图像序列fx和fy；从TB中筛选出各个车道在ta到tb内通过的车辆，从而计算得到平均车速集合SLane＝{slanei|i＝1,2,3,…,t}，t表示统计时间间隔；使TB中目标同时满足式(11)和(12)：
MEi∈[x，y]且
式中，i表示车辆编号，j表示车道编号，Na表示该车道的车辆总数，表示ci结束跟踪前所在车道，slanej表示第j个车道中车辆的平均速度，ci.Dis表示ci被跟踪的路程,|Fi|表示ci存在的视频帧数，t0表示两帧图像的时间间隔；
所述的一种基于序列图像的城市路口车辆排队检测系统，其特征在于，所述自适应跟踪效率优化模块，该模块主要负责优化跟踪算法运行效率，具体步骤如下：
步骤4.1获取第i个目标车辆Oi j在第j帧的具体位置(Oi j.X,Oi j.Y)；
步骤4.2读取下一帧图像，并对目标Oi j进行跟踪，得到其具体位置(Oi j+s.X,Oi j+ s.Y)，其中s表示帧间间隔；
步骤4.3根据式(13)计算第j帧到第j+s帧目标Oi j的位移系数Qi (j,j+s)：
其中，D.W和D.H分别表示跟踪算法检测区域的宽度和高度；
步骤4.4根据式(14)预测跟踪目标Oi j从第j帧到第j+s帧的运动状态：
其中S1、S2、S3和S4表示目标在第j帧到第j+s帧间的运动状态为静止、缓慢运动、快速运动还是匀速运动，β表示事先给定的波动系数；
步骤4.5根据式(15)对跟踪序列F(Oi j)进行调整，若F(Oi j)＝0，则跳过跟踪该帧，反之，则对该帧进行跟踪；式中k∈N；
本发明的有益效果是：通过自动化的车辆排队实时检测得到多个交通参数，能及时反映各个车道上的车辆拥堵情况，大大减少交通调度上的人力成本；通过车高估计的车辆排队长度计算准确计算车辆排队长度，精确反应实时交通拥堵情况；系统运行稳定，能解决多车道排队高峰期下的实时性问题。
附图说明
图1为本发明基于序列图像的车辆排队检测系统示意图；
图2为本发明车辆排队场景标定示意图；
图3为本发明道路参数配置示意图；
图4为本发明场景中像素坐标和实际坐标的转换示意图；
图5为本发明车辆检测与跟踪结果示意图；
图6为本发明跟踪优化流程图。
具体实施方式
下面结合实施实例来详细阐述本发明基于序列图像的城市路口车辆排队长度检测系统具体实施方式。
一种基于序列图像的城市路口车辆排队检测系统，由摄像机、通信单元、相机标定系统、车辆行为分析系统和统计输出模块构成，其特征在于：摄像机通过通信单元连接车辆行为分析系统，车辆行为分析系统结合相机标定系统中的相机信息，对摄像机获得的序列图像进行车辆行为分析，判断视频中的车辆排队情况，并通过统计输出模块输出车辆排队信息；
所述的相机标定系统通过事先为各路相机标注各项参数和标定车辆检测区域，辅助车辆行为分析系统进行车辆检测和行为分析；
所述的车辆行为分析系统通过选择性背景更新的前景检测算法提取检测区域的运动目标，并通过分级的车辆检测方法对其中的车辆目标进行判断，再对车辆目标进行跟踪，并采用自适应跟踪优化方法对跟踪方法进行优化，得到车辆的历史行驶轨迹，最后通过分析所有车辆的行驶轨迹提取具体交通信息，并计算车辆排队长度；该部分主要包括如下模块：
1、选择性背景更新的前景检测，该模块主要负责判断目标检测区域是否存在运动目标，具体步骤如下：
步骤1.1获取序列图像数据F＝{fi|i＝0,1,2,3,…,nframe}，其中fi表示第i帧的视频图像，nframe表示该序列中的视频图像数量；
步骤1.2构建有n个元素的背景模型M(x)＝{vj(x)|j＝1,2,3,…,n}；其中，vj(x)表示第j个背景模型中像素点x处的像素值，n为事先给定的背景样本数量；
步骤1.3进行背景模型初始化；根据式(1)从图像f0中每个像素点自身及其邻域NG(x)内随机选择n个像素点的值对其进行建模；
M0(x)＝{v0(y|y∈NG(x))} (1)
步骤1.4进行前景检测，判断fi中是否存在运动目标；根据式(2)判断是否为背景，满足则为背景，反之为前景；
λmin＜SR(vi(x))∩M(x) (2)
其中，SR(vi(x))表示以vi(x)为中心的圆形区域，vi(x)表示第fi帧中像素点x处的像素值，R表示事先给定的圆形区域的半径，SR(vi(x))∩M(x)表示在SR(vi(x))区域中集合M(x)点的个数，λmin为事先给定的最小前景阈值；在本实例中，R＝20，λmin＝2；
步骤1.5选择性背景模型更新；记当前跟踪队列集合为TL，若TL满足式(3)，则停止车辆虚拟检测区域的背景更新；否则，像素背景像素p(x)有1/γ的概率从样本集M(x)中随机地选取一个值用p(x)替代填充，并从邻域点的样本集中随机的选择p(x)的一个样本点，用该领域点的像素值进行填充更新；
其中，car表示跟踪队列中的跟踪车辆，ROI表示车辆检测区域前方位置，car.center表示车辆矩形的中心点坐标，ROI.contains(car.center)表示车辆中心点坐标在ROI内；γ表示事先给定的更新因子；在本实例中，γ＝16；
步骤1.6重复步骤1.3到1.5，直至处理完所有图像数据；
2、分级车辆检测，该模块主要负责对检测区域中的车辆目标进行检测，具体步骤如下：
步骤2.1从标定系统中读取已经标定好的大型车辆检测区域和小型车辆检测区域；
步骤2.2利用选择性背景更新的前景检测算法对两个检测区域进行背景建模，再进行膨胀腐蚀的形态学处理分别得到大型车辆检测区域和小型车辆检测区域的前景图G和GS；
步骤2.3找到G、GS中所有连通区域的最小外接矩形，并进行长、宽和面积的过滤，分别得到小型车辆车窗候选集合SWL＝{swli|i＝1,2,3,…,n}和大型车辆车窗候选集合BWL＝{bwli|i＝1,2,3,…,m}，使其分别满足式(4)和式(5)：
swli.W＞SCar.W且swli.H＞SCar.H (4)
bwli.W＞BCar.W且bwli.H＞BCar.H (5)
其中，n表示候选小型车车窗数量，m表示候选大型车车窗数量，swli.W和swli.H分别表示小型车候选区域swli的宽度和高度，bwli.W和bwli.H分别表示大型车候选区域bwli的宽度和高度，SCar.W和SCar.H分别表示该场景中小型车最小宽度和高度，BCar.W和BCar.H分别表示该场景中大型车最小宽度和高度；
步骤2.4过滤虚假的候选大型车辆；记跟踪车辆外接矩形集合为TB＝{tli|i＝1,2,3,…,P}，其中P为跟踪车辆总数；若bwli满足式(6)或式(7)，则判定bwli为虚假候选大型车辆，进一步从BWL中剔除该矩形；重复这一过程，直至遍历BWL中所有外接矩形；
其中，tlj I bwli表示矩形tlj和bwli相交区域，Stlj I bwli表示相交区域的面积；tlj.X和tlj.W分别表示矩形tlj的左上角点横坐标和宽度；bwli.X和bwlj.W分别表示矩形bwli的左上角点横坐标和宽度；tlj.center.Y表示矩形中心点的纵坐标，G.Buttom表示大型车辆检测区域底部纵坐标；
步骤2.5用训练好的大车车窗分类器对BWL中的候选车窗进行检测，用训练好的小车车窗分类器对SWL中的候选车窗进行检测，得到大型车辆车窗外接矩形集合NTLB＝{ntlbi|i＝1,2,3,…,p}和小型车辆的车窗外接矩形集合NTLS＝{ntlsi|i＝1,2,3,…,q}；其中，p表示大型车辆车窗外接矩形数量，q表示小型车辆车窗外接矩形数量；
步骤2.6若NTLB中任意矩形ntlbi或NTLS中任意矩形ntlsi满足式(8)，则认为该矩形为新检测到的车辆，将其加入TB，否则将其剔除；
式中，ntlbi∩tli表示矩形ntlbi和tlj相交区域，Sntlbi∩tli表示相交区域的面积。
3、多种交通数据计算，该模块包括车辆排队长度计算、车流量统计和平均车速统计；
所述车辆排队长度计算模块，其特征在于：K表示摄像机光心位置，O表示摄像机在地面的垂足点,平面XOY表示地面平面，世界坐标系为OXYZ，MN表示车辆尾部与平面XOY的交线；若世界坐标系中某点坐标N为(xw,yw,zw)，已知zw为车辆高度h，像素坐标为(u,v)，则该点距离平面XOZ的距离yw可通过下式计算得到：
其中，Zc表示相机坐标下目标点在Z轴上的位置，u0和v0表示图像像素坐标原点，fx和fy表示图像物理坐标系在相机坐标X轴、Y轴上的等效焦距，R和T表示相机的外部参数，0T＝[0,0,0]，Xw、Yw和Zw分别表示世界坐标系下目标点在X轴、Y轴和Z轴上的位置，M1表示摄像机内部参数，M2表示摄像机外部参数，M＝M1M2；
所述车流量统计模块：统计时刻ta到tb内的车流量，从车辆跟踪队列TB中筛选出各个车道在ta到tb内通过的车辆，得到集合QLanen＝{qlanej|j＝1,2,3,…,Lcountn}，n表示该车道号，Lcountn表示在第n车道通过的车辆数；通过式(10)计算车流量：
所述平均车速统计模块，其特征在于：统计时刻ta到tb内的平均速度，ta和tb分别对应图像序列fx和fy；从TB中筛选出各个车道在ta到tb内通过的车辆，从而计算得到平均车速集合SLane＝{slanei|i＝1,2,3,…,t}，t表示统计时间间隔；使TB中目标同时满足式(11)和(12)：
MEi∈[x，y]且
式中，i表示车辆编号，j表示车道编号，Na表示该车道的车辆总数，表示ci结束跟踪前所在车道，slanej表示第j个车道中车辆的平均速度，ci.Dis表示ci被跟踪的路程,|Fi|表示ci存在的视频帧数，t0表示两帧图像的时间间隔；
4、自适应跟踪效率优化，该模块主要负责优化跟踪算法运行效率，具体步骤如下：
步骤4.1获取第i个目标车辆Oi j在第j帧的具体位置(Oi j.X,Oi j.Y)；
步骤4.2读取下一帧图像，并对目标Oi j进行跟踪，得到其具体位置(Oi j+s.X,Oi j+ s.Y)，其中s表示帧间间隔；
步骤4.3根据式(13)计算第j帧到第j+s帧目标Oi j的位移系数Qi (j,j+s)：
其中，D.W和D.H分别表示跟踪算法检测区域的宽度和高度；
步骤4.4根据式(14)预测跟踪目标Oi j从第j帧到第j+s帧的运动状态：
其中S1、S2、S3和S4表示目标在第j帧到第j+s帧间的运动状态为静止、缓慢运动、快速运动还是匀速运动，β表示事先给定的波动系数；在本实例中，β＝0.3；
步骤4.5根据式(15)对跟踪序列F(Oi j)进行调整，若F(Oi j)＝0，则跳过跟踪该帧，反之，则对该帧进行跟踪；式中k∈N；
统计输出模块通过车辆行为分析系统的计算结果，统计各时刻的道路信息，并将统计数据及时上传。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (6)
1.一种基于序列图像的城市路口车辆排队检测系统，其特征在于，包括摄像机、通信单元、相机标定系统、车辆行为分析系统及统计输出模块；
所述摄像机通过通信单元连接车辆行为分析系统，车辆行为分析系统结合相机标定系统中的相机信息，对摄像机获得的序列图像进行车辆行为分析，判断视频中的车辆排队情况，并通过统计输出模块输出车辆排队信息；
所述相机标定系统通过事先为各路相机标注各项参数和标定车辆检测区域，辅助车辆行为分析系统进行车辆检测和行为分析；
所述车辆行为分析系统通过选择性背景更新的前景检测算法提取检测区域的运动目标，并通过分级的车辆检测方法对其中的车辆目标进行判断，再对车辆目标进行跟踪，并采用自适应跟踪优化方法对跟踪方法进行优化，得到车辆的历史行驶轨迹，最后通过分析所有车辆的行驶轨迹提取具体交通信息，并计算车辆排队长度；
所述统计输出模块通过车辆行为分析系统的计算结果，统计各时刻的道路信息，并将统计数据及时上传。
2.根据权利要求1所述的一种基于序列图像的城市路口车辆排队检测系统，其特征在于，所述车辆行为分析系统包括选择性背景更新的前景检测模块、分级车辆检测模块、多种交通数据计算模块及自适应跟踪效率优化模块。
3.根据权利要求2所述的一种基于序列图像的城市路口车辆排队检测系统，其特征在于，所述选择性背景更新的前景检测模块，该模块主要负责判断目标检测区域是否存在运动目标，具体步骤如下：
步骤1.1获取序列图像数据F＝{fi|i＝0,1,2,3,…,nframe}，其中fi表示第i帧的视频图像，nframe表示该序列中的视频图像数量；
步骤1.2构建有n个元素的背景模型M(x)＝{vj(x)|j＝1,2,3,…,n}；其中，vj(x)表示第j个背景模型中像素点x处的像素值，n为事先给定的背景样本数量；
步骤1.3进行背景模型初始化；根据式(1)从图像f0中每个像素点自身及其邻域NG(x)内随机选择n个像素点的值对其进行建模；
M0(x)＝{v0(y|y∈NG(x))} (1)
步骤1.4进行前景检测，判断fi中是否存在运动目标；根据式(2)判断是否为背景，满足则为背景，反之为前景；
λmin＜SR(vi(x))∩M(x) (2)
其中，SR(vi(x))表示以vi(x)为中心的圆形区域，vi(x)表示第fi帧中像素点x处的像素值，R表示事先给定的圆形区域的半径，SR(vi(x))∩M(x)表示在SR(vi(x))区域中集合M(x)点的个数，λmin为事先给定的最小前景阈值；
步骤1.5选择性背景模型更新；记当前跟踪队列集合为TL，若TL满足式(3)，则停止车辆虚拟检测区域的背景更新；否则，像素背景像素p(x)有1/γ的概率从样本集M(x)中随机地选取一个值用p(x)替代填充，并从邻域点的样本集中随机的选择p(x)的一个样本点，用该领域点的像素值进行填充更新；
其中，car表示跟踪队列中的跟踪车辆，ROI表示车辆检测区域前方位置，car.center表示车辆矩形的中心点坐标，ROI.contains(car.center)表示车辆中心点坐标在ROI内；γ表示事先给定的更新因子；
步骤1.6重复步骤1.3到1.5，直至处理完所有图像数据；
4.根据权利要求2所述的一种基于序列图像的城市路口车辆排队检测系统，其特征在于，所述分级车辆检测模块，该模块主要负责对检测区域中的车辆目标进行检测，具体步骤如下：
步骤2.1从标定系统中读取已经标定好的大型车辆检测区域和小型车辆检测区域；
步骤2.2利用选择性背景更新的前景检测算法对两个检测区域进行背景建模，再进行膨胀腐蚀的形态学处理分别得到大型车辆检测区域和小型车辆检测区域的前景图G和GS；
步骤2.3找到G、GS中所有连通区域的最小外接矩形，并进行长、宽和面积的过滤，分别得到小型车辆车窗候选集合SWL＝{swli|i＝1,2,3,…,n}和大型车辆车窗候选集合BWL＝{bwli|i＝1,2,3,…,m}，使其分别满足式(4)和式(5)：
swli.W＞SCar.W且swli.H＞SCar.H (4)
bwli.W＞BCar.W且bwli.H＞BCar.H (5)
其中，n表示候选小型车车窗数量，m表示候选大型车车窗数量，swli.W和swli.H分别表示小型车候选区域swli的宽度和高度，bwli.W和bwli.H分别表示大型车候选区域bwli的宽度和高度，SCar.W和SCar.H分别表示该场景中小型车最小宽度和高度，BCar.W和BCar.H分别表示该场景中大型车最小宽度和高度；
步骤2.4过滤虚假的候选大型车辆；记跟踪车辆外接矩形集合为TB＝{tli|i＝1,2,3,…,P}，其中P为跟踪车辆总数；若bwli满足式(6)或式(7)，则判定bwli为虚假候选大型车辆，进一步从BWL中剔除该矩形；重复这一过程，直至遍历BWL中所有外接矩形；
其中，tlj I bwli表示矩形tlj和bwli相交区域，Stlj I bwli表示相交区域的面积；tlj.X和tlj.W分别表示矩形tlj的左上角点横坐标和宽度；bwli.X和bwlj.W分别表示矩形bwli的左上角点横坐标和宽度；tlj.center.Y表示矩形中心点的纵坐标，G.Buttom表示大型车辆检测区域底部纵坐标；
步骤2.5用训练好的大车车窗分类器对BWL中的候选车窗进行检测，用训练好的小车车窗分类器对SWL中的候选车窗进行检测，得到大型车辆车窗外接矩形集合NTLB＝{ntlbi|i＝1,2,3,…,p}和小型车辆的车窗外接矩形集合NTLS＝{ntlsi|i＝1,2,3,…,q}；其中，p表示大型车辆车窗外接矩形数量，q表示小型车辆车窗外接矩形数量；
步骤2.6若NTLB中任意矩形ntlbi或NTLS中任意矩形ntlsi满足式(8)，则认为该矩形为新检测到的车辆，将其加入TB，否则将其剔除；
式中，ntlbi∩tli表示矩形ntlbi和tlj相交区域，Sntlbi∩tli表示相交区域的面积。
5.根据权利要求4所述的一种基于序列图像的城市路口车辆排队检测系统，其特征在于，所述多种交通数据计算模块，该模块包括车辆排队长度计算、车流量统计和平均车速统计；
所述车辆排队长度计算模块：K表示摄像机光心位置，O表示摄像机在地面的垂足点,平面XOY表示地面平面，世界坐标系为OXYZ，MN表示车辆尾部与平面XOY的交线；若世界坐标系中某点坐标N为(xw,yw,zw)，已知zw为车辆高度h，像素坐标为(u,v)，则该点距离平面XOZ的距离yw可通过下式计算得到：
其中，Zc表示相机坐标下目标点在Z轴上的位置，u0和v0表示图像像素坐标原点，fx和fy表示图像物理坐标系在相机坐标X轴、Y轴上的等效焦距，R和T表示相机的外部参数，0T＝[0,0,0]，Xw、Yw和Zw分别表示世界坐标系下目标点在X轴、Y轴和Z轴上的位置，M1表示摄像机内部参数，M2表示摄像机外部参数，M＝M1M2；
所述车流量统计模块：统计时刻ta到tb内的车流量，从车辆跟踪队列TB中筛选出各个车道在ta到tb内通过的车辆，得到集合QLanen＝{qlanej|j＝1,2,3,…,Lcountn}，n表示该车道号，Lcountn表示在第n车道通过的车辆数；通过式(10)计算车流量：
所述平均车速统计模块：统计时刻ta到tb内的平均速度，ta和tb分别对应图像序列fx和fy；从TB中筛选出各个车道在ta到tb内通过的车辆，从而计算得到平均车速集合SLane＝{slanei|i＝1,2,3,…,t}，t表示统计时间间隔；使TB中目标同时满足式(11)和(12)：
式中，i表示车辆编号，j表示车道编号，Na表示该车道的车辆总数，li MEi.Lane表示ci结束跟踪前所在车道，slanej表示第j个车道中车辆的平均速度，ci.Dis表示ci被跟踪的路程,|Fi|表示ci存在的视频帧数，t0表示两帧图像的时间间隔；
6.根据权利要求2所述的一种基于序列图像的城市路口车辆排队检测系统，其特征在于，所述自适应跟踪效率优化模块，该模块主要负责优化跟踪算法运行效率，具体步骤如下：
步骤4.1获取第i个目标车辆Oi j在第j帧的具体位置(Oi j.X,Oi j.Y)；
步骤4.2读取下一帧图像，并对目标Oi j进行跟踪，得到其具体位置(Oi j+s.X,Oi j+s.Y)，其中s表示帧间间隔；
步骤4.3根据式(13)计算第j帧到第j+s帧目标Oi j的位移系数Qi (j,j+s)：
其中，D.W和D.H分别表示跟踪算法检测区域的宽度和高度；
步骤4.4根据式(14)预测跟踪目标Oi j从第j帧到第j+s帧的运动状态：
其中S1、S2、S3和S4表示目标在第j帧到第j+s帧间的运动状态为静止、缓慢运动、快速运动还是匀速运动，β表示事先给定的波动系数；
步骤4.5根据式(15)对跟踪序列F(Oi j)进行调整，若F(Oi j)＝0，则跳过跟踪该帧，反之，则对该帧进行跟踪；式中k∈N；
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810802740.5A CN109272482B (zh) | 2018-07-20 | 2018-07-20 | 一种基于序列图像的城市路口车辆排队检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810802740.5A CN109272482B (zh) | 2018-07-20 | 2018-07-20 | 一种基于序列图像的城市路口车辆排队检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109272482A true CN109272482A (zh) | 2019-01-25 |
| CN109272482B CN109272482B (zh) | 2021-08-24 |
Family
ID=65148150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810802740.5A Active CN109272482B (zh) | 2018-07-20 | 2018-07-20 | 一种基于序列图像的城市路口车辆排队检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109272482B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110164152A (zh) * | 2019-07-03 | 2019-08-23 | 西安工业大学 | 一种用于单交叉路口交通信号灯控制系统 |
| CN110287905A (zh) * | 2019-06-27 | 2019-09-27 | 浙江工业大学 | 一种基于深度学习的交通拥堵区域实时检测方法 |
| CN111537956A (zh) * | 2020-04-02 | 2020-08-14 | 北京电子工程总体研究所 | 一种基于实时空情的单雷达责任扇区确定方法和系统 |
| CN111627241A (zh) * | 2020-05-27 | 2020-09-04 | 北京百度网讯科技有限公司 | 用于生成车辆排队信息的方法和装置 |
| CN111781600A (zh) * | 2020-06-18 | 2020-10-16 | 重庆工程职业技术学院 | 一种适用于信号交叉口场景的车辆排队长度检测方法 |
| CN114821830A (zh) * | 2022-07-01 | 2022-07-29 | 成都宜泊信息科技有限公司 | 一种路内停车管理方法、系统、设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101132965A (zh) * | 2005-03-03 | 2008-02-27 | 大陆-特韦斯贸易合伙股份公司及两合公司 | 用于在车辆变换车道时避免碰撞的方法和装置 |
| CN105321162A (zh) * | 2014-07-23 | 2016-02-10 | 中国人民解放军国防科学技术大学 | 一种运动目标的单多目实时优化定位方法 |
| CN106909929A (zh) * | 2015-12-22 | 2017-06-30 | 比亚迪股份有限公司 | 行人距离检测方法和装置 |
| CN107578048A (zh) * | 2017-08-02 | 2018-01-12 | 浙江工业大学 | 一种基于车型粗分类的远视场景车辆检测方法 |
| CN107644529A (zh) * | 2017-08-03 | 2018-01-30 | 浙江浩腾电子科技股份有限公司 | 一种基于运动检测的车辆排队长度检测方法 |
| CN107644528A (zh) * | 2017-08-02 | 2018-01-30 | 浙江工业大学 | 一种基于车辆跟踪的车辆排队长度检测方法 |
| CN108122411A (zh) * | 2017-10-31 | 2018-06-05 | 浙江浩腾电子科技股份有限公司 | 一种基于车速预测的跟踪频率自适应优化方法 |
-
2018
- 2018-07-20 CN CN201810802740.5A patent/CN109272482B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101132965A (zh) * | 2005-03-03 | 2008-02-27 | 大陆-特韦斯贸易合伙股份公司及两合公司 | 用于在车辆变换车道时避免碰撞的方法和装置 |
| CN105321162A (zh) * | 2014-07-23 | 2016-02-10 | 中国人民解放军国防科学技术大学 | 一种运动目标的单多目实时优化定位方法 |
| CN106909929A (zh) * | 2015-12-22 | 2017-06-30 | 比亚迪股份有限公司 | 行人距离检测方法和装置 |
| CN107578048A (zh) * | 2017-08-02 | 2018-01-12 | 浙江工业大学 | 一种基于车型粗分类的远视场景车辆检测方法 |
| CN107644528A (zh) * | 2017-08-02 | 2018-01-30 | 浙江工业大学 | 一种基于车辆跟踪的车辆排队长度检测方法 |
| CN107644529A (zh) * | 2017-08-03 | 2018-01-30 | 浙江浩腾电子科技股份有限公司 | 一种基于运动检测的车辆排队长度检测方法 |
| CN108122411A (zh) * | 2017-10-31 | 2018-06-05 | 浙江浩腾电子科技股份有限公司 | 一种基于车速预测的跟踪频率自适应优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王强: ""基于视频检测的交通信息采集"", 《中国优秀硕士学位论文全文数据库 INFORMATION SCIENCE AND TECHNOLOGY》 * |
| 赵鹏翔: ""监控视频中目标检测与跟踪算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287905A (zh) * | 2019-06-27 | 2019-09-27 | 浙江工业大学 | 一种基于深度学习的交通拥堵区域实时检测方法 |
| CN110287905B (zh) * | 2019-06-27 | 2021-08-03 | 浙江工业大学 | 一种基于深度学习的交通拥堵区域实时检测方法 |
| CN110164152A (zh) * | 2019-07-03 | 2019-08-23 | 西安工业大学 | 一种用于单交叉路口交通信号灯控制系统 |
| CN110164152B (zh) * | 2019-07-03 | 2021-08-24 | 西安工业大学 | 一种用于单交叉路口交通信号灯控制系统 |
| CN111537956A (zh) * | 2020-04-02 | 2020-08-14 | 北京电子工程总体研究所 | 一种基于实时空情的单雷达责任扇区确定方法和系统 |
| CN111627241A (zh) * | 2020-05-27 | 2020-09-04 | 北京百度网讯科技有限公司 | 用于生成车辆排队信息的方法和装置 |
| CN111627241B (zh) * | 2020-05-27 | 2024-04-09 | 阿波罗智联(北京)科技有限公司 | 用于生成路口车辆排队信息的方法和装置 |
| CN111781600A (zh) * | 2020-06-18 | 2020-10-16 | 重庆工程职业技术学院 | 一种适用于信号交叉口场景的车辆排队长度检测方法 |
| CN114821830A (zh) * | 2022-07-01 | 2022-07-29 | 成都宜泊信息科技有限公司 | 一种路内停车管理方法、系统、设备和存储介质 |
| CN114821830B (zh) * | 2022-07-01 | 2022-09-06 | 成都宜泊信息科技有限公司 | 一种路内停车管理方法、系统、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109272482B (zh) | 2021-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109272482A (zh) | 一种基于序列图像的城市路口车辆排队检测系统 | |
| CN108320510B (zh) | 一种基于无人机航拍视频交通信息统计方法及系统 | |
| Nie et al. | Pavement Crack Detection based on yolo v3 | |
| CN106023605B (zh) | 一种基于深度卷积神经网络的交通信号灯控制方法 | |
| CN103927878B (zh) | 一种用于违章停车的自动抓拍装置及自动抓拍方法 | |
| CN102768804B (zh) | 基于视频的交通信息采集方法 | |
| CN102819764B (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 | |
| CN103914688B (zh) | 一种城市道路障碍物识别系统 | |
| CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
| CN102147971A (zh) | 基于视频图像处理技术的交通信息采集系统 | |
| Song et al. | Vehicle behavior analysis using target motion trajectories | |
| CN108230254A (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 | |
| CN110068818A (zh) | 通过雷达和图像采集设备进行交通路口车辆及行人检测的工作方法 | |
| CN107423679A (zh) | 一种行人意图检测方法和系统 | |
| CN104537841A (zh) | 无牌车辆违章检测方法及其检测系统 | |
| CN103077617A (zh) | 基于计算机视觉的人行横道智能交通灯监管系统及方法 | |
| CN102682602B (zh) | 一种基于视频技术的道路交通参数采集方法 | |
| Feng et al. | Mixed road user trajectory extraction from moving aerial videos based on convolution neural network detection | |
| CN114898296A (zh) | 基于毫米波雷达与视觉融合的公交车道占用检测方法 | |
| CN106778484A (zh) | 交通场景下的运动车辆跟踪方法 | |
| CN102789686B (zh) | 一种基于路面亮度组合模式识别的道路交通流检测方法 | |
| CN106529404A (zh) | 基于摄像原理的无人驾驶汽车对路面标志线的识别方法 | |
| 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 | |
| CN111951576A (zh) | 一种基于车辆识别的交通灯控制系统及其方法 | |
| CN107221175A (zh) | 一种行人意图检测方法和系统 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wu Zonglin Inventor after: He Weirong Inventor after: Liu Yuanchao Inventor after: Xia Lu Inventor after: Gao Fei Inventor before: Wu Zonglin Inventor before: Xia Lu Inventor before: He Weirong Inventor before: Gao Fei |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 323000 block B, building 2, No. 268, Shiniu Road, nanmingshan street, Liandu District, Lishui City, Zhejiang Province Applicant after: ZHEJIANG HAOTENG ELECTRON TECHNOLOGY Co.,Ltd. Address before: 323000 Room 201, building 12, Tianning incubation base, Lvgu Information Industrial Park, Lishui City, Zhejiang Province Applicant before: ZHEJIANG HAOTENG ELECTRON TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Vehicle Queue Detection System for Urban Intersections Based on Sequence Images Effective date of registration: 20231127 Granted publication date: 20210824 Pledgee: Zhejiang Lishui Liandu Rural Commercial Bank Co.,Ltd. Pledgor: ZHEJIANG HAOTENG ELECTRON TECHNOLOGY CO.,LTD. Registration number: Y2023980067610 |