CN109285341A - 一种基于实时视频的城市道路车辆异常停驶检测方法 - Google Patents
一种基于实时视频的城市道路车辆异常停驶检测方法 Download PDFInfo
- Publication number
- CN109285341A CN109285341A CN201811288588.XA CN201811288588A CN109285341A CN 109285341 A CN109285341 A CN 109285341A CN 201811288588 A CN201811288588 A CN 201811288588A CN 109285341 A CN109285341 A CN 109285341A
- Authority
- CN
- China
- Prior art keywords
- video
- target
- frame
- stagnation
- real
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- 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
- G06V20/40—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental
-
- 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
Abstract
本发明涉及一种基于实时视频的城市道路车辆异常停驶检测方法,包括摄像头和计算机,摄像头采集道路的视频图像,通过计算机处理视频图像判断城市道路车辆有否异常停驶;本发明利用背景模型,生成实时视频的静态帧并实时更新,利用深度学习目标检测算法检测静态帧和视频帧中的车辆目标,通过目标框并计算静态帧与视频帧中各目标的区域交叠度,检测判断城市道路车辆是否异常停驶。
Description
技术领域
本发明属于人类感应设备技术领域,特别是涉及一种基于实时视频的城市道路车辆异常停驶检测方法。
背景技术
随着智慧交通的发展和建设,许多城市建设起了数量庞大的城市道路监控系统。大多监控系统通常存在数据量大而存储空间不足,人工查看效率有限,以及事件难以被及时发现的问题。及时赋予监控视频以“智慧”,是目前工业界和学界都关注的问题。
车辆异常停驶是其中最被关注的交通事件之一,这是因为相比正在行驶的车辆,停驶的车辆更有可能发生或已经发生交通事件,需要及时解决城市道路车辆异常停驶检测处理方法,防患于未然。
因此,有必要发明一种基于实时视频的城市道路车辆异常停驶检测方法。
发明内容
本发明所要解决的技术问题是:提出一种基于实时视频的城市道路车辆异常停驶检测方法,该方法既能实时检测到监控区域是否出现异常停驶事件,也能检测到异常车辆的当前位置。
本发明采用的技术方案是:包括摄像头和计算机,所述摄像头采集道路的视频图像,通过计算机处理视频图像判断城市道路车辆有否异常停驶;
所述基于实时视频的城市道路车辆异常停驶检测方法,检测方法如下步骤:
S10.摄像头采集道路的视频图像,利用背景模型,生成实时视频的静态帧并实时更新;
所述背景模型的数学表达式如下:
sframe(t)=(1-α)·sframe(t-1)+α·frame(t)
其中,t为时间序列索引,
sframe(t)为当前静态帧,
frame(t)为前视频帧,
α为学习率,α为0到1之间的分数,
所述学习率取值越大静态帧更新的变化程度越大。
S20.所述静态帧能够学习到视频中静止的目标,将每一静态帧与相同时间序列的视频帧所对应;
S30.使用深度学习FAST-RCNN或者YOLO目标检测算法,分别检测静态帧和视频帧中的车辆目标的检测模型;
S40.使用所述步骤S30得到的目标框,计算静态帧与视频帧中各目标的区域交叠度,计算方法如下:
其中,O1表示静态帧的目标框的区域面积,
O2表示视频帧的目标框的区域面积;
S50.所述步骤S40计算得到区域交叠度,判断异常停驶的过程如下:
所述静态帧的目标框,存在与之交叠的视频帧的目标框,且两者的区域交叠度大于设定的设定阈值,则判断当前时刻存在停驶车辆,
并且将视频帧中对应的目标框定为当前时刻异常停驶的车辆目标位置判断异常停驶的目标位置。
进一步方案为,所述步骤S30中的检测模型生成过程如下:
S31.准备常见交通目标图像数据,包括小车、卡车、公交车等;
S32.使用深度学习FAST-RCNN或者YOLO目标检测框架进行训练,生成检测模型;
S33.使用生成的检测模型进行目标检测。
进一步方案为,所述步骤S30中静态帧或视频帧中若未检测到车辆,则当前时刻并不存在车辆异常停驶事件。
进一步方案为,根据所述步骤50的判定结果,将触发事件的车辆目标在视频帧中框出,并输出结果视频给计算机储存或相关交通部门。
进一步方案为,所述设定阈值范围为0.5-0.95。
本发明实施例提供的技术方案带来的有益效果是:利用背景模型,生成实时视频的静态帧并实时更新,利用深度学习目标检测算法检测静态帧和视频帧中的车辆目标,通过目标框并计算静态帧与视频帧中各目标的区域交叠度,检测判断城市道路车辆是否异常停驶;
1、应用场景广泛,静态帧的实时更新和目标检测算法的灵活搭配使得本方法具有很强的鲁棒性和稳定性,可以有效的应用于各种场景;
2、扩展性强,本方法能够返回发生停驶事件车辆的精确目标框,具备结合多源数据建模分析交通态势的潜力;
3、实时性强,本方法能够及时发现和处理异常停驶事件。
附图说明:
图1为本发明工作原理流程示意图;
图2为本发明小车目标框异常停驶计算机界面示意图;
图3本发明货车目标框异常停驶计算机界面示意图。
具体实施方式
为了更充分理解本发明的技术内容,下面结合附图和具体实施例对本发明的技术方案进一步介绍和说明,但不局限于此。
参见图1至图3所示,一种基于实时视频的城市道路车辆异常停驶检测方法,包括摄像头和计算机,摄像头采集道路的视频图像,通过计算机处理视频图像判断城市道路车辆有否异常停驶;
如图1所示,基于实时视频的城市道路车辆异常停驶检测方法,检测方法如下步骤:
S10.摄像头采集道路的视频图像,利用背景模型,生成实时视频的静态帧并实时更新;
背景模型的数学表达式如下:
sframe(t)=(1-α)·sframe(t-1)+α·frame(t)
其中,t为时间序列索引,
sframe(t)为当前静态帧,
frame(t)为前视频帧,
α为学习率,α为0到1之间的分数,
学习率取值越大静态帧更新的变化程度越大。
S20.静态帧能够学习到视频中静止的目标,将每一静态帧与相同时间序列的视频帧所对应;
S30.使用深度学习FAST-RCNN或者YOLO目标检测算法,分别检测静态帧和视频帧中的车辆目标的检测模型;
S40.使用步骤S30得到的目标框,计算静态帧与视频帧中各目标的区域交叠度,计算方法如下:
其中,O1表示静态帧的目标框的区域面积,
O2表示视频帧的目标框的区域面积;
S50.步骤S40计算得到区域交叠度,判断异常停驶的过程如下:
静态帧的目标框,存在与之交叠的视频帧的目标框,且两者的区域交叠度大于设定的设定阈值,设定阈值范围为0.5-0.95,则判断当前时刻存在停驶车辆,
并且将视频帧中对应的目标框定为当前时刻异常停驶的车辆目标位置判断异常停驶的目标位置。
进一步地,如图2和图3所示,步骤S30中的检测模型生成过程如下:
S31.准备常见交通目标图像数据,包括小车、卡车、公交车等,能行驶在公路上;
S32.使用深度学习FAST-RCNN或者YOLO目标检测框架进行训练,生成检测模型;
S33.使用生成的检测模型进行目标检测。
进一步地,步骤S30中静态帧或视频帧中若未检测到车辆,则当前时刻并不存在车辆异常停驶事件。
进一步地,如图2和图3所示,根据步骤50的判定结果,将触发事件的车辆目标在视频帧中框出,并输出结果视频给计算机储存或相关相关交通部门,及时控制异常停驶车辆。
本发明利用背景模型,生成实时视频的静态帧并实时更新,利用深度学习目标检测算法检测静态帧和视频帧中的车辆目标,通过目标框并计算静态帧与视频帧中各目标的区域交叠度,检测判断城市道路车辆是否异常停驶;
1、应用场景广泛,静态帧的实时更新和目标检测算法的灵活搭配使得本方法具有很强的鲁棒性和稳定性,可以有效的应用于各种场景;
2、扩展性强,本方法能够返回发生停驶事件车辆的精确目标框,具备结合多源数据建模分析交通态势的潜力;
3、实时性强,本方法能够及时发现和处理异常停驶事件。
以上所述仅为本专利优选实施方式,并非限制本专利范围,凡是利用说明书及附图内容所作的等效结构或等效流程变换,直接或间接运用在其它相关的技术领域,均属于本专利保护范围。
Claims (5)
1.一种基于实时视频的城市道路车辆异常停驶检测方法,其特征在于:包括摄像头和计算机,所述摄像头采集道路的视频图像,通过计算机处理视频图像判断城市道路车辆有否异常停驶;
所述基于实时视频的城市道路车辆异常停驶检测方法,检测方法如下步骤:
S10.摄像头采集道路的视频图像,利用背景模型,生成实时视频的静态帧并实时更新;
所述背景模型的数学表达式如下:
sframe(t)=(1-α)·sframe(t-1)+α·frame(t)
其中,t为时间序列索引,
sframe(t)为当前静态帧,
frame(t)为前视频帧,
α为学习率,α为0到1之间的分数,
所述学习率取值越大静态帧更新的变化程度越大。
S20.所述静态帧能够学习到视频中静止的目标,将每一静态帧与相同时间序列的视频帧所对应;
S30.使用深度学习FAST-RCNN或者YOLO目标检测算法,分别检测静态帧和视频帧中的车辆目标的检测模型;
S40.使用所述步骤S30得到的目标框,计算静态帧与视频帧中各目标的区域交叠度,计算方法如下:
其中,O1表示静态帧的目标框的区域面积,
O2表示视频帧的目标框的区域面积;
S50.所述步骤S40计算得到区域交叠度,判断异常停驶的过程如下:
所述静态帧的目标框,存在与之交叠的视频帧的目标框,且两者的区域交叠度大于设定的设定阈值,则判断当前时刻存在停驶车辆,
并且将视频帧中对应的目标框定为当前时刻异常停驶的车辆目标位置判断异常停驶的目标位置。
2.根据权利要求1所述的基于实时视频的城市道路车辆异常停驶检测方法,其特征在于:所述步骤S30中的检测模型生成过程如下:
S31.准备常见交通目标图像数据,包括小车、卡车或公交车;
S32.使用深度学习FAST-RCNN或者YOLO目标检测框架进行训练,生成检测模型;
S33.使用生成的检测模型进行目标检测。
3.根据权利要求1所述的基于实时视频的城市道路车辆异常停驶检测方法,其特征在于:所述步骤S30中静态帧或视频帧中若未检测到车辆,则当前时刻并不存在车辆异常停驶事件。
4.根据权利要求1所述的基于实时视频的城市道路车辆异常停驶检测方法,其特征在于:根据所述步骤50的判定结果,将触发事件的车辆目标在视频帧中框出,并输出结果视频给计算机储存或相关交通部门处理。
5.根据权利要求1所述的基于实时视频的城市道路车辆异常停驶检测方法,其特征在于:所述设定阈值范围为0.5-0.95。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811288588.XA CN109285341B (zh) | 2018-10-31 | 2018-10-31 | 一种基于实时视频的城市道路车辆异常停驶检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811288588.XA CN109285341B (zh) | 2018-10-31 | 2018-10-31 | 一种基于实时视频的城市道路车辆异常停驶检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109285341A true CN109285341A (zh) | 2019-01-29 |
CN109285341B CN109285341B (zh) | 2021-08-31 |
Family
ID=65174212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811288588.XA Active CN109285341B (zh) | 2018-10-31 | 2018-10-31 | 一种基于实时视频的城市道路车辆异常停驶检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109285341B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887281A (zh) * | 2019-03-01 | 2019-06-14 | 北京云星宇交通科技股份有限公司 | 一种监控交通事件的方法及系统 |
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 |
CN110705495A (zh) * | 2019-10-10 | 2020-01-17 | 北京百度网讯科技有限公司 | 交通工具的检测方法、装置、电子设备和计算机存储介质 |
CN110705461A (zh) * | 2019-09-29 | 2020-01-17 | 北京百度网讯科技有限公司 | 一种图像处理方法及装置 |
CN112101279A (zh) * | 2020-09-24 | 2020-12-18 | 平安科技(深圳)有限公司 | 目标物异常检测方法、装置、电子设备及存储介质 |
CN112633228A (zh) * | 2020-12-31 | 2021-04-09 | 北京市商汤科技开发有限公司 | 停车检测方法、装置、设备及存储介质 |
CN113361299A (zh) * | 2020-03-03 | 2021-09-07 | 浙江宇视科技有限公司 | 一种异常停车的检测方法、装置、存储介质及电子设备 |
CN113409587A (zh) * | 2021-06-16 | 2021-09-17 | 北京字跳网络技术有限公司 | 异常车辆的检测方法、装置、设备及存储介质 |
CN114049771A (zh) * | 2022-01-12 | 2022-02-15 | 华砺智行(武汉)科技有限公司 | 基于双模态的交通异常检测方法、系统和存储介质 |
CN115019242A (zh) * | 2022-08-05 | 2022-09-06 | 中电科新型智慧城市研究院有限公司 | 一种交通场景的异常事件检测方法、装置和处理设备 |
WO2023207742A1 (zh) * | 2022-04-28 | 2023-11-02 | 南京理工大学 | 一种交通异常行为检测方法与系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1271406A2 (en) * | 2001-06-21 | 2003-01-02 | Fujitsu Limited | Method and apparatus for processing pictures of vehicles |
CN101996410A (zh) * | 2010-12-07 | 2011-03-30 | 北京交通大学 | 动态背景下的运动目标检测方法及系统 |
CN102568206A (zh) * | 2012-01-13 | 2012-07-11 | 大连民族学院 | 一种基于视频监控的违章停车检测方法 |
CN103116984A (zh) * | 2013-01-21 | 2013-05-22 | 信帧电子技术(北京)有限公司 | 检测违章停车的方法 |
CN103345618A (zh) * | 2013-06-21 | 2013-10-09 | 银江股份有限公司 | 一种基于视频技术的交通违章检测方法 |
CN103617410A (zh) * | 2013-08-30 | 2014-03-05 | 重庆大学 | 基于视频检测技术的高速公路隧道停车检测方法 |
CN105513354A (zh) * | 2015-12-22 | 2016-04-20 | 电子科技大学 | 基于视频的城市道路交通拥堵检测系统 |
CN106778540A (zh) * | 2013-03-28 | 2017-05-31 | 南通大学 | 停车检测准确的基于双层背景的停车事件检测方法 |
WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
-
2018
- 2018-10-31 CN CN201811288588.XA patent/CN109285341B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1271406A2 (en) * | 2001-06-21 | 2003-01-02 | Fujitsu Limited | Method and apparatus for processing pictures of vehicles |
CN101996410A (zh) * | 2010-12-07 | 2011-03-30 | 北京交通大学 | 动态背景下的运动目标检测方法及系统 |
CN102568206A (zh) * | 2012-01-13 | 2012-07-11 | 大连民族学院 | 一种基于视频监控的违章停车检测方法 |
CN103116984A (zh) * | 2013-01-21 | 2013-05-22 | 信帧电子技术(北京)有限公司 | 检测违章停车的方法 |
CN106778540A (zh) * | 2013-03-28 | 2017-05-31 | 南通大学 | 停车检测准确的基于双层背景的停车事件检测方法 |
CN103345618A (zh) * | 2013-06-21 | 2013-10-09 | 银江股份有限公司 | 一种基于视频技术的交通违章检测方法 |
CN103617410A (zh) * | 2013-08-30 | 2014-03-05 | 重庆大学 | 基于视频检测技术的高速公路隧道停车检测方法 |
CN105513354A (zh) * | 2015-12-22 | 2016-04-20 | 电子科技大学 | 基于视频的城市道路交通拥堵检测系统 |
WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
Non-Patent Citations (2)
Title |
---|
ZHANG PING 等: "Adaptive background updating algorithm for traffic congestion detection based on Kalman filtering and inter-frame centroid distanc", 《2015 IEEE ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IAEAC)》 * |
赵敏 等: "露天场景下高速公路违章停车视频检测算法", 《计算机测量与控制》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887281A (zh) * | 2019-03-01 | 2019-06-14 | 北京云星宇交通科技股份有限公司 | 一种监控交通事件的方法及系统 |
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 |
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 |
CN110705461B (zh) * | 2019-09-29 | 2022-11-01 | 北京百度网讯科技有限公司 | 一种图像处理方法及装置 |
CN110705461A (zh) * | 2019-09-29 | 2020-01-17 | 北京百度网讯科技有限公司 | 一种图像处理方法及装置 |
CN110705495A (zh) * | 2019-10-10 | 2020-01-17 | 北京百度网讯科技有限公司 | 交通工具的检测方法、装置、电子设备和计算机存储介质 |
CN113361299A (zh) * | 2020-03-03 | 2021-09-07 | 浙江宇视科技有限公司 | 一种异常停车的检测方法、装置、存储介质及电子设备 |
CN113361299B (zh) * | 2020-03-03 | 2023-08-15 | 浙江宇视科技有限公司 | 一种异常停车的检测方法、装置、存储介质及电子设备 |
CN112101279A (zh) * | 2020-09-24 | 2020-12-18 | 平安科技(深圳)有限公司 | 目标物异常检测方法、装置、电子设备及存储介质 |
CN112101279B (zh) * | 2020-09-24 | 2023-09-15 | 平安科技(深圳)有限公司 | 目标物异常检测方法、装置、电子设备及存储介质 |
CN112633228A (zh) * | 2020-12-31 | 2021-04-09 | 北京市商汤科技开发有限公司 | 停车检测方法、装置、设备及存储介质 |
CN113409587A (zh) * | 2021-06-16 | 2021-09-17 | 北京字跳网络技术有限公司 | 异常车辆的检测方法、装置、设备及存储介质 |
CN113409587B (zh) * | 2021-06-16 | 2022-11-22 | 北京字跳网络技术有限公司 | 异常车辆的检测方法、装置、设备及存储介质 |
WO2022262471A1 (zh) * | 2021-06-16 | 2022-12-22 | 北京字跳网络技术有限公司 | 异常车辆的检测方法、装置、设备及存储介质 |
CN114049771A (zh) * | 2022-01-12 | 2022-02-15 | 华砺智行(武汉)科技有限公司 | 基于双模态的交通异常检测方法、系统和存储介质 |
WO2023207742A1 (zh) * | 2022-04-28 | 2023-11-02 | 南京理工大学 | 一种交通异常行为检测方法与系统 |
CN115019242B (zh) * | 2022-08-05 | 2022-11-04 | 中电科新型智慧城市研究院有限公司 | 一种交通场景的异常事件检测方法、装置和处理设备 |
CN115019242A (zh) * | 2022-08-05 | 2022-09-06 | 中电科新型智慧城市研究院有限公司 | 一种交通场景的异常事件检测方法、装置和处理设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109285341B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109285341A (zh) | 一种基于实时视频的城市道路车辆异常停驶检测方法 | |
CN102222346B (zh) | 一种车辆检测和跟踪方法 | |
Lan et al. | Vehicle speed measurement based on gray constraint optical flow algorithm | |
CN103925929B (zh) | 一种移动目标运动距离统计方法和装置 | |
CN109344789A (zh) | 人脸跟踪方法及装置 | |
CN108986138A (zh) | 目标跟踪方法及设备 | |
CN103886598A (zh) | 一种基于视频图像处理的隧道烟雾检测装置与方法 | |
CN102930248A (zh) | 基于机器学习的人群异常行为检测方法 | |
CN112101223B (zh) | 检测方法、装置、设备和计算机存储介质 | |
CN104408406A (zh) | 基于帧差法和减背景法的人员离岗检测方法 | |
CN110853353B (zh) | 基于视觉的密度交通车辆计数和交通流量计算方法及系统 | |
CN109389016B (zh) | 一种人头计数的方法及系统 | |
US20180190122A1 (en) | Method and system for generating a lane departure warning in a vehicle | |
Meshram et al. | Traffic surveillance by counting and classification of vehicles from video using image processing | |
CN110222579A (zh) | 一种结合运动规律和目标检测的视频对象计数方法 | |
CN104882005B (zh) | 一种检测车道车流量的方法及装置 | |
Coşkun et al. | Real time lane detection and tracking system evaluated in a hardware-in-the-loop simulator | |
CN109145805B (zh) | 车载环境下的移动目标检测方法及系统 | |
CN109615641A (zh) | 基于kcf算法的多目标行人跟踪系统及跟踪方法 | |
CN110889347B (zh) | 基于时空计数特征的密度交通流计数方法及系统 | |
KR20150006424A (ko) | 입자 필터 프레임 워크를 이용한 강건한 객체 추적 방법 및 시스템 | |
CN115187048B (zh) | 轨道线路多域限界异物侵限事件状况识别方法及系统 | |
Srilekha et al. | A novel approach for detection and tracking of vehicles using Kalman filter | |
CN117333542A (zh) | 一种位置检测方法及装置 | |
CN114821478A (zh) | 一种基于视频智能分析的工序流程检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |