CN109299674B - 一种基于车灯的隧道违章变道检测方法 - Google Patents
一种基于车灯的隧道违章变道检测方法 Download PDFInfo
- Publication number
- CN109299674B CN109299674B CN201811033846.XA CN201811033846A CN109299674B CN 109299674 B CN109299674 B CN 109299674B CN 201811033846 A CN201811033846 A CN 201811033846A CN 109299674 B CN109299674 B CN 109299674B
- Authority
- CN
- China
- Prior art keywords
- lane
- area
- image
- lamp
- changing
- 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.)
- Active
Links
Images
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通图像处理技术领域,具体公开了一种基于车灯的隧道违章变道检测方法,包括以下步骤:1)标定感兴趣区域并建立感兴趣区域模板;2)从高速公路隧道摄像头读取视频图像,提取图像中的黄色区域;3)提取黄色区域中的白色区域,以检测车辆变道灯;4)跟踪变道灯,拟合变道灯运动的轨迹线;5)识别变道事件。本方法仅在变道灯亮时跟踪车灯,并且不需要高清图像以及背景建模,大大减少了运算量以及运算复杂度,简便易行,具有较高的实用价值。
Description
技术领域
本发明涉及交通图像处理技术领域,具体涉及一种基于车灯的隧道违章变道检测方法。
背景技术
早期对违法变道的检测主要是利用监控设备进行人工抓拍或者由交警直接观看监控视频,但是这种人工方法耗时费力,也容易产生漏检。为从根本上解决这个问题,人们开始用各种新技术,把道路、车辆以及使用者紧密联系起来,不仅能有效解决违法变道问题,而且对交通事故的应急处理有显著的效果。在这个过程中,智能交通系统(ITS)应运而生。智能交通系统作为一种有效监控道路交通、检测违法行为的手段越来越成为一种趋势,其不仅可以减少人力、物力的投入,而且可以大幅提高车辆行为分析的准确性和及时性,有效防止二次事故的发生。
查阅相关专利和论文,发现目前违章变道检测方法主要有两类,即基于视频的检测方法和基于硬件设备的检测方法。对于基于视频的变道检测方法,如东南大学申请的“基于车载摄像机的车辆变道检测方法”(CN:102208019),这种方法首先对图像天空区域和地面区域进行分割,获取地面区域图像,然后利用Sobel算子进行边缘检测以及Otsu二值化处理,在车道线提取方面该方法使用霍夫变换进行直线检测并拟合车道线方程。在变道判决的过程中,该方法通过对上述处理的拟合结果进行标记并进行违章判决。由于其仅使用霍夫变换进行车道线拟合,算法对噪声的鲁棒性较差,且直线拟合结果直接影响了车辆越线的判决结果,因此该检测方法对复杂车道场景处理较差。而基于硬件设备的检测方法,如苏州佑瑞检测技术有限公司申请的“一种基于超声波检测的隧道内汽车变道的检测方法”(CN:104408937),该方法通过超声波传感器检测车辆变道压行车线产生的超声波信息,控制器对超声波信息进行处理,然后发出控制摄像头拍摄的信号,进而摄像头对变道行为进行抓拍。此方法需要在隧道内每间隔一定距离设置摄像头以及超声波传感器,成本高昂,维护难度大,因此适用性差。
发明内容
有鉴于此,本发明通过研究隧道场景下变道车辆目标的特点,分析实际变道车辆和正常行进车辆的特征差异,提供一种基于车灯的隧道违章变道检测方法。该方法相较于传统的方法,处理效率更高,复杂度更低,变道判断机制更加简单准确。
本发明的目的是通过以下技术方案来实现的:
一种基于车灯的隧道违章变道检测方法,该方法包括以下步骤:
1)标定感兴趣区域并建立感兴趣区域模板;
2)从高速公路隧道摄像头读取视频图像,提取图像中的黄色区域;
3)提取黄色区域中的白色区域,以检测车辆变道灯;
4)跟踪变道灯,拟合变道灯运动的轨迹线;
5)识别变道事件。
进一步,所述步骤1)具体包括如下步骤:
11)从高速公路隧道摄像头读取视频图像,标定包含道路区域的感兴趣区域,并标定车道线;
12)根据步骤11)标定的区域生成感兴趣区域模板图。
进一步,所述步骤12)中,生成一张感兴趣区域像素值为255,非感兴趣区域像素值为0的黑白图像作为感兴趣区域模板图。
进一步,所述步骤2)具体包括如下步骤:
21)读取一帧视频图像,将步骤1)得到的感兴趣区域模板图与当前帧图像进行与操作,从而得到一张仅保留感兴趣区域信息的当前帧图像;
22)将仅保留感兴趣区域信息的当前帧图像分割为红、绿、蓝三个单通道图像,三个单通道图像中某个值若在黄色对应的通道分量的值区间内则保持不变,否则置0,最后合并三个单通道图像得到仅有黄色的图像;
23)根据车辆变道灯面积上下限阈值,以及车辆变道灯圆形度下限阈值,剔除非变道灯产生的黄色区域,留下满足条件的黄色区域。
进一步,所述步骤3)包括如下步骤:
31)以步骤2)得到的黄色区域的最小包围矩形作为感兴趣区域,得到仅含有感兴趣区域信息的彩色图,将图片转换为灰度图,设置一个阈值下限,提取感兴趣区域中的白色区域;
32)根据车辆变道灯白色区域的面积大小上下限阈值,以及车辆变道灯白色区域的圆形度下限阈值,剔除非变道灯产生的白色区域,即将这些不满足条件的区域置为0,留下满足条件的白色区域;
33)计算出白色区域的最小包围圆,并返回圆点坐标,以圆心坐标作为变道灯的坐标,加入当前帧的跟踪数组,数组中的坐标点代表当前帧图像中的所有车辆变道灯的位置。
进一步,所述步骤4)具体包括如下步骤:
41)将当前帧的跟踪数组内的坐标点与轨迹栈数组中的坐标点进行匹配;
42)将步骤41)中匹配上的坐标点加入对应的轨迹栈,并将当前跟踪数组中没匹配上的坐标点加入轨迹栈数组中成为一个新的轨迹栈;
43)删除栈元素数量为1的轨迹栈,将栈元素数量大于1的轨迹栈分别拟合为一条直线,即变道灯运动的轨迹线。
进一步,步骤41)中的匹配规则如下:根据坐标点之间的距离、位置进行匹配。
进一步,步骤5)具体包括如下步骤:
51)计算拟合的直线与车道线的夹角,公式如下,
式中θ表示夹角,k1和k2分别为拟合直线方程斜率和车道线直线方程斜率;
52)步骤51)获得的夹角若在上下限阈值范围内,则进一步计算直线对应的轨迹栈的栈顶坐标与栈底坐标的中点到车道线的距离,公式如下,
式中d表示距离,(x0,y0)为中点坐标,k2为车道线直线方程斜率,b为车道线直线方程y轴截距;
53)根据步骤52)计算得到的距离是否满足条件判断是否有变道事件发生。
由于采用了上述技术方案,本发明具有如下的优点:
本发明首先在输入的高速公路监控视频中人工标定待检测区域以及区域中的车道线,再基于此对视频序列进行逐帧检测。逐帧检测是否有黄色区域出现,进一步检测黄色区域内部是否有白色区域,从而检测到变道灯,再根据变道灯的运动轨迹来判断是否有变道行为发生。现有的方法大多是当车辆进入摄像头视野就进行跟踪,并根据运行轨迹来进行变道判别,这样的检测方式会对每一辆车都进行跟踪,并且要完成车辆的检测及跟踪还需要视频图像清晰,因此这样的方法运算量大,耗时长,难以达到实时跟踪的目的。而本方法仅在变道灯亮时跟踪车灯,并且不需要高清图像以及背景建模,大大减少了运算量以及运算复杂度,简便易行,具有较高的实用价值。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述:
图1为本发明的流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
参见图1,一种基于车灯的隧道违章变道检测方法,该方法包括以下步骤:
1)标定感兴趣区域并建立感兴趣区域模板;具体包括如下步骤:
11)从高速公路隧道摄像头读取视频图像,标定包含道路区域的感兴趣区域,并标定车道线;这能使处理的图像范围变小,并能够剔除一些路边灯光以及杂物的影响,从而减少计算量,提高算法实时性。感兴趣区域一般选择高速公路隧道内正常的行车道;
12)根据步骤11)标定的区域,生成一张感兴趣区域像素值为255,非感兴趣区域像素值为0的黑白图像作为感兴趣区域的0-1模板图;
2)从高速公路隧道摄像头读取视频图像,提取图像中的黄色区域;具体包括如下步骤:
21)读取一帧视频图像,将步骤1)得到的感兴趣区域模板图与当前帧图像进行与操作,从而得到一张仅保留感兴趣区域信息的当前帧图像;
22)将仅保留感兴趣区域信息的当前帧图像分割为红、绿、蓝三个单通道图像image_red、image_green和image_blue,三个单通道图像中某个值若在黄色对应的通道分量的值区间内则保持不变,否则置0,公式如下,
式中,Gray(i,j)表示在图片(i,j)处的灰度值,F(i,j)表示处理后的值,Tlow和Thigh表示将浅黄和深黄分割为三通道后得到的对应的rgb值,最后合并三个单通道图像得到仅有黄色的图像;
23)根据正常变道灯的黄色区域的面积大小设定上下限阈值(Smin≤S≤Smax),结合圆形度下限阈值(R>Rmin),剔除非变道灯产生的黄色区域,即将这些不满足条件的区域置为0,留下满足条件的黄色区域。
3)提取黄色区域中的白色区域,以检测车辆变道灯;具体包括如下步骤:
31)以步骤2)得到的黄色区域的最小包围矩形作为感兴趣区域,得到仅含有感兴趣区域信息的彩色图,将图片转换为灰度图,设置一个阈值下限,提取感兴趣区域中的白色区域;公式如下,
式中,Gray(i,j)表示在图片(i,j)处的灰度值,F(i,j)表示处理后的值,T代表白色的灰度下限阈值;
32)根据车辆变道灯白色区域的面积大小上下限阈值,以及车辆变道灯白色区域的圆形度下限阈值,剔除非变道灯产生的白色区域,即将这些不满足条件的区域置为0,留下满足条件的白色区域;
33)计算出白色区域的最小包围圆,并返回圆点坐标,以圆心坐标作为变道灯的坐标,加入当前帧的跟踪数组,数组中的坐标点代表当前帧图像中的所有车辆变道灯的位置。
4)跟踪变道灯,拟合变道灯运动的轨迹线;具体包括如下步骤:
41)将当前帧的跟踪数组内的坐标点与轨迹栈数组(即一个数组中的每个元素都是一个栈,栈中存储的是同一车灯在连续帧中的相应坐标,栈顶是最近一帧该车灯的坐标)中的坐标点进行匹配;首先,由于相邻帧之间的时间间隔很小,所以同一个车灯在图像中的移动距离很小,因此匹配距离最近的车灯点,如果距离最近的点的距离依然大于设定的阈值上限,则这两点匹配失败,然后根据车辆行车方向,同一车灯在当前帧的位置必定在上一帧的位置的前方,据此可进一步确定匹配的点,最后,由于变道灯是出于闪烁状态的,相邻帧的灯光面积一般不会相同,但面积比必定在1附近,因此,根据根据坐标点之间的距离、位置进行匹配可确定匹配的点;
42)将步骤41)中匹配上的坐标点加入对应的轨迹栈,并将当前跟踪数组中没匹配上的坐标点加入轨迹栈数组中成为一个新的轨迹栈;
43)删除栈元素数量为1的轨迹栈,将栈元素数量大于1的轨迹栈分别拟合为一条直线,即变道灯运动的轨迹线。
5)识别变道事件。具体包括如下步骤:
51)计算拟合的直线与车道线的夹角,公式如下,
式中θ表示夹角,k1和k2分别为拟合直线方程斜率和车道线直线方程斜率;
52)步骤51)获得的夹角若在上下限阈值范围内,则进一步计算直线对应的轨迹栈的栈顶坐标与栈底坐标的中点到车道线的距离,公式如下,
式中d表示距离,(x0,y0)为中点坐标,k2为车道线直线方程斜率,b为车道线直线方程y轴截距;
53)根据步骤52)计算得到的距离是否满足条件判断是否有变道事件发生。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (5)
1.一种基于车灯的隧道违章变道检测方法,其特征在于,该方法包括以下步骤:
1)标定感兴趣区域并建立感兴趣区域模板;
2)从高速公路隧道摄像头读取视频图像,提取图像中的黄色区域;
3)提取黄色区域中的白色区域,以检测车辆变道灯;
4)跟踪变道灯,拟合变道灯运动的轨迹线;
5)识别变道事件;
所述步骤1)具体包括如下步骤:
11)从高速公路隧道摄像头读取视频图像,标定包含道路区域的感兴趣区域,并标定车道线;
12)根据步骤11)标定的区域生成感兴趣区域模板图;
所述步骤12)中,生成一张感兴趣区域像素值为255,非感兴趣区域像素值为0的黑白图像作为感兴趣区域模板图;
所述步骤2)具体包括如下步骤:
21)读取一帧视频图像,将步骤1)得到的感兴趣区域模板图与当前帧图像进行与操作,从而得到一张仅保留感兴趣区域信息的当前帧图像;
22)将仅保留感兴趣区域信息的当前帧图像分割为红、绿、蓝三个单通道图像,三个单通道图像中某个值若在黄色对应的通道分量的值区间内则保持不变,否则置0,最后合并三个单通道图像得到仅有黄色的图像;
23)根据车辆变道灯面积上下限阈值,以及车辆变道灯圆形度下限阈值,剔除非变道灯产生的黄色区域,留下满足条件的黄色区域。
2.根据权利要求1所述的一种基于车灯的隧道违章变道检测方法,其特征在于,所述步骤3)包括如下步骤:
31)以步骤2)得到的黄色区域的最小包围矩形作为感兴趣区域,得到仅含有感兴趣区域信息的彩色图,将图片转换为灰度图,设置一个阈值下限,提取感兴趣区域中的白色区域;
32)根据车辆变道灯白色区域的面积大小上下限阈值,以及车辆变道灯白色区域的圆形度下限阈值,剔除非变道灯产生的白色区域,即将这些不满足条件的区域置为0,留下满足条件的白色区域;
33)计算出白色区域的最小包围圆,并返回圆点坐标,以圆心坐标作为变道灯的坐标,加入当前帧的跟踪数组,数组中的坐标点代表当前帧图像中的所有车辆变道灯的位置。
3.根据权利要求2所述的一种基于车灯的隧道违章变道检测方法,其特征在于,所述步骤4)具体包括如下步骤:
41)将当前帧的跟踪数组内的坐标点与轨迹栈数组中的坐标点进行匹配;
42)将步骤41)中匹配上的坐标点加入对应的轨迹栈,并将当前跟踪数组中没匹配上的坐标点加入轨迹栈数组中成为一个新的轨迹栈;
43)删除栈元素数量为1的轨迹栈,将栈元素数量大于1的轨迹栈分别拟合为一条直线,即变道灯运动的轨迹线。
4.根据权利要求3所述的一种基于车灯的隧道违章变道检测方法,其特征在于,步骤41)中的匹配规则如下:根据坐标点之间的距离、位置进行匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811033846.XA CN109299674B (zh) | 2018-09-05 | 2018-09-05 | 一种基于车灯的隧道违章变道检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811033846.XA CN109299674B (zh) | 2018-09-05 | 2018-09-05 | 一种基于车灯的隧道违章变道检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109299674A CN109299674A (zh) | 2019-02-01 |
CN109299674B true CN109299674B (zh) | 2022-03-18 |
Family
ID=65166049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811033846.XA Active CN109299674B (zh) | 2018-09-05 | 2018-09-05 | 一种基于车灯的隧道违章变道检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109299674B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188631A (zh) * | 2019-05-14 | 2019-08-30 | 重庆大学 | 一种高速公路隧道车灯分割方法 |
CN110136447B (zh) * | 2019-05-23 | 2021-01-12 | 杭州诚道科技股份有限公司 | 行车变道检测及违法变道识别的方法 |
CN110163166B (zh) * | 2019-05-27 | 2021-06-25 | 北京工业大学 | 一种公路隧道led照明灯具的鲁棒检测方法 |
CN110807932A (zh) * | 2019-11-12 | 2020-02-18 | 汤建强 | 一种车辆实线变道检测方法 |
CN111260656B (zh) * | 2020-01-07 | 2023-07-25 | 北京百度网讯科技有限公司 | 分析导航轨迹的方法以及装置 |
CN111597905B (zh) * | 2020-04-20 | 2023-06-09 | 淮阴工学院 | 一种基于视频技术的公路隧道停车检测方法 |
CN111833598B (zh) * | 2020-05-14 | 2022-07-05 | 山东科技大学 | 一种高速公路无人机交通事件自动监测方法及系统 |
CN111815959B (zh) * | 2020-06-19 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种车辆违章的检测方法、装置以及计算机可读存储介质 |
CN112347969B (zh) * | 2020-11-18 | 2022-11-04 | 合肥湛达智能科技有限公司 | 一种基于深度学习的变道不打灯行为检测方法 |
CN112580516A (zh) * | 2020-12-21 | 2021-03-30 | 上海眼控科技股份有限公司 | 一种道路场景识别方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102280030A (zh) * | 2011-07-20 | 2011-12-14 | 杭州海康威视软件有限公司 | 夜晚车辆检测的方法及其系统 |
CN103366571A (zh) * | 2013-07-03 | 2013-10-23 | 河南中原高速公路股份有限公司 | 智能的夜晚交通事件检测方法 |
CN103778786A (zh) * | 2013-12-17 | 2014-05-07 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于显著车辆部件模型的交通违章检测方法 |
CN205943078U (zh) * | 2016-08-05 | 2017-02-08 | 安徽金赛弗信息技术有限公司 | 机动车未按规定开启转向灯违法变道智能识别装置 |
CN106467057A (zh) * | 2015-08-21 | 2017-03-01 | 腾讯科技(深圳)有限公司 | 车道偏离预警的方法、装置及系统 |
CN107316010A (zh) * | 2017-06-13 | 2017-11-03 | 武汉理工大学 | 一种识别前方车辆尾灯及判断其状态的方法 |
CN107481526A (zh) * | 2017-09-07 | 2017-12-15 | 公安部第三研究所 | 用于行车变道检测记录及违章变道举报控制的系统及方法 |
US9896107B1 (en) * | 2016-09-30 | 2018-02-20 | Denso International America, Inc. | Digital lane change confirmation projection systems and methods |
WO2018059586A1 (zh) * | 2016-09-30 | 2018-04-05 | 比亚迪股份有限公司 | 车辆识别方法、装置及车辆 |
CN108230667A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种车辆违章行为检测方法 |
-
2018
- 2018-09-05 CN CN201811033846.XA patent/CN109299674B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102280030A (zh) * | 2011-07-20 | 2011-12-14 | 杭州海康威视软件有限公司 | 夜晚车辆检测的方法及其系统 |
CN103366571A (zh) * | 2013-07-03 | 2013-10-23 | 河南中原高速公路股份有限公司 | 智能的夜晚交通事件检测方法 |
CN103778786A (zh) * | 2013-12-17 | 2014-05-07 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于显著车辆部件模型的交通违章检测方法 |
CN106467057A (zh) * | 2015-08-21 | 2017-03-01 | 腾讯科技(深圳)有限公司 | 车道偏离预警的方法、装置及系统 |
CN205943078U (zh) * | 2016-08-05 | 2017-02-08 | 安徽金赛弗信息技术有限公司 | 机动车未按规定开启转向灯违法变道智能识别装置 |
US9896107B1 (en) * | 2016-09-30 | 2018-02-20 | Denso International America, Inc. | Digital lane change confirmation projection systems and methods |
WO2018059586A1 (zh) * | 2016-09-30 | 2018-04-05 | 比亚迪股份有限公司 | 车辆识别方法、装置及车辆 |
CN108230667A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种车辆违章行为检测方法 |
CN107316010A (zh) * | 2017-06-13 | 2017-11-03 | 武汉理工大学 | 一种识别前方车辆尾灯及判断其状态的方法 |
CN107481526A (zh) * | 2017-09-07 | 2017-12-15 | 公安部第三研究所 | 用于行车变道检测记录及违章变道举报控制的系统及方法 |
Non-Patent Citations (5)
Title |
---|
Cooperative Driving and Lane Changing Modeling for Connected Vehicles in the Vicinity of Traffic Signals: A Cyber-Physical Perspective;YUCHU HE 等;《SPECIAL SECTION ON CYBER-PHYSICAL-SOCIAL COMPUTING AND NETWORKING》;20180328;第6卷;13891-13897 * |
Front and Rear Vehicle Detection and Tracking in the Day and Night Time Using Vision and Sonar Sensors;Se-Young Oh 等;《12th World Congress on ITS》;20090131;1-13 * |
Lane-Change Detection Based on Vehicle-Trajectory Prediction;Hanwool Woo 等;《IEEE ROBOTICS AND AUTOMATION LETTERS》;20170428;第2卷(第2期);1109-1116 * |
基于单目视觉的夜间前方车辆检测方法;郭君斌 等;《汽车工程》;20140531;第36卷(第5期);575 * |
基于颜色和运动信息的夜间车辆检测方法;刘勃 等;《中国图象图形学报》;20050228;第10卷(第2期);187-191 * |
Also Published As
Publication number | Publication date |
---|---|
CN109299674A (zh) | 2019-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN103778786B (zh) | 一种基于显著车辆部件模型的交通违章检测方法 | |
CN105488454B (zh) | 基于单目视觉的前方车辆检测与测距 | |
CN101783076B (zh) | 一种视频监控模式下的快速车型识别方法 | |
US8064643B2 (en) | Detecting and recognizing traffic signs | |
CN109190523B (zh) | 一种基于视觉的车辆检测跟踪预警方法 | |
CN101030256B (zh) | 车辆图像分割方法和装置 | |
CN104751634B (zh) | 高速公路隧道行车图像采集信息的综合应用方法 | |
CN104361350B (zh) | 一种交通标识识别系统 | |
CN104899554A (zh) | 一种基于单目视觉的车辆测距方法 | |
US20100098297A1 (en) | Clear path detection using segmentation-based method | |
CN104050450A (zh) | 一种基于视频的车牌识别方法 | |
CN102880863B (zh) | 一种基于可变形部件模型的车牌及驾驶员人脸定位方法 | |
CN107886034B (zh) | 行车提醒方法、装置及车辆 | |
CN103824452A (zh) | 一种轻量级的基于全景视觉的违章停车检测装置 | |
CN105654073A (zh) | 一种基于视觉检测的速度自动控制方法 | |
CN109948552B (zh) | 一种复杂交通环境中的车道线检测的方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN102298693A (zh) | 基于计算机视觉的高速公路弯道检测方法 | |
CN110929676A (zh) | 一种基于深度学习的违章掉头实时检测方法 | |
CN111783666A (zh) | 一种基于连续视频帧角点特征匹配的快速车道线检测方法 | |
CN113903008A (zh) | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 | |
CN103021179A (zh) | 基于实时监控视频中的安全带检测方法 | |
CN113033275A (zh) | 基于深度学习的车辆变道不打转向灯分析系统 |
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 |