CN109409264B - 基于局部跟踪的视频排队溢出检测方法 - Google Patents
基于局部跟踪的视频排队溢出检测方法 Download PDFInfo
- Publication number
- CN109409264B CN109409264B CN201811193558.0A CN201811193558A CN109409264B CN 109409264 B CN109409264 B CN 109409264B CN 201811193558 A CN201811193558 A CN 201811193558A CN 109409264 B CN109409264 B CN 109409264B
- Authority
- CN
- China
- Prior art keywords
- local
- vehicle
- detection
- features
- feature
- 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
- G06V20/40—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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- 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
本发明公开了一种基于局部跟踪的视频排队溢出检测方法,本发明将嵌入式高清网络摄像机架设在十字路口出口信号灯杆上,将车道按照由远到近的顺序依次划分检测区域,检测区域的宽为道路宽度,检测区域的长度为图像中一辆小型车辆的长度;分析道路上各个检测区域内各种局部特征的移动距离,建立基于局部移动特征的连续检测区块的时序模型,通过车道内连续分布的检测区域中,对具有移动距离且当前时刻是静止的局部特征的进行统计;本发明具有能有效检测出路段进口处50米范围内大量车辆停车排队溢出状况的特点。
Description
技术领域
本发明涉及城市道路排队溢出检测技术领域,尤其是涉及一种基于局部跟踪的视频排队溢出检测方法。
背景技术
排队长度:进入道路的车辆超过了道路的设计承载能力,导致车辆进入该路段后产生拥堵,停车从该路段的出口处开始顺序向该路段的入口方向蔓延停车形成的停车长度。
路段溢出:进入道路的车辆过多,导致路段出现排队现象,当路段的排队长度等于路段的长度时就会导致后续希望进入该路段的车辆排队溢出到十字路口。
针对城市交通路段车辆排队溢出检测的实际应用场景,普遍采用的方法有:路段进口区域车牌识别、路段进口区域虚拟线圈、路段出口车流量与路段进口车流量差值预测估计等方法。各种方法都有各自优点和缺点;
基于路段进口区域的车牌识别方法或基于路段进口区域的虚拟线圈存在检测方法进行的溢出检测,都存在检测范围有限,容易受无排队情况下车辆短暂停留影响。
基于路段出口车流量与路段进口车流量差值预测估计的方法,很难区分当前路段上车辆是缓慢行驶还是排队停留。路段上车辆缓慢行驶排队到路段进口区域的情况不认为路口溢出了。很难检测路段中间出现交通事故导致路段上大面积停车排队到路段入口时产生溢出。
发明内容
本发明的发明目的是为了克服现有技术中的溢出检测方法很难判断路口溢出的不足,提供了一种基于局部跟踪的视频排队溢出检测方法。
为了实现上述目的,本发明采用以下技术方案:
一种基于局部跟踪的视频排队溢出检测方法,包括如下步骤:
(1-1)获得架设于十字路口的红绿灯杆上的嵌入式高清网络摄像机提供的高分辨率视频数据流;取视频场景中一条路的路段进口处50米范围为检测区域,将50米范围由近到远划分为若干个检测区块,按3米~5米为一个检测区块的长度进行划分;
(1-2)在当前时刻帧的灰度图像It(x,y)和t-σt时刻帧的灰度图像It-σt(x,y)中,对检测区域内3类车辆局部特征进行提取和匹配,判断是否存在移动的车辆局部特征;x和y为灰度图像上的像素位置的横坐标和纵坐标;
(1-3)根据各个检测区块内的局部车辆特征建立检测区块的时序模型;
(1-4)融合由远到近的各个检测区块内的局部车辆特征的移动和停止状态,检测出路段是否溢出。
本发明是针对城市道路排队溢出检测应用提出的,将嵌入式高清网络摄像机架设在十字路口出口信号灯杆上,拍摄车辆尾部,检测范围为出口处往前50m,通过嵌入式高清网络摄像机捕获道路视频图像,将车道按照由远到近的顺序依次划分检测区域,检测区域的宽为道路宽度,检测区域的长度为图像中一辆小型车辆(3~4米)的长度;分析道路上各个检测区域内各种局部特征的移动距离,建立基于局部移动特征的连续检测区块的时序模型,通过车道内连续分布的检测区域中,对具有移动距离且当前时刻是静止的局部特征的进行统计,确定车道连续检测区域由远到近的停车排队时序状态,检测到离摄像机最近的区域有停车时,确定为道路溢出状态。
作为优选,还包括如下步骤:为各个检测区域编号,使各个检测区域的编号按照距离十字路口由近至远的顺序逐渐增大。
作为优选,步骤(1-2)包括如下步骤:
(3-1)车辆局部特征的提取:
车辆局部特征包括3类:圆形红色车辆尾灯特征、与车道行进方向垂直的车辆边缘特征和运动块特征;
圆形车辆尾灯特征的提取:根据车辆尾灯的RGB三基色特征值的统计进行聚类,生成白天和晚上2类红色车尾灯的RGB聚类中心,选择置信度为90%的方差值作为门限;
车辆局部边缘特征提取:选择检测垂直于车辆运动方向的水平边缘特征,采用sobel水平边缘检测算子提取运动车辆的水平检测边缘,通过水平边缘连通区域的提取获得整个完整边缘特征;
运动块特征是指图像中满足一定尺寸且在连续σt时间内有运动的斑块,运动斑块的提取步骤如下:
运动斑块提取采用帧间间隔时间σt内帧差块为种子点,根据边缘信息进行斑块的完整查找,获取完整的运动斑块,帧差块检测公式如下:
其中,Mt(x,y)为当前时刻帧的运动检测结果图像,T1为运动检测判别阈值;
(3-2)车辆局部特征的匹配和跟踪:
车辆局部特征的匹配和跟踪是指当前t时刻在图像内检测到的局部特征Tt的中心点为x和y,在时刻t+σt的图像内我们找到同一局部特征的中心移动到了新的位置x和y。
检测当前帧图像数据的3类局部特征,并分类保存到三个特征队列里,将当前检测出来的特征队列与前一帧的三个特征队列按最近距离匹配,同时将帧间匹配最大距离0.4米/帧折算到当前帧特征所在区域的最大移动像素;
在局部特征跟踪过程中,由于随时存在部分车辆特征的消失和再现问题,局部特征跟踪匹配队列需要及时进行更新操作;
更新操作包括将消失局部特征剔除的过程和将新局部特征加入特征跟踪队列的过程;
将消失局部特征剔除的过程:在局部特征匹配跟踪过程中,若检测到局部特征A存在连续3帧的运动,则设局部特征A所处位置为起点;若沿车辆行驶反方向距离hi/2内,存在局部特征点B连续3帧静止没有位移,则将局部特征点B作为干扰点剔除;hi为任意的检测区块的长度;
将新局部特征加入特征跟踪队列的过程:在连续3帧中,若局部特征点C移动的距离大于d,则将局部特征点C作为新的车辆局部特征加入局部特征匹配队列。
作为优选,步骤(1-3)包括如下步骤:
(4-1)嵌入式高清网络摄像机以每秒25帧的频率提供高清视频图像数据,提取高清视频图像数据中路段进口处50米范围检测区域内的车辆尾灯特征,车辆局部水平边缘特征和车辆运动斑块特征分别进入3个特征队列;
(4-2)当前t时刻的特征队列与先前t-1时刻的特征队列根据几何尺寸相似度和最近距离匹配算法进行匹配,匹配的特征对特征的移动距离进行累计;
(4-3)当前t时刻匹配完成的特征根据该特征的移动距离进行归类,移动距离大于d的特征作为车辆的局部特征进入车辆特征跟踪队列;移动距离小于d的特征进入候选局部特征跟踪队列;车辆局部特征在任何检测区块内的长时间停留作为该检测区块的停车特征依据;
(4-4)完成局部特征匹配后,将当前时刻所有检测区块的状态设置为非停车状态;
(4-5)判断当前检测区块的车辆特征停留时间t,如果车辆跟踪队列中存在车辆局部特征在原地停留时间大于设定的停车时间T,则当前检测区块为停车状态;如果当前检测区块内有移动的车辆局部特征,且没有停留时间大于T的车辆局部特征,则当前检测区块为有车状态;如果当前检测区块内没有车辆局部特征,则当前检测区块为无车状态;将整个检测区域的各个检测区块的状态组合,生成一个检测区块的状态时序模型。
作为优选,步骤(1-4)包括如下步骤:
从距离十字路口最远的检测区域逐渐到距离十字路口最近的检测区域按时间轴逐个判断检测单元的停车、有车、无车状态,再结合各个检测区域的背景建模,剔除阴影干扰;若各个检测区域都是停车状态,则给出排队溢出报警。
因此,本发明具有如下有益效果:通过检测道路上各个检测区块内各种局部特征的移动距离,建立基于局部移动特征的连续检测区块的时序模型,通过统计车道内连续分布的检测区域中具有移动距离且当前时刻是静止的局部特征的时序状态,确定车道连续检测区域由远到近的停车排队长度,检测到离摄像机最近的区域有停车时,确定道路为溢出状态。能有效检测出路段进口处50米范围内大量车辆停车排队溢出状况,同时可以有效排除非排队状况下的路段进口区域车辆短暂停留。
附图说明
图1本发明的各个检测区块的一种划分图;
图2为本发明的一种局部特征剔除示意图;
图3为本发明的检测区块的一种停车检测流程图;
图4为本发明的一种检测单元的划分图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的描述。
一种基于局部跟踪的视频排队溢出检测方法,包括如下步骤:
步骤100,获得架设于十字路口的红绿灯杆上的嵌入式高清网络摄像机提供的高分辨率视频数据流;取视频场景中一条路的路段进口处50米范围为检测区域,将50米范围由近到远划分为若干个检测区块,按3~5米为一个检测区块的长度进行划分;如图1所示,为各个检测区域编号,使各个检测区域的编号按照距离十字路口由近至远的顺序逐渐增大。
步骤200,在当前时刻帧的灰度图像It(x,y)和t-σt时刻帧的灰度图像It-σt(x,y)中,对检测区域内3类车辆局部特征进行提取和匹配,判断是否存在移动的车辆局部特征;x和y为灰度图像上的像素位置的横坐标和纵坐标;
步骤210,车辆局部特征的提取:
车辆局部特征包括3类:圆形红色车辆尾灯特征、与车道行进方向垂直的车辆边缘特征和运动块特征;
圆形车辆尾灯特征的提取:根据颜色聚类提取车尾灯区域即根据车辆尾灯的RGB三基色特征值的统计进行聚类,生成白天和晚上2类红色车尾灯的RGB聚类中心,选择置信度为90%的方差值作为门限;
车辆局部边缘特征提取:选择检测垂直于车辆运动方向的水平边缘特征,采用sobel水平边缘检测算子提取运动车辆的水平检测边缘,通过水平边缘连通区域的提取获得整个完整边缘特征;
运动块特征是指图像中满足一定尺寸且在连续σt时间内有运动的斑块,运动斑块的提取步骤如下:
运动斑块提取采用帧间间隔时间σt内帧差块为种子点,根据边缘信息进行斑块的完整查找,获取完整的运动斑块,帧差块检测公式如下:
其中,Mt(x,y)为当前时刻帧的运动检测结果图像,T1为运动检测判别阈值;
步骤220,车辆局部特征的匹配和跟踪:
检测当前帧图像数据的3类局部特征,并分类保存到三个特征队列里,当前检测出来的特征队列与前一帧的三个特征队列按最近距离匹配,同时将帧间匹配最大距离0.4米/帧折算到当前帧特征所在区域的最大移动像素;
在局部特征跟踪过程中,由于随时存在部分车辆特征的消失和再现问题,局部特征跟踪匹配队列需要及时进行更新操作;
更新操作包括将消失局部特征剔除的过程和将新局部特征加入特征跟踪队列的过程;
将消失局部特征剔除的过程:如图2所示,在局部特征匹配跟踪过程中,若检测到局部特征1存在连续3帧的运动,则设局部特征A所处位置为起点;若沿车辆行驶反方向距离hi/2内,存在局部特征点2连续3帧静止没有位移,则将局部特征点B作为干扰点剔除;hi为任意的检测区块的长度;
将新局部特征加入特征跟踪队列的过程:在连续3帧中,若局部特征点3移动的距离大于d,则将局部特征点C作为新的车辆局部特征加入局部特征匹配队列。
步骤300,根据各个检测区块内的局部车辆特征建立检测区块的时序模型;
步骤310,嵌入式高清网络摄像机以每秒25帧的频率提供高清视频图像数据,提取高清视频图像数据中路段进口处50米范围检测区域内的车辆尾灯特征,车辆局部水平边缘特征和车辆运动斑块特征分别进入3个特征队列;
步骤320,当前t时刻的特征队列与先前t-1时刻的特征队列根据几何尺寸相似度和最近距离匹配算法进行匹配,匹配的特征对特征的移动距离进行累计;
步骤330,当前t时刻匹配完成的特征根据该特征的移动距离进行归类,移动距离大于d的特征作为车辆的局部特征进入车辆特征跟踪队列;移动距离小于d的特征进入候选局部特征跟踪队列;车辆局部特征在任何检测区块内的长时间停留作为该检测区块的停车特征依据;
步骤340,完成局部特征匹配后,将当前时刻所有检测区块的状态设置为非停车状态;
步骤350,判断当前检测区块的车辆特征停留时间t,如果车辆跟踪队列中存在车辆局部特征在原地停留时间大于我们设定的停车时间T,则当前检测区块为停车状态;如果当前检测区块内有移动的车辆局部特征,且没有停留时间大于T的车辆局部特征,则当前检测区块为有车状态;如果当前检测区块内没有车辆局部特征,则当前检测区块为无车状态;将整个检测区域的各个检测区块的状态组合,生成一个检测区块的状态时序模型。
步骤400,融合由远到近的各个检测区块内的局部车辆特征的移动和停止状态,建立整个区域的时序模型,检测出路段是否溢出。
根据图4中车道内检测区块连续分布的特点,从远处检测区域5到近处检测区域1按时间轴逐个判断检测单元的(停车、有车、无车)状态,再结合检测区域1的背景建模,剔除区块1中的阴影等干扰。从检测区域5检测出停车状态,按顺序依次判断出检测区域4,检测区域3,一直到检测区域1都是停车状态,则视频溢出检测器给出排队溢出报警。
应理解,本实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (4)
1.一种基于局部跟踪的视频排队溢出检测方法,其特征是,包括如下步骤:
(1-1)获得架设于十字路口的红绿灯杆上的嵌入式高清网络摄像机提供的高分辨率视频数据流;取视频场景中一条路的路段进口处50米范围为检测区域,将50米范围由近到远划分为若干个检测区块,按3米~5米为一个检测区块的长度进行划分;
(1-2)在当前时刻帧的灰度图像It(x,y)和t-σt时刻帧的灰度图像It-σt(x,y)中,对检测区域内3类车辆局部特征进行提取和匹配,判断是否存在移动的车辆局部特征;x和y为灰度图像上的像素位置的横坐标和纵坐标;
步骤(1-2)包括如下步骤:
(1-2-1)车辆局部特征的提取:
车辆局部特征包括3类:圆形红色车辆尾灯特征、与车道行进方向垂直的车辆边缘特征和运动块特征;
圆形车辆尾灯特征的提取:根据车辆尾灯的RGB三基色特征值的统计进行聚类,生成白天和晚上2类红色车尾灯的RGB聚类中心,选择置信度为90%的方差值作为门限;
车辆局部边缘特征提取:选择检测垂直于车辆运动方向的水平边缘特征,采用sobel水平边缘检测算子提取运动车辆的水平检测边缘,通过水平边缘连通区域的提取获得整个完整边缘特征;
运动块特征是指图像中满足一定尺寸且在连续σt时间内有运动的斑块,运动斑块的提取步骤如下:
运动斑块提取采用帧间间隔时间σt内帧差块为种子点,根据边缘信息进行斑块的完整查找,获取完整的运动斑块,帧差块检测公式如下:
其中,Mt(x,y)为当前时刻帧的运动检测结果图像,T1为运动检测判别阈值;
(1-2-2)车辆局部特征的匹配和跟踪:
检测当前帧图像数据的3类局部特征,并分类保存到三个特征队列里,将当前检测出来的特征队列与前一帧的三个特征队列按最近距离匹配,同时将帧间匹配最大距离0.4米/帧折算到当前帧特征所在区域的最大移动像素;
在局部特征跟踪过程中,由于随时存在部分车辆特征的消失和再现问题,局部特征跟踪匹配队列需要及时进行更新操作;
更新操作包括将消失局部特征剔除的过程和将新局部特征加入特征跟踪队列的过程;
将消失局部特征剔除的过程:在局部特征匹配跟踪过程中,若检测到局部特征A存在连续3帧的运动,则设局部特征A所处位置为起点;若沿车辆行驶反方向距离hi/2内,存在局部特征点B连续3帧静止没有位移,则将局部特征点B作为干扰点剔除;hi为任意的检测区块的长度;
将新局部特征加入特征跟踪队列的过程:在连续3帧中,若局部特征点C移动的距离大于d,则将局部特征点C作为新的车辆局部特征加入局部特征匹配队列;
(1-3)根据各个检测区块内的局部车辆特征建立检测区块的时序模型;
(1-4)融合由远到近的各个检测区块内的局部车辆特征的移动和停止状态,检测出路段是否溢出。
2.根据权利要求1所述的基于局部跟踪的视频排队溢出检测方法,其特征是,还包括如下步骤:为各个检测区域编号,使各个检测区域的编号按照距离十字路口由近至远的顺序逐渐增大。
3.根据权利要求1所述的基于局部跟踪的视频排队溢出检测方法,其特征是,步骤(1-3)包括如下步骤:
(1-3-1)嵌入式高清网络摄像机以每秒25帧的频率提供高清视频图像数据,提取高清视频图像数据中路段进口处50米范围检测区域内的车辆尾灯特征,车辆局部水平边缘特征和车辆运动斑块特征分别进入3个特征队列;
(1-3-2)当前t时刻的特征队列与先前t-1时刻的特征队列根据几何尺寸相似度和最近距离匹配算法进行匹配,匹配的特征对特征的移动距离进行累计;
(1-3-3)当前t时刻匹配完成的特征根据该特征的移动距离进行归类,移动距离大于d的特征作为车辆的局部特征进入车辆特征跟踪队列;移动距离小于d的特征进入候选局部特征跟踪队列;车辆局部特征在任何检测区块内的长时间停留作为该检测区块的停车特征依据;
(1-3-4)完成局部特征匹配后,将当前时刻所有检测区块的状态设置为非停车状态;
(1-3-5)判断当前检测区块的车辆特征停留时间t’,如果车辆跟踪队列中存在车辆局部特征在原地停留时间大于设定的停车时间T,则当前检测区块为停车状态;如果当前检测区块内有移动的车辆局部特征,且没有停留时间大于T的车辆局部特征,则当前检测区块为有车状态;如果当前检测区块内没有车辆局部特征,则当前检测区块为无车状态;将整个检测区域的各个检测区块的状态组合,生成一个检测区块的状态时序模型。
4.根据权利要求1或2或3所述的基于局部跟踪的视频排队溢出检测方法,其特征是,步骤(1-4)包括如下步骤:
从距离十字路口最远的检测区域逐渐到距离十字路口最近的检测区域按时间轴逐个判断检测单元的停车、有车、无车状态,再结合各个检测区域的背景建模,剔除阴影干扰;若各个检测区域都是停车状态,则给出排队溢出报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811193558.0A CN109409264B (zh) | 2018-10-12 | 2018-10-12 | 基于局部跟踪的视频排队溢出检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811193558.0A CN109409264B (zh) | 2018-10-12 | 2018-10-12 | 基于局部跟踪的视频排队溢出检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409264A CN109409264A (zh) | 2019-03-01 |
CN109409264B true CN109409264B (zh) | 2022-04-22 |
Family
ID=65467831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811193558.0A Active CN109409264B (zh) | 2018-10-12 | 2018-10-12 | 基于局部跟踪的视频排队溢出检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409264B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111392402B (zh) * | 2020-03-11 | 2021-10-01 | 广东拓斯达科技股份有限公司 | 一种自动化抓取方法、装置、设备和存储介质 |
CN113380044B (zh) * | 2021-08-12 | 2022-01-07 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种防溢流控制信号优化方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927875A (zh) * | 2014-04-29 | 2014-07-16 | 山东大学 | 基于视频的交通溢流状态识别方法 |
CN105513342A (zh) * | 2015-11-25 | 2016-04-20 | 南京莱斯信息技术股份有限公司 | 一种基于视频跟踪的车辆排队长度计算方法 |
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 |
-
2018
- 2018-10-12 CN CN201811193558.0A patent/CN109409264B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927875A (zh) * | 2014-04-29 | 2014-07-16 | 山东大学 | 基于视频的交通溢流状态识别方法 |
CN105513342A (zh) * | 2015-11-25 | 2016-04-20 | 南京莱斯信息技术股份有限公司 | 一种基于视频跟踪的车辆排队长度计算方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109409264A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320510B (zh) | 一种基于无人机航拍视频交通信息统计方法及系统 | |
CN105844234B (zh) | 一种基于头肩检测的人数统计的方法及设备 | |
CN110287905B (zh) | 一种基于深度学习的交通拥堵区域实时检测方法 | |
Tseng et al. | Real-time video surveillance for traffic monitoring using virtual line analysis | |
US20160034778A1 (en) | Method for detecting traffic violation | |
CN114023062B (zh) | 一种基于深度学习和边缘计算的交通流信息监测方法 | |
CN109409264B (zh) | 基于局部跟踪的视频排队溢出检测方法 | |
CN105632170A (zh) | 一种基于Mean Shift跟踪算法的交通流检测方法 | |
CN102768802B (zh) | 基于有限状态机的道路车辆拥堵判别方法 | |
CN110633678A (zh) | 一种基于视频图像的快速高效的车流量计算方法 | |
CN103310199A (zh) | 基于高分辨率遥感数据的车辆型号识别方法 | |
CN108520528B (zh) | 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法 | |
CN104809742A (zh) | 一种复杂场景下的物品安全检测方法 | |
CN111951576A (zh) | 一种基于车辆识别的交通灯控制系统及其方法 | |
Chen et al. | Traffic congestion classification for nighttime surveillance videos | |
CN107122732A (zh) | 一种监控场景下高鲁棒性的快速车牌定位方法 | |
Unno et al. | Vehicle motion tracking using symmetry of vehicle and background subtraction | |
Tsai et al. | Multi-lane detection and road traffic congestion classification for intelligent transportation system | |
CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 | |
CN112802348B (zh) | 一种基于混合Gaussian模型的车流量计数方法 | |
Špaňhel et al. | Detection of traffic violations of road users based on convolutional neural networks | |
CN113469026A (zh) | 一种基于机器学习的路口滞留事件检测方法及系统 | |
Kurniawan et al. | Adaptive traffic controller based on pre-timed system | |
Song et al. | Method of Vehicle Behavior Analysis for Real-Time Video Streaming Based on Mobilenet-YOLOV4 and ERFNET | |
CN113850111A (zh) | 基于语义分割和神经网络技术的路况识别方法和系统 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 310053 23-25, 2 building, 352 BINKANG Road, Binjiang District, Hangzhou, Zhejiang. Applicant after: Zhejiang zhongkong Information Industry Co.,Ltd. Address before: 310053 23-25, 2 building, 352 BINKANG Road, Binjiang District, Hangzhou, Zhejiang. Applicant before: ZHEJIANG SUPCON INFORMATION TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |