CN109410583A - 基于行车记录仪的交通信息采集及分析系统及运行方法 - Google Patents
基于行车记录仪的交通信息采集及分析系统及运行方法 Download PDFInfo
- Publication number
- CN109410583A CN109410583A CN201811441296.5A CN201811441296A CN109410583A CN 109410583 A CN109410583 A CN 109410583A CN 201811441296 A CN201811441296 A CN 201811441296A CN 109410583 A CN109410583 A CN 109410583A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- recorder
- automobile
- layer
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000000547 structure data Methods 0.000 claims abstract description 17
- 238000013075 data extraction Methods 0.000 claims abstract description 13
- 238000007418 data mining Methods 0.000 claims abstract description 12
- 238000010295 mobile communication Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000010191 image analysis Methods 0.000 claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000005201 scrubbing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
-
- 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
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
Abstract
本发明公开了于行车记录仪的交通信息采集及分析系统及运行方法,包括若干行车记录仪,每一行车记录仪均包括前端数据提取模块和移动通讯模块;前端数据提取模块与存储模块和中央处理器模块分别连接,从存储模块和中央处理器模块中获取视频数据,然后籍由数据挖掘算法将视频数据处理后形成图片结构化数据;移动通讯模块将图片结构化数据传送到后台图像分析模块;后台图像分析模块对图片结构化数据进行图像二次识别和结构化数据预处理,之后将处理结构分类发送至相应的机构进行深度处理。本发明高效利用行车记录仪采集的视频图像资源,实现车辆密度分析、路况信息采集、市政施工定位,通过拍摄的路况信息实现对交通基础设施的定位、识别、监测。
Description
技术领域
本发明涉及交通数据采集及分析技术领域,特别涉及基于行车记录仪的交通信息采集及分析系统及运行方法。
背景技术
现有的行车记录仪功能已相对全面化,可说是汽车使用黑匣子,车内显示控制主机从摄像装置获取视频信息,并对视频信息进行图像处理后进行显示及存储。
但存储的视频只用于为交通事故提供证据以此保障驾驶人的自我权利或是自驾游用于记录美好瞬间。当存储视频占用内存大于一定限值时,行车记录仪便根据删除策略对视频进行分时段删除,故此没有全方位挖掘出存储视频的潜在价值,在一定程度上是对数据资源的浪费。
因此,需要对现有的行车记录仪进行改进,扩大行车记录仪的使用范围,克服现有技术的缺陷。
发明内容
有鉴于现有技术的上述缺陷,本发明提供基于行车记录仪的交通信息采集及分析系统及运行方法,实现的目的之一是可高效利用行车记录仪采集的视频图像资源,实现车辆密度分析、路况信息采集、市政施工定位,并通过拍摄的路况信息实现对交通基础设施的定位、识别、监测。
为实现上述目的,本发明公开了基于行车记录仪的交通信息采集及分析系统,包括若干行车记录仪,每一所述行车记录仪均包括摄像模块、摄像接收模块、视频传输模块、显示模块、存储模块和中央处理器模块。
其中,每一所述行车记录仪均还包括前端数据提取模块和移动通讯模块;
所述前端数据提取模块与所述存储模块和所述中央处理器模块分别连接,从所述存储模块和所述中央处理器模块中获取视频数据,然后籍由数据挖掘算法将所述视频数据处理后形成图片结构化数据;
所述移动通讯模块与所述前端数据提取模块连接,将每一所述行车记录仪处理后得到的所述图片结构化数据传送到后台图像分析模块;
所述后台图像分析模块对所述图片结构化数据进行图像二次识别和结构化数据预处理,之后将处理结构分类发送至相应的机构进行深度处理。
优选的,所述深度处理包括车辆密度分析、车辆实时分析、车辆历史记录、数据统计、路面状况分析、市政工程设计和图片管理。
优选的,所述移动通讯模块是3G、4G或5G通讯模块。
本发明还提供基于行车记录仪的交通信息采集及分析系统的运行方法,包括所述数据挖掘算法,步骤如下:
A、每一所述形成记录仪将本身的硬件信息和所述视频数据作为原始数据分成两类分别存入设备信息表和行车记录表;其中,所述设备信息表包含行车记录仪的编号、对相应的车牌号和设备备注;所述车记录表包含记录流水ID、设备ID、时间戳、瞬时车速、天气信息、日期信息、经度坐标、和纬度坐标;
B、数据清理,对与所述视频数据对应的所述原始数据进行数据清洗;
C、根据清洗后的视频数据,对每一所述行车记录仪经过的道路进行道路拥堵判别,基于预设的路段信息,分析每一路段的拥堵状况,根据每一路段平均车辆进行判别;根据每一所述行车记录中的各路段采样个数以及车辆的瞬时速度,计算路段平均车速;
D、天气信息融合,跟据所述车记录表中的所述天气信息、所述日期信息所述时间戳、所述经度坐标、和所述纬度坐标,从所述天气信息中寻找到每一所述行车定位仪的实时天气信息;
E、将每日行车路径记录串联,然后统计路段名频度,并按降序排列,同时计算通过各路段平均车速的均值和标准差,分析路段平均车速的分布;
F、外因对车速的影响分析,外因主要包括环区、时段、天气状况,将车速在20码、40码、60码为阈值将车速分为4档,通过绘制各环区、时段、天气状况的车速直方图;
G、将所述步骤A至F中的处理结果打包形成图片结构化数据。
优选的,在所述步骤A中,当每一所述形成记录仪经过抽取(extract)、交互转换(transform)、加载(load)后,相应的所述行车记录表中增加道路信息。
本发明还提供基于行车记录仪的交通信息采集及分析系统的运行方法,基于图像深度学习和数据挖掘技术,对所述图片结构化数据进行所述图像二次识别和结构化数据预处理,对道路井盖、路面和交通标志标牌的异常情况进行预警和/或定位,对交通设施提供损坏巡查,步骤如下:
a、感兴趣区域的确定;在训练样本中,选取图片中心偏上的一个固定长宽比区域作为目标区域;
b、采用caffe开源深度学习框架对感兴趣区域的候选区进行特征提取和分类;采用caffe网络框架的卷积神经网络模型对样本进行训练;输入样本区域归一化为48*48BGR图像,CNN采用5层卷积层、3层池化层以及1层带随机参数的全连接层,ReLu为激活函数,最后由Softmax分类器给出分类结果。
优选的,在所述步骤b中,第一层卷积层,采用3通道的9*9卷积核,步长为1;池化层采用2*2的滤波器,步长为1;
第二层卷积层,采用3通道3*3的卷积核,步长为1;池化层采用2*2滤波器,步长为1;
第三层卷积层,不进行池化特征选择,采用3通道的4*4卷积核,步长为1;
第四层卷积层,不进行池化特征选择,采用3通道的1*1卷积核,步长为1;
第五层卷积层,采用3通道的3*3卷积核,步长为1,池化层采用2*2滤波器,步长为1;
最后一层全连接层,输出维度2*2的最终特征;并送入Softmax分类器得到分类结果。
本发明的有益效果:
本发明的应用可高效利用行车记录仪采集的视频图像资源,实现车辆密度分析、路况信息采集、市政施工定位,并通过拍摄的路况信息实现对交通基础设施的定位、识别、监测,亦可基于图像识别技术,对图片进行二次识别,从而对交通基础设施运行状态(路面井盖、路面裂痕与坑槽、交通标志、标线与标牌等异常情况)进行分类、定级,并制定养护计划及实施方案,从而减轻工作人员的工作强度、提高工作效率、节省人力成本及增加安全性等。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1示出本发明一实施例的结构示意图。
具体实施方式
实施例
如图1所示,基于行车记录仪的交通信息采集及分析系统,包括若干行车记录仪,每一行车记录仪均包括摄像模块、摄像接收模块、视频传输模块、显示模块、存储模块和中央处理器模块。
其中,每一行车记录仪均还包括前端数据提取模块和移动通讯模块;
前端数据提取模块与存储模块和中央处理器模块分别连接,从存储模块和中央处理器模块中获取视频数据,然后籍由数据挖掘算法将视频数据处理后形成图片结构化数据;
移动通讯模块与前端数据提取模块连接,将每一行车记录仪处理后得到的图片结构化数据传送到后台图像分析模块;
后台图像分析模块对图片结构化数据进行图像二次识别和结构化数据预处理,之后将处理结构分类发送至相应的机构进行深度处理。
本发明的原理在于,在基于Android系统的行车记录仪中嵌入附加数据挖掘算法的前端数据提取模块和移动通信模块。
前端数据提取模块将存储模块中的视频通过数据挖掘进行图片提取,并通过移动通信模块将处理后的图片及车速、定位等结构化数据传输至后台图像分析模块。
后台图像分析模块基于图像深度学习对图片进行二次识别、对车速、定位等结构化数据进行预处理,可实现车辆密度分析、车辆实时轨迹查询、车辆历史记录查询、提取图片管理、交通状态分析、市政施工定位、路面状况信息采集以及数据统计等功能,同时还可为交通基础设施提供损坏巡查和预警支撑。
在某些实施例中,深度处理包括车辆密度分析、车辆实时分析、车辆历史记录、数据统计、路面状况分析、市政工程设计和图片管理。
在某些实施例中,移动通讯模块是3G、4G或5G通讯模块。
本发明还提供基于行车记录仪的交通信息采集及分析系统的运行方法,包括数据挖掘算法,步骤如下:
A、每一形成记录仪将本身的硬件信息和视频数据作为原始数据分成两类分别存入设备信息表和行车记录表;其中,设备信息表包含行车记录仪的编号、对相应的车牌号和设备备注;车记录表包含记录流水ID、设备ID、时间戳、瞬时车速、天气信息、日期信息、经度坐标、和纬度坐标;
B、数据清理,对与视频数据对应的原始数据进行数据清洗;
C、根据清洗后的视频数据,对每一行车记录仪经过的道路进行道路拥堵判别,基于预设的路段信息,分析每一路段的拥堵状况,根据每一路段平均车辆进行判别;根据每一行车记录中的各路段采样个数以及车辆的瞬时速度,计算路段平均车速;
D、天气信息融合,跟据车记录表中的天气信息、日期信息时间戳、经度坐标、和纬度坐标,从天气信息中寻找到每一行车定位仪的实时天气信息;
E、将每日行车路径记录串联,然后统计路段名频度,并按降序排列,同时计算通过各路段平均车速的均值和标准差,分析路段平均车速的分布;
F、外因对车速的影响分析,外因主要包括环区、时段、天气状况,将车速在20码、40码、60码为阈值将车速分为4档,通过绘制各环区、时段、天气状况的车速直方图;
G、将步骤A至F中的处理结果打包形成图片结构化数据。
在某些实施例中,在步骤A中,当每一形成记录仪经过抽取(extract)、交互转换(transform)、加载(load)后,相应的行车记录表中增加道路信息。
本发明还提供基于行车记录仪的交通信息采集及分析系统的运行方法,基于图像深度学习和数据挖掘技术,对图片结构化数据进行图像二次识别和结构化数据预处理,对道路井盖、路面和交通标志标牌的异常情况进行预警和/或定位,对交通设施提供损坏巡查,步骤如下:
a、感兴趣区域的确定;在训练样本中,选取图片中心偏上的一个固定长宽比区域作为目标区域;
b、采用caffe开源深度学习框架对感兴趣区域的候选区进行特征提取和分类;采用caffe网络框架的卷积神经网络模型对样本进行训练;输入样本区域归一化为48*48BGR图像,CNN采用5层卷积层、3层池化层以及1层带随机参数的全连接层,ReLu为激活函数,最后由Softmax分类器给出分类结果。
在某些实施例中,在步骤b中,第一层卷积层,采用3通道的9*9卷积核,步长为1;池化层采用2*2的滤波器,步长为1;
第二层卷积层,采用3通道3*3的卷积核,步长为1;池化层采用2*2滤波器,步长为1;
第三层卷积层,不进行池化特征选择,采用3通道的4*4卷积核,步长为1;
第四层卷积层,不进行池化特征选择,采用3通道的1*1卷积核,步长为1;
第五层卷积层,采用3通道的3*3卷积核,步长为1,池化层采用2*2滤波器,步长为1;
最后一层全连接层,输出维度2*2的最终特征;并送入Softmax分类器得到分类结果。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.基于行车记录仪的交通信息采集及分析系统,包括若干行车记录仪,每一所述行车记录仪均包括摄像模块、摄像接收模块、视频传输模块、显示模块、存储模块和中央处理器模块;其特征在于:
每一所述行车记录仪均还包括前端数据提取模块和移动通讯模块;
所述前端数据提取模块与所述存储模块和所述中央处理器模块分别连接,从所述存储模块和所述中央处理器模块中获取视频数据,然后籍由数据挖掘算法将所述视频数据处理后形成图片结构化数据;
所述移动通讯模块与所述前端数据提取模块连接,将每一所述行车记录仪处理后得到的所述图片结构化数据传送到后台图像分析模块;
所述后台图像分析模块对所述图片结构化数据进行图像二次识别和结构化数据预处理,之后将处理结构分类发送至相应的机构进行深度处理。
2.根据权利要求1所述的基于行车记录仪的交通信息采集及分析系统,其特征在于,所述深度处理包括车辆密度分析、车辆实时分析、车辆历史记录、数据统计、路面状况分析、市政工程设计和图片管理。
3.根据权利要求1所述的基于行车记录仪的交通信息采集及分析系统,其特征在于,所述移动通讯模块是3G、4G或5G通讯模块。
4.根据权利要求1所述的基于行车记录仪的交通信息采集及分析系统的运行方法,其特征在于,包括所述数据挖掘算法,步骤如下:
A、每一所述形成记录仪将本身的硬件信息和所述视频数据作为原始数据分成两类分别存入设备信息表和行车记录表;其中,所述设备信息表包含行车记录仪的编号、对相应的车牌号和设备备注;所述车记录表包含记录流水ID、设备ID、时间戳、瞬时车速、天气信息、日期信息、经度坐标、和纬度坐标;
B、数据清理,对与所述视频数据对应的所述原始数据进行数据清洗;
C、根据清洗后的视频数据,对每一所述行车记录仪经过的道路进行道路拥堵判别,基于预设的路段信息,分析每一路段的拥堵状况,根据每一路段平均车辆进行判别;根据每一所述行车记录中的各路段采样个数以及车辆的瞬时速度,计算路段平均车速;
D、天气信息融合,跟据所述车记录表中的所述天气信息、所述日期信息所述时间戳、所述经度坐标、和所述纬度坐标,从所述天气信息中寻找到每一所述行车定位仪的实时天气信息;
E、将每日行车路径记录串联,然后统计路段名频度,并按降序排列,同时计算通过各路段平均车速的均值和标准差,分析路段平均车速的分布;
F、外因对车速的影响分析,外因主要包括环区、时段、天气状况,将车速在20码、40码、60码为阈值将车速分为4档,通过绘制各环区、时段、天气状况的车速直方图;
G、将所述步骤A至F中的处理结果打包形成图片结构化数据。
5.根据权利要求4所述的基于行车记录仪的交通信息采集及分析系统的运行方法,其特征在于,在所述步骤A中,当每一所述形成记录仪经过抽取、交互转换、加载后,相应的所述行车记录表中增加道路信息。
6.根据权利要求1所述的基于行车记录仪的交通信息采集及分析系统的运行方法,其特征在于,基于图像深度学习和数据挖掘技术,对所述图片结构化数据进行所述图像二次识别和结构化数据预处理,对道路井盖、路面和交通标志标牌的异常情况进行预警和/或定位,对交通设施提供损坏巡查,步骤如下:
a、感兴趣区域的确定;在训练样本中,选取图片中心偏上的一个固定长宽比区域作为目标区域;
b、采用caffe开源深度学习框架对感兴趣区域的候选区进行特征提取和分类;采用caffe网络框架的卷积神经网络模型对样本进行训练;输入样本区域归一化为48*48BGR图像,CNN采用5层卷积层、3层池化层以及1层带随机参数的全连接层,ReLu为激活函数,最后由Softmax分类器给出分类结果。
7.根据权利要求6所述的基于行车记录仪的交通信息采集及分析系统的运行方法,其特征在于,在所述步骤b中,第一层卷积层,采用3通道的9*9卷积核,步长为1;池化层采用2*2的滤波器,步长为1;
第二层卷积层,采用3通道3*3的卷积核,步长为1;池化层采用2*2滤波器,步长为1;
第三层卷积层,不进行池化特征选择,采用3通道的4*4卷积核,步长为1;
第四层卷积层,不进行池化特征选择,采用3通道的1*1卷积核,步长为1;
第五层卷积层,采用3通道的3*3卷积核,步长为1,池化层采用2*2滤波器,步长为1;
最后一层全连接层,输出维度2*2的最终特征;并送入Softmax分类器得到分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811441296.5A CN109410583A (zh) | 2018-11-29 | 2018-11-29 | 基于行车记录仪的交通信息采集及分析系统及运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811441296.5A CN109410583A (zh) | 2018-11-29 | 2018-11-29 | 基于行车记录仪的交通信息采集及分析系统及运行方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109410583A true CN109410583A (zh) | 2019-03-01 |
Family
ID=65456297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811441296.5A Pending CN109410583A (zh) | 2018-11-29 | 2018-11-29 | 基于行车记录仪的交通信息采集及分析系统及运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410583A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826456A (zh) * | 2019-10-31 | 2020-02-21 | 青岛海信网络科技股份有限公司 | 一种倒计时牌故障检测方法及系统 |
CN110942531A (zh) * | 2019-12-10 | 2020-03-31 | 深圳市麦谷科技有限公司 | 行车记录仪采集数据的方法和装置 |
CN111242070A (zh) * | 2020-01-19 | 2020-06-05 | 上海眼控科技股份有限公司 | 目标物体检测方法、计算机设备和存储介质 |
CN112037363A (zh) * | 2019-10-22 | 2020-12-04 | 刘建 | 行车记录大数据辅助分析系统 |
CN113115069A (zh) * | 2021-02-19 | 2021-07-13 | 深圳市麦谷科技有限公司 | 一种行车记录仪的视频存储方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933777A (zh) * | 2015-07-30 | 2015-09-23 | 苏州寅初信息科技有限公司 | 一种通过行车记录仪上传路况信息的方法及其行车记录仪 |
CN105070048A (zh) * | 2015-08-25 | 2015-11-18 | 陈翀 | 一种基于行车记录数据和车联网传输的路面交通数据系统 |
CN107248285A (zh) * | 2017-08-11 | 2017-10-13 | 李硕 | 一种基于行车记录仪的路面交通监控系统及其监控方法 |
CN108306904A (zh) * | 2016-08-25 | 2018-07-20 | 大连楼兰科技股份有限公司 | 车联网路况视频采集与分享方法及系统 |
CN108765404A (zh) * | 2018-05-31 | 2018-11-06 | 南京行者易智能交通科技有限公司 | 一种基于深度学习图像分类的道路破损检测方法及装置 |
CN209087137U (zh) * | 2018-11-29 | 2019-07-09 | 上海市城市建设设计研究总院(集团)有限公司 | 基于行车记录仪的交通信息采集及分析系统 |
-
2018
- 2018-11-29 CN CN201811441296.5A patent/CN109410583A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933777A (zh) * | 2015-07-30 | 2015-09-23 | 苏州寅初信息科技有限公司 | 一种通过行车记录仪上传路况信息的方法及其行车记录仪 |
CN105070048A (zh) * | 2015-08-25 | 2015-11-18 | 陈翀 | 一种基于行车记录数据和车联网传输的路面交通数据系统 |
CN108306904A (zh) * | 2016-08-25 | 2018-07-20 | 大连楼兰科技股份有限公司 | 车联网路况视频采集与分享方法及系统 |
CN107248285A (zh) * | 2017-08-11 | 2017-10-13 | 李硕 | 一种基于行车记录仪的路面交通监控系统及其监控方法 |
CN108765404A (zh) * | 2018-05-31 | 2018-11-06 | 南京行者易智能交通科技有限公司 | 一种基于深度学习图像分类的道路破损检测方法及装置 |
CN209087137U (zh) * | 2018-11-29 | 2019-07-09 | 上海市城市建设设计研究总院(集团)有限公司 | 基于行车记录仪的交通信息采集及分析系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037363A (zh) * | 2019-10-22 | 2020-12-04 | 刘建 | 行车记录大数据辅助分析系统 |
CN110826456A (zh) * | 2019-10-31 | 2020-02-21 | 青岛海信网络科技股份有限公司 | 一种倒计时牌故障检测方法及系统 |
CN110942531A (zh) * | 2019-12-10 | 2020-03-31 | 深圳市麦谷科技有限公司 | 行车记录仪采集数据的方法和装置 |
CN111242070A (zh) * | 2020-01-19 | 2020-06-05 | 上海眼控科技股份有限公司 | 目标物体检测方法、计算机设备和存储介质 |
CN113115069A (zh) * | 2021-02-19 | 2021-07-13 | 深圳市麦谷科技有限公司 | 一种行车记录仪的视频存储方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410583A (zh) | 基于行车记录仪的交通信息采集及分析系统及运行方法 | |
CN105070053B (zh) | 一种识别车辆违规运动模式的智能交通监控摄像机 | |
CN106845424B (zh) | 基于深度卷积网络的路面遗留物检测方法 | |
CN106874863B (zh) | 基于深度卷积神经网络的车辆违停逆行检测方法 | |
CN104392610B (zh) | 基于分布式视频的高速路交通事件影响范围动态监控方法 | |
CN209087137U (zh) | 基于行车记录仪的交通信息采集及分析系统 | |
CN106373426A (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN111429726B (zh) | 一种监控视频违停车辆检测、管理方法及对应的系统 | |
CN109637151A (zh) | 一种高速公路应急车道违章行驶的识别方法 | |
CN103914688A (zh) | 一种城市道路障碍物识别系统 | |
CN107067730B (zh) | 基于卡口设备的网约车人车不一致监测方法 | |
CN109815912B (zh) | 一种基于人工智能的高速公路安全巡查系统 | |
CN107292517A (zh) | 基于大数据分析的民航安保信息服务系统 | |
CN112016735B (zh) | 一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质 | |
CN112633722B (zh) | 车载道路安全风险评估系统及方法 | |
CN103208183A (zh) | 一种交通违章取证的车辆视频数据挖掘方法 | |
CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
CN113822285A (zh) | 一种用于复杂应用场景的车辆违停识别方法 | |
CN113487877A (zh) | 一种道路车辆违规停车监控方法 | |
CN112528759A (zh) | 一种基于计算机视觉的交通违章行为检测方法 | |
CN115600124A (zh) | 地铁隧道巡检系统及巡检方法 | |
CN109934161A (zh) | 基于卷积神经网络的车辆识别与检测方法及系统 | |
Amrutha et al. | Real-time litter detection system for moving vehicles using YOLO | |
CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
CN203149835U (zh) | 一种交通违章取证的车辆视频数据挖掘系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190301 |