CN109596092A - 一种基于车载摄像机的平交口视距遮挡检测方法及系统 - Google Patents
一种基于车载摄像机的平交口视距遮挡检测方法及系统 Download PDFInfo
- Publication number
- CN109596092A CN109596092A CN201811580456.4A CN201811580456A CN109596092A CN 109596092 A CN109596092 A CN 109596092A CN 201811580456 A CN201811580456 A CN 201811580456A CN 109596092 A CN109596092 A CN 109596092A
- Authority
- CN
- China
- Prior art keywords
- usual friendship
- friendship mouth
- vehicle
- sighting distance
- shelter
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C3/00—Measuring distances in line of sight; Optical rangefinders
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于车载摄像机的平交口视距遮挡检测方法及系统。该方法包括:获取遮挡检测神经网络模型,所述遮挡检测神经网络模型为以平交口转角的视距三角形范围图像为神经网络的输入,以平交口转角的视距三角形范围内有无遮挡及遮挡物类别为神经网络的输出的训练后的神经网络模型;利用CCD工业相机采集待检测平交口转角的视距三角形范围图像;将所述待检测平交口转角的视距三角形范围图像输入所述遮挡检测神经网络模型,得到识别后的平交口视距遮挡物及遮挡物类别。本发明能够快速检测平交口视距,准确判断视距遮挡物的遮挡情况。
Description
技术领域
本发明涉及平交口视距检测技术领域,特别是涉及一种基于车载摄像机的平交口视距遮挡检测方法及检测系统。
背景技术
在机动车驾驶员开车进出平交口的过程中,除超速、闯红灯等违法行为可能会发生机动车与行人之间的交通事故外,平交口转角空间所设置的各类交通设施、绿化以及街道家具对机动车和行人造成的视距遮挡也可能会引发严重的交通事故。目前平交口视距检测均为人工肉眼检测。由于人为检测需要大量的人力物力,检测效率低,不能及时的解决平交口视距遮挡问题。
相较于人工肉眼检测而言,基于视频识别的平交口视距遮挡检测系统具有快速、精确、高度信息化的特点,在视距检测应用中未曾有先例。
发明内容
本发明的目的是提供一种基于车载摄像机的平交口视距遮挡检测方法及系统,能够快速检测平交口视距,准确判断视距遮挡物的遮挡情况。
为实现上述目的,本发明提供如下方案:
一种基于车载摄像机的平交口视距遮挡检测方法,包括:
获取遮挡检测神经网络模型,所述遮挡检测神经网络模型为以平交口转角的视距三角形范围图像为神经网络的输入,以平交口转角的视距三角形范围内有无遮挡及遮挡物类别为神经网络的输出的训练后的神经网络模型;所述视距三角形为冲突点和两视点构成的三角形,所述冲突点为两条相交道路中一条道路的最右侧车道中心线的直行线方向与另一条道路右侧直行线方向相交点,所述两视点分别为所述两条道路上的停止线向后的一个停车视距的视点;
利用CCD工业相机采集待检测平交口转角的视距三角形范围图像;
将所述待检测平交口转角的视距三角形范围图像输入所述遮挡检测神经网络模型,得到识别后的平交口视距遮挡物及遮挡物类别。
可选的,所述获取遮挡检测神经网络模型具体包括:
获取训练样本数据,所述训练样本数据为平交口转角的视距三角形范围图像,所述视距三角形范围图像内包括无遮挡图像和有遮挡图像,所述有遮挡图像中的遮挡物包括绿化、杆件和/或箱体;
对所述视距三角形范围图像进行标定,得到标定结果,所述标定结果包括有遮挡结果和无遮挡结果;所述有遮挡结果包括绿化遮挡、杆件遮挡、箱体遮挡和其他遮挡;
建立深度神经网络模型;
以所述视距三角形范围图像为所述深度神经网络模型的输入,以所述标定结果为所述深度神经网络模型的输出,进行优化训练,得到遮挡检测神经网络模型。
可选的,所述对所述视距三角形范围图像进行标定,得到标定结果具体包括:
当所述视距三角形范围图像中存在绿化植被,判断所述绿化植被的平均高度是否超1m,若是,则标定为有遮挡结果,并确定为绿化遮挡;若无,标定为无遮挡结果;
当所述视距三角形范围图像中存在杆件,判断所述杆件的数量是否大于或等于设定杆件数量阈值,若是,则标定为有遮挡结果,并确定为杆件遮挡;若无,标定为无遮挡结果;
当所述视距三角形范围图像中存在箱体,判断所述箱体的高度是否超1m,若是,则标定为有遮挡结果,并确定为箱体遮挡;若无,标定为无遮挡结果。
可选的,所述获取训练样本数据之前还包括:
获取设定区域范围内的所述平交口处的道路属性数据;所述道路属性数据包括道路名称、道路类型、设计速度、道路起点位置信息和终点位置信息;
根据所述道路属性数据确定平交口转角的视距三角形;所述视距三角形的沿行车方向的边长由停车视距St确定;所述停车视距st的计算公式为:
其中,s1为反应距离,s2为制动距离,s0为安全距离,s0取5~10m,t为驾驶员反应时间,为路面与轮胎之间的纵向摩阻系数,v为车辆行驶速度。
可选的,在所述得到识别后的平交口视距遮挡物及遮挡物类别之后,所述方法还包括:
通过GPS定位系统获取所述待检测平交口的位置信息,
根据所述位置信息确定对应的道路属性数据;
将所述平交口视距遮挡物及遮挡物类别和待检测平交口转角的视距三角形范围图像按照所述道路属性数据对应存储、显示并发布到服务器上。
本发明还提供了一种基于车载摄像机的平交口视距遮挡检测系统,包括:
CCD工业相机,设于检测车辆的车头位置,用于拍摄平交口转角的视距三角形范围图像;
车载AI处理平台,与所述CCD工业相机连接,用于存储平交口处的道路属性数据,获取所述平交口转角的视距三角形范围图像,根据所述平交口转角的视距三角形范围图像结合深度学习神经网络模型构建遮挡检测神经网络模型,利用所述遮挡检测神经网络模型对待测平交口转角进行视距遮挡检测,得到平交口视距遮挡物及遮挡物类别,并将所述平交口视距遮挡物及遮挡物类别对应所述道路属性数据汇总后上传至服务器。
可选的,所述系统还包括GPS组合导航接收机,所述GPS组合导航接收机与所述车载AI处理平台电连接,所述GPS组合导航接收机用于确定所述检测车辆的实时位置,将所述检测车辆的实时位置传送给所述车载AI处理平台。
可选的,车载AI处理平台包括数据库;
所述数据库用于存储所述道路属性数据、所述检测车辆的实时位置、所述平交口转角的视距三角形范围图像和所述平交口视距遮挡物及遮挡物类别。
可选的,所述服务器用于接收所述车载AI处理平台发布的所述道路属性数据、所述检测车辆的实时位置、所述平交口转角的视距三角形范围图像和所述平交口视距遮挡物及遮挡物类别,实现数据共享。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于车载摄像机的平交口视距遮挡检测方法及检测系统,通过神经网络快速识别平交口视距遮挡情况,并使用GPS定位系统将具体位置坐标通过软件传输至数据库平台,有效的对平交口视距进行检测。并将检测结果提供给供市政管理或绿化养护部门尽快解决相应的视距遮挡问题。平交口转弯空间良好的行车视距不仅能有效保证机动车驾驶员在进出平交口时有足够的时间做出判断并采取避险措施,大幅降低平交口处机动车事故发生概率,推进城市精细化管理的目标,还能在未来自动驾驶模式与人工驾驶相结合的大环境下,减少决策盲区,提高自动驾驶车辆路况识别的准确度和行车安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于车载摄像机的平交口视距遮挡检测方法流程图;
图2为本发明实施例提供的平交口转角视距三角形的示意图;
图3为本发明实施例提供的基于车载摄像机的平交口视距遮挡检测系统的结构图。
1、平交口转角的视距三角形;2、CCD工业相机;3、GPS组合导航接收机;4、车载AI处理平台;5、服务器。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于车载摄像机的平交口视距遮挡检测方法及系统,具有高检测效率、高准确性、高智能的特点。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的基于车载摄像机的平交口视距遮挡检测系统流程图,如图1所示,本发明提供的基于车载摄像机的平交口视距遮挡系统包括以下步骤:
步骤101:开始平交口视距遮挡检测。
步骤102:确定平交口转角的视距三角形1范围。
图2为本发明实施里提供的平交口转角视距三角形,如图2所示,平交口转角的视距三角形1为冲突点和两视点构成的三角形,冲突点为两条相交道路中一条道路的最右侧车道中心线的直行线方向与另一条道路右侧直行线方向相交点,两视点分别为两条道路上的停止线向后的一个停车视距的视点;
根据道路属性数据确定平交口转角的视距三角形1;平交口转角的视距三角形1的沿行车方向的边长由停车视距St确定;停车视距st的计算公式为:
其中,s1为反应距离,s2为制动距离,s0为安全距离,s0取5~10m,t为驾驶员反应时间,为路面与轮胎之间的纵向摩阻系数,v为车辆行驶速度,当设计速度为120~80km/h时为其85%;当设计速度为60~40km/h时为其90%;设计速度为30~20km/h时为其100%;
由停车视距st的计算公式可知:道路等级越高,设计速度越高,则需要的停车视距越长,视距三角形的边长也就越长;如果平交两条相交道路的设计速度相同,则视距三角形是等腰三角形;
如图2所示,通过GPS实时定位,获得检测车当前所处道路及下一平交口相交道路的名称、设计速度等关键数据,由停车视距st的计算公式计算得到下一平交口转角视距三角形1各边长,即可知本路段停车视距D1。利用高清CCD工业相机拍摄地面图像,由车载AI平台识别并测算两进口道停止线间距离d1,需检测的平交口转角的视距三角形1顶点位置即为该平交口检测车进口道停车线向后距离。进而再通过停车视距st的计算公式计算得到平交口转角视距三角形1另一条直角边边长,即右侧横向道路的停车视距车D2,利用高清CCD工业相机拍摄地面图像,由车载AI平台识别并测算两进口道停止线间距离d2,需检测的平交口转角的视距三角形1顶点位置即为该平交口检测车进口道停车线向后距离。车载AI平台通过神经网络机器学习算法,识别进口道停车线位置后,通过调用工业相机在该位置所摄影像,得到该进口道视距三角形后,即得高清CCD工业相机平交口转角视距三角形1检测范围。
平交口处的道路属性数据包括道路名称、道路类型、设计速度、道路起点位置信息和终点位置信息。
步骤103:利用CCD工业相机采集待检测平交口转角的视距三角形1范围图像;
步骤104:利用遮挡物检测神经网络识别视距遮挡问题是否存在,并确定遮挡物类型;
其中,获取遮挡检测神经网络模型的方法具体包括:
获取训练样本数据,训练样本数据为平交口转角的视距三角形1范围图像,平交口转角的视距三角形范围1图像内包括无遮挡图像和有遮挡图像,有遮挡图像中的遮挡物包括绿化、杆件和/或箱体;
对平交口转角的视距三角形1范围图像进行标定,得到标定结果,标定结果包括有遮挡结果和无遮挡结果;有遮挡结果包括绿化遮挡、杆件遮挡、箱体遮挡和其他遮挡;
建立深度神经网络模型;
以平交口转角的视距三角形1范围图像为所述深度神经网络模型的输入,以标定结果为所述深度神经网络模型的输出,进行优化训练,得到遮挡检测神经网络模型。
其中,对平交口转角的视距三角形1范围图像进行标定的步骤具体为:
当平交口转角的视距三角形1范围图像中存在绿化植被,判断所述绿化植被的平均高度是否超1m,若是,则标定为有遮挡结果,并确定为绿化遮挡;若无,标定为无遮挡结果;
当平交口转角的视距三角形1范围图像中存在杆件,判断所述杆件的数量是否大于或等于设定杆件数量阈值,若是,则标定为有遮挡结果,并确定为杆件遮挡;若无,标定为无遮挡结果;
当平交口转角的视距三角形1范围图像中存在箱体,判断所述箱体的高度是否超1m,若是,则标定为有遮挡结果,并确定为箱体遮挡;若无,标定为无遮挡结果;
步骤105:判断有遮挡问题存在后,GPS定位系统获取位置信息记录并上传系统;
通过GPS定位系统获取待检测平交口的位置信息,及对应的道路属性数据;将平交口视距遮挡物及遮挡物类别和待检测平交口转角的视距三角形1范围图像按照道路属性数据对应存储、显示并实时通过4g/3g/gprs网络传输发布到服务器上;
GPS数据中按照标准的NMEA0183协议提取出速度信息并转化为v(km/h),并编写响应程序来控制工业相机采集图像的频率f,控制依据如表一:
表一
分段 | 速度v(km/h) | 相机频率f(Hz) |
1 | 0~5 | 0 |
2 | 5~10 | 1 |
3 | 10~20 | 3 |
4 | 20~40 | 5 |
5 | 40~60 | 7 |
6 | 60~80 | 9 |
7 | >80 | 10 |
以上控制策略仅供参考,具体原则为:以最低采集频率保证能采集到到沿线所有采集对象的图像。
根据以上采集,我们可以得到图像数据和GPS数据(NMEA0183协议);
步骤106:结束本次平交口视距遮挡检测;
步骤107:确定是否完成平交口视距遮挡检测;如果没有完成,则进行步骤101;如果完成则进行下一步骤108;
步骤108:检测数据汇总,将视距遮挡问题上报有关部门;
步骤109:结束检测。
图3为本发明实施例提供的基于车载摄像机的平交口视距遮挡检测系统的结构图,如图3所示,该基于车载摄像机的平交口视距遮挡检测系统包括:
CCD工业相机2,设于检测车辆的车头位置,用于拍摄平交口转角的视距三角形1范围图像;
车载AI处理平台4,与CCD工业相机2连接,用于存储平交口处的道路属性数据,获取平交口转角的视距三角形1范围图像,根据平交口转角的视距三角形1范围图像结合深度学习神经网络模型构建遮挡检测神经网络模型,利用所述遮挡检测神经网络模型对待测平交口转角进行视距遮挡检测,得到平交口视距遮挡物及遮挡物类别,并将所述平交口视距遮挡物及遮挡物类别对应所述道路属性数据汇总后上传至服务器5。
在本实施例中,本系统还包括GPS组合导航接收机3,GPS组合导航接收机3与车载AI处理平台4电连接,GPS组合导航接收机3用于确定检测车辆的实时位置,将检测车辆的实时位置传送给所述车载AI处理平台4。
本系统中的GPS组合导航接收机3是以惯性导航为主,结合无线电导航、天文导航、卫星导航、地形辅助等。
其中,车载AI处理平台4包括数据库,数据库用于存储待检测道路属性数据、检测车辆的实时位置、平交口转角的视距三角形1范围图像和平交口视距遮挡物及遮挡物类别。
在本实施例中,本系统还包括服务器5,服务器5接收车载AI处理平台4发布的道路属性数据、检测车辆的实时位置、平交口转角的视距三角1形范围图像和平交口视距遮挡物及遮挡物类别,上报至相应管理部门,以供相应管理部门高效地对问题位置做出整治方案并加以落实,实现数据共享。
在本实施例也可作为历史检测数据存储平台,还能在例行检查中对问题位置进行整治效果、复核提供数据支持,信息化水平较高。
本实施例中提供的检测系统大小不超过25cm×20cm×20cm,可以即时进行设备的拆卸和安装,无需专业检测车辆;单台硬件成本仅约十万元,检测平台采用配套互联网模式,无需专门的平台或者配套软件费用。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于车载摄像机的平交口视距遮挡检测方法,其特征在于,包括:
获取遮挡检测神经网络模型,所述遮挡检测神经网络模型为以平交口转角的视距三角形范围图像为神经网络的输入,以平交口转角的视距三角形范围内有无遮挡及遮挡物类别为神经网络的输出的训练后的神经网络模型;所述视距三角形为冲突点和两视点构成的三角形,所述冲突点为两条相交道路中一条道路的最右侧车道中心线的直行线方向与另一条道路右侧直行线方向相交点,所述两视点分别为所述两条道路上的停止线向后的一个停车视距的视点;
利用CCD工业相机采集待检测平交口转角的视距三角形范围图像;
将所述待检测平交口转角的视距三角形范围图像输入所述遮挡检测神经网络模型,得到识别后的平交口视距遮挡物及遮挡物类别。
2.根据权利要求1所述的基于车载摄像机的平交口视距遮挡检测方法,其特征在于,所述获取遮挡检测神经网络模型具体包括:
获取训练样本数据,所述训练样本数据为平交口转角的视距三角形范围图像,所述视距三角形范围图像内包括无遮挡图像和有遮挡图像,所述有遮挡图像中的遮挡物包括绿化、杆件和/或箱体;
对所述视距三角形范围图像进行标定,得到标定结果,所述标定结果包括有遮挡结果和无遮挡结果;所述有遮挡结果包括绿化遮挡、杆件遮挡、箱体遮挡和其他遮挡;
建立深度神经网络模型;
以所述视距三角形范围图像为所述深度神经网络模型的输入,以所述标定结果为所述深度神经网络模型的输出,进行优化训练,得到遮挡检测神经网络模型。
3.根据权利要求2所述的基于车载摄像机的平交口视距遮挡检测方法,其特征在于,所述对所述视距三角形范围图像进行标定,得到标定结果具体包括:
当所述视距三角形范围图像中存在绿化植被,判断所述绿化植被的平均高度是否超1m,若是,则标定为有遮挡结果,并确定为绿化遮挡;若无,标定为无遮挡结果;
当所述视距三角形范围图像中存在杆件,判断所述杆件的数量是否大于或等于设定杆件数量阈值,若是,则标定为有遮挡结果,并确定为杆件遮挡;若无,标定为无遮挡结果;
当所述视距三角形范围图像中存在箱体,判断所述箱体的高度是否超1m,若是,则标定为有遮挡结果,并确定为箱体遮挡;若无,标定为无遮挡结果。
4.根据权利要求2所述的基于车载摄像机的平交口视距遮挡检测方法,其特征在于,所述获取训练样本数据之前还包括:
获取设定区域范围内的所述平交口处的道路属性数据;所述道路属性数据包括道路名称、道路类型、设计速度、道路起点位置信息和终点位置信息;
根据所述道路属性数据确定平交口转角的视距三角形;所述视距三角形的沿行车方向的边长由停车视距St确定;所述停车视距st的计算公式为:
其中,s1为反应距离,s2为制动距离,s0为安全距离,s0取5~10m,t为驾驶员反应时间,为路面与轮胎之间的纵向摩阻系数,v为车辆行驶速度。
5.根据权利要求4基于车载摄像机的平交口视距遮挡检测方法,其特征在于,在所述得到识别后的平交口视距遮挡物及遮挡物类别之后,所述方法还包括:
通过GPS定位系统获取所述待检测平交口的位置信息,
根据所述位置信息确定对应的道路属性数据;
将所述平交口视距遮挡物及遮挡物类别和待检测平交口转角的视距三角形范围图像按照所述道路属性数据对应存储、显示并发布到服务器上。
6.一种基于车载摄像机的平交口视距遮挡检测系统,其特征在于,包括:
CCD工业相机,设于检测车辆的车头位置,用于拍摄平交口转角的视距三角形范围图像;
车载AI处理平台,与所述CCD工业相机连接,用于存储平交口处的道路属性数据,获取所述平交口转角的视距三角形范围图像,根据所述平交口转角的视距三角形范围图像结合深度学习神经网络模型构建遮挡检测神经网络模型,利用所述遮挡检测神经网络模型对待测平交口转角进行视距遮挡检测,得到平交口视距遮挡物及遮挡物类别,并将所述平交口视距遮挡物及遮挡物类别对应所述道路属性数据汇总后上传至服务器。
7.根据权利要求6中所述的基于车载摄像机的平交口视距遮挡检测系统,其特征在于,所述系统还包括GPS组合导航接收机,所述GPS组合导航接收机与所述车载AI处理平台电连接,所述GPS组合导航接收机用于确定所述检测车辆的实时位置,将所述检测车辆的实时位置传送给所述车载AI处理平台。
8.根据权利要求7中所述的基于车载摄像机的平交口视距遮挡检测系统,其特征在于,所述车载AI处理平台包括数据库;
所述数据库用于存储所述道路属性数据、所述检测车辆的实时位置、所述平交口转角的视距三角形范围图像和所述平交口视距遮挡物及遮挡物类别。
9.根据权利要求7中所述的基于车载摄像机的平交口视距遮挡检测系统,其特征在于,所述服务器用于接收所述车载AI处理平台发布的所述道路属性数据、所述检测车辆的实时位置、所述平交口转角的视距三角形范围图像和所述平交口视距遮挡物及遮挡物类别,实现数据共享。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811580456.4A CN109596092A (zh) | 2018-12-24 | 2018-12-24 | 一种基于车载摄像机的平交口视距遮挡检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811580456.4A CN109596092A (zh) | 2018-12-24 | 2018-12-24 | 一种基于车载摄像机的平交口视距遮挡检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109596092A true CN109596092A (zh) | 2019-04-09 |
Family
ID=65964316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811580456.4A Pending CN109596092A (zh) | 2018-12-24 | 2018-12-24 | 一种基于车载摄像机的平交口视距遮挡检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109596092A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070280503A1 (en) * | 2006-05-31 | 2007-12-06 | Aisin Aw Co., Ltd. | Image forming system |
CN103839415A (zh) * | 2014-03-19 | 2014-06-04 | 重庆攸亮科技有限公司 | 基于路面图像特征识别的交通流量和占有率信息获取方法 |
CN104746397A (zh) * | 2015-01-30 | 2015-07-01 | 西南交通大学 | 道路平面交叉口红线最小切角值的确定方法 |
CN106971583A (zh) * | 2017-03-27 | 2017-07-21 | 宁波吉利汽车研究开发有限公司 | 一种基于车载联网设备的路况信息共享系统及共享方法 |
CN108304774A (zh) * | 2017-12-26 | 2018-07-20 | 南京林业大学 | 一种评价干路绿化带特性对驾驶人视觉影响的方法 |
CN108766022A (zh) * | 2018-06-11 | 2018-11-06 | 青岛串并联电子科技有限公司 | 基于机器学习的停车场车位状态识别方法及系统 |
-
2018
- 2018-12-24 CN CN201811580456.4A patent/CN109596092A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070280503A1 (en) * | 2006-05-31 | 2007-12-06 | Aisin Aw Co., Ltd. | Image forming system |
CN103839415A (zh) * | 2014-03-19 | 2014-06-04 | 重庆攸亮科技有限公司 | 基于路面图像特征识别的交通流量和占有率信息获取方法 |
CN104746397A (zh) * | 2015-01-30 | 2015-07-01 | 西南交通大学 | 道路平面交叉口红线最小切角值的确定方法 |
CN106971583A (zh) * | 2017-03-27 | 2017-07-21 | 宁波吉利汽车研究开发有限公司 | 一种基于车载联网设备的路况信息共享系统及共享方法 |
CN108304774A (zh) * | 2017-12-26 | 2018-07-20 | 南京林业大学 | 一种评价干路绿化带特性对驾驶人视觉影响的方法 |
CN108766022A (zh) * | 2018-06-11 | 2018-11-06 | 青岛串并联电子科技有限公司 | 基于机器学习的停车场车位状态识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
任俊伟,吴晶晶: "基于道路平面交叉口安全的视距评价", 《现代交通技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7280465B2 (ja) | ナビゲーション情報を処理する方法、ナビゲーション情報を処理する地図サーバコンピュータプログラム、自律車両のナビゲーションを支援する車両システム、および自律車両 | |
US11953340B2 (en) | Updating road navigation model using non-semantic road feature points | |
JP6783949B2 (ja) | 交通標識情報を用いた道路検出 | |
CN102208012B (zh) | 风景匹配参考数据生成系统及位置测量系统 | |
EP2372310B1 (en) | Image processing system and position measurement system | |
JP5435306B2 (ja) | 画像処理システム及び位置測位システム | |
CN103325255B (zh) | 基于摄影测量技术进行区域交通状况检测的方法 | |
CN109544932A (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
CN110531376A (zh) | 用于港口无人驾驶车辆的障碍物检测和跟踪方法 | |
CN106980657A (zh) | 一种基于信息融合的车道级电子地图构建方法 | |
CN106462727A (zh) | 用于车道尽头识别的系统和方法 | |
DE102017105788A1 (de) | Induktionsschleifen-Detektionssysteme und -verfahren | |
CN106327880B (zh) | 一种基于监控视频的车速识别方法及其系统 | |
CN107590999A (zh) | 一种基于卡口数据的交通状态判别方法 | |
CN112418081B (zh) | 一种空地联合快速勘察交通事故的方法及系统 | |
CN111422202B (zh) | 智能驾驶考试评判方法 | |
CN110765224A (zh) | 电子地图的处理方法、车辆视觉重定位的方法和车载设备 | |
CN112749584B (zh) | 一种基于图像检测的车辆定位方法及车载终端 | |
CN111055852A (zh) | 一种用于自动驾驶的感兴趣目标搜索区域确定方法 | |
JP2024055946A (ja) | 情報処理装置 | |
CN116745831A (zh) | 地图生成装置、地图生成程序以及车载机 | |
CN109596092A (zh) | 一种基于车载摄像机的平交口视距遮挡检测方法及系统 | |
JP5177579B2 (ja) | 画像処理システム及び位置測位システム | |
JP6752773B2 (ja) | センサーの位置及び/又はその方向を決定する方法 | |
CN117274303A (zh) | 一种车辆轨迹的智能追踪方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190409 |