CN110009634A - 一种基于全卷积网络的车道内车辆计数方法 - Google Patents
一种基于全卷积网络的车道内车辆计数方法 Download PDFInfo
- Publication number
- CN110009634A CN110009634A CN201910323074.1A CN201910323074A CN110009634A CN 110009634 A CN110009634 A CN 110009634A CN 201910323074 A CN201910323074 A CN 201910323074A CN 110009634 A CN110009634 A CN 110009634A
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- convolutional network
- full convolutional
- video frame
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于全卷积网络的车道内车辆计数方法，包括以下步骤：S1，设置监控检测区域，提取视频帧信息，对视频帧信息进行分车道处理，在每个车道区域中设置感兴趣区域，所述感兴趣区域为每个车道需要被监控检测的区域；S2，对视频帧信息处理，得到当前监控画面的车辆目标，输出车辆密度图；S3，根据S2中车辆密度图和步骤S1中的车道区域，得到任意一个车道的车辆数目；S4,对车道i能容纳的车辆数目Ni预设一个阈值yi；如果时间T内的任意时刻，Ni＞yi则开启速度判断；S5，构建3D卷积，得到短时间t内，车道i内的车辆平均速度vi；S6，结合步骤S3和步骤S5判断车道i是否拥堵。其能够实时高效处理视频帧，进行车辆计数，判断道路的流通状况。
Description
技术领域
本发明涉及车辆计数方法，具体涉及一种基于全卷积网络的车道内车辆计数方法。
背景技术
随着经济的发展，家用车辆的迅速增加，交通道路拥堵等问题层出不穷。为了解决这些交通问题，智能交通控制手段应运而生。智能交通系统是综合利用计算机技术、图像处理和智能检测等技术的系统，而视频车流量的检测是智能交通系统的重要组成部分，能够为交通的规划与管理提供可靠依据。
目前常用的视频车流量的检测方法是一种自适应虚拟线圈的车流量检测算法。所述检测方法是根据图像二值化原理，对ViBe算法的前景检测部分进行二次判断，提出一种改进的ViBe算法。在道路上设置固定检测区域，根据运动目标在固定检测区域的运动轨迹来建立或消除非固定虚拟线圈，再进一步使用虚拟线圈的车流量检测算法实现车流量统计。所述的技术方案是利用第一针图像来初始化背景模型，由于户外环境较为复杂，摄像头经常会发生抖动或者偏移，此时会对前景的检测造成干扰，从而增加车辆的漏检和误检率。当天气变化时，前景检测也会有很大的误差。
于是一种能够实时高效的处理视频帧信息的车辆计数方法就显得很有必要。
发明内容
本发明要解决的技术问题是提供一种基于全卷积网络的车道内车辆计数方法，其能够实时高效的处理视频帧，对视频帧中的画面进行车辆计数，从而判断道路的流通状况以及道路的车流量。
为了解决上述技术问题，本发明提供了一种基于全卷积网络的车道车辆计数方法，包括以下步骤：
S1，设置监控检测区域，用监控摄像头拍摄所述监控检测区域，并提取视频帧信息，对所述视频帧信息进行分车道处理，在每个所述车道区域中设置感兴趣区域，所述感兴趣区域为每个车道需要被监控检测的区域；S2，对提取到的所述视频帧信息进行特征提取，得到当前监控画面对应的车辆目标，并输出车辆密度图；S3，根据S2得到的所述车辆密度图且根据步骤S1所划分的所述车道区域，即可得到任意一个所述车道对应的车辆数目，其计算公式如下：其中，Ni为任意一个所述车道i包含的车辆数目，Si为任意一个所述车道i在所述视频帧信息中的感兴趣区域；所述监控检测区域中总车辆数目N为：S4,对每个所述车道i能容纳的所述车辆数目Ni均预设一个阈值yi；如果时间T内的任意时刻，Ni＞yi则开启速度判断机制，进入步骤S5；否则，不进入步骤S5；S5，构建3D卷积网络模型，利用其得到短时间t内，所述车道i内的车辆平均速度vi；S6，结合步骤S3和步骤S5的信息判断当前所述车道i是否存在拥堵现象，其判断方法为：若在时间T内的任意时刻，所述车道i内的车辆数目Ni＞yi，且所述车道i内的平均速度vi＜speedi，其中speedi为预先设定的判断拥堵的速度阈值，则判定所述车道i为拥堵，并输出所述车道i中的车辆排队长度；否则，判定所述车道i为不拥堵。
作为优选的，步骤S1中的所述感兴趣区域的确定方法为：从被处理的所述视频帧信息中以方框、圆、椭圆、不规则多边形的方式勾勒得到所述感兴趣区域。
作为优选的，步骤S1中，所述视频帧信息的获取方式是OpenCV。
作为优选的，步骤S2中，特征提取的模型为全卷积网络模型。
作为优选的，步骤S2中，所述全卷积网络模型运用能够扩大网络感受野的反卷积网络模型，用于获取像素级别的所述车辆密度图。
作为优选的，所述基于全卷积网络的车道内车辆计数方法，包括步骤S7，计算车流量：
f＝v*N/L；
其中f为车流量，L为监控画面内的所述车道的实际长度，v为所述监控检测区域内的所有车辆平均速度。
作为优选的，步骤S6中，在不同的车道内，设定的所述车辆目标数阈值yi不同；在不同的车道内，设定的所述速度阈值speedi不同。。
作为优选的，所述的基于全卷积网络的车道内车辆计数方法中，所述车道包括但不限于左转车道、右转车道和直行道。
作为优选的，所述基于全卷积网络的车道内车辆计数方法，其搭载的载体为Linux、Windows和Mac OS操作系统。
与现有技术相比，本发明的有益效果是：
1、本发明利用视频数字图像处理技术对监控视频画面中的多车道进行车辆计数，不需要对车辆进行检测，输入视频图片即可得到对应的图片的车辆密度图，从而得到各车道的车辆目标数，然后结合速度模型来此判断车道是否发生拥堵。避免了人工计数的效率低下以及铺设感应线圈的高昂安装、维修成本。
2、本发明不需要安装额外的硬件设备，直接对监控摄像头拍摄的视频数据进行处理分析，节约硬件成本。
3、本发明在实施的过程中不需要过多的人工干预，初始化之后可以自行运行监控交通状况。
附图说明
为了更清楚的说明本发明实施例技术中的技术方案，下面将对实施例技术描述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，还能够根据这些附图获得其他的附图。
图1为本发明优选实施例的总流程图。
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、完整的描述，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。基于本实用型中的实施例，本领域普通技术人员在没有作出创造性劳动的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。
实施例
参照图1所示，本发明公开了一种基于全卷积网络的车道内车辆计数方法，包括以下步骤：
S1，设置监控检测区域，获取视频帧信息。
S1-1，利用监控摄像头拍摄监控检测区域，能够实时得到监控摄像头拍摄的画面。
S1-2，利用OpenCV提取视频帧信息，对视频帧信息进行数据初始化。根据显示的画面划分车道，在每个车道区域中设定感兴趣区域，感兴趣区域的确定方法为：从被处理的所述视频帧信息中以方框、圆、椭圆、不规则多边形的方式勾勒得到所述感兴趣区域。
S2，获取视频帧信息中的所有车辆目标：运用全卷积网络模型对上述视频帧信息进行特征提取；上述全卷积网络模型采用反卷积来扩大网络的感受野，能够避免池化对的feature map的信息损失，用于得到像素级别的所述车辆密度图。
由于在当前的视频帧信息中会包括有道路上的其他非车辆物体，例如行人、非机动车以及道路基本设施等，但所构建的全卷积网络模型在对输入的图片进行提特征的过程中，会忽略其他的干扰信息，只关注机动车辆的信息。上述全卷积网络模型采用反卷积，在增大网络的感受野的同时也避免了池化层对特征信息的损失，能够输出原图对应的像素级别车辆密度信息。
S3，根据S1划分的车道区域以及S2得到的车辆密度图，对密度图上每个车道对应的区域部分进行积分求和即能够得到每个车道包含的车辆数目，从而得到画面中的总车辆数N。每个车道内车辆数目的计算公式如下：
其中，Ni为任意一个所述车道i包含的车辆数目，Si为任意一个所述车道i在所述视频帧信息中的区域；监控检测区域中总车辆数目N为：
S4，判断车道内的车辆数是否超过阈值。对每个车道i能容纳的车辆数目Ni均预设一个阈值yi，如果时间T内的任意时刻，Ni＞yi，则开启速度判断机制，进入步骤S5；否则，不进入步骤S5。能够避免了一些偶然因素对算法准确度造成的影响。
S5,构建3D卷积网络模型，利用3D卷积网络模型能够得到短时间t内车道i内所经过的车辆的平均速度vi。
S6，结合S3和S5的信息判断当前车道是否存在拥堵现象。预先设定的判断拥堵的速度阈值speedi；车辆目标数阈值yi和速度阈值speedi在不同的车道内设定的车辆目标数阈值yi和速度阈值speedi的值也不同。上述车道包括但不限于左转车道，右转车道和直行道。若在时间T内的任意时刻，车道i内的车辆数目Ni＞yi，且车道i内的平均速度vi＜speedi，其中speedi为预先设定的判断拥堵的速度阈值，则判定所述车道i为拥堵，并输出所述车道i中的车辆排队长度；否则，判定所述车道i为不拥堵。
S7，根据总车辆数目和所有车辆平均速度，得到监控检测区域内对应的车流量，设车流量为f，设监控画面内的所述车道的实际长度为L，监控检测区域内的所有车辆平均速度为v，则车流量的计算方法为：
车流量＝v*车辆密度；
车辆密度＝N/L；
推得车流量的计算公式为：
f＝v*N/L；
其中，画面监控的实际长度可以根据监控画面估算得到。
工作原理：
首先智能终端进行数据初始化，用OpenCV提取视频帧，对每个摄像头监控的画面都给定感兴趣区域以及对每个车道设置对应的感兴趣区域。再利用深入学习的全卷积网络模型对视频图片进行处理，得到监控画面对应的车辆密度分布图。然后根据全卷积网络模型输出的密度分布图以及每个车道的感兴趣区域即能够得到每个车道的车辆数目。
当车道内的车辆数目在时间T内超过车辆数目阈值则开始速度判断机制，当速度判断机制得到的速度也小于等于速度阈值时，判断该车道为拥堵队列，并输出拥堵队列的长度。与此同时，根据车辆计数以及车流量的推导公式，实时监控道路的车辆总数和车流量。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理能够在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖点相一致的最宽的范围。
Claims (9)
1.一种基于全卷积网络的车道内车辆计数方法，其特征在于，包括以下步骤：
S1，设置监控检测区域，用监控摄像头拍摄所述监控检测区域，并提取视频帧信息，对所述视频帧信息进行分车道处理，在每个所述车道区域中设置感兴趣区域，所述感兴趣区域为每个车道需要被监控检测的区域；
S2，对提取到的所述视频帧信息进行特征提取，得到当前监控画面对应的车辆目标，并输出车辆密度图；
S3，根据S2得到的所述车辆密度图且根据步骤S1所划分的所述车道区域，即能够得到任意一个所述车道对应的车辆数目，其计算公式如下
其中，Ni为任意一个所述车道i包含的车辆数目，Si为任意一个所述车道i在所述视频帧信息中的感兴趣区域；
所述监控检测区域中总车辆数目N为：
S4,对每个所述车道i能容纳的所述车辆数目Ni均预设一个阈值yi；如果时间T内的任意时刻，Ni＞yi，则开启速度判断机制，进入步骤S5；否则，不进入步骤S5；
S5，构建3D卷积网络模型，利用其得到短时间t内，所述车道i内的车辆平均速度vi；
S6，结合步骤S3和步骤S5的信息判断当前所述车道i是否存在拥堵现象，其判断方法为：若在时间T内的任意时刻，所述车道i内的车辆数目Ni＞yi，且所述车道i内的平均速度vi＜speedi，其中speedi为预先设定的判断拥堵的速度阈值，则判定所述车道i为拥堵，并输出所述车道i中的车辆排队长度；否则，判定所述车道i为不拥堵。
2.如权利要求1所述的基于全卷积网络的车道内车辆计数方法，其特征在于，步骤S1中的所述感兴趣区域的确定方法为：从被处理的所述视频帧信息中以方框、圆、椭圆、不规则多边形的方式勾勒得到所述感兴趣区域。
3.如权利要求2所述的基于全卷积网络的车道内车辆计数方法，其特征在于，步骤S1中，所述视频帧信息的提取方式是OpenCV。
4.如权利要求3所述的基于全卷积网络的车道内车辆计数方法，其特征在于，步骤S2中，特征提取的模型为全卷积网络模型。
5.如权利要求4所述的基于全卷积网络的车道内车辆计数方法，其特征在于，步骤S2中，所述全卷积网络模型运用能够扩大网络感受野的反卷积网络模型，用于获取像素级别的所述车辆密度图。
6.如权利要求1-5任意一项所述的基于全卷积网络的车道内车辆计数方法，其特征在于，包括步骤S7，计算车流量：
f＝v*N/L；
其中f为车流量，L为监控画面内的所述车道的实际长度，v为所述监控检测区域内的所有车辆平均速度。
7.如权利要求6所述的基于全卷积网络的车道内车辆计数方法，其特征在于，步骤S6中，在不同的车道内，设定的所述车辆目标数阈值yi不同；在不同的车道内，设定的所述速度阈值speedi不同。
8.如权利要求7所述的基于全卷积网络的车道内车辆计数方法，其特征在于，所述车道包括但不限于左转车道、右转车道和直行道。
9.如权利要求8所述的基于全卷积网络的车道内车辆计数方法，其特征在于，其搭载的载体为Linux、Windows和Mac OS操作系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910323074.1A CN110009634A (zh) | 2019-04-22 | 2019-04-22 | 一种基于全卷积网络的车道内车辆计数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910323074.1A CN110009634A (zh) | 2019-04-22 | 2019-04-22 | 一种基于全卷积网络的车道内车辆计数方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110009634A true CN110009634A (zh) | 2019-07-12 |
Family
ID=67173335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910323074.1A Pending CN110009634A (zh) | 2019-04-22 | 2019-04-22 | 一种基于全卷积网络的车道内车辆计数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110009634A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523482A (zh) * | 2020-04-24 | 2020-08-11 | 深圳市商汤科技有限公司 | 车道拥挤检测方法及装置、电子设备和存储介质 |
| CN112699747A (zh) * | 2020-12-21 | 2021-04-23 | 北京百度网讯科技有限公司 | 用于确定车辆状态的方法、装置、路侧设备和云控平台 |
| CN113313950A (zh) * | 2021-07-28 | 2021-08-27 | 长沙海信智能系统研究院有限公司 | 车辆拥堵的检测方法、装置、设备及计算机存储介质 |
| CN113380048A (zh) * | 2021-06-25 | 2021-09-10 | 中科路恒工程设计有限公司 | 基于神经网络的高危路段车辆驾驶行为识别方法 |
| CN114078327A (zh) * | 2020-08-20 | 2022-02-22 | 浙江宇视科技有限公司 | 道路拥堵状态检测方法、装置、设备和存储介质 |
| CN117975734A (zh) * | 2024-03-29 | 2024-05-03 | 松立控股集团股份有限公司 | 一种基于多目标跟踪的道路交通状态预测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104282165A (zh) * | 2013-07-12 | 2015-01-14 | 深圳市赛格导航科技股份有限公司 | 路段拥堵预警方法及装置 |
| CN106557814A (zh) * | 2016-11-15 | 2017-04-05 | 成都通甲优博科技有限责任公司 | 一种道路车辆密度评估方法及装置 |
| CN106650913A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
| CN107293117A (zh) * | 2017-07-04 | 2017-10-24 | 清华大学 | 一种公路异常事件的判断方法 |
| CN108847024A (zh) * | 2018-08-23 | 2018-11-20 | 河南中裕广恒科技股份有限公司 | 基于视频的交通拥堵识别方法及系统 |
| CN109118014A (zh) * | 2018-08-30 | 2019-01-01 | 浙江工业大学 | 一种基于时间递归神经网络的交通流速度预测方法 |
-
2019
- 2019-04-22 CN CN201910323074.1A patent/CN110009634A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104282165A (zh) * | 2013-07-12 | 2015-01-14 | 深圳市赛格导航科技股份有限公司 | 路段拥堵预警方法及装置 |
| CN106557814A (zh) * | 2016-11-15 | 2017-04-05 | 成都通甲优博科技有限责任公司 | 一种道路车辆密度评估方法及装置 |
| CN106650913A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
| CN107293117A (zh) * | 2017-07-04 | 2017-10-24 | 清华大学 | 一种公路异常事件的判断方法 |
| CN108847024A (zh) * | 2018-08-23 | 2018-11-20 | 河南中裕广恒科技股份有限公司 | 基于视频的交通拥堵识别方法及系统 |
| CN109118014A (zh) * | 2018-08-30 | 2019-01-01 | 浙江工业大学 | 一种基于时间递归神经网络的交通流速度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘开展: ""基于物体检测与光流计算的多目标速度估算与轨迹跟踪"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 刘开展: ""基于物体检测与光流计算的多目标速度估算与轨迹跟踪"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 01, 15 January 2019 (2019-01-15), pages 30 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523482A (zh) * | 2020-04-24 | 2020-08-11 | 深圳市商汤科技有限公司 | 车道拥挤检测方法及装置、电子设备和存储介质 |
| CN114078327A (zh) * | 2020-08-20 | 2022-02-22 | 浙江宇视科技有限公司 | 道路拥堵状态检测方法、装置、设备和存储介质 |
| CN114078327B (zh) * | 2020-08-20 | 2023-01-24 | 浙江宇视科技有限公司 | 道路拥堵状态检测方法、装置、设备和存储介质 |
| CN112699747A (zh) * | 2020-12-21 | 2021-04-23 | 北京百度网讯科技有限公司 | 用于确定车辆状态的方法、装置、路侧设备和云控平台 |
| CN113380048A (zh) * | 2021-06-25 | 2021-09-10 | 中科路恒工程设计有限公司 | 基于神经网络的高危路段车辆驾驶行为识别方法 |
| CN113380048B (zh) * | 2021-06-25 | 2022-09-02 | 中科路恒工程设计有限公司 | 基于神经网络的高危路段车辆驾驶行为识别方法 |
| CN113313950A (zh) * | 2021-07-28 | 2021-08-27 | 长沙海信智能系统研究院有限公司 | 车辆拥堵的检测方法、装置、设备及计算机存储介质 |
| CN117975734A (zh) * | 2024-03-29 | 2024-05-03 | 松立控股集团股份有限公司 | 一种基于多目标跟踪的道路交通状态预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009634A (zh) | 一种基于全卷积网络的车道内车辆计数方法 | |
| CN105493502B (zh) | 视频监控方法、视频监控系统以及计算机可读存储介质 | |
| CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
| CN109919008A (zh) | 运动目标检测方法、装置、计算机设备及存储介质 | |
| EP2798611B1 (en) | Camera calibration using feature identification | |
| Rachmadi et al. | Adaptive traffic signal control system using camera sensor and embedded system | |
| CN108615358A (zh) | 一种道路拥堵检测方法及装置 | |
| CN108091142A (zh) | 用于高速公路大场景下车辆违法行为跟踪识别和自动抓拍的方法 | |
| CN102496281B (zh) | 一种基于跟踪与虚拟线圈结合的车辆闯红灯检测方法 | |
| CN103605953A (zh) | 基于滑窗搜索的车辆兴趣目标检测方法 | |
| CN107945523B (zh) | 一种道路车辆检测方法、交通参数检测方法及装置 | |
| CN104378582A (zh) | 一种基于ptz摄像机巡航的智能视频分析系统及方法 | |
| CN111047874B (zh) | 智能交通违章管理方法及相关产品 | |
| CN107315998B (zh) | 基于车道线的车辆种类划分方法和系统 | |
| CN105184274A (zh) | 一种基于深度图像获取客流速度和密度参数的方法 | |
| CN111915583B (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
| CN103646544B (zh) | 基于云台和相机设备的车辆行为分析识别方法 | |
| CN103400113B (zh) | 基于图像处理的高速公路隧道行人检测方法 | |
| Nodado et al. | Intelligent traffic light system using computer vision with android monitoring and control | |
| CN112766069A (zh) | 基于深度学习的车辆违停检测方法、装置及电子设备 | |
| CN111091023A (zh) | 一种车辆检测方法、装置及电子设备 | |
| CN110334666A (zh) | 一种基于双摄像机的交叉口分车道详细交通参数采集方法 | |
| CN113139495A (zh) | 一种基于深度学习的隧道侧装视频交通流检测方法和系统 | |
| CN103646254A (zh) | 一种高密度行人检测方法 | |
| CN111079621A (zh) | 检测对象的方法、装置、电子设备和存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211115 Address after: 230000 room 611-58, R & D center building, China (Hefei) international intelligent voice Industrial Park, 3333 Xiyou Road, high tech Zone, Hefei, Anhui Province Applicant after: Hefei haisai Information Technology Co.,Ltd. Address before: 215000 room 2810, Zhongxin building, building 1, No. 15, Yueliangwan Road, Suzhou Industrial Park, Jiangsu Province Applicant before: Suzhou Haisai Artificial Intelligence Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190712 |
|
| WD01 | Invention patent application deemed withdrawn after publication |