CN110084112A - 一种基于图像处理的交通拥堵判断方法 - Google Patents
一种基于图像处理的交通拥堵判断方法 Download PDFInfo
- Publication number
- CN110084112A CN110084112A CN201910212308.5A CN201910212308A CN110084112A CN 110084112 A CN110084112 A CN 110084112A CN 201910212308 A CN201910212308 A CN 201910212308A CN 110084112 A CN110084112 A CN 110084112A
- Authority
- CN
- China
- Prior art keywords
- image
- traffic
- value
- traffic congestion
- judgment
- 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.)
- Granted
Links
Classifications
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的交通拥堵判断方法,将图像纹理特征与深度学习相结合,以判断图片中的场景是否发生交通拥堵,其中,通过灰度共生矩阵GLCM(Gray‑Level Co‑occurrence Matrix)获得图像纹理特征,并通过图像纹理特征进行交通拥堵的初步判断;通过设计卷积神经网络模型进行精确的交通拥堵判断。通过本发明,能够减小统计交通参数时的误差,存在车辆遮挡时也能准确判断拥堵发生;且运算量较小,具有较好的实时性。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于图像处理的交通拥堵判断方法。
背景技术
目前,交通拥堵的判断方法主要有指标法、传感器检测法、基于视频图像处理法等。现阶段,高速公路上已经实现全路段视频监控,相对于传统的传感器检测,视频检测具有便于维护、实时检测的优点。根据目前的科学技术发展趋势,基于视频图像进行交通判断逐渐成为了主流。
现有的基于视频图像的检测方法,大部分需要对每一帧进行大量的处理操作,运算量庞大,实时性差。如通过统计车辆量度的方法进行拥堵检测,需要对感兴趣区域进行反复处理,提取车辆目标以统计车辆数,当车辆数达到一定阈值时判断拥堵的发生,该方法在车辆有遮挡情况时无法统计准确的车辆数,有一定的局限性。又如通过利用宏观交通参数来进行拥堵检测,需要通过背景差分法和帧差法分析图像纹理的变化情况,从而得出道路空间占有率和时间占有率以判断道路拥堵的情况,该方法在统计交通参数时误差较大,难以准确判断拥堵发生。
发明内容
本发明的目的是为解决上述现有技术的不足之处而提供一种基于图像处理的交通拥堵判断方法。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于图像处理的交通拥堵判断方法,包括:
实时提取拍摄的交通运行图像,并对图像进行预处理;
计算预处理后的交通运行图像的灰度共生矩阵,根据灰度共生矩阵计算特征值,根据计算得到的特征值,进一步计算判断值S;其中,所述特征值包括能量、熵、对比度;
根据每一交通运行图像的判断值S,通过与预设判断值阈值进行比较,以对对应交通运行图像的拥堵情况进行判断;
对于判断值阈值无法进行拥堵情况判断的交通运行图像,构建深度学习模型,进行精确交通拥堵判断。
其中,在对图像进行预处理的步骤中,包括步骤:
对交通运行图像进行灰度转化并计算其最大灰度级;
遍历每一交通运行图像的图片矩阵中的灰度值,并将其缩小至16以内。
其中,在计算预处理后的交通运行图像的灰度共生矩阵时,针对交通运行图像的灰度图矩阵中的每一像素点,计算与该像素点的角度呈0°、45°、90°和135°的像素点得到的灰度共生矩阵。
其中,特征值包括能量、熵、对比度;
其中,能量ASM用于反映图像灰度分布均匀程度和纹理粗细程度,计算公式为:
其中,P(i,j)表示灰度共生矩阵第i行、第j列的值;
熵ENT表现图像的复杂程度,计算公式为:
对比度CON反映图像的清晰度和纹理结构深浅,计算公式为:
其中,在根据计算得到的特征值,进一步计算判断值S的步骤中,包括步骤:
对数量级较小的ASM值进行取对数操作:
A′0.45,90,135=-lnA0,45,90,135
对所有的ASM、ENT、CON进行加权平均得到S:
S=(A′0+A′45+A′90+A′135)/4+(E0+E45+E90+E135)/4+(C0+C45+C90+C135)/4。
其中,在通过与预设判断值阈值进行比较,以对对应交通运行图像的拥堵情况进行判断的步骤中,包括步骤:
获取交通运行图像样本,将交通运行图像样本区分为交通拥堵类图像和非交通拥堵类图像;
计算交通拥堵类图像和非交通拥堵类图像中每一图像的判断值S,并确定交通拥堵类图像中的判断值S最大值JAM_max以及最小值JAM_min,以及确定非交通拥堵类图像中的判断值S最大值NOJAM_max以及NOJAM_min;
当实时获取的交通运行图像的判断值S大于NOJAM_max时,判断该图像为交通拥堵,当实时获取的交通运行图像的判断值S小于JAM_min时,判断该图像为道路通畅;
对于实时获取的交通运行图像的判断值S小于NOJAM_max且大于JAM_min时,构建深度学习模型,进行精确交通拥堵判断。
其中,构建深度学习模型的步骤包括:
设计深度学习模型结构;其中,深度学习模型结构为3层CNN网络结构,含有三个卷积层;
设计每个卷积层中的通道数、卷积核尺寸、激活函数、池化方法;其中,3层CNN网络结构的Layer1中的卷积层通道数为16,卷积核大小为5x5,激活函数为LeakReLU,池化层采用最大池化原则,池化大小为2x2;Layer2中的卷积层通道数为32,卷积核大小为5x5,激活函数为LeakReLU,池化层采用最大池化原则,池化大小为2x2;Layer3中的卷积层通道数为64,卷积核大小为3x3,激活函数为LeakReLU,池化层采用最大池化原则,池化大小为2x2;
选择输出层的全连接单元、激活函数;其中,在输出时,使用Flatten层将多维输入一维化,用于Layer3到输出的过渡,使用Dense层进行全连接,激活函数为ReLU,使用Dropout层进行随机弃权,提高了模型的泛化性,减轻过拟合效果,最后由Sigmoid激活函数得到最终的输出。
区别于现有技术,本发明的基于图像处理的交通拥堵判断方法,将图像纹理特征与深度学习相结合,以判断图片中的场景是否发生交通拥堵,其中,通过灰度共生矩阵GLCM(Gray-Level Co-occurrence Matrix)获得图像纹理特征,并通过图像纹理特征进行交通拥堵的初步判断;通过设计卷积神经网络模型进行精确的交通拥堵判断。通过本发明,能够减小统计交通参数时的误差,存在车辆遮挡时也能准确判断拥堵发生;且运算量较小,具有较好的实时性。
附图说明
图1是本发明提供的一种基于图像处理的交通拥堵判断方法的流程示意图。
图2是本发明提供的一种基于图像处理的交通拥堵判断方法的逻辑示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施的限制。
其次,本发明利用示意图进行详细描述,在详述本发明实施例时,为便于说明,示意图只是实例,其在此不应限制本发明保护的范围。
如图1所示,图1为本发明提供的一种基于图像处理的交通拥堵判断方法的流程示意图,包括:实时提取拍摄的交通运行图像,并对图像进行预处理;
计算预处理后的交通运行图像的灰度共生矩阵,根据灰度共生矩阵计算特征值,根据计算得到的特征值,进一步计算判断值S;其中,所述特征值包括能量、熵、对比度;
根据每一交通运行图像的判断值S,通过与预设判断值阈值进行比较,以对对应交通运行图像的拥堵情况进行判断;
对于判断值阈值无法进行拥堵情况判断的交通运行图像,构建深度学习模型,进行精确交通拥堵判断。
其中,在对图像进行预处理的步骤中,包括步骤:
对交通运行图像进行灰度转化并计算其最大灰度级;
遍历每一交通运行图像的图片矩阵中的灰度值,并将其缩小至16以内。
其中,在计算预处理后的交通运行图像的灰度共生矩阵时,针对交通运行图像的灰度图矩阵中的每一像素点,计算与该像素点的角度呈0°、45°、90°和135°的像素点的相关性得到的灰度共生矩阵。
其中,特征值包括能量、熵、对比度;
其中,能量ASM用于反映图像灰度分布均匀程度和纹理粗细程度,计算公式为:
其中,P(i,j)表示灰度共生矩阵第i行、第j列的值;
熵ENT表现图像的复杂程度,计算公式为:
对比度CON反映图像的清晰度和纹理结构深浅,计算公式为:
其中,在根据计算得到的特征值,进一步计算判断值S的步骤中,包括步骤:
对数量级较小的ASM值进行取对数操作:
A′0.45,90,135=-lnA0,45.90,135
对所有的ASM、ENT、CON进行加权平均得到S:
S=(A′0+A′45+A′90+A′135)/4+(E0+E45+E90+E135)/4+(C0+C45+C90+C135)/4。
其中,在通过与预设判断值阈值进行比较,以对对应交通运行图像的拥堵情况进行判断的步骤中,包括步骤:
获取交通运行图像样本,将交通运行图像样本区分为交通拥堵类图像和非交通拥堵类图像;
计算交通拥堵类图像和非交通拥堵类图像中每一图像的判断值S,并确定交通拥堵类图像中的判断值S最大值JAM_max以及最小值JAM_min,以及确定非交通拥堵类图像中的判断值S最大值NOJAM_max以及NOJAM_min;
当实时获取的交通运行图像的判断值S大于NOJAM_max时,判断该图像为交通拥堵,当实时获取的交通运行图像的判断值S小于JAM_min时,判断该图像为道路通畅;
对于实时获取的交通运行图像的判断值S小于NOJAM_max且大于JAM_min时,构建深度学习模型,进行精确交通拥堵判断。
其中,构建深度学习模型的步骤包括:
设计深度学习模型结构;其中,深度学习模型结构为3层CNN网络结构,含有三个卷积层;
设计每个卷积层中的通道数、卷积核尺寸、激活函数、池化方法;其中,3层CNN网络结构的Layer1中的卷积层通道数为16,卷积核大小为5x5,激活函数为LeakReLU,池化层采用最大池化原则,池化大小为2x2;Layer2中的卷积层通道数为32,卷积核大小为5x5,激活函数为LeakReLU,池化层采用最大池化原则,池化大小为2x2;Layer3中的卷积层通道数为64,卷积核大小为3x3,激活函数为LeakReLU,池化层采用最大池化原则,池化大小为2x2;
选择输出层的全连接单元、激活函数;其中,在输出时,使用Flatten层将多维输入一维化,用于Layer3到输出的过渡,使用Dense层进行全连接,激活函数为ReLU,使用Dropout层进行随机弃权,提高了模型的泛化性,减轻过拟合效果,最后由Sigmoid激活函数得到最终的输出。
对于CNN模型的训练,训练的目的是训练CNN模型中的参数,即各层中的参数,使得训练后的模型能对图片进行分类。在训练时需要训练集图片,训练集的图片分类两类,拥堵类图片与非拥堵类图片,训练集中的图片是人为分类好的。对于深度学习中的卷积神经网络(CNN)模型来说,模型的输入就是图片。而CNN模型所具备的功能是图片的分类,通过一系列的卷积、池化、全连接操作后,CNN模型就能输出图片的类别,本专利中为输出图片是否为拥堵类图片。
对于前面无法使用纹理特征进行图片分类的图片,把这些无法使用纹理特征分类的图片交给CNN模型,就可以对这些图片是否为拥堵类图片进行分类了。
构建一个能分类图片的CNN模型的过程如下:
构建CNN模型的结构;使用训练集图片(人工分类好的)进行训练,训练时,将训练集图片输入CNN模型,并得到分类结果,将模型分类结果与正确结果(这里的正确结果为人工做的分类)做对比,修正模型结构中的参数,重复训练步骤多次;完成训练,得到训练后的模型;将需要分类的图片输入CNN模型,得到分类结果,这个结果就是图片是拥堵类图片,还是非拥堵类图片。
如上所述,实际上训练的是模型中的参数,训练时得到的CNN模型的分类结果只在训练中起到修正模型参数的作用。对于训练完成的模型,是可以分类非训练集的图片的。
本专利对186张图片进行了图像纹理特征的处理,得到的结果为:拥堵时,特征值S的最大值为23.905253,最小值为7.059075;非拥堵时,S的最大值为13.279697,最小值为5.137156,并由此界定当S小于7时,判断为非拥堵状态,当S大于13.2时,判定为拥堵状态,当S小于13.2且大于7时,使用如上所述的卷积神经网络模型进行判断。
最终,对100张含有拥堵与非拥堵的图片进行了测试,分类的准确结果达到了98%。
区别于现有技术,本发明的基于图像处理的交通拥堵判断方法,将图像纹理特征与深度学习相结合,以判断图片中的场景是否发生交通拥堵,其中,通过灰度共生矩阵GLCM(Gray-Level Co-occurrence Matrix)获得图像纹理特征,并通过图像纹理特征进行交通拥堵的初步判断;通过设计卷积神经网络模型进行精确的交通拥堵判断。通过本发明,能够减小统计交通参数时的误差,存在车辆遮挡时也能准确判断拥堵发生;且运算量较小,具有较好的实时性。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (7)
1.一种基于图像处理的交通拥堵判断方法,其特征在于,包括:
实时提取拍摄的交通运行图像,并对图像进行预处理;
计算预处理后的交通运行图像的灰度共生矩阵,根据灰度共生矩阵计算特征值,根据计算得到的特征值,进一步计算判断值S;其中,所述特征值包括能量、熵、对比度;
根据每一交通运行图像的判断值S,通过与预设判断值阈值进行比较,以对对应交通运行图像的拥堵情况进行判断;
对于判断值阈值无法进行拥堵情况判断的交通运行图像,构建深度学习模型,进行精确交通拥堵判断。
2.根据权利要求1所述的基于图像处理的交通拥堵判断方法,其特征在于,在对图像进行预处理的步骤中,包括步骤:
对交通运行图像进行灰度转化并计算其最大灰度级;
遍历每一交通运行图像的图片矩阵中的灰度值,并将其缩小至16以内。
3.根据权利要求1所述的基于图像处理的交通拥堵判断方法,其特征在于,在计算预处理后的交通运行图像的灰度共生矩阵时,针对交通运行图像的灰度图矩阵中的每一像素点,计算与该像素点的角度呈0°、45°、90°和135°的像素点的相关性得到的灰度共生矩阵。
4.根据权利要求1所述的基于图像处理的交通拥堵判断方法,其特征在于,特征值包括能量、熵、对比度;
其中,能量ASM用于反映图像灰度分布均匀程度和纹理粗细程度,计算公式为:
其中,P(i,j)表示灰度共生矩阵第i行、第j列的值;
熵ENT表现图像的复杂程度,计算公式为:
对比度CON反映图像的清晰度和纹理结构深浅,计算公式为:
5.根据权利要求1所述的基于图像处理的交通拥堵判断方法,其特征在于,在根据计算得到的特征值,进一步计算判断值S的步骤中,包括步骤:
对数量级较小的ASM值进行取对数操作:
A′0,45,90,135=-lnA0,45,90,135
对所有的ASM、ENT、CON进行加权平均得到S:
S=(A′0+A′45+A′90+A′135)/4+(E0+E45+E90+E135)/4+(C0+C45+C90+C135)/4。
6.根据权利要求1所述的基于图像处理的交通拥堵判断方法,其特征在于,在通过与预设判断值阈值进行比较,以对对应交通运行图像的拥堵情况进行判断的步骤中,包括步骤:
获取交通运行图像样本,将交通运行图像样本区分为交通拥堵类图像和非交通拥堵类图像;
计算交通拥堵类图像和非交通拥堵类图像中每一图像的判断值S,并确定交通拥堵类图像中的判断值S最大值JAM_max以及最小值JAM_min,以及确定非交通拥堵类图像中的判断值S最大值NOJAM_max以及NOJAM_min;
当实时获取的交通运行图像的判断值S大于NOJAM_max时,判断该图像为交通拥堵,当实时获取的交通运行图像的判断值S小于JAM_min时,判断该图像为道路通畅;
对于实时获取的交通运行图像的判断值S小于NOJAM_max且大于JAM_min时,构建深度学习模型,进行精确交通拥堵判断。
7.根据权利要求1所述的基于图像处理的交通拥堵判断方法,其特征在于,构建深度学习模型的步骤包括:
设计深度学习模型结构;其中,深度学习模型结构为3层CNN网络结构,含有三个卷积层;
设计每个卷积层中的通道数、卷积核尺寸、激活函数、池化方法;其中,3层CNN网络结构的Layer1中的卷积层通道数为16,卷积核大小为5x5,激活函数为LeakReLU,池化层采用最大池化原则,池化大小为2x2;Layer2中的卷积层通道数为32,卷积核大小为5x5,激活函数为LeakReLU,池化层采用最大池化原则,池化大小为2x2;Layer3中的卷积层通道数为64,卷积核大小为3x3,激活函数为LeakReLU,池化层采用最大池化原则,池化大小为2x2;
选择输出层的全连接单元、激活函数;其中,在输出时,使用Flatten层将多维输入一维化,用于Layer3到输出的过渡,使用Dense层进行全连接,激活函数为ReLU,使用Dropout层进行随机弃权,提高了模型的泛化性,减轻过拟合效果,最后由Sigmoid激活函数得到最终的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212308.5A CN110084112B (zh) | 2019-03-20 | 2019-03-20 | 一种基于图像处理的交通拥堵判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212308.5A CN110084112B (zh) | 2019-03-20 | 2019-03-20 | 一种基于图像处理的交通拥堵判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084112A true CN110084112A (zh) | 2019-08-02 |
CN110084112B CN110084112B (zh) | 2022-09-20 |
Family
ID=67413350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910212308.5A Active CN110084112B (zh) | 2019-03-20 | 2019-03-20 | 一种基于图像处理的交通拥堵判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084112B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118172935A (zh) * | 2024-05-11 | 2024-06-11 | 东揽(南京)智能科技有限公司 | 基于数字孪生的智慧高速管理系统及方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050003080A1 (en) * | 2003-07-02 | 2005-01-06 | John Badera | Soil bonding composition and apparatus for and method of application |
CN101739569A (zh) * | 2009-12-17 | 2010-06-16 | 北京中星微电子有限公司 | 一种人群密度估计方法、装置及监控系统 |
CN102136060A (zh) * | 2011-03-03 | 2011-07-27 | 苏州市慧视通讯科技有限公司 | 一种群体密度检测方法 |
CN102482498A (zh) * | 2009-04-07 | 2012-05-30 | D.S.I-迪莫纳二氧化硅实业有限公司 | 用于提高沥青混合料的稳定性和操作性能并减少环境影响的组合物 |
CN102496058A (zh) * | 2011-11-11 | 2012-06-13 | 北京声迅电子股份有限公司 | 客流密度检测方法 |
WO2012081010A1 (en) * | 2010-12-15 | 2012-06-21 | D.S.I - Dimona Silica Industries Ltd. | Warm stone-matrix asphalt mix |
CN103413443A (zh) * | 2013-07-03 | 2013-11-27 | 太原理工大学 | 基于隐马尔科夫模型的短时交通流状态预测方法 |
CN103886566A (zh) * | 2014-03-18 | 2014-06-25 | 河海大学常州校区 | 一种恶劣天气下基于图像融合的城市交通调度系统及方法 |
CN104715264A (zh) * | 2015-04-10 | 2015-06-17 | 武汉理工大学 | 高速公路隧道内车辆运动状态视频图像识别方法及系统 |
CN106297297A (zh) * | 2016-11-03 | 2017-01-04 | 成都通甲优博科技有限责任公司 | 基于深度学习的交通拥堵判别方法 |
CN107145821A (zh) * | 2017-03-23 | 2017-09-08 | 华南农业大学 | 一种基于深度学习的人群密度检测方法和系统 |
CN107330372A (zh) * | 2017-06-05 | 2017-11-07 | 四川大学 | 一种基于视频的人群密度与异常行为检测系统的分析方法 |
CN107705560A (zh) * | 2017-10-30 | 2018-02-16 | 福州大学 | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 |
CN108881821A (zh) * | 2018-05-28 | 2018-11-23 | 西南交通大学 | 一种利用地铁站风力自供电的地铁车厢拥挤程度显示系统及其方法 |
CN109147331A (zh) * | 2018-10-11 | 2019-01-04 | 青岛大学 | 一种基于计算机视觉的道路拥堵状态检测方法 |
-
2019
- 2019-03-20 CN CN201910212308.5A patent/CN110084112B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050003080A1 (en) * | 2003-07-02 | 2005-01-06 | John Badera | Soil bonding composition and apparatus for and method of application |
CN102482498A (zh) * | 2009-04-07 | 2012-05-30 | D.S.I-迪莫纳二氧化硅实业有限公司 | 用于提高沥青混合料的稳定性和操作性能并减少环境影响的组合物 |
CN101739569A (zh) * | 2009-12-17 | 2010-06-16 | 北京中星微电子有限公司 | 一种人群密度估计方法、装置及监控系统 |
WO2012081010A1 (en) * | 2010-12-15 | 2012-06-21 | D.S.I - Dimona Silica Industries Ltd. | Warm stone-matrix asphalt mix |
CN102136060A (zh) * | 2011-03-03 | 2011-07-27 | 苏州市慧视通讯科技有限公司 | 一种群体密度检测方法 |
CN102496058A (zh) * | 2011-11-11 | 2012-06-13 | 北京声迅电子股份有限公司 | 客流密度检测方法 |
CN103413443A (zh) * | 2013-07-03 | 2013-11-27 | 太原理工大学 | 基于隐马尔科夫模型的短时交通流状态预测方法 |
CN103886566A (zh) * | 2014-03-18 | 2014-06-25 | 河海大学常州校区 | 一种恶劣天气下基于图像融合的城市交通调度系统及方法 |
CN104715264A (zh) * | 2015-04-10 | 2015-06-17 | 武汉理工大学 | 高速公路隧道内车辆运动状态视频图像识别方法及系统 |
CN106297297A (zh) * | 2016-11-03 | 2017-01-04 | 成都通甲优博科技有限责任公司 | 基于深度学习的交通拥堵判别方法 |
CN107145821A (zh) * | 2017-03-23 | 2017-09-08 | 华南农业大学 | 一种基于深度学习的人群密度检测方法和系统 |
CN107330372A (zh) * | 2017-06-05 | 2017-11-07 | 四川大学 | 一种基于视频的人群密度与异常行为检测系统的分析方法 |
CN107705560A (zh) * | 2017-10-30 | 2018-02-16 | 福州大学 | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 |
CN108881821A (zh) * | 2018-05-28 | 2018-11-23 | 西南交通大学 | 一种利用地铁站风力自供电的地铁车厢拥挤程度显示系统及其方法 |
CN109147331A (zh) * | 2018-10-11 | 2019-01-04 | 青岛大学 | 一种基于计算机视觉的道路拥堵状态检测方法 |
Non-Patent Citations (5)
Title |
---|
LIU LI: "Overview of image textural feature extraction methods", 《JOURNAL OF IMAGE AND GRAPHICS》 * |
张洪斌等: "基于交通视频分析的自适应摄像控制系统", 《西南交通大学学报》 * |
林培群等: "基于快速小波变换和卡曼滤波的车辆检测与轨迹跟踪", 《微计算机信息》 * |
蔡丽霞等: "基于分布式视觉模型的车辆监控系统设计", 《计算机测量与控制》 * |
雷玉堂: "浅析几种视频异常事件的智能视频分析技术与方法", 《中国公共安全》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118172935A (zh) * | 2024-05-11 | 2024-06-11 | 东揽(南京)智能科技有限公司 | 基于数字孪生的智慧高速管理系统及方法 |
CN118172935B (zh) * | 2024-05-11 | 2024-09-17 | 东揽(南京)智能科技有限公司 | 基于数字孪生的智慧高速管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110084112B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Attention-based multi-context guiding for few-shot semantic segmentation | |
CN107358257B (zh) | 一种大数据场景下可增量学习的图像分类训练方法 | |
CN104850845B (zh) | 一种基于非对称卷积神经网络的交通标志识别方法 | |
CN109741318B (zh) | 基于有效感受野的单阶段多尺度特定目标的实时检测方法 | |
CN109934805B (zh) | 一种基于低照度图像和神经网络的水污染检测方法 | |
CN103927534B (zh) | 一种基于卷积神经网络的喷码字符在线视觉检测方法 | |
CN109063728A (zh) | 一种火灾图像深度学习模式识别方法 | |
CN109977793A (zh) | 基于变尺度多特征融合卷积网络的路侧图像行人分割方法 | |
CN110348376A (zh) | 一种基于神经网络的行人实时检测方法 | |
CN107832835A (zh) | 一种卷积神经网络的轻量化方法及装置 | |
CN107529650A (zh) | 网络模型的构建和闭环检测方法、相应装置及计算机设备 | |
CN111507884A (zh) | 一种基于深层卷积神经网络的自适应图像隐写分析方法及系统 | |
CN108961245A (zh) | 基于双通道深度并行卷积网络的图像质量分类方法 | |
CN106651830A (zh) | 一种基于并行卷积神经网络的图像质量测试方法 | |
CN109886066A (zh) | 基于多尺度和多层特征融合的快速目标检测方法 | |
CN104217214A (zh) | 基于可配置卷积神经网络的rgb-d人物行为识别方法 | |
CN106650806A (zh) | 一种用于行人检测的协同式深度网络模型方法 | |
CN108280814A (zh) | 基于感知损失的光场图像角度超分辨率重建方法 | |
CN106485214A (zh) | 一种基于卷积神经网络的眼睛和嘴部状态识别方法 | |
CN109255375A (zh) | 基于深度学习的全景图像对象检测方法 | |
CN107392224A (zh) | 一种基于三通道卷积神经网络的作物病害识别算法 | |
CN108573491A (zh) | 一种基于机器学习的三维超声图像分割方法 | |
CN108389192A (zh) | 基于卷积神经网络的立体图像舒适度评价方法 | |
CN110472611A (zh) | 人物属性识别的方法、装置、电子设备及可读存储介质 | |
CN109033945A (zh) | 一种基于深度学习的人体轮廓提取方法 |
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 |