CN110321949A - 一种基于观测终端网络的分布式车辆追踪方法与系统 - Google Patents

一种基于观测终端网络的分布式车辆追踪方法与系统 Download PDF

Info

Publication number
CN110321949A
CN110321949A CN201910581526.6A CN201910581526A CN110321949A CN 110321949 A CN110321949 A CN 110321949A CN 201910581526 A CN201910581526 A CN 201910581526A CN 110321949 A CN110321949 A CN 110321949A
Authority
CN
China
Prior art keywords
vehicle
observed terminals
observed
terminals
downstream
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
Application number
CN201910581526.6A
Other languages
English (en)
Other versions
CN110321949B (zh
Inventor
苏育挺
陈琦
周俊洁
井佩光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201910581526.6A priority Critical patent/CN110321949B/zh
Publication of CN110321949A publication Critical patent/CN110321949A/zh
Application granted granted Critical
Publication of CN110321949B publication Critical patent/CN110321949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Biology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于观测终端网络的分布式车辆追踪方法与系统，方法包括：将观测终端位置人工标注，建立区域内观测终端分布图并人工标注观测终端位置及其连通情况，建立表述各个终端上下游关系的观测终端分布表，并将其预存于区域内各观测终端中；将当前终端位置与目标车辆首次观测时刻作为车辆ID，记录目标车辆首次观测时刻，提取目标车辆的语义信息和特征向量；设置下游观测终端与上游观测终端之间的交互；存储目标车辆经过的终端地理位置信息和经过时间信息，按照先后顺序，根据区域内观测终端分布图画出车辆轨迹。系统包括：计算单元和控制单元。本发明提高了追踪效率和精度。

Description

一种基于观测终端网络的分布式车辆追踪方法与系统
技术领域
本发明涉及车辆追踪领域，尤其涉及一种基于观测终端网络的分布式车辆追踪方法与系统。
背景技术
随着视频监控和网络传输技术的快速发展，在各级城市的街道、路口、车站、重要建筑物普遍安装视频监控系统。通过对一定区域内的监控摄像机建立信息库，绘制区域内监控终端分布图，对于交通监控、安防都具有重大意义。以往在对目标车辆的追踪工作中，需要观察者长时间的对监控信息进行观察分析。
近年来，计算机视觉与机器学习技术进步迅速，并在各个领域中都得到了广泛应用。诸如：人脸识别，行人识别等。在车辆追踪过程中，核心任务之一就是车辆的再识别任务，即从区域内不同的摄像头视频中选择出与目标车辆一致的车辆图像。这项任务可以借助计算机视觉技术完成，从而大大节约人力物力。
现有的相关技术中，大多对时空信息利用不充分，也少有语义层次上的筛选，仅仅依赖单独的特征匹配方法，导致对车辆的追踪效率并不高。
发明内容
本发明提供了一种基于观测终端网络的分布式车辆追踪方法与系统，本发明提高了追踪效率和精度，详见下文描述：
一种基于观测终端网络的分布式车辆追踪方法，所述方法包括以下步骤：
将观测终端位置人工标注，建立区域内观测终端分布图并人工标注观测终端位置及其连通情况，建立表述各个终端上下游关系的观测终端分布表，并将其预存于区域内各观测终端中；
将当前终端位置与目标车辆首次观测时刻作为车辆ID，记录目标车辆首次观测时刻ti，提取目标车辆的语义信息和特征向量；
设置下游观测终端与上游观测终端之间的交互；
存储目标车辆经过的终端地理位置信息和经过时间信息，按照先后顺序，根据区域内观测终端分布图画出车辆轨迹。
其中，所述下游观测终端与上游观测终端之间的交互具体为：
上游观测终端将目标车辆的首次观测时刻ti，目标车辆的语义信息和特征向量传递给其全部下游终端；下游终端提取候选车辆图像的特征向量，将其与目标车辆的特征向量进行匹配，将匹配分数与车辆时间信息反馈给上游观测终端；
上游观测终端对来自下游观测终端的匹配分数进行排序，向获得匹配分数最高者的下游终端传递该车辆的ID；
收到该ID的下游终端，记录该ID及其在本终端出现的时刻，并作为下一轮追踪的上游观测终端，向其下游终端传递来自首次追踪的上游终端的目标车辆信息。
进一步地，所述候选车辆图像具体为：
下游观测终端将ti时刻之后监控摄像机内的视频流，作为候选视频流，检测候选视频流中含有车辆的帧，将单个车辆的图像裁剪出来，提取车辆图像的语义信息，根据目标车辆的语义信息进行筛选，留下符合语义要求的车辆图像，作为候选车辆图像。
其中，所述方法将图像语义提取、特征提取、相似性得分及匹配分数排序的计算过程放在观测终端。
一种基于观测终端网络的分布式车辆追踪系统，所述系统通过基于观测终端网络的分布式观测终端实现车辆追踪，所述观测终端包括，
计算单元用于车辆的检测、识别，通过时间、语义信息进行筛选，得出匹配分数；
控制单元用于下游观测终端匹配分数排序和确定车辆路线，传递车辆信息。
其中，所述计算单元包括：监控摄像机，时间筛选模块，车辆检测模块，语义提取模块，语义筛选模块，特征提取模块，特征匹配模块。
进一步地，所述特征匹配模块采用在大型数据集上预训练过的卷积神经网络实现。
其中，所述控制单元包括：收发模块，匹配分数排序模块。
本发明提供的技术方案的有益效果是：
1、本发明提出了建立区域内观测终端分布图，为车辆追踪任务提供了有利的先验条件，提高车辆追踪的效率；
2、本发明提出了使用语义信息对车辆图像进行筛选，减少匹配的车辆图像数，进一步提高车辆追踪的效率；
3、本发明将图像语义提取、特征提取、相似性得分及匹配分数排序等计算过程放在观测终端，提高了运行效率。
附图说明
图1为区域内观测终端网络的分布式示意图；
图2为上下游观测终端交互示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
实施例1
一种基于观测终端网络的分布式车辆追踪方法，在小区范围内，使用已有的监控系统对进入小区的车辆进行追踪，该方法包括以下几个步骤：
一、建立区域内观测终端分布图和分布表
根据小区地图，将观测终端位置人工标注，建立区域内观测终端分布图。按照观测终端分布图，人工标注观测终端位置及其连通情况，建立表述各个终端上下游关系的观测终端分布表，并将其预存于区域内各观测终端中。
表1观测终端分布表示例
上游观测终端 下游观测终端
A B,C,D
B A,E
C A,F
…… ……
二、提取目标车辆的语义信息和特征向量
设置小区入口处观测终端为初始观测终端，指定目标车辆，将当前终端位置与目标车辆首次观测时刻作为车辆ID，记录目标车辆首次观测时刻ti，其中i为观测终端标号。提取目标车辆的语义信息和特征向量。
例如，语义信息包括：是否为小型乘用车、仓背乘用车、越野乘用车、短头乘用车、城市客车、货车；是否为白色、黑色、银灰色、红色、绿色、蓝色；是否有顶灯、行李架、尾翼。
该观测终端的地理位置作为车辆轨迹起点。
三、下游观测终端与上游观测终端之间的交互
查询预存的区域内观测终端分布表，得到该观测终端的各个下游观测终端，向下游观测终端传递目标车辆本次观测时刻ti，语义信息和特征向量。
下游观测终端将ti时刻之后监控摄像机内的视频流，作为候选视频流，检测候选视频流中含有车辆的帧，将单个车辆的图像裁剪出来，提取车辆图像的语义信息，根据目标车辆的语义信息进行筛选，留下符合语义要求的车辆图像，作为候选车辆图像。提取候选车辆图像的特征向量，将其与目标车辆的特征向量进行匹配，将匹配分数与车辆时间信息反馈给上游观测终端。
上游观测终端对来自下游观测终端的匹配分数进行排序，向获得匹配分数最高者的下游终端传递该车辆的ID。收到该ID的下游终端，记录该ID及其在本终端出现的时刻，并作为下一轮追踪的上游观测终端，向其下游终端传递来自首次追踪的上游终端的目标车辆信息。
四、根据区域内观测终端分布图画出目标车辆的轨迹
存储目标车辆经过的终端地理位置信息和经过时间信息，按照时间先后顺序，根据区域内观测终端分布图画出车辆轨迹。
其中，上述第三部分中的检测候选视频流中含有车辆的帧，将单个车辆的图像裁剪出来，可通过经典的目标检测算法实现，例如：在ImageNet数据集上预训练过的YOLO，SSD或Faster-RCNN。
其中，上述第二部分和第三部分中的提取车辆的语义信息，可以通过将车辆图片输入事先训练好的语义提取模型中，得到输出的车辆语义信息。该语义提取模型的训练过程示例如下：
选取大规模车辆再识别数据库VeRi-776作为模型训练集，将每张车辆图像按照比例(1：2：1)分为上，中，下三个部分，提取8个通道(RGB\HS\YCbcr)的颜色信息，以及在亮度通道上提取的21个纹理滤波器(Gabor and Schmid)。
其中，Gabor滤波器的参数γ，θ，λ，σ被设置为(0.3,0,4,2),(0.3,0,8,2),(0.4,0,4,1),(0.4,0,4,1),(0.3,π/2,4,2),(0.3,π/2,8,2),(0.4,π/2,4,1)和(0.4,π/2,4,1)。
其中，Schmid的参数τ和σ为(2,1),(4,1),(4,2),(6,1),(6,2),(6,3),(8,1),(8,2),(8,3),(10,1),(10,2),(10,3),和(10,4)。
具体实现时，Schmid滤波器的表达式为：
再次，将上述步骤中提取出的特征作为RBF核的支持向量机的输入特征，标签内容为车辆语义信息，标签{0,1}分别代表当前样本不含/含有该语义信息。在训练集中进行k＝4的交叉验证，寻找最优参数。
最后，根据得到的最优参数，建立训练模型。
其中，上述第二部分和第三部分中的提取车辆的特征向量，是指将车辆图片输入到事先训练好的特征提取网络中得到输出的特征向量。其中，特征提取网络是指使用预训练过的经典深度特征提取网络，例如：VGG-16，ResNet50，GoogLeNet，在大型车辆数据库VeRi-776，CompCars，PKU-VD上进行微调后得到的网络，一种特征提取网络训练过程示意如下：
以在ImageNet上预训练过的ResNet50作为网络主干，调整VeRi-776数据集中的车辆图片大小为224*224像素，并将其作为网络输入，车辆ID作为类别标签，对网络进行微调训练。
训练过程结束后，移除最后一层全连接层。输入调整后大小为224*224像素大小的车辆图片，网络输出的2048维特征即为车辆图片的特征向量。
其中，上述第三部分中将候选车辆与目标车辆的特征向量进行匹配，可以通过在特征空间距离度量，从而得到两个车辆图像之间的相似性分数。
综上所述，本发明实施例通过上述步骤实现了一种基于观测终端网络的分布式车辆追踪方法，能够在当前监控的基础上完成。
实施例2
一种基于观测终端网络的分布式车辆追踪系统，该系统通过基于观测终端网络的分布式观测终端实现车辆追踪，该观测终端包括两个单元：计算单元和控制单元，其中：
计算单元包括：监控摄像机，时间筛选模块，车辆检测模块，语义提取模块，语义筛选模块，特征提取模块，特征匹配模块。负责车辆的检测、识别，通过时间、语义信息进行筛选，得出匹配分数；
控制单元包括：收发模块，匹配分数排序模块。负责下游观测终端匹配分数排序和确定车辆路线，传递车辆信息。
所述计算单元中的特征匹配模块可以采用在大型数据集上预训练过的卷积神经网络实现。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于观测终端网络的分布式车辆追踪方法，其特征在于，所述方法包括以下步骤：
将观测终端位置人工标注，建立区域内观测终端分布图并人工标注观测终端位置及其连通情况，建立表述各个终端上下游关系的观测终端分布表，并将其预存于区域内各观测终端中；
将当前终端位置与目标车辆首次观测时刻作为车辆ID，记录目标车辆首次观测时刻ti，提取目标车辆的语义信息和特征向量；
设置下游观测终端与上游观测终端之间的交互；
存储目标车辆经过的终端地理位置信息和经过时间信息，按照先后顺序，根据区域内观测终端分布图画出车辆轨迹。
2.根据权利要求1所述的一种基于观测终端网络的分布式车辆追踪方法，其特征在于，所述下游观测终端与上游观测终端之间的交互具体为：
上游观测终端将目标车辆的首次观测时刻ti，目标车辆的语义信息和特征向量传递给其全部下游终端；
下游终端提取候选车辆图像的特征向量，将其与目标车辆的特征向量进行匹配，将匹配分数与车辆时间信息反馈给上游观测终端；
上游观测终端对来自下游观测终端的匹配分数进行排序，向获得匹配分数最高者的下游终端传递该车辆的ID；
收到该ID的下游终端，记录该ID及其在本终端出现的时刻，并作为下一轮追踪的上游观测终端，向其下游终端传递来自首次追踪的上游终端的目标车辆信息。
3.根据权利要求2所述的一种基于观测终端网络的分布式车辆追踪方法，其特征在于，所述候选车辆图像具体为：
下游观测终端将ti时刻之后监控摄像机内的视频流，作为候选视频流，检测候选视频流中含有车辆的帧，将单个车辆的图像裁剪出来，提取车辆图像的语义信息，根据目标车辆的语义信息进行筛选，留下符合语义要求的车辆图像，作为候选车辆图像。
4.根据权利要求1-3中任意权利要求所述的一种基于观测终端网络的分布式车辆追踪方法，其特征在于，所述方法将图像语义提取、特征提取、相似性得分及匹配分数排序的计算过程放在观测终端。
5.一种基于观测终端网络的分布式车辆追踪系统，其特征在于，所述系统通过基于观测终端网络的分布式观测终端实现车辆追踪，所述观测终端包括，
计算单元用于车辆的检测、识别，通过时间、语义信息进行筛选，得出匹配分数；
控制单元用于下游观测终端匹配分数排序和确定车辆路线，传递车辆信息。
6.根据权利要求5所述的一种基于观测终端网络的分布式车辆追踪系统，其特征在于，所述计算单元包括：监控摄像机，时间筛选模块，车辆检测模块，语义提取模块，语义筛选模块，特征提取模块，特征匹配模块。
7.根据权利要求6所述的一种基于观测终端网络的分布式车辆追踪系统，其特征在于，所述特征匹配模块采用在大型数据集上预训练过的卷积神经网络实现。
8.根据权利要求5所述的一种基于观测终端网络的分布式车辆追踪系统，其特征在于，所述控制单元包括：收发模块，匹配分数排序模块。
CN201910581526.6A 2019-06-29 2019-06-29 一种基于观测终端网络的分布式车辆追踪方法与系统 Active CN110321949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910581526.6A CN110321949B (zh) 2019-06-29 2019-06-29 一种基于观测终端网络的分布式车辆追踪方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910581526.6A CN110321949B (zh) 2019-06-29 2019-06-29 一种基于观测终端网络的分布式车辆追踪方法与系统

Publications (2)

Publication Number Publication Date
CN110321949A true CN110321949A (zh) 2019-10-11
CN110321949B CN110321949B (zh) 2023-05-05

Family

ID=68121393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910581526.6A Active CN110321949B (zh) 2019-06-29 2019-06-29 一种基于观测终端网络的分布式车辆追踪方法与系统

Country Status (1)

Country Link
CN (1) CN110321949B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101349566A (zh) * 2007-07-19 2009-01-21 康佳集团股份有限公司 一种车辆实时导航方法及系统
JP2011095914A (ja) * 2009-10-28 2011-05-12 Nec Corp 車両追跡システム、車両追跡方法および車両追跡プログラム
CN102509310A (zh) * 2011-11-18 2012-06-20 上海电机学院 一种结合地理信息的视频追踪分析方法及系统
CN102749637A (zh) * 2012-07-02 2012-10-24 西安大唐电信有限公司 一种车载gps精确定位的实现方法
US20130088600A1 (en) * 2011-10-05 2013-04-11 Xerox Corporation Multi-resolution video analysis and key feature preserving video reduction strategy for (real-time) vehicle tracking and speed enforcement systems
CN105868691A (zh) * 2016-03-08 2016-08-17 中国石油大学(华东) 基于快速区域卷积神经网络的城市车辆追踪方法
CN106327870A (zh) * 2016-09-07 2017-01-11 武汉大学 交通大数据采集中交通流分布估计及摄像头布点优化方法
CN106846374A (zh) * 2016-12-21 2017-06-13 大连海事大学 多摄像头场景下车辆的轨迹计算方法
CN106934808A (zh) * 2017-02-15 2017-07-07 江苏文光车辆附件有限公司 一种视觉感知下汽车前灯尾灯识别跟踪方法
CN107888877A (zh) * 2017-11-13 2018-04-06 毛国强 车辆追踪及道路交通信息采集的方法及其系统
CN109190056A (zh) * 2018-08-22 2019-01-11 深圳先进技术研究院 一种车辆轨迹重建方法、系统及电子设备
CN109190513A (zh) * 2018-08-14 2019-01-11 中山大学 结合图像显著性检测和神经网络的车辆重识别方法与系统
CA3017857A1 (en) * 2017-09-18 2019-03-18 Whitewater West Industries Ltd. Interactive amusement attraction system and method
CN109582993A (zh) * 2018-06-20 2019-04-05 长安大学 城市交通场景图像理解与多视角群智优化方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101349566A (zh) * 2007-07-19 2009-01-21 康佳集团股份有限公司 一种车辆实时导航方法及系统
JP2011095914A (ja) * 2009-10-28 2011-05-12 Nec Corp 車両追跡システム、車両追跡方法および車両追跡プログラム
US20130088600A1 (en) * 2011-10-05 2013-04-11 Xerox Corporation Multi-resolution video analysis and key feature preserving video reduction strategy for (real-time) vehicle tracking and speed enforcement systems
CN102509310A (zh) * 2011-11-18 2012-06-20 上海电机学院 一种结合地理信息的视频追踪分析方法及系统
CN102749637A (zh) * 2012-07-02 2012-10-24 西安大唐电信有限公司 一种车载gps精确定位的实现方法
CN105868691A (zh) * 2016-03-08 2016-08-17 中国石油大学(华东) 基于快速区域卷积神经网络的城市车辆追踪方法
CN106327870A (zh) * 2016-09-07 2017-01-11 武汉大学 交通大数据采集中交通流分布估计及摄像头布点优化方法
CN106846374A (zh) * 2016-12-21 2017-06-13 大连海事大学 多摄像头场景下车辆的轨迹计算方法
CN106934808A (zh) * 2017-02-15 2017-07-07 江苏文光车辆附件有限公司 一种视觉感知下汽车前灯尾灯识别跟踪方法
CA3017857A1 (en) * 2017-09-18 2019-03-18 Whitewater West Industries Ltd. Interactive amusement attraction system and method
CN107888877A (zh) * 2017-11-13 2018-04-06 毛国强 车辆追踪及道路交通信息采集的方法及其系统
CN109582993A (zh) * 2018-06-20 2019-04-05 长安大学 城市交通场景图像理解与多视角群智优化方法
CN109190513A (zh) * 2018-08-14 2019-01-11 中山大学 结合图像显著性检测和神经网络的车辆重识别方法与系统
CN109190056A (zh) * 2018-08-22 2019-01-11 深圳先进技术研究院 一种车辆轨迹重建方法、系统及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ERLEND AAKRE.ET AL: "Enhancing Driver Performance: A Closed Track Experiment" *
李剑斌: "基于区域密度划分的车辆轨迹数据分析方法研究", 《微电子学与计算机》 *

Also Published As

Publication number Publication date
CN110321949B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN108388888B (zh) 一种车辆识别方法、装置和存储介质
CN108596277B (zh) 一种车辆身份识别方法、装置和存储介质
CN109977812B (zh) 一种基于深度学习的车载视频目标检测方法
WO2022083784A1 (zh) 一种基于车联网的道路检测方法
CN109858388A (zh) 一种智慧旅游管理系统
CN105844257A (zh) 基于机器视觉雾天行车错失道路标志牌的预警系统及方法
CN111898523A (zh) 一种基于迁移学习的遥感图像特种车辆目标检测方法
CN107085696A (zh) 一种基于卡口图像的车辆定位及型号识别方法
CN106845487A (zh) 一种端到端的车牌识别方法
CN110660222A (zh) 一种智能环保道路黑烟车辆电子抓拍系统
CN105956626A (zh) 基于深度学习的对车牌位置不敏感的车牌识别方法
CN112016605B (zh) 一种基于边界框角点对齐和边界匹配的目标检测方法
CN102968637A (zh) 一种复杂背景图像文字分割方法
CN102867417A (zh) 一种出租车防伪系统及方法
CN106897681A (zh) 一种遥感图像对比分析方法及系统
CN111931683B (zh) 图像识别方法、装置及计算机可读存储介质
CN112381101B (zh) 一种基于类别原型回归的红外道路场景分割方法
CN108717789A (zh) 一种车辆样本的采集标注方法及装置
CN106295645A (zh) 一种车牌字符识别方法和装置
CN111488854A (zh) 一种道路交通标志自动识别与分类方法
CN105095475A (zh) 基于两级融合的不完整属性标记行人重识别方法与系统
CN104112138A (zh) 物体颜色分类方法及装置
CN109993058A (zh) 基于多标签分类的道路交通标志的识别方法
CN112668375A (zh) 景区内游客分布分析系统及方法
CN116824399A (zh) 基于改进YOLOv5神经网络的路面裂缝识别方法

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