CN110335465A - 基于ai深度学习的监控视频中交通拥堵检测方法和系统 - Google Patents
基于ai深度学习的监控视频中交通拥堵检测方法和系统 Download PDFInfo
- Publication number
- CN110335465A CN110335465A CN201910617781.1A CN201910617781A CN110335465A CN 110335465 A CN110335465 A CN 110335465A CN 201910617781 A CN201910617781 A CN 201910617781A CN 110335465 A CN110335465 A CN 110335465A
- Authority
- CN
- China
- Prior art keywords
- traffic
- congestion
- road
- video
- deep learning
- 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.)
- Withdrawn
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
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于AI深度学习的监控视频中交通拥堵检测方法和装置,包括如下步骤:步骤1:通过运动目标检测的方法获取视频中的运动车辆;步骤2:运动车辆跟踪;步骤3:以所述步骤2为基础获取交通特征参数并建立基于深度学习的交通拥堵模型;步骤4:计算道路拥堵指数δ判定路段的拥堵级别,该系统包括交通监控视频的获取系统、交通监控视频的识别处理系统以及道路拥堵判别系统。本发明实现各类交通拥堵的自动感知、全面感知、精准感知,且成本低、效率高,为公路管理提供新的解决方案,为公路提高管理效率奠定坚实的基础。
Description
技术领域
本发明涉人工智能领域,尤其涉及一种基于AI深度学习的监控视频中交通拥堵检测方法和系统。
背景技术
在传统交通流研究中认为交通流有3个基本的特征参数:流量、速度和密度,这三者之间存在着密切的关系,研究表明,通过上述单一的交通流参数进行交通状态判别的方法准确性不高,它们之间的两两关系模型称为交通流基本参数的关系模型。
(1)车辆速度
车辆速度V是指在道路上行驶车辆的平均车速。
(2)车辆密度
车辆密度D是指在道路上行驶车辆的数量与道路长度的比值。
(3)拥堵指数
道路拥堵指数δ是指道路拥堵程度,车辆速度越大、车辆密度越小,则道路就会越畅通。
国内外对于交通拥堵检测判别技术的研究一般根据交通参数提取技术方法,可以分为以下几类:基于环形线圈的交通参数提取、基于交通视频的交通参数提取以及基于车辆GPS数据的交通参数提取。现有方法存在以下问题:破坏路面,且施工难度大,更容易导致交通拥堵;存在一定的误检率;成本高,管理难度大。
随着AI算法的不断完善与芯片性能的不断提升,AI技术日趋成熟,各大厂家均开始研究AI算法,然而基于AI深度学习的监控视频中交通拥堵检测方法依然处于相对空白状态。本发明提出了一种道路交通拥堵的自动检测技术,能够广泛的应用于交通事件自动报警,重点位置流量检测,易堵点检测等公路管理场景中。由于其相对于模式识别技术巨大的优势。
发明内容
本发明针对道路交通拥堵问题,提出了一种从道路交通视频监控中提取的车辆速度、车道数、车辆密度等交通特征参数建立的道路交通拥堵评价指标体系,并根据交通拥堵评价指标体系建立基于深度学习的交通拥堵检测模型,依据此检测模型可进行道路交通拥堵的自动检测。其技术方案如下所述:
本发明提供一种基于AI深度学习的监控视频中交通拥堵检测方法,其特征在于:包括如下步骤:
步骤1:通过运动目标检测的方法获取视频中的运动车辆;
步骤2:运动车辆跟踪;
步骤3:以所述步骤2为基础获取交通特征参数并建立基于深度学习的交通拥堵模型;
步骤4:计算道路拥堵指数δ判定路段的拥堵级别。
所述获取视频中的运动车辆,具体过程包括依次进行的如下步骤:步骤1-1:视频图像抓取;步骤1-2:运动目标检测;步骤1-3:进行车辆模型辨别,若所述步骤1-2的运动目标不属于车辆则重新返回所述步骤1-1视频图像抓取,若所述步骤1-2的运动目标属于车辆则进入步骤2进行运动车辆跟踪。
所述步骤2具体包括以下步骤:步骤2-1运动车辆检测;步骤2-2需要进行各运动车辆进行几何校正;步骤2-3进行归一化处理;步骤2-4进行运动车辆跟踪。
所述交通参数提取技术采用基于深度学习技术的车辆特征识别与跟踪,具体包括以下步骤:步骤3-1:以所述步骤2为基础来测定车辆速度V;步骤3-2:以所述步骤2为基础统计指定时段内路段的车辆密度D;步骤3-3:以所述车辆速度V和所述车辆密度D,建立基于深度学习的交通拥堵模型。
所述交通拥堵模型包括输入层、隐层和输出层,所述隐层为多个。
所述道路拥堵指数δ计算方法如下:
其中所述p为参数,优选的p取值为0.1,所述道路拥堵指数δ越大则道路越畅通,道路拥堵指数δ越小则道路越拥堵。
基于AI深度学的监控视频中交通拥堵检测系统,其特征在于,包括:
交通监控视频的获取系统,用于获取视频中的运动车辆;
交通监控视频的识别处理系统,用于运动车辆的跟踪、交通特征参数的获取和交通拥堵模型的建立;
道路拥堵判别系统,用于计算道路拥堵指数δ判定路段的拥堵级别。
所述交通监控视频获取系统通过在道路上已经大量安装的交通监控摄像头来获取交通监控视频。
所述交通监控视频的识别处理系统包括交通视频处理服务器可以对获取的交通监控视频进行分析处理,进而提取相关的交通特征参数。
所述道路拥堵判别系统包括计算模块,用于计算道路拥堵指数δ;包括判定模块,用于判断路段的拥堵级别。
本发明可以实现各类交通拥堵的自动感知、全面感知、精准感知。相对于传统的模式交通拥堵识别技术来讲,本发明能够在识别准确率,识别效率与识别性能上有极大的突破,为公路管理提供新的解决方案,为公路提高管理效率奠定坚实的基础。
附图说明
图1是所述深度学习模型示意图;
图2是所述基于AI深度学习的监控视频中交通拥堵检测方法流程图;
图3是所述基于AI深度学习的监控视频中交通拥堵检测系统架构图;
图4是所述基于AI深度学习的监控视频中交通拥堵检测系统的检测结果。
具体实施方式
下面结合附图以及具体实施方式,对本发明做进一步描述:
如图2所示,本发明提供一种基于AI深度学习的监控视频中交通拥堵检测方法,包括如下步骤:
步骤1:通过运动目标检测的方法获取视频中的运动车辆;
以道路视频监控为基础,首先进行步骤1-1的视频图像抓取;然后进行步骤1-2对抓取视频图像中的运动目标检测;之后进行步骤1-3:对选中的运动目标进行车辆模型辨别,若所述步骤1-2的运动目标不属于车辆则返回所述步骤1-1重新进行视频图像抓取;若所述步骤1-2的运动目标属于车辆则进入步骤2进行运动车辆跟踪。
步骤2运动车辆跟踪
将步骤1中选取运动车辆进行车辆跟踪,首先进行步骤2-1对运动车辆进行检测;之后进入步骤2-2和步骤2-3对行各运动车辆进行几何校正,使各运动车辆几何位置统一;最后进入步骤2-4对行运动车辆跟踪。
步骤3:以所述步骤2为基础获取交通特征参数并建立交通拥堵模型
对步骤2中的运动车辆进行交通参数的提取,首先进行步骤3-1对运动车辆速度V的测定,该车辆速度V是指在道路上行驶车辆的平均车速。进行车辆检测后,对每辆车进行跟踪可计算每辆车的行驶速度Vi,假设选取视频道路上行驶的车辆共有n辆,则车辆速度的计算公式为:
然后进行步骤3-2通过选取指定时段内路段的车辆来测定车辆速度V,所述车辆密度D为道路上行驶车辆的数量与道路长度的比值,假定不考虑车辆体积大小的影响,同时假设共有m条车道,道路长度为L,共行驶n辆车,则车辆密度的计算公式为:
最后进行步骤3-3利用车辆速度V和所述车辆密度D建立交通拥堵模型,该交通拥堵模型包括输入层、隐层和输出层,所述隐层为多个,本发明以如图1所示的深度学习模型为基础建立,通过构建多个隐层的模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。
步骤4:计算道路拥堵指数δ判定路段的拥堵级别。
道路拥堵指数δ是指道路拥堵程度,车辆速度越大、车辆密度越小,则道路就会越畅通,基于以上原理,本发明提出的交通拥堵指数(δ)计算方法如下:
其中所述p为参数,优选的p取值为0.1。所述的道路拥堵指数δ越大则道路越畅通,道路拥堵指数δ越小则道路越拥堵。本发明根据道路拥堵指数的范围,确定道路拥堵程度如表1所示。
表1拥堵程度与拥堵指数范围的关系
基于AI深度学的监控视频中交通拥堵检测系统,其特征在于,包括:
交通监控视频的获取系统,用于获取视频中的运动车辆;
交通监控视频的识别处理系统,用于运动车辆的跟踪、交通特征参数的获取和交通拥堵模型的建立;所述交通监控视频的识别处理系统包括交通视频处理服务器可以对获取的交通监控视频进行分析处理,进而提取相关的交通特征参数。
道路拥堵判别系统,用于计算道路拥堵指数δ判定路段的拥堵级别;所述道路拥堵判别系统包括计算模块,用于计算道路拥堵指数δ;包括判定模块,用于判断路段的拥堵级别。
如图4所示,首先交通监控视频获取系统通过在道路上已经大量安装的交通监控摄像头来获取交通监控视频;然后交通视频处理服务器可以对获取的交通监控视频进行分析处理,进而提取相关的交通特征参数车辆速度、车道数、车辆密度等;最后道路拥堵判别系统,利用所述交通拥堵模型的计算模块来计算道路拥堵指数δ,最后利用判定模块来判断道路拥堵状况。
本发明采用基于交通视频的交通参数提取技术,采用基于深度学习技术的车辆特征识别与跟踪,从而判断道路的车辆速度与车辆密度,根据建立好的交通拥堵模型分析道路的拥堵状况。通过构建多隐层的模型和海量训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。依据此本发明可进行道路交通拥堵的自动检测,不仅减少施工量,降低管理成本,还提升了对交通拥堵检测的准确性。
为了对本发明进一步验证,本实施例选取了2018年9月21日周五下午16点50分钟,三环线姑嫂村立交龙门架东一段容易发生拥堵的路段,选择进行试验,根据算法模型训练要求,通过多组采集不同时段的视频进行分析,结果如图4、表2所示。
表2拥堵情况分析
通过结果所示,算法的检测效果不错。经过统计分析,车辆检测的识别率为94%左右,误检率较低,拥堵模型反应的结果与实际的道路交通状况基本相符合,证明算法具有较好的检测效果。
本发明能够实现全面感知,及时感知与精准感知,具有极大的优势,能够有效弥补传统模式识别技术的问题,满足公路日益增长的智能识别需求,为提高公路管理效率,保障公路通行奠定坚实基础。实现了交通事件自动报警,重点位置流量检测,易堵点检测等。本发明可进行道路交通拥堵的自动检测,不仅减少施工量,降低管理成本,还提升了对交通拥堵检测的准确性。
以上所述的具体实施方式,是对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于AI深度学习的监控视频中交通拥堵检测方法,其特征在于:包括如下步骤:
步骤1:通过运动目标检测的方法获取视频中的运动车辆;
步骤2:运动车辆跟踪;
步骤3:以所述步骤2为基础获取交通特征参数并建立基于深度学习的交通拥堵模型;
步骤4:计算道路拥堵指数δ判定路段的拥堵级别。
2.根据权利要求1所述的基于AI深度学习的监控视频中交通拥堵检测方法,其特征在于,所述获取视频中的运动车辆,具体过程包括依次进行的如下步骤:步骤1-1:视频图像抓取;步骤1-2:运动目标检测;步骤1-3:进行车辆模型辨别,若所述步骤1-2的运动目标不属于车辆则重新返回所述步骤1-1视频图像抓取,若所述步骤1-2的运动目标属于车辆则进入步骤2进行运动车辆跟踪。
3.根据权利要求2所述的基于AI深度学习的监控视频中交通拥堵检测方法,其特征在于,所述步骤2具体包括以下步骤:步骤2-1运动车辆检测;步骤2-2需要进行各运动车辆进行几何校正;步骤2-3进行归一化处理;步骤2-4进行运动车辆跟踪。
4.根据权利要求1所述的基于AI深度学习的监控视频中交通拥堵检测方法,其特征在于,所述交通参数提取技术采用基于深度学习技术的车辆特征识别与跟踪,具体包括以下步骤:步骤3-1:以所述步骤2为基础来测定车辆速度V;步骤3-2:以所述步骤2为基础统计指定时段内路段的车辆密度D;步骤3-3:以所述车辆速度V和所述车辆密度D,建立基于深度学习的交通拥堵模型。
5.根据权利要求4所述的基于AI深度学习的监控视频中交通拥堵检测方法,其特征在于,所述交通拥堵模型包括输入层、隐层和输出层,所述隐层为多个。
6.根据权利要求1所述的基于AI深度学习的监控视频中交通拥堵检测方法,其特征在于,所述道路拥堵指数δ计算方法如下,其中p为参数:
其中所述p为参数,优选的p取值为0.1,所述道路拥堵指数δ越大则道路越畅通,道路拥堵指数δ越小则道路越拥堵。
7.基于AI深度学的监控视频中交通拥堵检测系统,其特征在于,包括
交通监控视频的获取系统,用于获取视频中的运动车辆;
交通监控视频的识别处理系统,用于运动车辆的跟踪、交通特征参数的获取和交通拥堵模型的建立;
道路拥堵判别系统,用于计算道路拥堵指数δ判定路段的拥堵级别。
8.根据权利要求7所述的基于AI深度学的监控视频中交通拥堵检测系统,其特征在于,所述交通监控视频获取系统通过在道路上已经大量安装的交通监控摄像头来获取交通监控视频。
9.根据权利要求7所述的基于AI深度学的监控视频中交通拥堵检测系统,其特征在于,所述交通监控视频的识别处理系统包括交通视频处理服务器可以对获取的交通监控视频进行分析处理,进而提取相关的交通特征参数。
10.根据权利要求7所述的基于AI深度学的监控视频中交通拥堵检测系统,其特征在于,所述道路拥堵判别系统包括计算模块,用于计算道路拥堵指数δ;包括判定模块,用于判断路段的拥堵级别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910617781.1A CN110335465A (zh) | 2019-07-10 | 2019-07-10 | 基于ai深度学习的监控视频中交通拥堵检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910617781.1A CN110335465A (zh) | 2019-07-10 | 2019-07-10 | 基于ai深度学习的监控视频中交通拥堵检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110335465A true CN110335465A (zh) | 2019-10-15 |
Family
ID=68145055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910617781.1A Withdrawn CN110335465A (zh) | 2019-07-10 | 2019-07-10 | 基于ai深度学习的监控视频中交通拥堵检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110335465A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688922A (zh) * | 2019-09-18 | 2020-01-14 | 苏州奥易克斯汽车电子有限公司 | 基于深度学习的交通拥堵检测系统及检测方法 |
CN112509338A (zh) * | 2020-09-11 | 2021-03-16 | 博云视觉(北京)科技有限公司 | 一种静默式低点视频监控交通拥堵事件检测方法 |
CN112802333A (zh) * | 2020-12-30 | 2021-05-14 | 中交安科(南京)安全咨询有限公司 | 基于ai视频分析的高速公路路网安全态势分析系统、方法 |
CN113269768A (zh) * | 2021-06-08 | 2021-08-17 | 中移智行网络科技有限公司 | 一种交通拥堵分析方法、装置及分析设备 |
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 |
CN113469069A (zh) * | 2021-07-06 | 2021-10-01 | 沈阳工业大学 | 高速公路路段的车辆行驶拥堵状态的参数获取及评估方法 |
CN113762135A (zh) * | 2021-09-02 | 2021-12-07 | 中远海运科技股份有限公司 | 一种基于视频的交通拥堵检测方法及装置 |
CN114882702A (zh) * | 2022-05-10 | 2022-08-09 | 苏州思卡智能科技有限公司 | 一种基于光视融合的公路拥堵移动检测预警系统及方法 |
AU2021218192B1 (en) * | 2021-04-28 | 2022-10-27 | Nantong University | Video anomaly detection method and system based on generative assistant discriminative network |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107274668A (zh) * | 2016-04-06 | 2017-10-20 | 北京瑞拓电子技术发展有限公司 | 一种基于车辆检测的道路拥堵建模方法 |
CN108564791A (zh) * | 2018-06-13 | 2018-09-21 | 新华网股份有限公司 | 交通信息处理方法、装置和计算设备 |
CN108682154A (zh) * | 2018-06-19 | 2018-10-19 | 上海理工大学 | 基于车流状态变化深度学习分析的道路拥堵检测系统 |
US20180336781A1 (en) * | 2017-05-22 | 2018-11-22 | Alibaba Group Holding Limited | Road traffic control system, method, and electronic device |
CN109191849A (zh) * | 2018-10-22 | 2019-01-11 | 北京航空航天大学 | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 |
-
2019
- 2019-07-10 CN CN201910617781.1A patent/CN110335465A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274668A (zh) * | 2016-04-06 | 2017-10-20 | 北京瑞拓电子技术发展有限公司 | 一种基于车辆检测的道路拥堵建模方法 |
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 |
US20180336781A1 (en) * | 2017-05-22 | 2018-11-22 | Alibaba Group Holding Limited | Road traffic control system, method, and electronic device |
CN108564791A (zh) * | 2018-06-13 | 2018-09-21 | 新华网股份有限公司 | 交通信息处理方法、装置和计算设备 |
CN108682154A (zh) * | 2018-06-19 | 2018-10-19 | 上海理工大学 | 基于车流状态变化深度学习分析的道路拥堵检测系统 |
CN109191849A (zh) * | 2018-10-22 | 2019-01-11 | 北京航空航天大学 | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 |
Non-Patent Citations (1)
Title |
---|
方勇 等: "基于深度学习的道路交通拥堵检测", 《智能城市》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688922A (zh) * | 2019-09-18 | 2020-01-14 | 苏州奥易克斯汽车电子有限公司 | 基于深度学习的交通拥堵检测系统及检测方法 |
CN112509338A (zh) * | 2020-09-11 | 2021-03-16 | 博云视觉(北京)科技有限公司 | 一种静默式低点视频监控交通拥堵事件检测方法 |
CN112509338B (zh) * | 2020-09-11 | 2022-02-22 | 博云视觉(北京)科技有限公司 | 一种静默式低点视频监控交通拥堵事件检测方法 |
CN112802333A (zh) * | 2020-12-30 | 2021-05-14 | 中交安科(南京)安全咨询有限公司 | 基于ai视频分析的高速公路路网安全态势分析系统、方法 |
AU2021218192B1 (en) * | 2021-04-28 | 2022-10-27 | Nantong University | Video anomaly detection method and system based on generative assistant discriminative network |
CN113269768A (zh) * | 2021-06-08 | 2021-08-17 | 中移智行网络科技有限公司 | 一种交通拥堵分析方法、装置及分析设备 |
CN113469069A (zh) * | 2021-07-06 | 2021-10-01 | 沈阳工业大学 | 高速公路路段的车辆行驶拥堵状态的参数获取及评估方法 |
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 |
CN113762135A (zh) * | 2021-09-02 | 2021-12-07 | 中远海运科技股份有限公司 | 一种基于视频的交通拥堵检测方法及装置 |
CN114882702A (zh) * | 2022-05-10 | 2022-08-09 | 苏州思卡智能科技有限公司 | 一种基于光视融合的公路拥堵移动检测预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110335465A (zh) | 基于ai深度学习的监控视频中交通拥堵检测方法和系统 | |
CN104303193B (zh) | 基于聚类的目标分类 | |
CN109544946B (zh) | 基于车流量大数据的隧道实时监控管理系统及其实现方法 | |
US20210118291A1 (en) | Method for vehicle detection based on single-axis geomagnetic sensor | |
CN105513349B (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN111310786B (zh) | 基于随机森林分类器的交通检测器异常诊断方法及装置 | |
CN110068818A (zh) | 通过雷达和图像采集设备进行交通路口车辆及行人检测的工作方法 | |
CN112512020B (zh) | 一种基于多源数据融合的交通状态弱信号感知研判方法 | |
CN107301776A (zh) | 基于视频检测技术的车道路况处理及发布方法 | |
WO2021170030A1 (zh) | 一种用于目标追踪的方法、设备及系统 | |
CN113345237A (zh) | 一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质 | |
CN110688922A (zh) | 基于深度学习的交通拥堵检测系统及检测方法 | |
CN104599502A (zh) | 一种基于视频监控的车流量统计方法 | |
CN102819882A (zh) | 自动检票人行通道中通行物体的识别控制系统及识别方法 | |
CN105608431A (zh) | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 | |
CN106327880B (zh) | 一种基于监控视频的车速识别方法及其系统 | |
CN105513362B (zh) | 一种公交站台毗邻区公交车运行状态评价验证方法 | |
CN102024323A (zh) | 基于浮动车数据提取车辆排队长度的方法 | |
CN110533103A (zh) | 一种轻量级小物体目标检测方法及系统 | |
CN109272482A (zh) | 一种基于序列图像的城市路口车辆排队检测系统 | |
CN109910881A (zh) | 一种转弯道路视觉盲区信息的检测处理方法及系统 | |
CN107204117A (zh) | 套牌车的识别方法 | |
CN103310206A (zh) | 一种基于多特征与多帧信息融合的助力车检测方法 | |
CN104809470A (zh) | 一种基于svm的车辆逆行检测装置和检测方法 | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191015 |