CN110428617A - 一种基于5g便携式智能终端及mec的交通对象识别方法 - Google Patents

一种基于5g便携式智能终端及mec的交通对象识别方法 Download PDF

Info

Publication number
CN110428617A
CN110428617A CN201910666308.2A CN201910666308A CN110428617A CN 110428617 A CN110428617 A CN 110428617A CN 201910666308 A CN201910666308 A CN 201910666308A CN 110428617 A CN110428617 A CN 110428617A
Authority
CN
China
Prior art keywords
data
intelligent terminal
portable intelligent
mec
pedestrian
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
Application number
CN201910666308.2A
Other languages
English (en)
Inventor
蒋建春
杨成成
曾素华
郭真妮
贾敬森
岑明
任凡
李增文
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201910666308.2A priority Critical patent/CN110428617A/zh
Publication of CN110428617A publication Critical patent/CN110428617A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明请求保护一种基于5G便携式智能终端及MEC的交通对象识别方法，该方法利用5G便携式智能终端、5G MEC服务器之间相互通信进行信息交互，通过行人携带5G便携式智能终端中的行为状态传感器获取行人的状态数据，可以通过5G通信将这些数据上传给5G MEC服务器进行行人状态识别，也可以利用便携式终端的本地资源将状态识别后发送给5G MEC服务器。5G MEC服务器根据行人的位置、速度、姿态等状态信息，再根据行人行走、奔跑、骑自行车、坐乘用车、开车、坐公交车不同的行为状态模型，对交通场景中的个人和群体进行状态聚类分析，识别出交通场景中的不同交通对象。本发明识别结果能够为车辆防撞预警、交通路口实时调度等提供更加低成本、高实时性、高准确性的数据。

Description

一种基于5G便携式智能终端及MEC的交通对象识别方法
技术领域
本发明属于对象识别在智能交通实时调度、车辆防撞预警的应用，特别涉及一种基于5G便携式智能终端及MEC的交通对象识别方法及系统。
背景技术
随着当今经济的高速发展，机动车的保有量迅速增加，导致交通状况的不断恶化。为从根本上解决交通拥挤堵塞、交通事故频发等问题，人们开始运用各种新技术，如信息技术、计算机技术、通信技术、控制技术等，将人、车、路紧密联系起来，不仅有效地解决了交通阻塞问题，而且对交通事故的应急处理、环境的保护、能源的节约都有了显著的效果。此时，智能交通系统应运而生，其目的就是使人、车、路三者和谐统一，提高交通效率、保障交通安全和保护环境。交通对象识别作为当今智能交通系统中的首要步骤和主要组成部分，为后续的车辆实时调度、车辆防撞预警、提高交通效率上有着重要的作用。近年来，对象识别备受各国研究人员关注的前沿课题，其次，对象识别是开发汽车安全驾驶系统中的关键技术，目前很多国家都在研究开发车载安全驾驶系统，并且己经有了成功的案例。其主要需要识别的交通对象为：行人、公交车、自行车、摩托车、小轿车。
在交通对象识别领域，人们通过对这些传感器的实时数据进行处理，对交通对象进行实时检测识别。常用的交通对象识别方法：基于视频流的交通对象识别是通过对视频的连续帧与帧之间进行提取运动目标，同时对提取的运动目标进行识别，并对其行为进行理解和描述。优点：安装维护方便，摄像头架设在路边，安装维护不需要封闭道路，挖掘路面，不会影响正常交通。缺点就是不能识别出盲区中的交通对象。环形检测识别目前在交通检测系统中应用最为广泛。它的原理是通过一个感器件即环形线圈与电子单元构成一个调谐电子系统，当车辆通过或停在线上时，改变了线圈的电感量，激发电路产生一个输出，从而检测到通过或停线圈上的车辆。它的优点是成本较低，安装方便。缺点是受环境影响比大，而且线圈本身容易损坏，在更换安装和维护时要开挖路面，影响交通，这检测方式对于交通流的数据提取也十分有限。
针对目前交通对象识别领域存在的问题，需要一种能在复杂的交通系统中，如十字路口、交错路面、复杂立交桥结构等情况下，识别出交通对象且可靠性高、低时延、低成本的交通对象识别的方法。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种能识别出交通对象以及降低成本及计算量的基于5G便携式智能终端及MEC的交通对象识别方法。本发明的技术方案如下：
一种基于5G便携式智能终端及MEC的交通对象识别方法，其包括以下步骤：
步骤1、根据5G便携式智能终端地图信息及5G基站的实际覆盖距离判断行人是否处于标定好的感兴趣区域，标定好的感兴趣区域为5G基站的覆盖距离内的区域；
步骤2、若行人处于感兴趣区域中，则通过5G便携式智能终端采集传感器数据，包括加速度传感器数据、高精度定位数据、GPS数据、陀螺仪数据，并按照设定的格式存储数据；
步骤3、通过对获取到的数据进行重力去除、数据降噪、特征提取、数据降维在内的预处理后，其中数据降噪采用了改进的移动平均算法，利用分类算法对这些处理后的数据分类，得到行人状态识别模型；
步骤4、通过对得到的行人状态数据、GPS数据、陀螺仪数据在内的数据进行聚类分析，对交通对象进行分类，得到聚类分析模型；
步骤5，当得到行人状态模型和聚类分析模型后，通过5G便携式智能终端、路侧设备、5G基站和5G MEC服务器之间信息交互，5G便携式智能终端本地将获取到的传感器数据导入行人状态识别模型且识别出行人所处的状态，然后将包括传感器数据、行人状态在内的信息导入5G MEC服务器中聚类分析模型识别出对应的交通对象，并把识别结果进行广播或者回传。
进一步的，所述步骤3的行人状态识别模型中提取的数据特征是由时域下的时域特征和频域下的频域特征构成的，其中频域特征提取方法分两个步骤，第一步是先对5G便携式智能终端获取到的数据信号进行多阶离散小波变换提取出信号高频及低频信息；第二步使用奇异值分解的方法将第一步中得到的较高维度的频域特征降维，得到低维度的数据信号频域特征，当第一次分类结束后，将权重较小的特征项剔除，再对剩下的特征进行训练，直到筛选得到最终特征。
进一步的，所述第一步对5G便携式智能终端获取到的数据信号进行多阶离散小波变换提取出信号高频及低频信息，具体步骤如下：
(1)将获取的数据作为离散小波变化的信号输入，即记为X[n]，长度为N；
(2)第一阶中将X[n]分别输入到高通滤波器和低通滤波器获得X[n]的高低频部分；
(3)将步骤(2)得到的X[n]的低频部分作为高、低通滤波器的输入得到第一阶中的X[n]低频部分的高低频部分，以此类推得到X[n]的第n层高频及低频信息。
进一步的，所述第二步使用奇异值分解的方法将第一步中得到的较高维度的频域特征降维，得到低维度的数据信号频域特征，主要步骤为：得到的高纬度特征矩阵记为A，因A不为方阵，故对特征矩阵奇异值分解A＝U∑VT，其中A是一个m*n的矩阵，U是一个m*m的矩阵，Σ是一个m*n的矩阵，V是一个n*n的矩阵。
进一步的，所述步骤3改进的移动平均算法流程为：
初始化：T为获取到的数据信号序列，A为平滑后的序列，S为累加器，S＝A*N，N为滑动窗口大小；
1.S1＝S-A+T；
2.A＝S1/N。
进一步的，所述5G便携式智能终端主要负责参与交通活动采集传感器数据，通过5G通信将这些数据上传给5G MEC服务器进行行人状态识别，或者利用便携式终端的本地资源将状态识别后发送给5G MEC服务器，5G基站负责的主要是5G便携式智能终端和5G MEC服务器之间的信息交互，5G MEC服务器主要负责对接收到的数据本地处理及把处理结果发送给路侧设备，路侧设备(RSU)主要是接收MEC服务器处理过后的交通对象识别结果，然后将这些消息广播出去或者回传给5G便携式智能终端。
进一步的，所述5G MEC多接入边缘计算服务器分为两个模块，一个是数据操作模块，另一个是算法处理模块，其中，数据操作模块用于数据处理、数据缓存和数据转发承载；算法处理模块用于信息获取、算法执行和决策单元，聚类分析算法的实现过程主要是在5GMEC服务器中执行。
本发明的优点及有益效果如下：
本发明为一种基于5G便携式智能终端及MEC的交通对象识别方法及系统，利用手机的传感器数据，离线训练模型、在线利用训练模型对接收到的传感器数据进行分类，最终识别出行人当前所处的状态，将识别的状态通过5G MEC服务器和路侧设备进行广播，能够为车辆防撞预警、交通路口实时调度等提供更加低成本、高实时性、高准确性的数据。
本发明能在复杂的交通系统中，如十字路口、交错路面、复杂立交桥结构等情况下，识别出相应的交通对象，识别范围广。
本发明中，在5G便携式智能终端的普及后，极大的降低了所需的硬件成本。
本发明中，算法的实现一部分是离线状态下训练模型，一部分在5G MEC服务器本地对实时获取的数据进行交通对象识别，即聚类分析算法在5G MEC服务器中执行，能够做到计算服务下沉，降低时延，提高实时性。
附图说明
图1是本发明提供优选实施例基于5G便携式终端及5G MEC交通对象识别示意图；
图2是多用户5G MEC系统示意图；
图3是5G MEC装置结构图；
图4是行人状态模型系统结构图；
图5是行人状态模型训练阶段流程图；
图6是行人状态模型测试阶段流程图；
图7是数据最终特征提取结构示意图；
图8是交通对象聚类分析模型系统结构图。
图9为本发明提供优选实施例基于5G便携式智能终端及MEC的交通对象识别系统结构图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
本发明提出一种基于5G便携式智能终端及MEC的交通对象识别方法及系统，系统主要由组成5G便携式智能终端、5G基站、5G MEC服务器及路侧设备(RSU)等组成，共同构建了一个完成的基于5G便携式智能终端及MEC的交通对象识别系统。5G便携式智能终端主要负责参与交通活动采集传感器数据，通过5G通信将这些数据上传给5G MEC服务器进行行人状态识别，也可以利用便携式终端的本地资源将状态识别后发送给5G MEC服务器。5G基站负责的主要是5G便携式智能终端和5G MEC服务器之间的信息交互。5G MEC服务器主要负责对接收到的数据本地处理及把处理结果发送给路侧设备。路侧设备(RSU)主要是接收MEC服务器处理过后的交通对象识别结果，然后将这些消息广播出去或者回传给5G便携式智能终端。
基于5G便携式智能终端及5G MEC的交通对象识别硬件架构及设备间的通信方式，如图1所示，硬件架构包含RSU设备、5G便携式智能终端移动终端以及5G MEC服务器，三者之间的通信连接关系：其中RSU与5G MEC服务器之间使用蜂窝通信网及光纤通信网进行通信，5G便携式智能终端与RSU之间使用5G通信来进行通信，5G MEC服务器与5G基站之间使用光纤通信网进行通信。RSU设备能够进行5G通信，能够与行人和乘车人携带的5G便携式智能终端终端通信，也能使用相关的模块建立车内互联网络，其次，RSU通过移动蜂窝网络与5GMEC服务器进行通信，通过高精度定位对其自身位置进行定位，以及运行操作系统和相关应用。
如图2所示为多用户5G MEC系统，在实际运用中，我们需要获取在感兴趣区域中的各个用户的5G便携式智能终端传感器数据，从而去识别出每个终端所处的状态或者所处的交通方式。其中每个用户与5G基站保持着通信，5G基站与系统也是时刻保持联系的，5G基站将用户的信息及时反馈给系统，而且将用户在进行数据业务的同时将传感器数据传输给系统，然后系统再进行中转。
如图3所示为5G MEC功能装置的结构图，总体分为两个模块，一个是数据操作模块，另一个是算法处理模块。其中，数据操作模块包括数据处理、数据缓存和数据转发承载；算法处理模块包括信息获取、算法执行和决策单元。聚类分析算法的实现过程主要是在5GMEC服务器中执行，5G MEC服务器的主要功能和特点是计算服务下沉，降低处理过程时延，提高实时性。
基于5G便携式智能终端及MEC的交通对象识别方法，主要包括感兴趣区域的标定、原始数据的获取、行人状态识别模型、聚类分析模型、交通对象识别等几个步骤，当得到行人状态模型和聚类模型后，通过5G便携式智能终端、路侧设备、5G基站和5G MEC服务器之间信息交互，5G便携式终端本地将获取到的传感器数据导入行人状态识别模型且识别出行人所处的状态，然后将这些信息(传感器数据、行人状态)导入5G MEC聚类分析模型中识别出对应的交通对象。
其中基于5G便携式智能终端传感器数据的行人状态模型。如图4所示为行人状态模型系统结构图，其中通过5G便携式智能终端获取GPS数据、加速度传感器数据、陀螺仪数据和高精度数据。根据采集到的数据，对其预处理，特征提取、算法分类，最终得到基于移动智能终端的行人状态识别模型。在训练模型阶段，分为离线和在线两个阶段，其中图5为行人状态模型离线训练阶段，
图6为行人状态模型在线测试阶段。
其中数据预处理包括数据的重力去除和降噪，主要采用滤波的方法。为了降低传感器测量噪音，使用了改进后的移动平均的方法。移动平均方法其基本原理是将每个数据值替代为其邻近数据的均值，降低噪音数据对波形的影响，从而让曲线更加平滑，突出整个曲线的变化趋势，便于后续分析及处理。改进后的移动平均是从队列平均值算法演变而来，因没有了队列，每次计算时不知道该丢弃的最老的一个采样值是多少，这里用了个替代的办法，丢弃上次计算出的平均值，去掉了缓存维护，节省内存空间，同时也将运算量压缩到了最小，执行效率非常高，调试时容易修改采样数，可以大大降低计算和内存占用。
改进后的算法流程为：
3.初始化：T为获取到的数据信号序列，A为平滑后的序列，S为累加器，S＝A*N，N为滑动窗口大小；
4.S1＝S-A+T；
5.A＝S1/N。
图7为数据最终特征提取结构示意图，频域特征提取中拟采用两步进行特征提取，首先使用提取信号时频信息的离散小波变换对波形进行分解，提取出信号高频及低频信息，组成初级特征，再使用奇异值分解将较高维度的特征进行降维，获得适合分类的运动特征。低频分量为信号的近似值，是大的缩放因子产生的系数；高频分量为信号的细节值，是小的缩放因子产生的系数。
分类器中通过分类算法对数据预处理、特征提取后的特征进行分类，得到行人状态识别模型。其次基于行人状态、5G传感器数据的交通对象聚类分析模型。如图8所示，系统的输入为行人的状态和5G便携式智能终端传感器数据，对这些数据聚类分析，识别出不同的簇，从而识别出不同交通对象。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (7)

1.一种基于5G便携式智能终端及MEC的交通对象识别方法，其特征在于，包括以下步骤：
步骤1、根据5G便携式智能终端地图信息及5G基站的实际覆盖距离判断行人是否处于标定好的感兴趣区域，标定好的感兴趣区域为5G基站的覆盖距离内的区域；
步骤2、若行人处于感兴趣区域中，则通过5G便携式智能终端采集传感器数据，包括加速度传感器数据、高精度定位数据、GPS数据、陀螺仪数据，并按照设定的格式存储数据；
步骤3、通过对获取到的数据进行重力去除、数据降噪、特征提取、数据降维在内的预处理后，其中数据降噪采用了改进的移动平均算法，利用分类算法对这些处理后的数据分类，得到行人状态识别模型；
步骤4、通过对得到的行人状态数据、GPS数据、陀螺仪数据在内的数据进行聚类分析，对交通对象进行分类，得到聚类分析模型；
步骤5，当得到行人状态模型和聚类分析模型后，通过5G便携式智能终端、路侧设备、5G基站和5G MEC服务器之间信息交互，5G便携式智能终端本地将获取到的传感器数据导入行人状态识别模型且识别出行人所处的状态，然后将包括传感器数据、行人状态在内的信息导入5G MEC服务器中聚类分析模型识别出对应的交通对象，并把识别结果进行广播或者回传。
2.根据权利要求1所述的一种基于5G便携式智能终端及MEC的交通对象识别方法，其特征在于，所述步骤3的行人状态识别模型中提取的数据特征是由时域下的时域特征和频域下的频域特征构成的，其中频域特征提取方法分两个步骤，第一步是先对5G便携式智能终端获取到的数据信号进行多阶离散小波变换提取出信号高频及低频信息；第二步使用奇异值分解的方法将第一步中得到的较高维度的频域特征降维，得到低维度的数据信号频域特征，当第一次分类结束后，将权重较小的特征项剔除，再对剩下的特征进行训练，直到筛选得到最终特征。
3.根据权利要求2所述的一种基于5G便携式智能终端及MEC的交通对象识别方法，其特征在于，所述第一步对5G便携式智能终端获取到的数据信号进行多阶离散小波变换提取出信号高频及低频信息，具体步骤如下：
(1)将获取的数据作为离散小波变化的信号输入，即记为X[n]，长度为N；
(2)第一阶中将X[n]分别输入到高通滤波器和低通滤波器获得X[n]的高低频部分；
(3)将步骤(2)得到的X[n]的低频部分作为高、低通滤波器的输入得到第一阶中的X[n]低频部分的高低频部分，以此类推得到X[n]的第n层高频及低频信息。
4.根据权利要求2所述的一种基于5G便携式智能终端及MEC的交通对象识别方法，其特征在于，所述第二步使用奇异值分解的方法将第一步中得到的较高维度的频域特征降维，得到低维度的数据信号频域特征，主要步骤为：得到的高纬度特征矩阵记为A，因A不为方阵，故对特征矩阵奇异值分解A＝U∑VT，其中A是一个m*n的矩阵，U是一个m*m的矩阵，Σ是一个m*n的矩阵，V是一个n*n的矩阵。
5.根据权利要求1-4之一的所述的一种基于5G便携式智能终端及MEC的交通对象识别方法，其特征在于，所述步骤3改进的移动平均算法流程为：
初始化：T为获取到的数据信号序列，A为平滑后的序列，S为累加器，S＝A*N，N为滑动窗口大小；
1.S1＝S-A+T；
2.A＝S1/N。
6.根据权利要求5所述的一种基于5G便携式智能终端及MEC的交通对象识别方法，其特征在于，所述5G便携式智能终端主要负责参与交通活动采集传感器数据，通过5G通信将这些数据上传给5G MEC服务器进行行人状态识别，或者利用便携式终端的本地资源将状态识别后发送给5G MEC服务器，5G基站负责的主要是5G便携式智能终端和5G MEC服务器之间的信息交互，5G MEC服务器主要负责对接收到的数据本地处理及把处理结果发送给路侧设备，路侧设备(RSU)主要是接收MEC服务器处理过后的交通对象识别结果，然后将这些消息广播出去或者回传给5G便携式智能终端。
7.根据权利要求6所述的一种基于5G便携式智能终端及MEC的交通对象识别方法，其特征在于，所述5G MEC多接入边缘计算服务器分为两个模块，一个是数据操作模块，另一个是算法处理模块，其中，数据操作模块用于数据处理、数据缓存和数据转发承载；算法处理模块用于信息获取、算法执行和决策单元，聚类分析算法的实现过程主要是在5G MEC服务器中执行。
CN201910666308.2A 2019-07-23 2019-07-23 一种基于5g便携式智能终端及mec的交通对象识别方法 Pending CN110428617A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910666308.2A CN110428617A (zh) 2019-07-23 2019-07-23 一种基于5g便携式智能终端及mec的交通对象识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910666308.2A CN110428617A (zh) 2019-07-23 2019-07-23 一种基于5g便携式智能终端及mec的交通对象识别方法

Publications (1)

Publication Number Publication Date
CN110428617A true CN110428617A (zh) 2019-11-08

Family

ID=68411967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910666308.2A Pending CN110428617A (zh) 2019-07-23 2019-07-23 一种基于5g便携式智能终端及mec的交通对象识别方法

Country Status (1)

Country Link
CN (1) CN110428617A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111477001A (zh) * 2020-03-04 2020-07-31 中国联合网络通信有限公司广州市分公司 一种基于5g和mec的交通信号采集及管理系统
CN114023104A (zh) * 2020-07-16 2022-02-08 中国移动通信有限公司研究院 防碰撞提醒方法、装置、设备及存储介质
CN114170832A (zh) * 2021-11-26 2022-03-11 软通智慧信息技术有限公司 公交车辆监测方法、装置、服务器、系统及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268601A (zh) * 2014-10-11 2015-01-07 深圳市中控生物识别技术有限公司 一种获取人体状态的方法及装置
CN105224104A (zh) * 2015-09-01 2016-01-06 电子科技大学 基于智能手机持握方式的行人运动状态识别方法
US9241257B1 (en) * 2014-07-17 2016-01-19 Lg Electronics Inc. Mobile device and control method thereof
KR20160089312A (ko) * 2016-07-15 2016-07-27 엘지이노텍 주식회사 이동통신단말기를 이용하여 무선비행체를 제어하는 원격제어방법
CN106446828A (zh) * 2016-09-22 2017-02-22 西北工业大学 一种基于Wi‑Fi信号的用户身份识别方法
CN109637126A (zh) * 2018-12-06 2019-04-16 重庆邮电大学 一种基于v2x终端的交通对象识别系统及其方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9241257B1 (en) * 2014-07-17 2016-01-19 Lg Electronics Inc. Mobile device and control method thereof
CN104268601A (zh) * 2014-10-11 2015-01-07 深圳市中控生物识别技术有限公司 一种获取人体状态的方法及装置
CN105224104A (zh) * 2015-09-01 2016-01-06 电子科技大学 基于智能手机持握方式的行人运动状态识别方法
KR20160089312A (ko) * 2016-07-15 2016-07-27 엘지이노텍 주식회사 이동통신단말기를 이용하여 무선비행체를 제어하는 원격제어방법
CN106446828A (zh) * 2016-09-22 2017-02-22 西北工业大学 一种基于Wi‑Fi信号的用户身份识别方法
CN109637126A (zh) * 2018-12-06 2019-04-16 重庆邮电大学 一种基于v2x终端的交通对象识别系统及其方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
卢帅: "基于手机传感器的行为和手势识别的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
宋晓诗等: "面向5G的MEC系统关键技术", 《中兴通讯技术》 *
黄一鸣等: "基于手机传感器的握持方式判断及运动状态识别", 《电子科技大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111477001A (zh) * 2020-03-04 2020-07-31 中国联合网络通信有限公司广州市分公司 一种基于5g和mec的交通信号采集及管理系统
CN114023104A (zh) * 2020-07-16 2022-02-08 中国移动通信有限公司研究院 防碰撞提醒方法、装置、设备及存储介质
CN114170832A (zh) * 2021-11-26 2022-03-11 软通智慧信息技术有限公司 公交车辆监测方法、装置、服务器、系统及存储介质
CN114170832B (zh) * 2021-11-26 2023-05-12 软通智慧信息技术有限公司 公交车辆监测方法、装置、服务器、系统及存储介质

Similar Documents

Publication Publication Date Title
Won et al. DeepWiTraffic: Low cost WiFi-based traffic monitoring system using deep learning
Vij et al. Smartphone based traffic state detection using acoustic analysis and crowdsourcing
CN110428617A (zh) 一种基于5g便携式智能终端及mec的交通对象识别方法
CN109272745B (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN103325259B (zh) 一种基于多核并行的违章停车检测方法
CN101751782A (zh) 一种基于多源信息融合的十字路口交通事件自动检测系统
CN109191830A (zh) 一种基于视频图像处理的道路拥堵检测方法
CN109118787B (zh) 一种基于深度神经网络的车辆速度预测方法
CN105844229A (zh) 一种乘客拥挤度的计算方法及其系统
CN111476177B (zh) 嫌疑人检测方法及装置
KR102122850B1 (ko) 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션
CN109887283A (zh) 一种基于卡口数据的道路拥堵预测方法、系统及装置
Chen et al. Road vehicle detection and classification using magnetic field measurement
CN107204120B (zh) 一种利用旅行时间进行交通信号相位设计的方法及其装置
CN109615869A (zh) 分布式车载实时智能违章抓拍上报系统
CN113255552B (zh) 公交车载视频乘客od分析方法、装置及存储介质
Xue et al. A context-aware framework for risky driving behavior evaluation based on trajectory data
Ravish et al. Intelligent traffic violation detection
CN116206451A (zh) 一种智慧交通车流数据分析方法
Gupta et al. Real-time traffic control and monitoring
CN110879990A (zh) 一种预计机场安检旅客排队等候时长的方法及其应用
Wu et al. Lane-GNN: Integrating GNN for Predicting Drivers' Lane Change Intention
Sitanayah et al. A Low Cost Vehicle Counting System Based On The Internet of Things
Tobe et al. vcity map: Crowdsensing towards visible cities
Lee et al. A framework for detecting vehicle occupancy based on the occupant labeling method

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

Application publication date: 20191108

RJ01 Rejection of invention patent application after publication