CN110674887A - 一种基于视频分类的端到端道路拥堵检测算法 - Google Patents
一种基于视频分类的端到端道路拥堵检测算法 Download PDFInfo
- Publication number
- CN110674887A CN110674887A CN201910948881.2A CN201910948881A CN110674887A CN 110674887 A CN110674887 A CN 110674887A CN 201910948881 A CN201910948881 A CN 201910948881A CN 110674887 A CN110674887 A CN 110674887A
- Authority
- CN
- China
- Prior art keywords
- module
- video
- training
- detection algorithm
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频分类的端到端道路拥堵检测算法,本发明具体包括以下步骤:S1、首先通过训练数据模块对视频分类,S2、再通过数据预处理模块读取视频,S3、然后通过特征提取模块读取列表中的图片帧,S4、将深层特征组成的列表送入LSTM网络模块中对视频结果进行判定,S5、最后通过训练模块训练卷积神经网络,并加上LSTM神经网络,本发明涉及深度学习、智能交通事件判定技术领域。该基于视频分类的端到端道路拥堵检测算法,可实现将标记好的视频分类好,即可以训练视频,能够达到较好的实时性,拥有不错的准确率,同时,在整个判定过程中,只需要在训练前将视频分好类别,区分视频是否拥堵,能够很好地应对光线干扰问题。
Description
技术领域
本发明涉及深度学习、智能交通事件判定技术领域,具体为一种基于视频分类的端到端道路拥堵检测算法。
背景技术
近年来,随着人们生活水平日益提高,物质条件丰富,加快了家用轿车的普及,然而道路车辆激增,往往会引发了一系列交通事件,尤其是交通拥堵事件,已经成为了人们出行难以解决的问题,目前,为了解决此问题,在各大城市中,道路事件的监测主要依靠人工识别,不仅费时费力,还容易混淆。因此对道路拥堵的检测尤为重要,如果能使用计算机,自动将拥堵信息抄送给有关部门,不仅方便交管部门及时对拥堵路段进行疏通,还有助于司机及时对路径规划与修改,帮助他们避免拥堵路段,缓解交通压力,本发明涉及深度学习、智能交通事件判定技术。根据视频中连续帧的信息进行分析,判定道路拥堵。
专利“201810956994.2”-《一种车辆拥堵检测方法》,该专利是一种基于混合高斯模型建模的拥堵检测方法,主要步骤如下:第一步:采集监控区域的视频数据并进行预处理;第二步:利用混合高斯模型进行背景建模,从原始图像分离出背景像素;第三步:从监控视频图像中提取运动目标;第四步:记录运动目标的轨迹信息,从而识别出车辆信息,并进行标记;第五步:对标记的车辆进行跟踪和统计,从而计算车流量。第六步:当监控区域车流量超过设定阈值时,发出报警信息,本发明提供的一种车辆拥堵检测方法,通过对道路交通流的实时监控,能够全方位、实时准确和高效地对路面上的车辆进行检测、跟踪和计数,实时性好,具有重要的应用价值。
但是该种检测道路拥堵的方法基于混合高斯建模的方式存在这一些局限性,首先,混合高斯建模方式很容易被光线干扰,如果视频中,所有车辆处在一种较暗的环境中,当有车灯亮起时候,很容易对视频分析造成干扰;其次,如果车辆长时间处于拥堵状态,且处于静止状态是,车辆的信息会从前景变为背景,无法准确记录目标的轨迹信息,进而无法正确识别出车辆信息;另外,所有车辆信息依赖人工阈值的调整,不具备很好的泛化能力,准确度较低。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于视频分类的端到端道路拥堵检测算法,通过卷积神经网络提取一定数量的视频帧,得到每一帧的图像深层特征,再将这些特征通过LSTM神经网络进行判定,最终输出拥堵判定结果,整个判定过程中,只需要在训练前将视频分好类别,区分视频是否拥堵,而不用具体地深入到每一帧图像中,无需对视频中的图像各项参数进行阈值判定和分析。能够很好地应对光线干扰问题,具备良好的泛化能力。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于视频分类的端到端道路拥堵检测算法,具体包括以下步骤:
S1、首先通过训练数据模块对视频分类,将视频打上标签,并生成train和test的列表文件;
S2、再通过数据预处理模块读取视频,并将读取的帧缩放到固定大小,并归一化存入一个数组中;
S3、然后通过特征提取模块读取列表中的图片帧,并将得到的新的特征保存为新的列表;
S4、将深层特征组成的列表送入LSTM网络模块中对视频结果进行判定;
S5、最后通过训练模块训练卷积神经网络,并加上LSTM神经网络。
优选的,其系统结构包括:训练数据生成模块、数据预处理模块、模型模块、训练模块和预测模块。
优选的,所述训练数据生成模块用于根据视频的类别,区分是否拥堵,并从单个视频中提取若干个图片,其中每个视频提取出的图片名格式为“视频名称+帧序号”,这样做便于模型文件区分是否来自同一个视频。
优选的,所述数据预处理模块用于读取图片,并将图片缩放为固定大小,并进行归一化,为模型的训练进行预处理。
优选的,所述数据预处理模块还用于将图片中的深层信息通过卷积神经网络提取出来。
优选的,所述模型模块用于保存模型文件的搭建信息,包括卷积神经网络模型和LSTM网络模型。
优选的,所述训练模块用于将卷积神经网络提取出来的模型,送入LSTM模型中进行训练,在训练过程中,可选择更新卷积神经网络权重,一并训练,或只更新LSTM中的权重。
优选的,所述预测模块用于读取视频流,并将连续帧信息送到神经网络中进行拥堵结果判定。
(三)有益效果
本发明提供了一种基于视频分类的端到端道路拥堵检测算法。与现有技术相比具备以下有益效果:
(1)、该基于视频分类的端到端道路拥堵检测算法,具体包括以下步骤:S1、首先通过训练数据模块对视频分类,将视频打上标签,并生成train和test的列表文件,S2、再通过数据预处理模块读取视频,并将读取的帧缩放到固定大小,并归一化存入一个数组中,S3、然后通过特征提取模块读取列表中的图片帧,并将得到的新的特征保存为新的列表,S4、将深层特征组成的列表送入LSTM网络模块中对视频结果进行判定,S5、最后通过训练模块训练卷积神经网络,并加上LSTM神经网络,可实现通过采用端到端、使用CNN+LSTM的训练方式,将标记好的视频分类好,即可以训练视频,能够达到较好的实时性,拥有不错的准确率,同时通过卷积神经网络提取一定数量的视频帧,得到每一帧的图像深层特征,再将这些特征通过LSTM神经网络进行判定,最终输出拥堵判定结果,整个判定过程中,只需要在训练前将视频分好类别,区分视频是否拥堵,能够很好地应对光线干扰问题。
(2)、该基于视频分类的端到端道路拥堵检测算法,适用于各种交通道路的拥堵检测,能够根据视频中车辆信息实时判定结果,不需要去深入分析视频中车辆信息,也无需调整参数,具有良好的泛化能力。
附图说明
图1为本发明实施例提供的系统结构图;
图2为本发明提供的系统执行流程图。
图中,101训练数据生成模块、102数据预处理模块、103模型模块、104训练模块、105预测模块。
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、完整地描述,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
请参阅图1-2,本发明实施例提供一种技术方案:一种基于视频分类的端到端道路拥堵检测算法,具体包括以下步骤:
S1、首先通过训练数据模块对视频分类,将视频打上标签,并生成train和test的列表文件;
S2、再通过数据预处理模块读取视频,并将读取的帧缩放到固定大小,并归一化存入一个数组中;
S3、然后通过特征提取模块读取列表中的图片帧,并将得到的新的特征保存为新的列表;
S4、将深层特征组成的列表送入LSTM网络模块中对视频结果进行判定;
S5、最后通过训练模块训练卷积神经网络,并加上LSTM神经网络。
本发明中,训练数据生成模块101、数据预处理模块102、模型模块103、训练模块104和预测模块105,训练数据生成模块101用于根据视频的类别,区分是否拥堵,并从单个视频中提取若干个图片,其中每个视频提取出的图片名格式为“视频名称+帧序号”,这样做便于模型文件区分是否来自同一个视频,数据预处理模块102用于读取图片,并将图片缩放为固定大小,并进行归一化,为模型的训练进行预处理,数据预处理模块102还用于将图片中的深层信息通过卷积神经网络提取出来,模型模块103用于保存模型文件的搭建信息,包括卷积神经网络模型和LSTM网络模型,训练模块104用于将卷积神经网络提取出来的模型,送入LSTM模型中进行训练,在训练过程中,可选择更新卷积神经网络权重,一并训练,或只更新LSTM中的权重,预测模块105用于读取视频流,并将连续帧信息送到神经网络中进行拥堵结果判定。
如图2所示,具体执行流程如下:
步骤201:首先读取数据集,数据集经过视频分类划分为训练集207和测试集208,训练集207和测试集208按9:1的比例随机划分,每个数据集下包括两个类,分别为拥堵和通畅两个类别,另外每个视频均有大小限制,每个视频最大帧数为200帧,最小帧数为100帧,通过读取每个视频获取图像帧。
步骤202:数据预处理模块102负责执行步骤202,该步骤主要将读取的所有帧进行预处理,在本发明中,均等选取n帧图片,比如200帧的视频,分别选取第帧图片,如遇到小数则只取整数部分,每一帧图片在经过步骤210,缩放到固定大小224*224大小,在经过步骤211进行归一化处理,将所有图片数据除以255,便于提高收敛速度。
步骤203:将步骤202预处理完的数据进行训练。数据输入的格式为[batch,n,w,h,3],其中batch为训练的batch size,默认大小为32,n为前面选择的一个视频n帧图片,w和h为图片resize后的宽和高,3为图片的通道数,在训练时,CNN神经网络采用的是inceptionV3,LSTM的网络结构为2048个cell,输入数据首先经过CNN神经网络,提取特征,提取后特征再经过LSTM神经网络进行判定。
步骤204:经过若干批次的训练后,等损失函数不在下降时,保存训练好的模型数据,预测模块105负责执行步骤212,步骤213,步骤214,在预测时候,首先读取视频,同时加载模型权重数据,再将读取的视频帧封装为[1,n,w,h,3]的格式输入到网络中进行预测。
步骤205:将模型输出的返回值进行判定,如果为1则表示n帧视频通畅,如果为0则表示视频中拥堵。
综上所述
本发明可实现通过采用端到端、使用CNN+LSTM的训练方式,将标记好的视频分类好,即可以训练视频,能够达到较好的实时性,拥有不错的准确率,同时通过卷积神经网络提取一定数量的视频帧,得到每一帧的图像深层特征,再将这些特征通过LSTM神经网络进行判定,最终输出拥堵判定结果,整个判定过程中,只需要在训练前将视频分好类别,区分视频是否拥堵,能够很好地应对光线干扰问题,适用于各种交通道路的拥堵检测,能够根据视频中车辆信息实时判定结果,不需要去深入分析视频中车辆信息,也无需调整参数,具有良好的泛化能力。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于视频分类的端到端道路拥堵检测算法,其特征在于:具体包括以下步骤:
S1、首先通过训练数据模块对视频分类,将视频打上标签,并生成train和test的列表文件;
S2、再通过数据预处理模块读取视频,并将读取的帧缩放到固定大小,并归一化存入一个数组中;
S3、然后通过特征提取模块读取列表中的图片帧,并将得到的新的特征保存为新的列表;
S4、将深层特征组成的列表送入LSTM网络模块中对视频结果进行判定;
S5、最后通过训练模块训练卷积神经网络,并加上LSTM神经网络。
2.根据权利要求1所述的一种基于视频分类的端到端道路拥堵检测算法,其特征在于:其系统结构包括:训练数据生成模块(101)、数据预处理模块(102)、模型模块(103)、训练模块(104)和预测模块(105)。
3.根据权利要求2所述的一种基于视频分类的端到端道路拥堵检测算法,其特征在于:所述训练数据生成模块(101)用于根据视频的类别,区分是否拥堵,并从单个视频中提取若干个图片,其中每个视频提取出的图片名格式为“视频名称+帧序号”。
4.根据权利要求2所述的一种基于视频分类的端到端道路拥堵检测算法,其特征在于:所述数据预处理模块(102)用于读取图片,并将图片缩放为固定大小,并进行归一化,为模型的训练进行预处理。
5.根据权利要求4所述的一种基于视频分类的端到端道路拥堵检测算法,其特征在于:所述数据预处理模块(102)还用于将图片中的深层信息通过卷积神经网络提取出来。
6.根据权利要求2所述的一种基于视频分类的端到端道路拥堵检测算法,其特征在于:所述模型模块(103)用于保存模型文件的搭建信息,包括卷积神经网络模型和LSTM网络模型。
7.根据权利要求2所述的一种基于视频分类的端到端道路拥堵检测算法,其特征在于:所述训练模块(104)用于将卷积神经网络提取出来的模型,送入LSTM模型中进行训练,在训练过程中,可选择更新卷积神经网络权重,一并训练,或只更新LSTM中的权重。
8.根据权利要求2所述的一种基于视频分类的端到端道路拥堵检测算法,其特征在于:所述预测模块(105)用于读取视频流,并将连续帧信息送到神经网络中进行拥堵结果判定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910948881.2A CN110674887A (zh) | 2019-10-08 | 2019-10-08 | 一种基于视频分类的端到端道路拥堵检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910948881.2A CN110674887A (zh) | 2019-10-08 | 2019-10-08 | 一种基于视频分类的端到端道路拥堵检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110674887A true CN110674887A (zh) | 2020-01-10 |
Family
ID=69080681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910948881.2A Pending CN110674887A (zh) | 2019-10-08 | 2019-10-08 | 一种基于视频分类的端到端道路拥堵检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674887A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767874A (zh) * | 2020-07-06 | 2020-10-13 | 中兴飞流信息科技有限公司 | 一种基于深度学习的路面病害检测方法 |
CN111899210A (zh) * | 2020-03-26 | 2020-11-06 | 中国铁建电气化局集团第二工程有限公司 | 一种基于图像识别的电弧检测方法 |
CN113076893A (zh) * | 2021-04-09 | 2021-07-06 | 太原理工大学 | 一种基于深度学习的高速公路疏水管堵塞态势感知方法 |
CN113408432A (zh) * | 2021-06-22 | 2021-09-17 | 讯飞智元信息科技有限公司 | 基于图像的交通拥堵识别方法、装置以及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180530A (zh) * | 2017-05-22 | 2017-09-19 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
CN107341462A (zh) * | 2017-06-28 | 2017-11-10 | 电子科技大学 | 一种基于注意力机制的视频分类方法 |
CN108615358A (zh) * | 2018-05-02 | 2018-10-02 | 安徽大学 | 一种道路拥堵检测方法及装置 |
CN108734614A (zh) * | 2017-04-13 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 交通拥堵预测方法及装置、存储介质 |
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 |
CN109165561A (zh) * | 2018-07-27 | 2019-01-08 | 北京以萨技术股份有限公司 | 一种基于视频特征的交通拥堵识别方法 |
CN109242140A (zh) * | 2018-07-24 | 2019-01-18 | 浙江工业大学 | 一种基于LSTM_Attention网络的交通流预测方法 |
CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
CN110032926A (zh) * | 2019-02-22 | 2019-07-19 | 哈尔滨工业大学(深圳) | 一种基于深度学习的视频分类方法以及设备 |
WO2020040412A1 (ko) * | 2018-08-21 | 2020-02-27 | 한국과학기술정보연구원 | 교통신호 제어 장치, 교통신호 제어 방법 및 교통신호 제어 프로그램을 저장하는 저장매체 |
-
2019
- 2019-10-08 CN CN201910948881.2A patent/CN110674887A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734614A (zh) * | 2017-04-13 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 交通拥堵预测方法及装置、存储介质 |
CN107180530A (zh) * | 2017-05-22 | 2017-09-19 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
CN107341462A (zh) * | 2017-06-28 | 2017-11-10 | 电子科技大学 | 一种基于注意力机制的视频分类方法 |
CN108615358A (zh) * | 2018-05-02 | 2018-10-02 | 安徽大学 | 一种道路拥堵检测方法及装置 |
CN109242140A (zh) * | 2018-07-24 | 2019-01-18 | 浙江工业大学 | 一种基于LSTM_Attention网络的交通流预测方法 |
CN109165561A (zh) * | 2018-07-27 | 2019-01-08 | 北京以萨技术股份有限公司 | 一种基于视频特征的交通拥堵识别方法 |
WO2020040412A1 (ko) * | 2018-08-21 | 2020-02-27 | 한국과학기술정보연구원 | 교통신호 제어 장치, 교통신호 제어 방법 및 교통신호 제어 프로그램을 저장하는 저장매체 |
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 |
CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
CN110032926A (zh) * | 2019-02-22 | 2019-07-19 | 哈尔滨工业大学(深圳) | 一种基于深度学习的视频分类方法以及设备 |
Non-Patent Citations (1)
Title |
---|
MOHAMMADHANI FOULADGAR等: "《Scalable deep traffic flow neural networks for urban traffic congestion prediction》", 《2017 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899210A (zh) * | 2020-03-26 | 2020-11-06 | 中国铁建电气化局集团第二工程有限公司 | 一种基于图像识别的电弧检测方法 |
CN111767874A (zh) * | 2020-07-06 | 2020-10-13 | 中兴飞流信息科技有限公司 | 一种基于深度学习的路面病害检测方法 |
CN111767874B (zh) * | 2020-07-06 | 2024-02-13 | 中兴飞流信息科技有限公司 | 一种基于深度学习的路面病害检测方法 |
CN113076893A (zh) * | 2021-04-09 | 2021-07-06 | 太原理工大学 | 一种基于深度学习的高速公路疏水管堵塞态势感知方法 |
CN113408432A (zh) * | 2021-06-22 | 2021-09-17 | 讯飞智元信息科技有限公司 | 基于图像的交通拥堵识别方法、装置以及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
CN103324937B (zh) | 标注目标的方法和装置 | |
CN109977782B (zh) | 基于目标位置信息推理的跨店经营行为检测方法 | |
CN111881730A (zh) | 一种火电厂现场安全帽佩戴检测方法 | |
CN102289686B (zh) | 一种基于迁移学习的运动目标分类识别方法 | |
CN104268528B (zh) | 一种人群聚集区域检测方法和装置 | |
CN105389567A (zh) | 基于稠密光流直方图的群体异常检测方法 | |
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 | |
CN110188807A (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
CN110633610A (zh) | 一种基于yolo的学员状态检测算法 | |
CN109766769A (zh) | 一种基于单目视觉与深度学习的道路目标检测识别方法 | |
CN111563557A (zh) | 一种电力电缆隧道内目标检测的方法 | |
CN108133172A (zh) | 视频中运动对象分类的方法、车流量的分析方法及装置 | |
CN109615862A (zh) | 道路车辆交通运动状态参数动态获取方法及装置 | |
CN110334602B (zh) | 一种基于卷积神经网络的人流量统计方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN103679214B (zh) | 基于在线面积估计和多特征决策融合的车辆检测方法 | |
CN103871077A (zh) | 一种道路车辆监控视频中的关键帧提取方法 | |
CN113327248B (zh) | 一种基于视频的隧道车流量统计方法 | |
CN102867183A (zh) | 一种车辆遗撒物检测方法、装置及智能交通监控系统 | |
CN112597928B (zh) | 一种事件检测方法及相关装置 | |
CN112488042B (zh) | 一种基于视频分析的行人通行瓶颈判别方法及系统 | |
CN111523419A (zh) | 一种机动车尾气排放视频检测方法和装置 | |
CN104123714A (zh) | 一种人流量统计中最优目标检测尺度的生成方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200110 |