CN110705484A - 利用行车轨迹识别连续变更车道违法行为的方法 - Google Patents
利用行车轨迹识别连续变更车道违法行为的方法 Download PDFInfo
- Publication number
- CN110705484A CN110705484A CN201910949276.7A CN201910949276A CN110705484A CN 110705484 A CN110705484 A CN 110705484A CN 201910949276 A CN201910949276 A CN 201910949276A CN 110705484 A CN110705484 A CN 110705484A
- Authority
- CN
- China
- Prior art keywords
- lane
- track
- time
- road
- data
- 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
Images
Classifications
-
- 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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种利用行车轨迹识别连续变更车道违法行为的方法,属于智能识别领域,本发明的有益效果:相较于现有的操作员配合视频监控数据判读方法,本方法的优势在于:①成本低。行车轨迹数据可以通过导航软件、车辆监控软件成批量获得;因此无需在道路上安装任何额外设施,降低了成本;②方法自动,占用资源少。利用轨迹数据和城市地图数据,进行违法行为识别,无需人员干预,可以实现自动化识别,占用的计算资源也少;③判断尺度统一。方法只有少量参数,具体应用时,参数确定后就可以以统一的尺度识别违法行为,避免了尺度不一的问题。
Description
技术领域
本发明属于智能识别领域,尤其是一种利用行车轨迹识别连续变更车道违法行为的方法。
背景技术
连续变更车道是目前普遍存在的驾驶陋习,是引起道路交通安全事故的重要原因。我国《道路交通安全法》规定,连续变更两根以上车道的行为违法。
目前的连续变更车道违法行为的识别,主要采用道路监控设施采集的视频图像,经人工判读后,确定车辆是否存在该违法行为。这种方法存在多方面的制约。首先,道路视频监控成本高,难以实现对路面的全覆盖监控;其次,视频数据量大,每路监控每天产生的数据可达数十GB,需要大量人员配合计算机资源进行视频判读;更重要的是,不同的人员对“连续变更”存在不同的理解,无法形成对该违法行为的统一尺度。
发明内容
针对上述现有技术中存在的不足,本发明的目的在于提供一种利用行车轨迹识别连续变更车道违法行为的方法,该方法能够采用车辆行驶产生的高频率轨迹,以及道路地图数据,自动判别违法行为及违法位置。
一种利用行车轨迹识别连续变更车道违法行为的方法,采用车辆行驶产生的高频率轨迹以及道路地图数据自动判别违法行为及违法位置,高频率轨迹需包含时间T、坐标(X、Y)、方位角Azi数据,T数据代表轨迹的产生时间,坐标字段(X、Y)标识车辆的当前位置,方位角Azi代表车辆行驶的方向;道路地图数据在双向行驶道路为道路双向分割线数据,在单向行驶道路为道路中心数据,具体步骤如下:
S1、轨迹所在的车道序号计算
根据轨迹点的位置以及道路地图数据,首先计算轨迹所在的车道序号,具体包括:
S=distp→r
其中S为轨迹点p到道路r的距离,在道路绘制方向的左侧为正,右侧为负;
N为P点所在的车道序号;lane为一般车道的宽度,可以根据不同的道路类型进行调整,经过以上换算,可以将轨迹点的位置换算为车道序号;
S2、利用时间-车道序号坐标系,以及时间-车道变化数坐标系替换原始轨迹
将根据上式计算的车道序号数据N,连同时间T构成时间-车道序号坐标系,将原来的以坐标表示的轨迹点改成在时间-车道序号坐标系下的系列轨迹点,然后将当前轨迹点与前一轨迹点进行车道序号对比,形成“时间T-车道变化数dN”坐标系,将轨迹转换为T-dN坐标系下的轨迹;并计算轨迹点的方位角变化量dAzi;
dN=abs(N2-N1)
dN为车道变化数,dAzi为前后轨迹点方位角变化量;
S3、设置移动时间窗口,记为T-Span,对窗口内的轨迹统计以下指标:
3.1窗口期内停留的第二车道逗留时间StayTime
对时间窗口内的轨迹,按顺序统计连续逗留时间;
3.2时间窗口期内的方位角总变化值:SumdAzi
SumdAzi=∑dAzi
3.3时间窗口期内的总变道数量:SumdN
SumdN=∑dN
3.4时间窗口期内的最大变道数:MaxdN
MaxdN=Max(dN)
S4、违法判断流程
根据以上统计值,利用下面的流程进行判断
4.1 MaxdN>1
当前后两轨迹点所在车道号差别在2以上,表明车辆快速跨越一根以上车道,此时为连续变更车道违法;
4.2 SumdN>2且且SumdAzi<90
当在一个窗口期内,变道次数超过2次时,为连续变更车道违法;
4.3 SumdN=2,Staytime≤3且SumdAzi<90
当一个窗口期内,变道次数为2,在第二次停留的车道停留时间小于等于3秒,且在该窗口期内未发生行驶方向的明显变化小于90°,此时也为连续变更车道违法行为;
4.4 SumdN=2,Staytime>3且SumdAzi<90
虽然在窗口期内变更两根车道,但是在第二次停留车道的停留时间超过3秒,此时为正常情况下的车道变更,不是违法行为。
本发明的有益效果如下:
本发明利用车辆行驶过程中记录的高频率轨迹数据,结合道路电子地图数据,自动化识别连续变更车道违法行为。相较于现有的操作员配合视频监控数据判读方法,本方法的优势在于:①成本低。行车轨迹数据可以通过导航软件、车辆监控软件成批量获得;因此无需在道路上安装任何额外设施,降低了成本;②方法自动,占用资源少。利用轨迹数据和城市地图数据,进行违法行为识别,无需人员干预,可以实现自动化识别,占用的计算资源也少;③判断尺度统一。方法只有少量参数,具体应用时,参数确定后就可以以统一的尺度识别违法行为,避免了尺度不一的问题。
附图说明
图1为轨迹点和道路地图数据示意图;
图2为偏移节点计算示意图;
图3为轨迹转换为T-dN坐标系下的轨迹示意图;
图4为违反判断方法流程示意图;
图5为步骤4.1轨迹示意图;
图6为步骤4.2轨迹示意图;
图7为步骤4.3轨迹示意图;
图8为步骤4.4轨迹示意图;
图9为步骤4.5轨迹示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
一种利用行车轨迹识别连续变更车道违法行为的方法,本发明采用车辆行驶产生的高频率轨迹,以及道路地图数据,自动判别违法行为及违法位置。高频率轨迹需包含时间(T)、坐标(X、Y)、方位角(Azi)数据。T数据代表轨迹的产生时间,坐标字段(X、Y)标识轨迹的当前位置,方位角(Azi)代表车辆行驶的方向。
道路地图数据为道路中线数据(双向行驶道路),或道路中心数据(单向行驶道路)。见图1,线r为道路地图数据;点为高频轨迹,频率一般为1hz,用p表示。
本发明的具体方法分为如下几个步骤:
S1、轨迹所在的车道序号计算
根据轨迹点的位置,以及道路地图数据,首先计算轨迹所在的车道序号,具体包括:
S=distp→r
其中,S为轨迹点p到道路r的距离,在道路绘制方向的左侧为正,右侧为负;
N为P点所在的车道序号;lane为一般车道的宽度,可以根据不同的道路类型进行调整,如3.5或3.75。
经过以上换算,可以将轨迹点的位置换算为车道序号(如-2,-1,1,2,等等)。
S2、利用时间-车道序号坐标系,以及时间-车道变化数坐标系替换原始轨迹
将根据上式计算的车道序号数据(N),连同时间(T),构成时间-车道序号坐标系。将原来的以坐标表示的轨迹点,改成在时间-车道序号坐标系下的系列轨迹点,见图2。
然后将当前轨迹点与前一轨迹点进行车道序号对比,形成“时间(T)-车道变化数(dN)”坐标系。将轨迹转换为T-dN坐标系下的轨迹,见图3。
dN=abs(N2-N1)
dN为车道变化数,dAzi为前后轨迹点方位角变化量。
S3、设置移动时间窗口(记为T-Span,一般选择10秒左右),对窗口内的轨迹统计以下指标:
3.1停留的第二车道逗留时间(StayTime)
对时间窗口内的轨迹,按顺序统计连续逗留时间:
例如序号为Lane-1的车道停留T1秒;序号为Lane-2的车道停留T2秒;序号为Lane-3的车道停留T3秒;序号为Lane-4的车道停留T4秒……
则逗留的第二车道为Lane-2,其逗留时间为StayTime=T2;
3.2时间窗口期内的方位角总变化值:SumdAzi
SumdAzi=∑dAzi
3.3时间窗口期内的总变道数量:SumdN
SumdN=∑dN
3.4时间窗口期内的最大变道数:MaxdN
MaxdN=Max(dN)
S4、违法判断流程
根据以上统计值,利用图4的流程进行判断。
4.1 MaxdN>1
当前后两轨迹点所在车道号差别在2以上,表明车辆快速跨越一根以上车道。此时为连续变更车道违法。
4.2 SumdN>2且且SumdAzi<90
当在一个窗口期内,变道次数超过2次时,为连续变更车道违法。
4.3 SumdN=2,Staytime≤3且SumdAzi<90
当一个窗口期内,变道次数为2,在第二次停留的车道停留时间小于等于3秒,且在该窗口期内未发生行驶方向的明显变化(小于90°),此时也为连续变更车道违法行为。
4.4 SumdN=2,Staytime>3且SumdAzi<90
虽然在窗口期内变更两根车道,但是在第二次停留车道的停留时间超过3秒,此时为正常情况下的车道变更,不是违法行为。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (1)
1.一种利用行车轨迹识别连续变更车道违法行为的方法,其特征在于:采用车辆行驶产生的高频率轨迹以及道路地图数据自动判别违法行为及违法位置,高频率轨迹需包含时间T、坐标(X、Y)、方位角Azi数据,T数据代表轨迹的产生时间,坐标字段(X、Y)标识车辆的当前位置,方位角Azi代表车辆行驶的方向;道路地图数据在双向行驶道路为道路双向分割线数据,在单向行驶道路为道路中心数据,具体步骤如下:
S1、轨迹所在的车道序号计算
根据轨迹点的位置以及道路地图数据,首先计算轨迹所在的车道序号,包括:
S=distp→r
其中S为轨迹点p到道路r的距离,在道路绘制方向的左侧为正,右侧为负;N为P点所在的车道序号;lane为一般车道的宽度,可以根据不同的道路类型进行调整,经过以上换算,可以将轨迹点的位置换算为车道序号;
S2、利用时间-车道序号坐标系,以及时间-车道变化数坐标系替换原始轨迹将根据上式计算的车道序号数据N,连同时间T构成时间-车道序号坐标系,将原来的以坐标表示的轨迹点改成在时间-车道序号坐标系下的系列轨迹点,然后将当前轨迹点与前一轨迹点进行车道序号对比,形成“时间T-车道变化数dN”坐标系,将轨迹转换为T-dN坐标系下的轨迹;并计算轨迹点的方位角变化量dAzi;
dN=abs(N2-N1)
dN为车道变化数,dAzi为前后轨迹点方位角变化量;
S3、设置移动时间窗口,记为T-Span,对窗口内的轨迹统计以下指标:
S3.1窗口期内停留的第二车道逗留时间StayTime
对时间窗口内的轨迹,按顺序统计连续逗留时间:
3.2时间窗口期内的方位角总变化值:SumdAzi
SumdAzi=∑dAzi
3.3时间窗口期内的总变道数量:SumdN
SumdN=∑dN
3.4时间窗口期内的最大变道数:MaxdN
MaxdN=Max(dN)
4、违法判断流程
根据以上统计值,利用下面的流程进行判断
4.1 MaxdN>1
当前后两轨迹点所在车道号差别在2以上,表明车辆快速跨越一根以上车道,此时为连续变更车道违法;
4.2 SumdN>2且且SumdAzi<90
当在一个窗口期内,变道次数超过2次时,为连续变更车道违法;
4.3 SumdN=2,Staytime≤3且SumdAzi<90
当一个窗口期内,变道次数为2,在第二次停留的车道停留时间小于等于3秒,且在该窗口期内未发生行驶方向的明显变化小于90°,此时也为连续变更车道违法行为;
4.4 SumdN=2,Staytime>3且SumdAzi<90
虽然在窗口期内变更两根车道,但是在第二次停留车道的停留时间超过3秒,此时为正常情况下的车道变更,不是违法行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910949276.7A CN110705484B (zh) | 2019-10-08 | 2019-10-08 | 利用行车轨迹识别连续变更车道违法行为的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910949276.7A CN110705484B (zh) | 2019-10-08 | 2019-10-08 | 利用行车轨迹识别连续变更车道违法行为的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705484A true CN110705484A (zh) | 2020-01-17 |
CN110705484B CN110705484B (zh) | 2023-05-02 |
Family
ID=69197037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910949276.7A Active CN110705484B (zh) | 2019-10-08 | 2019-10-08 | 利用行车轨迹识别连续变更车道违法行为的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705484B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949465A (zh) * | 2021-02-26 | 2021-06-11 | 上海商汤智能科技有限公司 | 车辆连续变道识别方法、装置、设备及存储介质 |
CN113569666A (zh) * | 2021-07-09 | 2021-10-29 | 东风汽车集团股份有限公司 | 车辆连续违法变道的检测方法及计算机设备 |
CN115311853A (zh) * | 2022-07-21 | 2022-11-08 | 重庆长安汽车股份有限公司 | 一种基于众包地图的轨迹数据识别道路标志的方法及系统 |
CN116434560A (zh) * | 2023-06-15 | 2023-07-14 | 跨越速运集团有限公司 | 一种违规行驶的识别方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017117080A (ja) * | 2015-12-22 | 2017-06-29 | アイシン・エィ・ダブリュ株式会社 | 自動運転支援システム、自動運転支援方法及びコンピュータプログラム |
CN107657813A (zh) * | 2017-09-21 | 2018-02-02 | 中交第二公路勘察设计研究院有限公司 | 基于行车轨迹的高速公路交通执法判别方法 |
JP2019012451A (ja) * | 2017-06-30 | 2019-01-24 | 本田技研工業株式会社 | 車線判定装置 |
CN109459047A (zh) * | 2018-12-24 | 2019-03-12 | 武汉大学 | 车辆高精度定位数据与导航地图精确匹配及变道行为探测方法 |
US20190088148A1 (en) * | 2018-07-20 | 2019-03-21 | Cybernet Systems Corp. | Autonomous transportation system and methods |
CN109544909A (zh) * | 2018-10-29 | 2019-03-29 | 华蓝设计(集团)有限公司 | 基于航拍视频车辆轨迹的驾驶员换道行为分析方法 |
US20190114915A1 (en) * | 2017-10-13 | 2019-04-18 | Waymo Llc | Lane change notification |
CN109872533A (zh) * | 2019-02-21 | 2019-06-11 | 弈人(上海)科技有限公司 | 一种基于空间数据的车道级实时交通情报处理方法 |
CN110299027A (zh) * | 2019-07-12 | 2019-10-01 | 山东交通学院 | 一种基于轨迹数据和地图数据的车辆变道监测与安全预警方法 |
-
2019
- 2019-10-08 CN CN201910949276.7A patent/CN110705484B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017117080A (ja) * | 2015-12-22 | 2017-06-29 | アイシン・エィ・ダブリュ株式会社 | 自動運転支援システム、自動運転支援方法及びコンピュータプログラム |
JP2019012451A (ja) * | 2017-06-30 | 2019-01-24 | 本田技研工業株式会社 | 車線判定装置 |
CN107657813A (zh) * | 2017-09-21 | 2018-02-02 | 中交第二公路勘察设计研究院有限公司 | 基于行车轨迹的高速公路交通执法判别方法 |
US20190114915A1 (en) * | 2017-10-13 | 2019-04-18 | Waymo Llc | Lane change notification |
US20190088148A1 (en) * | 2018-07-20 | 2019-03-21 | Cybernet Systems Corp. | Autonomous transportation system and methods |
CN109544909A (zh) * | 2018-10-29 | 2019-03-29 | 华蓝设计(集团)有限公司 | 基于航拍视频车辆轨迹的驾驶员换道行为分析方法 |
CN109459047A (zh) * | 2018-12-24 | 2019-03-12 | 武汉大学 | 车辆高精度定位数据与导航地图精确匹配及变道行为探测方法 |
CN109872533A (zh) * | 2019-02-21 | 2019-06-11 | 弈人(上海)科技有限公司 | 一种基于空间数据的车道级实时交通情报处理方法 |
CN110299027A (zh) * | 2019-07-12 | 2019-10-01 | 山东交通学院 | 一种基于轨迹数据和地图数据的车辆变道监测与安全预警方法 |
Non-Patent Citations (5)
Title |
---|
XIN ZOU: "Visualization and analysis of mapping knowledge domain of road safety studies" * |
乔千雄: "面向车辆轨迹数据的违法取证分析系统" * |
史颖: "基于视频检测的车辆变道轨迹识别方法研究" * |
周灿灿: "基于视频检测技术的违法变道监测系统" * |
唐炉亮: "一种基于朴素贝叶斯分类的车道数量探测" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949465A (zh) * | 2021-02-26 | 2021-06-11 | 上海商汤智能科技有限公司 | 车辆连续变道识别方法、装置、设备及存储介质 |
CN113569666A (zh) * | 2021-07-09 | 2021-10-29 | 东风汽车集团股份有限公司 | 车辆连续违法变道的检测方法及计算机设备 |
CN113569666B (zh) * | 2021-07-09 | 2023-12-15 | 东风汽车集团股份有限公司 | 车辆连续违法变道的检测方法及计算机设备 |
CN115311853A (zh) * | 2022-07-21 | 2022-11-08 | 重庆长安汽车股份有限公司 | 一种基于众包地图的轨迹数据识别道路标志的方法及系统 |
CN116434560A (zh) * | 2023-06-15 | 2023-07-14 | 跨越速运集团有限公司 | 一种违规行驶的识别方法、装置、设备及存储介质 |
CN116434560B (zh) * | 2023-06-15 | 2023-08-25 | 跨越速运集团有限公司 | 一种违规行驶的识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110705484B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705484A (zh) | 利用行车轨迹识别连续变更车道违法行为的方法 | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
CN109191872B (zh) | 一种基于号牌数据的路口交通流特征参数提取方法 | |
CN103324913B (zh) | 一种基于形状特征和轨迹分析的行人事件检测方法 | |
CN109859468A (zh) | 基于YOLOv3的多车道车流量计数及车辆跟踪方法 | |
CN101308607A (zh) | 基于视频的混合交通环境下移动目标多特征融合跟踪方法 | |
CN111027430B (zh) | 一种面向无人车智能评估的交通场景复杂度计算方法 | |
CN104574968B (zh) | 一种临界交通状态参数的确定方法 | |
CN102616241A (zh) | 基于车道线模型检测方法和在线学习方法的车道偏离报警系统 | |
CN102567380A (zh) | 在视频图像中检索车辆信息的方法 | |
CN105513349A (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN102902957A (zh) | 一种基于视频流的自动车牌识别方法 | |
CN110379168A (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN106845482A (zh) | 一种车牌定位方法 | |
CN105261034A (zh) | 一种高速公路上车流量的统计方法及装置 | |
CN111598069B (zh) | 一种基于深度学习的高速公路车辆换道区域分析方法 | |
CN103544489A (zh) | 一种车标定位装置及方法 | |
CN108520528B (zh) | 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法 | |
CN106204650A (zh) | 一种基于空地视频关联技术的车辆目标跟踪方法 | |
CN104794425A (zh) | 一种基于行驶轨迹的车辆统计方法 | |
CN108682153B (zh) | 一种基于rfid电子车牌数据的城市道路交通拥堵状态判别方法 | |
CN107845260A (zh) | 一种用户公交出行方式的识别方法 | |
CN103927875B (zh) | 基于视频的交通溢流状态识别方法 | |
CN105574502A (zh) | 一种自助发卡机违章行为自动检测方法 | |
CN109147322B (zh) | 一种城市交通大数据处理中多源数据自适应融合方法 |
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 |