CN110717433A - 一种基于深度学习的交通违规分析方法及装置 - Google Patents
一种基于深度学习的交通违规分析方法及装置 Download PDFInfo
- Publication number
- CN110717433A CN110717433A CN201910940889.4A CN201910940889A CN110717433A CN 110717433 A CN110717433 A CN 110717433A CN 201910940889 A CN201910940889 A CN 201910940889A CN 110717433 A CN110717433 A CN 110717433A
- Authority
- CN
- China
- Prior art keywords
- traffic
- road
- target
- road traffic
- vehicle
- 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
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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
-
- 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
- G06V2201/07—Target detection
Abstract
本发明公开了一种基于深度学习的交通违规分析方法及装置,包括前端采集分析模块,后台记录管理模块;前端采集分析模块通过基于不同的深度学习网络训练得到交通违规检测模型、交通目标属性识别模型、道路交通标线识别模型分别对道路交通视频图像中的行人及车辆目标进行检测跟踪、属性分析以及视频中道路交通标线的识别,从而完成对道路交通视频图像的理解,进而有效的判断出目标是否存在违规行为。其中交通违规检测模型可以检测参与交通的所有目标,除了传统关注的机动车以外,还可以分析行人、非机动车目标的违法行为,以及机动车、非机动车和行人之间的违章行为,适用于复杂的道路交通环境,精确度较高,大大提高了交通违法行为判断的准确性。
Description
技术领域
本发明属于智能交通领域,更具体地,涉及一种基于深度学习的交通违规分析方法及装置。
背景技术
在智能交通系统的建设中,随着监控系统迅速迈向数字化、网络化,系统的开放性、集成性、灵活性以及智能程度受到广泛关注,智能交通产业迎来了一个新兴的机遇与挑战并存的市场。在众多数字视频监控技术中,“智能视频监控”(IVS)技术是最前沿应用之一,而作为智能交通的重要应用技术之一,对于提高道路管理水平、降低交通事故发生率有着至关重要的作用。
在智能交通领域中,智能视频分析系统可以明确的区分行人、机动车、非机动车等关键目标,并过滤掉树叶、光影、雨雪等自然干扰和光线变化的影响,一旦监控画面中“关键目标”出现,例如机动车车体、车牌、车头等特征信息,系统能够以最快、最佳的方式提供有用的分析信息,如车牌号码的内容、车辆的行驶方向,车身颜色,车辆速度、车标等信息,交管中心平台就可以通过对这些数据的分析,做出相应的管理应用,如大屏幕发布、违规车辆处理、交通信号灯设备远程控制等管理机制。
现有的交通违规分析系统,主要是通过传统的背景差分方法进行车辆检测,在安装相机时需要通过人工画框、画区域等方式对交通标识线和区域进行标注。这种方法存在以下问题:1.交通目标检测精度不高,特别是只能检测车辆,无法检测行人,误检测率高;2.人工标注交通标识工作量大,而且相机安装在外场环境,受环境因数影响,标注的初始位置可能发生变动,后期维护成本高;3.当前只能检测车辆和识别车牌,无法分析车辆详细属性,如果要识别违法车辆的详细属性,需要将抓拍图片传回服务中心端通过大规模GPU进行分析计算,成本高。
综上所述,提出一种精确度高的基于深度学习的交通违规分析方法及装置是亟待解决的问题。
发明内容
针对现有技术的缺陷,本发明的目的在于提出一种基于深度学习的交通违规分析方法及装置,旨在解决现有技术由于采用背景差分方法进行车辆检测而导致的精确度较低的问题。
为实现上述目的,本发明一方面提供了一种基于深度学习的交通违规分析方法,包括以下步骤:
S1、接收周围监控实时拍摄到十字路口或人行横道位置处的交通视频监控;
S2、将视频监控中的图像序列连续输入到预训练好的交通违规检测模型中,对图像序列的每一帧图像中的行人及车辆目标进行检测跟踪,得到目标所在的位置及其行为轨迹;
S3、采用预训练好的交通目标属性识别模型对检测到的目标的属性进行识别;
S4、采用预训练好的道路交通标线识别模型识别目标所在道路的道路交通标线;
S5、根据目标所在的位置、目标行为轨迹、目标属性、目标所在道路的道路交通标线以及接收到的信号灯状态判断目标是否存在交通违规行为。
进一步优选地,步骤S5所述的方法包括:
若接收到的信号灯状态为红灯状态,且所得道路交通标线中包含停止线,则在停止线预设范围内判断目标所在的位置是否超过停止线的位置,若超过,则存在闯红灯的违规行为;
若所得道路交通标线中包含道路类型标线,且目标属性与当前道路类型不一致,则存在非法占用道路的违规行为;
若所得道路交通标线中包含指示车辆行驶方向的标线,且检测到的目标为车辆,则在车尾超过停止线预设范围内,判断车辆行为轨迹与道路交通标线所指示的行驶方向是否一致,若不一致,则存在未按道路交通标线指示的违规行为;
若所得道路交通标线中包含非虚线的道路分割线,且检测到的目标为车辆,则判断车辆轨迹与该道路分割线是否存在交叉点,若有交叉点,则存在压线的违规行为;
若所得道路交通标线中包含斑马线,且检测到斑马线区域内有行人,则判断车辆是否在停止线之外停止不动,若未停止不动,则存在车辆未礼让行人的违规行为。
进一步优选地,采集道路交通视频图像数据,对其中的行人和车辆目标进行标注并输入到目标检测网络YOLOV3中进行训练,得到交通违规检测模型。
进一步优选地,采集道路交通视频图像数据,对其中的行人和车辆目标的属性进行标注输入到深度学习网络ResNet50中进行训练,得到交通目标属性识别模型。
进一步优选地,采集道路交通视频图像数据,对视频图像中的每个像素进行标注,非道路交通标线所在像素点标注为0,道路交通标线所在的像素点标注为1,同时标注其交通指示类别作为训练样本输入到SegNet网络中进行训练,得到道路交通标线识别模型。
进一步优选地,将检测到的目标的属性存储在数据库中,用于对检测到违规的目标进行检索查询,为处罚提供依据。
本发明另一方面提供了一种基于深度学习的交通违规分析装置,包括前端采集分析模块、后台记录管理模块;
其中,前端采集分析模块与后台记录管理模块通过互联网进行连接;
前端采集分析模块用于采集道路交通视频,并基于上述基于深度学习的交通违规分析方法,对道路交通视频图像中的目标进行检测,并判断其是否存在交通违规,并将检测到的目标属性以及其违规行为检测结果发送到后台记录管理模块中;
后台记录管理模块用于将接收到的检测到的目标属性以及其违规行为检测结果存储到数据库中进行管理,方便进行检索查询。
进一步优选地,上述前端采集分析模块中包括监控单元、交通违法分析单元;
进一步优选地,前端采集分析模块包括监控单元、交通违法分析单元;监控单元将采集到的视频流输入到交通违法分析单元中进行分析,其中,交通违法分析单元有多个,每个交通违法分析单元接入多个监控单元采集的视频图像。
进一步优选地,上述前端采集分析模块部署在电警、卡口、高速路段或十字路口处。
通过本发明所构思的以上技术方案,与现有技术相比,能够取得下列有益效果:
1、本发明所提出的一种基于深度学习的交通违规分析方法,通过基于不同的深度学习网络训练得到交通违规检测模型、交通目标属性识别模型、道路交通标线识别模型,其中交通违规检测模型可以检测参与交通的所有目标,除了传统关注的机动车以外,还可以分析行人、非机动车目标的违法行为,以及机动车、非机动车和行人之间的违章行为,该方法适用于复杂的道路交通环境,精确度较高,大大提高了交通违法行为判断的准确性。
2、本发明所提出的一种基于深度学习的交通违规分析方法中,通过训练道路交通标线识别模型,可以实现在无人标注的情况下,自动检测车道交通标线,相比于现有技术中在安装相机时需要通过人工画框、画区域等方式对交通标识线和区域进行标注,大大降低了设备安装成本和维护难度。
3、本发明提出了一种基于深度学习的交通违规分析装置,将前端采集分析模块部署在电警或卡口高速路段或十字路口处,并基于不同的深度学习网络训练得到交通违规检测模型、交通目标属性识别模型、道路交通标线识别模型分别对道路交通视频图像中的行人及车辆目标进行检测跟踪、属性分析以及视频中道路交通标线的识别,从而完成对道路交通视频图像的理解,进而有效的判断出目标是否存在违规行为,通过将分析和运算处理放在前端,后端基本只做数据的记录和管理,系统稳定性可靠,且并发实时传输的分析数据流低于带宽限制即可,能够实时快速的完成交通违规行为的分析和判断。
4、本发明所提出的一种基于深度学习的交通违规分析方法,通过采用后台记录管理模块对检测到的目标属性以及其违规行为检测结果进行统计,有利于对长期数据的观察、对比,对于容易出现违法的路口或时间段进行合理规划,进行交通引导,从而减少违法行为的发生,保证交通通畅。
附图说明
图1是本发明所提供的基于深度学习的交通违规分析方法流程图;
图2是本发明具体实施方式所提供的道路交通标线检测结果图;
图3是本发明具体实施方式所提供的存在闯红灯的违规行为示意图;
图4是本发明具体实施方式所提供的存在非法占用道路的违规行为示意图;
图5是本发明具体实施方式所提供的存在车辆未礼让行人的违规行为示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为实现上述目的,本发明一方面提供了一种基于深度学习的交通违规分析方法,如图1所示,包括以下步骤:
S1、接收周围监控实时拍摄到十字路口或人行横道位置处的交通视频监控;
S2、将视频监控中的图像序列连续输入到预训练好的交通违规检测模型中,对图像序列的每一帧图像中的行人及车辆目标进行检测跟踪,得到目标所在的位置及其行为轨迹;
具体的,本实施例中采集电子警察或车辆卡口的视频图像数据对其中的行人和车辆目标采用矩形框进行标注,并输入到目标检测网络YOLOV3中进行训练,得到交通违规检测模型。采用交通违规检测模型对视频监控中的图像序列的每一帧图像中的目标进行检测,根据目标在每一帧图像中的位置,并采用多目标跟踪算法DeepSort对视频中相邻帧图像进行目标跟踪,确定其行为轨迹。其中,检测的目标包括行人、非机动车、机动车等交通参与对象。具体的,为每个目标赋予唯一的跟踪ID,在本实施例中,为了降低误检和漏检的影响,只有当目标连续被检测到5次,系统才会判断有新目标进入,只有目标连续10帧没有被检测到,才会认为目标已经消失。具体的,在目标跟踪过程中,记录每个目标的历史位置,形成该目标的运动轨迹,并采用kalman滤波器对目标的运动轨迹进行平滑滤波,得到目标行为轨迹。
S3、采用预训练好的交通目标属性识别模型对检测到的目标的属性进行识别;
具体的,本实施例中,采集电子警察或车辆卡口的视频图像数据,对其中的行人和车辆目标的属性进行标注输入到深度学习网络ResNet50中进行训练,得到交通目标属性识别模型。
具体的,对于车辆,所标注的属性包括车辆的品牌、车型、车牌号码、车辆颜色等。对于行人,所标注的属性包括性别、年龄、发型、肤色等。采用训练好的交通目标属性识别模型,对步骤S2所检测到的车辆目标进行识别,可以得到其品牌、车型、车牌号码、车辆颜色等属性。采用训练好的交通目标属性识别模型,对步骤S2所检测到的行人目标进行识别,可以得到性别、年龄、发型、肤色等属性。将检测到的目标的属性存储在数据库中,用于对检测到违规的目标进行检索查询,为处罚提供依据。
S4、采用预训练好的道路交通标线识别模型识别目标所在道路的道路交通标线;
具体的,本实施例中,采集电子警察或车辆卡口的视频图像数据,对视频图像中的每个像素进行标注,非道路交通标线所在像素点标注为0,道路交通标线所在的像素点标注为1,同时标注其交通指示类别作为训练样本输入到SegNet网络中进行训练,得到道路交通标线识别模型。常见道路交通标线的包括直行、左转、右转、掉头等方向指示线,机动车道、非机动车道、人行道等道路类型标线,停止线,以及道路分割线等。采用训练所得的道路交通标线识别模型对实时输入的视频图像序列中的道路交通标线进行检测,得到当前相机视场内的道路交通标线,如图2所示,能够精确分割出道路上的交通标线,包括直行、左转、右转、掉头等方向指示线,以及实线、虚线等道路分割线。
S5、根据目标所在的位置、目标行为轨迹、目标属性、目标所在道路的道路交通标线以及接收到的信号灯状态判断目标是否存在交通违规行为。
具体的,本实施例中包括以下步骤:
若接收到的信号灯状态为红灯状态,且所得道路交通标线中包含停止线,则在停止线前后15米范围内判断目标所在的位置是否超过停止线,若超过,则存在闯红灯的违规行为;具体的,如图3所示,在信号灯变红灯以后,图中画框的车辆存在闯红灯行为。
若所得道路交通标线中包含道路类型标线,且目标属性与当前道路类型不一致,则存在非法占用道路的违规行为;具体的,道路类型标线用来表示道路类型,包括行人道、非机动车道、机动车道,其中机动车道又分为大型车辆道和小车道,当行人闯入机动车道、机动车占用非机动车道、大型车辆占用小车道时均存在违规行为。具体的,如图4所示,检测到小汽车停在人行道上,存在非法占用道路的违规行为。
若所得道路交通标线中包含指示车辆行驶方向的标线,且检测到的目标为车辆,则在车尾超过停止线1米到200米的距离范围内,判断车辆行为轨迹与道路交通标线所指示的行驶方向是否一致,若不一致,则存在未按道路交通标线指示的违规行为;
若所得道路交通标线中包含非虚线的道路分割线,且检测到的目标为车辆,则判断车辆轨迹与该道路分割线是否存在交叉点,若有交叉点,则存在压线的违规行为;
若所得道路交通标线中包含斑马线,且检测到斑马线区域内有行人,则判断车辆是否在停止线之外停止不动,若未停止不动,则存在车辆未礼让行人的违规行为,如图5所示。
本发明另一方面提供了一种基于深度学习的交通违规分析装置,包括前端采集分析模块、后台记录管理模块;
其中,前端采集分析模块与后台记录管理模块通过互联网进行连接;
前端采集分析模块用于采集道路交通视频,并基于上述基于深度学习的交通违规分析方法,对道路交通视频图像中的目标进行检测,并判断其是否存在交通违规,并将检测到的目标属性以及其违规行为检测结果发送到后台记录管理模块中;具体的,前端采集分析模块部署在电警、卡口、高速路段或十字路口处。
后台记录管理模块用于将接收到的检测到的目标属性以及其违规行为检测结果存储到数据库中进行管理,方便进行检索查询。
具体的,前端采集分析模块包括监控单元、交通违法分析单元,其中,监控单元将采集到的视频流输入到交通违法分析单元中进行分析,具体的,交通违法分析单元有多个,交通违法分析单元的个数根据其接入的视频流路数来决定。具体的,本实施例中需要分析100路电警或卡口视频,则在前端采集分析模块中配置8个交通违法分析单元。将前端采集分析模块部署到路口采集电警或卡口的视频流,并将分析完的数据上传至后台记录管理模块,可以减少带宽占用,不必所有的视频流都回传到中心机房。
本发明提出了一种基于深度学习的交通违规分析方法及装置,包括前端采集分析模块,后台记录管理模块,其中前端采集分析模块基于不同的深度学习网络训练得到交通违规检测模型、交通目标属性识别模型、道路交通标线识别模型分别对道路交通视频图像中的行人及车辆目标进行检测跟踪、属性分析以及视频中道路交通标线的识别,从而完成对道路交通视频图像的理解,进而有效的判断出目标是否存在违规行为,通过将分析和运算处理放在前端,后端基本只做数据的记录和管理,系统稳定性可靠,且并发实时传输的分析数据流低于带宽限制即可,能够实时快速的完成交通违规行为的分析和判断。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于深度学习的交通违规分析方法,其特征在于,包括以下步骤:
S1、接收周围监控实时拍摄到十字路口或人行横道位置处的交通监控视频;
S2、将监控视频中的图像序列连续输入到预训练好的交通违规检测模型中,对图像序列的每一帧图像中的行人及车辆目标进行检测跟踪,得到目标所在的位置及其行为轨迹;
S3、采用预训练好的交通目标属性识别模型对检测到的目标的属性进行识别;
S4、采用预训练好的道路交通标线识别模型识别目标所在道路的道路交通标线;
S5、根据目标所在的位置、目标行为轨迹、目标属性、目标所在道路的道路交通标线以及接收到的信号灯状态判断目标是否存在交通违规行为。
2.根据权利要求1所述的交通违规分析方法,其特征在于,步骤S5所述的方法包括:
若接收到的信号灯状态为红灯状态,且所得道路交通标线中包含停止线,则在停止线前后预设范围内判断目标位置是否超过停止线,若超过,则存在闯红灯的违规行为;
若所得道路交通标线中包含道路类型标线,且目标属性与当前道路类型不一致,则存在非法占用道路的违规行为;
若所得道路交通标线中包含指示车辆行驶方向的标线,且检测到的目标为车辆,则在车尾超过停止线预设范围内,判断车辆行为轨迹与道路交通标线所指示的行驶方向是否一致,若不一致,则存在未按道路交通标线指示的违规行为;
若所得道路交通标线中包含非虚线的道路分割线,且检测到的目标为车辆,则判断车辆轨迹与该道路分割线是否存在交叉点,若有交叉点,则存在压线的违规行为;
若所得道路交通标线中包含斑马线,且检测到斑马线区域内有行人,则判断车辆是否在停止线之外停止不动,若未停止不动,则存在车辆未礼让行人的违规行为。
3.根据权利要求1所述的交通违规分析方法,其特征在于,采集道路交通视频图像数据,对其中的行人和车辆目标进行标注并输入到目标检测网络YOLOV3中进行训练,得到交通违规检测模型。
4.根据权利要求1所述的交通违规分析方法,其特征在于,采集道路交通视频图像数据,对其中的行人和车辆目标的属性进行标注输入到深度学习网络ResNet50中进行训练,得到交通目标属性识别模型。
5.根据权利要求1所述的交通违规分析方法,其特征在于,采集道路交通视频图像数据,对视频图像中的每个像素进行标注,非道路交通标线所在像素点标注为0,道路交通标线所在的像素点标注为1,同时标注其交通指示类别作为训练样本输入到SegNet网络中进行训练,得到道路交通标线识别模型。
6.根据权利要求1所述的交通违规分析方法,其特征在于,将检测到的目标的属性存储在数据库中,用于对检测到违规的目标进行检索查询,为处罚提供依据。
7.一种基于深度学习的交通违规分析装置,其特征在于,包括:前端采集分析模块、后台记录管理模块;
所述前端采集分析模块与所述后台记录管理模块通过互联网进行连接;
所述前端采集分析模块用于采集道路交通视频,并基于权利要求1-6任意一项所述的方法,对道路交通视频图像中的目标进行检测,判断其是否存在交通违规,并将检测到的目标属性以及其违规行为检测结果发送到所述后台记录管理模块中;
所述后台记录管理模块用于将接收到的检测到的目标属性以及其违规行为检测结果存储到数据库中进行管理,方便进行检索查询。
8.根据权利要求7所述的交通违规分析装置,其特征在于,所述前端采集分析模块包括监控单元、交通违法分析单元;
所述监控单元将采集到的视频流输入到所述交通违法分析单元中进行分析;
所述交通违法分析单元有多个,每个交通违法分析单元接入多个监控单元采集的视频图像。
9.根据权利要求7所述的交通违规分析装置,其特征在于,所述前端采集分析模块部署在电警、卡口、高速路段或十字路口处。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910940889.4A CN110717433A (zh) | 2019-09-30 | 2019-09-30 | 一种基于深度学习的交通违规分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910940889.4A CN110717433A (zh) | 2019-09-30 | 2019-09-30 | 一种基于深度学习的交通违规分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110717433A true CN110717433A (zh) | 2020-01-21 |
Family
ID=69212130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910940889.4A Pending CN110717433A (zh) | 2019-09-30 | 2019-09-30 | 一种基于深度学习的交通违规分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717433A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369369A (zh) * | 2020-03-16 | 2020-07-03 | 中科天玑数据科技股份有限公司 | 一种微盘交易平台监控系统和方法 |
CN111428644A (zh) * | 2020-03-25 | 2020-07-17 | 北京以萨技术股份有限公司 | 基于深度神经网络的斑马线区域监测方法、系统及介质 |
CN111462480A (zh) * | 2020-02-28 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 交通图像证据验证方法、装置、计算机设备和存储介质 |
CN111800507A (zh) * | 2020-07-06 | 2020-10-20 | 湖北经济学院 | 一种交通监控方法及交通监控系统 |
CN112016520A (zh) * | 2020-09-15 | 2020-12-01 | 平安国际智慧城市科技股份有限公司 | 基于ai的交通违法凭证生成方法、装置、终端及存储介质 |
CN112052804A (zh) * | 2020-09-10 | 2020-12-08 | 公安部第三研究所 | 实现安全管理的视频智能分析及报警系统及其方法 |
CN112133094A (zh) * | 2020-09-25 | 2020-12-25 | 安徽达尔智能控制系统股份有限公司 | 一种基于深度学习技术的道路交叉口全要素健康诊断系统 |
CN112257545A (zh) * | 2020-10-19 | 2021-01-22 | 安徽领云物联科技有限公司 | 一种违规行为实时监控分析方法、装置及存储介质 |
CN112270244A (zh) * | 2020-10-23 | 2021-01-26 | 平安科技(深圳)有限公司 | 目标物违规监控方法、装置、电子设备及存储介质 |
CN112380993A (zh) * | 2020-11-12 | 2021-02-19 | 青岛以萨数据技术有限公司 | 基于目标实时追踪信息的智能违法行为检测系统及方法 |
CN112507993A (zh) * | 2021-02-05 | 2021-03-16 | 上海闪马智能科技有限公司 | 一种异常驶离的检测方法、系统、电子设备及存储介质 |
CN112541531A (zh) * | 2020-12-02 | 2021-03-23 | 武汉光庭信息技术股份有限公司 | 一种道路视频数据的采集处理系统及方法 |
CN112863184A (zh) * | 2021-01-12 | 2021-05-28 | 深圳市金桥软件有限公司 | 一种交通信息管理系统 |
CN113052037A (zh) * | 2021-03-16 | 2021-06-29 | 蔡勇 | 一种采用ai技术判断移动车辆与人形方法 |
CN113111876A (zh) * | 2021-04-14 | 2021-07-13 | 深圳市旗扬特种装备技术工程有限公司 | 一种用于交通违章取证的方法及系统 |
CN113158966A (zh) * | 2021-05-08 | 2021-07-23 | 浙江浩腾电子科技股份有限公司 | 基于深度学习的非机动车骑车带人行为识别的检测方法 |
CN113177443A (zh) * | 2021-04-13 | 2021-07-27 | 深圳市天双科技有限公司 | 一种基于图像视觉的智能识别道路交通违章的方法 |
CN113313051A (zh) * | 2021-06-11 | 2021-08-27 | 昭通亮风台信息科技有限公司 | 一种违规使用他人etc行为的检测识别方法及系统 |
WO2022016573A1 (zh) * | 2020-07-21 | 2022-01-27 | 南京智金科技创新服务中心 | 一种视频监控分析系统和方法 |
CN114007037A (zh) * | 2021-09-18 | 2022-02-01 | 华中科技大学 | 一种视频前端智能监控系统、方法、计算机设备、终端 |
CN114187758A (zh) * | 2021-10-18 | 2022-03-15 | 中标慧安信息技术股份有限公司 | 基于智能道路边缘计算网关的车辆检测方法和系统 |
CN114764974A (zh) * | 2021-01-15 | 2022-07-19 | 北京快港网络科技有限公司 | 一种机动车交替通行自动审核方法和系统 |
CN114898563A (zh) * | 2022-07-08 | 2022-08-12 | 之江实验室 | 交叉路口车辆违规事件检测方法、电子设备、存储介质 |
CN115100871A (zh) * | 2022-06-20 | 2022-09-23 | 钟孟玲 | 一种行人交通违规识别方法及系统 |
CN115273456A (zh) * | 2022-06-14 | 2022-11-01 | 北京车网科技发展有限公司 | 一种两轮电动车违规行驶的判定方法、系统和存储介质 |
CN116977906A (zh) * | 2023-09-22 | 2023-10-31 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种实时展示行人违规翻越道路隔离带方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106412508A (zh) * | 2016-09-30 | 2017-02-15 | 北京中星微电子有限公司 | 车辆违章压线智能监控方法和系统 |
CN107730906A (zh) * | 2017-07-11 | 2018-02-23 | 银江股份有限公司 | 斑马线车辆不礼让行人行为的视觉检测系统 |
CN109598943A (zh) * | 2018-12-30 | 2019-04-09 | 北京旷视科技有限公司 | 车辆违章的监控方法、装置及系统 |
CN109712406A (zh) * | 2019-02-12 | 2019-05-03 | 合肥极光科技股份有限公司 | 一种行人闯红灯及机动车不礼让行人监控抓拍系统 |
CN109740420A (zh) * | 2018-11-22 | 2019-05-10 | 深圳市华尊科技股份有限公司 | 车辆违法识别方法及相关产品 |
CN109948418A (zh) * | 2018-12-31 | 2019-06-28 | 上海眼控科技股份有限公司 | 一种基于深度学习的违反导向违法自动审核方法 |
CN110009913A (zh) * | 2019-03-27 | 2019-07-12 | 江苏智通交通科技有限公司 | 一种闯红灯车辆的非现场执法图片智能审核方法和系统 |
CN110136449A (zh) * | 2019-06-17 | 2019-08-16 | 珠海华园信息技术有限公司 | 基于深度学习的交通视频车辆违停自动识别抓拍的方法 |
-
2019
- 2019-09-30 CN CN201910940889.4A patent/CN110717433A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106412508A (zh) * | 2016-09-30 | 2017-02-15 | 北京中星微电子有限公司 | 车辆违章压线智能监控方法和系统 |
CN107730906A (zh) * | 2017-07-11 | 2018-02-23 | 银江股份有限公司 | 斑马线车辆不礼让行人行为的视觉检测系统 |
CN109740420A (zh) * | 2018-11-22 | 2019-05-10 | 深圳市华尊科技股份有限公司 | 车辆违法识别方法及相关产品 |
CN109598943A (zh) * | 2018-12-30 | 2019-04-09 | 北京旷视科技有限公司 | 车辆违章的监控方法、装置及系统 |
CN109948418A (zh) * | 2018-12-31 | 2019-06-28 | 上海眼控科技股份有限公司 | 一种基于深度学习的违反导向违法自动审核方法 |
CN109712406A (zh) * | 2019-02-12 | 2019-05-03 | 合肥极光科技股份有限公司 | 一种行人闯红灯及机动车不礼让行人监控抓拍系统 |
CN110009913A (zh) * | 2019-03-27 | 2019-07-12 | 江苏智通交通科技有限公司 | 一种闯红灯车辆的非现场执法图片智能审核方法和系统 |
CN110136449A (zh) * | 2019-06-17 | 2019-08-16 | 珠海华园信息技术有限公司 | 基于深度学习的交通视频车辆违停自动识别抓拍的方法 |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462480A (zh) * | 2020-02-28 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 交通图像证据验证方法、装置、计算机设备和存储介质 |
CN111462480B (zh) * | 2020-02-28 | 2023-02-07 | 平安国际智慧城市科技股份有限公司 | 交通图像证据验证方法、装置、计算机设备和存储介质 |
CN111369369A (zh) * | 2020-03-16 | 2020-07-03 | 中科天玑数据科技股份有限公司 | 一种微盘交易平台监控系统和方法 |
CN111428644A (zh) * | 2020-03-25 | 2020-07-17 | 北京以萨技术股份有限公司 | 基于深度神经网络的斑马线区域监测方法、系统及介质 |
CN111800507A (zh) * | 2020-07-06 | 2020-10-20 | 湖北经济学院 | 一种交通监控方法及交通监控系统 |
WO2022016573A1 (zh) * | 2020-07-21 | 2022-01-27 | 南京智金科技创新服务中心 | 一种视频监控分析系统和方法 |
CN112052804A (zh) * | 2020-09-10 | 2020-12-08 | 公安部第三研究所 | 实现安全管理的视频智能分析及报警系统及其方法 |
CN112016520B (zh) * | 2020-09-15 | 2023-12-26 | 平安国际智慧城市科技股份有限公司 | 基于ai的交通违法凭证生成方法、装置、终端及存储介质 |
CN112016520A (zh) * | 2020-09-15 | 2020-12-01 | 平安国际智慧城市科技股份有限公司 | 基于ai的交通违法凭证生成方法、装置、终端及存储介质 |
CN112133094A (zh) * | 2020-09-25 | 2020-12-25 | 安徽达尔智能控制系统股份有限公司 | 一种基于深度学习技术的道路交叉口全要素健康诊断系统 |
CN112257545A (zh) * | 2020-10-19 | 2021-01-22 | 安徽领云物联科技有限公司 | 一种违规行为实时监控分析方法、装置及存储介质 |
CN112270244A (zh) * | 2020-10-23 | 2021-01-26 | 平安科技(深圳)有限公司 | 目标物违规监控方法、装置、电子设备及存储介质 |
CN112380993A (zh) * | 2020-11-12 | 2021-02-19 | 青岛以萨数据技术有限公司 | 基于目标实时追踪信息的智能违法行为检测系统及方法 |
CN112541531A (zh) * | 2020-12-02 | 2021-03-23 | 武汉光庭信息技术股份有限公司 | 一种道路视频数据的采集处理系统及方法 |
CN112863184A (zh) * | 2021-01-12 | 2021-05-28 | 深圳市金桥软件有限公司 | 一种交通信息管理系统 |
CN112863184B (zh) * | 2021-01-12 | 2022-11-11 | 山西省交通运输运行监测与应急处置中心 | 一种交通信息管理系统 |
CN114764974A (zh) * | 2021-01-15 | 2022-07-19 | 北京快港网络科技有限公司 | 一种机动车交替通行自动审核方法和系统 |
CN112507993A (zh) * | 2021-02-05 | 2021-03-16 | 上海闪马智能科技有限公司 | 一种异常驶离的检测方法、系统、电子设备及存储介质 |
CN113052037A (zh) * | 2021-03-16 | 2021-06-29 | 蔡勇 | 一种采用ai技术判断移动车辆与人形方法 |
CN113177443A (zh) * | 2021-04-13 | 2021-07-27 | 深圳市天双科技有限公司 | 一种基于图像视觉的智能识别道路交通违章的方法 |
CN113111876A (zh) * | 2021-04-14 | 2021-07-13 | 深圳市旗扬特种装备技术工程有限公司 | 一种用于交通违章取证的方法及系统 |
CN113158966A (zh) * | 2021-05-08 | 2021-07-23 | 浙江浩腾电子科技股份有限公司 | 基于深度学习的非机动车骑车带人行为识别的检测方法 |
CN113313051B (zh) * | 2021-06-11 | 2023-04-18 | 昭通亮风台信息科技有限公司 | 一种违规使用他人etc行为的检测识别方法及系统 |
CN113313051A (zh) * | 2021-06-11 | 2021-08-27 | 昭通亮风台信息科技有限公司 | 一种违规使用他人etc行为的检测识别方法及系统 |
CN114007037B (zh) * | 2021-09-18 | 2023-03-07 | 华中科技大学 | 一种视频前端智能监控系统、方法、计算机设备、终端 |
CN114007037A (zh) * | 2021-09-18 | 2022-02-01 | 华中科技大学 | 一种视频前端智能监控系统、方法、计算机设备、终端 |
CN114187758A (zh) * | 2021-10-18 | 2022-03-15 | 中标慧安信息技术股份有限公司 | 基于智能道路边缘计算网关的车辆检测方法和系统 |
CN115273456A (zh) * | 2022-06-14 | 2022-11-01 | 北京车网科技发展有限公司 | 一种两轮电动车违规行驶的判定方法、系统和存储介质 |
CN115273456B (zh) * | 2022-06-14 | 2023-08-29 | 北京车网科技发展有限公司 | 一种两轮电动车违规行驶的判定方法、系统和存储介质 |
CN115100871A (zh) * | 2022-06-20 | 2022-09-23 | 钟孟玲 | 一种行人交通违规识别方法及系统 |
CN114898563B (zh) * | 2022-07-08 | 2022-11-11 | 之江实验室 | 交叉路口车辆违规事件检测方法、电子设备、存储介质 |
CN114898563A (zh) * | 2022-07-08 | 2022-08-12 | 之江实验室 | 交叉路口车辆违规事件检测方法、电子设备、存储介质 |
CN116977906A (zh) * | 2023-09-22 | 2023-10-31 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种实时展示行人违规翻越道路隔离带方法 |
CN116977906B (zh) * | 2023-09-22 | 2023-12-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种实时展示行人违规翻越道路隔离带方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717433A (zh) | 一种基于深度学习的交通违规分析方法及装置 | |
CN102768801B (zh) | 基于视频的机动车绿灯跟进违章行为的检测方法 | |
CN103116987B (zh) | 一种基于监控视频处理的车流统计和违规检测的方法 | |
CN102903239B (zh) | 交通路口车辆左右违章转向检测方法和系统 | |
CN107301776A (zh) | 基于视频检测技术的车道路况处理及发布方法 | |
CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
CN108986472B (zh) | 一种掉头车辆监控方法及装置 | |
Chang et al. | Video analytics in smart transportation for the AIC'18 challenge | |
CN107590999A (zh) | 一种基于卡口数据的交通状态判别方法 | |
CN106548629A (zh) | 基于数据融合的交通违法行为检测方法和系统 | |
WO2022213542A1 (zh) | 基于激光雷达和轨迹预测的信控交叉口清空方法和系统 | |
CN110796862A (zh) | 一种基于人工智能的高速公路交通状况检测系统及方法 | |
CN113903008A (zh) | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 | |
CN112149595A (zh) | 一种利用无人机检测车道线及车辆违规的方法 | |
CN108682154B (zh) | 基于车流状态变化深度学习分析的道路拥堵检测系统 | |
CN114495514A (zh) | 一种多源数据协同的车辆违规掉头热点区域识别方法 | |
Kadim et al. | Real-time deep-learning based traffic volume count for high-traffic urban arterial roads | |
CN110610118A (zh) | 交通参数采集方法及装置 | |
Pan et al. | Identifying Vehicles Dynamically on Freeway CCTV Images through the YOLO Deep Learning Model. | |
CN115394089A (zh) | 一种车辆信息融合展示的方法、无感通行系统及存储介质 | |
CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 | |
CN113850111A (zh) | 基于语义分割和神经网络技术的路况识别方法和系统 | |
CN113850112A (zh) | 基于孪生神经网络的路况识别方法和系统 | |
CN113177443A (zh) | 一种基于图像视觉的智能识别道路交通违章的方法 | |
CN113128847A (zh) | 一种基于激光雷达的出入口匝道实时风险预警系统及方法 |
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 |
Application publication date: 20200121 |
|
RJ01 | Rejection of invention patent application after publication |