CN110796862A - 一种基于人工智能的高速公路交通状况检测系统及方法 - Google Patents
一种基于人工智能的高速公路交通状况检测系统及方法 Download PDFInfo
- Publication number
- CN110796862A CN110796862A CN201911068526.2A CN201911068526A CN110796862A CN 110796862 A CN110796862 A CN 110796862A CN 201911068526 A CN201911068526 A CN 201911068526A CN 110796862 A CN110796862 A CN 110796862A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detection
- traffic condition
- weather
- server
- 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
- 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
-
- 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
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/097—Supervising of traffic control systems, e.g. by giving an alarm if two crossing streets have green light simultaneously
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
- G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Abstract
本发明公开一种基于人工智能的高速公路交通状况检测系统及方法,系统包括图像采集摄像头、天气检测服务器、车辆识别服务器、车辆追踪服务器、交通状况检测器;车辆识别服务器根据视频流和天气检测结果,实时监测识别高速公路上来往车辆;车辆追踪服务器根据视频流和车辆定位识别结果,实现对车辆的实时跟踪;交通状况检测器根据视频流、天气检测结果和车辆追踪结果,调用不同天气条件下的检测器,实现对高速公路交通状况的检测。本发明可以非常方便地与现有高速公路视频监控系统融合,具备实时地、自动化地对高速公路上的交通状况、高速公路上的天气状况,以及不同天气情况下高速公路上的路面状况等指标进行实时且自动的统计。
Description
技术领域
本发明涉及智能检测技术领域,具体为一种基于人工智能的高速公路交通状况检测系统及方法。
背景技术
在现在的高速公路交通状况检测系统中,尤其是在一些大城市高速出入口里,经常会出现道路拥堵、车辆缓行、非法停车等一些交通状况,或者由于突然状况交通意外等造成的车辆拥堵等情况。这对在高速上出行的车辆和相关部门的高速交通管控造成了很大的不便。
所以需要对高速公路上的交通状况进行实时的检测与监控,当检测到交通状况不佳时,如道路拥堵、车辆缓行、非法停车、行人入侵等,会在第一时间报警记录下来并通知到有关部门从而及时通知附近来往的车辆。这对车辆出行和对高速交通的管理提供了很大的便利。
发明内容
针对上述问题,本发明的目的在于提供一种能够实时的对高速公路道路上的交通状况进行检测并在出现突然状况时实时的进行报警通知相关部门和行驶车辆的基于人工智能的高速公路交通状况检测系统及方法。技术方案如下:
一种基于人工智能的高速公路交通状况检测系统,包括图像采集摄像头、天气检测服务器、车辆识别服务器、车辆追踪服务器、交通状况检测器和交通事件报警器;
(1)图像采集摄像头实时监视并采集高速公路场景画面,并传递视频流给天气检测服务器、车辆识别服务器、车辆追踪服务器和交通状况检测器;
(2)天气检测服务器从视频流里每间隔一段时间解码一帧图片,定为关键帧;基于关键帧实现高速公路实时天气检测,并将天气检测结果送入到车辆识别服务器,支撑不同天气情况下的车辆识别;
(3)车辆识别服务器根据视频流和天气检测结果,实时监测识别高速公路上来往车辆,并将车辆定位识别结果发送给车辆追踪服务器;
(4)车辆追踪服务器根据视频流和车辆定位识别结果,实现对车辆的实时跟踪,并将车辆追踪结果发动给交通状况检测器;
(5)交通状况检测器根据视频流、天气检测结果和车辆追踪结果,调用不同天气条件下的检测器,实现对高速公路交通状况的检测,当检测到道路拥堵、车辆缓行和非法停车的交通状态时,由交通事件报警器发出警报通知到路况管理人员处理。
进一步的,所述车辆识别服务器包括晴天车辆识别服务器、雨天车辆识别服务器、雾天车辆识别服务器和雪天车辆识别服务器;所述车辆追踪服务器包括晴天车辆追踪器、雨天车辆追踪器、雾天车辆追踪器和雪天车辆追踪器;交通状况检测器包括晴天交通状况检测器、雨天交通状况检测器、雾天交通状况检测器和雪天交通状况检测器。
更进一步的,还包括数据分析处理中心和前端展示界面;数据分析处理中心对历史信息按每天每周每月的形式进行数据统计,生成统计信息,并在此基础上形成日报、周报和月报;前端展示界面用于展示实时道路交通状况信息及历史报警信息统计。
一种基于人工智能的高速公路交通状况检测方法,包括以下步骤:
步骤1:图像采集摄像头实时监视并采集高速公路场景画面,并传递视频流给天气检测服务器;
步骤2:天气检测服务器从视频流里每间隔一段时间解码一帧图片,定为关键帧;基于关键帧实现高速公路晴天、雨天、小雾、大雾和雪天的实时天气检测,并将天气检测结果送入到车辆识别服务器;
步骤3:车辆识别服务器将图像采集摄像头传输过来的视频流解码成单帧图片,再根据天气检测结果,调用晴天、雨天、小雾、大雾或雪天不同天气条件下的目标检测算法,对高速公路车辆进行定位和识别,并计算置信度;根据不同目标检测服务器的置信度阈值,过滤置信度较低的检测结果,输出车辆实时监测结果,包括车辆类型和目标车辆位置;
步骤4:车辆追踪服务器从车辆识别服务器中得到连续两关键帧的检测结果信息与该检测信息相对应的图片,根据两关键帧的检测结果进行匹配,并预测出两关键帧的中间帧的目标信息;根据对应天气条件的车辆识别服务器的检测结果,对车辆进行追踪;
步骤5:根据天气检测结果和车辆追踪结果,对应天气条件的交通状况检测器对高速公路交通状况进行检测,当检测到道路拥堵、车辆缓行和非法停车的交通状态时,由交通事件报警器发出警报通知到路况管理人员处理。
进一步的,所述步骤3中采用深度学习方法,训练包括轿车、卡车、客车、危化车的目标车辆分别在晴天、雨天、小雾、大雾或雪天的自动识别模型,用于实时进行不同种类的车检测;同时结合计算机视觉技术以及深度学习方法,将高速公路的道路与背景进行有效分离,从而只检测道路内的车辆。
更进一步的,所述步骤5中对应天气条件的交通状况检测器对高速公路交通状况进行检测包括:
晴天交通状况检测:将每一辆车赋予一个车速的相对值,再根据每辆车的车速相对值的情况与车辆的数量、行驶方向、距离判断出为道路畅通、道路拥堵、车辆缓行或非法停车的交通状况;
雨天交通状况检测:首先调用水痕检测器,检测车辆行驶的水痕大小,根据水痕大小与车辆移动的相对位置来判断出道路畅通、车辆缓行或道路拥堵的交通状况;
雾天交通状况检测:当某个区域频繁出现目标框时,将相邻的目标根据提取的特征进行二次跟踪,再利用二次跟踪的结果计算出车速和行驶放行,从而判断道路状况事件;
雪天交通状况检测:取出雪天道路上雪的特征,再利用雪天道路分割将道路上有积雪的区域和没有积雪的区域分割开来;当车辆行驶到没积雪的区域时,进行车速和车辆行驶方向的判断,从而分析出道路状况事件。
本发明的有益效果是:本发明可以非常方便地与现有高速公路视频监控系统融合,具备实时地、自动化地对高速公路上的交通状况、高速公路上的天气状况,以及不同天气情况下高速公路上的路面状况等指标进行实时且自动的统计。这些信息为高速公路交通管理人员提供实时准确的交通状况信息,从而为其进行高速公路管理提供可靠的数据支持。
附图说明
图1为本发明基于人工智能的高速公路交通状况检测系统的系统逻辑组成图。
图2为本发明基于人工智能的高速公路交通状况检测系统的车辆识别算法流程图。
图3为本发明基于人工智能的高速公路交通状况检测系统的车辆追踪算法流程图。
图4为本发明基于人工智能的高速公路交通状况检测系统在晴天检测结果下的交通状况分析流程图。
图5为本发明基于人工智能的高速公路交通状况检测系统非法停车检测图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。本发明基于人工智能的高速公路交通状况检测系统的逻辑组成如图1所示:由图像采集摄像头、天气检测服务器、车辆识别服务器、车辆追踪服务器、交通状况检测器,交通事件报警器,数据分析处理中心和前端展示界面组成。
1)图像采集摄像头C:可以为单个或多个摄像头,用于实时监视并采集高速公路场景画面,并传递视频流。支持单路和多路视频采集。
2)天气检测服务器WS:接收1)的视频流,从视频流里每间隔一段时间解码一帧图片,定为关键帧;基于关键帧实现高速公路晴天、雨天、小雾、大雾、雪天的实时天气检测,输出天气检测结果;同时,将天气检测结果送入到车辆识别服务器,支撑不同天气情况下的车辆识别。具体方法是利用深度学习图像分类算法,训练构建好的天气数据集,再根据需要扩充数据集,以达到训练的效果并提高准确率,训练好的天气分类模型可以自动识别场景里的天气类别。
3)车辆识别服务器:接受2)的天气检测结果,实现高速公路上来往车辆的实时监测,输出车辆识别结果,如图2所示,其具体实施方式包括:
a)目标检测技术:采用深度学习方法,训练包括有轿车、卡车、客车、危化车等目标的自动识别模型,用于实时的不同种类的车检测;
b)场景分割技术:结合传统计算机视觉技术以及深度学习方法,可以将高速公路的道路与背景进行有效分离,从而只检测道路内的车辆,用于提高车辆识别准确率。
将1)传输过来的视频流解码成单帧图片,再根据2)的天气检测结果,调用晴天、雨天、小雾、大雾、雪天不同天气条件下的目标检测算法,对高速公路车辆进行定位和识别,并计算置信度;根据不同目标检测服务器的置信度阈值,过滤置信度较低的检测结果,输出车辆实时监测结果。
车辆识别服务器VS包括:
晴天车辆识别服务器CS:利用深度学习目标检测方法,通过训练晴天的车辆数据集,实现晴天的车辆检测。
雨天车辆识别服务器RS:利用深度学习目标检测方法,通过训练雨天的车辆数据集,实现雨天的车辆检测。
雾天车辆识别服务器FS:利用深度学习目标检测方法,通过训练雾天的车辆数据集,实现雾天的车辆检测。
雪天车辆识别服务器SS:利用深度学习目标检测方法,通过训练雪天的车辆数据集,实现晴雪天的车辆检测。
4)车辆追踪服务器TV:接受3)车辆识别结果,实现对车辆的实时跟踪,输出车辆跟踪结果,如图3所示,其具体实施技术:多目标跟踪技术:可采用改进的Sort、DeepSort等多目标跟踪算法,对不同种类的车辆等目标进行实时追踪。
车辆追踪服务器从车辆识别服务器中得到连续两关键帧的检测结果信息与该检测信息相对应的图片;根据两关键帧的检测结果与帧进行匹配两关键帧的目标检测结果,并预测出两关键帧的中间帧的目标信息。
车辆追踪服务器TV包括:
晴天车辆追踪器CT:根据晴天车辆识别服务器的检测结果,对车辆进行追踪。
雨天车辆追踪器RT:根据雨天车辆识别服务器的检测结果,对车辆进行追踪。
雾天车辆追踪器FT:根据雾天车辆识别服务器的检测结果,对车辆进行追踪。
雪天车辆追踪器ST:根据雪天车辆识别服务器的检测结果,对车辆进行追踪。
5)交通状况检测器:接受1)的视频流、2)的天气检测结果,以及3)4)的车辆检测追踪结果,调用晴天、雨天、小雾、大雾、雪天不同天气条件下的交通状况检测器,实现对高速公路道路拥堵、车辆缓行、非法停车等交通状况的检测,其具体步骤包括:
a)晴天交通状况检测:将每一辆车赋予一个车速的相对值,再根据每辆车的车速相对值的情况与车辆的数量、行驶方向、距离等判断出道路拥堵、车辆缓行、非法停车等交通状况,如图4所示;
b)雨天交通状况检测:首先调用水痕检测器,检测车辆行驶的水痕大小,根据水痕大小与车辆移动的相对位置来判断车辆缓行、道路拥堵等交通状况;
c)雾天交通状况检测:雾天追踪后的检测结果容易丢失且行驶速度较慢,当某个区域频繁出现目标框时,将相邻的目标根据提取的特征进行二次跟踪,再利用二次跟踪的结果计算出车速、行驶放行等,从而判断道路状况等事件;
d)雪天交通状况检测:取出雪天道路上雪的特征,再利用雪天道路分割将道路上有积雪的区域和没有积雪的区域分割开来;当车辆行驶到没积雪的区域时,进行车速和车辆行驶方向的判断,从而分析出道路状况事件。
6)交通事件报警器:当检测出某个高速公路路段出现道路拥堵、车辆缓行、非法停车等交通状况时,实时进行报警并记录下来通知到路况管理人员。具体采用短信通知和警报器报警的方式进行事件报警。
7)数据分析处理中心:用于对历史信息按每天每周每月的形式进行数据统计,生成柱状图,折线图,饼图等统计信息,并在此基础上形成日报,周报,月报。采用mysql数据库记录各项数据并进行统计计算插入数据库,利用sql语句插入数据库,并把事件图片、事件视频存入指定文件夹下以便前端查看。
8)前端展示界面:可以方便管理人员实时查看道路交通状况信息,并且可以查看历史报警信息统计。具体展示的内容如下:
a)各个高速公路路段每日/周/月的道路拥堵次数。
b)各个高速公路路段每日/周/月的车辆缓行次数。
c)各个高速公路路段每日/周/月的非法停车次数。
d)各个高速公路路段每日/周/月的车辆逆行次数。
e)各个高速公路路段发生交通状况的对比曲线图。
f)每个路段的天气状况类别饼图。
检测方法包括以下步骤:
步骤1:图像采集摄像头实时监视并采集高速公路场景画面,并传递视频流给天气检测服务器;
步骤2:天气检测服务器从视频流里每间隔一段时间解码一帧图片,定为关键帧;基于关键帧实现高速公路晴天、雨天、小雾、大雾和雪天的实时天气检测,并将天气检测结果送入到车辆识别服务器;
步骤3:车辆识别服务器将图像采集摄像头传输过来的视频流解码成单帧图片,再根据天气检测结果,调用晴天、雨天、小雾、大雾或雪天不同天气条件下的目标检测算法,对高速公路车辆进行定位和识别,并计算置信度;根据不同目标检测服务器的置信度阈值,过滤置信度较低的检测结果,输出车辆实时监测结果,包括车辆类型和目标车辆位置。
采用深度学习方法,训练包括轿车、卡车、客车、危化车的目标车辆分别在晴天、雨天、小雾、大雾或雪天的自动识别模型,用于实时进行不同种类的车检测;同时结合计算机视觉技术以及深度学习方法,将高速公路的道路与背景进行有效分离,从而只检测道路内的车辆。
步骤4:车辆追踪服务器从车辆识别服务器中得到连续两关键帧的检测结果信息与该检测信息相对应的图片,根据两关键帧的检测结果进行匹配,并预测出两关键帧的中间帧的目标信息;根据对应天气条件的车辆识别服务器的检测结果,对车辆进行追踪;
步骤5:根据天气检测结果和车辆追踪结果,对应天气条件的交通状况检测器对高速公路交通状况进行检测,当检测到道路拥堵、车辆缓行和非法停车的交通状态时,由交通事件报警器发出警报通知到路况管理人员处理。
Claims (6)
1.一种基于人工智能的高速公路交通状况检测系统,其特征在于,包括图像采集摄像头、天气检测服务器、车辆识别服务器、车辆追踪服务器、交通状况检测器和交通事件报警器;
(1)图像采集摄像头实时监视并采集高速公路场景画面,并传递视频流给天气检测服务器、车辆识别服务器、车辆追踪服务器和交通状况检测器;
(2)天气检测服务器从视频流里每间隔一段时间解码一帧图片,定为关键帧;基于关键帧实现高速公路实时天气检测,并将天气检测结果送入到车辆识别服务器,支撑不同天气情况下的车辆识别;
(3)车辆识别服务器根据视频流和天气检测结果,实时监测识别高速公路上来往车辆,并将车辆定位识别结果发送给车辆追踪服务器;
(4)车辆追踪服务器根据视频流和车辆定位识别结果,实现对车辆的实时跟踪,并将车辆追踪结果发动给交通状况检测器;
(5)交通状况检测器根据视频流、天气检测结果和车辆追踪结果,调用不同天气条件下的检测器,实现对高速公路交通状况的检测,当检测到道路拥堵、车辆缓行和非法停车的交通状态时,由交通事件报警器发出警报通知到路况管理人员处理。
2.根据权利要求1所述的基于人工智能的高速公路交通状况检测系统,其特征在于,所述车辆识别服务器包括晴天车辆识别服务器、雨天车辆识别服务器、雾天车辆识别服务器和雪天车辆识别服务器;所述车辆追踪服务器包括晴天车辆追踪器、雨天车辆追踪器、雾天车辆追踪器和雪天车辆追踪器;交通状况检测器包括晴天交通状况检测器、雨天交通状况检测器、雾天交通状况检测器和雪天交通状况检测器。
3.根据权利要求1所述的基于人工智能的高速公路交通状况检测系统,其特征在于,还包括数据分析处理中心和前端展示界面;数据分析处理中心对历史信息按每天每周每月的形式进行数据统计,生成统计信息,并在此基础上形成日报、周报和月报;前端展示界面用于展示实时道路交通状况信息及历史报警信息统计。
4.一种如权利要求2所述的基于人工智能的高速公路交通状况检测系统的检测方法,其特征在于,包括以下步骤:
步骤1:图像采集摄像头实时监视并采集高速公路场景画面,并传递视频流给天气检测服务器;
步骤2:天气检测服务器从视频流里每间隔一段时间解码一帧图片,定为关键帧;基于关键帧实现高速公路晴天、雨天、小雾、大雾和雪天的实时天气检测,并将天气检测结果送入到车辆识别服务器;
步骤3:车辆识别服务器将图像采集摄像头传输过来的视频流解码成单帧图片,再根据天气检测结果,调用晴天、雨天、小雾、大雾或雪天不同天气条件下的目标检测算法,对高速公路车辆进行定位和识别,并计算置信度;根据不同目标检测服务器的置信度阈值,过滤置信度较低的检测结果,输出车辆实时监测结果,包括车辆类型和目标车辆位置;
步骤4:车辆追踪服务器从车辆识别服务器中得到连续两关键帧的检测结果信息与该检测信息相对应的图片,根据两关键帧的检测结果进行匹配,并预测出两关键帧的中间帧的目标信息;根据对应天气条件的车辆识别服务器的检测结果,对车辆进行追踪;
骤5:根据天气检测结果和车辆追踪结果,对应天气条件的交通状况检测器对高速公路交通状况进行检测,当检测到道路拥堵、车辆缓行和非法停车的交通状态时,由交通事件报警器发出警报通知到路况管理人员处理。
5.根据权利要求4所述的检测方法,其特征在于,所述步骤3中采用深度学习方法,训练包括轿车、卡车、客车、危化车的目标车辆分别在晴天、雨天、小雾、大雾或雪天的自动识别模型,用于实时进行不同种类的车检测;同时结合计算机视觉技术以及深度学习方法,将高速公路的道路与背景进行有效分离,从而只检测道路内的车辆。
6.根据权利要求4所述的检测方法,其特征在于,所述步骤5中对应天气条件的交通状况检测器对高速公路交通状况进行检测包括:
晴天交通状况检测:将每一辆车赋予一个车速的相对值,再根据每辆车的车速相对值的情况与车辆的数量、行驶方向、距离判断出为道路畅通、道路拥堵、车辆缓行或非法停车的交通状况;
雨天交通状况检测:首先调用水痕检测器,检测车辆行驶的水痕大小,根据水痕大小与车辆移动的相对位置来判断出道路畅通、车辆缓行或道路拥堵的交通状况;
雾天交通状况检测:当某个区域频繁出现目标框时,将相邻的目标根据提取的特征进行二次跟踪,再利用二次跟踪的结果计算出车速和行驶放行,从而判断道路状况事件;
雪天交通状况检测:取出雪天道路上雪的特征,再利用雪天道路分割将道路上有积雪的区域和没有积雪的区域分割开来;当车辆行驶到没积雪的区域时,进行车速和车辆行驶方向的判断,从而分析出道路状况事件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911068526.2A CN110796862B (zh) | 2019-11-05 | 2019-11-05 | 一种基于人工智能的高速公路交通状况检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911068526.2A CN110796862B (zh) | 2019-11-05 | 2019-11-05 | 一种基于人工智能的高速公路交通状况检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796862A true CN110796862A (zh) | 2020-02-14 |
CN110796862B CN110796862B (zh) | 2021-09-07 |
Family
ID=69442697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911068526.2A Active CN110796862B (zh) | 2019-11-05 | 2019-11-05 | 一种基于人工智能的高速公路交通状况检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796862B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065478A (zh) * | 2021-04-09 | 2021-07-02 | 长安大学 | 一种复杂天气道路车辆目标检测方法 |
CN114187752A (zh) * | 2022-02-14 | 2022-03-15 | 西南交通大学 | 危化品车辆在跨海桥梁运输中的预警系统及方法 |
CN114627405A (zh) * | 2022-02-14 | 2022-06-14 | 苏州大学 | 一种车辆集成视觉识别方法 |
CN116363882A (zh) * | 2023-06-01 | 2023-06-30 | 山东高速信息集团有限公司 | 一种高速公路拥堵处理方法、设备及介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS54123900A (en) * | 1978-03-17 | 1979-09-26 | Omron Tateisi Electronics Co | Measuring unit for traffic flow |
JP2002056491A (ja) * | 2000-08-08 | 2002-02-22 | Toshiba Corp | 道路監視装置 |
US20030060969A1 (en) * | 2001-09-27 | 2003-03-27 | Waite Jonathan L. | System and method for identification of traffic lane positions |
CN1832572A (zh) * | 2006-04-10 | 2006-09-13 | 北京铱星世纪数字应用开发有限责任公司 | 摄像机模式切换控制系统 |
CN1862620A (zh) * | 2006-06-12 | 2006-11-15 | 黄席樾 | 高速公路汽车行驶智能检测预警方法及其预警系统 |
CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及系统 |
CN101030259A (zh) * | 2006-02-28 | 2007-09-05 | 沈阳东软软件股份有限公司 | Svm分类器、利用svm分类器识别车辆图像的方法和装置 |
CN101110161A (zh) * | 2007-08-31 | 2008-01-23 | 北京科技大学 | 一种车型自动识别和车流量自动检测系统及其方法 |
CN101916383A (zh) * | 2010-08-25 | 2010-12-15 | 浙江师范大学 | 基于多摄像机的车辆检测跟踪识别系统 |
WO2012002005A1 (ja) * | 2010-06-29 | 2012-01-05 | 富士通テン株式会社 | 情報配信装置 |
CN102496284A (zh) * | 2011-12-24 | 2012-06-13 | 重庆大学 | 一种道路交通流量采集及预测方法 |
CN102646332A (zh) * | 2011-02-21 | 2012-08-22 | 日电(中国)有限公司 | 基于数据融合的交通状态估计装置和方法 |
CN103236160A (zh) * | 2013-04-07 | 2013-08-07 | 水木路拓科技(北京)有限公司 | 基于视频图像处理技术的路网交通状态监测系统 |
CN104200670A (zh) * | 2014-08-26 | 2014-12-10 | 长沙理工大学 | 一种基于车辆地磁感应特征的车辆车型识别方法 |
CN204596151U (zh) * | 2015-04-03 | 2015-08-26 | 广东安居宝智能控制系统有限公司 | 车辆图像采集系统 |
CN106530746A (zh) * | 2016-10-28 | 2017-03-22 | 江苏信息职业技术学院 | 一种基于视频技术的车速检测装置及检测方法 |
-
2019
- 2019-11-05 CN CN201911068526.2A patent/CN110796862B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS54123900A (en) * | 1978-03-17 | 1979-09-26 | Omron Tateisi Electronics Co | Measuring unit for traffic flow |
JP2002056491A (ja) * | 2000-08-08 | 2002-02-22 | Toshiba Corp | 道路監視装置 |
US20030060969A1 (en) * | 2001-09-27 | 2003-03-27 | Waite Jonathan L. | System and method for identification of traffic lane positions |
CN101030259A (zh) * | 2006-02-28 | 2007-09-05 | 沈阳东软软件股份有限公司 | Svm分类器、利用svm分类器识别车辆图像的方法和装置 |
CN1832572A (zh) * | 2006-04-10 | 2006-09-13 | 北京铱星世纪数字应用开发有限责任公司 | 摄像机模式切换控制系统 |
CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及系统 |
CN1862620A (zh) * | 2006-06-12 | 2006-11-15 | 黄席樾 | 高速公路汽车行驶智能检测预警方法及其预警系统 |
CN101110161A (zh) * | 2007-08-31 | 2008-01-23 | 北京科技大学 | 一种车型自动识别和车流量自动检测系统及其方法 |
WO2012002005A1 (ja) * | 2010-06-29 | 2012-01-05 | 富士通テン株式会社 | 情報配信装置 |
CN101916383A (zh) * | 2010-08-25 | 2010-12-15 | 浙江师范大学 | 基于多摄像机的车辆检测跟踪识别系统 |
CN102646332A (zh) * | 2011-02-21 | 2012-08-22 | 日电(中国)有限公司 | 基于数据融合的交通状态估计装置和方法 |
CN102496284A (zh) * | 2011-12-24 | 2012-06-13 | 重庆大学 | 一种道路交通流量采集及预测方法 |
CN103236160A (zh) * | 2013-04-07 | 2013-08-07 | 水木路拓科技(北京)有限公司 | 基于视频图像处理技术的路网交通状态监测系统 |
CN104200670A (zh) * | 2014-08-26 | 2014-12-10 | 长沙理工大学 | 一种基于车辆地磁感应特征的车辆车型识别方法 |
CN204596151U (zh) * | 2015-04-03 | 2015-08-26 | 广东安居宝智能控制系统有限公司 | 车辆图像采集系统 |
CN106530746A (zh) * | 2016-10-28 | 2017-03-22 | 江苏信息职业技术学院 | 一种基于视频技术的车速检测装置及检测方法 |
Non-Patent Citations (3)
Title |
---|
DA ZHANG ET AL.: "Combining Weather Condition Data to Predict Traffic Flow: A GRU Based Deep Learning Approach", 《IEEE》 * |
刘博艺 等: "复杂动态环境下运动车辆的识别方法", 《计算机科学与探索》 * |
孙夕雄: "不同天气情况下的高速公路交通流特性研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065478A (zh) * | 2021-04-09 | 2021-07-02 | 长安大学 | 一种复杂天气道路车辆目标检测方法 |
CN114187752A (zh) * | 2022-02-14 | 2022-03-15 | 西南交通大学 | 危化品车辆在跨海桥梁运输中的预警系统及方法 |
CN114187752B (zh) * | 2022-02-14 | 2022-04-15 | 西南交通大学 | 危化品车辆在跨海桥梁运输中的预警系统及方法 |
CN114627405A (zh) * | 2022-02-14 | 2022-06-14 | 苏州大学 | 一种车辆集成视觉识别方法 |
CN114627405B (zh) * | 2022-02-14 | 2022-11-18 | 苏州大学 | 一种车辆集成视觉识别方法 |
CN116363882A (zh) * | 2023-06-01 | 2023-06-30 | 山东高速信息集团有限公司 | 一种高速公路拥堵处理方法、设备及介质 |
CN116363882B (zh) * | 2023-06-01 | 2023-09-01 | 山东高速信息集团有限公司 | 一种高速公路拥堵处理方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110796862B (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11074813B2 (en) | Driver behavior monitoring | |
CN110796862B (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 | |
US11380105B2 (en) | Identification and classification of traffic conflicts | |
Bas et al. | Automatic vehicle counting from video for traffic flow analysis | |
CN108550262B (zh) | 基于毫米波雷达的城市交通感知系统 | |
US11836985B2 (en) | Identifying suspicious entities using autonomous vehicles | |
CN110717433A (zh) | 一种基于深度学习的交通违规分析方法及装置 | |
EP3403219A1 (en) | Driver behavior monitoring | |
CN111126171A (zh) | 一种车辆逆行检测方法及系统 | |
Fernández-Caballero et al. | Road-traffic monitoring by knowledge-driven static and dynamic image analysis | |
CN111798678A (zh) | 一种基于大数据的城市交通智能监控协调管理系统 | |
CN103914688A (zh) | 一种城市道路障碍物识别系统 | |
KR20100119476A (ko) | 연속류도로 사고 및 돌발 자동판별 검지시스템 및 그 방법 | |
CN113706737A (zh) | 基于自动驾驶车辆的路面巡检系统及方法 | |
CN111754786A (zh) | 一种识别高速公路交通工具通行事件的系统 | |
CN111899514A (zh) | 一种人工智能的拥堵检测系统 | |
Mampilayil et al. | Deep learning based detection of one way traffic rule violation of three wheeler vehicles | |
KR101133222B1 (ko) | 영상기반의 사고 검지 시스템 및 방법 | |
Kamijo et al. | Development and evaluation of real-time video surveillance system on highway based on semantic hierarchy and decision surface | |
Detzer et al. | Analysis of traffic safety for cyclists: The automatic detection of critical traffic situations for cyclists | |
CN113919571A (zh) | 基于边缘计算的危化品运输保费预估方法 | |
Arai et al. | Method for traffic flow estimation using on-dashboard camera image | |
CN115909791A (zh) | 一种基于交通的高速公路交通讯息智能识别检测器及检测方法 | |
Mohammed et al. | Autonomous driving object detection using ACF | |
Madhavan | Traffic Flow Rate Determination & Parking Efficiency Improvement Using Artificial Intelligence/Computer Vision |
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 |