CN110807924A - 基于全量全样实时交通数据的多参数融合方法及系统 - Google Patents
基于全量全样实时交通数据的多参数融合方法及系统 Download PDFInfo
- Publication number
- CN110807924A CN110807924A CN201911066554.0A CN201911066554A CN110807924A CN 110807924 A CN110807924 A CN 110807924A CN 201911066554 A CN201911066554 A CN 201911066554A CN 110807924 A CN110807924 A CN 110807924A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- traffic
- full
- traffic flow
- 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
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于全量全样实时交通数据的多参数融合方法及系统，该方法包括：基于监控视频的图像序列提取运动车辆得到车辆轨迹数据，对各个车辆类型的车辆轨迹数据进行数理统计得到交通流数据；基于雷达微波数据和地磁线圈数据分别提取交通流数据；对车辆轨迹数据、雷达微波数据和地磁线圈数据分别得到交通流数据中的任意参数按照设定的各个权重进行融合。对多源异构信息在形式上具有的多样性和复杂性特点，针对线圈数据、雷达微波数据与道路监控视频监控视频这三个来源的数据进行处理，结合数据挖掘与数据融合技术，构建多模态信息融合模型。基于全量全样实时交通数据的有效融合，可以获得更有用且全面的交通信息，更好的解决城市交通问题。
Description
技术领域
本发明涉及道路交通仿真技术领域，尤其涉及一种基于全量全样实时交通数据的多参数融合方法及系统。
背景技术
随着汽车保有量的大幅增长，交通拥堵不仅影响着居民的生活，更成为了阻碍了国民经济的进一步发展的“城市病”。道路交通拥堵产生的根本原因是交通需求与交通供给在时间和空间上的不平衡引起的。
当前，传统的道路交通数据应用大多仅针对单数据源数据，不能获得全面且准确的道路交通状态及交通需求，因此不能有效地解决道路交通拥堵问题。随着城市道路及配套设施建设的不断完善，雷达微波、道路监控及地磁线圈等道路监控设施产生了海量的道路交通大数据。如何从全量全样大数据中提取更有用且全面的交通信息成为要解决的问题。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于全量全样实时交通数据的多参数融合方法及系统，解决现有技术中交通大数据的数据量大的问题。
本发明解决上述技术问题的技术方案如下：一种基于全量全样实时交通数据的多参数融合方法，所述方法包括：
步骤1，基于监控视频的图像序列提取运动车辆得到车辆轨迹数据，对各个车辆类型的车辆轨迹数据进行数理统计得到交通流数据，所述车辆类型包括大型车辆和小型车辆；
步骤2，基于雷达微波数据和地磁线圈数据分别提取交通流数据；
步骤3，对所述车辆轨迹数据、雷达微波数据和地磁线圈数据分别得到交通流数据中的任意参数按照设定的各个权重进行融合。
一种基于全量全样实时交通数据的多参数融合系统，所述系统包括：监控视频数据处理模块、雷达微波和地磁线圈数据处理模块和数据融合模块；
监控视频数据处理模块，用于基于监控视频的图像序列提取运动车辆得到车辆轨迹数据，对各个车辆类型的车辆轨迹数据进行数理统计得到交通流数据，所述车辆类型包括大型车辆和小型车辆；
雷达微波和地磁线圈数据处理模块，用于基于雷达微波数据和地磁线圈数据分别提取交通流数据；
数据融合模块，对所述车辆轨迹数据、雷达微波数据和地磁线圈数据分别得到交通流数据中的任意参数按照设定的各个权重进行融合。
本发明的有益效果是：针对多源异构信息在形式上具有的多样性和复杂性特点，针对线圈数据、雷达微波数据与道路监控视频监控视频这三个来源的数据进行处理，结合数据挖掘与数据融合技术，构建多模态信息融合模型。基于全量全样实时交通数据的有效融合，可以获得更有用且全面的交通信息，更好的解决城市交通问题。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述车辆轨迹数据包括：时间戳、车辆ID、车辆类型、车速、位置信息、所在车道信息和轨迹方向角的时序轨迹数据。
进一步，得到所述车辆轨迹数据的方法包括：
步骤101，从所述监控视频的图像序列中提取所述运动车辆；
步骤102，在所述监控视频的初始帧给定的目标检测框得到要跟踪的目标运动车辆；
步骤103，通过深度学习得到所述目标运动车辆的特性，根据所述特性在各个视频帧中定位所述目标运动车辆；
步骤104，根据监控摄像机像素坐标与世界坐标系的映射关系，获得所述目标运动车辆在任一时间戳下的车辆ID、车辆长、车辆宽、位置信息、所在车道信息和轨迹方向角；
根据车辆长和车辆宽确定车辆类型；根据两个采样点之间的车辆位置坐标变化与采样时间间隔比值计算所述车速；根据两个采样点之间的车辆位置坐标变化确定所述轨迹方向角。
进一步，所述交通流数据包括：路段断面车流量、实时单车速度、平均速度、交通密度、占有率、车辆类型、排队长度以及车头时距。
进一步，所述步骤1中还包括：基于所述监控视频提取道路环境特征数据，所述道路环境特征数据包括天气特征参数和突发事件发生状况。
进一步，所述步骤3中，根据天气特征参数、基于车辆轨迹数据的车流量、基于车辆轨迹数据的平均车速和基于车辆轨迹数据的大车比例确定各个权重，计算所述参数的加权平均值为融合后的参数值。
进一步，所述步骤3中还包括剔除所述车辆轨迹数据中异常轨迹。
采用上述进一步方案的有益效果是：实现获取交通流数据中的某一需求参数的更精确结果，如基于车辆轨迹数据提取路段某一特征向量(如流量、密度、速度等)后，与基于车型分类的车流数据中相应的参量通过某一融合算法得到该参量的精确融合结果。通过对交通流数据的参数融合，可实现对交通流数据的补充，同时可以剔除轨迹数据中异常轨迹。
附图说明
图1为发明提供的一种基于全量全样实时交通数据的多参数融合方法的流程图；
图2为发明提供的一种基于全量全样实时交通数据的多参数融合方法的实施例的流程图；
图3为本发明实施例提供的基于监控视频提取数据的流程图；
图4为本发明一种基于全量全样实时交通数据的多参数融合系统的实施例的结构框图；
图5为本发明实施例提供的一种电子设备的实体结构示意图。
附图中，各标号所代表的部件列表如下：
101、监控视频数据处理模块，102、雷达微波和地磁线圈数据处理模块，103、数据融合模块，201、处理器，202、通信接口，203、存储器，204、通信总线。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示为发明提供的一种基于全量全样实时交通数据的多参数融合方法的流程图，由图1可知，该方法包括：
步骤1，基于监控视频的图像序列提取运动车辆得到车辆轨迹数据，对各个车辆类型的车辆轨迹数据进行数理统计得到交通流数据，该车辆类型包括大型车辆和小型车辆。
步骤2，基于雷达微波数据和地磁线圈数据分别提取交通流数据。
步骤3，对车辆轨迹数据、雷达微波数据和地磁线圈数据分别得到交通流数据中的任意参数按照设定的各个权重进行融合。
本发明提供的一种基于全量全样实时交通数据的多参数融合方法，针对多源异构信息在形式上具有的多样性和复杂性特点，针对线圈数据、雷达微波数据与道路监控视频监控视频这三个来源的数据进行处理，结合数据挖掘与数据融合技术，构建多模态信息融合模型。基于全量全样实时交通数据的有效融合，可以获得更有用且全面的交通信息，更好的解决城市交通问题。
实施例1
本发明提供的实施例1为本发明提供的一种基于全量全样实时交通数据的多参数融合方法的实施例，如图2所示为本发明提供一种基于全量全样实时交通数据的多参数融合方法的实施例的流程图，由图2可知，该实施例包括：
步骤1，基于监控视频的图像序列提取运动车辆得到车辆轨迹数据，对各个车辆类型的车辆轨迹数据进行数理统计得到交通流数据，所述车辆类型包括大型车辆和小型车辆。如图3所示为本发明实施例提供的基于监控视频提取数据的流程图。
车辆轨迹数据包括：时间戳、车辆ID、车辆类型、车速、位置信息、所在车道信息和轨迹方向角的时序轨迹数据。
基于视频识别可识别在籍40多类车类型，本发明设定车型为：大型车辆和小型车辆。如下表1所示为车辆类型示意表。
| 类型代码 | 车辆类别 |
| 001 | 大型车辆 |
| 002 | 小型车辆 |
表1：车辆类型表
时间戳特征按小时、周、月、节假日设定。编码为X-XX-X-XX说明，注明：“节假日”-“月”-“周”-“小时”，如下表2所示为时间戳示意表：
表2：时间戳示意表
位置信息设定道路级别，道路等级，及道路区域。按照道路使用特点，可分为城市道路、公路、厂矿道路、林区道路和乡村道路。城市道路分为四类：快速路、主干路、次干路及支路。主干路及次干路按所在区域不同设定城市闹市区、中等闹事区、偏远区(以对交通干扰划分)。编码为X-X-X，注明：“道路分类”-“城市道路分类”-“(主干路、次干路)道路区域分类”，如“城市道路-快速路”编码为“1-1-0”。如下表3所示为位置信息示意表：
表3：位置信息示意表
车速和轨迹方向角等机动车胞元特征，编码为XX-XX说明，注明：“车速”-“角度”，如下表4所示为机动车胞元特征示意表：
表4：机动车胞元特征示意表
进一步的，步骤1中还包括：基于监控视频提取道路环境特征数据，道路环境特征数据包括天气特征参数和突发事件发生状况。
晴天、雨天、雪天、雾霾四种气候对车辆驾驶行为影响较大，其中雨天、雪天三种气候依据预警信号的严重程度分为四级，分别为Ⅳ级(一般)、Ⅲ级(较重)、Ⅱ级(严重)、Ⅰ级(特别严重)。雾霾依据严重程度分为三级，分别为Ⅳ级(一般)、Ⅲ级(较重)、Ⅱ级(严重)。编码为XX-X，注明：“气候类别”-“严重等级”，如“雨天-较重”编码为“02-3”，如下表5所示为天气特征参数示意表：
表5：天气特征参数示意表
具体的，车辆轨迹数据的方法包括：
步骤101，从监控视频的图像序列中提取运动车辆。
步骤102，在监控视频的初始帧给定的目标检测框得到要跟踪的目标运动车辆。
步骤103，通过深度学习得到目标运动车辆的特性，根据特性在各个视频帧中定位目标运动车辆。
步骤104，根据监控摄像机像素坐标与世界坐标系的映射关系，获得目标运动车辆在任一时间戳下的车辆ID、车辆长、车辆宽、位置信息、所在车道信息和轨迹方向角。
根据车辆长和车辆宽确定车辆类型；根据两个采样点之间的车辆位置坐标变化与采样时间间隔比值计算车速；根据两个采样点之间的车辆位置坐标变化确定轨迹方向角。
步骤2，基于雷达微波数据和地磁线圈数据分别提取交通流数据。
其中，雷达微波数据的获取方法为利用广域雷达微波检测器实时跟踪每个机动车，实时记录各类型机动车在多纬度条件下的交通行为并归纳行为特征，形成立机动车胞元特征库。
步骤3，对车辆轨迹数据、雷达微波数据和地磁线圈数据分别得到交通流数据中的任意参数按照设定的各个权重进行融合。交通流数据包括：路段断面车流量、实时单车速度、平均速度、交通密度、占有率、车辆类型、排队长度以及车头时距。
步骤3中，根据天气特征参数、基于车辆轨迹数据的车流量、基于车辆轨迹数据的平均车速和基于车辆轨迹数据的大车比例确定各个权重，计算参数的加权平均值为融合后的参数值。
该步骤3中还包括剔除车辆轨迹数据中异常轨迹。
交通流数据的参数融合可以实现对某一需求参数的更精确获取，如基于车辆轨迹数据提取路段某一特征向量(如流量、密度、速度等)后，与基于车型分类的车流数据中相应的参量通过某一融合算法得到该参量的精确融合结果。通过对交通流数据的参数融合，可实现对交通流数据的补充，同时可以剔除轨迹数据中异常轨迹。
对多模态交通数据进行多级融合处理，从而获得更为精确的交通模式识别结果。由于多模态交通数据从不同层面上对机动车的交通模式进行描述，当选择某一模态数据作为交通模式识别主体数据时，本实施例可以得到相应层面上的交通模式识别结果。同时，多模态交通数据之间互相补充，通过对多模态交通数据的多层融合，可以获得某一模态更准确的参数特征，也可以获得更全面、准确的交通模式识别结果。
实施例2
本发明提供的实施例2为本发明提供的一种基于全量全样实时交通数据的多参数融合系统的实施例，如图4所示，该系统包括：监控视频数据处理模块101、雷达微波和地磁线圈数据处理模块102和数据融合模块103。
监控视频数据处理模块101，用于基于监控视频的图像序列提取运动车辆得到车辆轨迹数据，对各个车辆类型的车辆轨迹数据进行数理统计得到交通流数据，该车辆类型包括大型车辆和小型车辆；
雷达微波和地磁线圈数据处理模块102，用于基于雷达微波数据和地磁线圈数据分别提取交通流数据；
数据融合模块103，对车辆轨迹数据、雷达微波数据和地磁线圈数据分别得到交通流数据中的任意参数按照设定的各个权重进行融合。
需要说明的是，本发明实施例提供的系统，具体执行上述各实施例中的方法，具体详见上述各方法实施例，本发明实施例对此不再进行赘述。
图5为本发明实施例提供的一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器201、通信接口202、存储器203和通信总线204，其中，处理器201，通信接口202，存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储在存储器203上并可在处理器201上运行的计算机程序，以执行上述各实施例提供的基于全量全样实时交通数据的多参数融合方法，例如包括：步骤1，基于监控视频的图像序列提取运动车辆得到车辆轨迹数据，对各个车辆类型的车辆轨迹数据进行数理统计得到交通流数据，该车辆类型包括大型车辆和小型车辆；步骤2，基于雷达微波数据和地磁线圈数据分别提取交通流数据；步骤3，对车辆轨迹数据、雷达微波数据和地磁线圈数据分别得到交通流数据中的任意参数按照设定的各个权重进行融合。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于全量全样实时交通数据的多参数融合方法，例如包括：步骤1，基于监控视频的图像序列提取运动车辆得到车辆轨迹数据，对各个车辆类型的车辆轨迹数据进行数理统计得到交通流数据，该车辆类型包括大型车辆和小型车辆；步骤2，基于雷达微波数据和地磁线圈数据分别提取交通流数据；步骤3，对车辆轨迹数据、雷达微波数据和地磁线圈数据分别得到交通流数据中的任意参数按照设定的各个权重进行融合。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于全量全样实时交通数据的多参数融合方法，其特征在于，所述方法包括：
步骤1，基于监控视频的图像序列提取运动车辆得到车辆轨迹数据，对各个车辆类型的车辆轨迹数据进行数理统计得到交通流数据，所述车辆类型包括大型车辆和小型车辆；
步骤2，基于雷达微波数据和地磁线圈数据分别提取交通流数据；
步骤3，对所述车辆轨迹数据、雷达微波数据和地磁线圈数据分别得到交通流数据中的任意参数按照设定的各个权重进行融合。
2.根据权利要求1所述的方法，其特征在于，所述车辆轨迹数据包括：时间戳、车辆ID、车辆类型、车速、位置信息、所在车道信息和轨迹方向角的时序轨迹数据。
3.根据权利要求2所述的方法，其特征在于，得到所述车辆轨迹数据的方法包括：
步骤101，从所述监控视频的图像序列中提取所述运动车辆；
步骤102，在所述监控视频的初始帧给定的目标检测框得到要跟踪的目标运动车辆；
步骤103，通过深度学习得到所述目标运动车辆的特性，根据所述特性在各个视频帧中定位所述目标运动车辆；
步骤104，根据监控摄像机像素坐标与世界坐标系的映射关系，获得所述目标运动车辆在任一时间戳下的车辆ID、车辆长、车辆宽、位置信息、所在车道信息和轨迹方向角；
根据车辆长和车辆宽确定车辆类型；根据两个采样点之间的车辆位置坐标变化与采样时间间隔比值计算所述车速；根据两个采样点之间的车辆位置坐标变化确定所述轨迹方向角。
4.根据权利要求1所述的方法，其特征在于，所述交通流数据包括：路段断面车流量、实时单车速度、平均速度、交通密度、占有率、车辆类型、排队长度以及车头时距。
5.根据权利要求1所述的方法，其特征在于，所述步骤1中还包括：基于所述监控视频提取道路环境特征数据，所述道路环境特征数据包括天气特征参数和突发事件发生状况。
6.根据权利要求5所述的方法，其特征在于，所述步骤3中，根据天气特征参数、基于车辆轨迹数据的车流量、基于车辆轨迹数据的平均车速和基于车辆轨迹数据的大车比例确定各个权重，计算所述参数的加权平均值为融合后的参数值。
7.根据权利要求1所述的方法，其特征在于，所述步骤3中还包括剔除所述车辆轨迹数据中异常轨迹。
8.一种基于全量全样实时交通数据的多参数融合系统，其特征在于，所述系统包括：监控视频数据处理模块、雷达微波和地磁线圈数据处理模块和数据融合模块；
监控视频数据处理模块，用于基于监控视频的图像序列提取运动车辆得到车辆轨迹数据，对各个车辆类型的车辆轨迹数据进行数理统计得到交通流数据，所述车辆类型包括大型车辆和小型车辆；
雷达微波和地磁线圈数据处理模块，用于基于雷达微波数据和地磁线圈数据分别提取交通流数据；
数据融合模块，对所述车辆轨迹数据、雷达微波数据和地磁线圈数据分别得到交通流数据中的任意参数按照设定的各个权重进行融合。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于全量全样实时交通数据的多参数融合方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于全量全样实时交通数据的多参数融合方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911066554.0A CN110807924A (zh) | 2019-11-04 | 2019-11-04 | 基于全量全样实时交通数据的多参数融合方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911066554.0A CN110807924A (zh) | 2019-11-04 | 2019-11-04 | 基于全量全样实时交通数据的多参数融合方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110807924A true CN110807924A (zh) | 2020-02-18 |
Family
ID=69501059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911066554.0A Pending CN110807924A (zh) | 2019-11-04 | 2019-11-04 | 基于全量全样实时交通数据的多参数融合方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110807924A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111489555A (zh) * | 2020-05-14 | 2020-08-04 | 武汉理工大学 | 一种交通运行状态预测方法、装置和系统 |
| CN111583675A (zh) * | 2020-05-14 | 2020-08-25 | 吴钢 | 一种区域路网交通信号灯协调控制系统和方法 |
| CN111681433A (zh) * | 2020-05-14 | 2020-09-18 | 黄传明 | 一种交叉口交通信号灯配时优化方法和装置 |
| CN112991738A (zh) * | 2021-03-19 | 2021-06-18 | 迈锐数据(无锡)有限公司 | 基于雷达、视频、地磁的一体式交通检测系统 |
| CN113011323A (zh) * | 2021-03-18 | 2021-06-22 | 北京百度网讯科技有限公司 | 通行状态的获取方法、相关装置、路侧设备及云控平台 |
| CN113554883A (zh) * | 2020-04-16 | 2021-10-26 | 珠海深圳清华大学研究院创新中心 | 车位检测装置及控制方法 |
| CN113850995A (zh) * | 2021-09-14 | 2021-12-28 | 华设设计集团股份有限公司 | 一种基于隧道雷视数据融合的事件检测方法、装置及系统 |
| WO2022109776A1 (zh) * | 2020-11-24 | 2022-06-02 | 罗伯特·博世有限公司 | 智能交通系统及其中的信息传输方法 |
| CN115879294A (zh) * | 2022-11-30 | 2023-03-31 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 一种基于多车环境感知的全样车流轨迹生成方法及系统 |
| CN116189116A (zh) * | 2023-04-24 | 2023-05-30 | 江西方兴科技股份有限公司 | 一种交通状态感知方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7711485B2 (en) * | 2005-09-14 | 2010-05-04 | Denso Corporation | Merge support system |
| CN103700261A (zh) * | 2014-01-03 | 2014-04-02 | 河海大学常州校区 | 一种基于视频的道路交通流特征参数监测及交通综合信息服务系统 |
| CN103730013A (zh) * | 2013-09-27 | 2014-04-16 | 深圳市金溢科技有限公司 | 一种车道车速检测和数据融合方法及系统 |
| CN104200657A (zh) * | 2014-07-22 | 2014-12-10 | 杭州智诚惠通科技有限公司 | 一种基于视频和传感器的交通流量参数采集方法 |
| CN106710240A (zh) * | 2017-03-02 | 2017-05-24 | 公安部交通管理科学研究所 | 融合多目标雷达与视频信息的通行车辆跟踪测速方法 |
| CN108550269A (zh) * | 2018-06-01 | 2018-09-18 | 中物汽车电子扬州有限公司 | 基于毫米波雷达的交通流量检测系统及其检测方法 |
| CN109919072A (zh) * | 2019-02-28 | 2019-06-21 | 桂林电子科技大学 | 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法 |
| CN110033479A (zh) * | 2019-04-15 | 2019-07-19 | 四川九洲视讯科技有限责任公司 | 基于交通监控视频的交通流参数实时检测方法 |
-
2019
- 2019-11-04 CN CN201911066554.0A patent/CN110807924A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7711485B2 (en) * | 2005-09-14 | 2010-05-04 | Denso Corporation | Merge support system |
| CN103730013A (zh) * | 2013-09-27 | 2014-04-16 | 深圳市金溢科技有限公司 | 一种车道车速检测和数据融合方法及系统 |
| CN103700261A (zh) * | 2014-01-03 | 2014-04-02 | 河海大学常州校区 | 一种基于视频的道路交通流特征参数监测及交通综合信息服务系统 |
| CN104200657A (zh) * | 2014-07-22 | 2014-12-10 | 杭州智诚惠通科技有限公司 | 一种基于视频和传感器的交通流量参数采集方法 |
| CN106710240A (zh) * | 2017-03-02 | 2017-05-24 | 公安部交通管理科学研究所 | 融合多目标雷达与视频信息的通行车辆跟踪测速方法 |
| CN108550269A (zh) * | 2018-06-01 | 2018-09-18 | 中物汽车电子扬州有限公司 | 基于毫米波雷达的交通流量检测系统及其检测方法 |
| CN109919072A (zh) * | 2019-02-28 | 2019-06-21 | 桂林电子科技大学 | 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法 |
| CN110033479A (zh) * | 2019-04-15 | 2019-07-19 | 四川九洲视讯科技有限责任公司 | 基于交通监控视频的交通流参数实时检测方法 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554883A (zh) * | 2020-04-16 | 2021-10-26 | 珠海深圳清华大学研究院创新中心 | 车位检测装置及控制方法 |
| CN111583675A (zh) * | 2020-05-14 | 2020-08-25 | 吴钢 | 一种区域路网交通信号灯协调控制系统和方法 |
| CN111681433A (zh) * | 2020-05-14 | 2020-09-18 | 黄传明 | 一种交叉口交通信号灯配时优化方法和装置 |
| CN111583675B (zh) * | 2020-05-14 | 2021-05-14 | 吴钢 | 一种区域路网交通信号灯协调控制系统和方法 |
| CN111489555A (zh) * | 2020-05-14 | 2020-08-04 | 武汉理工大学 | 一种交通运行状态预测方法、装置和系统 |
| CN111681433B (zh) * | 2020-05-14 | 2022-04-12 | 黄传明 | 一种交叉口交通信号灯配时优化方法和装置 |
| WO2022109776A1 (zh) * | 2020-11-24 | 2022-06-02 | 罗伯特·博世有限公司 | 智能交通系统及其中的信息传输方法 |
| CN113011323A (zh) * | 2021-03-18 | 2021-06-22 | 北京百度网讯科技有限公司 | 通行状态的获取方法、相关装置、路侧设备及云控平台 |
| US11783588B2 (en) | 2021-03-18 | 2023-10-10 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Method for acquiring traffic state, relevant apparatus, roadside device and cloud control platform |
| CN112991738A (zh) * | 2021-03-19 | 2021-06-18 | 迈锐数据(无锡)有限公司 | 基于雷达、视频、地磁的一体式交通检测系统 |
| CN113850995B (zh) * | 2021-09-14 | 2022-12-27 | 华设设计集团股份有限公司 | 一种基于隧道雷视数据融合的事件检测方法、装置及系统 |
| CN113850995A (zh) * | 2021-09-14 | 2021-12-28 | 华设设计集团股份有限公司 | 一种基于隧道雷视数据融合的事件检测方法、装置及系统 |
| CN115879294A (zh) * | 2022-11-30 | 2023-03-31 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 一种基于多车环境感知的全样车流轨迹生成方法及系统 |
| CN115879294B (zh) * | 2022-11-30 | 2024-04-26 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 一种基于多车环境感知的全样车流轨迹生成方法及系统 |
| CN116189116A (zh) * | 2023-04-24 | 2023-05-30 | 江西方兴科技股份有限公司 | 一种交通状态感知方法及系统 |
| CN116189116B (zh) * | 2023-04-24 | 2024-02-23 | 江西方兴科技股份有限公司 | 一种交通状态感知方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110807924A (zh) | 基于全量全样实时交通数据的多参数融合方法及系统 | |
| WO2022083784A1 (zh) | 一种基于车联网的道路检测方法 | |
| CN108345822B (zh) | 一种点云数据处理方法及装置 | |
| EP4152204A1 (en) | Lane line detection method, and related apparatus | |
| CN112750150B (zh) | 基于车辆检测和多目标跟踪的车流量统计方法 | |
| CN114023062B (zh) | 一种基于深度学习和边缘计算的交通流信息监测方法 | |
| CN110798805B (zh) | 基于gps轨迹的数据处理方法、装置及存储介质 | |
| CN110716529A (zh) | 一种自动驾驶测试用例自动生成方法和装置 | |
| CN111428558A (zh) | 一种基于改进YOLOv3方法的车辆检测方法 | |
| CN113052159A (zh) | 一种图像识别方法、装置、设备及计算机存储介质 | |
| CN115100741B (zh) | 一种点云行人距离风险检测方法、系统、设备和介质 | |
| CN112215188B (zh) | 交警姿态识别方法、装置、设备及存储介质 | |
| CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
| CN112883236A (zh) | 一种地图更新方法、装置、电子设备及存储介质 | |
| CN113238565A (zh) | 车辆路径规划方法、装置、车辆和存储介质 | |
| CN117911829B (zh) | 车辆导航的点云图像融合方法及系统 | |
| Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images | |
| 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 | |
| CN114596709A (zh) | 数据处理方法、装置、设备以及存储介质 | |
| CN117130010B (zh) | 用于无人驾驶的障碍物感知方法、系统及无人驾驶汽车 | |
| CN110555425A (zh) | 一种视频流实时行人检测方法 | |
| Li et al. | An identification method of dangerous driving behavior in rush hour based on apriori algorithm. | |
| CN115114312A (zh) | 地图数据更新方法、装置及电子设备 | |
| CN115797409A (zh) | 3d目标对象定位方法、装置及电子设备 | |
| CN114895274A (zh) | 一种护栏识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| 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: 20200218 |