CN110826508A - 一种基于视频流的行人非机动车违章检测与跟踪方法 - Google Patents

一种基于视频流的行人非机动车违章检测与跟踪方法 Download PDF

Info

Publication number
CN110826508A
CN110826508A CN201911099628.0A CN201911099628A CN110826508A CN 110826508 A CN110826508 A CN 110826508A CN 201911099628 A CN201911099628 A CN 201911099628A CN 110826508 A CN110826508 A CN 110826508A
Authority
CN
China
Prior art keywords
frame
violation
detection
target
motor 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.)
Granted
Application number
CN201911099628.0A
Other languages
English (en)
Other versions
CN110826508B (zh
Inventor
王效灵
章熙
吕浩
冯吉红
沈伟斌
马震威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN201911099628.0A priority Critical patent/CN110826508B/zh
Publication of CN110826508A publication Critical patent/CN110826508A/zh
Application granted granted Critical
Publication of CN110826508B publication Critical patent/CN110826508B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于视频流的行人非机动车违章检测与跟踪方法。本发明利用RTSP流进行视频读取。红绿灯检测模块负责判断当前帧的交通灯状态，若绿灯状态则读入下一帧，若红灯状态则在限定区域内进行违章行人及非机动车目标的检测。将违章行人模块和违章非机动车模块的检测结果作为跟踪初始帧的目标位置。利用滤波模板响应与理想高斯响应的相似度实现互补跟踪算法的加权系数自适应。遮挡重跟踪模块用于减少因交通车辆对跟踪目标遮挡造成的跟踪失败和精准度下降问题。违章证据合成模块可将违章目标在不同阶段的违章过程合成一张图片，并用于交通违章处罚工作。本发明有效降低了目标检测的误判率，同时提高了目标跟踪的成功率和精准度。

Description

一种基于视频流的行人非机动车违章检测与跟踪方法
技术领域
本发明涉及一种基于视频流的行人及非机动车违章检测与跟踪方法，属于智慧交通领域。
背景技术
基于当前交通路口，行人非机动车违章闯红灯造成交通事故不断增多的现状，通过对违章目标进行处罚教育，可以有效减少交通事故的发生率。传统的交通违章管控方法是通过交警实时管理和违章处罚完成。但是这种方法存在检测效率低，人力成本高，覆盖不完善等情况。基于视频流对违章目标检测跟踪可有效解决传统方法的不足。
当前的红绿灯检测方法大多采用HSV颜色空间进行交通灯颜色判定，但是这种方法会受到光线和遮挡等因素影响，造成红绿灯误判率高等情况，对后续的违章目标检测和跟踪造成影响。
传统的违章目标检测采用背景建模法和帧差法，检测精度较低。现代的目标检测算法多数是基于深度学习的检测算法，但这些算法存在实时性较差的问题。YOLOv3算法虽然实时性好，处理速度快，但是也存在检测目标中不包含人脸信息或骑行者信息的情况，或者检测到非面向摄像机运动的目标，这些都是无效或误检的违章目标。
传统的跟踪方法采用光流法等，跟踪误检率较高，基于相关滤波的目标跟踪存在精度较低，遮挡检测效果差等现状；基于机器学习的目标跟踪存在实时性差，遮挡检测效果差等情况；这些问题都影响了跟踪的成功率和精准度。
发明内容
针对现有技术的不足，本发明结合了YCrCb颜色空间、YOLOv3行人非机动车检测的边框回归、互补跟踪算法的加权系数自适应、遮挡重跟踪模块进行违章闯红灯目标的检测跟踪与违章证据合成。
本发明的解决技术问题所采取的技术方案为：
步骤1、读入RTSP视频流，保存当前帧图像的信息。
步骤2、设置路口红绿灯检测区域坐标，通过该区域内Cr分量值总和判定红绿灯状态，对于信号灯判定跳变(红灯至绿灯状态)，采用红绿灯延时判定方法。
步骤3、使用训练完成的YOLOv3网络在限定的斑马线区域内进行违章目标检测。
步骤4、使用肤色检测与人脸检测对违章行人检测框进行回归偏移操作。
步骤5、对违章非机动车检测框进行偏移扩大，通过人脸检测与行人检测对非机动车预测框进行回归操作，使非机动车预测框中包含骑行者信息。
步骤6、采用相关滤波响应得分与理想高斯分布的空间相似度确定相关滤波得分函数的加权系数。
步骤7、采用峰旁瓣比公式进行遮挡判断，对于遮挡情况的跟踪，采用记忆滤波网络单元进行目标跟踪和滤波模板更新，可以保持跟踪的准确性。
步骤8：将检测跟踪的结果合成违章照片，用作违章处罚证据。
本发明将Cr空间的红绿灯延时判定、YOLOv3算法的边框回归、滤波模板记忆单元和加权系数自适应的互补跟踪算法结合，不仅有效的降低检测误判率，同时提高了目标检测跟踪的成功率和精准度。
附图说明
图1为本发明总体流程图；
图2为红绿灯判定方法流程图；
图3为违章行人的检测判定流程图；
图4为违章非机动车检测判定及边框回归的流程图；
图5为加权系数自适应方法的流程图；
图6为包含遮挡重跟踪的跟踪模块的流程图；
图7为滤波模板记忆网络单元。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示，本发明包括如下步骤：
步骤1、读入RTSP视频流，保存当前帧图像的信息。
步骤2、设置路口红绿灯检测区域坐标，通过该区域内Cr分量值总和判定红绿灯状态，对于信号灯判定跳变(红灯至绿灯状态)，采用红绿灯延时判定方法。
步骤3、使用训练完成的YOLOv3网络在限定的斑马线区域内进行违章目标检测。
步骤4、使用肤色检测与人脸检测对违章行人检测框进行回归偏移操作。
步骤5、对违章非机动车检测框进行偏移扩大，通过人脸检测与行人检测对非机动车预测框进行回归操作，使非机动车预测框中包含骑行者信息。
步骤6、采用相关滤波响应得分与理想高斯分布的空间相似度确定相关滤波得分函数的加权系数。
步骤7、采用峰旁瓣比公式进行遮挡判断，对于遮挡情况的跟踪，采用记忆滤波网络单元进行目标跟踪和滤波模板更新，可以保持跟踪的准确性。
步骤8：将检测跟踪的结果合成违章照片，用作违章处罚证据。
本发明的红绿灯判定如图2所示。首先设定当前路口的红灯区域位置，计算每一帧中红灯区域所有像素点的Cr分量值总和，结果记为SCr。将结果SCr与红绿灯判定阈值DCr进行比较：若SCr>DCr，将当前帧判定为红灯状态；若SCr<DCr，将当前帧判定为绿灯状态。对于第t0帧判定为红灯状态，第t1帧判定为绿灯状态(即信号跳变帧)，采用延时判定机制。以该路口红灯固定时长与红灯已亮时长之差tr-g作为时间范围。在该段时间内，若在第ti帧判定为红灯，此判定信号灯跳变帧受到遮挡，将t1至ti时间段内的交通灯状态全部记作红灯状态。
本发明的违章行人检测如图3所示，具体步骤如下：
步骤1：使用训练好的YOLOv3网络在限定区域内进行行人检测。若未检测到行人目标，跳转至步骤4。
步骤2：在限定区域内进行肤色检测和人脸检测。
步骤3：计算人脸位置和行人位置的得分。将得分超过阈值的行人预测框保留并标记为违章行人目标，这样可以使得违章行人预测框中包含目标的人脸信息并减少误检率。
步骤4：若未检测到行人，则此帧没有违章行人目标。若有，将行人检测的结果信息保留，作为跟踪行人目标的初始帧位置信息。
其中，步骤3的得分函数为：fsp(ps；pf)＝αfs(ps；pf)+(1-α)fp(ps；pf)，由重合度得分函数fs(ps；pf)和空间得分函数fp(ps；pf)构成，α为加权系数。
空间位置得分函数为：fp(ps；pf)＝S((y′2-y′1)-(y2-y1))。行人检测框ps的左上角坐标和右下角坐标分别为(x1,y1)和(x2,y2)，人脸检测框pf的左上角坐标和右下角坐标分别为(x′1,y′1)和(x′2,y′2)。阶跃函数：
Figure BDA0002269439340000031
重合度得分函数为：
Figure BDA0002269439340000032
lx和ly分别表示人脸区域pf中未与行人检测框ps的重叠的横轴长度和纵轴长度。
本发明的违章非机动车检测如图4所示，具体步骤如下：
步骤1：若当前帧为红灯状态，使用训练好的YOLOv3网络在限定区域内进行非机动车检测。若未检测到非机动车或绿灯状态，跳转至步骤5。
步骤2：将非机动车检测框进行偏移放大处理，(xM,yM)分别表示非机动车检测框的左上角坐标，(wM,hM)表示非机动车检测框的宽和高。偏移原则是：以检测框中心点为中心，将坐标框的高度向上扩大提高0.8倍，即偏移后的坐标为：(xM,yM-0.8hM,wM,1.8hM)。
步骤3：在偏移后的检测框中进行人脸检测，若无有人脸，则跳转至步骤4，否则将当前检测框信息保留，并标记为违章非机动车目标，此时非机动车检测结果包含骑行者信息，并跳转至步骤5。
步骤4：在限定区域进行行人检测，计算行人与非机动车的重合度，若重合度超过0.8，则将非机动车检测框进行回归，将回归后的预测框信息保留，并标记为违章非机动车目标。
其中，非机动车检测框回归公式为：
xM-F＝arg min(xM,xF) (1)
yM-F＝arg min(yM,yF) (2)
wM-F＝[(xF+wF)-(xM+wM)]·S((xF+wF)-(xM+wM))+wM+(xF-xM)·S(xF-xM) (3)
hM-F＝[(yF+hF)-(yM+hM)]·S((yF+hF)-(yM+hM))+hM+(yF-yM)·S(yF-yM) (4)
其中(xF,yF)为行人检测框左上角坐标，(wF,hF)表示行人检测框的宽和高。其中，
Figure BDA0002269439340000041
此时非机动车检测结果包含骑行者信息。
步骤5：若未检测到非机动车，则此帧没有违章非机动车目标。若有，将非机动车检测的结果信息保留，作为跟踪目标的初始帧位置信息。
本发明的违章目标加权系数自适应跟踪模块如图5所示：通过计算滤波模板响应得分情况与理想高斯响应分布的相似度，将相似度结果作为相滤波模板得分函数的加权系数。
其中相似度计算公式为：
Figure BDA0002269439340000042
xij和yij分别表示位置为(i,j)的像素点对应的滤波模板响应值和理想高斯响应值,
Figure BDA0002269439340000043
表示一个加权系数。
Figure BDA0002269439340000044
和
Figure BDA0002269439340000045
分别表示滤波模板响应得分和理想高斯响应的平均值。
本发明的违章目标遮挡重跟踪模块如图6所示，具体步骤如下：
步骤1：对当前帧进行遮挡判断，若结果大于阈值，当前帧为发生遮挡，进行正常的目标跟踪(加权系数自适应的互补跟踪算法)。若结果小于于阈值，判定当前帧发生遮挡。峰旁瓣比遮挡判别公式如下：
Figure BDA0002269439340000046
其中pmax表示当前帧违章目标预测窗口的响应峰值，μ表示当前帧预测窗口响应平均值，δ为跟踪目标预测窗口的响应值标准差。
步骤2：将遮挡前一帧的滤波模板设置为记忆滤波模板。
步骤3：利用跟踪初始帧至遮挡帧、遮挡帧前0.5秒和遮挡前1秒内的跟踪目标运动信息，构建三个最高次项为三次的轨迹方程，选取与跟踪目标运动轨迹方差最小的轨迹方程作为最终的轨迹预测方程。
步骤4：在遮挡发生时间段内，在轨迹预测方程预测的轨迹上选取多个候选预测框。
步骤5：记忆滤波网络如图7所示，该网络有一个输入信号，即当前帧候选预测框中图图像的信息，有两个输出单元，分别是当前帧的滤波模板ht-i和当前帧记忆滤波模板ct-i，下标t-i表示当前帧，ht-(i-1)和ct-(i-1)分别表示前一帧的滤波模板和记忆滤波模板。分别计算候选预测框与前一帧滤波模板的响应得分
Figure BDA0002269439340000051
和前一帧记忆滤波模板的响应得分
步骤6：若
Figure BDA0002269439340000053
此时输出单元滤波模板和上一输出单元的滤波模板保持一致，记忆模板也保持不变，即ht-i＝ht-(i-1)和ct-i＝ht-(i-1),并跳转至步骤8。若
Figure BDA0002269439340000054
采用互补跟踪算法中滤波模板公式更新当前帧滤波模板为ht-i，记忆滤波模板更新为当前帧滤波模板，即ct-i＝ht-i。
步骤7：对
Figure BDA0002269439340000055
发生后的n帧进行跟踪，同时进行跟踪目标可靠验证。当可靠性验证结果Δ的值小于设定的阈值，认为遮挡重新检测后的目标跟踪正确，否则认为目标跟踪出现错误并舍弃当前违章目标的跟踪，跳转至步骤9。其中可靠性验证公式如下所示：
步骤8：读入视频流下一帧，并转至步骤1。
步骤9：结束跟踪。
说明：其中红绿灯检测的坐标位置为手动设定，根据不同路口红绿灯的位置不同做出调整。目标检测的限定区域指斑马线及斑马线附近区域。
本发明的合成违章证据图片具体是：将检测跟踪区域平均划分为三个子区域，将违章目标出现在三个区域的初始帧均保留下来，并将第三个(最后一个)子区域中目标跟踪框的内容复制并单独保存成图片。将上述四张图片缩放至同一尺寸，并按顺序合成一张完整照片，作为违章证据照片。

Claims (6)

1.一种基于视频流的行人非机动车违章检测与跟踪方法，其特征在于：
通过RTSP流读取当前帧的交通信息，根据红绿灯信号检测判定违章目标检测的初始帧；当交通灯为红灯状态时，在限定的斑马线及附近区域内进行基于YOLOv3算法的闯红灯行人、非机动车违章目标检测，检测结果用矩形框标记显示；将得到的检测结果进行边框回归操作，使得标记的目标矩形框中包含如人脸或非机动车骑行者；将违章目标位置信息作为跟踪初始帧的目标位置，在互补跟算法基础上引入滤波模板记忆网络的遮挡重跟踪和加权系数自适应方法进行目标跟踪；最后根据跟踪结果合成违章证据图片。
2.根据权利要求1的一种基于视频流的行人非机动车违章检测与跟踪方法，其特征在于：红绿灯信号检测过程为：使用红灯区域的Cr分量总和进行判定，将总和高于阈值的结果判定为红灯状态，否则判定为绿灯状态；对于前一帧为红灯当前帧为绿灯的情形，将当前帧设定为待定帧，采用延时判定，具体为：将该路口红灯固定间隔时长与红灯已亮时长之差作为时间阈值，在该段时间内若至少出现一次交通灯判定为红灯的情况，则判定待定帧受到遮挡，并将遮挡时段内的交通灯状态判定为红灯。
3.根据权利要求1的一种基于视频流的行人非机动车违章检测与跟踪方法，其特征在于：当判定当前帧为红灯状态时，使用已训练好的YOLOv3算法检测违章目标；
(1)对于违章行人目标：在限定区域内进行肤色检测与人脸检测，计算人脸位置与行人位置的重合度，以0.8为重合度阈值；将重合度小于阈值的行人预测框做舍弃处理，仅将大于重合度阈值的行人目标保留，并标记为违章行人目标；
(2)对于违章非机动车目标：将检测框进行偏移放大，在偏移后的非机动车框内检测有无人脸信息，若有，则保留非机动车信息；若无，在偏移后的预测框内进行行人检测，将与非机动车检测框重合度大于阈值的行人目标记为非机动车骑行人员，并对非机动车预测况进行回归操作，使得新的预测框包含非机动车及骑行人员信息。
4.根据权利要求1的一种基于视频流的行人非机动车违章检测与跟踪方法，其特征在于：加权系数自适应跟踪方法具体是：利用滤波模板响应得分与理想高斯响应分布函数的相似度L作为下一帧滤波模板得分函数的加权系数，1-L作为下一帧颜色直方图得分函数的加权系数，可达到加权系数自适应的目的。
5.根据权利要求1的一种基于视频流的行人非机动车违章检测与跟踪方法，其特征在于：遮挡重跟踪方法具体是：利用轨迹预测方程和滤波模板记忆网络进行遮挡重跟踪，具体步骤如下：
步骤1：利用峰旁瓣比公式进行遮挡判断，若结果大于阈值，当前帧记为未遮挡帧，采用加权系数自适应的互补跟踪算法进行目标跟踪；若结果小于阈值，将当前帧记为遮挡帧，并跳转至步骤2；
步骤2：将遮挡前一帧的滤波模板设为记忆滤波模板；
步骤3：利用不同数量的遮挡前目标运动信息建立多条轨迹方程，选取与遮挡前目标真实位置方差最小的轨迹方程作为轨迹预测方程；
步骤4：利用轨迹预测方程选取多个目标候选框，取与滤波模板输出响应得分最大的目标候选框作为当前帧目标预测框，即跟踪结果；以互补跟踪算法的响应得分函数公式为基础，分别计算目标预测框与当前帧的滤波模板和记忆滤波模板的响应得分；
步骤5：在步骤4的基础上，通过响应得分结果对比，进行滤波模板更新和记忆滤波模板更新；
步骤6：对遮挡结束后的n帧继续跟踪，同时进行跟踪目标可靠验证；
步骤7：读入下一帧视频图像信息，转至步骤1。
6.根据权利要求1的一种基于视频流的行人非机动车违章检测与跟踪方法，其特征在于：合成违章证据图片具体是：将检测跟踪区域平均划分为三个子区域，将违章目标出现在三个区域的初始帧均保留下来，并将第三个子区域中目标跟踪框的内容复制并单独保存成图片；将上述四张图片缩放至同一尺寸，并按顺序合成一张完整照片，作为违章证据照片。
CN201911099628.0A 2019-11-12 2019-11-12 一种基于视频流的行人非机动车违章检测与跟踪方法 Active CN110826508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911099628.0A CN110826508B (zh) 2019-11-12 2019-11-12 一种基于视频流的行人非机动车违章检测与跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911099628.0A CN110826508B (zh) 2019-11-12 2019-11-12 一种基于视频流的行人非机动车违章检测与跟踪方法

Publications (2)

Publication Number Publication Date
CN110826508A true CN110826508A (zh) 2020-02-21
CN110826508B CN110826508B (zh) 2022-10-11

Family

ID=69554290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911099628.0A Active CN110826508B (zh) 2019-11-12 2019-11-12 一种基于视频流的行人非机动车违章检测与跟踪方法

Country Status (1)

Country Link
CN (1) CN110826508B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111832461A (zh) * 2020-07-07 2020-10-27 浙江工商大学 一种基于视频流的非机动车骑行人员头盔佩戴检测方法
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
CN112947419A (zh) * 2021-01-27 2021-06-11 河北工业职业技术学院 避障方法、装置及设备
CN113422938A (zh) * 2021-08-23 2021-09-21 深圳市旗扬特种装备技术工程有限公司 人工智能的道路事件监控方法、装置、系统及存储介质
CN114241763A (zh) * 2021-12-14 2022-03-25 中国电信股份有限公司 交通行为的示警方法、装置、电子设备及计算机可读介质
CN115294774A (zh) * 2022-06-20 2022-11-04 桂林电子科技大学 基于深度学习的非机动车道路违停检测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091446A (zh) * 2014-07-11 2014-10-08 厦门磐道电子有限公司 行人过斑马线的智能化视频分析方法
JP2017049887A (ja) * 2015-09-03 2017-03-09 オムロン株式会社 違反抑止装置およびこれを備えた違反抑止システム
CN106651913A (zh) * 2016-11-29 2017-05-10 开易（北京）科技有限公司 基于相关滤波和颜色直方图统计的目标跟踪方法及adas系统
CN107527012A (zh) * 2017-07-14 2017-12-29 深圳云天励飞技术有限公司 闯红灯监控方法、装置及监控处理设备
CN108376246A (zh) * 2018-02-05 2018-08-07 南京蓝泰交通设施有限责任公司 一种多人脸识别及跟踪系统及方法
CN110135314A (zh) * 2019-05-07 2019-08-16 电子科技大学 一种基于深度轨迹预测的多目标跟踪方法
CN110351478A (zh) * 2019-05-21 2019-10-18 江苏看见云软件科技有限公司 一种处理违章信息的无人机采集传输系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091446A (zh) * 2014-07-11 2014-10-08 厦门磐道电子有限公司 行人过斑马线的智能化视频分析方法
JP2017049887A (ja) * 2015-09-03 2017-03-09 オムロン株式会社 違反抑止装置およびこれを備えた違反抑止システム
CN106651913A (zh) * 2016-11-29 2017-05-10 开易（北京）科技有限公司 基于相关滤波和颜色直方图统计的目标跟踪方法及adas系统
CN107527012A (zh) * 2017-07-14 2017-12-29 深圳云天励飞技术有限公司 闯红灯监控方法、装置及监控处理设备
CN108376246A (zh) * 2018-02-05 2018-08-07 南京蓝泰交通设施有限责任公司 一种多人脸识别及跟踪系统及方法
CN110135314A (zh) * 2019-05-07 2019-08-16 电子科技大学 一种基于深度轨迹预测的多目标跟踪方法
CN110351478A (zh) * 2019-05-21 2019-10-18 江苏看见云软件科技有限公司 一种处理违章信息的无人机采集传输系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
PENGMING FENG; MIAO YU; SYED MOHSEN NAQVI; WENWU WANG; JONATHON: "A Robust student"s-t distribution PHD filter with OCSVM updating for multiple human tracking", 《2015 23RD EUROPEAN SIGNAL PROCESSING CONFERENCE (EUSIPCO)》 *
李德毅，于剑，中国人工智能学会: "《中国科协新一代信息技术系列丛书 人工智能导论》", 31 August 2018 *
李牧子: "基于图像识别的目标检测与跟踪系统的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
葛致磊，王红梅，王佩，吕梅柏: "《导弹导引系统原理》", 31 March 2016 *
裴志扬: "《智慧城市》", 31 July 2015 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111832461A (zh) * 2020-07-07 2020-10-27 浙江工商大学 一种基于视频流的非机动车骑行人员头盔佩戴检测方法
CN111832461B (zh) * 2020-07-07 2024-02-06 浙江工商大学 一种基于视频流的非机动车骑行人员头盔佩戴检测方法
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
CN112947419A (zh) * 2021-01-27 2021-06-11 河北工业职业技术学院 避障方法、装置及设备
CN113422938A (zh) * 2021-08-23 2021-09-21 深圳市旗扬特种装备技术工程有限公司 人工智能的道路事件监控方法、装置、系统及存储介质
CN114241763A (zh) * 2021-12-14 2022-03-25 中国电信股份有限公司 交通行为的示警方法、装置、电子设备及计算机可读介质
CN115294774A (zh) * 2022-06-20 2022-11-04 桂林电子科技大学 基于深度学习的非机动车道路违停检测方法及装置
CN115294774B (zh) * 2022-06-20 2023-12-29 桂林电子科技大学 基于深度学习的非机动车道路违停检测方法及装置

Also Published As

Publication number Publication date
CN110826508B (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN110826508B (zh) 一种基于视频流的行人非机动车违章检测与跟踪方法
CN110178167B (zh) 基于摄像机协同接力的路口违章视频识别方法
CN110197589B (zh) 一种基于深度学习的闯红灯违法检测方法
US9805474B1 (en) Pedestrian tracking at a traffic intersection to identify vulnerable roadway users for traffic signal timing, pedestrian safety, and traffic intersection control
KR101864066B1 (ko) 차선 인식 장치, 차선 이탈 판단 장치, 차선 인식 방법 및 차선 이탈 판단 방법
CN108389430B (zh) 一种基于视频检测的交叉口行人与机动车碰撞预测方法
US9460613B1 (en) Pedestrian counting and detection at a traffic intersection based on object movement within a field of view
CN104537841B (zh) 无牌车辆违章检测方法及其检测系统
US10380434B2 (en) Vehicle detection system and method
CN101872546B (zh) 一种基于视频的过境车辆快速检测方法
WO2015089867A1 (zh) 一种交通违章检测方法
CN111815959B (zh) 一种车辆违章的检测方法、装置以及计算机可读存储介质
CN109948552B (zh) 一种复杂交通环境中的车道线检测的方法
CN111891061B (zh) 车辆碰撞检测方法、装置和计算机设备
CN112487908A (zh) 基于车载视频的前方车辆压线行为检测和动态追踪方法
JP2006350699A (ja) 画像処理装置及び方法
CN111583660B (zh) 车辆转向行为检测方法、装置、设备及存储介质
CN112861797A (zh) 一种真伪车牌识别方法、装置及相关设备
Choi et al. Cut-in vehicle warning system exploiting multiple rotational images of SVM cameras
Hariri et al. Vision based smart in-car camera system for driver yawning detection
JP3914447B2 (ja) 画像式車両感知システム及び画像式車両感知方法
CN114141022A (zh) 应急车道占用行为检测方法、装置、电子设备及存储介质
US10977500B2 (en) Street marking color recognition
CN112270258A (zh) 一种非机动车的违规信息获取方法及装置
CN113361299A (zh) 一种异常停车的检测方法、装置、存储介质及电子设备

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Xi

Inventor after: Lv Hao

Inventor after: Feng Jihong

Inventor after: Shen Weibin

Inventor after: Pan Qing

Inventor after: Zhang Chenxiao

Inventor after: Ma Zhenwei

Inventor after: Wang Xiaoling

Inventor before: Wang Xiaoling

Inventor before: Zhang Xi

Inventor before: Lv Hao

Inventor before: Feng Jihong

Inventor before: Shen Weibin

Inventor before: Ma Zhenwei

GR01 Patent grant
GR01 Patent grant