CN110893870B - 自适应时长调整方法 - Google Patents
自适应时长调整方法 Download PDFInfo
- Publication number
- CN110893870B CN110893870B CN201910537749.2A CN201910537749A CN110893870B CN 110893870 B CN110893870 B CN 110893870B CN 201910537749 A CN201910537749 A CN 201910537749A CN 110893870 B CN110893870 B CN 110893870B
- Authority
- CN
- China
- Prior art keywords
- image
- carriage
- human body
- sharpening
- subway
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 19
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000007499 fusion processing Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/04—Automatic systems, e.g. controlled by train; Change-over to manual control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Mechanical Engineering (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种自适应时长调整方法,该方法包括使用自适应时长调整平台以基于一节地铁车厢内的实时人数占据地铁车厢的额定人数的比例调整地铁车厢到站的车门开启时长。
Description
技术领域
本发明涉及智能控制领域,尤其涉及一种自适应时长调整方法。
背景技术
智能控制研究的主要目标不再是被控对象,而是控制器本身。控制器不再是单一的数学模型解析型,而是数学解析和知识系统相结合的广义模型,是多种学科知识相结合的控制系统。智能控制理论是建立被控动态过程的特征模式识别,基于知识、经验的推理及智能决策基础上的控制。
一个好的智能控制器本身应具有多模式、变结构、变参数等特点,可根据被控动态过程特征识别、学习并组织自身的控制模式,改变控制器结构和调整参数。
发明内容
本发明需要具备以下几处重要的发明点:
(1)建立自适应的图像锐化机制,以在图像重复度越高时,对应的锐化算法对图像执行的锐化强度越高,同时还对锐化后的图像执行定向调整处理以降低图像的运算量;
(2)基于一节地铁车厢内的实时人数占据地铁车厢的额定人数的比例调整地铁车厢到站的车门开启时长,以在车厢内人员较多时,自适应地保证车厢内外人员充分交换的时间。
根据本发明的一方面,提供一种自适应时长调整方法,该方法包括使用自适应时长调整平台以基于一节地铁车厢内的实时人数占据地铁车厢的额定人数的比例调整地铁车厢到站的车门开启时长,所述自适应时长调整平台包括:比例提取设备,与像素鉴定设备连接,用于统计针对性锐化图像中的非人体图案的数量,并计算所述针对性锐化图像中的非人体图案的数量占据地铁车厢的额定人数的比例;时间调控设备,与所述比例提取设备连接,用于基于接收到的比例调整地铁车厢到站的车门开启时长;在所述时间调控设备中,基于接收到的比例调整地铁车厢到站的车门开启时长包括:接收到的比例的数值越大,调整后的地铁车厢到站的车门开启时长的数值越小;无线摄像设备,设置在地铁车厢内,用于对车厢内部进行摄像操作,以获得并输出相应的车厢内部图像;双线性插值设备,与所述无线摄像设备连接,用于接收所述车厢内部图像,对所述车厢内部图像执行基于双线性插值处理,以获得并输出相应的双线性插值图像;模式选择设备,与所述双线性插值设备连接,用于接收所述双线性插值图像,并分析所述双线性插值图像的重复度,以基于所述双线性插值图像的重复度选择对应的锐化算法;针对性锐化设备,与模式选择设备连接,用于接收所述双线性插值图像以及接收选择的锐化算法,并对所述双线性插值图像执行选择的锐化算法,以获得对应的针对性锐化图像。
本发明的自适应时长调整方法操作简单、具有一定的智能化水平。由于基于一节地铁车厢内的实时人数占据地铁车厢的额定人数的比例调整地铁车厢到站的车门开启时长,从而在车厢内人员较多时,自适应地保证车厢内外人员充分交换的时间。
具体实施方式
下面将对本发明的实施方案进行详细说明。
地铁是铁路运输的一种形式,指在地下运行为主的城市轨道交通系统,即“地下铁道”或“地下铁”(Subway、tube、underground)的简称;许多此类系统为了配合修筑的环境,并考量建造及营运成本,可能会在城市中心以外地区转成地面或高架路段。地铁是涵盖了城市地区各种地下与地上的路权专有、高密度、高运量的城市轨道交通系统(Metro),中国台湾地铁称之为“捷运”(Rapid transit)。
除了地下铁以外,也包括高架铁路(Elevated railway)或路面上铺设的铁路。因此,地铁是路权专有的、无平交,这也是地铁区别于轻轨交通系统的根本性的标志。世界上最早的(也是第一条)地铁是英国伦敦的大都会地铁,始建于1863年。
现有技术中,地铁日益成为城市内运输乘客的重要交通工具,尤其在晚高峰时间,当地铁车厢内人员较多时,希望自动延长车厢的开启时间,以保证车内外人员的充分交换,而当地铁车厢内人员较少时,希望自动减少车厢的开启时间,以提升地铁的通行效率。然而,现有技术中并不存在这样的智能化的技术方案。
为了克服上述不足,本发明搭建一种自适应时长调整方法,该方法包括使用自适应时长调整平台以基于一节地铁车厢内的实时人数占据地铁车厢的额定人数的比例调整地铁车厢到站的车门开启时长。所述自适应时长调整平台能够有效解决相应的技术问题。
根据本发明实施方案示出的自适应时长调整平台包括:
比例提取设备,与像素鉴定设备连接,用于统计针对性锐化图像中的非人体图案的数量,并计算所述针对性锐化图像中的非人体图案的数量占据地铁车厢的额定人数的比例;
时间调控设备,与所述比例提取设备连接,用于基于接收到的比例调整地铁车厢到站的车门开启时长;
在所述时间调控设备中,基于接收到的比例调整地铁车厢到站的车门开启时长包括:接收到的比例的数值越大,调整后的地铁车厢到站的车门开启时长的数值越小;
无线摄像设备,设置在地铁车厢内,用于对车厢内部进行摄像操作,以获得并输出相应的车厢内部图像;
双线性插值设备,与所述无线摄像设备连接,用于接收所述车厢内部图像,对所述车厢内部图像执行基于双线性插值处理,以获得并输出相应的双线性插值图像;
模式选择设备,与所述双线性插值设备连接,用于接收所述双线性插值图像,并分析所述双线性插值图像的重复度,以基于所述双线性插值图像的重复度选择对应的锐化算法;
针对性锐化设备,与模式选择设备连接,用于接收所述双线性插值图像以及接收选择的锐化算法,并对所述双线性插值图像执行选择的锐化算法,以获得对应的针对性锐化图像;
像素鉴定设备,与所述针对性锐化设备连接,用于对所述针对性锐化图像的每一个像素的红色通道值进行分析,以确定是否落在人体红色通道阈值范围内,如果落在所述人体红色通道阈值范围之内,则将该像素确定为人体像素,如果落在所述人体红色通道阈值范围之外,则将该像素确定为非人体像素,将所述针对性锐化图像的所有人体像素组成人体图案,将所述针对性锐化图像的所有非人体像素组成非人体图案;
所述像素鉴定设备中,所述针对性锐化图像中的非人体图案的数量为一个或多个;
SDRAM存储设备,与所述时间调控设备连接,用于预先存储地铁车厢的额定人数;
定向调整设备,与所述像素鉴定设备连接,用于对所述人体图案执行色阶调整以获得第一调整图案,并将所述第一调整图案和所述非人体图案进行拼接以获得定向调整图像;
其中,所述SDRAM存储设备还与所述针对性锐化设备连接,用于预先存储各种重复度对应的各种锐化算法,其中,重复度越高,对应的锐化算法对图像执行的锐化强度越高。
接着,继续对本发明的自适应时长调整平台的具体结构进行进一步的说明。
所述自适应时长调整平台中还可以包括:
HEVC压缩设备,与所述定向调整设备连接,用于接收所述定向调整图像,并对所述定向调整图像执行HEVC压缩编码处理,以获得对应的HEVC编码图像。
所述自适应时长调整平台中还可以包括:
频分双工通信接口,与所述HEVC压缩设备连接,用于接收并无线发送所述HEVC编码图像到远端的地铁运营中心处。
所述自适应时长调整平台中还可以包括:
分量提取设备,与所述无线摄像设备连接,用于接收所述车厢内部图像,对所述车厢内部图像的各个区域进行R分量的平均值计算,以获得各个区域的各个R分量平均值,其中,所述各个区域的尺寸相同。
所述自适应时长调整平台中还可以包括:
分量解析设备,与所述分量提取设备连接,用于接收各个区域的各个R分量平均值,对所述各个区域的各个R分量平均值进行排序,将序号排在首部预设数量的多个区域以及序号排在尾部预设数量的多个区域作为各个待处理区域输出,将所述车厢内部图像中各个待处理区域之外的各个区域作为各个背景区域输出。
所述自适应时长调整平台中还可以包括:
定向锐化设备,与所述分量解析设备连接,用于接收所述各个待处理区域和所述各个背景区域,对于每一个待处理区域执行以下操作:基于所述待处理区域的模糊度对所述待处理区域执行相应的锐化处理,以获得对应的锐化处理区域,其中,模糊度越大,对所述待处理区域执行相应的锐化处理的力度越大,采用待处理区域的动态分布范围表示所述模糊度,所述动态分布范围越宽,所述模糊度越小。
所述自适应时长调整平台中还可以包括:
数据融合设备,分别与所述双线性插值设备和所述定向锐化设备连接;
其中,所述数据融合设备用于接收多个锐化处理区域,并将所述多个锐化处理区域和所述各个背景区域融合以获得融合处理图像;
其中,所述数据融合设备还用于将所述融合处理图像替换所述车厢内部图像发送给所述双线性插值设备。
所述自适应时长调整平台中:
在所述分量提取设备中,对所述车厢内部图像的各个区域进行R分量的平均值计算,以获得各个区域的各个R分量平均值包括:基于YUV到RGB的运算公式获取每一个区域的各个像素点的R分量值,对所述各个像素点的R分量值进行从大到小的排序,将序号排在中心的像素点的R分量值作为对应区域的R分量平均值。
另外,所述定向调整设备由GPU器件来实现。GPU就是能够从硬件上支持T&L(Transform and Lighting,多边形转换和光源处理)的显示芯片,由于T&L是3D渲染中的一个重要部分,其作用是计算多边形的3D位置与处理动态光线效果,也能称为“几何处理”。一个好的T&L单元,能提供细致的3D物体和高级的光线特效;只不过大多数PC中,T&L的大部分运算是交由CPU处理的(这就也就是所谓软件T&L),因为CPU的任务繁多,除了T&L之外,还要做内存管理和输入响应等非3D图形处理工作,所以在实际运算的时候性能会大打折扣,一般出现显卡等待CPU数据的情况,CPU运算速度远跟不上时下复杂三维游戏的要求。即使CPU的工作频率超出1GHz或更高,对它的帮助也不大,因为这是PC本身设计造成的问题,与CPU的速度无太大关系。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种自适应时长调整方法,该方法包括使用自适应时长调整平台以基于一节地铁车厢内的实时人数占据地铁车厢的额定人数的比例调整地铁车厢到站的车门开启时长,其特征在于,所述自适应时长调整平台包括:
比例提取设备,与像素鉴定设备连接,用于统计针对性锐化图像中的非人体图案的数量,并计算所述针对性锐化图像中的非人体图案的数量占据地铁车厢的额定人数的比例;
时间调控设备,与所述比例提取设备连接,用于基于接收到的比例调整地铁车厢到站的车门开启时长;
在所述时间调控设备中,基于接收到的比例调整地铁车厢到站的车门开启时长包括:接收到的比例的数值越大,调整后的地铁车厢到站的车门开启时长的数值越小;
无线摄像设备,设置在地铁车厢内,用于对车厢内部进行摄像操作,以获得并输出相应的车厢内部图像;
双线性插值设备,与所述无线摄像设备连接,用于接收所述车厢内部图像,对所述车厢内部图像执行基于双线性插值处理,以获得并输出相应的双线性插值图像;
模式选择设备,与所述双线性插值设备连接,用于接收所述双线性插值图像,并分析所述双线性插值图像的重复度,以基于所述双线性插值图像的重复度选择对应的锐化算法;
针对性锐化设备,与模式选择设备连接,用于接收所述双线性插值图像以及接收选择的锐化算法,并对所述双线性插值图像执行选择的锐化算法,以获得对应的针对性锐化图像;
像素鉴定设备,与所述针对性锐化设备连接,用于对所述针对性锐化图像的每一个像素的红色通道值进行分析,以确定是否落在人体红色通道阈值范围内,如果落在所述人体红色通道阈值范围之内,则将该像素确定为人体像素,如果落在所述人体红色通道阈值范围之外,则将该像素确定为非人体像素,将所述针对性锐化图像的所有人体像素组成人体图案,将所述针对性锐化图像的所有非人体像素组成非人体图案;
所述像素鉴定设备中,所述针对性锐化图像中的非人体图案的数量为一个或多个;
SDRAM存储设备,与所述时间调控设备连接,用于预先存储地铁车厢的额定人数;
定向调整设备,与所述像素鉴定设备连接,用于对所述人体图案执行色阶调整以获得第一调整图案,并将所述第一调整图案和所述非人体图案进行拼接以获得定向调整图像;
其中,所述SDRAM存储设备还与所述针对性锐化设备连接,用于预先存储各种重复度对应的各种锐化算法,其中,重复度越高,对应的锐化算法对图像执行的锐化强度越高;
数据融合设备,分别与所述双线性插值设备和定向锐化设备连接;
其中,所述数据融合设备用于接收多个锐化处理区域,并将所述多个锐化处理区域和各个背景区域融合以获得融合处理图像;
其中,所述数据融合设备还用于将所述融合处理图像替换所述车厢内部图像发送给所述双线性插值设备;
在分量提取设备中,对所述车厢内部图像的各个区域进行R分量的平均值计算,以获得各个区域的各个R分量平均值包括:基于YUV到RGB的运算公式获取每一个区域的各个像素点的R分量值,对所述各个像素点的R分量值进行从大到小的排序,将序号排在中心的像素点的R分量值作为对应区域的R分量平均值。
2.如权利要求1所述的方法,其特征在于,所述平台还包括:
HEVC压缩设备,与所述定向调整设备连接,用于接收所述定向调整图像,并对所述定向调整图像执行HEVC压缩编码处理,以获得对应的HEVC编码图像。
3.如权利要求2所述的方法,其特征在于,所述平台还包括:
频分双工通信接口,与所述HEVC压缩设备连接,用于接收并无线发送所述HEVC编码图像到远端的地铁运营中心处。
4.如权利要求3所述的方法,其特征在于,所述平台还包括:
分量提取设备,与所述无线摄像设备连接,用于接收所述车厢内部图像,对所述车厢内部图像的各个区域进行R分量的平均值计算,以获得各个区域的各个R分量平均值,其中,所述各个区域的尺寸相同。
5.如权利要求4所述的方法,其特征在于,所述平台还包括:
分量解析设备,与所述分量提取设备连接,用于接收各个区域的各个R分量平均值,对所述各个区域的各个R分量平均值进行排序,将序号排在首部预设数量的多个区域以及序号排在尾部预设数量的多个区域作为各个待处理区域输出,将所述车厢内部图像中各个待处理区域之外的各个区域作为各个背景区域输出。
6.如权利要求5所述的方法,其特征在于,所述平台还包括:
定向锐化设备,与所述分量解析设备连接,用于接收所述各个待处理区域和所述各个背景区域,对于每一个待处理区域执行以下操作:基于所述待处理区域的模糊度对所述待处理区域执行相应的锐化处理,以获得对应的锐化处理区域,其中,模糊度越大,对所述待处理区域执行相应的锐化处理的力度越大,采用待处理区域的动态分布范围表示所述模糊度,所述动态分布范围越宽,所述模糊度越小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910537749.2A CN110893870B (zh) | 2019-06-20 | 2019-06-20 | 自适应时长调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910537749.2A CN110893870B (zh) | 2019-06-20 | 2019-06-20 | 自适应时长调整方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110893870A CN110893870A (zh) | 2020-03-20 |
CN110893870B true CN110893870B (zh) | 2021-11-05 |
Family
ID=69785816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910537749.2A Active CN110893870B (zh) | 2019-06-20 | 2019-06-20 | 自适应时长调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110893870B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103754242A (zh) * | 2013-12-31 | 2014-04-30 | 中铁第四勘察设计院集团有限公司 | 市域铁路信号系统及其控制方法 |
CN104700475A (zh) * | 2014-12-12 | 2015-06-10 | 安徽富煌和利时科技股份有限公司 | 基于视频分析的自适应客流计数算法 |
CN204517967U (zh) * | 2014-03-17 | 2015-07-29 | 松下知识产权经营株式会社 | 监视系统 |
CN106541968A (zh) * | 2016-09-30 | 2017-03-29 | 张家港长安大学汽车工程研究院 | 基于视觉分析的地铁车厢实时提示系统及识别方法 |
CN108289203A (zh) * | 2018-02-02 | 2018-07-17 | 常州高清信息技术有限公司 | 一种用于轨道交通的视频监控系统 |
CN109285376A (zh) * | 2018-08-09 | 2019-01-29 | 同济大学 | 一种基于深度学习的公交车客流统计分析系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101718806B1 (ko) * | 2015-04-22 | 2017-04-05 | 한국철도기술연구원 | 열차의 승강장 정차시간 자동 산출 서버, 시스템 및 방법 |
-
2019
- 2019-06-20 CN CN201910537749.2A patent/CN110893870B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103754242A (zh) * | 2013-12-31 | 2014-04-30 | 中铁第四勘察设计院集团有限公司 | 市域铁路信号系统及其控制方法 |
CN204517967U (zh) * | 2014-03-17 | 2015-07-29 | 松下知识产权经营株式会社 | 监视系统 |
CN104700475A (zh) * | 2014-12-12 | 2015-06-10 | 安徽富煌和利时科技股份有限公司 | 基于视频分析的自适应客流计数算法 |
CN106541968A (zh) * | 2016-09-30 | 2017-03-29 | 张家港长安大学汽车工程研究院 | 基于视觉分析的地铁车厢实时提示系统及识别方法 |
CN108289203A (zh) * | 2018-02-02 | 2018-07-17 | 常州高清信息技术有限公司 | 一种用于轨道交通的视频监控系统 |
CN109285376A (zh) * | 2018-08-09 | 2019-01-29 | 同济大学 | 一种基于深度学习的公交车客流统计分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110893870A (zh) | 2020-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110341766B (zh) | 自适应时长调整平台 | |
CN112037365B (zh) | 面向行车记录仪基于边缘计算的车辆火灾事故检测报警系统 | |
CN112367640B (zh) | 基于移动边缘计算的v2v模式多任务卸载方法及系统 | |
CN110992675B (zh) | 交叉口交通仿真方法、装置、介质及电子设备 | |
CN111047874B (zh) | 智能交通违章管理方法及相关产品 | |
CN113807270A (zh) | 道路拥堵检测方法、装置及电子设备 | |
CN114283576B (zh) | 一种车辆意图预测方法及相关装置 | |
CN104105006A (zh) | 一种视频图像处理方法和系统 | |
CN110893870B (zh) | 自适应时长调整方法 | |
US20240103929A1 (en) | Memory pooling between selected memory resources | |
US20200139964A1 (en) | Deadlock detection device, information processing device, deadlock detection method, and non-transitory computer readable medium | |
Xu et al. | Perception synergy optimization with deep reinforcement learning for cooperative perception in C-V2V scenarios | |
CN113781796A (zh) | 基于视频虚拟线圈的车流量检测方法及装置 | |
Vieira et al. | Enhancing Urban Intersection Efficiency: Visible Light Communication and Learning-Based Control for Traffic Signal Optimization and Vehicle Management | |
KR102044383B1 (ko) | 가시광 통신 시스템을 위한 핸드오버 방법 및 그 장치 | |
CN108806288B (zh) | 一种基于单视频的城市道路交叉口自适应控制方法和装置 | |
US11650952B2 (en) | Memory pooling between selected memory resources via a base station | |
CN111028542A (zh) | 定制对象预警控制装置 | |
CN115330078A (zh) | 城市轨道交通运力自动调整方法、装置及电子设备 | |
CN116225045A (zh) | 一种路径规划方法、装置、电子设备及存储介质 | |
CN107682865B (zh) | 一种无线网络基站的覆盖优化系统 | |
US10932105B2 (en) | Memory pooling between selected memory resources on vehicles or base stations | |
Vieira et al. | Dynamic vehicular visible light communication for traffic management | |
CN115361668B (zh) | 车联网场景下的基于边缘计算的4g和5g混合卸载方法 | |
US12004058B2 (en) | Memory pooling between selected memory resources on vehicles or base stations |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231026 Address after: East Zone, 7th Floor, Main Building, Entrepreneurship Building, Fuzhou High tech Industrial Park, No. 8 Keji East Road, Fuzhou High tech Zone, Fuzhou City, Fujian Province, 350000 Patentee after: Fujian Beichen Zhilian Technology Co.,Ltd. Address before: 301700 No. 15, No. 3 Road, Wuqing Development Zone, Wuqing District, Tianjin Patentee before: Zhu Laiqing |
|
TR01 | Transfer of patent right |