CN110969142B - 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法 - Google Patents
一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法 Download PDFInfo
- Publication number
- CN110969142B CN110969142B CN201911311455.4A CN201911311455A CN110969142B CN 110969142 B CN110969142 B CN 110969142B CN 201911311455 A CN201911311455 A CN 201911311455A CN 110969142 B CN110969142 B CN 110969142B
- Authority
- CN
- China
- Prior art keywords
- data
- driving
- vehicle
- acceleration
- abnormal
- 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
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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法,包括:步骤一、对网联车辆自然驾驶数据集进行数据清洗,填补缺失数据,计算出横向加速度;步骤二、将速度划分为若干区间,对速度区间内的纵向加速度和步骤一得到的横向加速度进行异常加速度提取,根据某段行程的异常加速度点数量,判断是否属于极端驾驶事件;步骤三、利用找出的极端驾驶事件数据采用k‑means聚类算法进行聚类;步骤四、将聚类结果通过经纬度定位在google earth中得到驾驶场景并统计驾驶参数。本发明能够比较准确的得到异常驾驶场景以及相应情况下的驾驶参数,可以为智能车路系统的设计和测试提供依据。
Description
技术领域
本发明涉及智能车路系统交通领域,具体涉及一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法,通过异常驾驶场景的提取为智能车路系统的设计和测试提供依据。
背景技术
随着新兴信息和通信技术的广泛应用,大量高分辨率的驾驶数据变得可用,这也使得研究人员可以比以前更加深入的观测驾驶场景。这些驾驶数据可用于可视化、分析和建模,为数据和工具的结合创建了新的前景。目前,车辆驾驶数据可以分为两类:一是车辆的自然驾驶数据,主要包括GPS,GIS数据和车载终端采集的CAN总线数据;二是加装摄像设备的车辆采集到的图像数据。当前行业内对驾驶场景的研究基于视频数据的方法较多,但是摄像装置存在着成本高、通信负担大等缺点,并且对驾驶场景不能完全覆盖。因此,需要设计一种能够从车辆的自然驾驶数据中提取驾驶场景和相关参数的方法。
发明内容
本发明的目的在于针对现有技术中智能车路系统场景测试依据难以获取的问题,提供一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法,根据车辆的驾驶属性使用聚类算法对异常驾驶事件进行分类,并通过google earth对异常驾驶事件进行实例还原得到异常驾驶场景,能够比较准确的获取得到异常驾驶场景以及相应情况下的驾驶参数。
为了实现上述目的,本发明有如下的技术方案:
一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法,包括以下步骤:
步骤一、对网联车辆自然驾驶数据集进行数据清洗,填补缺失数据,计算出横向加速度;
步骤二、将速度划分为若干区间,对速度区间内的纵向加速度和步骤一得到的横向加速度进行异常加速度提取,根据某段行程的异常加速度点数量,判断是否属于极端驾驶事件;
步骤三、利用找出的极端驾驶事件数据采用k-means聚类算法进行聚类;
步骤四、将聚类结果通过经纬度定位在google earth中得到驾驶场景并统计驾驶参数。
所述的步骤一数据清洗时当时间连续的10条数据中出现5条以上缺失值时,认为是不可信数据,将其删除;并筛选出超过5s的连续时间序列数据;数据的采集频率为10HZ。
所述的步骤一采用临位均值插补的方式对缺失值进行补充,具体计算方式如下:
式中,Xi为缺失数据,{Xi-k+…+Xi-1+Xi+1+Xi+k}为缺失数据前后的正常数据,k为采取填补的单侧长度,取k=5,即为1s内的10条数据进行补充。
步骤一使用网联车辆自然驾驶数据中的车道线距离计算出横向速度,再得出横向加速度;
具体的计算方式如下:
式中,di和di+1分别是i和i+1时刻检测到的右侧车道线距离,Δt是时间采样时间间隔,vi是计算得到的i时刻的瞬时横向速度,ai是计算得到的i时刻的瞬时横向加速度。
所述的步骤二以0.1m/s为区间将速度划分为若干区间,对每个速度区间内的加速度采取置信度95%对纵向加速度和横向加速度进行异常加速度提取,如果同一段行程出现连续5个以上的异常加速度点时,则将此段行程认为是一个极端驾驶事件。
所述步骤三对极端驾驶事件数据进行聚类的具体步骤如下:
步骤3-1、特征选取,选取能够表示车辆空间和时间的特征信息进行聚类;
特征矩阵的表达式如下:
在上述表达式中,Di表示i时刻车辆的时间和空间特征,表示i时刻车辆的相对横向距离,/>表示i时刻车辆的相对纵向距离,/>表示i时刻车辆的相对横向速度,/>表示i时刻车辆的相对纵向速度,ai表示i时刻主车辆的横向加速度;
步骤3-2、使用轮廓系数法确定聚类簇数k,根据步骤3-1选出的特征矩阵进行k均值聚类;令k从2到某个固定值,计算k的轮廓系数,选取轮廓系数最大值的k作为分类个数;
轮廓系数计算方法为:
式中,a(i)表示i向量到同一簇内其他样本的平均距离,a(i)越小则此向量越应该被聚类到该簇;b(i)表示i向量到其它簇的所有样本的平均距离,b(i)越大说明向量i不属于其它簇;
空间中数据对象与聚类中心间的欧氏距离计算公式:
其中,x为数据对象;Ci为第i个聚类中心;m为数据对象的维度;
xj,Cij分别为x和Ci的第j个属性值;
整个数据集的误差平方和计算公式为:
其中,SSE的大小表示聚类结果的好坏;当SSE的值没有变化时,聚类结束。
所述的步骤3-1中,使用主车辆和目标车辆的相对距离、相对速度和主车辆加速度信息组成特征矩阵;所述的主车辆为采集数据的车辆,所述的目标车辆为相邻车辆。
相较于现有技术,本发明具有如下的有益效果:通过采集网联车辆自然驾驶数据集,将数据集中的缺失数据进行填补或删除,并采用车道线计算数据集中没有的车辆横向加速度,有利于对车辆横向驾驶状况进行分析。将速度划分为若干区间,根据某段行程的异常加速度点数量,判断是否属于极端驾驶事件,根据车辆的驾驶属性使用采用k-means聚类算法对异常驾驶事件进行分类,开创性的使用k均值对异常驾驶数据进行聚类,通过googleearth分析聚类结果得到不同驾驶场景和车辆驾驶参数。本发明能够准确获取得到异常驾驶场景。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1本发明异常驾驶场景提取方法的流程图;
图2本发明实施例得到的加速度异常点分布图;
图3轮廓系数评估结果示意图;
图4聚类结果中每一类数据的占比。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。
基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提还可以进行若干简单的修改和润饰,所获得的所有其他实施例,都属于本发明保护的范围。
在本发明中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施方案中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,在本发明所描述的实施例还可以与其它实施例相结合。
参见图1,本发明基于网联车辆自然驾驶数据的异常驾驶场景提取方法,包括以下步骤:
步骤1、处理网联车辆自然驾驶数据集,将网联车辆自然驾驶数据集中的缺失数据进行填补或删除,并计算出数据集中没有的横向加速度。具体的步骤为:
步骤1-1,数据清洗,当时间连续的10条数据中出现5条以上缺失值时,认为是不可信数据,将其删除,并筛选出超过5s的连续时间序列数据(数据的采集频率为10HZ);
步骤1-2,缺失值补充,采用临位均值插补的方式对缺失值进行补充;
式中,Xi为缺失数据,{Xi-k+…+Xi-1+Xi+1+Xi+k}为缺失数据前后的正常数据,k为采取填补的单侧长度,一般取k=5,即为1s内的10条数据进行补充。
步骤1-3,计算横向加速度;
使用网联车辆自然驾驶数据中的车道线距离计算出横向速度,进而得出横向加速度:
式中,di和di+1分别是i和i+1时刻检测到的右侧车道线距离,Δt是采样时间间隔,vi是计算得到的i时刻的瞬时横向速度,ai是计算得到的i时刻的瞬时横向加速度。
步骤2,提取极端驾驶事件;
以0.1m/s为区间将速度划分为若干区间,对固定速度区间内的加速度采取置信度95%对纵向加速度和步骤1计算的横向加速度进行异常加速度提取,当同一段行程的异常加速度数据中时间上出现连续5个以上的异常加速度点时,则将此段区间认为是一个极端驾驶事件。
步骤3,利用步骤2提取的极端驾驶事件数据做聚类,具体的步骤为:
步骤3-1,特征选取;
选取能够表示车辆空间和时间的特征信息进行聚类。使用主车辆(采集数据的车辆)和目标车辆(相邻车辆)的相对距离、相对速度和主车辆加速度信息组成特征矩阵:
式中,Di表示i时刻车辆的时间和空间特征,表示i时刻车辆的相对横向距离,表示i时刻车辆的相对纵向距离,/>表示i时刻车辆的相对横向速度,/>表示i时刻车辆的相对纵向速度,ai表示i时刻主车辆的横向加速度。
步骤3-2,k-means聚类;
使用轮廓系数法确定聚类簇数k,根据3-1选出的特征矩阵进行k均值聚类。令k从2到某个固定值,计算k的轮廓系数,选取轮廓系数最大的值对应的k作为最终分类个数。
轮廓系数计算方法为:
式中,a(i)表示i向量到同一簇内其他样本的平均距离,a(i)越小说明此向量应该被聚类到该簇。b(i)表示i向量到其它簇的所有样本的平均距离,b(i)越大说明向量i不属于其它簇。
空间中数据对象与聚类中心间的欧氏距离计算公式:
其中,x为数据对象;Ci为第i个聚类中心;m为数据对象的维度;
xj,Cij为x和Ci的第j个属性值。
整个数据集的误差平方和计算公式为:
其中,SSE的大小表示聚类结果的好坏;当SSE的值没有变化时,聚类结束。
步骤4,将聚类结果通过经纬度定位在google earth中得到驾驶场景并统计驾驶参数。
实施例
实验中得到的加速度异常点如图2所示,以0.1m/s为区间将速度划分为若干个区间,对固定速度区间内的加速度采取置信度95%对纵向加速度和横向加速度进行异常加速度提取,在同一段行程的异常加速度数据中出现连续5个以上的异常加速度点作为一个极端驾驶事件。通过轮廓系数评估,参见图3,从轮廓系数评估结果来看,将k取5是较合适的簇数。在图4中显示了每一类数据的占比,统计得到表1的横向异常事件的参数取值范围。
表1 驾驶横向异常的参数取值范围
分析可得,第一类发生在目标车辆位于主车辆的前方且距离很近的位置,第五类发生在目标车辆位于主车辆左前方且距离较近的位置。第三类和第二类发生在目标车辆相对于主车辆前方较远的位置,且主车辆的横向加速度大部分趋近于0,相对纵向速度集中于负值和0附近。第四类在目标车辆位于主车辆的右前方较近的位置上,且相对纵向速度为负值。
以上结合具体特征及其实施例对本发明进行了描述,显而易见的,在不脱离本发明的精神和范围的情况下,还可以对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明,且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然,本领域技术人员可以对本发明进行各种改动和变型,这些不脱离本发明的精神和范围的修改和变型也属于本发明权利要求及其等同技术的范围之内。
Claims (6)
1.一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法,其特征在于,包括:
步骤一、对网联车辆自然驾驶数据集进行数据清洗,填补缺失数据,计算出横向加速度;
步骤二、将速度划分为若干区间,对速度区间内的纵向加速度和步骤一得到的横向加速度进行异常加速度提取,根据某段行程的异常加速度点数量,判断是否属于极端驾驶事件;
步骤三、利用找出的极端驾驶事件数据采用k-means聚类算法进行聚类;
所述步骤三对极端驾驶事件数据进行聚类的具体步骤如下:
步骤3-1、特征选取,选取能够表示车辆空间和时间的特征信息进行聚类;
特征矩阵的表达式如下:
在上述表达式中,Di表示i时刻车辆的时间和空间特征,表示i时刻车辆的相对横向距离,/>表示i时刻车辆的相对纵向距离,/>表示i时刻车辆的相对横向速度,/>表示i时刻车辆的相对纵向速度,ai表示i时刻主车辆的横向加速度;
步骤3-2、使用轮廓系数法确定聚类簇数k,根据步骤3-1选出的特征矩阵进行k均值聚类;令k从2到某个固定值,计算k的轮廓系数,选取轮廓系数最大值的k作为分类个数;
轮廓系数计算方法为:
式中,a(i)表示i向量到同一簇内其他样本的平均距离,a(i)越小则此向量越应该被聚类到该簇;b(i)表示i向量到其它簇的所有样本的平均距离,b(i)越大说明向量i不属于其它簇;
空间中数据对象与聚类中心间的欧氏距离计算公式:
其中,x为数据对象;Ci为第i个聚类中心;m为数据对象的维度;
xj,Cij分别为x和Ci的第j个属性值;
整个数据集的误差平方和计算公式为:
其中,SSE的大小表示聚类结果的好坏;当SSE的值没有变化时,聚类结束;
步骤四、将聚类结果通过经纬度定位在google earth中得到驾驶场景并统计驾驶参数。
2.根据权利要求1所述基于网联车辆自然驾驶数据的异常驾驶场景提取方法,其特征在于:所述的步骤一数据清洗时当时间连续的10条数据中出现5条以上缺失值时,认为是不可信数据,将其删除;并筛选出超过5s的连续时间序列数据;数据的采集频率为10HZ。
3.根据权利要求1所述基于网联车辆自然驾驶数据的异常驾驶场景提取方法,其特征在于,所述的步骤一采用临位均值插补的方式对缺失值进行补充,具体计算方式如下:
式中,Xi为缺失数据,{Xi-k+…+Xi-1+Xi+1+Xi+k}为缺失数据前后的正常数据,k为采取填补的单侧长度,取k=5,即为1s内的10条数据进行补充。
4.根据权利要求1所述基于网联车辆自然驾驶数据的异常驾驶场景提取方法,其特征在于,步骤一使用网联车辆自然驾驶数据中的车道线距离计算出横向速度,再得出横向加速度;
具体的计算方式如下:
式中,di和di+1分别是i和i+1时刻检测到的右侧车道线距离,Δt是时间采样时间间隔,vi是计算得到的i时刻的瞬时横向速度,ai是计算得到的i时刻的瞬时横向加速度。
5.根据权利要求1所述基于网联车辆自然驾驶数据的异常驾驶场景提取方法,其特征在于,所述的步骤二以0.1m/s为区间将速度划分为若干区间,对每个速度区间内的加速度采取置信度95%对纵向加速度和横向加速度进行异常加速度提取,如果同一段行程出现连续5个以上的异常加速度点时,则将此段行程认为是一个极端驾驶事件。
6.根据权利要求1所述基于网联车辆自然驾驶数据的异常驾驶场景提取方法,其特征在于,所述的步骤3-1中,使用主车辆和目标车辆的相对距离、相对速度和主车辆加速度信息组成特征矩阵;所述的主车辆为采集数据的车辆,所述的目标车辆为相邻车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911311455.4A CN110969142B (zh) | 2019-12-18 | 2019-12-18 | 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911311455.4A CN110969142B (zh) | 2019-12-18 | 2019-12-18 | 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110969142A CN110969142A (zh) | 2020-04-07 |
CN110969142B true CN110969142B (zh) | 2023-09-05 |
Family
ID=70034973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911311455.4A Active CN110969142B (zh) | 2019-12-18 | 2019-12-18 | 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969142B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111891132B (zh) * | 2020-07-31 | 2021-09-24 | 广州文远知行科技有限公司 | 一种基于加减速的业务处理方法、装置、设备和存储介质 |
CN112036297A (zh) * | 2020-08-28 | 2020-12-04 | 长安大学 | 基于网联车辆驾驶数据的典型与极限场景划分与提取方法 |
CN112668100B (zh) * | 2020-11-19 | 2022-08-19 | 同济大学 | 基于自然驾驶实验的智能汽车交通场景事件链重构方法 |
CN112991764B (zh) * | 2021-04-26 | 2021-08-06 | 中汽研(天津)汽车工程研究院有限公司 | 一种基于摄像头的超车场景数据采集、识别与提取系统 |
CN114419893B (zh) * | 2022-01-30 | 2023-02-28 | 重庆长安汽车股份有限公司 | 一种基于车端数据的道路问题检测方法及可读存储介质 |
CN114446057A (zh) * | 2022-04-11 | 2022-05-06 | 武汉智安交通科技有限公司 | 一种基于智能网联环境的事故高发点辨识预警方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764111A (zh) * | 2018-05-23 | 2018-11-06 | 长安大学 | 一种车辆异常驾驶行为的检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10332020B2 (en) * | 2015-11-19 | 2019-06-25 | GM Global Technology Operations LLC | Method and apparatus of differentiating drivers based on driving behaviors |
US10347122B2 (en) * | 2016-07-12 | 2019-07-09 | Denson Corporation | Road condition monitoring system |
-
2019
- 2019-12-18 CN CN201911311455.4A patent/CN110969142B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764111A (zh) * | 2018-05-23 | 2018-11-06 | 长安大学 | 一种车辆异常驾驶行为的检测方法 |
Non-Patent Citations (1)
Title |
---|
惠飞 等.基于凝聚层次的驾驶行为聚类与异常检测方法.《计算机工程》.2018,第44卷(第44期),正文第0-3节. * |
Also Published As
Publication number | Publication date |
---|---|
CN110969142A (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969142B (zh) | 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法 | |
CN108010320B (zh) | 一种基于自适应时空约束低秩算法的路网交通数据的补全方法 | |
CN111192284B (zh) | 一种车载激光点云分割方法及系统 | |
CN108986465B (zh) | 一种车流量检测的方法、系统及终端设备 | |
CN112417953B (zh) | 道路状况检测和地图数据更新方法、装置、系统及设备 | |
CN108416985B (zh) | 一种基于图像识别的地质灾害监测预警系统及预警方法 | |
CN108717790A (zh) | 一种基于卡口车牌识别数据的车辆出行分析方法 | |
CN106650913A (zh) | 一种基于深度卷积神经网络的车流密度估计方法 | |
CN104050481B (zh) | 多模板轮廓特征和灰度相结合的红外图像实时行人检测 | |
CN105426863B (zh) | 检测车道线的方法和装置 | |
CN107590486B (zh) | 运动目标识别方法和系统、自行车流量统计方法和设备 | |
CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测系统及方法 | |
CN106558051A (zh) | 一种改进的从单幅图像检测道路的方法 | |
CN105046959B (zh) | 基于双窗口滑动匹配机制的城市道路行程时间提取方法 | |
CN113327248B (zh) | 一种基于视频的隧道车流量统计方法 | |
CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN114976306A (zh) | 一种基于车联云的动力锂电池智能化梯次利用方法 | |
CN103886609B (zh) | 基于粒子滤波和lbp特征的车辆跟踪方法 | |
CN112711981A (zh) | 一种高精度输电线路缺陷识别方法 | |
CN114879160B (zh) | 基于三维点云数据的铁轨异物入侵实时监测方法及系统 | |
CN103093625A (zh) | 一种基于可信度验证的城市道路交通状态实时估计方法 | |
CN106709432B (zh) | 基于双目立体视觉的人头检测计数方法 | |
CN112700473B (zh) | 一种基于图像识别进行车厢拥挤度判断系统 | |
CN111597992B (zh) | 一种基于视频监控的场景物体异常的识别方法 | |
CN107705330B (zh) | 基于道路摄像头的能见度智能估测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |