CN110992714A - 一种智能交通信号灯控制方法及系统 - Google Patents
一种智能交通信号灯控制方法及系统 Download PDFInfo
- Publication number
- CN110992714A CN110992714A CN201911310059.XA CN201911310059A CN110992714A CN 110992714 A CN110992714 A CN 110992714A CN 201911310059 A CN201911310059 A CN 201911310059A CN 110992714 A CN110992714 A CN 110992714A
- Authority
- CN
- China
- Prior art keywords
- traffic signal
- signal lamp
- vehicles
- image
- setting
- 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
- G08G1/07—Controlling traffic signals
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/095—Traffic lights
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及智能交通控制技术领域,具体涉及一种智能交通信号灯控制方法及系统,首先以设定时间间隔采集车流方向的车流图像,并识别车流图像所包含的车辆数量;接着获取第二交通信号灯的颜色持续时间,所述第二交通信号灯的颜色持续时间包括第二交通信号灯显示为红色的持续时间和第二交通信号灯显示为绿色的持续时间;从而根据车辆数量和第二交通信号灯的颜色持续时间控制第一交通信号的颜色和第二交通信号灯的颜色;其中,第一交通信号灯为指导车辆通行的指示灯,第二交通信号灯为指导行人通行的指示灯,本发明可快速有效的根据道路的实际拥堵情况调节交通信号灯,从而达到优化交通的目的,保证了道路的顺畅通行。
Description
技术领域
本发明涉及智能交通控制技术领域,具体涉及一种智能交通信号灯控制方法及系统。
背景技术
现阶段交通信号灯均是按秒计数,并以固定的时间控制道路的通行,有时明明无人无车通行,人们却也只能等待红灯读秒结束,浪费了时间;有时明明拥挤,仍然一路绿灯,导致前方路况更加不堪,同样耽误了人们时间与精力。并且排队等绿灯时,会加大汽车尾气的排放,污染环境。
可见,如何根据道路的实际拥堵情况调节交通信号灯,从而达到优化交通的目的,对道路的顺畅通行具有十分重要的意义。
发明内容
本发明提供一种智能交通信号灯控制方法及系统,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
为了实现上述目的,本发明提供以下技术方案:
根据本发明第一方面实施例的一种智能交通信号灯控制方法,包括:
以设定时间间隔采集车流方向的车流图像,并识别车流图像所包含的车辆数量;
获取第二交通信号灯的颜色持续时间,所述第二交通信号灯的颜色持续时间包括第二交通信号灯显示为红色的持续时间和第二交通信号灯显示为绿色的持续时间;
根据车辆数量和第二交通信号灯的颜色持续时间控制第一交通信号的颜色和第二交通信号灯的颜色;
其中,第一交通信号灯为指导车辆通行的指示灯,第二交通信号灯为指导行人通行的指示灯。
进一步,所述识别车流图像所包含的车辆数量,包括:
将所述车流图像进行预处理,得到二值化图像,所述预处理包括去噪、几何变换、对比度增强、灰度化处理和二值化处理;
将所述二值化图像输入深度神经网络模型中,识别所述二值化图像所包含的车辆数量。
进一步,所述将所述二值化图像输入深度神经网络模型中,识别所述二值化图像所包含的车辆数量,包括:
获取包含车辆信息的样本图像,根据所述样本图像生成训练样本集;
构建深度神经网络模型,利用训练样本集训练构建的深度神经网络模型;
使用所述深度神经网络模型对二值化图像进行检测,输出预测结果,所述预测结果包括二值化图像中预测框的坐标、置信度和类别概率;
根据所述预测结果对二值化图像中的车辆计数,输出计数结果。
进一步,所述获取包含车辆信息的样本图像,根据所述样本图像生成训练样本集,包括:
对样本图像进行预处理,得到预处理图像,所述预处理包括去噪、几何变换、对比度增强、灰度化处理和二值化处理;
将所述预处理图像进行归一化,生成归一化影像;
将所述归一化影像作为训练样本,将设定数量的训练样本形成训练样本集。
进一步,所述构建深度神经网络模型,利用预处理后的车辆样本图像训练构建的深度神经网络模型,包括:
获取车辆标注后的训练样本集,所述车辆标注是指在训练样本中标注出车辆所在区域的线框;
将训练样本输入YOLOv3算法框架中进行训练,生成训练好的深度神经网络模型。
进一步,所述使用所述深度神经网络模型对二值化图像进行检测,输出预测结果,包括:
将二值化图像输入深度神经网络模型,经过若干卷积层和上采样层,得到预测框;
采用logistic函数对深度神经网络模型进行激活,经阈值判断,得到所有预测框的结果,所述结果为预测框的坐标、置信度和类别概率;
将所述结果通过非极大值抑制处理产生最终的预测结果。
进一步,所述根据车辆数量和第二交通信号灯的颜色持续时间控制第一交通信号的颜色和第二交通信号灯的颜色,包括:
当车辆数量低于第一阈值,且第二交通信号灯设为绿色的时间小于第二阈值时,将第一交通信号灯设为红色,第二交通信号灯设为绿色;
当车辆数量低于第一阈值,且第二交通信号灯设为绿色的时间大于第二阈值时,将第一交通信号灯设为绿色,第二交通信号灯设为红色;
当车辆数量高于第一阈值,且第二交通信号灯设为红色的时间小于第三阈值时,将第一交通信号灯设为绿色,第二交通信号灯设为红色;
当车辆数量高于第一阈值,且第二交通信号灯设为红色的时间大于第三阈值时,将第一交通信号灯设为红色,第二交通信号灯设为绿色。
根据本发明第二方面实施例的一种智能交通信号灯控制系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现第一方面实施例所述的智能交通信号灯控制方法。
本发明的有益效果是:本发明公开一种智能交通信号灯控制方法及系统,首先以设定时间间隔采集车流方向的车流图像,并识别车流图像所包含的车辆数量;接着获取第二交通信号灯的颜色持续时间,所述第二交通信号灯的颜色持续时间包括第二交通信号灯显示为红色的持续时间和第二交通信号灯显示为绿色的持续时间;从而根据车辆数量和第二交通信号灯的颜色持续时间控制第一交通信号的颜色和第二交通信号灯的颜色;其中,第一交通信号灯为指导车辆通行的指示灯,第二交通信号灯为指导行人通行的指示灯。本发明可快速有效的根据道路的实际拥堵情况调节交通信号灯,从而达到优化交通的目的,保证了道路的顺畅通行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一种智能交通信号灯控制方法的流程示意图;
图2是图1中实施例步骤S100的流程示意图;
图3是图1中实施例步骤S300的流程示意图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
参考图1,如图1所示为一种智能交通信号灯控制方法,包括以下步骤:
步骤S100、以设定时间间隔采集车流方向的车流图像,并识别车流图像所包含的车辆数量。
本步骤中,可直接利用现有的应用在平安城市中的视频监控摄像头采集车流图像,所述设定时间间隔可根据实际需要人为设置,为保证实时掌握车流情况,在一个具体的实施例中,可设为1-10秒,通过间隔的采集车流图像,可以实时获取车辆数量,从而掌握车流情况。
步骤S200、获取第二交通信号灯的颜色持续时间。
其中,所述第二交通信号灯的颜色持续时间包括第二交通信号灯显示为红色的持续时间和第二交通信号灯显示为绿色的持续时间。所述第二交通信号灯的颜色持续时间可通过交通信号灯的后台控制系统直接获得。
步骤S300、根据车辆数量和第二交通信号灯的颜色持续时间控制第一交通信号的颜色和第二交通信号灯的颜色。
其中,第一交通信号灯为指导车辆通行的指示灯,第二交通信号灯为指导行人通行的指示灯。
本实施例提供的技术方案中,通过对车辆数量和第二交通信号灯的颜色持续时间这两个参数即可快速有效的根据道路的实际拥堵情况调节交通信号灯,从而达到优化交通的目的,保证了道路的顺畅通行;另外,相比现有技术,本实施例减少了采集参数所耗费的硬件装置,可以更加节省成本。
参考图2,在一个优选的实施例中,所述步骤S100中,识别车流图像所包含的车辆数量,包括:
步骤S110、将所述车流图像进行预处理,得到二值化图像。
所述预处理包括去噪、几何变换、对比度增强、灰度化处理和二值化处理。所述预处理中的去噪是指对车流图像进行滤波,从而抑制和防止图像中的噪点干扰。几何变换用于改正摄像头位置的随机误差所进行的变换。对比度增强用于对车流图像进行加强和抑制,以车流图像中包含的车辆图像。灰度化处理和二值化处理可以使车流图像中数据量大为减少,从而能突显出车流图像中车辆的轮廓。
步骤S120、将所述二值化图像输入深度神经网络模型中,识别所述二值化图像所包含的车辆数量。
在一个优选的实施例中,所述步骤S120包括以下步骤:
(1)、获取包含车辆信息的样本图像,根据所述样本图像生成训练样本集。具体为:
对样本图像进行预处理,得到预处理图像,所述预处理包括去噪、几何变换、对比度增强、灰度化处理和二值化处理;
将所述预处理图像进行归一化,生成归一化影像;
将所述归一化影像作为训练样本,将设定数量的训练样本形成训练样本集。
(2)、构建深度神经网络模型,利用训练样本集训练构建的深度神经网络模型。具体为:
获取车辆标注后的训练样本集,所述车辆标注是指在训练样本中标注出车辆所在区域的线框;其中,训练样本的格式保存为voc格式,使用labelImg软件进行车辆标注,标记数据格式为xml格式。
将训练样本输入YOLOv3算法框架中进行训练,生成训练好的深度神经网络模型。
对YOLOv3算法框架进行训练的目的在于,调整原始YOLOv3算法框架中的权重,从而更加准确的进行预测。
(3)、使用所述深度神经网络模型对二值化图像进行检测,输出预测结果,所述预测结果包括二值化图像中预测框的坐标、置信度和类别概率;
将二值化图像输入深度神经网络模型,经过若干卷积层和上采样层,得到预测框;
采用logistic函数对深度神经网络模型进行激活,经阈值判断,得到所有预测框的结果,所述结果为预测框的坐标、置信度和类别概率。本实施例中的阈值判断为舍弃置信度低于0.5的预测框。
将所述结果通过非极大值抑制处理产生最终的预测结果。
(4)、根据所述预测结果对二值化图像中的车辆计数,输出计数结果。
参考图3,在一个优选的实施例中,所述步骤S300包括:
步骤S310、判断车辆数量是否低于第一阈值,若是,执行步骤S320,若否,执行步骤S350;
步骤S320、判断第二交通信号灯设为绿色的时间是否小于第二阈值,若是,执行步骤S330,若否,执行步骤S340;
步骤S330、将第一交通信号灯设为红色,第二交通信号灯设为绿色;
步骤S340、将第一交通信号灯设为绿色,第二交通信号灯设为红色;
步骤S350、判断第二交通信号灯设为红色的时间是否小于第三阈值,若是,执行步骤S360,若否,执行步骤S370;
步骤S360、将第一交通信号灯设为绿色,第二交通信号灯设为红色;
步骤S370、将第一交通信号灯设为红色,第二交通信号灯设为绿色。
需要说明的是,若第二交通信号灯为红色,则第二交通信号灯设为绿色的时间为0,即第二交通信号灯设为绿色的时间小于第二阈值;同样的,若第二交通信号灯为绿色,则第二交通信号灯设为红色的时间为0,即第二交通信号灯设为红色的时间小于第三阈值。
本实施例中,第一阈值、第二阈值、第三阈值根据车流量进行设置,第一阈值不少于全部数量的车辆通过人行道所花费的时间,第二阈值不少于行人通过人行道到达对面马路所花费的时间,当车流量较大的时候,可将第一阈值、第三阈值调大,将第二阈值调小;当车流量较小的时候,可将第一阈值、第三阈值调小,将第二阈值调大。
一般来说,造成道路拥堵的主要原因在于车辆的拥堵,在红绿灯路口等待的行人即时具有一定数量,也是可以在一定时间内快速通过的,并不会造成拥堵,因此,本发明提供的技术方案中,着重对车流量进行调节,优先保障车辆能够顺畅的通行,在车流量大的时段,减少车辆在红绿灯路口上停顿的时间,尽量让车辆持续前行;当各个路口均采用本实施例中的方法时,相邻路口之间就具有传导效应,密集的车流在各个路口顺畅通行,实现分流,从而有效缓解车道的拥堵状况,使整体路网更为通畅。
与上述方法相对应,本发明第二方面实施例还提供一种智能交通信号灯控制系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现第一方面实施例所述的智能交通信号灯控制方法。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
所述处理器可以是中央处理单元(Central-Processing-Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor,DSP)、专用集成电路(Application-Specific-Integrated-Circuit,ASIC)、现场可编程门阵列(Field-Programmable-Gate-Arr ay,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种智能交通信号灯控制系统的控制中心,利用各种接口和线路连接整个一种智能交通信号灯控制系统可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种智能交通信号灯控制系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart-Media-Card,SMC),安全数字(Secure-Digital,SD)卡,闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求,考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (8)
1.一种智能交通信号灯控制方法,其特征在于,包括:
以设定时间间隔采集车流方向的车流图像,并识别车流图像所包含的车辆数量;
获取第二交通信号灯的颜色持续时间,所述第二交通信号灯的颜色持续时间包括第二交通信号灯显示为红色的持续时间和第二交通信号灯显示为绿色的持续时间;
根据车辆数量和第二交通信号灯的颜色持续时间控制第一交通信号的颜色和第二交通信号灯的颜色;
其中,第一交通信号灯为指导车辆通行的指示灯,第二交通信号灯为指导行人通行的指示灯。
2.根据权利要求1所述的一种智能交通信号灯控制方法,其特征在于,所述识别车流图像所包含的车辆数量,包括:
将所述车流图像进行预处理,得到二值化图像,所述预处理包括去噪、几何变换、对比度增强、灰度化处理和二值化处理;
将所述二值化图像输入深度神经网络模型中,识别所述二值化图像所包含的车辆数量。
3.根据权利要求2所述的一种智能交通信号灯控制方法,其特征在于,所述将所述二值化图像输入深度神经网络模型中,识别所述二值化图像所包含的车辆数量,包括:
获取包含车辆信息的样本图像,根据所述样本图像生成训练样本集;
构建深度神经网络模型,利用训练样本集训练构建的深度神经网络模型;
使用所述深度神经网络模型对二值化图像进行检测,输出预测结果,所述预测结果包括二值化图像中预测框的坐标、置信度和类别概率;
根据所述预测结果对二值化图像中的车辆计数,输出计数结果。
4.根据权利要求3所述的一种智能交通信号灯控制方法,其特征在于,所述获取包含车辆信息的样本图像,根据所述样本图像生成训练样本集,包括:
对样本图像进行预处理,得到预处理图像,所述预处理包括去噪、几何变换、对比度增强、灰度化处理和二值化处理;
将所述预处理图像进行归一化,生成归一化影像;
将所述归一化影像作为训练样本,将设定数量的训练样本形成训练样本集。
5.根据权利要求3所述的一种智能交通信号灯控制方法,其特征在于,所述构建深度神经网络模型,利用预处理后的车辆样本图像训练构建的深度神经网络模型,包括:
获取车辆标注后的训练样本集,所述车辆标注是指在训练样本中标注出车辆所在区域的线框;
将训练样本输入YOLOv3算法框架中进行训练,生成训练好的深度神经网络模型。
6.根据权利要求5所述的一种智能交通信号灯控制方法,其特征在于,所述使用所述深度神经网络模型对二值化图像进行检测,输出预测结果,包括:
将二值化图像输入深度神经网络模型,经过若干卷积层和上采样层,得到预测框;
采用logistic函数对深度神经网络模型进行激活,经阈值判断,得到所有预测框的结果,所述结果为预测框的坐标、置信度和类别概率;
将所述结果通过非极大值抑制处理输出最终的预测结果。
7.根据权利要求1所述的一种智能交通信号灯控制方法,其特征在于,所述根据车辆数量和第二交通信号灯的颜色持续时间控制第一交通信号的颜色和第二交通信号灯的颜色,包括:
当车辆数量低于第一阈值,且第二交通信号灯设为绿色的时间小于第二阈值时,将第一交通信号灯设为红色,第二交通信号灯设为绿色;
当车辆数量低于第一阈值,且第二交通信号灯设为绿色的时间大于第二阈值时,将第一交通信号灯设为绿色,第二交通信号灯设为红色;
当车辆数量高于第一阈值,且第二交通信号灯设为红色的时间小于第三阈值时,将第一交通信号灯设为绿色,第二交通信号灯设为红色;
当车辆数量高于第一阈值,且第二交通信号灯设为红色的时间大于第三阈值时,将第一交通信号灯设为红色,第二交通信号灯设为绿色。
8.一种智能交通信号灯控制系统,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-7任一项所述的智能交通信号灯控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911310059.XA CN110992714A (zh) | 2019-12-18 | 2019-12-18 | 一种智能交通信号灯控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911310059.XA CN110992714A (zh) | 2019-12-18 | 2019-12-18 | 一种智能交通信号灯控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110992714A true CN110992714A (zh) | 2020-04-10 |
Family
ID=70095284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911310059.XA Pending CN110992714A (zh) | 2019-12-18 | 2019-12-18 | 一种智能交通信号灯控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992714A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112185139A (zh) * | 2020-09-23 | 2021-01-05 | 上海勤电信息科技有限公司 | 一种基于智慧综合杆的城市管理方法和系统 |
CN112419756A (zh) * | 2020-11-20 | 2021-02-26 | 陕西国防工业职业技术学院 | 一种智能变换的交通路口通行指示系统及方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077617A (zh) * | 2012-12-24 | 2013-05-01 | 南京航空航天大学 | 基于计算机视觉的人行横道智能交通灯监管系统及方法 |
CN104570988A (zh) * | 2013-10-29 | 2015-04-29 | 杨绍鹏 | 一种行人过街智能闸机控制系统 |
CN106228817A (zh) * | 2016-08-09 | 2016-12-14 | 浙江大华技术股份有限公司 | 一种控制交通信号灯的方法和装置 |
CN106251663A (zh) * | 2016-09-14 | 2016-12-21 | 深圳市喜悦智慧数据有限公司 | 一种智能交通机器人 |
CN108074404A (zh) * | 2016-11-14 | 2018-05-25 | 伍煜东 | 智能交通管理系统及方法 |
CN108417057A (zh) * | 2018-05-15 | 2018-08-17 | 哈尔滨工业大学 | 一种智能信号灯配时系统 |
CN108597219A (zh) * | 2018-05-04 | 2018-09-28 | 山东理工大学 | 一种基于机器视觉的路段行人过街控制方法 |
CN108710875A (zh) * | 2018-09-11 | 2018-10-26 | 湖南鲲鹏智汇无人机技术有限公司 | 一种基于深度学习的航拍公路车辆计数方法及装置 |
CN109325418A (zh) * | 2018-08-23 | 2019-02-12 | 华南理工大学 | 基于改进YOLOv3的道路交通环境下行人识别方法 |
CN109389836A (zh) * | 2017-08-03 | 2019-02-26 | 杭州海康威视数字技术股份有限公司 | 交通信号灯的控制方法、装置、系统及控制器 |
CN109815886A (zh) * | 2019-01-21 | 2019-05-28 | 南京邮电大学 | 一种基于改进YOLOv3的行人和车辆检测方法及系统 |
KR20190065907A (ko) * | 2017-12-12 | 2019-06-12 | 유동수 | 얼굴 인식을 이용한 교통 관리 시스템 |
CN110264704A (zh) * | 2019-06-27 | 2019-09-20 | 山东交通学院 | 一种基于自动人行道的人车过街装置及其控制方法 |
CN110322705A (zh) * | 2019-07-15 | 2019-10-11 | 青岛海信网络科技股份有限公司 | 一种路口行人过街信号控制的方法及装置、系统 |
CN110517511A (zh) * | 2019-09-28 | 2019-11-29 | 武汉飞创交通工程有限公司 | 一种交通信号灯控制系统 |
-
2019
- 2019-12-18 CN CN201911310059.XA patent/CN110992714A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077617A (zh) * | 2012-12-24 | 2013-05-01 | 南京航空航天大学 | 基于计算机视觉的人行横道智能交通灯监管系统及方法 |
CN104570988A (zh) * | 2013-10-29 | 2015-04-29 | 杨绍鹏 | 一种行人过街智能闸机控制系统 |
CN106228817A (zh) * | 2016-08-09 | 2016-12-14 | 浙江大华技术股份有限公司 | 一种控制交通信号灯的方法和装置 |
CN106251663A (zh) * | 2016-09-14 | 2016-12-21 | 深圳市喜悦智慧数据有限公司 | 一种智能交通机器人 |
CN108074404A (zh) * | 2016-11-14 | 2018-05-25 | 伍煜东 | 智能交通管理系统及方法 |
CN109389836A (zh) * | 2017-08-03 | 2019-02-26 | 杭州海康威视数字技术股份有限公司 | 交通信号灯的控制方法、装置、系统及控制器 |
KR20190065907A (ko) * | 2017-12-12 | 2019-06-12 | 유동수 | 얼굴 인식을 이용한 교통 관리 시스템 |
CN108597219A (zh) * | 2018-05-04 | 2018-09-28 | 山东理工大学 | 一种基于机器视觉的路段行人过街控制方法 |
CN108417057A (zh) * | 2018-05-15 | 2018-08-17 | 哈尔滨工业大学 | 一种智能信号灯配时系统 |
CN109325418A (zh) * | 2018-08-23 | 2019-02-12 | 华南理工大学 | 基于改进YOLOv3的道路交通环境下行人识别方法 |
CN108710875A (zh) * | 2018-09-11 | 2018-10-26 | 湖南鲲鹏智汇无人机技术有限公司 | 一种基于深度学习的航拍公路车辆计数方法及装置 |
CN109815886A (zh) * | 2019-01-21 | 2019-05-28 | 南京邮电大学 | 一种基于改进YOLOv3的行人和车辆检测方法及系统 |
CN110264704A (zh) * | 2019-06-27 | 2019-09-20 | 山东交通学院 | 一种基于自动人行道的人车过街装置及其控制方法 |
CN110322705A (zh) * | 2019-07-15 | 2019-10-11 | 青岛海信网络科技股份有限公司 | 一种路口行人过街信号控制的方法及装置、系统 |
CN110517511A (zh) * | 2019-09-28 | 2019-11-29 | 武汉飞创交通工程有限公司 | 一种交通信号灯控制系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112185139A (zh) * | 2020-09-23 | 2021-01-05 | 上海勤电信息科技有限公司 | 一种基于智慧综合杆的城市管理方法和系统 |
CN112185139B (zh) * | 2020-09-23 | 2022-03-22 | 上海勤电信息科技有限公司 | 一种基于智慧综合杆的城市管理方法和系统 |
CN112419756A (zh) * | 2020-11-20 | 2021-02-26 | 陕西国防工业职业技术学院 | 一种智能变换的交通路口通行指示系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
WO2019228211A1 (zh) | 基于车道线的智能驾驶控制方法和装置、电子设备 | |
WO2020206861A1 (zh) | 基于YOLO v3的针对交通枢纽关键物体的检测方法 | |
CN111382704B (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
CN107358242B (zh) | 目标区域颜色识别方法、装置及监控终端 | |
JP6733397B2 (ja) | 放置物の検出装置、方法及びシステム | |
WO2018103608A1 (zh) | 一种文字检测方法、装置及存储介质 | |
US9053389B2 (en) | Hough transform for circles | |
CN109615864A (zh) | 基于视频结构化的车辆拥堵分析方法、系统、终端及存储介质 | |
CN109492609B (zh) | 一种检测车道线的方法和车辆、及计算设备 | |
CN111178119A (zh) | 路口状态检测方法、装置、电子设备及车辆 | |
CN113409362B (zh) | 高空抛物检测方法和装置、设备及计算机存储介质 | |
CN110992714A (zh) | 一种智能交通信号灯控制方法及系统 | |
CN111914698A (zh) | 图像中人体的分割方法、分割系统、电子设备及存储介质 | |
CN112949578B (zh) | 车灯状态识别方法、装置、设备及存储介质 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN113052158A (zh) | 夜间红外场景目标识别方法、装置、电子设备及存储介质 | |
CN114332776A (zh) | 非机动车占用人行道检测方法、系统、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 | |
CN112906471A (zh) | 一种交通信号灯识别方法及装置 | |
US9633283B1 (en) | Adaptive device and adaptive method for classifying objects with parallel architecture | |
CN108873097B (zh) | 无人停车库中载车板停车时的安全检测方法及装置 | |
Song et al. | Vision-based parking space detection: A mask R-CNN approach | |
Muniruzzaman et al. | Deterministic algorithm for traffic detection in free-flow and congestion using video sensor | |
CN115147642A (zh) | 基于视觉的渣土车检测方法、装置、计算机及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |
|
RJ01 | Rejection of invention patent application after publication |