CN111008578A - 一种视频文件数据价值评估方法 - Google Patents

一种视频文件数据价值评估方法 Download PDF

Info

Publication number
CN111008578A
CN111008578A CN201911170020.2A CN201911170020A CN111008578A CN 111008578 A CN111008578 A CN 111008578A CN 201911170020 A CN201911170020 A CN 201911170020A CN 111008578 A CN111008578 A CN 111008578A
Authority
CN
China
Prior art keywords
video file
events
people
objects
total
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
CN201911170020.2A
Other languages
English (en)
Other versions
CN111008578B (zh
Inventor
徐扬
张凡
康婷婷
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.)
TIANJIN E-HUALU INFORMATION TECHNOLOGY CO LTD
Original Assignee
TIANJIN E-HUALU INFORMATION TECHNOLOGY CO LTD
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 TIANJIN E-HUALU INFORMATION TECHNOLOGY CO LTD filed Critical TIANJIN E-HUALU INFORMATION TECHNOLOGY CO LTD
Priority to CN201911170020.2A priority Critical patent/CN111008578B/zh
Publication of CN111008578A publication Critical patent/CN111008578A/zh
Application granted granted Critical
Publication of CN111008578B publication Critical patent/CN111008578B/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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278—Product appraisal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种视频文件数据价值评估方法，包括：按照一定频率对视频文件进行抽帧，对抽取的图像采用深度学习神经网络算法进行人物识别和事件识别，根据抽帧频率以及识别到的人、物和事件数量估算视频文件中人、物和事件出现的总数量，对不同的人、物和事件预设不同的单价，根据各类人、物和事件数量以及单价加权计算得到总价，即视频文件的数据价值。通过这种方法可以快速估算大量视频文件的数据价值，有利于根据价值进行数据定价，促进数据交易，以及根据数据价值确定数据存储和传输等方案。

Description

一种视频文件数据价值评估方法
技术领域
本发明涉及数据处理技术领域，尤其涉及一种视频文件数据价值评估方法。
背景技术
近年来，伴随着云计算、大数据、物联网、人工智能等信息技术的快速发展和传统产业数字化的转型，数据量呈现几何级增长，全球数据总量将从2016年的16.1ZB增长到2025年的163ZB，十年10倍的增长，复合增长率为26％，推动大数据产业快速发展。
大数据是信息化发展的新阶段。我国各地对于发展大数据的积极性较高，在政策、技术、产业、应用等多个层面取得了显著进展，行业应用得到快速推广，市场规模增速明显，推动我国加快建设数据强国步伐。要发挥大数据的巨大的数据价值，不但需要海量的数据规模和多样的数据类型支持，还需要快速的数据流转和动态的数据体系，实现数据价值的最大化，对推进大数据产业创新发展更具有深远意义。
数据共享交易可实现数据、应用、解决方案的线上交易，当前存在的主要问题就是缺少对数据价值评估的方法，尤其是对视频文件数据价值的评估。
发明内容
本发明要解决以上技术问题，提供一种视频文件数据价值评估方法，通过快速估算大量视频文件的数据价值，有利于根据价值进行数据定价，促进数据交易，以及根据数据价值确定数据存储和传输等方案。
为解决上述技术问题，本发明采用的技术方案是：一种视频文件数据价值评估方法，包括：对视频文件按照抽帧频率抽帧，对抽取的图像通过深度学习神经网络算法进行人、物和事件识别，根据抽帧频率以及识别到的人、物和事件数量估算视频文件中人、物和事件出现的总数量，对不同的人、物和事件预设不同的单价，根据各类人、物和事件数量以及单价加权计算得出视频文件的数据总价值。
对视频文件的抽帧频率依据待识别人、物和事件数量的标准偏差以及价值确定，同时保证抽帧的总数大于等于10，且小于视频文件总帧数的20％。
视频文件中抽取的图像可识别的人、物包括行人、各类车辆、各种动物、标识牌、建筑物、无人机。
视频文件中抽取的图像可识别的事件包括烟雾、火灾、交通事故、路口交通溢出拥堵、车辆逆行、牌照无法识别、交通流量异常、违反限行、报废车辆上路行驶、非机动车闯红灯、外地车数量异常、逾期未检车辆上路行驶、机动车闯红灯、不文明停车、状态异常车辆识别、路口车辆交通秩序混乱、行人闯红灯、路段交通严重拥堵、车辆偏离路线、车型构成异常、行人翻越护栏、信号灯不正常显示、占道施工、道路积水。
所述根据抽帧频率以及识别到的人、物和事件数量估算视频文件中人、物和事件出现的总数量，包括以下步骤：
步骤一，从监控系统中保存视频文件，所述视频文件时长为t，总帧数为Nf，按照一定抽帧频率f对所述视频文件进行抽帧，对抽取的图像采用深度学习神经网络算法进行人、物和事件识别，可识别m种人、物和事件类型；
步骤二，根据抽帧频率f以及第i帧图像中识别出的第k类人、物和事件数量xi,k、视频文件总帧数Nf，估算第k类人、物和事件在所述视频文件中出现的总数量Nk以及标准偏差σk，计算公式如下：
n＝ft (1)
Figure BDA0002288451510000021
Figure BDA0002288451510000022
Figure BDA0002288451510000023
其中，t为视频文件总时长，n为抽帧数量。
视频文件中出现的第k类人、物和事件的总数量Nk在1-α置信水平下的取值范围为:
Figure BDA0002288451510000031
所述对不同的人、物和事件预设不同的单价，根据各类人、物和事件数量以及单价加权计算得出视频文件的数据总价值，包括以下步骤：
步骤一，根据第k类人、物和事件在视频文件中出现的总数量Nk以及标准偏差σk，估算视频中第k类人、物和事件的价值Vk：
Vk＝βkNk (6)
其中，βk为视频文件中第k类人、物和事件的基础价值参数；
步骤二，根据第k类人、物和事件在视频文件中的价值Vk计算视频文件
的总价值V：
Figure BDA0002288451510000032
其中,m为视频文件中人、物和事件的类型总数。
本发明具有的优点和积极效果是：一种视频文件数据价值评估方法，通过快速估算大量视频文件的数据价值，有利于根据价值进行数据定价，促进数据交易，以及根据数据价值确定数据存储和传输等方案。本发明能够对数据时代，海量视频文件进行价值评估，为数据共享及交易提供标尺。实现数据、应用、解决方案的线上交易，智能化匹配供需，加速数据融通、促进消费旺盛，实现数据价值的最大化。
附图说明
图1是一种视频文件数据价值评估方法的参数流程图。
具体实施方式
下面结合附图对本发明的具体实施例做详细说明。
如图1所示，一种视频文件数据价值评估方法，包括：对视频文件按照抽帧频率抽帧，对抽取的图像通过深度学习神经网络算法进行人、物和事件识别，根据抽帧频率以及识别到的人、物和事件数量估算视频文件中人、物和事件出现的总数量，对不同的人、物和事件预设不同的单价，根据各类人、物和事件数量以及单价加权计算得出视频文件的数据总价值。
对视频文件的抽帧频率依据待识别人、物和事件数量的标准偏差以及价值确定，同时保证抽帧的总数大于等于10，且小于视频文件总帧数的20％。
视频文件中抽取的图像可识别的人、物包括行人、各类车辆、各种动物、标识牌、建筑物、无人机。
视频文件中抽取的图像可识别的事件包括烟雾、火灾、交通事故、路口交通溢出拥堵、车辆逆行、牌照无法识别、交通流量异常、违反限行、报废车辆上路行驶、非机动车闯红灯、外地车数量异常、逾期未检车辆上路行驶、机动车闯红灯、不文明停车、状态异常车辆识别、路口车辆交通秩序混乱、行人闯红灯、路段交通严重拥堵、车辆偏离路线、车型构成异常、行人翻越护栏、信号灯不正常显示、占道施工、道路积水。
所述根据抽帧频率以及识别到的人、物和事件数量估算视频文件中人、物和事件出现的总数量，包括以下步骤：
步骤一，从监控系统中保存视频文件，所述视频文件时长为t，总帧数为Nf，按照一定抽帧频率f对所述视频文件进行抽帧，对抽取的图像采用深度学习神经网络算法进行人、物和事件识别，可识别m种人、物和事件类型；
步骤二，根据抽帧频率f以及第i帧图像中识别出的第k类人、物和事件数量xi,k、视频文件总帧数Nf，估算第k类人、物和事件在所述视频文件中出现的总数量Nk以及标准偏差σk，计算公式如下：
n＝ft (1)
Figure BDA0002288451510000051
Figure BDA0002288451510000052
Figure BDA0002288451510000053
其中，t为视频文件总时长，n为抽帧数量。
视频文件中出现的第k类人、物和事件的总数量Nk在1-α置信水平下的取值范围为:
Figure BDA0002288451510000054
所述对不同的人、物和事件预设不同的单价，根据各类人、物和事件数量以及单价加权计算得出视频文件的数据总价值，包括以下步骤：
步骤一，根据第k类人、物和事件在视频文件中出现的总数量Nk以及标准偏差σk，估算视频中第k类人、物和事件的价值Vk：
Vk＝βkNk (6)
其中，βk为视频文件中第k类人、物和事件的基础价值参数；
步骤二，根据第k类人、物和事件在视频文件中的价值Vk计算视频文件
的总价值V：
Figure BDA0002288451510000055
其中,m为视频文件中人、物和事件的类型总数。
一种视频文件数据价值评估方法最佳实施方式，从监控系统中保存下来的大容量视频文件，视频文件时长为t，总帧数为Nf，按照一定频率f进行抽帧，对抽取的图像采用深度学习神经网络算法进行人物识别和事件识别，可识别m种人、物和事件类型。为支持视频文件数据价值评估，要求抽帧的总数n大于等于10，且小于视频文件总帧数Nf的20％。
根据抽帧频率f以及第i帧图像中识别出的第k类人、物和事件数量xi,k估算第k类人、物和事件在视频文件中出现的总数量Nk以及标准偏差σk。对为视频文件中第k类人、物和事件预设基础价值参数βk，根据各类人、物和事件数量以及基础价值加权计算得到总价V，即视频文件的数据价值，实现快速估算大量视频文件的数据价值，根据价值进行数据定价，促进数据交易。
1)视频文件时长100s共3000帧，以1帧/10s的抽帧频率抽取图像10张。
Figure BDA0002288451510000061
2)利用抽帧图像，对抽取的图像采用深度学习神经网络算法进行人物识别和车辆识别。
抽取的10帧图像中，视频识别人和车的数量如表1所示：
表1视频识别人和车的数量
帧数 1 2 3 4 5 6 7 8 9 10
人 2 3 2 4 4 1 3 5 3 3
车 1 1 1 1 4 0 3 1 2 2
识别出的人和车数量xi,k的平均值
Figure BDA0002288451510000062
估算人和车在视频文件中出现的总数量Nk以及标准偏差σk：
Figure BDA0002288451510000063
Figure BDA0002288451510000064
Figure BDA0002288451510000065
Figure BDA0002288451510000066
Figure BDA0002288451510000067
Figure BDA0002288451510000068
视频文件中出现的人和车的数量Nk在0.95置信水平下的取值范围为:
Figure BDA0002288451510000071
Figure BDA0002288451510000072
3)根据人和车在视频文件中出现的数量Nk以及其对应的基础价值参数βk，估算视频中人和车的价值Vk：
V1＝β1N1＝0.001*(730,1069)＝(0.730,1.069) (10)
V2＝β2N2＝0.002*(341,559)＝(0.341,0.559) (11)
4)根据人和车在视频文件中的价值Vk计算视频文件的总价值V，输出视频价值明细表，如表2。
Figure BDA0002288451510000073
表2视频文件中各类人、物和事件的价值
k β<sub>k</sub> N<sub>k</sub> V<sub>k</sub>
1 0.001 (730,1069) (0.730,1.069)
2 0.002 (341,559) (0.341,0.559)
总计 (1.071,1.628)
以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均等变化与改进等，均应仍归属于本专利涵盖范围之内。

Claims (7)

1.一种视频文件数据价值评估方法，其特征在于：包括对视频文件按照抽帧频率抽帧，对抽取的图像通过深度学习神经网络算法进行人、物和事件识别，根据抽帧频率以及识别到的人、物和事件数量估算视频文件中人、物和事件出现的总数量，对不同的人、物和事件预设不同的单价，根据各类人、物和事件数量以及单价加权计算得出视频文件的数据总价值。
2.根据权利要求1所述的一种视频文件数据价值评估方法，其特征在于，对视频文件的抽帧频率依据待识别人、物和事件数量的标准偏差以及价值确定，同时保证抽帧的总数大于等于10，且小于视频文件总帧数的20％。
3.根据权利要求2所述的一种视频文件数据价值评估方法，其特征在于:视频文件中抽取的图像可识别的人、物包括行人、各类车辆、各种动物、标识牌、建筑物、无人机。
4.根据权利要求3所述的一种视频文件数据价值评估方法，其特征在于:视频文件中抽取的图像可识别的事件包括烟雾、火灾、交通事故、路口交通溢出拥堵、车辆逆行、牌照无法识别、交通流量异常、违反限行、报废车辆上路行驶、非机动车闯红灯、外地车数量异常、逾期未检车辆上路行驶、机动车闯红灯、不文明停车、状态异常车辆识别、路口车辆交通秩序混乱、行人闯红灯、路段交通严重拥堵、车辆偏离路线、车型构成异常、行人翻越护栏、信号灯不正常显示、占道施工、道路积水。
5.根据权利要求4所述的一种视频文件数据价值评估方法，其特征在于:所述根据抽帧频率以及识别到的人、物和事件数量估算视频文件中人、物和事件出现的总数量，包括以下步骤：
步骤一，从监控系统中保存视频文件，所述视频文件时长为t，总帧数为Nf，按照一定抽帧频率f对所述视频文件进行抽帧，对抽取的图像采用深度学习神经网络算法进行人、物和事件识别，可识别m种人、物和事件类型；
步骤二，根据抽帧频率f以及第i帧图像中识别出的第k类人、物和事件数量xi,k、视频文件总帧数Nf，估算第k类人、物和事件在所述视频文件中出现的总数量Nk以及标准偏差σk，计算公式如下：
n＝ft (1)
Figure FDA0002288451500000021
Figure FDA0002288451500000022
Figure FDA0002288451500000023
其中，t为视频文件总时长，n为抽帧数量。
6.根据权利要求5所述的一种视频文件数据价值评估方法，其特征在于:视频文件中出现的第k类人、物和事件的总数量Nk在1-α置信水平下的取值范围为:
Figure FDA0002288451500000024
7.根据权利要求6所述的一种视频文件数据价值评估方法，其特征在于:所述对不同的人、物和事件预设不同的单价，根据各类人、物和事件数量以及单价加权计算得出视频文件的数据总价值，包括以下步骤：
步骤一，根据第k类人、物和事件在视频文件中出现的总数量Nk以及标准偏差σk，估算视频中第k类人、物和事件的价值Vk：
Vk＝βkNk (6)
其中，βk为视频文件中第k类人、物和事件的基础价值参数；
步骤二，根据第k类人、物和事件在视频文件中的价值Vk计算视频文件的总价值V：
Figure FDA0002288451500000025
其中,m为视频文件中人、物和事件的类型总数。
CN201911170020.2A 2019-11-26 2019-11-26 一种视频文件数据价值评估方法 Active CN111008578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911170020.2A CN111008578B (zh) 2019-11-26 2019-11-26 一种视频文件数据价值评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911170020.2A CN111008578B (zh) 2019-11-26 2019-11-26 一种视频文件数据价值评估方法

Publications (2)

Publication Number Publication Date
CN111008578A true CN111008578A (zh) 2020-04-14
CN111008578B CN111008578B (zh) 2023-06-23

Family

ID=70113218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911170020.2A Active CN111008578B (zh) 2019-11-26 2019-11-26 一种视频文件数据价值评估方法

Country Status (1)

Country Link
CN (1) CN111008578B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210335127A1 (en) * 2020-10-26 2021-10-28 Beijing Baidu Netcom Science Technology Co., Ltd. Traffic monitoring method, apparatus, device and storage medium
WO2022156534A1 (zh) * 2021-01-21 2022-07-28 北京沃东天骏信息技术有限公司 视频质量评估方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5832140A (en) * 1993-12-14 1998-11-03 Staplevision Inc. Automated quality assurance image processing system
US20120278824A1 (en) * 2011-04-29 2012-11-01 Cisco Technology, Inc. System and method for evaluating visual worthiness of video data in a network environment
US20140055610A1 (en) * 2012-08-27 2014-02-27 Korea University Research And Business Foundation Indoor surveillance system and indoor surveillance method
CN105243876A (zh) * 2015-11-06 2016-01-13 东南大学 一种用于互通立交的交通冲突严重性分析方法
CN105681717A (zh) * 2016-03-04 2016-06-15 广州星唯信息科技有限公司 公交车载监控视频的分布式存储方法及系统
CN107426533A (zh) * 2017-05-19 2017-12-01 国网天津市电力公司 一种基于视频加密压缩和影像识别的视频监控影像识别系统
CN109379563A (zh) * 2018-10-30 2019-02-22 华南师范大学 监控视频数据存储管理的方法和系统
CN110121108A (zh) * 2018-02-06 2019-08-13 上海全土豆文化传播有限公司 视频价值评估方法及装置
CN110233991A (zh) * 2019-06-03 2019-09-13 上海眼控科技股份有限公司 一种用于视频监控中视频遮挡的检测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5832140A (en) * 1993-12-14 1998-11-03 Staplevision Inc. Automated quality assurance image processing system
US20120278824A1 (en) * 2011-04-29 2012-11-01 Cisco Technology, Inc. System and method for evaluating visual worthiness of video data in a network environment
US20140055610A1 (en) * 2012-08-27 2014-02-27 Korea University Research And Business Foundation Indoor surveillance system and indoor surveillance method
CN105243876A (zh) * 2015-11-06 2016-01-13 东南大学 一种用于互通立交的交通冲突严重性分析方法
CN105681717A (zh) * 2016-03-04 2016-06-15 广州星唯信息科技有限公司 公交车载监控视频的分布式存储方法及系统
CN107426533A (zh) * 2017-05-19 2017-12-01 国网天津市电力公司 一种基于视频加密压缩和影像识别的视频监控影像识别系统
CN110121108A (zh) * 2018-02-06 2019-08-13 上海全土豆文化传播有限公司 视频价值评估方法及装置
CN109379563A (zh) * 2018-10-30 2019-02-22 华南师范大学 监控视频数据存储管理的方法和系统
CN110233991A (zh) * 2019-06-03 2019-09-13 上海眼控科技股份有限公司 一种用于视频监控中视频遮挡的检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210335127A1 (en) * 2020-10-26 2021-10-28 Beijing Baidu Netcom Science Technology Co., Ltd. Traffic monitoring method, apparatus, device and storage medium
WO2022156534A1 (zh) * 2021-01-21 2022-07-28 北京沃东天骏信息技术有限公司 视频质量评估方法和装置

Also Published As

Publication number Publication date
CN111008578B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN109887283B (zh) 一种基于卡口数据的道路拥堵预测方法、系统及装置
CN110188807A (zh) 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法
CN111368687A (zh) 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN109191830A (zh) 一种基于视频图像处理的道路拥堵检测方法
CN113160575A (zh) 一种非机动车辆及驾驶人的交通违法行为检测方法及系统
CN112084890B (zh) 基于gmm和cqfl的多尺度识别交通信号标志的方法
CN111008578A (zh) 一种视频文件数据价值评估方法
CN115294767B (zh) 一种高速公路车道线实时检测与交通安全预警方法及装置
CN115035491A (zh) 一种基于联邦学习的驾驶行为路况预警方法
CN111209880A (zh) 车辆行为识别方法、装置
CN115662113A (zh) 一种信号交叉口人车博弈冲突风险评估与预警方法
CN112289037A (zh) 基于复杂环境下高视角的机动车辆违规停车检测方法及系统
WO2018209470A1 (zh) 一种车牌辨识方法和系统
Zheng et al. A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images
Li et al. The role of yielding cameras in pedestrian-vehicle interactions at un-signalized crosswalks: An application of game theoretical model
Toledo et al. Alternative definitions of passing critical gaps
Gupta et al. Real-time traffic control and monitoring
CN116229396B (zh) 高速路面病害识别及告警方法
Trpković et al. Model for the identification and classification of partially damaged and vandalized traffic signs
CN114492544B (zh) 模型训练方法及装置、交通事件发生概率评估方法及装置
Jin et al. An intelligent traffic detection approach for vehicles on highway using pattern recognition and deep learning
CN111064924A (zh) 一种基于人工智能的视频监控方法及系统
Hu et al. An image-based crash risk prediction model using visual attention mapping and a deep convolutional neural network
CN112200835B (zh) 一种交通事故检测方法、装置、电子设备及存储介质
Wu et al. Detection of front-view vehicle with occlusions using AdaBoost

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