CN111462478B - 一种城市路网信号控制子区划分方法及装置 - Google Patents
一种城市路网信号控制子区划分方法及装置 Download PDFInfo
- Publication number
- CN111462478B CN111462478B CN201910060388.7A CN201910060388A CN111462478B CN 111462478 B CN111462478 B CN 111462478B CN 201910060388 A CN201910060388 A CN 201910060388A CN 111462478 B CN111462478 B CN 111462478B
- Authority
- CN
- China
- Prior art keywords
- lamp control
- intersection
- intersections
- signal control
- sub
- 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
Images
Classifications
-
- 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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种城市路网信号控制子区划分方法及装置,属于城市智能交通技术领域。其中该方法包括如下步骤:确定目标区域的灯控路口位置信息;根据驶过目标区域的浮动车的数据信息,获取每个灯控路口的过车记录信息;根据各个灯控路口的过车记录信息,计算各个灯控路口间的相关性;根据各个灯控路口间的相关性,采用聚类算法对目标区域进行划分,得到若干个子区域,每个子区域为信号控制子区,且每个信号控制子区是由对应个数的相关性较高的灯控路口形成,将得到的各信号控制子区分别用于进行信号控制策略设计。该方法利用浮动车数据实现了城市路网信号控制子区的划分,降低了控制系统复杂度,可提高交通信号控制系统的稳定性和控制效益。
Description
技术领域
本发明涉及一种城市路网信号控制子区划分方法及装置,属于城市智能交通技术领域。
背景技术
近年来,随着社会的不断进步,城市道路交通拥挤问题日益严重,政府及相关部门采取的多种控制管理方法中,交通信号控制是缓解交通拥堵的有效手段。然而随着城市路网规模、机动车保有量的不断增长,城市路网控制系统的复杂度也不断提高,因此,城市道路信号控制的难度也急剧增大,城市路网信号控制子区划分方法被提出以解决该问题。对城市路网信号控制子区划分时通常由交通工程师根据交叉口之间的物理距离以及观测路段上交通流状态,对城市路网系统进行信号控制子区的划分,这种方法很难保证城市路网信号控制子区划分的客观性和准确性。
发明内容
本发明的目的在于提供一种城市路网信号控制子区划分方法及装置,用以解决现有技术中交通工程师根据交叉口之间的物理距离以及观测路段上交通流状态进行信号控制子区的划分,导致信号控制子区划分难以保证客观性和准确性的问题。
为实现上述目的,本发明提出一种城市路网信号控制子区划分方法,包括如下步骤:
确定目标区域的灯控路口位置信息;
根据驶过目标区域的浮动车的数据信息,获取每个灯控路口的过车记录信息;根据各个灯控路口的过车记录信息,计算各个灯控路口间的相关性;
根据各个灯控路口间的相关性,采用聚类算法对目标区域进行划分,得到若干个子区域,每个子区域为信号控制子区,且每个信号控制子区是由对应个数的相关性较高的灯控路口形成,将得到的各信号控制子区分别用于进行信号控制策略设计。
通过获取目标区域内各灯控路口的过车记录,得到各个灯控路口的过往车辆列表,计算各灯控路口间的相关度,并且将相关度高的灯控路口集中在一个信号控制子区内进行信号控制,可提高信号控制系统的稳定性,然后根据子区内各灯控路口的状态设计合适的信号控制策略,从而降低过往车辆的停车次数和延误,提高道路的通行量和区域路网的控制效益。将该子区划分方法应用到绿波子区的划分中,也可以实现很好的绿波带设计。
进一步的,确定目标区域的灯控路口位置信息的过程包括:采用模板匹配法,将目标区域的电子地图与设定标准图像进行比较,得到的匹配结果为灯控路口,并根据匹配结果在电子地图中的位置,得到灯控路口的位置信息;设定标准图像为红绿灯的标准图像。
通过模板匹配法可以更加准确的确定灯控路口的位置。
进一步的,各个灯控路口间的相关性为:li为灯控路口i驶过车辆的集合,li+1为灯控路口i+1驶过车辆的集合,len(set(li∪li+1))为灯控路口i和灯控路口i+1驶过车辆并集后去重的元素个数,len(li∩li+1)为灯控路口i和灯控路口i+1驶过车辆的交集元素的个数。
相关性用于体现路口间的关联程度和相似性,通过在某个设定好的时间段内,既驶过灯控路口i又驶过灯控路口i+1的相同车辆的个数与驶过灯控路口i和灯控路口i+1的不同车辆的个数的比值,可以更加准确的体现路口间的关联程度和相似性。
进一步的,采用K-means聚类算法对目标区域进行划分。
采用K-means聚类算法可以进一步提高目标区域划分的准确性和速度。
另外,本发明还提出一种城市路网信号控制子区划分装置,包括存储器和处理器,处理器用于执行存储在存储器中的指令以实现如下方法:
确定目标区域的灯控路口位置信息;
根据驶过目标区域的浮动车的数据信息,获取每个灯控路口的过车记录信息;根据各个灯控路口的过车记录信息,计算各个灯控路口间的相关性;
根据各个灯控路口间的相关性,采用聚类算法对目标区域进行划分,得到若干个子区域,每个子区域为信号控制子区,且每个信号控制子区是由对应个数的相关性较高的灯控路口形成,将得到的各信号控制子区分别用于进行信号控制策略设计。
通过获取目标区域内各灯控路口的过车记录,得到各个灯控路口的过往车辆列表,计算各灯控路口间的相关度,并且将相关度高的灯控路口集中在一个信号控制子区内进行信号控制,可提高信号控制系统的稳定性,然后根据子区内各灯控路口的状态设计合适的信号控制策略,从而降低过往车辆的停车次数和延误,提高道路的通行量和区域路网的控制效益。将该子区划分装置应用到绿波子区的划分中,也可以实现很好的绿波带设计。
进一步的,确定目标区域的灯控路口位置信息的过程包括:采用模板匹配法,将目标区域的电子地图与设定标准图像进行比较,得到的匹配结果为灯控路口,并根据匹配结果在电子地图中的位置,得到灯控路口的位置信息;设定标准图像为红绿灯的标准图像。
通过模板匹配法可以更加准确的确定灯控路口的位置。
进一步的,各个灯控路口间的相关性为:li为灯控路口i驶过车辆的集合,li+1为灯控路口i+1驶过车辆的集合,len(set(li∪li+1))为灯控路口i和灯控路口i+1驶过车辆并集后去重的元素个数,len(li∩li+1)为灯控路口i和灯控路口i+1驶过车辆的交集元素的个数。
相关性用于体现路口间的关联程度和相似性,通过在某个设定好的时间段内,既驶过灯控路口i又驶过灯控路口i+1的相同车辆的个数与驶过灯控路口i和灯控路口i+1的不同车辆的个数的比值,可以更加准确的体现路口间的关联程度和相似性。
进一步的,采用K-means聚类算法对目标区域进行划分。
采用K-means聚类算法可以进一步提高目标区域划分的准确性和速度。
附图说明
图1为本发明城市路网信号控制子区划分方法的流程图;
图2为本发明电子地图中灯控路口的示意图;
图3为本发明图像处理的模板匹配法中的模板图像;
图4为本发明图像处理的模板匹配法中被搜索的图像;
图5本发明K-means聚类算法流程图。
具体实施方式
城市路网信号控制子区划分方法实施例:
本实施例提出的城市路网信号控制子区划分方法(以下简称信号控制子区划分方法)是基于浮动车技术。随着卫星定位技术及网络通信技术的发展,浮动车数据因为数据量大、精确度高、覆盖面广、可扩展性强等优点成为了最主要的交通数据检测手段之一。因此可利用浮动车数据进行城市路网信号控制子区的划分。城市路网信号控制区域即为目标区域,也就是说根据浮动车的数据对目标区域进行信号控制子区划分,浮动车上传的主要数据有时间戳、经纬度、浮动车id,具体信号控制子区划分方法的实施过程如图1所示:
1)确定目标区域的灯控路口位置信息。
由于浮动车上传的数据中并没有路口位置数据,所以在对各灯控路口进行绿波子区划分前,首先应该确定灯控路口的位置,在现有的电子地图中灯控路口如图2所示,为红绿灯的图像(图2为灰度过的图片,其中图片上有三个圆圈,第一个圆圈灰度最深,对应表示为红色圆圈,第二个圆圈灰度最浅,对应表示为黄色圆圈,第三个圆圈灰度的深度介于第一个圆圈和第二个圆圈之间,对应表示为绿色圆圈),可以通过图像处理中的模板匹配法确定电子地图中灯控路口的经纬度。
图像处理的模板匹配法就是事先给定如图3所示的一幅图像(即模板T(M,N)),然后从如图4所示的另一幅图像(即被搜索图S(W,H))中寻找事先给定的图像,如果找到了,就是匹配成功。
模板匹配算法流程为:模板T(M,N)叠放在被搜索图S(W,H)上平移,模板T(M,N)覆盖被搜索图的那块区域叫子图Sij,i,j为子图左上角在被搜索图S(W,H)上的坐标,搜索范围是:1≤i≤W-M,1≤j≤H-N。可以用下式衡量模板T(M,N)和子图Sij的相似性(即误差法):
当E(i,j)为最小值时即为匹配目标,表示匹配成功。作为其他实施方式,也可以在模板匹配中使用相关法、二次匹配误差算法等衡量模板T(M,N)和子图Sij的相似性。
在本实施例中,模板T(M,N)为设定标准图像,被搜索图S(W,H)为目标区域的电子地图,在此设定标准图像为红绿灯的标准图像,将目标区域的电子地图与红绿灯的标准图像进行比较,得到的匹配结果为浮动车所经过的灯控路口,并根据匹配结果在电子地图中的位置(即经纬度),得到灯控路口的位置信息。
2)根据驶过目标区域的浮动车的数据信息,获取每个灯控路口的过车记录信息;根据各个灯控路口的过车记录信息,计算各个灯控路口间的相关性。
具体为:步骤1)中已经确定各灯控路口的位置,通过每个灯控路口的中心经纬度,从驶过目标区域的浮动车的数据信息中可以按时段得到每个灯控路口的过车记录信息(即经过每个灯控路口的车辆列表)。然后通过统计的每个灯控路口的车辆列表计算出每个路口间的相关性。每个路口间的相关性的计算公式为:
其中:li为灯控路口i驶过车辆的集合,li+1为灯控路口i+1驶过车辆的集合,len(set(li∪li+1))为灯控路口i和灯控路口i+1驶过车辆并集后去重的元素个数,len(li∩li+1)为灯控路口i和灯控路口i+1驶过车辆的交集元素的个数。
该相关性的计算公式中分子为既驶过灯控路口i又驶过灯控路口i+1的相同车辆的个数,分母为驶过灯控路口i和灯控路口i+1的不同车辆的个数,该计算公式表达含义为在某个设定好的时间段内,即驶过灯控路口i又驶过灯控路口i+1的相同车辆的个数与驶过灯控路口i和灯控路口i+1的不同车辆的个数的比值,可以体现出灯控路口间的关联程度和相似性,d值越大,表明灯控路口i和灯控路口i+1之间的关联程度和相似性越高。
3)根据各个灯控路口间的相关性,采用聚类算法对目标区域进行划分。
本实施例中,采用K-means聚类算法对灯控路口进行分类达到信号控制子区划分的目的。K-means聚类算法的基本流程是:得到各灯控路口间的相关性d值后,首先从n个数据对象(这里的数据对象为灯控路口)中任意选择k个灯控路口作为初始聚类中心,意味着将这n个灯控路口分为k个聚类;而对于其余的灯控路口,则根据它们与这k各聚类中心的相关性,分别将它们分配给与其最相似的(聚类中心所代表的)聚类;然后再计算每个聚类的新的聚类中心,新的聚类中心的值要接近该聚类内所有数据对象的均值;不断重复这一过程,并且通过标准度函数来检测是否结束这一过程,当标准测度函数开始收敛,这一过程结束,通常都采用均方差作标准测度函数:
其中,di为聚类中灯控路口i与聚类中心的相关性,μ为聚类内所有灯控路口与聚类中心的相关性的平均值,m为聚类内灯控路口的数量。
当然,作为其他实施方式,聚类算法也可以是Clara或者Clarans等其他聚类算法,本发明对此不做限制。
4)目标区域经过划分之后,得到若干个子区域,每个子区域为信号控制子区,且每个信号控制子区是由对应个数的相关性较高的灯控路口形成,这里的相关性较高指的是驶过两个相邻灯控路口的相同车辆的个数比驶过不同车辆的个数的比值更高,适合放在一个信号控制子区内进行信号控制策略设计。
例如,一共有10个路口,按照上述方法得到信号控制子区为三个,可以将三个信号控制子区称为聚类1、聚类2和聚类3,聚类1包括路口1、2、3、4,聚类2包括路口5、6、7,聚类3包括路口8、9、10。其中相关度较高的意思为路口1、2、3、4之间的相关性比1和5或者2和7等其他灯控路口间的相关性高,因此将路口1、2、3、4分为一个聚类,也就是一个信号控制子区,以此类推,其他信号控制子区内的各灯控路口间的相关性也较高。
通过该方法划分信号控制子区,对各信号控制子区内的灯控路口进行信号控制策略设计,可降低控制系统复杂度,提高交通信号控制系统的稳定性和控制效益。
城市路网信号控制子区划分装置实施例:
城市路网信号控制子区划分装置包括存储器和处理器,处理器用于执行存储在存储器中的指令以实现如下方法:
确定目标区域的灯控路口位置信息;
根据驶过目标区域的浮动车的数据信息,获取每个灯控路口的过车记录信息;根据各个灯控路口的过车记录信息,计算各个灯控路口间的相关性;
根据各个灯控路口间的相关性,采用聚类算法对目标区域进行划分,得到若干个子区域,每个子区域为信号控制子区,且每个信号控制子区是由对应个数的相关性较高的灯控路口形成,将得到的各信号控制子区分别用于进行信号控制策略设计。
城市路网信号控制子区划分装置所实现的方法的具体实施过程在上述城市路网信号控制子区划分方法实施例中已经详细介绍,这里不做赘述。
Claims (6)
1.一种城市路网信号控制子区划分方法,其特征在于,包括如下步骤:
确定目标区域的灯控路口位置信息;
根据驶过目标区域的浮动车的数据信息,获取每个灯控路口的过车记录信息,所述过车记录信息为经过每个灯控路口的车辆列表;根据各个灯控路口的过车记录信息,计算各个灯控路口间的相关性;所述各个灯控路口间的相关性为:li为灯控路口i驶过车辆的集合,li+1为灯控路口i+1驶过车辆的集合,len(set(li∪li+1))为灯控路口i和灯控路口i+1驶过车辆并集后去重的元素个数,len(li∩li+1)为灯控路口i和灯控路口i+1驶过车辆的交集元素的个数;该计算公式表达含义为在某个设定好的时间段内,既驶过灯控路口i又驶过灯控路口i+1的相同车辆的个数与驶过灯控路口i和灯控路口i+1的不同车辆的个数的比值;根据各个灯控路口间的相关性,采用聚类算法对目标区域进行划分,得到若干个子区域,每个子区域为信号控制子区,且每个信号控制子区是由对应个数的相关性较高的灯控路口形成,将得到的各信号控制子区分别用于进行信号控制策略设计。
2.根据权利要求1所述的城市路网信号控制子区划分方法,其特征在于,所述确定目标区域的灯控路口位置信息的过程包括:采用模板匹配法,将目标区域的电子地图与设定标准图像进行比较,得到的匹配结果为所述灯控路口,并根据匹配结果在电子地图中的位置,得到灯控路口的位置信息;所述设定标准图像为红绿灯的标准图像。
3.根据权利要求1或2所述的城市路网信号控制子区划分方法,其特征在于,采用K-means聚类算法对目标区域进行划分。
4.一种城市路网信号控制子区划分装置,其特征在于,包括存储器和处理器,所述处理器用于执行存储在存储器中的指令以实现如下方法:
确定目标区域的灯控路口位置信息;
根据驶过目标区域的浮动车的数据信息,获取每个灯控路口的过车记录信息,所述过车记录信息为经过每个灯控路口的车辆列表;根据各个灯控路口的过车记录信息,计算各个灯控路口间的相关性;所述各个灯控路口间的相关性为:li为灯控路口i驶过车辆的集合,li+1为灯控路口i+1驶过车辆的集合,len(set(li∪li+1))为灯控路口i和灯控路口i+1驶过车辆并集后去重的元素个数,len(li∩li+1)为灯控路口i和灯控路口i+1驶过车辆的交集元素的个数;该计算公式表达含义为在某个设定好的时间段内,既驶过灯控路口i又驶过灯控路口i+1的相同车辆的个数与驶过灯控路口i和灯控路口i+1的不同车辆的个数的比值;根据各个灯控路口间的相关性,采用聚类算法对目标区域进行划分,得到若干个子区域,每个子区域为信号控制子区,且每个信号控制子区是由对应个数的相关性较高的灯控路口形成,将得到的各信号控制子区分别用于进行信号控制策略设计。
5.根据权利要求4所述的城市路网信号控制子区划分装置,其特征在于,所述确定目标区域的灯控路口位置信息的过程包括:采用模板匹配法,将目标区域的电子地图与设定标准图像进行比较,得到的匹配结果为所述灯控路口,并根据匹配结果在电子地图中的位置,得到灯控路口的位置信息;所述设定标准图像为红绿灯的标准图像。
6.根据权利要求4或5所述的城市路网信号控制子区划分装置,其特征在于,采用K-means聚类算法对目标区域进行划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910060388.7A CN111462478B (zh) | 2019-01-22 | 2019-01-22 | 一种城市路网信号控制子区划分方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910060388.7A CN111462478B (zh) | 2019-01-22 | 2019-01-22 | 一种城市路网信号控制子区划分方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462478A CN111462478A (zh) | 2020-07-28 |
CN111462478B true CN111462478B (zh) | 2021-07-27 |
Family
ID=71682263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910060388.7A Active CN111462478B (zh) | 2019-01-22 | 2019-01-22 | 一种城市路网信号控制子区划分方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462478B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229738A (zh) * | 2023-05-09 | 2023-06-06 | 安徽星云互联科技有限责任公司 | 基于车路协同的智能网联区域协调控制方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134099A (zh) * | 2014-07-18 | 2014-11-05 | 东南大学 | 一种应急疏散用的公交集结点设置方法 |
CN104778727A (zh) * | 2015-04-30 | 2015-07-15 | 安徽超远信息技术有限公司 | 基于视频监控处理技术的浮动车统计方法 |
CN105096589A (zh) * | 2015-07-27 | 2015-11-25 | 福建工程学院 | 一种选取交通道路中代表性节点的方法、系统及客户端 |
CN107945542A (zh) * | 2017-11-23 | 2018-04-20 | 福建工程学院 | 基于浮动车技术的城市道路绿波带决策支持方法及终端 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6351556B1 (en) * | 1998-11-20 | 2002-02-26 | Eastman Kodak Company | Method for automatically comparing content of images for classification into events |
CN101751777B (zh) * | 2008-12-02 | 2011-11-16 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
US8804688B2 (en) * | 2009-08-11 | 2014-08-12 | Clearwire Ip Holdings Llc | System and method providing various pilot sub-carrier densities in OFDMA communications |
CN104376726B (zh) * | 2013-08-15 | 2017-02-22 | 中国移动通信集团公司 | 交通信号协同控制子区划分方法及装置 |
CN103886566B (zh) * | 2014-03-18 | 2017-03-15 | 河海大学常州校区 | 一种恶劣天气下基于图像融合的城市交通调度系统及方法 |
JP2015212863A (ja) * | 2014-05-01 | 2015-11-26 | 住友電気工業株式会社 | 交通信号制御装置、交通信号制御方法、及びコンピュータプログラム |
CN104008180B (zh) * | 2014-06-09 | 2017-04-12 | 北京奇虎科技有限公司 | 结构化数据与图片的关联方法与关联装置 |
WO2016016394A1 (en) * | 2014-07-31 | 2016-02-04 | Agt International Gmbh | System and method for sensor positioning and vehicle tracking using lpr based spatial constraints |
CN104537834A (zh) * | 2014-12-21 | 2015-04-22 | 北京工业大学 | 一种智能车在城市道路行驶中的路口识别与路口轨迹规划的方法 |
CN104574960B (zh) * | 2014-12-25 | 2016-08-24 | 宁波中国科学院信息技术应用研究院 | 一种交通灯识别方法 |
US9778341B2 (en) * | 2015-08-25 | 2017-10-03 | International Business Machines Corporation | Automatic indoor parking system using collaborative smartphone sensing |
CN105513370B (zh) * | 2015-12-29 | 2017-11-24 | 浙江大学 | 基于稀疏车牌识别数据挖掘的交通小区划分方法 |
CN105825690B (zh) * | 2016-06-15 | 2018-04-13 | 北京航空航天大学 | 一种面向可协调控制的干线交叉口关联性分析及划分方法 |
CN106933969A (zh) * | 2017-02-10 | 2017-07-07 | 九次方大数据信息集团有限公司 | 基于行业上下游关系的个性化推荐系统和推荐方法 |
CN108428348B (zh) * | 2017-02-15 | 2022-03-18 | 阿里巴巴集团控股有限公司 | 一种道路交通优化方法、装置以及电子设备 |
CN108647981A (zh) * | 2018-05-17 | 2018-10-12 | 阿里巴巴集团控股有限公司 | 一种目标对象关联关系确定方法和装置 |
CN108898829B (zh) * | 2018-06-07 | 2021-02-09 | 重庆邮电大学 | 针对无差异性划分和数据稀疏的动态短时交通流预测系统 |
-
2019
- 2019-01-22 CN CN201910060388.7A patent/CN111462478B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134099A (zh) * | 2014-07-18 | 2014-11-05 | 东南大学 | 一种应急疏散用的公交集结点设置方法 |
CN104778727A (zh) * | 2015-04-30 | 2015-07-15 | 安徽超远信息技术有限公司 | 基于视频监控处理技术的浮动车统计方法 |
CN105096589A (zh) * | 2015-07-27 | 2015-11-25 | 福建工程学院 | 一种选取交通道路中代表性节点的方法、系统及客户端 |
CN107945542A (zh) * | 2017-11-23 | 2018-04-20 | 福建工程学院 | 基于浮动车技术的城市道路绿波带决策支持方法及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN111462478A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
CN108681693B (zh) | 基于可信区域的车牌识别方法 | |
CN102708356B (zh) | 一种基于复杂背景下的车牌自动定位和识别方法 | |
CN105160309A (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
US10115309B2 (en) | Method for processing measurement data of a vehicle in order to determine the start of a search for a parking space | |
US8620032B2 (en) | System and method for traffic signal detection | |
CN104700099A (zh) | 识别交通标志的方法和装置 | |
CN104599502A (zh) | 一种基于视频监控的车流量统计方法 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN110796230A (zh) | 卷积神经网络的训练及使用方法、设备及存储介质 | |
JP4292250B2 (ja) | 道路環境認識方法及び道路環境認識装置 | |
Kühnl et al. | Visual ego-vehicle lane assignment using spatial ray features | |
CN111462478B (zh) | 一种城市路网信号控制子区划分方法及装置 | |
CN116977970A (zh) | 一种基于激光雷达与毫米波雷达融合的道路可行驶区域检测方法 | |
CN115171031B (zh) | 一种基于车辆参照物的路面积水检测方法、装置及应用 | |
CN116628531A (zh) | 众包地图道路对象要素聚类方法、系统及存储介质 | |
Wu et al. | Grid-based lane identification with roadside LiDAR data | |
Choudhry et al. | Inferring truck activities using privacy-preserving truck trajectories data | |
CN111325811A (zh) | 一种车道线数据的处理方法及处理装置 | |
EP3922947A2 (en) | Traffic analytics system for defining road networks | |
WO2020024206A1 (zh) | 基于dcgan的停车数据修补方法、装置、设备及存储介质 | |
CN114241765B (zh) | 基于时空逻辑的定向车道交通违法分析方法、装置及存储介质 | |
EP3913551A1 (en) | Method for defining road networks | |
EP3919860A1 (en) | Intelligent telematics system for defining road networks | |
Pedersen et al. | Geolocating traffic signs using large imagery datasets |
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 |