CN111563425B - 交通事件识别方法及电子设备 - Google Patents
交通事件识别方法及电子设备 Download PDFInfo
- Publication number
- CN111563425B CN111563425B CN202010320334.2A CN202010320334A CN111563425B CN 111563425 B CN111563425 B CN 111563425B CN 202010320334 A CN202010320334 A CN 202010320334A CN 111563425 B CN111563425 B CN 111563425B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- road image
- traffic incident
- image data
- 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 54
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Images
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- 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)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开是关于交通事件识别方法及电子设备。该方法包括:获得从车机所采集的道路图像数据中提取的特征数据;依据所述特征数据自动得到交通事件监测数据。依据本公开的实施例,可实现交通事件的自动动态监测,辅助交通管理部门进行管理。
Description
技术领域
本公开涉及计算机技术,尤其涉及交通事件识别方法及电子设备。
背景技术
目前,在道路上发生交通事件时,特别是在未在道路上设置固定监控设备的路段,大部分仍是由人们通过电话通知交管部门,由交管部门的工作人员或到达现场、或通过现场照片进行人工判定,这样的方式费时费力。
发明内容
为克服相关技术中存在的问题,本公开提供一种交通事件识别方法,可实现交通事件的自动动态监测。
根据本公开实施例的第一方面,提供一种交通事件识别方法,包括:
获得从车机所采集的道路图像数据中提取的特征数据;
依据所述特征数据自动得到交通事件监测数据。
可选的,所述方法应用于服务器,所述获得从车机采集的道路图像数据中提取的特征数据包括:
所述服务器接收车机发送的道路图像数据,从所述道路图像数据中提取出特征数据;或者,
所述服务器接收车机发送的从所采集道路图像数据中提取的特征数据。
可选的,所述服务器还接收所述车机发送的与所述道路图像数据对应的地理位置数据;所述方法还包括:若依据所述交通事件监测数据确定发生交通事件,所述服务器向另一服务器输出与所述交通事件对应的事件信息。
可选的,通过以下方法确定是否发生交通事件:当所述交通事件监测数据中包括发生交通事件的信息时,判断是否符合预设的防错条件,若是,则确定发生交通事件。
可选的,通过以下方法判断是否符合预设的防错条件:
判断是否有相同地点的另一交通事件监测数据中包括发生交通事件的信息,若有,则确定符合预设的防错条件,其中,所述另一交通事件监测数据是基于另一车机或同一车机拍摄的另一道路图像数据得到的。
可选的,所述方法应用于车机,所述方法还包括:若依据所述交通事件监测数据确定发生交通事件,上报所述交通事件对应的事件信息。
可选的,还包括:将所述道路图像数据和对应地理位置数据集成到地图数据中。
可选的,所述交通事件监测数据包括:是否属于交通事件的指示数据、交通事件类型数据、交通事件等级数据、交通事件统计数据中的部分或全部。
可选的,依据所述特征数据自动得到交通事件监测数据包括:依据所述特征数据和机器学习模型自动得到交通事件监测数据。
根据本公开实施例的第二方面,提供一种电子设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的方法。
根据本公开实施例的第三方面,提供一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的方法。
本公开的实施例中,通过获得从车机所采集的道路图像数据中提取的特征数据;依据特征数据自动得到交通事件监测数据,可以实现交通事件的自动识别。利用目前越来越多、性能越来越佳的车机设备,可及时拍摄各处的交通事件现场,从而可以实现交通事件的动态监测和上报,辅助交通管理部门进行管理。
本公开一些实施例中,可以对车机采集的道路图像数据加以利用,进行交通事件的动态监测,可实现资源的充分利用。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出依据本公开的一示例性系统的架构;
图2是本公开一实施例的交通事件识别方法的流程示意图;
图3是本公开另一实施例的交通事件识别方法的流程示意图;
图4是本公开另一实施例的交通事件识别方法的流程示意图;
图5示出依据本公开的另一示例性系统的架构;
图6是本公开另一实施例的交通事件识别方法的流程示意图;
图7是根据本公开一实施例的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1,图1示出本公开实施例的应用系统的一种示例性架构。在图1所示的系统中,包括地图服务器100、多个车机200和交通事件管理服务器300。
车机200可以是配置在专门的地图采集车上的设备,包括图像采集模块210和定位模块220。图像采集模块210用于采集道路图像数据,例如可以是相机、激光雷达等模块或其组合。定位模块220用于获得车辆地理位置数据,例如可以是GPS定位模块。车机200将道路图像数据和对应的地理位置数据提供给地图服务器100。可以理解的,车机200也可以是配置在其他普通车辆(例如出租车)上的设备,例如带GPS的行车记录仪等。
地图服务器100可以是一个独立的服务设备,也可以是由多个独立的服务器共同构成的集群服务器。地图服务器100可以将不同地图采集车的车机200所上传的道路图像数据和对应的地理位置数据集成到地图数据中,用于导航、自动驾驶等。
本公开实施例中,地图服务器100可以从车机200上报的道路图像数据中提取特征数据,依据特征数据自动得到交通事件监测数据。在确定发生交通事件时,可以向交通事件管理服务器300输出交通事件对应的事件信息、图像数据等,以使交管部门获知该交通事件,进行相应处理。本公开中,交通事件可以是例如压实线、违停、加塞、路肩行驶等交通违章,也可以是例如碰撞等交通事故等。
下面结合图1,对本公开一实施例提供的交通事件识别方法进行说明。该方法可应用于地图服务器、交通事件管理服务器或车机。参照图2,该方法包括:
S21、获得从车机所采集的道路图像数据中提取的特征数据。
S22、依据所述特征数据自动得到交通事件监测数据。
车机采集的道路图像中包括道路上的其他车辆、车牌、车道线、停车线等对象。
本公开中,可以对车机所采集的道路图像数据进行处理,识别交通事件有关的目标对象,提取出目标对象的形状特征、空间关系、运行轨迹等特征数据。可以理解的,可以利用计算机图像学领域的一些已知方法实现上述目标对象的识别和特征数据的提取,本公开中不再赘述具体过程。
在提取出特征数据后,可依据特征数据得到交通事件监测数据。本公开中,交通事件监测数据包括交通事件类型数据、交通事件统计数据等。
在一个实现方式中,可以将特征数据与预先确定的交通事件特征数据进行比较,得到交通事件类型数据。
在另一种实现方式中,可以依据特征数据和深度学习模型得到交通事件类型数据。
在一可选实现中,深度学习模型可以是分类器。将特征数据输入预先确定的分类器,输出交通事件类型数据。
在一可选实现中,深度学习模型可以是聚类器。将特征数据与各类训练样本数据一起输入预先确定的聚类器,输出交通事件类型数据。
例如,在一个具体实例中,获得交通事件训练样本集中各样本的交通事件类型以及与其交通事件类型相应的特征数据,将从车机所采集的道路图像数据中提取的特征数据与交通事件训练样本集中各样本的交通事件类型及相应特征数据一起输入聚类器进行聚类,通过聚类可确定车机所采集的道路图像中的交通事件类型。
取决于具体所用的分类器/聚类器,交通事件类型数据例如可以包括是否属于交通事件的指示数据、交通事件类型(例如压实线、违停等)数据、交通事件等级(例如轻微、中等、严重等)数据等。分类器、聚类器可以是使用各类型的交通事件样本数据利用深度学习算法进行训练得到的。
进一步的,本公开的实施例中,还可以对多个交通事件监测数据进行统计,得到交通事件统计数据。例如,可以对指定时间段和/或指定地理区域内的交通事件的数量、类型等进行统计。
本公开的实施例中,通过获得从车机所采集的道路图像数据中提取的特征数据;依据特征数据自动得到交通事件监测数据,可以实现交通事件的自动识别。利用目前越来越多、性能越来越佳的车机设备,可及时拍摄各处的交通事件现场,从而可以实现交通事件的动态监测和上报。
图3是本公开另一实施例的交通事件识别方法的流程示意图,该方法应用于地图服务器,包括:
S31、地图服务器接收车机发送的道路图像数据及对应的地理位置数据。
车机的图像采集模块采集道路图像数据,定位模块获得与道路图像数据对应的车辆地理位置数据,将道路图像数据及对应的地理位置数据发送给地图服务器。
S32、地图服务器从道路图像数据中提取出特征数据。
S33、地图服务器依据特征数据自动得到交通事件监测数据。
本实施例中,S32、S33可参考上述S21、S22中描述的相关方法实现,此处不再赘述。
S34、地图服务器依据交通事件监测数据判断是否发生交通事件,若是,则确定发生交通事件,向交通事件管理服务器输出与该交通事件对应的事件信息。
在一可选实现中,当所述交通事件监测数据中包括发生交通事件的信息时,例如包括属于交通事件的指示数据、交通事件类型数据、和/或交通事件等级数据时,确定发生交通事件。
本公开中,与交通事件对应的事件信息例如包括但不限于事件标识(例如警情ID)、车牌号、事件类型、事件等级、事件时间、事件图像、和/或事件地理位置等。
在另一可选实现中,当所述交通事件监测数据中包括发生交通事件的信息时,进一步判断是否符合预设的防错条件,若符合,则确定发生交通事件。
例如,可以通过以下方法判断是否符合预设的防错条件:判断是否有相同地点的另一交通事件监测数据中包括发生交通事件的信息,若有,则确定符合预设的防错条件。其中,另一交通事件监测数据是基于另一车机或同一车机拍摄的另一道路图像数据得到的。
本实施例中,地图服务器还将道路图像数据和对应地理位置数据集成到地图数据中,用于导航、自动驾驶等。
可以理解的,在另一实施例中,车机采集道路图像数据后,提取特征数据,向地图服务器发送图像数据、对应的地理位置信息及所提取的特征数据。
本实施例中,可以对车辆采集的道路图像数据加以利用,进行交通事件的动态监测,可实现资源的充分利用。
图4是本公开另一示例性实施例的交通事件识别方法的流程示意图,本实施例方法包括:
S41、车机采集道路图像数据及与道路图像数据对应的地理位置数据。
车机的图像采集模块采集道路图像数据,定位模块获得与道路图像数据对应的车辆地理位置数据,将道路图像数据及对应的地理位置数据发送给地图服务器。
S42、车机从道路图像数据中提取出特征数据。
S43、车机依据特征数据自动得到交通事件监测数据。
本实施例中,车机可包括台式计算机、笔记本电脑等计算机模块,S42、S43可以是由计算机模块执行,可参考上述S21、S22中描述的相关方法实现,此处不再赘述。
S44、车机依据交通事件监测数据判断是否发生交通事件,若是,则确定发生交通事件,向地图服务器上报该交通事件。
本实施例中,可参考上述S34中描述的相关方法判断是否发生交通事件。
车机还可向地图服务器上报所采集的道路图像数据及对应地理位置数据,以供地图服务器生成或更新地图信息。
S45、地图服务器向交通事件管理服务器上报与该交通事件对应的事件信息。
地图服务器向交通事件管理服务器上报的事件信息例如包括但不限于车牌号、事件类型、事件等级、事件时间、事件图像、和/或事件地理位置等。
图5示出本公开实施例的另一种系统的示例性架构。在图5所示的系统中,包括地图服务器100、多个车机200和交通事件管理服务器300。
与图1的系统类似,车机200可以是配置在专门的地图采集车上或普通车辆上,包括图像采集模块210和定位模块220。车机200将图像采集模块210采集的道路图像数据和定位模块220获得的对应的地理位置数据提供给地图服务器100。地图服务器100可以将不同车辆的车机200所上传的道路图像数据和对应的地理位置信息集成到地图数据中,用于导航、自动驾驶等。
本公开实施例中,车机200可以从采集的道路图像数据中提取特征数据,依据特征数据自动得到交通事件监测数据。在确定发生交通事件时,可以向交通事件管理服务器300输出与该交通事件对应的事件信息,以使交管部门获知该交通事件,进行相应处理。
可以理解的,本公开中,地图服务器100和交通事件管理服务器300可以集成在一个服务器上实现。
下面结合图5,对本公开另一实施例提供的交通事件识别方法进行说明,本实施例方法可应用于车机,参阅图6,本实施例方法包括:
S61、车机采集道路图像数据及与道路图像数据对应的地理位置数据。
车机的图像采集模块采集道路图像数据,定位模块获得与道路图像数据对应的车辆地理位置数据,将道路图像数据及对应的地理位置数据发送给地图服务器。
S62、车机从道路图像数据中提取出特征数据。
S63、车机依据特征数据自动得到交通事件监测数据。
本实施例中,车机可包括台式计算机、笔记本电脑等计算机模块,S62、S63可以是由计算机模块执行,可参考上述S21、S22中描述的相关方法实现,此处不再赘述。
S64、车机依据交通事件监测数据判断是否发生交通事件,若是,则确定发生交通事件,向交通事件管理服务器上报该交通事件对应的事件信息,例如可以包括但不限于车牌号、事件类型、事件等级、事件时间、事件图像、和/或事件地理位置等。
本实施例中,可参考上述S34中描述的相关方法判断是否发生交通事件。
S65、车机向地图服务器上报所采集的道路图像数据及对应地理位置数据,以供地图服务器生成或更新地图信息。
图7是根据本公开一示例性实施例示出的一种电子设备的结构示意图。
参见图7,电子设备700包括存储器710和处理器720。
处理器720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 Array,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。
存储器710可以包括各种类型的存储单元,例如系统内存、只读存储器(ROM),和永久存储装置。其中,ROM可以存储处理器720或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器710可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器1010可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器710上存储有可执行代码,当可执行代码被处理器720处理时,可以使处理器720执行上文述及的方法中的部分或全部。
上文中已经参考附图详细描述了本公开的方案。在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。本领域技术人员也应该知悉,说明书中所涉及的动作和模块并不一定是本公开所必须的。另外,可以理解,本公开实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减,本公开实施例装置中的模块可以根据实际需要进行合并、划分和删减。
此外,根据本公开的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本公开的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本公开还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时,使所述处理器执行根据本公开的上述方法的各个步骤的部分或全部。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本公开的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (6)
1.一种交通事件识别方法,其特征在于,包括:
获得从车机所采集的道路图像数据中提取的特征数据;
依据所述特征数据自动得到交通事件监测数据;
所述方法应用于服务器,所述获得从车机采集的道路图像数据中提取的特征数据包括:
所述服务器接收车机发送的道路图像数据,从所述道路图像数据中提取出特征数据;或者,
所述服务器接收车机发送的从所采集道路图像数据中提取的特征数据;
所述服务器还接收所述车机发送的与所述道路图像数据对应的地理位置数据;
所述方法还包括:若依据所述交通事件监测数据确定发生交通事件,所述服务器向另一服务器输出与所述交通事件对应的事件信息;
通过以下方法确定是否发生交通事件:
当所述交通事件监测数据中包括发生交通事件的信息时,判断是否符合预设的防错条件,若是,则确定发生交通事件;
通过以下方法判断是否符合预设的防错条件:
判断是否有相同地点的另一交通事件监测数据中包括发生交通事件的信息,若有,则确定符合预设的防错条件,其中,所述另一交通事件监测数据是基于另一车机或同一车机拍摄的另一道路图像数据得到的。
2.如权利要求1所述的方法,其特征在于,所述方法应用于车机,所述方法还包括:
若依据所述交通事件监测数据确定发生交通事件,上报所述交通事件对应的事件信息。
3.如权利要求1所述的方法,其特征在于,还包括:将所述道路图像数据和对应地理位置数据集成到地图数据中。
4.如权利要求1至3任一项所述的方法,其特征在于,所述交通事件监测数据包括:是否属于交通事件的指示数据、交通事件类型数据、交通事件等级数据、交通事件统计数据中的部分或全部。
5.如权利要求1至3任一项所述的方法,其特征在于,依据所述特征数据自动得到交通事件监测数据包括:
依据所述特征数据和机器学习模型自动得到交通事件监测数据。
6.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320334.2A CN111563425B (zh) | 2020-04-22 | 2020-04-22 | 交通事件识别方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320334.2A CN111563425B (zh) | 2020-04-22 | 2020-04-22 | 交通事件识别方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563425A CN111563425A (zh) | 2020-08-21 |
CN111563425B true CN111563425B (zh) | 2023-04-07 |
Family
ID=72071695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010320334.2A Active CN111563425B (zh) | 2020-04-22 | 2020-04-22 | 交通事件识别方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563425B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112185110A (zh) * | 2020-09-17 | 2021-01-05 | 李志� | 一种基于互联网的远程监控方法及装置 |
CN112581763A (zh) * | 2020-12-11 | 2021-03-30 | 北京百度网讯科技有限公司 | 道路事件检测的方法、装置、设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169629A (zh) * | 2011-03-08 | 2011-08-31 | 北京世纪高通科技有限公司 | 利用计算机程序检测交通事件信息的方法和装置 |
WO2014208575A1 (ja) * | 2013-06-28 | 2014-12-31 | 日本電気株式会社 | 映像監視システム、映像処理装置、映像処理方法および映像処理プログラム |
CN105761500A (zh) * | 2016-05-10 | 2016-07-13 | 腾讯科技(深圳)有限公司 | 交通事故处理方法及交通事故处理装置 |
CN107633704A (zh) * | 2017-10-23 | 2018-01-26 | 中国联合网络通信集团有限公司 | 交通事故预警方法及系统 |
CN109448367A (zh) * | 2018-10-22 | 2019-03-08 | 卢伟涛 | 一种基于大数据图像采集的智能道路交通追踪管理系统 |
CN109661692A (zh) * | 2018-11-22 | 2019-04-19 | 深圳市锐明技术股份有限公司 | 交通事件预测方法、装置及终端设备 |
CN109841061A (zh) * | 2019-01-24 | 2019-06-04 | 浙江大华技术股份有限公司 | 一种交通事故处理方法、装置、系统及存储介质 |
CN109974734A (zh) * | 2019-04-02 | 2019-07-05 | 百度在线网络技术(北京)有限公司 | 一种用于ar导航的事件上报方法、装置、终端及存储介质 |
CN112258842A (zh) * | 2020-10-26 | 2021-01-22 | 北京百度网讯科技有限公司 | 交通监测方法、装置、设备及存储介质 |
CN114612876A (zh) * | 2020-12-09 | 2022-06-10 | 阿里巴巴集团控股有限公司 | 获取交通事件的方法和导航终端 |
-
2020
- 2020-04-22 CN CN202010320334.2A patent/CN111563425B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169629A (zh) * | 2011-03-08 | 2011-08-31 | 北京世纪高通科技有限公司 | 利用计算机程序检测交通事件信息的方法和装置 |
WO2014208575A1 (ja) * | 2013-06-28 | 2014-12-31 | 日本電気株式会社 | 映像監視システム、映像処理装置、映像処理方法および映像処理プログラム |
CN105761500A (zh) * | 2016-05-10 | 2016-07-13 | 腾讯科技(深圳)有限公司 | 交通事故处理方法及交通事故处理装置 |
CN107633704A (zh) * | 2017-10-23 | 2018-01-26 | 中国联合网络通信集团有限公司 | 交通事故预警方法及系统 |
CN109448367A (zh) * | 2018-10-22 | 2019-03-08 | 卢伟涛 | 一种基于大数据图像采集的智能道路交通追踪管理系统 |
CN109661692A (zh) * | 2018-11-22 | 2019-04-19 | 深圳市锐明技术股份有限公司 | 交通事件预测方法、装置及终端设备 |
CN109841061A (zh) * | 2019-01-24 | 2019-06-04 | 浙江大华技术股份有限公司 | 一种交通事故处理方法、装置、系统及存储介质 |
CN109974734A (zh) * | 2019-04-02 | 2019-07-05 | 百度在线网络技术(北京)有限公司 | 一种用于ar导航的事件上报方法、装置、终端及存储介质 |
CN112258842A (zh) * | 2020-10-26 | 2021-01-22 | 北京百度网讯科技有限公司 | 交通监测方法、装置、设备及存储介质 |
CN114612876A (zh) * | 2020-12-09 | 2022-06-10 | 阿里巴巴集团控股有限公司 | 获取交通事件的方法和导航终端 |
Non-Patent Citations (1)
Title |
---|
杨兆升等.基于模糊综合推理的道路交通事件识别算法.《基础交通信息融合技术及其应用》.2005, * |
Also Published As
Publication number | Publication date |
---|---|
CN111563425A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11120282B2 (en) | Traffic violation vehicle identification system, server and non-transitory recording medium in which vehicle control program is recorded | |
CN110738842A (zh) | 事故责任划分及行为分析方法、装置、设备及存储介质 | |
US10203217B2 (en) | Traffic citation delivery based on type of traffic infraction | |
CN111444798B (zh) | 电动自行车驾驶行为的识别方法、装置和计算机设备 | |
US8031084B2 (en) | Method and system for infraction detection based on vehicle traffic flow data | |
CN105355039A (zh) | 路况信息处理方法及设备 | |
CN108932849B (zh) | 一种记录多台机动车低速行驶违法行为的方法及装置 | |
CN111563425B (zh) | 交通事件识别方法及电子设备 | |
CN114341962A (zh) | 危险车辆显示系统、危险车辆显示装置、危险车辆显示程序以及计算机可读取的记录介质以及进行了记录的设备 | |
CN113012436A (zh) | 道路监控方法、装置及电子设备 | |
CN110379162B (zh) | 车辆违章监测方法、装置、设备及计算机可读存储介质 | |
CN109003457B (zh) | 一种记录多台机动车违法占用应急车道行为的方法及装置 | |
CN113989715A (zh) | 车辆违停检测方法、装置、电子设备及存储介质 | |
CN110619256A (zh) | 道路监控检测方法及装置 | |
CN111064924B (zh) | 一种基于人工智能的视频监控方法及系统 | |
CN113362610A (zh) | 识别违规交通参与对象的方法、系统和计算机可读存储介质 | |
JP2006119767A (ja) | 違反車両通報システム、取締サーバ、及び違反車両通報プログラム | |
CN108922175B (zh) | 记录多台机动车越实线违法行为的方法及装置 | |
CN116026441A (zh) | 车辆载重量异常检测方法、装置、设备及存储介质 | |
CN115762153A (zh) | 倒车检测方法及装置 | |
CN112597924B (zh) | 电动自行车轨迹追踪方法、摄像机装置和服务器 | |
CN114971991A (zh) | 数据处理方法、装置、设备和介质 | |
CN113870185A (zh) | 基于图像抓拍的图像处理方法、终端及存储介质 | |
CN113821924A (zh) | 车辆实时数据采集系统、定位核查方法及里程分析方法 | |
CN111723604A (zh) | 车辆套牌检测方法及装置 |
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 |