CN111781600A - 一种适用于信号交叉口场景的车辆排队长度检测方法 - Google Patents
一种适用于信号交叉口场景的车辆排队长度检测方法 Download PDFInfo
- Publication number
- CN111781600A CN111781600A CN202010561345.XA CN202010561345A CN111781600A CN 111781600 A CN111781600 A CN 111781600A CN 202010561345 A CN202010561345 A CN 202010561345A CN 111781600 A CN111781600 A CN 111781600A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- queuing
- area
- intersection
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- 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)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种适用于信号交叉口场景的车辆排队长度检测方法,该方法首先对视频图像进行感兴趣区域提取和预处理,接着利用道路空间中的特征点,求取图像平面和实际路面间的单应性矩阵,完成二维信息到三维信息的转换,然后利用车辆运运动检测和车辆队列存在检测分别检测车辆排队状态和提取车辆目标区域,最后采用可变阈值行扫描的方法搜索出车辆排队队尾位置,结合摄像机标定结果计算出实际车辆排队长度。该方法结合摄像机标定结果计算出实际车辆排队长度,提高了现有交叉口排队长度检测的精度。
Description
技术领域
本发明涉及交通图像处理技术领域,具体涉及一种适用于信号交叉口场景的车辆排队长度检测方法。
背景技术
交叉口车辆排队长度是评估道路通行能力的一个重要指标,在信号灯的控制作用下,不同方向的交通流在交叉口的汇集、分流以及在停车线前周期性的排队。随着道路中车辆数目的增加,这种排队现象会造成交通拥堵,进而影响路网和交通状态和运行效率。所以,对信号交叉口的车辆排队长度进行实时检测和分析,在此基础上采取一些管控措施,对改善整个城市道路的交通具有至关重要的作用。
查阅现有专利和论文,发现目前车辆排队长度检测主要有两类,即基于短距离雷达的车辆排队长度检测方法和基于视频的车辆排队长度检测方法。其中,对于短距离雷达的车辆排队长度检测方法,主要利用地感线圈和雷达等检测设备线圈等固定式检测器,通过磁场的变换或者是雷达的回波对车辆进行检测,进而获取道路车辆排队长度信息,这种方法虽然能够实现车辆的计数但无法实现排队长度的检测,同时设备维护成本过高;对于基于视频的车辆排队长度检测方法,如刘喆利用边缘提取的方法提取排队队列中车辆,并采用基于伸缩窗的车辆排队长度检测算法,由于该方法中边缘检测得到的车辆信息不够完全,使得在实际应用中存在伸缩框无法伸长的现象,导致检测距离与实际距离差距较大;杨德亮利用队头和队尾伸缩框,实时的检测队列首尾位置变化,进而得到车辆排队长度。该方法的需要对摄像机进行非常精确的标定来设置每一个检测框的位置,同时,由于场景中车辆排队情况具有多样性,难以准确刻画队尾车辆的实际位置;因此上述种种方法在交叉口场景中并未取得良好的检测结果。
发明内容
有鉴于此,本发明的目的是提供一种适用于信号交叉口场景的车辆排队长度检测方法,提高了现有交叉口排队长度检测的精度。
本发明的目的是通过以下技术方案实现的:
一种适用于信号交叉口场景的车辆排队长度检测方法,
S1:标定交叉口感兴趣区域,生成感兴趣区域图像,对感兴趣区域图像进行灰度化,然后进行图像滤波;
S2:获取处理后的感兴趣区域图像的图像平面和路面间的映射矩阵;
S3:检测在停车线处的车辆是否运动,若运动,则返回S1,若不运动,则进行S4;
S4:获取排队车辆的车辆目标区域,判断是否存在排队队列,若存在则进行S5,若不存在,则返回S1;
S5:获取排队队列的车尾位置坐标,完成二维信息到三维空间的转换,输出排队长度。
进一步,所述S1具体为:
S11:从交叉口监控摄像机获取视频图像,并人工标定感兴趣区域坐标;
S12:根据标定坐标,生成区别图像;
S13:读取视频图像,将视频图像与区别图像进行与运算,得到仅含有感兴趣区域的图像;
S14:对感兴趣区域图像进行图像灰度化;
S15:对灰度化后的感兴趣区域图像进行图像滤波。
进一步,所述S2具体为:
S21:在所述交叉口感兴趣区域图像内找到若干个标志位置点,并获取每两个标志位置点之间的实际距离;
S22:定义停车线与车道边线连接处为原点,因此可以得到所有所述标志位置点的世界坐标;
S23:在所述交叉口感兴趣区域图像中找到所有标志位置点对应的的图像坐标系中的坐标;
S24:根据所有标志位置点的图像坐标系中的坐标和所有标志位置点的世界坐标,得到图像平面和路面间的映射矩阵。
进一步,所述S3具体为:
在停车线处设置配置有摄像头的检测系统,所述检测系统通过摄像头采集停车线处车辆的k时刻和k-1时刻的图像,采用帧间差分法对车辆进行运动检测,具体的:
Dk(x,y)=|fk(x,y)-fk-1(x,y)|
其中,Dk(x,y)是相邻两帧图像的差分后取绝对值的结果,fk(x,y)为k时刻图像,fk-1(x,y)为k-1时刻图像,F(x,y)是差分图像二值化后的结果,阈值T用于分割出运动状态的像素点,
当F(x,y)为1时,停车线处车辆存在运动;反之,则不存在运动。
进一步,所述S4具体为:
S41:对固定时间段内的所述感兴趣区域的视频帧进行统计分析,提取出不含车辆的道路背景图像,并将道路背景图像的边缘信息作为参考帧;
S42:将视频流后续帧图像作为当前帧,并将当前帧的边缘信息作为参考帧;
S43:将当前帧与前T帧图像序列进行叠加分析,得到静止车辆目标前景区域;
S44:利用最小外切矩形拟合所述静止车辆目标前景区域,针对交叉口车辆排队特点,通过设置外切矩形的长宽比和静止车辆目标前景区域与外切矩形面积占空比阈值,判断排队队列是否存在,若存在,则生成车辆目标区域并提取。
进一步,所述S43具体为:
针对所述当前帧中的像素点P(x,y),取前T帧图像序列经边缘检测并二值化后作为样本{x1,x2,…xt},当该像素点P属于前景区域时,P(xt,y)取255,反之P(xt,y)为0;
将处理后的当前帧图像与参考帧作差运算,并且采用形态学处理和轮廓填充后,得到所述静止车辆目标前景区域。
进一步,所述S5具体为:
S51:将提取的所述车辆目标区域,进行水平投影和灰度直方图统计;、
S52:设置可变宽度阈值,用于检测车辆存在;
S53:搜索所述所述车辆目标区域的像素值,当搜索到像素累加值发生突变,且后续车距阈值行中每一行像素累加值一直小于可变宽度阈值K的像素行时,该像素行即为排队队尾;
S54:获取车尾坐标,将车尾坐标代入所述图像平面和路面间的映射矩阵中,得到排队长度。
进一步,所述可变宽度阈值的获取方法为:
其中:Kmax和Kmin分别表示车辆在停车线处的阈值和最远处的阈值,u表示检测区域最远处行坐标,d表示停车线处行坐标。
本发明的有益效果是:
本发明分析实际车辆排队形成和消散的特点,提供一种适用于交叉口环境的车辆排队长度。该方法首先对视频图像进行感兴趣区域提取和预处理,接着利用道路空间中的特征点,求取图像平面和实际路面间的单应性矩阵,完成二维信息到三维信息的转换,然后利用车辆运运动检测和车辆队列存在检测分别检测车辆排队状态和提取车辆目标区域,最后采用可变阈值行扫描的方法搜索出车辆排队队尾位置,结合摄像机标定结果计算出实际车辆排队长度,提高了现有交叉口排队长度检测的精度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
附图1为本发明流程图。
具体实施方式
以下将参照附图,对本发明的优选实施例进行详细的描述。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
本实施例提出了一种适用于信号交叉口场景的车辆排队长度检测方法,该方法首先对视频图像进行感兴趣区域提取和预处理,接着利用道路空间中的特征点,求取图像平面和实际路面间的单应性矩阵,完成二维信息到三维信息的转换,然后利用车辆运运动检测和车辆队列存在检测分别检测车辆排队状态和提取车辆目标区域,最后采用可变阈值行扫描的方法搜索出车辆排队队尾位置,结合摄像机标定结果计算出实际车辆排队长度,提高了现有交叉口排队长度检测的精度。如图1所示,检测方法具体的流程为:
S1:标定交叉口感兴趣区域,生成感兴趣区域图像,对感兴趣区域图像进行灰度化,然后进行图像滤波,该步骤的目的是处理感兴趣区域的图像,去除无用的项目。具体为:
S11:从交叉口监控摄像机获取视频图像,并人工标定感兴趣区域坐标;
S12:根据标定坐标,生成区别图像;
S13:读取视频图像,将视频图像与区别图像进行与运算,得到仅含有感兴趣区域的图像;
S14:对感兴趣区域图像进行图像灰度化;
S15:对灰度化后的感兴趣区域图像进行图像滤波,图像滤波能够难以消除图像落叶等点状噪声以及常见的椒盐噪声。
S2:获取处理后的感兴趣区域图像的图像平面和路面间的映射矩阵,该步骤的目的是将二维图像的坐标点转化为三维实际坐标点,具体为:
S21:在S1完成的交叉口感兴趣区域内找到若干个标志位置点,并获取相邻标志位置点之间的实际距离,其中标志位置点可以为标志物,也可以为明显的建筑物;
S22:定义停车线与车道边线连接处为原点,因此可以得到所有标志位置点的世界坐标;
S23:在交叉口感兴趣区域图像中找到所有标志位置点的图像坐标系中的坐标;
S24:根据所有标志位置点的图像坐标系中的坐标和所有标志位置点的世界坐标,利用opencv视觉库中cvFindHomography函数,得到图像平面和路面间的映射矩阵,即可得到二维信息与三维信息转化的方法。
例如在交叉口感兴趣区域中内找到具有明显标志物的8个位置点wj,j=1,2……8,先测量这8个位置点之间的实际距离li,i=1,2……7,再定义停车线与车道的连接点位原点,得到这8个位置点wj,j=1,2……8的世界坐标,再在交叉口感兴趣区域图像中找到这8个位置点Oj,j=1,2……8,其中wj与Oj相对应,根据wj与Oj及其相邻点之间在世界坐标系实际距离和图像坐标系下的距离,利用opencv视觉库中cvFindHomography函数,计算出图像平面和路面间的映射矩阵。
S3:检测在停车线处的车辆是否运动,具体方式是:在停车线处设置配置有摄像头的检测系统,该检测系统为队首检测窗口,用于确定停车线处的车辆是否运动,检测系统通过摄像头采集停车线处车辆的k时刻和k-1时刻的图像,内部集成有基于帧间差分法的算法,该算法表示为:
Dk(x,y)=|fk(x,y)-fk-1(x,y)|
其中,Dk(x,y)是相邻两帧图像的差分后取绝对值的结果,fk(x,y)为k时刻图像,fk-1(x,y)为k-1时刻图像,F(x,y)是差分图像二值化后的结果,阈值T用于分割出运动状态的像素点,当F(x,y)为1时,停车线处车辆存在运动;反之,则不存在运动。若运动,则返回S1,若不运动,则进行S4。
S4:获取排队车辆的车辆目标区域,判断是否存在排队队列,若存在则进行S5,若不存在,则返回S1,具体可分为以下步骤:
S41:对固定时间段内的感兴趣区域的视频帧进行统计分析,提取出不含车辆的道路背景图像,并将道路背景图像的边缘信息作为参考帧Img_bkg,固定时间段可为1h,也可以为任何一段时间,只需满足在此时间段内可以得到参考帧Img_bkg;
S42:将视频流后续帧图像作为当前帧,并将当前帧的边缘信息作为参考帧Img_cur;
S43:将当前帧与前T帧图像序列进行叠加分析,得到静止车辆目标前景区域;
针对当前帧中的像素点P(x,y),取前T帧图像序列经边缘检测并二值化后作为样本{x1,x2,…xt},当该像素点P属于前景区域时,P(xt,y)取255,反之P(xt,y)为0,计算T帧中P(x,y)取255的概率记为px,则该点是否属于静止区域判据为:
其中,Th表示为静止区域和运动区域的分割概率阈值,其大小于所取帧数T有关;
即验证当前帧所有像素点P(xt,y),(t=1,2……m,m为当前帧中像素点的数量),将满足上述条件的像素点的像素调整为225,将不满足时上述条件的像素点的像素调整为0,将处理后的当前帧图像与参考帧作差运算,并且采用形态学处理和轮廓填充后,得到静止车辆目标前景区域。
S44:利用最小外切矩形拟合静止车辆目标前景区域,针对交叉口车辆排队特点,通过设置外切矩形的长宽比和静止车辆目标前景区域与外切矩形面积占空比阈值,判断排队队列是否存在,若存在,则生成车辆目标区域并提取。
S5:获取排队队列的车位位置坐标,完成二维信息到三维空间的转换,输出排队长度,具体为:
S51:将提取的车辆目标区域,进行水平投影和灰度直方图统计;
S52:设置可变宽度阈值K(y),用于检测车辆存在,可变宽度阈值K(y)的获取方法如下:
其中:Kmax和Kmin分别表示车辆在停车线处的阈值和最远处的阈值,u表示检测区域最远处行坐标,d表示停车线处行坐标。
S53搜索车辆目标区域的像素值,当搜索到像素累加值发生突变,且后续车距阈值行中每一行像素累加值一直小于可变宽度阈值K的像素行时,该像素行即为排队队尾,搜索方式如下所示:
其中,M表示图像的行,b(x,y)表示经过二值化的前景图像,σ表示车距阈值。
S54:获取车尾坐标,将车尾坐标代入S2所述的图像平面和路面间的映射矩阵中,得到排队长度L。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种适用于信号交叉口场景的车辆排队长度检测方法,其特征在于:
S1:标定交叉口感兴趣区域,生成感兴趣区域图像,对感兴趣区域图像进行灰度化,然后进行图像滤波;
S2:获取处理后的感兴趣区域图像的图像平面和路面间的映射矩阵;
S3:检测在停车线处的车辆是否运动,若运动,则返回S1,若不运动,则进行S4;
S4:获取排队车辆的车辆目标区域,判断是否存在排队队列,若存在则进行S5,若不存在,则返回S1;
S5:获取排队队列的车尾位置坐标,完成二维信息到三维空间的转换,输出排队长度。
2.根据权利要求1所述的适用于信号交叉口场景的车辆排队长度检测方法,其特征在于:所述S1具体为:
S11:从交叉口监控摄像机获取视频图像,并人工标定感兴趣区域坐标;
S12:根据标定坐标,生成区别图像;
S13:读取视频图像,将视频图像与区别图像进行与运算,得到仅含有感兴趣区域的图像;
S14:对感兴趣区域图像进行图像灰度化;
S15:对灰度化后的感兴趣区域图像进行图像滤波。
3.根据权利要求2所述的适用于信号交叉口场景的车辆排队长度检测方法,其特征在于:所述S2具体为:
S21:在所述交叉口感兴趣区域图像内找到若干个标志位置点,并获取每两个标志位置点之间的实际距离;
S22:定义停车线与车道边线连接处为原点,因此可以得到所有所述标志位置点的世界坐标;
S23:在所述交叉口感兴趣区域图像中找到所有标志位置点对应的的图像坐标系中的坐标;
S24:根据所有标志位置点的图像坐标系中的坐标和所有标志位置点的世界坐标,得到图像平面和路面间的映射矩阵。
5.根据权利要求1所述的适用于信号交叉口场景的车辆排队长度检测方法,其特征在于:所述S4具体为:
S41:对固定时间段内的所述感兴趣区域的视频帧进行统计分析,提取出不含车辆的道路背景图像,并将道路背景图像的边缘信息作为参考帧;
S42:将视频流后续帧图像作为当前帧,并将当前帧的边缘信息作为参考帧;
S43:将当前帧与前T帧图像序列进行叠加分析,得到静止车辆目标前景区域;
S44:利用最小外切矩形拟合所述静止车辆目标前景区域,针对交叉口车辆排队特点,通过设置外切矩形的长宽比和静止车辆目标前景区域与外切矩形面积占空比阈值,判断排队队列是否存在,若存在,则生成车辆目标区域并提取。
6.根据权利要求5所述的适用于信号交叉口场景的车辆排队长度检测方法,其特征在于:所述S43具体为:
针对所述当前帧中的像素点P(x,y),取前T帧图像序列经边缘检测并二值化后作为样本{x1,x2,…xt},当该像素点P属于前景区域时,P(xt,y)取255,反之P(xt,y)为0;
将处理后的当前帧图像与参考帧作差运算,并且采用形态学处理和轮廓填充后,得到所述静止车辆目标前景区域。
7.根据权利要求5所述的适用于信号交叉口场景的车辆排队长度检测方法,其特征在于:所述S5具体为:
S51:将提取的所述车辆目标区域,进行水平投影和灰度直方图统计;、
S52:设置可变宽度阈值,用于检测车辆存在;
S53:搜索所述所述车辆目标区域的像素值,当搜索到像素累加值发生突变,且后续车距阈值行中每一行像素累加值一直小于可变宽度阈值K的像素行时,该像素行即为排队队尾;
S54:获取车尾坐标,将车尾坐标代入所述图像平面和路面间的映射矩阵中,得到排队长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561345.XA CN111781600B (zh) | 2020-06-18 | 2020-06-18 | 一种适用于信号交叉口场景的车辆排队长度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561345.XA CN111781600B (zh) | 2020-06-18 | 2020-06-18 | 一种适用于信号交叉口场景的车辆排队长度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111781600A true CN111781600A (zh) | 2020-10-16 |
CN111781600B CN111781600B (zh) | 2023-05-30 |
Family
ID=72757644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010561345.XA Active CN111781600B (zh) | 2020-06-18 | 2020-06-18 | 一种适用于信号交叉口场景的车辆排队长度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111781600B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177504A (zh) * | 2021-05-13 | 2021-07-27 | 中移(上海)信息通信科技有限公司 | 车辆排队信息检测方法、装置、电子设备以及存储介质 |
CN113435370A (zh) * | 2021-06-30 | 2021-09-24 | 北京英泰智科技股份有限公司 | 一种基于图像特征融合获取车辆排队长度的方法及装置 |
CN114399908A (zh) * | 2021-12-10 | 2022-04-26 | 中交第二公路勘察设计研究院有限公司 | 利用车载adas研判道路交叉口车道级排队长度的方法 |
CN115273496A (zh) * | 2022-07-27 | 2022-11-01 | 北京英泰智科技股份有限公司 | 动态控制人行横道信号灯配时的方法、系统及电子设备 |
CN115440052A (zh) * | 2022-11-09 | 2022-12-06 | 成都工业职业技术学院 | 一种基于大数据的交通流控制方法及装置 |
CN116819483A (zh) * | 2023-08-28 | 2023-09-29 | 南京隼眼电子科技有限公司 | 路口车辆排队长度检测方法、装置、存储介质及终端 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030190058A1 (en) * | 2002-04-04 | 2003-10-09 | Lg Industrial Systems Co., Ltd. | Apparatus and method for measuring queue length of vehicles |
CN102222346A (zh) * | 2011-05-23 | 2011-10-19 | 北京云加速信息技术有限公司 | 一种车辆检测和跟踪方法 |
CN102867414A (zh) * | 2012-08-18 | 2013-01-09 | 湖南大学 | 一种基于ptz摄像机快速标定的车辆排队长度测量方法 |
CN103617410A (zh) * | 2013-08-30 | 2014-03-05 | 重庆大学 | 基于视频检测技术的高速公路隧道停车检测方法 |
CN103903445A (zh) * | 2014-04-22 | 2014-07-02 | 北京邮电大学 | 一种基于视频的车辆排队长度检测方法与系统 |
US20140348390A1 (en) * | 2013-05-21 | 2014-11-27 | Peking University Founder Group Co., Ltd. | Method and apparatus for detecting traffic monitoring video |
US20150334398A1 (en) * | 2014-05-15 | 2015-11-19 | Daniel Socek | Content adaptive background foreground segmentation for video coding |
US20150332097A1 (en) * | 2014-05-15 | 2015-11-19 | Xerox Corporation | Short-time stopping detection from red light camera videos |
US20160005312A1 (en) * | 2014-03-10 | 2016-01-07 | Iteris, Inc. | Bicycle differentiation using video data analytics |
CN107992865A (zh) * | 2018-01-26 | 2018-05-04 | 重庆邮电大学 | 一种基于视频分析的车辆识别方法和系统 |
CN109272482A (zh) * | 2018-07-20 | 2019-01-25 | 浙江浩腾电子科技股份有限公司 | 一种基于序列图像的城市路口车辆排队检测系统 |
JP2019053625A (ja) * | 2017-09-17 | 2019-04-04 | 国立大学法人岩手大学 | 移動物体検出装置および移動物体検出方法 |
CN109684996A (zh) * | 2018-12-22 | 2019-04-26 | 北京工业大学 | 基于视频的实时车辆进出识别方法 |
CN110472496A (zh) * | 2019-07-08 | 2019-11-19 | 长安大学 | 一种基于目标检测与跟踪的交通视频智能分析方法 |
-
2020
- 2020-06-18 CN CN202010561345.XA patent/CN111781600B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030190058A1 (en) * | 2002-04-04 | 2003-10-09 | Lg Industrial Systems Co., Ltd. | Apparatus and method for measuring queue length of vehicles |
CN102222346A (zh) * | 2011-05-23 | 2011-10-19 | 北京云加速信息技术有限公司 | 一种车辆检测和跟踪方法 |
CN102867414A (zh) * | 2012-08-18 | 2013-01-09 | 湖南大学 | 一种基于ptz摄像机快速标定的车辆排队长度测量方法 |
US20140348390A1 (en) * | 2013-05-21 | 2014-11-27 | Peking University Founder Group Co., Ltd. | Method and apparatus for detecting traffic monitoring video |
CN103617410A (zh) * | 2013-08-30 | 2014-03-05 | 重庆大学 | 基于视频检测技术的高速公路隧道停车检测方法 |
US20160005312A1 (en) * | 2014-03-10 | 2016-01-07 | Iteris, Inc. | Bicycle differentiation using video data analytics |
CN103903445A (zh) * | 2014-04-22 | 2014-07-02 | 北京邮电大学 | 一种基于视频的车辆排队长度检测方法与系统 |
US20150334398A1 (en) * | 2014-05-15 | 2015-11-19 | Daniel Socek | Content adaptive background foreground segmentation for video coding |
US20150332097A1 (en) * | 2014-05-15 | 2015-11-19 | Xerox Corporation | Short-time stopping detection from red light camera videos |
JP2019053625A (ja) * | 2017-09-17 | 2019-04-04 | 国立大学法人岩手大学 | 移動物体検出装置および移動物体検出方法 |
CN107992865A (zh) * | 2018-01-26 | 2018-05-04 | 重庆邮电大学 | 一种基于视频分析的车辆识别方法和系统 |
CN109272482A (zh) * | 2018-07-20 | 2019-01-25 | 浙江浩腾电子科技股份有限公司 | 一种基于序列图像的城市路口车辆排队检测系统 |
CN109684996A (zh) * | 2018-12-22 | 2019-04-26 | 北京工业大学 | 基于视频的实时车辆进出识别方法 |
CN110472496A (zh) * | 2019-07-08 | 2019-11-19 | 长安大学 | 一种基于目标检测与跟踪的交通视频智能分析方法 |
Non-Patent Citations (3)
Title |
---|
JIAN WU 等: "Delay-based Traffic Signal Control for Throughput Optimality and Fairness at an Isolated Intersection", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
沈振乾: "基于视觉的路口车辆排队长度检测方法", 《计算机工程》 * |
贺科学 等: "基于两平行线及其线上三点的摄像机标定方法", 《光学技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177504A (zh) * | 2021-05-13 | 2021-07-27 | 中移(上海)信息通信科技有限公司 | 车辆排队信息检测方法、装置、电子设备以及存储介质 |
CN113177504B (zh) * | 2021-05-13 | 2022-07-29 | 中移(上海)信息通信科技有限公司 | 车辆排队信息检测方法、装置、电子设备以及存储介质 |
CN113435370A (zh) * | 2021-06-30 | 2021-09-24 | 北京英泰智科技股份有限公司 | 一种基于图像特征融合获取车辆排队长度的方法及装置 |
CN113435370B (zh) * | 2021-06-30 | 2024-02-23 | 北京英泰智科技股份有限公司 | 一种基于图像特征融合获取车辆排队长度的方法及装置 |
CN114399908A (zh) * | 2021-12-10 | 2022-04-26 | 中交第二公路勘察设计研究院有限公司 | 利用车载adas研判道路交叉口车道级排队长度的方法 |
CN114399908B (zh) * | 2021-12-10 | 2024-01-05 | 中交第二公路勘察设计研究院有限公司 | 利用车载adas研判道路交叉口车道级排队长度的方法 |
CN115273496A (zh) * | 2022-07-27 | 2022-11-01 | 北京英泰智科技股份有限公司 | 动态控制人行横道信号灯配时的方法、系统及电子设备 |
CN115440052A (zh) * | 2022-11-09 | 2022-12-06 | 成都工业职业技术学院 | 一种基于大数据的交通流控制方法及装置 |
CN115440052B (zh) * | 2022-11-09 | 2023-01-31 | 成都工业职业技术学院 | 一种基于大数据的交通流控制方法及装置 |
CN116819483A (zh) * | 2023-08-28 | 2023-09-29 | 南京隼眼电子科技有限公司 | 路口车辆排队长度检测方法、装置、存储介质及终端 |
CN116819483B (zh) * | 2023-08-28 | 2023-11-14 | 南京隼眼电子科技有限公司 | 路口车辆排队长度检测方法、装置、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN111781600B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111781600B (zh) | 一种适用于信号交叉口场景的车辆排队长度检测方法 | |
US12002225B2 (en) | System and method for transforming video data into directional object count | |
CN108596129B (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
CN108320510B (zh) | 一种基于无人机航拍视频交通信息统计方法及系统 | |
CN108986064B (zh) | 一种人流量统计方法、设备及系统 | |
CN104200657B (zh) | 一种基于视频和传感器的交通流量参数采集方法 | |
TWI452540B (zh) | 影像式之交通參數偵測系統與方法及電腦程式產品 | |
EP2798611B1 (en) | Camera calibration using feature identification | |
CN106980855B (zh) | 交通标志快速识别定位系统及方法 | |
US20110293141A1 (en) | Detection of vehicles in an image | |
GB2532948A (en) | Objection recognition in a 3D scene | |
Chen et al. | Intelligent vehicle counting method based on blob analysis in traffic surveillance | |
CN103824070A (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN109325404A (zh) | 一种公交场景下的人数统计方法 | |
CN102542289A (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN111208479B (zh) | 一种降低深度网络检测中虚警概率的方法 | |
CN109272482B (zh) | 一种基于序列图像的城市路口车辆排队检测系统 | |
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 | |
EP2813973B1 (en) | Method and system for processing video image | |
CN112818905B (zh) | 一种基于注意力和时空信息的有限像素车辆目标检测方法 | |
CN109254271B (zh) | 一种用于地面监视雷达系统的静止目标抑制方法 | |
CN111160203A (zh) | 一种基于头肩模型和iou跟踪的徘徊逗留行为分析方法 | |
CN111753749A (zh) | 一种基于特征匹配的车道线检测方法 | |
Miller et al. | Person tracking in UAV video | |
CN113920585A (zh) | 行为识别方法及装置、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |