CN111833598A - 一种高速公路无人机交通事件自动监测方法及系统 - Google Patents

一种高速公路无人机交通事件自动监测方法及系统 Download PDF

Info

Publication number
CN111833598A
CN111833598A CN202010406068.5A CN202010406068A CN111833598A CN 111833598 A CN111833598 A CN 111833598A CN 202010406068 A CN202010406068 A CN 202010406068A CN 111833598 A CN111833598 A CN 111833598A
Authority
CN
China
Prior art keywords
target vehicle
vehicle
target
unmanned aerial
speed
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
CN202010406068.5A
Other languages
English (en)
Other versions
CN111833598B (zh
Inventor
刘海青
王胜利
秦媚
黄滕
孙昱平
侯国阳
薛婷
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202010406068.5A priority Critical patent/CN111833598B/zh
Publication of CN111833598A publication Critical patent/CN111833598A/zh
Application granted granted Critical
Publication of CN111833598B publication Critical patent/CN111833598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • 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
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种高速公路无人机交通事件自动监测方法及系统，该方法包括：获取无人机自动巡航当前路段时采集的实时视频数据；对实时视频数据进行视频图像处理，得到视频图像序列；在视频图像序列中利用动态目标提取算法提取目标车辆，得到目标车辆的类别信息及轮廓信息；根据当前帧的目标车辆的类别信息及轮廓信息利用目标跟踪算法，计算下一帧目标车辆的位置，得到同一目标车辆的轮廓信息；根据相邻两帧视频图片中同一目标车辆的轮廓信息计算目标车辆相邻帧的实际距离；按照目标车辆相邻帧的实际距离计算目标车辆的车速；根据车速和目标车辆的轮廓信息判别目标车辆的行驶行为。本发明提高了事件检测范围，使事件检测类型更全面。

Description

一种高速公路无人机交通事件自动监测方法及系统
技术领域
本发明涉及道路交通状态检测与管理技术领域，特别是涉及一种高速公路无人机交通事件自动监测方法及系统。
背景技术
随着社会经济的快速增长以及交通运输量的日益提高，高速公路建设迅速发展。截至2018年底，我国高速公路运营总里程已达到14万公里，居于世界第一。高速公路在提升城市间运输效率的同时，也带来了严峻的安全问题。据统计，每年我国交通事故发生数量约达20万起，造成了巨大的人员生命和财产损失。在高速公路事故中，由于驾驶员不文明驾驶行为，如超速、违停等行为引起的事故约占事故总数的25％。尤其地，在匝道等特殊位置还存在由于错过出口匝道而倒车或逆行等极度危险的驾驶行为。
现有的高速公路场景下的交通事件自动监测方法主要利用视频设备来实现，比如路侧的定点测速设备，高点视频监控设备等。其中，定点测速设备仅能实现超速、低速等较少类型事件自动监测，而且覆盖范围小。高点视频监控设备虽然能够获取全面的交通信息，但其实现方式为人工巡检，需耗费大量人力，无法实现全天候全自动事件监测。
因此，如何解决传统高速公路事件监测方法存在的监测范围小、事件监测类型少、耗费大量人力、无法实现全天候全自动事件检测等问题，成为本领域亟待解决的技术问题。
发明内容
本发明的目的是提供一种高速公路无人机交通事件自动监测方法及系统，以提高事件检测范围，使事件检测类型更全面，降低人力消耗，实现高速公路事件全天候自动检测。
为实现上述目的，本发明提供了一种高速公路无人机交通事件自动监测方法，所述方法包括：
获取无人机自动巡航当前路段时采集的实时视频数据；
对所述实时视频数据进行视频图像处理，得到视频图像序列；
在所述视频图像序列中利用动态目标提取算法提取目标车辆，得到所述目标车辆的类别信息及轮廓信息；
根据当前帧的所述目标车辆的类别信息及轮廓信息利用目标跟踪算法，计算下一帧所述目标车辆的位置，得到相邻两帧视频图片中同一目标车辆的轮廓信息；
根据相邻两帧视频图片中同一目标车辆的轮廓信息计算所述目标车辆相邻帧的实际距离；
按照所述目标车辆相邻帧的实际距离计算所述目标车辆的车速；
根据所述车速和目标车辆的轮廓信息判别所述目标车辆的行驶行为；所述行驶行为包括：超速、低速、违停、逆行和频繁变道。
可选的，在所述根据所述车速判别所述目标车辆的行驶行为之后还包括：
将所述无人机采集的实时视频数据和所述目标车辆的行驶行为发送数据展示终端显示。
可选的，在所述视频图像序列中利用动态目标提取算法提取目标车辆，得到所述目标车辆的类别信息及轮廓信息，具体包括：
利用训练好的目标检测框架在所述视频图像序列中对目标车辆进行提取，得到所述目标车辆的类别信息及矩形轮廓；所述矩形轮廓包括目标车辆的外接矩形的长l和宽h以及一角点坐标(x，y)；
以所述车辆目标的矩形轮廓的长、宽作为所述目标车辆的实际长、宽，计算所述目标车辆的面积S及长宽比μ：
S＝l×h (1)
Figure BDA0002491327130000021
以所述目标车辆的矩形轮廓的中心作为所述目标车辆的质心，计算所述目标车辆的质心坐标：
Figure BDA0002491327130000022
Figure BDA0002491327130000023
根据所述实时视频数据中的场景和所述目标车辆的类别信息建立车辆样本特征库，利用所述车辆样本特征库中的数据利用深度学习算法更新训练好的目标检测框架。
可选的，根据当前帧的所述目标车辆的类别信息及轮廓信息利用目标跟踪算法，计算下一帧所述目标车辆的位置，得到相邻两帧视频图片中同一目标车辆的轮廓信息，具体包括：
对当前帧的所述目标车辆所在区域建立车辆模型；
根据当前帧所述目标车辆的质心坐标预测下一帧的所述目标车辆的预测质心坐标：P't+1(xt+1,yt+1)＝f(Δx,Δy)Pt(xt,yt)+w；其中，Pt(xt,yt)为当前帧所述目标车辆的质心坐标，Pt+1(xt+1,yt+1)为下一帧所述目标车辆的预测质心坐标，f(Δx,Δy)为状态转移函数，w为系统过程的噪声；
利用动态目标提取算法提取下一帧所述目标车辆的实际质心坐标；
计算所述目标车辆的实际质心坐标与所述目标车辆的预测质心坐标的欧式距离；
利用所述车辆模型搜索所述欧氏距离最小的图像区域；
在所述欧氏距离最小的图像区域中进行运动车辆目标匹配，确定下一帧目标车辆与当前帧目标车辆为同一车辆，并得到下一帧目标车辆的轮廓信息。
可选的，在所述欧氏距离最小的图像区域中进行运动车辆目标匹配，确定下一帧目标车辆与当前帧目标车辆为同一车辆，具体包括：
根据当前帧第i辆目标车辆的矩形轮廓的面积Si和长宽比μi和下一帧第j辆目标车辆的矩形轮廓的面积Sj和长宽比μj判断是否存在重叠区域Sij；
当存在重叠区域时，且满足条件：
Sij＞K'
ui＜K″
uj＜K″
则认为当前帧第i辆目标车辆与下一帧第j辆目标车辆在相邻两帧间是同一目标车辆；其中，K'为重叠面积阈值；K”为长宽比阈值。
可选的，所述根据相邻两帧视频图片中同一目标车辆的轮廓信息计算所述目标车辆相邻帧的实际距离；具体包括：
建立摄像机坐标系与像平面坐标系；
根据透视投影原理实现图像坐标与摄像机坐标的转化；图像转化公式为：
Figure BDA0002491327130000041
其中，
Figure BDA0002491327130000042
为摄像机坐标；
Figure BDA0002491327130000043
为图像平面坐标，即目标车辆的任意点坐标；f为摄像机焦距；
根据刚体变换公式实现所述摄像机坐标与世界坐标的转换，刚体变换公式为：
Figure BDA0002491327130000044
其中，R为旋转矩阵，T为平移矩阵，LW表示对由旋转矩阵和平移矩阵构成的矩阵进行简化后的矩阵；
根据相邻帧同一目标车辆的世界坐标计算同一目标车辆相邻帧的实际距离。
可选的，按照所述目标车辆相邻帧的实际距离计算所述目标车辆的车速，具体包括：
对所述实际距离进行水平方向与竖直方向的分解，分别计算水平速度vx、竖直速度vy；
根据水平速度vx和竖直速度vy利用公式
Figure BDA0002491327130000045
计算目标车辆在相邻帧之间的运动速度vr；
根据无人机的飞行速度对所述运动速度进行背景补偿，得到目标车辆的绝对速度：vα＝vr+ve，其中，vα为车辆的绝对速度，vr为车辆的运动速度，ve为无人机的飞行速度；
以目标车辆的绝对速度作为所述目标车辆的车速。
可选的，根据所述车速和目标车辆的轮廓信息判别所述目标车辆的行驶行为，具体包括：
当所述车速超过最高限速阈值时，确定所述目标车辆的行驶行为为超速；
当所述车速超过最高限速阈值时，确定所述目标车辆的行驶行为为超速；
当所述车速低于最低限速阈值时，确定所述目标车辆的行驶行为为低速；
当所述车速为零时，确定所述目标车辆的行驶行为为违停；
当所述车速为负值时，确定所述目标车辆的行驶行为为逆行；
所述目标车辆的行驶行为为频繁变道的判断方法具体包括；
多次采样并记录目标车辆出现的位置点；
对所述位置点进行线性拟合，得到基准直线；
计算多个所述位置点到所述基准直线的距离并取平均值r；
当r大于阈值rK时，确定所述目标车辆的行驶行为频繁变道。
本发明还提供了一种高速公路无人机交通事件自动监测系统，所述系统包括：数据采集与通信单元、数据分析与事件判别单元和后台管理单元；
所述数据采集与通信单元包括无人机和无人机基站，所述无人机与所述无人机基站通信连接，所述无人机上设置有摄像头，所述摄像头用于采集无人机巡航当前路段的实时视频数据；
数据分析与事件判别单元包括设置在路侧的处理器，所述处理器与所述无人机基站通信连接，所述处理器用于：
对所述实时视频数据进行视频图像处理，得到视频图像序列；
在所述视频图像序列中利用动态目标提取算法提取目标车辆，得到所述目标车辆的类别信息及轮廓信息；
根据当前帧的所述目标车辆的类别信息及轮廓信息利用目标跟踪算法，计算下一帧所述目标车辆的位置，得到相邻两帧视频图片中同一目标车辆的轮廓信息；
根据相邻两帧视频图片中同一目标车辆的轮廓信息计算所述目标车辆相邻帧的实际距离；
按照所述目标车辆相邻帧的实际距离计算所述目标车辆的车速；
根据所述车速和目标车辆的轮廓信息判别所述目标车辆的行驶行为；所述行驶行为包括：超速、低速、违停、逆行和频繁变道；
所述后台管理单元分别与所述无人机基站和所述处理器连接，所述后台管理单元用于接收并显示所述无人机采集的实时视频数据和所述目标车辆的行驶行为。
可选的，所述无人机基站搭载天气监测设备，实时监测路段天气状况，对是否执行无人机出舱巡检事件进行判断并为天气状况统计提供数据支持；
所述后台管理单元包括数据展示平台、设备管理平台、路段管理平台以及执法管理平台；
所述数据展示平台利用大数据可视化和GIS应用技术对系统概况、无人机实时飞行位置、无人机工作状态、无人机基站分布、实时交通事件上报情况、交通事件统计情况、交通流状态和视频监控状态进行动态展示；
所述路段管理平台用于对监控路段的增删改查，对无人机巡航路线的规划、管理和实时监测，为无人机提供巡航路线优化的数据支持；
所述设备管理平台用于对无人机和无人机基站设备、通信设备、处理单元设备和网络设备进行在线管理，包括设备基础信息维护、设备故障报警和人员权限管理；
所述执法管理平台用于对现场采集的交通异常事件进行审核执法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的高速公路无人机交通事件自动监测方法及系统采用无人机巡航的高速公路事件检测方法，灵活性更高、检测事件类型更加全面准确。能够做到全路段覆盖监测，大大降低了人力成本并且提高了监测效率。对建设智慧交通、智慧城市起到促进作用。
并且通过无人机的巡航，对驾驶员心理层面造成一定的震慑作用。同时，执法人员根据情况，调用附近无人机，可以快速得知突发事故的现场情况，对事故人员的营救、事故现场的取证等均有很大帮助。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的高速公路无人机交通事件自动监测方法的流程图；
图2为本发明实施例提供的高速公路无人机交通事件自动监测系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种高速公路无人机交通事件自动监测方法及系统，以提高事件检测范围，使事件检测类型更全面，降低人力消耗，实现高速公路事件全天候自动检测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本实施例提供的高速公路无人机交通事件自动监测方法包括：
步骤101：获取无人机自动巡航当前路段时采集的实时视频数据。
本实施例采用无人机在特定路段进行巡回飞行，进行高速公路车辆运行状况的实时视频采集，使本实施例中的基础数据更具实时性，且检测范围广，为全面监测交通异常事件奠定基础。
步骤102：对所述实时视频数据进行视频图像处理，得到视频图像序列。
其中，该视频图像序列可以以数据集的形式存储。更方便视频图像的后续调取和处理。
步骤103：在所述视频图像序列中利用动态目标提取算法提取目标车辆，得到所述目标车辆的类别信息及轮廓信息。
该步骤103具体包括：
利用训练好的目标检测框架在所述视频图像序列中对目标车辆进行提取，得到所述目标车辆的类别信息及矩形轮廓；所述矩形轮廓包括目标车辆的外接矩形的长l和宽h以及一个角点坐标(x，y)；
以所述车辆目标的矩形轮廓的长、宽作为所述目标车辆的实际长、宽，计算所述目标车辆的面积S及长宽比μ：
S＝l×h (1)
Figure BDA0002491327130000081
以所述目标车辆的矩形轮廓的中心作为所述目标车辆的质心，计算所述目标车辆的质心坐标：
Figure BDA0002491327130000082
Figure BDA0002491327130000083
根据所述实时视频数据中的场景和所述目标车辆的类别信息建立车辆样本特征库，利用所述车辆样本特征库中的数据利用深度学习算法更新训练好的目标检测框架。
本实施例通过建立不同场景、不同类型下的车辆样本特征库，基于深度学习方法实现了车辆目标的快速提取，提取目标准确更符合实际情况。
需要说明的是，本实施例中采用基于深度学习方法进行目标提取，其他动态目标提取算法同样适用于本发明，只要能够实现目标车辆的提取即可。
步骤104：根据当前帧的所述目标车辆的类别信息及轮廓信息利用目标跟踪算法，计算下一帧所述目标车辆的位置，得到相邻两帧视频图片中同一目标车辆的轮廓信息。
本实施例中是通过对某一时刻视频图像中的运动车辆建立目标模型，预测下一时刻运动车辆出现的位置，缩小目标匹配的区域范围，再进行目标精确匹配。具体包括：
对当前帧的所述目标车辆所在区域建立车辆模型；
根据当前帧所述目标车辆的质心坐标预测下一帧的所述目标车辆的预测质心坐标：P't+1(xt+1,yt+1)＝f(Δx,Δy)Pt(xt,yt)+w；其中，Pt(xt,yt)为当前帧所述目标车辆的质心坐标，Pt+1(xt+1,yt+1)为下一帧所述目标车辆的预测质心坐标，f(Δx,Δy)为状态转移函数，w为系统过程的噪声；
利用动态目标提取算法提取下一帧所述目标车辆的实际质心坐标；
计算所述目标车辆的实际质心坐标与所述目标车辆的预测质心坐标的欧式距离；
利用所述车辆模型搜索所述欧氏距离最小的图像区域；
在所述欧氏距离最小的图像区域中进行运动车辆目标匹配，确定下一帧目标车辆与当前帧目标车辆为同一车辆，并得到下一帧目标车辆的轮廓信息。
本实施例中在所述欧氏距离最小的图像区域中进行运动车辆目标匹配方法可以为：
根据当前帧第i辆目标车辆的矩形轮廓的面积Si和长宽比μi和下一帧第j辆目标车辆的矩形轮廓的面积Sj和长宽比μj判断是否存在重叠区域Sij；
当存在重叠区域时，且满足条件：
Sij＞K'
ui＜K″
uj＜K″
则认为当前帧第i辆目标车辆与下一帧第j辆目标车辆在相邻两帧间是同一目标车辆；其中，K'为重叠面积阈值；K”为长宽比阈值。
需要说明的是，除本实施例采用的目标跟踪算法外只要能够实现车辆目标跟踪的其他方法也能适用于本发明。
步骤105：根据相邻两帧视频图片中同一目标车辆的轮廓信息计算所述目标车辆相邻帧的实际距离。
在上述步骤中获得的相关数据，例如坐标、长、宽和面积等数据都是基于视频图像处理的到的图像数据，而图像数据并不是真实的地理场景数据，因此为了更准确的计算目标车辆在实际道路中的运行速度，该步骤105具体可以包括：
建立摄像机坐标系与像平面坐标系；
根据透视投影原理实现图像坐标与摄像机坐标的转化；图像转化公式为：
Figure BDA0002491327130000101
其中，
Figure BDA0002491327130000102
为摄像机坐标；
Figure BDA0002491327130000103
为图像平面坐标，即目标车辆的任意点坐标；f为摄像机焦距；
根据刚体变换公式实现所述摄像机坐标与世界坐标的转换，刚体变换公式为：
Figure BDA0002491327130000104
其中，R为旋转矩阵，T为平移矩阵，LW表示对由旋转矩阵和平移矩阵构成的矩阵进行简化后的矩阵；
根据相邻帧同一目标车辆的世界坐标计算同一目标车辆相邻帧的实际距离。
经过坐标的转换，能够将图像数据转换为真实的地理场景数据，那么计算得到的相邻帧或相邻时刻的同一车辆的实际距离更符合实际，进而也就为后续更准确的判断车辆的行驶行为提供了更准确有效的数据基础。
步骤106：按照所述目标车辆相邻帧的实际距离计算所述目标车辆的车速。
具体的，首先对所述实际距离进行水平方向与竖直方向的分解，分别计算水平速度vx、竖直速度vy；
根据水平速度vx和竖直速度vy利用公式
Figure BDA0002491327130000105
计算目标车辆在相邻帧之间的运动速度vr；
根据无人机的飞行速度对所述运动速度进行背景补偿，得到目标车辆的绝对速度：vα＝vr+ve，其中，vα为车辆的绝对速度，vr为车辆的运动速度，ve为无人机的飞行速度；
以目标车辆的绝对速度作为所述目标车辆的车速。
步骤107：根据所述车速和目标车辆的轮廓信息判别所述目标车辆的行驶行为；所述行驶行为包括：超速、低速、违停、逆行和频繁变道。
具体的，该步骤107具体包括：
当所述车速超过最高限速阈值时，确定所述目标车辆的行驶行为为超速；
当所述车速超过最高限速阈值时，确定所述目标车辆的行驶行为为超速；
当所述车速低于最低限速阈值时，确定所述目标车辆的行驶行为为低速；
当所述车速为零时，确定所述目标车辆的行驶行为为违停；
当所述车速为负值时，确定所述目标车辆的行驶行为为逆行；
所述目标车辆的行驶行为为频繁变道的判断方法具体包括；
多次采样并记录目标车辆出现的位置点；
对所述位置点进行线性拟合，得到基准直线；
计算多个所述位置点到所述基准直线的距离并取平均值r；
当r大于阈值rK时，确定所述目标车辆的行驶行为频繁变道。
由此，相比现有技术中的可判别的事件类型，本发明实现了车辆超速、低速、逆行、违停、频繁变道等异常驾驶行为及道路异物等异常交通事件的判别，事件监测类型更全面。
步骤108：将所述无人机采集的实时视频数据和所述目标车辆的行驶行为发送数据展示终端显示。
如图2所示，本实施例还提供了与上述高速公路无人机交通事件自动监测方法相应的系统，该系统包括数据采集与通信单元201、数据分析与事件判别单元202和后台管理单元203。
所述数据采集与通信单元201包括无人机和无人机基站，所述无人机与所述无人机基站通信连接，所述无人机上设置有摄像头，所述摄像头用于采集无人机巡航当前路段的实时视频数据。
在本实施例中，无人机通过自动巡航，采集当前路段的实时视频数据，通过无线通信模块传输给无人机基站，再由无人机基站通过网络通信模块传输给数据分析及事件判别单元202。
作为一种可选的实施方式，无人机基站还可以搭载天气监测设备，实时监测路段天气状况，对是否执行无人机出舱巡检事件进行判断并为天气状况统计提供数据支持。
数据分析与事件判别单元202包括设置在路侧的处理器，所述处理器与所述无人机基站通信连接，所述处理器用于：
对所述实时视频数据进行视频图像处理，得到视频图像序列；
在所述视频图像序列中利用动态目标提取算法提取目标车辆，得到所述目标车辆的类别信息及轮廓信息；
根据当前帧的所述目标车辆的类别信息及轮廓信息利用目标跟踪算法，计算下一帧所述目标车辆的位置，得到相邻两帧视频图片中同一目标车辆的轮廓信息；
根据相邻两帧视频图片中同一目标车辆的轮廓信息计算所述目标车辆相邻帧的实际距离；
按照所述目标车辆相邻帧的实际距离计算所述目标车辆的车速；
根据所述车速和目标车辆的轮廓信息判别所述目标车辆的行驶行为；所述行驶行为包括：超速、低速、违停、逆行和频繁变道。
该处理器可以是工控机、服务器、嵌入式处理器及其他满足数据处理性能的运算设备。
上述实施例提供的高速公路无人机交通事件自动监测方法均在该处理器中执行，在此不再赘述。
所述后台管理单元203分别与所述无人机基站和所述处理器连接，所述后台管理单元用于接收并显示所述无人机采集的实时视频数据和所述目标车辆的行驶行为。
该后台管理单元通过通信网络与高速公路现场的处理器连接，接收道路现场的采集数据和事件判别结果，并向道路现场发送控制指令信息。后台管理单元主要为高速交警提供数据展示、系统维护和执法管理的手段，该后台管理单元包括数据展示平台、设备管理平台、路段管理平台以及执法管理平台；
所述数据展示平台利用大数据可视化和GIS应用技术对系统概况、无人机实时飞行位置、无人机工作状态、无人机基站分布、实时交通事件上报情况、交通事件统计情况、交通流状态和视频监控状态进行动态展示；，为交通管控提供依据。
所述路段管理平台用于对监控路段的增删改查，对无人机巡航路线的规划、管理和实时监测，为无人机提供巡航路线优化的数据支持；
所述设备管理平台用于对无人机和无人机基站设备、通信设备、处理单元设备和网络设备进行在线管理，包括设备基础信息维护、设备故障报警和人员权限管理；包括设备基础信息维护、设备故障报警、人员权限管理等。同时，执法人员可以根据事故情况，紧急调用附近无人机，迅速得知事故现场的情况。
所述执法管理平台用于对现场采集的交通异常事件进行审核执法。根据车辆目标的视频图像信息，进行人工审核，明确违法车辆、违法类型、时间、处罚标准等，确保执法的准确性，并将相关信息传输至交通管控平台进行执法。
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种高速公路无人机交通事件自动监测方法，其特征在于，所述方法包括：
获取无人机自动巡航当前路段时采集的实时视频数据；
对所述实时视频数据进行视频图像处理，得到视频图像序列；
在所述视频图像序列中利用动态目标提取算法提取目标车辆，得到所述目标车辆的类别信息及轮廓信息；
根据当前帧的所述目标车辆的类别信息及轮廓信息利用目标跟踪算法，计算下一帧所述目标车辆的位置，得到相邻两帧视频图片中同一目标车辆的轮廓信息；
根据相邻两帧视频图片中同一目标车辆的轮廓信息计算所述目标车辆相邻帧的实际距离；
按照所述目标车辆相邻帧的实际距离计算所述目标车辆的车速；
根据所述车速和目标车辆的轮廓信息判别所述目标车辆的行驶行为；所述行驶行为包括：超速、低速、违停、逆行和频繁变道。
2.根据权利要求1所述的高速公路无人机交通事件自动监测方法，其特征在于，在所述根据所述车速判别所述目标车辆的行驶行为之后还包括：
将所述无人机采集的实时视频数据和所述目标车辆的行驶行为发送数据展示终端显示。
3.根据权利要求1所述的高速公路无人机交通事件自动监测方法，其特征在于，所述在所述视频图像序列中利用动态目标提取算法提取目标车辆，得到所述目标车辆的类别信息及轮廓信息，具体包括：
利用训练好的目标检测框架在所述视频图像序列中对目标车辆进行提取，得到所述目标车辆的类别信息及矩形轮廓；所述矩形轮廓包括目标车辆的外接矩形的长l和宽h以及一角点坐标(x，y)；
以所述车辆目标的矩形轮廓的长、宽作为所述目标车辆的实际长、宽，计算所述目标车辆的面积S及长宽比μ：
S＝l×h (1)
Figure FDA0002491327120000011
以所述目标车辆的矩形轮廓的中心作为所述目标车辆的质心，计算所述目标车辆的质心坐标：
Figure FDA0002491327120000021
Figure FDA0002491327120000022
根据所述实时视频数据中的场景和所述目标车辆的类别信息建立车辆样本特征库，利用所述车辆样本特征库中的数据利用深度学习算法更新训练好的目标检测框架。
4.根据权利要求1所述的高速公路无人机交通事件自动监测方法，其特征在于，根据当前帧的所述目标车辆的类别信息及轮廓信息利用目标跟踪算法，计算下一帧所述目标车辆的位置，得到相邻两帧视频图片中同一目标车辆的轮廓信息，具体包括：
对当前帧的所述目标车辆所在区域建立车辆模型；
根据当前帧所述目标车辆的质心坐标预测下一帧的所述目标车辆的预测质心坐标：P't+1(xt+1,yt+1)＝f(Δx,Δy)Pt(xt,yt)+w；其中，Pt(xt,yt)为当前帧所述目标车辆的质心坐标，Pt+1(xt+1,yt+1)为下一帧所述目标车辆的预测质心坐标，f(Δx,Δy)为状态转移函数，w为系统过程的噪声；
利用动态目标提取算法提取下一帧所述目标车辆的实际质心坐标；
计算所述目标车辆的实际质心坐标与所述目标车辆的预测质心坐标的欧式距离；
利用所述车辆模型搜索所述欧氏距离最小的图像区域；
在所述欧氏距离最小的图像区域中进行运动车辆目标匹配，确定下一帧目标车辆与当前帧目标车辆为同一车辆，并得到下一帧目标车辆的轮廓信息。
5.根据权利要求4所述的高速公路无人机交通事件自动监测方法，其特征在于，在所述欧氏距离最小的图像区域中进行运动车辆目标匹配，确定下一帧目标车辆与当前帧目标车辆为同一车辆，具体包括：
根据当前帧第i辆目标车辆的矩形轮廓的面积Si和长宽比μi和下一帧第j辆目标车辆的矩形轮廓的面积Sj和长宽比μj判断是否存在重叠区域Sij；
当存在重叠区域时，且满足条件：
Sij＞K'
ui＜K”
uj＜K”
则认为当前帧第i辆目标车辆与下一帧第j辆目标车辆在相邻两帧间是同一目标车辆；其中，K'为重叠面积阈值；K”为长宽比阈值。
6.根据权利要求1所述的高速公路无人机交通事件自动监测方法，其特征在于，所述根据相邻两帧视频图片中同一目标车辆的轮廓信息计算所述目标车辆相邻帧的实际距离；具体包括：
建立摄像机坐标系与像平面坐标系；
根据透视投影原理实现图像坐标与摄像机坐标的转化；图像转化公式为：
Figure FDA0002491327120000031
其中，
Figure FDA0002491327120000032
为摄像机坐标；
Figure FDA0002491327120000033
为图像平面坐标，即目标车辆的任意点坐标；f为摄像机焦距；
根据刚体变换公式实现所述摄像机坐标与世界坐标的转换，刚体变换公式为：
Figure FDA0002491327120000034
其中，R为旋转矩阵，T为平移矩阵，LW表示对由旋转矩阵和平移矩阵构成的矩阵进行简化后的矩阵；
根据相邻帧同一目标车辆的世界坐标计算同一目标车辆相邻帧的实际距离。
7.根据权利要求1所述的高速公路无人机交通事件自动监测方法，其特征在于，按照所述目标车辆相邻帧的实际距离计算所述目标车辆的车速，具体包括：
对所述实际距离进行水平方向与竖直方向的分解，分别计算水平速度vx、竖直速度vy；
根据水平速度vx和竖直速度vy利用公式
Figure FDA0002491327120000041
计算目标车辆在相邻帧之间的运动速度vr；
根据无人机的飞行速度对所述运动速度进行背景补偿，得到目标车辆的绝对速度：vα＝vr+ve，其中，vα为车辆的绝对速度，vr为车辆的运动速度，ve为无人机的飞行速度；
以目标车辆的绝对速度作为所述目标车辆的车速。
8.根据权利要求1所述的高速公路无人机交通事件自动监测方法，其特征在于，根据所述车速和目标车辆的轮廓信息判别所述目标车辆的行驶行为，具体包括：
当所述车速超过最高限速阈值时，确定所述目标车辆的行驶行为为超速；
当所述车速超过最高限速阈值时，确定所述目标车辆的行驶行为为超速；
当所述车速低于最低限速阈值时，确定所述目标车辆的行驶行为为低速；
当所述车速为零时，确定所述目标车辆的行驶行为为违停；
当所述车速为负值时，确定所述目标车辆的行驶行为为逆行；
所述目标车辆的行驶行为为频繁变道的判断方法具体包括；
多次采样并记录目标车辆出现的位置点；
对所述位置点进行线性拟合，得到基准直线；
计算多个所述位置点到所述基准直线的距离并取平均值r；
当r大于阈值rK时，确定所述目标车辆的行驶行为频繁变道。
9.一种高速公路无人机交通事件自动监测系统，其特征在于，所述系统包括：数据采集与通信单元、数据分析与事件判别单元和后台管理单元；
所述数据采集与通信单元包括无人机和无人机基站，所述无人机与所述无人机基站通信连接，所述无人机上设置有摄像头，所述摄像头用于采集无人机巡航当前路段的实时视频数据；
数据分析与事件判别单元包括设置在路侧的处理器，所述处理器与所述无人机基站通信连接，所述处理器用于：
对所述实时视频数据进行视频图像处理，得到视频图像序列；
在所述视频图像序列中利用动态目标提取算法提取目标车辆，得到所述目标车辆的类别信息及轮廓信息；
根据当前帧的所述目标车辆的类别信息及轮廓信息利用目标跟踪算法，计算下一帧所述目标车辆的位置，得到相邻两帧视频图片中同一目标车辆的轮廓信息；
根据相邻两帧视频图片中同一目标车辆的轮廓信息计算所述目标车辆相邻帧的实际距离；
按照所述目标车辆相邻帧的实际距离计算所述目标车辆的车速；
根据所述车速和目标车辆的轮廓信息判别所述目标车辆的行驶行为；所述行驶行为包括：超速、低速、违停、逆行和频繁变道；
所述后台管理单元分别与所述无人机基站和所述处理器连接，所述后台管理单元用于接收并显示所述无人机采集的实时视频数据和所述目标车辆的行驶行为。
10.根据权利要求9所述的高速公路无人机交通事件自动监测系统，其特征在于，所述无人机基站搭载天气监测设备，实时监测路段天气状况，对是否执行无人机出舱巡检事件进行判断并为天气状况统计提供数据支持；
所述后台管理单元包括数据展示平台、设备管理平台、路段管理平台以及执法管理平台；
所述数据展示平台利用大数据可视化和GIS应用技术对系统概况、无人机实时飞行位置、无人机工作状态、无人机基站分布、实时交通事件上报情况、交通事件统计情况、交通流状态和视频监控状态进行动态展示；
所述路段管理平台用于对监控路段的增删改查，对无人机巡航路线的规划、管理和实时监测，为无人机提供巡航路线优化的数据支持；
所述设备管理平台用于对无人机和无人机基站设备、通信设备、处理单元设备和网络设备进行在线管理，包括设备基础信息维护、设备故障报警和人员权限管理；
所述执法管理平台用于对现场采集的交通异常事件进行审核执法。
CN202010406068.5A 2020-05-14 2020-05-14 一种高速公路无人机交通事件自动监测方法及系统 Active CN111833598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010406068.5A CN111833598B (zh) 2020-05-14 2020-05-14 一种高速公路无人机交通事件自动监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010406068.5A CN111833598B (zh) 2020-05-14 2020-05-14 一种高速公路无人机交通事件自动监测方法及系统

Publications (2)

Publication Number Publication Date
CN111833598A true CN111833598A (zh) 2020-10-27
CN111833598B CN111833598B (zh) 2022-07-05

Family

ID=72913805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010406068.5A Active CN111833598B (zh) 2020-05-14 2020-05-14 一种高速公路无人机交通事件自动监测方法及系统

Country Status (1)

Country Link
CN (1) CN111833598B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112735164A (zh) * 2020-12-25 2021-04-30 北京智能车联产业创新中心有限公司 测试数据构建方法及测试方法
CN112818753A (zh) * 2021-01-11 2021-05-18 精英数智科技股份有限公司 采坑坠物检测方法、装置及系统
CN113470374A (zh) * 2021-06-30 2021-10-01 平安科技（深圳）有限公司 车辆超速监测方法、装置、计算机设备及存储介质
CN113505638A (zh) * 2021-05-27 2021-10-15 中国科学院深圳先进技术研究院 车流量的监测方法、监测装置及计算机可读存储介质
CN113850170A (zh) * 2021-09-17 2021-12-28 泰州市雷信农机电制造有限公司 基于区块链存储的逆行鉴定系统
WO2022246850A1 (zh) * 2021-05-28 2022-12-01 深圳市大疆创新科技有限公司 基于航测数据的交通场景监测方法
CN117315934A (zh) * 2023-09-25 2023-12-29 阜阳交通能源投资有限公司 基于无人机的高速公路车流量实时监测及拥堵预测系统

Citations (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101870293A (zh) * 2009-04-24 2010-10-27 南京理工大学 基于切道行为检测的车辆驾驶状态评价方法
CN102622886A (zh) * 2012-03-23 2012-08-01 长安大学 一种基于视频的车辆违章变道事件检测方法
CN103150908A (zh) * 2013-02-05 2013-06-12 长安大学 一种基于视频的平均车速检测方法
CN103593678A (zh) * 2013-10-16 2014-02-19 长安大学 一种大跨度桥梁车辆动态荷载分布检测方法
CN103942533A (zh) * 2014-03-24 2014-07-23 河海大学常州校区 一种基于视频监控系统的城市交通违规行为检测方法
CN104008387A (zh) * 2014-05-19 2014-08-27 山东科技大学 一种基于特征点分段线性拟合的车道线检测方法
CN104282020A (zh) * 2014-09-22 2015-01-14 中海网络科技股份有限公司 一种基于目标运动轨迹的车辆速度检测方法
CN205003849U (zh) * 2015-07-29 2016-01-27 崔忠光 一种空中智能监测取证系统
CN105511495A (zh) * 2016-02-15 2016-04-20 国家电网公司 电力线路无人机智能巡检控制方法和系统
CN106643749A (zh) * 2016-09-14 2017-05-10 北京航空航天大学 一种基于智能手机的危险驾驶行为检测方法
CN107103292A (zh) * 2017-04-12 2017-08-29 湖南源信光电科技股份有限公司 一种基于运动车辆跟踪的车流量统计方法
CN107563310A (zh) * 2017-08-16 2018-01-09 电子科技大学 一种违章变道检测方法
CN107688764A (zh) * 2016-08-03 2018-02-13 浙江宇视科技有限公司 检测车辆违章的方法及装置
CN207095552U (zh) * 2017-06-06 2018-03-13 苏腾飞 一种基于无人机的水务监测系统
WO2018057393A1 (en) * 2016-09-23 2018-03-29 Pcms Holdings, Inc. Methods and apparatus for improved navigation notification based on localized traffic flow
CN108230667A (zh) * 2016-12-14 2018-06-29 贵港市瑞成科技有限公司 一种车辆违章行为检测方法
CN108366099A (zh) * 2018-01-23 2018-08-03 深圳市北航旭飞科技有限公司 基于全景无人机的控制方法、系统、装置和全景无人机
US20180225974A1 (en) * 2011-07-21 2018-08-09 Bendix Commercial Vehicle Systems Llc Vehicular Fleet Management System and Methods of Monitoring and Improving Driver Performance in a Fleet of Vehicles
CN108596129A (zh) * 2018-04-28 2018-09-28 武汉盛信鸿通科技有限公司 一种基于智能视频分析技术的车辆越线检测方法
CN109102702A (zh) * 2018-08-24 2018-12-28 南京理工大学 基于视频车辆检测和雷达信号融合的车辆测速方法
CN109299674A (zh) * 2018-09-05 2019-02-01 重庆大学 一种基于车灯的隧道违章变道检测方法
US20190071092A1 (en) * 2017-09-07 2019-03-07 TuSimple System and method for automated lane change control for autonomous vehicles
CN109544909A (zh) * 2018-10-29 2019-03-29 华蓝设计（集团）有限公司 基于航拍视频车辆轨迹的驾驶员换道行为分析方法
CN109887281A (zh) * 2019-03-01 2019-06-14 北京云星宇交通科技股份有限公司 一种监控交通事件的方法及系统
CN109902677A (zh) * 2019-01-30 2019-06-18 深圳北斗通信科技有限公司 一种基于深度学习的车辆检测方法
CN109949578A (zh) * 2018-12-31 2019-06-28 上海眼控科技股份有限公司 一种基于深度学习的车辆压线违法自动审核方法
CN109948582A (zh) * 2019-03-28 2019-06-28 湖南大学 一种基于跟踪轨迹分析的车辆逆行智能检测方法
CN110188689A (zh) * 2019-05-30 2019-08-30 重庆大学 基于真实场景建模的虚拟驾驶目标碰撞检测方法
CN110444014A (zh) * 2019-07-01 2019-11-12 淮阴工学院 基于反向st-mrf车辆跟踪算法的防追尾预警方法
CN110570664A (zh) * 2019-09-23 2019-12-13 山东科技大学 一种高速公路交通事件自动检测系统
CN110597245A (zh) * 2019-08-12 2019-12-20 北京交通大学 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
CN110807930A (zh) * 2019-11-07 2020-02-18 中国联合网络通信集团有限公司 危险车辆预警方法及装置
CN110992683A (zh) * 2019-10-29 2020-04-10 山东科技大学 一种基于动态图像感知的交叉口盲区预警方法及系统
CN111026156A (zh) * 2019-12-17 2020-04-17 北京京东乾石科技有限公司 一种巡检系统、方法、控制装置、设备和存储介质
CN111145545A (zh) * 2019-12-25 2020-05-12 西安交通大学 基于深度学习的道路交通行为无人机监测系统及方法

Patent Citations (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101870293A (zh) * 2009-04-24 2010-10-27 南京理工大学 基于切道行为检测的车辆驾驶状态评价方法
US20180225974A1 (en) * 2011-07-21 2018-08-09 Bendix Commercial Vehicle Systems Llc Vehicular Fleet Management System and Methods of Monitoring and Improving Driver Performance in a Fleet of Vehicles
CN102622886A (zh) * 2012-03-23 2012-08-01 长安大学 一种基于视频的车辆违章变道事件检测方法
CN103150908A (zh) * 2013-02-05 2013-06-12 长安大学 一种基于视频的平均车速检测方法
CN103593678A (zh) * 2013-10-16 2014-02-19 长安大学 一种大跨度桥梁车辆动态荷载分布检测方法
CN103942533A (zh) * 2014-03-24 2014-07-23 河海大学常州校区 一种基于视频监控系统的城市交通违规行为检测方法
CN104008387A (zh) * 2014-05-19 2014-08-27 山东科技大学 一种基于特征点分段线性拟合的车道线检测方法
CN104282020A (zh) * 2014-09-22 2015-01-14 中海网络科技股份有限公司 一种基于目标运动轨迹的车辆速度检测方法
CN205003849U (zh) * 2015-07-29 2016-01-27 崔忠光 一种空中智能监测取证系统
CN105511495A (zh) * 2016-02-15 2016-04-20 国家电网公司 电力线路无人机智能巡检控制方法和系统
CN107688764A (zh) * 2016-08-03 2018-02-13 浙江宇视科技有限公司 检测车辆违章的方法及装置
CN106643749A (zh) * 2016-09-14 2017-05-10 北京航空航天大学 一种基于智能手机的危险驾驶行为检测方法
WO2018057393A1 (en) * 2016-09-23 2018-03-29 Pcms Holdings, Inc. Methods and apparatus for improved navigation notification based on localized traffic flow
CN108230667A (zh) * 2016-12-14 2018-06-29 贵港市瑞成科技有限公司 一种车辆违章行为检测方法
CN107103292A (zh) * 2017-04-12 2017-08-29 湖南源信光电科技股份有限公司 一种基于运动车辆跟踪的车流量统计方法
CN207095552U (zh) * 2017-06-06 2018-03-13 苏腾飞 一种基于无人机的水务监测系统
CN107563310A (zh) * 2017-08-16 2018-01-09 电子科技大学 一种违章变道检测方法
US20190071092A1 (en) * 2017-09-07 2019-03-07 TuSimple System and method for automated lane change control for autonomous vehicles
CN108366099A (zh) * 2018-01-23 2018-08-03 深圳市北航旭飞科技有限公司 基于全景无人机的控制方法、系统、装置和全景无人机
CN108596129A (zh) * 2018-04-28 2018-09-28 武汉盛信鸿通科技有限公司 一种基于智能视频分析技术的车辆越线检测方法
CN109102702A (zh) * 2018-08-24 2018-12-28 南京理工大学 基于视频车辆检测和雷达信号融合的车辆测速方法
CN109299674A (zh) * 2018-09-05 2019-02-01 重庆大学 一种基于车灯的隧道违章变道检测方法
CN109544909A (zh) * 2018-10-29 2019-03-29 华蓝设计（集团）有限公司 基于航拍视频车辆轨迹的驾驶员换道行为分析方法
CN109949578A (zh) * 2018-12-31 2019-06-28 上海眼控科技股份有限公司 一种基于深度学习的车辆压线违法自动审核方法
CN109902677A (zh) * 2019-01-30 2019-06-18 深圳北斗通信科技有限公司 一种基于深度学习的车辆检测方法
CN109887281A (zh) * 2019-03-01 2019-06-14 北京云星宇交通科技股份有限公司 一种监控交通事件的方法及系统
CN109948582A (zh) * 2019-03-28 2019-06-28 湖南大学 一种基于跟踪轨迹分析的车辆逆行智能检测方法
CN110188689A (zh) * 2019-05-30 2019-08-30 重庆大学 基于真实场景建模的虚拟驾驶目标碰撞检测方法
CN110444014A (zh) * 2019-07-01 2019-11-12 淮阴工学院 基于反向st-mrf车辆跟踪算法的防追尾预警方法
CN110597245A (zh) * 2019-08-12 2019-12-20 北京交通大学 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
CN110570664A (zh) * 2019-09-23 2019-12-13 山东科技大学 一种高速公路交通事件自动检测系统
CN110992683A (zh) * 2019-10-29 2020-04-10 山东科技大学 一种基于动态图像感知的交叉口盲区预警方法及系统
CN110807930A (zh) * 2019-11-07 2020-02-18 中国联合网络通信集团有限公司 危险车辆预警方法及装置
CN111026156A (zh) * 2019-12-17 2020-04-17 北京京东乾石科技有限公司 一种巡检系统、方法、控制装置、设备和存储介质
CN111145545A (zh) * 2019-12-25 2020-05-12 西安交通大学 基于深度学习的道路交通行为无人机监测系统及方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
DANILO CÁCERE HERNÁNDEZ: "Lane marking detection using image features and line fitting model", 《2017 10TH INTERNATIONAL CONFERENCE ON HUMAN SYSTEM INTERACTIONS (HSI)》 *
丁晓娜: "基于Gaussian模型及Kalman滤波的车辆跟踪方法", 《计算机技术与发展》 *
刘亚群: "基于视觉的车道级定位算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
刘伟: "基于单线激光雷达的车辆检测与跟踪", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
刘兵兵: "基于单目视觉的行车状态目标检测与测距", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
唐诗: "基于车载视频的道路车辆及行人检测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
杜厚鹏: "基于监控视频的运动车辆检测与违章分析", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
段力: "多车道高速公路运行方式对分流区交通安全影响研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *
赵文明: "基于机器视觉的车道保持辅助系统研究", 《数字技术与应用》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112735164A (zh) * 2020-12-25 2021-04-30 北京智能车联产业创新中心有限公司 测试数据构建方法及测试方法
CN112818753A (zh) * 2021-01-11 2021-05-18 精英数智科技股份有限公司 采坑坠物检测方法、装置及系统
CN113505638A (zh) * 2021-05-27 2021-10-15 中国科学院深圳先进技术研究院 车流量的监测方法、监测装置及计算机可读存储介质
CN113505638B (zh) * 2021-05-27 2024-04-02 中国科学院深圳先进技术研究院 车流量的监测方法、监测装置及计算机可读存储介质
WO2022246850A1 (zh) * 2021-05-28 2022-12-01 深圳市大疆创新科技有限公司 基于航测数据的交通场景监测方法
CN113470374A (zh) * 2021-06-30 2021-10-01 平安科技（深圳）有限公司 车辆超速监测方法、装置、计算机设备及存储介质
CN113850170A (zh) * 2021-09-17 2021-12-28 泰州市雷信农机电制造有限公司 基于区块链存储的逆行鉴定系统
CN117315934A (zh) * 2023-09-25 2023-12-29 阜阳交通能源投资有限公司 基于无人机的高速公路车流量实时监测及拥堵预测系统

Also Published As

Publication number Publication date
CN111833598B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN111833598B (zh) 一种高速公路无人机交通事件自动监测方法及系统
CN109686088B (zh) 一种交通视频告警方法、设备及系统
CN112099040A (zh) 基于激光雷达网络的全程连续轨迹车辆追踪系统及方法
CN114489122B (zh) 一种基于uav及配套机场的高速公路自动巡检方法及系统
CN115019514B (zh) 一种基于车联网的公路巡查系统
CN114363316A (zh) 一种跨区域道路基础设施智能联网监测与监管系统
CN113487877A (zh) 一种道路车辆违规停车监控方法
CN114494998B (zh) 一种车辆数据智能分析方法及系统
CN109934161B (zh) 基于卷积神经网络的车辆识别与检测方法及系统
CN108447257B (zh) 一种基于Web的交通数据分析方法及系统
CN113392817A (zh) 一种基于多列卷积神经网络的车辆密度估计的方法及装置
CN116631187B (zh) 一种案件现场勘查信息智能采集分析系统
CN116229396B (zh) 高速路面病害识别及告警方法
CN114333331B (zh) 一种多车道桥梁车辆通行信息与车重识别方法及系统
Yin et al. Detecting illegal pickups of intercity buses from their gps traces
CN113538968B (zh) 用于输出信息的方法和装置
CN111627224A (zh) 车辆速度异常检测方法、装置、设备及存储介质
CN115205781A (zh) 一种基于transformer的跨尺度目标检测方法及系统
CN115083212A (zh) 一种基于三维建模的无人机定位智能管理系统
CN114724356A (zh) 基于气象数据整合的gis高速公路事故预警的方法及系统
CN112419713A (zh) 一种基于云计算的城市交通监测系统
CN112215070A (zh) 无人机航拍视频车流量统计方法、主机及系统
CN113128847A (zh) 一种基于激光雷达的出入口匝道实时风险预警系统及方法
CN112464749A (zh) 一种基于规则与学习的交通场景异常目标检测方法
CN111028510B (zh) 一种面向云计算的综合应急管理平台架构

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