CN111899514A - 一种人工智能的拥堵检测系统 - Google Patents

一种人工智能的拥堵检测系统 Download PDF

Info

Publication number
CN111899514A
CN111899514A CN202010836750.8A CN202010836750A CN111899514A CN 111899514 A CN111899514 A CN 111899514A CN 202010836750 A CN202010836750 A CN 202010836750A CN 111899514 A CN111899514 A CN 111899514A
Authority
CN
China
Prior art keywords
vehicle
module
congestion
image
road
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.)
Pending
Application number
CN202010836750.8A
Other languages
English (en)
Inventor
何腊梅
樊秉鑫
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.)
Longdong University
Original Assignee
Longdong University
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 Longdong University filed Critical Longdong University
Priority to CN202010836750.8A priority Critical patent/CN111899514A/zh
Publication of CN111899514A publication Critical patent/CN111899514A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G08G1/017—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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G08G1/054—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed photographing overspeeding vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Abstract

本发明公开了一种人工智能的拥堵检测系统，包括：图像采集模块，用于交汇于同一路口的各条路段的路面车辆图像的采集；信号灯识别模块，用于当前信号灯颜色的识别，并根据信号灯颜色的识别结果完成车辆图像的预处理；异常情况识别模块，用于识别路面车辆图像中的车祸异常情况；车流量计算模块，用于识别路面车辆图像中的车辆特征、车道线特征，并分别统计各条路段上驶向不同方向的车流量数据；车速计算模块，用于计算驶向不同方向的车队的平均车速；拥堵检测模块，用于根据所得的车祸异常情况、车流量数据、车队平均车速数据基于预设的拥堵检测模型实现当前路段拥堵情况的评估。本发明能够准确并快速的实现各路段实时交通拥堵情况的获取。

Description

一种人工智能的拥堵检测系统
技术领域
本发明涉及拥堵检测技术领域，具体涉及一种人工智能的拥堵检测系统。
背景技术
实时交通拥堵检测是智能交通系统最重要的组成部分之一，可为道路选择、交通疏导等工作提供重要的决策依据。目前实时交通拥堵检测技术主要依赖于环形感应线圈检测器、微波检测器和交通摄像头等路边固定设施以及浮动车监控设施，对车速、车道占有率、交通流量和车流图像等信息进行人工录入和分析来估计路段的交通拥堵状态，工作强度大的同时，容易疏漏，导致检测效率低，并影响检测的准确性。
发明内容
为解决上述问题，本发明提供了一种人工智能的拥堵检测系统，能够准确并快速的实现各路段实时交通拥堵情况的获取。
为实现上述目的，本发明采取的技术方案为：
一种人工智能的拥堵检测系统，包括：
图像采集模块，用于交汇于同一路口的各条路段的路面车辆图像的采集，并将采集到的路面车辆图像传输给交通信号灯识别模块、异常情况识别模块、车流量计算模块和车速计算模块；
信号灯识别模块，用于当前信号灯颜色的识别，并根据信号灯颜色的识别结果完成车辆图像的预处理；
异常情况识别模块，用于识别路面车辆图像中的车祸异常情况；
车流量计算模块，用于识别路面车辆图像中的车辆特征、车道线特征，并分别统计各条路段上驶向不同方向的车流量数据；
车速计算模块，用于计算驶向不同方向的车队的平均车速；
拥堵检测模块，用于根据所得的车祸异常情况、车流量数据、车队平均车速数据基于预设的拥堵检测模型实现当前路段拥堵情况的评估。
进一步地，所述图像采集模块采用网络摄像头，架设在交叉路口，逆着行车方向进行视频采集，在停车线和人行横道之间设置检测带。
进一步地，所述异常情况识别模块采用Ssd_Inception_V3_coco模型识别，该模型采用Ssd目标检测算法，用coco数据集预训练Inception_V3深度神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测车祸异常情况的目标检测模型。
进一步地，所述车流量计算模块首先基于显著性的图像分割方法，利用显著图检测策略,获取车辆图像的显著图,将显著图作为掩码图像,对车辆图像进行复杂背景分割，然后基于Faster R-CNN 模型实现完成复杂背景分割后的图像中车辆特征、车道线特征的识别定位，最后根据车辆特征、车道线特征的识别结果进行各条路段上驶向不同方向的车流量的计算。
进一步地，所述车速计算模块在检测带内进行背景差分运算、阴影去除和形态学区域填充，然后对得到的二值化图像进行垂直投影，利用垂直投影曲线图判断车辆是否存在，并计算车辆驶入和驶出检测带所用的帧数，根据网络摄像头的帧率和检测带的宽度计算瞬时速度，进而求出驶向不同方向的车队的平均车速。
进一步地，当信号灯识别模块识别到的该路段的信号灯为红色时，则剔除该时间段该路段对应的车辆图像。
进一步地，所述拥堵检测模型采用叶贝斯模型，异常车祸状态和正常状态下采用不同的模型，基于历史车流量数据、车队平均车速数据及其对应的拥堵评估结果训练所得。
进一步地，还包括一预警模块，在拥堵评估结果录入预设的门限时启动，通过识别当前拥堵路段相接各路段上的车辆的车牌信息获取车主联系方式，将当前拥堵路段情况发送给各车主，从而提醒车主及时作出路线变更处理。
本发明具有以下有益效果：
1）通过路口网络摄像头实时采集交通信息，然后通过人工智能得到对应的车流量信息和车速信息，能够真实的反映出各交叉路口的交通通行状态，从而为交通拥堵情况的评估提供准确的信息。
2）基于叶贝斯模型实现了交通拥堵情况的自动识别评估，大大提高了数据的处理效率以及评估结果的准确性。
3）引入交通灯情况、车祸情况两个因素，进一步提高了交通拥堵情况评估结果的准确性。
4）系统自带预警功能，采用通知相接各路段上车主的方式进行交通拥堵情况的汇报，从而可以很好的避免当前拥堵路段拥堵情况的再恶化。
附图说明
图1为本发明实施例一种人工智能的拥堵检测系统的系统框图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1所示，本发明实施例提供了一种人工智能的拥堵检测系统，包括：
图像采集模块，用于交汇于同一路口的各条路段的路面车辆图像的采集，并将采集到的路面车辆图像传输给工控机，工控机内载交通信号灯识别模块、异常情况识别模块、车流量计算模块和车速计算模块；
信号灯识别模块，用于当前信号灯颜色的识别，并根据信号灯颜色的识别结果完成车辆图像的预处理；
异常情况识别模块，用于识别路面车辆图像中的车祸异常情况；
车流量计算模块，用于识别路面车辆图像中的车辆特征、车道线特征，并分别统计各条路段上驶向不同方向的车流量数据；
车速计算模块，用于计算驶向不同方向的车队的平均车速；
拥堵检测模块，用于根据所得的车祸异常情况、车流量数据、车队平均车速数据基于预设的拥堵检测模型实现当前路段拥堵情况的评估；
预警模块，在拥堵评估结果录入预设的门限时启动，通过识别当前拥堵路段相接各路段上的车辆的车牌信息获取车主联系方式，将当前拥堵路段情况发送给各车主，从而提醒车主及时作出路线变更处理。
本实施例中，所述图像采集模块采用网络摄像头，架设在交叉路口，逆着行车方向进行视频采集，在停车线和人行横道之间设置检测带。
本实施例中，所述异常情况识别模块采用Ssd_Inception_V3_coco模型识别，该模型采用Ssd目标检测算法，用coco数据集预训练Inception_V3深度神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测车祸异常情况的目标检测模型。
本实施例中，所述车流量计算模块首先基于显著性的图像分割方法，利用显著图检测策略,获取车辆图像的显著图,将显著图作为掩码图像,对车辆图像进行复杂背景分割，然后基于Faster R-CNN 模型实现完成复杂背景分割后的图像中车辆特征、车道线特征的识别定位，最后根据车辆特征、车道线特征的识别结果进行各条路段上驶向不同方向的车流量的计算。
本实施例中，所述车速计算模块在检测带内进行背景差分运算、阴影去除和形态学区域填充，然后对得到的二值化图像进行垂直投影，利用垂直投影曲线图判断车辆是否存在，并计算车辆驶入和驶出检测带所用的帧数，根据网络摄像头的帧率和检测带的宽度计算瞬时速度，进而求出驶向不同方向的车队的平均车速。
本实施例中，当信号灯识别模块识别到的该路段的信号灯为红色时，则剔除该时间段该路段对应的车辆图像，在可以减少处理车辆图像的数量的同时，提高了拥堵情况识别结果的准确性。
本实施例中，所述拥堵检测模型采用叶贝斯模型，异常车祸状态和正常状态下采用不同的模型，基于历史车流量数据、车队平均车速数据及其对应的拥堵评估结果训练所得。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (8)

1.一种人工智能的拥堵检测系统，其特征在于：包括：
图像采集模块，用于交汇于同一路口的各条路段的路面车辆图像的采集，并将采集到的路面车辆图像传输给交通信号灯识别模块、异常情况识别模块、车流量计算模块和车速计算模块；
信号灯识别模块，用于当前信号灯颜色的识别，并根据信号灯颜色的识别结果完成车辆图像的预处理；
异常情况识别模块，用于识别路面车辆图像中的车祸异常情况；
车流量计算模块，用于识别路面车辆图像中的车辆特征、车道线特征，并分别统计各条路段上驶向不同方向的车流量数据；
车速计算模块，用于计算驶向不同方向的车队的平均车速；
拥堵检测模块，用于根据所得的车祸异常情况、车流量数据、车队平均车速数据基于预设的拥堵检测模型实现当前路段拥堵情况的评估。
2.如权利要求1所述的一种人工智能的拥堵检测系统，其特征在于：所述图像采集模块采用网络摄像头，架设在交叉路口，逆着行车方向进行视频采集，在停车线和人行横道之间设置检测带。
3.如权利要求1所述的一种人工智能的拥堵检测系统，其特征在于：所述异常情况识别模块采用Ssd_Inception_V3_coco模型识别，该模型采用Ssd目标检测算法，用coco数据集预训练Inception_V3深度神经网络，然后用先前准备好的数据集训练该模型，微调深度神经网络中的各项参数，最后得到合适的用于检测车祸异常情况的目标检测模型。
4.如权利要求1所述的一种人工智能的拥堵检测系统，其特征在于：所述车流量计算模块首先基于显著性的图像分割方法，利用显著图检测策略,获取车辆图像的显著图,将显著图作为掩码图像,对车辆图像进行复杂背景分割，然后基于Faster R-CNN 模型实现完成复杂背景分割后的图像中车辆特征、车道线特征的识别定位，最后根据车辆特征、车道线特征的识别结果进行各条路段上驶向不同方向的车流量的计算。
5.如权利要求1所述的一种人工智能的拥堵检测系统，其特征在于：所述车速计算模块在检测带内进行背景差分运算、阴影去除和形态学区域填充，然后对得到的二值化图像进行垂直投影，利用垂直投影曲线图判断车辆是否存在，并计算车辆驶入和驶出检测带所用的帧数，根据网络摄像头的帧率和检测带的宽度计算瞬时速度，进而求出驶向不同方向的车队的平均车速。
6.如权利要求1所述的一种人工智能的拥堵检测系统，其特征在于：当信号灯识别模块识别到的该路段的信号灯为红色时，则剔除该时间段该路段对应的车辆图像。
7.如权利要求1所述的一种人工智能的拥堵检测系统，其特征在于：所述拥堵检测模型采用叶贝斯模型，异常车祸状态和正常状态下采用不同的模型，基于历史车流量数据、车队平均车速数据及其对应的拥堵评估结果训练所得。
8.如权利要求1所述的一种人工智能的拥堵检测系统，其特征在于：还包括一预警模块，在拥堵评估结果录入预设的门限时启动，通过识别当前拥堵路段相接各路段上的车辆的车牌信息获取车主联系方式，将当前拥堵路段情况发送给各车主，从而提醒车主及时作出路线变更处理。
CN202010836750.8A 2020-08-19 2020-08-19 一种人工智能的拥堵检测系统 Pending CN111899514A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010836750.8A CN111899514A (zh) 2020-08-19 2020-08-19 一种人工智能的拥堵检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010836750.8A CN111899514A (zh) 2020-08-19 2020-08-19 一种人工智能的拥堵检测系统

Publications (1)

Publication Number Publication Date
CN111899514A true CN111899514A (zh) 2020-11-06

Family

ID=73229940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010836750.8A Pending CN111899514A (zh) 2020-08-19 2020-08-19 一种人工智能的拥堵检测系统

Country Status (1)

Country Link
CN (1) CN111899514A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343905A (zh) * 2021-06-28 2021-09-03 山东理工大学 道路异常智能识别模型训练、道路异常识别的方法及系统
CN113469026A (zh) * 2021-06-30 2021-10-01 上海智能交通有限公司 一种基于机器学习的路口滞留事件检测方法及系统
CN113658427A (zh) * 2021-08-06 2021-11-16 深圳英飞拓智能技术有限公司 基于视觉与雷达的路况监控方法及系统、设备
CN116153086A (zh) * 2023-04-21 2023-05-23 齐鲁高速公路股份有限公司 基于深度学习的多路段交通事故及拥堵检测方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101472366A (zh) * 2007-12-26 2009-07-01 奥城同立科技开发（北京）有限公司 适于拥堵路口控制的交通信号灯控制系统
CN101707005A (zh) * 2009-11-05 2010-05-12 姜廷顺 利用视频检测对信号灯路口拥堵快速报警系统及运行方法
CN101714299A (zh) * 2009-11-05 2010-05-26 姜廷顺 利用视频事件检测对信号灯路口拥堵快速报警系统及方法
CN102201164A (zh) * 2010-03-23 2011-09-28 江苏云联科技有限公司 一种自适应城市交通拥堵快速反应系统
CN107016861A (zh) * 2017-05-31 2017-08-04 电子科技大学 基于深度学习和智能路灯的交通信号灯智能调控系统
CN107730906A (zh) * 2017-07-11 2018-02-23 银江股份有限公司 斑马线车辆不礼让行人行为的视觉检测系统
CN108629973A (zh) * 2018-05-11 2018-10-09 四川九洲视讯科技有限责任公司 基于固定检测设备的路段交通拥堵指数计算方法
CN109409713A (zh) * 2018-10-15 2019-03-01 北京交通大学 基于贝叶斯模型和三倍标准差准则的道路网络评估方法
CN110164152A (zh) * 2019-07-03 2019-08-23 西安工业大学 一种用于单交叉路口交通信号灯控制系统
JP2019211814A (ja) * 2018-05-31 2019-12-12 株式会社東芝 渋滞予測装置、および、渋滞予測方法
CN111368577A (zh) * 2020-03-28 2020-07-03 吉林农业科技学院 一种图像处理系统
CN111414894A (zh) * 2020-04-10 2020-07-14 吉林农业大学 一种基于遥感图像的农作物病害识别方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101472366A (zh) * 2007-12-26 2009-07-01 奥城同立科技开发（北京）有限公司 适于拥堵路口控制的交通信号灯控制系统
CN101707005A (zh) * 2009-11-05 2010-05-12 姜廷顺 利用视频检测对信号灯路口拥堵快速报警系统及运行方法
CN101714299A (zh) * 2009-11-05 2010-05-26 姜廷顺 利用视频事件检测对信号灯路口拥堵快速报警系统及方法
CN102201164A (zh) * 2010-03-23 2011-09-28 江苏云联科技有限公司 一种自适应城市交通拥堵快速反应系统
CN107016861A (zh) * 2017-05-31 2017-08-04 电子科技大学 基于深度学习和智能路灯的交通信号灯智能调控系统
CN107730906A (zh) * 2017-07-11 2018-02-23 银江股份有限公司 斑马线车辆不礼让行人行为的视觉检测系统
CN108629973A (zh) * 2018-05-11 2018-10-09 四川九洲视讯科技有限责任公司 基于固定检测设备的路段交通拥堵指数计算方法
JP2019211814A (ja) * 2018-05-31 2019-12-12 株式会社東芝 渋滞予測装置、および、渋滞予測方法
CN109409713A (zh) * 2018-10-15 2019-03-01 北京交通大学 基于贝叶斯模型和三倍标准差准则的道路网络评估方法
CN110164152A (zh) * 2019-07-03 2019-08-23 西安工业大学 一种用于单交叉路口交通信号灯控制系统
CN111368577A (zh) * 2020-03-28 2020-07-03 吉林农业科技学院 一种图像处理系统
CN111414894A (zh) * 2020-04-10 2020-07-14 吉林农业大学 一种基于遥感图像的农作物病害识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343905A (zh) * 2021-06-28 2021-09-03 山东理工大学 道路异常智能识别模型训练、道路异常识别的方法及系统
CN113343905B (zh) * 2021-06-28 2022-06-14 山东理工大学 道路异常智能识别模型训练、道路异常识别的方法及系统
CN113469026A (zh) * 2021-06-30 2021-10-01 上海智能交通有限公司 一种基于机器学习的路口滞留事件检测方法及系统
CN113658427A (zh) * 2021-08-06 2021-11-16 深圳英飞拓智能技术有限公司 基于视觉与雷达的路况监控方法及系统、设备
CN116153086A (zh) * 2023-04-21 2023-05-23 齐鲁高速公路股份有限公司 基于深度学习的多路段交通事故及拥堵检测方法及系统

Similar Documents

Publication Publication Date Title
US11074813B2 (en) Driver behavior monitoring
CN111899514A (zh) 一种人工智能的拥堵检测系统
US10885777B2 (en) Multiple exposure event determination
CN104008645B (zh) 一种适用于城市道路车道线预测及预警方法
US11380105B2 (en) Identification and classification of traffic conflicts
CN101739829B (zh) 一种基于视频的车辆超速监控方法及系统
CN110164152B (zh) 一种用于单交叉路口交通信号灯控制系统
KR102453627B1 (ko) 딥러닝 기반 교통 흐름 분석 방법 및 시스템
WO2017123665A1 (en) Driver behavior monitoring
CN104537841A (zh) 无牌车辆违章检测方法及其检测系统
WO2022213542A1 (zh) 基于激光雷达和轨迹预测的信控交叉口清空方法和系统
CN110796862B (zh) 一种基于人工智能的高速公路交通状况检测系统及方法
CN113055649A (zh) 一种隧道智能视频监控方法、装置、智能终端及存储介质
KR102453096B1 (ko) 스마트 횡단보도 신호 제어시스템
CN115294767A (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
KR101133222B1 (ko) 영상기반의 사고 검지 시스템 및 방법
Quinn et al. Traffic flow monitoring in crowded cities
CN115346370B (zh) 基于智能交通的路口防碰撞系统及方法
Kamijo et al. Development and evaluation of real-time video surveillance system on highway based on semantic hierarchy and decision surface
KR102187441B1 (ko) 비정상 운전 판별이 가능한 드론
CN113177443A (zh) 一种基于图像视觉的智能识别道路交通违章的方法
CN116758749B (zh) 一种道路交叉口盲区存在物密度的提示方法及相关设备
CN116884214B (zh) 市政车辆的监测预警方法及系统
Srinivasan et al. Advanced Driver Assistance System (ADAS) in Autonomous Vehicles: A Complete Analysis
CN115880916A (zh) 一种基于行为模型的道路交通事故检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201106