CN111950394B - 一种车辆变道的预测方法、装置及计算机存储介质 - Google Patents

一种车辆变道的预测方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN111950394B
CN111950394B CN202010725557.7A CN202010725557A CN111950394B CN 111950394 B CN111950394 B CN 111950394B CN 202010725557 A CN202010725557 A CN 202010725557A CN 111950394 B CN111950394 B CN 111950394B
Authority
CN
China
Prior art keywords
target vehicle
vehicle
video frame
position information
current video
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
Application number
CN202010725557.7A
Other languages
English (en)
Other versions
CN111950394A (zh
Inventor
唐进君
高轶凡
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202010725557.7A priority Critical patent/CN111950394B/zh
Publication of CN111950394A publication Critical patent/CN111950394A/zh
Application granted granted Critical
Publication of CN111950394B publication Critical patent/CN111950394B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • 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
    • G06V20/625—License plates
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种车辆变道的预测方法、装置及计算机存储介质，包括：获取当前视频帧中目标车辆的位置信息；其中，所述目标车辆的位置信息包括车身检测框的位置信息和车牌检测框的位置信息，所述视频帧是基于车辆的视频监控装置所拍摄的；根据所述当前视频帧中目标车辆的位置信息和所述当前视频帧之前的连续fps‑1个视频帧中目标车辆的位置信息，获取所述目标车辆的横向偏移速率，fps为视频每秒的帧数；根据所述目标车辆的横向偏移速率预测所述目标车辆对应的变道方向。本发明实施例提供的车辆变道的预测方法、装置及计算机存储介质，能够准确且及时预测车辆变道信息，提升了行车安全性和用户体验。

Description

一种车辆变道的预测方法、装置及计算机存储介质
技术领域
本发明涉及交通领域，尤其涉及一种车辆变道的预测方法、装置及计算机存储介质。
背景技术
随着汽车保有量的急剧增加，一系列的交通安全问题急需解决，其中，前方车辆的随意变更车道对交通安全有着非常大的潜在威胁。现有的车辆变更车道检测主要依赖人为的观测以及监控视频的监测，这两种方法都存在着一些问题：人为观测的时间延迟性与随机性高，很容易造成反应过慢而引发交通事故；监控视频需要大量耗费人力物力，并且无法做到实时反馈和预警。然而，如何及时准确地检测到前方车辆的变道行为一直处于研究中。
发明内容
有鉴于此，本发明实施例提供了一种车辆变道的预测方法、装置及计算机存储介质，能够准确且及时预测车辆变道信息，提升了行车安全性和用户体验。
为达到上述目的，本发明的技术方案是这样实现的：
第一方面，本发明实施例提供了一种车辆变道的预测方法，所述方法包括：
获取当前视频帧中目标车辆的位置信息；其中，所述目标车辆的位置信息包括车身检测框的位置信息和车牌检测框的位置信息，所述视频帧是基于车辆的视频监控装置所拍摄的；
根据所述当前视频帧中目标车辆的位置信息和所述当前视频帧之前的连续fps-1个视频帧中目标车辆的位置信息，获取所述目标车辆的横向偏移速率，fps为视频每秒的帧数；
根据所述目标车辆的横向偏移速率预测所述目标车辆对应的变道方向。
第二方面，本发明实施例提供了一种车辆变道的预测装置，所述装置包括：
获取模块，用于获取当前视频帧中目标车辆的位置信息；其中，所述目标车辆的位置信息包括车身检测框的位置信息和车牌检测框的位置信息，所述视频帧是基于车辆的视频监控装置所拍摄的；
处理模块，用于根据所述当前视频帧中目标车辆的位置信息和所述当前视频帧之前的连续fps-1个视频帧中目标车辆的位置信息，获取所述目标车辆的横向偏移速率，fps为视频每秒的帧数；
预测模块，用于根据所述目标车辆的横向偏移速率预测所述目标车辆对应的变道方向。
第三方面，本发明实施例提供了一种车辆变道的预测装置，所述装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，实现第一方面所述车辆变道的预测方法。
第四方面，本发明实施例提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面所述车辆变道的预测方法。
本发明实施例提供的车辆变道的预测方法、装置及计算机存储介质，获取当前视频帧中目标车辆的位置信息；其中，所述目标车辆的位置信息包括车身检测框的位置信息和车牌检测框的位置信息，所述视频帧是基于车辆的视频监控装置所拍摄的；根据所述当前视频帧中目标车辆的位置信息和所述当前视频帧之前的连续fps-1个视频帧中目标车辆的位置信息，获取所述目标车辆的横向偏移速率，fps为视频每秒的帧数；根据所述目标车辆的横向偏移速率预测所述目标车辆对应的变道方向。如此，基于连续多个视频帧中目标车辆的车身检测框的位置信息和车牌检测框的位置信息，获取所述目标车辆的横向偏移速率，以预测所述目标车辆对应的变道方向，能够准确且及时预测车辆变道信息，提升了行车安全性和用户体验。
附图说明
图1为本发明实施例提供的一种车辆变道的预测方法的流程示意图；
图2为本发明实施例中车辆定位的过程示意图；
图3为平面直角坐标系的点到霍夫变换域的关系；
图4为本发明实施例中车辆变道预测的场景示意图；
图5为本发明实施例提供的一种车辆变道的预测装置的结构示意图；
图6为本发明实施例提供的另一种车辆变道的预测装置的结构示意图。
具体实施方式
下面结合说明书附图及具体实施例对本发明技术方案做进一步的详细阐述。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
参见图1，为本发明实施例提供的一种车辆变道的预测方法，该车辆变道的预测方法可以适用于对车辆是否会进行变道以及变道方向进行预测的情况，该车辆变道的预测方法可以由本发明实施例提供的一种车辆变道的预测装置来执行，该车辆变道的预测装置可以采用软件和/或硬件的方式来实现，在具体应用中，该车辆变道的预测装置可以具体是台式电脑、笔记本电脑、智能手机、个人数字助理、平板电脑等终端或云端服务器等。本实施例中，以所述车辆变道的预测方法的执行主体为车辆为例，所述车辆变道的预测方法包括以下步骤：
步骤S101：获取当前视频帧中目标车辆的位置信息；其中，所述目标车辆的位置信息包括车身检测框的位置信息和车牌检测框的位置信息，所述视频帧是基于车辆的视频监控装置所拍摄的；
需要说明的是，所述车辆是指本车辆，所述目标车辆是指位于本车辆前方且距离最近的车辆，一般可以认为本车辆和所述目标车辆行驶在同一车道上或相邻车道上。所述车身检测框用于限定前方车辆的车身在视频帧中的位置，所述车牌检测框用于限定前方车辆的车牌在视频帧中的位置，所述车身检测框和所述车牌检测框的位置可以通过实时调整以准确获取，所述视频监控装置可以是行车记录仪或摄像头等装置。
在一实施方式中，所述获取当前视频帧中目标车辆的位置信息，包括：
确定所述当前视频帧中目标车辆的车身检测框的初始位置；
按照预设方式改变所述当前视频帧中目标车辆的车身检测框的初始位置，获取基于所述车身检测框的初始位置和所述车身检测框的新位置生成的多个车身检测图像；
将所述多个车身检测图像分别输入经过训练的BP神经网络分类模型，获得所述多个车身检测图像中各车身检测图像分别对应的后验概率；其中，所述BP神经网络分类模型是对基于车辆的视频监控装置采集的训练图像样本集进行图像纹理特征、图像水平对称性特征和图像水平轮廓特征的提取后训练获得的；
根据所述各车身检测图像分别对应的后验概率检测是否存在后验概率满足预设条件的目标车身检测图像；
若存在，则根据后验概率满足预设条件的目标车身检测图像的位置确定当前视频帧中目标车辆的车身检测框的位置信息；
若不存在，则将后验概率最大的车身检测图像的位置更新为所述当前视频帧中目标车辆的的车身检测框的初始位置。
可以理解地，为了检测视频帧中是否存在目标车辆，需要进行车辆识别操作，因此，可建立一个分类模型进行车辆识别。首先，可获取基于车辆的视频监控装置采集的训练图像样本集，所述训练图像样本集包括包含有车辆尾部图像的正样本和不包含有车辆尾部图像的负样本；然后，对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征；接着，基于所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征对BP神经网络分类模型进行训练，得到训练后的BP神经网络分类模型。由于车辆作为运动的机器有着区别于道路环境的后视特征，通过分别采集车辆尾部图像和道路环境图像的特征，可以获得车辆和道路环境的特征矩阵，从而得到用于识别图像中是否包含车辆的分类模型。由于车辆的视频监控装置采集的包含前方车辆尾部的图像中，包含有车辆的纹理特征、对称性特征和水平轮廓特征等，因此，可基于车辆的纹理特征、对称性特征和水平轮廓特征等进行车辆识别。其中，所述对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征，包括：针对每个所述图像样本，对所述图像样本进行灰度化处理，得到所述图像样本的灰度图；根据公式计算所述图像样本的图像水平对称特征；其中，symvalue表示图像水平对称性特征，M表示图像样本的像素行数，N表示图像样本的像素列数，sobelpic(i,j)表示图像样本的灰度图中数字矩阵的像素点，/>取整数。可以理解地，对于完全水平对称的灰度图，其数字矩阵是关于对称轴对称的，所以以该对称轴分别对应的对称像素点灰度就会完全相等。若对该图像的所有对称像素点的灰度值取差求和，结果应为0。因此，本实施例中假设对越对称的图像，各对称像素点对的灰度值相差越小，求和值也越小，进而采用上述公式评价图像的水平对称性特征。这里，/>取整数是指取最近的整数，例如，若N为17，则/>取8。如此，基于车辆的对称性进行图像水平对称性特征的提取，能够准确提取出图像水平对称性特征，进而进一步提高了基于所述图像水平对称性特征所建立的分类模型的预测准确率。其中，所述对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征、图像水平对称性特征和图像水平轮廓特征，包括：基于所述图像样本的灰度图，按照预设规则统计所述图像样本内水平轮廓线的数量；根据所述水平轮廓线的数量确定所述图像样本的图像水平轮廓特征。这里，本实施例中采用水平轮廓特征评价分类模型是思路为：统计图像内达到一定长度的水平轮廓线的数量，然后用该值表示图像的水平轮廓线的质量和数量。可以理解地，由于车辆后视图像比非车辆后视图像拥有更长和更多水平轮廓线，一幅图像的水平轮廓线统计值越大，则说明该图像是车辆的可能性越大。所述预设规则可以根据实际情况需要进行设置，在一实施方式中，所述基于所述图像样本的灰度图，按照预设规则统计所述图像样本内水平轮廓线的数量，包括：建立一个大小为2*2的检测滑窗，并设置计数器的初始值和水平轮廓线的数量都为零；将所述检测滑窗按照从左至右、从上到下的顺序遍历所述图像样本的灰度图中的所有像素，并对应调整计数器的计数值以及根据计数器的计数值统计水平轮廓线的数量；其中，若所述检测滑窗每移动一个像素，则将计算器的计数值加1；若所述检测滑窗中处于同一行的相邻两个像素中至少一个像素的像素值为零，则将计算器的计数值置零；若计算器的计数值大于所述图像样本水平长度的五分之一，则将计算器的计数值置零，同时将水平轮廓线的数量加1。这里，当检测滑窗遍历完所述图像样本的灰度图中的所有像素后，所得到的水平轮廓线的数量便代表了所述图像样本的图像水平轮廓特征。如此，基于车辆具有水平轮廓的特性进行图像水平轮廓特征的提取，能够准确提取出图像水平轮廓特征，进而进一步提高了基于所述图像水平轮廓特征所建立的分类模型的预测准确率。
其中，所述对所述训练图像样本集中的各图像样本进行特征提取，得到所述各图像样本分别对应的图像纹理特征数据、图像水平对称性特征和图像水平轮廓特征，还包括：
计算所述图像样本的灰度图分别在0度、45度、90度和135度四个方向的灰度共生矩阵，分别得到第一灰度共生矩阵、第二灰度共生矩阵、第三灰度共生矩阵和第四灰度共生矩阵；
提取所述第一灰度共生矩阵、第二灰度共生矩阵、第三灰度共生矩阵和第四灰度共生矩阵分别对应的角二阶矩、对比度、相关系数和熵；
根据所述第一灰度共生矩阵、第二灰度共生矩阵、第三灰度共生矩阵和第四灰度共生矩阵分别对应的角二阶矩、对比度、相关系数和熵，计算角二阶矩、对比度、相关系数和熵分别对应的平均值和标准差；
根据所述角二阶矩、对比度、相关系数和熵分别对应的平均值和标准差确定所述图像样本的图像纹理特征。
这里，对于初始视频帧，可以预先给定一位置作为所述当前视频帧中目标车辆的车身检测框的初始位置，进而通过调整所述当前视频帧中目标车辆的车身检测框的初始位置实现对目标车辆进行定位。而对于非初始视频帧，可根据当前视频帧的上一视频帧中目标车辆的车身检测框的位置信息，确定所述当前视频帧中目标车辆的车身检测框的初始位置信息，即将当前视频帧的上一视频帧中目标车辆的车身检测框的位置信息作为所述当前视频帧中目标车辆的车身检测框的初始位置信息。可以理解地，由于使用上述训练好的分类模型进行车辆识别时，基于马尔可夫链的原理，可以对前方的目标车辆进行定位，以获得稳定可靠的目标车辆的坐标信息即位置信息。目标车辆的定位基于一个简单的假设，即从分类模型获得的后验概率(置信度)对车辆的检测窗口即车身检测框的准确性很敏感。基于车辆的成功识别，检测窗口在位置和大小上与车辆越近，经过训练的BP网络模型给出的后验概率就越高。此外，所述预设方式可以是将所述当前视频帧的车身检测框向上、向下、向左、下右、向左上、向左下、向右下、向右上等方向进行移动，以获得所述车身检测框的新位置。对于每个车身检测图像，所述BP神经网络分类模型都会输出对应的后验概率，以作为所述车身检测图像中是否包含车辆车身的评价指标。若存在后验概率满足预设条件的目标车身检测图像，说明所述目标车身检测图像包含车辆车身，此时可将目标车身检测图像的位置确定当前视频帧中目标车辆的车身检测框的位置信息。所述预设条件可以根据实际情况进行设置，比如可以是后验概率大于0.05等。在实际应用中，可通过搜索固定在图像中心的初始检测窗口的相邻区域，即获取(0、45、90、135、180、225、270，315)度的初始检测窗口，再计算各初始检测窗口的前述特征并将特征值输入分类模型后，选择具有最大后验概率的检测窗口作为新的初始检测窗口，进而可以通过放大和缩小初始检测窗口来获得新图像，最后，根据各自的后验概率更新检测窗口。重复上述过程，直到后验概率变得小于预设阈值。这样，就可以在每个视频帧中找到局部最大后验概率，也就是确定目标车辆的车身检测框的位置信息。参见图2，车辆定位的具体过程包括以下步骤：
步骤S201：初始化检测窗口的位置和大小；
步骤S202：取正中、上、下、左、右、左上、左下、右下、右上等位置的检测窗口；
步骤S203：对上述9个位置的检测窗口用分类模型计算后验概率，取最大值max1并更新窗口位置；
步骤S204：在新位置取放大和缩小尺寸的检测窗口并分别获取后验概率，取最大值max2并更新窗口大小；
步骤S205：判断等式abs(max1-max2)>0.1或max1<0.05是否成立，若是，则执行步骤S206，否则返回执行步骤S202。
步骤S206：返回最终检测窗口的位置与大小。
此外，在成功定位到目标车辆后，可以基于马尔可夫链进行稳定的跟踪。目标车辆跟踪的思想基于以下假设：目标车辆以恒定速度在视频帧中移动，从而可以通过从前一视频帧的检测窗口位置搜索相邻区域来实现当前视频帧的检测。在真实的行车记录仪视频中，目标车辆与观察车辆相比保持相对较低的速度，由于视频帧间隔小，因此捕获的目标车辆以视频帧序列连续移动。因此，目标车辆跟踪方法可以通过马尔可夫链描述如下：通过设置平移步长和缩放步长以将检测窗口转换为视频帧，可以获得有限的可能的检测窗口集合S。由局部最大后验概率确定的视频帧的所有最终检测窗口则可以由一系列随机变量来描述：X1,X2,X3...Xi,i∈T具有马尔可夫属性，即从当前状态移动到下一个状态的概率仅取决于当前状态，而不取决于先前状态，对应的条件概率可描述为：P(Xn+1＝x|X1＝x1,X2＝x2,...,Xn＝xn)＝P(Xn+1＝x|Xn＝xn)。如果两个条件概率都定义正确，例如，如果P(X1＝x1,...Xn＝xn)>0，变量Xi＝[xi yi mi ni]，i∈T属于状态空间S，其中x和y表示坐标，m和n分别是视频帧的长度和宽度。通过成功的连续检测来实现车辆跟踪过程，即在前一视频帧的最终检测窗口的基础上检测目标车辆。最后一个检测窗口的位置和大小用于在当前视频帧中设置新的初始检测窗口。然后，应用目标车辆定位算法来找到新的最终检测窗口。最后，找到一个新的最终检测窗口作为目标车辆的边界框，并用于在下一帧中设置新的初始检测窗口。该过程反复进行，直到最终检测窗口的后验概率低于阈值。
需要说明的是，对于车牌识别，可利用现有技术中一种基于Hausdorff算法的快速车牌信息识别方法以快速识别车牌信息，该算法使用了一系列图像处理，包括通过颜色空间进行粗定位，通过行和列扫描进行精确定位，字符分割和大小归一化，基于Hausdorff距离的字符匹配，最终可以快速定位和识别车牌信息，具体算法细节不再赘述。对于车牌追踪，为了得到稳定准确的车牌信息，需要对目标车牌进行追踪。与目标车辆跟踪原理不同，在牌照识别过程中已定位了目标牌照位置。基于相邻帧之间的车牌位置不会突然变化的原理，因此，如果当前视频帧中的车牌位置和前一视频帧中的车牌位置没有较大的变化，则表明跟踪成功，可由以下公式简单判断：
其中，(xvc,yvc)是当前视频帧中目标车辆的车身检测框的中心坐标，并且(xvp,yvp)是前一视频帧中目标车辆的车身检测框的中心坐标，(xpc,ypc)是当前视频帧中目标车辆的车牌检测框的中心坐标，并且(xpp,ypp)是前一视频帧中目标车辆的车牌检测框的中心坐标，它们可以从前面的检测中获得。如果没有较大的位置上的突变，k是一个接近于1的数字，它可以通过设置可变动的范围来确定跟踪是否成功，例如设置为0.9<k<1。
步骤S102：根据所述当前视频帧中目标车辆的位置信息和所述当前视频帧之前的连续fps-1个视频帧中目标车辆的位置信息，获取所述目标车辆的横向偏移速率，fps为视频每秒的帧数；
具体地，根据公式计算所述目标车辆的横向偏移速率d；其中，dc是目标车辆的车身水平偏移率，dp是目标车辆的车牌水平偏移率，xc(i)是车身中点的一系列x坐标，从当前视频帧到先前fps帧按时间顺序排序，xpi是车牌中点的一系列x坐标，从当前视频帧到先前fps帧按时间顺序排序，λ1和λ2分别是目标车辆的车身数据和车牌数据的可靠性系数。
步骤S103：根据所述目标车辆的横向偏移速率预测所述目标车辆对应的变道方向。
具体地，若所述目标车辆的横向偏移速率大于为正，则确定所述目标车辆对应的变道方向为向右；
若所述目标车辆的横向偏移速率为负，则确定所述目标车辆对应的变道方向为向左。
综上，上述实施例提供的车辆变道的预测方法中，基于连续多个视频帧中目标车辆的车身检测框的位置信息和车牌检测框的位置信息，获取所述目标车辆的横向偏移速率，以预测所述目标车辆对应的变道方向，能够准确且及时预测车辆变道信息，提升了行车安全性和用户体验。
在一实施方式中，所述方法还可包括：
对当前视频帧进行车道线识别，获得所述目标车辆所在车道的车道线位置信息；
根据所述当前视频帧中目标车辆的位置信息和所述目标车辆所在车道的车道线位置信息，判断所述目标车辆是否已变道。
可选地，所述对当前视频帧进行车道线识别，获得所述目标车辆所在车道的车道线位置信息，包括：根据所述当前视频帧的上一视频帧中目标车辆所在车道的车道线位置信息，基于光流法获取所述当前视频帧中的感兴趣区域图像；采用Sobel边缘检测算法对所述感兴趣区域图像进行水平边缘检测处理，得到边缘特征点；根据所述边缘特征点，基于霍夫变换获取所述当前视频帧中目标车辆所在车道的车道线位置信息。
这里，本实施例中采用基于光流法和霍夫变换进行动态感兴趣区域车道线检测，该方法利用先前车辆检测和跟踪的结果来提高车道线检测的实时性和可靠性。HOUGH变换可以看作一种使用表决原理的参数估计的技术。它利用平面直角坐标系中的的直线和HOUGH变换域里ρ与θ平面中点的映射关系，从而将平面直角坐标系中的边缘特征点映射到了ρ与θ平面的正弦型曲线，然后通过聚类来寻找累计局部最大值点，最终找到原参数域中的直线的解析形式。
对数字图像矩阵来说，参见图3，每一个边缘点(x,y)在平面直角坐标系中都有在HOUGH变换域中对应着一条正弦曲线ρ＝xcosθ+ysinθ。并且在平面直角坐标系中一直线上一系列点对应着HOUGH变换域中的这些点映射的正弦型曲线的相交点。然后通过寻找HOUGH变换域中的这些相交次数最大的交点，就能找到其在平面直角坐标系中对应的直线边缘。
光流是指空间运动物体在观察成像平面的像素点运动的瞬时速度。光流法则是利用图像序列中像素点在时域上的变化及相邻帧之间的相关性从而来找到上一视频帧跟当前视频帧之间存在着的对应关系，最终计算出相邻帧之间物体的运动信息的一种方法。光流法主要依赖于三个假设：亮度恒定：图像中目标的像素强度在连续帧之间不会发生变化；时间规律：相邻帧之间的时间足够得短，以至于在考虑运行变化时可忽略它们之间的差异；空间一致性：相邻像素具有相似的运动。显然，车辆的视频监控装置如行车记录仪捕获的视频帧序列符合以上三条假设，因此可将光流法用于处理车道线识别。
其中，具体的车道线识别算法按如下步骤进行：
1)图像预处理。
首先，要对视频帧图像进行畸变修正、投影变换、灰度化、中值滤波、直方图均衡化增强等预处理操作。
2)根据光流法选择动态感兴趣区域。
基于光流法的动态分割车道线区域的方法可以动态地调整检测感兴趣区域，以提高车道线识别的实时性和可靠性。光流法利用时域中像素的变化以及相邻帧之间的相关性来找到前一视频帧与当前视频帧之间关键特征点的对应关系，从而计算出相邻帧之间的物体运动信息。由于车辆视频的连续帧符合恒定的亮度，较小的运动和一致的空间的假设，因此可以使用Lucas-Kanade光流算法。
假设t时刻某点像素为(x,y)，经过dt后，它的像素值变为(x+dx,y+dy),则基于以上假设有：
整理得到：
u＝Vx,v＝Vy是光流的值，是图像在点(x,y,t)的变化率，/>是两帧之间的差距。假设光流在一个大小为m×m的小窗口中是个常量，则从这些像素点1...n(n＝m×m)可以得到下列的方程组：
表示为：/>
记做：并用最小二乘法求解它得到：
接下来，在成功检测到前一视频帧中的车道线的情况下，使用Lucas-Kanade光流算法来估计帧的光流。然后，在左右区域中选择具有良好跟踪状态的坐标点，并通过对其进行分析可以获得前景的相对运动估计，主要步骤如下：
DBSCAN聚类算法用于通过处理这些坐标点的位移矢量来去除前景像素并获得主要背景坐标点，然后求解前背景图像的相对位移矢量：
是前背图像的相对位移矢量，并且/>是第i个特征点的相对位移矢量，si是第i个特征点与车道线之间的距离的倒数，最终使用/>去估计当前视频帧的车道线位置，并将以车道线为中心，左右两侧距离b(b可根据分辨率自行调节)像素的窗口设置为ROI区域即感兴趣区域。
3)图像SOBEL边缘检测与二值化
经过SOBEL边缘检测，从视频帧图像中可以提取出要在霍夫变换中映射的边缘特征点。
4)HOUGH变换检测车道线。
在边缘点被检测出的基础上，把平面直角坐标系的点依次映射到ρ与θ的霍夫变换域中的正弦曲线，每次正弦型曲线相交时，对应的ρ与θ域中的点累加1，最后搜索前10个局部最大值。
求得这些局部最大值后，其中每一个值都代表了一条直线，可根据每个值作出其对应在直角坐标系中的直线，之后需要从检测到的所有候选线中选择出车道线。在实际的行车记录仪视频帧中，车道线检测受到图像中不相关的水平线的干扰。因此，本实施例中提出了一种通过在参数空间中进行筛选来区分车道线与噪声的方法。具体而言，筛选过程是通过在参数空间中根据目标候选线的数学特征设置阈值来实现的。车道线具有更多的垂直特征，其必要和充分条件表示为它们相应的局部最大点(ρ,θ)中的θ越接近0°。
其中，ρ＝xcosθ+ysinθ。
当sinθ≠0时，上述方程可写为：
上式表明，在直角坐标系中，直线的垂直特性由参数空间中的值θ决定，本实施例中的阈值设为θ<60°。此外，由于通过定位局部最大值在霍夫变换中确定候选车道线，因此选择在二进制图像中具有更多边缘特征点并且具有足够局部最大值的实线作为候选线。在候选线中由θ去除一些不相关的线后，分别选取左右两方的最大值点即为左右两条车道线。
可选地，所述根据所述当前视频帧中目标车辆的位置信息和所述目标车辆所在车道的车道线位置信息，判断所述目标车辆是否已变道，包括：
检测所述目标车辆是否满足等式和/或等式/>其中，(xl,yl)表示目标车辆的车身检测框的左下角坐标，(xr,yr)表示目标车辆的车身检测框的右下角坐标，/>表示左侧车道线的横坐标，/>表示右侧车道线的横坐标；
若满足，则确定所述目标车辆已变道。
这里，可以通过上述车道线识别获得两个车道线的方程，并将其坐标信息用于判断前方的目标车辆是否已经发生越线行为。参见图4，为车辆变道预测的场景示意图，基于检测到的车辆的车身检测框的坐标信息、车牌检测框的坐标信息和车道线的坐标信息，预测和确定车辆是否存在变道行为，特别是非法变道行为。
在一实施方式中，所述方法还可包括：将包含有所述目标车辆对应的变道方向的提醒消息推送给所述车辆驾驶员。可以理解地，当所述车辆变道的预测方法的执行主体为车辆时，所述车辆可以通过发出语音提醒消息、灯光提醒消息等方式提醒所述车辆驾驶员目标车辆在变道以注意安全，以将包含有所述目标车辆对应的变道方向的提醒消息推送给所述车辆驾驶员。当所述车辆变道的预测方法的执行主体为云端服务器时，所述云端服务器可以是向所述车辆发送语音提醒消息，以由所述车辆播放所述语音提醒消息而实现提醒所述车辆驾驶员目标车辆在变道以注意安全等。
基于前述实施例相同的发明构思，参见图5，其示出了本发明实施例提供的一种车辆变道的预测装置组成，可以包括：获取模块10、处理模块11和预测模块12；其中，
所述获取模块10，用于获取当前视频帧中目标车辆的位置信息；其中，所述目标车辆的位置信息包括车身检测框的位置信息和车牌检测框的位置信息，所述视频帧是基于车辆的视频监控装置所拍摄的；
所述处理模块11，用于根据所述当前视频帧中目标车辆的位置信息和所述当前视频帧之前的连续fps-1个视频帧中目标车辆的位置信息，获取所述目标车辆的横向偏移速率，fps为视频每秒的帧数；
所述预测模块12，用于根据所述目标车辆的横向偏移速率预测所述目标车辆对应的变道方向。
综上，上述实施例提供的车辆变道的预测装置中，基于连续多个视频帧中目标车辆的车身检测框的位置信息和车牌检测框的位置信息，获取所述目标车辆的横向偏移速率，以预测所述目标车辆对应的变道方向，能够准确且及时预测车辆变道信息，提升了行车安全性和用户体验。
对于图5所示的技术方案，在一种可能的实现方式中，所述处理模块11，具体配置为：
根据公式计算所述目标车辆的横向偏移速率d；其中，dc是目标车辆的车身水平偏移率，dp是目标车辆的车牌水平偏移率，xc(i)是车身中点的一系列x坐标，从当前视频帧到先前fps帧按时间顺序排序，xpi是车牌中点的一系列x坐标，从当前视频帧到先前fps帧按时间顺序排序，λ1和λ2分别是目标车辆的车身数据和车牌数据的可靠性系数。
需要说明的是：上述实施例提供的车辆变道的预测装置在实现车辆变道的预测方法时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将车辆变道的预测装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的车辆变道的预测装置与对应的车辆变道的预测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本发明实施例提供了一种车辆变道的预测装置，如图6所示，该装置包括：处理器110和用于存储能够在处理器110上运行的计算机程序的存储器111；其中，图6中示意的处理器110并非用于指代处理器110的个数为一个，而是仅用于指代处理器110相对其他器件的位置关系，在实际应用中，处理器110的个数可以为一个或多个；同样，图6中示意的存储器111也是同样的含义，即仅用于指代存储器111相对其他器件的位置关系，在实际应用中，存储器111的个数可以为一个或多个。在所述处理器110运行所述计算机程序时，实现上述车辆变道的预测方法。
该装置还包括：至少一个网络接口112。该装置中的各个组件通过总线系统113耦合在一起。可理解，总线系统113用于实现这些组件之间的连接通信。总线系统113除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为总线系统113。
其中，存储器111可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器111旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器111用于存储各种类型的数据以支持该装置的操作。这些数据的示例包括：用于在该装置上操作的任何计算机程序，如操作系统和应用程序；联系人数据；电话簿数据；消息；图片；视频等。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。这里，实现本发明实施例方法的程序可以包含在应用程序中。
本实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有计算机程序，计算机存储介质可以是磁性随机存取存储器(FRAM，ferromagnetic random accessmemory)、只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，ProgrammableRead-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically ErasableProgrammable Read-Only Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。所述计算机存储介质中存储的计算机程序被处理器运行时，实现上述车辆变道的预测方法。所述计算机程序被处理器执行时实现的具体步骤流程请参考图1所示实施例的描述，在此不再赘述。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种车辆变道的预测方法，其特征在于，所述方法包括：
获取当前视频帧中目标车辆的位置信息；其中，所述目标车辆的位置信息包括车身检测框的位置信息和车牌检测框的位置信息，所述视频帧是基于车辆的视频监控装置所拍摄的；
根据所述当前视频帧中目标车辆的位置信息和所述当前视频帧之前的连续fps-1个视频帧中目标车辆的位置信息，获取所述目标车辆的横向偏移速率，fps为视频每秒的帧数；
根据所述目标车辆的横向偏移速率预测所述目标车辆对应的变道方向；
所述根据所述当前视频帧中目标车辆的位置信息和所述当前视频帧之前的连续fps-1个视频帧中目标车辆的位置信息，获取所述目标车辆的横向偏移速率，包括：
根据公式计算所述目标车辆的横向偏移速率d；其中，dc是目标车辆的车身水平偏移率，dp是目标车辆的车牌水平偏移率，xc(i)是车身中点的一系列x坐标，从当前视频帧到先前fps帧按时间顺序排序，xpi是车牌中点的一系列x坐标，从当前视频帧到先前fps帧按时间顺序排序，λ1和λ2分别是目标车辆的车身数据和车牌数据的可靠性系数；
所述根据所述目标车辆的横向偏移速率预测所述目标车辆对应的变道方向，包括：
若所述目标车辆的横向偏移速率为正，则确定所述目标车辆对应的变道方向为向右；
若所述目标车辆的横向偏移速率为负，则确定所述目标车辆对应的变道方向为向左。
2.根据权利要求1所述的方法，其特征在于，还包括：
对当前视频帧进行车道线识别，获得所述目标车辆所在车道的车道线位置信息；
根据所述当前视频帧中目标车辆的位置信息和所述目标车辆所在车道的车道线位置信息，判断所述目标车辆是否已变道。
3.根据权利要求2所述的方法，其特征在于，所述根据所述当前视频帧中目标车辆的位置信息和所述目标车辆所在车道的车道线位置信息，判断所述目标车辆是否已变道，包括：
检测所述目标车辆是否满足等式和/或等式/>其中，(xl,yl)表示目标车辆的车身检测框的左下角坐标，(xr,yr)表示目标车辆的车身检测框的右下角坐标，/>表示左侧车道线的横坐标，/>表示右侧车道线的横坐标；
若满足，则确定所述目标车辆已变道。
4.根据权利要求2所述的方法，其特征在于，所述对当前视频帧进行车道线识别，获得所述目标车辆所在车道的车道线位置信息，包括：
根据所述当前视频帧的上一视频帧中目标车辆所在车道的车道线位置信息，基于光流法获取所述当前视频帧中的感兴趣区域图像；
采用Sobel边缘检测算法对所述感兴趣区域图像进行水平边缘检测处理，得到边缘特征点；
根据所述边缘特征点，基于霍夫变换获取所述当前视频帧中目标车辆所在车道的车道线位置信息。
5.根据权利要求1所述的方法，其特征在于，所述获取当前视频帧中目标车辆的位置信息，包括：
确定所述当前视频帧中目标车辆的车身检测框的初始位置；
按照预设方式改变所述当前视频帧中目标车辆的车身检测框的初始位置，获取基于所述车身检测框的初始位置和所述车身检测框的新位置生成的多个车身检测图像；
将所述多个车身检测图像分别输入经过训练的BP神经网络分类模型，获得所述多个车身检测图像中各车身检测图像分别对应的后验概率；其中，所述BP神经网络分类模型是对基于车辆的视频监控装置采集的训练图像样本集进行图像纹理特征、图像水平对称性特征和图像水平轮廓特征的提取后训练获得的；
根据所述各车身检测图像分别对应的后验概率检测是否存在后验概率满足预设条件的目标车身检测图像；
若存在，则根据后验概率满足预设条件的目标车身检测图像的位置确定当前视频帧中目标车辆的车身检测框的位置信息；
若不存在，则将后验概率最大的车身检测图像的位置更新为所述当前视频帧中目标车辆的车身检测框的初始位置。
6.根据权利要求5所述的方法，其特征在于，所述确定所述当前视频帧的车身检测框的初始位置，包括：
根据当前视频帧的上一视频帧中目标车辆的车身检测框的位置信息，确定所述当前视频帧中目标车辆的车身检测框的初始位置信息。
7.根据权利要求1所述的方法，其特征在于，还包括：
将包含有所述目标车辆对应的变道方向的提醒消息推送给所述车辆的驾驶员。
8.一种车辆变道的预测装置，其特征在于，包括：
获取模块，用于获取当前视频帧中目标车辆的位置信息；其中，所述目标车辆的位置信息包括车身检测框的位置信息和车牌检测框的位置信息，所述视频帧是基于车辆的视频监控装置所拍摄的；
处理模块，用于根据所述当前视频帧中目标车辆的位置信息和所述当前视频帧之前的连续fps-1个视频帧中目标车辆的位置信息，获取所述目标车辆的横向偏移速率，fps为视频每秒的帧数；
所述处理模块，还用于根据公式计算所述目标车辆的横向偏移速率d；其中，dc是目标车辆的车身水平偏移率，dp是目标车辆的车牌水平偏移率，xc(i)是车身中点的一系列x坐标，从当前视频帧到先前fps帧按时间顺序排序，xpi是车牌中点的一系列x坐标，从当前视频帧到先前fps帧按时间顺序排序，λ1和λ2分别是目标车辆的车身数据和车牌数据的可靠性系数；
预测模块，用于根据所述目标车辆的横向偏移速率预测所述目标车辆对应的变道方向；若所述目标车辆的横向偏移速率为正，则确定所述目标车辆对应的变道方向为向右；
若所述目标车辆的横向偏移速率为负，则确定所述目标车辆对应的变道方向为向左。
9.一种车辆变道的预测装置，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，实现权利要求1至7任一项所述车辆变道的预测方法。
10.一种计算机存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7任一项所述车辆变道的预测方法。
CN202010725557.7A 2020-07-24 2020-07-24 一种车辆变道的预测方法、装置及计算机存储介质 Active CN111950394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010725557.7A CN111950394B (zh) 2020-07-24 2020-07-24 一种车辆变道的预测方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010725557.7A CN111950394B (zh) 2020-07-24 2020-07-24 一种车辆变道的预测方法、装置及计算机存储介质

Publications (2)

Publication Number Publication Date
CN111950394A CN111950394A (zh) 2020-11-17
CN111950394B true CN111950394B (zh) 2023-11-07

Family

ID=73339018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010725557.7A Active CN111950394B (zh) 2020-07-24 2020-07-24 一种车辆变道的预测方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN111950394B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836631A (zh) * 2021-02-01 2021-05-25 南京云计趟信息技术有限公司 车辆轴数确定方法、装置、电子设备及存储介质
CN112918478B (zh) * 2021-02-25 2022-04-01 中南大学 一种车辆变道的预测方法、装置及计算机存储介质
CN113313011A (zh) * 2021-05-26 2021-08-27 上海商汤临港智能科技有限公司 视频帧处理方法、装置、计算机设备及存储介质
CN113269162A (zh) * 2021-07-16 2021-08-17 智道网联科技(北京)有限公司 数据获取方法及其装置
CN113658424B (zh) * 2021-07-23 2022-07-12 南昌工程学院 基于稀疏卫星定位数据的车辆频繁变道识别方法及装置
CN113378803B (zh) * 2021-08-12 2022-01-07 深圳市城市交通规划设计研究中心股份有限公司 一种道路交通事故检测方法、装置、计算机及存储介质
CN114898325B (zh) * 2022-07-12 2022-11-25 深圳市城市交通规划设计研究中心股份有限公司 一种车辆危险变道检测方法、装置及电子设备
CN115100620B (zh) * 2022-08-22 2024-02-20 上海峰华人工智能科技有限公司 一种基于道路颜色和行驶方向的车道线拟合方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127897A (zh) * 2019-12-27 2020-05-08 泰斗微电子科技有限公司 车辆状态检测方法、装置、服务器及稽查系统
CN111123952A (zh) * 2019-12-31 2020-05-08 华为技术有限公司 一种轨迹规划方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8384532B2 (en) * 2009-04-02 2013-02-26 GM Global Technology Operations LLC Lane of travel on windshield head-up display

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127897A (zh) * 2019-12-27 2020-05-08 泰斗微电子科技有限公司 车辆状态检测方法、装置、服务器及稽查系统
CN111123952A (zh) * 2019-12-31 2020-05-08 华为技术有限公司 一种轨迹规划方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Evaluation of Short-Term Freeway Speed Prediction Based on Periodic Analysis Using Statistical Models and Machine Learning Models;Xiaoxue Yang 等;Journal of Advanced Transportation;全文 *
Modeling Dynamic Traffic Flow as Visibility Graphs: A Network-Scale Prediction Framework for Lane-Level Traffic Flow Based on LPR Data;Jie Zeng 等;IEEE Transactions on Intelligent Transportation Systems;全文 *
城市道路交通拥堵状态出行者感知差异性研究;韩春阳 等;交通运输系统工程与信息;202-207页 *
移动式重点车辆比对与预警算法研究;周游;中国优秀硕士学位论文全文数据库 (信息科技辑);I138-1968 *

Also Published As

Publication number Publication date
CN111950394A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
CN111950394B (zh) 一种车辆变道的预测方法、装置及计算机存储介质
CN111127513B (zh) 一种多目标跟踪方法
Giannoukos et al. Operator context scanning to support high segmentation rates for real time license plate recognition
Yaghoobi Ershadi et al. Robust vehicle detection in different weather conditions: Using MIPM
JP7091686B2 (ja) 立体物認識装置、撮像装置および車両
CN112989962B (zh) 轨迹生成方法、装置、电子设备及存储介质
Karaimer et al. Detection and classification of vehicles from omnidirectional videos using multiple silhouettes
CN111105436B (zh) 目标跟踪方法、计算机设备及存储介质
JP7072765B2 (ja) 画像処理装置、画像認識装置、画像処理プログラム、及び画像認識プログラム
Gu et al. Integrated multi-scale event verification in an augmented foreground motion space
Su et al. A robust all-weather abandoned objects detection algorithm based on dual background and gradient operator
Venkateswaran et al. Deep learning based robust forward collision warning system with range prediction
JP7165353B2 (ja) 画像特徴量出力装置、画像認識装置、画像特徴量出力プログラム、及び画像認識プログラム
WO2018143278A1 (ja) 画像処理装置、画像認識装置、画像処理プログラム、及び画像認識プログラム
CN112101139B (zh) 人形检测方法、装置、设备及存储介质
CN114612999A (zh) 一种目标行为分类方法、存储介质及终端
Gupta et al. A novel traffic surveillance system using an uncalibrated camera
Gao et al. Whether and how congested is a road? Indices, updating strategy and a vision‐based detection framework
SR OBJECT DETECTION, TRACKING AND BEHAVIOURAL ANALYSIS FOR STATIC AND MOVING BACKGROUND.
Dai et al. Hybrid generative–discriminative hash tracking with spatio-temporal contextual cues
Wu et al. Gradient map based Lane detection using CNN and RNN
Li et al. On traffic density estimation with a boosted SVM classifier
CN111950395B (zh) 一种车辆识别方法、装置及计算机存储介质
Chen et al. A learning-based approach for leaf detection in traffic surveillance video
Patil et al. Vehicle detection and traffic assessment using images

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