CN112071058A - 基于深度学习的道路交通监控及车辆异常、违禁、火灾的检测方法及系统 - Google Patents
基于深度学习的道路交通监控及车辆异常、违禁、火灾的检测方法及系统 Download PDFInfo
- Publication number
- CN112071058A CN112071058A CN202010817205.4A CN202010817205A CN112071058A CN 112071058 A CN112071058 A CN 112071058A CN 202010817205 A CN202010817205 A CN 202010817205A CN 112071058 A CN112071058 A CN 112071058A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- road
- vehicle
- road traffic
- traffic monitoring
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 10
- 239000000779 smoke Substances 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 4
- 230000001960 triggered effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010304 firing Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/76—Television signal recording
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于深度学习的道路交通监控及车辆异常、违禁、火灾的检测方法及系统，包括以下步骤：利用道路上的摄像头对道路信息进行采集，以及利用深度学习方法对预处理后的数据进行训练；尺度可调节的中心区域定义中心区域，利用训练好的网络进行道路交通的检测；本发明的信息都会以图像和视频的形式被本发明的系统记录，并触发预警机制，及时报送给交通管理人员；融合了多种智能化技术，为道路上移动目标的运行安全提供保障，提高道路运行效率，为未来交通智能化发展提供技术参考。
Description
技术领域
本发明涉及道路交通监控、图像处理和计算机视觉领域，尤其涉及一种基于深度学习的智能道路交通监控系统。
背景技术
作为高新产业，智能交通拥有很好的市场前景。据市场需求统计预测，到 2021年智能交通产业的市场总规模将达880亿元。在高成本投入的同时，智能交通所承担的责任重大，智能交通产业如何结合利用多种高新技术，如计算机技术、物联网、大数据、视频监控图像处理等，实现对场面的监视、控制、引导、安防，仍需要社会各界的不断探索。
在道路机动车不断增加的环境下，城市的拥挤路段越来越多，道路运行的安全性不断受到挑战，加强各类道路场面的监管控制显得尤为重要。构建智能交通车辆监控系统，不仅可以减少管理者的工作负担、提高监视的质量水平、扩大监视作用范围，还能使管理者对道路上的突发事件及时处理，降低驾驶者的伤亡风险和财产的损失。
城市公路领域中，城市道路拥堵时有发生，其原因主要分为：城市基础设施资源供给和出行需求不匹配、公共交通绿色出行普及度不高和未合理利用道路场面交通网络。拥堵原因中，最大的问题是车多路少的现状，城市的基础设施架构定型，土地资源珍贵，大范围建设城市道路不现实。成都市2018年交通系统开始扩建智能数据融合系统，构建上千套智能交通综合检测设备和事件检测设备。同时联合百度地图研发上线交通实时监测和评定分析平台，实现交通诱导出行，有效绕行拥堵点。同年7月，公安部交通管理科学研究所在北京开展了“互联网 +城市交通管理创新”论坛，高德地图表明将联合阿里巴巴协同打造城市大脑智慧交通体系，预计未来三年服务6亿人/天，为社会节约庞大的时间成本，试点城市的拥堵下降一到两成。南京莱斯信息近五年来不断发展城市交通信号控制解决方案，实现了区域交通信号机控制，用于协调路网交通流运行，公安部门在特殊情况下可通过管理中心人工干预，直接控制道路交叉口信号机相位，保证城市公路交通畅通和特勤车辆的优先通行。
如今针对道路场面运动目标的智能交通系统需要首先实现数据的实时检测，实时检测是实时控制的重要基础，所检测的数据应当加以分析处理，生成运动目标的即时位置、即时速度等信息，系统应能够达到全天候、高精度、大区域的工作要求。在智能化产业蓬勃发展的背景下，本发明利用深度学习技术，旨在设计并开发一个智能道路交通车辆监控系统，对上海部分路段的道路交通信息实时采集和分析。本系统能够实现行人与非机动车的检测，防止行人与非机动车进入高速路造成违章行为；异常停车检测，及时避免事故发生；违禁车辆检测，防止机动车进入所设定的违禁区造成安全隐患；烟雾与火灾检测，及时发现道路上因长时驾驶而自燃的车辆。以上信息都会以图像和视频的形式被本发明的系统记录，并触发预警机制，及时报送给交通管理人员。系统整体融合了多种智能化技术，为道路上移动目标的运行安全提供保障，提高道路运行效率，为未来交通智能化发展提供技术参考。
发明内容
1、本发明的目的
针对交通道路中，交管人员对行人、汽车等交通工具引起的道路安全问题不能及时获知，而提出了一种基于深度学习的智能道路交通监控、异常车辆、违停、车辆火灾的检测方法。
2、本发明所采用的技术方案
本发明公开了一种基于深度学习的道路交通监控方法，包括以下步骤：
利用道路上的摄像头对道路信息进行采集，以及利用深度学习方法对预处理后的数据进行训练；
尺度可调节的中心区域定义法如下，n的值根据边界框大于或小于阈值而确定，具体为；
其中，ctlx表示中央区域的左上角横坐标，ctly表示中央区域的左上角纵坐标，ctrx表示中央区域的右下角横坐标，ctry表示中央区域的右下角纵坐标，(tlx,tly)表示ROI的左上角坐标，(brx,bry)表示ROI的右下角坐标，ctlx，n表示对ROI划分的块数；
利用训练好的网络进行道路交通的检测。
优选的，利用道路上的摄像头对道路信息进行采集，包括人员类别和车辆、路障类别识别。
优选的，n的值根据边界框的数量是否大于150设置为3或5。
优选的，采用CenterNet检测算法进行训练，CenterNet为一种目标检测网络模型：
利用关键点三元组即中心点、左上角点和右下角点三个关键点确定一个目标，中心点采用中心池化(center pooling)机制，通过相加特征图水平和垂直方向上最大值获得，角点采用级联的中心池化(cascade cornerpooling)，同时获取内部和边沿信息。
优选的，所述道路交通的检测包括：
行人与非机动车的检测；通过道路上摄像头所拍的视频，利用计算机视觉判断行人和非机动车是否违章进入该路段；违章数据包括违章的行人和车全景图像和历史录像、停车时间数据内容。
本发明公开了一种基于深度学习的智能道路交通监控系统，包括处理器及存储器，存储及交互如所述的智能交通监控方法。
本发明公开了一种基于深度学习的异常车辆检测方法，使用所述的道路交通监控方法，对视频中车辆停留时间超出阈值的事件判断为异常停车，并对停车行为抓拍数字图片。
本发明公开了一种基于深度学习的异常车辆检测系统，包括处理器及存储器，存储及交互所述的异常车辆检测方法。
本发明公开了一种基于深度学习的违禁车辆检测方法，使用所述的道路交通监控方法，将违禁车辆闯入禁止区判断为视频中违禁的事件。
优选的，不同车辆违禁路段不同。
本发明公开了一种基于深度学习的违禁车辆检测系统，包括处理器及存储器，存储及交互所述的基于深度学习的违禁车辆检测方法。
本发明公开了一种基于深度学习的车辆火灾检测方法，使用所述的道路交通监控方法，对汽车所产生的烟雾和火焰检测，对火灾行为抓拍数字图片。
优选的，对目标进行数据增强，扩充该类数据集的数量。
本发明公开了一种基于深度学习的车辆火灾检测方法，包括处理器及存储器，存储及交互所述的基于深度学习的车辆火灾检测方法。
3、本发明所采用的有益效果
(1)由于中心区域的尺度会影响错误框去除效果，中心区域过小导致很多小尺度的错误目标框无法被去除，中心区域过大导致很多大尺度的错误目标框无法被去除，本发明提出的尺度可调节的中心区域定义法可以在预测框的尺度较大时定义一个相对较小的中心区域，在预测框的尺度较小时预测一个相对较大的中心区域。
(2)本发明属于路政系统，是一个基于深度学习的智能道路交通监控系统，包括以下四个功能：行人与非机动车的检测、异常停车检测、违禁车辆检测、火灾检测。
(3)针对特定道路，如高速公路，本发明检测行人与非机动车是否在机动车道/高速路/快速路的事件判断为行人和非机动车违章行为，并实时输出行人和机动车消息和图片；可以为违章的行人和车辆及时预警，防止交通道路安全事故的发生。
(4)对于特定道路的限制，本发明检测视频中车辆停留时间超出阈值的事件判断为异常停车，对停车行为抓拍一张或二张数字图片。同时本发明对一些特殊类别的车辆，如工程车等，不进行异常停车判断，防止工程车因正常作业误报警。
(5)对于属于禁止区的特定道路，本发明将违禁车辆闯入禁止区判断为违禁事件，自动记录违规数据。违规数据中包括全景图像和历史录像、停车时间等相关数据等内容。
(6)由于普通道路尤其是高速公路上经常会有机动车自燃的情况发生，产生烟雾和火焰。本发明的系统可以对汽车自身所产生的烟雾和火焰及时检测，对火灾行为抓拍一张或二张数字图片，并及时向道路管理人员预警。
(7)在训练网络的过程中，行人、非机动车上机动车道的情况发生的很少，烟雾和火灾情况的发生也很少，本发明对这部分数据进行了增强，增加样本的多样性，有助于检测网络对各种车辆目标的正确检测。
(8)本发明设计一个智能道路交通监控系统。信息都会以图像和视频的形式被本发明的系统记录，并触发预警机制，及时报送给交通管理人员。系统整体融合了多种智能化技术，为道路上移动目标的运行安全提供保障，提高道路运行效率，为未来交通智能化发展提供技术参考。
附图说明
图1为本发明的系统原理图；
图2为本实施实施示例中的CenterNet检测框架图；
图3为本发明尺度可调节的中心区域示意图；
图4为本发明实际效果图一；
图5为本发明实际效果图二；
图6为本发明实际效果图三；
图7为本发明实际效果图四。
具体实施方式
下面结合本发明实例中的附图，对本发明实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。基于本发明的实施例，本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面将结合附图对本发明实例作进一步地详细描述。
实施例1
本发明设计了一种基于深度学习的智能道路交通监控系统，能够对上海部分交通道路上的异常、突发情况进行及时预警和处理。系统设计步骤如下：
(1)布置在道路上的N组摄像头组进行道路视频信息的实时采集。
(2)采集到的视频里人工标注出“轿车”、“公共汽车”、“大型面包车(类似救护车)”、“小集装箱货车(类似搬家公司车)”、“大集装箱货车”、“大货车(不带集装箱)”、“油罐车”、“封道作业车(带车斗)”、“牵引车”、“道路洒水车”、“拖车”、“警车”、“自行车”、“路障”、“火焰”、“烟雾”、“行人”、“道路工作人员”、“消防员”、“警察”等共20类目标。
(3)由于实际道路场景中，火焰和烟雾目标相对于常规车辆目标较少，本发明对这一类目标进行数据增强，扩充该类数据集的数量。
(4)对含有标注的20类目标的图像进行训练，本发明采用CenterNet检测算法进行训练。
(5)CenterNet利用关键点三元组即中心点、左上角点和右下角点三个关键点而不是两个点来确定一个目标，使网络花费了很小的代价便具备了感知物体内部信息的能力，从而能有效抑制误检。中心点采用center pooling机制，通过相加特征图水平和垂直方向上最大值获得，角点采用cascade cornerpooling，类似于原来的corner pooling模块，只不过同时获取内部和边沿信息以增加稳定性。
(6)中心区域的尺度会影响错误框去除效果。中心区域过小导致很多小尺度的错误目标框无法被去除，而中心区域过大导致很多大尺度的错误目标框无法被去除，因此论文提出了尺度可调节的中心区域定义法如下公式(1)。该方法可以在预测框的尺度较大时定义一个相对较小的中心区域，在预测框的尺度较小时预测一个相对较大的中心区域。如下图所示，n的值根据边界框是否大于150进行设置为3或5。
其中，ctlx表示中央区域的左上角横坐标，ctly表示中央区域的左上角纵坐标，ctrx表示中央区域的右下角横坐标，ctry表示中央区域的右下角纵坐标，(tlx,tly)表示ROI的左上角坐标，(brx,bry)表示ROI的右下角坐标，ctlx，n表示对ROI 划分的块数，n的值根据边界框的数量是否大于150设置为3或5。
(7)对上述所有图片利用CenterNet进行训练后，系统进行以下行人与非机动车的检测、异常停车检测、违禁车辆检测、火灾检测的部署。
实施例2
本发明利用上述方法，进行行人与非机动车的检测。通过机动车道/高速路 /快速路上摄像头所拍的视频，利用计算机视觉判断行人和非机动车是否违章进入该路段，若违章进入该路段，则及时通报给路段警务人员，并记录违章数据。违章数据包括违章的行人和机动车等全景图像和历史录像、停车时间等相关数据内容。
实施例3
本发明利用上述方法，进行异常停车检测。本发明对视频中车辆停留时间超出阈值的事件判断为异常停车，并对停车行为抓拍一张或两张数字图片。为了避免误处理，警车及道路工作相关车辆不算入内。异常停车设置为1分钟停留触发报警，10分钟内同一地点的异常停车仅做一次报警。
实施例4
本发明利用上述方法，进行违禁车辆检测。对于道路上的一些特殊区域，如高速路上的紧急停车带等，正常情况下禁止车辆驶入，本发明将违禁车辆闯入禁止区判断为视频中违禁的事件。违禁车辆包含非厢式货车、大型集装箱车，其他车辆均视为可通行车辆。
实施例5
本发明利用上述方法，进行火灾检测。由于普通道路尤其是高速公路上经常会有机动车自燃的情况发生，产生烟雾和火焰。为了及时发现和预警，本发明对汽车自身所产生的烟雾和火焰及时检测，若遇到危险情况发生，及时输出火灾消息和图片，对火灾行为抓拍一张或二张数字图片。
以上所述，仅为本发明较佳的具体实施方式，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披露的技术范围内，可轻易想到的变化或替换，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该以权利要求书的保护范围为准。
Claims (14)
1.一种基于深度学习的道路交通监控方法，其特征在于包括以下步骤：
利用道路上的摄像头对道路信息进行采集，以及利用深度学习方法对预处理后的数据进行训练；
尺度可调节的中心区域定义法如下，n的值根据边界框大于或小于阈值而确定，具体为；
其中，ctlx表示中央区域的左上角横坐标，ctly表示中央区域的左上角纵坐标，ctrx表示中央区域的右下角横坐标，ctry表示中央区域的右下角纵坐标，(tlx,tly)表示ROI的左上角坐标，(brx,bry)表示ROI的右下角坐标，ctlx，n表示对ROI划分的块数；
利用训练好的网络进行道路交通的检测。
2.根据权利要求1所述的基于深度学习的道路交通监控方法，其特征在于：利用道路上的摄像头对道路信息进行采集，包括人员类别和车辆、路障类别识别。
3.根据权利要求1所述的基于深度学习的道路交通监控方法，其特征在于：n的值根据边界框的数量是否大于150设置为3或5。
4.根据权利要求3所述的基于深度学习的道路交通监控方法，其特征在于：采用CenterNet检测算法进行训练：
利用关键点三元组即中心点、左上角点和右下角点三个关键点确定一个目标，中心点采用center pooling机制，通过相加特征图水平和垂直方向上最大值获得，角点采用cascade cornerpooling，同时获取内部和边沿信息。
5.根据权利要求1所述的一种基于深度学习的道路交通监控方法，其特征在于，所述道路交通的检测包括：
行人与非机动车的检测；通过道路上摄像头所拍的视频，利用计算机视觉判断行人和非机动车是否违章进入该路段；违章数据包括违章的行人和车全景图像和历史录像、停车时间数据内容。
6.一种基于深度学习的智能道路交通监控系统，其特征在于：包括处理器及存储器，存储及交互如权利要求1-5任一所述的智能交通监控方法。
7.一种基于深度学习的异常车辆检测方法，其特征在于：使用如权利要求1-5任一所述的道路交通监控方法，对视频中车辆停留时间超出阈值的事件判断为异常停车，并对停车行为抓拍数字图片。
8.一种基于深度学习的异常车辆检测系统，其特征在于：包括处理器及存储器，存储及交互如权利要求7所述的异常车辆检测方法。
9.一种基于深度学习的违禁车辆检测方法，其特征在于：使用如权利要求1-5任一所述的道路交通监控方法，将违禁车辆闯入禁止区判断为视频中违禁的事件。
10.根据权利要求9所述的基于深度学习的违禁车辆检测方法，其特征在于：不同车辆违禁路段不同。
11.一种基于深度学习的违禁车辆检测系统，其特征在于：包括处理器及存储器，存储及交互如权利要求9所述的基于深度学习的违禁车辆检测方法。
12.一种基于深度学习的车辆火灾检测方法，其特征在于：使用如权利要求1-5任一所述的道路交通监控方法，对汽车所产生的烟雾和火焰检测，对火灾行为抓拍数字图片。
13.根据权利要求8所述的基于深度学习的车辆火灾检测方法，其特征在于：对目标进行数据增强，扩充该类数据集的数量。
14.一种基于深度学习的车辆火灾检测方法，其特征在于：包括处理器及存储器，存储及交互如权利要求14所述的基于深度学习的车辆火灾检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010817205.4A CN112071058A (zh) | 2020-08-14 | 2020-08-14 | 基于深度学习的道路交通监控及车辆异常、违禁、火灾的检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010817205.4A CN112071058A (zh) | 2020-08-14 | 2020-08-14 | 基于深度学习的道路交通监控及车辆异常、违禁、火灾的检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112071058A true CN112071058A (zh) | 2020-12-11 |
Family
ID=73661643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010817205.4A Pending CN112071058A (zh) | 2020-08-14 | 2020-08-14 | 基于深度学习的道路交通监控及车辆异常、违禁、火灾的检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112071058A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139427A (zh) * | 2021-03-12 | 2021-07-20 | 浙江智慧视频安防创新中心有限公司 | 基于深度学习的蒸汽管网智能监控方法、系统及设备 |
| CN113607180A (zh) * | 2021-08-05 | 2021-11-05 | 浙江数智交院科技股份有限公司 | 驾驶引导方法、装置、系统及存储介质 |
| CN113628430A (zh) * | 2021-08-10 | 2021-11-09 | 珠海格力电器股份有限公司 | 违停报警方法、装置、电子设备及存储介质 |
| CN116863714A (zh) * | 2023-08-11 | 2023-10-10 | 中铁建工集团有限公司 | 一种基于深度学习和图像识别的施工交通疏导系统及方法 |
| CN117975382A (zh) * | 2024-04-01 | 2024-05-03 | 杭州智科通智能科技有限公司 | 一种基于深度学习的违章检测交通控制方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407893A (zh) * | 2016-08-29 | 2017-02-15 | 东软集团股份有限公司 | 一种检测车道线的方法、装置和设备 |
| CN106571039A (zh) * | 2016-08-22 | 2017-04-19 | 中海网络科技股份有限公司 | 一种高速公路违章行为自动抓拍系统 |
| CN109615868A (zh) * | 2018-12-20 | 2019-04-12 | 北京以萨技术股份有限公司 | 一种基于深度学习的视频车辆违停检测方法 |
| CN109841058A (zh) * | 2018-12-29 | 2019-06-04 | 宁波中数云创信息技术有限公司 | 一种基于海量数据流化实时订阅应急联动的方法 |
| CN110738857A (zh) * | 2018-07-18 | 2020-01-31 | 杭州海康威视数字技术股份有限公司 | 一种车辆违章取证方法、装置及设备 |
| CN110765890A (zh) * | 2019-09-30 | 2020-02-07 | 河海大学常州校区 | 基于胶囊网络深度学习架构的车道及车道标识检测方法 |
| CN110838233A (zh) * | 2019-10-12 | 2020-02-25 | 中国平安人寿保险股份有限公司 | 车辆行为分析方法、装置及计算机可读存储介质 |
| CN111444801A (zh) * | 2020-03-18 | 2020-07-24 | 成都理工大学 | 一种无人机红外目标实时检测方法 |
| CN111523553A (zh) * | 2020-04-03 | 2020-08-11 | 中国计量大学 | 一种基于相似度矩阵的中心点网络多目标检测方法 |
-
2020
- 2020-08-14 CN CN202010817205.4A patent/CN112071058A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106571039A (zh) * | 2016-08-22 | 2017-04-19 | 中海网络科技股份有限公司 | 一种高速公路违章行为自动抓拍系统 |
| CN106407893A (zh) * | 2016-08-29 | 2017-02-15 | 东软集团股份有限公司 | 一种检测车道线的方法、装置和设备 |
| CN110738857A (zh) * | 2018-07-18 | 2020-01-31 | 杭州海康威视数字技术股份有限公司 | 一种车辆违章取证方法、装置及设备 |
| CN109615868A (zh) * | 2018-12-20 | 2019-04-12 | 北京以萨技术股份有限公司 | 一种基于深度学习的视频车辆违停检测方法 |
| CN109841058A (zh) * | 2018-12-29 | 2019-06-04 | 宁波中数云创信息技术有限公司 | 一种基于海量数据流化实时订阅应急联动的方法 |
| CN110765890A (zh) * | 2019-09-30 | 2020-02-07 | 河海大学常州校区 | 基于胶囊网络深度学习架构的车道及车道标识检测方法 |
| CN110838233A (zh) * | 2019-10-12 | 2020-02-25 | 中国平安人寿保险股份有限公司 | 车辆行为分析方法、装置及计算机可读存储介质 |
| CN111444801A (zh) * | 2020-03-18 | 2020-07-24 | 成都理工大学 | 一种无人机红外目标实时检测方法 |
| CN111523553A (zh) * | 2020-04-03 | 2020-08-11 | 中国计量大学 | 一种基于相似度矩阵的中心点网络多目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张婷婷等: "基于深度学习的图像目标检测算法综述", 《电信科学》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139427A (zh) * | 2021-03-12 | 2021-07-20 | 浙江智慧视频安防创新中心有限公司 | 基于深度学习的蒸汽管网智能监控方法、系统及设备 |
| CN113607180A (zh) * | 2021-08-05 | 2021-11-05 | 浙江数智交院科技股份有限公司 | 驾驶引导方法、装置、系统及存储介质 |
| CN113628430A (zh) * | 2021-08-10 | 2021-11-09 | 珠海格力电器股份有限公司 | 违停报警方法、装置、电子设备及存储介质 |
| CN113628430B (zh) * | 2021-08-10 | 2022-05-20 | 珠海格力电器股份有限公司 | 违停报警方法、装置、电子设备及存储介质 |
| CN116863714A (zh) * | 2023-08-11 | 2023-10-10 | 中铁建工集团有限公司 | 一种基于深度学习和图像识别的施工交通疏导系统及方法 |
| CN117975382A (zh) * | 2024-04-01 | 2024-05-03 | 杭州智科通智能科技有限公司 | 一种基于深度学习的违章检测交通控制方法及系统 |
| CN117975382B (zh) * | 2024-04-01 | 2024-06-11 | 杭州智科通智能科技有限公司 | 一种基于深度学习的违章检测交通控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112071058A (zh) | 基于深度学习的道路交通监控及车辆异常、违禁、火灾的检测方法及系统 | |
| CN108919256B (zh) | 四维实景交通仿真车辆超速全程跟踪检测报警系统及方法 | |
| CN102521983B (zh) | 一种基于高清视频技术的车辆违章检测系统及方法 | |
| US8666117B2 (en) | Video-based system and method for detecting exclusion zone infractions | |
| Fernández-Caballero et al. | Road-traffic monitoring by knowledge-driven static and dynamic image analysis | |
| CN109326124A (zh) | 一种基于机器视觉的城市环境停放车辆行为识别系统 | |
| US20180240336A1 (en) | Multi-stream based traffic enforcement for complex scenarios | |
| WO2021014464A1 (en) | System, multi-utility device and method to monitor vehicles for road saftey | |
| CN113012436B (zh) | 道路监控方法、装置及电子设备 | |
| CN113850995B (zh) | 一种基于隧道雷视数据融合的事件检测方法、装置及系统 | |
| CN112528759A (zh) | 一种基于计算机视觉的交通违章行为检测方法 | |
| CN112749630A (zh) | 一种道路路况智能视频监控方法及系统 | |
| KR102483250B1 (ko) | 해양도시 인프라의 효율적 관제를 위한 영상 ai 기반 안전관리 통합장치 | |
| CN116863715A (zh) | 一种智慧高速状态监测和事件预警方法及系统 | |
| CN114724356B (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 | |
| Hovorushchenko et al. | Road Accident Prevention System | |
| CN115601994A (zh) | 一种道路协同预警方法、装置、电子设备及存储介质 | |
| Hnoohom et al. | The video-based safety methodology for pedestrian crosswalk safety measured: The case of Thammasat University, Thailand | |
| Akikawa et al. | Smartphone-based risky traffic situation detection and classification | |
| JP4128962B2 (ja) | 道路交通管制システム | |
| Fowdur et al. | A mobile application for real-time detection of road traffic violations | |
| TWI843641B (zh) | 根據交通場景影片自動整理事故發生因素並預測路段事故的方法及電腦裝置、電腦可讀取的記錄媒體 | |
| Nagaraj et al. | Traffic Detection and Enhancing Traffic Safety: YOLO V8 Framework and OCR for Violation Detection Using Deep Learning Techniques | |
| Pearce et al. | Implementing ATVAM, the world's largest ITS program, across Saudi Arabia | |
| Jalayer et al. | Evaluating the Safety and Mobility Impacts of American Dream Complex: Phase I (Feasibility Study, and Data Acquisition) |
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: 20201211 |