CN112150828B - 基于图像识别技术的防抖动干扰动态调控红绿灯的方法 - Google Patents

基于图像识别技术的防抖动干扰动态调控红绿灯的方法 Download PDF

Info

Publication number
CN112150828B
CN112150828B CN202010996361.1A CN202010996361A CN112150828B CN 112150828 B CN112150828 B CN 112150828B CN 202010996361 A CN202010996361 A CN 202010996361A CN 112150828 B CN112150828 B CN 112150828B
Authority
CN
China
Prior art keywords
image
black
binarized
row
vehicle
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
CN202010996361.1A
Other languages
English (en)
Other versions
CN112150828A (zh
Inventor
刘开颖
刘磊
韩孟麒
宫惠珊
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime 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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN202010996361.1A priority Critical patent/CN112150828B/zh
Publication of CN112150828A publication Critical patent/CN112150828A/zh
Application granted granted Critical
Publication of CN112150828B publication Critical patent/CN112150828B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/07Controlling traffic signals
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/28Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/50Context or environment of the image
    • G06V20/52Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/62Text, e.g. of license plates, overlay texts or captions on TV images
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/017Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图像识别技术的防抖动干扰动态调控红绿灯的方法,包括,采集第一方向和第二方向的实时图像并进行灰度化和二值化处理获得二值化图像;通过对所述二值化图像进行求和处理判断当前方向是否有车辆,如果当前方向有车,利用霍夫变换对所述具有车道线的黑白图像进行处理获取所述黑白图像中车道线的偏转角度并进行校正并提取车辆轮廓获得车辆轮廓图像;对车辆轮廓图像进行遍历获得图像中车队的长度和宽度对应的像素,根据长度和宽度对应的像素获得车队的实际长度和实际宽度,通过配时方案计算第一方向和第二方向的车队的配时时长。该方法实现了对实现了对路口的智能化控制,保证了路口车辆的有序行驶。

Description

基于图像识别技术的防抖动干扰动态调控红绿灯的方法
技术领域
本发明涉及交通控制技术领域,具体涉及基于图像识别技术的防抖动干扰动态调控红绿灯的方法。
背景技术
目前城市交通呈现出道路信号灯间距较近,路网结构相对复杂等特点,导致道路常常发生拥堵问题。很多时候,东西向道路绿灯却并无车辆,南北向红灯却车队冗长,无论是行人还是车辆都在集体浪费时间,随着车辆在城市中的数量日益增长,这种现象日趋明显。而大多数红绿灯的工作原理仍然是定时器,即便是采取优化方案,也经常因为突发情况引起的路况变化会让原有优化方案效率降低、适得其反。因此,红绿灯智能化、人性化的需求也越来越强烈。
发明内容
本发明针对以上问题提出了一种基于图像识别技术的防抖动干扰动态调控红绿灯的方法。
本发明采用的技术手段如下:
一种基于图像识别技术的防抖动干扰动态调控红绿灯的方法,包括以下步骤,
步骤1、采集第一方向和第二方向的实时图像,对所述实时图像进行灰度化处理获得灰度图像;
步骤2、采用三帧差法对所述灰度图像进行二值化处理获得二值化图像;
步骤3、对所述二值化图像进行求和处理并判断所述二值化图像的和是否大于第一设定阈值,若是,判定当前方向有车辆并执行步骤4;若否,判断当前方向无车辆并返回步骤1;
步骤4、利用图像掩膜技术对所述灰度图像进行掩膜处理获得掩膜图像,对所述掩膜图像进行二值化处理获得具有车道线的黑白图像;
步骤5、利用霍夫变换对所述具有车道线的黑白图像进行处理获取所述黑白图像中车道线的偏转角度;
步骤6、根据所述偏转角度对所述灰度图像进行校正获得矫正后的图像;
步骤7、对所述矫正后的图像进行边缘检测,并提取车辆轮廓获得车辆轮廓图像;
步骤8、对所述车辆轮廓图像进行由首行自上而下和由尾行自下而上的两个方向的遍历,并对每行的像素进行求和,并与第二设定阈值进行判断,若大于等于所述第二设定阈值则判定为车队头和车队尾,并通过所述车队头和车队尾所在的行号获得整个车队的像素长度,对所述车辆轮廓图像进行由首列自左而右和由尾列自右而左两个方向的遍历,对每列的像素进行求和,并与第三设定阈值进行判断,若大于等于第三设定阈值则判定为车队左端和右端,并通过所述车队的左端和右端所在的列号获得整个车队的像素宽度;
步骤9、通过所述车队的像素长度获得车队的实际长度,通过所述车队的像素宽度获得车队的实际宽度;
步骤10、根据所述第一方向和第二方向的车队的实际长度和实际宽度,通过配时方案计算第一方向和第二方向的车队的配时时长。
进一步地,所述利用霍夫变换对所述黑白图像进行处理获取所述黑白图像中车道线的偏转角度包括以下步骤,
步骤50、利用边缘检测方法对所述具有车道线的黑白图像进行二值化处理获得二值化黑白图像并获得所述二值化黑白图像矩阵;
步骤51、对所述二值化黑白图像矩阵由首行至尾行依次进行如下操作:
自左向右遍历获得第一个为0的像素的列号,自右向左遍历获得第一个为0的像素的列号;
步骤52、通过所述自左向右遍历获得第一个为0的像素的列号和所述自右向左遍历获得第一个为0的像素的列号计算左右边缘像素距离,并根据所述左右边缘像素距离计算左右边缘实际距离;
步骤53、判断所述左右边缘实际距离是否大于实际车道线的宽度,若是,删除对应行的矩阵数据,若否,则保留对应行的矩阵数据,以形成车道线图像矩阵;
步骤54、对所述车道线图像矩阵进行霍夫变换,获得所述车道线图像矩阵中车道线的偏转角度。
进一步地,所述配时方案包括如下步骤,
步骤101、计算第一方向时间或第二方向时间的增益系数,所述增益系数采用公式(1)进行计算:
Figure GDA0003110267000000031
其中,n为第一方向时间或第二方向时间的增益系数;
m为第一方向的车队的实际长度,l为第二方向的车队的实际长度,p为摄像头拍摄的最大车长,p为常量;
步骤102、给定0<x<60,0<y<60,并根据所述增益系数n计算x和y;
当n>1时,x=60s,y=60/n+W1 s;
当n<1时,y=60s,x=60*n+W2 s;
当n=1或p=m或p=l时,x=y=60s;
其中:x为第一方向时间,y为第二方向时间,W1为第一方向的冗余时间,若第一方向的车队的实际宽度大于设定的阈值:W1=2s;反之,W1=0;
W2为第二方向的冗余时间,若第二方向的车队的实际宽度大于设定的阈值:W2=2s;反之,W2=0。
进一步地,所述采用三帧差法对所述灰度图像进行二值化处理获得二值化图像包括以下步骤,
步骤20、提取相邻的三帧灰度图像;
步骤21、用第二帧灰度图像减去第一帧灰度图像获得第一二值化图像,用第三帧灰度图像减去第二帧灰度图像获得第二二值化图像;
步骤22、将所述第一二值化图像与所述第二二值化图像相减获得二值化图像。
与现有技术比较,本发明所述的基于图像识别技术的防抖动干扰动态调控红绿灯的方法具有以下优点,通过对交通路口图像的采集,并对采集的图像进行校正处理获得车队的长度,进而根据车队的实际长度调整路口的车队配时时长,实现了对路口的智能化控制,并且通过霍夫变换对采集的图像进行校正,解决了采集画面受抖动干扰的问题,提高了车辆队长的转换精度。
附图说明
图1为本发明公开的基于图像识别技术的防抖动干扰动态调控红绿灯的方法的流程图;
图2为本发明中霍夫变换对所述黑白图像进行处理获取所述黑白图像中车道线的偏转角度的流程图。
具体实施方式
如图1所示,本发明公开的基于图像识别技术的防抖动干扰动态调控红绿灯的方法,包括以下步骤,
步骤1、采集第一方向和第二方向的实时图像,对所述实时图像进行灰度化处理获得灰度图像;
首先,利用架设在路口的视频摄像头对第一方向(南北方向或东西方向)和第二方向(东西方向或南北方向)进行实时图像采集,本发明中通过USB2.0Camera对架设在路口的视频摄像头进行控制并进行图像采集,具体过程如下的查询USB2.0Camera的具体参数;创建视频输入对象,得到预览下的默认格式的摄像头捕捉窗口;图像预览和显示并在指定预览窗口显示的坐标系;申请内存6空间,新建窗口并显示,判断是否有有效的图像对象句柄,若是有效图像则捕获图像;若否,关闭视频对象。
在对实时图像灰度化处理(预处理)部分采用加权平均法将彩色图像转化为灰度图像;通过中值滤波将该灰度图像的像素点的灰度值进行排序,并将排序后的中值作为该模板的中心点的像素值赋予新图像中该像素的灰度值。
步骤2、采用三帧差法对所述灰度图像进行二值化处理获得二值化图像;
具体地,所述采用三帧差法对所述灰度图像进行二值化处理获得二值化图像包括以下步骤,
步骤20、提取相邻的三帧灰度图像;
步骤21、用第二帧灰度图像减去第一帧灰度图像获得第一二值化图像,用第三帧灰度图像减去第二帧灰度图像获得第二二值化图像;
步骤22、将所述第一二值化图像与所述第二二值化图像相减获得二值化图像。通过三帧差法对灰度图像进行二值化处理,提高了识别精度,对运动量微小的物体也可以进行良好的检测。
步骤3、对所述二值化图像进行求和处理并判断所述二值化图像的和是否大于第一设定阈值,若是,判定当前方向有车辆并执行步骤4;若否,判断当前方向无车辆并返回步骤1;第一设定阈值为路面无车辆时,进行以上操作得到的二值化图像的和,可以在安装后先进行上述操作以获得第一设定阈值。
步骤4、利用图像掩膜技术对所述灰度图像进行掩膜处理获得掩膜图像,对所述掩膜图像进行二值化处理获得具有车道线的黑白图像;
用掩膜对图像上某些区域作屏蔽,使其不参加处理或不参加处理参数的计算,或仅对屏蔽区作处理或统计;用预先制作的感兴趣区掩膜与待处理图像相乘,得到感兴趣区图像,感兴趣区内图像值保持不变,而区外图像值都为0。利用掩膜技术只对感兴趣的部分图像进行提取,提高了精度。
步骤5、利用霍夫变换对所述具有车道线的黑白图像进行处理获取所述黑白图像中车道线的偏转角度;
具体地,如图2所示,所述利用霍夫变换对所述黑白图像进行处理获取所述黑白图像中车道线的偏转角度包括以下步骤,
步骤50、利用边缘检测方法对所述具有车道线的黑白图像进行二值化处理获得二值化黑白图像并获得所述二值化黑白图像矩阵;
步骤51、对所述二值化黑白图像矩阵由首行至尾行依次进行如下操作:
自左向右遍历获得第一个为0的像素的列号,自右向左遍历获得第一个为0的像素的列号;
步骤52、通过所述自左向右遍历获得第一个为0的像素的列号和所述自右向左遍历获得第一个为0的像素的列号计算左右边缘像素距离,并根据所述左右边缘像素距离计算左右边缘实际距离;
步骤53、判断所述左右边缘实际距离是否大于实际车道线的宽度,若是,删除对应行的矩阵数据,若否,则保留对应行的矩阵数据,以形成车道线图像矩阵;
步骤54、对所述车道线图像矩阵进行霍夫变换,获得所述车道线图像矩阵中车道线的偏转角度。架设在路口的视频摄像头由于风吹等原因会出现抖动等问题造成采集的图像出现偏转或歪斜,影响计算得到的车队长度和宽度的精度,本申请中通过霍夫变换解决了采集画面受抖动干扰的问题,提高了车辆队长的转换精度。为配时方案提供了良好的队长数据。
步骤6、根据所述偏转角度对所述灰度图像进行校正获得矫正后的图像;
霍夫变换检测车道线部分:由于摄像头默认安装时为垂直90;为防止拍摄角度受环境因素,如风雨等自然因素干扰摄像头摆动变化,使图像不稳定,所以利用霍夫变换检测车道线是否垂直;霍夫变换采用Hough变换的利用点与线的对偶性,将图像空间的线条变为参数空间的聚集点,从而检测给定图像是否存在给定性质的曲线;若检测出的车道线存在不是90度,则通过matlab程序将其调整为90度。
步骤7、对所述矫正后的图像进行边缘检测,并提取车辆轮廓获得车辆轮廓图像;
边缘检测技术采用canny算子,检测车辆得到其二值图像,进而有效地去除噪声,提取出车辆特征。如果存在着不连贯的缺点,通过数学形态学腐蚀膨胀操作,使得提取特征更接近真实。
步骤8、对所述车辆轮廓图像进行由首行自上而下和由尾行自下而上的两个方向的遍历,并对每行的像素进行求和,并与第二设定阈值进行判断,若大于等于所述第二设定阈值则判定为车队头和车队尾,并通过所述车队头和车队尾所在的行号获得整个车队的像素长度,对所述车辆轮廓图像进行由首列自左而右和由尾列自右而左两个方向的遍历,对每列的像素进行求和,并与第三设定阈值进行判断,若大于等于第三设定阈值则判定为车队左端和右端,并通过所述车队的左端和右端所在的列号获得整个车队的像素宽度;
步骤9、通过所述车队的像素长度获得车队的实际长度,通过所述车队的像素宽度获得车队的实际宽度;可以通过实际测量获得的图像中的每一像素对应的实际长度的对应关系,当摄像机安装后,该对应关系为固定的比例值,因此,可以通过获得的整个车队的像素长度和宽度获得车队的实际长度和宽度。
步骤10、根据所述第一方向和第二方向的车队的实际长度和实际宽度,通过配时方案计算第一方向和第二方向的车队的配时时长。
所述配时方案包括如下步骤,
步骤101、计算第一方向时间或第二方向时间的增益系数,所述增益系数采用公式(1)进行计算:
Figure GDA0003110267000000061
其中,n为第一方向时间或第二方向时间的增益系数;
m为第一方向的车队的实际长度,l为第二方向的车队的实际长度,p为摄像头拍摄的最大车长,p为常量;
步骤102、给定0<x<60,0<y<60,并根据所述增益系数n计算x和y;
当n>1时,x=60s,y=60/n+W1 s;
当n<1时,y=60s,x=60*n+W2 s;
当n=1或p=m或p=l时,x=y=60s;
其中:x为第一方向时间,y为第二方向时间,W1为第一方向的冗余时间,若第一方向的车队的实际宽度大于设定的阈值:W1=2s;反之,W1=0;
W2为第二方向的冗余时间,若第二方向的车队的实际宽度大于设定的阈值:W2=2s;反之,W2=0,s表示单位时间秒。
该方案的优点是可以更加灵活地根据车流量设置红绿灯时间,结合了行人、司机对通行时间的接受程度,也就是变灯的时长不应超过一分钟。将通行时间在双方的忍耐程度上最大程度利用,以减少变灯启动车辆和减速车辆和长时间等待对人们时间的浪费和尾气的过渡排放。同时我们还考虑了车速限制和车辆体积等一些现实要求,当检测到有大型车辆通过车速缓慢,可以适当延迟绿灯的持续时间。此方案可以在红绿灯时间配置合理的情况下,尽可能的使整个周期最大,以减少车辆启动却不行驶的情况。
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揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种基于图像识别技术的防抖动干扰动态调控红绿灯的方法,其特征在于:包括以下步骤,
步骤1、采集第一方向和第二方向的实时图像,对所述实时图像进行灰度化处理获得灰度图像;
步骤2、采用三帧差法对所述灰度图像进行二值化处理获得二值化图像;
步骤3、对所述二值化图像进行求和处理并判断所述二值化图像的和是否大于第一设定阈值,若是,判定当前方向有车辆并执行步骤4;若否,判断当前方向无车辆并返回步骤1;
步骤4、利用图像掩膜技术对所述灰度图像进行掩膜处理获得掩膜图像,对所述掩膜图像进行二值化处理获得具有车道线的黑白图像;
步骤5、利用霍夫变换对所述具有车道线的黑白图像进行处理获取所述黑白图像中车道线的偏转角度;
步骤6、根据所述偏转角度对所述灰度图像进行校正获得矫正后的图像;
步骤7、对所述矫正后的图像进行边缘检测,并提取车辆轮廓获得车辆轮廓图像;
步骤8、对所述车辆轮廓图像进行由首行自上而下和由尾行自下而上的两个方向的遍历,并对每行的像素进行求和,并与第二设定阈值进行判断,若大于等于所述第二设定阈值则判定为车队头和车队尾,并通过所述车队头和车队尾所在的行号获得整个车队的像素长度,对所述车辆轮廓图像进行由首列自左而右和由尾列自右而左两个方向的遍历,对每列的像素进行求和,并与第三设定阈值进行判断,若大于等于第三设定阈值则判定为车队左端和右端,并通过所述车队的左端和右端所在的列号获得整个车队的像素宽度;
步骤9、通过所述车队的像素长度获得车队的实际长度,通过所述车队的像素宽度获得车队的实际宽度;
步骤10、根据所述第一方向和第二方向的车队的实际长度和实际宽度,通过配时方案计算第一方向和第二方向的车队的配时时长;
所述配时方案包括如下步骤,
步骤101、计算第一方向时间或第二方向时间的增益系数,所述增益系数采用公式(1)进行计算:
Figure FDA0003110266990000021
其中,n为第一方向时间或第二方向时间的增益系数;
m为第一方向的车队的实际长度,l为第二方向的车队的实际长度,p为摄像头拍摄的最大车长,p为常量;
步骤102、给定0<x<60,0<y<60,并根据所述增益系数n计算x和y;
当n>1时,x=60s,y=60/n+W1s;
当n<1时,y=60s,x=60*n+W2s;
当n=1或p=m或p=l时,x=y=60s;
其中:x为第一方向时间,y为第二方向时间,W1为第一方向的冗余时间,若第一方向的车队的实际宽度大于设定的阈值:W1=2s;反之,W1=0;
W2为第二方向的冗余时间,若第二方向的车队的实际宽度大于设定的阈值:W2=2s;反之,W2=0。
2.根据权利要求1所述的基于图像识别技术的防抖动干扰动态调控红绿灯的方法,其特征在于:所述利用霍夫变换对所述黑白图像进行处理获取所述黑白图像中车道线的偏转角度包括以下步骤,
步骤50、利用边缘检测方法对所述具有车道线的黑白图像进行二值化处理获得二值化黑白图像并获得所述二值化黑白图像矩阵;
步骤51、对所述二值化黑白图像矩阵由首行至尾行依次进行如下操作:
自左向右遍历获得第一个为0的像素的列号,自右向左遍历获得第一个为0的像素的列号;
步骤52、通过所述自左向右遍历获得第一个为0的像素的列号和所述自右向左遍历获得第一个为0的像素的列号计算左右边缘像素距离,并根据所述左右边缘像素距离计算左右边缘实际距离;
步骤53、判断所述左右边缘实际距离是否大于实际车道线的宽度,若是,删除对应行的矩阵数据,若否,则保留对应行的矩阵数据,以形成车道线图像矩阵;
步骤54、对所述车道线图像矩阵进行霍夫变换,获得所述车道线图像矩阵中车道线的偏转角度。
3.根据权利要求2所述的基于图像识别技术的防抖动干扰动态调控红绿灯的方法,其特征在于:所述采用三帧差法对所述灰度图像进行二值化处理获得二值化图像包括以下步骤,
步骤20、提取相邻的三帧灰度图像;
步骤21、用第二帧灰度图像减去第一帧灰度图像获得第一二值化图像,用第三帧灰度图像减去第二帧灰度图像获得第二二值化图像;
步骤22、将所述第一二值化图像与所述第二二值化图像相减获得二值化图像。
CN202010996361.1A 2020-09-21 2020-09-21 基于图像识别技术的防抖动干扰动态调控红绿灯的方法 Active CN112150828B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010996361.1A CN112150828B (zh) 2020-09-21 2020-09-21 基于图像识别技术的防抖动干扰动态调控红绿灯的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010996361.1A CN112150828B (zh) 2020-09-21 2020-09-21 基于图像识别技术的防抖动干扰动态调控红绿灯的方法

Publications (2)

Publication Number Publication Date
CN112150828A CN112150828A (zh) 2020-12-29
CN112150828B true CN112150828B (zh) 2021-08-13

Family

ID=73892404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010996361.1A Active CN112150828B (zh) 2020-09-21 2020-09-21 基于图像识别技术的防抖动干扰动态调控红绿灯的方法

Country Status (1)

Country Link
CN (1) CN112150828B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113257011B (zh) * 2021-05-13 2022-07-26 广西交通职业技术学院 一种基于车路协同的交通信号控制系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3621842A1 (de) * 1986-06-30 1988-01-07 Siemens Ag Verfahren zur verkehrsabhaengigen gruenzeitbemessung in strassenverkehrssignalanlagen
CN104484997A (zh) * 2014-12-24 2015-04-01 福州大学 一种基于视频图像技术的区域运动车流量检测方法
CN106080398A (zh) * 2016-08-27 2016-11-09 时空链(北京)科技有限公司 一种汽车安全监测系统和方法
CN106128121A (zh) * 2016-07-05 2016-11-16 中国石油大学(华东) 基于局部特征分析的车辆排队长度快速检测算法
CN108629988A (zh) * 2018-05-15 2018-10-09 青岛永辉光电科技有限公司 交通信号灯调控方法、装置及电子设备
CN109615889A (zh) * 2018-12-29 2019-04-12 南京奥杰智能科技有限公司 用于交通信号智能控制的路口交通路况检测系统
CN109766846A (zh) * 2019-01-15 2019-05-17 电子科技大学 一种基于视频的自适应多车道车流检测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3621842A1 (de) * 1986-06-30 1988-01-07 Siemens Ag Verfahren zur verkehrsabhaengigen gruenzeitbemessung in strassenverkehrssignalanlagen
CN104484997A (zh) * 2014-12-24 2015-04-01 福州大学 一种基于视频图像技术的区域运动车流量检测方法
CN106128121A (zh) * 2016-07-05 2016-11-16 中国石油大学(华东) 基于局部特征分析的车辆排队长度快速检测算法
CN106080398A (zh) * 2016-08-27 2016-11-09 时空链(北京)科技有限公司 一种汽车安全监测系统和方法
CN108629988A (zh) * 2018-05-15 2018-10-09 青岛永辉光电科技有限公司 交通信号灯调控方法、装置及电子设备
CN109615889A (zh) * 2018-12-29 2019-04-12 南京奥杰智能科技有限公司 用于交通信号智能控制的路口交通路况检测系统
CN109766846A (zh) * 2019-01-15 2019-05-17 电子科技大学 一种基于视频的自适应多车道车流检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
单交叉路口智能交通信息系统研究与设计;马健翔;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200315(第3期);第13-26页 *
基于图像处理的车辆排队长度检测方法研究;李盼侬;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200115(第1期);第19-38页 *

Also Published As

Publication number Publication date
CN112150828A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN107045629B (zh) 一种多车道线检测方法
CN109784344B (zh) 一种用于地平面标识识别的图像非目标滤除方法
JP4942510B2 (ja) 車両画像認識装置およびその方法
TWI607901B (zh) 影像修補系統及其方法
CN111179232A (zh) 基于图像处理的钢筋尺寸检测系统及方法
CN109919883B (zh) 一种基于灰度转换的交通视频数据获取方法
CN108416316B (zh) 一种黑烟车的检测方法及系统
CN109359593B (zh) 一种基于图像局部栅格的雨雪环境画面模糊监测预警方法
CN110060221B (zh) 一种基于无人机航拍图像的桥梁车辆检测方法
CN104952256A (zh) 一种基于视频信息的交叉口处车辆的检测方法
CN107563331B (zh) 一种基于几何关系的道路标志线检测方法及系统
CN113516853B (zh) 一种针对复杂监控场景的多车道车流量检测方法
CN112528917A (zh) 斑马线区域识别方法、装置、电子设备和存储介质
CN110276318A (zh) 夜间公路下雨识别方法、装置、计算机设备及存储介质
CN114511832B (zh) 车道线分析方法、装置、电子设备及存储介质
CN112150828B (zh) 基于图像识别技术的防抖动干扰动态调控红绿灯的方法
CN109800641B (zh) 基于阈值自适应二值化和连通域分析的车道线检测方法
CN111192213A (zh) 图像去雾自适应参数的计算方法、图像去雾方法及系统
CN107977608B (zh) 一种应用于公路视频图像道路区域提取的方法
CN112669207A (zh) 一种基于电视摄像头的人脸图像分辨率增强方法
DE102020213799A1 (de) Hindernisdetektionsvorrichtung und Hindernisdetektionsverfahren
CN115440052B (zh) 一种基于大数据的交通流控制方法及装置
CN116030430A (zh) 铁轨识别方法、装置、设备及存储介质
CN112532938B (zh) 一种基于大数据技术的视频监控系统
CN110688876A (zh) 一种基于视觉的车道线检测方法及装置

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