CN112185103A - 交通监控方法、装置及电子设备 - Google Patents

交通监控方法、装置及电子设备 Download PDF

Info

Publication number
CN112185103A
CN112185103A CN201910908621.2A CN201910908621A CN112185103A CN 112185103 A CN112185103 A CN 112185103A CN 201910908621 A CN201910908621 A CN 201910908621A CN 112185103 A CN112185103 A CN 112185103A
Authority
CN
China
Prior art keywords
traffic
vehicle
target area
threshold
area
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
CN201910908621.2A
Other languages
English (en)
Inventor
毛河
杨勇
石永禄
朱彬
高枫
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.)
Chengdu Topplusvision Science & Technology Co ltd
Original Assignee
Chengdu Topplusvision Science & Technology Co ltd
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 Chengdu Topplusvision Science & Technology Co ltd filed Critical Chengdu Topplusvision Science & Technology Co ltd
Priority to CN201910908621.2A priority Critical patent/CN112185103A/zh
Publication of CN112185103A publication Critical patent/CN112185103A/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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种交通监控方法、装置及电子设备，其中，该交通监控方法包括：获取目标区域中的图像数据；根据所述图像数据确定出所述目标区域中的车辆数据；识别所述图像数据，以确定出所述目标区域中是否存在限制事件；根据所述车辆数据确定出所述目标区域中的交通状况；当所述目标区域的交通状况属于非交通通畅时，仅将所述目标区域的交通状况发送给监控服务器。

Description

交通监控方法、装置及电子设备
技术领域
本申请涉及交通监控技术领域，具体而言，涉及一种交通监控方法、装置及电子设备。
背景技术
由于交通在正常情况下与交通在拥堵情况下时，车辆的行驶状态(例如，速度、加速度等)可能会有一些差异。由于这些差异，导致在现有技术中，在交通在拥堵情况下时可能会出现一些车辆在正常缓慢行驶时，却被识别为违停状态的情况，因此，在交通拥堵情况时，会出现一些交通异常的错误反馈。
发明内容
有鉴于此，本申请实施例的目的在于提供一种交通监控方法、装置及电子设备。能够减少交通异常的错误反馈的情况。
第一方面，本申请实施例提供了一种交通监控方法，包括：
获取目标区域中的图像数据；
根据所述图像数据确定出所述目标区域中的车辆数据；
识别所述图像数据，以确定出所述目标区域中是否存在限制事件；
根据所述车辆数据确定出所述目标区域中的交通状况；
当所述目标区域中存在所述限制事件时，且所述目标区域的交通状况属于交通通畅时，将所述限制事件发送给监控服务器；
当所述目标区域的交通状况属于非交通通畅时，仅将所述目标区域的交通状况发送给监控服务器。
本申请实施例提供的交通监控方法、装置及系统，采用两种不同的交通上报方式对交通各类情况进行反馈，当所述目标区域的交通状况属于交通通畅时，对各类交通情况均可以进行上报；当所述目标区域的交通状况属于非交通通畅时，将不对限制事件进行上报，仅将所述目标区域的交通状况。与现有技术中的交通中的违规事项单独上报，与交通情况不关联相比，本申请实施例中的方式可以有效降低在非交通通畅情况下对限制事件的错误反馈，同时在交通通畅时对限制事件进行正常反馈，从而提高交通监控数据的有效性。
结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中：所述根据所述车辆数据确定出所述目标区域中的交通状况的步骤，包括：
将所述车辆数据与第一类阈值进行比较，以确定所述车辆数据对应的所述目标区域的交通状况为所述交通通畅或所述非交通通畅。
本申请实施例提供的交通监控方法，还可以通过阈值对车辆数据进行分类，从而实现对交通状况中的交通通畅和非交通通畅进行区别。
结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第二种可能的实施方式，其中：所述车辆数据包括车辆数量、车辆面积占比及车辆轨迹数据，所述第一类阈值包括第一数量阈值、第一面积阈值及第一轨迹阈值；所述将所述车辆数据与第一类阈值进行比较，以确定所述车辆数据对应的所述目标区域的交通状况为所述交通通畅或所述非交通通畅的步骤，包括：
将所述车辆数量与所述第一数量阈值进行比较，得到第一结果；
将所述车辆面积占比与所述第一面积阈值进行比较，所述目标区域的面积根据所述图像数据确定，得到第二结果；
将所述车辆轨迹数据与所述第一轨迹阈值进行比较，得到第三结果；
根据所述第一结果、所述第二结果和/或所述第三结果确定出所述目标区域的交通状况为所述交通通畅或所述非交通通畅。
本申请实施例提供的交通监控方法，还可以通过车辆数据中的车辆数量、车辆面积占比及车辆轨迹数据分别与对应的阈值进行比较，从而可以更准确地对交通状况进行识别。
结合第一方面，本申请实施例提供了第一方面的第三种可能的实施方式，其中，所述非交通通畅包括：半拥堵状况及拥堵状况；所述根据所述车辆数据确定出所述目标区域中的交通状况的步骤，包括：
将所述车辆数据分别与第一类阈值和第二类阈值进行比较，以确定出所述车辆数据对应的所述目标区域的交通状况为交通通畅或半拥堵状况或拥堵状况；
所述当所述目标区域的交通状况属于非交通通畅时，仅将所述目标区域的交通状况发送给监控服务器的步骤，包括：
当所述目标区域的交通状况属于非交通通畅中的拥堵状况时，仅将所述目标区域的交通状况发送给监控服务器。
本申请实施例提供的交通监控方法，还可以结合两类阈值与车辆数据进行对比，可以将交通状况分更多类，从而实现更加准确地对交通的识别；另外，仅在拥堵状况时，将目标区域的交通状况发送给监控服务器，从而可以减少数据传输压力的情况下，也能够实现交通拥堵状态的上报。进一步地，通过纳入半拥堵状况的识别，通过一些阈值的比较能够确定出半拥堵状况，在实现降低交通识别的难度的情况下，还能够更准确地识别交通状况。
结合第一方面的第三种可能的实施方式，本申请实施例提供了第一方面的第四种可能的实施方式，其中：所述车辆数据包括车辆数量、车辆面积占比及车辆轨迹数据，所述第一类阈值包括第一数量阈值、第一面积阈值及第一轨迹阈值，所述第二类阈值包括第二数量阈值、第二面积阈值及第二轨迹阈值，所述第二数量阈值大于所述第一数量阈值，所述第二面积阈值大于所述第一面积阈值，所述第二轨迹阈值大于所述第一轨迹阈值；所述将所述车辆数据分别与所述第一类阈值和第二类阈值进行比较，以确定出所述车辆数据对应的所述目标区域的交通状况为交通通畅或半拥堵状况或拥堵状况的步骤，包括：
将所述车辆数量与所述第一数量阈值和所述第二数量阈值进行比较，得到第四结果；
将所述车辆面积占比与所述第一面积阈值和第二面积阈值进行比较，所述目标区域的面积根据所述图像数据确定，得到第五结果；
将所述车辆轨迹数据与所述第一轨迹阈值和第二轨迹阈值进行比较，得到第六结果；
根据所述第四结果、所述第五结果和/或所述第六结果确定出所述目标区域的交通状况为交通通畅或半拥堵状况或拥堵状况。
进一步，本申请实施例提供的交通监控方法，还可以两类阈值分别对车辆数据中的车辆数量、车辆面积占比及车辆轨迹数据进行比较，从而可以更准确地对交通状况进行识别。
结合第一方面或第一方面的第一种可能的实施方式至第四种可能的实施方式中的任一实施方式，本申请实施例提供了第一方面的第五种可能的实施方式，其中：所述根据所述图像数据确定出所述目标区域中的车辆数据的步骤，包括：
对所述图像数据进行车辆识别，以得到所述图像数据中的车辆数量。
进一步，本申请实施例提供的交通监控方法，还可以车辆数量也能够间接反映出交通状态，从而通过车辆数量的识别，也能够提高交通状况识别的准确性。
结合第一方面或第一方面的第一种可能的实施方式至第四种可能的实施方式中的任一实施方式，本申请实施例提供了第一方面的第六种可能的实施方式，其中：所述根据所述图像数据确定出所述目标区域中的车辆数据的步骤，包括：
对所述图像数据进行车辆识别，以得到所述图像数据中目标区域的车辆面积占比。
进一步，本申请实施例提供的交通监控方法，还可以先对图像数据中的车辆区域及车道区域分别处理计算，得到车辆面积占比可以确定出目标区域中的拥挤程度，从而可以辅助识别交通的拥堵情况。
结合第一方面或第一方面的第一种可能的实施方式至第四种可能的实施方式中的任一实施方式，本申请实施例提供了第一方面的第七种可能的实施方式，其中：所述图像数据包括指定时间段内的多帧图像；所述根据所述图像数据确定出所述目标区域中的车辆数据的步骤，包括：
通过所述多帧图像确定出所述目标区域中的目标车辆的车辆轨迹；
通过所述车辆轨迹、所述指定时间段及所述目标车辆在所述图像数据中的车宽得到所述车辆数据。
进一步，本申请实施例提供的交通监控方法，还可以对车辆移动情况进行识别，由于图像数据会存在远小近大的情况，从而将车辆在图像中的宽度作为参考，从而更准确地确定出车辆的车辆轨迹数据，再进一步地辅助交通状况的识别，从而提高交通状况的识别准确率。
第二方面，本申请实施例还提供一种交通监控装置，包括：
获取模块，用于获取目标区域中的图像数据；
第一确定模块，用于根据所述图像数据确定出所述目标区域中的车辆数据；
识别模块，用于识别所述图像数据，以确定出所述目标区域中是否存在限制事件；
第二确定模块，用于根据所述车辆数据确定出所述目标区域中的交通状况；
第一发送模块，用于当所述目标区域中存在所述限制事件时，且所述目标区域的交通状况属于交通通畅时，将所述限制事件发送给监控服务器；
第二发送模块，用于当所述目标区域的交通状况属于非交通通畅时，仅将所述目标区域的交通状况发送给监控服务器。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的任一种可能的实施方式中的交通监控方法的步骤。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的电子设备与监控服务器进行交互的示意图。
图2为本申请实施例提供的电子设备的方框示意图。
图3为本申请实施例提供的交通监控方法的流程图。
图4为本申请实施例提供的交通监控方法的步骤304的详细流程图。
图5为本申请实施例提供的交通监控方法的步骤304的另一详细流程图。
图6为本申请实施例提供的交通监控装置的功能模块示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
交通拥堵检测一般是基于车辆的行驶速度进行判断，基于速度的判断可能会存在一些问题，例如，在红路灯段可能会出现假象拥堵。另外，在交通状况属于非交通通畅时，尤其是在交通状况在交通通畅与交通拥堵之前的情况中，可能会出现一些违停，逆行等其他事件错误识别的情况。
基于上述问题，本申请提供的一种交通监控方法、装置以及系统，可以减少因为红绿灯路段等特殊情况引起的拥堵情况的错误识别，以及减少违规事件的错误反馈等。
为便于对本实施例进行理解，首先对执行本申请实施例所公开的一种交通监控方法的电子设备及运行环境进行详细介绍。
实施例一
如图1所示，是本申请实施例提供的电子设备100与监控服务器200进行交互的示意图。监控服务器200通过网络与一个或多个电子设备100(图中示出三个)进行通信连接，以进行数据通信或交互。监控服务器200可以是网络服务器、数据库服务器等。电子设备100可以是个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personaldigital assistant，PDA)、电子警察、车载设备等。
其中，电子设备100可以采集周边环境中的图像，通过对环境的识别以实现对道路中的交通情况进行识别。
如图2所示，是电子设备的方框示意图。电子设备100可以包括存储器111、存储控制器112、处理器113、外设接口114、采集单元115。本领域普通技术人员可以理解，图2所示的结构仅为示意，其并不对电子设备100的结构造成限定。例如，电子设备100还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。
上述的存储器111、存储控制器112、处理器113、外设接口114、采集单元115各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的可执行模块。
其中，存储器111可以是，但不限于，随机存取存储器(Random Access Memory，简称RAM)，只读存储器(Read Only Memory，简称ROM)，可编程只读存储器(ProgrammableRead-Only Memory，简称PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，简称EEPROM)等。其中，存储器111用于存储计算机程序，处理器113在接收到执行指令后，执行所述计算机程序，本申请实施例任一实施例揭示的过程定义的电子设备100所执行的方法可以应用于处理器113中，或者由处理器113实现。
上述的处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器113可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述的外设接口114将各种输入/输入装置耦合至处理器113以及存储器111。在一些实施例中，外设接口114，处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
采集单元115可以拍摄用户期望的图像(例如照片、视频等)，并且将所拍摄的图像存储在存储器111中以供其它组件使用。可选地，采集单元115可以与电子设备100一体设计，采集单元115也可以是电子设备100外接的一采集设备，例如，电子眼等。
本实施例中的电子设备100可以用于执行本申请实施例提供的各个方法中的各个步骤。下面通过几个实施例详细描述交通监控方法的实现过程。
实施例二
请参阅图3，是本申请实施例提供的交通监控方法的流程图。下面将对图3所示的具体流程进行详细阐述。
步骤301，获取目标区域中的图像数据。
本实施例中的方法可以应用于上述实施例一提供的电子设备。
可选地，步骤301可以是通过电子设备连接的采集单元采集图像数据。
可选地，步骤301也可以是获取电子设备中存储的图像数据，该图像数据可以是其它设备发送给电子设备的。
上述的目标区域可以表示任意需要对其交通情况进行识别的路段，例如，高速公路、普通公路等。
可选地，在需要检测的路段中，实时采集该路段中图像数据。从而可以实现实时监测。
步骤302，根据所述图像数据确定出所述目标区域中的车辆数据。
可选地，车辆数据中可以包括：车辆数量、车辆面积占比及车辆轨迹数据。
其中，车辆数量可以表示目标区域中的车辆的数量。
车辆面积占比可以表示图像中的车辆所占面积与图像中的目标区域的总面积的比值。可选地，车辆面积占比还可以表示图像中的车辆所占面积与图像中的目标区域中的车道的总面积的比值。在一个实例中，通过公式可以表示为：车辆面积/区域面积。
车辆轨迹数据可以表示车辆轨迹除指定时间段再除目标车辆在所述图像数据中的车宽的值。在一个实例中，通过公式可表示为：车辆轨迹/指定时间段/图像数据中的车宽。
下面针对车辆数据中的不同内容进行分别确定进行描述。
在一实施方式中，针对对车辆数据中的车辆数量的确定，步骤302可以被实施为：识别所述图像数据，确定出图像数据中的车道区域，识别所述车道区域中的所述车辆数量。
上述的车道区域可以包括车道、车道线等。其中，两车道线之间的区域为车道区域。
其中，上述的车道区域可以理解为图像数据中的ROI(region of interest，中文称：感兴趣)区域。通过先将图像数据中的车道区域进行识别，屏蔽其它的外界信息，如道路两旁的绿化带等，可以减少对车辆的误识别，例如，车道以外的区域存在车辆时，若不先对ROI区域的确定，可能存在识别的车辆数据错误。
可选地，上述的识别所述车道区域中的所述车辆数量可以包括：通过目标检测算法对车道区域进行检测，识别出车道区域中的车辆；然后统计出识别到的车辆的数量。
在另一实施方式中，针对对车辆数据中的车辆数量的确定，针对一些仅包括车道的图像数据，可以不先对ROI区域进行识别；则步骤302也可以被实施为：对所述图像数据进行车辆识别，以得到所述图像数据中的车辆数量。
在一实施方式，针对车辆数据中的车辆面积占比，步骤302可被实施为：识别所述图像数据，确定出图像数据中的车辆区域及车道区域；通过所述车辆区域与所述车道区域得到所述目标区域的车辆面积占比。
可选地，上述的识别所述图像数据，确定出图像数据中的车辆区域及车道区域的步骤，可包括：先对图像数据中的非车道区域进行识别，非车道区域可以包括绿化带、路肩等区域；将图像数据中的非车道区域剔除，留下的区域确定为车辆区域；然后对车道区域进行目标检测算法进行检测，得到车辆区域。
可选地，上述的通过所述车辆区域与所述车道区域得到所述目标区域的车辆面积占比的步骤，可以包括：将车辆区域的面积除以车道区域的面积得到车辆面积占比。
在一实施方式，针对车辆数据中的车辆面积占比，步骤302可被实施为：对所述图像数据进行车辆识别，以得到所述图像数据中目标区域的车辆面积占比。示例性地，将车辆区域的面积除以图像面积得到车辆面积占比。
由于采集到的图像数据中的车辆可能会存在重叠、覆盖等现象，考虑车辆图像的重叠，可以将重叠的车辆进行恢复计算，得到每天车辆全貌在图像中的占地面积。可选地，上述的车辆区域的面积可以是图像数据中的所有车辆对应的全貌占地面积的总和。
在一种实施方式中，针对图像数据中的车辆轨迹数据，获取的图像数据中可以包括指定时间段内的多帧图像；步骤302可以包括：通过所述多帧图像确定出所述目标区域中的目标车辆的车辆轨迹；通过所述车辆轨迹、所述指定时间段及所述目标车辆在所述图像数据中的车宽得到所述车辆数据。
可选地，上述的车辆轨迹可以车辆的移动距离。示例性地，上述的通过所述多帧图像确定出所述目标区域中的目标车辆的车辆轨迹的步骤，可以包括：确定出上述的多帧图像中的目标车辆的在图像中的像素位置变化；根据确定出的该像素位置变化计算得到目标车辆的车辆轨迹。
示例性地，上述的像素位置变化可以是目标车辆的车尾在图像中沿着一方向的移动的像素数量。
当上述的多帧图像为两帧图像时，上述的指定时间段可以是图像切换的帧率；当上述的多帧图像超过两帧图像时，上述的指定时间段可以是帧率的倍数。
可选地，可以对图像数据中的每一车辆进行车辆轨迹数据的数据进行确定，也可以对图像数据中的任一车辆进行车辆轨迹数据的数据进行确定；还可以对图像数据中的部分车辆进行车辆轨迹数据的数据进行确定。示例性地，可以将确定出的所有车辆的车辆轨迹数据计算平均值，得到根据图像数据确定的车辆数据中的车辆轨迹数据。
示例性地，上述的目标检测算法可以是DPM(Deformable Parts Model，中文称：可变性部件模型)算法，也可以是SSD(Single Shot MultiBox Detector，中文称：单点多盒检测)算法，yolo算法、Faster RCNN(Region-Convolutional Neural Networks，中文称：基于卷积神经的线性回归)算法等。
步骤303，识别所述图像数据，以确定出所述目标区域中是否存在限制事件。
上述的限制事件可以包括，但不限于，违规停车、逆行等。
可选地，可以通过目标检测算法检测图像数据中的车辆，再通过对车辆的车头和车尾的识别，确定出车辆是否存在逆行情况。
可选地，可以通过对图像数据的识别，确定出图像数据中的车道区域和其它区域；再通过目标检测算法检测图像数据中的车辆，识别车辆的停车位置是否在不能停车的区域中。
步骤304，根据所述车辆数据确定出所述目标区域中的交通状况。
可选地，可以将车辆数据与设定的阈值进行比较，以识别出交通状况。
在一实施方式中，步骤304可以包括：将所述车辆数据与第一类阈值进行比较，以确定所述车辆数据对应的所述目标区域的交通状况为所述交通通畅或所述非交通通畅。
示例性地，车辆数据可以包括车辆数量、车辆面积占比及车辆轨迹数据，第一类阈值包括第一数量阈值、第一面积阈值及第一轨迹阈值。如图4所示，步骤304可以包括步骤3041-3044。
其中，第一数量阈值、第一面积阈值及第一轨迹阈值的设置可能因为不同的路段取值不同。在一个实例中，若一路段可以容纳12辆车，则上述的第一数量阈值可取值为7、8等值；第一面积阈值可以取值为0.45-0.55中任意值，例如，可以取值0.5；第一轨迹阈值可以取值为90-110中的任意值，例如，可以取值100。可以理解的是上述的第一数量阈值、第一面积阈值及第一轨迹阈值的取值可以根据一路段能够容纳车辆数量确定，本申请实施例并不对第一数量阈值、第一面积阈值及第一轨迹阈值的取值作任何限定。
步骤3041，将所述车辆数量与所述第一数量阈值进行比较，得到第一结果。
上述的第一结果可以是车辆数量小于等于第一数量阈值，或车辆数量大于第一数量阈值。当车辆数量小于等于第一数量阈值时，车辆数量这一单项指标对应的交通状况为交通顺畅。当车辆数量大于第一数量阈值时，车辆数量这一单项指标对应的交通状况为非交通顺畅。
步骤3042，将所述车辆面积占比与所述第一面积阈值进行比较，所述目标区域的面积根据所述图像数据确定，得到第二结果。
上述的第二结果可以是车辆面积占比小于等于第一面积阈值，或车辆面积占比大于第一面积阈值。当车辆面积占比小于等于第一面积阈值时，车辆面积占比这一单项指标对应的交通状况为交通顺畅。当车辆面积占比大于第一面积阈值时，车辆面积占比这一单项指标对应的交通状况为非交通顺畅。
步骤3043，将所述车辆轨迹数据与所述第一轨迹阈值进行比较，得到第三结果。
上述的第三结果可以是车辆轨迹数据小于等于第一轨迹阈值，或车辆轨迹数据大于第一轨迹阈值。当车辆轨迹数据小于等于第一轨迹阈值时，车辆轨迹数据这一单项指标对应的交通状况为交通顺畅。当车辆轨迹数据大于第一轨迹阈值，车辆轨迹数据这一单项指标对应的交通状况为非交通顺畅。
步骤3044，根据所述第一结果、所述第二结果和/或所述第三结果确定出所述目标区域的交通状况为所述交通通畅或所述非交通通畅。
可选地，也可以根据第一结果、第二结果和第三结果共同确定出目标区域的交通状况。示例性地，当第一结果、第二结果及第三结果中至少两个结果对应为非交通顺畅时，确定目标区域中的交通状况为非交通顺畅。示例性地，当第一结果、第二结果及第三结果中至少两个结果对应为交通顺畅时，确定目标区域中的交通状况为交通顺畅。
可选地，也可以根据第一结果、第二结果或第三结果中的任意一个结果确定出目标区域的交通状况。示例性地，当第一结果、第二结果及第三结果中任意一个结果对应为非交通顺畅时，确定目标区域中的交通状况为非交通顺畅。示例性地，当仅根据第一结果、第二结果或第三结果中的任意一个结果确定出目标区域的交通状况时，则可以仅仅执行步骤3031-3033中的任一步骤即可。例如，可以仅通过第一结果确定目标区域的交通状况时，则可以仅执行步骤3031。
可选地，非交通通畅可以包括：半拥堵状况及拥堵状况；步骤304可以被实施为：将所述车辆数据分别与第一类阈值和第二类阈值进行比较，以确定出所述车辆数据对应的所述目标区域的交通状况为交通通畅或半拥堵状况或拥堵状况。
示例性地，第一类阈值包括第一数量阈值、第一面积阈值及第一轨迹阈值，第二类阈值包括第二数量阈值、第二面积阈值及第二轨迹阈值，第二数量阈值大于第一数量阈值，第二面积阈值大于第一面积阈值，第二轨迹阈值大于第一轨迹阈值。如图5所示，步骤304可以包括步骤3045-3048。
其中，第二数量阈值、第二面积阈值及第二轨迹阈值的设置可能因为不同的路段取值不同。在一个实例中，若一路段可以容纳12辆车，则上述的第二数量阈值可取值为9、10、11等值；第二面积阈值可以取值为0.56-0.65中任意值，例如，可以取值0.6；第二轨迹阈值可以取值为140-160中的任意值，例如，可以取值150。
步骤3045，将所述车辆数量与所述第一数量阈值和所述第二数量阈值进行比较，得到第四结果。
上述的第四结果可以是车辆数量小于等于第一数量阈值，或车辆数量大于第一数量阈值小于第二数量阈值，或车辆数量大于第二数量阈值。当车辆数量小于等于第一数量阈值时，车辆数量这一单项指标对应的交通状况为交通顺畅。当车辆数量大于第一数量阈值小于第二数量阈值时，车辆数量这一单项指标对应的交通状况为半拥堵状况。当车辆数量大于第二数量阈值时，车辆数量这一单项指标对应的交通状况为拥堵状况。
步骤3046，将所述车辆面积占比与所述第一面积阈值和第二面积阈值进行比较，所述目标区域的面积根据所述图像数据确定，得到第五结果。
上述的第五结果可以是车辆面积占比小于等于第一面积阈值，或车辆面积占比大于第一面积阈值小于第二面积阈值，或车辆面积占比大于第二面积阈值。当车辆面积占比小于等于第一面积阈值时，车辆面积占比这一单项指标对应的交通状况为交通顺畅。当车辆面积占比大于第一面积阈值时，车辆面积占比这一单项指标对应的交通状况为半拥堵状况。当车辆面积占比大于第二面积阈值时，车辆面积占比这一单项指标对应的交通状况为拥堵状况。
步骤3047，将所述车辆轨迹数据与所述第一轨迹阈值和第二轨迹阈值进行比较，得到第六结果。
上述的第六结果可以是车辆轨迹数据小于等于第一轨迹阈值，或车辆轨迹数据大于第一轨迹阈值小于第二轨迹阈值，或车辆轨迹数据大于第二轨迹阈值。当车辆轨迹数据小于等于第一轨迹阈值时，车辆轨迹数据这一单项指标对应的交通状况为交通顺畅。当车辆轨迹数据大于第一轨迹阈值小于第二轨迹阈值时，车辆轨迹数据这一单项指标对应的交通状况为半拥堵状况。当车辆轨迹数据大于第二轨迹阈值时，车辆轨迹数据这一单项指标对应的交通状况为拥堵状况。
步骤3048，根据所述第四结果、所述第五结果和/或所述第六结果确定出所述目标区域的交通状况为交通通畅或半拥堵状况或拥堵状况。
可选地，也可以根据第四结果、第五结果和第六结果共同确定出目标区域的交通状况。示例性地，当第四结果、第五结果及第六结果中至少两个结果对应为交通顺畅时，确定目标区域中的交通状况为交通顺畅。示例性地，当第四结果、第五结果及第六结果中至少两个结果对应为半拥堵状况时，确定目标区域中的交通状况为半拥堵状况。示例性地，当第四结果、第五结果及第六结果中至少两个结果对应为拥堵状况时，确定目标区域中的交通状况为拥堵状况。
可选地，也可以根据第四结果、第五结果或第六结果中的任意一个结果确定出目标区域的交通状况。示例性地，当第四结果、第五结果及第六结果中任意一个结果对应为交通顺畅时，确定目标区域中的交通状况为交通顺畅。示例性地，当仅根据第四结果、第五结果或第六结果中的任意一个结果确定出目标区域的交通状况时，则可以仅仅执行步骤3035-3037中的任一步骤即可。例如，可以仅通过第四结果确定目标区域的交通状况时，则可以仅执行步骤3035。
步骤305，当所述目标区域中存在所述限制事件时，且所述目标区域的交通状况属于交通通畅时，将所述限制事件发送给监控服务器。
可以理解为，限制事件仅在交通状况为交通通畅时反馈给监控服务器。
步骤306，当所述目标区域的交通状况属于非交通通畅时，仅将所述目标区域的交通状况发送给监控服务器。
示例性地，当所述目标区域的交通状况属于非交通通畅中的拥堵状况时，仅将所述目标区域的交通状况发送给监控服务器。
当所述目标区域的交通状况属于非交通通畅中的半拥堵状况时，交通状况和限制事件都不反馈给监控服务器。
在本实施例中的方法中，若目标区域为半拥堵状况时，则可以过滤目标区域内的限制事件，不向监控服务器发送限制事件，也不发送交通状况。若目标区域为拥堵状况时，则可以向监控服务器发送交通为拥堵状况，屏蔽逆行、违停等限制事件。通过本实施例中通过将拥堵状况或者半拥堵状况不会反馈限制事件，可以避免在拥堵状况或者半拥堵状况时的限制事件的误报。进一步地，通过纳入半拥堵状况的识别，通过一些阈值的比较能够确定出半拥堵状况，在实现降低交通识别的难度的情况下，还能够更准确地识别交通状况。
实施例三
基于同一申请构思，本申请实施例中还提供了与交通监控方法对应的交通监控装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述交通监控方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图6，是本申请实施例提供的交通监控装置的功能模块示意图。本实施例中的交通监控装置中的各个模块用于执行上述交通监控方法实施例中的各个步骤。交通监控装置包括：获取模块401、第一确定模块402、识别模块403、第二确定模块404、第一发送模块405以及第二发送模块406，其中：
获取模块401，用于获取目标区域中的图像数据；
第一确定模块402，用于根据所述图像数据确定出所述目标区域中的车辆数据；
识别模块403，用于识别所述图像数据，以确定出所述目标区域中是否存在限制事件；
第二确定模块404，用于根据所述车辆数据确定出所述目标区域中的交通状况；
第一发送模块405，用于当所述目标区域中存在所述限制事件时，且所述目标区域的交通状况属于交通通畅时，将所述限制事件发送给监控服务器；
第二发送模块406，用于当所述目标区域的交通状况属于非交通通畅时，仅将所述目标区域的交通状况发送给监控服务器。
一种可能的实施方式中，第二确定模块404，还用于：
将所述车辆数据与第一类阈值进行比较，以确定所述车辆数据对应的所述目标区域的交通状况为所述交通通畅或所述非交通通畅。
一种可能的实施方式中，所述车辆数据包括车辆数量、车辆面积占比及车辆轨迹数据，所述第一类阈值包括第一数量阈值、第一面积阈值及第一轨迹阈值；第二确定模块404，还用于：
将所述车辆数量与所述第一数量阈值进行比较，得到第一结果；
将所述车辆面积占比与所述第一面积阈值进行比较，所述目标区域的面积根据所述图像数据确定，得到第二结果；
将所述车辆轨迹数据与所述第一轨迹阈值进行比较，得到第三结果；
根据所述第一结果、所述第二结果及所述第三结果确定出所述目标区域的交通状况为所述交通通畅或所述非交通通畅。
一种可能的实施方式中，第二确定模块404，还用于：
将所述车辆数据分别与第一类阈值和第二类阈值进行比较，以确定出所述车辆数据对应的所述目标区域的交通状况为交通通畅或半拥堵状况或拥堵状况；
第二发送模块406，还用于：
当所述目标区域的交通状况属于非交通通畅中的拥堵状况时，仅将所述目标区域的交通状况发送给监控服务器。
一种可能的实施方式中，所述第一类阈值包括第一数量阈值、第一面积阈值及第一轨迹阈值，所述第二类阈值包括第二数量阈值、第二面积阈值及第二轨迹阈值，所述第二数量阈值大于所述第一数量阈值，所述第二面积阈值大于所述第一面积阈值，所述第二轨迹阈值大于所述第一轨迹阈值；第二确定模块404，还用于：
将所述车辆数量与所述第一数量阈值和所述第二数量阈值进行比较，得到第四结果；
将所述车辆面积占比与所述第一面积阈值和第二面积阈值进行比较，所述目标区域的面积根据所述图像数据确定，得到第五结果；
将所述车辆轨迹数据与所述第一轨迹阈值和第二轨迹阈值进行比较，得到第六结果；
根据所述第四结果、所述第五结果和/或所述第六结果确定出所述目标区域的交通状况为交通通畅或半拥堵状况或拥堵状况。
一种可能的实施方式中，第一确定模块402，还用于：
对所述图像数据进行车辆识别，以得到所述图像数据中的车辆数量。
一种可能的实施方式中，第一确定模块402，还用于：
对所述图像数据进行车辆识别，以得到所述图像数据中目标区域的车辆面积占比。
一种可能的实施方式中，所述图像数据包括指定时间段内的多帧图像；第一确定模块402，还用于：
通过所述多帧图像确定出所述目标区域中的目标车辆的车辆轨迹；
通过所述车辆轨迹、所述指定时间段及所述目标车辆在所述图像数据中的车宽得到所述车辆数据。
此外，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的交通监控方法的步骤。
本申请实施例所提供的交通监控方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的交通监控方法的步骤，具体可参见上述方法实施例，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种交通监控方法，其特征在于，包括：
获取目标区域中的图像数据；
根据所述图像数据确定出所述目标区域中的车辆数据；
识别所述图像数据，以确定出所述目标区域中是否存在限制事件；
根据所述车辆数据确定出所述目标区域中的交通状况；
当所述目标区域中存在所述限制事件时，且所述目标区域的交通状况属于交通通畅时，将所述限制事件发送给监控服务器；
当所述目标区域的交通状况属于非交通通畅时，仅将所述目标区域的交通状况发送给监控服务器。
2.根据权利要求1所述的方法，其特征在于，所述根据所述车辆数据确定出所述目标区域中的交通状况的步骤，包括：
将所述车辆数据与第一类阈值进行比较，以确定所述车辆数据对应的所述目标区域的交通状况为所述交通通畅或所述非交通通畅。
3.根据权利要求2所述的方法，其特征在于，所述车辆数据包括车辆数量、车辆面积占比及车辆轨迹数据，所述第一类阈值包括第一数量阈值、第一面积阈值及第一轨迹阈值；所述将所述车辆数据与第一类阈值进行比较，以确定所述车辆数据对应的所述目标区域的交通状况为所述交通通畅或所述非交通通畅的步骤，包括：
将所述车辆数量与所述第一数量阈值进行比较，得到第一结果；
将所述车辆面积占比与所述第一面积阈值进行比较，所述目标区域的面积根据所述图像数据确定，得到第二结果；
将所述车辆轨迹数据与所述第一轨迹阈值进行比较，得到第三结果；
根据所述第一结果、所述第二结果和/或所述第三结果确定出所述目标区域的交通状况为所述交通通畅或所述非交通通畅。
4.根据权利要求1所述的方法，其特征在于，所述非交通通畅包括：半拥堵状况及拥堵状况；所述根据所述车辆数据确定出所述目标区域中的交通状况的步骤，包括：
将所述车辆数据分别与第一类阈值和第二类阈值进行比较，以确定出所述车辆数据对应的所述目标区域的交通状况为交通通畅或半拥堵状况或拥堵状况；
所述当所述目标区域的交通状况属于非交通通畅时，仅将所述目标区域的交通状况发送给监控服务器的步骤，包括：
当所述目标区域的交通状况属于非交通通畅中的拥堵状况时，仅将所述目标区域的交通状况发送给监控服务器。
5.根据权利要求4所述的方法，其特征在于，所述车辆数据包括车辆数量、车辆面积占比及车辆轨迹数据，所述第一类阈值包括第一数量阈值、第一面积阈值及第一轨迹阈值，所述第二类阈值包括第二数量阈值、第二面积阈值及第二轨迹阈值，所述第二数量阈值大于所述第一数量阈值，所述第二面积阈值大于所述第一面积阈值，所述第二轨迹阈值大于所述第一轨迹阈值；所述将所述车辆数据分别与所述第一类阈值和第二类阈值进行比较，以确定出所述车辆数据对应的所述目标区域的交通状况为交通通畅或半拥堵状况或拥堵状况的步骤，包括：
将所述车辆数量与所述第一数量阈值和所述第二数量阈值进行比较，得到第四结果；
将所述车辆面积占比与所述第一面积阈值和第二面积阈值进行比较，所述目标区域的面积根据所述图像数据确定，得到第五结果；
将所述车辆轨迹数据与所述第一轨迹阈值和第二轨迹阈值进行比较，得到第六结果；
根据所述第四结果、所述第五结果和/或所述第六结果确定出所述目标区域的交通状况为交通通畅或半拥堵状况或拥堵状况。
6.根据权利要求1-5任意一项所述的方法，其特征在于，所述根据所述图像数据确定出所述目标区域中的车辆数据的步骤，包括：
对所述图像数据进行车辆识别，以得到所述图像数据中的车辆数量。
7.根据权利要求1-5任意一项所述的方法，其特征在于，所述根据所述图像数据确定出所述目标区域中的车辆数据的步骤，包括：
对所述图像数据进行车辆识别，以得到所述图像数据中目标区域的车辆面积占比。
8.根据权利要求1-5任意一项所述的方法，其特征在于，所述图像数据包括指定时间段内的多帧图像；所述根据所述图像数据确定出所述目标区域中的车辆数据的步骤，包括：
通过所述多帧图像确定出所述目标区域中的目标车辆的车辆轨迹；
通过所述车辆轨迹、所述指定时间段及所述目标车辆在所述图像数据中的车宽得到所述车辆数据。
9.一种交通监控装置，其特征在于，包括：
获取模块，用于获取目标区域中的图像数据；
第一确定模块，用于根据所述图像数据确定出所述目标区域中的车辆数据；
识别模块，用于识别所述图像数据，以确定出所述目标区域中是否存在限制事件；
第二确定模块，用于根据所述车辆数据确定出所述目标区域中的交通状况；
第一发送模块，用于当所述目标区域中存在所述限制事件时，且所述目标区域的交通状况属于交通通畅时，将所述限制事件发送给监控服务器；
第二发送模块，用于当所述目标区域的交通状况属于非交通通畅时，仅将所述目标区域的交通状况发送给监控服务器。
10.一种电子设备，其特征在于，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行如权利要求1至8任一所述的交通监控方法的步骤。
CN201910908621.2A 2019-09-24 2019-09-24 交通监控方法、装置及电子设备 Pending CN112185103A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910908621.2A CN112185103A (zh) 2019-09-24 2019-09-24 交通监控方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910908621.2A CN112185103A (zh) 2019-09-24 2019-09-24 交通监控方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN112185103A true CN112185103A (zh) 2021-01-05

Family

ID=73919497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910908621.2A Pending CN112185103A (zh) 2019-09-24 2019-09-24 交通监控方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112185103A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113593234A (zh) * 2021-07-30 2021-11-02 浙江大华技术股份有限公司 一种检测道路质量的方法及装置
CN114241746A (zh) * 2021-11-08 2022-03-25 广西北投交通养护科技集团有限公司 一种高速公路连环追尾事故安全预警装置及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060019927A (ko) * 2004-08-30 2006-03-06 인천대학교 산학협력단 무선 이동통신을 이용한 주차단속 시스템 및 그 방법
CN103886751A (zh) * 2014-03-26 2014-06-25 姜廷顺 一种快速发现道路意外事件的系统及方法
CN103903438A (zh) * 2014-03-14 2014-07-02 深圳先进技术研究院 客运车辆违规停车地点识别方法及系统
CN103903465A (zh) * 2014-04-17 2014-07-02 姜廷顺 一种道路拥堵原因实时发布方法及系统
CN103985255A (zh) * 2014-06-10 2014-08-13 北京易华录信息技术股份有限公司 利用雷达跟踪技术精准判断行车道异常停车的系统及方法
KR20150133438A (ko) * 2014-05-20 2015-11-30 현대모비스 주식회사 불법주정차 차량을 회피하는 경로정보를 제공하는 내비게이션 시스템 및 그 경로정보를 제공하는 방법
CN107622661A (zh) * 2017-09-23 2018-01-23 南京律智诚专利技术开发有限公司 一种城市道路路口红灯滞留监控系统
CN107705389A (zh) * 2017-09-30 2018-02-16 航天科技控股集团股份有限公司 一种车载潜望式行车前方路况分析设备
CN109241938A (zh) * 2018-09-27 2019-01-18 深圳金三立视频科技股份有限公司 道路拥堵检测方法及终端

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060019927A (ko) * 2004-08-30 2006-03-06 인천대학교 산학협력단 무선 이동통신을 이용한 주차단속 시스템 및 그 방법
CN103903438A (zh) * 2014-03-14 2014-07-02 深圳先进技术研究院 客运车辆违规停车地点识别方法及系统
CN103886751A (zh) * 2014-03-26 2014-06-25 姜廷顺 一种快速发现道路意外事件的系统及方法
CN103903465A (zh) * 2014-04-17 2014-07-02 姜廷顺 一种道路拥堵原因实时发布方法及系统
KR20150133438A (ko) * 2014-05-20 2015-11-30 현대모비스 주식회사 불법주정차 차량을 회피하는 경로정보를 제공하는 내비게이션 시스템 및 그 경로정보를 제공하는 방법
CN103985255A (zh) * 2014-06-10 2014-08-13 北京易华录信息技术股份有限公司 利用雷达跟踪技术精准判断行车道异常停车的系统及方法
CN107622661A (zh) * 2017-09-23 2018-01-23 南京律智诚专利技术开发有限公司 一种城市道路路口红灯滞留监控系统
CN107705389A (zh) * 2017-09-30 2018-02-16 航天科技控股集团股份有限公司 一种车载潜望式行车前方路况分析设备
CN109241938A (zh) * 2018-09-27 2019-01-18 深圳金三立视频科技股份有限公司 道路拥堵检测方法及终端

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113593234A (zh) * 2021-07-30 2021-11-02 浙江大华技术股份有限公司 一种检测道路质量的方法及装置
CN114241746A (zh) * 2021-11-08 2022-03-25 广西北投交通养护科技集团有限公司 一种高速公路连环追尾事故安全预警装置及方法

Similar Documents

Publication Publication Date Title
US11840239B2 (en) Multiple exposure event determination
US11244171B2 (en) Video-based system for automated detection of double parking violations
US9685079B2 (en) Short-time stopping detection from red light camera evidentiary photos
US8687063B2 (en) Method for predicting lane line and lane departure warning system using the same
US20130093895A1 (en) System for collision prediction and traffic violation detection
Mithun et al. Video-based tracking of vehicles using multiple time-spatial images
EP2709066A1 (en) Concept for detecting a motion of a moving object
KR101834838B1 (ko) 영상처리를 이용한 도로 교통 정보 제공 시스템 및 방법
US20160241839A1 (en) System for traffic behaviour surveillance
CN112185103A (zh) 交通监控方法、装置及电子设备
CN113947892A (zh) 异常停车的监测方法、装置、服务器及可读存储介质
CN113158922A (zh) 基于yolo神经网络的车流量统计方法、装置及设备
CN111028503A (zh) 一种车辆变道监测方法及装置
KR102306789B1 (ko) 교행 다차로에서의 이상차량 인식방법 및 장치
JP7225993B2 (ja) 同一車両判定装置、同一車両判定方法およびプログラム
KR102380638B1 (ko) 차량 통행을 모니터링하기 위한 장치, 시스템 또는 방법
CN113674311A (zh) 异常行为检测方法、装置、电子设备、存储介质
WO2012081963A1 (en) System and method for traffic violation detection
EP2709065A1 (en) Concept for counting moving objects passing a plurality of different areas within a region of interest
Detzer et al. Analysis of traffic safety for cyclists: The automatic detection of critical traffic situations for cyclists
JP6681463B2 (ja) 料金収受システム及び健全性判断方法
Avupati et al. Traffic Rules Violation Detection using YOLO and HAAR Cascade
CN111047878B (zh) 交通违章判定方法、装置及交通卡口
JP2022095079A (ja) 物体識別装置、および、物体識別方法
Rafi et al. Line Crossing Detector System for Real-Time Over-Taking Vehicle Detection

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: 20210105