CN112216100A - 基于视频轮巡的交通拥堵检测方法、系统、装置及介质 - Google Patents
基于视频轮巡的交通拥堵检测方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN112216100A CN112216100A CN202010919032.7A CN202010919032A CN112216100A CN 112216100 A CN112216100 A CN 112216100A CN 202010919032 A CN202010919032 A CN 202010919032A CN 112216100 A CN112216100 A CN 112216100A
- Authority
- CN
- China
- Prior art keywords
- traffic
- video data
- congestion
- index
- monitoring 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.)
- Pending
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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于视频轮巡的交通拥堵检测方法、系统、装置及介质,方法包括:获取第一道路交通的监控视频数据;根据所述监控视频数据提取交通参数特征;根据所述交通参数特征,确定所述第一道路交通的拥堵级别信息;获取下一道路交通的监控视频数据,并开始执行根据所述监控视频数据提取交通参数特征的步骤,直至获取所有待轮巡道路交通的拥堵级别信息。本发明可实现对多条道路拥堵的自动检测,不仅降低了管理成本和人工成本,还提升了交通拥堵检测的准确性,本发明可以广泛应用于智能交通技术领域。
Description
技术领域
本发明涉及智能交通技术领域,尤其是基于视频轮巡的交通拥堵检测方法、系统、装置及介质。
背景技术
随着智能交通系统的发展和我国经济的飞速发展以及城市化进程的明显加快,21世纪交通发展的趋势已经越来越明显,私家车辆的增加给我们的生活水平带来了提高,但是与此同时也带来了一些需要解决的交通难题。如何实时有效地检测道路交通拥堵,找到交通拥堵的源头,及时疏解并保障道路的通畅成为行业内的研究热点。
在传统交通流研究中认为交通流有3个基本的特征参数:车辆流量、车辆速度和车辆密度。而研究证明,使用单独一种参数进行交通流状态判别是不精准的,因此如今的交通流状态研究都是将三个参数进行综合。
目前,一些交通要道拥堵日趋频繁,国内外对于交通拥堵检测判别方法可以分为三个方式:基于车辆GPS信号的交通参数判别、基于交通视频的交通参数判别以及基于环形线圈的交通参数判别。但是,以上方法都会存在误检率高,成本大,以及在检测多路视频流效率低下的问题。
近年来,随着深度学习在图像处理方向的发展,目标检测的算法不断完善、平台部署的要求越来越低,如何将人工智能深度学习方法应用于交通拥堵检测是亟待解决的。
发明内容
有鉴于此,本发明实施例提供一种误检率低且成本低的,基于视频轮巡的交通拥堵检测方法、系统、装置及介质。
本发明的第一方面提供了基于视频轮巡的交通拥堵检测方法,包括:
获取第一道路交通的监控视频数据;
根据所述监控视频数据提取交通参数特征;
根据所述交通参数特征,确定所述第一道路交通的拥堵级别信息;
获取下一道路交通的监控视频数据,并开始执行根据所述监控视频数据提取交通参数特征的步骤,直至获取所有待轮巡道路交通的拥堵级别信息。
在一些实施例中,所述获取第一道路交通的监控视频数据,包括:
接入所述第一道路交通所轮巡的交通监控视频;
将所述交通监控视频解码为RGB格式的数据;
根据所述RGB格式的数据,确定所述第一道路交通上摄像头的预设位置,并将所述摄像头调整至所述预设位置。
在一些实施例中,所述根据所述监控视频数据提取交通参数特征,包括:
从所述监控视频数据中提取ROI区域;
通过深度学习目标检测算法,从所述ROI区域中提取车辆目标信息;
根据所述车辆目标信息确定交通参数特征,所述交通参数特征包括但不限于车辆数指数、平均车速指数以及占有率指数。
在一些实施例中,所述车辆数指数的计算公式为:
其中,JN为车辆数指数;TN为ROI区域中的最大车辆数,N为ROI区域中的当前车辆数。
在一些实施例中,所述平均车速指数的计算公式为:
其中,JS为平均车速指数;TS为ROI区域顺畅时的最大平均车速;S为ROI区域中的当前平均车速。
在一些实施例中,所述占有率指数的计算公式为:
其中,J0为占有率指数;T0为ROI区域的最大占有率;O为ROI区域的当前占有率。
在一些实施例中,所述根据所述交通参数特征,确定所述第一道路交通的拥堵级别信息,包括:
根据所述交通参数特征计算所监控的第一道路交通的当前拥堵指数;
根据所述当前拥堵指数确定交通拥堵判别模型;
对所述第一道路交通的监控视频数据进行多次采样;
根据所述多次采样的结果分别计算拥堵指数;
对多个拥堵指数进行统计,根据所述多个拥堵指数中超过预设阈值的次数,确定所述第一道路交通的拥堵级别信息。
根据本发明的第二方面,还提供了基于视频轮巡的交通拥堵检测系统,包括:
轮巡视频获取模块,用于获取第一道路交通的监控视频数据;
轮巡视频分析模块,用于根据所述监控视频数据提取交通参数特征;
交通拥堵判别模块,用于根据所述交通参数特征,确定所述第一道路交通的拥堵级别信息;
轮巡执行模块,用于获取下一道路交通的监控视频数据,并开始执行根据所述监控视频数据提取交通参数特征的步骤,直至获取所有待轮巡道路交通的拥堵级别信息。
根据本发明的第三方面,还提供了一种装置,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如第一方面所述的方法。
根据本发明的第四方面,还提供了一种存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如第一方面所述的方法。
本发明的实施例在获取第一道路交通的监控视频数据;根据所述监控视频数据提取交通参数特征;根据所述交通参数特征,确定所述第一道路交通的拥堵级别信息;获取下一道路交通的监控视频数据,并开始执行根据所述监控视频数据提取交通参数特征的步骤,直至获取所有待轮巡道路交通的拥堵级别信息。本发明可实现对多条道路拥堵的自动检测,不仅降低了管理成本和人工成本,还提升了交通拥堵检测的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1为本发明实施例的整体步骤流程图;
图2为本发明实施例提供的视频分析流程示意图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
针对现有技术存在的问题,本发明实施例提供了基于视频轮巡的交通拥堵检测方法,如图1所示,该方法包括:
S1、获取第一道路交通的监控视频数据;
S2、根据所述监控视频数据提取交通参数特征;
S3、根据所述交通参数特征,确定所述第一道路交通的拥堵级别信息;
S4、获取下一道路交通的监控视频数据,并开始执行根据所述监控视频数据提取交通参数特征的步骤,直至获取所有待轮巡道路交通的拥堵级别信息。
在一些实施例中,步骤S1包括S11-S13:
S11、接入所述第一道路交通所轮巡的交通监控视频;
S12、将所述交通监控视频解码为RGB格式的数据;
S13、根据所述RGB格式的数据,确定所述第一道路交通上摄像头的预设位置,并将所述摄像头调整至所述预设位置。
具体地,本发明实施例接入一路所轮巡的交通监控视频,并将视频解码为RGB格式;然后把摄像头调整到适合视频分析的位置,并将当前摄像头位置设置为预置位。设置每个预置位用于视频分析的ROI信息。本发明实施例能够通过轮巡视频获取模块接入视频流,设定并调整到预置位位置。
在一些实施例中,步骤S2包括:
从所述监控视频数据中提取ROI区域;
通过深度学习目标检测算法,从所述ROI区域中提取车辆目标信息;
根据所述车辆目标信息确定交通参数特征,所述交通参数特征包括但不限于车辆数指数、平均车速指数以及占有率指数。
具体地,本发明实施例使用深度学习目标检测算法对所抓取的视频图像检测车辆信息。根据ROI坐标信息从图像中提取感兴趣的区域,用深度学习目标检测模型提取ROI的车辆目标。并以此测定道路ROI的车辆数指数、平均车速指数、占有率指数;
其中,所述车辆数指数的计算公式为:
其中,JN为车辆数指数;TN为ROI区域中的最大车辆数,N为ROI区域中的当前车辆数。
所述平均车速指数的计算公式为:
其中,JS为平均车速指数;TS为ROI区域顺畅时的最大平均车速;S为ROI区域中的当前平均车速。
所述占有率指数的计算公式为:
其中,J0为占有率指数;T0为ROI区域的最大占有率;O为ROI区域的当前占有率。
在一些实施例中,所述步骤S3包括S31-S36:
S31、根据所述交通参数特征计算所监控的第一道路交通的当前拥堵指数;
具体地,所述当前拥堵指数的计算公式为:
J=JN*WN+JS*WS+J0*W0(0≤J≤1)
其中,WN,WS,W0分别为车辆数指数、速度指数和占有率指数的权重系数:
0≤WN≤1
0≤WS≤1
0≤WO≤1
WN+WS+WO=1
S32、根据所述当前拥堵指数确定交通拥堵判别模型;
S33、对所述第一道路交通的监控视频数据进行多次采样;
S34、根据所述多次采样的结果分别计算拥堵指数;
S35、对多个拥堵指数进行统计,根据所述多个拥堵指数中超过预设阈值的次数,确定所述第一道路交通的拥堵级别信息。
本发明实施例通过交通拥堵判别模型,对视频进行连续10次采样计算拥堵指数J并计数。对结果进行统计。本发明的视频分析流程,以如图2所示的过程建立。设定临时计数单元i以及当前视频拥堵指数大于阈值的次数计数器NJ,计算当前道路区域的拥堵指数,当拥堵指数大于阈值,则NJ和i都加一,反之则i加一。当i达到十次后,根据所得到的指数当前视频拥堵指数大于阈值的次数计数器NJ进行拥堵指数判断,具体的判断标准如表1所示。
表1
拥堵程度 | 次数计数器N<sub>J</sub> |
重度拥堵 | N<sub>J</sub>≥8 |
中度拥堵 | 8>N<sub>J</sub>≥5 |
轻度拥堵 | 5>N<sub>J</sub>≥2 |
顺畅 | 2>N<sub>J</sub> |
表1是拥堵程度与次数计数器NJ的关系,本发明采用基于深度学习的交通监控视频处理技术,从而提取交通参数,再根据建立好的交通拥堵模型分析道路的拥堵状况,在分析完当前路视频后在轮巡式的分析其他路视频。根据本发明可以视频轮巡式交通拥堵实时检测,不仅减少工作量,降低成本,还具有非常高的交通拥堵检测的准确性。
本发明实施例还提供了基于视频轮巡的交通拥堵检测系统,包括:
轮巡视频获取模块,用于获取第一道路交通的监控视频数据;
轮巡视频分析模块,用于根据所述监控视频数据提取交通参数特征;
交通拥堵判别模块,用于根据所述交通参数特征,确定所述第一道路交通的拥堵级别信息;
轮巡执行模块,用于获取下一道路交通的监控视频数据,并开始执行根据所述监控视频数据提取交通参数特征的步骤,直至获取所有待轮巡道路交通的拥堵级别信息。
本发明实施例还提供了一种装置,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如图1所示的方法。
本发明实施例还提供了一种存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如图1所示的方法。
本发明的基于人工智能的视频轮巡式交通拥堵实时检测系统及应用该系统的检测方法能够实现对多条道路交通情况的全面、实时及精准拥堵判断。本方法效率高、识别率高,可以有效地弥补传统判别技术所存在的诸多问题,满足了交通道路及私家车辆日益增长的智能识别需求,为提高交通管理效率、保障城市交通的通畅运行提供了一个很好的保障。
此外,本发明也为同领域内的其他相关问题提供了参考,可以以此为依据进行拓展,运用于同领域内与交通拥堵检测相关的其他技术方案中,具有非常大的应用前景。
综上所述,本发明能够广泛地应用于交通事件自动报警、易堵点检测等公路管理场景,具有十分广阔的应用前景和适用范围。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元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,本发明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)执行本发明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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于视频轮巡的交通拥堵检测方法,其特征在于,包括:
获取第一道路交通的监控视频数据;
根据所述监控视频数据提取交通参数特征;
根据所述交通参数特征,确定所述第一道路交通的拥堵级别信息;
获取下一道路交通的监控视频数据,并开始执行根据所述监控视频数据提取交通参数特征的步骤,直至获取所有待轮巡道路交通的拥堵级别信息。
2.根据权利要求1所述的基于视频轮巡的交通拥堵检测方法,其特征在于,所述获取第一道路交通的监控视频数据,包括:
接入所述第一道路交通所轮巡的交通监控视频;
将所述交通监控视频解码为RGB格式的数据;
根据所述RGB格式的数据,确定所述第一道路交通上摄像头的预设位置,并将所述摄像头调整至所述预设位置。
3.根据权利要求1所述的基于视频轮巡的交通拥堵检测方法,其特征在于,所述根据所述监控视频数据提取交通参数特征,包括:
从所述监控视频数据中提取ROI区域;
通过深度学习目标检测算法,从所述ROI区域中提取车辆目标信息;
根据所述车辆目标信息确定交通参数特征,所述交通参数特征包括但不限于车辆数指数、平均车速指数以及占有率指数。
7.根据权利要求3所述的基于视频轮巡的交通拥堵检测方法,其特征在于,所述根据所述交通参数特征,确定所述第一道路交通的拥堵级别信息,包括:
根据所述交通参数特征计算所监控的第一道路交通的当前拥堵指数;
根据所述当前拥堵指数确定交通拥堵判别模型;
对所述第一道路交通的监控视频数据进行多次采样;
根据所述多次采样的结果分别计算拥堵指数;
对多个拥堵指数进行统计,根据所述多个拥堵指数中超过预设阈值的次数,确定所述第一道路交通的拥堵级别信息。
8.基于视频轮巡的交通拥堵检测系统,其特征在于,包括:
轮巡视频获取模块,用于获取第一道路交通的监控视频数据;
轮巡视频分析模块,用于根据所述监控视频数据提取交通参数特征;
交通拥堵判别模块,用于根据所述交通参数特征,确定所述第一道路交通的拥堵级别信息;
轮巡执行模块,用于获取下一道路交通的监控视频数据,并开始执行根据所述监控视频数据提取交通参数特征的步骤,直至获取所有待轮巡道路交通的拥堵级别信息。
9.一种装置,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1-7中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010919032.7A CN112216100A (zh) | 2020-09-04 | 2020-09-04 | 基于视频轮巡的交通拥堵检测方法、系统、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010919032.7A CN112216100A (zh) | 2020-09-04 | 2020-09-04 | 基于视频轮巡的交通拥堵检测方法、系统、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112216100A true CN112216100A (zh) | 2021-01-12 |
Family
ID=74049984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010919032.7A Pending CN112216100A (zh) | 2020-09-04 | 2020-09-04 | 基于视频轮巡的交通拥堵检测方法、系统、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112216100A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968901A (zh) * | 2012-11-30 | 2013-03-13 | 青岛海信网络科技股份有限公司 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
CN105513354A (zh) * | 2015-12-22 | 2016-04-20 | 电子科技大学 | 基于视频的城市道路交通拥堵检测系统 |
CN106056517A (zh) * | 2016-06-06 | 2016-10-26 | 苏州朗米尔照明科技有限公司 | 一种智慧城市管理系统 |
CN106910339A (zh) * | 2017-03-31 | 2017-06-30 | 山东高速信息工程有限公司 | 道路信息提供方法、装置及处理终端 |
US10109185B1 (en) * | 2016-07-25 | 2018-10-23 | 360fly, Inc. | Method and apparatus for traffic monitoring based on traffic images |
US20190122546A1 (en) * | 2017-06-12 | 2019-04-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for analyzing and adjusting road conditions |
US20190325741A1 (en) * | 2018-04-18 | 2019-10-24 | International Business Machines Corporation | Determining traffic congestion patterns |
CN110688922A (zh) * | 2019-09-18 | 2020-01-14 | 苏州奥易克斯汽车电子有限公司 | 基于深度学习的交通拥堵检测系统及检测方法 |
CN110895881A (zh) * | 2019-12-17 | 2020-03-20 | 成都通甲优博科技有限责任公司 | 交通数据处理方法、设备及存储介质 |
CN110956823A (zh) * | 2020-02-21 | 2020-04-03 | 浩鲸云计算科技股份有限公司 | 一种基于视频分析的交通拥堵检测方法 |
CN111179608A (zh) * | 2019-12-25 | 2020-05-19 | 广州方纬智慧大脑研究开发有限公司 | 一种路口溢出检测方法、系统及存储介质 |
-
2020
- 2020-09-04 CN CN202010919032.7A patent/CN112216100A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968901A (zh) * | 2012-11-30 | 2013-03-13 | 青岛海信网络科技股份有限公司 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
CN105513354A (zh) * | 2015-12-22 | 2016-04-20 | 电子科技大学 | 基于视频的城市道路交通拥堵检测系统 |
CN106056517A (zh) * | 2016-06-06 | 2016-10-26 | 苏州朗米尔照明科技有限公司 | 一种智慧城市管理系统 |
US10109185B1 (en) * | 2016-07-25 | 2018-10-23 | 360fly, Inc. | Method and apparatus for traffic monitoring based on traffic images |
CN106910339A (zh) * | 2017-03-31 | 2017-06-30 | 山东高速信息工程有限公司 | 道路信息提供方法、装置及处理终端 |
US20190122546A1 (en) * | 2017-06-12 | 2019-04-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for analyzing and adjusting road conditions |
US20190325741A1 (en) * | 2018-04-18 | 2019-10-24 | International Business Machines Corporation | Determining traffic congestion patterns |
CN110688922A (zh) * | 2019-09-18 | 2020-01-14 | 苏州奥易克斯汽车电子有限公司 | 基于深度学习的交通拥堵检测系统及检测方法 |
CN110895881A (zh) * | 2019-12-17 | 2020-03-20 | 成都通甲优博科技有限责任公司 | 交通数据处理方法、设备及存储介质 |
CN111179608A (zh) * | 2019-12-25 | 2020-05-19 | 广州方纬智慧大脑研究开发有限公司 | 一种路口溢出检测方法、系统及存储介质 |
CN110956823A (zh) * | 2020-02-21 | 2020-04-03 | 浩鲸云计算科技股份有限公司 | 一种基于视频分析的交通拥堵检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522854B (zh) | 一种基于深度学习和多目标跟踪的行人流量统计方法 | |
CN110717433A (zh) | 一种基于深度学习的交通违规分析方法及装置 | |
CN102902819A (zh) | 一种视频智能分析方法及装置 | |
CN110688922A (zh) | 基于深度学习的交通拥堵检测系统及检测方法 | |
CN110163107B (zh) | 一种基于视频帧识别路侧停车行为的方法及装置 | |
CN109784254B (zh) | 一种车辆违规事件检测的方法、装置和电子设备 | |
CN109241938B (zh) | 道路拥堵检测方法及终端 | |
CN111898491B (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN105631418A (zh) | 一种人数统计的方法和装置 | |
CN111723854B (zh) | 一种高速公路交通拥堵检测方法、设备及可读存储介质 | |
CN110956823A (zh) | 一种基于视频分析的交通拥堵检测方法 | |
WO2023155482A1 (zh) | 一种人群快速聚集行为的识别方法、系统、设备及介质 | |
CN105632170A (zh) | 一种基于Mean Shift跟踪算法的交通流检测方法 | |
CN116153086B (zh) | 基于深度学习的多路段交通事故及拥堵检测方法及系统 | |
CN112132071A (zh) | 识别交通拥堵的处理方法、装置、设备及存储介质 | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
CN102749034B (zh) | 基于图像处理的铁路道岔缺口偏移量检测方法 | |
CN113469075A (zh) | 确定交通流量指标的方法、装置、设备及存储介质 | |
CN117953693B (zh) | 一种基于视频ai的高速公路交通智能监测系统 | |
CN116030631A (zh) | 一种基于无人机航拍视频的实时交通拥堵状态评估方法 | |
CN112364794A (zh) | 一种基于嵌入式终端的深度学习逆行检测方法 | |
CN112509338B (zh) | 一种静默式低点视频监控交通拥堵事件检测方法 | |
CN110889347B (zh) | 基于时空计数特征的密度交通流计数方法及系统 | |
CN112991769A (zh) | 基于视频的交通量调查方法和装置 | |
CN112216100A (zh) | 基于视频轮巡的交通拥堵检测方法、系统、装置及介质 |
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 |
Application publication date: 20210112 |
|
RJ01 | Rejection of invention patent application after publication |