CN112364794A - 一种基于嵌入式终端的深度学习逆行检测方法 - Google Patents

一种基于嵌入式终端的深度学习逆行检测方法 Download PDF

Info

Publication number
CN112364794A
CN112364794A CN202011292658.6A CN202011292658A CN112364794A CN 112364794 A CN112364794 A CN 112364794A CN 202011292658 A CN202011292658 A CN 202011292658A CN 112364794 A CN112364794 A CN 112364794A
Authority
CN
China
Prior art keywords
vehicle
detector
retrograde
deep learning
motion
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
CN202011292658.6A
Other languages
English (en)
Inventor
张中
桂旺胜
黄俊杰
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.)
Hefei Zhanda Intelligent Technology Co ltd
Original Assignee
Hefei Zhanda Intelligent 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 Hefei Zhanda Intelligent Technology Co ltd filed Critical Hefei Zhanda Intelligent Technology Co ltd
Priority to CN202011292658.6A priority Critical patent/CN112364794A/zh
Publication of CN112364794A publication Critical patent/CN112364794A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local 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
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及智能交通技术领域，具体涉及一种基于嵌入式终端的深度学习逆行检测方法，本发明在车辆逆行多发路段设置探测器区域，并将探测器区域分为两个连续子区域；通过对两幅图像的出现在探测器中时间先后的分析对比，识别是否有车辆通过；通过对运动车辆相对运动方向来识别车辆是否发生逆行行为，并作为样本输入深度学习神经网络进行学习训练；根据车辆行驶方向判断出车辆逆行行为的发生,并抓拍违章现场图像,截取违章视频，完成检测。本发明借助方深度学习，并用sobel算子进行边界检测，识别车辆通过探测器时在背景中形成的运动边界，以加强综合判断，提高判断准确率，实现了车辆逆行的实时判断，实现了较为准确的自动识别交通车辆的逆行行为。

Description

一种基于嵌入式终端的深度学习逆行检测方法
技术领域
本发明涉及智能交通技术领域，具体涉及一种基于嵌入式终端的深度学习逆行检测方法。
背景技术
随着计算机芯片技术、网络技术的进步，出现了一种新型的网络视频监控系统，即基于嵌入式视频服务器的视频监控系统。其结构一般是:在远端监控现场，有若干个摄像机、各种检测、报警探头与数据设备，通过各自的传输线路，汇聚到视频服务器上，视频服务器通过通信网络，将这些信息传到一个或多个监控中心，供用户查看或者浏览，授权用户还可以根据这些信息对外接设备进行控制凹。
基于嵌入式视频服务器的视频监控系统继承了基于PC的多媒体监控系统的优点。视频服务器属于嵌入式设备，一般采用嵌入式实时操作系统，稳定可靠；摄像机传送来的视频信号进行数字化后由高效压缩芯片压缩，通过内部处理后传送到网络或监控端；视频服务器还可以直接连入以太网，达到即插即看，省掉各种复杂的电缆，安装方便(仅需设置一个IP地址即可)。
随着我国城市化进程的加快和汽车的日益普及，交通流量逐步加大，导致了交通拥挤堵塞现象日趋严重，交通事故频繁发生，给国家造成了重大的经济损失，更是给人们的安全出行带来了极大的不便，大大影响了我国国民经济的高速发展。其中，交通车辆逆行行为极易造成交通事故的发生，建立一套高效的逆行智能检测方法是预防交通车辆逆行的有效手段之一。
发明内容
针对现有技术的不足，本发明公开了一种基于嵌入式终端的深度学习逆行检测方法，用于解决交通车辆逆行行为极易造成交通事故的发生的问题，建立一套高效的逆行智能检测方法是预防交通车辆逆行。
本发明通过以下技术方案予以实现：
本发明公开一种基于嵌入式终端的深度学习逆行检测方法，所述方法包括以下步骤：
S1在车辆逆行多发路段设置探测器区域，并将探测器区域分为两个连续子区域；
S2通过在预设定的时间片△t时间范围内采集两幅车辆视频图像；
S3通过对两幅图像的出现在探测器中时间先后的分析对比，识别是否有车辆通过；
S4应用帧计数和边界检测对车辆的运动过程进行识别，对探测器区域进行首尾标定；
S5通过对运动车辆相对运动方向来识别车辆是否发生逆行行为，并作为样本输入深度学习神经网络进行学习训练；
S6根据车辆行驶方向判断出车辆逆行行为的发生,并抓拍违章现场图像,截取违章视频，完成检测。
更进一步的，所述方法中，只要确定目标的移动历史移动轨迹符合禁止方向即报警，探测器采用扇形标识移动方向，扇形位置和大小可通过软件任意设置。
更进一步的，所述探测器采用扇形标识移动方向，利用帧数统计来获取路面背景，应用帧计数和边界检测对车辆在探测器中的运动过程进行识别，对探测器进行首尾标定，并通过对车辆在探测器中的相对运动方向进行识别，即可判断车辆是否逆行。
更进一步的，进行逆行判断时，将探测器按道路方向平均分割成A和B两个子区域，并指定正向行驶方向为A到B；如果图像灰度变化首先出现在A区，则视为正向行驶；否则，则判定交通车辆逆向行驶。
更进一步的，所述方法进行检测时，假设运动目标的灰度值为X，背景像素点的灰度值为Y，那么运动目标在探测区域中的运动就相当于一个又的块状区域在Y的背景区域中运动，并且运动目标的区域会在背景区域中形成一个运动边界。
更进一步的，如果目标是车辆，在运动过程中，车辆头部和尾部形成水平边界，车辆的两个侧边形成了垂直的边界，对这些运动的边界用sobel算子的垂直和水平方向的两个算子进行边界检测。
更进一步的，所述方法中，根据横穿车道的行人、正向行驶的车辆与逆行车辆的运动特征不同，表现在灰度图像上也不同，利用逆行车辆在背景上形成的边界的运动方向特征，图像处理算法对逆行车辆进行判别，对于正常行驶方向的车辆不予判别。
本发明的有益效果为：
本发明借助方深度学习，并用sobel算子进行边界检测，识别车辆通过探测器时在背景中形成的运动边界，以加强综合判断，提高判断准确率，实现了车辆逆行的实时判断，实现了较为准确的自动识别交通车辆的逆行行为。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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是一种基于嵌入式终端的深度学习逆行检测方法原理步骤图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本实施例公开如图1所示的一种基于嵌入式终端的深度学习逆行检测方法，包括以下步骤：
S1在车辆逆行多发路段设置探测器区域，并将探测器区域分为两个连续子区域；
S2通过在预设定的时间片△t时间范围内采集两幅车辆视频图像；
S3通过对两幅图像的出现在探测器中时间先后的分析对比，识别是否有车辆通过；
S4应用帧计数和边界检测对车辆的运动过程进行识别，对探测器区域进行首尾标定；
S5通过对运动车辆相对运动方向来识别车辆是否发生逆行行为，并作为样本输入深度学习神经网络进行学习训练；
S6根据车辆行驶方向判断出车辆逆行行为的发生,并抓拍违章现场图像,截取违章视频，完成检测。
本实施例只要确定目标的移动历史移动轨迹符合禁止方向即报警，探测器采用扇形标识移动方向，扇形位置和大小可通过软件任意设置。
探测器采用扇形标识移动方向，利用帧数统计来获取路面背景，应用帧计数和边界检测对车辆在探测器中的运动过程进行识别，对探测器进行首尾标定，并通过对车辆在探测器中的相对运动方向进行识别，即可判断车辆是否逆行。
本实施例进行逆行判断时，将探测器按道路方向平均分割成A和B两个子区域，并指定正向行驶方向为A到B；如果图像灰度变化首先出现在A区，则视为正向行驶；否则，则判定交通车辆逆向行驶。
本实施例进行检测时，假设运动目标的灰度值为X，背景像素点的灰度值为Y，那么运动目标在探测区域中的运动就相当于一个又的块状区域在Y的背景区域中运动，并且运动目标的区域会在背景区域中形成一个运动边界。
如果目标是车辆，在运动过程中，车辆头部和尾部形成水平边界，车辆的两个侧边形成了垂直的边界，对这些运动的边界用sobel算子的垂直和水平方向的两个算子进行边界检测。
本实施例根据横穿车道的行人、正向行驶的车辆与逆行车辆的运动特征不同，表现在灰度图像上也不同，利用逆行车辆在背景上形成的边界的运动方向特征，图像处理算法对逆行车辆进行判别，对于正常行驶方向的车辆不予判别。
实施例2
本实施例公开一种系统，在设置上不采用“警戒线”的方式,只要确定目标的移动历史移动轨迹符合禁止方向即报警，探测器设置上采用扇形标识移动方向，扇形位置和大小可以通过系统的软件任意设置，相比而言拓展应用至其他行业的场合更为广泛和实用。
假设运动目标的灰度值为X，背景像素点的灰度值为Y，那么运动目标在探测区域中的运动就相当于一个的块状区域在Y的背景区域中运动，并且运动目标的区域会在背景区域中形成一个运动边界。
如果目标是车辆，在运动过程中，车辆头部和尾部形成水平边界，车辆的两个侧边形成了垂直的边界，对这些运动的边界可以用sobel算子的垂直和水平方向的两个算子进行边界检测。
探测器设置上采用扇形标识移动方向，扇形位置和大小动态可调，每来一帧图像，都会更新探测器区域内的每个像素点的灰度值。利用帧数统计来获取路面背景，应用帧计数和边界检测对车辆在探测器中的运动过程进行识别，对探测器进行首尾标定，利用上文介绍的新型运动目标检测和分割算法，通过对车辆在探测器中的相对运动方向进行识别，即可判断车辆是否逆行。
对交通车辆进行逆行检测的关键在于对探测器内车辆行驶方向的准确判断，这是对车辆逆行判定的基础。进行检测的基本思路是:将探测器按道路方向平均分割成A和B两个子区域，并指定正向行驶方向为A到B；如果图像灰度变化首先出现在A区，则视为正向行驶；否则，则判定交通车辆逆向行驶。显然，判断车辆逆行的关键在于检测首先变化出现在哪个区域。
系统检测软件从缓存中读取一幅图像，然后让它与背景进行差值，判断探测器中是否有运动目标侵入，再做平滑滤波处理，判断运动目标是否是交通车辆。若运动目标是交通车辆，则此时交通车辆的位置分布状态只可能出现五种状态。考虑到系统检测的实时性问题，探测器区域大小选取适中，使得交通车辆不会出现完全包含在探测器中的情况。
综上，本发明借助方深度学习，并用sobel算子进行边界检测，识别车辆通过探测器时在背景中形成的运动边界，以加强综合判断，提高判断准确率，实现了车辆逆行的实时判断，实现了较为准确的自动识别交通车辆的逆行行为。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于嵌入式终端的深度学习逆行检测方法，其特征在于，所述方法包括以下步骤：
S1在车辆逆行多发路段设置探测器区域，并将探测器区域分为两个连续子区域；
S2通过在预设定的时间片△t时间范围内采集两幅车辆视频图像；
S3通过对两幅图像的出现在探测器中时间先后的分析对比，识别是否有车辆通过；
S4应用帧计数和边界检测对车辆的运动过程进行识别，对探测器区域进行首尾标定；
S5通过对运动车辆相对运动方向来识别车辆是否发生逆行行为，并作为样本输入深度学习神经网络进行学习训练；
S6根据车辆行驶方向判断出车辆逆行行为的发生,并抓拍违章现场图像,截取违章视频，完成检测。
2.根据权利要求1所述的基于嵌入式终端的深度学习逆行检测方法，其特征在于，所述方法中，只要确定目标的移动历史移动轨迹符合禁止方向即报警，探测器采用扇形标识移动方向，扇形位置和大小可通过软件任意设置。
3.根据权利要求2所述的基于嵌入式终端的深度学习逆行检测方法，其特征在于，所述探测器采用扇形标识移动方向，利用帧数统计来获取路面背景，应用帧计数和边界检测对车辆在探测器中的运动过程进行识别，对探测器进行首尾标定，并通过对车辆在探测器中的相对运动方向进行识别，即可判断车辆是否逆行。
4.根据权利要求3所述的基于嵌入式终端的深度学习逆行检测方法，其特征在于，进行逆行判断时，将探测器按道路方向平均分割成A和B两个子区域，并指定正向行驶方向为A到B；如果图像灰度变化首先出现在A区，则视为正向行驶；否则，则判定交通车辆逆向行驶。
5.根据权利要求1所述的基于嵌入式终端的深度学习逆行检测方法，其特征在于，所述方法进行检测时，假设运动目标的灰度值为X，背景像素点的灰度值为Y，那么运动目标在探测区域中的运动就相当于一个又的块状区域在Y的背景区域中运动，并且运动目标的区域会在背景区域中形成一个运动边界。
6.根据权利要求5所述的基于嵌入式终端的深度学习逆行检测方法，其特征在于，如果目标是车辆，在运动过程中，车辆头部和尾部形成水平边界，车辆的两个侧边形成了垂直的边界，对这些运动的边界用sobel算子的垂直和水平方向的两个算子进行边界检测。
7.根据权利要求1所述的基于嵌入式终端的深度学习逆行检测方法，其特征在于，所述方法中，根据横穿车道的行人、正向行驶的车辆与逆行车辆的运动特征不同，表现在灰度图像上也不同，利用逆行车辆在背景上形成的边界的运动方向特征，图像处理算法对逆行车辆进行判别，对于正常行驶方向的车辆不予判别。
CN202011292658.6A 2020-11-18 2020-11-18 一种基于嵌入式终端的深度学习逆行检测方法 Pending CN112364794A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011292658.6A CN112364794A (zh) 2020-11-18 2020-11-18 一种基于嵌入式终端的深度学习逆行检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011292658.6A CN112364794A (zh) 2020-11-18 2020-11-18 一种基于嵌入式终端的深度学习逆行检测方法

Publications (1)

Publication Number Publication Date
CN112364794A true CN112364794A (zh) 2021-02-12

Family

ID=74532723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011292658.6A Pending CN112364794A (zh) 2020-11-18 2020-11-18 一种基于嵌入式终端的深度学习逆行检测方法

Country Status (1)

Country Link
CN (1) CN112364794A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113676702A (zh) * 2021-08-21 2021-11-19 深圳市大工创新技术有限公司 基于视频流的目标追踪监测方法、系统、装置及存储介质
CN114049610A (zh) * 2021-12-02 2022-02-15 公安部交通管理科学研究所 一种高速公路上机动车倒车和逆行违法行为主动发现方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020000251A1 (zh) * 2018-06-27 2020-01-02 潍坊学院 基于摄像机协同接力的路口违章视频识别方法
CN111047874A (zh) * 2019-12-19 2020-04-21 中科寒武纪科技股份有限公司 智能交通违章管理方法及相关产品
CN111126171A (zh) * 2019-12-04 2020-05-08 江西洪都航空工业集团有限责任公司 一种车辆逆行检测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020000251A1 (zh) * 2018-06-27 2020-01-02 潍坊学院 基于摄像机协同接力的路口违章视频识别方法
CN111126171A (zh) * 2019-12-04 2020-05-08 江西洪都航空工业集团有限责任公司 一种车辆逆行检测方法及系统
CN111047874A (zh) * 2019-12-19 2020-04-21 中科寒武纪科技股份有限公司 智能交通违章管理方法及相关产品

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗建林: "基于IVS的车辆逆行检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113676702A (zh) * 2021-08-21 2021-11-19 深圳市大工创新技术有限公司 基于视频流的目标追踪监测方法、系统、装置及存储介质
CN113676702B (zh) * 2021-08-21 2024-04-30 深圳市大工创新技术有限公司 基于视频流的目标追踪监测方法、系统、装置及存储介质
CN114049610A (zh) * 2021-12-02 2022-02-15 公安部交通管理科学研究所 一种高速公路上机动车倒车和逆行违法行为主动发现方法
CN114049610B (zh) * 2021-12-02 2024-06-14 公安部交通管理科学研究所 一种高速公路上机动车倒车和逆行违法行为主动发现方法

Similar Documents

Publication Publication Date Title
US9704060B2 (en) Method for detecting traffic violation
CN105744232B (zh) 一种基于行为分析技术的输电线路视频防外破的方法
CN103366569B (zh) 实时抓拍交通违章车辆的方法及系统
CN110992693B (zh) 一种基于深度学习的交通拥堵程度多维度分析方法
Song et al. Vehicle behavior analysis using target motion trajectories
CN107301777A (zh) 基于视频检测技术的车辆违章变道检测方法
CN110688922A (zh) 基于深度学习的交通拥堵检测系统及检测方法
CN104376554A (zh) 一种基于图像纹理的违章停车检测方法
CN112364794A (zh) 一种基于嵌入式终端的深度学习逆行检测方法
CN111626275B (zh) 一种基于智能视频分析的异常停车检测方法
CN110929676A (zh) 一种基于深度学习的违章掉头实时检测方法
CN106560861A (zh) 基于计算机视觉的智能监管方法
CN105719495A (zh) 交通信号灯联动控制系统及其控制方法
CN112084892B (zh) 一种道路异常事件检测管理装置及其方法
Liu et al. Effective road lane detection and tracking method using line segment detector
CN111260934B (zh) 一种基于交通视频网的车流量检测方法
CN104463913A (zh) 违规停车智能检测装置与方法
KR20210158037A (ko) 영상감시시스템에서의 고속 이동물체의 위치 및 모션 캡쳐 방법
CN115294774B (zh) 基于深度学习的非机动车道路违停检测方法及装置
Al-Kadi et al. Road scene analysis for determination of road traffic density
CN114332159A (zh) 一种基于目标追踪算法的行人违规翻越护栏的预警方法、系统、装置以及存储介质
KR100383538B1 (ko) 차선이탈 경보 방법 및 시스템
CN114882709A (zh) 车辆拥堵检测方法、装置及计算机存储介质
CN112686956A (zh) 一种城市道路信号灯杆倾斜故障的检测方法
CN114663479A (zh) 一种基于计算机视觉的智能监控预警方法及系统

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: 20210212