CN112418000A - 基于单目摄像头的不良驾驶行为检测方法及系统 - Google Patents
基于单目摄像头的不良驾驶行为检测方法及系统 Download PDFInfo
- Publication number
- CN112418000A CN112418000A CN202011220437.8A CN202011220437A CN112418000A CN 112418000 A CN112418000 A CN 112418000A CN 202011220437 A CN202011220437 A CN 202011220437A CN 112418000 A CN112418000 A CN 112418000A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- license plate
- speed
- transverse
- camera
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims description 14
- 230000001133 acceleration Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000006073 displacement reaction Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 11
- 230000035622 drinking Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于单目摄像头的不良驾驶行为检测方法,包括以下步骤:通过单目摄像头拍摄车辆任意两帧图像;通过基于深度卷积神经网络的方法识别图像中的车牌位置;以车牌在图像中的大小、高宽比判断车辆距离摄像头的位置和角度;通过车牌与左右交通标示线的距离判断车辆的横向位移;根据车辆距离摄像头的位置、角度、横向位移计算车辆在通过该单目摄像头下的横向速度、纵向速度及横向加速度、纵向加速度;将横向速度、纵向速度、横向加速度、纵向加速度、速度波动范围和加减速频率输入到高斯隐马尔科夫模型进行识别,判定车辆是否有酒驾嫌疑,若判定为酒驾嫌疑车辆,则生成酒驾嫌疑车辆的通知,发送给相应路段的执勤交警。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于单目摄像头的不良驾驶行为检测及系统。
背景技术
目前对酒驾车辆的检测主要通过交警设卡,逐车检测的方法,该方法安全隐患大,且严重影响交通通行率。有通过红外摄像头检测车内人员面部温度的酒后驾驶系统,该系统需采用红外摄像头增加成本,且针对驾驶员的识别情况受温度影响较大。目前尚无通过测定车速判断是否为酒驾车辆的系统。现有的车速测量系统有:在预定路段埋设两组线圈,车辆通过线圈上方时,以车辆通过线圈上方引起的磁场变化作为触发点,记录车辆同线圈的时间差,从而计算车速;通过双目摄像头识别车辆的外形尺寸,以透视变换原理确定车辆在不同时刻距离摄像头的距离,计算车速;通过单目摄像头与地面预先标示的位置线,以车辆在各时刻与位置线的相对关系计算车速。第一种方法需要破坏道路安装线圈,第二种方法需要加装摄像头并标定摄像头与道路的角度等参数,第三种方法需改变道路划线情况,增加对驾驶员视觉的影响。
本发明提出了一种基于单目摄像头的不良驾驶行为检测及警示系统,在现有道路摄像头基础上升级图像识别算法即可实现通过该路段的车辆的车速实时检测。通过与数据库内数据对比,实现对车辆是否酒驾的判断并记录,如现场有执勤交警,通过警示系统提醒驾驶员在后续路段靠边接受进一步的酒精含量检查,占用警力资源少。
发明内容
本发明的目的在于提供一种能在现有道路设施基础上通过升级图像处理方法,实现对通过摄像头监控路段的车速的实时检测,进而判定通过车辆是否属于酒后驾驶并进行警示的基于单目摄像头的不良驾驶行为检测及警示系统。
本发明为达目的所采用的所采用的技术方案是:
提供一种基于单目摄像头的不良驾驶行为检测方法,包括以下步骤:
S1、通过单目摄像头拍摄车辆任意两帧图像;
S2、通过基于深度卷积神经网络的方法识别图像中的车牌位置;
S3、以车牌在图像中的大小、高宽比判断车辆距离摄像头的位置和角度;
S4、通过车牌与左右交通标示线的距离判断车辆的横向位移;
S5、根据车辆距离摄像头的位置、角度、横向位移计算车辆在通过该单目摄像头下的横向速度、纵向速度及横向加速度、纵向加速度;
S6、将横向速度、纵向速度、横向加速度、纵向加速度输入预先建立的高斯混合隐马尔可夫酒后驾驶识别模型,判定车辆是否有酒驾嫌疑;
S7、若判定为酒驾嫌疑车辆,生成酒驾嫌疑车辆的通知,发送给相应路段的执勤交警。
接上述技术方案,还包括步骤:S8、记录酒驾嫌疑车辆车牌及相应图像,发送至交管部门,作为车辆违章的判罚依据。
接上述技术方案,对拍摄的车辆图像通过卷积神经网络模型识别车辆的车牌,并在所拍摄的图像中进行标识。
接上述技术方案,该卷积神经网络模型中删除分类网络的最后的全连接层,增加3个提取特征的卷积层,并增加跨层跳跃连接来融合粗细粒度的特征。
本发明还提供一种基于单目摄像头的不良驾驶行为检测系统,包括:
车速计算模块,用于通过单目摄像头拍摄车辆任意两帧图像,计算此时的车速;
单目摄像头,用于拍摄车辆通过摄像头拍摄范围时的视频;
车辆位置识别模块,用于通过基于深度卷积神经网络的方法识别图像中的车牌位置;并以车牌在图像中的大小、高宽比判断车辆距离摄像头的位置和角度;
速度和加速度计算模块,用于通过车牌与左右交通标示线的距离判断车辆的横向位移;根据车辆距离摄像头的位置、角度、横向位移计算车辆在通过该单目摄像头下的横向速度、纵向速度及横向加速度、纵向加速度;
判定模块,用于将横向速度、纵向速度、横向加速度、纵向加速度输入预先建立的高斯混合隐马尔可夫酒后驾驶识别模型,判定车辆是否有酒驾嫌疑;
通知生成模块,用于判定为酒驾嫌疑车辆时,生成酒驾嫌疑车辆的通知,发送给相应路段的执勤交警。
接上述技术方案,还包括:上传模块,用于记录酒驾嫌疑车辆车牌及相应图像,发送至交管部门,作为车辆违章的判罚依据。
本发明产生的有益效果是:本发明采用单目摄像头识别车速的方法,无需新安装道路监控摄像头,即可实现对车辆速度的在线识别,通过与道路限速值对比,判定车辆是否超速。通过分析车辆行为特征,与酒后驾驶车辆行为特征进行对比,通过模型识别酒驾嫌疑较大的车辆,提示交警有针对性地查处酒驾嫌疑较大的车辆,有利于提升酒后驾驶车辆的查处效率,减少警力消耗。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例基于单目摄像头的不良驾驶行为检测方法的流程示意图;
图2为本发明实施例车辆通过单目摄像头的示意图;
图3为本发明实施例车辆通过单目摄像头时的俯视图;
图4为本发明实施例车辆通过单目摄像头时的侧视图;
图5为车辆通过单目摄像头时比对示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例基于单目摄像头的不良驾驶行为检测方法,包括以下步骤:
S1、通过单目摄像头拍摄车辆任意两帧图像;
S2、通过基于深度卷积神经网络的方法识别图像中的车牌位置;
S3、以车牌在图像中的大小、高宽比判断车辆距离摄像头的位置和角度
S4、通过车牌与左右交通标示线的距离判断车辆的横向位移;
S5、根据车辆距离摄像头的位置、角度、横向位移计算车辆在通过该单目摄像头下的横向速度、纵向速度及横向加速度、纵向加速度;
S6、将横向速度、纵向速度、横向加速度、纵向加速度与预设的正常阈值进行对比,若超过阈值,则将其判定为酒驾嫌疑车辆;
S7、生成酒驾嫌疑车辆的通知,发送给相应路段的执勤交警。
进一步地,还包括步骤:S8、记录酒驾嫌疑车辆车牌及相应图像,发送至交管部门,作为车辆违章的判罚依据。
具体地,车辆进入摄像头视野范围内,摄像头对车辆通过的场景进行拍摄。通过车牌检测神经网络模型对车辆通过时车牌在拍摄图像中的位置进行识别,通过对比车牌在图像中所占像素与预先标定的车牌在距离摄像头不同为位置时的像素占比,确定车牌与摄像头的距离。通过车牌高度与宽度在成像图像中的比值,确定此刻车牌与摄像头拍摄中线的角度。通过不同时刻下角度与距离值,计算车辆通过摄像头时的纵向车速,对车速求导,可得到车辆在这一时段内的纵向加速度。
车辆通过摄像头时,不同时刻图像中,车牌距离车辆左右两侧车道标识线的位移,可求取车辆的横向速度及加速度。将计算的车辆纵向车速与道路限速值进行对比,如车辆超速,记录通过车牌信息识别神经网络模型识别的车牌信息,并发送至交管部门,作为超速判罚依据。将计算的车辆纵向车速、加速度、横向车速、加速度、车速波动区间(这一时段内,车速的最大、最小值)、加减速频率(加减速切换次数)发送至基于高斯混合隐马尔可夫模型(GHMM)建立酒后驾驶识别模型,判定车辆是否有酒驾嫌疑。
如车辆有酒驾嫌疑,且附近有交警执勤,将车牌信息发送至交警,交警提示驾驶员在开阔路段停车介绍进一步检查。如无交警执勤,则记录车牌后,作为后续重点排查对象。
本发明的一个具体实施例中,如图2、3所示,首先采用标准车牌通过摄像头拍摄范围,确定车牌距离摄像头不同距离时在拍摄图像中的像素,并标定车牌成像后高宽比所对应的车牌与摄像头拍摄面间的角度。
检测车辆通过摄像头时,摄像头对通过拍摄范围内的车辆进行拍摄,以卷积神经网络模型识别通过车辆的车牌位置及车牌信息。
车牌检测及信息识别的神经网络模型均借鉴了Darknet-19分类模型,删除分类网络的最后的全连接层,同时增加3个提取特征的卷积层,然后借鉴ResNet等相关网络的设计理念,增加跨层跳跃连接来融合粗细粒度的特征。车牌检测的网络将图像缩放至416×416大小,使用3×3卷积层输出的最终能输出一个13*13的Feature Map,可以让网络能够预测多于1000个框,提高了recall,其中S取7,B取2,共有一个类别即检测的车牌;车牌检测与车牌信息识别网络模型分别包含24个卷积层和6个池化层。
如图4-5所示,通过视频中车牌的所占像素宽度与标定数据进行对比,确定t时刻时车牌与摄像头的距离AC。拍摄图像中车牌的高度为CE1,通过对比CE1/BC的值,可确定该时刻下的角度∠CAA1,在下一时刻t’车辆通过摄像头时,基于车牌成像宽度C’E1’可得到与摄像头的距离AC’,通过对比C’E1’/AC’,确定此时的角度∠C’AA1。根据余弦定理,可求得t与t’时刻间车辆通过的位移,与车牌移动的位移一致,为CC’。
利用检测车辆通过单目摄像头下的任意两帧图像,计算该时刻下的车速,并通过车牌与左右交通标示线的距离BF、CG判断车辆的横向位移。通过计算获得车辆在通过该摄像头下的横向速度、纵向速度及横向加速度、纵向加速度。对于超过路段限速的车辆,记录车牌及相应的路线,提供到交管部门,作为车辆违章的判罚依据。
酒精将影响驾驶员的判断力、增加反应时间,并减弱对踏板力的反馈,因此,相对正常驾驶车辆,酒后驾驶车辆常出现车速波动较大、加减速频繁等异常情况。采用高斯混合隐马尔可夫模型(GHMM)建立酒后驾驶识别模型。模型观测序列选择车辆速度波动区间、纵向车速、横向车速、纵向加速度、横向加速度及加减速频率共6个序列,上述6个序列通过对车辆通过摄像头时拍摄的视频进行分析、识别。模型中,对车辆表征隐状态的设置,包括车辆运行的纵向和横向,纵向分为加速和减速,横向分为前进方向的左侧与右侧,隐状态个数Q=4,高斯个数K=8。模型中的重点内容主要包括:基于观测序列与隐状态个数组成的状态转换矩阵A,各状态对应各高斯状态的权重系数矢量,以及各高斯下对应的均值矢量,权重系数矢量及均值矢量通过采用正常驾驶车辆的数据对模型进行训练得到。
将识别的车辆通过摄像头时的6个序列输入到模型中,分析各隐状态下6个序列的离差变化率,得各状态是否酒驾的判定,综合各状态的判定,对模型输出酒驾嫌疑率大于90%的车辆信息进行记录,上报到交管部门。
基于上述模型,以工作日08:00到18:00时间范围内车辆通过时的参数作为模型训练数据。在系统使用初期,对酒驾高发时间段的车辆进行识别。随着系统使用时间的增加,训练模型数据的增加,模型识别精度提升,确认识别率提升到95%后,对该路段全时段内通过车辆进行检测识别,对有酒后驾驶嫌疑的车辆进行记录,作为后续的重点排查对象。如有交警执勤,通过警示系统提示驾驶员将车辆行驶到开阔路段接受进一步酒精含量检测。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种基于单目摄像头的不良驾驶行为检测方法,其特征在于,包括以下步骤:
S1、通过单目摄像头拍摄车辆任意两帧图像;
S2、通过基于深度卷积神经网络的方法识别图像中的车牌位置;
S3、以车牌在图像中的大小、高宽比判断车辆距离摄像头的位置和角度;
S4、通过车牌与左右交通标示线的距离判断车辆的横向位移;
S5、根据车辆距离摄像头的位置、角度、横向位移计算车辆在通过该单目摄像头下的横向速度、纵向速度及横向加速度、纵向加速度;
S6、将横向速度、纵向速度、横向加速度、纵向加速度输入预先建立的高斯混合隐马尔可夫酒后驾驶识别模型,判定车辆是否有酒驾嫌疑;
S7、若判定为酒驾嫌疑车辆,生成酒驾嫌疑车辆的通知,发送给相应路段的执勤交警。
2.根据权利要求1所述的基于单目摄像头的不良驾驶行为检测方法,其特征在于,还包括步骤:S8、记录酒驾嫌疑车辆车牌及相应图像,发送至交管部门,作为车辆违章的判罚依据。
3.根据权利要求1所述的基于单目摄像头的不良驾驶行为检测方法,其特征在于,对拍摄的车辆图像通过卷积神经网络模型识别车辆的车牌,并在所拍摄的图像中进行标识。
4.根据权利要求3所述的基于单目摄像头的不良驾驶行为检测方法,其特征在于,该卷积神经网络模型中删除分类网络的最后的全连接层,增加 3 个提取特征的卷积层,并增加跨层跳跃连接来融合粗细粒度的特征。
5.一种基于单目摄像头的不良驾驶行为检测系统,其特征在于,包括:
车速计算模块,用于通过单目摄像头拍摄车辆任意两帧图像,计算此时的车速;
单目摄像头,用于拍摄车辆通过摄像头拍摄范围时的视频;
车辆位置识别模块,用于通过基于深度卷积神经网络的方法识别图像中的车牌位置;并以车牌在图像中的大小、高宽比判断车辆距离摄像头的位置和角度;
速度和加速度计算模块,用于通过车牌与左右交通标示线的距离判断车辆的横向位移;根据车辆距离摄像头的位置、角度、横向位移计算车辆在通过该单目摄像头下的横向速度、纵向速度及横向加速度、纵向加速度;
判定模块,用于将横向速度、纵向速度、横向加速度、纵向加速度输入预先建立的高斯混合隐马尔可夫酒后驾驶识别模型,判定车辆是否有酒驾嫌疑;
通知生成模块,用于判定为酒驾嫌疑车辆时,生成酒驾嫌疑车辆的通知,发送给相应路段的执勤交警。
6.根据权利要求5所述的基于单目摄像头的不良驾驶行为检测系统,其特征在于,还包括:上传模块,用于记录酒驾嫌疑车辆车牌及相应图像,发送至交管部门,作为车辆违章的判罚依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011220437.8A CN112418000B (zh) | 2020-11-05 | 2020-11-05 | 基于单目摄像头的不良驾驶行为检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011220437.8A CN112418000B (zh) | 2020-11-05 | 2020-11-05 | 基于单目摄像头的不良驾驶行为检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418000A true CN112418000A (zh) | 2021-02-26 |
CN112418000B CN112418000B (zh) | 2024-02-27 |
Family
ID=74827972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011220437.8A Active CN112418000B (zh) | 2020-11-05 | 2020-11-05 | 基于单目摄像头的不良驾驶行为检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418000B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529871A (zh) * | 2022-02-21 | 2022-05-24 | 创新奇智(上海)科技有限公司 | 一种酒驾识别方法、装置,电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408932A (zh) * | 2014-11-03 | 2015-03-11 | 河海大学常州校区 | 一种基于视频监控的酒驾车辆检测系统 |
CN106571033A (zh) * | 2016-10-26 | 2017-04-19 | 深圳市元征软件开发有限公司 | 酒驾检测方法及装置 |
CN107221156A (zh) * | 2016-03-22 | 2017-09-29 | 山东理工大学 | 一种实时监测酒后驾驶的方法和系统 |
CN107909819A (zh) * | 2017-12-14 | 2018-04-13 | 黄晓丽 | 一种用于采集酒驾车辆的视频控制装置 |
CN108091136A (zh) * | 2017-12-14 | 2018-05-29 | 阜阳裕晟电子科技有限公司 | 一种基于视频监控的酒驾车辆检测系统 |
CN108428343A (zh) * | 2018-05-17 | 2018-08-21 | 长沙理工大学 | 一种多车驾驶行为分析和危险预警方法及系统 |
CN109146914A (zh) * | 2018-06-20 | 2019-01-04 | 上海市政工程设计研究总院(集团)有限公司 | 一种高速公路基于视频分析的醉酒驾驶行为预警方法 |
CN110070078A (zh) * | 2019-05-27 | 2019-07-30 | 浙江科技学院 | 一种基于传感器与机器视觉的酒驾检测方法及系统 |
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 |
-
2020
- 2020-11-05 CN CN202011220437.8A patent/CN112418000B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408932A (zh) * | 2014-11-03 | 2015-03-11 | 河海大学常州校区 | 一种基于视频监控的酒驾车辆检测系统 |
CN107221156A (zh) * | 2016-03-22 | 2017-09-29 | 山东理工大学 | 一种实时监测酒后驾驶的方法和系统 |
CN106571033A (zh) * | 2016-10-26 | 2017-04-19 | 深圳市元征软件开发有限公司 | 酒驾检测方法及装置 |
CN107909819A (zh) * | 2017-12-14 | 2018-04-13 | 黄晓丽 | 一种用于采集酒驾车辆的视频控制装置 |
CN108091136A (zh) * | 2017-12-14 | 2018-05-29 | 阜阳裕晟电子科技有限公司 | 一种基于视频监控的酒驾车辆检测系统 |
CN108428343A (zh) * | 2018-05-17 | 2018-08-21 | 长沙理工大学 | 一种多车驾驶行为分析和危险预警方法及系统 |
CN109146914A (zh) * | 2018-06-20 | 2019-01-04 | 上海市政工程设计研究总院(集团)有限公司 | 一种高速公路基于视频分析的醉酒驾驶行为预警方法 |
CN110070078A (zh) * | 2019-05-27 | 2019-07-30 | 浙江科技学院 | 一种基于传感器与机器视觉的酒驾检测方法及系统 |
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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529871A (zh) * | 2022-02-21 | 2022-05-24 | 创新奇智(上海)科技有限公司 | 一种酒驾识别方法、装置,电子设备及存储介质 |
CN114529871B (zh) * | 2022-02-21 | 2024-05-28 | 创新奇智(上海)科技有限公司 | 一种酒驾识别方法、装置,电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112418000B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11990036B2 (en) | Driver behavior monitoring | |
CN102765365B (zh) | 基于机器视觉的行人检测方法及行人防撞预警系统 | |
CN111325978B (zh) | 一种高速公路车辆异常行为的全程监测警示系统和方法 | |
CN105702048B (zh) | 基于行车记录仪的高速公路前车违法占道识别系统及方法 | |
CN106530831A (zh) | 一种高威胁车辆监测预警系统及方法 | |
CN110400478A (zh) | 一种路况通知方法及装置 | |
EP3403219A1 (en) | Driver behavior monitoring | |
Chen et al. | Real-time approaching vehicle detection in blind-spot area | |
CN112883936A (zh) | 一种对车辆违规行为的检测方法及其系统 | |
CN113658427A (zh) | 基于视觉与雷达的路况监控方法及系统、设备 | |
CN206961331U (zh) | 一种高威胁车辆监测预警系统 | |
JP2018055597A (ja) | 車種判別装置および車種判別方法 | |
CN109035803A (zh) | 一种采用高光谱成像装置进行路况预警的监测系统 | |
CN116128360A (zh) | 道路交通拥堵等级评估方法、装置、电子设备及存储介质 | |
CN113313012B (zh) | 一种基于卷积生成对抗网络的危险驾驶行为识别方法 | |
CN112418000A (zh) | 基于单目摄像头的不良驾驶行为检测方法及系统 | |
CN112347906B (zh) | 公交车内异常聚集行为的检测方法 | |
CN111722617B (zh) | 一种基于大数据的自动驾驶汽车性能判定系统及方法 | |
CN116631187B (zh) | 一种案件现场勘查信息智能采集分析系统 | |
CN210760742U (zh) | 智能车辆辅助驾驶系统 | |
CN115049992A (zh) | 基于大数据的物流监控系统及方法 | |
CN115629385A (zh) | 基于毫米波雷达和相机关联的车辆排队长度实时检测方法 | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN113990077A (zh) | 一种车辆载荷及特征监测系统及方法 | |
CN113919571A (zh) | 基于边缘计算的危化品运输保费预估方法 |
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 |