CN112528759A - 一种基于计算机视觉的交通违章行为检测方法 - Google Patents
一种基于计算机视觉的交通违章行为检测方法 Download PDFInfo
- Publication number
- CN112528759A CN112528759A CN202011327812.9A CN202011327812A CN112528759A CN 112528759 A CN112528759 A CN 112528759A CN 202011327812 A CN202011327812 A CN 202011327812A CN 112528759 A CN112528759 A CN 112528759A
- Authority
- CN
- China
- Prior art keywords
- target
- violation
- traffic
- data
- image
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30196—Human being; Person
-
- 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
- G06V2201/07—Target detection
Abstract
本发明公开了一种基于计算机视觉的交通违章行为检测方法,其通过计算机视觉技术,对在交通场景下的行人、不同类别机动车、交通指示灯、行车线、斑马线、车牌、车标等物体进行实时的目标识别,同时对机动车车速、车流量等信息进行实时检测与统计,对于行人闯红灯、机动车闯红灯、机动车不礼让行人、机动车超速行驶等违反交通道路规范章程的行为,该应用也进行捕捉和识别,协助交通监管者进行高效、便捷、智能的交通监管,提高工作效率,减少漏检,误检的发生。
Description
技术领域
本发明涉及交通违章行为检测领域,尤其涉及一种基于计算机视觉的交通违章行为检测方法。
背景技术
当今交通问题已经成为全球性的“城市通病”,而交通拥堵是城市“交通病症”的主要表现。城市交通拥堵的“病因”源于多种因素,且交通拥堵直接影响着人们的出行质量,特别是利用车辆交通的人们。道路车辆拥挤,交通事故频发,交通环境恶化,能源紧张,环境污染不断加重,这些日益严重交通问题与现代化交通的基本的理念,即通达、有序、安全、舒适、低能耗、低污染等要求是完全相违背的。
因此在全国大中小城市的交通枢纽中,对于交通违章行为检测也越来越重视,随着国家对互联网科技的重要,交通已进入智能时代,在日常交通出行中存在着大量的交通违法行为,采用以往的直接检测法,即主要通过在车辆和道路上安装探测传感器来收集数据,对数据进行分析目标物的运行状态,判断是否有异常情况,上述检测方法已经不能满足智能交通系统的需求,鉴于此,研发出能适应现代交通错综复杂环境的交通违章行为检测方法是本领域技术人员亟待解决的技术问题。
发明内容
为了解决上述现有技术中存在的不足,本发明提供一种基于计算机视觉的交通违章行为检测方法,其通过计算机视觉技术,对在交通场景下的行人、不同类别机动车、交通指示灯、行车线、斑马线、车牌、车标等物体进行实时的目标识别,同时对机动车车速、车流量等信息进行实时检测与统计,对于行人闯红灯、机动车闯红灯、机动车不礼让行人、机动车超速行驶等违反交通道路规范章程的行为,该应用也进行捕捉和识别,协助交通监管者进行高效、便捷、智能的交通监管,提高工作效率,减少漏检,误检的发生。
本发明解决上述技术问题所采用的技术方案为:一种基于计算机视觉的交通违章行为检测方法,包括如下步骤,
S1:获取违章行为目标区域图像,进行数据标注与模型训练,得到目标检测模型;
S2:处理原始数据,对采集的原始图像数据进行特征提取和特征筛选,获取车辆或行人目标后,通过前帧数据中的目标记录,对目标在图像中的位置进行记录,获取目标行进轨迹,实现目标跟踪;
S3:预测目标,利用完成训练的YOLOv3模型预测目标类别及位置坐标;
S4:保存和利用目标检测结果,在输入视频的副本中根据预测的坐标绘制识别框,标记识别的种类名称与位置信息,同时将识别的特定种类目标的信息,保存在列表数据结构中;
S5:报警输出,根据保存在列表数据结构,利用冗余筛选规则进行冗余筛选输出,并对判断的结果进行可视化的展示。
所述步骤S1具体包括,
S11:针对机动车存在的违法行为确定数据集所需的类别,可自动检测的类别包括超载、未戴安全帽,目标检测算法检测出的类别即包括机动车、人、安全帽;
S12:从各大开源的数据集中收集所需类别数据,对于收集数量不足的类别进行针对性的数据标注,标注信息保存在xml格式的文件中,即包括目标类别和位置坐标;
S13:将所有xml格式的文件里的标注信息合并成一个txt格式文件,文件内容包括图片路径、图片内包括的目标类别、目标对应的位置坐标;
S14:将数据集划分为训练集、验证集和测试集;
S15:在训练集被加载时随机地进行数据增强来增加数据集,即对图片进行平移、缩放、扭曲,最后得到得到目标检测模型。
获取违章行为目标区域图像是通过违章时的违规违章过程视频流图像、系列图像、单幅照片、来自视频流文件的违规违章过程记录中的任意一种。
所述违章行为包括跨实线变更车道、不避让行人、闯红灯、超速行驶中的一个条件或多个条件。
所述步骤S2具体包括,
S21:利用背景减除法检测当前帧内的运动目标;
S22:检测是否有违章目标;
S23:若没有符合条件的违章目标,则转到下一帧,继续执行步骤S21,若检测到违章目标,则保存当前帧图像作为目标违章的取证图像1;
S24:利用目标跟踪算法对步骤S22中检测到的违章目标进行跟踪,计算其在当前帧的位置及尺寸信息;
S25:当运动目标到达位置1时,保存当前帧作为目标违章的取证图像2,其中位置1是由步骤S22中目标违章的初始位置和设置好的预设跟踪结束位置取中间位置得到;
S26:当运动目标到达预设跟踪结束位置时,跟踪结束,并保存当前帧图像作为目标违章的取证图像,并结合S23保存的取证图像1生成目标轨迹。
所述S3步骤具体包括,
S31:利用聚类算法K-means对数据集的目标坐标框的尺寸大小进行聚类,将K-means算法的输出数值作为YOLOv3模型的候选框参数;
S32:加载数据集及验证集txt格式文件,加载类别txt格式文件,加载候选框的txt文件;
S33:加载预训练的YOLOv3模型,构建计算损失函数和准确率函数,YOLOv3输出结果为向量;
S34:以批为迭代单位训练YOLOv3模型,反向传播修改YOLOv3模型参数。
与现有技术相比,本发明的优点在于:现有的检测违法行为的方式或者依赖于各种硬件设施,如监控摄像头和地感线圈等;或者依赖于交警人工巡逻检测违法行为,这些方式检测区域具有时空限制、建设维护成本高;本发明基于计算机视觉,使用基于深度学习的目标检测算法和基于规则的推理方式进行交通违法行为的自动检测。
附图说明
图1为本发明的检测流程图。
具体实施方式
以下结合附图和实施例对本发明作进一步详细说明,但不作为对本发明的限定。
实施例:如图所示,一种基于计算机视觉的交通违章行为检测方法,包括如下步骤,
S1:获取违章行为目标区域图像,进行数据标注与模型训练,得到目标检测模型;
S2:处理原始数据,对采集的原始图像数据进行特征提取和特征筛选,获取车辆或行人目标后,通过前帧数据中的目标记录,对目标在图像中的位置进行记录,获取目标行进轨迹,实现目标跟踪;
S3:预测目标,利用完成训练的YOLOv3模型预测目标类别及位置坐标;
S4:保存和利用目标检测结果,在输入视频的副本中根据预测的坐标绘制识别框,标记识别的种类名称与位置信息,同时将识别的特定种类目标的信息,保存在列表数据结构中;
S5:报警输出,根据保存在列表数据结构,利用冗余筛选规则进行冗余筛选输出,并对判断的结果进行可视化的展示。
步骤S1具体包括,
S11:针对机动车存在的违法行为确定数据集所需的类别,可自动检测的类别包括超载、未戴安全帽,目标检测算法检测出的类别即包括机动车、人、安全帽;
S12:从各大开源的数据集中收集所需类别数据,对于收集数量不足的类别进行针对性的数据标注,标注信息保存在xml格式的文件中,即包括目标类别和位置坐标;
S13:将所有xml格式的文件里的标注信息合并成一个txt格式文件,文件内容包括图片路径、图片内包括的目标类别、目标对应的位置坐标;
S14:将数据集划分为训练集、验证集和测试集;
S15:在训练集被加载时随机地进行数据增强来增加数据集,即对图片进行平移、缩放、扭曲,最后得到得到目标检测模型。
获取违章行为目标区域图像是通过违章时的违规违章过程视频流图像、系列图像、单幅照片、来自视频流文件的违规违章过程记录中的任意一种。
违章行为包括跨实线变更车道、不避让行人、闯红灯、超速行驶中的一个条件或多个条件。
(1)超速检测基于常规信息统计模块中的车速检测功能,当车速超过一定阈值则判定为超速;
(2)汽车闯红灯基于多目标检测模块,当检测到红灯的同时汽车穿越斑马线且没有立即停下,则判定为汽车闯红灯;
(3)机动车不礼让行人基于多目标检测模块,当机动车与行人的距离小于一定阈值,同时行人有穿越马路的趋势,汽车没有明显的减速、刹车行为,则判定为不礼让行人;
(4)行人闯红灯基于多目标检测模块,当机动车交通信号灯检测为绿灯,即行人交通信号灯检测为红灯的同时,行人横穿斑马线,则判定为行人闯红灯;
(5)机动车违章时将进行车牌和车标检测,并将车牌和车标等车辆信息保存;
(6)当检测发生违章行为时,标识出输入视频的副本中的违章主体(机动车或行人),并在视频中输出违章行为,生成简洁视频;
(7)保存违章行为类别、发生时间、主体抓拍照片、车牌号与车标等信息。
步骤S2具体包括,
S21:利用背景减除法检测当前帧内的运动目标;
S22:检测是否有违章目标;
S23:若没有符合条件的违章目标,则转到下一帧,继续执行步骤S21,若检测到违章目标,则保存当前帧图像作为目标违章的取证图像1;
S24:利用目标跟踪算法对步骤S22中检测到的违章目标进行跟踪,计算其在当前帧的位置及尺寸信息;
S25:当运动目标到达位置1时,保存当前帧作为目标违章的取证图像2,其中位置1是由步骤S22中目标违章的初始位置和设置好的预设跟踪结束位置取中间位置得到;
S26:当运动目标到达预设跟踪结束位置时,跟踪结束,并保存当前帧图像作为目标违章的取证图像,并结合S23保存的取证图像1生成目标轨迹。
S3步骤具体包括,
S31:利用聚类算法K-means对数据集的目标坐标框的尺寸大小进行聚类,将K-means算法的输出数值作为YOLOv3模型的候选框参数;
S32:加载数据集及验证集txt格式文件,加载类别txt格式文件,加载候选框的txt文件;
S33:加载预训练的YOLOv3模型,构建计算损失函数和准确率函数,YOLOv3输出结果为向量;
S34:以批为迭代单位训练YOLOv3模型,反向传播修改YOLOv3模型参数。
值得注意的是,以上所述仅为本发明的较佳实施例,并非因此限定本发明的专利保护范围,本发明还可以对上述各种零部件的构造进行材料和结构的改进,或者是采用技术等同物进行替换。故凡运用本发明的说明书及图示内容所作的等效结构变化,或直接或间接运用于其他相关技术领域均同理皆包含于本发明所涵盖的范围内。
Claims (6)
1.一种基于计算机视觉的交通违章行为检测方法,其特征在于:包括如下步骤,
S1:获取违章行为目标区域图像,进行数据标注与模型训练,得到目标检测模型;
S2:处理原始数据,对采集的原始图像数据进行特征提取和特征筛选,获取车辆或行人目标后,通过前帧数据中的目标记录,对目标在图像中的位置进行记录,获取目标行进轨迹,实现目标跟踪;
S3:预测目标,利用完成训练的YOLOv3模型预测目标类别及位置坐标;
S4:保存和利用目标检测结果,在输入视频的副本中根据预测的坐标绘制识别框,标记识别的种类名称与位置信息,同时将识别的特定种类目标的信息,保存在列表数据结构中;
S5:报警输出,根据保存在列表数据结构,利用冗余筛选规则进行冗余筛选输出,并对判断的结果进行可视化的展示。
2.根据权利要求1所述的一种基于计算机视觉的交通违章行为检测方法,其特征在于:所述步骤S1具体包括,
S11:针对机动车存在的违法行为确定数据集所需的类别,可自动检测的类别包括超载、未戴安全帽,目标检测算法检测出的类别即包括机动车、人、安全帽;
S12:从各大开源的数据集中收集所需类别数据,对于收集数量不足的类别进行针对性的数据标注,标注信息保存在xml格式的文件中,即包括目标类别和位置坐标;
S13:将所有xml格式的文件里的标注信息合并成一个txt格式文件,文件内容包括图片路径、图片内包括的目标类别、目标对应的位置坐标;
S14:将数据集划分为训练集、验证集和测试集;
S15:在训练集被加载时随机地进行数据增强来增加数据集,即对图片进行平移、缩放、扭曲,最后得到得到目标检测模型。
3.根据权利要求2所述的一种基于计算机视觉的交通违章行为检测方法,其特征在于:获取违章行为目标区域图像是通过违章时的违规违章过程视频流图像、系列图像、单幅照片、来自视频流文件的违规违章过程记录中的任意一种。
4.根据权利要求3所述的一种基于计算机视觉的交通违章行为检测方法,其特征在于:所述违章行为包括跨实线变更车道、不避让行人、闯红灯、超速行驶中的一个条件或多个条件。
5.根据权利要求1所述的一种基于计算机视觉的交通违章行为检测方法,其特征在于:所述步骤S2具体包括,
S21:利用背景减除法检测当前帧内的运动目标;
S22:检测是否有违章目标;
S23:若没有符合条件的违章目标,则转到下一帧,继续执行步骤S21,若检测到违章目标,则保存当前帧图像作为目标违章的取证图像1;
S24:利用目标跟踪算法对步骤S22中检测到的违章目标进行跟踪,计算其在当前帧的位置及尺寸信息;
S25:当运动目标到达位置1时,保存当前帧作为目标违章的取证图像2,其中位置1是由步骤S22中目标违章的初始位置和设置好的预设跟踪结束位置取中间位置得到;
S26:当运动目标到达预设跟踪结束位置时,跟踪结束,并保存当前帧图像作为目标违章的取证图像,并结合S23保存的取证图像1生成目标轨迹。
6.根据权利要求1所述的一种基于计算机视觉的交通违章行为检测方法,其特征在于:所述S3步骤具体包括,
S31:利用聚类算法K-means对数据集的目标坐标框的尺寸大小进行聚类,将K-means算法的输出数值作为YOLOv3模型的候选框参数;
S32:加载数据集及验证集txt格式文件,加载类别txt格式文件,加载候选框的txt文件;
S33:加载预训练的YOLOv3模型,构建计算损失函数和准确率函数,YOLOv3输出结果为向量;
S34:以批为迭代单位训练YOLOv3模型,反向传播修改YOLOv3模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011327812.9A CN112528759A (zh) | 2020-11-24 | 2020-11-24 | 一种基于计算机视觉的交通违章行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011327812.9A CN112528759A (zh) | 2020-11-24 | 2020-11-24 | 一种基于计算机视觉的交通违章行为检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112528759A true CN112528759A (zh) | 2021-03-19 |
Family
ID=74993364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011327812.9A Pending CN112528759A (zh) | 2020-11-24 | 2020-11-24 | 一种基于计算机视觉的交通违章行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528759A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111824A (zh) * | 2021-04-22 | 2021-07-13 | 青岛图灵科技有限公司 | 一种基于视频分析的行人穿越马路实时识别方法 |
CN115100871A (zh) * | 2022-06-20 | 2022-09-23 | 钟孟玲 | 一种行人交通违规识别方法及系统 |
CN115601717A (zh) * | 2022-10-19 | 2023-01-13 | 中诚华隆计算机技术有限公司(Cn) | 基于深度学习的交通违法行为分类检测方法及SoC芯片 |
-
2020
- 2020-11-24 CN CN202011327812.9A patent/CN112528759A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111824A (zh) * | 2021-04-22 | 2021-07-13 | 青岛图灵科技有限公司 | 一种基于视频分析的行人穿越马路实时识别方法 |
CN113111824B (zh) * | 2021-04-22 | 2022-12-13 | 青岛图灵科技有限公司 | 一种基于视频分析的行人穿越马路实时识别方法 |
CN115100871A (zh) * | 2022-06-20 | 2022-09-23 | 钟孟玲 | 一种行人交通违规识别方法及系统 |
CN115601717A (zh) * | 2022-10-19 | 2023-01-13 | 中诚华隆计算机技术有限公司(Cn) | 基于深度学习的交通违法行为分类检测方法及SoC芯片 |
CN115601717B (zh) * | 2022-10-19 | 2023-10-10 | 中诚华隆计算机技术有限公司 | 基于深度学习的交通违法行为分类检测方法及SoC芯片 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528759A (zh) | 一种基于计算机视觉的交通违章行为检测方法 | |
CN103116987B (zh) | 一种基于监控视频处理的车流统计和违规检测的方法 | |
US6442474B1 (en) | Vision-based method and apparatus for monitoring vehicular traffic events | |
CN109191830B (zh) | 一种基于视频图像处理的道路拥堵检测方法 | |
Fernández-Caballero et al. | Road-traffic monitoring by knowledge-driven static and dynamic image analysis | |
CN105070053A (zh) | 一种识别车辆违规运动模式的智能交通监控摄像机 | |
CN108932849B (zh) | 一种记录多台机动车低速行驶违法行为的方法及装置 | |
CN113160575A (zh) | 一种非机动车辆及驾驶人的交通违法行为检测方法及系统 | |
CN113012436B (zh) | 道路监控方法、装置及电子设备 | |
CN113055649A (zh) | 一种隧道智能视频监控方法、装置、智能终端及存储介质 | |
CN113033275B (zh) | 基于深度学习的车辆变道不打转向灯分析系统 | |
CN112509325B (zh) | 一种基于视频深度学习的非现场违法自动甄别方法 | |
Wang et al. | Vision-based highway traffic accident detection | |
CN113538968B (zh) | 用于输出信息的方法和装置 | |
CN111627224A (zh) | 车辆速度异常检测方法、装置、设备及存储介质 | |
CN107038870A (zh) | 一种车辆违章检测方法 | |
CN113177443A (zh) | 一种基于图像视觉的智能识别道路交通违章的方法 | |
Venkatesh et al. | An intelligent traffic management system based on the Internet of Things for detecting rule violations | |
CN112633062A (zh) | 一种基于嵌入式终端的深度学习占用公交车道检测方法 | |
CN110718064A (zh) | 一种车辆违章检测方法和装置 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN115880916A (zh) | 一种基于行为模型的道路交通事故检测方法 | |
Sun et al. | A system for combining Dehazer weather processing with AI traffic light technology enforcement | |
Khan et al. | Real-Time Vehicle fitness detection using YOLOv5 | |
Radim et al. | Detecting Vehicles using YOLOv8n in Edge Computing Dashcam |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |