CN112700470A - 一种基于交通视频流的目标检测和轨迹提取方法 - Google Patents

一种基于交通视频流的目标检测和轨迹提取方法 Download PDF

Info

Publication number
CN112700470A
CN112700470A CN202011619209.8A CN202011619209A CN112700470A CN 112700470 A CN112700470 A CN 112700470A CN 202011619209 A CN202011619209 A CN 202011619209A CN 112700470 A CN112700470 A CN 112700470A
Authority
CN
China
Prior art keywords
early warning
target
vehicle
track
traffic
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
Application number
CN202011619209.8A
Other languages
English (en)
Other versions
CN112700470B (zh
Inventor
常光照
汪志涛
唐崇伟
倪红波
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.)
Shanghai Intelligent Transportation Co ltd
Original Assignee
Shanghai Intelligent Transportation 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 Shanghai Intelligent Transportation Co ltd filed Critical Shanghai Intelligent Transportation Co ltd
Priority to CN202011619209.8A priority Critical patent/CN112700470B/zh
Publication of CN112700470A publication Critical patent/CN112700470A/zh
Application granted granted Critical
Publication of CN112700470B publication Critical patent/CN112700470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/50—Barriers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/20—Static objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于交通视频流的目标检测和轨迹提取方法，其特征在于，包括如下步骤；S1,数据样本采集:对交通标志、交通信号灯、交通标线、特种车型、公交车、行人、非机动车的数据进行样本采集；S2,目标识别：通过特征提取网络对输入视频流帧进行特征提取，并预测检测目标；S3,相机标定收集场景信息；S4,坐标系转换获取目标真实位置；S5，轨迹提取以便预测轨迹；本发明可以进行交叉路口碰撞预警、左转辅助、盲区预警、前向碰撞预警、逆向超车预警、前方静止/慢速车辆预警和匝道交汇预警等机动车预警；非机动车预警和行人预警等弱势交通预警；异常车辆预警、车辆失控预警和道路危险状况提醒等危险提示。

Description

一种基于交通视频流的目标检测和轨迹提取方法
技术领域
本发明涉及道路交通技术领域，具体为一种基于交通视频流的目标检测和 轨迹提取方法。
背景技术
目标检测是实现目标跟踪，交通监控，行为分析等任务的基础。但由于运动目 标的提取易受到背景，光线变化，阴影，运动速度等因素的影响而造成失败， 所以如何更好的实现运动目标检测提取其轨迹数据具有相当重要的意义。现有 的轨迹提取方法是利用激光雷达检测出点云数据之后再与视频进行结合，但是 使用雷达有很大的局限性，例如雷达在追踪静止目标时容易丢失数据，甚至追 踪运动中的目标也会丢失。
如公开号CN111951306A公开了一种激光雷达与图像视频融合的目标检测方法，包括固定图像传感器与激光雷达的相对位置，并确保图像传感器与激光雷达具 有共视区；图像传感器采集图像视频数据，激光雷达采集三维点云数据，两路 数据采集保持实时同步；对图像视频数据和三维点云数据两者进行标定，获取 激光点云到像素平面的映射关系矩阵T；通过数据接口实时顺序获取每帧图像 数据和点云数据，运行算法并根据映射关系矩阵T融合两路数据计算得出检测 结果；输出检测结果。
为了克服现有的目标检测轨迹提取数据不完整的问题，本发明提供了一种基于计算机视觉的目标检测和轨迹提取的方法，并进行路口行人车辆碰撞预测。
发明内容
解决的技术问题
针对现有技术的不足，本发明提供了一种基于交通视频流的目标检测和轨 迹提取方法。本发明在智能网联-车路协同场景下可以通过纯视觉识别当前场景 下的目标信息，包括机动车、非机动车和行人；依据计算机视觉识别采集的信 息和路口斑马线的规格，短时预测车辆轨迹及行人轨迹，通过相应算法做出一 定的防碰撞预警。对比本领域内已有的方法，大多利用了雷达进行融合，且雷 达在检测静止目标的情况下容易丢失目标，因此在检测到轨迹后很难预测接下 来的轨迹趋势，难以进行机动车行人的防碰撞预警。
技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于交通视频流的目标检测和轨迹提取方法，其特征在于，包括如下 步骤；
S1,数据样本采集:对交通标志、交通信号灯、交通标线、特种车型、轿车、 货车、卡车、公交车、行人、非机动车的数据进行样本采集；将采集的样本作 为训练集，利用计算机视觉的深度学习识别算法进行样本训练，提取训练集中 的特征，排除样本中的干扰信息，生成相应的权重数据用于后续的目标识别；
S2,目标识别：将输入图像分成若干个网络单元，接着检测目标的中心点落 在哪个网络单元，就由这个网络单元负责预测检测目标；最后得出检测目标的 置信度；
S3,相机标定：采集检测场景中某一帧画面，通过GPS采集工具采集检测 场景中位置的GPS坐标；其次获取检测场景对应GPS点的像素坐标；最后确 定要提取轨迹的画面区域；
S4,坐标系转换：首先定义相机的内参(相机矩阵和畸变系数)、相机的外参 (旋转矩阵和平移向量)；其次通过S3相机标定步骤中获取的检测场景对应GPS 点的像素坐标，利用映射算法将GPS坐标转化为像素坐标估计值，此时相机矩 阵为关于相机焦距和畸变系数的函数；接着优化各像素坐标估计值和标定像素 坐标值之间的误差之和，求出当误差值之和最小时的各参数值；最后根据估算 的参数值求出对应的旋转矩阵和平移向量，通过算法验证真实像素点和根据模 型投影像素点基本重合；
S5，轨迹提取:首先通过训练完成的模型识别对视频流进行逐帧检测，并保 留相关检测目标；其次将不同帧中的对象关联起来，每个对象组成一条轨迹； 接着对每条轨迹进行更新，检测目标对象是否还在检测场景中，若在则继续更 新，若不在则结束轨迹维护；结合检测场景进行现实坐标系与相机坐标系转换； 最后输出追踪目标类别与坐标，形成轨迹数据；
S6，碰撞预警:路口车辆识别轨迹并短时预测车辆轨迹；针对行人特征，斑 马线的规格特征识别行人行走方向及行人速度并短时预测行人轨迹；进行车人 轨迹分析，做出碰撞预警；
S7，路测设备检测到通过斑马线的行人，通过目标检测算法可以抓取此刻 行人状态；当车辆接入路口附近的路侧单元RSU时，车辆的车载单元OBU便 会自动接收此场景下行人的状态并给出分析，并在车辆距离路口100米、50米、 10米时分别做出提醒；当车辆距离路口不足50米，斑马线上仍有行人走动时， 若车速超过30千米/时，会多次反复提醒，直至车速降到阈值以下。
有益效果：
本发明中，其他路测设备(信号机、可变情报板、摄像机、毫米波雷达、 激光雷达等)采集信息，经由MEC边缘计算单元(CCU控制单元、ECU计算单 元)处理后交由RSU路侧单元。车辆内部装载OBU车载单元，当车辆OBU检 测到RSU信号时便进行信息交互。同时本发明可以进行交叉路口碰撞预警、左 转辅助、盲区预警、前向碰撞预警、逆向超车预警、前方静止/慢速车辆预警和 匝道交汇预警等机动车预警；非机动车预警和行人预警等弱势交通预警；异常 车辆预警、车辆失控预警和道路危险状况提醒等危险提示；交通标志提醒和闯 红灯预警等交通信息提示；以及信号灯配时信息推送、交通路况发、布绿波车 速引导、车内标牌推送、紧急车辆提醒、前方拥堵提、醒潮汐车道提醒、违法 事故情况提醒、特种车辆控制优先和车辆动态信息上报等效率类辅助；同时还 有施工信息提醒、汽车近场支付、交通广播信息、可变标志信息和可变情报板 信息等服务类提醒。
附图说明
图1为本发明的系统架构图；
图2为本发明目标检测与轨迹流程图；
图3为本发明坐标系转流程图。
具体实施方式
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，所描述的实施例仅仅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做出创造 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。
如图所示，一种基于交通视频流的目标检测和轨迹提取方法，包括如下步 骤；
S1,数据样本采集:对交通标志、交通信号灯、交通标线、特种车型、轿车、 货车、卡车、公交车、行人、非机动车的数据进行样本采集；将采集的样本作 为训练集，利用计算机视觉的深度学习识别算法进行样本训练，提取训练集中 的特征，排除样本中的干扰信息，生成相应的权重数据用于后续的目标识别；
S2,目标识别：通将输入图像分成若干个网络单元，具体可分为169块网络 单元，由目标中心坐标落在的某个单元网络来负责预测该目标，即检测目标的 中心点落在哪个网络单元，就由这个网络单元负责预测检测目标；最后得出检 测目标的置信度；注：目标置信度是用来表示识别目标类别准确度的指标，如 某目标为汽车的置信度为0.95，即表示此目标为汽车的概率是95％。
S3,相机标定：采集检测场景视频流中某一帧画面，通过GPS采集工具采 集检测场景中位置的GPS坐标；采集的数量不少于4个，其次获取检测场景对 应GPS点的像素坐标，最后确定要提取轨迹的画面区域；
S4,坐标系转换：首先定义相机的内参(相机矩阵和畸变系数)、相机的外参 (旋转矩阵和平移向量)；其次通过S3相机标定步骤中获取的检测场景对应GPS 点的像素点坐标，利用映射算法将GPS坐标转化为像素点坐标估计值；
具体如下：从步骤S3采集的点位中任选一个点为原点O，以O为基准点 确定正北和正东方向分别作为x轴正向和y轴正向，并设定垂直地面为z轴正 向，即地面为z＝0的平面，通过转化公式结合原点O，将各GPS点转换为直角 坐标系，即通过相机内参(相机矩阵、畸变系数)和相机外参(旋转矩阵、平移向 量)将真实世界中坐标系的坐标点转换为视频场景中的像素点坐标；
此时相机矩阵为关于相机焦距和畸变系数的函数；接着优化各像素坐标估 计值和标定像素坐标值之间的误差之和，求出当误差值之和最小时的各参数值；
即：定义损失函数为各像素点坐标与GPS转换之后坐标点差之和，求出当 f>0的约束条件下f(相机焦距)的最小值。依照求出的f，解出对应相机外参；
最后根据估算的参数值求出对应的旋转矩阵和平移向量，通过算法验证真 实像素点和根据模型投影像素点基本重合；
S5，轨迹提取:使用大规模数据集进行视觉识别模型训练，之后，
首先通过训练完成的模型识别对视频流进行逐帧检测，并保留相关检测目 标；即：将视频检测的每一帧的结果保存为一个对象列表，包括各检测对象的ID、分类、置信度以及矩形边框像素坐标；
其次，将不同帧中的对象关联起来，每个对象组成一条轨迹；接着对每条 轨迹进行更新，检测目标对象是否还在检测场景中，若在则继续更新，若不在 则结束轨迹维护；结合检测场景进行现实坐标系与相机坐标系转换；最后输出 追踪目标类别与坐标，形成轨迹数据；
具体如下：将不同帧中的对象关联结合，得到由不同轨迹Γ＝{T1,···，Tn} 组成的列表，每个Ti都包含对应轨迹的目标ID、类别、首次出现的帧数以及判 断目标是否处于场景视野中；
针对某时刻为t的一帧，计算所有活跃的轨迹在t-k(k≤30)时刻的边框 与t时刻的边框的iou，若大于等于规定的阈值下限，则认为当前检测对象与轨 迹Γ中对应的对象是匹配的，一旦匹配，在下一次的k值循环中便跳出此对象；
完成k循环后，若某对象没有与任何轨迹匹配，则认为该对象为新出现的 目标；若某对象超过kmax帧没出现，则判断该对象不在检测场景中。
S6，碰撞预警:路口车辆识别轨迹并短时预测车辆轨迹；针对行人特征，斑 马线的规格特征识别行人行走方向及行人速度并短时预测行人轨迹；进行车人 轨迹分析，做出碰撞预警；
具体如下：由于车辆具有几何外型，为了给交通安全应用提供更好的决策依据，在微观层面的车辆运动轨迹预测一般不采用质点假设，而采用车辆圆假设或矩 形假设。将交通活动参与者视为圆，就此建立圆假设模型，当一段时间后，车 辆与行人的质心距离小于两者半径之和，可以认为两者在空间上存在冲突风险。 t1,t2分别为车辆和行人到达冲突位置的时间，v1，a1分别为车辆当前的速度和加 速度，v2，a2分别为行人当前的速度和加速度，R为由车辆长度L和宽度W决 定的半径：
Figure BDA0002871957980000051
Figure BDA0002871957980000052
Figure BDA0002871957980000053
进一步推导，当t1＝t2时，即可求得冲突的时间。
路测设备检测到通过斑马线的行人，通过上述的目标检测算法可以抓取此刻 行人状态；当车辆接入路口附近的路侧单元RSU时，车辆的车载单元OBU便会自 动接收此场景下行人的状态并给出分析，并在车辆距离路口100米、50米、10 米时分别做出提醒；当车辆距离路口不足50米，斑马线上仍有行人走动时，若 车速超过30千米/时，会多次反复提醒，直至车速降到阈值以下。

Claims (1)

1.一种基于交通视频流的目标检测和轨迹提取方法，其特征在于，包括如下步骤；
S1,数据样本采集:对交通标志、交通信号灯、交通标线、特种车型、轿车、货车、卡车、公交车、行人、非机动车的数据进行样本采集；将采集的样本作为训练集，利用计算机视觉的深度学习识别算法进行样本训练，提取训练集中的特征，排除样本中的干扰信息，生成相应的权重数据用于后续的目标识别；
S2,目标识别：将输入图像分成若干个网络单元，接着检测目标的中心点落在哪个网络单元，就由这个网络单元负责预测检测目标；最后得出检测目标的置信度；
S3,相机标定：采集检测场景中某一帧画面，通过GPS采集工具采集检测场景中位置的GPS坐标；其次获取检测场景对应GPS点的像素坐标；最后确定要提取轨迹的画面区域；
S4,坐标系转换：首先定义相机的内参(相机矩阵和畸变系数)、相机的外参(旋转矩阵和平移向量)；其次通过S3相机标定步骤中获取的检测场景对应GPS点的像素坐标，利用映射算法将GPS坐标转化为像素坐标估计值，此时相机矩阵为关于相机焦距和畸变系数的函数；接着优化各像素坐标估计值和标定像素坐标值之间的误差之和，求出当误差值之和最小时的各参数值；最后根据估算的参数值求出对应的旋转矩阵和平移向量，通过算法验证真实像素点和根据模型投影像素点基本重合；
S5，轨迹提取:首先通过训练完成的模型识别对视频流进行逐帧检测，并保留相关检测目标；其次将不同帧中的对象关联起来，每个对象组成一条轨迹；接着对每条轨迹进行更新，检测目标对象是否还在检测场景中，若在则继续更新，若不在则结束轨迹维护；结合检测场景进行现实坐标系与相机坐标系转换；最后输出追踪目标类别与坐标，形成轨迹数据；
S6，碰撞预警:路口车辆识别轨迹并短时预测车辆轨迹；针对行人特征，斑马线的规格特征识别行人行走方向及行人速度并短时预测行人轨迹；进行车人轨迹分析，做出碰撞预警；
S7，路测设备检测到通过斑马线的行人，通过目标检测算法可以抓取此刻行人状态；当车辆接近路口附近的路侧单元RSU时，车辆的车载单元OBU便会自动接收此场景下行人的状态并给出分析，并在车辆距离路口100米、50米、10米时分别做出提醒；当车辆距离路口不足50米，斑马线上仍有行人走动时，若车速超过30千米/时，会多次反复提醒，直至车速降到阈值以下。
CN202011619209.8A 2020-12-30 2020-12-30 一种基于交通视频流的目标检测和轨迹提取方法 Active CN112700470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011619209.8A CN112700470B (zh) 2020-12-30 2020-12-30 一种基于交通视频流的目标检测和轨迹提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011619209.8A CN112700470B (zh) 2020-12-30 2020-12-30 一种基于交通视频流的目标检测和轨迹提取方法

Publications (2)

Publication Number Publication Date
CN112700470A true CN112700470A (zh) 2021-04-23
CN112700470B CN112700470B (zh) 2023-12-08

Family

ID=75512846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011619209.8A Active CN112700470B (zh) 2020-12-30 2020-12-30 一种基于交通视频流的目标检测和轨迹提取方法

Country Status (1)

Country Link
CN (1) CN112700470B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113356101A (zh) * 2021-07-13 2021-09-07 合肥工业大学 一种大型车辆右转盲区的城市道路警示标线设计方法
CN113511197A (zh) * 2021-09-15 2021-10-19 天津所托瑞安汽车科技有限公司 自车转弯时的盲区碰撞预测方法、设备和存储介质
CN113581072A (zh) * 2021-05-24 2021-11-02 北京汽车研究总院有限公司 车辆及其开门防撞方法、系统、装置及电子设备、介质
CN113660462A (zh) * 2021-08-09 2021-11-16 苏州工业园区测绘地理信息有限公司 基于融合多源数据分析的包围圈式移动车辆视频追踪方法
CN113947947A (zh) * 2021-10-19 2022-01-18 中国第一汽车股份有限公司 车辆碰撞预警方法、装置、电子设备及存储介质
CN113947946A (zh) * 2021-10-15 2022-01-18 华东交通大学 一种基于车联网v2x与视频融合的港区行车安全监测方法
CN114023062A (zh) * 2021-10-27 2022-02-08 河海大学 一种基于深度学习和边缘计算的交通流信息监测方法
CN114419925A (zh) * 2021-12-01 2022-04-29 合肥工业大学 一种车路协同的防碰预警系统和方法
CN114463705A (zh) * 2022-02-07 2022-05-10 厦门市执象智能科技有限公司 一种基于视频流行为轨迹自动识别检测方法
CN114530058A (zh) * 2022-03-03 2022-05-24 恒大恒驰新能源汽车研究院(上海)有限公司 一种碰撞预警方法、装置和系统
CN114679573A (zh) * 2022-05-27 2022-06-28 广州市伟粤通讯设备有限公司 一种基于人脸识别的公共安全视频监控系统
CN114821542A (zh) * 2022-06-23 2022-07-29 小米汽车科技有限公司 目标检测方法、装置、车辆及存储介质
CN115346370A (zh) * 2022-08-10 2022-11-15 重庆大学 基于智能交通的路口防碰撞系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050114916A (ko) * 2004-06-02 2005-12-07 (주)에이직뱅크 교통정보수집과 부가기능을 갖는 네트워크 카메라 장치 및그 교통정보 처리방법
WO2015024407A1 (zh) * 2013-08-19 2015-02-26 国家电网公司 基于电力机器人的双目视觉导航系统及方法
CN110222667A (zh) * 2019-06-17 2019-09-10 南京大学 一种基于计算机视觉的开放道路交通参与者数据采集方法
CN110992683A (zh) * 2019-10-29 2020-04-10 山东科技大学 一种基于动态图像感知的交叉口盲区预警方法及系统
CN111243274A (zh) * 2020-01-20 2020-06-05 陈俊言 面向非网联交通个体的道路碰撞预警系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050114916A (ko) * 2004-06-02 2005-12-07 (주)에이직뱅크 교통정보수집과 부가기능을 갖는 네트워크 카메라 장치 및그 교통정보 처리방법
WO2015024407A1 (zh) * 2013-08-19 2015-02-26 国家电网公司 基于电力机器人的双目视觉导航系统及方法
CN110222667A (zh) * 2019-06-17 2019-09-10 南京大学 一种基于计算机视觉的开放道路交通参与者数据采集方法
CN110992683A (zh) * 2019-10-29 2020-04-10 山东科技大学 一种基于动态图像感知的交叉口盲区预警方法及系统
CN111243274A (zh) * 2020-01-20 2020-06-05 陈俊言 面向非网联交通个体的道路碰撞预警系统及方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHENLONG LIU 等: "eco-based pavement lifecycle maintenance scheduling optimization for equilibrated networks", 《TRANSPORTATION RESEARCH》, pages 1 - 18 *
常光照: "匝道优化控制模型研究及软件系统开发实践", 《中国公共安全·》, pages 90 - 93 *
常光照: "可持续交通系统及关键技术简述", 《中国公共安全》, pages 79 - 82 *
常光照: "车载轻量化道路智能巡检系统产品研发及引用", 《中国公共安全》, pages 96 - 100 *
常光照: "车载轻量化道路智能巡检系统探析", 《中国安防》, pages 100 - 104 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113581072A (zh) * 2021-05-24 2021-11-02 北京汽车研究总院有限公司 车辆及其开门防撞方法、系统、装置及电子设备、介质
CN113356101A (zh) * 2021-07-13 2021-09-07 合肥工业大学 一种大型车辆右转盲区的城市道路警示标线设计方法
CN113660462A (zh) * 2021-08-09 2021-11-16 苏州工业园区测绘地理信息有限公司 基于融合多源数据分析的包围圈式移动车辆视频追踪方法
CN113660462B (zh) * 2021-08-09 2023-12-29 园测信息科技股份有限公司 基于融合多源数据分析的包围圈式移动车辆视频追踪方法
CN113511197A (zh) * 2021-09-15 2021-10-19 天津所托瑞安汽车科技有限公司 自车转弯时的盲区碰撞预测方法、设备和存储介质
CN113947946A (zh) * 2021-10-15 2022-01-18 华东交通大学 一种基于车联网v2x与视频融合的港区行车安全监测方法
CN113947947A (zh) * 2021-10-19 2022-01-18 中国第一汽车股份有限公司 车辆碰撞预警方法、装置、电子设备及存储介质
CN114023062A (zh) * 2021-10-27 2022-02-08 河海大学 一种基于深度学习和边缘计算的交通流信息监测方法
CN114419925B (zh) * 2021-12-01 2022-11-04 合肥工业大学 一种车路协同的防碰预警系统和方法
CN114419925A (zh) * 2021-12-01 2022-04-29 合肥工业大学 一种车路协同的防碰预警系统和方法
CN114463705A (zh) * 2022-02-07 2022-05-10 厦门市执象智能科技有限公司 一种基于视频流行为轨迹自动识别检测方法
CN114530058A (zh) * 2022-03-03 2022-05-24 恒大恒驰新能源汽车研究院(上海)有限公司 一种碰撞预警方法、装置和系统
CN114679573B (zh) * 2022-05-27 2022-09-09 广州市伟粤通讯设备有限公司 一种基于人脸识别的公共安全视频监控系统
CN114679573A (zh) * 2022-05-27 2022-06-28 广州市伟粤通讯设备有限公司 一种基于人脸识别的公共安全视频监控系统
CN114821542A (zh) * 2022-06-23 2022-07-29 小米汽车科技有限公司 目标检测方法、装置、车辆及存储介质
CN115346370A (zh) * 2022-08-10 2022-11-15 重庆大学 基于智能交通的路口防碰撞系统及方法
CN115346370B (zh) * 2022-08-10 2023-11-03 重庆大学 基于智能交通的路口防碰撞系统及方法

Also Published As

Publication number Publication date
CN112700470B (zh) 2023-12-08

Similar Documents

Publication Publication Date Title
CN112700470B (zh) 一种基于交通视频流的目标检测和轨迹提取方法
US11840239B2 (en) Multiple exposure event determination
US11836985B2 (en) Identifying suspicious entities using autonomous vehicles
JP6571545B2 (ja) 物体検出装置および物体検出方法
CN112132896B (zh) 一种轨旁设备状态检测方法及系统
EP4089659A1 (en) Map updating method, apparatus and device
CN111094095B (zh) 自动地感知行驶信号的方法、装置及运载工具
CN104573646A (zh) 基于激光雷达和双目相机的车前行人检测方法及系统
CN108230254A (zh) 一种自适应场景切换的高速交通全车道线自动检测方法
CN102800207A (zh) 交通信号检测系统和方法
CN107031661A (zh) 一种基于盲区相机输入的变道预警方法及系统
CN114694060B (zh) 一种道路抛洒物检测方法、电子设备及存储介质
CN114495064A (zh) 一种基于单目深度估计的车辆周围障碍物预警方法
CN114639085A (zh) 交通信号灯识别方法、装置、计算机设备和存储介质
CN113378741A (zh) 一种基于多源传感器的飞机牵引车辅助感知方法及其系统
CN115240471A (zh) 一种基于图像采集的智慧厂区避撞预警方法和系统
CN115273005A (zh) 一种基于改进yolo算法的视觉导航车环境感知方法
CN118397877A (zh) 公路安全防护用智能预警与防撞系统及方法
CN117130010B (zh) 用于无人驾驶的障碍物感知方法、系统及无人驾驶汽车
CN117416349A (zh) V2X环境下基于改进YOLOV7-Tiny和SS-LSTM的自动驾驶风险预判系统及方法
CN117334040A (zh) 一种跨域路侧感知多车辆关联方法及系统
CN112085101A (zh) 一种高性能高可靠的环境融合感知方法及系统
CN114842660B (zh) 一种无人车道路轨迹预测方法、装置和电子设备
Wang et al. A system of automated training sample generation for visual-based car detection
US11592565B2 (en) Flexible multi-channel fusion perception

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method for Object Detection and Trajectory Extraction Based on Traffic Video Streams

Granted publication date: 20231208

Pledgee: China Construction Bank Corporation Shanghai Second Branch

Pledgor: SHANGHAI INTELLIGENT TRANSPORTATION Co.,Ltd.

Registration number: Y2024980017834

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20231208

Pledgee: China Construction Bank Corporation Shanghai Second Branch

Pledgor: SHANGHAI INTELLIGENT TRANSPORTATION Co.,Ltd.

Registration number: Y2024980017834

PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method for object detection and trajectory extraction based on traffic video streams

Granted publication date: 20231208

Pledgee: China Construction Bank Corporation Shanghai Second Branch

Pledgor: SHANGHAI INTELLIGENT TRANSPORTATION Co.,Ltd.

Registration number: Y2024980039500