CN112990114A - 一种基于ai识别的交通数据可视化仿真方法及系统 - Google Patents
一种基于ai识别的交通数据可视化仿真方法及系统 Download PDFInfo
- Publication number
- CN112990114A CN112990114A CN202110427428.4A CN202110427428A CN112990114A CN 112990114 A CN112990114 A CN 112990114A CN 202110427428 A CN202110427428 A CN 202110427428A CN 112990114 A CN112990114 A CN 112990114A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- simulated
- frame image
- coordinate
- city
- 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
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智慧交通技术领域,具体涉及一种基于AI识别的交通数据可视化仿真方法及系统,包括:基于真实城市,搭建数字孪生城市;获取所述数字孪生城市对应的道路监控视频;按帧数分割所述监控视频得到若干帧图像,在每帧图像中识别出车辆信息,并计算车辆的偏移坐标;将所述若干帧图像中的车辆信息存入数据表中,并记录每个车辆出现时的起始帧数;按计算机绘制时间遍历所述数据表,读取车辆信息,遍历至起始帧数时,在数字孪生城市场景中对应的偏移坐标处生成模拟车辆。本发明用于解决由于道路监控视频的数据量大,仅依靠监控图像数据无法有效完成视频目标对象时空行为分析、区域状态监测等诸多复杂的监控任务的技术问题。
Description
技术领域
本发明涉及智慧交通技术领域,具体而言,涉及一种基于AI识别的交通数据可视化仿真方法及系统。
背景技术
在城市的建设与管理过程中,道路监控系统在治安防控中发挥着重要的作用,城市的道路监控点主要分布在车流、人流比较集中的道路交叉口、重点路段,通过图像/视频传输通道将路面交通情况上传到道路监控指挥中心,中心值班人员可以据此及时了解各区域路面状况,以便调整各路口车辆流量,确保交通通畅。或针对监控路面车辆的违章情况,能及时发现并安排处理道路交通事故等,为交通、治安等各类案件的侦破提供技术支持。
现有的道路监控网由多个分布在不同地点的道路监控拼接成 “井”字,覆盖到整个区域甚至整个城市,以进行车辆的追踪和定位。但由于道路监控视频的数据量大,从监控视频固定的拍摄角度去分析所得到的交通信息有限,仅依靠监控图像数据无法有效完成视频目标对象时空行为分析、区域状态监测等诸多复杂的监控任务。
发明内容
本发明的目的在于提供一种基于AI识别的交通数据可视化仿真方法及系统,以改善上述问题。
为了实现上述目的,本申请实施例提供了如下技术方案:
一种基于AI识别的交通数据可视化仿真方法,包括:
基于真实城市,搭建数字孪生城市;
获取所述数字孪生城市对应的真实道路监控视频,根据监控视频的监控区域在数字孪生城市中划分预设行驶区域;
按帧数分割所述监控视频得到若干帧图像,在每帧图像中识别出车辆信息,所述车辆信息至少包括车辆的种类、颜色、车牌号码、车辆在当前帧图像中的像素坐标、实际的偏移坐标;
利用当前帧图像的第前、后N帧图像计算车辆在当前帧图像的行驶速度,并追踪车辆的行驶轨迹;
将每个车辆的车辆信息分别存入不同的数组中,每个数组中至少记录有车辆的起始帧数和终止帧数,多个数组存入一个数据表中;
按计算机绘制时间依次遍历所述数据表,当读取的帧数与一个车辆的起始帧数一致时,生成一个对应的模拟车辆,将所述车辆的数组传给所述模拟车辆;
根据所述数组中的偏移坐标确定模拟车辆在数字城市场景中生成的坐标位置,当所述坐标位置在预设行驶区域之外时,纠正模拟车辆的坐标位置后生成模拟车辆;
遍历至终止帧数时,销毁正常消失在预设行驶区域的模拟车辆。
进一步的,获取所述数字孪生城市对应的真实道路监控视频,根据监控视频的监控区域在数字孪生城市中划分预设行驶区域,包括:
在数字孪生城市中标记出道路信息;
将数字孪生城市定位至监控视频流中的道路,并在数字孪生城市中将监控视频流画面中拍摄到的道路设置为预设行驶区域。
进一步的,所述车辆在当前帧图像中的像素坐标、实际的偏移坐标的计算过程为:
将视频画面的左上角作为坐标原点;
在视频画面中选择至少两个特征点作为参照点和标志点,利用所述参照点和标志点计算单位像素的实际距离;
确定所述车辆在当前帧图像中相对于坐标原点的第一像素坐标;
利用所述第一像素坐标和单位像素的实际距离,计算车辆的偏移坐标,即车辆相对于标志点的实际距离。
进一步的,所述利用当前帧图像的第前、后N帧图像计算车辆在当前帧图像的行驶速度,并追踪车辆的行驶轨迹,包括:
分别获取车辆在当前帧的第前、后N帧图像中的偏移坐标;
利用位移--速度公式计算车辆在当前帧图像中的行驶速度;
采用STRCF算法追踪车辆的行驶轨迹,在监控视频中绘制出每个车辆的行驶轨迹。
进一步的,所述数组中还包括:车辆类型、车辆颜色、车牌号码、X轴偏移坐标、Y轴偏移坐标、行驶速度;其中,所述X轴偏移坐标、Y轴偏移坐标、行驶速度均包含从起始帧数到终止帧数之间所有帧图像的数据。
进一步的,所述当所述坐标位置在预设行驶区域之外时,纠正模拟车辆的坐标位置后生成模拟车辆,包括:
若当前帧图像中的坐标位置在预设形式区域之外,则根据上一帧图像既定的行驶速度重新计算偏移坐标,在所述偏移坐标对应的坐标位置继续生成模拟车辆。
进一步的,所述遍历至终止帧数时,销毁正常消失在预设行驶区域的模拟车辆,包括:
遍历至终止帧数时,若所述模拟车辆的消失位置在预设行驶区域之外,则销毁所述模拟车辆。
进一步的,所述遍历至终止帧数时,销毁正常消失在预设行驶区域的模拟车辆,还包括:
遍历至终止帧数时,若所述模拟车辆的消失位置在预设行驶区域之内,则以上一帧图像既定的行驶速度重新计算得到偏移坐标;
若当前帧图像生成有新模拟车辆,且所述新模拟车辆与模拟车辆的偏移坐标之间的距离≤1m;
则将所述新模拟车辆的数组数据赋予所述模拟车辆,根据所述数组中的偏移坐标继续生成所述模拟车辆,并销毁所述新模拟车辆。
进一步的,还包括:若当前帧生成没有新模拟车辆,则在所述偏移坐标继续生成所述模拟车辆。
基于真实城市,搭建数字孪生城市;
获取所述数字孪生城市对应的真实道路监控视频,根据监控视频的监控区域在数字孪生城市中划分预设行驶区域;
按帧数分割所述监控视频得到若干帧图像,在每帧图像中识别出车辆信息,所述车辆信息至少包括车辆的种类、颜色、车牌号码、车辆在当前帧图像中的像素坐标、实际的偏移坐标;
利用当前帧图像的第前、后N帧图像计算车辆在当前帧图像的行驶速度,并追踪车辆的行驶轨迹;
将每个车辆的车辆信息分别存入不同的数组中,每个数组中至少记录有车辆的起始帧数和终止帧数,多个数组存入一个数据表中;
按计算机绘制时间依次遍历所述数据表,当读取的帧数与一个车辆的起始帧数一致时,生成一个对应的模拟车辆,将所述车辆的数组传给所述模拟车辆;
根据所述数组中的偏移坐标确定模拟车辆在数字城市场景中生成的坐标位置,当所述坐标位置在预设行驶区域之外时,纠正模拟车辆的坐标位置后生成模拟车辆;
遍历至终止帧数时,销毁正常消失在预设行驶区域的模拟车辆。
一种基于AI识别的交通数据可视化仿真系统,所述系统包括:
建模单元:基于真实城市,搭建数字孪生城市;
接收单元:获取所述数字孪生城市对应的真实道路监控视频,根据监控视频的监控区域在数字孪生城市中划分预设行驶区域;
识别单元:按帧数分割所述监控视频得到若干帧图像,在每帧图像中识别出车辆信息,所述车辆信息至少包括车辆的种类、颜色、车牌号码、车辆在当前帧图像中的像素坐标、实际的偏移坐标;
车辆追踪单元:利用当前帧图像的第前、后N帧图像计算车辆在当前帧图像的行驶速度,并追踪车辆的行驶轨迹;
存储单元:将每个车辆的车辆信息分别存入不同的数组中,每个数组中至少记录有车辆的起始帧数和终止帧数,多个数组存入一个数据表中;
数据读取单元:按计算机绘制时间依次遍历所述数据表,当读取的帧数与一个车辆的起始帧数一致时,生成一个对应的模拟车辆,将所述车辆的数组传给所述模拟车辆;
可视化单元:根据所述数组中的偏移坐标确定模拟车辆在数字城市场景中生成的坐标位置,当所述坐标位置在预设行驶区域之外时,纠正模拟车辆的坐标位置后生成模拟车辆;
销毁单元:遍历至终止帧数时,销毁正常消失在预设行驶区域的模拟车辆。
综上所述,本发明具有以下有益效果:
1、本发明通过将真实城市道路中的监控视频与数字孪生城市中的场景结合起来,基于监控视频在场景中仿真模拟出真实的交通状况,可覆盖整个区域甚至整个城市,形成一个完整的城市交通三维可视化仿真系统;可在数字孪生城市的任意位置、任意角度查看交通状况,实现车辆的追踪和定位。进一步的优化数字孪生城市的监控系统,不仅可以有效的完成视频目标对象时空行为分析、区域状态监测等诸多复杂的监控任务,还可以为交通、治安等各类案件的侦破提供技术支持,大大提高公安机关执法办案的水平和效率。
2、本发明将每个车辆的车辆信息都单独保存为一个数组,遍历至车辆的起始帧数后,将所述车辆的数组传给生成的模拟车辆,在数组中单独生成一个循环,遍历数组中的帧数,并根据遍历读取到的车辆信息,在数字孪生城市中生成模拟车辆。采用上述遍历方式的目的在于能高效、准确的追踪到每个车辆,单独形成每个车辆的行驶轨迹,同时也利于后续的行驶轨迹纠错。
3、本发明通过在视频图像和场景中确定一特征点作为标志点,建立映射关系,再通过计算车辆相对于所述标志点的偏移坐标,以确保模拟车辆在场景中生成的位置与在实际道路中的位置保持一致,上述实现方法简单易操作,简化算法的同时也降低了出错率。
4、本发明通过AI识别算法识别监控视频中的车辆信息,对视频清晰度的要求较低,不受限于天气和其他环境因素。同时针对AI识别算法中的不连续数据和行驶轨迹不合理的数据分别提供了对应的解决方法,优化了可视化算法,使算法能够智能纠错,所得到的车辆模拟轨迹符合常理。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明实施例中所述的一种基于AI识别的交通数据可视化仿真方法流程示意图;
图2是本发明实施例中所述的数据表遍历方法流程图;
图3是本发明实施例中所述的数组遍历的详细流程图;
图4是本发明实施例中所述的销毁车辆的详细流程图;
图5是本发明实施例中所述的标记有标志点和参照点的视频画面;
图6是本发明实施例中所述的绘制有行驶轨迹的监控视频;
图7是本发明实施例中所述的监控视频在数字孪生城市场景中的可视化表达效果示意图。
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。通常在此处附图中描述和展示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号或字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
请参阅图1,本实施例提供了一种基于AI识别的交通数据可视化仿真方法,该方法包括以下步骤:
S1. 基于真实城市,搭建数字孪生城市;
具体的,获取城市的地图,根据所述地图数据,按照真实的比例,在开发平台中搭建出数字孪生城市,所述开发平台包括UE4、Unity、Unigine、OSG,优选的,本实施例中采用UE4开发平台。
S2.获取所述数字孪生城市对应的真实道路监控视频,根据监控视频的监控区域在数字孪生城市中划分预设行驶区域;
具体的,所述道路监控视频包括无人机航拍视频和道路监控摄像头所拍摄的视频,其中所述无人机航拍视频需倾斜摄影,需拍摄到车辆的车头或车尾,以便于后续步骤中的AI识别车牌号,优选的,所述摄像头设置于两侧道路之间的位置,尽可能清晰的拍摄到左右两侧道路中的车辆,清晰度越高越AI识别得越精准。
基于以上实施例,所述S2具体包括:
S21.在数字孪生城市中标记出道路信息;
S22.将数字孪生城市定位至监控视频流中的道路,并在数字孪生城市中将监控视频流画面中拍摄到的道路设置为预设行驶区域,需要注意的是,道路延伸出监控视频以外的部分不属于预设行驶区域。
S3.按帧数分割所述监控视频得到若干帧图像,在每帧图像中识别出车辆信息,所述车辆信息至少包括车辆的种类、颜色、车牌号码、车辆在当前帧图像中的像素坐标、实际的偏移坐标;
具体的,所述S3包括:
S31.利用AI将所述监控视频分割成若干帧图像,具体的,将所述监控视频输入AI算法中,AI算法自动将所述监控视频分割为单帧图像,按照时间顺序存储起来,具体的,在得到的单帧图像中,可以连续获取每一帧图像,也可以间隔多张获取一帧图像,再将获取到的若干帧图像存储起来,进行下一步的识别操作;
S32.识别每帧图像中所有的车辆、以及车辆的种类和颜色,并将识别到的车辆标识出来;
具体的,利用优化过的CompCar数据集训练YOLO v3算法,CompCar数据集是目前规模最大、类别最丰富、用于评测车辆精细识别的公开数据集。数据集通过网络和监控设备采集得到车辆图像,其中网络图像共136726幅,涵盖了163个汽车厂家的1716类车型,监控图像共44481幅车辆正面图像,包含281类车型。采用训练后的YOLO v3算法对帧图像进行全帧检测,将识别到的所有的车辆用矩形框框出来,并且识别每个车辆的种类和颜色,其中车辆的种类自定义,本实施例中,车辆识别的自定义种类包括:越野车、轿车、面包车、货车、公交车、摩托车等,根据实际需要,可增加车辆识别的种类。
S33.识别车辆的车牌号;
具体的,制作样本集,基于视频图像的融合特征,采用预训练过的基于YOLO v3算法的目标检测网络,用所述样本集进行离线学习后,实现对帧图像中车辆的车牌号码的检测,将车辆和对应的车牌号码进行关联标记;
S34.确定车辆在每帧图像中的像素坐标,根据所述像素坐标计算实际的偏移坐标;
基于以上实施例,所述S34具体包括以下步骤:
S341.将视频画面的左上角作为坐标原点O(0,0);
具体的,由于监控视频的拍摄视角固定,因此每一帧图像的视频画面相同。从监控
视频中截取任意一帧视频画面中寻找特征点即可,所述特征点具有便于确定具体位置的特
点,例如:两条车道分界线的交叉点、车道分界线的中点或终点、路标与地面的连接点或者
路灯与地面的连接点;其中,将至少一个特征点作为标志点,在数字孪生城市的场景中相同
的位置点 进行标记,建立视频画面与场景的映射关系,再利用参照点和标志点计算单位
像素的实际距离;
具体的,所述单位像素在x轴上的实际距离计算方法如下:
其中,所述为任意像素点P在x轴方向上单位像素的实际长度, 为与 之间在x轴上的实际距离, 为与 之间在x轴
方向上的像素距离, 为距离远近的调节参数,由于视频拍摄角度为倾斜摄影,因而会导
致靠近镜头一侧的单位像素的实际距离小于远离镜头一侧的单位像素的实际距离,通过调
节参数 可解决该问题;
由公式(2)-(4)得到:
同理,所述单位像素的在y轴上的实际距离计算方法为:
S4.利用当前帧图像的第前、后N帧图像计算车辆在当前帧图像的行驶速度,并追踪车辆的行驶轨迹;
基于以上实施例,所述S4具体包括以下步骤:
S41.分别获取车辆在当前帧的第前、后N帧图像中的偏移坐标;
本实施例中,获取当前帧F的第前5帧(F-5)的偏移坐标和第后5帧(F+5)的偏移坐标;
S42.利用位移--速度公式: 计算车辆在当前帧图像中的行驶速度,其中,v
表示车辆在当前帧图像中的行驶速度,x表示第前5帧(F-5)的偏移坐标和第后5帧(F+5)的
偏移坐标之间的距离,t表示两帧图像间隔的时间;
S43.利用前N帧图像,采用STRCF算法追踪车辆的行驶轨迹,优选的,采用前5帧图像进行车辆追踪,在监控视频中将每个车辆的行驶轨迹绘制出来,请参阅图6,图中,不仅绘制出了每个车辆的行驶轨迹,还绘制了车辆的行驶速度和偏移坐标;
具体的,所述STRCF算法的计算过程具体如下:
其中,D为特征图的总个数,所述特征图为融合了卷积神经特征和HOG神经特征的
监控视频的特征图, ,T为总帧数, 为第t帧图像, , ,为第t帧图像中的第d个特征图,表示第d个特征图特征学习到
的相关滤波器, 为第t帧图像的标签,w为空间正则化权重函数,f为第t帧学习到的相关
滤波器, 为第t-1帧学习到的相关滤波器, ; 表示时间正则因子,运算符·表
示Hadamard乘积,*表示卷积运算,表示向量的模。
S5.所述将每个车辆的车辆信息分别存入不同的数组中,每个数组中至少记录有车辆的起始帧数和终止帧数,多个数组存入一个数据表中;AI算法处理监控视频后会得到一个存储有车辆信息的.csv文件,将所述.csv文件以数据表的形式存入UE4中;
基于以上实施例,所述S5具体包括:
将一个车辆的车辆信息存入一个数组中,得到若干个数组,每一数组中至少包含8
组数据,分别为:车辆出现时的起始帧数、消失时的终止帧数、车辆类型、车辆颜色、车牌号
码、X轴偏移坐标()、Y轴偏移坐标( )、行驶速度;其中,所述X轴偏移坐标、Y轴偏移坐
标、行驶速度均包含从起始帧数到终止帧数之间所有帧图像的数据,请参阅表1-表4:
表1
表2
表3
表4
请参阅图2,S6.按计算机绘制时间依次遍历所述数据表,当读取的帧数与一个车辆的起始帧数一致时,生成一个对应的模拟车辆,将所述车辆的数组传给所述模拟车辆。
基于以上实施例,所述S6具体包括以下步骤:
S61.创建一个车辆识别控制对象,用于读取数据表中关联的车辆信息;
具体的,假设监控视频有1000帧,经过AI处理后得到了这1000帧中出现到的每辆车的数据。之后在UE4中处理这些数据,利用定时循环的方法来遍历这些数据,例如每秒中有30帧图像,即一帧的间隔是0.03s,因此定时循环每隔0.03s执行一次。
S62.当遍历至一个车辆出现时的起始帧数时,生成一个对应的模拟车辆,将所述数组传给所述模拟车辆;
具体的,利用UE4中的SetTimerbyEvent节点循环遍历数据表,每次都需要记录当前循环的次数,即遍历到的帧数,当遍历到和数组中的某个起始帧数相同时,就开始处理和该初始帧数相关的车辆,以所述相关车辆为对象生成一个对应的模拟车辆,所述模拟车辆根据车辆信息中的型号和颜色,在预设库中调用对应的型号和颜色生成一辆模拟车辆,其中,所述预设库中预存有货车、小车、货车、公交车、摩托车的型号,预存有多种颜色,模拟车辆按照数组中的数据调用数据库生成与真实车辆相似的车。
当模拟车辆生成后,接收到相关车辆的数组数据,模拟车辆生成的时候就包含了
这辆车之后整个移动过程所需要的数据,例如:当前车辆(A车)的初始帧数是3帧,结束帧数
是81帧,即A车只有3~81帧的数据。当A车在第3帧被生成出来后,其数组内部也声明了一个
定时循环执行的方法,遍历数组中的数据,即每隔一帧的时间执行一次,读取A车在当前帧
图像的X轴偏移坐标( )、Y轴偏移坐标()、行驶速度,在数字孪生城市的场景中定位至
所述偏移坐标(, ),以所述偏移坐标(, )为中心点生成模拟车辆,即当前帧A车在
视频图像中所处在什么位置就让模拟车辆生成到数字孪生城市场景中对应的位置去,同时
生成当前帧的行驶速度 ,标记在模拟车辆的上方。每次执行时都会记录当前的帧数,直
到遍历至81帧时,结束遍历。需要说明的是,在生成模拟车辆的同时就生成既定的车牌号
码,车牌号码会随着车辆的行驶轨迹移动,但在后续遍历数组的过程中不再读取车牌号码。
当遍历至数据表中的最后一帧图像时,结束遍历,所述监控视频在数字孪生城市中的可视化模拟结束。
由于用AI识别算法获得的数据中会存在行驶轨迹不合理的情况,例如:车辆的行驶轨迹追踪至草坪上或撞到障碍物等,则需要对这些数据进行合理化处理。当车辆要开出预设行驶区域撞到障碍物时,立即切断对实时数据的读取,转而利用模拟的数据来移动模拟车辆,即让模拟车辆朝着既定的车道行驶。
请参阅图3,具体的,通过以下步骤实现:
S7.根据所述数组中的偏移坐标确定模拟车辆在数字城市场景中生成的坐标位置,当所述坐标位置在预设行驶区域之外时,纠正模拟车辆的坐标位置后生成模拟车辆;
S71.从起始帧数开始读取数组中的数据;
S72.判断所述模拟车辆的偏移坐标是否在预设行驶区域内;
若否,则需纠正所述偏移坐标,根据上一帧图像既定的行驶速度重新计算偏移坐标,继续生成模拟车辆。
优选的,在生成的模拟车辆上方在所述模拟车辆的正上方显示车牌号码和行驶速度,请参阅图7;
由于利用AI算法在识别车辆时会存在识别不连续(即一辆车在识别过程中识别中断,而之后又被识别到)的情况,造成同一辆车拥有多个数组,而一个数组生成一辆模拟车辆,导致生成多个模拟车辆。
请参阅图4,具体的,可通过以下步骤实现:
S8.遍历至终止帧数时,销毁正常消失在预设行驶区域的模拟车辆。
S81.在终止帧图像中,判断所述模拟车辆消失时是否在预设行驶区域之外,即终止帧图像中的模拟车辆的偏移坐标是否在行驶区域之外;
若是,则销毁所述模拟车辆;
若否,则以上一帧图像既定的行驶速度继续计算得到偏移坐标;
S82. 判断当前帧是否生成有新模拟车辆,且且所述新模拟车辆与模拟车辆的偏移坐标之间的距离≤1m;
若是,则将所述新模拟车辆的数据赋予所述模拟车辆,继续读取数组中的数据,按照所述数组中的偏移坐标继续生成所述模拟车辆,并销毁所述新模拟车辆;
若否,则在所述偏移坐标继续生成所述模拟车辆;
重复上述步骤S81--S82。
具体而言:当一辆车(B车)的行驶轨迹中断,让B车以最后的行驶速度继续移动,而在之后的某一帧图像时新生成了一辆模拟车辆,而且新模拟车辆的位置和B车所处的位置相隔非常接近的时候,说明B车在后续又被重新识别到了,于是将新模拟车辆的数组数据赋给B车之后把新模拟车辆删除,让B车用新得到的数据中的行驶轨迹继续移动。
上述实施例以数字孪生城市中的一个路口为例,在场景中模拟出交通流,优选的,获取数字孪生城市中的每个路口的监控视频,将不同位置、不同角度布设的多个监控视频纳入到数字孪生城市中,在场景中生成仿真交通流,可覆盖整个区域甚至整个城市,形成一个完整的城市交通三维可视化仿真系统。
实施例2
相应于上面的方法实施例,本公开实施例还提供了一种基于AI识别的交通数据可视化仿真系统,下文描述的基于AI识别的交通数据可视化仿真系统,与上文描述的基于AI识别的交通数据可视化仿真方法,可相互对应参照。
该系统包括如下模块:
建模单元:基于真实城市,搭建数字孪生城市;
接收单元:获取所述数字孪生城市对应的真实道路监控视频,根据监控视频的监控区域在数字孪生城市中划分预设行驶区域;
识别单元:按帧数分割所述监控视频得到若干帧图像,在每帧图像中识别出车辆信息,所述车辆信息至少包括车辆的种类、颜色、车牌号码、车辆在当前帧图像中的像素坐标、实际的偏移坐标;
车辆追踪单元:利用当前帧图像的前、后N帧图像计算车辆在当前帧图像的行驶速度,并追踪车辆的行驶轨迹;
存储单元:将每个车辆的车辆信息分别存入不同的数组中,每个数组中至少记录有车辆的起始帧数和终止帧数,多个数组存入一个数据表中;
数据读取单元:按计算机绘制时间依次遍历所述数据表,当读取的帧数与一个车辆的起始帧数一致时,生成一个对应的模拟车辆,将所述车辆的数组传给所述模拟车辆;
可视化单元:根据所述数组中的偏移坐标确定模拟车辆在数字城市场景中生成的坐标位置,当所述坐标位置在预设行驶区域之外时,纠正模拟车辆的坐标位置后生成模拟车辆;
销毁单元:遍历至终止帧数时,销毁正常消失在预设行驶区域的模拟车辆。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例,本公开实施例还提供了一种基于AI识别的交通数据可视化仿真设备,下文描述的一种基于实时交通数据的拥堵模拟设备与上文描述的一种基于AI识别的交通数据可视化仿真方法可相互对应参照。
该电子设备可以包括:处理器,存储器。该电子设备还可以包括多媒体组件,输入/输出(I/O)接口,以及通信组件中的一者或多者。
其中,处理器用于控制该电子设备的整体操作,以完成上述的基于AI识别的交通数据可视化仿真方法中的全部或部分步骤。存储器用于存储各种类型的数据以支持在该电子设备的操作,这些数据例如可以包括用于在该电子设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或通过通信组件发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口为处理器和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件用于该电子设备与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电子设备可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的基于AI识别的交通数据可视化仿真方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的基于AI识别的交通数据可视化仿真的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器,上述程序指令可由电子设备的处理器执行以完成上述的基于AI识别的交通数据可视化仿真方法。
实施例4
相应于上面的方法实施例,本公开实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种基于AI识别的交通数据可视化仿真方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的基于AI识别的交通数据可视化仿真方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于AI识别的交通数据可视化仿真方法,其特征在于,包括:
基于真实城市,搭建数字孪生城市;
获取所述数字孪生城市对应的真实道路监控视频,根据监控视频的监控区域在数字孪生城市中划分预设行驶区域;
按帧数分割所述监控视频得到若干帧图像,在每帧图像中识别出车辆信息,所述车辆信息至少包括车辆的种类、颜色、车牌号码、车辆在当前帧图像中的像素坐标、实际的偏移坐标;
利用当前帧图像的第前、后N帧图像计算车辆在当前帧图像的行驶速度,并追踪车辆的行驶轨迹;
将每个车辆的车辆信息分别存入不同的数组中,每个数组中至少记录有车辆的起始帧数和终止帧数,多个数组存入一个数据表中;
按计算机绘制时间依次遍历所述数据表,当读取的帧数与一个车辆的起始帧数一致时,生成一个对应的模拟车辆,将所述车辆的数组传给所述模拟车辆;
根据所述数组中的偏移坐标确定模拟车辆在数字城市场景中生成的坐标位置,当所述坐标位置在预设行驶区域之外时,纠正模拟车辆的坐标位置后生成模拟车辆;
遍历至终止帧数时,销毁正常消失在预设行驶区域的模拟车辆。
2.根据权利要求1所述的基于AI识别的交通数据可视化仿真方法,其特征在于,所述获取所述数字孪生城市对应的真实道路监控视频,根据监控视频的监控区域在数字孪生城市中划分预设行驶区域,包括:
在数字孪生城市中标记出道路信息;
将数字孪生城市定位至监控视频流中的道路,并在数字孪生城市中将监控视频流画面中拍摄到的道路设置为预设行驶区域。
3.根据权利要求1所述的基于AI识别的交通数据可视化仿真方法,其特征在于,所述车辆在当前帧图像中的像素坐标、实际的偏移坐标的计算过程为:
将视频画面的左上角作为坐标原点;
在视频画面中选择至少两个特征点作为参照点和标志点,利用所述参照点和标志点计算单位像素的实际距离;
确定所述车辆在当前帧图像中相对于坐标原点的第一像素坐标;
利用所述第一像素坐标和单位像素的实际距离,计算车辆的偏移坐标,即车辆相对于标志点的实际距离。
4.根据权利要求1所述的基于AI识别的交通数据可视化仿真方法,其特征在于,所述利用当前帧图像的第前、后N帧图像计算车辆在当前帧图像的行驶速度,并追踪车辆的行驶轨迹,包括:
分别获取车辆在当前帧的第前、后N帧图像中的偏移坐标;
利用位移--速度公式计算车辆在当前帧图像中的行驶速度;
采用STRCF算法追踪车辆的行驶轨迹,在监控视频中绘制出每个车辆的行驶轨迹。
5.根据权利要求1所述的基于AI识别的交通数据可视化仿真方法,其特征在于,所述数组中还包括:车辆类型、车辆颜色、车牌号码、X轴偏移坐标、Y轴偏移坐标、行驶速度;其中,所述X轴偏移坐标、Y轴偏移坐标、行驶速度均包含从起始帧数到终止帧数之间所有帧图像的数据。
6.根据权利要求1所述的基于AI识别的交通数据可视化仿真方法,其特征在于,所述当所述坐标位置在预设行驶区域之外时,纠正模拟车辆的坐标位置后生成模拟车辆,包括:
若当前帧图像中的坐标位置在预设形式区域之外,则根据上一帧图像既定的行驶速度重新计算偏移坐标,在所述偏移坐标对应的坐标位置继续生成模拟车辆。
7.根据权利要求1所述的基于AI识别的交通数据可视化仿真方法,其特征在于,所述遍历至终止帧数时,销毁正常消失在预设行驶区域的模拟车辆,包括:
遍历至终止帧数时,若所述模拟车辆的消失位置在预设行驶区域之外,则销毁所述模拟车辆。
8.根据权利要求1所述的基于AI识别的交通数据可视化仿真方法,其特征在于,所述遍历至终止帧数时,销毁正常消失在预设行驶区域的模拟车辆,还包括:
遍历至终止帧数时,若所述模拟车辆的消失位置在预设行驶区域之内,则以上一帧图像既定的行驶速度重新计算得到偏移坐标;
若当前帧图像生成有新模拟车辆,且所述新模拟车辆与模拟车辆的偏移坐标之间的距离≤1m;
则将所述新模拟车辆的数组数据赋予所述模拟车辆,根据所述数组中的偏移坐标继续生成所述模拟车辆,并销毁所述新模拟车辆。
9.根据权利要求8所述的基于AI识别的交通数据可视化仿真方法,其特征在于,还包括:若当前帧图像没有生成新模拟车辆,则在所述偏移坐标对应的坐标位置继续生成所述模拟车辆。
10.一种基于AI识别的交通数据可视化仿真系统,包括权利要求1-9任一所述的基于AI识别的交通数据可视化仿真方法,其特征在于,所述系统包括:
建模单元:基于真实城市,搭建数字孪生城市;
接收单元:获取所述数字孪生城市对应的真实道路监控视频,根据监控视频的监控区域在数字孪生城市中划分预设行驶区域;
识别单元:按帧数分割所述监控视频得到若干帧图像,在每帧图像中识别出车辆信息,所述车辆信息至少包括车辆的种类、颜色、车牌号码、车辆在当前帧图像中的像素坐标、实际的偏移坐标;
车辆追踪单元:利用当前帧图像的第前、后N帧图像计算车辆在当前帧图像的行驶速度,并追踪车辆的行驶轨迹;
存储单元:将每个车辆的车辆信息分别存入不同的数组中,每个数组中至少记录有车辆的起始帧数和终止帧数,多个数组存入一个数据表中;
数据读取单元:按计算机绘制时间依次遍历所述数据表,当读取的帧数与一个车辆的起始帧数一致时,生成一个对应的模拟车辆,将所述车辆的数组传给所述模拟车辆;
可视化单元:根据数组中的偏移坐标确定模拟车辆在数字城市场景中生成的坐标位置,当所述坐标位置在预设行驶区域之外时,纠正模拟车辆的坐标位置后生成模拟车辆;
销毁单元:遍历至终止帧数时,销毁正常消失在预设行驶区域的模拟车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110427428.4A CN112990114B (zh) | 2021-04-21 | 2021-04-21 | 一种基于ai识别的交通数据可视化仿真方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110427428.4A CN112990114B (zh) | 2021-04-21 | 2021-04-21 | 一种基于ai识别的交通数据可视化仿真方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990114A true CN112990114A (zh) | 2021-06-18 |
CN112990114B CN112990114B (zh) | 2021-08-10 |
Family
ID=76341409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110427428.4A Active CN112990114B (zh) | 2021-04-21 | 2021-04-21 | 一种基于ai识别的交通数据可视化仿真方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990114B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744123A (zh) * | 2021-11-05 | 2021-12-03 | 四川见山科技有限责任公司 | 一种基于全局实例化的大规模动态对象绘制方法及系统 |
CN113806361A (zh) * | 2021-08-18 | 2021-12-17 | 北京百度网讯科技有限公司 | 电子监控设备与道路的关联方法、装置及存储介质 |
CN113823121A (zh) * | 2021-09-18 | 2021-12-21 | 深圳须弥云图空间科技有限公司 | 一种车辆行驶配置方法及装置 |
CN114018237A (zh) * | 2021-10-09 | 2022-02-08 | 烟台杰瑞石油服务集团股份有限公司 | 一种基于数字孪生的井场定位方法和装置 |
CN114780666A (zh) * | 2022-06-23 | 2022-07-22 | 四川见山科技有限责任公司 | 一种数字孪生城市中道路标签优化方法及系统 |
CN114782588A (zh) * | 2022-06-23 | 2022-07-22 | 四川见山科技有限责任公司 | 一种数字孪生城市中道路名称实时绘制方法及系统 |
CN114943940A (zh) * | 2022-07-26 | 2022-08-26 | 山东金宇信息科技集团有限公司 | 一种隧道内车辆可视化监测的方法、设备及存储介质 |
CN115376055A (zh) * | 2022-10-27 | 2022-11-22 | 苏州工业园区测绘地理信息有限公司 | 一种面向城市道路数字孪生场景的车辆追踪方法 |
CN115393479A (zh) * | 2022-10-28 | 2022-11-25 | 山东捷瑞数字科技股份有限公司 | 一种基于三维引擎的车轮转动控制方法 |
CN116740660A (zh) * | 2023-08-11 | 2023-09-12 | 深圳市明世弘生电子科技有限公司 | 一种基于ai技术的车辆数据处理方法和系统 |
CN116883610A (zh) * | 2023-09-07 | 2023-10-13 | 园测信息科技股份有限公司 | 基于车辆识别与轨迹映射的数字孪生路口构建方法和系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901551A (zh) * | 2010-06-29 | 2010-12-01 | 上海英迪信息技术有限公司 | 车辆监控系统中轨迹回放功能的优化方法 |
CN106529064A (zh) * | 2016-11-15 | 2017-03-22 | 北京航空航天大学 | 一种基于多智能体的车联网环境下路径选择仿真系统 |
CN107613410A (zh) * | 2017-09-14 | 2018-01-19 | 国家电网公司 | 一种应用于变电监控视频中的视频摘要生成方法 |
CN108694237A (zh) * | 2018-05-11 | 2018-10-23 | 东峡大通(北京)管理咨询有限公司 | 处理车辆位置数据的方法、设备、可视化系统和用户终端 |
CN109147341A (zh) * | 2018-09-14 | 2019-01-04 | 杭州数梦工场科技有限公司 | 违章车辆检测方法及装置 |
CN109615862A (zh) * | 2018-12-29 | 2019-04-12 | 南京市城市与交通规划设计研究院股份有限公司 | 道路车辆交通运动状态参数动态获取方法及装置 |
US20190138333A1 (en) * | 2017-11-07 | 2019-05-09 | General Electric Company | Contextual digital twin runtime environment |
CN110807238A (zh) * | 2019-08-26 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 一种仿真模型校准方法及相关设备 |
CN110826415A (zh) * | 2019-10-11 | 2020-02-21 | 上海眼控科技股份有限公司 | 一种场景图像中车辆的重识别方法及设备 |
CN110850818A (zh) * | 2019-10-21 | 2020-02-28 | 温州大学 | 一种实现断路器自动化装配车间的数字孪生建模的方法 |
US20200126415A1 (en) * | 2018-10-19 | 2020-04-23 | Toyota Jidosha Kabushiki Kaisha | Digital behavioral twin system for intersection management in connected environments |
US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
CN111505965A (zh) * | 2020-06-17 | 2020-08-07 | 深圳裹动智驾科技有限公司 | 自动驾驶车辆仿真测试的方法、装置、计算机设备及存储介质 |
CN111897305A (zh) * | 2020-06-02 | 2020-11-06 | 浙江吉利汽车研究院有限公司 | 一种基于自动驾驶的数据处理方法、装置、设备及介质 |
CN111967384A (zh) * | 2020-08-17 | 2020-11-20 | 上海眼控科技股份有限公司 | 车辆信息处理方法、装置、设备及计算机可读存储介质 |
CN112216097A (zh) * | 2019-07-09 | 2021-01-12 | 华为技术有限公司 | 一种检测车辆的盲区的方法及装置 |
EP3786739A1 (de) * | 2019-08-28 | 2021-03-03 | Siemens Aktiengesellschaft | Vergleich einer realen anlage mit einem digitalen zwilling durch datenverkehrsanalyse |
-
2021
- 2021-04-21 CN CN202110427428.4A patent/CN112990114B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901551A (zh) * | 2010-06-29 | 2010-12-01 | 上海英迪信息技术有限公司 | 车辆监控系统中轨迹回放功能的优化方法 |
US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
CN106529064A (zh) * | 2016-11-15 | 2017-03-22 | 北京航空航天大学 | 一种基于多智能体的车联网环境下路径选择仿真系统 |
CN107613410A (zh) * | 2017-09-14 | 2018-01-19 | 国家电网公司 | 一种应用于变电监控视频中的视频摘要生成方法 |
US20190138333A1 (en) * | 2017-11-07 | 2019-05-09 | General Electric Company | Contextual digital twin runtime environment |
CN108694237A (zh) * | 2018-05-11 | 2018-10-23 | 东峡大通(北京)管理咨询有限公司 | 处理车辆位置数据的方法、设备、可视化系统和用户终端 |
CN109147341A (zh) * | 2018-09-14 | 2019-01-04 | 杭州数梦工场科技有限公司 | 违章车辆检测方法及装置 |
US20200126415A1 (en) * | 2018-10-19 | 2020-04-23 | Toyota Jidosha Kabushiki Kaisha | Digital behavioral twin system for intersection management in connected environments |
CN109615862A (zh) * | 2018-12-29 | 2019-04-12 | 南京市城市与交通规划设计研究院股份有限公司 | 道路车辆交通运动状态参数动态获取方法及装置 |
CN112216097A (zh) * | 2019-07-09 | 2021-01-12 | 华为技术有限公司 | 一种检测车辆的盲区的方法及装置 |
CN110807238A (zh) * | 2019-08-26 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 一种仿真模型校准方法及相关设备 |
EP3786739A1 (de) * | 2019-08-28 | 2021-03-03 | Siemens Aktiengesellschaft | Vergleich einer realen anlage mit einem digitalen zwilling durch datenverkehrsanalyse |
CN110826415A (zh) * | 2019-10-11 | 2020-02-21 | 上海眼控科技股份有限公司 | 一种场景图像中车辆的重识别方法及设备 |
CN110850818A (zh) * | 2019-10-21 | 2020-02-28 | 温州大学 | 一种实现断路器自动化装配车间的数字孪生建模的方法 |
CN111897305A (zh) * | 2020-06-02 | 2020-11-06 | 浙江吉利汽车研究院有限公司 | 一种基于自动驾驶的数据处理方法、装置、设备及介质 |
CN111505965A (zh) * | 2020-06-17 | 2020-08-07 | 深圳裹动智驾科技有限公司 | 自动驾驶车辆仿真测试的方法、装置、计算机设备及存储介质 |
CN111967384A (zh) * | 2020-08-17 | 2020-11-20 | 上海眼控科技股份有限公司 | 车辆信息处理方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
VLADISLAV DYGALO 等: "Principles of application of virtual and physical simulation technology in production of digital twin of active vehicle safety systems", 《TRANSPORTATION RESEARCH PROCEDIA》 * |
吴柯维: "基于视频智能分析技术的交通数字孪生应用", 《第十五届中国智能交通年会科技论文集(2)》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113806361A (zh) * | 2021-08-18 | 2021-12-17 | 北京百度网讯科技有限公司 | 电子监控设备与道路的关联方法、装置及存储介质 |
CN113806361B (zh) * | 2021-08-18 | 2024-01-23 | 北京百度网讯科技有限公司 | 电子监控设备与道路的关联方法、装置及存储介质 |
CN113823121A (zh) * | 2021-09-18 | 2021-12-21 | 深圳须弥云图空间科技有限公司 | 一种车辆行驶配置方法及装置 |
CN114018237B (zh) * | 2021-10-09 | 2023-11-24 | 烟台杰瑞石油服务集团股份有限公司 | 一种基于数字孪生的井场定位方法和装置 |
CN114018237A (zh) * | 2021-10-09 | 2022-02-08 | 烟台杰瑞石油服务集团股份有限公司 | 一种基于数字孪生的井场定位方法和装置 |
CN113744123B (zh) * | 2021-11-05 | 2022-01-25 | 四川见山科技有限责任公司 | 一种基于全局实例化的大规模动态对象绘制方法及系统 |
CN113744123A (zh) * | 2021-11-05 | 2021-12-03 | 四川见山科技有限责任公司 | 一种基于全局实例化的大规模动态对象绘制方法及系统 |
CN114780666A (zh) * | 2022-06-23 | 2022-07-22 | 四川见山科技有限责任公司 | 一种数字孪生城市中道路标签优化方法及系统 |
CN114782588A (zh) * | 2022-06-23 | 2022-07-22 | 四川见山科技有限责任公司 | 一种数字孪生城市中道路名称实时绘制方法及系统 |
CN114943940A (zh) * | 2022-07-26 | 2022-08-26 | 山东金宇信息科技集团有限公司 | 一种隧道内车辆可视化监测的方法、设备及存储介质 |
CN115376055A (zh) * | 2022-10-27 | 2022-11-22 | 苏州工业园区测绘地理信息有限公司 | 一种面向城市道路数字孪生场景的车辆追踪方法 |
CN115393479B (zh) * | 2022-10-28 | 2023-03-24 | 山东捷瑞数字科技股份有限公司 | 一种基于三维引擎的车轮转动控制方法 |
CN115393479A (zh) * | 2022-10-28 | 2022-11-25 | 山东捷瑞数字科技股份有限公司 | 一种基于三维引擎的车轮转动控制方法 |
CN116740660A (zh) * | 2023-08-11 | 2023-09-12 | 深圳市明世弘生电子科技有限公司 | 一种基于ai技术的车辆数据处理方法和系统 |
CN116740660B (zh) * | 2023-08-11 | 2023-11-21 | 深圳市明世弘生电子科技有限公司 | 一种基于ai技术的车辆数据处理方法和系统 |
CN116883610A (zh) * | 2023-09-07 | 2023-10-13 | 园测信息科技股份有限公司 | 基于车辆识别与轨迹映射的数字孪生路口构建方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112990114B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990114B (zh) | 一种基于ai识别的交通数据可视化仿真方法及系统 | |
CN112991742B (zh) | 一种实时交通数据的可视化仿真方法及系统 | |
US10657391B2 (en) | Systems and methods for image-based free space detection | |
Possatti et al. | Traffic light recognition using deep learning and prior maps for autonomous cars | |
CN112069643B (zh) | 一种自动驾驶仿真场景生成方法及装置 | |
US20180373980A1 (en) | Method for training and refining an artificial intelligence | |
US20190122059A1 (en) | Signal light detection | |
CN109740420A (zh) | 车辆违法识别方法及相关产品 | |
CN110188482B (zh) | 一种基于智能驾驶的测试场景创建方法及装置 | |
KR102282800B1 (ko) | 라이다와 영상카메라를 이용한 멀티 표적 추적 방법 | |
KR20210052031A (ko) | 딥러닝 기반 교통 흐름 분석 방법 및 시스템 | |
US11682297B2 (en) | Real-time scene mapping to GPS coordinates in traffic sensing or monitoring systems and methods | |
JP2019154027A (ja) | ビデオ監視システムのパラメータ設定方法、装置及びビデオ監視システム | |
CN112037543A (zh) | 基于三维建模的城市交通灯控制方法、装置、设备和介质 | |
JP7278414B2 (ja) | 交通道路用のデジタル復元方法、装置及びシステム | |
CA3179005A1 (en) | Artificial intelligence and computer vision powered driving-performance assessment | |
Zipfl et al. | From traffic sensor data to semantic traffic descriptions: The test area autonomous driving baden-württemberg dataset (taf-bw dataset) | |
Cheng et al. | Structure-aware network for lane marker extraction with dynamic vision sensor | |
US11727580B2 (en) | Method and system for gathering information of an object moving in an area of interest | |
CN113971795A (zh) | 基于自驾车视觉感测的违规巡检系统及其方法 | |
JP6405606B2 (ja) | 画像処理装置、画像処理方法、および画像処理プログラム | |
CN114913470B (zh) | 一种事件检测方法及装置 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN114937248A (zh) | 用于跨相机的车辆跟踪方法、装置、电子设备、存储介质 | |
Koetsier et al. | Trajectory extraction for analysis of unsafe driving behaviour |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A visual simulation method and system of traffic data based on AI recognition Effective date of registration: 20220525 Granted publication date: 20210810 Pledgee: Bank of Chengdu science and technology branch of Limited by Share Ltd. Pledgor: SICHUAN JIANSHAN TECHNOLOGY CO.,LTD. Registration number: Y2022980006200 |