CN112991769A - 基于视频的交通量调查方法和装置 - Google Patents

基于视频的交通量调查方法和装置 Download PDF

Info

Publication number
CN112991769A
CN112991769A CN202110161276.8A CN202110161276A CN112991769A CN 112991769 A CN112991769 A CN 112991769A CN 202110161276 A CN202110161276 A CN 202110161276A CN 112991769 A CN112991769 A CN 112991769A
Authority
CN
China
Prior art keywords
vehicle
video
traffic volume
road
speed measuring
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
CN202110161276.8A
Other languages
English (en)
Inventor
王金桥
赵朝阳
郭海云
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.)
Objecteye Beijing Technology Co Ltd
Original Assignee
Objecteye Beijing 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 Objecteye Beijing Technology Co Ltd filed Critical Objecteye Beijing Technology Co Ltd
Publication of CN112991769A publication Critical patent/CN112991769A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • 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
    • G08G1/017—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
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Abstract

本发明涉及一种基于视频的交通量调查方法和装置，所述基于视频的交通量调查方法包括：步骤A：采集道路监控摄像头所拍摄的视频以及道路高清照相机所拍摄图像；步骤B：对采集得到的道路视频和高清图像进行车辆检测；步骤C：跟踪被检测出的车辆；步骤D：识别被检测出的车辆所属类型；步骤E：计算被跟踪的车辆在通过特定区域时的车速。本发明所述的基于视频的交通量调查方法通过在道路卡口处设置的监控探头采集道路数据，并对道路数据进行处理，将识别得到的车辆类别、车速信息及车流量信息记入数据库，能够实时的分析统计交通量信息，有利于实现道路交通自动化检测和智能化管理。

Description

基于视频的交通量调查方法和装置
技术领域
本发明涉及道路交通自动检测技术领域，具体涉及一种基于视频的交通量调查方法和装置。
背景技术
随着我国社会经济持续高速发展，道路交通在社会经济发展过程中发挥着越来越大的作用。道路交通中车流量和车辆行驶速度是交通实际运行参数，一定程度反映了交通运行状态。车辆行驶速度还是影响道路安全的重要因素。然而现有的道路交通量调查智能化程度较低，缺乏直观准确的交通量统计手段。与此同时，道路交通监控摄像头越来越普及，并且逐渐高清化，视频是一种非常直观的交通量体现媒介，而且除了交通量，还可基于视频对驾驶行为、车辆违法违规行为进行实时监测，可扩展性很强。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种基于视频的交通量调查方法和装置，以实现高效分析交通量信息，准确测算车辆速度，实现道路交通自动化检测和智能化管理。
为实现以上目的，本发明采用如下技术方案：一种基于视频的交通量调查方法，包括：
步骤A：采集道路监控摄像头所拍摄的视频以及道路高清照相机所拍摄图像；
步骤B：对采集得到的道路视频和高清图像进行车辆检测；
步骤C：跟踪被检测出的车辆；
步骤D：识别被检测出的车辆所属类型；
步骤E：计算被跟踪的车辆在通过特定区域时的车速。
可选的，所述步骤B包括以下子步骤：
步骤B1：检测道路视频和高清图像数据中是否含有车辆；若有，则记录当前图像数据中车辆所在位置。
可选的，所述步骤C包括以下子步骤：
步骤C1：创建并维护跟踪车辆队列，所述跟踪车辆队列用于跟踪检测到的所有车辆。
可选的，所述步骤C1包括以下子步骤：
步骤C11：更新跟踪车辆队列中所有被跟踪车辆的位置；
步骤C12：接收步骤B1所检测到的所有车辆，与跟踪车辆队列进行比对；若比对成功，则忽略该车辆；若比对失败，则将该车辆加入到跟踪车辆队列中。
可选的，所述步骤D包括以下子步骤：
步骤D1：预先标记视频中车道线对应的像素位置；
步骤D2：接收步骤B所检测到的车辆信息，对车辆进行车辆类型的识别，并记录到统计数据中；
步骤D3：结合预先标记的车道线，判断车辆所在车道并记录到统计数据中。
可选的，所述步骤B1中检测道路视频和高清图像数据中是否含有车辆是采用基于深度神经网络的目标检测算法；
所述步骤C1中跟踪检测到的所有车辆是采用kcf跟踪算法；
所述步骤C12中的比对方法采用IoU对比算法；
所述步骤D2中进行车辆类型的识别采用基于深度神经网络的分类算法。
可选的，所述步骤E包括以下子步骤：
步骤E1：预先标记视频中的测速区域，测速区域在车道上有前后两条测速线；
步骤E2：接收步骤C所跟踪到的车辆信息，当被跟踪车辆触碰到第一条测速线时，记录帧数T1；
步骤E3：当被跟踪车辆触碰到第二条测速线时，记录帧数T2；
步骤E4：根据预先标记的测速区域距离s米，视频帧率FPS帧/秒，及帧数差计算出视频中车辆通过测速区域时的速度ν，ν＝s*FPS/(T2-T1)米/秒。
可选的，所述步骤E还包括：
步骤E5：根据步骤E4中的公式计算同一车道，车辆在多个短距离测速框中的速度；计算多个短距离测速框中的速度的平均值，并将该平均值作为车辆通过测速区域时的速度；
其中，所述多个短距离测速框位于所述测速区域内。
本发明还提供了一种基于视频的交通量调查装置，包括：
道路监控摄像头，用于采集监控道路上的车辆行驶视频及图像；
交通量智能分析仪，用于对所述道路监控摄像头采集的车辆行驶视频及图像进行智能化分析，输出车型、车速和车流量的交通量统计结果；
通信模块，用于将所述交通量统计结果按照规范格式传输到后台。
可选的，所述交通量智能分析仪包括：
车辆检测模块，用于对采集得到的道路视频和高清图像进行车辆检测；
车辆跟踪模块，用于跟踪被检测出的车辆；
车辆识别模块，用于识别被检测出的车辆所属类型；
车辆测速模块，用于计算被跟踪的车辆在通过特定区域时的车速。
本发明采用以上技术方案，所述基于视频的交通量调查方法包括：车辆行驶视频采集，即获取道路监控摄像头拍摄的车辆行驶视频；视频画线，在监控视频画面中根据道路实际情况和算法要求，画出车道线所在的位置，以线段表示，画出车速测定区域的起始线与终止线，以线段表示，并且与车道线垂直；车辆检测，即对道路监控视频中的特定道路区域中经过的车辆进行检测定位，获取车辆在图像中的位置；车辆跟踪，对检测到的车辆进行跟踪；车辆类型识别，识别检测到的车辆的交调车型；车辆测速，基于车辆检测和跟踪，识别车辆在通过测速区域时的平均速度；车辆平均速度统计，对一个时间段内通过某一个道路断面的各个车型的车辆统计其平均速度；车流量统计，对一个时间段内通过某一个道路断面的车辆数量进行统计。本发明所述的基于视频的交通量调查方法能够实时的分析统计交通量信息，有利于实现道路交通自动化检测和智能化管理。
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是本发明一种基于视频的交通量调查方法提供的流程示意图；
图2是道路车道画线示意图；
图3是车道测速画线示意图；
图4是本发明一种基于视频的交通量调查装置提供的结构示意图。
图中：1、道路监控摄像头；2、交通量智能分析仪；21、车辆检测模块；22、车辆跟踪模块；23、车辆识别模块；24、车辆测速模块；3、通信模块；4、后台。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
图1是本发明一种基于视频的交通量调查方法提供的流程示意图。
如图1所示，本发明所述的一种基于视频的交通量调查方法，包括：
步骤A：采集道路监控摄像头所拍摄的视频以及道路高清照相机所拍摄图像；
步骤B：对采集得到的道路视频和高清图像进行车辆检测；
步骤C：跟踪被检测出的车辆；
步骤D：识别被检测出的车辆所属类型；
步骤E：计算被跟踪的车辆在通过特定区域时的车速。
本发明所述的基于视频的交通量调查方法在实际执行时，包括：
步骤A：采集图像数据。
本发明中所称图像数据是指道路高清卡口所拍摄的监控视频数据，以及高清照相机拍摄高清图像数据，本申请将其简称为图像数据。对于采集到的数据，实时的将每帧图像传入到下文的车辆检测模型中。
步骤B：对采集到的图像数据做车辆检测。
步骤B1、接收采集到的图像数据，检测其中所包含的所有车辆，记录车辆在图像中的位置，并将记录车辆位置信息用于后续步骤计算车辆轨迹。本实施例在检测过程中使用计算机视觉中神经网络算法来检测图像中的车辆，该算法为实现这一功能需要进行模型训练，得到车辆检测模型，此时建议训练数据也采用卡口视角的数据，并设定检测阈值，以提高其在实际应用中的检测率。同时，对视频流每帧的图像都进行检测也可以大幅提高车辆检测的准确率，防止漏检。
步骤C：对检测到的车辆进行跟踪。
步骤C1、在本实施例中，进行检测前要创建跟踪车辆队列，该队列存储了步骤B检测到的车辆。在本实施例中，首先，步骤C11，每次执行到该步骤时都对队列中的所有车辆信息使用kcf算法预测其下一时刻所在位置记为
Figure BDA0002936801240000064
其次，接收步骤B检测到的所有n辆车的位置信息{P1,P2,...,Pn}记为P；再次，步骤C12，使用IoU算法比对P1,P2,...,Pn中是否有与
Figure BDA0002936801240000063
是重叠的位置信息，若重叠即车辆位置预测成功并忽略P中对应的点；最后，队列中所有预测位置
Figure BDA0002936801240000065
与P比对结束后，若P中有剩余位置信息，则将该位置信息作为新发现的车辆，加入到跟踪车辆队列中，若
Figure BDA0002936801240000066
中有剩余位置信息，则该位置信息为预测失效的位置信息，此时将该位置信息从跟踪队列中移除。
步骤D：车辆识别，用于识别被检测出的车辆所属类型以及所在车道。
步骤D1、预先标记视频中车道线对应的像素。图2为车道画线示意图，通常卡口处的监控可以一次性拍摄1-3个车道，在实例工作前，检查视频数据中各个车道所在图像中的位置，并标记像素。
步骤D2、接收步骤B所检测到的车辆信息，对车辆进行车辆类型的识别，并记录到统计数据中。识别模型使用计算机视觉领域基于神经网络的图像识别技术，神经网络模型在进行实例工作前需要进行模型训练，训练数据同样为卡口视角的车辆分类数据，同时设定识别阈值，以得到高准确度的识别模型。
本实施例中车辆分类按照相关标准共分为特大型货车、大型货车、中型货车、小型货车、大型客车和中小型客车6种。
步骤D3、结合预先标记的车道线，判断车辆所在车道并记录到统计数据中。通过接收步骤B所检测到的车辆位置信息，并将所述车辆位置信息与步骤D1所画的车道线进行比对，检查车辆位置落入哪个车道范围。表1为某车道上1分钟内车辆经过时的车流量统计。
Figure BDA0002936801240000061
Figure BDA0002936801240000071
表1
步骤E：车辆测速，用于计算被追踪的车辆在通过特定区域时的车速。
步骤E1、如图3所示，预先标记视频中的测速区域，测速区在车道上有前后两条测速线。在本实施例中，两条测速线距离为5米。
步骤E2、接收步骤C所跟踪到的车辆信息，当被跟踪车辆触碰第一条测速线时，记录此时的帧数T1。
步骤E3、当被跟踪车辆触碰第二条测速线时，记录此时的帧数T2。
步骤E4、根据预先标记的两条测速线之间距离s米，视频帧率FPS帧/秒，及帧数差可以计算视频中车辆通过测速区域时的速度ν，ν＝s*FPS/(T2-T1)米/秒。本实施例中，根据预先标记的测速线距离5米，视频帧率24帧/秒。
步骤E5、根据步骤E4中的公式可计算同一车道，车辆在多个短距离测速框中的速度，计算多个短距离测速框中的速度的平均值，并将该平均值作为车辆通过测速区域时的速度，可以得到更高的测速精度。其中，所述多个短距离测速框位于所述测速区域内。表2为某车道上1分钟内车辆经过时的车速统计。
时间 车道 车速
17:32:49 1 79.6km/h
17:32:58 1 63.43km/h
17:33:00 1 65.71km/h
17:33:01 1 59.49km/h
17:33:03 1 60.27km/h
17:33:09 1 52.21km/h
17:33:12 1 49.46km/h
17:33:18 1 53.18km/h
17:33:20 1 52.0km/h
17:33:22 1 56.45km/h
17:33:29 1 53.26km/h
17:33:37 1 52.82km/h
17:33:45 1 46.19km/h
17:33:49 1 45.60km/h
表2
本发明所述的一种基于视频的交通量调查方法，通过采集道路卡口的视频监控数据、高清卡口数据，利用计算机视觉检测算法对数据进行处理，检测出道路中的车辆；利用跟踪算法对被检测出的车辆进行行驶轨迹跟踪；利用计算机视觉识别算法对车辆进行车辆类型分类，得到的分类结果记录在统计数据中，以完成交通流量分析工作；对跟踪算法得到的车辆轨迹进行测速计算，得到的车速信息记录到统计数据中，以完成车辆行驶速度的测量工作。本发明所述的基于视频的交通量调查方法通过在道路卡口处设置的监控探头采集道路数据，并对道路数据进行处理，将识别得到的车辆类别、车速信息及车流量信息记入数据库，能够实时的分析统计交通量信息，有利于实现道路交通自动化检测和智能化管理。
图4是本发明一种基于视频的交通量调查装置提供的结构示意图。
如图4所示，本发明所述的一种基于视频的交通量调查装置，包括：
道路监控摄像头1，用于采集监控道路上的车辆行驶视频及图像；
交通量智能分析仪2，用于对所述道路监控摄像头1采集的车辆行驶视频及图像进行智能化分析，输出车型、车速和车流量的交通量统计结果；
通信模块3，用于将所述交通量统计结果按照规范格式传输到后台4。
进一步的，所述交通量智能分析仪2包括：
车辆检测模块21，用于对采集得到的道路视频和高清图像进行车辆检测；
车辆跟踪模块22，用于跟踪被检测出的车辆；
车辆识别模块23，用于识别被检测出的车辆所属类型；
车辆测速模块24，用于计算被跟踪的车辆在通过特定区域时的车速。
本发明所述的一种基于视频的交通量调查装置的工作原理与上文所述的一种基于视频的交通量调查方法的工作原理相同，在此不再赘述。
本发明提供的一种基于视频的交通量调查装置，通过采集道路卡口的视频监控数据、高清卡口数据，利用计算机视觉检测算法对数据进行处理，检测出道路中的车辆；利用跟踪算法对被检测出的车辆进行行驶轨迹跟踪；利用计算机视觉识别算法对车辆进行车辆类型分类，得到的分类结果记录在统计数据中，以完成交通流量分析工作；对跟踪算法得到的车辆轨迹进行测速计算，得到的车速信息记录到统计数据中，以完成车辆行驶速度的测量工作。该装置能够实现高效分析交通量信息，准确测算车辆速度，具有交通流量分析全程自动化、实时分析的特点。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于视频的交通量调查方法，其特征在于，包括：
步骤A：采集道路监控摄像头所拍摄的视频以及道路高清照相机所拍摄图像；
步骤B：对采集得到的道路视频和高清图像进行车辆检测；
步骤C：跟踪被检测出的车辆；
步骤D：识别被检测出的车辆所属类型；
步骤E：计算被跟踪的车辆在通过特定区域时的车速。
2.根据权利要求1所述的交通量调查方法，其特征在于，所述步骤B包括以下子步骤：
步骤B1：检测道路视频和高清图像数据中是否含有车辆；若有，则记录当前图像数据中车辆所在位置。
3.根据权利要求2所述的交通量调查方法，其特征在于，所述步骤C包括以下子步骤：
步骤C1：创建并维护跟踪车辆队列，所述跟踪车辆队列用于跟踪检测到的所有车辆。
4.根据权利要求3所述的交通量调查方法，其特征在于，所述步骤C1包括以下子步骤：
步骤C11：更新跟踪车辆队列中所有被跟踪车辆的位置；
步骤C12：接收步骤B1所检测到的所有车辆，与跟踪车辆队列进行比对；若比对成功，则忽略该车辆；若比对失败，则将该车辆加入到跟踪车辆队列中。
5.根据权利要求4所述的交通量调查方法，其特征在于，所述步骤D包括以下子步骤：
步骤D1：预先标记视频中车道线对应的像素位置；
步骤D2：接收步骤B所检测到的车辆信息，对车辆进行车辆类型的识别，并记录到统计数据中；
步骤D3：结合预先标记的车道线，判断车辆所在车道并记录到统计数据中。
6.根据权利要求5所述的交通量调查方法，其特征在于，
所述步骤B1中检测道路视频和高清图像数据中是否含有车辆是采用基于深度神经网络的目标检测算法；
所述步骤C1中跟踪检测到的所有车辆是采用kcf跟踪算法；
所述步骤C12中的比对方法采用IoU对比算法；
所述步骤D2中进行车辆类型的识别采用基于深度神经网络的分类算法。
7.根据权利要求1至6任一项所述的交通量调查方法，其特征在于，所述步骤E包括以下子步骤：
步骤E1：预先标记视频中的测速区域，测速区域在车道上有前后两条测速线；
步骤E2：接收步骤C所跟踪到的车辆信息，当被跟踪车辆触碰到第一条测速线时，记录帧数T1；
步骤E3：当被跟踪车辆触碰到第二条测速线时，记录帧数T2；
步骤E4：根据预先标记的测速区域距离s米，视频帧率FPS帧/秒，及帧数差计算出视频中车辆通过测速区域时的速度ν，ν＝s*FPS/(T2-T1)米/秒。
8.根据权利要求7所述的交通量调查方法，其特征在于，所述步骤E还包括：
步骤E5：根据步骤E4中的公式计算同一车道，车辆在多个短距离测速框中的速度；计算多个短距离测速框中的速度的平均值，并将该平均值作为车辆通过测速区域时的速度；
其中，所述多个短距离测速框位于所述测速区域内。
9.一种基于视频的交通量调查装置，其特征在于，包括：
道路监控摄像头，用于采集监控道路上的车辆行驶视频及图像；
交通量智能分析仪，用于对所述道路监控摄像头采集的车辆行驶视频及图像进行智能化分析，输出车型、车速和车流量的交通量统计结果；
通信模块，用于将所述交通量统计结果按照规范格式传输到后台。
10.根据权利要求9所述的交通量调查装置，其特征在于，所述交通量智能分析仪包括：
车辆检测模块，用于对采集得到的道路视频和高清图像进行车辆检测；
车辆跟踪模块，用于跟踪被检测出的车辆；
车辆识别模块，用于识别被检测出的车辆所属类型；
车辆测速模块，用于计算被跟踪的车辆在通过特定区域时的车速。
CN202110161276.8A 2021-02-03 2021-02-05 基于视频的交通量调查方法和装置 Pending CN112991769A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110146515 2021-02-03
CN2021101465152 2021-02-03

Publications (1)

Publication Number Publication Date
CN112991769A true CN112991769A (zh) 2021-06-18

Family

ID=76348056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110161276.8A Pending CN112991769A (zh) 2021-02-03 2021-02-05 基于视频的交通量调查方法和装置

Country Status (1)

Country Link
CN (1) CN112991769A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113556474A (zh) * 2021-09-23 2021-10-26 西南交通大学 刚性接触网悬挂装置的触发拍摄方法及装置
CN115150404A (zh) * 2022-06-09 2022-10-04 安徽天元通信发展有限公司 一种基于一体化结构的5g基站信息分析处理方法和系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60202328T2 (de) * 2001-07-10 2005-05-25 Donnini, Romolo, Figline System zur Überwachung und Steuerung der Durchschnittsgeschwindigkeit von sich bewegenden Fahrzeugen und zur Untersuchung des Verkehrs auf Strassen und Autobahnen
CN101916383A (zh) * 2010-08-25 2010-12-15 浙江师范大学 基于多摄像机的车辆检测跟踪识别系统
CN103969466A (zh) * 2014-05-09 2014-08-06 中国联合网络通信集团有限公司 一种实现车辆测速的方法及相应的终端
CN204087498U (zh) * 2014-09-15 2015-01-07 陈佳豪 一种三线圈车辆测速系统
CN104575003A (zh) * 2013-10-23 2015-04-29 北京交通大学 一种基于道路监控视频的车辆速度检测方法
CN106355898A (zh) * 2016-11-04 2017-01-25 南京理工大学 基于地磁传感的测速方法及装置
CN106355884A (zh) * 2016-11-18 2017-01-25 成都通甲优博科技有限责任公司 一种基于车型分类的高速公路车辆引导系统及方法
CN207409137U (zh) * 2018-02-12 2018-05-25 武汉蓓宇环保科技有限公司 机动车测速装置
CN109766867A (zh) * 2019-01-22 2019-05-17 长沙智能驾驶研究院有限公司 车辆运行状态确定方法、装置、计算机设备和存储介质
CN110298307A (zh) * 2019-06-27 2019-10-01 浙江工业大学 一种基于深度学习的异常停车实时检测方法
CN111932908A (zh) * 2020-08-05 2020-11-13 浙江工业大学 一种基于深度学习的转向比及车流量统计方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60202328T2 (de) * 2001-07-10 2005-05-25 Donnini, Romolo, Figline System zur Überwachung und Steuerung der Durchschnittsgeschwindigkeit von sich bewegenden Fahrzeugen und zur Untersuchung des Verkehrs auf Strassen und Autobahnen
CN101916383A (zh) * 2010-08-25 2010-12-15 浙江师范大学 基于多摄像机的车辆检测跟踪识别系统
CN104575003A (zh) * 2013-10-23 2015-04-29 北京交通大学 一种基于道路监控视频的车辆速度检测方法
CN103969466A (zh) * 2014-05-09 2014-08-06 中国联合网络通信集团有限公司 一种实现车辆测速的方法及相应的终端
CN204087498U (zh) * 2014-09-15 2015-01-07 陈佳豪 一种三线圈车辆测速系统
CN106355898A (zh) * 2016-11-04 2017-01-25 南京理工大学 基于地磁传感的测速方法及装置
CN106355884A (zh) * 2016-11-18 2017-01-25 成都通甲优博科技有限责任公司 一种基于车型分类的高速公路车辆引导系统及方法
CN207409137U (zh) * 2018-02-12 2018-05-25 武汉蓓宇环保科技有限公司 机动车测速装置
CN109766867A (zh) * 2019-01-22 2019-05-17 长沙智能驾驶研究院有限公司 车辆运行状态确定方法、装置、计算机设备和存储介质
CN110298307A (zh) * 2019-06-27 2019-10-01 浙江工业大学 一种基于深度学习的异常停车实时检测方法
CN111932908A (zh) * 2020-08-05 2020-11-13 浙江工业大学 一种基于深度学习的转向比及车流量统计方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113556474A (zh) * 2021-09-23 2021-10-26 西南交通大学 刚性接触网悬挂装置的触发拍摄方法及装置
CN115150404A (zh) * 2022-06-09 2022-10-04 安徽天元通信发展有限公司 一种基于一体化结构的5g基站信息分析处理方法和系统

Similar Documents

Publication Publication Date Title
CN109784162B (zh) 一种行人行为识别及轨迹跟踪方法
CN109887281B (zh) 一种监控交通事件的方法及系统
CN106652445B (zh) 一种公路交通事故判别方法及装置
KR101589711B1 (ko) 비디오 데이터의 처리 방법 및 시스템
EP3687863A1 (en) Multiple exposure event determination
CN103226891B (zh) 一种基于视频的车辆碰撞事故检测方法及系统
KR102453627B1 (ko) 딥러닝 기반 교통 흐름 분석 방법 및 시스템
CN112242058B (zh) 基于交通监控视频的目标异常检测方法、装置及存储介质
CN112991769A (zh) 基于视频的交通量调查方法和装置
CN114170580A (zh) 一种面向高速公路的异常事件检测方法
Chandrika et al. Vehicle detection and classification using image processing
CN109684986A (zh) 一种基于车辆检测跟踪的车辆分析方法及系统
CN113139410B (zh) 路面检测方法、装置、设备及存储介质
US20220237919A1 (en) Method, Apparatus, and Computing Device for Lane Recognition
CN109887303B (zh) 随意变更车道行为预警系统及方法
CN103473925B (zh) 一种道路车辆检测系统的验证方法
CN112447060A (zh) 识别车道的方法、装置及计算设备
CN111967451B (zh) 一种道路拥堵检测方法及装置
CN110889347B (zh) 基于时空计数特征的密度交通流计数方法及系统
Kanhere et al. Traffic monitoring of motorcycles during special events using video detection
CN111627224A (zh) 车辆速度异常检测方法、装置、设备及存储介质
CN112990117B (zh) 基于智能驾驶系统的安装数据处理方法及装置
Al-Kadi et al. Road scene analysis for determination of road traffic density
CN105205500A (zh) 基于多目标跟踪与级联分类器融合的车辆检测
TWI828368B (zh) 用於偵測航空器於停機坪的行為的方法與其系統

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