CN113033443B - 一种基于无人机的行人过街设施全路网自动化排查方法 - Google Patents
一种基于无人机的行人过街设施全路网自动化排查方法 Download PDFInfo
- Publication number
- CN113033443B CN113033443B CN202110352052.5A CN202110352052A CN113033443B CN 113033443 B CN113033443 B CN 113033443B CN 202110352052 A CN202110352052 A CN 202110352052A CN 113033443 B CN113033443 B CN 113033443B
- Authority
- CN
- China
- Prior art keywords
- track
- pedestrian
- crossing
- street
- facility
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
-
- 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
-
- 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
- G06V20/40—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
-
- 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无人机的行人过街设施全路网自动化排查方法,涉及计算机视觉技术领域,本发明可以充分利用无人机自动垂直悬停拍摄的优势,避免了道路环境的遮挡,从而获得全面、清晰的视野,并且在对视频数据进行处理时,无需进行视角转换及坐标转换,解决了现有交通摄像头视角低、成本高、数据可获得性差等问题;以行人个体过街轨迹为单位,利用轨迹聚类算法实现行人过街模式无监督识别,最终以识别出的过街模式为基础,充分考虑不同的行人过街类型,从限制或规范危险度较高的轨迹模式为出发点,改善路网中的过街设施规划设计、提出相应的行人过街安全管控措施,从而提升行人过街安全水平。
Description
技术领域
本发明涉及计算机视觉技术领域,特别涉及一种基于无人机的行人过街设施全路网自动化排查方法。
背景技术
智能化的交通运营管理手段是当前城市交通大数据智能应用的重点。目前行人过街设施使用情况调查方法以人工现场巡查为主,费时费力,且受观察员主观影响较大,如何高效率地排查路网中的行人过街设施点位,实现行人过街情况自动化调查,找出现有过街设施存在问题,并就设计、施工、管理等方面提出分析意见,从而使这些设施在技术、经济、社会效益等方面发挥得更加合理,成为亟需解决的问题。
一方面,目前国内外广泛使用的行人数据提取方法为基于交通摄像头的识别提取法。虽然交通摄像头已经被广泛安装,但它涉及到隐私问题,因此影响了摄像头作为行人数据收集工具的使用;并且行人轨迹在不同设备之间是不连续的,多个摄像头之间的同步非常复杂,导致额外的大量工作。
近几年来,随着经济社会快速发展,无人机开始在民用领域广泛普及。与传统的固定交通摄像机相比,无人机具有较强的机动性和灵活性,受交通状况的影响较小。其人工垂直悬停拍摄特点可以避免道路环境的遮挡;此外,还可以自由切换采集图像或视频的角度和距离,为航拍摄影提供了方便操作。且无人机航拍影像具有高分辨率、大比例尺、小面积、高现实性的优点,有助于获得更全面、更清晰的视野,在对视频数据进行处理时,也无需进行视角转换及坐标转换。作为一种有效的空中交通信息采集平台,无人机多用于交通监测、道路建设检查、道路测量等方面,但在行人过街设施调查方面却没有涉猎。另一方面,无人机场景中的目标检测与跟踪技术具有重要的研究价值和意义。随着机器学习的兴起,基于计算机视觉的图像处理技术得到了很大的发展。
针对现有技术存在的问题,本申请提供了一种基于无人机的行人过街设施全路网自动化排查方法,结合高精度、鲁棒性强的目标检测算法及目标跟踪算法获得高精度、可靠和稳定的轨迹数据,基于无人机数据采集功能实现行人过街轨迹自动化提取及过街模式无监督识别功能。
发明内容
本发明的目的在于提供一种基于无人机的行人过街设施全路网自动化排查方法,结合高精度、鲁棒性强的目标检测算法及目标跟踪算法获得高精度、可靠和稳定的轨迹数据,基于无人机数据采集功能实现行人过街轨迹自动化提取及过街模式无监督识别功能。
本发明提供了一种基于无人机的行人过街设施全路网自动化排查方法,包括以下步骤:
步骤S1:利用无人机拍摄获取路网中不同过街设施点位处的行人过街视频数据并存储;
步骤S2:利用目标检测算法与目标跟踪算法相结合的框架提取视频中的行人轨迹数据;
步骤S3:对由目标检测或目标跟踪失误造成的问题轨迹数据进行剔除或匹配拼接,形成行人过街的连续轨迹;
步骤S4:利用轨迹聚类算法对连续轨迹数据进行聚类,聚类形成多种过街模式,识别出不同设施点位处的行人过街模式;
步骤S5:构建行人过街设施信息库,将无人机预先巡视获取到的设施点位的过街信息存储在行人过街设施信息库中,设置设施打分体系,将行人过街模式与行人过街设施信息库内的信息进行轨迹模式分析评价,并依照分析评价结果提供过街安全改善措施,实现全路网过街设施点位排查。
更优地,所述步骤S2利用Yolov5算法与Deepsort算法相结合的框架进行过街行人的检测与跟踪,其具体步骤如下所示:
步骤S21:构造用于目标检测的图像数据集和用于目标跟踪的视频数据集,其中,图像数据集使用Labelimg进行标注,对标注的图像数据集进行预处理后按照VOC数据集的形式进行存放;
步骤S22:将图像数据集和视频图像数据集分别划分为训练集和测试集,基于Yolov5算法构建目标检测模型;
步骤S23:采用目标检测模型代替Deepsort算法中的检测部分,形成Yolov5检测器,以Yolov5检测器的检测结果作为输入,构建目标跟踪模型;
步骤S24:利用图像数据集和视频数据集的测试集分别进行目标检测模型和目标跟踪模型的性能评估,并实时对模型参数进行优化;
步骤S25:基于目标跟踪模型得到的目标信息编写简单脚本提取轨迹数据。
更优地,所述行人轨迹数据包括:行人ID、时间、行人在自定义坐标系中的径向坐标、行人在自定义坐标系中的切向坐标;其中,自定义坐标系由图像坐标系转化,采用真实世界比例,在算法框架的追踪模块中人为标定。
更优地,所述步骤S3剔除或匹配拼接的具体方法为:
对目标检测错误分类的轨迹数据进行判断,计算某段距离内的轨迹平均速度,若该速度大于行人正常步行或奔跑速度,或近乎于静止,则判断为错误分类的轨迹数据,错误分类的轨迹做剔除处理;
对目标追踪失败的轨迹数据进行判断,若轨迹出现前/后半部分未被追踪且轨迹过短,则判断为失效轨迹,做剔除处理;若轨迹出现中间部分段未被追踪,则对属于同一条轨迹的前后两条轨迹段进行匹配拼接处理。
更优地,所述步骤S4对处理后的连续轨迹进行聚类的步骤具体为:
步骤S41:将一条行人轨迹视为一个整体,设A={A1,...,Am},B={B1,...,Bn}分别是轨迹1和轨迹2上的点,其中Ai=(xAi,yAi)、Bj=(xBi,yBi),计算Ai到B集合的欧式距离,找到每个点到另一条轨迹上所有点的最短距离minlAiBj,将最短距离的均值作为轨迹1到轨迹2的距离度量,以此类推得到每一条轨迹到其他轨迹的全部距离,构建出距离矩阵;
步骤S42:基于距离矩阵使用DBSCAN算法聚类,设置两个用于描述邻域的样本分布紧密程度的全局参数:某一样本的邻域距离阈值Eps和Eps的邻域中样本个数的阈值MinPts;
步骤S43:结合K距离曲线图及K距离差曲线图选取最优参数组合,将距离矩阵中的每一行按升序排序得到新的距离矩阵,依据新的距离矩阵绘制各列升序排序后的K距离曲线,计算K列相邻距离之间的距离差,并按升序排序绘制得到K距离差曲线,K距离差曲线判断最优K值即为MinPts,K距离曲线图中曲线K拐点处对应的y坐标为最优Eps;
步骤S44:以距离矩阵及最优参数组合为输入,对处理后的连续轨迹进行聚类,识别不同设施点位下的行人过街模式。
更优地,所述无人机预先巡视获取到的设施点位的过街信息包括记录拍摄时间、设施点位信息及后续轨迹模式分析结果,将该信息录入行人过街设施信息库,并按所在道路等级分类存放。
更优地,所述设施打分体系的评价指标包括行人空间违章率、人行横道中心偏离度、行人过街速度异常度和轨迹模式异常度,并采用专家打分法,筛选出信息库中综合得分较低的过街设施。
与现有技术相比,本发明具有如下显著优点:
本发明提出的一种基于无人机的行人过街设施全路网自动化排查方法,利用无人机拍摄灵活性、机动性强,成本低,数据可获得性好等优势,获取路网中不同过街设施点位的行人过街视频数据;基于Yolov5-Deepsort目标检测与跟踪算法框架自动提取视频中的行人轨迹,获取行人ID、时间、行人在自定义坐标系中的径向坐标及切向坐标等数据,并将其处理为连续轨迹;利用改进的DBSCAN聚类算法对连续的行人轨迹进行分组,识别不同设施点位下的行人过街模式;构建城市路网现状行人过街设施信息库,引入设施打分体系,针对综合得分较低的过街设施,基于过街轨迹模式分析路网中现有行人过街设施存在的问题,提出相应的行人过街安全管控措施,改善路网中的过街设施规划设计等,从而提升行人过街安全水平。本发明能够实现全路网过街设施点位自动化排查,解决了以往人工现场巡视效率低下、受观察员主观影响大的问题。
附图说明
图1为本发明实施例提供的基于无人机数据采集的行人过街轨迹自动化提取及过街模式无监督识别方法的流程示意图;
图2为本发明实施例提供的距离函数计算示意图;
图3为本发明实施例提供的改进的轨迹聚类算法流程示意图;
图4为本发明实施例提供的无人机巡视全路网过街设施示意图。
具体实施方式
下面结合本发明中的附图,对本发明实施例的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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获得的所有其他实施例,都应属于本发明保护的范围。
参照图1-4,本发明提供了一种基于无人机的行人过街设施全路网自动化排查方法,包括以下步骤:
步骤S1:利用无人机拍摄获取路网中不同过街设施点位处的行人过街视频数据并存储,行人过街视频数据为行人在街道上各种行进方式,由无人机采集拍摄路网中人行横道处无遮挡、高质量的行人过街视频数据,并考虑到后期图像处理效率,对无人机视频进行裁剪,用以提取视频中有用的部分,剔除无效部分。通过剔除视频中对行人过街分析无用处的部分来完成剔除工作,例如无人机起飞和降落部分以及没有行人存在部分视频,属于无效部分,剔除工作用于优化后期计算能力和缩短处理时间;
步骤S2:利用基于深度学习的目标检测算法与目标跟踪算法相结合的框架提取视频中的行人轨迹数据;
步骤S3:对由目标检测或目标跟踪失误造成的问题轨迹数据进行剔除或匹配拼接,形成行人过街的连续轨迹;
步骤S4:利用轨迹聚类算法对连续轨迹数据进行聚类,聚类形成多种过街模式,识别出不同设施点位处的行人过街模式;
步骤S5:构建城市路网现状行人过街设施信息库,将无人机预先巡视获取到的设施点位的过街信息存储在行人过街设施信息库中,设置设施打分体系,将行人过街模式与行人过街设施信息库内的信息进行轨迹模式分析评价,并依照分析评价结果提供过街安全改善措施,实现全路网过街设施点位排查。
实施例1
由于Yolov5的目标检测结果以及Deepsort的目标追踪结果准确率不能达到100%,造成部分获取的轨迹数据分类失误或无法形成完整轨迹,因此需要制定一定规则对散乱的轨迹片段进行拼接、剔除、筛选。
基于无人机采集到的清晰、全面的航拍视频,减少遮挡问题,所述步骤S2利用Yolov5算法与Deepsort算法相结合的框架进行过街行人的检测与跟踪,其具体步骤如下所示:
步骤S21:构造用于目标检测的图像数据集和用于目标跟踪的视频数据集,其中,图像数据集使用Labelimg进行标注,对标注的图像数据集进行预处理后按照VOC数据集的形式进行存放;
步骤S22:将图像数据集和视频图像数据集分别划分为训练集和测试集,基于Yolov5算法构建目标检测模型;
步骤S23:采用目标检测模型代替Deepsort算法中的检测部分,形成Yolov5检测器,以Yolov5检测器的检测结果作为输入,构建目标跟踪模型;
步骤S24:利用图像数据集和视频数据集的测试集分别进行目标检测模型和目标跟踪模型的性能评估,并实时对模型参数进行优化;
步骤S25:基于目标跟踪模型得到的目标信息编写简单脚本提取轨迹数据。
实施例2
为了获取设施范围内的行人数据,同时减少其他无关运动物体的影响,算法框架提供自定义范围操作,以视频的第一帧作为参考,框选合适的工作范围。所述行人轨迹数据包括:行人ID、时间、行人在自定义坐标系中的径向坐标、行人在自定义坐标系中的切向坐标;其中,自定义坐标系由图像坐标系转化,为获得行人在过街设施中的真实位置,便于后续轨迹分析,采用真实世界比例,在算法框架的追踪模块中人为标定。
实施例3
所述步骤S3剔除或匹配拼接的具体方法为:
对目标检测错误分类的轨迹数据进行判断,计算某段距离内的轨迹平均速度,若该速度大于行人正常步行或奔跑速度,或近乎于静止,则判断为错误分类的轨迹数据,错误分类的轨迹做剔除处理;
对目标追踪失败的轨迹数据进行判断,若轨迹出现前/后半部分未被追踪且轨迹过短,则判断为失效轨迹,做剔除处理;若轨迹出现中间部分段未被追踪,则对属于同一条轨迹的前后两条轨迹段进行匹配拼接处理。
实施例4
对清洗后的轨迹数据利用改进的DBSCAN聚类算法进行轨迹聚类分析。轨迹聚类不同于传统的点聚类,因此测量点之间距离的方法不能简单地直接用于测量轨迹之间的距离。首先设计一个合理的距离函数以度量轨迹间的相似度,从而得到距离矩阵。所述步骤S4对处理后的连续轨迹进行聚类的步骤具体为:
步骤S41:将一条行人轨迹视为一个整体,利用改进的基于密度的带噪声应用空间聚类算法,对处理后的连续的行人轨迹进行聚类,设A={A1,...,Am},B={B1,...,Bn}分别是轨迹1和轨迹2上的点,其中Ai=(xAi,yAi)、Bj=(xBi,yBi),计算Ai到B集合的欧式距离,找到每个点到另一条轨迹上所有点的最短距离minlAiBj,将最短距离的均值作为轨迹1到轨迹2的距离度量,以此类推得到每一条轨迹到其他轨迹的全部距离,构建出距离矩阵;
步骤S42:基于距离矩阵使用DBSCAN算法聚类,作为轨迹间的相似度度量,设置两个用于描述邻域的样本分布紧密程度的全局参数:某一样本的邻域距离阈值Eps和Eps的邻域中样本个数的阈值MinPts;
步骤S43:结合K距离曲线图及K距离差曲线图选取最优参数组合,将距离矩阵中的每一行按升序排序得到新的距离矩阵,依据新的距离矩阵绘制各列升序排序后的K距离曲线,对距离曲线求一阶导数,即计算K列相邻距离之间的距离差,并按升序排序绘制得到K距离差曲线,K距离差曲线判断最优K值即为MinPts,K距离曲线图中曲线K拐点处对应的y坐标为最优Eps;
步骤S44:以距离矩阵及最优参数组合为输入,对处理后的连续轨迹进行聚类,识别不同设施点位下的行人过街模式。
实施例5
所述城市路网现状行人过街设施信息库的构建,具体为每巡视一处设施点位即创建一条新的记录,所述无人机预先巡视获取到的设施点位的过街信息包括记录拍摄时间、设施点位信息及后续轨迹模式分析结果,将该信息录入行人过街设施信息库,并按所在道路等级分类存放。数据信息一旦发生变动需及时更新。
实施例6
所述设施打分体系的评价指标包括行人空间违章率、人行横道中心偏离度、行人过街速度异常度和轨迹模式异常度,并采用专家打分法,筛选出信息库中综合得分较低的过街设施。基于聚类得到的行人过街模式,分析路网中现有行人过街设施存在的问题,提出有针对性的行人过街安全管控措施及过街设施改善措施。如基于人行横道对行人过街轨迹的包络情况调整人行横道的宽度、基于行人溢出轨迹与远端人行横道边界的最大值设置最佳长度的护栏等。至此实现对全路网过街设施点位的排查。
以上公开的仅为本发明的几个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (6)
1.一种基于无人机的行人过街设施全路网自动化排查方法,其特征在于,包括以下步骤:
步骤S1:利用无人机拍摄获取路网中不同过街设施点位处的行人过街视频数据并存储;
步骤S2:利用目标检测算法与目标跟踪算法相结合的框架提取视频中的行人轨迹数据;
步骤S3:对由目标检测或目标跟踪失误造成的问题轨迹数据进行剔除或匹配拼接,形成行人过街的连续轨迹;
所述步骤S3剔除或匹配拼接的具体方法为:
对目标检测错误分类的轨迹数据进行判断,计算某段距离内的轨迹平均速度,若该速度大于行人正常步行或奔跑速度,或近乎于静止,则判断为错误分类的轨迹数据,错误分类的轨迹做剔除处理;
对目标追踪失败的轨迹数据进行判断,若轨迹出现前/后半部分未被追踪且轨迹过短,则判断为失效轨迹,做剔除处理;若轨迹出现中间部分段未被追踪,则对属于同一条轨迹的前后两条轨迹段进行匹配拼接处理;
步骤S4:利用轨迹聚类算法对连续轨迹数据进行聚类,聚类形成多种过街模式,识别出不同设施点位处的行人过街模式;
步骤S5:构建行人过街设施信息库,将无人机预先巡视获取到的设施点位的过街信息存储在行人过街设施信息库中,设置设施打分体系,将行人过街模式与行人过街设施信息库内的信息进行轨迹模式分析评价,并依照分析评价结果提供过街安全改善措施,实现全路网过街设施点位排查。
2.如权利要求1所述的一种基于无人机的行人过街设施全路网自动化排查方法,其特征在于,所述步骤S2利用Yolov5算法与Deepsort算法相结合的框架进行过街行人的检测与跟踪,其具体步骤如下所示:
步骤S21:构造用于目标检测的图像数据集和用于目标跟踪的视频数据集,其中,图像数据集使用Labelimg进行标注,对标注的图像数据集进行预处理后按照VOC数据集的形式进行存放;
步骤S22:将图像数据集和视频图像数据集分别划分为训练集和测试集,基于Yolov5算法构建目标检测模型;
步骤S23:采用目标检测模型代替Deepsort算法中的检测部分,形成Yolov5检测器,以Yolov5检测器的检测结果作为输入,构建目标跟踪模型;
步骤S24:利用图像数据集和视频数据集的测试集分别进行目标检测模型和目标跟踪模型的性能评估,并实时对模型参数进行优化;
步骤S25:基于目标跟踪模型得到的目标信息编写简单脚本提取轨迹数据。
3.如权利要求1或2所述的一种基于无人机的行人过街设施全路网自动化排查方法,其特征在于,所述行人轨迹数据包括:行人ID、时间、行人在自定义坐标系中的径向坐标、行人在自定义坐标系中的切向坐标;其中,自定义坐标系由图像坐标系转化,采用真实世界比例,在算法框架的追踪模块中人为标定。
4.如权利要求1所述的一种基于无人机的行人过街设施全路网自动化排查方法,其特征在于,所述步骤S4对处理后的连续轨迹进行聚类的步骤具体为:
步骤S41:将一条行人轨迹视为一个整体,设A={A1,…,Am},B={B1,…,Bn}分别是轨迹1和轨迹2上的点,其中Ai=(xAi,yAi)、Bj=(xBi,yBi),计算Ai到B集合的欧式距离,找到每个点到另一条轨迹上所有点的最短距离minlAiBj,将最短距离的均值作为轨迹1到轨迹2的距离度量,以此类推得到每一条轨迹到其他轨迹的全部距离,构建出距离矩阵;
步骤S42:基于距离矩阵使用DBSCAN算法聚类,设置两个用于描述邻域的样本分布紧密程度的全局参数:某一样本的邻域距离阈值Eps和Eps的邻域中样本个数的阈值MinPts;
步骤S43:结合K距离曲线图及K距离差曲线图选取最优参数组合,将距离矩阵中的每一行按升序排序得到新的距离矩阵,依据新的距离矩阵绘制各列升序排序后的K距离曲线,计算K列相邻距离之间的距离差并按升序排序绘制得到K距离差曲线,K距离差曲线判断最优K值即为MinPts,K距离曲线图中曲线K拐点处对应的y坐标为最优Eps;
步骤S44:以距离矩阵及最优参数组合为输入,对处理后的连续轨迹进行聚类,识别不同设施点位下的行人过街模式。
5.如权利要求1所述的一种基于无人机的行人过街设施全路网自动化排查方法,其特征在于,所述无人机预先巡视获取到的设施点位的过街信息包括记录拍摄时间、设施点位信息及后续轨迹模式分析结果,将该信息录入行人过街设施信息库,并按所在道路等级分类存放。
6.如权利要求1所述的一种基于无人机的行人过街设施全路网自动化排查方法,其特征在于,所述设施打分体系的评价指标包括行人空间违章率、人行横道中心偏离度、行人过街速度异常度和轨迹模式异常度,并采用专家打分法,筛选出信息库中综合得分较低的过街设施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110352052.5A CN113033443B (zh) | 2021-03-31 | 2021-03-31 | 一种基于无人机的行人过街设施全路网自动化排查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110352052.5A CN113033443B (zh) | 2021-03-31 | 2021-03-31 | 一种基于无人机的行人过街设施全路网自动化排查方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033443A CN113033443A (zh) | 2021-06-25 |
CN113033443B true CN113033443B (zh) | 2022-10-14 |
Family
ID=76453243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110352052.5A Active CN113033443B (zh) | 2021-03-31 | 2021-03-31 | 一种基于无人机的行人过街设施全路网自动化排查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033443B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627659B (zh) * | 2022-05-13 | 2023-06-16 | 青岛图灵科技有限公司 | 基于行人视频分析的安全过街智能控制系统的控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2432276C1 (ru) * | 2010-07-07 | 2011-10-27 | Осман Мирзаевич Мирза | Способ наблюдения за дорожной ситуацией с движущегося транспортного средства (варианты) |
CN106156745A (zh) * | 2016-07-06 | 2016-11-23 | 宁波大学 | 基于时空轨迹的行人过街交通特性提取方法及装置 |
CN107358816A (zh) * | 2016-05-10 | 2017-11-17 | 福特全球技术公司 | 用于车辆的超视距威胁指示的方法和系统 |
CN110969875A (zh) * | 2019-12-19 | 2020-04-07 | 深圳市哈工大交通电子技术有限公司 | 一种用于道路交叉口交通管理的方法及系统 |
CN111462488A (zh) * | 2020-04-01 | 2020-07-28 | 北京工业大学 | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 |
CN111694913A (zh) * | 2020-06-05 | 2020-09-22 | 海南大学 | 一种基于卷积自编码器的船舶ais轨迹聚类方法和装置 |
CN111915885A (zh) * | 2020-06-24 | 2020-11-10 | 广州运星科技有限公司 | 一种城市道路交通仿真实验方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615357A (zh) * | 2018-05-02 | 2018-10-02 | 东南大学 | 一种行人过街服务水平区间等级确定方法及系统 |
CN110472000B (zh) * | 2019-08-12 | 2022-11-29 | 北京三快在线科技有限公司 | 路网线路确定方法、装置、电子设备及存储介质 |
CN111814547A (zh) * | 2020-06-03 | 2020-10-23 | 国网浙江嘉善县供电有限公司 | 一种基于视觉识别的架空高压导线追踪检测系统及方法 |
CN112347993B (zh) * | 2020-11-30 | 2023-03-17 | 吉林大学 | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 |
-
2021
- 2021-03-31 CN CN202110352052.5A patent/CN113033443B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2432276C1 (ru) * | 2010-07-07 | 2011-10-27 | Осман Мирзаевич Мирза | Способ наблюдения за дорожной ситуацией с движущегося транспортного средства (варианты) |
CN107358816A (zh) * | 2016-05-10 | 2017-11-17 | 福特全球技术公司 | 用于车辆的超视距威胁指示的方法和系统 |
CN106156745A (zh) * | 2016-07-06 | 2016-11-23 | 宁波大学 | 基于时空轨迹的行人过街交通特性提取方法及装置 |
CN110969875A (zh) * | 2019-12-19 | 2020-04-07 | 深圳市哈工大交通电子技术有限公司 | 一种用于道路交叉口交通管理的方法及系统 |
CN111462488A (zh) * | 2020-04-01 | 2020-07-28 | 北京工业大学 | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 |
CN111694913A (zh) * | 2020-06-05 | 2020-09-22 | 海南大学 | 一种基于卷积自编码器的船舶ais轨迹聚类方法和装置 |
CN111915885A (zh) * | 2020-06-24 | 2020-11-10 | 广州运星科技有限公司 | 一种城市道路交通仿真实验方法及系统 |
Non-Patent Citations (2)
Title |
---|
"Pedestrian Motion Model Using Non-Parametric Trajectory Clustering and Discrete Transition Points";Yutao Han等;《IEEE Robotics and Automation Letters》;20190731;2614-2621页 * |
"无人机辅助城市路口行人过街交通特性调查与分析";向怀坤等;《深圳职业技术学院学报》;20210120;23-28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113033443A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aboah | A vision-based system for traffic anomaly detection using deep learning and decision trees | |
CN111429484B (zh) | 一种基于交通监控视频的多目标车辆轨迹实时构建方法 | |
CN105574543B (zh) | 一种基于深度学习的车辆品牌型号识别方法和系统 | |
US8855361B2 (en) | Scene activity analysis using statistical and semantic features learnt from object trajectory data | |
CN110189317A (zh) | 一种基于深度学习的道路影像智能采集和识别方法 | |
US10163038B2 (en) | Error detection in recognition data | |
CN108364466A (zh) | 一种基于无人机交通视频的车流量统计方法 | |
CN109615862A (zh) | 道路车辆交通运动状态参数动态获取方法及装置 | |
KR101977052B1 (ko) | 무인비행체를 이용한 도로상태 조사시스템 및 이를 이용한 조사방법 | |
CN101848377A (zh) | 一种基于云计算及海量视频检索的多视频录入装置智能联动的装置和方法 | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
CN112836683A (zh) | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 | |
CN110163109A (zh) | 一种车道线标注方法及装置 | |
Hascoet et al. | Fasterrcnn monitoring of road damages: Competition and deployment | |
CN111524350B (zh) | 车路协同异常行驶状况检测方法、系统、终端设备及介质 | |
CN112633722A (zh) | 车载道路安全风险评估系统及方法 | |
CN113033443B (zh) | 一种基于无人机的行人过街设施全路网自动化排查方法 | |
CN114494845A (zh) | 一种用于施工项目现场人工智能隐患排查系统及其排查方法 | |
CN108154089B (zh) | 一种基于尺度自适应的头部检测和密度图的人群计数方法 | |
CN109720353A (zh) | 一种基于智能手机的驾驶行为检测方法 | |
CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN111627224A (zh) | 车辆速度异常检测方法、装置、设备及存储介质 | |
CN112906511B (zh) | 一种联合个体图像和足迹图像的野生动物智能监测方法 | |
KR20230102871A (ko) | 다중객체추적 알고리즘을 활용한 드론 항공영상 기반 미시적 교통데이터 추출을 위한 장치 및 방법 | |
Kembhavi et al. | Low-cost image processing system for evaluating pavement surface distress |
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 |