CN113139459A - 一种基于视频分析的道路出口道车流溢出实时检测方法 - Google Patents

一种基于视频分析的道路出口道车流溢出实时检测方法 Download PDF

Info

Publication number
CN113139459A
CN113139459A CN202110436703.9A CN202110436703A CN113139459A CN 113139459 A CN113139459 A CN 113139459A CN 202110436703 A CN202110436703 A CN 202110436703A CN 113139459 A CN113139459 A CN 113139459A
Authority
CN
China
Prior art keywords
overflow
road
calculating
detection
exit
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
CN202110436703.9A
Other languages
English (en)
Other versions
CN113139459B (zh
Inventor
王光超
范超
赵永胜
刘浩
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.)
Qingdao Turing Technology Co ltd
Original Assignee
Qingdao Turing 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 Qingdao Turing Technology Co ltd filed Critical Qingdao Turing Technology Co ltd
Priority to CN202110436703.9A priority Critical patent/CN113139459B/zh
Publication of CN113139459A publication Critical patent/CN113139459A/zh
Application granted granted Critical
Publication of CN113139459B publication Critical patent/CN113139459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于计算机视觉领域，特别涉及一种基于视频分析的道路出口道车流溢出实时检测方法。包括电警或监控设备配置与检测区域配置、计算up和down子区段、开启视频通道、图像预处理、车辆检测、车辆跟踪、计算车流方向，重置up和down子区段坐标、计算出口道溢出检测依赖参数、出口道溢出检测参数归一化、计算出口道溢出指数。本方案解决城市道路路口极易发生的车流溢出问题，通过现有的大量的道路路口电警、监控设备，利用机器学习技术和计算机图形图像技术，实现对出口道溢出的实时识别，用以辅助交管部门及时发现警情，为制定合理的放行策略提供基础，保障城市道路的安全有序的运行，提高整个城市生产效率。

Description

一种基于视频分析的道路出口道车流溢出实时检测方法
技术领域
本发明属于计算机视觉领域，特别涉及一种基于视频分析的道路出口道车流溢出实时检测方法。
背景技术
当前，随着我国车辆的保有量的不断上升，城镇化不断推进，城市道路越发拥堵。尤其是先前的城市道路的设计不完善，导致出现较多的短距离路口，而路口又是极易产生拥堵与事故的位置点。如何及时地发现路口产生的拥堵与事故，是交通管理者面临的难点。出口道溢出事件能够反映当前路口的状态。如果一个路口发生了出口道溢出，则表明下游出现了拥堵或事故，如果能够将发生的出口道溢出事件及时上报，交管部门将会及时获取警情通知，快速处置，保证道路的安全畅通。另外，如果某个路口频繁发生出口道溢出，这说明此路口的信号灯的放行策略不佳，交管部门就可据此优化放行策略，避免产生拥堵，提高社会生产力。所以实时发现并上报出口道溢出事件对于城市道路交通的安全畅通、合理设置信号灯的放行策略具有重要的意义。
发明内容
为解决背景技术中提到的如何发现出口道溢出事件，本发明展示了一种基于视频分析的道路出口道车流溢出实时检测方法。
为实现上述目的，现提供技术方案如下：
一种基于视频分析的道路出口道车流溢出实时检测方法，包括S101:电警或监控设备配置与检测区域配置；
配置路口电警设备或监控设备，并且标定此路设备中将要识别出口道溢出事件的检测区域。对于出口道溢出，其标注区域为一个多边形区域加中间一条标注线，标注线的作用是将检测区域一分为二，并分为上(up)下(down)两部分；其中up定义为车辆将进入检测区域的部分，down定义为车辆将离开检测区域的部分；对于道路两侧的up和down在视野中是相反的，至于哪部分是up，哪部分是down，无需用户指定，由系统自行根据车流方向判定up和down部分。
S102:计算up和down子区段
up和down子检测区段的计算需要根据标注的检测区域与标注线进行计算；
1.记area的坐标为[c,d,f,e],且c和d在视野中位于e和f的上部；
2.计算标注线line与标注区域area之间的交点a和b；
3.计算获取两个子区域[a,c,d,b]和[a,b,f,e]的顶点坐标,每个区域的顶点之间必须是顺时针或逆时针排序；
暂令up子区段的坐标为[a,c,d,b]，则down子区段的坐标为[a,b,f,e]，后续根据车流方向进行调整。
S103:开启视频通道
从电警或监控接入实时视频流，并应用ffmpeg解码成一帧一帧的原始图像(Wsrc,Hsrc)；
S104:图像预处理
因从电警接入的视频为高清视频，如果直接使用原始图像数据，将会占用大量的内存，所以需要对图像进行预处理，将其缩小至宽度为1600，而高度基于原始比例同步缩放，缩放后的图像大小为(Wdst,Hdst),则Wdst＝1600,
Figure BDA0003033357030000021
Figure BDA0003033357030000022
S105:车辆检测
将缩放后的图像数据传入基于机器学习技术的检测模块，则检测模块将会输出车辆的位置信息；
S106:车辆跟踪
将检测模块检测出的所有的车辆位置信息送入车辆跟踪模块，输出每个车以像素为单位的实时速度与车辆位移。
S107:计算车流方向，重置up和down子区段坐标
针对当前检测区域，计算此道路此侧的车流方向，方法是取25辆车的平均位移进行判断。默认的车流方式为视野中向上的方向，即
Figure BDA0003033357030000031
平均位移：
Figure BDA0003033357030000032
如果
Figure BDA0003033357030000033
大于等于0，则车流方向在视野中的方向向上，那么up和down子区段的坐标不变；否则，则向下，需要将之前计算的up和down子区段的坐标进行调换。
S108:计算出口道溢出检测依赖参数
1.计算区域平均速度
区域平均速度指的是整个检测区域的area的区域平均速度，使用分段多尺度方法用于计算区域平均速度
Figure BDA0003033357030000034
2.分别计算up和down子区域平均排队长度
基于投影映射表征排队长度的方法分别计算up和down子区段的平均排队长度
Figure BDA0003033357030000035
和
Figure BDA0003033357030000036
3.计算区域车辆数
区域车辆数的计算是基于整个检测区域area计算得到的，通过检测跟踪算法计算出识别区域内的所有车辆数，包括运动与静止车辆。
S109:出口道溢出检测参数归一化
在最终计算出口道溢出指数时，采用的加权方法计算，各参数应该归一化到同一范围，否则加权的结果将会产生较大误差，为此将依赖参数输出的结果均归一化到[0,1]区间，并且需要与出口道溢出事件保持正相关，即值越大车流溢出越严重；
经过归一化后，上述依赖参数分别为：JLup、JLdown、JV和JN。
S110:计算出口道溢出指数
提出了一种参数加权的方法计算车流溢出指数。将整个检测区域划分为两个两个子检测区段，并分别计算排队长度是因为，如果使用整个检测区域计算排队长度，则将会产生误差。如果一个车辆刚进入down子区段，则会产生很大的排队长度，那么就可能造成误检；如果分别分别计算up和down的排队长度，那么当每个子区段都具有很大的排队长度时，就增加了溢出的可能性，提高了准确性；
出口道溢出指数计算为：
Index＝JV*WV+JLup*JLdown*WL+JN*WN,
其中，WV、WL、WN分别为速度、排队长度、车辆数的加权值,这里两个排队长度使用的乘而非加，是因为他们之间两个必须都很大才可能表明出现出口道溢出，如果一个值很小，那么说明当前可能并非出现了溢出现象，而是比如突然绿灯，所有车辆开始放行；
当出口道溢出指数满足某个阈值thresh时，则表明此路口出现了车流溢出现象，需要及时上报。
本发明的有益效果：
随着机器学习技术、计算机图形图像技术的发展，以及硬件性能的提高，尤其的GPU等计算硬件性能的提升，应用视频分析检测技术解决交通问题也被越来越广泛的关注。基于视频的出口道溢出实时检测技术能在无人工干预的情况下自动实现警情发现并上报给交通主管部门，同时能够为道路管理者制定科学完善的信号灯放行策略提供数据基础。
解决城市道路路口极易发生的车流溢出问题，通过现有的大量的道路路口电警、监控设备，利用机器学习技术和计算机图形图像技术，实现对出口道溢出的实时识别，用以辅助交管部门及时发现警情，为制定合理的放行策略提供基础，保障城市道路的安全有序的运行，提高整个城市生产效率。
附图说明
图1实时出口道溢出检测的流程示意图；
图2出口道溢出检测区域划分示意图，其中虚线矩形代表车辆，箭头为车辆的行驶方向；
图3子区段up和down计算示意图。
具体实施方式
为使本领域技术人员更加清楚和明确本发明技术方案，下面结合附图对本发明技术方案进行详细描述，但本发明的实施方式不限于此。
一种基于视频分析的道路出口道车流溢出实时检测方法，包括S101:电警或监控设备配置与检测区域配置；
配置路口电警设备或监控设备，并且标定此路设备中将要识别出口道溢出事件的检测区域。对于出口道溢出，其标注区域为一个多边形区域加中间一条标注线，如图2所示。标注线的作用是将检测区域一分为二，并分为上(up)下(down)两部分；其中up定义为车辆将进入检测区域的部分，down定义为车辆将离开检测区域的部分；所以对于道路两侧的up和down在视野中是相反的。至于哪部分是up，哪部分是down，无需用户指定，由系统自行根据车流方向判定up和down部分。
S102:计算up和down子区段
up和down子检测区段的计算需要根据标注的检测区域与标注线进行计算，方法如图3所示。
1.记area的坐标为[c,d,f,e],且c和d在视野中位于e和f的上部；
2.计算标注线line与标注区域area之间的交点a和b；
3.计算获取两个子区域[a,c,d,b]和[a,b,f,e]的顶点坐标,每个区域的顶点之间必须是顺时针或逆时针排序；
暂令up子区段的坐标为[a,c,d,b]，则down子区段的坐标为[a,b,f,e]，后续根据车流方向进行调整。
S103:开启视频通道
从电警或监控接入实时视频流，并应用ffmpeg解码成一帧一帧的原始图像(Wsrc,Hsrc)。
S104:图像预处理
因从电警接入的视频为高清视频，如果直接使用原始图像数据，将会占用大量的内存，所以需要对图像进行预处理，将其缩小至宽度为1600，而高度基于原始比例同步缩放，缩放后的图像大小为(Wdst,Hdst),则Wdst＝1600,
Figure BDA0003033357030000061
Figure BDA0003033357030000062
S105:车辆检测
将缩放后的图像数据传入基于机器学习技术的检测模块，则检测模块将会输出车辆的位置信息；
S106:车辆跟踪
将检测模块检测出的所有的车辆位置信息送入车辆跟踪模块，输出每个车以像素为单位的实时速度与车辆位移。
S107:计算车流方向，重置up和down子区段坐标
针对当前检测区域，计算此道路此侧的车流方向，方法是取25辆车的平均位移进行判断。默认的车流方式为视野中向上的方向，即
Figure BDA0003033357030000063
平均位移：
Figure BDA0003033357030000064
如果
Figure BDA0003033357030000065
大于等于0，则车流方向在视野中的方向向上，那么up和down子区段的坐标不变；否则，则向下，需要将之前计算的up和down子区段的坐标进行调换。
S108:计算出口道溢出检测依赖参数
1.计算区域平均速度
区域平均速度指的是整个检测区域的area的区域平均速度，使用分段多尺度方法用于计算区域平均速度
Figure BDA0003033357030000066
参考专利：《一种基于视频分析的城市道路实时拥堵态势识别方法》；
2.分别计算up和down子区域平均排队长度
基于投影映射表征排队长度的方法分别计算up和down子区段的平均排队长度
Figure BDA0003033357030000071
和
Figure BDA0003033357030000072
排队长度的计算参考专利：《一种基于视频分析的城市道路实时拥堵态势识别方法》；
3.计算区域车辆数
区域车辆数的计算是基于整个检测区域area计算得到的。通过检测跟踪算法计算出识别区域内的所有车辆数，包括运动与静止车辆。
S109:出口道溢出检测参数归一化
在最终计算出口道溢出指数时，采用的加权方法计算，各参数应该归一化到同一范围，否则加权的结果将会产生较大误差，为此将依赖参数输出的结果均归一化到[0,1]区间，并且需要与出口道溢出事件保持正相关，即值越大车流溢出越严重；
经过归一化后，上述依赖参数分别为：JLup、JLdown、JV和JN。
S110:计算出口道溢出指数
提出了一种参数加权的方法计算车流溢出指数。将整个检测区域划分为两个两个子检测区段，并分别计算排队长度是因为，如果使用整个检测区域计算排队长度，则将会产生误差。如果一个车辆刚进入down子区段，则会产生很大的排队长度，那么就可能造成误检。如果分别计算up和down的排队长度，那么当每个子区段都具有很大的排队长度时，就增加了溢出的可能性，提高了准确性。
出口道溢出指数计算为：
Index＝JV*WV+JLup*JLdown*WL+JN*WN,
其中，WV、WL、WN分别为速度、排队长度、车辆数的加权值,这里两个排队长度使用的乘而非加，是因为他们之间两个必须都很大才可能表明出现出口道溢出，如果一个值很小，那么说明当前可能并非出现了溢出现象，而是比如突然绿灯，所有车辆开始放行。
当出口道溢出指数满足某个阈值thresh时，则表明此路口出现了车流溢出现象，需要及时上报。
以上所述，仅是本发明的最佳实施例而已，并非对本发明的任何形式的限制，任何熟悉本领域的技术人员，在不脱离本发明技术方案范围的情况下利用上述揭示的方法和内容对本发明做出的许多可能的变动和修饰，均属于权利要求书保护的范围。

Claims (6)

1.一种基于视频分析的道路出口道车流溢出实时检测方法，其特征在于：包括S101:电警或监控设备配置与检测区域配置
配置路口电警设备或监控设备，并且标定此路设备中将要识别出口道溢出事件的检测区域；对于出口道溢出，其标注区域为一个多边形区域加中间一条标注线，标注线的作用是将检测区域一分为二，并分为up和down两子区段部分；其中up子区段定义为车辆将进入检测区域的部分，down子区段定义为车辆将离开检测区域的部分；道路两侧的up和down子区段在视野中是相反的，由系统自行根据车流方向判定up和down子区段；
S102:计算up和down子区段；
S103:开启视频通道；
从电警或监控接入实时视频流，并应用ffmpeg解码成一帧一帧的原始图像(Wsrc,Hsrc)；
S104:图像预处理
因从电警接入的视频为高清视频，如果直接使用原始图像数据，将会占用大量的内存，所以需要对图像进行预处理，而高度基于原始比例同步缩放，缩放后的图像大小为(Wdst,Hdst)；
S105:车辆检测
将缩放后的图像数据传入基于机器学习技术的检测模块，则检测模块将会输出车辆的位置信息；
S106:车辆跟踪
将检测模块检测出的所有的车辆位置信息送入车辆跟踪模块，输出每个车以像素为单位的实时速度与车辆位移；
S107:计算车流方向，重置up和down子区段坐标；
S108:计算出口道溢出检测依赖参数；
S109:出口道溢出检测参数归一化
在最终计算出口道溢出指数时，采用的加权方法计算，各参数应该归一化到同一范围，否则加权的结果将会产生较大误差，为此将依赖参数输出的结果均归一化到[0,1]区间，并且需要与出口道溢出事件保持正相关，即值越大车流溢出越严重；
经过归一化后，上述依赖参数分别为：JLup、JLdown、JV和JN；
S110:计算出口道溢出指数。
2.根据权利要求1所述的一种基于视频分析的道路出口道车流溢出实时检测方法，其特征在于：S102中，up和down子区段的计算需要根据标注的检测区域与标注线进行计算；
1.记area的坐标为[c,d,f,e],且c和d在视野中位于e和f的上部；
2.计算标注线line与标注区域area之间的交点a和b；
3.计算获取两个子区域[a,c,d,b]和[a,b,f,e]的顶点坐标,每个区域的顶点之间必须是顺时针或逆时针排序；
暂令up子区段的坐标为[a,c,d,b]，则down子区段的坐标为[a,b,f,e]，后续根据车流方向进行调整。
3.根据权利要求2所述的一种基于视频分析的道路出口道车流溢出实时检测方法，其特征在于：S104中，将其缩小至宽度为1600，,则Wdst＝1600,
Figure FDA0003033357020000021
Figure FDA0003033357020000022
4.根据权利要求3所述的一种基于视频分析的道路出口道车流溢出实时检测方法，其特征在于：S107中，针对当前检测区域，计算此道路此侧的车流方向；方法是取25辆车的平均位移进行判断，默认的车流方式为视野中向上的方向，即
Figure FDA0003033357020000023
平均位移：
Figure FDA0003033357020000024
如果
Figure FDA0003033357020000025
大于等于0，则车流方向在视野中的方向向上，那么up和down子区段的坐标不变；否则，则向下，需要将之前计算的up和down子区段的坐标进行调换。
5.根据权利要求4所述的一种基于视频分析的道路出口道车流溢出实时检测方法，其特征在于：S108中，
1.计算区域平均速度
区域平均速度指的是整个检测区域的area的区域平均速度，使用分段多尺度方法用于计算区域平均速度
Figure FDA0003033357020000031
2.分别计算up和down子区段平均排队长度
基于投影映射表征排队长度的方法分别计算up和down子区段的平均排队长度
Figure FDA0003033357020000032
和
Figure FDA0003033357020000033
3.计算区域车辆数
区域车辆数的计算是基于整个检测区域area计算得到的，通过检测跟踪算法计算出识别区域内的所有车辆数，包括运动与静止车辆。
6.根据权利要求5所述的一种基于视频分析的道路出口道车流溢出实时检测方法，其特征在于：S109中，
提出了一种参数加权的方法计算车流溢出指数，出口道溢出指数计算为：
Index＝JV*WV+JLup*JLdown*WL+JN*WN,
其中，WV、WL、WN分别为速度、排队长度、车辆数的加权值,这里两个排队长度使用的乘而非加，是因为他们之间两个必须都很大才可能表明出现出口道溢出，如果一个值很小，那么说明当前可能并非出现了溢出现象，而是比如突然绿灯，所有车辆开始放行；
当出口道溢出指数满足某个阈值thresh时，则表明此路口出现了车流溢出现象，需要及时上报。
CN202110436703.9A 2021-04-22 2021-04-22 一种基于视频分析的道路出口道车流溢出实时检测方法 Active CN113139459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110436703.9A CN113139459B (zh) 2021-04-22 2021-04-22 一种基于视频分析的道路出口道车流溢出实时检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110436703.9A CN113139459B (zh) 2021-04-22 2021-04-22 一种基于视频分析的道路出口道车流溢出实时检测方法

Publications (2)

Publication Number Publication Date
CN113139459A true CN113139459A (zh) 2021-07-20
CN113139459B CN113139459B (zh) 2023-06-23

Family

ID=76813237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110436703.9A Active CN113139459B (zh) 2021-04-22 2021-04-22 一种基于视频分析的道路出口道车流溢出实时检测方法

Country Status (1)

Country Link
CN (1) CN113139459B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103456172A (zh) * 2013-09-11 2013-12-18 无锡加视诚智能科技有限公司 一种基于视频的交通参数测量方法
CN107767666A (zh) * 2016-08-22 2018-03-06 任秀欢 一种智能检测的单点控制交叉口出口交通流溢出防控方法
CN109410601A (zh) * 2018-12-04 2019-03-01 北京英泰智科技股份有限公司 交通信号灯控制方法、装置、电子设备及存储介质
CN111027447A (zh) * 2019-12-04 2020-04-17 浙江工业大学 一种基于深度学习的道路溢出实时检测方法
CN111179608A (zh) * 2019-12-25 2020-05-19 广州方纬智慧大脑研究开发有限公司 一种路口溢出检测方法、系统及存储介质
CN112270834A (zh) * 2020-11-17 2021-01-26 永州职业技术学院 一种应用于5g智慧交通工具的车路人行驶方法及系统
CN112419750A (zh) * 2020-09-11 2021-02-26 博云视觉（北京）科技有限公司 一种静默式低点出口道溢出事件检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103456172A (zh) * 2013-09-11 2013-12-18 无锡加视诚智能科技有限公司 一种基于视频的交通参数测量方法
CN107767666A (zh) * 2016-08-22 2018-03-06 任秀欢 一种智能检测的单点控制交叉口出口交通流溢出防控方法
CN109410601A (zh) * 2018-12-04 2019-03-01 北京英泰智科技股份有限公司 交通信号灯控制方法、装置、电子设备及存储介质
CN111027447A (zh) * 2019-12-04 2020-04-17 浙江工业大学 一种基于深度学习的道路溢出实时检测方法
CN111179608A (zh) * 2019-12-25 2020-05-19 广州方纬智慧大脑研究开发有限公司 一种路口溢出检测方法、系统及存储介质
CN112419750A (zh) * 2020-09-11 2021-02-26 博云视觉（北京）科技有限公司 一种静默式低点出口道溢出事件检测方法
CN112270834A (zh) * 2020-11-17 2021-01-26 永州职业技术学院 一种应用于5g智慧交通工具的车路人行驶方法及系统

Also Published As

Publication number Publication date
CN113139459B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN110136447B (zh) 行车变道检测及违法变道识别的方法
JP7106664B2 (ja) 知的運転制御方法および装置、電子機器、プログラムならびに媒体
US9704060B2 (en) Method for detecting traffic violation
CN103366571B (zh) 智能的夜晚交通事件检测方法
WO2022227766A1 (zh) 交通异常检测的方法和装置
US10699568B1 (en) Video-based crossroad signal machine control method
CN107609491A (zh) 一种基于卷积神经网络的车辆违章停车检测方法
EP4016130B1 (en) Method for outputting early warning information, device, storage medium and program product
CN110164152A (zh) 一种用于单交叉路口交通信号灯控制系统
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
CN111145533B (zh) 基于城市区域的行人异常交通行为模式识别管控系统
CN113822285A (zh) 一种用于复杂应用场景的车辆违停识别方法
CN111027447B (zh) 一种基于深度学习的道路溢出实时检测方法
CN109872413A (zh) 驾驶行为记录及分析系统、方法
CN115857378A (zh) 一种基于物联网的智能安防监控系统
CN115527382A (zh) 一种基于智能多目标优化算法的交通控制方法
CN117198058B (zh) 一种基于遥感影像的道路交通智能监管系统
US12002352B2 (en) Mapping method for right-turn conflict warning lines at urban road intersections
CN111754790B (zh) 一种基于雷达的匝道入口交通控制系统及方法
CN117612364A (zh) 一种机动车的违章检测方法、装置、电子设备及存储介质
CN113139459A (zh) 一种基于视频分析的道路出口道车流溢出实时检测方法
CN105069407B (zh) 一种基于视频的交通流量获取方法
CN113284338B (zh) 机动车紧急避让无灯控人行横道对交通流影响的计算方法
CN115440052A (zh) 一种基于大数据的交通流控制方法及装置
CN112396841A (zh) 一种基于车辆感应的红绿灯辅助调节系统

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