CN113240906B - 基于物流园区道路拥堵实时监控的车辆引导方法及系统 - Google Patents
基于物流园区道路拥堵实时监控的车辆引导方法及系统 Download PDFInfo
- Publication number
- CN113240906B CN113240906B CN202110583306.4A CN202110583306A CN113240906B CN 113240906 B CN113240906 B CN 113240906B CN 202110583306 A CN202110583306 A CN 202110583306A CN 113240906 B CN113240906 B CN 113240906B
- Authority
- CN
- China
- Prior art keywords
- road
- vehicles
- congestion
- road surface
- vehicle
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种基于物流园区道路拥堵实时监控的车辆引导方法及系统,获取物流园区道路的图像数据;根据获取的图像数据,对道路上的车辆进行检测跟踪,得到当前路面区域内的车辆数目以及当前路面区域内车辆的平均行驶速度;对获取的图像数据进行可行驶区域估计,得到当前路面区域可行驶区域的占比;结合路面车辆数目、车辆平均行驶速度、可行驶区域占比以及预设路面拥堵评估模型,得到当前路面区域内的道路拥堵分级;根据得到的拥堵分级进行当前路面区域内的车辆引导控制;本公开结合园区路面车辆监控及道路可行驶区域估计,建立道路拥堵模型并实时监测,实现了物流园区的道路拥堵实时监控,提高了物流园区内车辆引导的准确率。
Description
技术领域
本公开涉及物流园智慧化控制技术领域,特别涉及一种基于物流园区道路拥堵实时监控的车辆引导方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
物流园区的路面拥堵管理,直接影响物流转运的效率。尤其是在物流转运流量的高峰期,实时监控物流园内路面拥堵情况,快速疏导路面交通,能够极大的提高物流效率。不同于城市交通拥堵,物流园区内的路面拥堵缺乏有效的管理。物流园内路网交错,物流运输车辆大小不一,货物容易占道摆放,且不像城市路面交通管理能够实现车辆严格的行驶单向性,这些因素更容易造成路面的拥堵。
发明人发现,当前对于物流园区道路拥堵的管理,相关技术多关注于对车辆的管理上。例如,专利201810900508.5提出了一种基于RFID的车辆管理调度方法。事实上,对于物流园区的场景,造成道路拥堵的因素不仅仅是运输车辆,还包括路面摆放的货物,而现有的物流园区道路拥堵的实时监控,只考虑物流运输车辆的分析,缺乏对园区内路面货物以及人员对道路的影响,使得物流园区内的车辆引导准确率较低,容易造成进一步的拥堵。
发明内容
为了解决现有技术的不足,本公开提供了一种基于物流园区道路拥堵实时监控的车辆引导方法及系统,结合园区路面车辆监控及道路可行驶区域估计,建立道路拥堵模型并实时监测,实现了物流园区的道路拥堵实时监控,提高了物流园区内车辆引导的准确率。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种基于物流园区道路拥堵实时监控的车辆引导方法。
一种基于物流园区道路拥堵实时监控的车辆引导方法,包括以下过程:
获取物流园区道路的图像数据;
根据获取的图像数据,对道路上的车辆进行检测跟踪,得到当前路面区域内的车辆数目以及当前路面区域内车辆的平均行驶速度;
对获取的图像数据进行可行驶区域估计,得到当前路面区域可行驶区域的占比;
结合路面车辆数目、车辆平均行驶速度、可行驶区域占比以及预设路面拥堵评估模型,得到当前路面区域内的道路拥堵分级;
根据得到的拥堵分级进行当前路面区域内的车辆引导控制。
进一步的,所述图像数据为覆盖当前路面区域各个路段的彩色RGB图像。
进一步的,采用YOLOv5神经网络模型进行当前路面区域内的车辆检测和计数。
进一步的,采用DeepSORT目标跟踪算法进行当前路面区域内的车辆跟踪。
进一步的,对车辆保持一定帧数图像的跟踪,用车辆中心点的运动表征车辆的运动;
利用小孔成像原理将车辆中心点的像素坐标转化为实际的空间坐标,进而计算出车辆的位移量,设监控相机帧率为N,跟踪n帧车辆从(x1,y1)运动到(x2,y2),则该车辆的速度v为:
得到当前区域内各个车辆的行驶速度后,计算当前区域内所有车辆的平均行驶速度。
进一步的,通过语义分割算法对道路进行可行驶区域的分割提取,以提取的可行驶区域的像素数量相对于完整路面的像素数量的百分比为可行驶区域的占比。
进一步的,以得到的路面车辆数目、车辆平均行驶速度和可行驶区域占比作为三个属性,通过决策树算法建立道路拥堵评估模型,得到当前道路的拥堵分级。
本公开第二方面提供了一种基于物流园区道路拥堵实时监控的车辆引导系统。
一种基于物流园区道路拥堵实时监控的车辆引导系统,包括:
数据获取模块,被配置为:获取物流园区道路的图像数据;
车辆跟踪模块,被配置为:根据获取的图像数据,对道路上的车辆进行检测跟踪,得到当前路面区域内的车辆数目以及当前路面区域内车辆的平均行驶速度;
可行驶区域估计模块,被配置为:对获取的图像数据进行可行驶区域估计,得到当前路面区域可行驶区域的占比;
拥堵分级模块,被配置为:结合路面车辆数目、车辆平均行驶速度、可行驶区域占比以及预设路面拥堵评估模型,得到当前路面区域内的道路拥堵分级;
车辆引导模块,被配置为:根据得到的拥堵分级进行当前路面区域内的车辆引导控制。
本公开第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的基于物流园区道路拥堵实时监控的车辆引导方法中的步骤。
本公开第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的基于物流园区道路拥堵实时监控的车辆引导方法中的步骤。
与现有技术相比,本公开的有益效果是:
1、本公开所述的方法、系统、介质或电子设备,针对物流园区拥堵情况,结合影响物流园区道路拥堵的多个因素,对路面车辆数量、速度及道路可行驶区域进行综合分析,相比于只考虑车辆因素,评估结果更加全面准确,实现了更精确的园区内车辆引导。
2、本公开所述的方法、系统、介质或电子设备,采用人工智能的方法对采集到的路面进行实时分析,处理速度不超过200ms,能够有效提高道路拥堵评估的实时性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1提供的基于物流园区道路拥堵实时监控的车辆引导方法的流程示意图。
图2为本公开实施例1提供的监控相机部署示意图。
图3为本公开实施例1提供的车辆检测结果示意图。
图4为本公开实施例1提供的车辆跟踪结果示意图。
图5为本公开实施例1提供的可行驶区域提取结果示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本公开实施例1提供了一种基于物流园区道路拥堵实时监控的车辆引导方法,包括以下过程:
利用物流园区内安置的监控相机,实时采集园区路况图像;
基于园区路况的RGB图像,对道路上的车辆进行检测跟踪,通过目标检测算法统计当前路面上的车辆数目,通过对车辆的跟踪计算路面区域内车辆的平均行驶速度;
对采集到的RGB图像进行可行驶区域估计,通过语义分割算法计算路面可行驶区域的占比情况;
结合路面车辆数目、区域内车辆平均行驶速度、可行驶区域占比,构建路面拥堵评估模型,并对当前路面情况进行拥堵分级;
最终根据各个路段的拥堵分级对行驶车辆进行引导。
具体的,包括以下步骤:
S1:利用监控相机采集图像
通过物流园区内的监控相机采集园区路面的彩色RGB图像,如图2所示。各监控相机要求能够覆盖各个路段,且视野范围尽量没有遮挡,能够在图像上清晰呈现路况信息。为了保证图像采集同步,本实施例统一采用北斗授时服务器提供的时间,实现纳秒级的时间同步,统一各个摄像头采集图像的时间戳。
S2:车辆数量统计
对于每一个监控相机拍摄的路况图像,通过目标检测算法检测采集图像中的车辆数量,并统计当前车辆数量。本实施例采用基于深度学习的目标检测方法实现车辆的检测与计数。当前,常用的目标检测算法有R-CNN、FastR-CNN、FasterR-CNN、SSD、YOLO、RetinaNet等。
优选地,本实施例采用YOLOv5作为车辆检测及计数的具体实现方法。图3为车辆检测的示意图,矩形框表示检测出的车辆,车上的点代表车辆的中心点位置,只需对图像中的矩形框进行技术,即可得到各个路段的车辆数量。
需要说明的是,无论采用哪种目标检测算法实现车辆的检测及计数,都不影响本方案的实质。
S3:区域内车辆平均行驶速度计算
在道路拥堵检测中,单靠统计车辆的数量来判断路面拥堵情况是不可靠的。例如,3辆车停在路面造成的拥堵要远远大于5辆匀速行驶的车辆的路况。因此不仅要考虑到车辆的数量,还要考虑到区域内车辆的行驶速度。
在本实施例中,通过对车辆进行跟踪,计算各个车辆在当前的速度。通过多目标跟踪算法对各个车辆进行跟踪。当前,目标跟踪算法有多种较为成熟的算法,如传统的基于特征提取的方法如Boosting Tracker、KCF Tracker等,也有近年来基于深度学习的端到端的多目标跟踪方法如SORT、DeepSORT等。
优选地,在本实施例中采用DeepSORT作为目标跟踪算法,实现各个车辆的跟踪,如图4所示。需要说明的是,无论采用哪种目标跟踪算法实现车辆的跟踪,都不影响本方案的实质。
为了计算车辆的行驶速度,本实施例中对车辆保持一定帧数图像的跟踪,用车辆中心点的运动表征车辆的运动,利用小孔成像原理将车辆中心点的像素坐标转化为实际的空间坐标,进而计算出车辆的位移量。设监控相机帧率为N,跟踪n帧车辆从(x1,y1)运动到(x2,y2),则该车辆的速度v可计算为:
得到区域内各个车辆的行驶速度后,求该区域内所有车辆的平均行驶速度。
S4:可行驶区域的占比计算
对于物流园区,不同于交通道路的拥堵检测,物流园区内的道路除了有行驶车辆造成的拥堵外,还存在由货物堆积造成的道路拥堵等,只通过路面车辆的情况无法充分表征路面拥堵现状。因此,需要对道路的可行驶区域进行估计。道路的可行驶区域,指的是没有被车辆、货物占据的路面。通过计算可行驶区域相对于整个道路的百分比,可作为评估路面拥堵的一个指标。
在本实施例中,通过语义分割算法实现路面可行驶区域的估计。如图5所示,通过语义分割算法对道路进行可行驶区域的分割提取,图像深灰色区域为可行驶区域。计算提取的可行驶区域的像素数量相对于完整路面的像素数量的百分比,即可得到可行驶区域的占比。
当前,常用的语义分割算法有FCN、SegNet、PSPNet、DeepLab等。优选地,本实施例采用DeepLab v3语义分割算法实现路面可行驶区域的估计。
需要说明的是,无论采用哪种语义分割算法实现路面可行驶区域的估计,都不影响本方案的实质。
S5:道路拥堵分级
对于物流园区的道路拥挤,本实施例将拥堵程度分为四个基本级别:畅通、轻微拥堵、拥堵、严重拥堵。将区域内车辆数量、车辆平均行驶速度、可行驶区域占比作为三个属性,通过决策树算法建立道路拥堵评估模型。对于实时采集到的物流园区路面图像,分别计算三个属性,并输入到决策树评估模型中,得到当前道路的拥堵分级。这样,就得到了各个路段的拥堵情况。
S6:行驶路线引导
得到不同路段的拥堵分级后,在园区的监视大屏实时显示各路段拥堵情况,根据拥堵情况远程指挥园区管理人员进行道路疏导;还可在各个路段的起始段安装电子路牌,实时的显示当前路段的拥堵情况,司机可根据各路段电子路牌上显示的拥堵分级,选择适合地行驶路线。
实施例2:
本公开实施例2提供了一种基于物流园区道路拥堵实时监控的车辆引导系统,包括:
数据获取模块,被配置为:获取物流园区道路的图像数据;
车辆跟踪模块,被配置为:根据获取的图像数据,对道路上的车辆进行检测跟踪,得到当前路面区域内的车辆数目以及当前路面区域内车辆的平均行驶速度;
可行驶区域估计模块,被配置为:对获取的图像数据进行可行驶区域估计,得到当前路面区域可行驶区域的占比;
拥堵分级模块,被配置为:结合路面车辆数目、车辆平均行驶速度、可行驶区域占比以及预设路面拥堵评估模型,得到当前路面区域内的道路拥堵分级;
车辆引导模块,被配置为:根据得到的拥堵分级进行当前路面区域内的车辆引导控制。
所述系统的工作方法与实施例1提供的基于物流园区道路拥堵实时监控的车辆引导方法相同,这里不再赘述。
实施例3:
本公开实施例3提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例1所述的基于物流园区道路拥堵实时监控的车辆引导方法中的步骤。
实施例4:
本公开实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的基于物流园区道路拥堵实时监控的车辆引导方法中的步骤。
实施例5:
本公开实施例5提供了一种基于物流园区道路拥堵实时监控的车辆引导系统,包括:
路面信息采集设备、通信传输设备、数据处理设备、数据存储设备、后台监控显示设备等;
路面信息采集设备,本实施例中采用监控摄像头,可以是球形摄像头、全景摄像头等,只要可以实时抓取道路的RGB图像即可;
通信传输设备,可以是USB连接线、网线等有线传输设备,也可以是工业WIFI、蓝牙、4G、5G等无线传输设备;
数据处理设备,指有一定计算能力的处理器,包括但不限于ARM、FPGA、GPU等处理单元,能够完成实施例1中所述的基于物流园区道路拥堵实时监控的车辆引导方法涉及到的计算和命令执行;
数据存储设备,可以是RAM、ROM、硬盘、U盘等能够存储采集的园区道路信息及计算过程中需保存的数据及结果;
后台监控显示设备,包括但不限于液晶显示屏、LCD显示器、LED显示器等用于实时显示道路拥堵现状的设备。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于物流园区道路拥堵实时监控的车辆引导方法,其特征在于:包括以下过程:
获取物流园区道路的图像数据;
根据获取的图像数据,对道路上的车辆进行检测跟踪,得到当前路面区域内的车辆数目以及当前路面区域内车辆的平均行驶速度;
对获取的图像数据进行可行驶区域估计,得到当前路面区域可行驶区域的占比;其中,道路的可行驶区域为没有被车辆、货物占据的路面区域;
结合路面车辆数目、车辆平均行驶速度、可行驶区域占比以及预设路面拥堵评估模型,得到当前路面区域内的道路拥堵分级;
根据得到的拥堵分级进行当前路面区域内的车辆引导控制。
2.如权利要求1所述的基于物流园区道路拥堵实时监控的车辆引导方法,其特征在于:
所述图像数据为覆盖当前路面区域各个路段的彩色RGB图像。
3.如权利要求1所述的基于物流园区道路拥堵实时监控的车辆引导方法,其特征在于:
采用YOLOv5神经网络模型进行当前路面区域内的车辆检测和计数。
4.如权利要求1所述的基于物流园区道路拥堵实时监控的车辆引导方法,其特征在于:
采用DeepSORT目标跟踪算法进行当前路面区域内的车辆跟踪。
6.如权利要求1所述的基于物流园区道路拥堵实时监控的车辆引导方法,其特征在于:
通过语义分割算法对道路进行可行驶区域的分割提取,以提取的可行驶区域的像素数量相对于完整路面的像素数量的百分比为可行驶区域的占比。
7.如权利要求1所述的基于物流园区道路拥堵实时监控的车辆引导方法,其特征在于:
以得到的路面车辆数目、车辆平均行驶速度和可行驶区域占比作为三个属性,通过决策树算法建立预设路面拥堵评估模型,得到当前道路的拥堵分级。
8.一种基于物流园区道路拥堵实时监控的车辆引导系统,其特征在于:包括:
数据获取模块,被配置为:获取物流园区道路的图像数据;
车辆跟踪模块,被配置为:根据获取的图像数据,对道路上的车辆进行检测跟踪,得到当前路面区域内的车辆数目以及当前路面区域内车辆的平均行驶速度;
可行驶区域估计模块,被配置为:对获取的图像数据进行可行驶区域估计,得到当前路面区域可行驶区域的占比;其中,道路的可行驶区域为没有被车辆、货物占据的路面区域;
拥堵分级模块,被配置为:结合路面车辆数目、车辆平均行驶速度、可行驶区域占比以及预设路面拥堵评估模型,得到当前路面区域内的道路拥堵分级;
车辆引导模块,被配置为:根据得到的拥堵分级进行当前路面区域内的车辆引导控制。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的基于物流园区道路拥堵实时监控的车辆引导方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于物流园区道路拥堵实时监控的车辆引导方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583306.4A CN113240906B (zh) | 2021-05-27 | 2021-05-27 | 基于物流园区道路拥堵实时监控的车辆引导方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583306.4A CN113240906B (zh) | 2021-05-27 | 2021-05-27 | 基于物流园区道路拥堵实时监控的车辆引导方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240906A CN113240906A (zh) | 2021-08-10 |
CN113240906B true CN113240906B (zh) | 2022-06-14 |
Family
ID=77139442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110583306.4A Active CN113240906B (zh) | 2021-05-27 | 2021-05-27 | 基于物流园区道路拥堵实时监控的车辆引导方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240906B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113823095B (zh) * | 2021-11-22 | 2022-05-03 | 浙江大华技术股份有限公司 | 交通状态的确定方法、装置、存储介质及电子装置 |
CN115601971B (zh) * | 2022-11-12 | 2023-11-10 | 广州融嘉信息科技有限公司 | 基于神经网络的园区自适应车辆调度及停车智能管控方法 |
CN117455339A (zh) * | 2023-12-22 | 2024-01-26 | 长春理工大学 | 一种园区无人驾驶物流车的智能调度系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809130A (zh) * | 2016-03-08 | 2016-07-27 | 武汉大学 | 一种基于双目深度感知的车辆可行驶区域计算方法 |
CN107215339A (zh) * | 2017-06-26 | 2017-09-29 | 地壳机器人科技有限公司 | 自动驾驶车辆的换道控制方法和装置 |
CN109064098A (zh) * | 2018-08-09 | 2018-12-21 | 圆通速递有限公司 | 一种车辆动态调度方法和系统 |
JP2020091142A (ja) * | 2018-12-04 | 2020-06-11 | トヨタ自動車株式会社 | 経路管理装置 |
CN111337043A (zh) * | 2020-03-17 | 2020-06-26 | 北京嘀嘀无限科技发展有限公司 | 一种路径的规划方法、装置、存储介质和电子设备 |
CN112785835A (zh) * | 2019-11-04 | 2021-05-11 | 阿里巴巴集团控股有限公司 | 一种获取路况信息的方法及装置、车载装置 |
-
2021
- 2021-05-27 CN CN202110583306.4A patent/CN113240906B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809130A (zh) * | 2016-03-08 | 2016-07-27 | 武汉大学 | 一种基于双目深度感知的车辆可行驶区域计算方法 |
CN107215339A (zh) * | 2017-06-26 | 2017-09-29 | 地壳机器人科技有限公司 | 自动驾驶车辆的换道控制方法和装置 |
CN109064098A (zh) * | 2018-08-09 | 2018-12-21 | 圆通速递有限公司 | 一种车辆动态调度方法和系统 |
JP2020091142A (ja) * | 2018-12-04 | 2020-06-11 | トヨタ自動車株式会社 | 経路管理装置 |
CN112785835A (zh) * | 2019-11-04 | 2021-05-11 | 阿里巴巴集团控股有限公司 | 一种获取路况信息的方法及装置、车载装置 |
CN111337043A (zh) * | 2020-03-17 | 2020-06-26 | 北京嘀嘀无限科技发展有限公司 | 一种路径的规划方法、装置、存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113240906A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113240906B (zh) | 基于物流园区道路拥堵实时监控的车辆引导方法及系统 | |
Hadi et al. | Vehicle detection and tracking techniques: a concise review | |
US20180124319A1 (en) | Method and apparatus for real-time traffic information provision | |
CN101430195B (zh) | 一种利用视频图像处理技术计算输电线路覆冰厚度的方法 | |
CN103714538B (zh) | 道路边缘检测方法、装置及车辆 | |
CN102073846B (zh) | 基于航拍图像的交通信息获取方法 | |
CN103778786A (zh) | 一种基于显著车辆部件模型的交通违章检测方法 | |
CN108068817A (zh) | 一种无人驾驶汽车自动变道装置及方法 | |
CN105493502A (zh) | 视频监控方法、视频监控系统以及计算机程序产品 | |
WO2013173911A1 (en) | Road surface condition classification method and system | |
DE102013205950A1 (de) | Detektion und Verfolgung einer Straßenstruktur | |
CN107808123A (zh) | 图像可行域检测方法、电子设备、存储介质、检测系统 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
Jan et al. | A convolutional neural network based deep learning technique for identifying road attributes | |
CN110132242A (zh) | 多摄像机即时定位与地图构建的三角化方法及其运动体 | |
CN113903008A (zh) | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 | |
CN111680610A (zh) | 一种施工场景异常监测方法和装置 | |
CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
Quinn et al. | Traffic flow monitoring in crowded cities | |
Guerrieri et al. | Flexible and stone pavements distress detection and measurement by deep learning and low-cost detection devices | |
CN114329074A (zh) | 一种匝道路段通行能效检测方法和系统 | |
Arunmozhi et al. | Stop sign and stop line detection and distance calculation for autonomous vehicle control | |
CN115294774B (zh) | 基于深度学习的非机动车道路违停检测方法及装置 | |
Wang et al. | Planning autonomous driving with compact road profiles | |
CN114972731A (zh) | 交通灯检测识别方法及装置、移动工具、存储介质 |
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 |