CN113380035A - 一种道路交叉口交通量分析方法及系统 - Google Patents
一种道路交叉口交通量分析方法及系统 Download PDFInfo
- Publication number
- CN113380035A CN113380035A CN202110666912.2A CN202110666912A CN113380035A CN 113380035 A CN113380035 A CN 113380035A CN 202110666912 A CN202110666912 A CN 202110666912A CN 113380035 A CN113380035 A CN 113380035A
- Authority
- CN
- China
- Prior art keywords
- intersection
- road intersection
- traffic volume
- road
- 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.)
- Granted
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Operations Research (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种道路交叉口交通量分析方法及系统,所述方案包括:实时采集道路交叉口的广角视频,并获取道路交叉口不同顶点的相对距离;基于所述广角视频获取目标车辆图像,利用预先训练的车型分类模型确定目标车辆车型;基于交叉口不同顶点的相对距离,构建视频坐标系下的道路交叉口映射模型,并利用所述映射模型对进入交叉口的目标车辆行驶轨迹进行模拟;根据模拟结果对进入交叉口不同方向的车辆数目进行统计,获得交叉口四个方向各断面直行、左转和右转的分车型交通量。
Description
技术领域
本公开属于交通量预测技术领域,尤其涉及一种道路交叉口交通量分析方法及系统。
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信息,不必然构成在先技术。
交通量调查是交通量预测的基础,交通量调查主要是对车型的识别和统计。发明人发现,目前车型识别和统计的方法和设备比较多,包括微波雷达、激光雷达、视频识别、人工统计等方法,但大都为对道路断面上车辆的车型的识别,对于道路交叉口车辆调查主要是采用电子式路口交通数据调查仪然后人工手动输入来实现,交叉口不同方向的车辆自动识别和统计的方法尚存在空白。
发明内容
本公开为了解决上述问题,提供了一种道路交叉口交通量分析方法及系统,所述方案基于拍摄的道路交叉口视频,利用测距仪测量道路交叉口不同顶点的相对距离,完成对视频中车型的识别、视频建模、轨迹模拟,最终实现对不同交叉口各方向上分车型交通量的统计。
根据本公开实施例的第一个方面,提供了一种道路交叉口交通量分析方法,包括:
实时采集道路交叉口的广角视频,并获取道路交叉口不同顶点的相对距离;
基于所述广角视频获取目标车辆图像,利用预先训练的车型分类模型确定目标车辆车型;
基于交叉口不同顶点的相对距离,构建视频坐标系下的道路交叉口映射模型,并利用所述映射模型对进入交叉口的目标车辆行驶轨迹进行模拟;
根据模拟结果对进入交叉口不同方向的车辆数目进行统计,获得交叉口四个方向各断面直行、左转和右转的分车型交通量。
进一步的,所述利用预先训练的车型分类模型确定目标车辆车型,具体为:利用图像特征提取方法对所述目标车辆进行特征提取,得到目标车辆的长宽比和车轴数特征信息,将提取的特征输入预先训练的SVM分类模型进行模糊识别,进而确定车辆车型。
进一步的,所述构建视频坐标系下的道路交叉口映射模型,具体为:基于获取的交叉口不同顶点的相对距离,确定实际道路交叉口与视频图像中坐标之间的映射模型,通过所述映射模型将实际道路交叉口的坐标转化为视频坐标系下的坐标。
进一步的,所述利用所述映射模型对进入交叉口的目标车辆行驶轨迹进行模拟,具体为:基于实时采集的道路交叉口的广角视频,利用车牌识别算法识别从不同方向进入交叉口的车辆车牌,计算同一车牌出现在驶入交叉口方向和驶离交叉口方向的时间差,若小于预设阈值,则对该车辆按照车型进行计数。
进一步的,在获得交叉口四个方向各断面直行、左转和右转的分车型交通量后,通过计算各断面直行、左转和右转的分车型交通量之和,获得交叉口四个方向各断面的交通量。
根据本公开实施例的第二个方面,提供了一种道路交叉口交通量分析系统,包括:
数据采集单元,其用于实时采集道路交叉口的广角视频,并获取道路交叉口不同顶点的相对距离;
车型识别单元,其用于基于所述广角视频获取目标车辆图像,利用预先训练的车型分类模型确定目标车辆车型;
车辆行驶轨迹模拟单元,其用于基于交叉口不同顶点的相对距离,构建视频坐标系下的道路交叉口映射模型,并利用所述映射模型对进入交叉口的目标车辆行驶轨迹进行模拟;
交通量获取单元,其用于根据模拟结果对进入交叉口不同方向的车辆数目进行统计,获得交叉口四个方向各断面直行、左转和右转的分车型交通量。
根据本公开实施例的第三个方面,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运行的计算机程序,所述处理器执行所述程序时实现所述的一种道路交叉口交通量分析方法。
根据本公开实施例的第四个方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种道路交叉口交通量分析方法。
与现有技术相比,本公开的有益效果是:
本公开所述方案基于拍摄的道路交叉口视频,利用测距仪测量道路交叉口不同顶点的相对距离,完成对视频中车型的识别、视频建模、轨迹模拟,最终实现对不同交叉口各方向上分车型交通量的统计;所述方案有效解决了目前道路交叉口未能实现分车型自动统计车辆的问题,提高了道路交叉口交通量调查的效率;减少了道路交叉口交通量调查的人力投入;通过对道路交叉口车辆运行轨迹的模拟,也有利于开展道路交叉口驾驶行为的研究。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
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为本公开实施例一中所述的道路交叉口交通量分析方法流程图;
图2为本公开实施例一中所述的道路交叉口交通量分析方法功能结构图;
图3为本公开实施例一中所述的视频坐标系下的道路交叉口的映射模型示意图;
图4为本公开实施例一中所述的道路交叉口车辆运行轨迹示意图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
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。
实施例一:
本实施例的目的是提供一种道路交叉口交通量分析方法。
一种道路交叉口交通量分析方法,包括:
实时采集道路交叉口的广角视频,并获取道路交叉口不同顶点的相对距离;
基于所述广角视频获取目标车辆图像,利用预先训练的车型分类模型确定目标车辆车型;
基于交叉口不同顶点的相对距离,构建视频坐标系下的道路交叉口映射模型,并利用所述映射模型对进入交叉口的目标车辆行驶轨迹进行模拟;
根据模拟结果对进入交叉口不同方向的车辆数目进行统计,获得交叉口四个方向各断面直行、左转和右转的分车型交通量。
具体的,为了便于理解,以下结合附图对本公开所述方案进行详细说明:
如图1所示,本公开提供了一种道路交叉口交通量分析方法,通过拍摄道路交叉口视频、测距仪测量道路交叉口不同顶点的相对距离,完成对视频中车型的识别、视频建模、轨迹模拟,最终实现对不同交叉口各方向上分车型车辆的统计。
如图2所示,本公开所述方案由测距仪、广角4K超高清摄像机、车型识别系统、笔记本电脑、视频图像处理建模系统、分车型车辆统计系统、可伸缩装置、参照杆组成。其中,广角4K超高清摄像机、车型识别系统由数据传输线连接;广角4K超高清摄像机、车型识别系统分别与笔记本电脑连接;笔记本电脑内置视频图像处理建模系统、分车型车辆统计系统、视频图像处理建模系统内置车牌识别系统;测距仪数据由人工输入视频图像处理建模系统。
其中,可伸缩装置由底座、支架、伸缩开关、支撑平台、固定装置组成。其中,支架可最大伸缩高度为3≤H≤5m,如图4所示,所述可伸缩装置安放在交叉口一侧,距离交叉口10-20m为宜。
进一步的,所述广角4K超高清摄像机的广角应大于等于120°,分别通过数据传输线与笔记本电脑和车型识别系统连接,调整可伸缩支架和摄像机的角度,使其可以拍摄到交叉口的全貌,为了便于调节,所述可伸缩支架可通过远程控制进行伸缩调节;
进一步的,所述测距仪为户外手持激光测距仪;参照杆配合测距仪一起使用,分别将参照杆放在交叉口四个顶点和中心点,即图上a、b、c、d、e处,测出每两个点之间的相对距离,并输入到视频图像处理建模系统中,见图2所示;
进一步的,所述车型识别系统为基于视频的车型识别系统,通过数据传输线与广角4K超高清摄像机相连,同时通过数据传输线与笔记本电脑连接;
其中,所述车型识别系统通过从视频摄像头的拍摄画面中提取得到所述目标车辆图像,利用图像处理技术和预先训练的SVM分类模型对所拍摄车辆图像进行识别得到所述目标车辆的属性特征信息,然后通过内置的不同车型信息,确定所拍摄车辆的车型,其中车型包括小型客车、大型客车、小型货车、中型货车、大型货车、汽车列车、摩托车、拖拉机;具体的,所述车型识别系统具体执行以下步骤:
车型识别系统通过视频摄像头的拍摄画面中提取得到所述目标车辆图像,利用图像处理技术对所拍摄车辆图像进行识别,得到所述目标车辆的长宽比和车轴数特征信息,利用预先训练的SVM分类模型(根据系统内部存储的不同类型车辆的长宽比和车轴数特征信息)进行模糊识别,进而确定所拍摄车辆的车型;
进一步的,所述笔记本电脑内置有视频图像处理建模系统和分车型车辆统计系统。其中,所述视频图像处理建模系统通过从广角4K超高清摄像机获取的视频,利用视频图像处理技术,结合测距仪获取的交叉口各个顶点的间距,构建视频坐标系下的道路交叉口的映射模型,实际道路交叉口在视频拍摄图像中的坐标为a(X1,Y1)、b(X2,Y2),c(X3,Y3)、d(X4,Y4)、e(X5,Y5),在视频建模系统内各顶点的坐标为a1(x1,y1)、b1(x2,y2),c1(x3,y3)、d1(x4,y4)、e1(x5,y5)见图3所示,其中交叉口四个方向分别表示为lan(a1,b1)、lan(b1,c1)、lan(c1,d1)、lan(d1,a1);
实际道路交叉口的点通过映射模型转换成视频建模系统的坐标系,转换过程如下所示:
其中,P(Xw、Yw、Zw)为实际道路交叉口点的坐标;
具体的,所述视频图像处理建模系统将从广角4K超高清摄像机获取的视频信号及车型识别系统传入的信号,对进入道路交叉口的车辆行驶轨迹在视频坐标系下进行模拟,具体如图4所示,所述视频图像处理建模系统具体执行以下步骤:
(1)车型识别系统将时时统计的小型客车、大型客车、小型货车、中型货车、大型货车、汽车列车、摩托车、拖拉机赋值于k1、k2、h1、h2、h3、h4、k3、h5以数据信号传输给视频图像处理建模系统;
(2)视频图像处理建模系统内嵌车牌识别系统,车牌识别系统识别广角4K超高清摄像机获取的视频图像,甄别交叉口四个方向lan(a1,b1)、lan(b1,c1)、lan(c1,d1)、lan(d1,a1)进入交叉口的车辆车牌,识别同一车牌出现在不同交叉口方向lan1、lan2的时间t1和t2,若t1-t2≤2min,计入车辆从lan1驶入lan2,同时相应的车型累加1;若t1-t2>2min,则计入“信号丢失”,并记录相应时间,后续可通过回放相应“信号丢失”时间段的视频,人工重新补录;
进一步的,所述视频图像处理建模系统将交叉口不同方向车辆移动的数值模拟信号导入分车型车辆统计系统,所述分车型车辆统计系统将统计交叉口各个方向的交通量,如图4所示,系统将统计车辆直行、左转和右转的分车型交通量,即对由①至②、③、④的车辆分车型统计,最后给出交叉口四个方向各断面的车辆分车型数值、合计数值以及来自交叉口各方向的组成,具体的,所述分车型车辆统计系统具体执行如下步骤:
(1)将车辆在交叉口不同移动方向分别计为lan(a1,b1)→lan(b1,c1)、lan(a1,b1)→lan(c1,d1)、lan(a1,b1)→lan(d1,a1),lan(b1,c1)→lan(c1,d1)、lan(b1,c1)→lan(d1,a1)、lan(b1,c1)→lan(a1,b1),lan(c1,d1)→lan(d1,a1)、lan(c1,d1)→lan(a1,b1)、lan(c1,d1)→lan(b1,c1),lan(d1,a1)→lan(a1,b1)、lan(d1,a1)→lan(b1,c1)、lan(d1,a1)→lan(c1,d1);
(2)将车辆在交叉口不同移动方向的车型数值的初始值设为0,根据视频图像处理建模系统导入的交叉口不同方向车辆移动的数值模拟信号进行累加,同时可将lan(a1,b1)→lan(b1,c1)与lan(b1,c1)→lan(a1,b1)、lan(a1,b1)→lan(c1,d1)与lan(c1,d1)→lan(a1,b1)、lan(a1,b1)→lan(d1,a1)与lan(d1,a1)→lan(a1,b1)、lan(b1,c1)→lan(c1,d1)与lan(c1,d1)→lan(b1,c1)、lan(b1,c1)→lan(d1,a1)与lan(d1,a1)→lan(b1,c1)、lan(c1,d1)→lan(d1,a1)与lan(d1,a1)→lan(c1,d1)分别相加,亦可提供交叉口不同方向之间的转向车流量之和。
实施例二:
本实施例的目的是提供一种道路交叉口交通量分析系统。
一种道路交叉口交通量分析系统,包括:
数据采集单元,其用于实时采集道路交叉口的广角视频,并获取道路交叉口不同顶点的相对距离;
车型识别单元,其用于基于所述广角视频获取目标车辆图像,利用预先训练的车型分类模型确定目标车辆车型;
车辆行驶轨迹模拟单元,其用于基于交叉口不同顶点的相对距离,构建视频坐标系下的道路交叉口映射模型,并利用所述映射模型对进入交叉口的目标车辆行驶轨迹进行模拟;
交通量获取单元,其用于根据模拟结果对进入交叉口不同方向的车辆数目进行统计,获得交叉口四个方向各断面直行、左转和右转的分车型交通量。在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASI C,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一中所述的方法。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述实施例提供的一种道路交叉口交通量分析方法及系统可以实现,具有广阔的应用前景。
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。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种道路交叉口交通量分析方法,其特征在于,包括:
实时采集道路交叉口的广角视频,并获取道路交叉口不同顶点的相对距离;
基于所述广角视频获取目标车辆图像,利用预先训练的车型分类模型确定目标车辆车型;
基于交叉口不同顶点的相对距离,构建视频坐标系下的道路交叉口映射模型,并利用所述映射模型对进入交叉口的目标车辆行驶轨迹进行模拟;
根据模拟结果对进入交叉口不同方向的车辆数目进行统计,获得交叉口四个方向各断面直行、左转和右转的分车型交通量。
2.如权利要求1所述的一种道路交叉口交通量分析方法,其特征在于,所述利用预先训练的车型分类模型确定目标车辆车型,具体为:利用图像特征提取方法对所述目标车辆进行特征提取,得到目标车辆的长宽比和车轴数特征信息,将提取的特征输入预先训练的SVM分类模型进行模糊识别,进而确定车辆车型。
3.如权利要求1所述的一种道路交叉口交通量分析方法,其特征在于,所述构建视频坐标系下的道路交叉口映射模型,具体为:基于获取的交叉口不同顶点的相对距离,确定实际道路交叉口与视频图像中坐标之间的映射模型,通过所述映射模型将实际道路交叉口的坐标转化为视频坐标系下的坐标。
4.如权利要求1所述的一种道路交叉口交通量分析方法,其特征在于,所述利用所述映射模型对进入交叉口的目标车辆行驶轨迹进行模拟,具体为:基于实时采集的道路交叉口的广角视频,利用车牌识别算法识别从不同方向进入交叉口的车辆车牌,计算同一车牌出现在驶入交叉口方向和驶离交叉口方向的时间差,若小于预设阈值,则对该车辆按照车型进行计数。
5.如权利要求1所述的一种道路交叉口交通量分析方法,其特征在于,所述获取道路交叉口不同定点的相对距离,具体为:分别将参照杆放在交叉口四个顶点和中心点,利用测距仪测量任意两点间的相对距离。
6.如权利要求1所述的一种道路交叉口交通量分析方法,其特征在于,在获得交叉口四个方向各断面直行、左转和右转的分车型交通量后,通过计算各断面直行、左转和右转的分车型交通量之和,获得交叉口四个方向各断面的交通量。
7.如权利要求1所述的一种道路交叉口交通量分析方法,其特征在于,所述道路交叉口的广角视频图像的获取,具体为:利用广角4K超高清摄像机进行交叉口场景的拍摄,所述广角4K超高清摄像机设置有可远程调节的可伸缩支架。
8.一种道路交叉口交通量分析系统,其特征在于,包括:
数据采集单元,其用于实时采集道路交叉口的广角视频,并获取道路交叉口不同顶点的相对距离;
车型识别单元,其用于基于所述广角视频获取目标车辆图像,利用预先训练的车型分类模型确定目标车辆车型;
车辆行驶轨迹模拟单元,其用于基于交叉口不同顶点的相对距离,构建视频坐标系下的道路交叉口映射模型,并利用所述映射模型对进入交叉口的目标车辆行驶轨迹进行模拟;
交通量获取单元,其用于根据模拟结果对进入交叉口不同方向的车辆数目进行统计,获得交叉口四个方向各断面直行、左转和右转的分车型交通量。
9.一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,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任一项所述的一种道路交叉口交通量分析方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种道路交叉口交通量分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666912.2A CN113380035B (zh) | 2021-06-16 | 2021-06-16 | 一种道路交叉口交通量分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666912.2A CN113380035B (zh) | 2021-06-16 | 2021-06-16 | 一种道路交叉口交通量分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113380035A true CN113380035A (zh) | 2021-09-10 |
CN113380035B CN113380035B (zh) | 2022-11-11 |
Family
ID=77574725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110666912.2A Active CN113380035B (zh) | 2021-06-16 | 2021-06-16 | 一种道路交叉口交通量分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113380035B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007316856A (ja) * | 2006-05-24 | 2007-12-06 | Sumitomo Electric Ind Ltd | 移動体検出装置、コンピュータプログラム及び移動体検出方法 |
CN101118648A (zh) * | 2007-05-22 | 2008-02-06 | 南京大学 | 交通监视环境下的路况摄像机标定方法 |
CN101364347A (zh) * | 2008-09-17 | 2009-02-11 | 同济大学 | 基于视频的交叉口车辆控制延误的检测方法 |
CN101540105A (zh) * | 2009-04-15 | 2009-09-23 | 四川川大智胜软件股份有限公司 | 一种基于车辆牌照识别和网格化监控的套牌车检测方法 |
CN102136140A (zh) * | 2010-12-24 | 2011-07-27 | 东南大学 | 一种基于矩形图样的视频图像距离检测方法 |
CN102222332A (zh) * | 2011-05-19 | 2011-10-19 | 长安大学 | 一种线性模型下的摄像机几何标定方法 |
CN102231799A (zh) * | 2011-06-29 | 2011-11-02 | 上海芯启电子科技有限公司 | 一种ptz摄像机瞬时光学就位系统及其方法 |
CN202584229U (zh) * | 2012-04-11 | 2012-12-05 | 安徽工程大学 | 一种路边停车收费装置 |
CN105225493A (zh) * | 2015-10-09 | 2016-01-06 | 北京易华录信息技术股份有限公司 | 一种车辆识别方法、装置及稽查系统 |
CN107194386A (zh) * | 2017-07-20 | 2017-09-22 | 东南大学 | 一种基于视频的道路交叉口电动自行车行驶速度获取方法 |
CN107389026A (zh) * | 2017-06-12 | 2017-11-24 | 江苏大学 | 一种基于固定点射影变换的单目视觉测距方法 |
CN109887294A (zh) * | 2019-04-08 | 2019-06-14 | 东南大学 | 一种多源数据融合的道路平面交叉口交通量分析方法 |
CN109979206A (zh) * | 2017-12-28 | 2019-07-05 | 杭州海康威视系统技术有限公司 | 车辆测速方法、装置、系统、电子设备及存储介质 |
CN110033479A (zh) * | 2019-04-15 | 2019-07-19 | 四川九洲视讯科技有限责任公司 | 基于交通监控视频的交通流参数实时检测方法 |
CN110322687A (zh) * | 2018-03-30 | 2019-10-11 | 杭州海康威视系统技术有限公司 | 确定目标交叉口运行状态信息的方法和装置 |
CN110363988A (zh) * | 2019-07-11 | 2019-10-22 | 南京慧尔视智能科技有限公司 | 一种交叉口车辆通行效率的计算系统及方法 |
CN112634320A (zh) * | 2019-09-24 | 2021-04-09 | 成都通甲优博科技有限责任公司 | 一种交叉路口识别物体运动方向的方法及系统 |
WO2021088504A1 (zh) * | 2019-11-07 | 2021-05-14 | 北京市商汤科技开发有限公司 | 路口检测、神经网络训练及智能行驶方法、装置和设备 |
-
2021
- 2021-06-16 CN CN202110666912.2A patent/CN113380035B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007316856A (ja) * | 2006-05-24 | 2007-12-06 | Sumitomo Electric Ind Ltd | 移動体検出装置、コンピュータプログラム及び移動体検出方法 |
CN101118648A (zh) * | 2007-05-22 | 2008-02-06 | 南京大学 | 交通监视环境下的路况摄像机标定方法 |
CN101364347A (zh) * | 2008-09-17 | 2009-02-11 | 同济大学 | 基于视频的交叉口车辆控制延误的检测方法 |
CN101540105A (zh) * | 2009-04-15 | 2009-09-23 | 四川川大智胜软件股份有限公司 | 一种基于车辆牌照识别和网格化监控的套牌车检测方法 |
CN102136140A (zh) * | 2010-12-24 | 2011-07-27 | 东南大学 | 一种基于矩形图样的视频图像距离检测方法 |
CN102222332A (zh) * | 2011-05-19 | 2011-10-19 | 长安大学 | 一种线性模型下的摄像机几何标定方法 |
CN102231799A (zh) * | 2011-06-29 | 2011-11-02 | 上海芯启电子科技有限公司 | 一种ptz摄像机瞬时光学就位系统及其方法 |
CN202584229U (zh) * | 2012-04-11 | 2012-12-05 | 安徽工程大学 | 一种路边停车收费装置 |
CN105225493A (zh) * | 2015-10-09 | 2016-01-06 | 北京易华录信息技术股份有限公司 | 一种车辆识别方法、装置及稽查系统 |
CN107389026A (zh) * | 2017-06-12 | 2017-11-24 | 江苏大学 | 一种基于固定点射影变换的单目视觉测距方法 |
CN107194386A (zh) * | 2017-07-20 | 2017-09-22 | 东南大学 | 一种基于视频的道路交叉口电动自行车行驶速度获取方法 |
CN109979206A (zh) * | 2017-12-28 | 2019-07-05 | 杭州海康威视系统技术有限公司 | 车辆测速方法、装置、系统、电子设备及存储介质 |
CN110322687A (zh) * | 2018-03-30 | 2019-10-11 | 杭州海康威视系统技术有限公司 | 确定目标交叉口运行状态信息的方法和装置 |
CN109887294A (zh) * | 2019-04-08 | 2019-06-14 | 东南大学 | 一种多源数据融合的道路平面交叉口交通量分析方法 |
CN110033479A (zh) * | 2019-04-15 | 2019-07-19 | 四川九洲视讯科技有限责任公司 | 基于交通监控视频的交通流参数实时检测方法 |
CN110363988A (zh) * | 2019-07-11 | 2019-10-22 | 南京慧尔视智能科技有限公司 | 一种交叉口车辆通行效率的计算系统及方法 |
CN112634320A (zh) * | 2019-09-24 | 2021-04-09 | 成都通甲优博科技有限责任公司 | 一种交叉路口识别物体运动方向的方法及系统 |
WO2021088504A1 (zh) * | 2019-11-07 | 2021-05-14 | 北京市商汤科技开发有限公司 | 路口检测、神经网络训练及智能行驶方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113380035B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110032949B (zh) | 一种基于轻量化卷积神经网络的目标检测与定位方法 | |
CN109919072B (zh) | 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法 | |
TWI722355B (zh) | 用於基於障礙物檢測校正高清晰度地圖的系統和方法 | |
CN109087510B (zh) | 交通监测方法及装置 | |
CN104766058B (zh) | 一种获取车道线的方法和装置 | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
CN111368687A (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
CN111694010A (zh) | 一种基于视觉与激光雷达融合的路侧车辆识别方法 | |
CN108596058A (zh) | 基于计算机视觉的行车障碍物测距方法 | |
CN106845547A (zh) | 一种基于摄像头的智能汽车定位与道路标识识别系统及方法 | |
CN110210280A (zh) | 一种超视距感知方法、系统、终端和存储介质 | |
Munigety et al. | Semiautomated tool for extraction of microlevel traffic data from videographic survey | |
CN104599502A (zh) | 一种基于视频监控的车流量统计方法 | |
CN113874927A (zh) | 停车检测方法、系统、处理设备和存储介质 | |
CN108645375B (zh) | 一种用于车载双目系统快速车辆测距优化方法 | |
CN113205691B (zh) | 一种识别车辆位置的方法及装置 | |
CN112818834B (zh) | 一种交叉口针对应急车辆的避让判定方法、设备及介质 | |
WO2022165614A1 (zh) | 一种路径构建方法、装置、终端及存储介质 | |
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 | |
CN111652072A (zh) | 轨迹获取方法、轨迹获取装置、存储介质和电子设备 | |
WO2021036243A1 (zh) | 识别车道的方法、装置及计算设备 | |
CN114926984A (zh) | 一种实时交通冲突收集与道路安全评价方法 | |
CN114842285A (zh) | 路侧泊位号码识别方法以及装置 | |
CN112991399B (zh) | 一种基于rfs的公交车人数检测系统 | |
CN114220040A (zh) | 一种泊车方法、终端及计算机可读存储介质 |
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 |