CN113850995B - 一种基于隧道雷视数据融合的事件检测方法、装置及系统 - Google Patents
一种基于隧道雷视数据融合的事件检测方法、装置及系统 Download PDFInfo
- Publication number
- CN113850995B CN113850995B CN202111071589.0A CN202111071589A CN113850995B CN 113850995 B CN113850995 B CN 113850995B CN 202111071589 A CN202111071589 A CN 202111071589A CN 113850995 B CN113850995 B CN 113850995B
- Authority
- CN
- China
- Prior art keywords
- detection
- target
- radar
- fusion
- data
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- 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
Abstract
本发明公开了隧道检测领域的一种基于隧道雷视数据融合的事件检测方法、装置及系统,对雷达数据进行分类筛选,得到雷达数据目标检测点;对视频数据进行目标检测,得到视频数据检测目标;基于雷达数据检测目标和视频数据检测目标,通过检测框交叉比的融合算法进行决策级融合,得到目标融合结果;所述目标融合结果包括目标的速度、位置信息、数量以及目标间的间距;所述目标包括车辆目标和非车辆目标;根据目标融合结果,进行交通事件检测判定,得到交通事件检测结果;本发明分析融合后交通特征信息,判断是否发生交通事件,并输出交通事件的类型进行事件预警,提高交通事件的检测精度。
Description
技术领域
本发明属于交通检测技术领域,具体涉及隧道检测方法、装置及系统。
背景技术
隧道具有密闭式结构空间特性,并且黑白洞现象、噪声大、亮度环境低等特点明显,一旦发生交通事故,极易导致二次事故甚至交通瘫痪。根据《2020年交通运输行业发展统计公报》统计结果显示,我国公路隧道有21316处,因此,如何利用技术手段保障此类隧道的安全运营至关重要。
隧道交通事件的有效检测是提升其交通通行安全的关键。目前,市面上隧道交通事件检测产品主要存在问题:绝大多数产品采用固定视频检测技术,单一技术手段难以应对多种多样的交通事件,导致隧道交通事件检测内容覆盖不全。少数产品会加以雷达等设备进行辅助检测,但是不同类设备之间相对孤立,数据融合性不足,协同检测能力弱,导致隧道交通事件检测精度不高。
发明内容
本发明的目的在于提供一种基于隧道雷视数据融合的事件检测方法、装置及系统,全面、准确地获取隧道内交通事件检测结果,实现隧道交通事件随感随知,及时应急处置,事后统计分析,降低安全隐患。
为达到上述目的,本发明所采用的技术方案是:
第一方面,本发明提供了一种基于隧道雷视数据融合的事件检测方法,包括:
获取隧道内的雷达数据和视频数据;
对雷达数据进行目标分类筛选,得到雷达数据目标检测点;
对视频数据进行目标检测,得到视频数据检测目标;
基于雷达数据目标检测点和视频数据检测目标,通过检测框交叉比的融合算法进行决策级融合,得到目标融合结果;所述目标包括车辆目标和非车辆目标;所述目标融合结果包括目标的速度、位置信息、数量以及目标间的间距;
根据目标融合结果,进行交通事件检测判定,得到交通事件检测结果。
优选的,对雷达数据进行分类筛选,得到雷达数据目标检测点,包括:对获取雷达数据进行初步聚类形成m个子簇,每个子簇为ci,计算所有子簇之间的速度差Δv,当两个子簇之间速度差的最小值Δvmin小于设定倍数的雷达自身测速误差,则将两个子簇合并,直到任意两个子簇之间的Δvmin均大于设定倍数的雷达自身测速误差,筛选得到雷达数据目标检测点。
优选的,对视频数据进行目标检测,得到视频数据检测目标,包括:
将视频数据输入训练好的FasterR-CNN检测模型,得到模型输出的视频数据检测目标;所述FasterR-CNN检测模型经过多尺度的训练数据集训练。
优选的,基于雷达数据检测目标和视频数据检测目标,通过检测框交叉比的融合算法进行决策级融合,得到目标融合结果,包括:
以雷达数据目标检测点为中心,建立矩形的雷达检测框Rradar;
对视频数据检测目标构建最小外接矩形的视频检测框Rcamera;
将雷达检测框Rradar基于距离和相似性原理投影到视频检测框Rcamera上;雷达检测框Rradar与视频检测框Rcamera包围的总面积为Su,重合区域的面积为Si,则计算出交叉比值I=Su/Si;
当I值在阈值范围之内,则取雷达检测框Rradar与视频检测框Rcamera中边界较大为融合检测框,输出融合检测框的检测结果作为融合检测结果;
当I值在阈值范围之外,同时保留雷达检测框Rradar与视频检测框Rcamera的检测结果。
优选的,根据目标融合结果,进行交通事件检测判定,得到交通事件检测结果,包括:
根据车辆目标数量计算出车道占有率,当车道占有率大于车道占有率阈值、车辆目标的速度小于拥堵车速阈值以及车辆目标之间的距离小于车距阈值时,判定隧道交通发生车辆拥堵事件;
车辆目标速度为零,且停留时间大于时间阈值,判定发生车辆违停事件;车辆目标的速度高于最大车速阈值,判定发生车辆超速事件;车辆目标的速度低于最小车速阈值,判定发生车辆缓行事件;
根据车辆目标位置检测到车辆目标存在车道压线,判定为发生车辆违规变道事件。
优选的,所述非车辆目标包括行人和抛洒物,当检测到行人,判定为发生行人闯入事件;当检测到抛洒物,判定为发生违规抛洒物。
优选的,还包括:根据交通事件检测结果,对隧道内通行情况进行可视化展示,记录每次隧道内交通事件发生的基本信息,辅助隧道交通事件管理和作业。
优选的,还包括:根据交通事件检测结果进行预警;所述预警方式包括短信预警、报警灯预警和广播预警。
第二方面,本发明提供了一种基于隧道雷视数据融合的事件检测装置,包括:
数据获取模块,用于获取隧道内的雷达数据和视频数据;
分类筛选模块,用于对雷达数据进行目标分类筛选,得到雷达数据目标检测点;
目标检测模块,对视频数据进行目标检测,得到视频数据检测目标;
数据融合分析模块,基于雷达数据目标检测点和视频数据检测目标,通过检测框交叉比的融合算法进行决策级融合,得到目标融合结果;
事件检测判定模块,根据目标融合结果,进行交通事件检测判定,得到交通事件检测结果。
第三方面,本发明提供了一种基于隧道雷视数据融合的检测系统,包括所述基于隧道雷视数据融合的事件检测装置,还包括
采集模块,包括在隧道按照设定间隔布设的多种视频感知设备和多种雷达感知设备,用于采集隧道内的雷达数据和视频数据;
报警模块,用于对交通事件进行短信预警;
显示模块,用于对隧道内通行情况进行可视化展示,辅助隧道交通事件管理和作业。
与现有技术相比,本发明所达到的有益效果:
本发明通过多种视频感知设备和多种雷达感知设备,避免了单一技术手段检测事件覆盖不全的问题,通过检测框交叉比的融合算法对分类筛选后的雷达数据和视频数据进行决策级融合,得到目标融合结果;根据目标融合结果,进行交通事件检测判定,得到交通事件检测结果,采用各类视频、雷达前端感知设备数据融合、相互补充、协同检测的技术方案,显著提高隧道交通事件检测范围、检测精度和处置能力,实现对隧道内交通事件的有效检测和管理。
本发明提供综合管理模块对隧道内通行情况进行可视化展示,综合管理模块也设有短信配置功能,并记录每次隧道内交通事件发生的基本信息,便于隧道一线管理人员及时对事件进行响应与决策,实用性强。
附图说明
图1为本发明实施例提供的一种基于隧道雷视数据融合的事件检测方法步骤流程图;
图2为本发明实施例提供的雷达数据和视频数据进行决策级融合的流程图;
图3为本发明实施例提供的交通事件的检测流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一
如图1-2所示,第一方面,本发明提供了一种基于隧道雷视数据融合的事件检测方法,包括:
获取隧道内的雷达数据和视频数据,构建综合数据库;
对视频数据进行目标检测,得到视频数据检测目标;本施例中多种尺度训练数据集包括768、960、1024分辨率大小的视频图像,所述FasterR-CNN检测模型经过多种尺度训练数据集训练;将视频数据输入训练好的FasterR-CNN检测模型,得到模型输出的视频数据检测目标;。
对雷达数据进行分类筛选,得到雷达数据目标检测点,包括:对获取雷达数据进行初步聚类形成m个子簇,每个子簇为ci,计算所有子簇之间的速度差Δv,当两个子簇之间速度差的最小值Δvmin小于3倍的雷达自身测速误差,则将两个子簇合并,直到任意两个子簇之间的Δvmin均大于3倍的雷达自身测速误差,筛选得到雷达数据的检测目标点。
基于雷达数据检测目标和视频数据检测目标,通过检测框交叉比的融合算法进行决策级融合,得到目标融合结果,包括:
以雷达数据目标检测点为中心,建立矩形的雷达检测框Rradar;
对视频数据检测目标构建最小外接矩形的视频检测框Rcamera;
将雷达检测框Rradar基于距离和相似性原理投影到视频检测框Rcamera上;雷达检测框Rradar与视频检测框Rcamera包围的总面积为Su,重合区域的面积为Si,则计算出交叉比值I=Su/Si;
当I值在阈值范围之内,则取雷达检测框Rradar与视频检测框Rcamera中边界较大为融合检测框,输出融合检测框的检测结果作为融合检测结果;
当I值在阈值范围之外,同时保留雷达检测框Rradar与视频检测框Rcamera的检测结果。
如图3所示根据目标融合结果,根据目标融合结果,进行交通事件检测判定,得到交通事件检测结果,包括:
根据车辆目标数量计算出车道占有率,当车道占有率大于车道占有率阈值、车辆目标的速度小于拥堵车速阈值以及车辆目标之间的距离小于车距阈值时,判定隧道交通发生车辆拥堵事件;
车辆目标速度为零,且停留时间大于时间阈值,判定发生车辆违停事件;车辆目标的速度高于最大车速阈值,判定发生车辆超速事件;车辆目标的速度低于最小车速阈值,判定发生车辆缓行事件;
根据车辆目标位置检测到车辆目标存在车道压线,判定为发生车辆违规变道事件;所述非车辆目标包括行人和抛洒物,当检测到行人,判定为发生行人闯入事件;当检测到抛洒物,判定为发生违规抛洒物。
根据交通事件检测结果,判断交通事件是否发生,交通事件发生后启动预警功能,对出隧道内通行情况和事件发生的位置、事件类型进行可视化高亮显示,辅助隧道交通事件管理和作业。根据交通事件检测结果进行预警;所述预警方式包括短信预警、报警灯预警和广播预警;短信预警是将预警信息同步通过短信方式发送至管理人员手机进行提醒。隧道管理人接到预警提醒可以对相应事件进行查询、确认和上报处理,处理完毕后,相应事件不再预警提醒;记录每次隧道内交通事件发生的基本信息,记录每次隧道内交通事件发生的基本信息,生成评价指标及分析报表;分析报表包括事件同比分析报告、事件环比分析报告和事件误报率分析报告;价指标包括实时车辆占有率、实时车速和实时车辆流量,以供隧道管理人员掌握隧道交通事件发生情况,以便科学地进行决策。
实施例二
一种基于隧道雷视数据融合的事件检测装置,事件检测装置用于应用实施例一所述的事件检测方法,包括:
数据获取模块,用于获取隧道内的雷达数据和视频数据;
分类筛选模块,用于对雷达数据进行目标分类筛选,得到雷达数据目标检测点;
目标检测模块,对视频数据进行目标检测,得到视频数据检测目标;
数据融合分析模块,基于雷达数据目标检测点和视频数据检测目标,通过检测框交叉比的融合算法进行决策级融合,得到目标融合结果;
事件检测判定模块,根据目标融合结果,进行交通事件检测判定,得到交通事件检测结果。
实施例三
一种基于隧道雷视数据融合的检测系统,包括实施例二所述基于隧道雷视数据融合的事件检测装置,还包括
采集模块,包括在隧道按照设定间隔布设的多种视频感知设备和多种雷达感知设备,用于采集隧道内的雷达数据和视频数据;
报警模块,用于对交通事件进行短信预警;
显示模块,用于对隧道内通行情况进行可视化展示,辅助隧道交通事件管理和作业。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种基于隧道雷视数据融合的事件检测方法,其特征在于,包括:
获取隧道内的雷达数据和视频数据;
对雷达数据进行目标分类筛选,得到雷达数据目标检测点;
对视频数据进行目标检测,得到视频数据检测目标;
基于雷达数据目标检测点和视频数据检测目标,通过检测框交叉比的融合算法进行决策级融合,得到目标融合结果;目标包括车辆目标和非车辆目标;所述目标融合结果包括目标的速度、位置信息、数量以及目标间的间距;
根据目标融合结果,进行交通事件检测判定,得到交通事件检测结果;
对雷达数据进行分类筛选,得到雷达数据目标检测点,包括:对获取雷达数据进行初步聚类形成m个子簇,每个子簇为ci,计算所有子簇之间的速度差Δv,当两个子簇之间速度差的最小值Δvmin小于设定倍数的雷达自身测速误差,则将两个子簇合并,直到任意两个子簇之间的Δvmin均大于设定倍数的雷达自身测速误差,筛选得到雷达数据目标检测点;
对视频数据进行目标检测,得到视频数据检测目标,包括:
将视频数据输入训练好的FasterR-CNN检测模型,得到模型输出的视频数据检测目标;所述FasterR-CNN检测模型经过多尺度的训练数据集训练;
基于雷达数据检测目标和视频数据检测目标,通过检测框交叉比的融合算法进行决策级融合,得到目标融合结果,包括:
以雷达数据目标检测点为中心,建立矩形的雷达检测框Rradar;
对视频数据检测目标构建最小外接矩形的视频检测框Rcamera;
将雷达检测框Rradar基于距离和相似性原理投影到视频检测框Rcamera上;雷达检测框Rradar与视频检测框Rcamera包围的总面积为Su,重合区域的面积为Si,则计算出交叉比值I=Su/Si;
当I值在阈值范围之内,则取雷达检测框Rradar与视频检测框Rcamera中边界较大为融合检测框,输出融合检测框的检测结果作为融合检测结果;
当I值在阈值范围之外,同时保留雷达检测框Rradar与视频检测框Rcamera的检测结果。
2.根据权利要求1所述的一种基于隧道雷视数据融合的事件检测方法,其特征在于,根据目标融合结果,进行交通事件检测判定,得到交通事件检测结果,包括:
根据车辆目标数量计算出车道占有率,当车道占有率大于车道占有率阈值、车辆目标的速度小于拥堵车速阈值以及车辆目标之间的距离小于车距阈值时,判定隧道交通发生车辆拥堵事件;
车辆目标速度为零,且停留时间大于时间阈值,判定发生车辆违停事件;车辆目标的速度高于最大车速阈值,判定发生车辆超速事件;车辆目标的速度低于最小车速阈值,判定发生车辆缓行事件;
根据车辆目标位置检测到车辆目标存在车道压线,判定为发生车辆违规变道事件。
3.根据权利要求1所述的一种基于隧道雷视数据融合的事件检测方法,其特征在于,所述非车辆目标包括行人和抛洒物,当检测到行人,判定为发生行人闯入事件;当检测到抛洒物,判定为发生违规抛洒物。
4.根据权利要求1所述的一种基于隧道雷视数据融合的事件检测方法,其特征在于,还包括:根据交通事件检测结果,对隧道内通行情况进行可视化展示,记录每次隧道内交通事件发生的基本信息,辅助隧道交通事件管理和作业。
5.根据权利要求1所述的一种基于隧道雷视数据融合的事件检测方法,其特征在于,还包括:根据交通事件检测结果进行预警;预警方式包括短信预警、报警灯预警和广播预警。
6.一种基于权利要求1所述的隧道雷视数据融合的事件检测方法的事件检测装置,其特征在于,所述事件检测装置包括:
数据获取模块,用于获取隧道内的雷达数据和视频数据;
分类筛选模块,用于对雷达数据进行目标分类筛选,得到雷达数据目标检测点;
目标检测模块,对视频数据进行目标检测,得到视频数据检测目标;
数据融合分析模块,基于雷达数据目标检测点和视频数据检测目标,通过检测框交叉比的融合算法进行决策级融合,得到目标融合结果;
事件检测判定模块,根据目标融合结果,进行交通事件检测判定,得到交通事件检测结果。
7.一种基于权利要求1所述的隧道雷视数据融合的事件检测方法的检测系统,其特征在于,包括权利要求6所述事件检测装置,还包括
采集模块,包括在隧道按照设定间隔布设的多种视频感知设备和多种雷达感知设备,用于采集隧道内的雷达数据和视频数据;
报警模块,用于对交通事件进行短信预警;
显示模块,用于对隧道内通行情况进行可视化展示,辅助隧道交通事件管理和作业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111071589.0A CN113850995B (zh) | 2021-09-14 | 2021-09-14 | 一种基于隧道雷视数据融合的事件检测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111071589.0A CN113850995B (zh) | 2021-09-14 | 2021-09-14 | 一种基于隧道雷视数据融合的事件检测方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850995A CN113850995A (zh) | 2021-12-28 |
CN113850995B true CN113850995B (zh) | 2022-12-27 |
Family
ID=78974051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111071589.0A Active CN113850995B (zh) | 2021-09-14 | 2021-09-14 | 一种基于隧道雷视数据融合的事件检测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850995B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115148024A (zh) * | 2022-06-23 | 2022-10-04 | 广州国交润万交通信息有限公司 | 一种新型隧道安全监测方法及系统 |
CN116740944B (zh) * | 2023-08-10 | 2023-10-27 | 云南省交通投资建设集团有限公司 | 一种道路隧道内行车安全预警方法、设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839409A (zh) * | 2014-02-27 | 2014-06-04 | 南京大学 | 基于多断面视觉传感聚类分析的交通流状态判别方法 |
RU2016147027A (ru) * | 2016-11-30 | 2018-05-30 | Общество С Ограниченной Ответственностью "Инновационный Центр Самоцвет" (Ооо "Иц Самоцвет") | Способ обеспечения курсовой устойчивости и безопасности автомобиля и устройство для его осуществления |
KR20180065730A (ko) * | 2016-12-08 | 2018-06-18 | 한국건설기술연구원 | 레이더와 영상을 융합한 차량 속도 보정 장치 및 방법 |
CN109102702A (zh) * | 2018-08-24 | 2018-12-28 | 南京理工大学 | 基于视频车辆检测和雷达信号融合的车辆测速方法 |
CN109849930A (zh) * | 2018-12-29 | 2019-06-07 | 百度在线网络技术(北京)有限公司 | 自动驾驶汽车的相邻车辆的速度计算方法和装置 |
CN110456363A (zh) * | 2019-06-17 | 2019-11-15 | 北京理工大学 | 三维激光雷达点云和红外图像融合的目标检测及定位方法 |
CN110532896A (zh) * | 2019-08-06 | 2019-12-03 | 北京航空航天大学 | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 |
CN110807924A (zh) * | 2019-11-04 | 2020-02-18 | 吴钢 | 基于全量全样实时交通数据的多参数融合方法及系统 |
CN111582256A (zh) * | 2020-04-26 | 2020-08-25 | 智慧互通科技有限公司 | 一种基于雷达和视觉信息的停车管理方法及装置 |
WO2020216316A1 (zh) * | 2019-04-26 | 2020-10-29 | 纵目科技(上海)股份有限公司 | 基于毫米波雷达的辅助驾驶系统、方法、终端和介质 |
CN112150799A (zh) * | 2020-08-19 | 2020-12-29 | 上海图丽信息技术有限公司 | 一种融合雷达视频的道路车辆交通大数据采集的方法 |
CN113256990A (zh) * | 2021-07-13 | 2021-08-13 | 北京戍宁信息技术有限公司 | 基于聚类算法的雷达采集道路车辆信息的方法及系统 |
CN113313943A (zh) * | 2021-05-27 | 2021-08-27 | 中国科学院合肥物质科学研究院 | 一种基于路侧感知的路口通行实时调度方法与系统 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103926583B (zh) * | 2014-05-04 | 2015-03-25 | 中国人民解放军空军预警学院监控系统工程研究所 | 一种岸基近程雷达自动跟踪处理方法及装置 |
CN104217015B (zh) * | 2014-09-22 | 2017-11-03 | 西安理工大学 | 基于互为共享最近邻的层次聚类方法 |
KR101787524B1 (ko) * | 2016-06-01 | 2017-10-18 | 메타빌드주식회사 | 교통용 레이더의 신호처리방법 |
JP6825835B2 (ja) * | 2016-07-07 | 2021-02-03 | 日本無線株式会社 | レーダ交通量計測装置及び方法 |
CN106291503B (zh) * | 2016-08-31 | 2018-12-28 | 西南交通大学 | 一种雷达探测系统密度聚类预警方法 |
CN107730905A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法 |
CN108344975A (zh) * | 2018-01-08 | 2018-07-31 | 哈尔滨工程大学 | 一种利用梯度下降和夹角余弦的联合簇标定方法 |
CN110119751B (zh) * | 2018-02-06 | 2021-07-20 | 北京四维图新科技股份有限公司 | 激光雷达点云目标分割方法、目标匹配方法、装置及车辆 |
CN208335464U (zh) * | 2018-06-22 | 2019-01-04 | 广州华信智能交通科技有限公司 | 一种基于视频与雷达的交通事件监测设备 |
CN109064495B (zh) * | 2018-09-19 | 2021-09-28 | 东南大学 | 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法 |
CN109087510B (zh) * | 2018-09-29 | 2021-09-07 | 讯飞智元信息科技有限公司 | 交通监测方法及装置 |
CN109581312B (zh) * | 2018-11-22 | 2023-07-14 | 西安电子科技大学昆山创新研究院 | 一种高分辨毫米波雷达多目标聚类方法 |
CN109686088B (zh) * | 2018-12-29 | 2021-07-30 | 重庆同枥信息技术有限公司 | 一种交通视频告警方法、设备及系统 |
CN110210463B (zh) * | 2019-07-03 | 2023-07-11 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
CN112394334A (zh) * | 2019-08-16 | 2021-02-23 | 富士通株式会社 | 雷达反射点的聚类装置、方法以及电子设备 |
CN110766719B (zh) * | 2019-09-21 | 2022-11-18 | 北醒(北京)光子科技有限公司 | 一种目标跟踪方法、设备及存储介质 |
CN110570664B (zh) * | 2019-09-23 | 2023-04-07 | 山东科技大学 | 一种高速公路交通事件自动检测系统 |
CN110796868A (zh) * | 2019-12-02 | 2020-02-14 | 江苏中路工程技术研究院有限公司 | 一种视频与微波融合的交通事件监测系统与方法 |
CN112738470B (zh) * | 2020-12-25 | 2022-10-21 | 太原理工大学 | 一种高速公路隧道内停车检测的方法 |
CN112861773A (zh) * | 2021-03-04 | 2021-05-28 | 超级视线科技有限公司 | 一种基于多层次的泊位状态检测方法及系统 |
CN113168717B (zh) * | 2021-03-11 | 2023-03-03 | 华为技术有限公司 | 一种点云匹配方法及装置、导航方法及设备、定位方法、激光雷达 |
-
2021
- 2021-09-14 CN CN202111071589.0A patent/CN113850995B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839409A (zh) * | 2014-02-27 | 2014-06-04 | 南京大学 | 基于多断面视觉传感聚类分析的交通流状态判别方法 |
RU2016147027A (ru) * | 2016-11-30 | 2018-05-30 | Общество С Ограниченной Ответственностью "Инновационный Центр Самоцвет" (Ооо "Иц Самоцвет") | Способ обеспечения курсовой устойчивости и безопасности автомобиля и устройство для его осуществления |
KR20180065730A (ko) * | 2016-12-08 | 2018-06-18 | 한국건설기술연구원 | 레이더와 영상을 융합한 차량 속도 보정 장치 및 방법 |
CN109102702A (zh) * | 2018-08-24 | 2018-12-28 | 南京理工大学 | 基于视频车辆检测和雷达信号融合的车辆测速方法 |
CN109849930A (zh) * | 2018-12-29 | 2019-06-07 | 百度在线网络技术(北京)有限公司 | 自动驾驶汽车的相邻车辆的速度计算方法和装置 |
WO2020216316A1 (zh) * | 2019-04-26 | 2020-10-29 | 纵目科技(上海)股份有限公司 | 基于毫米波雷达的辅助驾驶系统、方法、终端和介质 |
CN110456363A (zh) * | 2019-06-17 | 2019-11-15 | 北京理工大学 | 三维激光雷达点云和红外图像融合的目标检测及定位方法 |
CN110532896A (zh) * | 2019-08-06 | 2019-12-03 | 北京航空航天大学 | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 |
CN110807924A (zh) * | 2019-11-04 | 2020-02-18 | 吴钢 | 基于全量全样实时交通数据的多参数融合方法及系统 |
CN111582256A (zh) * | 2020-04-26 | 2020-08-25 | 智慧互通科技有限公司 | 一种基于雷达和视觉信息的停车管理方法及装置 |
CN112150799A (zh) * | 2020-08-19 | 2020-12-29 | 上海图丽信息技术有限公司 | 一种融合雷达视频的道路车辆交通大数据采集的方法 |
CN113313943A (zh) * | 2021-05-27 | 2021-08-27 | 中国科学院合肥物质科学研究院 | 一种基于路侧感知的路口通行实时调度方法与系统 |
CN113256990A (zh) * | 2021-07-13 | 2021-08-13 | 北京戍宁信息技术有限公司 | 基于聚类算法的雷达采集道路车辆信息的方法及系统 |
Non-Patent Citations (3)
Title |
---|
基于毫米波雷达与机器视觉融合的车辆检测技术研究;宋伟杰;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20210215(第2期);全文 * |
基于注意力的毫米波-激光雷达融合目标检测;李朝;《计算机应用》;20210710;第41卷(第7期);全文 * |
基于激光点云与图像信息融合的交通环境车辆检测;郑少武;《仪器仪表学报》;20191231;第40卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113850995A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108919256B (zh) | 四维实景交通仿真车辆超速全程跟踪检测报警系统及方法 | |
CN110164130B (zh) | 交通事件检测方法、装置、设备及存储介质 | |
US6442474B1 (en) | Vision-based method and apparatus for monitoring vehicular traffic events | |
CN113850995B (zh) | 一种基于隧道雷视数据融合的事件检测方法、装置及系统 | |
CN104282154B (zh) | 一种车辆超载监控系统及方法 | |
US11380105B2 (en) | Identification and classification of traffic conflicts | |
CN110570664A (zh) | 一种高速公路交通事件自动检测系统 | |
CN110718062B (zh) | 一种大区域多目标交通事件检测系统及方法 | |
CN103914688A (zh) | 一种城市道路障碍物识别系统 | |
CN110738857B (zh) | 一种车辆违章取证方法、装置及设备 | |
CN110895662A (zh) | 车辆超载报警方法、装置、电子设备及存储介质 | |
Battiato et al. | On-board monitoring system for road traffic safety analysis | |
Lv et al. | Automatic vehicle-pedestrian conflict identification with trajectories of road users extracted from roadside LiDAR sensors using a rule-based method | |
Shobayo et al. | Development of smart plate number recognition system for fast cars with web application | |
CN113822285A (zh) | 一种用于复杂应用场景的车辆违停识别方法 | |
CN111753612A (zh) | 一种抛洒物检测方法、装置及存储介质 | |
Ansariyar et al. | Statistical analysis of vehicle-vehicle conflicts with a LIDAR sensor in a signalized intersection. | |
CN113658427A (zh) | 基于视觉与雷达的路况监控方法及系统、设备 | |
Mampilayil et al. | Deep learning based detection of one way traffic rule violation of three wheeler vehicles | |
CN103886761A (zh) | 能够快速发现道路异常停车的智能卡口系统及其运行方法 | |
CN112071058A (zh) | 基于深度学习的道路交通监控及车辆异常、违禁、火灾的检测方法及系统 | |
CN203149835U (zh) | 一种交通违章取证的车辆视频数据挖掘系统 | |
CN115440071B (zh) | 一种自动驾驶违规停车检测方法 | |
CN115311458A (zh) | 基于多任务学习的实时高速公路行人闯入事件检测方法 | |
CN113989731A (zh) | 一种信息的检测方法、计算设备及存储介质 |
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 |