CN113920731A - 一种基于无人机的交通运行风险实时识别方法 - Google Patents
一种基于无人机的交通运行风险实时识别方法 Download PDFInfo
- Publication number
- CN113920731A CN113920731A CN202111188985.1A CN202111188985A CN113920731A CN 113920731 A CN113920731 A CN 113920731A CN 202111188985 A CN202111188985 A CN 202111188985A CN 113920731 A CN113920731 A CN 113920731A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- risk
- pixel
- unmanned aerial
- real
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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
-
- 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
- G08G1/16—Anti-collision systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及智能交通技术领域,公开了一种基于无人机的交通运行风险实时识别方法,所述方法包括:步骤1、识别车辆位置;步骤2、获取车辆运行速度;步骤3、获取车关联车辆;步骤4、预测碰撞位置;步骤5、获取风险梯度;步骤6、获取综合风险值;步骤7、将像素上的风险值映射为像素灰度,将灰度图映射为颜色梯度生成热度图像;步骤8、热力图与原始图像帧叠加,连续播放生成风险热度化视频。
Description
技术领域
本发明涉及智能交通技术领域,具体的是一种基于无人机的交通运行风险实时识别方法。
背景技术
交通事故一直受到广泛关注,每年交通事故造成的人员和财产损失十分巨大。研究人员一直致力于感知预测交通事故的发生,主动感知风险可以极大程度降低损失。如果能够识别交通运行中某一高风险区域,那么相应的措施就可以被用来降低区域存在的风险,减少事故发生的可能性,因此交通运行高风险区域的识别具有重要意义。
然而,现有技术首先往往需要历史事故数据作为支撑,对未来可能有事故发生的区域进行预测,但是历史事故数据需要长时间积累才能有较为可靠的预测结果;其次,现有事故预测技术缺乏对事故的深度考虑,可能造成事故风险预测偏差。目前事故预测方法基本上以车道某一路段为最小单位给出事故风险概率,没有深度考虑路段中车辆之间发生碰撞的风险;最后,现有的事故预测技术大多以某一时间段一个路段碰撞概率值为碰撞风险的输出结果,当需要对较大范围内事故风险进行识别的时候,现有事故预测技术不能对区域风险有直观的展现,造成交通管理过程仅能以数字判断风险,缺乏对交通运行风险有直观的比较,并且难以对风险集中区域的成因进行解读。
随着无人机拍摄技术的广泛应用,高质量的视频为交通运行风险的识别可视化提供了条件。首先,利用无人机对区域交通运行状况采集时,画面能够对较大的范围进行覆盖,可以获得交通运行中全面的原始数据。其次,交通状况随时间变化,风险的积聚也在不断变化,与其他固定传感器相比,无人机采集交通运行状态的时间、经济成本小,无人机起降的准备工作相对简单,能够保证随时起降,保证采集交通运行状态的实时性,风险识别呈现的实时性。并且,无人机拍摄不易被遮挡物干扰,精确的车辆运行信息可以从无人机实时视频中获取。对于需要进行风险识别显示的区域,结合机器视觉技术,风险区域可以自动被识别,并且在原始视频中得以实时展现。最后,无人机可以快速进行部署采集交通状况,展现风险区域,为快速反应提供依据。未来该技术可以应用到快速评估展现各类交通运行风险中,为交通运行安全的提升提供支持。
发明内容
为解决上述背景技术中提到的不足,本发明的目的在于提供一种基于无人机的交通运行风险实时识别方法,所述方法包括:步骤1、识别车辆位置;步骤2、获取车辆运行速度;步骤3、获取车关联车辆;步骤4、预测碰撞位置;步骤5、获取风险梯度;步骤6、获取综合风险值;步骤7、将像素上的风险值映射为像素灰度,将灰度图映射为颜色梯度生成热度图像;步骤8、热力图与原始图像帧叠加,连续播放生成风险热度化视频。
本发明的目的可以通过以下技术方案实现:
一种基于无人机的交通运行风险实时识别方法,所述方法包括如下步骤:
步骤1、识别车辆位置;
步骤2、获取车辆运行速度:根据匹配成功的车辆对象匹配前后最小外接矩形中心的像素位置t到t+1坐标变化,以及视频帧率rate,画面与真实世界中距离的比例s计算车辆当前的运行速度v,
步骤3、获取车关联车辆;
步骤4、预测碰撞位置:对于任意一个方位的关联车辆M,根据M和车辆对象S在t时刻的最小外接矩形中心位置(xM,yM),(xS,yS)推算预计碰撞位置(xC,yC),其中:
步骤5、获取风险梯度:以预计碰撞位置与关联车辆M和车辆对象S中速度较小的车辆最小外接矩形中心点连线为半径,预计碰撞位置为圆心,计算圆形区域内沿径向方向碰撞时间的变化梯度,C点半径范围内某一点(xA,yA)碰撞风险由公式给出:
步骤6、获取综合风险值:将车辆对象S与所有关联方位车辆之间在任意像素点的碰撞风险求平均值,像素点风险计算方法如下式:
U是t时刻检测区域内所有的碰撞点,N为t时刻碰撞点的数量和。
步骤7、将像素上的风险值映射为像素灰度,将灰度图映射为颜色梯度生成热度图像;
步骤8、热力图与原始图像帧叠加,连续播放生成风险热度化视频。
进一步的,所述识别车辆位置的具体方法如下:
步骤1.1、无人机在待识别区域上空悬停,无人机视频画面传输到地面计算机设备;
步骤1.2、识别可疑车辆对象;
步骤1.3、过滤疑似车辆对象中不符合实际情况的车辆对象;
步骤1.4、准备继续识别;
步骤1.5、车辆对象匹配。
5、根据权利要求2所述的一种基于无人机的交通运行风险实时识别方法,其特征在于,所述获取获取车关联车辆的方法为:
利用OpenCV识别白色车道线,划分车道区域,在已存车辆对象集合中,判断任意一个车辆对象S所处车道位置,如果车辆对象S最小外接矩形边界处于某一车道内,分别搜索车辆对象在同一车道内前方最近的车辆对象S+1,后方最近的车辆对象S-1,右侧车道前方最近的车辆对象R+1,后方最近的车辆对象R-1,左侧车道前方最近的车辆对象L+1,后方最近的车辆对象L-1,将搜索到的六个方位的车辆对象分别标记为关联车辆,若车辆对象处于最外侧或最内侧车道时,关联方位相应地减少为四个。
进一步的,将像素上的风险值映射为像素灰度的具体方法为:
某一点风险值从小到大变化,风险梯度从0到1变化,相应的像素灰度从0到255变化,像素点灰度映射关系如下式:
GrayA=RA×255
进一步的,所述将灰度图映射为颜色梯度生成热度图像的具体方法为:某一点像素灰度从0到255变化映射到彩色热度图中,表现为颜色由蓝色转变为红色,颜色越靠近蓝色表明风险越低,越靠近红色表明风险越高。最终所有像素点根据映射关系获取相应的颜色,组成彩色热度图像。
进一步的,所述步骤8的具体方法为:将热度图像像素RGB值乘以系数α(0<α<1),原始帧图像像素RGB乘以1-α,然后两图像素值相加,得到风险识别结果视频中的一帧图像,连续生成帧后便生成实时风险变化视频;视频中红色集中区域即是对高风险区域的实时识别显示,绿色区域风险相对较低,蓝色区域则为风险最低的区域;随着视频不断播放,不同区域反映风险程度的颜色也会随交通状况发生改变,捕捉高风险区域。
本发明的有益效果:
1、基于车辆间事故风险的区域风险实时变化识别及可视化呈现;
2、和无人机结合快速部署到交通硬件设施差的地方或有突发事件的地方,如果检测结果红色面积与检测路段面积之比超过容忍比例,对红色集中的车道进行限速控制或者向其他车道疏导分流,直到面积比低于容忍比例;
3、动态收集干预结果,为驾驶人避险行为的改进提供依据。例如,如果红色区域集中在一些车辆周围,可考虑通过通信手段对高风险驾驶人进行避险引导,观察干预前后红色高风险区域向绿色低风险区域转变程度,实时比较不同干预方案的效果。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明整体流程示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的组件或元件必须具有特定的方位,以特定的方位构造和操作,因此不能理解为对本发明的限制。
一种基于无人机的交通运行风险实时识别方法,所述方法包括如下步骤:
步骤1:识别车辆位置;
所述识别车辆位置的具体方法如下:
步骤1.1、无人机在待识别区域上空悬停,无人机视频画面传输到地面计算机设备;
步骤1.2、识别可疑车辆对象;通过OpenCV读入无人机视频最初的两帧画面,创建视频写入对象。将画面帧利用OpenCV转化为灰度图像,对两帧灰度图像进行高斯模糊变换,经处理的两帧画面各像素点像素值相减得到两帧画面之间的差值图,对差值图进行二值化得到二值图像,对二值图像进行形态学膨胀操作。利用OpenCV库函数从膨胀运算后的二值图像提取出所有疑似车辆的轮廓点集。寻找每一组疑似车辆轮廓点集的凸包。分别创建每一个凸包的最小外接矩形,每个矩形相邻两边分别与图像两坐标轴平行。
步骤1.3、过滤疑似车辆对象中不符合实际情况的车辆对象;计算每个最小外接矩形的面积,长宽比,宽度,高度,对角线长度,以及轮廓点集包围面积与矩形包围面积的比值,根据相机参数和拍摄位置可以确定矩形面积,长宽比,宽度,高度,对角线长度以及轮廓点集包围面积与矩形包围面积的比值的最大值和最小值,排除不满足任意条件的疑似车辆点集。在剩余任意一个矩形rect_A和其他矩形之间进行重叠检测,如果重叠部分的面积占rect_A面积的百分之70%,则将矩形rect_A从点集中去除。经过多次过滤,剩余的轮廓点集即为感兴趣路段内所有运动车辆的轮廓。在最初两帧画面得到的轮廓将会被直接标记为画面中现存的车辆对象。
步骤1.4、准备继续识别;对已读取的帧数进行判断,若已读取帧数小于三帧,则返回步骤2开始下一轮处理比对。此时,前一轮处理中的第二帧画面将作为下一轮中两帧画面的第一帧图像,并读取新的一帧画面作为第二帧图像,识别获得一组新的车辆对象,包含感兴趣路段中车辆轮廓点集。
步骤1.5、车辆对象匹配;首先对上一轮循环提取的车辆对象进行位置预测。如果车辆对象仅有一个时刻的一组位置中心点,则不对车辆对象进行下一次位置预测;如果车辆对象移动了多次,即已经保存有多个时刻的位置点,则根据最近的4次位置点进行下一次位置预测;如果位置点不足四次,则选择所有的位置点进行下次位置预测。对任意一个车辆对象A,在新的车辆对象中搜索与它距离最近的车辆对象。如果t时刻的车辆对象A的预测位置点与t+1时刻车辆对象A′的位置点距离最近,且最小距离小于车辆对象A′最小外接矩形对角线长度的60%时,则认为t+1时刻车辆对象A′即和t时刻的车辆对象A为同一车辆。如果车辆对象X在t+1时刻已经有五次以上未匹配到新的车辆对象,则认为该车辆已经从画面中离开,不参加到新的匹配当中。如果最小距离不满足小于最小外接矩形对角线长度的60%的条件时,放宽搜索范围,在t+1时刻已经有五次以上未匹配到新目标的车辆对象中搜索与A最近的轮廓A″,且该轮廓同样需要满足最小距离小于车辆对象A最小外接矩形对角线长度的60%,此时t时刻的车辆对象A″与t+1时刻车辆对象A即匹配为同一车辆。如果t+1时刻的车辆对象A在t时刻没有找到满足上述要求的匹配对象,则判断车辆对象A是否为新进入画面的车辆。如果车辆对象的最小外接矩形中心在画面边界内,则认为车辆对象A确实为新出现的车辆。所有匹配成功的车辆对象会替代原上一时刻的位置,新出现的车辆对象将加入画面中已存车辆对象的集合。
步骤2:获取车辆运行速度:根据匹配成功的车辆对象匹配前后最小外接矩形中心的像素位置t到t+1坐标变化,以及视频帧率rate,画面与真实世界中距离的比例s计算车辆当前的运行速度v,
步骤3:获取车关联车辆;
利用OpenCV识别白色车道线,划分车道区域,在已存车辆对象集合中,判断任意一个车辆对象S所处车道位置,如果车辆对象S最小外接矩形边界处于某一车道内,分别搜索车辆对象在同一车道内前方最近的车辆对象S+1,后方最近的车辆对象S-1,右侧车道前方最近的车辆对象R+1,后方最近的车辆对象R-1,左侧车道前方最近的车辆对象L+1,后方最近的车辆对象L-1,将搜索到的六个方位的车辆对象分别标记为关联车辆,若车辆对象处于最外侧或最内侧车道时,关联方位相应地减少为四个。
步骤4:预测碰撞位置:对于任意一个方位的关联车辆M,根据M和车辆对象S在t时刻的最小外接矩形中心位置(xM,yM),(xS,yS)推算预计碰撞位置(xC,yC),其中:
步骤5:获取风险梯度:以预计碰撞位置与关联车辆M和车辆对象S中速度较小的车辆最小外接矩形中心点连线为半径,预计碰撞位置为圆心,计算圆形区域内沿径向方向碰撞时间的变化梯度,C点半径范围内某一点(xA,yA)碰撞风险由公式给出:
步骤6:获取综合风险值:将车辆对象S与所有关联方位车辆之间在任意像素点的碰撞风险求平均值,像素点风险计算方法如下式:
U是t时刻检测区域内所有的碰撞点,N为t时刻碰撞点的数量和。
步骤7:将像素上的风险值映射为像素灰度,将灰度图映射为颜色梯度生成热度图像;
某一点风险值从小到大变化,风险梯度从0到1变化,相应的像素灰度从0到255变化,像素点灰度映射关系如下式:
GrayA=RA×255
某一点像素灰度从0到255变化映射到彩色热度图中,表现为颜色由蓝色转变为红色,颜色越靠近蓝色表明风险越低,越靠近红色表明风险越高。最终所有像素点根据映射关系获取相应的颜色,组成彩色热度图像。
步骤8:热力图与原始图像帧叠加,连续播放生成风险热度化视频。
将热度图像像素RGB值乘以系数α(0<α<1),原始帧图像像素RGB乘以1-α,然后两图像素值相加,得到风险识别结果视频中的一帧图像,连续生成帧后便生成实时风险变化视频;视频中红色集中区域即是对高风险区域的实时识别显示,绿色区域风险相对较低,蓝色区域则为风险最低的区域;随着视频不断播放,不同区域反映风险程度的颜色也会随交通状况发生改变,捕捉高风险区域。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (6)
1.一种基于无人机的交通运行风险实时识别方法,其特征在于,所述方法包括如下步骤:
步骤1、识别车辆位置;
步骤2、获取车辆运行速度:根据匹配成功的车辆对象匹配前后最小外接矩形中心的像素位置t到t+1坐标变化,以及视频帧率rate,画面与真实世界中距离的比例s计算车辆当前的运行速度v,
步骤3、获取车关联车辆;
步骤4、预测碰撞位置:对于任意一个方位的关联车辆M,根据M和车辆对象S在t时刻的最小外接矩形中心位置(xM,yM),(xS,yS)推算预计碰撞位置(xC,yC),其中:
步骤5、获取风险梯度:以预计碰撞位置与关联车辆M和车辆对象S中速度较小的车辆最小外接矩形中心点连线为半径,预计碰撞位置为圆心,计算圆形区域内沿径向方向碰撞时间的变化梯度,C点半径范围内某一点(xA,yA)碰撞风险由公式给出:
步骤6、获取综合风险值:将车辆对象S与所有关联方位车辆之间在任意像素点的碰撞风险求平均值,像素点风险计算方法如下式:
U是t时刻检测区域内所有的碰撞点,N为t时刻碰撞点的数量和。
步骤7、将像素上的风险值映射为像素灰度,将灰度图映射为颜色梯度生成热度图像;
步骤8、热力图与原始图像帧叠加,连续播放生成风险热度化视频。
2.根据权利要求1所述的一种基于无人机的交通运行风险实时识别方法,其特征在于,所述识别车辆位置的具体方法如下:
步骤1.1、无人机在待识别区域上空悬停,无人机视频画面传输到地面计算机设备;
步骤1.2、识别可疑车辆对象;
步骤1.3、过滤疑似车辆对象中不符合实际情况的车辆对象;
步骤1.4、准备继续识别;
步骤1.5、车辆对象匹配。
3.根据权利要求2所述的一种基于无人机的交通运行风险实时识别方法,其特征在于,所述获取获取车关联车辆的方法为:
利用OpenCV识别白色车道线,划分车道区域,在已存车辆对象集合中,判断任意一个车辆对象S所处车道位置,如果车辆对象S最小外接矩形边界处于某一车道内,分别搜索车辆对象在同一车道内前方最近的车辆对象S+1,后方最近的车辆对象S-1,右侧车道前方最近的车辆对象R+1,后方最近的车辆对象R-1,左侧车道前方最近的车辆对象L+1,后方最近的车辆对象L-1,将搜索到的六个方位的车辆对象分别标记为关联车辆,若车辆对象处于最外侧或最内侧车道时,关联方位相应地减少为四个。
4.根据权利要求1所述的一种基于无人机的交通运行风险实时识别方法,其特征在于,将像素上的风险值映射为像素灰度的具体方法为:
某一点风险值从小到大变化,风险梯度从0到1变化,相应的像素灰度从0到255变化,像素点灰度映射关系如下式:
GrayA=RA×255。
5.根据权利要求1所述的一种基于无人机的交通运行风险实时识别方法,其特征在于,所述将灰度图映射为颜色梯度生成热度图像的具体方法为:某一点像素灰度从0到255变化映射到彩色热度图中,表现为颜色由蓝色转变为红色,颜色越靠近蓝色表明风险越低,越靠近红色表明风险越高。最终所有像素点根据映射关系获取相应的颜色,组成彩色热度图像。
6.根据权利要求1所述的一种基于无人机的交通运行风险实时识别方法,其特征在于,所述步骤8的具体方法为:将热度图像像素RGB值乘以系数α(0<α<1),原始帧图像像素RGB乘以1-α,然后两图像素值相加,得到风险识别结果视频中的一帧图像,连续生成帧后便生成实时风险变化视频;视频中红色集中区域即是对高风险区域的实时识别显示,绿色区域风险相对较低,蓝色区域则为风险最低的区域;随着视频不断播放,不同区域反映风险程度的颜色也会随交通状况发生改变,捕捉高风险区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111188985.1A CN113920731B (zh) | 2021-10-12 | 2021-10-12 | 一种基于无人机的交通运行风险实时识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111188985.1A CN113920731B (zh) | 2021-10-12 | 2021-10-12 | 一种基于无人机的交通运行风险实时识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113920731A true CN113920731A (zh) | 2022-01-11 |
CN113920731B CN113920731B (zh) | 2022-09-06 |
Family
ID=79239856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111188985.1A Active CN113920731B (zh) | 2021-10-12 | 2021-10-12 | 一种基于无人机的交通运行风险实时识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920731B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690630A (zh) * | 2022-11-08 | 2023-02-03 | 山东农业工程学院 | 一种用于路面车辆识别的交通遥感图像处理方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622895A (zh) * | 2012-03-23 | 2012-08-01 | 长安大学 | 一种基于视频的车辆速度检测方法 |
CN110555423A (zh) * | 2019-09-09 | 2019-12-10 | 南京东控智能交通研究院有限公司 | 基于多维运动摄像机的航拍视频的交通参数提取方法 |
CN111354225A (zh) * | 2020-03-03 | 2020-06-30 | 中交第一公路勘察设计研究院有限公司 | 一种高速公路车辆事故风险评估及预警干预方法 |
US20200262423A1 (en) * | 2020-05-08 | 2020-08-20 | Intel Corporation | Systems, devices, and methods for risk-aware driving |
US20210009121A1 (en) * | 2020-09-24 | 2021-01-14 | Intel Corporation | Systems, devices, and methods for predictive risk-aware driving |
US11017475B1 (en) * | 2015-10-06 | 2021-05-25 | United Services Automobile Association (Usaa) | Systems and methods for analyzing and visualizing traffic accident risk |
CN113256965A (zh) * | 2021-04-20 | 2021-08-13 | 孙素萍 | 基于智慧城市的交通风险感知系统及方法 |
CN113421289A (zh) * | 2021-05-17 | 2021-09-21 | 同济大学 | 一种克服无人机拍摄扰动的高精度车辆轨迹数据提取方法 |
-
2021
- 2021-10-12 CN CN202111188985.1A patent/CN113920731B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622895A (zh) * | 2012-03-23 | 2012-08-01 | 长安大学 | 一种基于视频的车辆速度检测方法 |
US11017475B1 (en) * | 2015-10-06 | 2021-05-25 | United Services Automobile Association (Usaa) | Systems and methods for analyzing and visualizing traffic accident risk |
CN110555423A (zh) * | 2019-09-09 | 2019-12-10 | 南京东控智能交通研究院有限公司 | 基于多维运动摄像机的航拍视频的交通参数提取方法 |
CN111354225A (zh) * | 2020-03-03 | 2020-06-30 | 中交第一公路勘察设计研究院有限公司 | 一种高速公路车辆事故风险评估及预警干预方法 |
US20200262423A1 (en) * | 2020-05-08 | 2020-08-20 | Intel Corporation | Systems, devices, and methods for risk-aware driving |
US20210009121A1 (en) * | 2020-09-24 | 2021-01-14 | Intel Corporation | Systems, devices, and methods for predictive risk-aware driving |
CN113256965A (zh) * | 2021-04-20 | 2021-08-13 | 孙素萍 | 基于智慧城市的交通风险感知系统及方法 |
CN113421289A (zh) * | 2021-05-17 | 2021-09-21 | 同济大学 | 一种克服无人机拍摄扰动的高精度车辆轨迹数据提取方法 |
Non-Patent Citations (2)
Title |
---|
倪燃: "基于图像的车祸事故人工智能识别系统的设计", 《科技通报》 * |
周雨阳等: "无人机广域视频的机动车交通参数计算及分析", 《交通运输系统工程与信息》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690630A (zh) * | 2022-11-08 | 2023-02-03 | 山东农业工程学院 | 一种用于路面车辆识别的交通遥感图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113920731B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110069986B (zh) | 一种基于混合模型的交通信号灯识别方法及系统 | |
WO2020000251A1 (zh) | 基于摄像机协同接力的路口违章视频识别方法 | |
CN108021856B (zh) | 车辆尾灯识别方法、装置及车辆 | |
Tae-Hyun et al. | Detection of traffic lights for vision-based car navigation system | |
CN110210451B (zh) | 一种斑马线检测方法 | |
CN104766071B (zh) | 一种应用于无人驾驶汽车的交通灯快速检测算法 | |
CN110060508B (zh) | 一种用于内河桥区的船舶自动检测方法 | |
CN105718872A (zh) | 两侧车道快速定位及检测车辆偏转角度的辅助方法及系统 | |
CN111915583B (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN110852179B (zh) | 基于视频监控平台的可疑人员入侵的检测方法 | |
CN115841649A (zh) | 一种用于城市复杂场景的多尺度人数统计方法 | |
CN112132071A (zh) | 识别交通拥堵的处理方法、装置、设备及存储介质 | |
CN113033315A (zh) | 一种稀土开采高分影像识别与定位方法 | |
CN113920731B (zh) | 一种基于无人机的交通运行风险实时识别方法 | |
CN111951576A (zh) | 一种基于车辆识别的交通灯控制系统及其方法 | |
CN110443142B (zh) | 一种基于路面提取与分割的深度学习车辆计数方法 | |
CN110733416B (zh) | 一种基于逆透视变换的车道偏离预警方法 | |
CN109325426B (zh) | 一种基于三正交平面时空特征的黑烟车检测方法 | |
FAN et al. | Robust lane detection and tracking based on machine vision | |
Zhang et al. | Vehicle detection in UAV aerial images based on improved YOLOv3 | |
Qiu et al. | Intelligent Highway Lane Center Identification from Surveillance Camera Video | |
CN114898319B (zh) | 基于多传感器决策级信息融合的车型识别方法及系统 | |
Atev et al. | A collision prediction system for traffic intersections | |
Irshad et al. | Real-time lane departure warning system on a lower resource platform | |
CN111382718B (zh) | 一种夜间行人检测系统及基于该系统的行人检测方法 |
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 |