CN114255421A - 一种基于目标追踪的团雾检测预警方法、系统及介质 - Google Patents

一种基于目标追踪的团雾检测预警方法、系统及介质 Download PDF

Info

Publication number
CN114255421A
CN114255421A CN202111519791.5A CN202111519791A CN114255421A CN 114255421 A CN114255421 A CN 114255421A CN 202111519791 A CN202111519791 A CN 202111519791A CN 114255421 A CN114255421 A CN 114255421A
Authority
CN
China
Prior art keywords
fog
video
early warning
group
detected
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.)
Pending
Application number
CN202111519791.5A
Other languages
English (en)
Inventor
费东
李凡平
王堃
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.)
ISSA Technology Co Ltd
Original Assignee
ISSA 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 ISSA Technology Co Ltd filed Critical ISSA Technology Co Ltd
Priority to CN202111519791.5A priority Critical patent/CN114255421A/zh
Publication of CN114255421A publication Critical patent/CN114255421A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
    • G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了基于目标追踪的团雾检测预警方法、系统及介质，方法包括获取样本数据；所述样本数据包括视频以及对应的标注信息，所述视频包括道路，所述标注信息包括团雾信息；使用预设的神经网络模型对所述样本数据进行训练，得到团雾检测模型；获取待检测视频，利用所述团雾检测模型对所述待检测视频进行检测，以得到所述待检测视频中的团雾信息；根据所述待检测视频的团雾信息进行团雾目标追踪和预警。该方法专门为团雾检测采集样本数据，通过神经网络对团雾进行实时的目标检测和追踪分析，特别适用于对团雾进行实时定位和移动方向分析及预警的场景，也能有效的对道路或高速公路区域进行团雾检测。

Description

一种基于目标追踪的团雾检测预警方法、系统及介质
技术领域
本发明属于智能交通技术领域，具体涉及一种基于目标追踪的团雾检测预警方法、系统及介质。
背景技术
团雾是受局部地区微气候环境的影响，在数十米到上百米的局部范围内，浓度更高的、能见度更低的雾。团雾易出现在郊区和乡村地带，尤其是在高速公路上，团雾会导致能见度的突然变化，对高速公路交通安全极具危害性，容易酿成重大交通事故。
常用的散射式能见度仪和透射式能见度仪对雾气浓度检测效果较好，但对于范围小、具有流动性的团雾，检测预警难度较大，且这些仪器成本昂贵，检测覆盖率较低。
现有一些雾气检测方法是利用图像分析方法对普雾气浓度进行分类，检测某个监控设备下的雾气达到何种浓度，无法精确地对团雾进行定位和移动方向预测。
发明内容
针对现有技术中的缺陷，本发明提供一种基于目标追踪的团雾检测预警方法、系统及介质，能够对团雾进行实时的检测和追踪。
第一方面，一种基于目标追踪的团雾检测预警方法，包括以下步骤：
获取样本数据；样本数据包括视频以及对应的标注信息，视频包括道路，标注信息包括团雾信息；
使用预设的神经网络模型对样本数据进行训练，得到团雾检测模型；
获取待检测视频，利用团雾检测模型对待检测视频进行检测，以得到待检测视频中的团雾信息；
根据待检测视频的团雾信息进行团雾目标追踪和预警。
优选地，团雾信息包括是否存在团雾、团雾的团雾浓度等级、团雾的中心位置坐标以及团雾的覆盖范围。
优选地，团雾的中心位置坐标包括团雾的中心位置在视频中每帧图像上的横坐标和纵坐标；
团雾的覆盖范围包括团雾的宽和高。
优选地，在获取待检测视频之前还包括：
在不同拍摄视角获得的首次视频上标注出预警区域。
优选地，根据待检测视频的团雾信息进行团雾目标追踪和预警具体包括：
当通过团雾信息得到待检测视频中存在团雾时，对团雾进行目标追踪；
当追踪到团雾与预警区域存在重叠区域时，计算团雾的移动方向；
根据待检测视频中团雾的团雾浓度等级、中心位置坐标、覆盖范围以及移动方向生成预警信息，进行预警。
优选地，团雾的移动方向包括：通过待检测视频中两帧图像中团雾的中心位置计算得到的弧度。
第二方面，一种基于目标追踪的团雾检测预警系统，包括：
采样单元：用于获取样本数据；样本数据包括视频以及对应的标注信息，视频包括道路，标注信息包括团雾信息；
训练单元：与采样单元连接；训练单元用于使用预设的神经网络模型对样本数据进行训练，得到团雾检测模型；
检测单元：与训练单元连接；检测单元用于获取待检测视频，利用团雾检测模型对待检测视频进行检测，以得到待检测视频中的团雾信息；
预警单元：与检测单元连接；预警单元用于根据待检测视频的团雾信息进行团雾目标追踪和预警。
优选地，团雾信息包括是否存在团雾、团雾的团雾浓度等级、团雾的中心位置坐标以及团雾的覆盖范围；
团雾的中心位置坐标包括团雾的中心位置在视频中每帧图像上的横坐标和纵坐标；
团雾的覆盖范围包括团雾的宽和高。
优选地，预警单元具体用于：
在不同拍摄视角获得的首次视频上标注出预警区域；
当通过团雾信息得到待检测视频中存在团雾时，对团雾进行目标追踪；
当追踪到团雾与预警区域存在重叠区域时，计算团雾的移动方向；
根据待检测视频中团雾的团雾浓度等级、中心位置坐标、覆盖范围以及移动方向生成预警信息，进行预警。
优选地，团雾的移动方向包括：通过待检测视频中两帧图像中团雾的中心位置计算得到的弧度。
第三方面，一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行第一方面所述的方法。
由上述技术方案可知，本发明提供的基于目标追踪的团雾检测预警方法及系统，专门为团雾检测采集样本数据，通过神经网络对团雾进行实时的目标检测和追踪分析，特别适用于对团雾进行实时定位和移动方向分析及预警的场景，也能有效的对道路或高速公路区域进行团雾检测。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为具体实施例中一实施例提供的团雾检测预警方法的流程图。
图2为图1中进行目标追踪和预警的方法流程图。
图3为具体实施例中一实施例提供的团雾检测预警系统的模块示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
实施例一：
一种基于目标追踪的团雾检测预警方法，参见图1，包括以下步骤：
S1：获取样本数据；样本数据包括视频以及对应的标注信息，视频包括道路，标注信息包括团雾信息；
S2：使用预设的神经网络模型对样本数据进行训练，得到团雾检测模型；
S3：获取待检测视频，利用团雾检测模型对待检测视频进行检测，以得到待检测视频中的团雾信息；
S4：根据待检测视频的团雾信息进行团雾目标追踪和预警。
在本实施例中，样本数据可以是拍摄道路得到的离线视频，该视频可以通过网络下载、拍摄设备上传或者是直接录入等方式获得。该视频最好包括道路以及团雾，这样训练得到的团雾检测模型就能够识别出道路中各式各样的团雾。视频的标注方式可以采用人工标注或机器标注等方法，例如人工通过使用labelme等样本标注软件，在视频中标注出道路上是否存在团雾以及团雾的位置大小等；或者是通过计算机自动完成视频的标注。该方法在获得视频后，主要标注视频中的团雾信息。神经网络模型可以选用YOLOv5等目标检测神经网络模型。
在本实施例中，该方法训练得到团雾检测模型后就可以正式使用。使用时，获取待检测视频，待检测视频可以是实时视频，这样就能够检测出道路的实时团雾信息，提高检测的实时性。接着将待检测视频输入至团雾检测模型，团雾检测模型就能输出待检测视频中的团雾信息，包括输出待检测视频中道路上是否有团雾、团雾的位置大小等等。
在本实施例中，当检测到待检测视频中存在团雾时，对团雾进行目标追踪，并根据追踪结果进行预警。这样该方法专门为团雾检测采集样本数据，通过神经网络对团雾进行实时的目标检测和追踪分析，特别适用于对团雾进行实时定位和移动方向分析及预警的场景，也能有效的对道路或高速公路区域进行团雾检测。
进一步地，在一些实施例中，团雾信息包括是否存在团雾、团雾的团雾浓度等级、团雾的中心位置坐标以及团雾的覆盖范围。团雾的中心位置坐标包括团雾的中心位置在视频中每帧图像上的横坐标和纵坐标；团雾的覆盖范围包括团雾的宽和高。
在本实施例中，该方法在对样本数据中的视频标注时，主要标注是否存在团雾、团雾的团雾浓度等级、团雾的中心位置坐标以及团雾的覆盖范围。其中团雾的中心位置坐标可以表示为(x，y)，x为团雾的中心位置在视频当前帧图像中的横坐标，y为团雾的中心位置在视频当前帧图像中的纵坐标。其中每帧图像的原点位置可以根据用户情况自行设置，例如原点可以设置在图像的四个角或者是图像的中间位置。团雾的覆盖范围可以表示为(w，h)，w为团雾的宽，h为团雾的高，如果团雾不是规则形状，w可以选图像横坐标方向上团雾中宽的最大值，h可以选图像纵坐标方向上团雾中高的最大值。团雾的团雾浓度等级可以由客户自行确定，例如团雾浓度等级可以设置为低、中、高三个等级。
进一步地，在一些实施例中，在获取待检测视频之前还包括：
在不同拍摄视角获得的首次视频上标注出预警区域。
在本实施例中，该方法将待检测视频输入至团雾检测模型中之前，还可以各个拍摄视角进行标注，即获得不同拍摄视角获得的首次视频，逐帧获取该视频中的图像，在图像中标注出预警区域(即高速公路多边形区域)。例如假设存在拍摄视角A、拍摄视角B和拍摄视角C，如果拍摄设备不变，那么得到的视频的拍摄视角始终只有拍摄视角A、拍摄视角B和拍摄视角C，这样就可以在拍摄视角A获得的首次视频A中标注出道路区域，在拍摄视角B获得的首次视频B中标注出道路区域，拍摄视角C获得的首次视频C中标注出道路区域。由于使用时拍摄设备基本不变，则拍摄到的道路区域不变，所以每个拍摄视角只需要进行视频的首次标注即可。
进一步地，在一些实施例中，根据待检测视频的团雾信息进行团雾目标追踪和预警具体包括：
当通过团雾信息得到待检测视频中存在团雾时，对团雾进行目标追踪；
当追踪到团雾与预警区域存在重叠区域时，计算团雾的移动方向；
根据待检测视频中团雾的团雾浓度等级、中心位置坐标、覆盖范围以及移动方向生成预警信息，进行预警。
在本实施例中，参见图2，该方法使用的目标追踪可以为sort追踪方法。为了方便追踪，该方法还为每一个团雾设置唯一标识的团雾ID号。该方法在判断团雾是否与预警区域重叠时，可以通过团雾的中心位置坐标进行判断，例如当检测到团雾的中心位置坐标处在报警区域内时，认为团雾与预警区域存在重叠区域。该方法当追踪到团雾与预警区域存在重叠区域时，计算团雾的移动方向，团雾的移动方向用于标识团雾未来的移动走势，这样就可以判断出团雾未来是否继续向预警区域移动，或者团雾当下只是暂时处在预警区域内，后续会远离预警区域移动。最后根据待检测视频中团雾的团雾浓度等级、中心位置坐标、覆盖范围以及移动方向生成预警信息进行预警。其中预警方法包括将团雾的团雾浓度等级、中心位置坐标、团雾ID号、覆盖范围以及移动方向推送给相关人员或者是进行对应的声光报警。
进一步地，在一些实施例中，团雾的移动方向包括：通过待检测视频中两帧图像中团雾的中心位置计算得到的弧度。
在本实施例中，团雾的移动方向可以通过以下方式获得：首先获得追踪到团雾与预警区域存在重叠区域的视频，提取该视频中团雾的团雾ID号，根据该团雾ID号选择视频中前后两帧的图像，其中这两帧图像可以是相邻或者是间隔N帧的图像，N为大于等于1的整数。然后获取这两帧图像中团雾的中心位置，例如团雾在前一帧图像的中心位置为(x1，y1)，在后一帧图像的中心位置为(x2，y2)，那么团雾移动方向的弧度α为：α＝aten 2((y2-y1),(x2-x1))。最后该方法还可以根据该弧度α定义移动方向，例如通过表1定义：
表1：
Figure BDA0003408309810000071
Figure BDA0003408309810000081
实施例二：
一种基于目标追踪的团雾检测预警系统，参见图3，包括：
采样单元1：用于获取样本数据；样本数据包括视频以及对应的标注信息，视频包括道路，标注信息包括团雾信息；
训练单元2：与采样单元1连接；训练单元2用于使用预设的神经网络模型对样本数据进行训练，得到团雾检测模型；
检测单元3：与训练单元2连接；检测单元3用于获取待检测视频，利用团雾检测模型对待检测视频进行检测，以得到待检测视频中的团雾信息；
预警单元4：与检测单元3连接；预警单元4用于根据待检测视频的团雾信息进行团雾目标追踪和预警。
优选地，团雾信息包括是否存在团雾、团雾的团雾浓度等级、团雾的中心位置坐标以及团雾的覆盖范围；
团雾的中心位置坐标包括团雾的中心位置在视频中每帧图像上的横坐标和纵坐标；
团雾的覆盖范围包括团雾的宽和高。
优选地，预警单元4具体用于：
在不同拍摄视角获得的首次视频上标注出预警区域；
当通过团雾信息得到待检测视频中存在团雾时，对团雾进行目标追踪；
当追踪到团雾与预警区域存在重叠区域时，计算团雾的移动方向；
根据待检测视频中团雾的团雾浓度等级、中心位置坐标、覆盖范围以及移动方向生成预警信息，进行预警。
优选地，团雾的移动方向包括：通过待检测视频中两帧图像中团雾的中心位置计算得到的弧度。
本发明实施例所提供的系统，为简要描述，实施例部分未提及之处，可参考前述实施例中相应内容。
实施例三：
一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述的方法。
所述计算机可读存储介质可以是内部存储单元，例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例所提供的介质，为简要描述，实施例部分未提及之处，可参考前述实施例中相应内容。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种基于目标追踪的团雾检测预警方法，其特征在于，包括以下步骤：
获取样本数据；所述样本数据包括视频以及对应的标注信息，所述视频包括道路，所述标注信息包括团雾信息；
使用预设的神经网络模型对所述样本数据进行训练，得到团雾检测模型；
获取待检测视频，利用所述团雾检测模型对所述待检测视频进行检测，以得到所述待检测视频中的团雾信息；
根据所述待检测视频的团雾信息进行团雾目标追踪和预警。
2.根据权利要求1所述基于目标追踪的团雾检测预警方法，其特征在于，
所述团雾信息包括是否存在团雾、团雾的团雾浓度等级、团雾的中心位置坐标以及团雾的覆盖范围。
3.根据权利要求2所述基于目标追踪的团雾检测预警方法，其特征在于，
所述团雾的中心位置坐标包括团雾的中心位置在所述视频中每帧图像上的横坐标和纵坐标；
所述团雾的覆盖范围包括团雾的宽和高。
4.根据权利要求3所述基于目标追踪的团雾检测预警方法，其特征在于，在所述获取待检测视频之前还包括：
在不同拍摄视角获得的首次视频上标注出预警区域。
5.根据权利要求4所述基于目标追踪的团雾检测预警方法，其特征在于，所述根据所述待检测视频的团雾信息进行团雾目标追踪和预警具体包括：
当通过所述团雾信息得到所述待检测视频中存在团雾时，对所述团雾进行目标追踪；
当追踪到所述团雾与所述预警区域存在重叠区域时，计算所述团雾的移动方向；
根据所述待检测视频中团雾的团雾浓度等级、中心位置坐标、覆盖范围以及移动方向生成预警信息，进行预警。
6.根据权利要求5所述基于目标追踪的团雾检测预警方法，其特征在于，
所述团雾的移动方向包括：通过所述待检测视频中两帧图像中所述团雾的中心位置计算得到的弧度。
7.一种基于目标追踪的团雾检测预警系统，其特征在于，包括：
采样单元：用于获取样本数据；所述样本数据包括视频以及对应的标注信息，所述视频包括道路，所述标注信息包括团雾信息；
训练单元：与所述采样单元连接；所述训练单元用于使用预设的神经网络模型对所述样本数据进行训练，得到团雾检测模型；
检测单元：与所述训练单元连接；所述检测单元用于获取待检测视频，利用所述团雾检测模型对所述待检测视频进行检测，以得到所述待检测视频中的团雾信息；
预警单元：与所述检测单元连接；所述预警单元用于根据所述待检测视频的团雾信息进行团雾目标追踪和预警。
8.根据权利要求7所述基于目标追踪的团雾检测预警系统，其特征在于，
所述团雾信息包括是否存在团雾、团雾的团雾浓度等级、团雾的中心位置坐标以及团雾的覆盖范围；
所述团雾的中心位置坐标包括团雾的中心位置在所述视频中每帧图像上的横坐标和纵坐标；
所述团雾的覆盖范围包括团雾的宽和高。
9.根据权利要求8所述基于目标追踪的团雾检测预警系统，其特征在于，所述预警单元具体用于：
在不同拍摄视角获得的首次视频上标注出预警区域；
当通过所述团雾信息得到所述待检测视频中存在团雾时，对所述团雾进行目标追踪；
当追踪到所述团雾与所述预警区域存在重叠区域时，计算所述团雾的移动方向；
根据所述待检测视频中团雾的团雾浓度等级、中心位置坐标、覆盖范围以及移动方向生成预警信息，进行预警。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-6任一项所述的方法。
CN202111519791.5A 2021-12-13 2021-12-13 一种基于目标追踪的团雾检测预警方法、系统及介质 Pending CN114255421A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111519791.5A CN114255421A (zh) 2021-12-13 2021-12-13 一种基于目标追踪的团雾检测预警方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111519791.5A CN114255421A (zh) 2021-12-13 2021-12-13 一种基于目标追踪的团雾检测预警方法、系统及介质

Publications (1)

Publication Number Publication Date
CN114255421A true CN114255421A (zh) 2022-03-29

Family

ID=80794951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111519791.5A Pending CN114255421A (zh) 2021-12-13 2021-12-13 一种基于目标追踪的团雾检测预警方法、系统及介质

Country Status (1)

Country Link
CN (1) CN114255421A (zh)

Similar Documents

Publication Publication Date Title
CN111626277B (zh) 一种基于治超站交调指标分析的车辆跟踪方法及装置
CN104809437B (zh) 一种基于实时视频的车辆检测与跟踪方法
US20180060986A1 (en) Information processing device, road structure management system, and road structure management method
CN111753612B (zh) 一种抛洒物检测方法、装置及存储介质
Šegvić et al. A computer vision assisted geoinformation inventory for traffic infrastructure
CN103413444A (zh) 一种基于无人机高清视频的交通流调查处理方法
CN113011331B (zh) 机动车是否礼让行人的检测方法、装置、电子设备及介质
CN113505638B (zh) 车流量的监测方法、监测装置及计算机可读存储介质
WO2021036243A1 (zh) 识别车道的方法、装置及计算设备
CN111091023A (zh) 一种车辆检测方法、装置及电子设备
CN109409336A (zh) 一种基于图像识别的大雾预警系统及方法
CN112562406B (zh) 一种越线行驶的识别方法及装置
Bu et al. A UAV photography–based detection method for defective road marking
CN111723656A (zh) 一种基于YOLO v3与自优化的烟雾检测方法及装置
CN110674887A (zh) 一种基于视频分类的端到端道路拥堵检测算法
JP2020160840A (ja) 路面標示不具合検出装置、路面標示不具合検出方法及び路面標示不具合検出プログラム
CN112380894A (zh) 一种基于三维地理信息系统的视频重叠区域目标去重方法和系统
CN110111018B (zh) 评估车辆感测能力的方法、装置、电子设备及存储介质
CN114913233A (zh) 图像处理方法、装置、设备、介质及产品
CN111091104A (zh) 一种目标物体的防护检测方法、装置、设备及存储介质
CN117853904A (zh) 道路病害检测方法、装置、设备、介质及系统
CN113435350A (zh) 一种交通标线检测方法、装置、设备和介质
Chavan et al. Billboard detection in the wild
CN117789160A (zh) 一种基于聚类优化的多模态融合目标检测方法及系统
CN114693722B (zh) 一种车辆行驶行为检测方法、检测装置及检测设备

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