CN114913690A - 交通精细化监控方法、系统和可读存储介质 - Google Patents
交通精细化监控方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN114913690A CN114913690A CN202210818157.XA CN202210818157A CN114913690A CN 114913690 A CN114913690 A CN 114913690A CN 202210818157 A CN202210818157 A CN 202210818157A CN 114913690 A CN114913690 A CN 114913690A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- type
- patrol
- license plate
- traffic
- 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
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的一种交通精细化监控方法、系统和可读存储介质,其中方法包括:基于图像采集装置获取车辆图像数据,基于所述车辆图像数据分析车牌数据以得到当前所述图像采集装置中采集到的车辆对应的车辆属性值;基于所述车辆属性值进行车辆类型划分,得到第一类型车组以及第二类型车组,提取预设地段所述第一类型车组的单位时间通过量,以更新巡逻数据库进而输出下一周期巡查人员的巡逻位置。本发明基于图像分析以及物联网技术可对车辆进行实时监控,研判出违反交规行为时,可第一时间委派巡查人员进行制止和批评,以降低安全事故发生的概率,同时,在对车辆监控的过程中,可以优化巡查路段代替固定路段,增强巡查效果,增强道路通行效果。
Description
技术领域
本发明涉及交通监控技术领域,更具体的,涉及一种交通精细化监控方法、系统和可读存储介质。
背景技术
截至2022年3月底,全国机动车保有量达4.02亿辆,其中汽车3.07亿辆,占机动车总量的76.37%;机动车驾驶人4.87亿人,其中汽车驾驶人4.50亿人;新能源汽车保有量达891.5万辆,呈高速增长态势,占汽车总量的2.9%。其中纯电动汽车保有量724.5万辆,占新能源汽车总量的81.27%,随着新能源车辆的不断涌入,车辆对于道路需求也逐步增加,目前缺乏对各车辆行驶轨迹的记录和研判,会不断造成一些路段或者路口拥塞的情况。
同时,车辆增多的同时,车辆违反交规的行为也同步增加,给人民群众造成生命财产安全威胁的同时也给执法人员带来了管理的困难,尤其对行驶在道路上的工程车辆或者摩托车出现违法交规的问题时不能及时进行干预,往往会在造成安全事故发生后再进行相应处理。
发明内容
鉴于上述问题,本发明的目的是提供一种交通精细化监控方法、系统和可读存储介质,基于图像分析以及物联网技术可对车辆进行实时监控,研判出违反交规行为时,可第一时间委派巡查人员进行制止和批评,以降低安全事故发生的概率,同时,在对车辆监控的过程中,可以优化巡查路段代替固定路段,增强巡查效果,增强道路通行效果。
本发明第一方面提供了一种交通精细化监控方法,包括以下步骤:
基于图像采集装置获取车辆图像数据,基于所述车辆图像数据分析车牌数据以得到当前所述图像采集装置中采集到的车辆对应的车辆属性值;
基于所述车辆属性值进行车辆类型划分,得到第一类型车组以及第二类型车组,其中,所述第二类型车组包括目标车组;
提取预设地段所述第一类型车组的单位时间通过量,以更新巡逻数据库进而输出下一周期巡查人员的巡逻位置;
基于物联网感应装置获取车辆点位数据,以从所述车辆点位数据获取所述目标车组中当前车辆的行驶轨迹,并同步更新到轨迹数据库。
本方案中,所述基于图像采集装置获取车辆图像数据,基于所述车辆图像数据分析车牌数据以得到当前所述图像采集装置中采集到的车辆对应的车辆属性值,具体包括:
基于所述车辆图像数据获取到车辆对应的所述车牌数据,其中,所述车牌数据包括车牌号码、车牌颜色,其中,所述车牌颜色包括白色、蓝色、黄色、黑色以及绿色;
基于所述车牌颜色匹配车辆属性库以得到当前车辆对应的车辆属性值,其中, 所述车辆属性值包括燃油轿车、新能源车、特种车辆、工程车辆。
本方案中,所述基于所述车辆属性值进行车辆类型划分,得到第一类型车组以及第二类型车组,其中,所述第二类型车组包括目标车组,具体包括:
提取所述车牌颜色为白色、蓝色、黑色以及绿色的车牌对应的所述车辆属性值作为所述第一类型车组,其中,所述第一类型车组包括燃油轿车、新能源车以及特种车辆;
提取所述车牌颜色为黄色的车牌对应的所述车辆属性值为所述第二类型车组,其中,所述第二类型车组包括工程车辆;
将所述第二类型车组中的所述工程车辆单独提取作为所述目标车组以待后续处理。
本方案中,所述提取预设地段所述第一类型车组的单位时间通过量,以更新巡逻数据库进而输出下一周期巡查人员的巡逻位置,具体包括:
基于所述图像采集装置获取所述预设地段中所述第一类型车组在预设时间内的通过数量作为所述第一类型车组的单位时间通过量,并更新至所述巡逻数据库;
基于所述预设地段,比较更新后的所述单位时间通过量与更新前的所述单位时间通过量,其中,提取更新后的所述单位时间通过量大于或者等于更新前的所述单位时间通过量的所述预设地段作为所述巡逻位置;
将所述巡逻位置输出给所述巡查人员作为下一周期的巡逻点。
本方案中,所述基于物联网感应装置获取车辆点位数据,以从所述车辆点位数据获取所述目标车组中当前车辆的行驶轨迹,并同步更新到轨迹数据库,具体包括:
基于预设的所述物联网感应装置获取所述车辆点位数据,其中,所述车辆点位数据包括所述第一类型车组以及所述第二类型车组对应的点位;
基于获取到的所述车辆点位数据提取所述第二类型车组中所述工程车辆的点位数据作为所述目标车组的点位数据;
基于所述目标车组的点位数据得到所述目标车组中每个车辆对应的所述行驶轨迹,并将所述行驶轨迹同步更新到轨迹数据库。
本方案中,还包括:
基于所述目标车组对应的当前轨迹数据识别到目标车辆;
基于所述图像采集装置获取所述目标车辆当前位置,并输入到预设的轨迹神经网络模型中获取模拟输出值;
获取当前所述巡查人员的位置点位,基于所述模拟输出值匹配所述巡查人员,并同步输出应急检查任务给到所述巡查人员进行巡查。
本发明第二方面还提供一种交通精细化监控系统,包括存储器和处理器,所述存储器中包括交通精细化监控方法程序,所述交通精细化监控方法程序被所述处理器执行时实现如下步骤:
基于图像采集装置获取车辆图像数据,基于所述车辆图像数据分析车牌数据以得到当前所述图像采集装置中采集到的车辆对应的车辆属性值;
基于所述车辆属性值进行车辆类型划分,得到第一类型车组以及第二类型车组,其中,所述第二类型车组包括目标车组;
提取预设地段所述第一类型车组的单位时间通过量,以更新巡逻数据库进而输出下一周期巡查人员的巡逻位置;
基于物联网感应装置获取车辆点位数据,以从所述车辆点位数据获取所述目标车组中当前车辆的行驶轨迹,并同步更新到轨迹数据库。
本方案中,所述基于图像采集装置获取车辆图像数据,基于所述车辆图像数据分析车牌数据以得到当前所述图像采集装置中采集到的车辆对应的车辆属性值,具体包括:
基于所述车辆图像数据获取到车辆对应的所述车牌数据,其中,所述车牌数据包括车牌号码、车牌颜色,其中,所述车牌颜色包括白色、蓝色、黄色、黑色以及绿色;
基于所述车牌颜色匹配车辆属性库以得到当前车辆对应的车辆属性值,其中, 所述车辆属性值包括燃油轿车、新能源车、特种车辆、工程车辆。
本方案中,所述基于所述车辆属性值进行车辆类型划分,得到第一类型车组以及第二类型车组,其中,所述第二类型车组包括目标车组,具体包括:
提取所述车牌颜色为白色、蓝色、黑色以及绿色的车牌对应的所述车辆属性值作为所述第一类型车组,其中,所述第一类型车组包括燃油轿车、新能源车以及特种车辆;
提取所述车牌颜色为黄色的车牌对应的所述车辆属性值为所述第二类型车组,其中,所述第二类型车组包括工程车辆;
将所述第二类型车组中的所述工程车辆单独提取作为所述目标车组以待后续处理。
本方案中,所述提取预设地段所述第一类型车组的单位时间通过量,以更新巡逻数据库进而输出下一周期巡查人员的巡逻位置,具体包括:
基于所述图像采集装置获取所述预设地段中所述第一类型车组在预设时间内的通过数量作为所述第一类型车组的单位时间通过量,并更新至所述巡逻数据库;
基于所述预设地段,比较更新后的所述单位时间通过量与更新前的所述单位时间通过量,其中,提取更新后的所述单位时间通过量大于或者等于更新前的所述单位时间通过量的所述预设地段作为所述巡逻位置;
将所述巡逻位置输出给所述巡查人员作为下一周期的巡逻点。
本方案中,所述基于物联网感应装置获取车辆点位数据,以从所述车辆点位数据获取所述目标车组中当前车辆的行驶轨迹,并同步更新到轨迹数据库,具体包括:
基于预设的所述物联网感应装置获取所述车辆点位数据,其中,所述车辆点位数据包括所述第一类型车组以及所述第二类型车组对应的点位;
基于获取到的所述车辆点位数据提取所述第二类型车组中所述工程车辆的点位数据作为所述目标车组的点位数据;
基于所述目标车组的点位数据得到所述目标车组中每个车辆对应的所述行驶轨迹,并将所述行驶轨迹同步更新到轨迹数据库。
本方案中,还包括:
基于所述目标车组对应的当前轨迹数据识别到目标车辆;
基于所述图像采集装置获取所述目标车辆当前位置,并输入到预设的轨迹神经网络模型中获取模拟输出值;
获取当前所述巡查人员的位置点位,基于所述模拟输出值匹配所述巡查人员,并同步输出应急检查任务给到所述巡查人员进行巡查。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种交通精细化监控方法程序,所述交通精细化监控方法程序被处理器执行时,实现如上述任一项所述的一种交通精细化监控方法的步骤。
本发明公开的一种交通精细化监控方法、系统和可读存储介质,基于图像分析以及物联网技术可对车辆进行实时监控,研判出违反交规行为时,可第一时间委派巡查人员进行制止和批评,以降低安全事故发生的概率,同时,在对车辆监控的过程中,可以优化巡查路段代替固定路段,增强巡查效果,增强道路通行效果。
附图说明
图1示出了本发明一种交通精细化监控方法的流程图;
图2示出了本发明一种交通精细化监控系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本申请一种交通精细化监控方法的流程图。
如图1所示,本申请公开了一种交通精细化监控方法,包括以下步骤:
S102,基于图像采集装置获取车辆图像数据,基于所述车辆图像数据分析车牌数据以得到当前所述图像采集装置中采集到的车辆对应的车辆属性值;
S104,基于所述车辆属性值进行车辆类型划分,得到第一类型车组以及第二类型车组,其中,所述第二类型车组包括目标车组;
S106,提取预设地段所述第一类型车组的单位时间通过量,以更新巡逻数据库进而输出下一周期巡查人员的巡逻位置;
S108,基于物联网感应装置获取车辆点位数据,以从所述车辆点位数据获取所述目标车组中当前车辆的行驶轨迹,并同步更新到轨迹数据库。
需要说明的是,本实施例中提出的所述图像采集装置可以为设置在道路上的高清监控摄像头或者其它摄录设备,车辆在道路行驶时,可基于所述图像采集装置获取所述车辆图像数据,进而基于所述车辆图像数据获取到对应的车牌数据,其中,不同的车牌颜色对应不同的车辆类型,因此,可以基于所述车牌数据分析得到对应的车辆属性值,而后根据所述车辆属性值进行车辆类型划分,得到所述第一类型车组以及所述第二类型车组,其中,所述第一类型车组例如燃油轿车、新能源车等等,而所述第二类型车组包括工程车辆、摩托车等等,针对第一类型车组,可以提取所述预设地段的单位时间通过量,以实时动态变化更新所述巡逻数据库进而输出下一周期内巡查人员的巡逻位置以更好地应对交通阻塞等问题,其中,所述预设地段可以为关键路段或者关键路口,这样可以更好地分配巡查人员针对性解决阻塞问题,因为交通数据时是实时变换的,有些曾经常常拥塞的路段可能在某一时间段内不再拥塞,因此需要提前动态分配巡查人员,进一步地,本实施例中还包括基于所述物联网感应装置获取车辆点位数据,基于感应到的车辆点位数据能够得到对应每个车辆的行驶轨迹,其中,所述物联网感应装置可以为速度检测装置和位置感应装置的组合装置,获取到对应的行驶轨迹时,可以研判出是否出现违反交规的行为,进而可以第一时间通知巡查人员进行批评制止。
根据本发明实施例,所述基于图像采集装置获取车辆图像数据,基于所述车辆图像数据分析车牌数据以得到当前所述图像采集装置中采集到的车辆对应的车辆属性值,具体包括:
基于所述车辆图像数据获取到车辆对应的所述车牌数据,其中,所述车牌数据包括车牌号码、车牌颜色,其中,所述车牌颜色包括白色、蓝色、黄色、黑色以及绿色;
基于所述车牌颜色匹配车辆属性库以得到当前车辆对应的车辆属性值,其中, 所述车辆属性值包括燃油轿车、新能源车、特种车辆、工程车辆。
需要说明的是,所述图像采集装置获取到的所述车辆图像数据中包括了车牌颜色,相应地,我国对于车牌颜色设置了白色、蓝色、黄色、黑色以及绿色,并且,每个所述车牌颜色都对应一种车辆属性值,即白色、黑色对应特种车辆,例如军警车、外交车辆,蓝色对应燃油轿车,黄色对应工程车辆、摩托车、驾校车辆或者超规燃油轿车,绿色代表新能源车。
根据本发明实施例,所述基于所述车辆属性值进行车辆类型划分,得到第一类型车组以及第二类型车组,其中,所述第二类型车组包括目标车组,具体包括:
提取所述车牌颜色为白色、蓝色、黑色以及绿色的车牌对应的所述车辆属性值作为所述第一类型车组,其中,所述第一类型车组包括燃油轿车、新能源车以及特种车辆;
提取所述车牌颜色为黄色的车牌对应的所述车辆属性值为所述第二类型车组,其中,所述第二类型车组包括工程车辆;
将所述第二类型车组中的所述工程车辆单独提取作为所述目标车组以待后续处理。
需要说明的是,在对交通精细化监控的过程中,需要对车辆进行分类,因此,可将所述车牌颜色为白色、蓝色、黑色以及绿色的车牌对应的所述车辆属性值作为所述第一类型车组,其中,所述第一类型车组包括燃油轿车、新能源车以及特种车辆,即普通蓝牌车、绿牌车等车辆归为第一类型车组,将车牌颜色为黄色的车牌对应的所述车辆属性值为所述第二类型车组,其中,所述第二类型车组包括工程车辆、驾校车辆、摩托车等车辆,并且,将所述工程车辆单独提取作为所述目标车组进行单独处理,因为工程车辆对于交通或者人民财产安全的危害性是最大的,因此,可以将所述工程车辆单独提取,所述工程车辆包括大货车、渣土车等车辆。
根据本发明实施例,所述提取预设地段所述第一类型车组的单位时间通过量,以更新巡逻数据库进而输出下一周期巡查人员的巡逻位置,具体包括:
基于所述图像采集装置获取所述预设地段中所述第一类型车组在预设时间内的通过数量作为所述第一类型车组的单位时间通过量,并更新至所述巡逻数据库;
基于所述预设地段,比较更新后的所述单位时间通过量与更新前的所述单位时间通过量,其中,提取更新后的所述单位时间通过量大于或者等于更新前的所述单位时间通过量的所述预设地段作为所述巡逻位置;
将所述巡逻位置输出给所述巡查人员作为下一周期的巡逻点。
需要说明的是,在现有的巡查数据中,往往会针对一些关键路口或者关键路段委派巡查人员进行针对性巡查,同时也造就了根据人为经验进行判断的问题,由于人为经验往往没有足够的论数据支撑,会出现某段时间内巡查人员巡查效率低的问题,因此,本实施例中,提出了根据实时动态变化的单位时间通过量来更新调整对应的巡逻安排,取所述预设时间为“3”天,以“3”天为一调整周期来对巡查进行调整,调整的路段即为更新后的所述单位时间通过量大于或者等于更新前的所述单位时间通过量的对应路段,例如,A路段在上一周期内“7-9”点的单位时间通过量为“2万辆/小时”,而更新后的A路段在“7-9”点的单位时间通过量为“1.5万辆/小时”,那么更新后的A路段将不再作为所述巡逻位置,优选地,A路段虽然不再作为所述巡逻位置,但不代表没有固定巡查人员进行巡查。
根据本发明实施例,所述基于物联网感应装置获取车辆点位数据,以从所述车辆点位数据获取所述目标车组中当前车辆的行驶轨迹,并同步更新到轨迹数据库,具体包括:
基于预设的所述物联网感应装置获取所述车辆点位数据,其中,所述车辆点位数据包括所述第一类型车组以及所述第二类型车组对应的点位;
基于获取到的所述车辆点位数据提取所述第二类型车组中所述工程车辆的点位数据作为所述目标车组的点位数据;
基于所述目标车组的点位数据得到所述目标车组中每个车辆对应的所述行驶轨迹,并将所述行驶轨迹同步更新到轨迹数据库。
需要说明的是,随着物联网的不断推进,可以在车辆上设置对应的感应装置以与预设的所述物联网感应装置进行信息交互,所述物联网感应装置例如速度检测装置和位置感应装置的组合装置,可以测得车辆的超速行为以及对应的行驶点位,其中,所述车辆点位数据包括所述第一类型车组以及所述第二类型车组对应的点位,特别地,提取所述第二类型车组中所述工程车辆的点位数据作为所述目标车组的点位数据,进而获取第二类型车组中的所述工程车辆的点位数据以得到每一工程车辆对应的所述行驶轨迹,而后可对该行驶轨迹进行研判。
根据本发明实施例,还包括:
基于所述目标车组对应的当前轨迹数据识别到目标车辆;
基于所述图像采集装置获取所述目标车辆当前位置,并输入到预设的轨迹神经网络模型中获取模拟输出值;
获取当前所述巡查人员的位置点位,基于所述模拟输出值匹配所述巡查人员,并同步输出应急检查任务给到所述巡查人员进行巡查。
需要说明的是,在对所述目标车组的轨迹数据进行研判时,可以判断出超速或者违法变道等违反交通安全行为的车辆,将其作为所述目标车辆,识别到所述目标车辆后,可基于所述图像采集装置获取所述目标车辆的当前位置,并基于当前位置输入到预设的所述轨迹神经网络模型中得到模拟输出值,其中,所述模拟输出值即为当前车辆可能经过的特定路口,进而,同步获取巡查人员的位置点位,可基于当前巡查人员的位置点位匹配所述特定路口,以第一时间输出应急检查任务给对应的巡查人员,以在第一时间内对违法行为进行制止和安全教育,其中,根据所述巡查人员匹配特点路口的方式具体可以根据距离和车速的相关关系进行匹配,这一算法内容为本领域公开内容,在此不做赘述,只需所述工程车辆到达所述特定路口前,对应所述巡查人员已经在所述特定路口等待即可,等待的时间控制在“5-10min”内。
值得一提的是,所述方法还包括获取特种车辆中外交车辆的轨迹进行研判,具体包括:识别所述外交车辆对应的行驶轨迹,判断该轨迹出现的违规行为次数,其中,当违规行为次数超过预设阈值时,可委派所述巡查人员进行巡查。
需要说明的是,对于特种车辆,目前是特事特办,很少会对特种车辆进行巡查,这样也造成了一定的安全隐患,因此,可以对所述特种车辆的轨迹同步进行研判,取所述阈值为“3”次,当出现违规行为次数超过“3”次时,可委派特定的所述巡查人员对该车辆进行巡查,以避免出现安全问题。
值得一提的是,所述方法还包括基于所述第二类型车组识别出驾校车辆,并对所述驾校车辆的行驶轨迹进行研判。
需要说明的是,由于驾校车辆在普通道路(非教学路段)上行驶时,通常为驾校教练进行驾驶,学员作为乘客同行,因此为了避免在教学过程中,驾校教练的一些违法行为对学员起到误导作用,可对所述驾校车辆的违反交规行为同步进行提醒,实时监控并委派巡查人员巡查,可增强驾校学员的心理建设,减少学员在学成之后出现相应的违反交规行为。
值得一提的是,基于所述第二类型车组识别出摩托车辆,并基于所述摩托车辆对应的行驶轨迹进行判断,其中,包括摩托车辆是否行驶在禁摩路段。
需要说明的是,对于道路交通的监控,由于一些管控死角的问题,会出现摩托车辆在禁摩路段行驶,由于这一行为造成了安全隐患,因此,可以在识别到摩托车辆违规行驶在禁摩路段时,第一时间通知所述巡查人员进行巡查。
值得一提的是,所述方法还包括提取第一类型车组中的轨迹数据进行研判。
需要说明的是,由于汽车保有量占比是最高的,因此,在对第一类型车组中燃油轿车或者新能源车等普通轿车的轨迹分析时,可匹配行驶轨迹中出现特定位置的频率,以输出对应的车辆明细表以进一步筛查,例如,取特定位置为军事管理区或者政务办公区,当某个车辆在一定时期内经过上述特定位置频率超过“30%”时,可将该车辆更新到所述车辆明细表中,进行进一步地筛查,以判断其车主或者驾乘人员是否有安全隐患,优选地,对于此类监控,起到了维护安全的辅助手段。
值得一提的是,所述方法还包括与外部装置进行信息交互。
需要说明的是,由于本申请中的交通精细化监控可应用于应急情况,因此,本实施例中,所述方法还包括与外部装置进行信息交互,可供外部装置获取当前的监控数据,供所述外部装置进行调用,以满足应急情况的需要,例如需要对特定车辆进行实时追踪时,可利用本实施例中的监控数据对其进行追踪。
图2示出了本发明一种交通精细化监控系统的框图。
如图2所示,本发明公开了一种交通精细化监控系统,包括存储器和处理器,所述存储器中包括交通精细化监控方法程序,所述交通精细化监控方法程序被所述处理器执行时实现如下步骤:
基于图像采集装置获取车辆图像数据,基于所述车辆图像数据分析车牌数据以得到当前所述图像采集装置中采集到的车辆对应的车辆属性值;
基于所述车辆属性值进行车辆类型划分,得到第一类型车组以及第二类型车组,其中,所述第二类型车组为目标车组;
提取预设地段所述第一类型车组的单位时间通过量,以更新巡逻数据库进而输出下一周期巡查人员的巡逻位置;
基于物联网感应装置获取车辆点位数据,以从所述车辆点位数据获取所述目标车组中当前车辆的行驶轨迹,并同步更新到轨迹数据库。
需要说明的是,本实施例中提出的所述图像采集装置可以为设置在道路上的高清监控摄像头或者其它摄录设备,车辆在道路行驶时,可基于所述图像采集装置获取所述车辆图像数据,进而基于所述车辆图像数据获取到对应的车牌数据,其中,不同的车牌颜色对应不同的车辆类型,因此,可以基于所述车牌数据分析得到对应的车辆属性值,而后根据所述车辆属性值进行车辆类型划分,得到所述第一类型车组以及所述第二类型车组,其中,所述第一类型车组例如燃油轿车、新能源车等等,而所述第二类型车组包括工程车辆、摩托车等等,针对第一类型车组,可以提取所述预设地段的单位时间通过量,以实时动态变化更新所述巡逻数据库进而输出下一周期内巡查人员的巡逻位置以更好地应对交通阻塞等问题,其中,所述预设地段可以为关键路段或者关键路口,这样可以更好地分配巡查人员针对性解决阻塞问题,因为交通数据时是实时变换的,有些曾经常常拥塞的路段可能在某一时间段内不再拥塞,因此需要提前动态分配巡查人员,进一步地,本实施例中还包括基于所述物联网感应装置获取车辆点位数据,基于感应到的车辆点位数据能够得到对应每个车辆的行驶轨迹,其中,所述物联网感应装置可以为速度检测装置和位置感应装置的组合装置,获取到对应的行驶轨迹时,可以研判出是否出现违反交规的行为,进而可以第一时间通知巡查人员进行批评制止。
根据本发明实施例,所述基于图像采集装置获取车辆图像数据,基于所述车辆图像数据分析车牌数据以得到当前所述图像采集装置中采集到的车辆对应的车辆属性值,具体包括:
基于所述车辆图像数据获取到车辆对应的所述车牌数据,其中,所述车牌数据包括车牌号码、车牌颜色,其中,所述车牌颜色包括白色、蓝色、黄色、黑色以及绿色;
基于所述车牌颜色匹配车辆属性库以得到当前车辆对应的车辆属性值,其中, 所述车辆属性值包括燃油轿车、新能源车、特种车辆、工程车辆。
需要说明的是,所述图像采集装置获取到的所述车辆图像数据中包括了车牌颜色,相应地,我国对于车牌颜色设置了白色、蓝色、黄色、黑色以及绿色,并且,每个所述车牌颜色都对应一种车辆属性值,即白色、黑色对应特种车辆,例如军警车、外交车辆,蓝色对应燃油轿车,黄色对应工程车辆、摩托车、驾校车辆或者超规燃油轿车,绿色代表新能源车。
根据本发明实施例,所述基于所述车辆属性值进行车辆类型划分,得到第一类型车组以及第二类型车组,其中,所述第二类型车组包括目标车组,具体包括:
提取所述车牌颜色为白色、蓝色、黑色以及绿色的车牌对应的所述车辆属性值作为所述第一类型车组,其中,所述第一类型车组包括燃油轿车、新能源车以及特种车辆;
提取所述车牌颜色为黄色的车牌对应的所述车辆属性值为所述第二类型车组,其中,所述第二类型车组包括工程车辆;
将所述第二类型车组中的所述工程车辆单独提取作为所述目标车组以待后续处理。
需要说明的是,在对交通精细化监控的过程中,需要对车辆进行分类,因此,可将所述车牌颜色为白色、蓝色、黑色以及绿色的车牌对应的所述车辆属性值作为所述第一类型车组,其中,所述第一类型车组包括燃油轿车、新能源车以及特种车辆,即普通蓝牌车、绿牌车等车辆归为第一类型车组,将车牌颜色为黄色的车牌对应的所述车辆属性值为所述第二类型车组,其中,所述第二类型车组包括工程车辆、驾校车辆、摩托车等车辆,并且,将所述工程车辆单独提取作为所述目标车组进行单独处理,因为工程车辆对于交通或者人民财产安全的危害性是最大的,因此,可以将所述工程车辆单独提取,所述工程车辆包括大货车、渣土车等车辆。
根据本发明实施例,所述提取预设地段所述第一类型车组的单位时间通过量,以更新巡逻数据库进而输出下一周期巡查人员的巡逻位置,具体包括:
基于所述图像采集装置获取所述预设地段中所述第一类型车组在预设时间内的通过数量作为所述第一类型车组的单位时间通过量,并更新至所述巡逻数据库;
基于所述预设地段,比较更新后的所述单位时间通过量与更新前的所述单位时间通过量,其中,提取更新后的所述单位时间通过量大于或者等于更新前的所述单位时间通过量的所述预设地段作为所述巡逻位置;
将所述巡逻位置输出给所述巡查人员作为下一周期的巡逻点。
需要说明的是,在现有的巡查数据中,往往会针对一些关键路口或者关键路段委派巡查人员进行针对性巡查,同时也造就了根据人为经验进行判断的问题,由于人为经验往往没有足够的理论数据支撑,会出现某段时间内巡查人员巡查效率低的问题,因此,本实施例中,提出了根据实时动态变化的单位时间通过量来更新调整对应的巡逻安排,取所述预设时间为“3”天,以“3”天为一调整周期来对巡查进行调整,调整的路段即为更新后的所述单位时间通过量大于或者等于更新前的所述单位时间通过量的对应路段,例如,A路段在上一周期内“7-9”点的单位时间通过量为“2万辆/小时”,而更新后的A路段在“7-9”点的单位时间通过量为“1.5万辆/小时”,那么更新后的A路段将不再作为所述巡逻位置,优选地,A路段虽然不再作为所述巡逻位置,但不代表没有固定巡查人员进行巡查。
根据本发明实施例,所述基于物联网感应装置获取车辆点位数据,以从所述车辆点位数据获取所述目标车组中当前车辆的行驶轨迹,并同步更新到轨迹数据库,具体包括:
基于预设的所述物联网感应装置获取所述车辆点位数据,其中,所述车辆点位数据包括所述第一类型车组以及所述第二类型车组对应的点位;
基于获取到的所述车辆点位数据提取所述第二类型车组中所述工程车辆的点位数据作为所述目标车组的点位数据;
基于所述目标车组的点位数据得到所述目标车组中每个车辆对应的所述行驶轨迹,并将所述行驶轨迹同步更新到轨迹数据库。
需要说明的是,随着物联网的不断推进,可以在车辆上设置对应的感应装置以与预设的所述物联网感应装置进行信息交互,所述物联网感应装置例如速度检测装置和位置感应装置的组合装置,可以测得车辆的超速行为以及对应的行驶点位,其中,所述车辆点位数据包括所述第一类型车组以及所述第二类型车组对应的点位,特别地,提取所述第二类型车组中所述工程车辆的点位数据作为所述目标车组的点位数据,进而获取第二类型车组中的所述工程车辆的点位数据以得到每一工程车辆对应的所述行驶轨迹,而后可对该行驶轨迹进行研判。
根据本发明实施例,还包括:
基于所述目标车组对应的当前轨迹数据识别到目标车辆;
基于所述图像采集装置获取所述目标车辆当前位置,并输入到预设的轨迹神经网络模型中获取模拟输出值;
获取当前所述巡查人员的位置点位,基于所述模拟输出值匹配所述巡查人员,并同步输出应急检查任务给到所述巡查人员进行巡查。
需要说明的是,在对所述目标车组的轨迹数据进行研判时,可以判断出超速或者违法变道等违反交通安全行为的车辆,将其作为所述目标车辆,识别到所述目标车辆后,可基于所述图像采集装置获取所述目标车辆的当前位置,并基于当前位置输入到预设的所述轨迹神经网络模型中得到模拟输出值,其中,所述模拟输出值即为当前车辆可能经过的特定路口,进而,同步获取巡查人员的位置点位,可基于当前巡查人员的位置点位匹配所述特定路口,以第一时间输出应急检查任务给对应的巡查人员,以在第一时间内对违法行为进行制止和安全教育,其中,根据所述巡查人员匹配特点路口的方式具体可以根据距离和车速的相关关系进行匹配,这一算法内容为本领域公开内容,在此不做赘述,只需所述工程车辆到达所述特定路口前,对应所述巡查人员已经在所述特定路口等待即可,等待的时间控制在“5-10min”内。
值得一提的是,所述方法还包括获取特种车辆中外交车辆的轨迹进行研判,具体包括:识别所述外交车辆对应的行驶轨迹,判断该轨迹出现的违规行为次数,其中,当违规行为次数超过预设阈值时,可委派所述巡查人员进行巡查。
需要说明的是,对于特种车辆,目前是特事特办,很少会对特种车辆进行巡查,这样也造成了一定的安全隐患,因此,可以对所述特种车辆的轨迹同步进行研判,取所述阈值为“3”次,当出现违规行为次数超过“3”次时,可委派特定的所述巡查人员对该车辆进行巡查,以避免出现安全问题。
值得一提的是,所述方法还包括基于所述第二类型车组识别出驾校车辆,并对所述驾校车辆的行驶轨迹进行研判。
需要说明的是,由于驾校车辆在普通道路(非教学路段)上行驶时,通常为驾校教练进行驾驶,学员作为乘客同行,因此为了避免在教学过程中,驾校教练的一些违法行为对学员起到误导作用,可对所述驾校车辆的违反交规行为同步进行提醒,实时监控并委派巡查人员巡查,可增强驾校学员的心理建设,减少学员在学成之后出现相应的违反交规行为。
值得一提的是,基于所述第二类型车组识别出摩托车辆,并基于所述摩托车辆对应的行驶轨迹进行判断,其中,包括摩托车辆是否行驶在禁摩路段。
需要说明的是,对于道路交通的监控,由于一些管控死角的问题,会出现摩托车辆在禁摩路段行驶,由于这一行为造成了安全隐患,因此,可以在识别到摩托车辆违规行驶在禁摩路段时,第一时间通知所述巡查人员进行巡查。
值得一提的是,所述方法还包括提取第一类型车组中的轨迹数据进行研判。
需要说明的是,由于汽车保有量占比是最高的,因此,在对第一类型车组中燃油轿车或者新能源车等普通轿车的轨迹分析时,可匹配行驶轨迹中出现特定位置的频率,以输出对应的车辆明细表以进一步筛查,例如,取特定位置为军事管理区或者政务办公区,当某个车辆在一定时期内经过上述特定位置频率超过“30%”时,可将该车辆更新到所述车辆明细表中,进行进一步地筛查,以判断其车主或者驾乘人员是否有安全隐患,优选地,对于此类监控,起到了维护安全的辅助手段。
值得一提的是,所述方法还包括与外部装置进行信息交互。
需要说明的是,由于本申请中的交通精细化监控可应用于应急情况,因此,本实施例中,所述方法还包括与外部装置进行信息交互,可供外部装置获取当前的监控数据,供所述外部装置进行调用,以满足应急情况的需要,例如需要对特定车辆进行实时追踪时,可利用本实施例中的监控数据对其进行追踪。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种交通精细化监控方法程序,所述交通精细化监控方法程序被处理器执行时,实现如上述任一项所述的一种交通精细化监控方法的步骤。
本发明公开的一种交通精细化监控方法、系统和可读存储介质,基于图像分析以及物联网技术可对车辆进行实时监控,研判出违反交规行为时,可第一时间委派巡查人员进行制止和批评,以降低安全事故发生的概率,同时,在对车辆监控的过程中,可以优化巡查路段代替固定路段,增强巡查效果,增强道路通行效果。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种交通精细化监控方法,其特征在于,包括以下步骤:
基于图像采集装置获取车辆图像数据,基于所述车辆图像数据分析车牌数据以得到当前所述图像采集装置中采集到的车辆对应的车辆属性值;
基于所述车辆属性值进行车辆类型划分,得到第一类型车组以及第二类型车组,其中,所述第二类型车组包括目标车组;
提取预设地段所述第一类型车组的单位时间通过量,以更新巡逻数据库进而输出下一周期巡查人员的巡逻位置;
基于物联网感应装置获取车辆点位数据,以从所述车辆点位数据获取所述目标车组中当前车辆的行驶轨迹,并同步更新到轨迹数据库。
2.根据权利要求1所述的一种交通精细化监控方法,其特征在于,所述基于图像采集装置获取车辆图像数据,基于所述车辆图像数据分析车牌数据以得到当前所述图像采集装置中采集到的车辆对应的车辆属性值,具体包括:
基于所述车辆图像数据获取到车辆对应的所述车牌数据,其中,所述车牌数据包括车牌号码、车牌颜色,其中,所述车牌颜色包括白色、蓝色、黄色、黑色以及绿色;
基于所述车牌颜色匹配车辆属性库以得到当前车辆对应的车辆属性值,其中, 所述车辆属性值包括燃油轿车、新能源车、特种车辆、工程车辆。
3.根据权利要求2所述的一种交通精细化监控方法,其特征在于,所述基于所述车辆属性值进行车辆类型划分,得到第一类型车组以及第二类型车组,其中,所述第二类型车组包括目标车组,具体包括:
提取所述车牌颜色为白色、蓝色、黑色以及绿色的车牌对应的所述车辆属性值作为所述第一类型车组,其中,所述第一类型车组包括燃油轿车、新能源车以及特种车辆;
提取所述车牌颜色为黄色的车牌对应的所述车辆属性值为所述第二类型车组,其中,所述第二类型车组包括工程车辆;
将所述第二类型车组中的所述工程车辆单独提取作为所述目标车组以待后续处理。
4.根据权利要求3所述的一种交通精细化监控方法,其特征在于,所述提取预设地段所述第一类型车组的单位时间通过量,以更新巡逻数据库进而输出下一周期巡查人员的巡逻位置,具体包括:
基于所述图像采集装置获取所述预设地段中所述第一类型车组在预设时间内的通过数量作为所述第一类型车组的单位时间通过量,并更新至所述巡逻数据库;
基于所述预设地段,比较更新后的所述单位时间通过量与更新前的所述单位时间通过量,其中,提取更新后的所述单位时间通过量大于或者等于更新前的所述单位时间通过量的所述预设地段作为所述巡逻位置;
将所述巡逻位置输出给所述巡查人员作为下一周期的巡逻点。
5.根据权利要求3所述的一种交通精细化监控方法,其特征在于,所述基于物联网感应装置获取车辆点位数据,以从所述车辆点位数据获取所述目标车组中当前车辆的行驶轨迹,并同步更新到轨迹数据库,具体包括:
基于预设的所述物联网感应装置获取所述车辆点位数据,其中,所述车辆点位数据包括所述第一类型车组以及所述第二类型车组对应的点位;
基于获取到的所述车辆点位数据提取所述第二类型车组中所述工程车辆的点位数据作为所述目标车组的点位数据;
基于所述目标车组的点位数据得到所述目标车组中每个车辆对应的所述行驶轨迹,并将所述行驶轨迹同步更新到轨迹数据库。
6.根据权利要求5所述的一种交通精细化监控方法,其特征在于,还包括:
基于所述目标车组对应的当前轨迹数据识别到目标车辆;
基于所述图像采集装置获取所述目标车辆当前位置,并输入到预设的轨迹神经网络模型中获取模拟输出值;
获取当前所述巡查人员的位置点位,基于所述模拟输出值匹配所述巡查人员,并同步输出应急检查任务给到所述巡查人员进行巡查。
7.一种交通精细化监控系统,其特征在于,包括存储器和处理器,所述存储器中包括交通精细化监控方法程序,所述交通精细化监控方法程序被所述处理器执行时实现如下步骤:
基于图像采集装置获取车辆图像数据,基于所述车辆图像数据分析车牌数据以得到当前所述图像采集装置中采集到的车辆对应的车辆属性值;
基于所述车辆属性值进行车辆类型划分,得到第一类型车组以及第二类型车组,其中,所述第二类型车组包括目标车组;
提取预设地段所述第一类型车组的单位时间通过量,以更新巡逻数据库进而输出下一周期巡查人员的巡逻位置;
基于物联网感应装置获取车辆点位数据,以从所述车辆点位数据获取所述目标车组中当前车辆的行驶轨迹,并同步更新到轨迹数据库。
8.根据权利要求7所述的一种交通精细化监控系统,其特征在于,所述基于图像采集装置获取车辆图像数据,基于所述车辆图像数据分析车牌数据以得到当前所述图像采集装置中采集到的车辆对应的车辆属性值,具体包括:
基于所述车辆图像数据获取到车辆对应的所述车牌数据,其中,所述车牌数据包括车牌号码、车牌颜色,其中,所述车牌颜色包括白色、蓝色、黄色、黑色以及绿色;
基于所述车牌颜色匹配车辆属性库以得到当前车辆对应的车辆属性值,其中, 所述车辆属性值包括燃油轿车、新能源车、特种车辆、工程车辆。
9.根据权利要求8所述的一种交通精细化监控系统,其特征在于,所述基于所述车辆属性值进行车辆类型划分,得到第一类型车组以及第二类型车组,其中,所述第二类型车组包括目标车组,具体包括:
提取所述车牌颜色为白色、蓝色、黑色以及绿色的车牌对应的所述车辆属性值作为所述第一类型车组,其中,所述第一类型车组包括燃油轿车、新能源车以及特种车辆;
提取所述车牌颜色为黄色的车牌对应的所述车辆属性值为所述第二类型车组,其中,所述第二类型车组包括工程车辆;
将所述第二类型车组中的所述工程车辆单独提取作为所述目标车组以待后续处理。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括一种交通精细化监控方法程序,所述交通精细化监控方法程序被处理器执行时,实现如权利要求1至6中任一项所述的一种交通精细化监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210818157.XA CN114913690B (zh) | 2022-07-13 | 2022-07-13 | 交通精细化监控方法、系统和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210818157.XA CN114913690B (zh) | 2022-07-13 | 2022-07-13 | 交通精细化监控方法、系统和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114913690A true CN114913690A (zh) | 2022-08-16 |
CN114913690B CN114913690B (zh) | 2022-10-11 |
Family
ID=82773002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210818157.XA Active CN114913690B (zh) | 2022-07-13 | 2022-07-13 | 交通精细化监控方法、系统和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913690B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117012032A (zh) * | 2023-09-28 | 2023-11-07 | 深圳市新城市规划建筑设计股份有限公司 | 一种基于大数据的智能交通管理系统以及方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050073436A1 (en) * | 2003-08-22 | 2005-04-07 | Negreiro Manuel I. | Method and system for alerting a patrol officer of a wanted vehicle |
CN104063712A (zh) * | 2014-06-27 | 2014-09-24 | 杭州科度科技有限公司 | 一种车辆信息提取方法和系统 |
WO2017157119A1 (zh) * | 2016-03-18 | 2017-09-21 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN108205896A (zh) * | 2016-12-16 | 2018-06-26 | 北京迪科达科技有限公司 | 一种校园交通安全智能监控管理系统 |
CN108564791A (zh) * | 2018-06-13 | 2018-09-21 | 新华网股份有限公司 | 交通信息处理方法、装置和计算设备 |
CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
CN109635825A (zh) * | 2018-12-19 | 2019-04-16 | 苏州市科远软件技术开发有限公司 | 车辆属性检测方法、装置及存储介质 |
CN111243277A (zh) * | 2020-03-09 | 2020-06-05 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 |
CN111275980A (zh) * | 2020-01-21 | 2020-06-12 | 上海天齐智能建筑股份有限公司 | 基于互联网+智能交通视频监控管理系统的大数据应用平台 |
CN111950547A (zh) * | 2020-08-06 | 2020-11-17 | 广东飞翔云计算有限公司 | 一种车牌的检测方法、装置、计算机设备和存储介质 |
CN113469105A (zh) * | 2021-07-15 | 2021-10-01 | 恒大恒驰新能源汽车研究院(上海)有限公司 | 监控周边车辆的方法及装置、计算机可读存储介质 |
KR20210134253A (ko) * | 2020-12-22 | 2021-11-09 | 아폴로 인텔리전트 커넥티비티 (베이징) 테크놀로지 씨오., 엘티디. | 차량 모니터링 방법, 장치 및 클라우드 제어 플랫폼 |
CN114640673A (zh) * | 2022-02-17 | 2022-06-17 | 浙江工业大学 | 一种基于边云协同的大型车辆管理系统 |
-
2022
- 2022-07-13 CN CN202210818157.XA patent/CN114913690B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050073436A1 (en) * | 2003-08-22 | 2005-04-07 | Negreiro Manuel I. | Method and system for alerting a patrol officer of a wanted vehicle |
CN104063712A (zh) * | 2014-06-27 | 2014-09-24 | 杭州科度科技有限公司 | 一种车辆信息提取方法和系统 |
WO2017157119A1 (zh) * | 2016-03-18 | 2017-09-21 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN108205896A (zh) * | 2016-12-16 | 2018-06-26 | 北京迪科达科技有限公司 | 一种校园交通安全智能监控管理系统 |
CN108564791A (zh) * | 2018-06-13 | 2018-09-21 | 新华网股份有限公司 | 交通信息处理方法、装置和计算设备 |
CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
CN109635825A (zh) * | 2018-12-19 | 2019-04-16 | 苏州市科远软件技术开发有限公司 | 车辆属性检测方法、装置及存储介质 |
CN111275980A (zh) * | 2020-01-21 | 2020-06-12 | 上海天齐智能建筑股份有限公司 | 基于互联网+智能交通视频监控管理系统的大数据应用平台 |
CN111243277A (zh) * | 2020-03-09 | 2020-06-05 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 |
CN111950547A (zh) * | 2020-08-06 | 2020-11-17 | 广东飞翔云计算有限公司 | 一种车牌的检测方法、装置、计算机设备和存储介质 |
KR20210134253A (ko) * | 2020-12-22 | 2021-11-09 | 아폴로 인텔리전트 커넥티비티 (베이징) 테크놀로지 씨오., 엘티디. | 차량 모니터링 방법, 장치 및 클라우드 제어 플랫폼 |
CN113469105A (zh) * | 2021-07-15 | 2021-10-01 | 恒大恒驰新能源汽车研究院(上海)有限公司 | 监控周边车辆的方法及装置、计算机可读存储介质 |
CN114640673A (zh) * | 2022-02-17 | 2022-06-17 | 浙江工业大学 | 一种基于边云协同的大型车辆管理系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117012032A (zh) * | 2023-09-28 | 2023-11-07 | 深圳市新城市规划建筑设计股份有限公司 | 一种基于大数据的智能交通管理系统以及方法 |
CN117012032B (zh) * | 2023-09-28 | 2023-12-19 | 深圳市新城市规划建筑设计股份有限公司 | 一种基于大数据的智能交通管理系统以及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114913690B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dodge et al. | The automatic management of drivers and driving spaces | |
US11836985B2 (en) | Identifying suspicious entities using autonomous vehicles | |
CN108074396A (zh) | 安全行驶评价方法及系统 | |
Hu et al. | Safety evaluation of pedestrian-vehicle interaction at signalized intersections in Changsha, China | |
CN110070722A (zh) | 车辆违章判断执法系统、方法及装置 | |
CN111105110A (zh) | 驾驶风险确定方法、装置、介质和计算设备 | |
CN115035491A (zh) | 一种基于联邦学习的驾驶行为路况预警方法 | |
CN105303823A (zh) | 车辆违规监控方法和系统 | |
CN112802344A (zh) | 一种车载式智能联网实时交通违章监控装置及系统 | |
CN114913690B (zh) | 交通精细化监控方法、系统和可读存储介质 | |
CN111899517B (zh) | 一种高速公路疲劳驾驶违法行为判定方法 | |
Chen et al. | Lane-based Distance-Velocity model for evaluating pedestrian-vehicle interaction at non-signalized locations | |
CN112528759A (zh) | 一种基于计算机视觉的交通违章行为检测方法 | |
CN113870551B (zh) | 一种能够鉴别危险和非危险驾驶行为的路侧监控系统 | |
CN113469105A (zh) | 监控周边车辆的方法及装置、计算机可读存储介质 | |
KR20220138894A (ko) | 노면표시 정보의 예측 및 인식방법 및 도로 유지관리 방법 | |
CN116665445A (zh) | 一种基于大数据互联的智慧交通管理平台 | |
Ebner et al. | Identifying and analyzing reference scenarios for the development and evaluation of active safety: application to preventive pedestrian safety | |
Bäumler et al. | Report on validation of the stochastic traffic simulation (Part B) | |
CN112633163A (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN113808405A (zh) | 一种渣土车的实时预警方法 | |
CN112200148B (zh) | 一种去中心化的交通诚信评价系统 | |
Zhong et al. | Taxi Driver Speeding: Who, When, Where and How? A Comparative Study Between Shanghai and New York | |
DE102010039564A1 (de) | Warnverfahren und -vorrichtung | |
CN117789463A (zh) | 一种基于人工智能的交通违规监测与处罚系统及方法 |
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 |