CN115049993B - 一种基于深度学习的车辆异常停止监测方法 - Google Patents
一种基于深度学习的车辆异常停止监测方法 Download PDFInfo
- Publication number
- CN115049993B CN115049993B CN202210983816.5A CN202210983816A CN115049993B CN 115049993 B CN115049993 B CN 115049993B CN 202210983816 A CN202210983816 A CN 202210983816A CN 115049993 B CN115049993 B CN 115049993B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- suspected
- current video
- video picture
- abnormal
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Abstract
本发明公开了一种基于深度学习的车辆异常停止监测方法,涉及车辆异常停止监测技术领域,解决现有技术不能对对车辆违规停车的状况做进一步监测的问题,包括以下步骤:从监控摄像头中取流,获取当前视频画面;从当前视频画面中获取位于关注区域内的车辆及其车辆位置;获取车辆的停止时长并判断车辆是否疑似停车;对被判断为疑似停车的车辆做异常状态判断,异常状态包括车辆碰撞状态和车辆双闪状态;获取车辆位置的监控区域等级,以优先级的最高监控区域为准;上报数据;当车辆出现疑似停车的行为没有出现异常状态时,对疑似停车的行为及对应的监控区域等级进行上报;本发明具有可以对车辆是否停车和异常状态均进行监测的优点。
Description
技术领域
本发明涉及车辆异常停止监测技术领域,更具体的是涉及一种基于深度学习的车辆异常停止监测方法技术领域。
背景技术
国内每年在高速、快速道路、主干道上发现交通事故上万起。其中不乏因车辆故障、车辆碰撞的车辆异常状态引起重大的交通事故。因此,在高速、快速道路、主干道上,因车辆故障或发生碰撞等导致车辆异常停止,如果不及时发现,采取相应的管控手段,将会导致更大、更严重交通事故。
故需设计一套车辆异常停止监测,通过摄像头监控画面分析,快速定位与快速管控的车辆异常状态的系统,现有的技术中,一般对车辆是否出现违规停车进行判断,并未对车辆违规停车的状况做进一步的监测,不能精准对车辆停止状态进行有效监控;另一方面,现有技术中违规停车判断响应时间较长,工作效率还有待提高。
因此,设计一套新的车辆异常停止监测方法,实现对车辆违规停车做更细致分类可以更为精准监控车辆停止状态,进一步提升道路安全性。
发明内容
本发明的目的在于:解决现有技术不能对对车辆违规停车的状况做进一步监测的问题。为了解决上述技术问题,本发明提供一种基于深度学习的车辆异常停止监测方法。
本发明为了实现上述目的具体采用以下技术方案:
一种基于深度学习的车辆异常停止监测方法,包括:
步骤S1:从监控摄像头中取流,获取当前视频画面;
步骤S2:从所述当前视频画面中获取位于关注区域内的车辆及其车辆位置,所述车辆由目标框选中;
步骤S3:获取所述车辆的停止时长;
步骤S4:根据停止时长判断所述车辆是否疑似停车,若否则不做操作,若是则进入步骤S5;
步骤S5:对被判断为疑似停车的车辆做异常状态判断,所述异常状态包括车辆碰撞状态和车辆双闪状态;
步骤S6:获取所述车辆位置的监控区域等级,当车辆所在的位置包括多个监控区域等级时,以优先级最高的监控区域为准;
步骤S7:当所述车辆遇到多种所述异常状态时,对优先级最高的异常状态及对应的监控区域等级进行上报;当所述车辆出现疑似停车的行为并遇到一种所述异常状态时,对所述异常状态及对应的监控区域等级进行上报;当所述车辆出现疑似停车的行为没有出现所述异常状态时,对疑似停车的行为及对应的监控区域等级进行上报。
优选地,所述步骤S2中获取位于关注区域内的车辆及其车辆位置的方法包括:
采用训练好的车辆检测模型获取所述当前视频画面中的所有车辆的车辆位置;
设定关注区域,提取车辆位置位于所述关注区域内的车辆及其车辆位置。
优选地,所述步骤S3获取所述车辆的停止时长的方法为:
将所述当前视频画面的所述关注区域中的车辆与所述当前视频画面前连续多个历史帧中的相同位置的车辆一一进行目标IOU匹配,得到多个匹配结果;
若所述当前视频画面的所述关注区域中的车辆和当前视频画面的前一历史帧的相同位置的车辆的匹配结果大于相似阈值则判断两辆车相同,然后获取匹配结果大于所述相似阈值的最早历史帧,取当前视频画面的时间和所述最早历史帧的时间的差值作为所述停止时长;
若所述当前视频画面的所述关注区域中的车辆和当前视频画面的前一历史帧的相同位置的车辆的匹配结果不大于相似阈值直接将停车时间记为0。
优选地,所述相似阈值为0.8。
优选地,所述步骤S4中根据停止时长判断所述车辆是否疑似停车的方法为:
若所述停止时长大于15秒,则判断为疑似停车;
若所述停止时长不大于15秒,则判断为非疑似停车。
优选地,所述步骤S5中的所述车辆碰撞状态的判断方法包括:
以疑似停车的所述车辆的几何中心为截图中心,截取车辆图像,车辆图像的长宽分别为所述车辆上的目标框的长宽的两倍,若车辆图像超出所述当前视频画面的边界则丢弃超出部分,若未超出则不做操作;
将所述车辆图像送入YOLOv5车辆碰撞检测模型,判断所述当前视频画面中的所述车辆是否发生疑似碰撞,所述YOLOv5车辆碰撞检测模型为一种逻辑回归模型;;
若未发生疑似碰撞则不做操作,若发生疑似碰撞则通过所述YOLOv5车辆碰撞检测模型判断历史帧中的该车辆是否发生疑似碰撞;
对历史帧进行检测,若连续四帧以上的历史帧中所述车辆均处于疑似碰撞,则判断该车辆处于车辆碰撞状态,否则判断处于非车辆碰撞状态。
优选地,所述步骤S5中的所述车辆双闪状态的判断方法包括:
截取所述当前视频画面和所述当前视频画面前连续多个历史帧中的所述车辆的所述目标框得到目标框图像,总计获取连续20帧的目标框图像;
将连续20帧的目标框图像送入YOLOv5车辆双闪检测模型检测双闪亮灯状态,若连续20帧中的目标框图像处于双闪亮灯状态的图像帧数在[6,14]范围内,,则判断所述当前视频画面中的所述车辆处于双闪状态,否则判断处于非双闪状态,所述YOLOv5车辆碰双闪检测模型为一种逻辑回归模型。
优选地,所述步骤S6中的所述监控区域等级包括:重点区域、中等区域和普通区域。
优选地,所述步骤S6中的所述异常状态的优先级为:
所述车辆碰撞状态大于所述车辆双闪状态。
本发明的有益效果如下:
本发明在停车判断以后,还对车辆碰撞状态和车辆双闪状态进行确认,进一步细致确认了停止的车辆是否存在其他紧急异常状态,更为全面监测了车辆异常状态并及时上报,提升道路的安全性;本发明在精确发现车辆异常停止的同时,还减少了后台人工筛查车辆异常状态审审核工作,节约了人力成本;本发明引入了车辆检测模型、YOLOv5车辆碰撞检测模型和YOLOv5车辆双闪检测模型,监测迅速高效且准确度高;对车辆停止信息及其状态做优先级划分,保证最紧急程度的问题最优先及时被上报。
附图说明
图1是本发明的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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他实施例,都属于本发明保护的范围。
实施例1
如图1所示,本实施例提供一种基于深度学习的车辆异常停止监测方法,包括:
步骤S1:从监控摄像头中取流,获取当前视频画面;
步骤S2:从所述当前视频画面中获取位于关注区域内的车辆及其车辆位置,所述车辆由目标框选中;
步骤S3:获取所述车辆的停止时长;
步骤S4:根据停止时长判断所述车辆是否疑似停车,若否则不做操作,若是则进入步骤S5;
步骤S5:对被判断为疑似停车的车辆做异常状态判断,所述异常状态包括车辆碰撞状态和车辆双闪状态;
步骤S6:获取所述车辆位置的监控区域等级,当车辆所在的位置包括多个监控区域等级时,以优先级最高的监控区域为准;这里是因为可能出现车辆恰好跨区域停车等意外情况,如此设置监控更精准严格,更有利于道路安全;
步骤S7:当所述车辆出现疑似停车的行为并遇到多种所述异常状态时,对优先级最高的异常状态及对应的监控区域等级进行上报;当所述车辆出现疑似停车的行为并遇到一种所述异常状态时,对所述异常状态及对应的监控区域等级进行上报;当所述车辆出现疑似停车的行为没有出现所述异常状态时,对疑似停车的行为及对应的监控区域等级进行上报。
综上所述,本实施例先提取关注区域内的车辆,具体的关注区域的设定可以根据实际道路观测需求进行规划,然后计算提取的车辆的停止时长,根据停止时长来判断车辆是否存在疑似停车的行为,比如停止时长计算为0的时候自然是没有停车的,具体可以设置一个合适的时间阈值来进行判断,因为也存在误判或者车辆出现其他意外短暂暂停不会造成其他影响的情况;当判断出车辆疑似停车以后,则进一步进行异常状态的检测,这里的异常状态检测具体分为了车辆碰撞状态和车辆双闪状态,以此解决了现有技术不能对对车辆违规停车的状况做进一步监测的问题,然后根据车辆具体疑似停车的异常状态划分优先级,按照优先级最高的进行上报,确定最先解决最紧急的状态。
在本实施例中,所述步骤S2中获取位于关注区域内的车辆及其车辆位置的方法包括:
采用训练好的车辆检测模型获取所述当前视频画面中的所有车辆的车辆位置;
设定关注区域,提取车辆位置位于所述关注区域内的车辆及其车辆位置。
这里的车辆检测模型可以采用了跨领域网格,并在不同输出层匹配,极大的扩增了正样本anchor,加速模型收敛速度并提高模型召回率。
Backbone:采用了Focus结构,CSP结构(CSPNet的跨阶段局部融合网络),减少bp时梯度信息的重复,降低计算量,提高CNN的学习能力,且网络结构可以包括以下内容:
Neck:模块采用PFN+PAN,融合不同维度的特征。
head:部分与YOLOv4相同,三个输出头,分别对应8,16,32stride,不同stride的输出预测不同尺寸的目标。
实施例2
本实施例基于实施例1的技术方案,对停止时长的计算方法做进一步说明。
作为本实施例的优选方案,所述步骤S3获取所述车辆的停止时长的方法为:
将所述当前视频画面的所述关注区域中的车辆与所述当前视频画面前连续多个历史帧中的相同位置的车辆一一进行目标IOU匹配,得到多个匹配结果;
若所述当前视频画面的所述关注区域中的车辆和当前视频画面的前一历史帧的相同位置的车辆的匹配结果大于相似阈值则判断两辆车相同,也就是说在两帧中该车辆一直处于该位置未移动,所以可以认为车辆是静置不动的;然后获取匹配结果大于所述相似阈值的最早历史帧,这个最早历史帧可以看作是车辆刚到达这个位置的画面,在这之后便停止了,所以取当前视频画面的时间和所述最早历史帧的时间的差值可以作为所述停止时长;
若所述当前视频画面的所述关注区域中的车辆和当前视频画面的前一历史帧的相同位置的车辆的匹配结果不大于相似阈值,则说明两帧中该车辆并没有处于该位置未移动,所以可以认为车辆是移动的,因此直接将停车时间记为0。
这里采用的匹配方法为目标IOU匹配,目标IOU匹配的大致逻辑是将两个带匹配目标的目标框进行比对,取两个目标框相交的区域面积与两个目标框相并的区域面积的比值作为匹配结果,这里便是通过匹配结果和设定的相似阈值进行判断。也就是:,其中,IoU为匹配结果,代表当前视频画面的所述关注区域中的车辆的所述目标框,代表历史帧中该车辆的所述目标框;
进一步地,本实施例的所述相似阈值设置为为0.8,也就是说经过目标IOU匹配的匹配结果大于0.8时则可由认为两帧图中提取的相同位置的两辆车为同一辆车,否则则认为不是一辆车。
同样在本实施例中,所述步骤S4中根据停止时长判断所述车辆是否疑似停车的方法为:
若所述停止时长大于15秒,则判断为疑似停车;
若所述停止时长不大于15秒,则判断为非疑似停车。
设置通过停止时长进行具体是否意思停车的判断可以提升判断准确性:一是对目标IOU匹配后的结果进行二次筛选,二是避免将因为意外临时停车不会造成实质影响的车辆纳入监管范围造成资源浪费。
实施例3
本实施例基于实施例1的技术方案,具体对车辆做异常状态判断做进一步的说明。
本实施例中,所述步骤S5中的所述车辆碰撞状态的判断方法包括:
以疑似停车的所述车辆的几何中心为截图中心,截取车辆图像,车辆图像的长宽分别为所述车辆上的目标框的长宽的两倍,若车辆图像超出所述当前视频画面的边界则丢弃超出部分,若未超出则不做操作;
具体来说,目标框位置用x,y,w,h四个变量描述,其中x,y分别代表目标框左下角的点在坐标系中的X轴与Y轴的取值;w,h代表目标框的宽度与高度。
目标框loc,其值假定为(x,y,w,h),截取的车辆图像位置标识collision_loc,其计算公式为:
collision_loc = two_loc(x-0.5*w,y-0.5*h,2*w,2*h) & Img(0,0,iw,ih)
其中two_loc代表以车辆目标为中心扩大两倍理论位置;Image代表当前视频画面的大小,iw代表当前视频画面的宽度,ih代表当前视频画面的高度;其表达式取&,标识扩大后的碰撞检测图像不会超出当前视频画面部分
将所述车辆图像送入YOLOv5车辆碰撞检测模型,判断所述当前视频画面中的所述车辆是否发生疑似碰撞;
YOLOv5车辆碰撞检测模型采用的是一种逻辑回归模型,是一种常用的判断模型,通过该模型可以得到输入的分类结果为类别0和类别1各种的1概率,以此进行训练学习和判断。
若未发生疑似碰撞则不做操作,若发生疑似碰撞则通过所述YOLOv5车辆碰撞检测模型判断历史帧中的该车辆是否发生疑似碰撞;
对历史帧进行检测,若连续四帧以上的历史帧中所述车辆均处于疑似碰撞,则判断该车辆处于车辆碰撞状态,否则判断处于非车辆碰撞状态,该处理也是防止误判,提升计算的精准度。
另一方面,所述步骤S5中的所述车辆双闪状态的判断方法包括:
以疑似停车的车辆所述车辆的几何中心为截图中心,截取所述当前视频画面和所述当前视频画面前连续多个历史帧中的所述车辆面积两倍的车辆图像,总计获取连续20帧的车辆图像;同样的,具体车辆面积则可以理解为处理时产生使用的目标框的面积,然后以目标框的几何中心为中心,截取两倍面积的长方形区域作为车辆图像;
将连续20帧的车辆图像送入YOLOv5车辆双闪检测模型检测双闪亮灯状态,若连续20帧中的车辆图像的双闪亮灯状态均在[6,14],也就是说:
double_flash_count/frame_count*20 ∈[6,14]
则判断所述当前视频画面中的所述车辆处于双闪状态,否则判断处于非双闪状态。提取多帧进行检测也是为了防止误判。
双闪亮灯状态[6,14]的含义如下:
首先双闪灯状态有亮灯和不亮灯灯两种状态;所有连续统计20帧图像画面,每帧画面中,车辆的双闪灯必然是亮灯或者不亮灯,当亮灯的帧数大于6帧,同时小于14帧的时候,则认为双灯灯在闪烁,表示打开了双闪。
同样的,YOLOv5车辆双闪检测模型是一种逻辑回归模型,是一种常用的判断模型,通过该模型可以得到输入的分类结果为类别0和类别1各种的1概率,以此进行训练学习和判断。
下面对YOLOv5车辆碰撞检测模型和YOLOv5车辆双闪检测模型涉及的逻辑回归模型进行解释:
逻辑回归模型为:
实施例4
本实施例基于实施例1的技术方案进行改进,具体对疑似停车的行为优先级进行阐述。
具体地,所述步骤S6中的所述监控区域等级包括:重点区域、中等区域和普通区域。该划分是基于区域的重要程度,由道路实际情况决定,区域的重要程度,也就是监控区域等级按照优先级由高到低依次为:重点区域、中等区域和普通区域。例如超车道为重点区域。
另一方面,所述步骤S6中的所述异常状态的优先级为:
所述车辆碰撞状态大于所述车辆双闪状态。
相当于,对车辆疑似停车的状态进行判断以后,再对异常状态进行判断,然后对车辆的异常状态进行优先级的划分,车辆同时存在多种异常状态的时候根据优先级进行上报,可以保证最先最快获取和处理最紧急的道路车辆异常情况。其他时候正常上报即可。
Claims (9)
1.一种基于深度学习的车辆异常停止监测方法,其特征在于,包括以下步骤:
步骤S1:从监控摄像头中取流,获取当前视频画面;
步骤S2:从所述当前视频画面中获取位于关注区域内的车辆及其车辆位置,所述车辆由目标框选中;
步骤S3:获取所述车辆的停止时长;
步骤S4:根据停止时长判断所述车辆是否疑似停车,若否则不做操作,若是则进入步骤S5;
步骤S5:对被判断为疑似停车的车辆做异常状态判断,所述异常状态包括车辆碰撞状态和车辆双闪状态;
步骤S6:获取所述车辆位置的监控区域等级,当车辆所在的位置包括多个监控区域等级时,以优先级最高的监控区域为准;
步骤S7:当所述车辆遇到多种所述异常状态时,对优先级最高的所述异常状态及对应的监控区域等级进行上报;当所述车辆出现疑似停车的行为并遇到一种所述异常状态时,对所述异常状态及对应的监控区域等级进行上报;当所述车辆出现疑似停车的行为没有出现所述异常状态时,对疑似停车的行为及对应的监控区域等级进行上报。
2.根据权利要求1所述的一种基于深度学习的车辆异常停止监测方法,其特征在于,所述步骤S2中获取位于关注区域内的车辆及其车辆位置的方法包括:
采用训练好的车辆检测模型获取所述当前视频画面中的所有车辆的车辆位置;
设定关注区域,提取车辆位置位于所述关注区域内的车辆及其车辆位置。
3.根据权利要求1所述的一种基于深度学习的车辆异常停止监测方法,其特征在于,所述步骤S3获取所述车辆的停止时长的方法为:
将所述当前视频画面的所述关注区域中的车辆与所述当前视频画面前连续多个历史帧中的相同位置的车辆一一进行目标IOU匹配,得到多个匹配结果;
若所述当前视频画面的所述关注区域中的车辆和当前视频画面的前一历史帧的相同位置的车辆的匹配结果大于相似阈值则判断两辆车相同,然后获取匹配结果大于所述相似阈值的最早历史帧,取当前视频画面的时间和所述最早历史帧的时间的差值作为所述停止时长;
若所述当前视频画面的所述关注区域中的车辆和当前视频画面的前一历史帧的相同位置的车辆的匹配结果不大于相似阈值直接将停车时间记为0。
4.根据权利要求3所述的一种基于深度学习的车辆异常停止监测方法,其特征在于,所述相似阈值为0.8。
5.根据权利要求1所述的一种基于深度学习的车辆异常停止监测方法,其特征在于,所述步骤S4中根据停止时长判断所述车辆是否疑似停车的方法为:
若所述停止时长大于15秒,则判断为疑似停车;
若所述停止时长不大于15秒,则判断为非疑似停车。
6.根据权利要求1所述的一种基于深度学习的车辆异常停止监测方法,其特征在于,所述步骤S5中的所述车辆碰撞状态的判断方法包括:
以疑似停车的所述车辆的几何中心为截图中心,截取车辆图像,车辆图像的长宽分别为所述车辆上的所述目标框的长宽的两倍,若车辆图像超出所述当前视频画面的边界则丢弃超出部分,若未超出则不做操作;
将所述车辆图像送入YOLOv5车辆碰撞检测模型,判断所述当前视频画面中的所述车辆是否发生疑似碰撞;所述YOLOv5车辆碰撞检测模型为一种逻辑回归模型;
若未发生疑似碰撞则不做操作,若发生疑似碰撞则通过所述YOLOv5车辆碰撞检测模型判断历史帧中的该车辆是否发生疑似碰撞;
对历史帧进行检测,若连续四帧以上的历史帧中所述车辆均处于疑似碰撞,则判断该车辆处于车辆碰撞状态,否则判断处于非车辆碰撞状态。
7.根据权利要求6所述的一种基于深度学习的车辆异常停止监测方法,其特征在于,所述步骤S5中的所述车辆双闪状态的判断方法包括:
截取所述当前视频画面和所述当前视频画面前连续多个历史帧中的所述车辆的所述目标框得到目标框图像,总计获取连续20帧的目标框图像;
将连续20帧的目标框图像送入YOLOv5车辆双闪检测模型检测双闪亮灯状态,若连续20帧中的目标框图像处于双闪亮灯状态的图像帧数在[6,14]范围内,则判断所述当前视频画面中的所述车辆处于双闪状态,否则判断处于非双闪状态;所述YOLOv5车辆双闪检测模型为一种逻辑回归模型。
8.根据权利要求1所述的一种基于深度学习的车辆异常停止监测方法,其特征在于,所述步骤S6中的所述监控区域等级包括:重点区域、中等区域和普通区域。
9.根据权利要求8所述的一种基于深度学习的车辆异常停止监测方法,其特征在于,所述步骤S6中的所述异常状态的优先级为:
所述车辆碰撞状态大于所述车辆双闪状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210983816.5A CN115049993B (zh) | 2022-08-17 | 2022-08-17 | 一种基于深度学习的车辆异常停止监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210983816.5A CN115049993B (zh) | 2022-08-17 | 2022-08-17 | 一种基于深度学习的车辆异常停止监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049993A CN115049993A (zh) | 2022-09-13 |
CN115049993B true CN115049993B (zh) | 2022-11-15 |
Family
ID=83167935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210983816.5A Active CN115049993B (zh) | 2022-08-17 | 2022-08-17 | 一种基于深度学习的车辆异常停止监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049993B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082834B (zh) * | 2022-07-20 | 2023-03-17 | 成都考拉悠然科技有限公司 | 一种基于深度学习工程车冒黑烟监测方法及系统 |
CN116524415B (zh) * | 2023-06-29 | 2023-11-24 | 成都考拉悠然科技有限公司 | 一种基于深度学习的计量管状态的检测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741503A (zh) * | 2016-03-04 | 2016-07-06 | 西南交通大学 | 一种现有监控设备下的停车场实时预警方法 |
CN111009131A (zh) * | 2019-12-05 | 2020-04-14 | 成都思晗科技股份有限公司 | 一种基于图像识别的高位视频智能停车系统 |
CN111243336A (zh) * | 2020-01-22 | 2020-06-05 | 长安大学 | 一种基于双闪灯识别的车辆追尾预警系统及预警方法 |
WO2020125138A1 (zh) * | 2018-12-16 | 2020-06-25 | 华为技术有限公司 | 一种物体碰撞预测方法及装置 |
CN111815959A (zh) * | 2020-06-19 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种车辆违章的检测方法、装置以及计算机可读存储介质 |
CN113591679A (zh) * | 2021-07-28 | 2021-11-02 | 浙江大华技术股份有限公司 | 一种违停车辆检测方法及装置 |
CN113792586A (zh) * | 2021-08-04 | 2021-12-14 | 武汉市公安局交通管理局 | 车辆事故检测方法、装置及电子设备 |
CN113822285A (zh) * | 2021-09-29 | 2021-12-21 | 重庆市云迈科技有限公司 | 一种用于复杂应用场景的车辆违停识别方法 |
CN114548284A (zh) * | 2022-02-23 | 2022-05-27 | 北京中交兴路车联网科技有限公司 | 一种货运车辆事故判断系统、方法、设备及介质 |
CN114596250A (zh) * | 2020-11-19 | 2022-06-07 | 辉达公司 | 使用神经网络的对象检测和碰撞避免 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112509315B (zh) * | 2020-11-04 | 2022-02-15 | 杭州远眺科技有限公司 | 一种基于视频分析的交通事故检测方法 |
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 |
CN114581863A (zh) * | 2022-03-03 | 2022-06-03 | 广西新发展交通集团有限公司 | 车辆危险状态识别方法及系统 |
CN114758297A (zh) * | 2022-04-21 | 2022-07-15 | 中国公路工程咨询集团有限公司 | 基于雷达与视频相融合的交通事件检测方法及系统 |
-
2022
- 2022-08-17 CN CN202210983816.5A patent/CN115049993B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741503A (zh) * | 2016-03-04 | 2016-07-06 | 西南交通大学 | 一种现有监控设备下的停车场实时预警方法 |
WO2020125138A1 (zh) * | 2018-12-16 | 2020-06-25 | 华为技术有限公司 | 一种物体碰撞预测方法及装置 |
CN111009131A (zh) * | 2019-12-05 | 2020-04-14 | 成都思晗科技股份有限公司 | 一种基于图像识别的高位视频智能停车系统 |
CN111243336A (zh) * | 2020-01-22 | 2020-06-05 | 长安大学 | 一种基于双闪灯识别的车辆追尾预警系统及预警方法 |
CN111815959A (zh) * | 2020-06-19 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种车辆违章的检测方法、装置以及计算机可读存储介质 |
CN114596250A (zh) * | 2020-11-19 | 2022-06-07 | 辉达公司 | 使用神经网络的对象检测和碰撞避免 |
CN113591679A (zh) * | 2021-07-28 | 2021-11-02 | 浙江大华技术股份有限公司 | 一种违停车辆检测方法及装置 |
CN113792586A (zh) * | 2021-08-04 | 2021-12-14 | 武汉市公安局交通管理局 | 车辆事故检测方法、装置及电子设备 |
CN113822285A (zh) * | 2021-09-29 | 2021-12-21 | 重庆市云迈科技有限公司 | 一种用于复杂应用场景的车辆违停识别方法 |
CN114548284A (zh) * | 2022-02-23 | 2022-05-27 | 北京中交兴路车联网科技有限公司 | 一种货运车辆事故判断系统、方法、设备及介质 |
Non-Patent Citations (4)
Title |
---|
YOLOv4: Optimal Speed and Accuracy of Object Detection;Alexey Bochkovskiy等;《arXiv》;20200423;1-17 * |
基于One Class-SVM+Autoencoder模型的车辆碰撞检测;杨文忠等;《新疆大学学报》;20200714;271-276+281 * |
基于YOLO的驾驶视频目标检测方法;文浩彬等;《汽车科技》;20190125;73-76+72 * |
基于YOLO算法的车辆违停检测;徐江浪等;《苏州科技大学学报》;20201130;68-72 * |
Also Published As
Publication number | Publication date |
---|---|
CN115049993A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115049993B (zh) | 一种基于深度学习的车辆异常停止监测方法 | |
CN109993969B (zh) | 一种路况判定信息获取方法、装置及设备 | |
US11107356B2 (en) | Cellular network-based assisted driving method and traffic control unit | |
CN110097753B (zh) | 二次事故的预警方法、装置、系统及道路监测装置 | |
EP3687863A1 (en) | Multiple exposure event determination | |
CN110619747A (zh) | 一种高速公路道路智能监控方法及系统 | |
WO2013057664A2 (en) | System for collision prediction and traffic violation detection | |
CN108932849B (zh) | 一种记录多台机动车低速行驶违法行为的方法及装置 | |
CN110895662A (zh) | 车辆超载报警方法、装置、电子设备及存储介质 | |
CN114999179B (zh) | 一种隧道安全行车方法、设备及介质 | |
CN103886753B (zh) | 一种信号灯控制路口异常停车原因快速确认系统及方法 | |
CN113470371B (zh) | 识别违规车辆的方法、系统和计算机可读存储介质 | |
CN113012436B (zh) | 道路监控方法、装置及电子设备 | |
CN112489383A (zh) | 一种基于机器视觉的预防闯红灯事故预警系统、方法 | |
CN108932850B (zh) | 一种记录机动车低速行驶违法行为的方法及装置 | |
CN111492416A (zh) | 一种违章监控系统及违章监控方法 | |
CN111613056A (zh) | 一种交通异常事件检测方法及装置 | |
CN112185170B (zh) | 交通安全提示方法及道路监控设备 | |
CN111105619A (zh) | 一种路侧逆向停车的判断方法及装置 | |
CN109003457B (zh) | 一种记录多台机动车违法占用应急车道行为的方法及装置 | |
Ke et al. | Edge computing for real-time near-crash detection for smart transportation applications | |
CN115359443A (zh) | 交通事故检测方法和装置、电子设备和存储介质 | |
CN115376311A (zh) | 一种针对隧道的车辆态势分析方法及设备 | |
CN113593253A (zh) | 车辆的闯红灯监测方法和装置 | |
CN115063764A (zh) | 交通信号灯的状态估计方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Vehicle Abnormal Stop Monitoring Method Based on Deep Learning Effective date of registration: 20230524 Granted publication date: 20221115 Pledgee: Industrial Bank Limited by Share Ltd. Chengdu branch Pledgor: CHENGDU KOALA YOURAN TECHNOLOGY CO.,LTD. Registration number: Y2023510000130 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |