CN115063758A - 一种基于视频数据的交通碳排计算方法及系统 - Google Patents

一种基于视频数据的交通碳排计算方法及系统 Download PDF

Info

Publication number
CN115063758A
CN115063758A CN202210868733.1A CN202210868733A CN115063758A CN 115063758 A CN115063758 A CN 115063758A CN 202210868733 A CN202210868733 A CN 202210868733A CN 115063758 A CN115063758 A CN 115063758A
Authority
CN
China
Prior art keywords
vehicle
image data
video
classification result
calculating
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
CN202210868733.1A
Other languages
English (en)
Inventor
陆志龙
董进
郑宏威
何凌昊
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.)
Beijing Microchip Blockchain And Edge Computing Research Institute
Original Assignee
Beijing Microchip Blockchain And Edge Computing Research Institute
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 Beijing Microchip Blockchain And Edge Computing Research Institute filed Critical Beijing Microchip Blockchain And Edge Computing Research Institute
Priority to CN202210868733.1A priority Critical patent/CN115063758A/zh
Publication of CN115063758A publication Critical patent/CN115063758A/zh
Pending legal-status Critical Current

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
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于交通技术领域；一种基于视频数据的交通碳排计算方法及系统，该方法包括：根据视频图像数据，通过预先构建的第一识别模型，进行车辆识别，得到第一分类结果；从第一分类结果中，提取出包含小客车的图像数据；根据小客车的图像数据，通过预先构建的第二识别模型，对小客车进行二次识别，得到第二分类结果；根据第一分类结果和/或第二分类结果，计算不同类别车辆的行驶速度；根据行驶速度计算碳排放；该系统包括图像采集模块、第一识别模块、第二识别模块、速度测量模块和碳排计算模块；本发明根据道路视频能够进行车辆识别，并计算车辆的行驶速度以及车辆的碳排放量，从而汇总数据实时得到当前道路一段时间内的碳排放，降低了监测成本。

Description

一种基于视频数据的交通碳排计算方法及系统
技术领域
本发明涉及交通技术领域，更具体的说是涉及一种基于视频数据的交通碳排计算方法及系统。
背景技术
在目标检测领域，YOLO模型一直是一个效果不错的模型，在实际中检测准确率能达到90％以上，目前训练好的模型参数和代码能够满足正常情形下视频数据中或者照片中目标的检出。
现有技术中，对车辆的碳排计算没有考虑车辆行驶速度对排放量的影响，并且依赖于较高的技术成本，最终得出的排放量计算误差大；同时，在进行车辆判断的过程中，需要从交管部门获取隐私级别高的数据，风险大。
因此，如何提供一种基于视频数据的交通碳排计算方法，能够进行车辆的精确识别和实时行驶速度的计算，降低成本，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于视频数据的交通碳排计算方法及系统，根据视频能够自动推断出车辆的行驶速度，并且在车辆速度与排放因子方程已知前提下实时计算车辆的排放量，从而实时得到道路一段时间内的碳排放，降低了监测成本，同时能够确保监测的实时性。
为了实现上述目的，本发明采用如下技术方案：
一种基于视频数据的交通碳排计算方法，其特征在于，包括以下步骤，获取视频图像数据；
根据所述视频图像数据，通过预先构建的第一识别模型，进行车辆识别分类，得到第一分类结果；
从所述第一分类结果中，提取出包含小客车的图像数据；
根据所述小客车的图像数据，通过预先构建的第二识别模型，对所述小客车进行二次识别分类，得到第二分类结果；所述第二分类结果为燃油车或新能源车；
根据所述第一分类结果和/或所述第二分类结果，计算不同类别车辆的行驶速度；
根据所述行驶速度计算碳排放。
进一步的，所述第一识别模型为YOLO模型，通过所述YOLO模型，根据车型特征，进行分类，得到第一分类结果；所述第一分类结果的类别包括小客车、货车、公交车中的一种或多种。
进一步的，所述第二识别模型为基于跨平台计算机视觉库的图像识别模型，通过所述图像识别模型，根据车牌颜色特征，对所述小客车进行分类，得到第二分类结果。
进一步的，所述计算车辆的行驶速度，步骤包括：
结合深度学习模型YOLO和多目标追踪算法来实时追踪车辆，获取车辆行驶视频；
在所述行驶视频的视频帧中设置标记线；
记录所述行驶视频中车辆经过所述标记线的行驶时间；
根据所述车辆的长度和所述行驶时间，计算行驶速度。
进一步的，根据所述行驶速度计算碳排放，包括：
根据碳排放因子库，获得所述第一分类结果和/或所述第二分类结果对应类型的速度排放关系；
根据所述速度排放关系和所述行驶速度计算所述碳排放。
进一步的，所述视频图像数据为实时图像数据或时段图像数据，
当所述视频图像数据为实时图像数据时，通过所述第一识别模型和/或所述第二识别模型，识别所述实时图像数据中的车辆类别；计算该车辆的行驶速度，根据所述行驶速度计算实时碳排放量；
当所述视频图像数据为时段图像数据时，通过所述第一识别模型和/或所述第二识别模型识别所述时段图像数据中，所有车辆的类别；计算并记录所有车辆类别的行驶速度，根据所述行驶速度计算时段内的碳排放量。
一种基于视频数据的交通碳排计算系统，包括图像采集模块、第一识别模块、第二识别模块、速度测量模块和碳排计算模块；
所述图像采集模块，用于获取视频图像数据；
所述第一识别模块，用于根据所述视频图像数据，通过预先构建的第一识别模型，进行车辆识别，得到第一分类结果；
所述第二识别模块，用于从所述第一分类结果中，提取出包含小客车的图像数据；并根据所述小客车的图像数据，通过预先构建的第二识别模型，对所述小客车进行二次识别，得到第二分类结果；
所述速度测量模块，用于计算不同类别车辆的行驶速度；
所述碳排计算模块，用于根据所述行驶速度计算碳排放。
进一步的，所述速度测量模块包括目标追踪模块和计时计算模块；
目标追踪模块，用于结合深度学习模型YOLO和多目标追踪算法来实时追踪车辆，获取车辆行驶视频，并在所述行驶视频的视频帧中设置标记线；
所述计时计算模块，用于记录所述行驶视频中车辆经过所述标记线的行驶时间，并根据所述车辆的长度和所述行驶时间，计算行驶速度。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于视频数据的交通碳排计算方法及系统，根据视频能够自动推断出车辆的行驶速度；另外，本发明中参照的排放因子库是根据碳排放计算模型输入本地化参数，从而得到城市中不同车辆类型的具体排放值，并给出与车辆行驶速度之间的拟合函数，即排放因子方程；并且在车辆速度与排放因子方程已知前提下实时计算车辆的排放量，从而实时得到道路一段时间内的碳排放，降低了监测成本，同时能够确保监测的实时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的一种基于视频数据的交通碳排计算方法流程图；
图2附图为本发明提供的一种基于视频数据的交通碳排计算系统结构示意图。
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做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。
本发明实施例公开了一种基于视频数据的交通碳排计算方法，包括以下步骤：
S1：获取视频图像数据；
S2：根据视频图像数据，通过预先构建的第一识别模型，进行车辆识别分类，得到第一分类结果；
在一种实施例中，第一识别模型为YOLO模型，通过YOLO模型，根据车型特征，进行分类，得到第一分类结果；第一分类结果的类别包括小客车、货车、公交车中的一种或多种；
S3：从第一分类结果中，提取出包含小客车的图像数据；
S4：根据小客车的图像数据，通过预先构建的第二识别模型，对小客车进行二次识别分类，区分出电动小客车和非电动小客车，得到第二分类结果；第二分类结果为燃油车或新能源车。
在一种实施例中，第二识别模型为基于跨平台计算机视觉库的图像识别模型，通过图像识别模型，根据车牌颜色特征，对小客车进行分类，得到第二分类结果。由于电动车牌是绿色，因此根据不同颜色的HSV阈值取掩膜，掩膜得到的白色像素值最大的就是对应的颜色，对视频中出现的车辆车牌颜色识别.具体而言，通过对视频中含有车牌区域进行截取，利用此照片判断车牌颜色。根据不同的HSV阈值取掩膜，掩膜得到的白色像素值最大的就是车牌对应的颜色。在该专利中主要区分的颜色是：黄色、蓝色和绿色。步骤如下：首先读取含有车牌区域的照片，设定三种颜色的阈值上下界，然后将原始照片变成HSV，随后根据阈值来构建掩膜，接下来对原始图像与掩膜进行计算，记录下黑白像素总和，因为不同颜色的掩膜面积不一样，最后输出最大的白色像素值就是车牌对应的颜色。区分电动汽车与非电动汽车，达到小车类型检测的目的，进而避免了电动车对碳排放量计算所带来的计算误差。
S5：计算车辆的行驶速度；
在一种实施例中，计算车辆的行驶速度，步骤包括：
S51：结合深度学习模型YOLO和多目标追踪算法来实时追踪车辆，获取车辆行驶视频；具体而言，利用现有已经训练好的YOLO v3模型参数，构建本地化的目标检测模型，通过将待检测视频作为输入，能够标记中视频中每一帧检测出的车辆信息，然后结合DeepSort对每一帧检测的车辆情况进行对比分析，实现不同帧之间车辆信息匹配，从而实现视频流中的车辆唯一性追踪。其中DeepSort对每一帧的处理流程为，首先检测器能够获取到含有车辆的所有检测框，然后根据这些检测框生成所有的检出车辆，接着使用卡尔曼滤波进行预测，使用匈牙利算法将预测后的车辆行驶轨迹和当前帧中的检出车辆进行匹配(主要包括级联匹配和IOU匹配)，最后进行卡尔曼滤波更新，至此就能得出所有车辆的轨迹数据，从而实现了视频中车辆的实时追踪。
S52：在行驶视频的视频帧中设置标记线；其中，标记线为与车辆行驶方向正交的虚直线；
S53：记录行驶视频中车辆经过标记线的行驶时间；
S54：根据车辆的长度和行驶时间，计算行驶速度；其中，车辆长度可采用预设的标准值，如小汽车选择长度为4米、公交车长度选择为10米；
S6：根据第一分类结果和/或第二分类结果和行驶速度计算碳排放；
在一种实施例中，具体步骤为：
根据碳排放因子库，获得第一分类结果和/或第二分类结果对应类型的速度排放关系，将本地化参数输入至预先构建的碳排放计算模型，如综合移动源排放模型(MOVES模型)中，得出不同类型的燃油车辆速度与排放因子之间的方程，进而能够根据行驶速度计算碳排放。通过调查北京市实际的车型构成，与碳排放计算模型中的车型选项匹配，确定研究车型为汽油小型客公交车和摩托车。该模型引入比功率的概念，将活动水平参数分解到各个源组，随后将源组的分布与各源组排放速率相结合得到最终模拟结果。运行模型时，首先创建运行规范，规定模拟的区域尺度、核算目标、时间跨度、地理界限、车辆类型、燃料类型、道路类型和温室气体类型等模拟条件。随后，在运行规范的基础上使用参数管理面板将默认参数替换为北京市本地化参数。采用官方资料收集、文献调研、问卷调查、车队模型、网络平台监测、实际调研拍摄等方法获取北京市机动车活动水平、道路信息、气象参数等数据，建立排放因子基础数据库。其中，分车型的机动车保有量和车型构成数据来源于统计年鉴、交通发展年报等官方统计资料；行驶里程通过综合交通年报公布数据、文献研究结果以及实际问卷调查获取；使用车队模型法结合每年新注册车辆数量与存活曲线得到各车型的车龄分布；燃料参数来自国V排放标准下的汽油、柴油成分数据；气象参数来自中国气象数据网对北京市一年内逐时温度、湿度的统计；逐时路网平均速度来自高德地图开放平台对路网区间平均速度的监测；道路信息通过官方统计资料结合实际调研获取。基于北京市实际状况，设置国V排放标准、城市非限制道路、沥青路面、选择I/M制度、20℃的环境温度和40％的相对湿度作为碳排放计算模型的默认参数，模拟不同车型、不同行驶速度下机动车排放因子。随后，采用最小二乘回归分析的方法得到机动车温室气体排放因子与车辆行驶的速度的估计方程。
在另一实施例中，视频图像数据为实时图像数据或时段图像数据，
当视频图像数据为实时图像数据时，通过第一识别模型和/或第二识别模型，识别实时图像数据中的车辆类别；计算该车辆的行驶速度，根据行驶速度计算实时碳排放量；
当视频图像数据为时段图像数据时，通过第一识别模型和/或第二识别模型识别时段图像数据中，所有车辆的类别；计算并记录所有车辆类别的行驶速度，根据行驶速度计算时段内的碳排放量。
一种基于视频数据的交通碳排计算系统，包括图像采集模块、第一识别模块、第二识别模块、速度测量模块和碳排计算模块；
图像采集模块，用于获取视频图像数据；
第一识别模块，用于根据视频图像数据，通过预先构建的第一识别模型，进行车辆识别，得到第一分类结果；
第二识别模块，用于从第一分类结果中，提取出包含小客车的图像数据；并根据小客车的图像数据，通过预先构建的第二识别模型，对小客车进行二次识别，得到第二分类结果；
速度测量模块，用于计算不同类别车辆的行驶速度；
碳排计算模块，用于根据行驶速度计算碳排放。
在另一实施例中，述速度测量模块包括目标追踪模块和计时计算模块；
目标追踪模块，用于结合深度学习模型YOLO和多目标追踪算法来实时追踪车辆，获取车辆行驶视频，并在行驶视频的视频帧中设置标记线；
计时计算模块，用于记录行驶视频中车辆经过标记线的行驶时间，并根据车辆的长度和行驶时间，计算行驶速度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于视频数据的交通碳排计算方法，其特征在于，包括以下步骤，
获取视频图像数据；
根据所述视频图像数据，通过预先构建的第一识别模型，进行车辆识别分类，得到第一分类结果；
从所述第一分类结果中，提取出包含小客车的图像数据；
根据所述小客车的图像数据，通过预先构建的第二识别模型，对所述小客车进行二次识别分类，区分出电动小客车和非电动小客车，得到第二分类结果；
计算车辆的行驶速度；
根据所述第一分类结果和/或所述第二分类结果和所述行驶速度计算碳排放。
2.根据权利要求1所述的一种基于视频数据的交通碳排计算方法，其特征在于，所述第一识别模型为YOLO模型，通过所述YOLO模型，根据车型特征，进行分类，得到第一分类结果；所述第一分类结果的类别包括小客车、货车、公交车中的一种或多种。
3.根据权利要求1所述的一种基于视频数据的交通碳排计算方法，其特征在于，所述第二识别模型为基于跨平台计算机视觉库的图像识别模型，通过所述图像识别模型，根据车牌颜色特征，对所述小客车进行分类，得到第二分类结果；所述第二分类结果为燃油车或新能源车。
4.根据权利要求1所述的一种基于视频数据的交通碳排计算方法，其特征在于，所述计算车辆的行驶速度，步骤包括：
结合深度学习模型YOLO和多目标追踪算法来实时追踪车辆，获取车辆行驶视频；
在所述行驶视频的视频帧中设置标记线；
记录所述行驶视频中车辆经过所述标记线的行驶时间；
根据所述车辆的长度和所述行驶时间，计算行驶速度。
5.根据权利要求1所述的一种基于视频数据的交通碳排计算方法，其特征在于，根据所述行驶速度计算碳排放，包括：
根据碳排放因子库，获得所述第一分类结果和/或所述第二分类结果对应类型的速度排放关系；
根据所述速度排放关系和所述行驶速度计算所述碳排放。
6.根据权利要求1所述的一种基于视频数据的交通碳排计算方法，其特征在于，所述视频图像数据为实时图像数据或时段图像数据，
当所述视频图像数据为实时图像数据时，通过所述第一识别模型和/或所述第二识别模型，识别所述实时图像数据中的车辆类别；计算该车辆的行驶速度，根据所述行驶速度计算实时碳排放量；
当所述视频图像数据为时段图像数据时，通过所述第一识别模型和/或所述第二识别模型识别所述时段图像数据中，所有车辆的类别；计算并记录所有车辆类别的行驶速度，根据所述行驶速度计算时段内的碳排放量。
7.一种基于视频数据的交通碳排计算系统，其特征在于，包括图像采集模块、第一识别模块、第二识别模块、速度测量模块和碳排计算模块；
所述图像采集模块，用于获取视频图像数据；
所述第一识别模块，用于根据所述视频图像数据，通过预先构建的第一识别模型，进行车辆识别，得到第一分类结果；
所述第二识别模块，用于从所述第一分类结果中，提取出包含小客车的图像数据；并根据所述小客车的图像数据，通过预先构建的第二识别模型，对所述小客车进行二次识别，得到第二分类结果；
所述速度测量模块，用于计算不同类别车辆的行驶速度；
所述碳排计算模块，用于根据所述行驶速度计算碳排放。
8.根据权利要求7所述的一种基于视频数据的交通碳排计算系统，其特征在于，所述速度测量模块包括目标追踪模块和计时计算模块；
目标追踪模块，用于结合深度学习模型YOLO和多目标追踪算法来实时追踪车辆，获取车辆行驶视频，并在所述行驶视频的视频帧中设置标记线；
所述计时计算模块，用于记录所述行驶视频中车辆经过所述标记线的行驶时间，并根据所述车辆的长度和所述行驶时间，计算行驶速度。
CN202210868733.1A 2022-07-21 2022-07-21 一种基于视频数据的交通碳排计算方法及系统 Pending CN115063758A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210868733.1A CN115063758A (zh) 2022-07-21 2022-07-21 一种基于视频数据的交通碳排计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210868733.1A CN115063758A (zh) 2022-07-21 2022-07-21 一种基于视频数据的交通碳排计算方法及系统

Publications (1)

Publication Number Publication Date
CN115063758A true CN115063758A (zh) 2022-09-16

Family

ID=83206377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210868733.1A Pending CN115063758A (zh) 2022-07-21 2022-07-21 一种基于视频数据的交通碳排计算方法及系统

Country Status (1)

Country Link
CN (1) CN115063758A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115424448A (zh) * 2022-11-04 2022-12-02 八维通科技有限公司 一种基于交通出行数据的交通碳排放量评估方法与系统
CN116189461A (zh) * 2023-04-28 2023-05-30 安徽大学 考虑碳排放的交叉口交通管控方法、系统和存储介质
CN117671963A (zh) * 2024-02-01 2024-03-08 江苏群力技术有限公司 一种基于监控摄像头的智能交通控制系统
CN117671963B (zh) * 2024-02-01 2024-05-31 江苏群力技术有限公司 一种基于监控摄像头的智能交通控制系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115424448A (zh) * 2022-11-04 2022-12-02 八维通科技有限公司 一种基于交通出行数据的交通碳排放量评估方法与系统
CN116189461A (zh) * 2023-04-28 2023-05-30 安徽大学 考虑碳排放的交叉口交通管控方法、系统和存储介质
CN117671963A (zh) * 2024-02-01 2024-03-08 江苏群力技术有限公司 一种基于监控摄像头的智能交通控制系统
CN117671963B (zh) * 2024-02-01 2024-05-31 江苏群力技术有限公司 一种基于监控摄像头的智能交通控制系统

Similar Documents

Publication Publication Date Title
CN115063758A (zh) 一种基于视频数据的交通碳排计算方法及系统
CN103714363B (zh) 一种机动车尾气烟度视频识别系统
CN108122069B (zh) 基于海量交通数据居民出行起点终点矩阵提取方法
CN106846801A (zh) 一种基于车辆轨迹的区域徘徊异常行为检测方法
CN106781512A (zh) 基于城市物联网的汽车尾气智能检测与监督系统及方法
CN109190444A (zh) 一种基于视频的收费车道车辆特征识别系统的实现方法
CN110807919A (zh) 基于过车数据的城市路网交通运行态势评价方法
CN204945122U (zh) 一种车辆尾气污染物监测系统
CN102867411A (zh) 一种基于视频监控系统的出租车调度方法及调度系统
CN109993098A (zh) 城市车辆黑烟智能识别大数据分析系统及方法
CN112712707A (zh) 车辆碳排放监测系统及方法
CN204789314U (zh) 一种基于电子环保卡的汽车尾气污染物监测系统
CN116168356A (zh) 一种基于计算机视觉的车辆损伤判别方法
CN112767686B (zh) 一种基于多源数据融合的公路网汽车排放估算方法
CN110379173A (zh) 一种基于共享单车多模态数据的非机动车交通违规行为识别方法
CN114693722B (zh) 一种车辆行驶行为检测方法、检测装置及检测设备
CN110715685A (zh) 一种基于智能手机的路面行驶质量检测方法
CN113177508B (zh) 一种行车信息的处理方法、装置及设备
CN113096395B (zh) 一种基于定位与人工智能识别的道路交通安全评价系统
CN114331181A (zh) 基于大数据的车辆驾驶行为风险分析方法
CN112419713A (zh) 一种基于云计算的城市交通监测系统
CN108205695A (zh) 基于物联网技术的汽车尾气远程检测系统
TWI766726B (zh) 全方位智能化車輛廢氣排放致空污監測系統及其應用
CN116050922B (zh) 基于低碳环保的汽车尾气排放评估系统及方法
CN116778434B (zh) 一种基于计算机视觉的交通违章行为检测系统及方法

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
CB03 Change of inventor or designer information

Inventor after: Lu Zhilong

Inventor after: Dong Jin

Inventor after: Zheng Hongwei

Inventor after: He Linghao

Inventor after: Ren Changrui

Inventor after: Huang Jin

Inventor before: Lu Zhilong

Inventor before: Dong Jin

Inventor before: Zheng Hongwei

Inventor before: He Linghao

CB03 Change of inventor or designer information