CN115187932A - 一种基于人工智能的道路拥堵分析系统 - Google Patents

一种基于人工智能的道路拥堵分析系统 Download PDF

Info

Publication number
CN115187932A
CN115187932A CN202210515902.3A CN202210515902A CN115187932A CN 115187932 A CN115187932 A CN 115187932A CN 202210515902 A CN202210515902 A CN 202210515902A CN 115187932 A CN115187932 A CN 115187932A
Authority
CN
China
Prior art keywords
congestion
road
module
lane
speed
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
CN202210515902.3A
Other languages
English (en)
Inventor
卢青松
杨有丽
汪培泉
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.)
Anhui Chaoqing Technology Co ltd
Original Assignee
Anhui Chaoqing 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 Anhui Chaoqing Technology Co ltd filed Critical Anhui Chaoqing Technology Co ltd
Priority to CN202210515902.3A priority Critical patent/CN115187932A/zh
Publication of CN115187932A publication Critical patent/CN115187932A/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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • 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
    • G08G1/0125—Traffic data processing
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及道路拥堵分析，具体涉及一种基于人工智能的道路拥堵分析系统，包括服务器，服务器通过车道图像采集模块采集道路图像，并通过车道图像处理模块对道路图像进行图像处理，服务器通过目标车辆检测模块在处理后的道路图像中进行车辆检测，并利用车辆密度输出模块输出各车道的车辆密度，服务器通过车流量统计模块根据各车道的车辆密度统计道路车流量；本发明提供的技术方案能够有效克服现有技术所存在的不能准确统计道路车流量、无法对道路拥堵原因进行有效分析的缺陷。

Description

一种基于人工智能的道路拥堵分析系统
技术领域
本发明涉及道路拥堵分析，具体涉及一种基于人工智能的道路拥堵分析系统。
背景技术
人工智能是计算机科学的一个分支，它企图了解智能的实质，并产生出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也在不断扩大。
交通是城市经济活动的命脉，对发展城市经济、提高人民生活水平起到十分重要的作用。随着社会经济的不断发展，汽车已经成为人们出行不可缺少的交通工具，但随着汽车的拥有量不断增加，城市交通拥堵现象日益严重，给人们的出行带来很大影响。道路的扩建速度远远满足不了机动车的正常行驶需求，使得道路拥堵成为新常态。
现有的道路拥堵分析系统不能准确统计道路车流量，并且无法对道路拥堵原因进行有效分析，导致对道路拥堵的管理效率低下，始终无法从根本上解决道路拥堵难题。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种基于人工智能的道路拥堵分析系统，能够有效克服现有技术所存在的不能准确统计道路车流量、无法对道路拥堵原因进行有效分析的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于人工智能的道路拥堵分析系统，包括服务器，所述服务器通过车道图像采集模块采集道路图像，并通过车道图像处理模块对道路图像进行图像处理，所述服务器通过目标车辆检测模块在处理后的道路图像中进行车辆检测，并利用车辆密度输出模块输出各车道的车辆密度，所述服务器通过车流量统计模块根据各车道的车辆密度统计道路车流量；
所述服务器通过交通数据采集模块采集交通数据，并通过拥堵类型判断模块进行拥堵类型判断，所述服务器通过速度时空图构建模块构建道路速度时空图，并通过拥堵子集提取模块从道路速度时空图中提取拥堵子集，所述服务器通过特征向量提取模块提取拥堵子集的特征向量，并通过拥堵子集分类模块基于特征向量对拥堵子集进行聚类，所述服务器通过拥堵原因分析模块根据拥堵类型和拥堵子集聚类结果分析拥堵原因。
优选地，所述车道图像处理模块对道路图像进行分车道处理，并在每个车道区域内设置感兴趣区域。
优选地，所述车道图像处理模块在分车道处理后的图像中以方框、圆、椭圆、不规则多边形中的一种方式描绘感兴趣区域边缘。
优选地，所述目标车辆检测模块采用全卷积网络模型对感兴趣区域进行特征提取，得到当前道路图像中的车辆目标；
所述车辆密度输出模块采用反卷积网络模型获取各车道的车辆密度。
优选地，所述车流量统计模块根据各车道的车辆密度统计道路车流量，包括：
S1、计算各车道的车辆数量：
Figure BDA0003641420770000021
其中，i为车道标号，ρ为车道的车辆密度，S为车道区域内感兴趣区域的面积；
S2、计算监控区域内所有车道的车辆数量：
Figure BDA0003641420770000031
S3、计算监控区域内的道路车流量：
T＝v*Q/L
其中，v为监控区域内所有车辆的平均速度，L为监控区域内车道的实际长度。
优选地，所述车流量统计模块根据各车道的车辆密度统计道路车流量之后，将道路车流量以及车辆平均速度发送至交通数据采集模块，所述拥堵类型判断模块基于道路车流量、车辆平均速度构建拥堵类型判断模型：
S1、基于势函数建立交通流模型，所述势函数为：
E＝av4+bQv2
其中，a、b均为待定系数；
S2、对道路车流量、车辆平均速度进行坐标的平移和旋转；
S3、利用变换坐标数据求解突变流形中的参数，并得到具体分叉集方程。
优选地，所述拥堵类型判断模块通过判断道路车流量是否穿越穿越分叉集投影区域来区分常发性拥堵、偶发性拥堵。
优选地，所述速度时空图构建模块利用路段车辆平均速度构建道路速度时空图，所述拥堵子集提取模块通过图像形态学处理从道路速度时空图中提取拥堵子集，所述特征向量提取模块构建特征向量提取模型提取拥堵子集的特征向量，所述拥堵子集分类模块基于特征向量之间的相似距离，通过K-means聚类算法对拥堵子集进行聚类。
优选地，所述速度时空图构建模块通过构建双核函数考虑自由流与拥堵流的传播影响，解决数据异常、数据缺失问题，基于均值插值法实现道路速度时空图的速度平滑与填充。
优选地，所述拥堵子集的特征向量包括速度特征和边界特征，所述速度特征包括车辆平均速度、速度标准差、最大速度和最小速度，所述边界特征包括拥堵子集边缘轮廓和拥堵起点。
(三)有益效果
与现有技术相比，本发明所提供的一种基于人工智能的道路拥堵分析系统，具有以下有益效果：
1)车道图像处理模块对道路图像进行分车道处理，并在每个车道区域内设置感兴趣区域，目标车辆检测模块采用全卷积网络模型对感兴趣区域进行特征提取，得到当前道路图像中的车辆目标，车辆密度输出模块采用反卷积网络模型获取各车道的车辆密度，车流量统计模块根据各车道的车辆密度统计道路车流量，通过对各车道的车辆密度进行准确采集，实现对道路车流量的准确统计；
2)拥堵类型判断模块进行拥堵类型判断，速度时空图构建模块构建道路速度时空图，拥堵子集提取模块从道路速度时空图中提取拥堵子集，特征向量提取模块提取拥堵子集的特征向量，拥堵子集分类模块基于特征向量对拥堵子集进行聚类，通过结合拥堵类型、拥堵子集聚类结果能够对道路拥堵原因进行全面、准确地分析，有效提升道路拥堵的管理效率，为从根本上解决道路拥堵难题提供全面分析依据。
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一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明的系统示意图；
图2为本发明中根据各车道的车辆密度统计道路车流量的流程示意图；
图3为本发明中结合拥堵类型、拥堵子集聚类结果分析拥堵原因的流程示意图。
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。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。
一种基于人工智能的道路拥堵分析系统，如图1和图2所示，包括服务器，服务器通过车道图像采集模块采集道路图像，并通过车道图像处理模块对道路图像进行图像处理，服务器通过目标车辆检测模块在处理后的道路图像中进行车辆检测，并利用车辆密度输出模块输出各车道的车辆密度，服务器通过车流量统计模块根据各车道的车辆密度统计道路车流量。
①车道图像处理模块对道路图像进行分车道处理，并在每个车道区域内设置感兴趣区域。车道图像处理模块在分车道处理后的图像中以方框、圆、椭圆、不规则多边形中的一种方式描绘感兴趣区域边缘。
②目标车辆检测模块采用全卷积网络模型对感兴趣区域进行特征提取，得到当前道路图像中的车辆目标。
③车辆密度输出模块采用反卷积网络模型获取各车道的车辆密度。
④车流量统计模块根据各车道的车辆密度统计道路车流量，包括：
S1、计算各车道的车辆数量：
Figure BDA0003641420770000051
其中，i为车道标号，ρ为车道的车辆密度，S为车道区域内感兴趣区域的面积；
S2、计算监控区域内所有车道的车辆数量：
Figure BDA0003641420770000052
S3、计算监控区域内的道路车流量：
T＝v*Q/L
其中，v为监控区域内所有车辆的平均速度，L为监控区域内车道的实际长度。
本申请技术方案中，车道图像处理模块对道路图像进行分车道处理，并在每个车道区域内设置感兴趣区域，目标车辆检测模块采用全卷积网络模型对感兴趣区域进行特征提取，得到当前道路图像中的车辆目标，车辆密度输出模块采用反卷积网络模型获取各车道的车辆密度，车流量统计模块根据各车道的车辆密度统计道路车流量，通过对各车道的车辆密度进行准确采集，实现对道路车流量的准确统计。
如图1和图3所示，服务器通过交通数据采集模块采集交通数据，并通过拥堵类型判断模块进行拥堵类型判断，服务器通过速度时空图构建模块构建道路速度时空图，并通过拥堵子集提取模块从道路速度时空图中提取拥堵子集，服务器通过特征向量提取模块提取拥堵子集的特征向量，并通过拥堵子集分类模块基于特征向量对拥堵子集进行聚类，服务器通过拥堵原因分析模块根据拥堵类型和拥堵子集聚类结果分析拥堵原因。
车流量统计模块根据各车道的车辆密度统计道路车流量之后，将道路车流量以及车辆平均速度发送至交通数据采集模块，交通数据采集模块再将道路车流量、车辆平均速度发送给拥堵类型判断模块。
拥堵类型判断模块基于道路车流量、车辆平均速度构建拥堵类型判断模型：
S1、基于势函数建立交通流模型，势函数为：
E＝av4+bQv2
其中，a、b均为待定系数；
S2、对道路车流量、车辆平均速度进行坐标的平移和旋转；
S3、利用变换坐标数据求解突变流形中的参数，并得到具体分叉集方程。
拥堵类型判断模块通过判断道路车流量是否穿越穿越分叉集投影区域来区分常发性拥堵、偶发性拥堵。
速度时空图构建模块利用路段车辆平均速度构建道路速度时空图，拥堵子集提取模块通过图像形态学处理从道路速度时空图中提取拥堵子集，特征向量提取模块构建特征向量提取模型提取拥堵子集的特征向量，拥堵子集分类模块基于特征向量之间的相似距离，通过K-means聚类算法对拥堵子集进行聚类。
其中，速度时空图构建模块通过构建双核函数考虑自由流与拥堵流的传播影响，解决数据异常、数据缺失问题，基于均值插值法实现道路速度时空图的速度平滑与填充。
其中，拥堵子集的特征向量包括速度特征和边界特征，速度特征包括车辆平均速度、速度标准差、最大速度和最小速度，边界特征包括拥堵子集边缘轮廓和拥堵起点。
服务器通过拥堵原因分析模块结合拥堵类型(常发性拥堵/偶发性拥堵)、通过K-means聚类算法对拥堵子集进行聚类得到的结果，对道路拥堵原因进行全面、准确地分析，有效提升道路拥堵的管理效率，为从根本上解决道路拥堵难题提供全面分析依据。
以上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，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于人工智能的道路拥堵分析系统，其特征在于：包括服务器，所述服务器通过车道图像采集模块采集道路图像，并通过车道图像处理模块对道路图像进行图像处理，所述服务器通过目标车辆检测模块在处理后的道路图像中进行车辆检测，并利用车辆密度输出模块输出各车道的车辆密度，所述服务器通过车流量统计模块根据各车道的车辆密度统计道路车流量；
所述服务器通过交通数据采集模块采集交通数据，并通过拥堵类型判断模块进行拥堵类型判断，所述服务器通过速度时空图构建模块构建道路速度时空图，并通过拥堵子集提取模块从道路速度时空图中提取拥堵子集，所述服务器通过特征向量提取模块提取拥堵子集的特征向量，并通过拥堵子集分类模块基于特征向量对拥堵子集进行聚类，所述服务器通过拥堵原因分析模块根据拥堵类型和拥堵子集聚类结果分析拥堵原因。
2.根据权利要求1所述的基于人工智能的道路拥堵分析系统，其特征在于：所述车道图像处理模块对道路图像进行分车道处理，并在每个车道区域内设置感兴趣区域。
3.根据权利要求2所述的基于人工智能的道路拥堵分析系统，其特征在于：所述车道图像处理模块在分车道处理后的图像中以方框、圆、椭圆、不规则多边形中的一种方式描绘感兴趣区域边缘。
4.根据权利要求2所述的基于人工智能的道路拥堵分析系统，其特征在于：所述目标车辆检测模块采用全卷积网络模型对感兴趣区域进行特征提取，得到当前道路图像中的车辆目标；
所述车辆密度输出模块采用反卷积网络模型获取各车道的车辆密度。
5.根据权利要求4所述的基于人工智能的道路拥堵分析系统，其特征在于：所述车流量统计模块根据各车道的车辆密度统计道路车流量，包括：
S1、计算各车道的车辆数量：
Figure FDA0003641420760000021
其中，i为车道标号，ρ为车道的车辆密度，S为车道区域内感兴趣区域的面积；
S2、计算监控区域内所有车道的车辆数量：
Figure FDA0003641420760000022
S3、计算监控区域内的道路车流量：
T＝v*Q/L
其中，v为监控区域内所有车辆的平均速度，L为监控区域内车道的实际长度。
6.根据权利要求5所述的基于人工智能的道路拥堵分析系统，其特征在于：所述车流量统计模块根据各车道的车辆密度统计道路车流量之后，将道路车流量以及车辆平均速度发送至交通数据采集模块，所述拥堵类型判断模块基于道路车流量、车辆平均速度构建拥堵类型判断模型：
S1、基于势函数建立交通流模型，所述势函数为：
E＝av4+bQv2
其中，a、b均为待定系数；
S2、对道路车流量、车辆平均速度进行坐标的平移和旋转；
S3、利用变换坐标数据求解突变流形中的参数，并得到具体分叉集方程。
7.根据权利要求6所述的基于人工智能的道路拥堵分析系统，其特征在于：所述拥堵类型判断模块通过判断道路车流量是否穿越穿越分叉集投影区域来区分常发性拥堵、偶发性拥堵。
8.根据权利要求1所述的基于人工智能的道路拥堵分析系统，其特征在于：所述速度时空图构建模块利用路段车辆平均速度构建道路速度时空图，所述拥堵子集提取模块通过图像形态学处理从道路速度时空图中提取拥堵子集，所述特征向量提取模块构建特征向量提取模型提取拥堵子集的特征向量，所述拥堵子集分类模块基于特征向量之间的相似距离，通过K-means聚类算法对拥堵子集进行聚类。
9.根据权利要求8所述的基于人工智能的道路拥堵分析系统，其特征在于：所述速度时空图构建模块通过构建双核函数考虑自由流与拥堵流的传播影响，解决数据异常、数据缺失问题，基于均值插值法实现道路速度时空图的速度平滑与填充。
10.根据权利要求8所述的基于人工智能的道路拥堵分析系统，其特征在于：所述拥堵子集的特征向量包括速度特征和边界特征，所述速度特征包括车辆平均速度、速度标准差、最大速度和最小速度，所述边界特征包括拥堵子集边缘轮廓和拥堵起点。
CN202210515902.3A 2022-05-12 2022-05-12 一种基于人工智能的道路拥堵分析系统 Pending CN115187932A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210515902.3A CN115187932A (zh) 2022-05-12 2022-05-12 一种基于人工智能的道路拥堵分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210515902.3A CN115187932A (zh) 2022-05-12 2022-05-12 一种基于人工智能的道路拥堵分析系统

Publications (1)

Publication Number Publication Date
CN115187932A true CN115187932A (zh) 2022-10-14

Family

ID=83513786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210515902.3A Pending CN115187932A (zh) 2022-05-12 2022-05-12 一种基于人工智能的道路拥堵分析系统

Country Status (1)

Country Link
CN (1) CN115187932A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116311913A (zh) * 2023-02-17 2023-06-23 成都和乐信软件有限公司 一种基于ai视频智能分析的高速路段拥堵分析方法及系统
CN116403411A (zh) * 2023-06-08 2023-07-07 山东协和学院 基于多信号源的交通拥堵预测方法及系统
CN118429905A (zh) * 2024-07-05 2024-08-02 陕西智卓实业有限公司 一种建筑物消防安全评估方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116311913A (zh) * 2023-02-17 2023-06-23 成都和乐信软件有限公司 一种基于ai视频智能分析的高速路段拥堵分析方法及系统
CN116311913B (zh) * 2023-02-17 2024-01-12 成都和乐信软件有限公司 一种基于ai视频智能分析的高速路段拥堵分析方法及系统
CN116403411A (zh) * 2023-06-08 2023-07-07 山东协和学院 基于多信号源的交通拥堵预测方法及系统
CN116403411B (zh) * 2023-06-08 2023-08-11 山东协和学院 基于多信号源的交通拥堵预测方法及系统
CN118429905A (zh) * 2024-07-05 2024-08-02 陕西智卓实业有限公司 一种建筑物消防安全评估方法及系统

Similar Documents

Publication Publication Date Title
CN115187932A (zh) 一种基于人工智能的道路拥堵分析系统
CN109829403B (zh) 一种基于深度学习的车辆防碰撞预警方法及系统
CN108052880A (zh) 交通监控场景虚实车道线检测方法
CN113516105B (zh) 一种车道检测方法、装置及计算机可读存储介质
CN103854027A (zh) 一种人群行为识别方法
Yang et al. Improved lane detection with multilevel features in branch convolutional neural networks
CN102609688B (zh) 基于广义回归神经网络的多向运动人群流量估计方法
Liu et al. An efficient method for high-speed railway dropper fault detection based on depthwise separable convolution
CN114359876B (zh) 一种车辆目标识别方法及存储介质
CN103886609B (zh) 基于粒子滤波和lbp特征的车辆跟踪方法
CN105243354B (zh) 一种基于目标特征点的车辆检测方法
CN111640304A (zh) 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法
Gad et al. Real-time lane instance segmentation using SegNet and image processing
CN112907597A (zh) 基于深度卷积神经网络的铁路轨道线检测方法
CN101216886B (zh) 一种基于谱分割理论的镜头聚类方法
Wang et al. Lane detection based on two-stage noise features filtering and clustering
CN103577804A (zh) 基于sift流和隐条件随机场的人群异常行为识别方法
CN114842507A (zh) 一种基于组优化奖励的强化行人属性识别方法
CN112801181B (zh) 城市信令交通流用户分类、预测方法、存储介质及系统
Wang et al. Self-Attentive Local Aggregation Learning With Prototype Guided Regularization for Point Cloud Semantic Segmentation of High-Speed Railways
Gao et al. Anomaly detection of trackside equipment based on GPS and image matching
CN113033363A (zh) 一种基于深度学习的车辆稠密目标检测方法
Zhang et al. A front vehicle detection algorithm for intelligent vehicle based on improved gabor filter and SVM
CN111985526B (zh) 一种基于相似场景聚类的尾随间隔管理策略生成方法及其系统
CN108549882A (zh) 一种基于深度学习的实时的铁路口多摄像头行人检测方法

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