CN115907462A - 基于无人机视频的交叉口安全状态感知与诊断治理系统及方法 - Google Patents
基于无人机视频的交叉口安全状态感知与诊断治理系统及方法 Download PDFInfo
- Publication number
- CN115907462A CN115907462A CN202211380376.0A CN202211380376A CN115907462A CN 115907462 A CN115907462 A CN 115907462A CN 202211380376 A CN202211380376 A CN 202211380376A CN 115907462 A CN115907462 A CN 115907462A
- Authority
- CN
- China
- Prior art keywords
- intersection
- conflict
- vehicle
- traffic
- safety
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于无人机视频的交叉口安全状态感知与诊断治理系统及方法,系统包括视频输入模块、指标提取模块、安全评价模块、冲突判别模块、隐患诊断模块、措施治理模块和结果输出模块。本发明针对冲突类型提出了一种改进的避免冲突的减速度DRAC的计算方法,该计算方法适用于数据库中各类交通冲突事件类型;该系统可以自主检测交叉口安全水平,并对问题交叉口自动生成治理措施,实现交叉口精准施策与精细化治理,有效的减少交叉口事故发生,提升交叉口安全水平。
Description
技术领域
本发明涉及交叉口安全状态感知与诊断治理领域,尤其是一种基于无人机视频的交叉口安全状态感知与诊断治理系统及方法。
背景技术
交叉口是各种交通参与方式的交汇点,也是交通行为的冲突点和交通事故的多发点。据世界范围内的统计,城市道路上发生的交通事故中,道路交叉口事故的占比高达30%—80%。近年来我国城市道路交通事故中,道路交叉口交通事故呈逐渐上升的态势。由此可见,交叉口交通的安全与秩序,对整个道路网交通的平稳运行起着关键作用。合理评价交叉口的安全水平是减少交叉口事故发生的基础,因此,感知交叉口安全状态并诊断交叉口隐患具有十分重要的现实意义。
现有的研究大多都是针对交叉口安全评价,但诊断出交叉口安全水平较低后,依靠人工给出改善治理措施,主观性强且效率低。对于交叉口安全如何进行智能化改善治理并未涉及。
发明内容
本发明的目的在于提供一种基于无人机视频的交叉口安全状态感知与诊断治理系统及方法,该系统可以自主检测交叉口安全水平,并对问题交叉口自动生成治理措施,实现交叉口精准施策与精细化治理,有效的减少交叉口事故发生,提升交叉口安全水平。
为达成上述目的,本发明所采用的技术方案如下:
第一方面,本发明提供一种基于无人机视频的交叉口安全状态感知与诊断治理系统,包括:
视频输入模块,用于将采集到的待诊断交叉口车辆运行状态视频输入到系统;
指标提取模块,用于对视频中的车辆进行目标检测和轨迹追踪,提取车辆的速度及安全评价指标;
安全评价模块,用于评价交叉口的安全等级,并判断待诊断是否需要进行隐患诊断;
冲突判别模块,用于提取待诊断交叉口中车辆的行驶轨迹,比对交通冲突事件类型数据库,得到带诊断交叉口存在的全部冲突事件类型;
隐患诊断模块,根据交通冲突事件类型匹配带诊断交叉口存在的隐患因素;
措施治理模块,根据隐患因素提取带诊断交叉口的治理措施;
结果输出模块,用于输出交叉口安全评价等级、存在的交通冲突事件类型、隐患因素及治理措施。
第二方面,本发明提供一种基于无人机视频的交叉口安全状态感知与诊断治理方法,该方法基于第一方面所述系统实现,具体包括如下步骤:
S1、将无人机采集到的待检测交叉口车辆运行的视频输入到系统;
S2、运用YOLOv5x目标检测算法和JDE多目标追踪算法提取车辆的运动参数和行驶轨迹;
S3、基于步骤S2进行安全评价指标提取,运用灰色聚类评价方法将交叉口分为非常安全、安全、临界安全和不安全;
S4、对评价等级为临界安全或不安全的交叉口进行隐患诊断,否则直接输出交叉口安全评价等级;
S5、提取待诊断交叉口的车辆运行轨迹,并比对交通冲突事件类型数据库,得到待诊断交叉口存在的全部冲突事件类型;
S6、根据交叉口冲突类型,与隐患因素数据库进行智能匹配;
S7、根据所匹配的交叉口隐患因素,在安全治理措施库中自适应提取交叉口治理措施;
S8、基于步骤S3、S6、S7输出交叉口安全评价等级、存在的交通冲突事件类型、隐患因素以及治理措施。
与现有技术相比,本发明的显著优点为:
(1)本发明针对冲突类型提出了一种改进的避免冲突的减速度DRAC的计算方法,该计算方法适用于数据库中各类交通冲突事件类型;
(2)本发明提出了交叉口的冲突事件类型库、交通隐患因素库和安全治理措施库;
(3)本发明提出了一种新的异构体分解—多特征匹配(ID-MFM)方法,实现了交叉口交通冲突事件类型与隐患因素库及治理措施库的多维关联;
(4)本发明能够实现交叉口安全水平智能化检测并能自适应生成交叉口存在隐患因素及安全治理措施。
附图说明
图1为本发明的工作流程图。
图2为冲突类型库构建流程图。
图3为异构体分解—多特征匹配算法流程图。
图4为实施例中某交叉口示意图。
具体实施方式
结合附图1,本发明提供一种基于无人机视频的交叉口安全状态感知与诊断治理系统,包括:
视频输入模块:将采集到的待诊断交叉口车辆运行状态视频输入到系统。
指标提取模块:对视频中的车辆(包括机动车和非机动车)进行目标检测和轨迹追踪,提取车辆的速度及安全评价指标。
安全评价模块:评价交叉口的安全等级,并判断待诊断是否需要进行隐患诊断。
冲突判别模块:提取待诊断交叉口中车辆的行驶轨迹,比对交通冲突事件类型数据库,得到带诊断交叉口存在的全部冲突事件类型。
隐患诊断模块:根据交通冲突事件类型匹配带诊断交叉口存在的隐患因素。
措施治理模块:根据隐患因素提取带诊断交叉口的治理措施。
结果输出模块:输出交叉口安全评价等级、存在的交通冲突事件类型、隐患因素及治理措施。
进一步的,本发明还提供一种基于无人机视频的交叉口安全状态感知与诊断治理方法,该方法基于上述系统实现,具体包括如下步骤:
S1、将无人机采集到的待检测交叉口车辆运行的视频输入到系统。
S2、运用YOLOv5x目标检测算法和JDE多目标追踪算法提取车辆(包括机动车和非机动车)的运动参数和行驶轨迹。
S3、基于步骤S2进行交叉口冲突率(TC/MPCU)、严重冲突比例(RSC)、避免碰撞减速度平均值(ADRAC)等安全评价指标提取,运用灰色聚类评价方法将交叉口分为非常安全、安全、临界安全和不安全。
S4、对评价等级为临界安全或不安全的交叉口进行隐患诊断,否则直接输出交叉口安全评价等级。
S5、提取待诊断交叉口的车辆运行轨迹,并比对交通冲突事件类型数据库,得到待诊断交叉口存在的全部冲突事件类型。
S6、根据交叉口冲突类型,与隐患因素数据库进行智能匹配。
S7、根据所匹配的交叉口隐患因素,在安全治理措施库中自适应提取交叉口治理措施。
S8、基于步骤S3、S6、S7输出交叉口安全评价等级、存在的交通冲突事件类型、隐患因素以及治理措施。
上述步骤S1中,包括:
S101、所述无人机帧速为30帧/s,图像大小为4K。
上述步骤S2中,包括:
S201、采用YOLOv5x目标检测算法对机动车与非机动车进行检测,JDE多目标追踪算法对机动车与非机动车进行追踪并提取有关运动参数,具体如下:
(1)从实地采集的交叉口无人机视频,将视频按帧拆分成图片并保存在文件夹,获得不同时刻的若干张图片作为目标检测的训练集;
(2)使用LabelImg对采集图片中的车辆和标线进行画框,标签为其车型;
(3)将LabelImg标注生成的xml格式文件转换成YOLOv5x使用的txt格式文件;
(4)修改YOLOv5x目标检测算法的参数,运行算法训练部分对数据集进行训练,得到机动车与非机动车检测算法;
(5)运行(4)的检测算法得到检测结果,使用JDE多目标追踪算法进行再训练,提取轨迹;
(6)利用训练后的追踪模型对交叉口无人机视频中的机动车与非机动车进行追踪,并提取相关运动参数。
上述步骤S3中,包括:
S301、提取多个交叉口安全评价指标,具体如下:
(1)冲突率(TC/MPCU)是指一小时内发生交通冲突的次数与混合当量交通量的比值。
(2)严重冲突率(RSC)是指交叉口内严重交通冲突次数(SC)与交叉口内所有冲突次数(TC)的比值,选取避免冲突的减速度3.35m/s2作为严重交通冲突的判定阈值。
(3)避免冲突的减速度的平均值(ADRAC)是指交叉口内所有避免冲突的减速度的和与冲突数的比值,计算公式如下:
其中,TC为交通冲突次数,DRACi为第i次交通冲突的DRAC值。
S302、运用灰色聚类评价方法,综合上述三种评价指标,评价交叉口安全等级。
上述步骤S4中,包括:
S401、根据S3中得到的交叉口安全评价等级,如果待检测交叉口的安全等级为非常安全或安全,则输出安全评价等级;如果待检测交叉口的安全等级为临界安全或不安全则进行交叉口隐患诊断。
上述步骤S5中,包括:
S501、构建交通冲突事件数据库,如图2所示,步骤如下:
(1)用无人机采集交叉口车辆运行视频,运用YOLOv5x和JDE算法提取目标的行驶轨迹和运动参数;
(2)计算距离小于10m的机动车与机动车、机动车与非机动车之间的避免冲突的减速度(Deceleration Rate to AvoidaCrash,DRAC)的值,DRAC定义为交通冲突发生时,冲突双方为避免碰撞的相对减速度,针对各类交通冲突事件,提出一种改进的DRAC计算方法,计算公式如下所示:
其中,vA是t时刻车辆A的速度,α是t时刻车辆A的运动方向与竖直方向的夹角,LA是t时刻车辆A与碰撞点(如果未采取措施发生碰撞)的垂直距离,vB是t时刻车辆B的速度,β是t时刻车辆B的运动方向与竖直方向的夹角,LB是t时刻车辆B与碰撞点(如果未采取措施发生碰撞)的垂直距离;
(3)选取阈值k=2.45,对步骤(2)中计算得到的DRAC值进行交通冲突事件筛选,若大于阈值k,则判定为发生交通冲突,反之则判定为没有发生;
(4)将步骤(3)中筛选的交通冲突事件存储为冲突样本,并提取冲突双方的运动轨迹;
(5)根据步骤(4)中提取的运动轨迹,将冲突事件按照冲突双方、冲突类型及转向类型的不同分为15类交通冲突事件,构建交通冲突事件类型数据库,每一种交通冲突事件类型记为TCi(i=1,2...,15)。交通冲突事件类型数据库分类具体如下:
表1交通冲突事件类型数据库分类
注:V表示机动车,N表示非机动车,D表示分流冲突,C表示合流冲突,O表示交叉冲突,S表示直行,L表示左转,R表示右转,C′表示过街,TC1=V-VDS-L表示直行机动车与左转机动车的分流冲突。
上述步骤S6中,包括:
S601、根据S5中的冲突事件类型库,从人、车、路及环境四个方面构建对应冲突事件类型的隐患因素数据库,因素集通过2、3、5个对应关系来表示。每种冲突事件类型对应10余种隐患因素,且后续可以持续丰富隐患因素数据库。
S602、提出一种新的特征匹配方法——异构体分解一多特征匹配(IsomersDecompose-Multiple Feature Matching,ID-MFM),实现交通冲突事件类型与隐患因素相匹配,记输入冲突事件类型TCi的特征数为T,因素库中因素集N的特征数为T′,不同维度(T≠T′)为异构体。如图3所示,匹配的具体步骤如下:
(1)输入交叉口存在的交通冲突事件类型TCi,r=1,N的个数为x;
(2)对TCi中单个指标P进行匹配,得到因素库中与P绝对误差最小的指标P′;
(3)将P与P′比较,计算P′的匹配精度q,计算公式如下:
m=nTP(nTP+nFP)
r=nTP(nTP+nFN)
q=m×r2
式中,m为精度值,r为召回值,nTP为真阳性的数量,nFP为假阳性的数量,nFN为假阴性的数量,阳代表优化,阴代表未优化。
(4)当时q≠100%,迭代重新匹配,否则将匹配到的因素N保存至因素池,r=r+1;
(5)根据实际需求,设定终止条件为r∈[2x,5x];
(6)将属于异构体的评价集或因素集分解,转换为齐次,在因素池中匹配得到均方误差最小的最优解因素N′,记其特征数为T′correct;
(7)计算因素N的匹配可靠性,若,T1correct≠T,
式中:q为匹配精度,0<q<1,取值越大匹配精度越高;Pi,max为预设的特征i的最大值;Pi,min为当前冲突事件类型特征i的值,作为初始迭代值;Ci为匹配可靠性。
(8)若N′的个数Count(N′)<x,保存N′和其匹配可靠性;
(9)否则输出所有的N′。
上述步骤S7中,包括:
S701、根据S6中的隐患因素库,对应隐患因素分近期改善措施和中远期改善措施两类构建含有百余种措施的交叉口安全治理措施库,同样地,后续可以持续丰富治理措施库。
S702、设定最小支持度与最小置信度,将隐患因素库中的某个因素X与治理措施库中的某个治理措施Y,通过多维Apriori关联规则和快速模式匹配算法(KMP算法)建立强规则,以此类推,实现交叉口隐患因素库和治理措施库的有序连接。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实例对本发明实施方式作进一步地详细描述。
实施例
附图4为本实施例应用的场景,该交叉口为T型信号控制交叉口,下面以该交叉口为例对本发明实施方式进行描述。
如图1所示,具体工作流程如下:
S1、无人机采集交叉口早高峰时段车辆运行视频,并将采集到的视频输入系统。
S2、运用YOLOv5x目标检测算法和JDE多目标追踪算法提取视频中机动车和非机动车的行驶轨迹和行驶速度。
S3、提取交叉口安全评价指标,得到TC/MPCU=0.0329、RSC=0.09、ADRAC=2.612,运用灰色聚类评价方法得到该交叉口的安全等级为临界安全。
S4、该交叉口的安全等级为临界安全,因此需要进行交叉口隐患诊断。
S5、提取该交叉口的所有车辆的行驶轨迹,比对交通冲突事件类型数据库,得到该交叉口存在的冲突类型有V-VCS-R、V-VCR-L、V-VCS-L及V-VOS-L。
S6、根据交叉口冲突类型,在隐患因素数据库中智能匹配交叉口存在的隐患因素,该交叉口存在的隐患因素有交叉口形状不规则、未设置机非隔离措施等。
S7、根据交叉口隐患因素,在安全治理措施库中自适应提取相应的交叉口治理措施,匹配到该交叉口的治理措施有优化交叉口平面线形、设置机非隔离设施等。
S8、系统输出交叉口的安全评价等级、存在的交通冲突事件类型、隐患因素以及治理措施。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制;尽管参照较佳实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换,比如数据库的建立以及多特征匹配算法等;以上不应脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (10)
1.一种基于无人机视频的交叉口安全状态感知与诊断治理系统,其特征在于,包括:
视频输入模块,用于将采集到的待诊断交叉口车辆运行状态视频输入到系统;
指标提取模块,用于对视频中的车辆进行目标检测和轨迹追踪,提取车辆的速度及安全评价指标;
安全评价模块,用于评价交叉口的安全等级,并判断待诊断是否需要进行隐患诊断;
冲突判别模块,用于提取待诊断交叉口中车辆的行驶轨迹,比对交通冲突事件类型数据库,得到带诊断交叉口存在的全部冲突事件类型;
隐患诊断模块,根据交通冲突事件类型匹配带诊断交叉口存在的隐患因素;
措施治理模块,根据隐患因素提取带诊断交叉口的治理措施;
结果输出模块,用于输出交叉口安全评价等级、存在的交通冲突事件类型、隐患因素及治理措施。
2.根据权利要求1所述的基于无人机视频的交叉口安全状态感知与诊断治理系统,其特征在于,视频中的车辆包括机动车和非机动车。
3.一种基于无人机视频的交叉口安全状态感知与诊断治理方法,其特征在于,该方法基于权利要求1所述系统实现,具体包括如下步骤:
S1、将无人机采集到的待检测交叉口车辆运行的视频输入到系统;
S2、运用YOLOv5x目标检测算法和JDE多目标追踪算法提取车辆的运动参数和行驶轨迹;
S3、基于步骤S2进行安全评价指标提取,运用灰色聚类评价方法将交叉口分为非常安全、安全、临界安全和不安全;
S4、对评价等级为临界安全或不安全的交叉口进行隐患诊断,否则直接输出交叉口安全评价等级;
S5、提取待诊断交叉口的车辆运行轨迹,并比对交通冲突事件类型数据库,得到待诊断交叉口存在的全部冲突事件类型;
S6、根据交叉口冲突类型,与隐患因素数据库进行智能匹配;
S7、根据所匹配的交叉口隐患因素,在安全治理措施库中自适应提取交叉口治理措施;
S8、基于步骤S3、S6、S7输出交叉口安全评价等级、存在的交通冲突事件类型、隐患因素以及治理措施。
4.根据权利要求3所述的基于无人机视频的交叉口安全状态感知与诊断治理方法,其特征在于,步骤S1中,无人机帧速为30帧/s,图像大小为4K。
5.根据权利要求3所述的基于无人机视频的交叉口安全状态感知与诊断治理方法,其特征在于,步骤S2包括:
S201、采用YOLOv5x目标检测算法对机动车与非机动车进行检测,JDE多目标追踪算法对机动车与非机动车进行追踪并提取有关运动参数,具体如下:
(1)从实地采集的交叉口无人机视频,将视频按帧拆分成图片并保存在文件夹,获得不同时刻的若干张图片作为目标检测的训练集;
(2)使用LabelImg对采集图片中的车辆和标线进行画框,标签为其车型;
(3)将LabelImg标注生成的xml格式文件转换成YOLOv5x使用的txt格式文件;
(4)修改YOLOv5x目标检测算法的参数,运行算法训练部分对数据集进行训练,得到机动车与非机动车检测算法;
(5)运行机动车与非机动车检测算法得到检测结果,使用JDE多目标追踪算法进行再训练,提取轨迹;
(6)利用训练后的追踪模型对交叉口无人机视频中的机动车与非机动车进行追踪,并提取相关运动参数。
7.根据权利要求6所述的基于无人机视频的交叉口安全状态感知与诊断治理方法,其特征在于,步骤S4包括:
根据S3中得到的交叉口安全评价等级,如果待检测交叉口的安全等级为非常安全或安全,则输出安全评价等级;如果待检测交叉口的安全等级为临界安全或不安全则进行交叉口隐患诊断。
8.根据权利要求7所述的基于无人机视频的交叉口安全状态感知与诊断治理方法,其特征在于,步骤S5包括:
S501、构建交通冲突事件数据库,步骤如下:
(1)用无人机采集交叉口车辆运行视频,运用YOLOv5x和JDE算法提取目标的行驶轨迹和运动参数;
(2)计算距离小于10m的机动车与机动车、机动车与非机动车之间的DRAC值,DRAC定义为交通冲突发生时,冲突双方为避免碰撞的相对减速度,DRAC计算公式如下所示:
其中,vA是t时刻车辆A的速度,α是t时刻车辆A的运动方向与竖直方向的夹角,LA是t时刻车辆A与碰撞点的垂直距离,vB是t时刻车辆B的速度,β是t时刻车辆B的运动方向与竖直方向的夹角,LB是t时刻车辆B与碰撞点的垂直距离;
(3)选取阈值k,对步骤(2)中计算得到的DRAC值进行交通冲突事件筛选,若大于阈值k,则判定为发生交通冲突,反之则判定为没有发生;
(4)将步骤(3)中筛选的交通冲突事件存储为冲突样本,并提取冲突双方的运动轨迹;
(5)根据步骤(4)中提取的运动轨迹,将冲突事件按照冲突双方、冲突类型及转向类型的不同分为15类交通冲突事件,构建交通冲突事件类型数据库,每一种交通冲突事件类型记为TCi,i=1,2…,15;交通冲突事件类型数据库分类具体如下:
表1交通冲突事件类型数据库分类
其中,V表示机动车,N表示非机动车,D表示分流冲突,C表示合流冲突,O表示交叉冲突,S表示直行,L表示左转,R表示右转,C’表示过街,TC1=V-VDS-L表示直行机动车与左转机动车的分流冲突。
9.根据权利要求8所述的基于无人机视频的交叉口安全状态感知与诊断治理方法,其特征在于,步骤S6包括:
S601、根据S5中的冲突事件类型库,构建对应冲突事件类型的隐患因素数据库;
S602、采用ID-MFM算法,实现交通冲突事件类型与隐患因素相匹配,记输入冲突事件类型TCi的特征数为T,因素库中因素集N的特征数为T’,不同维度为异构体,匹配的具体步骤如下:
(1)输入交叉口存在的交通冲突事件类型TCi,r=1,N的个数为x;
(2)对TCi中单个指标p进行匹配,得到因素库中与p绝对误差最小的指标p’;
(3)将P与P’比较,计算P’的匹配精度q,计算公式如下:
m=nTP(nTP+nFP)
r=nTP(nTP+nFN)
q=m×r2
式中,m为精度值,r为召回值,nTP为真阳性的数量,nFP为假阳性的数量,nFN为假阴性的数量,阳代表优化,阴代表未优化;
(4)当时q≠100%,迭代重新匹配,否则将匹配到的因素N保存至因素池,r=r+1;
(5)根据实际需求,设定终止条件为r∈[2x,5x];
(6)将属于异构体的评价集或因素集分解,转换为齐次,在因素池中匹配得到均方误差最小的最优解因素N’,记其特征数为T′correct;
(7)计算因素N的匹配可靠性,若,T′correct≠T,
式中:q为匹配精度,0<q<1;Pi,max为预设的特征i的最大值;Pi,mun为当前冲突事件类型特征i的值,作为初始迭代值;Ci为匹配可靠性;
(8)若N’的个数Count(N’)<x,保存N’和其匹配可靠性;
(9)否则输出所有的N’。
10.根据权利要求3所述的基于无人机视频的交叉口安全状态感知与诊断治理方法,其特征在于,上述步骤S7中,包括:
S701、根据S6中的隐患因素库,构建交叉口安全治理措施库;
S702、设定最小支持度与最小置信度,将隐患因素库中的因素X与治理措施库中的治理措施Y,通过多维Apriori关联规则和快速模式匹配算法建立强规则,实现交叉口隐患因素库和治理措施库的有序连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211380376.0A CN115907462A (zh) | 2022-11-04 | 2022-11-04 | 基于无人机视频的交叉口安全状态感知与诊断治理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211380376.0A CN115907462A (zh) | 2022-11-04 | 2022-11-04 | 基于无人机视频的交叉口安全状态感知与诊断治理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907462A true CN115907462A (zh) | 2023-04-04 |
Family
ID=86470432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211380376.0A Pending CN115907462A (zh) | 2022-11-04 | 2022-11-04 | 基于无人机视频的交叉口安全状态感知与诊断治理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907462A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117877272A (zh) * | 2024-03-11 | 2024-04-12 | 中国市政工程华北设计研究总院有限公司 | 一种基于无人机检测的交叉口安全评价方法 |
-
2022
- 2022-11-04 CN CN202211380376.0A patent/CN115907462A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117877272A (zh) * | 2024-03-11 | 2024-04-12 | 中国市政工程华北设计研究总院有限公司 | 一种基于无人机检测的交叉口安全评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
CN113936465B (zh) | 交通事件检测方法及装置 | |
Wang et al. | [Retracted] Innovative Research of Trajectory Prediction Algorithm Based on Deep Learning in Car Network Collision Detection and Early Warning System | |
CN114333330B (zh) | 一种基于路侧边缘全息感知的交叉口事件检测系统 | |
CN100466010C (zh) | 异类交通信息实时融合方法 | |
CN110781873A (zh) | 一种双模态特征融合的驾驶员疲劳等级识别方法 | |
CN110781872A (zh) | 一种双模态特征融合的驾驶员疲劳等级识别系统 | |
CN112116263B (zh) | 一种交通路口风险级别评估方法、装置、电子设备及存储介质 | |
CN112053556B (zh) | 一种交通监控复眼动态识别交通事故自我进化系统 | |
US20240046787A1 (en) | Method And System For Traffic Clearance At Signalized Intersections Based On Lidar And Trajectory Prediction | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
CN115907462A (zh) | 基于无人机视频的交叉口安全状态感知与诊断治理系统及方法 | |
CN111524350A (zh) | 车路协同异常行驶状况检测方法、系统、终端设备及介质 | |
CN115691223A (zh) | 一种基于云边端协同的碰撞预警方法及系统 | |
CN117116046A (zh) | 一种基于单阶段目标检测的交通常见事件检测方法 | |
CN115440071B (zh) | 一种自动驾驶违规停车检测方法 | |
CN116681722A (zh) | 一种基于孤立森林算法和目标跟踪的交通事故检测方法 | |
CN111145551A (zh) | 一种基于cnn检测遵章率的路口交通规划系统 | |
CN113128847A (zh) | 一种基于激光雷达的出入口匝道实时风险预警系统及方法 | |
Yang et al. | Car-Following Behavior Based on LiDAR Trajectory Data at Urban Intersections | |
CN112927514B (zh) | 基于3d激光雷达的机动车闯黄灯行为预测方法和系统 | |
Shubenkova et al. | Machine vision in autonomous vehicles: designing and testing the decision making algorithm based on entity attribute value model | |
CN116311910A (zh) | 一种基于机器学习的交通事故告警方法 | |
Zarindast | Machine learning application powering automation of efficient traffic operation | |
SHUBENKOVA et al. | ON THE ROADS OF SMART CITY: DATA MINING ALGORITHM FOR ADAS. |
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 |