CN116030631A - 一种基于无人机航拍视频的实时交通拥堵状态评估方法 - Google Patents
一种基于无人机航拍视频的实时交通拥堵状态评估方法 Download PDFInfo
- Publication number
- CN116030631A CN116030631A CN202310063380.2A CN202310063380A CN116030631A CN 116030631 A CN116030631 A CN 116030631A CN 202310063380 A CN202310063380 A CN 202310063380A CN 116030631 A CN116030631 A CN 116030631A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- traffic
- flow
- list
- unmanned aerial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 8
- 230000000149 penetrating effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims 1
- 238000007619 statistical method Methods 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 230000006698 induction Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
一种基于无人机航拍视频的实时交通拥堵状态评估方法，分为车流量统计模块和道路时间占有率计算模块。车流量统计模块中记录被跟踪车辆id和检测框坐标值，当同一id车辆检测框坐标值变化大于阈值时将车流量加1；道路时间占有率计算模块中设置N个位置动态变化的虚拟线圈，记录每帧图像每个虚拟线圈被车辆占有的次数，计算道路时间占有率。通过规定时间段内的车流量和道路时间占有率评估交通拥堵状态。本发明解决了已有方法需要大量人力物力、设备易老化损坏、实施较为复杂等问题，兼顾准确性、实时性和经济性，对于实现交通拥堵状态判别，交通的调度管理有着重要的意义。
Description
技术领域
本发明属于视频图像处理及智慧交通领域，涉及对无人机航拍视频中目标的识别、定位与跟踪，为一种基于无人机航拍视频的实时交通拥堵状态评估方法。
背景技术
随着社会的进步和人民生活水平的提高，我国汽车保有量也越来越高，随之而来的交通拥堵问题愈发严重。在交通管理中，如何能够准确评估道路拥堵状态，及时采取疏导措施，提高道路通行能力具有重要意义。
现有技术对于交通拥堵的评估已有一些方法。其中人工检测评估需要大量的人力物力；地感线圈等硬件设施存在施工复杂、易损坏、难修复的问题；基于GPS数据的方法获取原始数据较难，并且数据缺失对结果影响较大；基于固定监控摄像机视频的图像处理方法无需对路面造成破坏且视频采集设备部署简单，逐渐成为热门研究方向，但该方法覆盖范围小，灵活性差，而无人机具有视野范围广、体积小、可空中悬停等优势，为交通状态的监测提供了新方式。
道路监控摄像机由于位置固定，易获取标定信息，可计算实际距离，通过每辆车行驶距离和时间的比值可计算车速，相比于这类固定在某一路段的道路摄像机，无人机能够实现更加灵活的监控配置，但无人机飞行高度、角度不固定，且受到悬停精度的影响，即使悬停，其拍摄场景也不是完全固定，因此难以通过获取视频中的绝对固定物进行标定来得到距离信息，所以在无人机监控场景下，难以通过计算车速的方式来准确评估交通拥堵状态。
发明内容
本发明要解决的问题是：现有的交通拥堵评估方法存在费时费力、相关设备易损坏、难以维修、数据获取困难、评估结果不准确等问题。无人机具有视野范围广、体积小、可空中悬停等优势，但无人机航拍高度、角度不固定，无法通过标定得到距离信息，基于视频计算车速评估道路拥堵状态的方法受限，另外，单一的指标难以准确评估道路拥堵状态，需要能够更好地兼顾准确性、实时性和经济性的评估方法。
本发明的技术方案为：一种基于无人机航拍视频的实时交通拥堵状态评估方法，包括以下步骤：
步骤1：构建无人机航拍视频的数据集，训练目标检测网络及目标跟踪网络，得到权重；
步骤2：无人机悬停空中对道路进行航拍，读取无人机RTMP地址获得视频流；
步骤3：对航拍视频帧设置跟踪区域，在步骤2读取的视频流中划定对车辆进行跟踪的范围，并在跟踪区域设置N个虚拟线圈，N＞1，所述虚拟线圈用于在跟踪车辆经过线圈时进行计数，虚拟线圈的设置位置随车辆检测框的大小动态变化，保证相邻两个虚拟线圈的间距小于车辆检测框的长；
步骤4：配置未计入车流id列表和已计入车流id列表并初始化，未计入车流id列表用于保存未计入车流量的车辆信息，包括车辆的检测框坐标和id值，已计入车流id列表用于保存已计入车流量的车辆id值；
步骤5：使用目标检测网络实时检测航拍视频帧图像中的全部车辆，对进入跟踪区域的车辆进行跟踪；
步骤6：车流量统计与道路时间占有率计算：
步骤6.1：车流量统计：设置车流量F初始值为0，统计一规定时间段内的车流量，当车辆进入跟踪区域使用目标跟踪网络对其进行跟踪并赋予id值，对于车辆id值及检测框坐标配置在未计入车流id列表中的，判断车辆在行驶方向上检测框坐标变化是否超过设定的阈值，若超过阈值则车流量F加1，并将车辆id值及检测框坐标从未计入车流id列表中删除，再将车辆id值保存到已计入车流id列表中，若在两个列表中都查不到车辆id信息，且车辆位于跟踪区域边界处，则将该车辆id信息保存到未计入车流id列表中，表示该车辆刚刚驶入跟踪区域；
步骤6.2：道路时间占有率计算：更新虚拟线圈位置，对于无人机航拍视频的每帧图像，记录每个虚拟线圈被车辆占用的次数，计算道路时间占有率Occ；
步骤7：使用规定时间段内的车流量和道路时间占有率综合评估交通拥堵状态，设置拥堵时规定时间段内车流量阈值为TF，道路占有率阈值TOcc，当F小于TF，Occ大于TOcc，则表明道路交通拥堵严重，应及时采取相关措施。
本发明与现有技术相比，具有以下优点：
本发明的评估方法无需大量的人力，人工检测评估需要花费大量的人力，且带有一定的主观性。本发明通过与设定好的阈值进行比较，自动评估道路拥堵状态。
本发明的评估方法无需大量物力，所需设备易于维护和管理。车辆检测是评估交通拥堵的关键步骤，车辆检测方法采用较多的有地感线圈、微波车辆检测器和视频检测技术等。地感线圈埋于地下，当老化损坏后，难于安装维修；微波车辆检测器对于拥堵路段和车型分布不均匀路段检测误差较大，同时价格昂贵；基于视频检测的技术多是通过读取安装的固定摄像头的视频流，通过目标检测网络识别车辆，但固定摄像头覆盖范围小，灵活性差，每个拥堵评估路段都要安装摄像头，设备成本过高。而无人机具有视野范围广、体积小、可空中悬停等优势，相当于可以移动，可调节高度、角度的摄像头，为交通状态的监测提供了新方式。
本发明无需进行标定，易于实施。已有的交通拥堵评估方法选用车辆平均速度作为指标，但对于速度的计算，需要事先进行标定，将图像中的像素信息转换成实际的距离信息，通过帧数得到时间信息，用距离比时间计算车速。但无人机每次飞行的路段、高度、角度不固定，无法标定，难以获得准确的距离信息，此外，读取无人机航拍的视频流可能会因为网络不佳导致丢帧现象，通过帧数转换的时间不准确，所以在距离和时间误差都较大的情况下，速度的计算也会极其不准确。本发明使用车流量与道路时间占有率两个指标综合评估道路拥堵情况，如果只使用车流量一个指标，在车流量较小时，无法得知是交通存在拥堵还是该路段车较少，结合道路时间占有率可以避免上述情况，当车流量较小且道路时间占有率也较小的情况下，则说明该路段上车较少，当车流量较小但道路时间占有率较大时，则说明该路段车很多，但通过的车辆却很少，发生了交通拥堵，应该及时采取有效措施，疏散车辆。
附图说明
图1为本发明一种基于无人机航拍视频的实时交通拥堵状态评估方法流程图。
图2为本发明应用于无人机航拍视频的车流量与道路时间占有率计算结果。
具体实施方式
本发明提出了一种基于无人机航拍视频的实时交通拥堵状态评估方法，使用车流量和道路时间占有率两个指标综合评估交通拥堵状态，可节省大量人力物力，易于实施、维护。
下面结合附图和实例对本发明进一步说明。参照图1，本发明方法具体步骤如下。
步骤1：构建训练数据集，采集无人机航拍视频图像，构建带有标注和标签的图片库作为网络模型的训练样本集，本发明选用YOLOv5网络模型用于目标检测，DeepSORT用于跟踪，使用训练数据集训练，得到权重W。
步骤2：选择想要进行评估交通拥堵状态的路段，操纵无人机到此路段，调整无人机飞行的高度、角度，使其拍摄画面中有清晰的车辆轮廓即可，通过读取无人机RTMP地址获得视频流。
步骤3：设置跟踪区域和虚拟线圈
步骤3.1：设置跟踪区域
在步骤2读取的视频流中划定对车辆进行跟踪的范围，设置跟踪区域的意义在于只有在位于跟踪区域的车辆才会跟踪并赋予id。跟踪区域一般比图像略小一些，比如1920×1080的图像，纵向上坐标为0-1080，设置的跟踪区域可以为200-900。这是由于当车位于最上方或最下方时可能并没有露出全部车身，此时的检测效果可能不稳定，会导致跟踪也不稳定，选用200-900的区域跟踪，位于此区域的车基本都能露出全部车身，检测更稳定，跟踪效果也更好。
步骤3.2：设置虚拟线圈
在跟踪区域设置N个虚拟线圈，N＞1，所述虚拟线圈用于在跟踪车辆经过线圈时进行计数，虚拟线圈的设置位置随车辆检测框的大小动态变化，保证相邻两个虚拟线圈的间距小于车辆检测框的长。本发明设置贯穿车道的检测线作为虚拟线圈，虚拟线圈间距随车辆检测框大小动态调整，首先固定一个虚拟线圈的位置，然后根据车辆检测框的平均长度设置虚拟线圈之间的间距，并随车辆检测框的平均长度变化动态调整。本发明设置多个虚拟线圈，当道路发生堵车时，如果只有一个虚拟线圈时，车与车之间保持着一定距离，而这个虚拟线圈如果恰好在两车之间，会使道路时间占有率趋于0，与实际情况偏差过大；如果虚拟线圈间距固定时，也可能出现每个线圈都位于两车间隙的情况，导致道路时间占有率趋于0，与实际情况偏差过大。
以一个实施例来说明本发明虚拟线圈的设置：如图2所示，设置了三个线圈，即三条贯穿车道的检测线，其中第一个线圈在无人机航拍视频帧中的位置固定，相邻线圈间距和视频帧中车辆检测框的纵向平均尺寸成比例关系，设目标检测网络所得车辆检测框的纵向平均尺寸为h，设比例为a，a<1，例如设置成0.7-0.9之间的数，如果a>1，可能会出现车辆位于相邻两线圈之间的情况，也就是这两个线圈都未被占用，线圈没有起到作用，当a<1，则可确保不会出现上面的情况，本实施例中相邻线圈间距d＝a×h，剩下的两个虚拟线圈以固定的第一个线圈为起点，按照间距d向下递增设置。其中N，a和固定线圈起始位置都是预先设定好的，h和拍摄的视频相关，不同的视频由于拍摄高度和角度原因，车辆大小不同，所以线圈间距也都不同，本发明对此设计了线圈位置随检测框大小动态变化的方案。
步骤4：初始化未计入车流id列表和已计入车流id列表，未计入车流id列表用于保存未计入车流量的车辆信息，包括检测框坐标和id值，已计入车流id列表用于保存已计入车流量的车辆id值。
步骤5：读取的无人机航拍视频流经过YOLOv5网络检测，使用步骤1中的权重W，检测出图像中的车辆。本发明中对跟踪区域内YOLOv5网络检测出的车辆再使用DeepSORT算法进行跟踪，跟踪的准确率和检测的准确率息息相关。
步骤6：进行车流量统计与道路时间占有率计算；
步骤6.1：车流量统计
1)设置车流量F初始值为0，统计一规定时间段内的车流量，当车辆进入跟踪区域，对其跟踪并赋予id值，同一辆车会存在于多帧图像中，统计车流量F时只能计算一次，通过跟踪算法保证同一辆车只被统计一次。
2)当车辆初次进入跟踪区域即通过边界时，在未计入车流id列表和已计入车流id列表中都找不到该id相关信息，将此时的id和检测框坐标信息保存到未计入车流id列表中。对于每一帧图像检测出的车辆，如果已进入跟踪区域，在未计入车流id列表中查找是否有相同的id值，若有，将此时检测框坐标值与未计入车流id列表中该id对应的坐标值相减，若差值的绝对值大于设定的阈值，将车流量F加1，移除未计入车流id列表中该id的相关数据，将该id值保存到已计入车流id列表中。本发明中，车辆在刚开始id属于未计入车流id列表，转入已计入车流id列表的依据是车辆检测框变化大小的绝对值是否超过阈值，也就是某一id的车辆行驶一段距离才计入车流。
因为遮挡等原因跟踪算法对同一辆车可能出现前后id不一致的情况，为避免一辆车被统计多次，只在车辆初次进入跟踪区域时才将其id及检测框坐标信息保存到未计入车流id列表中，这样即使在中途车辆id发生变化，也不会将其相关信息保存到未计入车流id列表中，也就不会导致该辆车被统计多次。
步骤6.2：道路时间占有率计算
根据步骤3.2中的虚拟线圈动态变化策略更新虚拟线圈的位置，设每个虚拟线圈被车占用的次数为Cx，x表示第x个虚拟线圈，Cx初始值为0，设模块运行时间为T，视频流的帧率为f FPS，车道条数为M，对于每x个虚拟线圈，统计每一帧图像中有多少辆车占用该线圈，Cx加上该统计值，计算时间T内道路时间占有率Occ为：
步骤7：使用规定时间段内的车流量F与道路时间占有率Occ两个指标综合评估道路拥堵情况，如果只使用车流量一个指标，在F较小时，无法得知是交通存在拥堵的原因还是该路段车较少的原因，结合Occ可以避免上述情况，当F较小且Occ也较小的情况下，则说明该路段上车较少，当F较小但Occ较大时，则说明该路段车很多，通过的车辆却很少，出现了交通拥堵情况。设置拥堵时规定时间段内车流量阈值为TF，道路时间占有率阈值TOcc，当F小于TF，Occ大于TOcc，则表明道路交通拥堵严重，应及时采取相关措施。
Claims (5)
1.一种基于无人机航拍视频的实时交通拥堵状态评估方法，其特征是包括以下步骤：
步骤1：构建无人机航拍视频的数据集，训练目标检测网络及目标跟踪网络，得到权重；
步骤2：无人机悬停空中对道路进行航拍，读取无人机RTMP地址获得视频流；
步骤3：对航拍视频帧设置跟踪区域，在步骤2读取的视频流中划定对车辆进行跟踪的范围，并在跟踪区域设置N个虚拟线圈，N＞1，所述虚拟线圈用于在跟踪车辆经过线圈时进行计数，虚拟线圈的设置位置随车辆检测框的大小动态变化，保证相邻两个虚拟线圈的间距小于车辆检测框的长；
步骤4：配置未计入车流id列表和已计入车流id列表并初始化，未计入车流id列表用于保存未计入车流量的车辆信息，包括车辆的检测框坐标和id值，已计入车流id列表用于保存已计入车流量的车辆id值；
步骤5：使用目标检测网络实时检测航拍视频帧图像中的全部车辆，对进入跟踪区域的车辆进行跟踪；
步骤6：车流量统计与道路时间占有率计算：
步骤6.1：车流量统计：设置车流量F初始值为0，统计一规定时间段内的车流量，当车辆进入跟踪区域使用目标跟踪网络对其进行跟踪并赋予id值，对于车辆id值及检测框坐标配置在未计入车流id列表中的，判断车辆在行驶方向上检测框坐标变化是否超过设定的阈值，若超过阈值则车流量F加1，并将车辆id值及检测框坐标从未计入车流id列表中删除，再将车辆id值保存到已计入车流id列表中，若在两个列表中都查不到车辆id信息，且车辆位于跟踪区域边界处，则将该车辆id信息保存到未计入车流id列表中，表示该车辆刚刚驶入跟踪区域；
步骤6.2：道路时间占有率计算：更新虚拟线圈位置，对于无人机航拍视频的每帧图像，记录每个虚拟线圈被车辆占用的次数，计算道路时间占有率Occ；
步骤7：使用规定时间段内的车流量和道路时间占有率综合评估交通拥堵状态，设置拥堵时规定时间段内车流量阈值为TF，道路占有率阈值TOcc，当F小于TF，Occ大于TOcc，则表明道路交通拥堵严重，应及时采取相关措施。
2.根据权利要求1所述的一种基于无人机航拍视频的实时交通拥堵状态评估方法，其特征是步骤1中，获取无人机航拍采集的历史视频数据，制作训练数据集训练卷积神经网络，用于目标检测及目标跟踪，目标检测网络采用YOLOv5，目标跟踪网络采用DeepSORT。
3.根据权利要求1所述的一种基于无人机航拍视频的实时交通拥堵状态评估方法，其特征是步骤2中，操纵无人机飞到需要评估交通拥堵状态的路段，调整无人机飞行的高度、角度，保证拍摄视频图像的清晰度满足图像处理需求，通过读取无人机RTMP地址获得视频流。
4.根据权利要求1所述的一种基于无人机航拍视频的实时交通拥堵状态评估方法，其特征是步骤3中，设置跟踪区域，仅在跟踪区域对车辆进行跟踪，设置N个虚拟线圈，虚拟线圈为贯穿车道的检测线，虚拟线圈间距随车辆检测框大小动态调整，首先固定一个虚拟线圈的位置，然后根据车辆检测框的平均长度设置虚拟线圈之间的间距，并随车辆检测框的平均长度变化动态调整。
5.根据权利要求1所述的一种基于无人机航拍视频的实时交通拥堵状态评估方法，其特征是步骤6中，车流量统计方法和道路时间占有率计算具体为：
车流量统计，设置车流量F初始值为0，统计一规定时间段内的车流量，当车辆进入跟踪区域使用目标跟踪网络对其进行跟踪并赋予id值，当车辆初次进入跟踪区域即通过边界时，在未计入车流id列表和已计入车流id列表中都找不到该id相关信息，将此时的id和检测框坐标信息保存到未计入车流id列表中，对于每一帧图像检测出的车辆，如果已进入跟踪区域，在未计入车流id列表中查找是否有相同的id值，若有，将此时检测框坐标值与未计入车流id列表中该id对应的坐标值相减，若差值的绝对值大于设定的阈值，将车流量F加1，移除未计入车流id列表中该id的相关数据，将该id值保存到已计入车流id列表中；
道路时间占有率计算，共有N个虚拟线圈，线圈位置随车辆检测框尺寸动态变化，设每个虚拟线圈被车辆占用的次数为Cx，x表示第x个虚拟线圈，Cx初始值为0，设计算道路时间占有率的时间为T，视频流的帧率为f FPS，车道条数为M，对于每个虚拟线圈，统计每一帧图像中有多少辆车占用该线圈，对Cx加上该统计值，计算时间T内道路时间占有率Occ为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310063380.2A CN116030631A (zh) | 2023-01-17 | 2023-01-17 | 一种基于无人机航拍视频的实时交通拥堵状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310063380.2A CN116030631A (zh) | 2023-01-17 | 2023-01-17 | 一种基于无人机航拍视频的实时交通拥堵状态评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116030631A true CN116030631A (zh) | 2023-04-28 |
Family
ID=86080998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310063380.2A Pending CN116030631A (zh) | 2023-01-17 | 2023-01-17 | 一种基于无人机航拍视频的实时交通拥堵状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116030631A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117037007A (zh) * | 2023-10-09 | 2023-11-10 | 浙江大云物联科技有限公司 | 一种航拍式的道路照明均匀度检查方法及装置 |
| CN117058922A (zh) * | 2023-10-12 | 2023-11-14 | 中交第一航务工程局有限公司 | 一种用于路桥施工的无人机监测方法及系统 |
| CN118571022A (zh) * | 2024-08-01 | 2024-08-30 | 合肥讯图信息科技有限公司 | 一种基于多目标跟踪的路口拥堵检测方法 |
-
2023
- 2023-01-17 CN CN202310063380.2A patent/CN116030631A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117037007A (zh) * | 2023-10-09 | 2023-11-10 | 浙江大云物联科技有限公司 | 一种航拍式的道路照明均匀度检查方法及装置 |
| CN117037007B (zh) * | 2023-10-09 | 2024-02-20 | 浙江大云物联科技有限公司 | 一种航拍式的道路照明均匀度检查方法及装置 |
| CN117058922A (zh) * | 2023-10-12 | 2023-11-14 | 中交第一航务工程局有限公司 | 一种用于路桥施工的无人机监测方法及系统 |
| CN117058922B (zh) * | 2023-10-12 | 2024-01-09 | 中交第一航务工程局有限公司 | 一种用于路桥施工的无人机监测方法及系统 |
| CN118571022A (zh) * | 2024-08-01 | 2024-08-30 | 合肥讯图信息科技有限公司 | 一种基于多目标跟踪的路口拥堵检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116030631A (zh) | 一种基于无人机航拍视频的实时交通拥堵状态评估方法 | |
| CN109064495B (zh) | 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法 | |
| Pan et al. | Traffic surveillance system for vehicle flow detection | |
| CN110717387B (zh) | 一种基于无人机平台的实时车辆检测方法 | |
| CN104599502A (zh) | 一种基于视频监控的车流量统计方法 | |
| Gerát et al. | Vehicle speed detection from camera stream using image processing methods | |
| CN111898501B (zh) | 一种针对拥堵路段的无人机在线航拍车辆识别及统计方法 | |
| CN104182957B (zh) | 交通视频信息检测方法和装置 | |
| CN101025862A (zh) | 基于视频的混合交通流参数的检测方法 | |
| CN113192336B (zh) | 一种以鲁棒性车辆目标检测为核心的道路拥堵状况检测方法 | |
| CN105513342A (zh) | 一种基于视频跟踪的车辆排队长度计算方法 | |
| CN101364347A (zh) | 基于视频的交叉口车辆控制延误的检测方法 | |
| CN107038411A (zh) | 一种基于视频中车辆运动轨迹的路侧停车行为精确识别方法 | |
| CN113327248B (zh) | 一种基于视频的隧道车流量统计方法 | |
| CN108416798A (zh) | 一种基于光流的车辆距离估计方法 | |
| CN110633678A (zh) | 一种基于视频图像的快速高效的车流量计算方法 | |
| CN117152971A (zh) | 一种基于高空全景视频的ai交通信号优化方法 | |
| CN113255469A (zh) | 交通监控场景道路占有率的测定方法及装置 | |
| CN117275216A (zh) | 一种多功能无人机高速道路巡检系统 | |
| CN106384359A (zh) | 运动目标跟踪方法和电视 | |
| Kadim et al. | Real-time deep-learning based traffic volume count for high-traffic urban arterial roads | |
| CN117710843A (zh) | 一种基于无人机视频的交叉口动态信号配时方案检测方法 | |
| CN112329515B (zh) | 一种高点视频监控拥堵事件检测方法 | |
| CN116913081A (zh) | 一种基于路侧激光雷达的车辆排队长度检测方法 | |
| CN117636268A (zh) | 一种面向冰雪环境的无人机航拍自然驾驶数据集构建方法 |
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 |