CN116504068A - 车道级车流量的统计方法、装置、计算机设备及存储介质 - Google Patents
车道级车流量的统计方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116504068A CN116504068A CN202310754606.3A CN202310754606A CN116504068A CN 116504068 A CN116504068 A CN 116504068A CN 202310754606 A CN202310754606 A CN 202310754606A CN 116504068 A CN116504068 A CN 116504068A
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- lane
- running track
- cluster
- 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
- 238000007619 statistical method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000015654 memory Effects 0.000 claims description 47
- 238000012544 monitoring process Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通大数据技术领域,公开了一种车道级车流量的统计方法、装置、计算机设备及存储介质,其中,方法包括:获取车辆运行轨迹;将车辆运行轨迹输入至预训练的自编码器模型中,得到车辆轨迹特征;采用预设聚类算法确定车辆轨迹特征所属的聚类簇;根据预确定的聚类簇和车道编号的对应关系,确定车辆轨迹特征所属车辆所在车道;根据预设断面和车辆运行轨迹统计车道对应的车流量。由于自编码器模型能够从车辆运行轨迹数据中提取出更加高级和精细的轨迹特征,从而使得基于轨迹特征进行聚类后得到的聚类结果更加准确,进而提高了车道级车流量统计的准确性。
Description
技术领域
本发明涉及交通大数据技术领域,具体涉及一种车道级车流量的统计方法、装置、计算机设备及存储介质。
背景技术
近年来,智能交通运输系统的大力建设为缓解交通拥堵和事故提供了很大的帮助。感知技术是智能交通系统感知外部环境要素(如车辆、行人、交通设施等)的重要手段,包括红外线检测、地感应线圈检测、超声波检测以及视觉检测等。但是,红外线检测方法的感知范围小,受温度、光照影响较大;地感应线圈检测技术虽然比较成熟,但需要在公路上铺设线圈,影响路面寿命;超声波检测方法根据接收和返回的超声波时间差来感知运动的物体,但受环境噪声(如其他超声波源、机械设备噪声等)影响较大。
相对而言,视觉感知技术能够从视频图像序列中提取更多更丰富的信息,例如车流量、车速、车辆牌照、车辆类型等。此外,视频检测的成本较低,只需少量摄像头即可,易于安装和设置,对道路几乎没有什么破坏性。
近年来,随着视觉感知技术快速发展,基于监控视频的车流量统计在交通管理、城市规划和公共安全等方面发挥重要作用。例如,通过对车流量进行实时监测和分析,交通管理部门可以快速了解道路交通状况并采取相应措施,如调整信号灯时间、引导交通、疏导拥堵等,有助于缓解交通拥堵和提高道路通行效率。目前,基于视觉技术的车流量统计方法已经在路段级别的车辆计数方面取得了显著的精度提升,但在对车道级的车辆计数精确度较低。
发明内容
有鉴于此,本发明提供了一种车道级车流量的统计方法、装置、计算机设备及存储介质,以解决相关技术中车道级的车辆计数精确度较低的问题。
第一方面,本发明提供了一种车道级车流量的统计方法,方法包括:
获取车辆运行轨迹;将车辆运行轨迹输入至预训练的自编码器模型中,得到车辆轨迹特征;采用预设聚类算法确定车辆轨迹特征所属的聚类簇;根据预确定的聚类簇和车道编号的对应关系,确定车辆轨迹特征所属车辆所在车道;根据预设断面和车辆运行轨迹统计车道对应的车流量。
本实施例将获取到车辆运行轨迹输入至预训练的自编码器模型中,以提取出对应的车辆运行轨迹特征。在得到车辆运行轨迹特征后,通过聚类算法得到车辆运行轨迹特征所属的聚类簇,最后通过聚类簇与车道编号之间的对应关系确定出车辆轨迹特征所属车辆所在的车道。本实施例通过自编码器模型和预设聚类算法可自动确定出车辆运行轨迹所属的车道,从而实现车道级车流量的统计。而且,由于上述实施方式中公开的自编码器模型具备从不等长的车辆运行轨迹中构建等长轨迹特征表征的能力,因此,轨迹自编码器能够从车辆运行轨迹数据中提取出更加高级和精细的轨迹特征。从而使得基于轨迹特征进行聚类后得到的聚类结果更加准确,进而提高了车道级车流量统计的准确性。
在一种可选的实施方式中,自编码器模型采用如下方式训练:
获取运行轨迹集,运行轨迹集为预获取车辆历史运行轨迹的集合;采用运行轨迹集,对基于长短时记忆网络构建的模型进行训练,得到预训练的自编码器模型。
本实施例通过对基于长短时记忆网络构建的模型进行训练,使得模型具备更高的特征提取精度,从而使得通过该模型提取的轨迹特征包含更多更精细的轨迹特征,进而间接提高车道级车流量统计的准确性。
在一种可选的实施方式中,获取运行轨迹集,包括:
采用预训练的车辆检测模型获取监控视频中的车辆;采用预训练的车辆跟踪模型将监控视频每帧中获取的车辆进行关联;根据关联的车辆确定车辆运行轨迹,由监控视频中每一辆车的车辆运行轨迹构成运行轨迹集。
本实施例中,通过预训练的车辆检测模型,可以从监控视频中准确提取出每一辆车,并通过预训练的车辆跟踪模型,实现对车辆的关联,从而使得最终提取的车辆运行轨迹精度更高,更贴合实际轨迹。
在一种可选的实施方式中,获取运行轨迹集,还包括:
去除运行轨迹集的在噪声轨迹。
本实施例通过将噪声轨迹从运行轨迹集中剔除,以提取有效数据。使得后续模型训练过程中,能够使模型更好的学习轨迹特征,从而使训练好的模型具备更强的特征提取能力。
在一种可选的实施方式中,采用运行轨迹集,对基于长短时记忆网络构建的模型进行训练,得到预训练的自编码器模型,包括:
将运行轨迹集输入至基于长短时记忆网络构建的编码器中,得到轨迹特征集;将轨迹特征集输入至基于长短时记忆网络构建的解码器中,得到重构轨迹集;根据运行轨迹集和重构轨迹集之间的关系更新编码器和解码器的参数;采用参数更新后的编码器作为预训练的自编码器模型。
本实施例中基于长短时记忆网络构建的模型具备将不等长轨迹映射为等长轨迹特征表征的能力。轨迹自编码器能够从原始轨迹数据中学习到更多的信息,并提取出更加高级和抽象的特征。这些特征可以捕捉到不同时间段内轨迹的变化趋势、复杂的运动模式、以及轨迹之间的相关性等。因此,轨迹自编码器具有更高的表达能力和泛化能力,能够更好地适应不同数据集和任务的需求。
在一种可选的实施方式中,聚类簇和车道编号的对应关系采用如下方式确定:
将运行轨迹集输入至预训练的自编码器模型,得到轨迹特征集;采用预设聚类算法对轨迹特征集进行聚类,得到多个聚类簇;基于聚类簇中轨迹特征和车道中心线的距离确定聚类簇和车道编号的对应关系。
通过聚类的方式,将监控视频中所有的车辆运行轨迹根据对应的轨迹特征进行大致分类,从而降低数据的维度,也便于后续基于每个聚类簇中的运行轨迹特征确定聚类簇与车道编号之间的对应关系,从而实现车道级车流量的统计。
在一种可选的实施方式中,在采用预设聚类算法对轨迹特征集进行聚类,得到多个聚类簇之后,在基于聚类簇中轨迹特征和车道中心线的距离确定聚类簇和车道编号的对应关系之前,还包括:
删除多个聚类簇中数量小于阈值的聚类簇,得到剩余聚类簇。
本实施例中,通过剔除一些特征数量较少的聚类簇,降低了聚类簇的噪声,从使得聚类簇和车道编号之间的关联度更高,相关性更强,进而使得车道级车流量统计的结果更精确。
第二方面,本发明提供了一种车道级车流量的统计装置,装置包括:
获取模块,用于获取车辆运行轨迹;输出模块,用于将车辆运行轨迹输入至预训练的自编码器模型中,得到车辆轨迹特征;第一确定模块,用于采用预设聚类算法确定车辆轨迹特征所属的聚类簇;第二确定模块,用于根据预确定的聚类簇和车道编号的对应关系,确定车辆轨迹特征所属车辆所在车道;统计模块,用于根据预设断面和车辆运行轨迹统计车道对应的车流量。
第三方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的车道级车流量的统计方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的车道级车流量的统计方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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是根据本发明实施例的车道级车流量的统计方法的流程示意图;
图2是根据本发明实施例的另一车道级车流量的统计方法的流程示意图;
图3是根据本发明实施例的又一车道级车流量的统计方法的流程示意图;
图4是根据本发明实施例的车道级车流量的统计装置的结构框图;
图5是本发明实施例的计算机设备的硬件结构示意图。
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。
本发明实施例提供了一种车道级车流量的统计方法,首先,通过预训练的自编码器模型提取车辆运行轨迹的轨迹特征,其次,通过聚类算法得到轨迹特征所属的聚类簇,最后,基于聚类簇和车道编号之间的对应关系,确定车辆轨迹特征所属车辆所在的车道,从而实现车道级的车流量统计,以达到精准计数的效果。
根据本发明实施例,提供了一种车道级车流量的统计方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种车道级车流量的统计方法,可用于具备车道级车流量统计功能的智能设备,图1是根据本发明实施例的车道级车流量的统计方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取车辆运行轨迹。
具体的,车辆运行轨迹即车辆在某一时间段内,或者某一路段内对应的行驶轨迹。车辆运行轨迹可通过对道路监控视频标注得到,也可以通过其它可实现方式得到,具体获取方式,此处不作限定。
步骤S102,将车辆运行轨迹输入至预训练的自编码器模型中,得到车辆轨迹特征。
具体的,预训练的自编码器模型是基于长短时记忆网络构建的编码器结构。预训练的自编码器模型可将输入的车辆运行轨迹映射为特征向量(即车辆轨迹特征)。需要说明的是,自编码器模型会将输入的不等长的车辆运行轨迹映射为维度相同的特征向量。
自编码器模型可以捕捉到不同时间段内轨迹的变化趋势、复杂的运动模式、以及轨迹之间的相关性,因此,该模型具有较高的表达能力和泛化能力,能够更好地适应不同数据集和任务的需求。
步骤S103,采用预设聚类算法确定车辆轨迹特征所属的聚类簇。
具体的,预设聚类算法可以是DBSCAN算法、OPTICS算法、DENCLUE算法等。
步骤S104,根据预确定的聚类簇和车道编号的对应关系,确定车辆轨迹特征所属车辆所在车道。
具体的,聚类簇与车道编号一一对应,由此结合该对应关系和车辆轨迹特征的聚类簇可以直接确定车辆所在车道。
步骤S105,根据预设断面和车辆运行轨迹统计车道对应的车流量。
具体的,预设断面可在道路监控视频中进行人工设置。
示例性地,当车辆经过预设断面时,获取车辆在道路监控视频中的车辆运行轨迹,并通过上述步骤S102至步骤S104的处理,确定出车辆所在的车道,并将车辆所在车道对应的车流量加1,通过该方式实现车流量的更新。直至道路监控视频中的所有车辆均经过预设断面后,结束统计操作,得到道路监控视频中每一车道分别对应的车流量。
本实施例将获取到车辆运行轨迹输入至预训练的自编码器模型中,以提取出对应的车辆运行轨迹特征。在得到车辆运行轨迹特征后,通过聚类算法得到车辆运行轨迹特征所属的聚类簇,最后通过聚类簇与车道编号之间的对应关系确定出车辆轨迹特征所属车辆所在的车道。本实施例通过自编码器模型和预设聚类算法可自动匹配车辆运行轨迹所属的车道,从而实现车流量的统计。而且,由于上述实施方式中的自编码器模型具备从不等长的车辆运行轨迹中构建等长轨迹特征表征的能力,因此,轨迹自编码器能够从车辆运行轨迹数据中提取出更加高级和精细的轨迹特征。从而使得基于轨迹特征进行聚类后得到的聚类结果更加准确,进而提高了车道级车流量统计的准确性。
在本实施例中提供了一种车道级车流量的统计方法,可用于具备车道级车流量统计功能的智能设备,图2是根据本发明实施例的车道级车流量的统计方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,获取运行轨迹集。
具体的,运行轨迹集为预获取车辆历史运行轨迹的集合。
示例性地,从历史监控视频中,提取出每一辆车对应的车辆运行轨迹,将所有车辆对应的车辆运行轨迹形成运行轨迹集。
具体地,上述步骤S201包括:
步骤S2011,采用预训练的车辆检测模型获取监控视频中的车辆。
具体的,采用YOLO V8模型作为车辆检测模型,利用开源数据集Rope3D训练该车辆检测模型,直至模型性能在测试集上收敛,得到预训练的车辆监测模型。
示例性地,预训练的车辆检测模型对监控视频进行逐帧检测,并对每一帧中检测到的车辆进行标注。如,可以通过检测框对每一辆车进行标注。具体标注方式在此处不作具体限定,任何可实现方式均可采用。
步骤S2012,采用预训练的车辆跟踪模型将监控视频每帧中获取的车辆进行关联。
具体的,采用BYTE tracker模型作为车辆跟踪模型,以车辆检测模型输出的检测框为输入,逐帧进行车辆匹配,并将匹配成功的车辆按照时序顺序进行关联。
示例性地,车辆跟踪模型对每一个检测框中的车辆进行识别,并生成与检测框唯一对应的标识信息。将所有视频帧中的检测框进行匹配,将具有同一标识信息的检测框按照视频帧对应的时序顺序进行关联。
步骤S2013,根据关联的车辆确定车辆运行轨迹,由监控视频中每一辆车的车辆运行轨迹构成运行轨迹集。
具体的,根据S2012中车辆跟踪模型的输出,绘制车辆运行轨迹。示例性地,车辆运行轨迹可以为检测框中心点的连线。
在一些可选的实施方式中,在步骤S2012之后,还包括:
步骤a1,去除运行轨迹集的在噪声轨迹。
具体的,噪声轨迹包括但不限于因遮挡中断的轨迹、起止点距离过短的轨迹、速度接近零的轨迹以及车道变道轨迹等。
步骤S202,采用运行轨迹集,对基于长短时记忆网络构建的模型进行训练,得到预训练的自编码器模型。
在一些可选的实施方式中,上述步骤S202包括:
步骤b1,将运行轨迹集输入至基于长短时记忆网络构建的编码器中,得到轨迹特征集。
示例性地,将运行轨迹集输入至编码器中,由编码器提取每一个运行轨迹中的轨迹特征,得到轨迹特征集/>(/>表轨迹/>的轨迹特征,轨迹特征为向量)。其中,/>为运行轨迹集中轨迹的数量,/>为/>条运行轨迹中的任一条,/>为运行轨迹/>的第/>个轨迹点,/>为轨迹/>的步长即轨迹/>中包含的轨迹点的数量。
步骤b2,将轨迹特征集输入至基于长短时记忆网络构建的解码器中,得到重构轨迹集。
示例性地,基于长短时记忆网络构建轨迹“解码器”,该解码器以轨迹特征集为输入,输出重构轨迹/>。其中,/>为运行轨迹集中轨迹的数量/>为运行轨迹,/>为运行轨迹/>的第/>个轨迹点,/>为轨迹/>的步长即轨迹/>中包含的轨迹点的数量。本实施例利用解码器对运行轨迹进行重构,可使“编码器”自动学习如何将不等长的轨迹映射为相同维度的特征向量,从而使编码器能够从原始轨迹数据中学习到更多的信息,并提取出更加高级和抽象的特征。
步骤b3,根据运行轨迹集和重构轨迹集之间的关系更新编码器和解码器的参数。
具体的,根据运行轨迹集和重构轨迹集对基于长短时记忆网络构建的模型进行训练,直至模型收敛时,结束训练操作。
示例性地,计算运行轨迹和重构轨迹之间的均方误差,将均方误差值作为损失值。基于损失值调整编码器和解码器的参数,直至损失值不根据参数的调整而变化时,停止训练。
步骤b4,采用参数更新后的编码器作为预训练的自编码器模型。
示例性地,当模型停止训练后,将解码器从基于长短时记忆网络构建的模型中舍弃,将保留的训练好的编码器作为预训练的自编码器模型。
步骤S203,获取车辆运行轨迹。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S204,将车辆运行轨迹输入至预训练的自编码器模型中,得到车辆轨迹特征。详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S205,采用预设聚类算法确定车辆轨迹特征所属的聚类簇。详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S206,根据预确定的聚类簇和车道编号的对应关系,确定车辆轨迹特征所属车辆所在车道。详细请参见图1所示实施例的步骤S104,在此不再赘述。
步骤S207,根据预设断面和车辆运行轨迹统计车道对应的车流量。详细请参见图1所示实施例的步骤S105,在此不再赘述。
本实施例中基于长短时记忆网络构建的模型具备将不等长轨迹映射为等长轨迹特征表征的能力。轨迹自编码器能够从原始轨迹数据中学习到更多的信息,并提取出更加高级和抽象的特征。这些特征可以捕捉到不同时间段内轨迹的变化趋势、复杂的运动模式、以及轨迹之间的相关性等。因此,轨迹自编码器具有更高的表达能力和泛化能力,能够更好地适应不同数据集和任务的需求。
在本实施例中提供了一种车道级车流量的统计方法,可用于具备车道级车流量统计功能的智能设备,图3是根据本发明实施例的车道级车流量的统计方法的流程图,如图3所示,该流程包括如下步骤:
步骤S301,获取运行轨迹集。详细请参见图2所示实施例的步骤S201,在此不再赘述。
步骤S302,采用运行轨迹集,对基于长短时记忆网络构建的模型进行训练,得到预训练的自编码器模型。详细请参见图2所示实施例的步骤S202,在此不再赘述。
步骤S303,将运行轨迹集输入至预训练的自编码器模型,得到轨迹特征集。
步骤S304,采用预设聚类算法对轨迹特征集进行聚类,得到多个聚类簇。
示例性地,在本实施例中,利用DBSCAN算法对轨迹特征集进行聚类,得到N个聚类簇,分别记作,……,/>,其中/>为第N个簇中包含的轨迹特征的数量。
在一些可选的实施方式中,上述步骤S304之后,还包括:
步骤c1,删除多个聚类簇中数量小于阈值的聚类簇,得到剩余聚类簇。
示例性地,设置簇群轨迹特征数量的阈值,遍历所有簇群,删除样本数量的簇群,得到剩余聚类簇。
步骤S305,基于聚类簇中轨迹特征和车道中心线的距离确定聚类簇和车道编号的对应关系。
具体的,利用匈牙利算法计算每一簇群对应的轨迹与视频画面中车道编号的关联程度,关联程度即轨迹特征和车道中心线的平均距离。由此,得到聚类簇和车道编号之间的对应关系。其中,匈牙利算法已属于现有技术,此处不作赘述。
在一些可选的实施方式中,上述步骤S305之后,还包括:
步骤d1,获取历史监控视频中每一个车道对应的车流量真实值、统计值/>以及车道数/>。
步骤d2,基于车流量真实值、统计值/>以及车道数/>,生成评价结果。
具体的,步骤d2包括:
步骤d21:基于每个车道的车流量真实值和统计值/>,确定每个车道的车流量差值/>。具体的,车流量真实值即历史监控视频中,某车道对应的真实车流量。统计值,即运用本实施例的方式得到的某车道的车流量。
示例性地,车流量差值的确定方式为:
步骤d22:基于每一个车道对应的车流量差值和车道数确定平均误差率。
示例性地,平均误差率的确定方式为:
步骤d23:基于每个车道的车流量差值和车流量真实值确定车道级误差率。
示例性地,车道级误差率的确定方式为:
本实施例中,采用了5个不同交通监控场景(记作场景1-5)作为研究对象,以平均误差率与车道级误差率作为性能评估指标,将本发明提出方法与现有车流量统计方法进行对比,得到表1所示的对比结果。由表1可见,在场景1-5中,本发明提出方法的平均误差率和车道级误差率均低于现有技术中的方法,这表明本发明提出的车道级车流量统计方法具有精度更高、鲁棒性更强等特点。
表一
步骤S306,获取车辆运行轨迹。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S307,将车辆运行轨迹输入至预训练的自编码器模型中,得到车辆轨迹特征。详细请参见图1所示实施例的步骤S102,在此不再赘述。
步骤S308,采用预设聚类算法确定车辆轨迹特征所属的聚类簇。详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S309,根据预确定的聚类簇和车道编号的对应关系,确定车辆轨迹特征所属车辆所在车道。详细请参见图1所示实施例的步骤S104,在此不再赘述。
步骤S310,根据预设断面和车辆运行轨迹统计车道对应的车流量。详细请参见图1所示实施例的步骤S105,在此不再赘述。
在本实施例中还提供了一种车道级车流量的统计装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种车道级车流量的统计装置,如图4所示,包括:
获取模块401,用于获取车辆运行轨迹。
输出模块402,用于将车辆运行轨迹输入至预训练的自编码器模型中,得到车辆轨迹特征。
第一确定模块403,用于采用预设聚类算法确定车辆轨迹特征所属的聚类簇。
第二确定模块404,用于根据预确定的聚类簇和车道编号的对应关系,确定车辆轨迹特征所属车辆所在车道。
统计模块405,用于根据预设断面和车辆运行轨迹统计车道对应的车流量。
在一种可选的实施方式中,输出模块402还包括:
获取子模块,用于获取运行轨迹集,运行轨迹集为预获取车辆历史运行轨迹的集合;训练子模块,用于采用运行轨迹集,对基于长短时记忆网络构建的模型进行训练,得到预训练的自编码器模型。
在一种可选的实施方式中,获取子模块,包括:
获取单元,用于采用预训练的车辆检测模型获取监控视频中的车辆;关联单元,用于采用预训练的车辆跟踪模型将监控视频每帧中获取的车辆进行关联;确定单元,用于根据关联的车辆确定车辆运行轨迹,由监控视频中每一辆车的车辆运行轨迹构成运行轨迹集。
在一种可选的实施方式中,获取子模块,还包括:
剔除单,用于去除运行轨迹集的在噪声轨迹。
在一种可选的实施方式中,训练子模块,包括:
第一输入单元,用于将运行轨迹集输入至基于长短时记忆网络构建的编码器中,得到轨迹特征集;第二输入单元,用于将轨迹特征集输入至基于长短时记忆网络构建的解码器中,得到重构轨迹集;更新单元,用于根据运行轨迹集和重构轨迹集之间的关系更新编码器和解码器的参数;确定单元,用于采用参数更新后的编码器作为预训练的自编码器模型。
在一种可选的实施方式中,第二确定模块中包括:
输入子模块,用于将运行轨迹集输入至预训练的自编码器模型,得到轨迹特征集;聚类子模块,用于采用预设聚类算法对轨迹特征集进行聚类,得到多个聚类簇;确定子模块,用于基于聚类簇中轨迹特征和车道中心线的距离确定聚类簇和车道编号的对应关系。
在一种可选的实施方式中,第二确定模块,还包括:
删除子模块,用于删除多个聚类簇中数量小于阈值的聚类簇,得到剩余聚类簇。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例中的车道级车流量的统计装置是以功能单元的形式来呈现,这里的单元是指ASIC(Application Specific Integrated Circuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备,具有上述图4所示的车道级车流量的统计装置。
请参阅图5,图5是本发明可选实施例提供的一种计算机设备的结构示意图,如图5所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,存储器20存储有可由至少一个处理器10执行的指令,以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30,用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种车道级车流量的统计方法,其特征在于,所述方法包括:
获取车辆运行轨迹;
将所述车辆运行轨迹输入至预训练的自编码器模型中,得到车辆轨迹特征;
采用预设聚类算法确定所述车辆轨迹特征所属的聚类簇;
根据预确定的聚类簇和车道编号的对应关系,确定所述车辆轨迹特征所属车辆所在车道;
根据预设断面和所述车辆运行轨迹统计车道对应的车流量。
2.根据权利要求1所述的方法,其特征在于,所述自编码器模型采用如下方式训练:
获取运行轨迹集,所述运行轨迹集为预获取车辆历史运行轨迹的集合;
采用所述运行轨迹集,对基于长短时记忆网络构建的模型进行训练,得到所述预训练的自编码器模型。
3.根据权利要求2所述的方法,其特征在于,所述获取运行轨迹集,包括:
采用预训练的车辆检测模型获取监控视频中的车辆;
采用预训练的车辆跟踪模型将所述监控视频每帧中获取的车辆进行关联;
根据关联的车辆确定所述车辆运行轨迹,由所述监控视频中每一辆车的车辆运行轨迹构成所述运行轨迹集。
4.根据权利要求3所述的方法,其特征在于,所述获取运行轨迹集,还包括:
去除所述运行轨迹集中的噪声轨迹。
5.根据权利要求2所述的方法,其特征在于,所述采用所述运行轨迹集,对基于长短时记忆网络构建的模型进行训练,得到所述预训练的自编码器模型,包括:
将所述运行轨迹集输入至基于所述长短时记忆网络构建的编码器中,得到轨迹特征集;
将所述轨迹特征集输入至基于所述长短时记忆网络构建的解码器中,得到重构轨迹集;
根据所述运行轨迹集和所述重构轨迹集之间的关系更新所述编码器和所述解码器的参数;
采用参数更新后的编码器作为预训练的自编码器模型。
6.根据权利要求2所述的方法,其特征在于,聚类簇和车道编号的对应关系采用如下方式确定:
将所述运行轨迹集输入至所述预训练的自编码器模型,得到轨迹特征集;
采用所述预设聚类算法对所述轨迹特征集进行聚类,得到多个聚类簇;
基于所述聚类簇中轨迹特征和车道中心线的距离确定所述聚类簇和所述车道编号的对应关系。
7.根据权利要求6所述的方法,其特征在于,在采用所述预设聚类算法对所述轨迹特征集进行聚类,得到多个聚类簇之后,在基于所述聚类簇中轨迹特征和车道中心线的距离确定所述聚类簇和所述车道编号的对应关系之前,还包括:
删除多个聚类簇中数量小于阈值的聚类簇,得到剩余聚类簇。
8.一种车道级车流量的统计装置,其特征在于,所述装置包括:
获取模块,用于获取车辆运行轨迹;
输出模块,用于将所述车辆运行轨迹输入至预训练的自编码器模型中,得到车辆轨迹特征;
第一确定模块,用于采用预设聚类算法确定所述车辆轨迹特征所属的聚类簇;
第二确定模块,用于根据预确定的聚类簇和车道编号的对应关系,确定所述车辆轨迹特征所属车辆所在车道;
统计模块,用于根据预设断面和所述车辆运行轨迹统计车道对应的车流量。
9.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至7中任一项所述的车道级车流量的统计方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至7中任一项所述的车道级车流量的统计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310754606.3A CN116504068A (zh) | 2023-06-26 | 2023-06-26 | 车道级车流量的统计方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310754606.3A CN116504068A (zh) | 2023-06-26 | 2023-06-26 | 车道级车流量的统计方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116504068A true CN116504068A (zh) | 2023-07-28 |
Family
ID=87316921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310754606.3A Pending CN116504068A (zh) | 2023-06-26 | 2023-06-26 | 车道级车流量的统计方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116504068A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994987A (zh) * | 2024-04-07 | 2024-05-07 | 东南大学 | 基于目标检测技术的交通参数提取方法及相关装置 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010102575A (ja) * | 2008-10-24 | 2010-05-06 | Panasonic Corp | 交通情報生成装置および交通情報生成方法 |
CN104700617A (zh) * | 2015-04-02 | 2015-06-10 | 武汉大学 | 基于低精度gps轨迹数据的高精度车道信息提取方法 |
CN105868691A (zh) * | 2016-03-08 | 2016-08-17 | 中国石油大学(华东) | 基于快速区域卷积神经网络的城市车辆追踪方法 |
US20170336515A1 (en) * | 2016-05-23 | 2017-11-23 | Honda Motor Co.,Ltd. | Vehicle position determination device, vehicle control system, vehicle position determination method, and vehicle position determination program product |
CN107481270A (zh) * | 2017-08-10 | 2017-12-15 | 上海体育学院 | 乒乓球目标跟踪和轨迹预测方法、装置、存储介质和计算机设备 |
CN108960090A (zh) * | 2018-06-20 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 视频图像处理方法及装置、计算机可读介质和电子设备 |
CN111002997A (zh) * | 2019-12-06 | 2020-04-14 | 武汉中海庭数据技术有限公司 | 一种偏离车道提示方法及装置 |
CN111898504A (zh) * | 2020-07-20 | 2020-11-06 | 南京邮电大学 | 一种基于孪生循环神经网络的目标跟踪方法及系统 |
CN112101433A (zh) * | 2020-09-04 | 2020-12-18 | 东南大学 | 一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法 |
CN112530159A (zh) * | 2020-11-13 | 2021-03-19 | 鹏城实验室 | 一种自标定式多车道级交通流量检测方法及电子设备 |
CN112634316A (zh) * | 2020-12-30 | 2021-04-09 | 河北工程大学 | 目标跟踪方法、装置、设备和存储介质 |
CN112710301A (zh) * | 2020-12-09 | 2021-04-27 | 上汽大众汽车有限公司 | 一种自动驾驶车辆高精度定位方法和系统 |
US20210276547A1 (en) * | 2020-03-04 | 2021-09-09 | Nec Laboratories America, Inc. | Multi-agent trajectory prediction |
WO2021249114A1 (zh) * | 2020-06-09 | 2021-12-16 | 华为技术有限公司 | 目标跟踪方法和目标跟踪装置 |
CN114162140A (zh) * | 2021-12-08 | 2022-03-11 | 武汉中海庭数据技术有限公司 | 一种最优车道匹配方法及系统 |
US20220221301A1 (en) * | 2021-01-13 | 2022-07-14 | GM Global Technology Operations LLC | Methods for multi-dimensional lane matching for autonomous vehicle localization |
CN115077563A (zh) * | 2022-06-15 | 2022-09-20 | 北京主线科技有限公司 | 车辆定位精度评价方法、装置及电子设备 |
CN115331037A (zh) * | 2022-06-20 | 2022-11-11 | 中国人民解放军战略支援部队信息工程大学 | 一种轨迹数据聚类方法及装置 |
US20220398461A1 (en) * | 2021-06-09 | 2022-12-15 | Ford Global Technologies, Llc | Neural network for object detection and tracking |
CN116069794A (zh) * | 2022-12-30 | 2023-05-05 | 广州小鹏自动驾驶科技有限公司 | 地图信息更新方法、装置、设备及计算机可读存储介质 |
CN116071722A (zh) * | 2023-02-28 | 2023-05-05 | 重庆长安汽车股份有限公司 | 基于路段轨迹的车道几何信息提取方法、系统、设备及介质 |
-
2023
- 2023-06-26 CN CN202310754606.3A patent/CN116504068A/zh active Pending
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010102575A (ja) * | 2008-10-24 | 2010-05-06 | Panasonic Corp | 交通情報生成装置および交通情報生成方法 |
CN104700617A (zh) * | 2015-04-02 | 2015-06-10 | 武汉大学 | 基于低精度gps轨迹数据的高精度车道信息提取方法 |
CN105868691A (zh) * | 2016-03-08 | 2016-08-17 | 中国石油大学(华东) | 基于快速区域卷积神经网络的城市车辆追踪方法 |
US20170336515A1 (en) * | 2016-05-23 | 2017-11-23 | Honda Motor Co.,Ltd. | Vehicle position determination device, vehicle control system, vehicle position determination method, and vehicle position determination program product |
CN107481270A (zh) * | 2017-08-10 | 2017-12-15 | 上海体育学院 | 乒乓球目标跟踪和轨迹预测方法、装置、存储介质和计算机设备 |
CN108960090A (zh) * | 2018-06-20 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 视频图像处理方法及装置、计算机可读介质和电子设备 |
CN111002997A (zh) * | 2019-12-06 | 2020-04-14 | 武汉中海庭数据技术有限公司 | 一种偏离车道提示方法及装置 |
US20210276547A1 (en) * | 2020-03-04 | 2021-09-09 | Nec Laboratories America, Inc. | Multi-agent trajectory prediction |
WO2021249114A1 (zh) * | 2020-06-09 | 2021-12-16 | 华为技术有限公司 | 目标跟踪方法和目标跟踪装置 |
CN111898504A (zh) * | 2020-07-20 | 2020-11-06 | 南京邮电大学 | 一种基于孪生循环神经网络的目标跟踪方法及系统 |
CN112101433A (zh) * | 2020-09-04 | 2020-12-18 | 东南大学 | 一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法 |
CN112530159A (zh) * | 2020-11-13 | 2021-03-19 | 鹏城实验室 | 一种自标定式多车道级交通流量检测方法及电子设备 |
CN112710301A (zh) * | 2020-12-09 | 2021-04-27 | 上汽大众汽车有限公司 | 一种自动驾驶车辆高精度定位方法和系统 |
CN112634316A (zh) * | 2020-12-30 | 2021-04-09 | 河北工程大学 | 目标跟踪方法、装置、设备和存储介质 |
US20220221301A1 (en) * | 2021-01-13 | 2022-07-14 | GM Global Technology Operations LLC | Methods for multi-dimensional lane matching for autonomous vehicle localization |
US20220398461A1 (en) * | 2021-06-09 | 2022-12-15 | Ford Global Technologies, Llc | Neural network for object detection and tracking |
CN114162140A (zh) * | 2021-12-08 | 2022-03-11 | 武汉中海庭数据技术有限公司 | 一种最优车道匹配方法及系统 |
CN115077563A (zh) * | 2022-06-15 | 2022-09-20 | 北京主线科技有限公司 | 车辆定位精度评价方法、装置及电子设备 |
CN115331037A (zh) * | 2022-06-20 | 2022-11-11 | 中国人民解放军战略支援部队信息工程大学 | 一种轨迹数据聚类方法及装置 |
CN116069794A (zh) * | 2022-12-30 | 2023-05-05 | 广州小鹏自动驾驶科技有限公司 | 地图信息更新方法、装置、设备及计算机可读存储介质 |
CN116071722A (zh) * | 2023-02-28 | 2023-05-05 | 重庆长安汽车股份有限公司 | 基于路段轨迹的车道几何信息提取方法、系统、设备及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994987A (zh) * | 2024-04-07 | 2024-05-07 | 东南大学 | 基于目标检测技术的交通参数提取方法及相关装置 |
CN117994987B (zh) * | 2024-04-07 | 2024-06-11 | 东南大学 | 基于目标检测技术的交通参数提取方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417953B (zh) | 道路状况检测和地图数据更新方法、装置、系统及设备 | |
KR102197946B1 (ko) | 딥러닝 인공지능 기술을 이용한 객체인식 및 카운팅 방법 | |
CN111931627A (zh) | 一种基于多模态信息融合的车辆再识别方法及装置 | |
WO2019205020A1 (zh) | 一种路况识别方法、装置及设备 | |
CN110753953A (zh) | 用于自动驾驶车辆中经由交叉模态验证的以物体为中心的立体视觉的方法和系统 | |
WO2021031954A1 (zh) | 对象数量确定方法、装置、存储介质与电子设备 | |
WO2021036243A1 (zh) | 识别车道的方法、装置及计算设备 | |
Chang et al. | Video analytics in smart transportation for the AIC'18 challenge | |
US20170185868A1 (en) | Error detection in recognition data | |
CN116504068A (zh) | 车道级车流量的统计方法、装置、计算机设备及存储介质 | |
CN113221750A (zh) | 车辆追踪方法、装置、设备及存储介质 | |
CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
CN113205691A (zh) | 一种识别车辆位置的方法及装置 | |
CN117152513A (zh) | 一种面向夜间场景的车辆边界定位方法 | |
CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 | |
CN116912517B (zh) | 相机视野边界的检测方法及装置 | |
CN113486885A (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
CN117058912A (zh) | 巡检车检测异常停车方法、装置、存储介质及电子设备 | |
CN113449624B (zh) | 一种基于行人重识别确定车辆行为的方法及装置 | |
CN114333409A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN115439692A (zh) | 一种图像处理方法、装置、电子设备及介质 | |
CN113408514A (zh) | 一种基于深度学习检测路侧停车场泊位的方法及装置 | |
CN113850111A (zh) | 基于语义分割和神经网络技术的路况识别方法和系统 | |
US20240320840A1 (en) | Target tracking method, target tracking apparatus, electronic device and computer readable medium | |
Adi et al. | Parking slot detection system based on structural similarity index |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230728 |
|
RJ01 | Rejection of invention patent application after publication |