CN116645818B - 一种基于多维特征提取的车型识别方法 - Google Patents
一种基于多维特征提取的车型识别方法 Download PDFInfo
- Publication number
- CN116645818B CN116645818B CN202310926590.XA CN202310926590A CN116645818B CN 116645818 B CN116645818 B CN 116645818B CN 202310926590 A CN202310926590 A CN 202310926590A CN 116645818 B CN116645818 B CN 116645818B
- Authority
- CN
- China
- Prior art keywords
- frequency
- value
- maximum
- vehicle
- change
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 title claims abstract description 20
- 230000010355 oscillation Effects 0.000 claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 230000000087 stabilizing effect Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims 1
- 230000006698 induction Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001960 triggered 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- 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
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种基于多维特征提取的车型识别方法,包括如下步骤:步骤1:收集不同时刻线圈检测回路的振荡频率;步骤2:构建时间与振荡频率变化值的频率变化曲线图;步骤3:基于振荡频率判别是否有车辆经过;步骤4:当有车辆经过时,基于频率变化曲线图的多维特征进一步识别是货车还是客车。本发明涉及一种基于多维特征提取的车型识别方法,多维度给出定量指标,提高车型识别的准确性,以及对不同项目现场应用的适配性。
Description
技术领域
本发明涉及车型识别领域,具体是一种基于多维特征提取的车型识别方法。
背景技术
地感线圈是传统的检测道路车辆经过的技术形式,车辆作为金属体,在经过地感线圈上方时,增大了线圈中的磁通量,改变了线圈自身的电感量,引起了电感的变化,变化曲线的形状与车辆的底盘高度、车长、铁磁体分布情况等有密切关系,为车型区分提供了依据。由于车辆体金属量的大小、以及车辆底盘的高低等方面的差异,会引起地感线圈电感量的变化处于不确定的状态,因此,地感线圈特性更多表现出来的是定性特征,而非定量特征,现实情况中,对地感线圈的应用,也更多用的是定性的特性。
公开号为CN1870070A的专利中,利用车辆经过线圈时,引起的线圈电感量变化后,根据变化的时变图,在车型库中进行模型匹配,进而识别出车型。
现有技术中,线圈的电感量特性变化,更多是定性而非定量,而且不同的工程现场,安装的位置、深浅存在差异,比如桥梁上,线圈所处位置上下悬空,其磁通量就与直接安装在路面上不同,利用电感时变图建立车型模型库的方式,模型库本身就存在不确定性。
发明内容
本发明的目的是针对现有技术存在的上述问题,克服现有技术的不足之处,设计一种基于多维特征提取的车型识别方法,多维度给出定量指标,提高车型识别的准确性,以及对不同项目现场应用的适配性。
一种基于多维特征提取的车型识别方法,包括如下步骤:
步骤1:收集不同时刻线圈检测回路的振荡频率;
步骤2:构建时间与振荡频率变化值的频率变化曲线图;
步骤3:基于振荡频率判别是否有车辆经过;
步骤4:当有车辆经过时,基于频率变化曲线图的多维特征进一步识别是货车还是客车。
优选的,步骤1首先构建LC振荡电路,外接线圈作为振荡电路中的电感,线圈沿车道埋在路面下。
优选的,步骤2中振荡频率变化值的计算公式如下:
;
其中,△ft表示t时刻振荡频率的变化值,ft表示t时刻的振荡频率,f0表示无车状态下的稳定振荡频率。
优选的,分别获取车辆经过时,线圈振荡频率的驶入阈值AI和驶出阈值AO,AI>AO,当t时刻车辆振荡频率ft大于驶入阈值AI时,判别有车辆经过触发线圈,当车辆振荡频率小于驶出阈值AO时,判别没有车辆经过或车辆驶离线圈。
优选的,驶入阈值AI通过收集若干车辆驶入瞬间的振荡频率求取平均值获得,驶出阈值AO通过收集若干车辆驶出瞬间的振荡频率求取平均值获得。
进一步的,多维特征包括频率最大变化值、频率变化稳定区间持续时间、频率最大变化值点左右极值数比值、频率最大极值差和边缘变化率。
进一步的,频率最大变化值通过提取频率变化曲线图上绝对值最大点的频率变化值获得:
①当频率最大变化值小于或等于货车频率变化阈值A1,则判定车辆为货车;
②当频率最大变化值大于或等于客车频率变化阈值A2时,则判定车辆为客车,其中,A2大于A1;
③当频率最大变化值介于A1和A2之间时,通过多维特征判别评分进行划分。
优选的,频率变化稳定区间的判定:对于任意两个时间点t1和t2,t1<t2,在连续区间t1~t2时间区间内满足下述不等式:
;
则该连续区间t1~t2为频率变化稳定区间,该连续区间内频率变化稳定区间持续时间为t2-t1,其中,△fmax表示该连续区间内振荡频率的变化值的最大值,△fmin表示该连续区间内振荡频率的变化值的最小值;
频率最大变化值点左右极值数比值的求解包括如下过程:首先,找到频率变化曲线图上频率最大变化值点,分别获取频率最大变化值点左侧的极值点数和右侧的极值点数,并将频率最大变化值点归为右侧的极值点数,则频率最大变化值点左右极值数比值D的计算公式为:
;
其中,D表示频率最大变化值点左右极值数比值,Dr表示频率最大变化值点右侧极值数,Dl表示频率最大变化值点左侧极值数;
频率最大极值差的求解:当D<1/4,频率最大极值差E取频率最大变化值点右侧的极值点中最大极值和最小极值的差;否则,频率最大极值差E取频率变化曲线图中最大极值和最小极值的差;
边缘变化率的求解过程为:首先在频率变化曲线图中找到第一个极值点和最后一个极值点,分别对第一个极值点左侧曲线和最后一个极值点右侧曲线进行拟合,拟合直线的斜率分别记为车辆驶入边缘变化率F1和车辆驶离边缘变化率F2。
进一步的,多维特征判别评分公式为:
;
其中,G表示多维特征判别评分值,w1表示频率变化稳定区间持续时间的权重占比,C表示频率变化稳定区间持续时间,Cthr表示频率变化稳定区间持续时间的阈值,w2表示频率最大值左右极值比的权重占比,Dthr表示频率最大值左右极值比的阈值,w3表示频率最大极值差的权重占比,Ethr表示频率最大极值差的阈值,w4表示边缘变化率的权重占比,Fthr1表示车辆驶入边缘变化率阈值,Fthr2表示车辆驶离边缘变化率阈值,w1+w2+w3+w4=1,如果G大于或等于1,则为货车;如果G小于1,则为客车。
优选的,分别对收集到的货车频率变化最大值、客车频率变化最大值、频率变化稳定区间持续时间、频率最大值左右极值比、频率最大极值差、车辆驶入边缘变化率和车辆驶离边缘变化率的数据进行求平均或者采用K均值聚类算法进行训练,从而获取对应的A1、A2、Cthr、Dthr、Ethr、Fthr1和Fthr2。
与现有技术相比,本发明的有益效果:
本发明的目的是针对现有技术存在的上述问题,克服现有技术的不足之处,设计一种基于多维特征提取的车型识别方法,多维度给出定量指标,提高车型识别的准确性,以及对不同项目现场应用的适配性。
1.本发明突破传统利用电感时变图建立车型模型库的方式,创造性提出了利用频率变化曲线的多维度特征进行评价,对车型识别提出一种全新的思路。
2.本发明创造性的提出了多维特征判别评分公式,对车辆特征分析更加精细,极大提高了车型识别的准确性。
3.本发明通过对各类车辆触发线圈后引起的振荡频率变化特征的分析,综合提取了多维特征,充分利用了频率变化曲线各个维度的数据,数据容易获取,适用场景受限少,可推广性高,实用性强。
附图说明
图1是本发明一种基于多维特征提取的车型识别方法流程框架图;
图2是本发明一种基于多维特征提取的车型识别方法全流程示意图。
具体实施方式
下面结合附图以及具体实施方法对本发明一种基于多维特征提取的车型识别方法作进一步详细说明。
本发明提出一种基于多维特征提取的车型识别方法,如图1,包括如下步骤:
步骤1:收集不同时刻线圈检测回路的振荡频率,首先构建LC振荡电路,外接线圈作为振荡电路中的电感,线圈沿车道埋在路面下;
步骤2:构建时间与振荡频率变化值的频率变化曲线图;
步骤3:基于振荡频率判别是否有车辆经过;
步骤4:当有车辆经过时,基于频率变化曲线图的多维特征进一步识别是货车还是客车。
如图2所示,本发明通过线圈电感变化引起的电路震荡频率变化的检测,提取频率变化曲线图上的特征,包括频率最大变化值、频率变化稳定区间、频率最大变化值点左右极值数、频率最大极值差和边缘变化率,基于货车和客车频率变化阈值,区分货车和客车,对于无法区分的车辆,通过多维特征判别评分,从频率变化稳定区间、频率最大变化值点左右极值数、频率最大极值差和边缘变化率四个方面进行综合评分。客车类型分值高,则判定为客车,货车类型分值高,则判定为货车。
具体的,步骤2中振荡频率变化值的计算公式如下:
;
其中,△ft表示t时刻振荡频率的变化值,ft表示t时刻的振荡频率,f0表示无车状态下的稳定振荡频率, 是无车状态下系统跟随的固定时间段内振荡频率的平均值。
优选的,分别获取车辆经过时,线圈振荡频率的驶入阈值AI和驶出阈值AO,AI>AO,当t时刻车辆振荡频率ft大于驶入阈值AI时,判别有车辆经过触发线圈,当车辆振荡频率小于驶出阈值AO时,判别没有车辆经过或车辆驶离线圈。
优选的,驶入阈值AI通过收集若干车辆驶入瞬间的振荡频率求取平均值获得,驶出阈值AO通过收集若干车辆驶出瞬间的振荡频率求取平均值获得。
进一步的,多维特征包括频率最大变化值、频率变化稳定区间持续时间、频率最大变化值点左右极值数比值、频率最大极值差和边缘变化率。
进一步的,频率最大变化值通过提取频率变化曲线图上绝对值最大点的频率变化值获得:
①当频率最大变化值小于或等于货车频率变化阈值A1,则判定车辆为货车;
②当频率最大变化值大于或等于客车频率变化阈值A2时,则判定车辆为客车,其中,A2大于A1;
③当频率最大变化值介于A1和A2之间时,通过多维特征判别评分进行划分。
优选的,频率变化稳定区间的判定:对于任意两个时间点t1和t2,t1<t2,在连续区间t1~t2时间区间内满足下述不等式:
;
则该连续区间t1~t2为频率变化稳定区间,该连续区间内频率变化稳定区间持续时间为t2-t1,其中,△fmax表示该连续区间内振荡频率的变化值的最大值,△fmin表示该连续区间内振荡频率的变化值的最小值;
频率最大变化值点左右极值数比值的求解包括如下过程:首先,找到频率变化曲线图上频率最大变化值点,分别获取频率最大变化值点左侧的极值点数和右侧的极值点数,并将频率最大变化值点归为右侧的极值点数,则频率最大变化值点左右极值数比值D的计算公式为:
;
其中,D表示频率最大变化值点左右极值数比值,Dr表示频率最大变化值点右侧极值数,Dl表示频率最大变化值点左侧极值数;
频率最大极值差的求解:当D<1/4,频率最大极值差E取频率最大变化值点右侧的极值点中最大极值和最小极值的差;否则,频率最大极值差E取频率变化曲线图中最大极值和最小极值的差;
边缘变化率的求解过程为:首先在频率变化曲线图中找到第一个极值点和最后一个极值点,分别对第一个极值点左侧曲线和最后一个极值点右侧曲线进行拟合,拟合直线的斜率分别记为车辆驶入边缘变化率F1和车辆驶离边缘变化率F2。
进一步的,多维特征判别评分公式为:
;
其中,G表示多维特征判别评分值,w1表示频率变化稳定区间持续时间的权重占比,C表示频率变化稳定区间持续时间,Cthr表示频率变化稳定区间持续时间的阈值,w2表示频率最大值左右极值比的权重占比,Dthr表示频率最大值左右极值比的阈值,w3表示频率最大极值差的权重占比,Ethr表示频率最大极值差的阈值,w4表示边缘变化率的权重占比,Fthr1表示车辆驶入边缘变化率阈值,Fthr2表示车辆驶离边缘变化率阈值,w1+w2+w3+w4=1,如果G大于或等于1,则为货车;如果G小于1,则为客车。
当频率变化稳定区间内,极大值数≥5,则w1≥50%,优选60%;
当频率变化稳定区间内,极大值数<5,则w1<50%,优选50%。
优选的,分别对收集到的货车频率变化最大值、客车频率变化最大值、频率变化稳定区间持续时间、频率最大值左右极值比、频率最大极值差、车辆驶入边缘变化率和车辆驶离边缘变化率的数据进行求平均或者采用K均值聚类算法进行训练,从而获取对应的A1、A2、Cthr、Dthr、Ethr、Fthr1和Fthr2。其中当采用K均值聚类算法时,也可以通过所有数据的频率变化最大值进行三区间聚类从而获取A1和A2。为提高判断效率,利用抓拍机识别车型进行初步训练;为确保标定的准确性,选取白天时段,抓拍机识别率相对高一些。
本发明提出一种基于多维特征提取的车型识别方法,上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于多维特征提取的车型识别方法,其特征在于,包括如下步骤:
步骤1:收集不同时刻线圈检测回路的振荡频率;
步骤2:构建时间与振荡频率变化值的频率变化曲线图;
步骤3:基于振荡频率判别是否有车辆经过;
步骤4:当有车辆经过时,基于频率变化曲线图的多维特征进一步识别是货车还是客车,
多维特征包括频率最大变化值、频率变化稳定区间持续时间、频率最大变化值点左右极值数比值、频率最大极值差和边缘变化率;
频率最大变化值通过提取频率变化曲线图上绝对值最大点的频率变化值获得,
①当频率最大变化值小于或等于货车频率变化阈值A1,则判定车辆为货车;
②当频率最大变化值大于或等于客车频率变化阈值A2时,则判定车辆为客车,其中,A2大于A1;
③当频率最大变化值介于A1和A2之间时,通过多维特征判别评分进行划分,
频率变化稳定区间的判定:对于任意两个时间点t1和t2,t1<t2,在连续区间t1~t2时间区间内满足下述不等式:
则该连续区间t1~t2为频率变化稳定区间,该连续区间内频率变化稳定区间持续时间为t2-t1,其中,△fmax表示该连续区间内振荡频率的变化值的最大值,△fmin表示该连续区间内振荡频率的变化值的最小值;
频率最大变化值点左右极值数比值的求解包括如下过程:首先,找到频率变化曲线图上频率最大变化值点,分别获取频率最大变化值点左侧的极值点数和右侧的极值点数,并将频率最大变化值点归为右侧的极值点数,则频率最大变化值点左右极值数比值D的计算公式为:
其中,D表示频率最大变化值点左右极值数比值,Dr表示频率最大变化值点右侧极值数,Dl表示频率最大变化值点左侧极值数;
频率最大极值差的求解:当D<1/4,频率最大极值差E取频率最大变化值点右侧的极值点中最大极值和最小极值的差;否则,频率最大极值差E取频率变化曲线图中最大极值和最小极值的差;
边缘变化率的求解过程为:首先在频率变化曲线图中找到第一个极值点和最后一个极值点,分别对第一个极值点左侧曲线和最后一个极值点右侧曲线进行拟合,拟合直线的斜率分别记为车辆驶入边缘变化率F1和车辆驶离边缘变化率F2。
2.根据权利要求1所述的一种基于多维特征提取的车型识别方法,其特征在于:
步骤1首先构建LC振荡电路,外接线圈作为振荡电路中的电感,线圈沿车道埋在路面下。
3.根据权利要求1所述的一种基于多维特征提取的车型识别方法,其特征在于:
步骤2中振荡频率变化值的计算公式如下:
△ft=ft-f0
其中,△ft表示t时刻振荡频率的变化值,ft表示t时刻的振荡频率,f0表示无车状态下的稳定振荡频率。
4.根据权利要求3所述的一种基于多维特征提取的车型识别方法,其特征在于:
分别获取车辆经过时,线圈振荡频率的驶入阈值AI和驶出阈值AO,AI>AO,当t时刻车辆振荡频率ft大于驶入阈值AI时,判别有车辆经过触发线圈,当车辆振荡频率小于驶出阈值AO时,判别没有车辆经过或车辆驶离线圈。
5.基于权利要求4所述的一种基于多维特征提取的车型识别方法,其特征在于:
驶入阈值AI通过收集若干车辆驶入瞬间的振荡频率求取平均值获得,驶出阈值AO通过收集若干车辆驶出瞬间的振荡频率求取平均值获得。
6.根据权利要求1所述的一种基于多维特征提取的车型识别方法,其特征在于:
多维特征判别评分公式为:
其中,G表示多维特征判别评分值,w1表示频率变化稳定区间持续时间的权重占比,C表示频率变化稳定区间持续时间,Cthr表示频率变化稳定区间持续时间的阈值,w2表示频率最大值左右极值比的权重占比,Dthr表示频率最大值左右极值比的阈值,w3表示频率最大极值差的权重占比,Ethr表示频率最大极值差的阈值,w4表示边缘变化率的权重占比,Fthr1表示车辆驶入边缘变化率阈值,Fthr2表示车辆驶离边缘变化率阈值,w1+w2+w3+w4=1,如果G大于或等于1,则为货车;如果G小于1,则为客车。
7.根据权利要求6所述的一种基于多维特征提取的车型识别方法,其特征在于:
分别对收集到的货车频率变化最大值、客车频率变化最大值、频率变化稳定区间持续时间、频率最大值左右极值比、频率最大极值差、车辆驶入边缘变化率和车辆驶离边缘变化率的数据进行求平均或者采用K均值聚类算法进行训练,从而获取对应的A1、A2、Cthr、Dthr、Ethr、Fthr1和Fthr2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310926590.XA CN116645818B (zh) | 2023-07-27 | 2023-07-27 | 一种基于多维特征提取的车型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310926590.XA CN116645818B (zh) | 2023-07-27 | 2023-07-27 | 一种基于多维特征提取的车型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116645818A CN116645818A (zh) | 2023-08-25 |
CN116645818B true CN116645818B (zh) | 2023-10-10 |
Family
ID=87625152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310926590.XA Active CN116645818B (zh) | 2023-07-27 | 2023-07-27 | 一种基于多维特征提取的车型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645818B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1655208A (zh) * | 2004-12-31 | 2005-08-17 | 华南理工大学 | 一种机动车车型自动识别的方法 |
CN101311982A (zh) * | 2007-05-22 | 2008-11-26 | 深圳市哈工大交通电子技术有限公司 | 车辆分类检测装置及车辆分类检测方法 |
JP2008293460A (ja) * | 2007-05-28 | 2008-12-04 | Kenichi Tajima | ループコイル式車両検知装置 |
CN201974943U (zh) * | 2011-01-21 | 2011-09-14 | 北京万集科技有限责任公司 | 一种交通流量调查系统 |
JP2012098914A (ja) * | 2010-11-02 | 2012-05-24 | Takumi Giken Kk | 車種判別装置および自動ゲート装置 |
CN103325246A (zh) * | 2013-07-11 | 2013-09-25 | 河北工业大学 | 用于货车多种车型的动态检测方法 |
CN104200670A (zh) * | 2014-08-26 | 2014-12-10 | 长沙理工大学 | 一种基于车辆地磁感应特征的车辆车型识别方法 |
FR3044037A1 (fr) * | 2015-11-25 | 2017-05-26 | Continental Automotive France | Procede de detection d'intention de verrouillage ou de deverrouillage d'une portiere de vehicule automobile par un utilisateur et dispositif associe |
CN114973659A (zh) * | 2022-05-12 | 2022-08-30 | 山东高速集团有限公司创新研究院 | 一种高速公路的间接事件检测的方法、装置及系统 |
-
2023
- 2023-07-27 CN CN202310926590.XA patent/CN116645818B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1655208A (zh) * | 2004-12-31 | 2005-08-17 | 华南理工大学 | 一种机动车车型自动识别的方法 |
CN101311982A (zh) * | 2007-05-22 | 2008-11-26 | 深圳市哈工大交通电子技术有限公司 | 车辆分类检测装置及车辆分类检测方法 |
JP2008293460A (ja) * | 2007-05-28 | 2008-12-04 | Kenichi Tajima | ループコイル式車両検知装置 |
JP2012098914A (ja) * | 2010-11-02 | 2012-05-24 | Takumi Giken Kk | 車種判別装置および自動ゲート装置 |
CN201974943U (zh) * | 2011-01-21 | 2011-09-14 | 北京万集科技有限责任公司 | 一种交通流量调查系统 |
CN103325246A (zh) * | 2013-07-11 | 2013-09-25 | 河北工业大学 | 用于货车多种车型的动态检测方法 |
CN104200670A (zh) * | 2014-08-26 | 2014-12-10 | 长沙理工大学 | 一种基于车辆地磁感应特征的车辆车型识别方法 |
FR3044037A1 (fr) * | 2015-11-25 | 2017-05-26 | Continental Automotive France | Procede de detection d'intention de verrouillage ou de deverrouillage d'une portiere de vehicule automobile par un utilisateur et dispositif associe |
CN114973659A (zh) * | 2022-05-12 | 2022-08-30 | 山东高速集团有限公司创新研究院 | 一种高速公路的间接事件检测的方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
基于System Generator实现车辆检测分类;章人杰;;计算机应用与软件(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116645818A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463940B (zh) | 基于手机数据的车辆类型识别方法和设备 | |
US9076333B2 (en) | Driving support device, driving support method, and driving support program | |
CN100538763C (zh) | 基于视频的混合交通流参数的检测方法 | |
US7765056B2 (en) | Magnetic traffic control system | |
CN101844561B (zh) | 基于统计模式识别的路面条件辨识 | |
CN109359690B (zh) | 基于卡口数据的车辆出行轨迹识别方法 | |
JP2016180980A (ja) | 情報処理装置、プログラム、及び地図データ更新システム | |
US6611210B2 (en) | Automotive vehicle classification and identification by inductive signature | |
CN108848462A (zh) | 适用于信号控制交叉口的实时车辆轨迹预测方法 | |
CN108091137B (zh) | 一种信号灯控制方案的评价方法及装置 | |
CN105352576B (zh) | 一种基于动态称重系统的车辆分离方法 | |
US20030163263A1 (en) | Method and device for classifying vehicles | |
Daptardar et al. | Hidden Markov model based driving event detection and driver profiling from mobile inertial sensor data | |
CN116645818B (zh) | 一种基于多维特征提取的车型识别方法 | |
CN109979194B (zh) | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 | |
CN106650801A (zh) | 一种基于gps数据的多类型车辆分类方法 | |
CN109191850B (zh) | 一种基于时间窗的停车线检测器和排队检测器的数据融合方法 | |
JP4572944B2 (ja) | 運転支援装置、運転支援方法および運転支援プログラム | |
Gajda et al. | A highly selective vehicle classification utilizing dual-loop inductive detector | |
KR20170020921A (ko) | 차량 분류 시스템 및 방법 | |
CN114298634A (zh) | 驻留点识别方法、装置、电子设备及机器可读存储介质 | |
KR101035122B1 (ko) | 차종 시퀀스 패턴을 이용한 구간통행시간 계측방법 | |
CN114489079A (zh) | 一种基于信号规则的自动驾驶前车切入场景提取方法 | |
CN102819957A (zh) | 基于上游线圈检测器信息的路段排队上溯识别方法 | |
EP3779919A1 (en) | Detection system |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |