CN116863711B - 基于公路监控的车道流量检测方法、装置、设备及介质 - Google Patents
基于公路监控的车道流量检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116863711B CN116863711B CN202310949880.6A CN202310949880A CN116863711B CN 116863711 B CN116863711 B CN 116863711B CN 202310949880 A CN202310949880 A CN 202310949880A CN 116863711 B CN116863711 B CN 116863711B
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- image
- information
- flow
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 72
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 64
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 239000003550 marker Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 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
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本申请涉及基于公路监控的车道流量检测方法、装置、设备及介质,其方法包括获取监控视频,从所述监控视频中获取视频关键帧图像,根据所述视频关键帧图像,绘制车道图像,其中,所述车道图像是指在所述视频关键帧图像上标记出车道范围后的图像;对携带有目标车辆的所述车道图像进行车辆特征识别,根据识别结果获得目标车辆特征;根据所述目标车辆特征,获取所述目标车辆特征的车道判断位置信息;根据所述车道判断位置信息和所述车道图像,获取车辆流量信息组,根据所述车辆流量信息组,获取车道流量。本申请具有提高车道流量检测的准确率,满足交通规划研究车道流量对准确度的高要求的效果。
Description
技术领域
本发明涉及智能交通计算的技术领域,尤其是涉及基于公路监控的车道流量检测方法、装置、设备及介质。
背景技术
目前,随着经济发展加速,机动车辆数量迅猛增加,带来了许多交通问题,如:交通拥堵、交通管理落后等。通过对道路的车道流量研究,可以了解交通流量的分布情况以及交通拥堵的程度。这些信息不仅可以把握当前交通运行状况,对交通规划研究和规划新的交通设施至关重要。传统的交通数据采集方法是在路面下埋设感应线圈进行数据采集,硬件系统较复杂、系统环境适应能力差、安装灵活性不高、对路面破坏性大、维护成本较高。
随着视频监控技术的发展,视频摄像机已经被广泛应用于智能交通技术领域。因此通过视频检测车道流量有了广泛应用的可能,且维护成本相对较低。目前车道识别技术主要采用边缘检测技术在图像中检测道路的各条标志线,但是由于各种干扰(如光线、下雨路面积水等)的影响,使得检测效果不够理想。
针对上述中的相关技术,发明人认为存在有对车道流量检测容易受到干扰进而导致准确率不够理想的缺陷。
发明内容
为了提高车道流量检测的准确率,满足交通规划研究车道流量的准确度的高要求,本申请提供基于公路监控的车道流量检测方法、装置、设备及介质。
本申请的上述发明目的一是通过以下技术方案得以实现的:
基于公路监控的车道流量检测方法,所述基于公路监控的车道流量检测方法包括:
获取监控视频,从所述监控视频中获取视频关键帧图像,根据所述视频关键帧图像,绘制车道图像,其中,所述车道图像是指在所述视频关键帧图像上标记出车道范围后的图像;
对携带有目标车辆的所述车道图像进行车辆特征识别,根据识别结果获得目标车辆特征;
根据所述目标车辆特征,获取所述目标车辆特征的车道判断位置信息;
根据所述车道判断位置信息和所述车道图像,获取车辆流量信息组,根据所述车辆流量信息组,获取车道流量。
通过采用上述技术方案,由于道路上的车道,在长期使用的过程中会产生磨损,或者受天气原因导致车道模糊,因此会对每条车道上统计车流量时造成影响,因此,通过获取监控视频,根据需要对其进行车道流量检测的车道,从该车道上的视频摄像机或监控设备等带有录制视频功能的设备中获取监控视频,对获取到的监控视频进行拆分,得到监控视频中每一帧的图像,并对该图像进行分析,识别出该图像中的车道位置,再根据车道位置,在该图像中以绘制的方式,沿车道边沿描绘出车道的具体范围的方框,得到车道图像,对标记了车道的车道图像进行车辆特征识别,识别的方式可以是一种名为YOLOv3的目标检测算法,识别出车道图像中的车辆,得到对所述车道图像进行车辆特征识别,根据识别结果获得目标车辆特征,根据目标车辆特征和车道图像,判断车辆位于哪条车道,判断方式可以是土地信息学算法中的射线法,进而判断出每条车道的车流量,因此,通过识别车辆再判断车辆所属的车道,进而检测车道流量,降低了检测车道流量时容易受到干扰进而导致准确率不够理想的概率,提高了车道流量检测的准确率。
本申请在一较佳示例中可以进一步配置为:所述对所述车道图像进行特征识别,根据特征识别结果获得目标车辆特征,具体包括:
根据所述特征识别结果,从所述车道图像中获取车辆特征;
识别所述车辆特征,关联相同的所述车辆特征,得到相同车辆特征组;
标记所述相同车辆特征组内的所述车辆特征相同的绑定标签;
将所述绑定标签与对应的所述车辆特征进行匹配关联,获得目标车辆特征。
通过采用上述技术方案,对车道图像进行车辆特征识别后,根据特征识别的结果,得到车辆特征,车道图像中的车辆特征可以是通过标记框的方式,在车道图像中框选出的识别到的车辆,将所有的车道图像中的所有车辆特征进行分类,将相同的车辆特征进行关联,形成相同车辆特征组,再对相同车辆特征组内的车辆特征标记上绑定标签,将车辆特征与对应的绑定标签关联,得到目标车辆特征,因此,利用计算机等设备通过识别判断图像中的汽车的属性分析车道图像识别出车辆的方式,提高了识别图像中的车辆的效率,识别出的车辆以标记框框选车辆且标记绑定标签,便于后序对车辆流量的检测和统计,提高了车道流量检测的效率。
本申请在一较佳示例中可以进一步配置为:所述标记所述相同车辆特征组内的所述车辆特征相同的绑定标签,具体包括:
对所述相同车辆特征组内的所述车辆特征标记临时标签;
统计所述相同车辆特征组内的所述临时标签的数量;
将所述相同车辆特征组内的所述临时标签的数量与预设的计数阈值对比,筛选所述临时标签的数量大于预设的计数阈值的所述相同车辆特征组,将该所述相同车辆特征组内的所述临时标签作为绑定标签。
通过采用上述技术方案,对相同车辆特征组内的所有车辆特征都标记临时标签,并计数相同车辆特征组内的临时标签的数量,通过将每个包含相同的车辆特征的相同车辆特征组内的临时标签数量与预设的计数阈值进行大小对比,筛选出大于预设的技术阈值的相同车辆特征组,将该相同车辆特征组内的临时标签作为绑定标签,由于根据车辆属性进行特征识别时,可能会出现识别错误的情况,例如在车道图像上的生物或漂浮的塑料垃圾等,而一般正常行驶的车辆在监控视频的所有车道图像中出现的次数比干扰物出现的次数多,因此,通过标记临时标签,再将临时标签的数量与预设阈值进行对比,将大于预设阈值的临时标签转换为绑定标签的方式,筛选排除可能并非车辆的车辆特征,得到用于进行车道流量检测的绑定标签,提高了对车道流量检测的正确率。
本申请在一较佳示例中可以进一步配置为:所述根据所述目标车辆特征,获取所述目标车辆特征的车道判断位置信息,具体包括;
根据所述目标车辆特征,获取所述目标车辆特征的位置信息;
根据所述目标车辆特征的位置信息,获取所述目标车辆特征的车道判断位置信息。
通过采用上述技术方案,获取每一个目标车辆特征在车道图像上的位置信息,目标车辆特征是通过标记框的方式,在车道图像中框选出的识别到的车辆时,目标车辆特征在车道图像上的位置信息则是表示目标车辆特征的标记框在车道图像上的坐标位置和该标记框的长宽,再根据表示目标车辆特征的标记框在车道图像上的坐标位置和该标记框的长宽,获取用于判断车辆所在的车道的车道判断位置信息,车道判断位置信息可以是根据表示目标车辆特征的标记框在车道图像上的坐标位置和该标记框的长宽,计算得到的该标记框底部中点的坐标,因此,通过获取目标车辆特征的位置信息,再根据该位置信息获取详细精简的用于判断车辆所在的车道的车道判断位置信息,提高了后序判断车辆所在车道的效率,且提高了判断车辆所在车道的准确率。
本申请在一较佳示例中可以进一步配置为:所述根据所述车道判断位置信息和所述车道图像,获取车辆流量信息组,具体包括:
根据所述车道判断位置信息和所述车道图像,获取车辆所属车道信息;
将所述车道图像中的所述车辆所属车道信息与对应的所述目标车辆特征匹配关联,获取车辆流量信息组。
通过采用上述技术方案,根据车道判断位置信息和车道图像获取车辆所在的车道的方式,可以是土地信息学算法中的射线法,例如,车道判断位置信息是车道图像上的目标车辆特征的标记框的底部中点的坐标,射线法即是通过该坐标发射水平扫描线或垂直线,通过计算射线与车道图像中表示车道的车道方框的相交次数,如果相交次数是奇数,则认为目标车辆在车道内;如果是偶数,则认为目标车辆在车道外,获得目标车辆特征所在的车道后,将表示目标车辆特征所在的车道的车辆所属车道信息与对应的目标车辆特征关联,得到车辆流量信息组,因此,结合车道判断位置信息结合车道图像的方式,例如射线法,大大提高了判断车道流量的准确率,将车辆所属车道信息与对应的目标车辆特征关联,便于后序对车道流量的检测。
本申请在一较佳示例中可以进一步配置为:所述根据所述车辆流量信息组,获取车道流量,具体包括:
获取预设的车道判断系数,根据所述预设的车道判断系数,划分对应数量的所述车道图像,得到车道流量判断图像组;
判断所述车道流量判断图像组中的所述车道图像中,包含同一所述目标车辆特征的所述车辆流量信息组对应的所述车辆所属车道信息是否相同;
若判断相同,提取该所述车辆流量信息组对应的所述车辆所属车道信息,记录该所述车辆所属车道信息并计流量数;
若判断为不相同,提取包含同一所述目标车辆特征的所述车辆流量信息组对应的所述车辆所属车道信息并计数,根据计数结果,提取同一所述目标车辆特征对应的所述车辆所属车道信息最多的所述车辆所属车道信息,记录该所述车辆所属车道信息并计流量数;
根据所述流量数,获取车道流量。
通过采用上述技术方案,由于本发明的目的一是检测车道流量,而车辆在行驶时会出现变道的情况,因此,通过预设的车道判断系数将所有的车道图像从第一帧的车道图像开始分组,得到车道流量判断图像组,车道流量判断图像组中包含对应预设的车道判断系数的数量的车道图像,车道图像中包含车辆流量信息组,判断车道流量判断图像组中的同一目标车辆特征对应的车辆流量信息组包含的车辆所属车道信息是否相同,若判断结果为相同,则可以认为该车道上经过了一辆车,则记录该目标车辆特征对应的车辆所属车道信息并计数,通过所有车辆所属车道信息对应的计数数量和对应的车辆所属车道信息,得到每个车道的流量数,若判断结果为不相同,则对同一目标车辆特征对应的所属车道信息计数,对同一目标车辆特征对应的所属车道信息最多的,可以认为该目标车辆特征对应的所述车道信息对应的车道上经过了一辆车,则记录该目标车辆特征对应的车辆所属车道信息并计数,因此,通过每个车辆所属车道信息对应的计数数量,得到每个车道的流量数,将判断结果为相同时记录的流量数和判断结果为不相同时记录的流量数相加,得到每个车道的车辆流量,通过预设的车道判断系数对车辆的变道和不变道的情况进行区分,并分别统计不同情况时的流量数,避免了车辆在车道上多次变道而导致对流量的检测结果不准确的情况,提高了检测车道流量的准确率。
本申请的上述发明目的二是通过以下技术方案得以实现的:
基于公路监控的车道流量检测装置,所述基于公路监控的车道流量检测装置包括:
车道图像绘制模块,用于获取监控视频,从所述监控视频中获取视频关键帧图像,根据所述视频关键帧图像,绘制车道图像,其中,所述车道图像是指在所述视频关键帧图像上标记出车道范围后的图像;
目标车辆特征获取模块,用于对携带有目标车辆的所述车道图像进行车辆特征识别,根据识别结果获得目标车辆特征;
车道判断模块,用于根据所述目标车辆特征,获取所述目标车辆特征的车道判断位置信息;
车道流量获取模块,用于根据所述车道判断位置信息和所述车道图像,获取车辆流量信息组,根据所述车辆流量信息组,获取车道流量。
通过采用上述技术方案,由于道路上的车道,在长期使用的过程中会产生磨损,或者受天气原因导致车道模糊,因此会对每条车道上统计车流量时造成影响,因此,通过获取监控视频,根据需要对其进行车道流量检测的车道,从该车道上的视频摄像机或监控设备等带有录制视频功能的设备中获取监控视频,对获取到的监控视频进行拆分,得到监控视频中每一帧的图像,并对该图像进行分析,识别出该图像中的车道位置,再根据车道位置,在该图像中以绘制的方式,沿车道边沿描绘出车道的具体范围的方框,得到车道图像,对标记了车道的车道图像进行车辆特征识别,识别的方式可以是一种名为YOLOv3的目标检测算法,识别出车道图像中的车辆,得到对所述车道图像进行车辆特征识别,根据识别结果获得目标车辆特征,根据目标车辆特征和车道图像,判断车辆位于哪条车道,判断方式可以是土地信息学算法中的射线法,进而判断出每条车道的车流量,因此,通过识别车辆再判断车辆所属的车道,进而检测车道流量,降低了检测车道流量时容易受到干扰进而导致准确率不够理想的概率,提高了车道流量检测的准确率。
本申请的上述目的三是通过以下技术方案得以实现的:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于公路监控视频的车道流量检测方法的步骤。
本申请的上述目的四是通过以下技术方案得以实现的:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于公路监控视频的车道流量检测方法的步骤。
综上所述,本申请包括以下至少一种有益技术效果:
1、由于道路上的车道,在长期使用的过程中会产生磨损,或者受天气原因导致车道模糊,因此会对每条车道上统计车流量时造成影响,因此,通过获取监控视频,根据需要对其进行车道流量检测的车道,从该车道上的视频摄像机或监控设备等带有录制视频功能的设备中获取监控视频,对获取到的监控视频进行拆分,得到监控视频中每一帧的图像,并对该图像进行分析,识别出该图像中的车道位置,再根据车道位置,在该图像中以绘制的方式,沿车道边沿描绘出车道的具体范围的方框,得到车道图像,对标记了车道的车道图像进行车辆特征识别,识别的方式可以是一种名为YOLOv3的目标检测算法,识别出车道图像中的车辆,得到对所述车道图像进行车辆特征识别,根据识别结果获得目标车辆特征,根据目标车辆特征和车道图像,判断车辆位于哪条车道,判断方式可以是土地信息学算法中的射线法,进而判断出每条车道的车流量,因此,通过识别车辆再判断车辆所属的车道,进而检测车道流量,降低了检测车道流量时容易受到干扰进而导致准确率不够理想的概率,提高了车道流量检测的准确率;
2、对车道图像进行车辆特征识别后,根据特征识别的结果,得到车辆特征,车道图像中的车辆特征可以是通过标记框的方式,在车道图像中框选出的识别到的车辆,将所有的车道图像中的所有车辆特征进行分类,将相同的车辆特征进行关联,形成相同车辆特征组,再对相同车辆特征组内的车辆特征标记上绑定标签,将车辆特征与对应的绑定标签关联,得到目标车辆特征,因此,利用计算机等设备通过识别判断图像中的汽车的属性分析车道图像识别出车辆的方式,提高了识别图像中的车辆的效率,识别出的车辆以标记框框选车辆且标记绑定标签,便于后序对车辆流量的检测和统计,提高了车道流量检测的效率;
3、由于本发明的目的一是检测车道流量,而车辆在行驶时会出现变道的情况,因此,通过预设的车道判断系数将所有的车道图像从第一帧的车道图像开始分组,得到车道流量判断图像组,车道流量判断图像组中包含对应预设的车道判断系数的数量的车道图像,车道图像中包含车辆流量信息组,判断车道流量判断图像组中的同一目标车辆特征对应的车辆流量信息组包含的车辆所属车道信息是否相同,若判断结果为相同,则可以认为该车道上经过了一辆车,则记录该目标车辆特征对应的车辆所属车道信息并计数,通过所有车辆所属车道信息对应的计数数量和对应的车辆所属车道信息,得到每个车道的流量数,若判断结果为不相同,则对同一目标车辆特征对应的所属车道信息计数,对同一目标车辆特征对应的所属车道信息最多的,可以认为该目标车辆特征对应的所述车道信息对应的车道上经过了一辆车,则记录该目标车辆特征对应的车辆所属车道信息并计数,因此,通过每个车辆所属车道信息对应的计数数量,得到每个车道的流量数,将判断结果为相同时记录的流量数和判断结果为不相同时记录的流量数相加,得到每个车道的车辆流量,通过预设的车道判断系数对车辆的变道和不变道的情况进行区分,并分别统计不同情况时的流量数,避免了车辆在车道上多次变道而导致对流量的检测结果不准确的情况,提高了检测车道流量的准确率。
附图说明
图1是本申请实施例中基于公路监控的车道流量检测方法的一流程图;
图2是本申请实施例中基于公路监控的车道流量检测方法的S20的实现流程图;
图3是本申请实施例中基于公路监控的车道流量检测方法的S24的实现流程图;
图4是本申请实施例中基于公路监控的车道流量检测方法的S30的实现流程图;
图5是本申请实施例中基于公路监控的车道流量检测方法的S40的部分实现流程图;
图6是本申请实施例中基于公路监控的车道流量检测方法的判断车辆所属车道的示意图;
图7是本申请实施例中基于公路监控的车道流量检测方法的S40的部分实现流程图;
图8是本申请实施例中基于公路监控的车道流量检测装置的一原理框图;
图9是本申请实施例中基于公路监控的车道流量检测计算机设备的内部结构图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
在一实施例中,如图1所示,本申请公开了基于公路监控的车道流量检测方法,具体包括如下步骤:
S10:获取监控视频,从监控视频中获取视频关键帧图像,根据视频关键帧图像,绘制车道图像,其中,所述车道图像是指在所述视频关键帧图像上标记出车道范围后的图像。
在本实施例中,监控视频是指对公路进行监控录制所得的录像视频。视频关键帧图像是指监控视频每一帧的图像。车道图像是指在视频关键帧图像上绘制出车道范围后的图像。
具体地,从需要进行车道流量检测的公路区域所安装的监控设备等可以录制视频的录像设备上,获取该录像设备所录制的视频,即监控视频,将该监控视频进行分帧,逐帧分解为该监控视频每一帧的图像,得到视频关键帧图像,再对视频关键帧图像进行分析判断,绘制出视频关键帧图像中显示的每个车道的范围,在本实施例中,绘制的方式是通过图像编辑的方式以实线沿车道线在视频关键帧图像上画出车道的方框,得到车道图像。
进一步的,本实施例的监控视频为录像设备处于固定状态下所录制的视频,因此,监控视频包含的范围是固定不变的,则每个车道图像中的车道范围也是相同的。
S20:对携带有目标车辆的车道图像进行车辆特征识别,根据识别结果获得目标车辆特征。
在本实施例中,目标车辆特征是指车道图像中判断为车辆的用于车道流量检测的标记。
具体地,对携带有目标车辆的车道图像进行车辆特征识别,以判断车道图像中包含的车辆图像,进而判断出在车道上的车辆,在本实施例中,识别的方式是通过YOLOv3算法识别车道图像中的车辆的特征,根据识别的结果,标记出车辆在车道图像上位置,得到目标车辆特征,在本实施例中,标记的方式是通过标记框的方式,在车道图像中框选出的识别到的车辆。
在本实施例中,YOLOv3算法的基本原理为将图像分为多个网格,在每个网格预测出该网格内是否存在目标以及目标的位置和类别,在本实施例中,通过YOLOv3算法,将车道图像分为多个网格,在每个网格预测出该网格内是否存在车辆以及车辆的位置和类别。
S30:根据目标车辆特征,获取目标车辆特征的车道判断位置信息。
在本实施例中,车道判断位置信息是指用于判断目标车辆特征所属车道的目标车辆特征的具体位置信息。
具体地,根据车道图像以及在车道图像上的目标车辆特征,分析获得目标车辆特征在车道图像上的位置,根据目标车辆特征在车道图像上的位置,获取能够用于判断目标车辆特征所属车道的具体位置信息,即车道判断位置信息,在本实施例中,车道判断位置信息是在目标车辆特征通过标记框的方式,在车道图像中框选出的识别到的车辆时,该标记框的中心点 。
S40:根据车道判断位置信息和车道图像,获取车辆流量信息组,根据车辆流量信息组,获取车道流量。
在本实施例中,车辆流量信息组是指包含车道图像,以及目标车辆特征所属车道信息的信息组合。车道流量是指车道的车辆流量。
具体地,根据目标车辆特征对应的车道判断位置信息和该目标车辆特征所在的车道图像,判断该目标车辆特征所代表的车辆所属的车道,将判断的结果关联该车道图像,得到车辆流量信息组,在本实施例中,判断的方式是土地信息学算法中的射线法,射线法的基本原理为从一端点引出射线,根据该射线与多边形的交点的数量,判断该端点是否位于该多边形的区域内,因此,在本实施例中,射线法的射线的端点是车道判断位置信息,射线法中的多边形是车道图像上的表示车道的范围的车道方框,再根据各车辆流量信息组中的判断目标车辆特征所代表的车辆所属的车道信息,得到每条车道的车辆流量。
在一实施例中,如图2所示,在步骤S20中,对携带有目标车辆的车道图像进行车辆特征识别,根据识别结果获得目标车辆特征,具体包括:
S21:根据特征识别结果,从车道图像中获取车辆特征。
在本实施例中,车辆特征是指车道图像上通过特征识别被识别为车辆的标记。
具体地,根据特征识别的结果,在识别判断为有车辆的车道图像上,标记出通过特征识别被识别为车辆的部分在车道图像上的位置,得到车辆特征,标记的方式是通过标记框的方式,在车道图像中框选出在车道图像上的通过特征识别被识别为车辆的部分。
S22:识别车辆特征,关联相同的车辆特征,得到相同车辆特征组。
在本实施例中,相同车辆特征组是指包含相同的车辆特征的信息组。
具体地,在获取到车辆特征后,对所有车道图像上的车辆特征进行对比辨别,关联相同的车辆特征,得到相同车辆特征组。
进一步地,由于车道图像是对监控视频的逐帧分解得到的,在一张车道图像中同一车辆特征应当只会出现一次,因此,在同一车道图像上获取的通过对比辨别得到的多个相同车辆特征,根据对比辨别的顺序,将首先进行对比辨别的车辆特征与其他车道图像上的相同车辆特征关联。
S23:标记相同车辆特征组内的车辆特征相同的绑定标签。
在本实施例中,绑定标签是指用于区别不同的车辆特征的标签信息。
具体地,相同车辆特征组内的车辆特征均为相同的车辆特征,对一个相同车辆特征组内的车辆特征标记一种绑定标签,而各不同的相同车辆特征组所对应的绑定标签不同,因此,各不同的车辆特征所对应的绑定标签也不相同。
S24:将绑定标签与对应的车辆特征进行匹配关联,获得目标车辆特征。
具体地,将车辆特征和与该车辆特征对应的绑定标签关联,得到目标车辆特征,因此,每个相同的目标车辆特征所关联的绑定标签也是相同的。
在一实施例中,如图3所示,在步骤S23中,标记相同车辆特征组内的车辆特征相同的绑定标签,具体包括:
S231:对相同车辆特征组内的车辆特征标记临时标签。
在本实施例中,临时标签是指用于判断车辆特征是否为所需的车辆特征的标签信息。
具体地,由于在对车道图像进行特征识别时,可能会受到图像中的非车辆的物体信息的干扰,进而导致出现特征识别判断该物体为车辆但实际并非车辆的情况,因此,通过对相同车辆特征组内的车辆特征标记临时标签,后续经过判断该车辆特征所代表的物体是车辆时,将临时标签作为绑定标签,提高车道流量检测的准确率。
S232:统计相同车辆特征组内的临时标签的数量。
具体地,对相同车辆特征组内的所有车辆特征的临时标签计数,得到所有相同车辆特征组的临时标签的数量。
S233:将相同车辆特征组内的临时标签的数量与预设的计数阈值对比,筛选获得临时标签的数量大于预设的计数阈值的相同车辆特征组,将该相同车辆特征组内的临时标签作为绑定标签。
在本实施例中,预设的计数阈值是指通过临时标签的数量判断车辆特征代表的物体为车辆的最小值。
具体地,在对车道图像进行特征识别时,可能会受到图像中的非车辆的物体信息干扰,例如,在车道图像上的生物或漂浮的塑料垃圾等,而一般正常行驶的车辆在监控视频的所有车道图像中出现的次数比干扰物出现的次数多,因此,通过将相同车辆特征组内的临时标签的数量与预设的计数阈值对比,筛选临时标签的数量大于预设的计数阈值的相同车辆特征组,将该相同车辆特征组内的临时标签作为绑定标签,提高车道流量检测准确率。
进一步的,车辆特征所对应的是临时标签,而目标车辆特征所对应的是绑定标签,因此,目标车辆特征是经过筛选后的车辆特征,车辆特征是通过标记框的方式,在车道图像中框选出在车道图像上的通过特征识别被识别为车辆的部分,则目标车辆特征是根据车辆特征进行判断筛选后判断为车辆的标记框的形式。
在一实施例中,如图4所示,在步骤S30中,根据目标车辆特征,获取目标车辆特征的车道判断位置信息,具体包括;
S31:根据目标车辆特征,获取目标车辆特征的位置信息。
在本实施例中,目标车辆特征的位置信息是指目标车辆特征在车道图像上的位置信息。
具体地,根据目标车辆特征,结合车道图像,获取在车道图像上的每一个目标车辆特征的位置信息,例如,当目标车辆特征是通过标记框的方式,在车道图像中框选出的识别到的车辆时,目标车辆特征的位置信息即是该标记框在图像上的位置信息,包括根据以车道图像的底边为X轴、左边为Y轴形成的坐标系得到的该标记框的长度、宽度和该标记框左上角的坐标信息。
S32:根据目标车辆特征的位置信息,获取目标车辆特征的车道判断位置信息。
具体地,根据目标车辆特征的位置信息,得到用于判断目标车辆特征所属车道的车道判断位置信息,例如,当目标车辆特征是通过标记框的方式,在车道图像中框选出的识别到的车辆,目标车辆特征的位置信息为根据以车道图像的底边为X轴、左边为Y轴形成的坐标系得到的该标记框的长度、宽度和该标记框左上角的坐标信息时,目标车辆特征的车道判断位置信息则是根据目标车辆特征的位置信息计算得到的该标记框底部中点的坐标。
在一实施例中,如图5所示,在步骤S40中,根据车道判断位置信息和车道图像,获取车辆流量信息组,具体包括:
S41:根据车道判断位置信息和车道图像,获取车辆所属车道信息。
在本实施例中,车辆所属车道信息是指判断得到的车辆所在的具体车道的信息。
具体地,根据目标车辆特征对应的车道判断位置信息,结合该目标车辆特征所在的车道图像,判断得到目标车辆特征所在车道的信息,即车辆所属车道信息,例如,当目标车辆特征是通过标记框的方式,在车道图像中框选出的识别到的车辆,而目标车辆特征的车道判断位置信息是该标记框底部中点的坐标时,如图6所示,在本实施例中,判断目标车辆特征代表的车辆所在的具体车道的方式是土地信息学算法中的射线法,当使用射线法时,将车道图像中的表示车道的车道方框从左到右按顺序以阿拉伯数字的形式排序,并以该方框底部中点的坐标为端点形成水平扫描射线或垂直射线,再计算射线与表示车道的车道方框的相交次数,如果相交次数是奇数,则认为目标车辆特征代表的车辆在车道内;如果是偶数,则认为目标车辆特征代表的车辆在车道外。
S42:将车道图像中的车辆所属车道信息与对应的目标车辆特征匹配关联,获取车辆流量信息组。
具体地,将车道图像中的车辆所属车道信息和与该车辆所属车道信息对应的目标车辆特征匹配关联,得到车辆流量信息组。
在一实施例中,如图7所示,在步骤S40中,根据车辆流量信息组,获取车道流量,具体包括:
S43:获取预设的车道判断系数,根据预设的车道判断系数,划分对应数量的车道图像,得到车道流量判断图像组。
在本实施例中,预设的车道判断系数是指用于划分车道图像的数值。车道流量判断图像组是指用于根据车道图像判断车道流量的图像组合。
具体地,本实施例提供的基于公路监控视频的车道流量检测方法用于检测车道流量,但是车辆在行驶时会出现变道的情况,因此,获取预设的车道判断系数,根据该预设的车道判断系数,划分出对应该预设的车道判断系数数量的车道图像,得到车道流量判断图像组。
S44:判断车道流量判断图像组中的车道图像中,包含同一目标车辆特征的车辆流量信息组对应的车辆所属车道信息是否相同。
具体地,根据车道流量判断图像组,判断该图像组的车道图像中,包含同一目标车辆特征的车辆流量信息组对应的车辆所属车道信息是否相同。
S45:若判断相同,提取该所车辆流量信息组对应的车辆所属车道信息,记录该车辆所属车道信息并计流量数。
具体地,当判断车道流量判断图像组的车道图像中,包含同一目标车辆特征的车辆流量信息组对应的车辆所属车道信息均相同时,记录该车辆所属车道信息,并计数为流量数。
S46:若判断为不相同,提取包含同一目标车辆特征的车辆流量信息组对应的车辆所属车道信息并计数,根据计数结果,提取同一目标车辆特征对应的车辆所属车道信息最多的车辆所属车道信息,记录该车辆所属车道信息并计流量数。
具体地,当判断车道流量判断图像组的车道图像中,包含同一目标车辆特征的车辆流量信息组对应的车辆所属车道信息不相同时,提取每个包含同一目标车辆特征的车辆流量信息组对应的不同的车辆所属车道信息,并计数每种不同的车辆所属车道信息,根据计数的结果,提取计数结果为同一目标车辆特征对应的车辆所属车道信息最多的车辆所属车道信息,记录该车辆所属车道信息,并计数为流量数。
S47:根据流量数,获取车道流量。
具体地,将判断车道流量判断图像组的车道图像中,包含同一目标车辆特征的车辆流量信息组对应的车辆所属车道信息均相同和不相同时的计数为流量数的数值相加,得到车道的流量数。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一实施例中,提供基于公路监控的车道流量检测装置,该基于公路监控的车道流量检测装置与上述实施例中基于公路监控的车道流量检测方法一一对应。如图8所示,该基于公路监控的车道流量检测装置包括车道图像获取模块、目标车辆特征获取模块、车道判断模块和车道流量获取模块。各功能模块详细说明如下:
车道图像绘制模块,用于获取监控视频,从监控视频中获取视频关键帧图像,根据视频关键帧图像,绘制车道图像,其中,车道图像是指在视频关键帧图像上标记出车道范围后的图像。
目标车辆特征获取模块,用于对携带有目标车辆的车道图像进行车辆特征识别,根据识别结果获得目标车辆特征。
车道判断模块,用于根据目标车辆特征,获取目标车辆特征的车道判断位置信息。
车道流量获取模块,用于根据车道判断位置信息和车道图像,获取车辆流量信息组,根据车辆流量信息组,获取车道流量。
可选的,目标车辆特征获取模块包括:
车辆特征获取子模块,用于根据特征识别结果,从车道图像中获取车辆特征;
相同车辆特征组获取子模块,用于识别车辆特征,关联相同的车辆特征,得到相同车辆特征组;
标记绑定标签子模块,用于标记相同车辆特征组内的车辆特征相同的绑定标签;
绑定标签关联子模块,用于将绑定标签与对应的车辆特征进行匹配关联,获得目标车辆特征。
可选的,标记绑定标签子模块包括:
标记临时标签单元,用于对相同车辆特征组内的车辆特征标记临时标签;
临时标签计数单元,用于统计相同车辆特征组内的临时标签的数量;
绑定标签筛选单元,用于将相同车辆特征组内的临时标签的数量与预设的计数阈值对比,筛选临时标签的数量大于预设的计数阈值的相同车辆特征组,将该相同车辆特征组内的临时标签作为绑定标签。
可选的,车道判断模块包括:
特征位置信息获取子模块,用于根据目标车辆特征,获取目标车辆特征的位置信息;
特征车道判断位置获取子模块,用于根据目标车辆特征的位置信息,获取目标车辆特征的车道判断位置信息。
可选的,车道流量获取模块包括:
车辆所属车道信息信息获取子模块,用于根据车道判断位置信息和车道图像,获取车辆所属车道信息;
车辆流量信息组获取子模块,用于将车道图像中的车辆所属车道信息与对应的目标车辆特征匹配关联,获取车辆流量信息组。
可选的,车道流量获取模块还包括:
车道流量判断图像组划分子模块,用于获取预设的车道判断系数,根据预设的车道判断系数,划分对应数量的车道图像,得到车道流量判断图像组;
车辆所属车道信息判断模块,用于判断车道流量判断图像组中的车道图像中,包含同一目标车辆特征的车辆流量信息组对应的车辆所属车道信息是否相同;
判断相同记录计数子模块,用于若判断相同,提取该所车辆流量信息组对应的车辆所属车道信息,记录该车辆所属车道信息并计流量数;
判断不同记录计数子模块,用于若判断为不相同,提取包含同一目标车辆特征的车辆流量信息组对应的车辆所属车道信息并计数,根据计数结果,提取同一目标车辆特征对应的车辆所属车道信息最多的车辆所属车道信息,记录该车辆所属车道信息并计流量数;
流量数相加子模块,用于根据流量数,获取车道流量。
关于基于公路监控的车道流量检测装置的具体限定可以参见上文中对于基于公路监控视频的车道流量检测方法的限定,在此不再赘述。上述基于公路监控的车道流量检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存车道图像、相同车辆特征组、目标车辆特征、车道判断位置信息、车辆流量信息组、车辆识别属性等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于公路监控的车道流量检测方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取监控视频,从监控视频中获取视频关键帧图像,根据视频关键帧图像,绘制车道图像,其中,所述车道图像是指在所述视频关键帧图像上标记出车道范围后的图像;
对携带有目标车辆的车道图像进行车辆特征识别,根据识别结果获得目标车辆特征;
根据目标车辆特征,获取目标车辆特征的车道判断位置信息;
根据车道判断位置信息和车道图像,获取车辆流量信息组,根据车辆流量信息组,获取车道流量。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取监控视频,从监控视频中获取视频关键帧图像,根据视频关键帧图像,绘制车道图像,其中,所述车道图像是指在所述视频关键帧图像上标记出车道范围后的图像;
对携带有目标车辆的车道图像进行车辆特征识别,根据识别结果获得目标车辆特征;
根据目标车辆特征,获取目标车辆特征的车道判断位置信息;
根据车道判断位置信息和车道图像,获取车辆流量信息组,根据车辆流量信息组,获取车道流量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (7)
1.基于公路监控的车道流量检测方法,其特征在于,所述基于公路监控的车道流量检测方法包括:
获取监控视频,从所述监控视频中获取视频关键帧图像,根据所述视频关键帧图像,绘制车道图像,其中,所述车道图像是指在所述视频关键帧图像上标记出车道范围后的图像;
对携带有目标车辆的所述车道图像进行车辆特征识别,根据识别结果获得目标车辆特征,具体包括:
根据所述特征识别结果,从所述车道图像中获取车辆特征;
识别所述车辆特征,关联相同的所述车辆特征,得到相同车辆特征组;
标记所述相同车辆特征组内的所述车辆特征相同的绑定标签,具体包括:
对所述相同车辆特征组内的所述车辆特征标记临时标签;
统计所述相同车辆特征组内的所述临时标签的数量;
将所述相同车辆特征组内的所述临时标签的数量与预设的计数阈值对比,筛选所述临时标签的数量大于预设的计数阈值的所述相同车辆特征组,将该所述相同车辆特征组内的所述临时标签作为绑定标签;
将所述绑定标签与对应的所述车辆特征进行匹配关联,获得目标车辆特征;
根据所述目标车辆特征,获取所述目标车辆特征的车道判断位置信息;
根据所述车道判断位置信息和所述车道图像,获取车辆流量信息组,根据所述车辆流量信息组,获取车道流量。
2.根据权利要求1所述的基于公路监控的车道流量检测方法,其特征在于,所述根据所述目标车辆特征,获取所述目标车辆特征的车道判断位置信息,具体包括;
根据所述目标车辆特征,获取所述目标车辆特征的位置信息;
根据所述目标车辆特征的位置信息,获取所述目标车辆特征的车道判断位置信息。
3.根据权利要求1所述的基于公路监控的车道流量检测方法,其特征在于,所述根据所述车道判断位置信息和所述车道图像,获取车辆流量信息组,具体包括:
根据所述车道判断位置信息和所述车道图像,获取车辆所属车道信息;
将所述车道图像中的所述车辆所属车道信息与对应的所述目标车辆特征匹配关联,获取车辆流量信息组。
4.根据权利要求3所述的基于公路监控的车道流量检测方法,其特征在于,所述根据所述车辆流量信息组,获取车道流量,具体包括:
获取预设的车道判断系数,根据所述预设的车道判断系数,划分对应数量的所述车道图像,得到车道流量判断图像组;
判断所述车道流量判断图像组中的所述车道图像中,包含同一所述目标车辆特征的所述车辆流量信息组对应的所述车辆所属车道信息是否相同;
若判断相同,提取该所述车辆流量信息组对应的所述车辆所属车道信息,记录该所述车辆所属车道信息并计流量数;
若判断为不相同,提取包含同一所述目标车辆特征的所述车辆流量信息组对应的所述车辆所属车道信息并计数,根据计数结果,提取同一所述目标车辆特征对应的所述车辆所属车道信息最多的所述车辆所属车道信息,记录该所述车辆所属车道信息并计流量数;
根据所述流量数,获取车道流量。
5.基于公路监控的车道流量检测装置,其特征在于,所述基于公路监控视频的车道流量检测装置包括:
车道图像绘制模块,用于获取监控视频,从所述监控视频中获取视频关键帧图像,根据所述视频关键帧图像,绘制车道图像,其中,所述车道图像是指在所述视频关键帧图像上标记出车道范围后的图像;
目标车辆特征获取模块,用于对携带有目标车辆的所述车道图像进行车辆特征识别,根据识别结果获得目标车辆特征,所述目标车辆特征获取模块包括:
车辆特征获取子模块,用于根据所述特征识别结果,从所述车道图像中获取车辆特征;
相同车辆特征组获取子模块,用于识别所述车辆特征,关联相同的所述车辆特征,得到相同车辆特征组;
标记绑定标签子模块,用于标记所述相同车辆特征组内的所述车辆特征相同的绑定标签,标记绑定标签子模块包括:
标记临时标签单元,用于对相同车辆特征组内的车辆特征标记临时标签;
临时标签计数单元,用于统计相同车辆特征组内的临时标签的数量;
绑定标签筛选单元,用于将相同车辆特征组内的临时标签的数量与预设的计数阈值对比,筛选临时标签的数量大于预设的计数阈值的相同车辆特征组,将该相同车辆特征组内的临时标签作为绑定标签;
绑定标签关联子模块,用于将所述绑定标签与对应的所述车辆特征进行匹配关联,获得目标车辆特征;
车道判断模块,用于根据所述目标车辆特征,获取所述目标车辆特征的车道判断位置信息;
车道流量获取模块,用于根据所述车道判断位置信息和所述车道图像,获取车辆流量信息组,根据所述车辆流量信息组,获取车道流量。
6.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述基于公路监控视频的车道流量检测方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于公路监控视频的车道流量检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310949880.6A CN116863711B (zh) | 2023-07-29 | 2023-07-29 | 基于公路监控的车道流量检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310949880.6A CN116863711B (zh) | 2023-07-29 | 2023-07-29 | 基于公路监控的车道流量检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116863711A CN116863711A (zh) | 2023-10-10 |
CN116863711B true CN116863711B (zh) | 2024-03-29 |
Family
ID=88228583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310949880.6A Active CN116863711B (zh) | 2023-07-29 | 2023-07-29 | 基于公路监控的车道流量检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116863711B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117516584B (zh) * | 2024-01-05 | 2024-04-05 | 每日互动股份有限公司 | 一种预测行驶路径信息的获取方法、装置、介质及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100134206A (ko) * | 2009-06-15 | 2010-12-23 | (주) 알티솔루션 | 영상기반의 비검지식 차량 인식 시스템 및 차량 인식방법 |
CN109859468A (zh) * | 2019-01-30 | 2019-06-07 | 淮阴工学院 | 基于YOLOv3的多车道车流量计数及车辆跟踪方法 |
CN110718061A (zh) * | 2019-10-17 | 2020-01-21 | 长沙理工大学 | 交通路口车流量统计方法、装置、存储介质及电子设备 |
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 |
WO2021142944A1 (zh) * | 2020-01-13 | 2021-07-22 | 南京新一代人工智能研究院有限公司 | 车辆行为识别方法、装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10733876B2 (en) * | 2017-04-05 | 2020-08-04 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
-
2023
- 2023-07-29 CN CN202310949880.6A patent/CN116863711B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100134206A (ko) * | 2009-06-15 | 2010-12-23 | (주) 알티솔루션 | 영상기반의 비검지식 차량 인식 시스템 및 차량 인식방법 |
CN109859468A (zh) * | 2019-01-30 | 2019-06-07 | 淮阴工学院 | 基于YOLOv3的多车道车流量计数及车辆跟踪方法 |
CN110718061A (zh) * | 2019-10-17 | 2020-01-21 | 长沙理工大学 | 交通路口车流量统计方法、装置、存储介质及电子设备 |
WO2021142944A1 (zh) * | 2020-01-13 | 2021-07-22 | 南京新一代人工智能研究院有限公司 | 车辆行为识别方法、装置 |
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 |
Non-Patent Citations (1)
Title |
---|
智能交通系统中基于机器视觉的交通流量统计研究;彭智;《中国优秀硕士学位论文全文数据库 工程科技编Ⅱ辑》;C034-117 * |
Also Published As
Publication number | Publication date |
---|---|
CN116863711A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Survey on performance of deep learning models for detecting road damages using multiple dashcam image resources | |
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN109637151B (zh) | 一种高速公路应急车道违章行驶的识别方法 | |
CN109583280A (zh) | 车道线识别方法、装置、设备及存储介质 | |
CN116863711B (zh) | 基于公路监控的车道流量检测方法、装置、设备及介质 | |
CN109344886B (zh) | 基于卷积神经网络的遮挡号牌判别方法 | |
CN107591005B (zh) | 动静态检测相结合的停车区域管理方法、服务器及系统 | |
CN110276295B (zh) | 车辆识别号码检测识别方法及设备 | |
CN110910353B (zh) | 一种工业假不良检测方法及系统 | |
CN106951898B (zh) | 一种车辆候选区域推荐方法及系统、电子设备 | |
CN105321350A (zh) | 套牌车检测方法及装置 | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
CN113781537B (zh) | 一种轨道弹条扣件缺陷识别方法、装置和计算机设备 | |
CN110598999B (zh) | 基于个体数据的交通出行分析方法、系统及存储介质 | |
CN112541372A (zh) | 一种困难样本筛选方法及装置 | |
CN111488808A (zh) | 基于交通违法图像数据的车道线检测方法 | |
CN105354529A (zh) | 一种车辆逆行的检测方法及装置 | |
CN111881752B (zh) | 一种护栏检测分类方法、装置、电子设备及存储介质 | |
CN115294774B (zh) | 基于深度学习的非机动车道路违停检测方法及装置 | |
CN114926817B (zh) | 识别车位的方法、装置、电子设备和计算机可读存储介质 | |
CN111160183A (zh) | 一种车辆闯红灯检测方法及装置 | |
CN111402185A (zh) | 一种图像检测方法及装置 | |
CN113743316A (zh) | 基于目标检测的车辆加塞行为识别方法、系统及装置 | |
CN109145424B (zh) | 一种针对探地雷达数据的桥梁数据识别方法及系统 | |
CN110414386A (zh) | 基于改进scnn网络的车道线检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |