CN116884236B - 交通流量采集设备和交通流量采集方法 - Google Patents
交通流量采集设备和交通流量采集方法 Download PDFInfo
- Publication number
- CN116884236B CN116884236B CN202310760298.5A CN202310760298A CN116884236B CN 116884236 B CN116884236 B CN 116884236B CN 202310760298 A CN202310760298 A CN 202310760298A CN 116884236 B CN116884236 B CN 116884236B
- Authority
- CN
- China
- Prior art keywords
- image
- traffic flow
- road
- target
- information
- 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 35
- 230000005540 biological transmission Effects 0.000 claims abstract description 45
- 238000004891 communication Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 44
- 238000001514 detection method Methods 0.000 claims description 28
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 12
- 238000004146 energy storage Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 24
- 239000002245 particle Substances 0.000 description 9
- 239000002699 waste material Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001292396 Cirrhitidae Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了交通流量采集设备和交通流量采集方法。该设备的一具体实施方式包括：摄像装置、无线传输装置和调试装置，其中，摄像装置包括：全景摄像机、信号转换器、通用输入输出接口组件；摄像装置包括的全景摄像机与信号转换器电路连接；摄像装置包括的信号转换器与通用输入输出接口组件电路连接；摄像装置包括的通用输入输出接口组件与无线传输装置电路连接；无线传输装置与调试装置通讯连接。该实施方式提高了施工的安全度。
Description
技术领域
本公开的实施例涉及交通管理领域，具体涉及交通流量采集设备和交通流量采集方法。
背景技术
在交通管理时，实时采集的交通流量信息，可以及时地了解交通状况。目前，在进行交通流量信息采集时，通常采用的方式为：使用焊接的方式将枪式摄像头安装在交通设备上，通过离线调试的方法，设定摄像头的关注区域以及人工对枪式摄像头的角度进行调整，通过调整后的摄像头对双向车道的行驶车辆进行计数以得到车流量信息。
然而，发明人发现，当采用上述方式采集交通流量信息时，经常会存在如下技术问题：
第一，由于交通流量采集设备的摄像头安装在高处，离线调试的方式，需要将试运行一段时间后的枪式摄像头取下，连接上调试装置以对枪式摄像头进行调试，然后再将调试后的枪式摄像头安装回交通设备，需要施工人员反复地对摄像头进行拆卸和调整摄像头的角度，增加了施工人员的高空作业时间，从而导致施工安全度降低；
第二，由于交通流量采集设备的摄像头安装在高处，使用焊接安装的方式，在交通流量采集设备出现故障时，难以及时对交通流量采集设备进行拆卸与回收，从而，导致了交通流量采集设备的灵活度降低；
第三，对双向车道的行驶车辆进行计数的方式，需要生成车辆的行驶轨迹以确定拍摄中的行驶车辆的行驶方向，而车流量信息并不需要车辆的行驶轨迹信息，从而，占用了摄像装置包括的摄像处理器的计算资源(例如，中央处理器)，进而，导致了摄像处理器的计算资源的浪费；
第四，通过采集的视频直接对车辆进行计数，未对图像进行预处理，也未对车辆的种类信息进行检测与识别，导致采集到的车流量信息的准确度降低。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了交通流量采集设备和交通流量采集方法，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种交通流量采集设备，该交通流量采集设备包括：摄像装置、无线传输装置和调试装置，其中，上述摄像装置包括：全景摄像机、信号转换器、通用输入输出接口组件；上述摄像装置包括的全景摄像机与信号转换器电路连接；上述摄像装置包括的信号转换器与通用输入输出接口组件电路连接；上述摄像装置包括的通用输入输出接口组件与上述无线传输装置电路连接；上述无线传输装置与上述调试装置通讯连接。
可选地，上述摄像装置还包括：摄像处理器和只读存储器；上述摄像处理器与上述只读存储器通讯连接；上述摄像处理器与上述输入输出接口组件电路连接，其中，上述摄像处理器用于对上述全景摄像机拍摄的单向道路视频进行车流量检测处理，以生成车流量信息。
可选地，上述交通流量采集设备还包括：太阳能电池板、储能电池和存储终端；上述太阳能电池板与上述储能电池电路连接，其中，上述太阳能电池板和上述储能电池用于为上述交通流量采集设备供电；上述存储终端与上述输入输出接口组件电路连接，其中，上述存储终端用于存储上述车流量信息。
可选地，上述交通流量采集设备还包括：快拆扣；上述快拆扣安装于上述交通流量采集设备的底部，其中，上述快拆扣用于将上述交通流量采集设备安装在交通设备上。
可选地，上述调试装置包括：无线通信装置，数据转换装置，调试控制器；上述无线通信装置与上述无线传输装置通讯连接；上述数据转换装置与上述无线通信装置电路连接；上述数据转换装置与上述调试控制器电路连接。
第二方面，本公开的一些实施例提供了一种交通流量采集方法，该交通流量采集方法包括：摄像装置采集单向道路视频信息，以及将上述单向道路视频信息通过无线传输装置发送至调试装置；上述调试装置对上述单向道路视频信息进行调试处理，得到目标道路区域集，以及将上述目标道路区域集发送至上述摄像装置；上述摄像装置对于上述目标道路区域集中的每个目标道路区域，基于上述目标道路区域，对上述单向道路视频信息进行车流量检测处理，以生成车流量信息；上述摄像装置将所生成的各个车流量信息存储至存储终端，以及将所生成的各个车流量信息通过无线传输装置发送至云服务器以供执行存储操作。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的交通流量采集设备，包括摄像装置、无线传输装置和调试装置。其中，上述摄像装置包括：全景摄像机、信号转换器、通用输入输出接口组件。上述摄像装置包括的全景摄像机与信号转换器电路连接。上述摄像装置包括的信号转换器与通用输入输出接口组件电路连接。上述摄像装置包括的通用输入输出接口组件与上述无线传输装置电路连接。上述无线传输装置与上述调试装置通讯连接。因此，上述交通流量采集设备可以使用无线传输装置将摄像装置采集的视频信息通过无线传输发送至调试装置，并通过无线传输的方式从调试装置接收关注区域，无需将摄像头取下以进行调试，以及由于使用了全景摄像机，因此无需对摄像机的角度进行调整，由此，可以无需施工人员对摄像装置进行调整，减少了施工人员的高空作业时间，从而，可以提高施工的安全度。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的交通流量采集设备的一些实施例的结构示意图；
图2是根据本公开的交通流量采集设备的调试装置的结构示意图；
图3是根据本公开交通流量采集方法的一些实施例的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
首先，请参见图1，图1示出了根据本公开的交通流量采集设备的一些实施例的结构示意图。如图1所示，上述交通流量采集设备包括：摄像装置1、无线传输装置2和调试装置3。其中，上述无线传输装置2可以是用于上述摄像装置1和上述调试装置3进行通信的中央网关。
在一些实施例中，上述摄像装置1包括：全景摄像机11、信号转换器12、通用输入输出接口组件13。其中，上述全景摄像机11可以是用于拍摄全景视频的摄像头。上述信号转换器12可以是ADC(analog-to-digital converter，模数转换器)。上述信号转换器12可以用于将上述全景摄像机11采集到的模拟信号转换为数字信号。上述通用输入输出接口组件13中的通用输入输出接口可以是GPIO(General-purpose input/output，通用型之输入输出)接口。
可选地，上述摄像装置1还包括：摄像处理器14和只读存储器15。上述摄像处理器14与上述只读存储器15通讯连接。上述摄像处理器14与上述输入输出接口组件13电路连接。其中，上述摄像处理器14可以用于对上述全景摄像机11拍摄的单向道路视频进行车流量检测处理，以生成车流量信息。上述只读存储器15可以是ROM(Read-Only Memory，只读存储器)。上述摄像处理器14可以是计算芯片。
作为示例，上述计算芯片可以是但不限于以下至少一项：CPU(CentralProcessing Unit，中央处理器)或GPU(Graphics Processing Unit，图形处理器)。
上述摄像装置1包括的全景摄像机11与信号转换器12电路连接。
上述摄像装置1包括的信号转换器12与通用输入输出接口组件13电路连接。
上述摄像装置1包括的通用输入输出接口组件13与上述无线传输装置2电路连接。
上述无线传输装置2与上述调试装置3通讯连接。
接下来结合图2和图1对上述调试装置3进行说明。图2是根据本公开的交通流量采集设备的调试装置3的结构示意图。如图2所示，上述调试装置3包括：无线通信装置31，数据转换装置32，调试控制器33。上述无线通信装置31与上述无线传输装置2通讯连接。上述数据转换装置32与上述无线通信装置31电路连接。上述数据转换装置32与上述调试控制器33电路连接。其中，上述无线通信装置31可以是用于接收上述摄像装置1发送的单向道路视频信息的中央网关。上述数据转换装置32可以是视频采集芯片，用于对上述单向道路视频信息进行压缩，以及将压缩后的单向道路视频信息输入至上述调试控制器33。上述调试控制器33可以是计算芯片。
作为示例，上述计算芯片可以是但不限于以下至少一项：CPU(CentralProcessing Unit，中央处理器)或GPU(Graphics Processing Unit，图形处理器)。
实践中，上述调试装置3可以被配置成执行以下步骤：
第一步，对上述单向道路视频信息进行格式转换处理，得到目标单向道路视频信息。其中，上述调试装置3包括的数据转换装置32可以对上述单向道路视频信息进行压缩处理，得到上述目标单向道路视频信息。
第二步，将上述目标单向道路视频信息发送至用户终端以供执行区域标定操作以生成目标道路区域，以及从上述用户终端接收上述目标道路区域集。其中，上述调试装置3包括的调试控制器33可以将上述目标单向道路视频信息发送至用户终端以供执行区域标定操作以生成目标道路区域，以及从上述用户终端接收上述目标道路区域集。
可选地，上述交通流量采集设备还包括：太阳能电池板4、储能电池5和存储终端6。上述太阳能电池板4与上述储能电池5电路连接。其中，上述太阳能电池板4和上述储能电池5可以用于为上述交通流量采集设备供电。上述存储终端6与上述输入输出接口组件13电路连接。其中，上述存储终端6可以用于存储上述车流量信息。上述储能电池5还可以用于存储上述太阳能电池板转换的电能。
由此，上述交通流量采集设备可以通过太阳能电池板，将太阳能转换为电能，以对交通流量采集设备供电，以及可以通过储能电池对电能进行存储，以备在太阳能电池板难以转换太阳能时，为上述交通流量采集设备供电。
可选地，上述交通流量采集设备还包括：快拆扣7。上述快拆扣7安装于上述交通流量采集设备的底部。其中，上述快拆扣7用于将上述交通流量采集设备安装在交通设备上。
作为示例，上述交通设备可以是但不限于以下至少一项：交通信号灯或路灯。
由此，上述交通流量采集设备可以灵活地安装在各种交通设备上，而无需经过施工人员在高空进行焊接，减少了施工人员高空作业的时间，由此，可以提高施工的安全度。
上述可拆扣的相关设计作为本公开的实施例的一个发明点，解决了背景技术提出的技术问题二“交通流量采集设备的灵活度降低”。导致交通流量采集设备的灵活度降低的因素往往如下：由于交通流量采集设备的摄像头安装在高处，使用焊接安装的方式，在交通流量采集设备出现故障时，难以及时对交通流量采集设备进行拆卸与回收。如果解决了上述因素，就可以提高交通流量采集设备的灵活度。为了达到这一效果，本公开可以通过安装上述快拆扣将上述交通流量采集设备可拆卸地安装在各种交通设备上，从而可以灵活地进行拆卸与回收，从而，可以提高交通流量采集设备的灵活度。
实践中，上述交通流量采集设备可以被配置成执行以下交通流量采集方法的步骤：
第一步，摄像装置采集单向道路视频信息，以及将上述单向道路视频信息通过无线传输装置发送至调试装置。其中，上述单向道路视频信息可以包括但不限于以下至少一项：单向道路图像序列和单向道路音频。上述单向道路图像序列中的单向道路图像可以是上述单向道路视频信息对应的单向道路视频中一帧的图像。上述单向道路音频可以是上述单向道路视频信息对应的单向道路视频对应的音频。
第二步，上述调试装置对上述单向道路视频信息进行调试处理，得到目标道路区域集，以及将上述目标道路区域集发送至上述摄像装置。
第三步，上述摄像装置对于上述目标道路区域集中的每个目标道路区域，基于上述目标道路区域，对上述单向道路视频信息进行车流量检测处理，以生成车流量信息。其中，上述摄像装置包括的摄像处理器可以对于上述目标道路区域集中的每个目标道路区域，基于上述目标道路区域，对上述单向道路视频信息进行车流量检测处理，以生成车流量信息。
第四步，上述摄像装置将所生成的各个车流量信息存储至存储终端，以及将所生成的各个车流量信息通过无线传输装置发送至云服务器以供执行存储操作。
上述交通流量采集方法作为本公开的实施例的一个发明点，解决了背景技术提出的技术问题三“摄像处理器的计算资源的浪费”。导致摄像处理器的计算资源的浪费的因素往往如下：对双向车道的行驶车辆进行计数的方式，需要生成车辆的行驶轨迹以确定拍摄中的行驶车辆的行驶方向，而车流量信息并不需要车辆的行驶轨迹信息，从而，占用了摄像装置包括的摄像处理器的计算资源(例如，中央处理器)。如果解决了上述因素，就可以减少摄像处理器的计算资源的浪费。为了达到这一效果，本公开包括的交通流量采集设备可以首先，摄像装置采集单向道路视频信息，以及将上述单向道路视频信息通过无线传输装置发送至调试装置。由此，可以只采集单向车道的信息，以便后续进行车流量检测。接着，上述调试装置对上述单向道路视频信息进行调试处理，得到目标道路区域集，以及将上述目标道路区域集发送至上述摄像装置。由此，可以设定采集到的单向道路视频中的目标区域，以供进行车流量检测。上述摄像装置对于上述目标道路区域集中的每个目标道路区域，基于上述目标道路区域，对上述单向道路视频信息进行车流量检测处理，以生成车流量信息。由此，可以得到检测出的车辆种类信息和每种车辆的经过数量。上述摄像装置将所生成的各个车流量信息存储至存储终端，以及将所生成的各个车流量信息通过无线传输装置发送至云服务器以供执行存储操作。由此，可以实时地将检测到的车流量信息存储下来。因此，上述交通流量采集设备可以仅采集单向车道的道路视频，以及对单向车道的道路视频进行调试与车流量检测，无需生成车辆的行驶轨迹信息，从而，可以减少摄像处理器的计算资源的浪费。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的交通流量采集设备，包括摄像装置、无线传输装置和调试装置。其中，上述摄像装置包括：全景摄像机、信号转换器、通用输入输出接口组件。上述摄像装置包括的全景摄像机与信号转换器电路连接。上述摄像装置包括的信号转换器与通用输入输出接口组件电路连接。上述摄像装置包括的通用输入输出接口组件与上述无线传输装置电路连接。上述无线传输装置与上述调试装置通讯连接。因此，上述交通流量采集设备可以使用无线传输装置将摄像装置采集的视频信息通过无线传输发送至调试装置，并通过无线传输的方式从调试装置接收关注区域，无需将摄像头取下以进行调试，以及由于使用了全景摄像机，因此无需对摄像机的角度进行调整，由此，可以无需施工人员对摄像装置进行调整，减少了施工人员的高空作业时间，从而，可以提高施工的安全度。
接着参考图3，本公开还提供一种用于上述各实施例的交通流量采集设备的交通流量采集方法，如图3所示，其示出了本公开的交通流量采集方法的一些实施例的流程图300。该交通流量采集方法可以包括以下步骤：
步骤301，摄像装置采集单向道路视频信息，以及将单向道路视频信息通过无线传输装置发送至调试装置。
在一些实施例中，摄像装置可以采集单向道路视频信息，以及将单向道路视频信息通过无线传输装置发送至调试装置。其中，上述单向道路视频信息可以包括但不限于以下至少一项：单向道路图像序列和单向道路音频。上述单向道路图像序列中的单向道路图像可以是上述单向道路视频信息对应的单向道路视频中一帧的图像。上述单向道路音频可以是上述单向道路视频信息对应的单向道路视频对应的音频。
在一些实施例的一些可选的实现方式中，上述摄像装置采集单向道路视频信息，可以包括以下步骤：
第一步，采集预设时长内的单向道路视频。其中，上述摄像装置包括的全景摄像机可以拍摄预设时长内的单向道路视频。上述单向道路视频可以包括但不限于以下至少一项：单向声音信号集和单向光学信号集。上述单向声音信号集中的单向声音信号可以表征单向车道在上述预设时长内的声音。上述单向光学信号集中的单向光学信号可以表征单向车道在上述预设时长内一帧的图像。
作为示例，上述预设时长可以是但不限于以下至少一项：1秒、3秒或5秒。
第二步，对上述单向道路视频进行转换处理，得到单向道路视频信息。其中，上述摄像装置包括的信号转换器可以对上述单向道路视频进行转换处理，将上述单向道路视频包括的单向声音信号集和单向光学信号集转换为数字信号，得到单向道路视频信息。
第三步，将上述单向道路视频信息发送至上述无线传输装置。其中，上述摄像装置包括的通用输入输出接口组件可以将上述单向道路视频信息发送至上述无线传输装置。
步骤302，调试装置对单向道路视频信息进行调试处理，得到目标道路区域集，以及将目标道路区域集发送至上述摄像装置。
在一些实施例中，上述调试装置可以对单向道路视频信息进行调试处理，得到目标道路区域集，以及将目标道路区域集发送至上述摄像装置。
在一些实施例的一些可选的实现方式中，上述执行主体对上述单向道路视频信息进行调试处理，得到目标道路区域集，可以包括以下步骤：
第一步，对上述单向道路视频信息进行格式转换处理，得到目标单向道路视频信息。其中，上述调试装置包括的数据转换装置可以对上述单向道路视频信息进行压缩处理，得到上述目标单向道路视频信息。
第二步，将上述目标单向道路视频信息发送至用户终端以供执行区域标定操作以生成目标道路区域，以及从上述用户终端接收上述目标道路区域集。其中，上述调试装置包括的调试控制器可以将上述目标单向道路视频信息发送至用户终端以供执行区域标定操作以生成目标道路区域，以及从上述用户终端接收上述目标道路区域集。
步骤303，摄像装置对于上述目标道路区域集中的每个目标道路区域，基于上述目标道路区域，对上述单向道路视频信息进行车流量检测处理，以生成车流量信息。
在一些实施例中，上述摄像装置可以对于上述目标道路区域集中的每个目标道路区域，基于上述目标道路区域，对上述单向道路视频信息进行车流量检测处理，以生成车流量信息。其中，上述摄像装置包括的摄像处理器可以对于上述目标道路区域集中的每个目标道路区域，基于上述目标道路区域，对上述单向道路视频信息进行车流量检测处理，以生成车流量信息。
在一些实施例的一些可选的实现方式中，上述摄像处理器基于上述目标道路区域，对上述单向道路视频信息进行车流量检测处理，以生成车流量信息，可以包括以下步骤：
第一步，获取初始车流量信息和初始图像灰度值集。其中，上述初始车流量信息可以是上述预设时长的上一个预设时长内生成的车流量信息。上述初始车流量信息可以包括但不限于以下至少一项：车辆种类信息集和车辆数量集。这里，上述车辆种类信息集中的车辆种类信息和上述车辆数量集中的车辆数量一一对应。上述车辆种类信息集中的车辆种类信息可以表征经过上述交通流量采集设备的车辆的车辆种类。上述车辆数量集中的车辆数量可以是与上述车辆种类对应的经过上述交通流量采集设备的车辆的数量。上述初始图像灰度值集中的初始图像灰度值可以是无车辆经过时的单向道路图像的灰度值。
作为示例，上述车辆种类可以是但不限于以下至少一项：汽车、公交车或货车。
第二步，对目标道路区域进行坐标提取处理，得到目标检测坐标集。其中，上述目标道路区域可以是上述单向道路视频信息中标定的图像区域。上述目标道路区域可以与上述单向道路视频信息包括的单向道路图像序列的每个单向道路图像中的部分图像对应。上述对目标道路区域进行坐标提取处理，可以是：将上述目标道路区域对应的图像包括的各个像素坐标从像素坐标系转换至大地坐标系，得到上述目标检测坐标集。
作为示例，上述目标道路区域可以是上述单向道路视频信息包括的单向道路图像序列的每个单向道路图像中的上半部图像。上述目标道路区域也可以是上述单向道路视频信息包括的单向道路图像序列的每个单向道路图像中的下半部图像。
第三步，基于上述目标道路区域，对上述单向道路视频信息包括的单向道路图像序列的每个单向道路图像进行截取处理以生成截取单向道路图像，得到截取单向道路图像序列。其中，可以将上述单向道路视频信息包括的单向道路图像序列中、每个单向道路图像中与上述目标道路区域对应的图像区域确定为上述截取单向道路图像，得到上述截取单向道路图像序列。
第四步，对上述截取单向道路图像序列进行预处理，得到目标单向道路图像序列和图像灰度值组序列。其中，上述图像灰度值组序列中每个图像灰度值组中的图像灰度值和上述初始图像灰度值集中的初始图像灰度值一一对应。可以通过预设的图像处理算法，对上述截取单向道路图像序列进行预处理。
作为示例，上述预设的图像处理算法可以是但不限于以下至少一项：多帧平均法、高斯模型算法、贝叶斯分类算法或最大值灰度化算法。
第五步，基于上述初始图像灰度值和上述图像灰度值组序列，对上述单向道路图像序列中的每个单向道路图像进行检测处理以生成目标车辆信息，得到目标车辆信息序列。其中，可以通过预设的目标检测算法，得到目标车辆信息序列。上述目标车辆信息序列中的目标车辆信息包括可以包括但不限于以下至少一项：目标车辆质点坐标集和目标车辆种类信息集。这里，上述目标车辆种类信息集中的目标车辆种类信息和上述目标车辆质点坐标集中的目标车辆质点坐标一一对应。上述目标车辆种类信息集中的目标车辆种类信息可以表征在上述预设时长内经过上述交通流量采集设备的目标车辆的车辆种类。上述目标车辆质点坐标集中的目标车辆质点坐标可以表征上述目标车辆在大地坐标系下的坐标。
作为示例，上述预设的目标检测算法可以是但不限于以下至少一项：R-CNN(Region-based Convolution Neural Networks，基于候选区域的卷积神经网络)算法、SPP-Net(Spatial Pyramid Pooling-Net，空间金字塔池化网络)算法或OverFeat算法。
第六步，基于上述目标检测坐标集，生成上述目标车辆信息序列中每个目标车辆信息对应的目标车辆标识值集，得到目标车辆标识值集序列。其中，当上述目标车辆信息包括的目标车辆质点坐标集中的目标车辆质点坐标在上述目标检测坐标集中时，可以将第一预设标识值确定为上述目标车辆信息对应的目标车辆标识值。当上述目标车辆信息包括的目标车辆质点坐标集中的目标车辆质点坐标未在上述目标检测坐标集中时，可以将第二预设标识值确定为上述目标车辆信息对应的目标车辆标识值。
作为示例，上述第一预设标识值可以是1。上述第二预设标识值可以是0。
第七步，对于上述目标车辆标识值序列中的每个目标车辆标识值，响应于确定上述目标车辆标识值满足预设更新条件，基于上述目标车辆标识值对应的目标车辆信息，对上述初始车流量信息进行更新处理以生成更新车流量信息。上述预设更新条件可以是上述目标车辆标识值为上述第一预设标识值。上述对上述初始车流量信息进行更新处理以生成更新车流量信息，可以是对于上述目标车辆信息包括的目标车辆种类信息集中的每个目标车辆种类信息，将上述初始车流量信息包括的车辆数量集中、与上述目标车辆种类信息对应的车辆数量与预设车辆数量的和、确定为上述更新车流量信息包括的更新车辆数量，以及将上述初始车流量信息包括的车辆种类信息集确定为上述更新车流量信息包括的更新车辆种类信息集。
作为示例，上述预设车辆数量可以是1。
第八步，将所生成的各个更新初始车流量信息中最后一个更新车流量信息确定为车流量信息。
在一些实施例的一些可选的实现方式中，上述摄像处理器对上述截取单向道路图像序列进行预处理，得到目标单向道路图像序列和图像灰度值组序列，可以包括以下步骤：
第一步，对上述截取单向道路图像进行灰度化处理以生成灰度单向道路图像，得到灰度单向道路图像序列。其中，可以通过预设的灰度算法，得到上述灰度单向道路图像序列。
作为示例，上述预设的灰度算法可以是但不限于以下至少一项：均值法或加权平均法。
第二步，对上述灰度单向道路图像序列中的每个灰度单向道路图像进行降噪处理以生成降噪单向道路图像，得到降噪单向道路图像序列。其中，可以通过预设的降噪算法，得到降噪单向道路图像序列。
作为示例，上述预设的降噪算法可以是但不限于以下至少一项：均值滤波法、中值滤波法或高斯滤波法。
第三步，对上述降噪单向道路图像序列中的每个降噪单向道路图像进行形态转换处理以生成目标单向道路图像，得到目标单向道路图像序列。其中，可以通过预设的形态转换算法，得到目标单向道路图像序列。
作为示例，上述预设的形态转换算法可以是但不限于以下至少一项：图像膨胀算法或图像腐蚀算法。
第四步，对上述目标单向道路图像序列中的每个目标单向道路图像进行灰度值提取处理以生成图像灰度值组，得到图像灰度值组序列。其中，可以通过预设的灰度值提取算法，得到目标单向道路图像序列。
作为示例，上述预设的形态转换算法可以是但不限于以下至少一项：halcon(哈康)算法。
其中，可以通过对单向道路图像进行灰度化处理，方便后续提取图像特征。接着对图像进行降噪处理，剔除图像中的无关信息(例如，车道线)。然后，对图像进行形态转换处理，以消除图像中的像素值为0的像素点和像素值为255的像素点。由此，可以提高图像变换后的目标单向道路图像的准确度，从而，可以提高从图像中提取到的目标车辆信息的准确度，进而，可以提高生成的车流量信息的准确度。
在一些实施例的一些可选的实现方式中，上述摄像处理器对上述截取单向道路图像序列进行预处理，得到目标单向道路图像序列和图像灰度值组序列，可以包括以下步骤：
第一步，将上述图像灰度值组序列中与上述单向道路图像对应的图像灰度值组确定为第一图像灰度值组。
第二步，对于上述第一图像灰度值组中的每个第一图像灰度值，将上述初始图像灰度值集中与上述第一图像灰度值的差值确定为图像灰度差值。
第三步，将上述第一图像灰度值组中与所确定的各个图像灰度差值中、大于第一目标阈值的图像灰度差值对应的第一图像灰度值、确定为第二图像灰度值，得到第二图像灰度值集。
第四步，响应于确定上述第二图像灰度值集中各个第二图像灰度值的和大于第二目标阈值，对上述单向道路图像进行信息检测处理，得到目标车辆信息。
其中，可以通过对比无车辆经过时的图像的灰度值与当前图像的灰度值，确定图像中是否有物体经过，然后可以通过进一步的图像检测，确定图像中的车辆种类信息和数量信息。由此，可以无需对每一帧图像进行检测，减少执行图像检测步骤的次数，从而，可以减少上述摄像处理器的运行时长，进而，可以降低上述交通流量采集设备的能耗。
在一些实施例的一些可选的实现方式中，上述摄像处理器对上述截取单向道路图像序列进行预处理，得到目标单向道路图像序列和图像灰度值组序列，可以包括以下步骤：
第一步，基于预设的卷积矩阵序列，对上述单向道路图像进行第一卷积处理，得到卷积特征图像序列。其中，可以将上述预设的卷积矩阵序列中的每个预设的卷积矩阵作为卷积核，对上述单向道路图像执行卷积操作，得到上述卷积特征图像序列。这里，对于上述预设的卷积矩阵序列中的预设的卷积矩阵，不作限定。
第二步，对上述卷积特征图像序列中的第三个卷积特征图像、第四个卷积特征图像和第五个卷积特征图像分别进行池化处理，得到第三通道特征值、第四通道特征值和第五通道特征值。其中，可以通过预设的通道特征提取神经网络模型，得到上述第三通道特征值、第四通道特征值和第五通道特征值。
作为示例，上述预设的通道特征提取神经网络模型可以是Squeeze andExcitation Network(压缩和激发网络)模型。
第三步，基于上述第三通道特征值、第四通道特征值和第五通道特征值，对上述卷积特征图像序列中的第三个卷积特征图像、第四个卷积特征图像和第五个卷积特征图像分别进行调整处理，得到第三通道特征图像、第四通道特征图像和第五通道特征图像。其中，可以将上述第三通道特征值与上述第三个卷积特征图像包括的各个像素点的像素值的乘积、确定为上述第三通道特征图像包括的各个像素点的像素值。可以将上述第四通道特征值与上述第四个卷积特征图像包括的各个像素点的像素值的乘积、确定为上述第四通道特征图像包括的各个像素点的像素值。可以将上述第五通道特征值与上述第五个卷积特征图像包括的各个像素点的像素值的乘积、确定为上述第五通道特征图像包括的各个像素点的像素值。
第四步，对上述卷积特征图像序列中的第二个卷积特征图像和上述第三通道特征图像进行空间特征提取处理，得到第二空间特征图像和第三空间特征图像。其中，可以通过预设的空间特征提取神经网络模型，得到第二空间特征图像和第三空间特征图像。
作为示例，上述预设的空间特征提取神经网络模型可以是Shuffle AttentionNetwork(置换注意力网络)模型。
第五步，对上述第五通道特征图像进行第二卷积处理，得到第五空洞特征图像。其中，可以将预设的空洞卷积矩阵作为卷积核，对上述第五通道特征图像执行卷积操作，得到上述第五空洞特征图像。这里，对于上述预设的空洞卷积矩阵，不作限定。
第六步，对上述第二空间特征图像、上述第三空间特征图像、上述第四通道特征图像和上述第五空洞特征图像进行解码处理，得到目标车辆信息。其中，首先，可以通过预设的上采样算法，对上述第五空洞特征图像进行上采样处理，得到第五上采样图像。接着，可以通过预设的级联分类器，对上述第五上采样与上述第四通道特征图像进行级联处理，得到第四级联图像。然后，可以通过预设的卷积层，对上述第四级联图像进行卷积处理，得到第一特征图。再然后，可以分别通过上述预设的上采样算法、上述预设的级联分类器和上述预设的卷积层，对上述第一特征图和上述第三空间特征图像进行解码处理，得到第二特征图。随后，可以分别通过上述预设的上采样算法、上述预设的级联分类器和上述预设的卷积层，对上述第二特征图和上述第二空间特征图像进行解码处理，得到第三特征图。接着，可以通过预设的卷积函数，对上述第三特征图进行卷积处理，得到车辆特征值。最后，可以依据预设的车辆信息对照表，将上述车辆特征值对应的车辆信息确定为上述目标车辆信息。这里，上述预设的车辆信息对照表可以表征车辆特征值与车辆信息的对应关系。这里，对于上述预设的卷积层，不作限定。
作为示例，上述预设的上采样算法可以是双线性插值法。上述预设的级联分类器可以是但不限于以下至少一项：Haar(小波)分类器或LBP(Local Binary Pattern，局部二值模式)分类器。上述预设的卷积函数可以是conv2d(二维卷积)函数。
其中，可以通过多层卷积，得到关注不同特征的卷积特征图像，然后，可以通过池化和调整处理，调整空间特征层次，通过空洞卷积，在降低了图像分辨率损失的同时，可以保留更多的图像特征。最后，可以通过解码，从特征图像中得到车辆信息。由此，可以提高图像特征的准确度，从而，可以提高识别出的目标车辆信息的准确度。
上述步骤303的相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题四“采集到的车流量信息的准确度降低”。其中，导致了采集到的车流量信息的准确度降低的因素往往如下：通过采集的视频直接对车辆进行计数，未对图像进行预处理，也未对车辆的种类信息进行检测与识别。如果解决了上述因素，就能达到提高采集到的车流量信息的准确度的效果。为了达到这一效果，本公开可以对采集到的视频图像依次进行灰度化处理、降噪处理和形态转换处理，从而，可以提高图像变换后的目标单向道路图像的准确度。然后，可以无需对每一帧图像进行检测，减少执行图像检测步骤的次数，从而，可以减少上述摄像处理器的运行时长，进而，可以降低上述交通流量采集设备的能耗。最后，可以通过多层卷积、池化处理、调整处理和解码，从特征图像中得到车辆信息，可以提高图像特征的准确度，从而，可以提高识别出的目标车辆信息的准确度。由此，可以对拍摄的图像进行预处理，以及对车辆的种类信息进行识别，从而，提高了采集到的车流量信息的准确度。
步骤304，摄像装置将所生成的各个车流量信息存储至存储终端，以及将所生成的各个车流量信息通过无线传输装置发送至云服务器以供执行存储操作。
在一些实施例中，上述摄像装置可以对于将所生成的各个车流量信息存储至存储终端，以及将所生成的各个车流量信息通过无线传输装置发送至云服务器以供执行存储操作。
上述交通流量采集方法作为本公开的实施例的一个发明点，解决了背景技术提出的技术问题三“摄像处理器的计算资源的浪费”。导致摄像处理器的计算资源的浪费的因素往往如下：对双向车道的行驶车辆进行计数的方式，需要生成车辆的行驶轨迹以确定拍摄中的行驶车辆的行驶方向，而车流量信息并不需要车辆的行驶轨迹信息，从而，占用了摄像装置包括的摄像处理器的计算资源(例如，中央处理器)。如果解决了上述因素，就可以减少摄像处理器的计算资源的浪费。为了达到这一效果，本公开包括的交通流量采集设备可以首先，摄像装置采集单向道路视频信息，以及将上述单向道路视频信息通过无线传输装置发送至调试装置。由此，可以只采集单向车道的信息，以便后续进行车流量检测。接着，上述调试装置对上述单向道路视频信息进行调试处理，得到目标道路区域集，以及将上述目标道路区域集发送至上述摄像装置。由此，可以设定采集到的单向道路视频中的目标区域，以供进行车流量检测。上述摄像装置对于上述目标道路区域集中的每个目标道路区域，基于上述目标道路区域，对上述单向道路视频信息进行车流量检测处理，以生成车流量信息。由此，可以得到检测出的车辆种类信息和每种车辆的经过数量。上述摄像装置将所生成的各个车流量信息存储至存储终端，以及将所生成的各个车流量信息通过无线传输装置发送至云服务器以供执行存储操作。由此，可以实时地将检测到的车流量信息存储下来。因此，上述交通流量采集设备可以仅采集单向车道的道路视频，以及对单向车道的道路视频进行调试与车流量检测，无需生成车辆的行驶轨迹信息，从而，可以减少摄像处理器的计算资源的浪费。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (6)
1.一种交通流量采集设备，其特征在于，包括摄像装置、无线传输装置和调试装置，其中，
所述摄像装置包括：全景摄像机、信号转换器、通用输入输出接口组件；
所述摄像装置包括的全景摄像机与信号转换器电路连接；
所述摄像装置包括的信号转换器与通用输入输出接口组件电路连接；
所述摄像装置包括的通用输入输出接口组件与所述无线传输装置电路连接；
所述无线传输装置与所述调试装置通讯连接；
其特征在于，所述摄像装置还包括：摄像处理器和只读存储器；
所述摄像处理器与所述只读存储器通讯连接；
所述摄像处理器与所述输入输出接口组件电路连接，其中，所述摄像处理器用于对所述全景摄像机拍摄的单向道路视频进行车流量检测处理，以生成车流量信息；
其中，一种用于所述交通流量采集设备的交通流量采集方法，包括：
摄像装置采集单向道路视频信息，以及将所述单向道路视频信息通过无线传输装置发送至调试装置，其中，所述单向道路视频信息包括：单向道路图像序列；
所述调试装置对所述单向道路视频信息进行调试处理，得到目标道路区域集，以及将所述目标道路区域集发送至所述摄像装置；
所述摄像装置对于所述目标道路区域集中的每个目标道路区域，基于所述目标道路区域，对所述单向道路视频信息进行车流量检测处理，以生成车流量信息；
所述摄像装置将所生成的各个车流量信息存储至存储终端，以及将所生成的各个车流量信息通过无线传输装置发送至云服务器以供执行存储操作；
其中，所述基于所述目标道路区域，对所述单向道路视频信息进行车流量检测处理，以生成车流量信息，包括：
获取初始车流量信息和初始图像灰度值集；
对所述目标道路区域进行坐标提取处理，得到目标检测坐标集；
基于所述目标道路区域，对所述单向道路视频信息包括的单向道路图像序列中的每个单向道路图像进行截取处理以生成截取单向道路图像，得到截取单向道路图像序列；
对所述截取单向道路图像序列进行预处理，得到目标单向道路图像序列和图像灰度值组序列，其中，所述图像灰度值组序列中每个图像灰度值组中的图像灰度值和所述初始图像灰度值集中的初始图像灰度值一一对应；
基于所述初始图像灰度值和所述图像灰度值组序列，对所述单向道路图像序列中的每个单向道路图像进行检测处理以生成目标车辆信息，得到目标车辆信息序列；
基于所述目标检测坐标集，生成所述目标车辆信息序列中每个目标车辆信息对应的目标车辆标识值集，得到目标车辆标识值集序列；
对于所述目标车辆标识值集序列中的每个目标车辆标识值，响应于确定所述目标车辆标识值满足预设更新条件，基于所述目标车辆标识值对应的目标车辆信息，对所述初始车流量信息进行更新处理以生成更新车流量信息；
将所生成的各个更新初始车流量信息中最后一个更新车流量信息确定为车流量信息；
其中，所述基于所述初始图像灰度值和所述图像灰度值组序列，对所述单向道路图像序列中的每个单向道路图像进行检测处理以生成目标车辆信息，包括：
将所述图像灰度值组序列中与所述单向道路图像对应的图像灰度值组确定为第一图像灰度值组；
对于所述第一图像灰度值组中的每个第一图像灰度值，将所述初始图像灰度值集中与所述第一图像灰度值的差值确定为图像灰度差值；
将所述第一图像灰度值组中与所确定的各个图像灰度差值中、大于第一目标阈值的图像灰度差值对应的第一图像灰度值、确定为第二图像灰度值，得到第二图像灰度值集；
响应于确定所述第二图像灰度值集中各个第二图像灰度值的和大于第二目标阈值，对所述单向道路图像进行信息检测处理，得到目标车辆信息。
2.根据权利要求1所述的交通流量采集设备，其特征在于，所述交通流量采集设备还包括：太阳能电池板、储能电池和存储终端；
所述太阳能电池板与所述储能电池电路连接，其中，所述太阳能电池板和所述储能电池用于为所述交通流量采集设备供电；
所述存储终端与所述输入输出接口组件电路连接，其中，所述存储终端用于存储所述车流量信息。
3.根据权利要求2所述的交通流量采集设备，其特征在于，所述交通流量采集设备还包括：快拆扣；
所述快拆扣安装于所述交通流量采集设备的底部，其中，所述快拆扣用于将所述交通流量采集设备安装在交通设备上。
4.根据权利要求1所述的交通流量采集设备，其特征在于，所述调试装置包括：无线通信装置，数据转换装置，调试控制器；
所述无线通信装置与所述无线传输装置通讯连接；
所述数据转换装置与所述无线通信装置电路连接；
所述数据转换装置与所述调试控制器电路连接。
5.根据权利要求1所述的方法，其中，所述采集单向道路视频信息，包括：
采集预设时长内的单向道路视频；
对所述单向道路视频进行转换处理，得到单向道路视频信息；
将所述单向道路视频信息发送至所述无线传输装置。
6.根据权利要求1所述的方法，其中，所述对所述单向道路视频信息进行调试处理，得到目标道路区域集，包括：
对所述单向道路视频信息进行格式转换处理，得到目标单向道路视频信息；
将所述目标单向道路视频信息发送至用户终端以供执行区域标定操作以生成目标道路区域，以及从所述用户终端接收所述目标道路区域集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310760298.5A CN116884236B (zh) | 2023-06-26 | 2023-06-26 | 交通流量采集设备和交通流量采集方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310760298.5A CN116884236B (zh) | 2023-06-26 | 2023-06-26 | 交通流量采集设备和交通流量采集方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116884236A CN116884236A (zh) | 2023-10-13 |
| CN116884236B true CN116884236B (zh) | 2024-04-16 |
Family
ID=88265345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310760298.5A Active CN116884236B (zh) | 2023-06-26 | 2023-06-26 | 交通流量采集设备和交通流量采集方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116884236B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201215688Y (zh) * | 2008-06-27 | 2009-04-01 | 武汉市路安电子科技有限公司 | 全视域视频固定式交通流量调查设备 |
| CN201465308U (zh) * | 2009-04-24 | 2010-05-12 | 上海高德威智能交通系统有限公司 | 交通信息全视频检测系统 |
| CN102930722A (zh) * | 2012-10-31 | 2013-02-13 | 珠海高凌环境科技有限公司 | 车流量视频检测装置及其检测方法 |
| CN103425764A (zh) * | 2013-07-30 | 2013-12-04 | 广东工业大学 | 一种基于视频的车辆匹配方法 |
| CN103714703A (zh) * | 2013-12-17 | 2014-04-09 | 重庆凯泽科技有限公司 | 一种基于视频图像处理的车流检测算法 |
| CN104183142A (zh) * | 2014-08-18 | 2014-12-03 | 安徽科力信息产业有限责任公司 | 一种基于图像视觉处理技术的车流量统计方法 |
| CN105407278A (zh) * | 2015-11-10 | 2016-03-16 | 北京天睿空间科技股份有限公司 | 一种全景视频交通态势监控系统及方法 |
| CN105812640A (zh) * | 2016-05-27 | 2016-07-27 | 北京伟开赛德科技发展有限公司 | 球型全景摄像装置及其视频图像传输方法 |
| CN107123132A (zh) * | 2017-05-11 | 2017-09-01 | 南宁市正祥科技有限公司 | 一种统计背景模型的运动目标检测方法 |
| CN111416921A (zh) * | 2019-01-08 | 2020-07-14 | 杭州海康威视数字技术股份有限公司 | 摄像机调试方法、摄像机及存储介质 |
| WO2021031173A1 (zh) * | 2019-08-20 | 2021-02-25 | 江苏金晓电子信息股份有限公司 | 一种基于双目摄像机的交通状态识别方法 |
| WO2022141178A1 (zh) * | 2020-12-30 | 2022-07-07 | 深圳市大疆创新科技有限公司 | 图像处理方法及装置 |
| CN114783181A (zh) * | 2022-04-13 | 2022-07-22 | 江苏集萃清联智控科技有限公司 | 一种基于路侧感知的交通流量统计方法和装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9761000B2 (en) * | 2015-09-18 | 2017-09-12 | Qualcomm Incorporated | Systems and methods for non-obstacle area detection |
| CN106327520B (zh) * | 2016-08-19 | 2020-04-07 | 苏州大学 | 一种运动目标检测方法及系统 |
| US10311314B2 (en) * | 2016-11-23 | 2019-06-04 | Ford Global Technologies, Llc | Detection of lane-splitting motorcycles |
| CN107808397B (zh) * | 2017-11-10 | 2020-04-24 | 京东方科技集团股份有限公司 | 瞳孔定位装置、瞳孔定位方法和视线追踪设备 |
-
2023
- 2023-06-26 CN CN202310760298.5A patent/CN116884236B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201215688Y (zh) * | 2008-06-27 | 2009-04-01 | 武汉市路安电子科技有限公司 | 全视域视频固定式交通流量调查设备 |
| CN201465308U (zh) * | 2009-04-24 | 2010-05-12 | 上海高德威智能交通系统有限公司 | 交通信息全视频检测系统 |
| CN102930722A (zh) * | 2012-10-31 | 2013-02-13 | 珠海高凌环境科技有限公司 | 车流量视频检测装置及其检测方法 |
| CN103425764A (zh) * | 2013-07-30 | 2013-12-04 | 广东工业大学 | 一种基于视频的车辆匹配方法 |
| CN103714703A (zh) * | 2013-12-17 | 2014-04-09 | 重庆凯泽科技有限公司 | 一种基于视频图像处理的车流检测算法 |
| CN104183142A (zh) * | 2014-08-18 | 2014-12-03 | 安徽科力信息产业有限责任公司 | 一种基于图像视觉处理技术的车流量统计方法 |
| CN105407278A (zh) * | 2015-11-10 | 2016-03-16 | 北京天睿空间科技股份有限公司 | 一种全景视频交通态势监控系统及方法 |
| CN105812640A (zh) * | 2016-05-27 | 2016-07-27 | 北京伟开赛德科技发展有限公司 | 球型全景摄像装置及其视频图像传输方法 |
| CN107123132A (zh) * | 2017-05-11 | 2017-09-01 | 南宁市正祥科技有限公司 | 一种统计背景模型的运动目标检测方法 |
| CN111416921A (zh) * | 2019-01-08 | 2020-07-14 | 杭州海康威视数字技术股份有限公司 | 摄像机调试方法、摄像机及存储介质 |
| WO2021031173A1 (zh) * | 2019-08-20 | 2021-02-25 | 江苏金晓电子信息股份有限公司 | 一种基于双目摄像机的交通状态识别方法 |
| WO2022141178A1 (zh) * | 2020-12-30 | 2022-07-07 | 深圳市大疆创新科技有限公司 | 图像处理方法及装置 |
| CN114783181A (zh) * | 2022-04-13 | 2022-07-22 | 江苏集萃清联智控科技有限公司 | 一种基于路侧感知的交通流量统计方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 车型识别中运动目标检测技术研究;张辰锐;邱炎儿;白心爱;;吕梁学院学报;20180415(第02期);21-25 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116884236A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR100946749B1 (ko) | 영상인식 및 이미지의 학습 방법을 기반한 안개 감지 방법및 그 시스템 | |
| CN103366483B (zh) | 监控报警系统 | |
| CN108109385A (zh) | 一种输电线防外破的车辆识别与危险行为判别系统与方法 | |
| CN103646550A (zh) | 一种智能车牌识别系统 | |
| CN108537122A (zh) | 包含气象参数的图像融合采集系统及图像存储方法 | |
| CN111723773B (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
| Kogler et al. | Bio-inspired stereo vision system with silicon retina imagers | |
| CN110246341A (zh) | 一种基于地磁雷达检测的路侧停车低高位视频融合检测方法 | |
| KR101561626B1 (ko) | 주행차량의 번호판 인식이 실시간으로 가능한 차량용 블랙박스 | |
| CN103400499B (zh) | 超高清智能视频电子警察系统及其判定车辆违章的方法 | |
| CN104933424A (zh) | 车辆及行人监测方法及装置 | |
| CN109977908B (zh) | 一种基于深度学习的车辆行车车道检测方法 | |
| CN116884236B (zh) | 交通流量采集设备和交通流量采集方法 | |
| CN110222647B (zh) | 一种基于卷积神经网络的人脸活体检测方法 | |
| CN113822814A (zh) | 利用大数据存储的环境辨识系统及方法 | |
| CN113936252A (zh) | 基于视频监控的电瓶车智能管理系统及方法 | |
| CN110517251B (zh) | 一种景区区域过载检测与预警系统及方法 | |
| JP6266946B2 (ja) | 監視カメラ及び画像監視装置 | |
| CN210327795U (zh) | 一种集成客流统计的车载视频监控设备、系统及车辆 | |
| CN110378918B (zh) | 图像检测报警系统 | |
| CN114724378B (zh) | 一种基于深度学习的车辆追踪统计系统及方法 | |
| CN111339949A (zh) | 车牌识别的方法、装置及巡检车 | |
| CN114592411B (zh) | 一种载体寄生式公路损坏智能巡查方法 | |
| CN111818286A (zh) | 视频监控设备故障检测系统 | |
| CN114785933A (zh) | 一种带震动检测功能的摄像机及其分析方法 |
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 |