CN117058880A - 一种基于交通大数据的车流量预测系统 - Google Patents
一种基于交通大数据的车流量预测系统 Download PDFInfo
- Publication number
- CN117058880A CN117058880A CN202311111005.7A CN202311111005A CN117058880A CN 117058880 A CN117058880 A CN 117058880A CN 202311111005 A CN202311111005 A CN 202311111005A CN 117058880 A CN117058880 A CN 117058880A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- traffic
- module
- road
- vehicle
- 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
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000011176 pooling Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于交通大数据的车流量预测系统，包括类别识别模块、路规检测模块、特征提取模块、车流量预测模块；所述类别识别模块用于检测道路上行驶车辆的种类；所述路规检测模块用于基于交通大数据检测当前车辆所在地的道路行驶规定；所述特征提取模块用于提取影响车流量预测的时序特征；所述车流量预测模块用于根据当前车辆的类型、车辆所在地的道路行驶规定和所述时序特征预测车流量。本申请考虑车辆类型与不同时间段内允许车辆行进的关系，便于预测后续某一车道的车流量预测；本申请结合影响车流量预测的双相长短期记忆BiLSTM的预测模型以及当前路况的数据构建车流量预测模型，对不同时间段的车流量有较好的预测效果。
Description
技术领域
本申请属于大数据处理技术领域，具体涉及一种基于交通大数据的车流量预测系统。
背景技术
随着经济的发展和人们生活水平的不断提升，交通道路上的机动车越来越多，该现象导致城市交通道路的压力也在不断增加，拥堵便成了人们出行中十分常见而又困扰的一件事，如何对交通道路的车流量进行预测成为当下的热门研究问题，通过对车流量准确的进行预测能够提前知晓交通道路的拥堵状况，提前采取措施避免因拥堵现象造成事故发生的情况。
现有技术中，获取目标车流量的方法为：通过提取待预测路段内历史车辆通行数据，并按车道汇总样本流量数据，分别计算相邻两天或两天以上的不同时间段内的各车道流量变化浮动值，统计历史车流量数据，将获得的车道实时流量数据与对应浮动平均值相乘，最终得出车流量预测值。
综上，上述获取目标车流量的方法存在的问题，未将数据和任务分离，增加了数据处理平台的工作量，降低了数据处理平台的运行效率，无法细分到各个车道，无法根据交通道路的不同进行不同模型的训练，使得获取到的目标车流量准确度较低。
发明内容
为实现上述目的，本发明提供了一种基于交通大数据的车流量预测系统，包括：类别识别模块、路规检测模块、特征提取模块、车流量预测模块；
所述类别识别模块用于检测道路上行驶车辆的种类；
所述路规检测模块用于基于交通大数据检测当前车辆所在地的道路行驶规定；
所述特征提取模块用于提取影响车流量预测的时序特征；
所述车流量预测模块用于根据当前车辆的类型、车辆所在地的道路行驶规定和所述时序特征预测车流量。
可选的，所述道路上行驶车辆的种类包括：轿车、载货汽车、客车、摩托车、电动车、公交车。
可选的，所述路规检测模块包括：车辆定位子模块、交通大数据分析子模块；
所述车辆定位子模块用于对当前车辆定位；
所述交通大数据分析子模块用于根据所述当前车辆定位获取车辆所在地的道路行驶规定。
可选的，所述交通大数据分析子模块还包括道路判定处理单元、行驶规定获取单元；
所述道路判定处理单元用于根据当前车辆所在地在交通大数据中进行匹配；
所述行驶规定获取模块根据匹配结果得到车辆所在地的道路行驶规定。
可选的，所述特征提取模块包括有效点迹子模块、车流数据获取子模块和时序特征获取子模块；
所述有效点迹子模块用于获取有效点迹的角度信息；
所述车流数据获取子模块用于根据车流量的时滞值处理车流数据，得到车流样本数据；
所述时序特征获取对所述车流样本数据提取时序特征，将所述时序特征作为输入构建双向长短期记忆BiLSTM的预测模型。
可选的，所述获取有效点迹的角度信息的方法包括：
对待检测区域内的回波信号进行傅里叶变换得到二维矩阵；
根据所述二维矩阵确定多个检测点的距离信息和速度信息；
对所述二维矩阵进行恒虚警监测，从所述多个检测点中确定有效点迹，并确定所述有效点迹的角度信息。
可选的，所述车流量预测模块包括车流量预测模型构建子模块和预测模型优化子模块；
所述车流量预测模型构建子模块用于根据双相长短期记忆BiLSTM的预测模型和当前路况的数据构建车流量预测模型；
所述预测模型优化子模块对所述车流量预测模型进行优化，得到更加精准的车流量预测模型。
可选的，所述构建车流量预测模型的过程包括：提取影响车流量预测的双相长短期记忆BiLSTM的预测模型以及当前路况的数据；
根据所述当前路况的数据制定实时更新的红绿灯时长变化策略；
结合所述双相长短期记忆BiLSTM的预测模型和所述实时更新的红绿灯时长变化策略，得到车辆数据模型；
对车辆数据模型加上双向注意力机制得到车流量预测模型。
与现有技术相比，本申请的有益效果为：
本申请考虑车辆类型与不同时间段内允许车辆行进的关系，便于预测后续某一车道的车流量预测；本申请结合影响车流量预测的双相长短期记忆BiLSTM的预测模型以及当前路况的数据构建车流量预测模型，对不同时间段的车流量有较好的预测效果。
附图说明
为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例一种基于交通大数据的车流量预测系统的系统结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
在本实施例中，如图1所示，一种基于交通大数据的车流量预测系统，包括：类别识别模块、路规检测模块、特征提取模块、车流量预测模块。
类别识别模块用于检测道路上行驶车辆的种类。
道路上行驶车辆的种类包括：轿车、载货汽车、客车、摩托车、电动车、公交车。
路规检测模块用于基于交通大数据检测当前车辆所在地的道路行驶规定。
路规检测模块包括：车辆定位子模块、交通大数据分析子模块；
车辆定位子模块用于对当前车辆定位；
交通大数据分析子模块用于根据当前车辆定位获取车辆所在地的道路行驶规定。
交通大数据分析子模块还包括道路判定处理单元、行驶规定获取单元；
道路判定处理单元用于根据当前车辆所在地在交通大数据中进行匹配；
行驶规定获取模块根据匹配结果得到车辆所在地的道路行驶规定。
具体的，所述大数据分析子模块获取行驶规定的方法包括：
采集路标图像，识别出感兴趣的区域，并提取路标图像中的时间行车规定，即在什么时间什么种类的车辆可以通过什么道路，便于后续监测各个车道的堵塞情况。
其中，对采集的路标图像进行消除光照影响预处理；从经过消除光照影响预处理的后的图像中分别提取出文字特征。所述预处理采用直方图均衡化的方法：
其中，T(k)为灰度级k所对应的灰度映射值，n为f(x，y)图像像素总和，ni为灰度级为i的像素总和。
对输入图像进行大小归一化，提取Gabor小波特征。Gabor特征可以扫描图像的纹理，二维Gabor小波的表达式如下：
x’＝x cosθ+y sinθ；
y’＝-x sinθ+y cosθ；
其中，λ表示小波长度，θ表示小波方向，表示相位偏移，σ是标准差，γ是空间比。为了提交卷积的计算速度，通过快速傅里叶变换将图像从图像域转换到频率域，在空间域中作卷积相当于在频率域中乘积，在频率域上作乘积之后，需要通过快速傅里叶逆变换，将结果变换到空间域中。通过不同的小波长度和小波方向可以产生一些列图像，将每一幅图像分成若干区域，统计分一个区域灰度的平均值和方差，组成Gabor特征。
特征提取模块用于提取影响车流量预测的时序特征；特征提取模块包括有效点迹子模块、车流数据获取子模块和时序特征获取子模块。
有效点迹子模块用于获取有效点迹的角度信息；
车流数据获取子模块用于根据车流量的时滞值处理车流数据，得到车流样本数据。
其中，时滞值是指对于车流量的预测来说，需要使用多个获取的车流数据来进行预测，当车流量很小时，时滞值可能为1，但是车流波动较大时，时滞值会变得较大。
时序特征获取对车流样本数据提取时序特征，将时序特征作为输入构建双向长短期记忆BiLSTM的预测模型。
获取有效点迹的角度信息的方法包括：
对待检测区域内的回波信号进行傅里叶变换得到二维矩阵；
根据二维矩阵确定多个检测点的距离信息和速度信息；
其中，对回波信号的距离进行加窗处理，并对加窗处理后距离维进行快速傅里叶变换，得到包含距离信息的以为频谱；
对一维频谱的速度维进行加窗处理，并对加窗处理后速度维进行快速傅里叶变换，得到包含速度信息的二维矩阵。
对二维矩阵进行恒虚警监测，从多个检测点中确定有效点迹，并确定有效点迹的角度信息。
为了避免杂波感染，对回波信号进行恒虚警检测，将回波信号与噪声进行区分，进而得到有车辆目标存在的有效点迹。
恒虚警检测是指雷达系统在保持虚警概率恒定的条件下确定目标是否存在的方法：在没有目标出现的情况下，将输入的噪声进行处理，得到一个门限值，然后将输入的二维矩阵中各个检测点对应的数值与门限值进行比较，数值大于门限值的检测点为有效点迹。
车流量预测模块用于根据当前车辆的类型、车辆所在地的道路行驶规定和所述时序特征预测车流量。
车流量预测模块包括车流量预测模型构建子模块和预测模型优化子模块：
车流量预测模型构建子模块用于根据双相长短期记忆BiLSTM的预测模型和当前路况的数据构建车流量预测模型；
预测模型优化子模块对车流量预测模型进行优化，得到更加精准的车流量预测模型。
构建车流量预测模型的过程包括：
提取影响车流量预测的双相长短期记忆BiLSTM的预测模型以及当前路况的数据；
根据当前路况的数据制定实时更新的红绿灯时长变化策略；
结合双相长短期记忆BiLSTM的预测模型和实时更新的红绿灯时长变化策略，得到车辆数据模型；
对车辆数据模型加上双向注意力机制得到车流量预测模型。
优化子模块对卷积、池化操作分别设置FPGA加速器IP核，直接通过硬件而非程序来实现卷积层和池化层的计算过程。在加速器中实现循环展开模块，在每次执行卷积、池化循环运算时更多地执行循环体，以此来加速模型的预测速度。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。
Claims (8)
1.一种基于交通大数据的车流量预测系统，其特征在于，包括：类别识别模块、路规检测模块、特征提取模块、车流量预测模块；
所述类别识别模块用于检测道路上行驶车辆的种类；
所述路规检测模块用于基于交通大数据检测当前车辆所在地的道路行驶规定；
所述特征提取模块用于提取影响车流量预测的时序特征；
所述车流量预测模块用于根据当前车辆的类型、车辆所在地的道路行驶规定和所述时序特征预测车流量。
2.根据权利要求1所述的基于交通大数据的车流量预测系统，其特征在于，所述道路上行驶车辆的种类包括：轿车、载货汽车、客车、摩托车、电动车、公交车。
3.根据权利要求1所述的基于交通大数据的车流量预测系统，其特征在于，所述路规检测模块包括：车辆定位子模块、交通大数据分析子模块；
所述车辆定位子模块用于对当前车辆定位；
所述交通大数据分析子模块用于根据所述当前车辆定位获取车辆所在地的道路行驶规定。
4.根据权利要求3所述的基于交通大数据的车流量预测系统，其特征在于，所述交通大数据分析子模块还包括道路判定处理单元、行驶规定获取单元；
所述道路判定处理单元用于根据当前车辆所在地在交通大数据中进行匹配；
所述行驶规定获取模块根据匹配结果得到车辆所在地的道路行驶规定。
5.根据权利要求1所述的基于交通大数据的车流量预测系统，其特征在于，所述特征提取模块包括有效点迹子模块、车流数据获取子模块和时序特征获取子模块；
所述有效点迹子模块用于获取有效点迹的角度信息；
所述车流数据获取子模块用于根据车流量的时滞值处理车流数据，得到车流样本数据；
所述时序特征获取对所述车流样本数据提取时序特征，将所述时序特征作为输入构建双向长短期记忆BiLSTM的预测模型。
6.根据权利要求5所述的基于交通大数据的车流量预测系统，其特征在于，所述获取有效点迹的角度信息的方法包括：
对待检测区域内的回波信号进行傅里叶变换得到二维矩阵；
根据所述二维矩阵确定多个检测点的距离信息和速度信息；
对所述二维矩阵进行恒虚警监测，从所述多个检测点中确定有效点迹，并确定所述有效点迹的角度信息。
7.根据权利要求5所述的基于交通大数据的车流量预测系统，其特征在于，所述车流量预测模块包括车流量预测模型构建子模块和预测模型优化子模块；
所述车流量预测模型构建子模块用于根据双相长短期记忆BiLSTM的预测模型和当前路况的数据构建车流量预测模型；
所述预测模型优化子模块对所述车流量预测模型进行优化，得到更加精准的车流量预测模型。
8.根据权利要求7所述的基于交通大数据的车流量预测系统，其特征在于，所述构建车流量预测模型的过程包括：提取影响车流量预测的双相长短期记忆BiLSTM的预测模型以及当前路况的数据；
根据所述当前路况的数据制定实时更新的红绿灯时长变化策略；
结合所述双相长短期记忆BiLSTM的预测模型和所述实时更新的红绿灯时长变化策略，得到车辆数据模型；
对车辆数据模型加上双向注意力机制得到车流量预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311111005.7A CN117058880A (zh) | 2023-08-30 | 2023-08-30 | 一种基于交通大数据的车流量预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311111005.7A CN117058880A (zh) | 2023-08-30 | 2023-08-30 | 一种基于交通大数据的车流量预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117058880A true CN117058880A (zh) | 2023-11-14 |
Family
ID=88660779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311111005.7A Pending CN117058880A (zh) | 2023-08-30 | 2023-08-30 | 一种基于交通大数据的车流量预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117058880A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109326133A (zh) * | 2018-11-01 | 2019-02-12 | 桂林电子科技大学 | 高速公路安全监管方法及系统、车载终端 |
| CN111710154A (zh) * | 2020-05-15 | 2020-09-25 | 湖州师范学院 | 一种高速公路交通流量预测方法 |
| CN112233416A (zh) * | 2020-09-17 | 2021-01-15 | 北京聚利科技有限公司 | 车流量检测方法及装置 |
| CN113362598A (zh) * | 2021-06-04 | 2021-09-07 | 重庆高速公路路网管理有限公司 | 一种高速公路服务区车流量预测方法 |
| JP2022051432A (ja) * | 2020-09-18 | 2022-03-31 | ヤフー株式会社 | 推定装置、推定方法及び推定プログラム |
| CN114743375A (zh) * | 2022-04-08 | 2022-07-12 | 杭州电子科技大学 | 一种基于机器视觉融合路网时空信息的交通流预测方法 |
| CN115691165A (zh) * | 2022-09-28 | 2023-02-03 | 北京东土拓明科技有限公司 | 一种交通信号灯调度方法、装置、设备及可读存储介质 |
| CN116206440A (zh) * | 2022-12-08 | 2023-06-02 | 江苏大学 | 一种基于智慧高速的交通流采集、预测、管控及信息化推送系统及方法 |
| CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
-
2023
- 2023-08-30 CN CN202311111005.7A patent/CN117058880A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109326133A (zh) * | 2018-11-01 | 2019-02-12 | 桂林电子科技大学 | 高速公路安全监管方法及系统、车载终端 |
| CN111710154A (zh) * | 2020-05-15 | 2020-09-25 | 湖州师范学院 | 一种高速公路交通流量预测方法 |
| CN112233416A (zh) * | 2020-09-17 | 2021-01-15 | 北京聚利科技有限公司 | 车流量检测方法及装置 |
| JP2022051432A (ja) * | 2020-09-18 | 2022-03-31 | ヤフー株式会社 | 推定装置、推定方法及び推定プログラム |
| CN113362598A (zh) * | 2021-06-04 | 2021-09-07 | 重庆高速公路路网管理有限公司 | 一种高速公路服务区车流量预测方法 |
| CN114743375A (zh) * | 2022-04-08 | 2022-07-12 | 杭州电子科技大学 | 一种基于机器视觉融合路网时空信息的交通流预测方法 |
| CN115691165A (zh) * | 2022-09-28 | 2023-02-03 | 北京东土拓明科技有限公司 | 一种交通信号灯调度方法、装置、设备及可读存储介质 |
| CN116206440A (zh) * | 2022-12-08 | 2023-06-02 | 江苏大学 | 一种基于智慧高速的交通流采集、预测、管控及信息化推送系统及方法 |
| CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829403B (zh) | 一种基于深度学习的车辆防碰撞预警方法及系统 | |
| CN111462488B (zh) | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 | |
| Pérez et al. | Deep learning radar object detection and classification for urban automotive scenarios | |
| CN111814623A (zh) | 一种基于深度神经网络的车辆车道偏离视觉检测方法 | |
| Mahaur et al. | Road object detection: a comparative study of deep learning-based algorithms | |
| CN114898296B (zh) | 基于毫米波雷达与视觉融合的公交车道占用检测方法 | |
| CN110826412B (zh) | 高速公路能见度检测系统和方法 | |
| CN106845458B (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
| CN114882470A (zh) | 车载防碰撞预警方法、装置、计算机设备及存储介质 | |
| Chen | Road vehicle recognition algorithm in safety assistant driving based on artificial intelligence | |
| CN113313182B (zh) | 一种基于雷达和视频融合的目标识别方法及终端 | |
| CN113903180A (zh) | 一种高速公路检测车辆超速的方法及系统 | |
| CN112232257A (zh) | 一种交通异常确定方法、装置、设备及介质 | |
| CN117058880A (zh) | 一种基于交通大数据的车流量预测系统 | |
| Jin et al. | Damage detection of road domain waveform guardrail structure based on machine learning multi-module fusion | |
| Ding et al. | A comprehensive approach for road marking detection and recognition | |
| CN115497303A (zh) | 一种复杂检测条件下的高速公路车速检测方法及系统 | |
| CN115629385A (zh) | 基于毫米波雷达和相机关联的车辆排队长度实时检测方法 | |
| Mostafa et al. | Automatic Vehicle Classification and Speed Tracking | |
| Rutz et al. | Denoising range-Doppler-data using ML-based autoencoders for automotive applications | |
| CN114429621A (zh) | 一种基于ufsa算法改进的车道线智能检测方法 | |
| CN116659540B (zh) | 一种在自动驾驶过程中的交通护栏识别方法 | |
| DE102019218059A1 (de) | Erkennung länglicher Objekte | |
| Indrabayu et al. | Real-time lane departure warning with cascade lane segmentation | |
| Lv et al. | Vehicle detection method for satellite videos based on enhanced vehicle features |
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 |