CN117437581B - 基于图像语义分割和视角缩放的机动车拥堵长度计算方法 - Google Patents
基于图像语义分割和视角缩放的机动车拥堵长度计算方法 Download PDFInfo
- Publication number
- CN117437581B CN117437581B CN202311758995.3A CN202311758995A CN117437581B CN 117437581 B CN117437581 B CN 117437581B CN 202311758995 A CN202311758995 A CN 202311758995A CN 117437581 B CN117437581 B CN 117437581B
- Authority
- CN
- China
- Prior art keywords
- image
- motor vehicle
- line
- length
- intersection
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 27
- 230000000007 visual effect Effects 0.000 title claims abstract description 9
- 238000004364 calculation method Methods 0.000 title abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 7
- 238000009432 framing Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Abstract
一种基于图像语义分割和视角缩放的机动车拥堵长度计算方法,涉及智慧交通技术领域,直接估算机动车排队长度,从而判断路口拥堵情况。结合了计算机视觉技术以及深度学习技术,并应用几何数学模型将现实距离与视频帧对应长度建立一一映射关系,实现了对拥堵长度的计算。通过车辆语义分割方法、连通区域划分方法和拥堵长度建模,可以准确估算拥堵时段机动车排队长度,进而评估拥堵状况。
Description
技术领域
本发明涉及智慧交通技术领域,具体涉及一种基于图像语义分割和视角缩放的机动车拥堵长度计算方法。
背景技术
随着深度学习的兴起,特别是卷积神经网络的发展,语义分割技术取得了显著的进展,它旨在将图像中的每个像素分配给特定的语义类别。语义分割技术的发展使得计算机视觉技术在交通、农业、医疗等领域发挥了重要作用,提高了人们的工作效率。
日趋增加的机动车数量增加了城市道路的拥堵情况。伴随城市化进程的推进,智慧城市建设这一理念被提出。在智慧交通场景中,需要判断车辆的行驶状态并合理控制交通信号灯等设施的运作。为了检测车辆的运行状态,基于外部传感器的方法、基于车载GPS的方法、基于视频的方法被使用。基于外部传感器的方法根据地磁线圈、微波等数据检测车流情况,受环境影响较大、检测条件苛刻。基于车载GPS的方法在数据处理中计算量巨大,不适合实际场景中的广泛部署。在监控摄像头的覆盖范围和清晰度不断提升以及计算机视觉技术的不断发展的状态下,经过科学性和可行性的分析,通过监控摄像头记录交通状态是智慧交通场景下的首选方法。
目前多数的车辆拥堵检测方法是通过深度学习算法和计算机视觉算法来获取视频中的车辆流量信息,通过车辆速度、车辆密度等参数来估算车辆的拥堵状态。然而,车辆流量信息忽视了车辆之间的差异性,并且不能直观的描述路段的拥堵情况。
发明内容
本发明为了克服以上技术的不足,提供了一种准确计算拥堵时段机动车排队长度的方法。
本发明克服其技术问题所采用的技术方案是:
一种基于图像语义分割和视角缩放的机动车拥堵长度计算方法,包括如下步骤:
(a)获取路口电警摄像头的视频流信息,将视频进行分帧处理,得到帧路口道路图像的图像集/>,/>,/>为第/>帧路口道路图像,/>;
(b)将第帧路口道路图像/>中包含对向车道区域进行截取,得到剪裁后的第/>帧路口道路图像/>,得到所需区域图像集/>;
(c)对剪裁后的第帧路口道路图像/>进行机动车区域划分,得到二值图像;
(d)标注出剪裁后的第帧路口道路图像/>中的车道线,构建二值图像/>;
(e)根据二值图像和二值图像/>得到/>个在相应车道线上的机动车连通区域,第/>个机动车连通区域为/>;
(f)计算剪裁后的第帧路口道路图像/>的车道的近端停车线的中点与车道的远端停车线的中点之间的像素距离/>,人工测量该路口近端停车线和远端停车线对应的真实路宽/>及近端停车线与远端停车线之间的真实距离/>;
(g)根据像素距离、真实路宽/>、真实距离/>计算得到排队长度/>;
(h)根据排队长度计算拥堵状态参数/>,根据拥堵状态参数/>判断拥堵状态。
进一步的,步骤(a)中通过ONVIF协议获取路口电警摄像头的视频流信息。
进一步的,步骤(c)包括如下步骤:
(c-1)使用python中的cv2.equalizeHist函数对第帧路口道路图像/>进行对比度增强处理,得到增强后的路口道路图像/>;
(c-2)使用python中的cv2.GaussianBlur函数对增强后的路口道路图像进行高斯模糊,得到预处理后的路口道路图像/>;
(c-3)使用python中的cv2.resize函数改变路口道路图像的大小,得到大小符合Segformer语义分割模型输入要求的路口道路图像/>;
(c-4)将路口道路图像输入到Segformer语义分割模型中进行机动车区域划分,输出得到包含若干机动车区域的分割掩码图/>;
(c-5)使用python中的cv2.threshold函数对分割掩码图进行二值化处理,得到二值图像/>,二值图像/>的背景颜色为黑色,其机动车区域的颜色为白色。
进一步的,步骤(d)包括如下步骤:
(d-1)人工标注剪裁后的第帧路口道路图像/>中的车道线;
(d-2)将剪裁后的第帧路口道路图像/>中车道线上的像素点的像素值设置为1,将车道线外的像素点的像素值设置为0,得到二值图像/>。
进一步的,步骤(e)中使用python中的cv2.bitwise_and函数对二值图像的白色像素区域和二值图像/>的白色像素区域取交集,得到/>个在相应车道线上的机动车连通区域。
进一步的,步骤(f)包括如下步骤:
(f-1)剪裁后的第帧路口道路图像/>的车道下方的停车线为近端停车线,其上方的停车线为远端停车线,人工标定近端停车线的长度为/>,人工标定远端停车线的长度为,近端停车线的中点横坐标为/>,其纵坐标为/>,远端停车线的中点横坐标为/>,其纵坐标为/>;
(f-2)通过公式计算得到中点之间的像素距离/>。
进一步的,步骤(g)包括如下步骤:
(g-1)通过公式计算得到系数/>,通过公式/>计算得到系数/>;
(g-2)通过公式计算得到排队长度/>,式中/>为第/>个机动车连通区域/>的中点的横坐标,/>为第/>个机动车连通区域/>左下角的像素点与其右上角的像素点之间的直线段,/>为直线段/>的长度值,/>为像素距离/>所在直线的斜率,/>为线段/>的斜率。
进一步的,步骤(h)包括如下步骤:
(h-1)通过公式计算得到拥堵状态参数/>;
(h-2)当时,判定为路口正常,当/>时,判定为路口轻度拥堵,当时,判定为路口拥堵,当/>时,判定为路口严重拥堵。
本发明的有益效果是:在城市拥堵路口的电警监控视频中,通过车辆语义分割方法、连通区域划分方法和拥堵长度建模,可以准确估算拥堵时段机动车排队长度,进而评估拥堵状况。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种基于图像语义分割和视角缩放的机动车拥堵长度计算方法,包括如下步骤:
(a)获取路口电警摄像头的视频流信息,将视频进行分帧处理,得到帧路口道路图像的图像集/>,/>,/>为第/>帧路口道路图像,/>。
(b)将第帧路口道路图像/>中包含对向车道区域进行截取,得到剪裁后的第/>帧路口道路图像/>,得到所需区域图像集/>。
(c)对剪裁后的第帧路口道路图像/>进行机动车区域划分,得到二值图像。
(d)标注出剪裁后的第帧路口道路图像/>中的车道线,构建二值图像/>。
(e)根据二值图像和二值图像/>得到/>个在相应车道线上的机动车连通区域,第/>个机动车连通区域为/>。
(f)计算剪裁后的第帧路口道路图像/>的车道的近端停车线的中点与车道的远端停车线的中点之间的像素距离/>,人工测量该路口近端停车线和远端停车线对应的真实路宽/>及近端停车线与远端停车线之间的真实距离/>。真实距离/>能反应监控设备可视范围内的最大荷载能力。
(g)根据像素距离、真实路宽/>、真实距离/>计算得到排队长度/>。
(h)根据排队长度计算拥堵状态参数/>,根据拥堵状态参数/>判断拥堵状态。
直接估算机动车排队长度,从而判断路口拥堵情况。结合了计算机视觉技术以及深度学习技术,并应用几何数学模型将现实距离与视频帧对应长度建立一一映射关系,实现了对拥堵长度的计算。
在本发明的一个实施例中,步骤(a)中通过ONVIF协议获取路口电警摄像头的视频流信息。
在本发明的一个实施例中,步骤(c)包括如下步骤:
(c-1)使用python中的cv2.equalizeHist函数对第帧路口道路图像/>进行对比度增强处理,得到增强后的路口道路图像/>。
(c-2)使用python中的cv2.GaussianBlur函数对增强后的路口道路图像进行高斯模糊,得到预处理后的路口道路图像/>。
(c-3)使用python中的cv2.resize函数改变路口道路图像的大小,得到大小符合Segformer语义分割模型输入要求的路口道路图像/>。
(c-4)将路口道路图像输入到Segformer语义分割模型中进行机动车区域划分,输出得到包含若干机动车区域的分割掩码图/>。
(c-5)使用python中的cv2.threshold函数对分割掩码图进行二值化处理,得到二值图像/>,二值图像/>的背景颜色为黑色,其机动车区域的颜色为白色。
在本发明的一个实施例中,步骤(d)包括如下步骤:
(d-1)人工标注剪裁后的第帧路口道路图像/>中的车道线。
(d-2)将剪裁后的第帧路口道路图像/>中车道线上的像素点的像素值设置为1,将车道线外的像素点的像素值设置为0,得到二值图像/>。
在本发明的一个实施例中,步骤(e)中使用python中的cv2.bitwise_and函数对二值图像的白色像素区域和二值图像/>的白色像素区域取交集,得到/>个在相应车道线上的机动车连通区域。
在本发明的一个实施例中,步骤(f)包括如下步骤:
(f-1)剪裁后的第帧路口道路图像/>的车道下方的停车线为近端停车线,其上方的停车线为远端停车线,人工标定近端停车线的长度为/>,人工标定远端停车线的长度为,近端停车线的中点横坐标为/>,其纵坐标为/>,远端停车线的中点横坐标为/>,其纵坐标为/>。
(f-2)通过公式计算得到中点之间的像素距离/>。
在本发明的一个实施例中,步骤(g)包括如下步骤:
(g-1)通过公式计算得到系数/>,通过公式/>计算得到系数/>。
(g-2)通过公式计算得到排队长度/>,式中/>为第/>个机动车连通区域/>的中点的横坐标,/>为第/>个机动车连通区域/>左下角的像素点与其右上角的像素点之间的直线段,/>为直线段/>的长度值,/>为像素距离/>所在直线的斜率,/>为线段/>的斜率。
在本发明的一个实施例中,步骤(h)包括如下步骤:
(h-1)通过公式计算得到拥堵状态参数/>。
(h-2)当时,判定为路口正常,当/>时,判定为路口轻度拥堵,当时,判定为路口拥堵,当/>时,判定为路口严重拥堵。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于图像语义分割和视角缩放的机动车拥堵长度计算方法,其特征在于,包括如下步骤:
(a)获取路口电警摄像头的视频流信息,将视频进行分帧处理,得到帧路口道路图像的图像集/>,/>,/>为第/>帧路口道路图像,/>;
(b)将第帧路口道路图像/>中包含对向车道区域进行截取,得到剪裁后的第/>帧路口道路图像/>,得到所需区域图像集/>;
(c)对剪裁后的第帧路口道路图像/>进行机动车区域划分,得到二值图像/>;
(d)标注出剪裁后的第帧路口道路图像/>中的车道线,构建二值图像/>;
(e)根据二值图像和二值图像/>得到/>个在相应车道线上的机动车连通区域,第/>个机动车连通区域为/>;
(f)计算剪裁后的第帧路口道路图像/>的车道的近端停车线的中点与车道的远端停车线的中点之间的像素距离/>,人工测量该路口近端停车线和远端停车线对应的真实路宽及近端停车线与远端停车线之间的真实距离/>;
(g)根据像素距离、真实路宽/>、真实距离/>计算得到排队长度/>;
(h)根据排队长度计算拥堵状态参数/>,根据拥堵状态参数/>判断拥堵状态;
步骤(f)包括如下步骤:
(f-1)剪裁后的第帧路口道路图像/>的车道下方的停车线为近端停车线,其上方的停车线为远端停车线,人工标定近端停车线的长度为/>,人工标定远端停车线的长度为/>,近端停车线的中点横坐标为/>,其纵坐标为/>,远端停车线的中点横坐标为/>,其纵坐标为;
(f-2)通过公式计算得到中点之间的像素距离/>;
步骤(g)包括如下步骤:
(g-1)通过公式计算得到系数/>,通过公式/>计算得到系数/>;
(g-2)通过公式计算得到排队长度/>,式中/>为第/>个机动车连通区域/>的中点的横坐标,/>为第/>个机动车连通区域/>左下角的像素点与其右上角的像素点之间的直线段,/>为直线段/>的长度值,/>为像素距离/>所在直线的斜率,/>为线段/>的斜率;
步骤(h)包括如下步骤:
(h-1)通过公式计算得到拥堵状态参数/>;
(h-2)当时,判定为路口正常,当/>时,判定为路口轻度拥堵,当/>时,判定为路口拥堵,当/>时,判定为路口严重拥堵。
2.根据权利要求1所述的基于图像语义分割和视角缩放的机动车拥堵长度计算方法,其特征在于:步骤(a)中通过ONVIF协议获取路口电警摄像头的视频流信息。
3.根据权利要求1所述的基于图像语义分割和视角缩放的机动车拥堵长度计算方法,其特征在于,步骤(c)包括如下步骤:
(c-1)使用python中的cv2.equalizeHist函数对第帧路口道路图像/>进行对比度增强处理,得到增强后的路口道路图像/>;
(c-2)使用python中的cv2.GaussianBlur函数对增强后的路口道路图像进行高斯模糊,得到预处理后的路口道路图像/>;
(c-3)使用python中的cv2.resize函数改变路口道路图像的大小,得到大小符合Segformer语义分割模型输入要求的路口道路图像/>;
(c-4)将路口道路图像输入到Segformer语义分割模型中进行机动车区域划分,输出得到包含若干机动车区域的分割掩码图/>;
(c-5)使用python中的cv2.threshold函数对分割掩码图进行二值化处理,得到二值图像/>,二值图像/>的背景颜色为黑色,其机动车区域的颜色为白色。
4.根据权利要求1所述的基于图像语义分割和视角缩放的机动车拥堵长度计算方法,其特征在于,步骤(d)包括如下步骤:
(d-1)人工标注剪裁后的第帧路口道路图像/>中的车道线;
(d-2)将剪裁后的第帧路口道路图像/>中车道线上的像素点的像素值设置为1,将车道线外的像素点的像素值设置为0,得到二值图像/>。
5.根据权利要求1所述的基于图像语义分割和视角缩放的机动车拥堵长度计算方法,其特征在于:步骤(e)中使用python中的cv2.bitwise_and函数对二值图像的白色像素区域和二值图像/>的白色像素区域取交集,得到/>个在相应车道线上的机动车连通区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311758995.3A CN117437581B (zh) | 2023-12-20 | 2023-12-20 | 基于图像语义分割和视角缩放的机动车拥堵长度计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311758995.3A CN117437581B (zh) | 2023-12-20 | 2023-12-20 | 基于图像语义分割和视角缩放的机动车拥堵长度计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117437581A CN117437581A (zh) | 2024-01-23 |
CN117437581B true CN117437581B (zh) | 2024-03-01 |
Family
ID=89552080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311758995.3A Active CN117437581B (zh) | 2023-12-20 | 2023-12-20 | 基于图像语义分割和视角缩放的机动车拥堵长度计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117437581B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268706A (zh) * | 2013-04-18 | 2013-08-28 | 同济大学 | 一种基于局部方差的车队列长度检测方法 |
EP2887332A1 (de) * | 2013-12-23 | 2015-06-24 | Siemens Aktiengesellschaft | Verfahren und System zum Ermitteln einer Verkehrssituation auf einer Straßenstrecke |
CN105788301A (zh) * | 2016-03-22 | 2016-07-20 | 上海理工大学 | 借道左转交叉口预停车线及预信号设置方法 |
CN108615358A (zh) * | 2018-05-02 | 2018-10-02 | 安徽大学 | 一种道路拥堵检测方法及装置 |
CN109948470A (zh) * | 2019-03-01 | 2019-06-28 | 武汉光庭科技有限公司 | 基于霍夫变换的停车线距离检测方法及系统 |
JP2020051943A (ja) * | 2018-09-27 | 2020-04-02 | 株式会社Subaru | 車両用ステレオカメラ装置 |
CN111739299A (zh) * | 2020-07-20 | 2020-10-02 | 平安国际智慧城市科技股份有限公司 | 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 |
CN112489456A (zh) * | 2020-12-01 | 2021-03-12 | 山东交通学院 | 基于城市主干线车辆排队长度的信号灯调控方法及系统 |
CN113255469A (zh) * | 2021-05-06 | 2021-08-13 | 南京大学 | 交通监控场景道路占有率的测定方法及装置 |
CN113874923A (zh) * | 2020-01-21 | 2021-12-31 | 深圳元戎启行科技有限公司 | 交通信号灯控制方法、装置、计算机设备和存储介质 |
WO2022142839A1 (zh) * | 2020-12-31 | 2022-07-07 | 华为技术有限公司 | 一种图像处理方法、装置以及智能汽车 |
CN115273455A (zh) * | 2022-05-13 | 2022-11-01 | 长安大学 | 一种用于评估机动车让行安全性及停车线设计方法 |
CN116363865A (zh) * | 2022-12-22 | 2023-06-30 | 浙江大华技术股份有限公司 | 交通拥堵评估方法、装置、电子设备及存储介质 |
CN116913108A (zh) * | 2023-09-13 | 2023-10-20 | 深圳市新城市规划建筑设计股份有限公司 | 城市交通监控调度方法和系统 |
-
2023
- 2023-12-20 CN CN202311758995.3A patent/CN117437581B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268706A (zh) * | 2013-04-18 | 2013-08-28 | 同济大学 | 一种基于局部方差的车队列长度检测方法 |
EP2887332A1 (de) * | 2013-12-23 | 2015-06-24 | Siemens Aktiengesellschaft | Verfahren und System zum Ermitteln einer Verkehrssituation auf einer Straßenstrecke |
CN105788301A (zh) * | 2016-03-22 | 2016-07-20 | 上海理工大学 | 借道左转交叉口预停车线及预信号设置方法 |
CN108615358A (zh) * | 2018-05-02 | 2018-10-02 | 安徽大学 | 一种道路拥堵检测方法及装置 |
JP2020051943A (ja) * | 2018-09-27 | 2020-04-02 | 株式会社Subaru | 車両用ステレオカメラ装置 |
CN109948470A (zh) * | 2019-03-01 | 2019-06-28 | 武汉光庭科技有限公司 | 基于霍夫变换的停车线距离检测方法及系统 |
CN113874923A (zh) * | 2020-01-21 | 2021-12-31 | 深圳元戎启行科技有限公司 | 交通信号灯控制方法、装置、计算机设备和存储介质 |
CN111739299A (zh) * | 2020-07-20 | 2020-10-02 | 平安国际智慧城市科技股份有限公司 | 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 |
CN112489456A (zh) * | 2020-12-01 | 2021-03-12 | 山东交通学院 | 基于城市主干线车辆排队长度的信号灯调控方法及系统 |
WO2022116361A1 (zh) * | 2020-12-01 | 2022-06-09 | 山东交通学院 | 基于城市主干线车辆排队长度的信号灯调控方法及系统 |
WO2022142839A1 (zh) * | 2020-12-31 | 2022-07-07 | 华为技术有限公司 | 一种图像处理方法、装置以及智能汽车 |
CN113255469A (zh) * | 2021-05-06 | 2021-08-13 | 南京大学 | 交通监控场景道路占有率的测定方法及装置 |
CN115273455A (zh) * | 2022-05-13 | 2022-11-01 | 长安大学 | 一种用于评估机动车让行安全性及停车线设计方法 |
CN116363865A (zh) * | 2022-12-22 | 2023-06-30 | 浙江大华技术股份有限公司 | 交通拥堵评估方法、装置、电子设备及存储介质 |
CN116913108A (zh) * | 2023-09-13 | 2023-10-20 | 深圳市新城市规划建筑设计股份有限公司 | 城市交通监控调度方法和系统 |
Non-Patent Citations (5)
Title |
---|
Low-Cost Road Traffic State Estimation System Using Time-Spatial Image Processing;William H.K. Lam;《IEEE Intelligent Transportation Systems Magazine》;20190120;第11卷(第3期);69 - 79 * |
信号交叉口实时排队长度估计;赵淑芝;吉林大学学报(工学版);20150310;第46卷(第01期);85-91 * |
城市信号交叉口交通运行评价参数视频检测;曹倩霞;《交通运输系统工程与信息》;20151215;第15卷(第06期);60-66 * |
基于图像处理的车辆排队长度检测方法研究;李盼侬;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20200115;第2020年卷(第01期);C034-1404 * |
基于角点特征分析的车辆排队长度检测方法;刘新平;《计算机系统应用》;20200415;第29卷(第04期);220-225 * |
Also Published As
Publication number | Publication date |
---|---|
CN117437581A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7106664B2 (ja) | 知的運転制御方法および装置、電子機器、プログラムならびに媒体 | |
CN105512623B (zh) | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 | |
CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
CN103400150B (zh) | 一种基于移动平台进行道路边缘识别的方法及装置 | |
CN102682292B (zh) | 基于单目视觉的道路边缘检测及粗定位方法 | |
CN108038416B (zh) | 车道线检测方法及系统 | |
CN107590470B (zh) | 一种车道线检测方法及装置 | |
CN104766071B (zh) | 一种应用于无人驾驶汽车的交通灯快速检测算法 | |
WO2015089867A1 (zh) | 一种交通违章检测方法 | |
WO2013186662A1 (en) | Multi-cue object detection and analysis | |
CN113850123A (zh) | 基于视频的公路监控方法及装置、存储介质和监控系统 | |
CN108416316B (zh) | 一种黑烟车的检测方法及系统 | |
CN112215306A (zh) | 一种基于单目视觉与毫米波雷达融合的目标检测方法 | |
CN113593250A (zh) | 一种基于视觉识别的违章停车检测系统 | |
JP3849505B2 (ja) | 障害物監視装置及びプログラム | |
CN110796580B (zh) | 智能交通系统管理方法及相关产品 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN114299457A (zh) | 积水深度检测方法及装置 | |
CN111723805B (zh) | 一种信号灯的前景区域识别方法及相关装置 | |
CN106803073B (zh) | 基于立体视觉目标的辅助驾驶系统及方法 | |
CN117437581B (zh) | 基于图像语义分割和视角缩放的机动车拥堵长度计算方法 | |
CN109330833B (zh) | 一种辅助视障患者安全出行的智能感知系统和方法 | |
Habib et al. | Lane departure detection and transmission using Hough transform method | |
WO2022142827A1 (zh) | 占道信息确定方法和装置 | |
Zhang et al. | A vision-based road surveillance system using improved background subtraction and region growing approach |
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 |