CN117877273A - 基于空地信息融合的智慧高速交通状态判别方法及系统 - Google Patents
基于空地信息融合的智慧高速交通状态判别方法及系统 Download PDFInfo
- Publication number
- CN117877273A CN117877273A CN202410274947.5A CN202410274947A CN117877273A CN 117877273 A CN117877273 A CN 117877273A CN 202410274947 A CN202410274947 A CN 202410274947A CN 117877273 A CN117877273 A CN 117877273A
- Authority
- CN
- China
- Prior art keywords
- speed
- traffic flow
- portal
- data
- traffic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000004927 fusion Effects 0.000 title claims abstract description 88
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000026058 directional locomotion Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012850 discrimination method Methods 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于空地信息融合的智慧高速交通状态判别方法及系统,属于智慧交通技术领域,用于解决现有的高速公路交通运行状态感知方法多依靠断面数据进行分析,具有空间盲区和应用局限性,无法对高速公路全路段实现全息感知,得到的状态评价结果可靠性较低的技术问题。方法包括:通过一组无人机设备,对待测高速路段进行移动悬停组合式数据采集,得到交通流运行的视频数据;在视频数据中提取第一交通流特征参数;采集待测高速路段中的门架数据,并在门架数据中提取第二交通流特征参数;将第一交通流特征参数与第二交通流特征参数进行数据融合,得到综合交通流特征参数;根据综合交通流特征参数,对待测高速路段的交通流运行状态进行判定。
Description
技术领域
本发明涉及智慧交通技术领域,尤其涉及一种基于空地信息融合的智慧高速交通状态判别方法及系统。
背景技术
近年来,随着中国高速网络的完善,以及社会对高速出行要求的日益提升,交通出行需求迅猛增长,单纯依靠扩大路网建设规模已经不能有效解决交通供需不平衡、交通拥堵日益严重等问题。基于此,高速公路交通运行状态感知体系可以为高速公路的管控措施与运营策略提供数据支撑,辅助提升高速公路的运行效率,以最大程度发挥高速公路的作用。
目前高速公路交通运行状态感知方法一般通过获取高速公路上的各种地面检测器数据,通过对检测器数据进行一系列分析处理,得出当前路段的状态评价值。但这种方式仅能分析到断面交通状态,无法获取相邻两个固定检测器之间的状态,实现全时空覆盖。若两个固定检测器中间的路段发生了紧急情况,无法及时得知该情况并做出应急反应,可能会造成无法预料的拥堵或事故。因此,目前仅依靠断面数据进行高速公路交通运行状态感知的方法具有空间盲区和应用局限性,无法对高速公路全路段实现全息感知,一定程度上降低了状态评价结果的可靠性。
发明内容
本发明实施例提供了基于空地信息融合的智慧高速交通状态判别方法及系统,用于解决如下技术问题:现有的高速公路交通运行状态感知方法多依靠断面数据进行分析,具有空间盲区和应用局限性,无法对高速公路全路段实现全息感知,得到的状态评价结果可靠性较低。
本发明实施例采用下述技术方案:
一方面,本发明实施例提供了一种基于空地信息融合的智慧高速交通状态判别方法,方法包括:通过一组无人机设备,对待测高速路段进行移动悬停组合式数据采集,得到所述待测高速路段中交通流运行的视频数据;
在所述视频数据中提取所述待测高速路段的第一交通流特征参数;
采集所述待测高速路段中的门架数据,并在所述门架数据中提取所述待测高速路段的第二交通流特征参数;
将所述第一交通流特征参数与所述第二交通流特征参数进行数据融合,得到所述待测高速路段的综合交通流特征参数;其中,所述综合交通流特征参数中至少包括交通饱和度、空间占有率以及时间平均速度融合总值;
根据所述综合交通流特征参数,对所述待测高速路段的交通流运行状态进行判定,得到所述待测高速路段的交通流运行状态等级。
在一种可行的实施方式中,通过一组无人机设备,对待测高速路段进行移动悬停组合式数据采集,得到所述待测高速路段中交通流运行的视频数据,具体包括:
将所述一组无人机设备中的两架无人机分别布设在所述待测高速路段两端的门架上方进行悬停,采集两个门架上方的第一视频数据;
基于预设时间间隔,选取所述一组无人机设备中的一架无人机作为移动无人机,在所述待测高速路段两端的门架之间进行定向移动;
根据两个门架之间的总长度以及所述移动无人机的实时运行参数,确定所述移动无人机在两个门架之间的悬停间隔距离以及悬停采集次数;
根据所述悬停采集次数以及所述预设时间间隔,确定所述移动无人机每次悬停的数据采集时长;
根据所述悬停采集次数以及所述数据采集时长,控制所述移动无人机进行移动悬停组合式数据采集,得到两个门架之间的第二视频数据。
在一种可行的实施方式中,在所述视频数据中提取所述待测高速路段的第一交通流特征参数,具体包括:
对所述视频数据进行预处理,以将原始图像坐标转换为平面坐标;
通过预训练的车辆检测模型,在预处理后的视频数据中,提取所述待测高速路段中的交通流参数;其中,所述交通流参数至少包括以下任一项或多项:车辆数量、车辆长度、车辆运行速度以及车道数量;
根据所述交通流参数,确定所述待测高速路段中的第一交通流特征参数;其中,所述第一交通流特征参数至少包括:所述空间占有率、第一交通流量、两个门架断面的第一时间平均速度以及两个门架之间的第一空间平均速度。
在一种可行的实施方式中,根据所述交通流参数,确定所述待测高速路段中的第一交通流特征参数,具体包括:
根据,确定所述待测高速路段中,由视频数据获取的第t个时间间隔内门架a、b之间的空间占有率/>;其中,/>为第二视频数据/>第一帧图片中第j辆车的长度;/>表示/>第一帧图片中的车辆数量;/>表示门架a至门架b方向的车道数量;c为移动无人机在门架a、b之间的悬停采集次数;
根据,确定所述待测高速路段中,由视频数据获取的第t个时间间隔内门架a、b之间的第一交通流量/>;其中,/>为第t个时间间隔内门架a的断面车流量;/>为第t个时间间隔内门架b的断面车流量;/>为无人机在门架a、b上方悬停数据采集的时长;/>为移动无人机在门架a、b之间每次悬停的数据采集时长;/>为第t个时间间隔内在门架a、b之间第i次观测的车辆数量;
根据,确定第t个时间间隔内,由视频数据获取的a门架断面的第一时间平均速度/>;其中,/>为第t个时间间隔内经过门架a断面的第j辆车的瞬时速度;
根据,确定第t个时间间隔内,由视频数据获取的b门架断面的第一时间平均速度/>;其中,/>为第t个时间间隔内经过门架b断面的第j辆车的瞬时速度;
根据,确定第t个时间间隔内,由视频数据获取的门架a、b之间的第一空间平均速度/>;其中,;/>为第二交通流运行视频数据第k帧图片中第j辆车的瞬时速度,帧率取值为30fps,/>;/>表示为第k帧图片中的车辆数量。
在一种可行的实施方式中,在所述门架数据中提取所述待测高速路段的第二交通流特征参数,具体包括:
对所述待测高速路段的门架数据进行流量统计,分别得到第t个时间间隔内经过每个门架断面的第二交通流量;
根据,确定第t个时间间隔内,由门架数据获取的a门架断面的第二时间平均速度/>;其中,/>为第t个时间间隔内,由门架数据获取的a门架断面第j辆车的瞬时速度,/>为第t个时间间隔内,由门架数据获取的门架a的断面车流量;
根据,确定第t个时间间隔内,由门架数据获取的b门架断面的第二时间平均速度/>;其中,/>为第t个时间间隔内,由门架数据获取的b门架断面第j辆车的瞬时速度,/>为第t个时间间隔内,由门架数据获取的门架b的断面车流量。
在一种可行的实施方式中,将所述第一交通流特征参数与所述第二交通流特征参数进行数据融合,得到所述待测高速路段的综合交通流特征参数,具体包括:
根据,将所述第一交通流特征参数中的第一空间平均速度转换为第三时间平均速度/>;其中,/>为所述第一空间平均速度;/>为空间平均速度观测值的均方差;
在由视频数据获取的第一断面瞬时速度数据集合,以及由门架数据获取的第二断面瞬时速度数据集合中,确定速度异常率;并根据所述速度异常率,将第一时间平均速度、第二时间平均速度以及第三时间平均速度进行融合,得到所述时间平均速度融合总值;
根据门架数据获取的断面车流量以及由视频数据提取的第一交通流量,确定交通流量融合值;并根据所述交通流量融合值,确定所述待测高速路段的所述交通饱和度。
在一种可行的实施方式中,在由视频数据获取的第一断面瞬时速度数据集合,以及由门架数据获取的第二断面瞬时速度数据集合中,确定速度异常率,根据速度异常率,将第一时间平均速度、第二时间平均速度以及第三时间平均速度进行融合,得到所述时间平均速度融合总值,具体包括:
将由视频数据获取的a门架断面、b门架断面对应的第一瞬时速度数据集合分别记为、/>;将由门架数据获取的a门架断面、b门架断面对应的第二瞬时速度数据集合分别记为/>、/>;
分别确定四个瞬时速度数据集合中的异常值检测范围;其中,/>表示集合中由小到大排列后第1/4位置处对应的速度值;/>表示集合中由小到大排列后第3/4位置处对应的速度值;
根据所述异常值检测范围,分别确定瞬时速度数据集合、/>、/>、/>对应的速度异常率/>、/>、/>、/>;
根据,将由视频数据获取的a门架断面的第一时间平均速度/>,与由门架数据获取的a门架断面的第二时间平均速度/>进行融合,得到第一时间平均速度融合值/>;
根据,将由视频数据获取的b门架断面的第一时间平均速度/>,与由门架数据获取的b门架断面的第二时间平均速度/>进行融合,得到第二时间平均速度融合值/>;
根据,将所述第一时间平均速度融合值/>、所述第二时间平均速度融合值/>,以及所述第三时间平均速度/>进行融合,得到第t个时间间隔内所述待测高速路段的时间平均速度融合总值/>;其中,c为移动无人机在门架a、b之间的悬停采集次数。
在一种可行的实施方式中,根据门架数据获取的断面车流量以及由视频数据提取的第一交通流量,确定交通流量融合值;并根据所述交通流量融合值,确定所述待测高速路段的所述交通饱和度,具体包括:
根据,确定第t个时间间隔内所述待测高速路段中的交通流量融合值/>;
其中,为由视频数据获取的第t个时间间隔内门架a、b之间的第一交通流量,为无人机在门架a、b上方悬停数据采集的时长,/>为移动无人机在门架a、b之间每次悬停的数据采集时长,/>为第t个时间间隔内由门架数据获取的门架a的断面车流量,/>为第t个时间间隔内,由门架数据获取的门架b的断面车流量;
根据,确定所述待测高速路段的交通饱和度/>;其中,/>为门架a、b之间路段的实际通行能力,/>表示门架a至门架b方向的车道数量。
在一种可行的实施方式中,根据所述综合交通流特征参数,对所述待测高速路段的交通流运行状态进行判定,得到所述待测高速路段的交通流运行状态等级,具体包括:
建立评判指标集以及评判状态集/>;其中,/>为所述空间占有率,/>为所述时间平均速度融合总值,/>为所述交通饱和度;/>、/>、/>分别代表高速公路的交通自由流状态、同步流状态以及宽运动堵塞状态;
计算所述评判指标集中每个评判指标分别对应所述评判状态集的隶属度函数,并确定所述评判指标集对于所述评判状态集的隶属度矩阵U;
通过极差变换法将所述隶属度矩阵转化为评判指标矩阵,并通过熵值法,计算所述评判指标矩阵中每个评判指标的指标权重,得到指标权重集;
根据,建立所述待测高速路段的交通运行状态多指标综合评价集B;其中,b 1 、b 2 、b 3分别代表当前交通运行状态对于/>、/>、/>的隶属度;
通过计算,确定所述交通流运行状态等级的最大隶属度b i,并将所述最大隶属度b i对应的下标i确定为所述待测高速路段的交通流运行状态等级,以及将s i对应的交通状态确定为所述待测高速路段的交通流运行状态。
另一方面,本发明实施例还提供了一种基于空地信息融合的智慧高速交通状态判别系统,所述系统包括:
空地数据采集模块,用于通过一组无人机设备,对待测高速路段进行移动悬停组合式数据采集,得到所述待测高速路段中交通流运行的视频数据;以及采集所述待测高速路段中的门架数据;
交通流特征参数提取模块,用于在所述视频数据中提取所述待测高速路段的第一交通流特征参数;以及在所述门架数据中提取所述待测高速路段的第二交通流特征参数;
空地数据融合模块,用于将所述第一交通流特征参数与所述第二交通流特征参数进行数据融合,得到所述待测高速路段的综合交通流特征参数;其中,所述综合交通流特征参数中至少包括交通饱和度、空间占有率以及时间平均速度融合总值;
交通流运行状态判定模块,用于根据所述综合交通流特征参数,对所述待测高速路段的交通流运行状态进行判定,得到所述待测高速路段的交通流运行状态等级。
与现有技术相比,本发明实施例提供的基于空地信息融合的智慧高速交通状态判别方法及系统,具有如下有益效果:
1、本发明突破了高速公路固定检测器交通流数据采集的空间局限性,提出了基于无人机的移动悬停组合式交通数据采集方法,能够实现对高速公路某一路段的空间全覆盖交通流感知。该方法主要通过调整无人机飞行高度和悬停点采次数,确保无人机连续航拍图像能够实现无缝拼接,从中提取有效的空间交通流参数,如空间占有率、空间平均速度、空间多断面流量等,以精准评估高速公路某一路段的实际交通运行状态;
2、本发明的创新之处在于提出了基于无人机和门架的交通流数据双层融合处理方法。首先,将无人机和门架所获取的断面时间平均速度和流量进行融合,实现同一断面层不同数据源的融合;其次,引入独特的时空点采影响因子,将门架断面层的参数与门架区间层参数进行空地信息时空层融合,得到时空覆盖率显著提升的交通流参数融合结果,为精准评估高速公路某一路段交通流运行状态提供了可靠数据支撑;
3、无人机从空中俯瞰道路交通状况,能够捕捉路段的全局交通流信息;门架检测器能够实现断面交通流的全样本检测。本发明巧妙结合无人机与门架的交通检测优势,对高速公路交通流进行全方位数据采集,这种空地联动的交通状态判别方法能够获取更广泛、全面且实用价值高的交通流信息,显著提高交通流判别的准确性与可信度,为高速交通管理部门提供了有力的决策依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例提供的一种基于空地信息融合的智慧高速交通状态判别方法流程图;
图2为本发明实施例提供的一种无人机布设示意图;
图3为本发明实施例提供的一种无人机拍摄视角示意图;
图4为本发明实施例提供的一种基于空地信息融合的智慧高速交通状态判别系统的结构示意图。
附图标记说明:
400、基于空地信息融合的智慧高速交通状态判别系统;410、空地数据采集模块;420、交通流特征参数提取模块;430、空地数据融合模块;440、交通流运行状态判定模块。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明实施例提供了一种基于空地信息融合的智慧高速交通状态判别方法,如图1所示,基于空地信息融合的智慧高速交通状态判别方法具体包括步骤S101-S105:
S101、通过一组无人机设备,对待测高速路段进行移动悬停组合式数据采集,得到待测高速路段中交通流运行的视频数据。
具体地,将一组无人机设备中的两架无人机分别布设在待测高速路段两端的门架上方进行悬停,采集两个门架上方的第一视频数据。然后基于预设时间间隔,选取一组无人机设备中的一架无人机作为移动无人机,在待测高速路段两端的门架之间进行定向移动;根据两个门架之间的总长度以及移动无人机的实时运行参数,确定移动无人机在两个门架之间的悬停间隔距离以及悬停采集次数;然后根据悬停采集次数以及预设时间间隔,确定移动无人机每次悬停的数据采集时长。最后根据悬停采集次数以及数据采集时长,控制移动无人机进行移动悬停组合式数据采集,得到两个门架之间的第二视频数据。
作为一种可行的实施方式,图2为本发明实施例提供的一种无人机布设示意图,如图2所示,选取两个相邻门架a、b之间上行或下行方向的基本路段作为高速公路交通流状态判别的对象,即待测高速路段。利用门架的经纬度位置数据计算门架之间的距离L。在得到待测高速路段的交通量状态判别指令后,选派两架无人机分别布设在a、b门架上方,采用悬停方式进行视频数据采集,将第t个时间间隔内在a、b门架上方采集的第一视频数据分别记作和/>。
然后在第t个时间间隔内选派另一架移动无人机沿着门架a至b(或b至a)的方向进行移动悬停组合式数据采集,如图2所示实现相邻门架之间交通流数据采集的全覆盖和无缝衔接。图3为本发明实施例提供的一种无人机拍摄视角示意图,如图3所示,无人机在a、b门架之间的悬停采集次数计算公式为:,/>;其中,/>表示移动无人机在a、b门架之间的悬停采集次数;/>表示a、b门架之间的距离(m);/>表示移动无人机航拍面积的道路长度(m);/>表示移动无人机的飞行高度(m),/>;/>表示移动无人机上摄像头的拍摄视角范围;/>表示拍摄视角与垂线之间的倾斜角度,两个角度如图3所示。然后无人机在a、b门架之间悬停式数据采集的单位时长计算公式为:;式中,/>表示a、b门架之间的移动无人机每次悬挂式采集的时间(min);/>表示a、b门架上方的悬停无人机的悬挂式采集时间,即单位时间间隔(min),一般为5min;/>表示无人机飞行的最大水平速度(运动挡);/>表示无人机飞行的最大加速度(m/s²)。
由上述计算出的数据控制移动无人机沿道路中心线进行交通数据采集,每隔距离悬停一次,每次悬停的数据采集时长为/>,共悬停c次。移动无人机拍摄得到的第二视频数据记作/>。
本发明通过调整无人机的飞行高度和悬停点采次数,确保无人机的连续航拍图像能够实现无缝拼接,从而得到待测高速路段的完整航拍图像。
S102、在视频数据中提取待测高速路段的第一交通流特征参数。
具体地,首先对采集的视频数据进行预处理,以将原始图像坐标转换为平面坐标。然后通过预训练的车辆检测模型,在预处理后的视频数据中,提取待测高速路段中的交通流参数;其中,交通流参数至少包括以下任一项或多项:车辆数量、车辆长度、车辆运行速度以及车道数量。
作为一种可行的实施方式,首先对采集的视频数据进行图像矫正处理。步骤如下:(1)通过透视变换将原始图像坐标转换为像素坐标/>,公式为:,/>;式中,/>表示图像坐标对应的齐次坐标;/>表示像素坐标对应的齐次坐标;/>表示旋转缩放量;/>表示平移量;/>表示投影量。(2)将像素坐标/>转换为平面坐标/>,公式为:;其中,/>表示x方向上实际距离与像素距离的比值;/>表示y方向上实际距离与像素距离的比值。
然后对视频数据进行图像处理,具体如下:建立车辆检测图像数据集,然后对YOLOv5车辆检测模型进行训练,实现视频车辆类型的识别。进一步地,利用DeepSORT算法实现多目标跟踪,提取得到视频数据中待测高速路段上的车辆数、车辆长度、车辆运行速度、车道数量等参数。
进一步地,根据提取的交通流参数,确定待测高速路段中的第一交通流特征参数;其中,第一交通流特征参数至少包括:空间占有率、第一交通流量、两个门架断面的第一时间平均速度以及两个门架之间的第一空间平均速度。
第一交通流特征参数的具体获取方式如下:
(1)首先根据公式,确定待测高速路段中,由视频数据获取的第t个时间间隔内门架a、b之间的空间占有率/>;式中,/>为第二视频数据第一帧图片中第j辆车的长度;/>表示/>第一帧图片中的车辆数量;/>表示门架a至门架b方向的车道数量。
(2)先基于和/>统计得到门架a、b的断面车流量参数/>和/>,基于统计得到门架a、b之间的车流量参数/>。然后根据公式/>,确定待测高速路段中,由视频数据获取的第t个时间间隔内门架a、b之间的第一交通流量;式中,/>为第t个时间间隔内门架a的断面车流量;/>为第t个时间间隔内门架b的断面车流量;/>为无人机在门架a、b上方悬停数据采集的时长;/>为移动无人机在门架a、b之间每次悬停的数据采集时长;/>为第t个时间间隔内在门架a、b之间第i次观测的车辆数量。
(3)最后根据公式,确定第t个时间间隔内,由视频数据获取的a门架断面的第一时间平均速度/>;其中,/>为第t个时间间隔内经过门架a断面的第j辆车的瞬时速度;
根据公式,确定第t个时间间隔内,由视频数据获取的b门架断面的第一时间平均速度/>;其中,/>为第t个时间间隔内经过门架b断面的第j辆车的瞬时速度;
根据公式,确定第t个时间间隔内,由视频数据获取的门架a、b之间的第一空间平均速度/>;其中,;/>为第二交通流运行视频数据第k帧图片中第j辆车的瞬时速度,帧率取值为30fps,/>;/>表示为第k帧图片中的车辆数量。
需要说明的是,时间平均速度表示视频数据中,单位时间(例如5分钟)内通过门架断面的车辆速度的平均值。空间平均速度表示一帧图片中,待测高速路段中所有车辆瞬时速度的平均值。
S103、采集待测高速路段中的门架数据,并在门架数据中提取待测高速路段的第二交通流特征参数。
具体地,高速公路上的门架也能够自动采集过往车辆的交通数据,一般称为门架数据。本发明在门架管理系统中获取待测高速路段两端的两个门架记录的门架数据,并对门架数据进行流量统计,分别得到第t个时间间隔内经过每个门架断面的第二交通流量。
作为一种可行的实施方式,对高速公路门架数据进行统计,得到流量参数、。其中,/>表示门架数据显示的第t个时间间隔内经过门架a断面的总流量;/>表示门架数据显示的第t个时间间隔内经过门架b断面的总流量。
进一步地,先剔除门架数据中数值为0和空值的异常数据,以对门架数据进行清洗。然后根据公式,确定第t个时间间隔内,由门架数据获取的a门架断面的第二时间平均速度/>;其中,/>为第t个时间间隔内,由门架数据获取的a门架断面第j辆车的瞬时速度,/>为第t个时间间隔内,由门架数据获取的门架a的断面车流量。
进一步地,根据公式,确定第t个时间间隔内,由门架数据获取的b门架断面的第二时间平均速度/>;其中,/>为第t个时间间隔内,由门架数据获取的b门架断面第j辆车的瞬时速度,/>为第t个时间间隔内,由门架数据获取的门架b的断面车流量。
S104、将第一交通流特征参数与第二交通流特征参数进行数据融合,得到待测高速路段的综合交通流特征参数;其中,综合交通流特征参数中至少包括交通饱和度、空间占有率以及时间平均速度融合总值。
具体地,根据公式,将第一交通流特征参数中的第一空间平均速度转换为第三时间平均速度/>;其中,/>为第一空间平均速度;/>为空间平均速度观测值的均方差。
进一步地,在由视频数据获取的第一断面瞬时速度数据集合,以及由门架数据获取的第二断面瞬时速度数据集合中,确定速度异常率;并根据速度异常率,将第一时间平均速度、第二时间平均速度以及第三时间平均速度进行融合,得到时间平均速度融合总值,具体实现步骤如下:
(1)将由视频数据获取的a门架断面、b门架断面对应的第一瞬时速度数据集合分别记为、/>;将由门架数据获取的a门架断面、b门架断面对应的第二瞬时速度数据集合分别记为/>、/>。分别确定四个瞬时速度数据集合中的异常值检测范围;其中,/>表示集合中由小到大排列后第1/4位置处对应的速度值;/>表示集合中由小到大排列后第3/4位置处对应的速度值。
(2)在四个瞬时速度数据集合、/>、/>、/>中,筛选不属于各自异常值检测范围的数据,将筛选出来的数据确定为速度异常值。然后计算速度异常值占各集合中总数据量的占比,得到四个瞬时速度集合分别对应的速度异常率/>、/>、/>、/>。
(3)根据公式,将由视频数据获取的a门架断面的第一时间平均速度/>,与由门架数据获取的a门架断面的第二时间平均速度/>进行融合,得到第一时间平均速度融合值/>。
根据公式,将由视频数据获取的b门架断面的第一时间平均速度/>,与由门架数据获取的b门架断面的第二时间平均速度/>进行融合,得到第二时间平均速度融合值/>;
(4)引入时空点采影响因子,将门架断面层参数与相邻门架区间层参数进行空地信息时空层融合,根据公式,将第一时间平均速度融合值/>、第二时间平均速度融合值/>,以及第三时间平均速度/>进行融合,得到第t个时间间隔内所述待测高速路段的时间平均速度融合总值/>。
进一步地,根据门架数据获取的断面车流量以及由视频数据提取的第一交通流量,确定交通流量融合值;并根据交通流量融合值,确定待测高速路段的交通饱和度,具体包括:
根据公式,确定第t个时间间隔内待测高速路段中的交通流量融合值/>;其中,/>为由视频数据获取的第t个时间间隔内门架a、b之间的第一交通流量,/>为无人机在门架a、b上方悬停数据采集的时长,/>为移动无人机在门架a、b之间每次悬停的数据采集时长,/>为第t个时间间隔内由门架数据获取的门架a的断面车流量,/>为第t个时间间隔内,由门架数据获取的门架b的断面车流量。
进一步地,将上述交通流量融合值,代入公式中,得到待测高速路段的交通饱和度/>;其中,/>为门架a、b之间路段的实际通行能力,/>表示门架a至门架b方向的车道数量。
经过上述融合过程,能够得到根据无人机视频数据和高速公路门架数据融合后的时间平均速度融合总值、交通饱和度以及空间占有率。其中,空间占有率并不是由两个数据特征融合得到的,而是根据无人机采集的视频数据单独计算得出的,因为门架数据采集的只是断面数据,无法获取整个路段空间内的车辆空间占有率。
S105、根据综合交通流特征参数,对待测高速路段的交通流运行状态进行判定,得到待测高速路段的交通流运行状态等级。
具体地,在得到上个步骤中的时间平均速度融合总值、交通饱和度以及空间占有率这三个参数后,建立评判指标集以及评判状态集/>;其中,/>为空间占有率,/>为时间平均速度融合总值,/>为交通饱和度;/>、/>、/>分别代表高速公路的交通自由流状态、同步流状态以及宽运动堵塞状态。
进一步地,计算评判指标集中每个评判指标分别对应评判状态集的隶属度函数,并确定评判指标集对于评判状态集的隶属度矩阵U。然后通过极差变换法将隶属度矩阵转化为评判指标矩阵,并通过熵值法,计算评判指标矩阵中每个评判指标的指标权重,得到指标权重集。
作为一种可行的实施方式,通过隶属度函数,计算评判指标集中各个评判指标数值对于评判状态集中三个状态的隶属度,得到隶属度矩阵:;其中,/>,,/>;式中:/>为评判指标数值;/>为评判指标i对应评判状态集j的隶属度函数;/>为评判指标i的状态等级划分阈值,如表1所示:
表1
进一步地,利用熵值法计算评价指标之间的权重得到指标权重集,计算步骤如下:采用极差变换法将原始数据矩阵/>转化为矩阵/>,基于熵值法的第i项评价指标权重计算公式为:/>;式中:/>表示第i项指标的熵值,即,其中/>,当/>取最小值时,令/>。
进一步地,根据,建立待测高速路段的交通运行状态多指标综合评价集B;其中,b 1 、b 2 、b 3分别代表当前交通运行状态对于、/>、/>的隶属度。
进一步地,通过计算,确定交通流运行状态等级的最大隶属度b i,并将最大隶属度b i对应的下标i确定为待测高速路段的交通流运行状态等级,以及将s i对应的交通状态确定为待测高速路段的交通流运行状态。/>
在一个实施例中,若的结果为b 2,那么待测高速路段的交通量运行状态等级为2级,并且当前待测高速路段的交通流运行状态也可得出是s 2代表的同步流状态。
本发明突破了高速公路固定检测器交通流数据采集的空间局限性,提出了基于无人机的移动悬停组合式交通数据采集方法,能够实现对高速公路某一路段的空间全覆盖交通流感知。该方法主要通过调整无人机飞行高度和悬停点采次数,确保无人机连续航拍图像能够实现无缝拼接,从中提取有效的空间交通流参数,如空间占有率、空间平均速度、空间多断面流量等,以精准评估高速公路某一路段的实际交通运行状态。
另外,本发明实施例还提供了一种基于空地信息融合的智慧高速交通状态判别系统,如图4所示,基于空地信息融合的智慧高速交通状态判别系统400具体包括:
空地数据采集模块410,用于通过一组无人机设备,对待测高速路段进行移动悬停组合式数据采集,得到所述待测高速路段中交通流运行的视频数据;以及采集所述待测高速路段中的门架数据;
交通流特征参数提取模块420,用于在所述视频数据中提取所述待测高速路段的第一交通流特征参数;以及在所述门架数据中提取所述待测高速路段的第二交通流特征参数;
空地数据融合模块430,用于将所述第一交通流特征参数与所述第二交通流特征参数进行数据融合,得到所述待测高速路段的综合交通流特征参数;其中,所述综合交通流特征参数中至少包括交通饱和度、空间占有率以及时间平均速度融合总值;
交通流运行状态判定模块440,用于根据所述综合交通流特征参数,对所述待测高速路段的交通流运行状态进行判定,得到所述待测高速路段的交通流运行状态等级。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本发明特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明的实施例可以有各种更改和变化。凡在本发明实施例的精神和原理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 (10)
1.基于空地信息融合的智慧高速交通状态判别方法,其特征在于,所述方法包括:
通过一组无人机设备,对待测高速路段进行移动悬停组合式数据采集,得到所述待测高速路段中交通流运行的视频数据;
在所述视频数据中提取所述待测高速路段的第一交通流特征参数;
采集所述待测高速路段中的门架数据,并在所述门架数据中提取所述待测高速路段的第二交通流特征参数;
将所述第一交通流特征参数与所述第二交通流特征参数进行数据融合,得到所述待测高速路段的综合交通流特征参数;其中,所述综合交通流特征参数中至少包括交通饱和度、空间占有率以及时间平均速度融合总值;
根据所述综合交通流特征参数,对所述待测高速路段的交通流运行状态进行判定,得到所述待测高速路段的交通流运行状态等级。
2.根据权利要求1所述的基于空地信息融合的智慧高速交通状态判别方法,其特征在于,通过一组无人机设备,对待测高速路段进行移动悬停组合式数据采集,得到所述待测高速路段中交通流运行的视频数据,具体包括:
将所述一组无人机设备中的两架无人机分别布设在所述待测高速路段两端的门架上方进行悬停,采集两个门架上方的第一视频数据;
基于预设时间间隔,选取所述一组无人机设备中的一架无人机作为移动无人机,在所述待测高速路段两端的门架之间进行定向移动;
根据两个门架之间的总长度以及所述移动无人机的实时运行参数,确定所述移动无人机在两个门架之间的悬停间隔距离以及悬停采集次数;
根据所述悬停采集次数以及所述预设时间间隔,确定所述移动无人机每次悬停的数据采集时长;
根据所述悬停采集次数以及所述数据采集时长,控制所述移动无人机进行移动悬停组合式数据采集,得到两个门架之间的第二视频数据。
3.根据权利要求1所述的基于空地信息融合的智慧高速交通状态判别方法,其特征在于,在所述视频数据中提取所述待测高速路段的第一交通流特征参数,具体包括:
对所述视频数据进行预处理,以将原始图像坐标转换为平面坐标;
通过预训练的车辆检测模型,在预处理后的视频数据中,提取所述待测高速路段中的交通流参数;其中,所述交通流参数至少包括以下任一项或多项:车辆数量、车辆长度、车辆运行速度以及车道数量;
根据所述交通流参数,确定所述待测高速路段中的第一交通流特征参数;其中,所述第一交通流特征参数至少包括:所述空间占有率、第一交通流量、两个门架断面的第一时间平均速度以及两个门架之间的第一空间平均速度。
4.根据权利要求3所述的基于空地信息融合的智慧高速交通状态判别方法,其特征在于,根据所述交通流参数,确定所述待测高速路段中的第一交通流特征参数,具体包括:
根据,确定所述待测高速路段中,由视频数据获取的第t个时间间隔内门架a、b之间的空间占有率/>;其中,/>为第二视频数据/>第一帧图片中第j辆车的长度;/>表示/>第一帧图片中的车辆数量;/>表示门架a至门架b方向的车道数量;c为移动无人机在门架a、b之间的悬停采集次数;
根据,确定所述待测高速路段中,由视频数据获取的第t个时间间隔内门架a、b之间的第一交通流量/>;其中,/>为第t个时间间隔内门架a的断面车流量;/>为第t个时间间隔内门架b的断面车流量;/>为无人机在门架a、b上方悬停数据采集的时长;/>为移动无人机在门架a、b之间每次悬停的数据采集时长;/>为第t个时间间隔内在门架a、b之间第i次观测的车辆数量;
根据,确定第t个时间间隔内,由视频数据获取的a门架断面的第一时间平均速度/>;其中,/>为第t个时间间隔内经过门架a断面的第j辆车的瞬时速度;
根据,确定第t个时间间隔内,由视频数据获取的b门架断面的第一时间平均速度/>;其中,/>为第t个时间间隔内经过门架b断面的第j辆车的瞬时速度;
根据,确定第t个时间间隔内,由视频数据获取的门架a、b之间的第一空间平均速度/>;其中,;/>为第二交通流运行视频数据/>第k帧图片中第j辆车的瞬时速度,帧率取值为30fps,/>;/>表示为/>第k帧图片中的车辆数量。
5.根据权利要求1所述的基于空地信息融合的智慧高速交通状态判别方法,其特征在于,在所述门架数据中提取所述待测高速路段的第二交通流特征参数,具体包括:
对所述待测高速路段的门架数据进行流量统计,分别得到第t个时间间隔内经过每个门架断面的第二交通流量;
根据,确定第t个时间间隔内,由门架数据获取的a门架断面的第二时间平均速度/>;其中,/>为第t个时间间隔内,由门架数据获取的a门架断面第j辆车的瞬时速度,/>为第t个时间间隔内,由门架数据获取的门架a的断面车流量;
根据,确定第t个时间间隔内,由门架数据获取的b门架断面的第二时间平均速度/>;其中,/>为第t个时间间隔内,由门架数据获取的b门架断面第j辆车的瞬时速度,/>为第t个时间间隔内,由门架数据获取的门架b的断面车流量。
6.根据权利要求1所述的基于空地信息融合的智慧高速交通状态判别方法,其特征在于,将所述第一交通流特征参数与所述第二交通流特征参数进行数据融合,得到所述待测高速路段的综合交通流特征参数,具体包括:
根据,将所述第一交通流特征参数中的第一空间平均速度转换为第三时间平均速度/>;其中,/>为所述第一空间平均速度;/>为空间平均速度观测值的均方差;
在由视频数据获取的第一断面瞬时速度数据集合,以及由门架数据获取的第二断面瞬时速度数据集合中,确定速度异常率;并根据所述速度异常率,将第一时间平均速度、第二时间平均速度以及第三时间平均速度进行融合,得到所述时间平均速度融合总值;
根据门架数据获取的断面车流量以及由视频数据提取的第一交通流量,确定交通流量融合值;并根据所述交通流量融合值,确定所述待测高速路段的所述交通饱和度。
7.根据权利要求6所述的基于空地信息融合的智慧高速交通状态判别方法,其特征在于,在由视频数据获取的第一断面瞬时速度数据集合,以及由门架数据获取的第二断面瞬时速度数据集合中,确定速度异常率,根据速度异常率,将第一时间平均速度、第二时间平均速度以及第三时间平均速度进行融合,得到所述时间平均速度融合总值,具体包括:
将由视频数据获取的a门架断面、b门架断面对应的第一瞬时速度数据集合分别记为、/>;将由门架数据获取的a门架断面、b门架断面对应的第二瞬时速度数据集合分别记为/>、/>;
分别确定四个瞬时速度数据集合中的异常值检测范围;其中,/>表示集合中由小到大排列后第1/4位置处对应的速度值;/>表示集合中由小到大排列后第3/4位置处对应的速度值;
根据所述异常值检测范围,分别确定瞬时速度数据集合、/>、/>、/>对应的速度异常率/>、/>、/>、/>;
根据,将由视频数据获取的a门架断面的第一时间平均速度/>,与由门架数据获取的a门架断面的第二时间平均速度/>进行融合,得到第一时间平均速度融合值/>;
根据,将由视频数据获取的b门架断面的第一时间平均速度/>,与由门架数据获取的b门架断面的第二时间平均速度/>进行融合,得到第二时间平均速度融合值/>;
根据,将所述第一时间平均速度融合值/>、所述第二时间平均速度融合值/>,以及所述第三时间平均速度/>进行融合,得到第t个时间间隔内所述待测高速路段的时间平均速度融合总值/>;其中,c为移动无人机在门架a、b之间的悬停采集次数。
8.根据权利要求7所述的基于空地信息融合的智慧高速交通状态判别方法,其特征在于,根据门架数据获取的断面车流量以及由视频数据提取的第一交通流量,确定交通流量融合值;并根据所述交通流量融合值,确定所述待测高速路段的所述交通饱和度,具体包括:
根据,确定第t个时间间隔内所述待测高速路段中的交通流量融合值/>;
其中,为由视频数据获取的第t个时间间隔内门架a、b之间的第一交通流量,/>为无人机在门架a、b上方悬停数据采集的时长,/>为移动无人机在门架a、b之间每次悬停的数据采集时长,/>为第t个时间间隔内由门架数据获取的门架a的断面车流量,/>为第t个时间间隔内,由门架数据获取的门架b的断面车流量;
根据,确定所述待测高速路段的交通饱和度/>;其中,/>为门架a、b之间路段的实际通行能力,/>表示门架a至门架b方向的车道数量。
9.根据权利要求1所述的基于空地信息融合的智慧高速交通状态判别方法,其特征在于,根据所述综合交通流特征参数,对所述待测高速路段的交通流运行状态进行判定,得到所述待测高速路段的交通流运行状态等级,具体包括:
建立评判指标集以及评判状态集/>;其中,/>为所述空间占有率,/>为所述时间平均速度融合总值,/>为所述交通饱和度;/>、/>、/>分别代表高速公路的交通自由流状态、同步流状态以及宽运动堵塞状态;
计算所述评判指标集中每个评判指标分别对应所述评判状态集的隶属度函数,并确定所述评判指标集对于所述评判状态集的隶属度矩阵U;
通过极差变换法将所述隶属度矩阵转化为评判指标矩阵,并通过熵值法,计算所述评判指标矩阵中每个评判指标的指标权重,得到指标权重集;
根据,建立所述待测高速路段的交通运行状态多指标综合评价集B;其中,b 1 、b 2 、b 3分别代表当前交通运行状态对于/>、/>、/>的隶属度;
通过计算,确定所述交通流运行状态等级的最大隶属度b i,并将所述最大隶属度b i对应的下标i确定为所述待测高速路段的交通流运行状态等级,以及将s i对应的交通状态确定为所述待测高速路段的交通流运行状态。
10.基于空地信息融合的智慧高速交通状态判别系统,其特征在于,所述系统包括:
空地数据采集模块,用于通过一组无人机设备,对待测高速路段进行移动悬停组合式数据采集,得到所述待测高速路段中交通流运行的视频数据;以及采集所述待测高速路段中的门架数据;
交通流特征参数提取模块,用于在所述视频数据中提取所述待测高速路段的第一交通流特征参数;以及在所述门架数据中提取所述待测高速路段的第二交通流特征参数;
空地数据融合模块,用于将所述第一交通流特征参数与所述第二交通流特征参数进行数据融合,得到所述待测高速路段的综合交通流特征参数;其中,所述综合交通流特征参数中至少包括交通饱和度、空间占有率以及时间平均速度融合总值;
交通流运行状态判定模块,用于根据所述综合交通流特征参数,对所述待测高速路段的交通流运行状态进行判定,得到所述待测高速路段的交通流运行状态等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410274947.5A CN117877273B (zh) | 2024-03-12 | 2024-03-12 | 基于空地信息融合的智慧高速交通状态判别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410274947.5A CN117877273B (zh) | 2024-03-12 | 2024-03-12 | 基于空地信息融合的智慧高速交通状态判别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117877273A true CN117877273A (zh) | 2024-04-12 |
CN117877273B CN117877273B (zh) | 2024-05-10 |
Family
ID=90579482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410274947.5A Active CN117877273B (zh) | 2024-03-12 | 2024-03-12 | 基于空地信息融合的智慧高速交通状态判别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117877273B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002288786A (ja) * | 2001-03-26 | 2002-10-04 | Sumitomo Electric Ind Ltd | 広域渋滞判定方法、広域渋滞判定システム及び判定装置 |
US20110170744A1 (en) * | 2010-01-08 | 2011-07-14 | University Of Washington | Video-based vehicle detection and tracking using spatio-temporal maps |
CN103021176A (zh) * | 2012-11-29 | 2013-04-03 | 浙江大学 | 基于断面检测器的城市道路交通状态判别方法 |
CN108986458A (zh) * | 2018-07-04 | 2018-12-11 | 北京航空航天大学 | 一种基于空地协同的高速公路应急处置仿真系统及辅助决策方法 |
CN112512020A (zh) * | 2020-11-20 | 2021-03-16 | 北京中交国通智能交通系统技术有限公司 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
CN114332658A (zh) * | 2022-01-14 | 2022-04-12 | 北京铁科特种工程技术有限公司 | 基于无人机巡检的铁路工务设备与周边环境隐患排查方法 |
CN115512546A (zh) * | 2022-10-08 | 2022-12-23 | 河南博汇智能科技有限公司 | 一种智慧高速交通流主动管理方法、装置及电子设备 |
CN115862335A (zh) * | 2023-02-27 | 2023-03-28 | 北京理工大学前沿技术研究院 | 基于车路信息融合的拥堵预警方法、系统及存储介质 |
CN116310689A (zh) * | 2023-03-24 | 2023-06-23 | 中国科学院空天信息创新研究院 | 一种无人智能多模态信息融合与目标感知系统及作业方法 |
CN116524712A (zh) * | 2023-03-24 | 2023-08-01 | 广东联合电子服务股份有限公司 | 融合时空关联数据的高速公路拥堵预测方法、系统及装置 |
-
2024
- 2024-03-12 CN CN202410274947.5A patent/CN117877273B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002288786A (ja) * | 2001-03-26 | 2002-10-04 | Sumitomo Electric Ind Ltd | 広域渋滞判定方法、広域渋滞判定システム及び判定装置 |
US20110170744A1 (en) * | 2010-01-08 | 2011-07-14 | University Of Washington | Video-based vehicle detection and tracking using spatio-temporal maps |
CN103021176A (zh) * | 2012-11-29 | 2013-04-03 | 浙江大学 | 基于断面检测器的城市道路交通状态判别方法 |
CN108986458A (zh) * | 2018-07-04 | 2018-12-11 | 北京航空航天大学 | 一种基于空地协同的高速公路应急处置仿真系统及辅助决策方法 |
CN112512020A (zh) * | 2020-11-20 | 2021-03-16 | 北京中交国通智能交通系统技术有限公司 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
CN114332658A (zh) * | 2022-01-14 | 2022-04-12 | 北京铁科特种工程技术有限公司 | 基于无人机巡检的铁路工务设备与周边环境隐患排查方法 |
CN115512546A (zh) * | 2022-10-08 | 2022-12-23 | 河南博汇智能科技有限公司 | 一种智慧高速交通流主动管理方法、装置及电子设备 |
CN115862335A (zh) * | 2023-02-27 | 2023-03-28 | 北京理工大学前沿技术研究院 | 基于车路信息融合的拥堵预警方法、系统及存储介质 |
CN116310689A (zh) * | 2023-03-24 | 2023-06-23 | 中国科学院空天信息创新研究院 | 一种无人智能多模态信息融合与目标感知系统及作业方法 |
CN116524712A (zh) * | 2023-03-24 | 2023-08-01 | 广东联合电子服务股份有限公司 | 融合时空关联数据的高速公路拥堵预测方法、系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117877273B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106910203B (zh) | 一种视频监测中运动目标的快速检测方法 | |
CN111145545B (zh) | 基于深度学习的道路交通行为无人机监测系统及方法 | |
CN105744232B (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN101458871B (zh) | 一种智能交通分析系统及其应用系统 | |
CN109644360B (zh) | 一种使用wi-fi探针判别行人流向的方法 | |
CN108550269A (zh) | 基于毫米波雷达的交通流量检测系统及其检测方法 | |
CN106203265A (zh) | 一种基于无人机采集图像的施工扬尘污染源自动监测及影响范围预测系统及方法 | |
CN105206057B (zh) | 基于浮动车居民出行热点区域的检测方法及系统 | |
CN107992067A (zh) | 基于集成吊舱和ai技术的无人机巡检故障诊断系统 | |
CN105608431A (zh) | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 | |
CN103714697B (zh) | 一种识别跟踪罪犯车辆的方法 | |
CN105141885A (zh) | 进行视频监控的方法及装置 | |
CN109255955A (zh) | 一种基于地基和空基协同感知的高速公路事故监测方法及系统 | |
CN102147971A (zh) | 基于视频图像处理技术的交通信息采集系统 | |
CN109272482B (zh) | 一种基于序列图像的城市路口车辆排队检测系统 | |
CN102393961A (zh) | 基于计算机视觉的飞行器输电线路实时检测跟踪方法 | |
CN109766746A (zh) | 一种无人机航拍视频的轨道异物检测方法 | |
CN104732236B (zh) | 一种基于分层处理的人群异常行为智能检测方法 | |
CN102306284B (zh) | 基于监控录像的交通事故现场数字化重构方法 | |
CN107273799A (zh) | 一种室内定位方法及定位系统 | |
CN101425128A (zh) | 基于激光传感器深度图像的人流检测方法 | |
CN107480653A (zh) | 基于计算机视觉的客流量检测方法 | |
CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
CN106408944A (zh) | 基于双通信数据的拥堵等级分析平台 | |
CN106741008A (zh) | 铁路线路异物识别方法及系统 |
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 |