CN106156745A - 基于时空轨迹的行人过街交通特性提取方法及装置 - Google Patents
基于时空轨迹的行人过街交通特性提取方法及装置 Download PDFInfo
- Publication number
- CN106156745A CN106156745A CN201610543038.2A CN201610543038A CN106156745A CN 106156745 A CN106156745 A CN 106156745A CN 201610543038 A CN201610543038 A CN 201610543038A CN 106156745 A CN106156745 A CN 106156745A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- crossing
- space
- street
- time
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000013480 data collection Methods 0.000 claims abstract description 13
- 238000011835 investigation Methods 0.000 claims abstract description 11
- 230000001133 acceleration Effects 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000003111 delayed effect Effects 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 239000007787 solid Substances 0.000 abstract description 3
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000002372 labelling Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于时空轨迹的行人过街交通特性提取方法,属于交通数据调查与分析技术领域。本发明首先基于视频检测方法获取行人过街过程中的行人时空轨迹数据集,然后对行人时空轨迹数据集进行充分数据挖掘,得到一组包括瞬时速度、加速度、平均步速、总过街时间、平均过街速度、总延误、等待延误的行人过街交通特性数据。本发明还公开了一种基于时空轨迹的行人过街交通特性提取装置。本发明所提取的行人过街交通特性参数更加全面、准确,从而为行人交通的深入研究、应用提供了全面坚实的基础;同时本发明可批量化自动实现,有效提高了效率,降低了时间、劳动力成本,同时还避免了现有技术中人为因素对结果所产生的影响。
Description
技术领域
本发明属于交通数据调查与分析技术领域,特别涉及一种基于时空轨迹的行人过街交通特性提取方法及装置。
背景技术
步行交通既是居民短距离出行的重要方式,也是其他出行方式中重要的换乘交通和端末交通,在居民出行中占据着重要地位。当前我国城市普遍存在着“步行难,过街难”等,行人交通的舒适性、安全性和效率等均难以得到保障。设计合理的行人交通设施、优化行人交通管理与控制是改善我国城市行人交通现状最直接有效的方法。但进行行人交通设施设计、行人交通管理与控制的前提和基础是行人交通特性的获取。
目前,行人交通特性主要通过前期现场拍摄视频和后期室内人工观测视频的方法获取。上述方法存在着工作量大,数据精度不高,且难以全面获取行人交通特性等缺陷。随着视频图像处理技术的不断进步,通过行人检测、识别和跟踪获取复杂交通条件下的精细化行人轨迹数据已成为可能。由于行人轨迹数据包含行人过街的全时空信息,通过对轨迹数据的进一步处理可挖掘大量丰富且高精度的行人交通特性数据。
发明内容
本发明所要解决的技术问题在于克服现有技术不足,提供一种基于时空轨迹的行人过街交通特性提取方法及装置,可批量自动获取高精度且全面的行人交通特性数据。
本发明具体采用以下技术方案解决上述技术问题:
基于时空轨迹的行人过街交通特性提取方法,首先基于视频检测方法获取行人过街过程中的行人时空轨迹数据集,然后根据所述行人时空轨迹数据集通过以下公式得到一组行人过街交通特性数据:
其中,vi(t)表示t时刻行人i的瞬时速度,Pi(t)表示t时刻行人i的实地坐标,s为预设的时间间隔,符号“||||”表示取二阶范数,表示行人i的平均步速,ai(t)表示t时刻行人i的加速度,分别为行人i到达和离开人行横道的时刻,n+1为行人i的时空轨迹数据中的采样点数,CT(i)为行人i的过街时间,为行人i的平均过街速度,DT(i)为行人i过街的总延误,L为人行横道的长度,vf为行人自由行走的速度,DW(i)为行人i的等待延误时间,为行人i开始行走的时刻。
优选地,所述基于视频检测获取行人过街过程中的行人时空轨迹数据集,具体如下:
步骤1、利用固定的视频采集装置获取调查点的行人过街视频;
步骤2、对行人过街视频中的行人进行目标识别与跟踪,得到视频中每个行人在过街过程中各时刻下的图像坐标;
步骤3、对所述图像坐标进行坐标变换,将所述图像坐标变换为实地坐标,从而得到视频中每个行人在过街过程中的行人时空轨迹数据。
优选地,利用直接线性坐标变换方法对所述图像坐标进行坐标变换。
根据相同的发明思路还可以得到以下技术方案:
基于时空轨迹的行人过街交通特性提取装置,该装置包括:
行人时空轨迹数据获取单元,其作用为基于视频检测方法获取行人过街过程中的行人时空轨迹数据集;
计算单元,用于根据所述行人时空轨迹数据获取单元所获取的行人时空轨迹数据集,通过以下公式得到一组行人过街交通特性数据:
其中,vi(t)表示t时刻行人i的瞬时速度,Pi(t)表示t时刻行人i的实地坐标,s为预设的时间间隔,符号“||||”表示取二阶范数,表示行人i的平均步速,ai(t)表示t时刻行人i的加速度,分别为行人i到达和离开人行横道的时刻,n+1为行人i的时空轨迹数据中的采样点数,CT(i)为行人i的过街时间,为行人i的平均过街速度,DT(i)为行人i过街的总延误,L为人行横道的长度,vf为行人自由行走的速度,DW(i)为行人i的等待延误时间,为行人i开始行走的时刻。
优选地,所述行人时空轨迹数据获取单元包括:
视频采集装置,其位置固定,用于获取调查点的行人过街视频;
目标识别与跟踪模块,用于对视频采集装置所获取行人过街视频中的行人进行目标识别与跟踪,得到视频中每个行人在过街过程中各时刻下的图像坐标;
坐标转换模块,用于对所述图像坐标进行坐标变换,将所述图像坐标变换为实地坐标,从而得到视频中每个行人在过街过程中的行人时空轨迹数据。
优选地,所述坐标转换模块利用直接线性坐标变换方法对所述图像坐标进行坐标变换。
相比现有技术,本发明具有以下有益效果:
本发明基于利用视频检测方法所获得的行人时空轨迹数据,对其进行充分挖掘,从而获得一系列充分全面反映行人过街行为的特性参数,为行人交通特性的进一步研究、应用提供了坚实的基础;
本发明可批量化自动实现,有效提高了效率,降低了成本,同时还避免了现有技术中人为因素对结果所产生的影响。
附图说明
图1为具体实施方式中本发明方法的流程示意图;
图2为具体实施方式中标记点的选取示意图;
图3为具体实施方式中行人运动轨迹示意图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
针对现有技术不足,本发明首先基于视频检测方法获取行人过街过程中的行人时空轨迹数据集,然后对行人时空轨迹数据集进行充分数据挖掘,得到一组包括瞬时速度、加速度、平均步速、总过街时间、平均过街速度、总延误、等待延误的行人过街交通特性数据,从而为行人交通特性的进一步研究、应用提供了全面坚实的基础。
为了便于公众理解,下面以一个具体实施例来对本发明技术方案进行进一步说明。
如图1所示,本具体实施例中的行人过街交通特性提取方法具体包括以下步骤:
步骤1、行人视频采集:
在调查点的的一定高度处固定设置摄像机,并设置较大的拍摄视角以保证后期数据处理的精度。利用设置好的摄像机拍摄调查点的行人过街视频,拍摄时间和时长根据实际的需要设置。
步骤2、行人识别与跟踪:
对行人过街视频中的行人进行目标识别与跟踪,得到视频中每个行人在过街过程中各时刻下的图像坐标。得益于视频图像处理技术的进步,目前已经出现了许多可对视频中的目标进行自动识别并跟踪的技术,例如基于图像处理技术、基于运动分析和基于匹配技术的目标识别和跟踪方法(参考文献:基于图像的目标识别与跟踪方法,博士论文,哈尔滨工程大学,2007,邢卓异),目前已出现了许多可实现这一功能的商用软件***。以视频中的行人为目标进行目标识别跟踪,即可得到行人在过街过程中各个时刻在图像坐标系下的坐标。本具体实施例中即使用行人轨迹软件George2.1对视频中的行人进行识别跟踪。
步骤3、坐标转换:
通过行人识别与跟踪得到的图像坐标系下的行人运动轨迹数据无法直接用于行人过街特性参数的计算,因此需要将其转换为行人实际的空间坐标。空间中某点与其在摄像机图像中对应点之间存在相互关系,利用这种相互关系即可实现像点坐标与其对应的物方空间坐标之间的相互转换。此类坐标转换技术已在机器视觉、摄影测量等领域得到广泛应用,随着技术进步也发展出了多种多样的方法,这些现有方法均可用于本发明技术方案中。考虑到算法实现的简单便捷,本发明优选采用直接线性坐标变换(Direct LinearTransformation,DLT)方法将视频中行人的图像坐标转换为实地坐标(Multiple ViewGeometry in Computer Vision,Richard Hartley and Andrew Zisserman,CambridgeUniversity Press,March 2004.)。DLT方法是建立像点坐标仪和相应物点物方空间坐标之间直接的线性关系的算法,其具有算法简单易行,对硬件要求低的优点,尤其适用于非专用测量相机(例如交通摄像头)。下面对利用DLT方法进行坐标转换的基本内容进行介绍:
预先在摄像机视野中选取具有明显特征的至少4个点作为标记点,并利用激光测距仪、标尺等对标记点之间的距离进行测量,建立起实际的物理坐标系,并确定标记点在所建立物理坐标系中的坐标(实地坐标)以设置6个标记点为例。
将这些坐标点的实地坐标记为X'r=[Xr1,Xr2,Xr3,Xr4,Xr5,Xr6],Y'r=[Yr1,Yr2,Yr3,Yr4,Yr5,Yr6],然后利用行人视频轨迹提取软件George2.1获得对应的图像坐标:Xi'=[Xi1,Xi2,Xi3,Xi4,Xi5,Xi6],Yi'=[Yi1,Yi2,Yi3,Yi4,Yi5,Yi6]。
对于转换系数H'=[β1,β2,β3,β4,β5,β6,β7,β8]满足平面投影变换公式:
其中Xi,Yi为观测点的图像坐标;其中Xr,Yr为观测点的实际二维坐标;
β1,β2,β3,β4,β5,β6,β7,β8为常系数。
通过后交变换,得到:
β1Xr+β2Yr+β3+β7XrXi+β8YrXi+Xi
β4Xr+β5Y+β6+β7XrYi+β8YrYi=0
通过DLT方法即可得到行人过街过程中各个时刻的实际坐标值。将视频中行人i在时刻t的位置信息记为Pi(t)=(xi,yi),则行人的运动位置序列(时空轨迹)即为{Pi(t0),Pi(t1),Pi(t2)......Pi(tn)}。
步骤4、行人轨迹数据库建立:
将步骤3中所提取的行人的运动位置序列{Pi(t0),Pi(t1),Pi(t2)......Pi(tn)}存入行人轨迹数据库,构成计算行人交通特性参数的数据基础。
步骤5、行人交通特性计算:
利用行人轨迹数据库中的轨迹数据,根据公式(1-6)~(1-12)得到行人过街的瞬时速度、加速度、平均步速、总过街时间、平均过街速度、总延误、等待延误,这样一组全面的行人过街交通特性参数:
其中,vi(t)表示t时刻行人i的瞬时速度,Pi(t)表示t时刻行人i的实地坐标,s为预设的时间间隔(取值应尽可能小,本具体实施方式中为0.1s),符号“||||”表示取二阶范数,表示行人i的平均步速,ai(t)表示t时刻行人i的加速度,分别为行人i到达和离开人行横道的时刻,n+1为行人i的时空轨迹数据中的采样点数,CT(i)为行人i的过街时间,为行人i的平均过街速度,DT(i)为行人i过街的总延误,L为人行横道的长度,vf为行人自由行走的速度,DW(i)为行人i的等待延误时间,为行人i开始行走的时刻。
为了验证本发明效果,选取南京市洪武北路与淮海路交叉口作为调查点,在调查点的人行横道上标记6个点,建立坐标系后确定6个点的实地坐标值(6个标记点的设置情况如图2所示);利用行人视频轨迹提取软件获取6个标记点的图像坐标,如表1所示。
表1参考点坐标变换计算结果
利用直接线性变换算法根据标记点计算从图像坐标转化为实地坐标的换算系数,得到结果如表2所示。
表2坐标变换系数计算结果
利用行人轨迹软件对视频中的行人进行识别跟踪,获取行人过街过程中每一时刻的图像坐标,图3显示了利用行人轨迹软件George2.1对视频中的行人进行识别跟踪所获取的行人过街过程中的运动轨迹。,然后利用预先获得的直接线性坐标变换系数对行人轨迹的空间坐标进行换算,采用时间间隔为0.1s,得到行人过街过程中各个时刻的实际坐标值,如表3行人行走轨迹示例所示。
表3行人行走轨迹示例
然后根据公式(1-9)~(1-12)计算出行人的总过街时间、平均过街速度、总延误和等待延误四项交通特性参数,如表4所示。
表4行人过街交通特性参数
Claims (6)
1.基于时空轨迹的行人过街交通特性提取方法,其特征在于,首先基于视频检测方法获取行人过街过程中的行人时空轨迹数据集,然后根据所述行人时空轨迹数据集通过以下公式得到一组行人过街交通特性数据:
其中,vi(t)表示t时刻行人i的瞬时速度,Pi(t)表示t时刻行人i的实地坐标,s为预设的时间间隔,符号“|| ||”表示取二阶范数,表示行人i的平均步速,ai(t)表示t时刻行人i的加速度,分别为行人i到达和离开人行横道的时刻,n+1为行人i的时空轨迹数据中的采样点数,CT(i)为行人i的过街时间,为行人i的平均过街速度,DT(i)为行人i过街的总延误,L为人行横道的长度,vf为行人自由行走的速度,DW(i)为行人i的等待延误时间,为行人i开始行走的时刻。
2.如权利要求1所述方法,其特征在于,所述基于视频检测获取行人过街过程中的行人时空轨迹数据集,具体如下:
步骤1、利用固定的视频采集装置获取调查点的行人过街视频;
步骤2、对行人过街视频中的行人进行目标识别与跟踪,得到视频中每个行人在过街过程中各时刻下的图像坐标;
步骤3、对所述图像坐标进行坐标变换,将所述图像坐标变换为实地坐标,从而得到视频中每个行人在过街过程中的行人时空轨迹数据。
3.如权利要求2所述方法,其特征在于,利用直接线性坐标变换方法对所述图像坐标进行坐标变换。
4.基于时空轨迹的行人过街交通特性提取装置,其特征在于,该装置包括:
行人时空轨迹数据获取单元,其作用为基于视频检测方法获取行人过街过程中的行人时空轨迹数据集;
计算单元,用于根据所述行人时空轨迹数据获取单元所获取的行人时空轨迹数据集,通过以下公式得到一组行人过街交通特性数据:
其中,vi(t)表示t时刻行人i的瞬时速度,Pi(t)表示t时刻行人i的实地坐标,s为预设的时间间隔,符号“|| ||”表示取二阶范数,表示行人i的平均步速,ai(t)表示t时刻行人i的加速度,分别为行人i到达和离开人行横道的时刻,n+1为行人i的时空轨迹数据中的采样点数,CT(i)为行人i的过街时间,为行人i的平均过街速度,DT(i)为行人i过街的总延误,L为人行横道的长度,vf为行人自由行走的速度,DW(i)为行人i的等待延误时间,为行人i开始行走的时刻。
5.如权利要求4所述装置,其特征在于,所述行人时空轨迹数据获取单元包括:
视频采集装置,其位置固定,用于获取调查点的行人过街视频;
目标识别与跟踪模块,用于对视频采集装置所获取行人过街视频中的行人进行目标识别与跟踪,得到视频中每个行人在过街过程中各时刻下的图像坐标;
坐标转换模块,用于对所述图像坐标进行坐标变换,将所述图像坐标变换为实地坐标,从而得到视频中每个行人在过街过程中的行人时空轨迹数据。
6.如权利要求4所述装置,其特征在于,所述坐标转换模块利用直接线性坐标变换方法对所述图像坐标进行坐标变换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610543038.2A CN106156745A (zh) | 2016-07-06 | 2016-07-06 | 基于时空轨迹的行人过街交通特性提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610543038.2A CN106156745A (zh) | 2016-07-06 | 2016-07-06 | 基于时空轨迹的行人过街交通特性提取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106156745A true CN106156745A (zh) | 2016-11-23 |
Family
ID=58062373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610543038.2A Pending CN106156745A (zh) | 2016-07-06 | 2016-07-06 | 基于时空轨迹的行人过街交通特性提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106156745A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629968A (zh) * | 2018-06-26 | 2018-10-09 | 吉林大学 | 一种基于激光雷达的行人过街安全控制装置 |
CN109272528A (zh) * | 2018-09-18 | 2019-01-25 | 图普科技(广州)有限公司 | 一种行人轨迹获取方法及装置 |
CN113033443A (zh) * | 2021-03-31 | 2021-06-25 | 同济大学 | 一种基于无人机的行人过街设施全路网自动化排查方法 |
CN113936456A (zh) * | 2021-09-30 | 2022-01-14 | 同济大学 | 基于毫米波雷达的过街交通识别与特征分析方法 |
CN116306037A (zh) * | 2023-05-19 | 2023-06-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种计算交叉口行人过街时间方法、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100098289A1 (en) * | 2008-07-09 | 2010-04-22 | Florida Atlantic University | System and method for analysis of spatio-temporal data |
CN101944234A (zh) * | 2010-07-23 | 2011-01-12 | 中国科学院研究生院 | 特征迹驱动的多目标跟踪方法及装置 |
CN102592454A (zh) * | 2012-02-29 | 2012-07-18 | 北京航空航天大学 | 一种基于车辆侧面与路面交线检测的交叉口车辆运动参数测量方法 |
CN105549614A (zh) * | 2015-12-17 | 2016-05-04 | 北京猎鹰无人机科技有限公司 | 无人机目标跟踪方法 |
-
2016
- 2016-07-06 CN CN201610543038.2A patent/CN106156745A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100098289A1 (en) * | 2008-07-09 | 2010-04-22 | Florida Atlantic University | System and method for analysis of spatio-temporal data |
CN101944234A (zh) * | 2010-07-23 | 2011-01-12 | 中国科学院研究生院 | 特征迹驱动的多目标跟踪方法及装置 |
CN102592454A (zh) * | 2012-02-29 | 2012-07-18 | 北京航空航天大学 | 一种基于车辆侧面与路面交线检测的交叉口车辆运动参数测量方法 |
CN105549614A (zh) * | 2015-12-17 | 2016-05-04 | 北京猎鹰无人机科技有限公司 | 无人机目标跟踪方法 |
Non-Patent Citations (5)
Title |
---|
李娟: "城市交通***中行人交通视频检测的理论与方法", 《中国博士学位论文全文数据库 信息科技辑》 * |
李慧颖: "基于行人过街场景的社会力模型改进研究", 《交通信息与安全》 * |
樊冬: "基于群体行为的行人微观仿真模型研究", 《中国优秀硕士学位论文全文数据库 工程科技||辑》 * |
沈涛: "基于视频检测的行人交通参数提取技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵莹莹等: "基于视频的行人过街速度特性", 《吉林大学学报(工学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629968A (zh) * | 2018-06-26 | 2018-10-09 | 吉林大学 | 一种基于激光雷达的行人过街安全控制装置 |
CN108629968B (zh) * | 2018-06-26 | 2023-10-17 | 吉林大学 | 一种基于激光雷达的行人过街安全控制装置 |
CN109272528A (zh) * | 2018-09-18 | 2019-01-25 | 图普科技(广州)有限公司 | 一种行人轨迹获取方法及装置 |
CN113033443A (zh) * | 2021-03-31 | 2021-06-25 | 同济大学 | 一种基于无人机的行人过街设施全路网自动化排查方法 |
CN113033443B (zh) * | 2021-03-31 | 2022-10-14 | 同济大学 | 一种基于无人机的行人过街设施全路网自动化排查方法 |
CN113936456A (zh) * | 2021-09-30 | 2022-01-14 | 同济大学 | 基于毫米波雷达的过街交通识别与特征分析方法 |
CN116306037A (zh) * | 2023-05-19 | 2023-06-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种计算交叉口行人过街时间方法、电子设备及存储介质 |
CN116306037B (zh) * | 2023-05-19 | 2023-10-20 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种计算交叉口行人过街时间方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106156745A (zh) | 基于时空轨迹的行人过街交通特性提取方法及装置 | |
CN102564335B (zh) | 一种大型隧道变形测量方法 | |
CN104020475B (zh) | 一种基于机载LiDAR数据的电力线提取及建模方法 | |
CN107301648B (zh) | 基于重叠区域边界角度的冗余点云去除方法 | |
CN112282847B (zh) | 一种煤矿井下巷道形变监测方法 | |
CN102749071B (zh) | 一种基于无人机航空摄影监测土壤侵蚀的方法 | |
CN103605978A (zh) | 基于三维实景数据的城市违章建筑识别***及方法 | |
Li et al. | Knowledge-based trajectory completion from sparse GPS samples | |
CN115240047A (zh) | 一种融合视觉回环检测的激光slam方法及*** | |
CN105246153A (zh) | 一种室内指纹定位数据库高密度快速采集方法 | |
CN103177584B (zh) | 一种基于枚举试探的车速检测方法 | |
CN108922193B (zh) | 一种基于浮动车轨迹数据的交叉口信号周期估计方法 | |
CN109816982B (zh) | 基于共享单车轨迹的虚拟路网非机动车道属性修正方法 | |
CN110082779A (zh) | 一种基于3d激光雷达的车辆位姿定位方法及*** | |
CN112965077A (zh) | 一种基于车载激光雷达的道路巡检***与方法 | |
CN115446834B (zh) | 一种基于占据栅格配准的车底巡检机器人单轴重定位方法 | |
CN110715646B (zh) | 一种地图修测测量方法及装置 | |
CN112415536A (zh) | 一种自动获取车载激光点云行车轨迹异常区域的方法 | |
CN104166756A (zh) | 一种飞机质量分布计算方法 | |
CN202188830U (zh) | 单相机多测点动位移测量装置 | |
Tang et al. | Road network change detection based on floating car data | |
CN104202817B (zh) | 大型室内空间中的多热点信号指纹地图的存储和匹配方法 | |
CN110333082B (zh) | 一种用于判断车辆直线来回行驶重合度的计算方法 | |
CN102830391B (zh) | 一种红外搜索与跟踪***准确性指标计算方法 | |
CN105717517B (zh) | 一种车载北斗多模gnss高精度道路基础数据采集方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161123 |
|
WD01 | Invention patent application deemed withdrawn after publication |