CN109063675B - 车流密度计算方法、***、终端及计算机可读存储介质 - Google Patents
车流密度计算方法、***、终端及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109063675B CN109063675B CN201810964541.4A CN201810964541A CN109063675B CN 109063675 B CN109063675 B CN 109063675B CN 201810964541 A CN201810964541 A CN 201810964541A CN 109063675 B CN109063675 B CN 109063675B
- Authority
- CN
- China
- Prior art keywords
- pix
- traffic density
- traffic
- density
- rho
- 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
Images
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明适用于交通监测领域,提供了一种车流密度计算方法,包括:对检测区域采集的检测图像进行二值化处理,得到二值图像;利用像素统计方法统计所述二值图像中的运行目标,得到所述检测区域的车流密度;根据所述检测区域的车流密度,采用模糊车流密度来确定所述检测区域的车流密度状态。本发明实施例采用模糊车流密度来衡量车流密度状态,解决了现有技术中无法确定检测路段的车流密度情况的问题。
Description
技术领域
本发明属于交通监测领域,尤其涉及一种车流密度计算方法、***、终端及计算机可读存储介质。
背景技术
近年来,交通监控视频技术的发展和其旺盛的实际需求吸引了大量的国内外研究者对视频中的交通异常检测及相关算法展开了深入研究。
Nilakorn Seenouvong等人提出了基于计算机视觉的车辆计数算法,计数的精确度高,提高了对车流量监测的准确程度;Nowosielski.A等人基于Camshift算法,提出了一种新的车辆轨迹模式识别算法,能够对车辆的非法停车或非法转弯等行为准确分析识别;Daw-Tung Lin等人则提出Superpixel跟踪算法和车辆轨迹分析技术,并应用于十字路口的交通监控;Sang Hai-feng等人提出了一种通过检测和跟踪车辆轨迹判断车辆是否逆行和超速的***;Li等人采用了提取特征点来检测分析交通异常的方法,准确性上有所提升;Hanlin Tan则提出一种基于稀疏光流法的异常检测算法,可以检测逆行和横穿马路等交通异常情况;Li Ning等人则提出了一种综合多种交通信息对异常情况进行分析的算法,提高了***分析的适用性;Ahmed Tageldin等人提出了一种在特定时间内道路上目标间距离来判断交通情况的方法,并以此来解决高度拥堵的交通状态下行人与车辆的冲突问题;杨志勇等人通过融合模糊逻辑和改进的增量比较算法,建立了一种基于模糊逻辑的高速公路交通事件检测模型,该模型通过提取车辆速度和车流量信息来进行事件分析,但由于交通状况十分复杂,该模型检测的前提有一定的局限性。Siyuan Liu等人则提出利用GPS提取城市出租车的轨迹数据,分析出租车移动速度来检测城市道路拥堵情况。
然而,基于GPS定位的异常检测虽然精度高,但也大大提高了检测成本,实用性不足。在现有技术中,由于运行目标的轨迹时刻处于变化状态且无固定的运动时间,无法确定检测路段的车流密度情况。
发明内容
本发明所要解决的技术问题在于提供一种车流密度计算方法、***、终端及计算机可读存储介质,旨在解决现有技术由于运行目标的轨迹时刻处于变化状态且无固定的运动时间,无法确定检测路段的车流密度情况的问题。
本发明是这样实现的,一种车流密度计算方法,包括:
对检测区域采集的检测图像进行二值化处理,得到二值图像;
利用像素统计方法统计所述二值图像中的运行目标,得到所述检测区域的车流密度;
根据所述检测区域的车流密度,采用模糊车流密度来确定所述检测区域的车流密度状态。
进一步地,所述对检测区域采集的检测图像进行二值化处理,得到二值图像包括:
获取所述检测区域的检测图像;
对所述检测图像的前景图像进行混合高斯背景建模,得到建模图像;
对所述建模图像进行二值化处理,得到所述二值图像。
进一步地,所述获取所述检测区域的检测图像包括:
根据车道形状确定用于检测的梯形区域,以所述梯形区域作为所述检测区域;
采集所述检测区域的检测视频,获取所述检测视频中的每一帧检测图像。
进一步地,所述利用像素统计方法统计所述二值图像中的运行目标,得到所述检测区域的车流密度包括:
所述检测区域的二值图像中任一像素点Pi的像素值为Xi,Xi=0或Xi=1,组成所述运行目标的像素区域的像素值Xi=1,所述检测区域的二值图像的总像素值为Spix,车流密度为ρpix,则:
进一步地,所述根据所述检测区域的车流密度,采用模糊车流密度来确定所述检测区域的车流密度状态包括:
根据所述检测区域的车流密度,利用高斯分布模型和3σ原则,采用模糊车流密度确定所述车流密度状态;
分别用S,U,V表示交通密度状态的稀、正常、密三种状态,将车流密度ρpix模糊为{S,U,V},所述车流密度ρpix的隶属度函数包括:
以ρ1、ρ2表示S和U之间的临界值,ρ3、ρ4表示U和V之间的临界值;
若fS(ρpix)越大,则车流密度ρpix属于S的程度越大,当ρpix∈(0,ρ1)时,确定车流密度ρpix为S;当ρpix∈(ρ1,ρ2)时,确定车流密度ρpix介于S和U之间;
若fU(ρpix)越大,则车流密度ρpix属于U的程度越大,当ρpix∈(ρ1,ρ2)时,确定车流密度ρpix介于S和U之间;当ρpix∈(ρ2,ρ3)时,确定车流密度ρpix为U;当ρpix∈(ρ3,ρ4)时,确定车流密度ρpix介于U和V之间;
若fV(ρpix)越大,则车流密度ρpix属于V的程度越大,当ρpix∈(ρ3,ρ4)时,确定车流密度ρpix介于U和V之间;当ρpix∈(ρ4,1)时,确定车流密度ρpix为V。
本发明实施例还提供了一种车流密度计算***,包括:
处理单元,用于对检测区域采集的检测图像进行二值化处理,得到二值图像;
统计单元,用于利用像素统计方法统计所述二值图像中的运行目标,得到所述检测区域的车流密度;
确定单元,用于根据所述检测区域的车流密度,采用模糊车流密度来确定所述检测区域的车流密度状态。
进一步地,所述统计单元具体用于:
所述检测区域的二值图像中任一像素点Pi的像素值为Xi,Xi=0或Xi=1,组成所述运行目标的像素区域的像素值Xi=1,所述检测区域的二值图像的总像素值为Spix,车流密度为ρpix,则:
进一步地,所述确定单元具体用于:
根据所述检测区域的车流密度,利用高斯分布模型和3σ原则,采用模糊车流密度确定所述车流密度状态;
分别用S,U,V表示交通密度状态的稀、正常、密三种状态,将车流密度ρpix模糊为{S,U,V},所述车流密度ρpix的隶属度函数包括:
以ρ1、ρ2表示S和U之间的临界值,ρ3、ρ4表示U和V之间的临界值;
若fS(ρpix)越大,则车流密度ρpix属于S的程度越大,当ρpix∈(0,ρ1)时,确定车流密度ρpix为S;当ρpix∈(ρ1,ρ2)时,确定车流密度ρpix介于S和U之间;
若fU(ρpix)越大,则车流密度ρpix属于U的程度越大,当ρpix∈(ρ1,ρ2)时,确定车流密度ρpix介于S和U之间;当ρpix∈(ρ2,ρ3)时,确定车流密度ρpix为U;当ρpix∈(ρ3,ρ4)时,确定车流密度ρpix介于U和V之间;
若fV(ρpix)越大,则车流密度ρpix属于V的程度越大,当ρpix∈(ρ3,ρ4)时,确定车流密度ρpix介于U和V之间;当ρpix∈(ρ4,1)时,确定车流密度ρpix为V。
本发明实施例还提供了一种终端,包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述所述的车流密度计算方法中的各个步骤。
本发明实施例还提供了一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上述所述的车流密度计算方法中的各个步骤。
本发明与现有技术相比,有益效果在于:本发明实施例通过对检测区域采集的检测图像进行二值化处理,得到二值图像,利用像素统计方法统计该二值图像中的运行目标,得到该检测区域的车流密度,根据该检测区域的车流密度,采用模糊车流密度来确定该检测区域的车流密度状态。本发明实施例利用采用模糊车流密度来衡量车流密度状态,解决了现有技术中无法确定检测路段的车流密度情况的问题。
附图说明
图1是本发明实施例提供的车流密度计算方法的流程图;
图2是本发明实施例提供的检测区域的交通场景图像示意图;
图3是本发明实施例提供的模糊车流量的隶属度函数;
图4是本发明实施例提供的车流密度计算***的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1示出了本发明实施例提供的一种车流密度计算方法,包括:
S101,对检测区域采集的检测图像进行二值化处理,得到二值图像;
S102,利用像素统计方法统计所述二值图像中的运行目标,得到所述检测区域的车流密度;
S103,根据所述检测区域的车流密度,采用模糊车流密度来确定所述检测区域的车流密度状态。
下面对本发明实施例进行进一步地阐述:
交通场景往往复杂多样,在一个交通场景中往往存在与交通无关的区域,如路边的树木、蓝天等等,为了减少这些区域对交通信息参数的影响,同时提高实时性,本发明实施例在交通场景中根据车道形状划定一个梯形区域用于检测操作,将该检测区域记为S,如图2中的阴影区为检测区域S,交通场景的左上角设为坐标原点O。
a)基于像素统计的车流密度检测算法:
为了得到交通车流密度,本发明时实施例提供了一种基于像素统计的车流密度检测算法,该车流密度检测算法对采用混合高斯背景建模后的前景图像进行二值化处理,得到二值图像。具体地,前景图像为检测图像中的车辆、人物等图像,背景图像为检测图像中静态的背景,背景建模后对前景进行二值化处理,得到只关注有车辆、行人的灰度图像,该灰度图像即为二值图像,该检测区域的二值图像中任一像素点Pi的像素值为Xi,Xi=0或Xi=1。组成运行目标的像素区域的像素值Xi=1。设检测区域的二值图像的总像素值为spix,车流密度为ρpix,则通过如下式子获取车流密度ρpix。
b)模糊车流密度
基于上述,根据式(1)可以得到第k个单位时间段的车流密度ρpix。本发明实施例利用高斯分布模型和3σ原则,采用模糊车流密度来衡量车流密度状态,分别用S,U,V表示交通密度状态的稀、正常、密三种状态,将车流密度ρpix模糊为{S,U,V}。其隶属度函数如(2)-(4),模糊车流密度的隶属度函数图如图3所示。
设ρ1、ρ2为S(稀)和U(正常)之间的临界值,ρ3、ρ4为U(正常)和V(密)之间的临界值。由式(2)和图3可以看出:fS越大,此时车流密度ρpix属于S的程度越大。当ρpix∈(0,ρ1)时,车流密度ρpix为S(稀);当ρpix∈(ρ1,ρ2)时,车流密度ρpix介于S(稀)和U(正常)之间。
由式(3)和图3可以看出:fU越大,此时车流密度ρpix属于U的程度越大。当ρpix∈(ρ1,ρ2)时,车流密度ρpix介于S(稀)和U(正常)之间;当ρpix∈(ρ2,ρ3)时,车流密度ρpix为U(正常);当ρpix∈(ρ3,ρ4)时,车流密度ρpix介于U(正常)和V(密)之间。
由式(4)和图3可以看出:fV越大,此时车流密度ρpix属于V的程度越大。当ρpix∈(ρ3,ρ4)时,车流密度ρpix介于U(正常)和V(密)之间;当ρpix∈(ρ4,1)时,确定车流密度ρpix为V(密)。
图4示出了本发明实施例提供的一种车流密度计算***,包括:
处理单元401,用于对检测区域采集的检测图像进行二值化处理,得到二值图像;
统计单元402,用于利用像素统计方法统计所述二值图像中的运行目标,得到所述检测区域的车流密度;
确定单元403,用于根据所述检测区域的车流密度,采用模糊车流密度来确定所述检测区域的车流密度状态。
进一步地,处理单元401具体用于:
获取所述检测区域的检测图像;
对所述检测图像的前景图像进行混合高斯背景建模,得到建模图像;
对所述建模图像进行二值化处理,得到所述二值图像。
进一步地,处理单元401还用于:
根据车道形状确定用于检测的梯形区域,以所述梯形区域作为所述检测区域;
采集所述检测区域的检测视频,获取所述检测视频中的每一帧检测图像。
进一步地,统计单元402具体用于:
所述检测区域的二值图像中任一像素点Pi的像素值为Xi,Xi=0或Xi=1,组成所述运行目标的像素区域的像素值Xi=1,所述检测区域的二值图像的总像素值为Spix,车流密度为ρpix,则:
进一步地,确定单元403具体用于:
根据所述检测区域的车流密度,利用高斯分布模型和3σ原则,采用模糊车流密度确定所述车流密度状态;
分别用S,U,V表示交通密度状态的稀、正常、密三种状态,将车流密度ρpix模糊为{S,U,V},所述车流密度ρpix的隶属度函数包括:
以ρ1、ρ2表示S和U之间的临界值,ρ3、ρ4表示U和V之间的临界值;
若fS(ρpix)越大,则车流密度ρpix属于S的程度越大,当ρpix∈(0,ρ1)时,确定车流密度ρpix为S;当ρpix∈(ρ1,ρ2)时,确定车流密度ρpix介于S和U之间;
若fU(ρpix)越大,则车流密度ρpix属于U的程度越大,当ρpix∈(ρ1,ρ2)时,确定车流密度ρpix介于S和U之间;当ρpix∈(ρ2,ρ3)时,确定车流密度ρpix为U;当ρpix∈(ρ3,ρ4)时,确定车流密度ρpix介于U和V之间;
若fV(ρpix)越大,则车流密度ρpix属于V的程度越大,当ρpix∈(ρ3,ρ4)时,确定车流密度ρpix介于U和V之间;当ρpix∈(ρ4,1)时,确定车流密度ρpix为V。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本发明所提供的一种车流密度计算方法及***的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种车流密度计算方法,其特征在于,包括:
对检测区域采集的检测图像进行二值化处理,得到二值图像;
利用像素统计方法统计所述二值图像中的运行目标,得到所述检测区域的车流密度,其中,
所述检测区域的二值图像中任一像素点Pi的像素值为Xi,Xi=0或Xi=1,组成所述运行目标的像素区域的像素值Xi=1,所述检测区域的二值图像总像素值为Spix,车流密度为ρpix,则:
根据所述检测区域的车流密度,利用高斯分布模型和3σ原则,采用模糊车流密度确定所述检测区域的车流密度状态;
分别用S,U,V表示交通密度状态的稀、正常、密三种状态,将车流密度模糊为{S,U,V};
将车流密度ρpix模糊为{S,U,V},所述车流密度ρpix的隶属度函数包括:
以ρ1、ρ2表示S和U之间的临界值,ρ3、ρ4表示U和V之间的临界值;
若fS(ρpix)越大,则车流密度ρpix属于S的程度越大,当ρpix∈(0,ρ1)时,确定车流密度ρpix为S;当ρpix∈(ρ1,ρ2)时,确定车流密度ρpix介于S和U之间;
若fU(ρpix)越大,则车流密度ρpix属于U的程度越大,当ρpix∈(ρ1,ρ2)时,确定车流密度ρpix介于S和U之间;当ρpix∈(ρ2,ρ3)时,确定车流密度ρpix为U;当ρpix∈(ρ3,ρ4)时,确定车流密度ρpix介于U和V之间;
若fV(ρpix)越大,则车流密度ρpix属于V的程度越大,当ρpix∈(ρ3,ρ4)时,确定车流密度ρpix介于U和V之间;当ρpix∈(ρ4,1)时,确定车流密度ρpix为V。
2.如权利要求1所述的车流密度计算方法,其特征在于,所述对检测区域采集的检测图像进行二值化处理,得到二值图像包括:
获取所述检测区域的检测图像;
对所述检测图像的前景图像进行混合高斯背景建模,得到建模图像;
对所述建模图像进行二值化处理,得到所述二值图像。
3.如权利要求2所述的车流密度计算方法,其特征在于,所述获取所述检测区域的检测图像包括:
根据车道形状确定用于检测的梯形区域,以所述梯形区域作为所述检测区域;
采集所述检测区域的检测视频,获取所述检测视频中的每一帧检测图像。
4.一种车流密度计算***,其特征在于,包括:
处理单元,用于对检测区域采集的检测图像进行二值化处理,得到二值图像;
统计单元,用于利用像素统计方法统计所述二值图像中的运行目标,得到所述检测区域的车流密度;
所述检测区域的二值图像中任一像素点Pi的像素值为Xi,Xi=0或Xi=1,组成所述运行目标的像素区域的像素值Xi=1,所述检测区域的二值图像的总像素值为Spix,车流密度为ρpix,则:
确定单元,用于根据所述检测区域的车流密度,利用高斯分布模型和3σ原则,采用模糊车流密度确定所述车流密度状态;
分别用S,U,V表示交通密度状态的稀、正常、密三种状态,将车流密度ρpix模糊为{S,U,V};
所述车流密度ρpix的隶属度函数包括:
以ρ1、ρ2表示S和U之间的临界值,ρ3、ρ4表示U和V之间的临界值;
若fS(ρpix)越大,则车流密度ρpix属于S的程度越大,当ρpix∈(0,ρ1)时,确定车流密度ρpix为S;当ρpix∈(ρ1,ρ2)时,确定车流密度ρpix介于S和U之间;
若fU(ρpix)越大,则车流密度ρpix属于U的程度越大,当ρpix∈(ρ1,ρ2)时,确定车流密度ρpix介于S和U之间;当ρpix∈(ρ2,ρ3)时,确定车流密度ρpix为U;当ρpix∈(ρ3,ρ4)时,确定车流密度ρpix介于U和V之间;
若fV(ρpix)越大,则车流密度ρpix属于V的程度越大,当ρpix∈(ρ3,ρ4)时,确定车流密度ρpix介于U和V之间;当ρpix∈(ρ4,1)时,确定车流密度ρpix为V。
5.一种终端,包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1至3任意一项所述的车流密度计算方法中的各个步骤。
6.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1至3任意一项所述的车流密度计算方法中的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964541.4A CN109063675B (zh) | 2018-08-23 | 2018-08-23 | 车流密度计算方法、***、终端及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964541.4A CN109063675B (zh) | 2018-08-23 | 2018-08-23 | 车流密度计算方法、***、终端及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063675A CN109063675A (zh) | 2018-12-21 |
CN109063675B true CN109063675B (zh) | 2021-05-28 |
Family
ID=64755788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810964541.4A Active CN109063675B (zh) | 2018-08-23 | 2018-08-23 | 车流密度计算方法、***、终端及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063675B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241752A (zh) * | 2021-12-01 | 2022-03-25 | 湖南湘江智芯云途科技有限公司 | 场端拥堵提示方法、装置、设备及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080310677A1 (en) * | 2007-06-18 | 2008-12-18 | Weismuller Thomas P | Object detection system and method incorporating background clutter removal |
US20100008596A1 (en) * | 2008-07-14 | 2010-01-14 | Toru Kawabe | Resolution Conversion Method |
CN101777263A (zh) * | 2010-02-08 | 2010-07-14 | 长安大学 | 一种基于视频的交通车流量检测方法 |
CN104820995A (zh) * | 2015-04-21 | 2015-08-05 | 重庆大学 | 一种面向大型公共场所的人流密度监测预警方法 |
CN107103292A (zh) * | 2017-04-12 | 2017-08-29 | 湖南源信光电科技股份有限公司 | 一种基于运动车辆跟踪的车流量统计方法 |
-
2018
- 2018-08-23 CN CN201810964541.4A patent/CN109063675B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080310677A1 (en) * | 2007-06-18 | 2008-12-18 | Weismuller Thomas P | Object detection system and method incorporating background clutter removal |
US20100008596A1 (en) * | 2008-07-14 | 2010-01-14 | Toru Kawabe | Resolution Conversion Method |
CN101777263A (zh) * | 2010-02-08 | 2010-07-14 | 长安大学 | 一种基于视频的交通车流量检测方法 |
CN104820995A (zh) * | 2015-04-21 | 2015-08-05 | 重庆大学 | 一种面向大型公共场所的人流密度监测预警方法 |
CN107103292A (zh) * | 2017-04-12 | 2017-08-29 | 湖南源信光电科技股份有限公司 | 一种基于运动车辆跟踪的车流量统计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109063675A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mithun et al. | Detection and classification of vehicles from video using multiple time-spatial images | |
Zhang et al. | Real-time traffic analysis using deep learning techniques and UAV based video | |
CN109101939B (zh) | 车辆运动状态的确定方法、***、终端及可读存储介质 | |
Zhang et al. | A longitudinal scanline based vehicle trajectory reconstruction method for high-angle traffic video | |
WO2013186662A1 (en) | Multi-cue object detection and analysis | |
EP2813973B1 (en) | Method and system for processing video image | |
Luo et al. | Multiple lane detection via combining complementary structural constraints | |
EP4020428A1 (en) | Method and apparatus for recognizing lane, and computing device | |
Liu et al. | Extending the detection range for low-channel roadside LiDAR by static background construction | |
Zhang et al. | Counting vehicles in urban traffic scenes using foreground time‐spatial images | |
CN113516853A (zh) | 一种针对复杂监控场景的多车道车流量检测方法 | |
Dey et al. | Turning video into traffic data–an application to urban intersection analysis using transfer learning | |
Park et al. | Vision-based surveillance system for monitoring traffic conditions | |
Phan et al. | Occlusion vehicle detection algorithm in crowded scene for traffic surveillance system | |
CN111353342B (zh) | 肩头识别模型训练方法、装置、人数统计方法、装置 | |
CN117456482B (zh) | 一种面向交通监控场景的异常事件识别方法及*** | |
Azimjonov et al. | A vision-based real-time traffic flow monitoring system for road intersections | |
CN109063675B (zh) | 车流密度计算方法、***、终端及计算机可读存储介质 | |
Ashraf et al. | HVD-net: a hybrid vehicle detection network for vision-based vehicle tracking and speed estimation | |
Dinh et al. | Development of a tracking-based system for automated traffic data collection for roundabouts | |
Liu et al. | ST-MFM: A spatiotemporal multi-modal fusion model for urban anomalies prediction | |
Delavarian et al. | Multi‐camera multiple vehicle tracking in urban intersections based on multilayer graphs | |
CN108847035B (zh) | 车流量评估方法及装置 | |
Xiong et al. | Fast and robust approaches for lane detection using multi‐camera fusion in complex scenes | |
CN110782485A (zh) | 一种车辆变道检测方法及装置 |
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 |