CN109829403B - 一种基于深度学习的车辆防碰撞预警方法及*** - Google Patents
一种基于深度学习的车辆防碰撞预警方法及*** Download PDFInfo
- Publication number
- CN109829403B CN109829403B CN201910057691.1A CN201910057691A CN109829403B CN 109829403 B CN109829403 B CN 109829403B CN 201910057691 A CN201910057691 A CN 201910057691A CN 109829403 B CN109829403 B CN 109829403B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- lane line
- early warning
- driver
- 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
-
- 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
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于深度学习的车辆防碰撞预警方法及***,本方法通过使用改进后的YOLOv3算法对视频中的车辆进行识别检测,得到车辆在图像中的位置信息;车道线检测技术对视频图像中的车道线进行检测和追踪,得到稳定、准确的车道线;车速检测技术利用图像处理技术计算出当前车辆的行驶速度;根据车速、车道线检测结果和驾驶员的行为特性以及知觉反应特性,在本车前方绘制一块随车速实时变化的安全制动预警区域;碰撞事故预警技术根据车辆在图像中的位置信息,结合实时安全预警区域的计算结果,对公路上可能发生的碰撞事故进行预测。采用本发明可对驾驶员的行车决策提供帮助,保证驾驶员的行车安全并最大限度的降低碰撞的概率。
Description
技术领域
本发明属于计算机视觉、智能驾驶领域,具体涉及一种基于深度学习的车辆防碰撞预警方法及***。
背景技术
随着我国高速公路里程和汽车保有量的不断增加,汽车不仅提高了人们的现代化生活水平,而且在一定程度上推动了国民经济健康稳定的发展。但这也使得高速公路的事故发生率越来越高,一方面造成了国民经济损失,另一方面严重威胁人民生命财产安全,因此对高速公路发生的交通事故进行针对性的分析和有效的预防变的尤为重要。
基于深度学习的高速公路车辆防碰撞预警***,运用计算机视觉技术,对行车记录仪所提供的以司机第一视角拍摄的视频进行分析处理。该***包括车辆识别检测技术,车道线检测跟踪技术,当前车辆前方安全区实时计算技术三大核心技术。三大核心技术的国内外研究现状综述如下:
(1)基于YOLOv3的车辆识别检测技术
为了对图像中的车辆进行识别和检测,各国学者提出了不同的算法,这些算法可以归结为两类,第一类是传统的车辆识别算法,它将车辆识别过程分为特征提取和目标分类两个阶段,特征提取需要人工构建,且构建效率低下,特别在复杂的交通环境中,识别结果易受到光照、天气、环境等因素的影响,识别结果不理想;第二类是基于深度神经网络的目标识别检测算法,其主要优势在于它将特征提取、分类、边框定位统一到一个深度网络框架内,大大提高了目标检测的效率和准确度,同时对于目标旋转、位移具有不变性,对复杂的目标检测场景有较强的适应能力。目前,基于深度神经网络的目标识别检测算法是最为准确的方法,它超越了传统目标检测算法的性能,其中具有代表性的深度神经网络有R-CNN、Fast R-CNN、Mask R-CNN、GoogleNet、SSD等,但这些方法仍然存在计算速度慢,无法达到实时性的要求。
(2)车道线检测技术
当前针对车道线识别的方法很多,其中采用直线模型结合霍夫变换(HoughTransform)方法以及应用其改进方法,如改进的概率霍夫变换PPHT(ProgressiveProbabilistic Hough Transform)较为常见,此外还有Menthon提出的利用道路两边相反方向的边缘点来重建3D模型,Kluge首先对边缘图像进行二值化,然后利用最小均方误差来估计车道的样条曲线模型,Broggi利用在逆透视变换与霍夫变换来检测车道线。这些方法在智能车领域都取得了不错的效果,但是这些基于边缘检测的方法难以应对复杂的城市道路,易受到其他边缘噪声的影响。
(3)当前车辆前方安全区实时计算技术
安全距离模型具有代表性的有MAZDA模型、HONDA模型、伯克利模型、Jaguar模型和NHSTA模型相继被提出。密歇根大学基于ICC FOT(Inter Company Case Fill on Time)数据库对上述5种模型的漏报率和误报率进行了评价,其中美国高速公路交通安全署的NHSTA模型表现的性能最好,但报警精确性仅有23%,因此现有模型算法仍有很大的改进空间。
发明内容
发明目的:本发明提供一种基于深度学习的车辆防碰撞预警方法及***,对驾驶员的行车决策提供帮助,保证驾驶员的行车安全并最大限度的降低碰撞的概率。
技术方案:本发明所述一种基于深度学习的车辆防碰撞预警方法包括以下步骤:
(1)对车载视频图像进行预处理,得到降噪后的图像;
(2)进行车速检测,以车道线为参照物,对连续多张图像进行分析,获取当前车辆的行驶速度,将该速度和驾驶员的行为特性、知觉反应特性相结合,得到车辆以该速度行驶时的紧急制动距离;
(3)进行车道线检测,以预处理后的图像为输入,运用边缘检测算法得到车道线的边缘,接着利用霍夫直线检测算法得到车道线点的集合,再接着利用集合中点的斜率分出左右车道线点的集合,之后分别将这两个点的集合拟合为最优的两条直线,实现车道线的检测,最后不断更新点的集合,实现车道线的追踪;
(4)将图像中的像素距离和实际距离进行方程拟合,结合步骤(2)和步骤(3)的结果,在车辆前方绘制出根据车速变化的安全区域,并在图像上进行可视化展示;
(5)在YOLOv3的基础上,优化神经网络结构模型,采集车辆数据,重新训练神经网络,使用优化后的YOLOv3算法,实现对车辆的实时识别和检测,得到车辆在图像中的位置,并将结果保存在车辆信息队列中;
(6)遍历车辆信息队列,结合绘制的安全制动区,对可能发生的交通碰撞事件进行预测,通过人机交互界面,对驾驶员进行提示。
步骤(1)所述的对视频图像进行预处理主要包括定义感兴趣区域、图像二值化、形态学操作、高斯模糊。
步骤(3)所述的车辆行驶速度通过以下公式实现:
其中,FPS为视频当前的播放帧数,frameCount(n)为图像ROI区域中车道线连续出现的次数。
步骤(2)所述的车辆紧急制动距离过以下公式实现:
步骤(4)所述的实际距离和图像中像素距离的拟合方程,通过以下公式实现:
Ph=AL3-BL2+CL+D
其中,L为图像中的像素距离,Ph为实际距离,A,B,C和D为多项式系数。
所述步骤(5)所述的优化数据网络结构模型包括以下步骤:
(51)通过DarkNet-53网络对全图进行特征提取;
(52)将输入图像分成19*19的网络单元且在每个单元中产生三个预测边界框和原标记框的IOU交并比值,选取最大的边框进行预测,采用SPP网络融合多个感受野适应不同大小的目标;
(53)采用逻辑回归作为分类器,使用19*19、38*38这两种不同尺度的特征图进行预测。
本发明所述的一种基于深度学习的车辆防碰撞预警***,包括图像获取和预处理模块、多线程并行运算模块、车速检测模块、车道线检测模块、安全制动区绘制模块、车辆识别检测模块、碰撞预警模块;所述车速检测模块,运用图像处理技术,对连续多张图像进行分析,计算出当前车辆的行驶速度,与驾驶员的行为特性以及知觉反应特性相结合,得到车辆以该速度行驶时的紧急制动距离;所述车道线检测模块,运用边缘检测算法和霍夫直线检测算法得到车道线点的集合,将其拟合为最优的两条直线,并不断更新这些点的集合,对车道线进行追踪;所述安全制动区绘制模块,对图像中的像素距离和实际距离进行方程拟合,结合车道线检测结果和计算出的车辆紧急制动距离,在车辆前方绘制一块根据车速变化的安全区域,并在图像上进行可视化展示;所述车辆识别检测模块,使用改进后的YOLOv3算法,对视频中的车辆进行识别和检测,得到车辆在图像中的位置信息,并将结果保存在车辆信息队列中;所述碰撞预警模块,遍历车辆信息队列,结合绘制的安全制动区,对可能发生的交通碰撞事件进行预测。
有益效果:与现有技术相比,本发明的有益效果:1、本发明在原始YOLOv3算法的基础上,对其进行了改进,实现单一类别检测,在保证精度的情况下进一步将视频的检测帧数提高到43FPS,更好的满足了***实时性的需求;2、本文提出的车道线检测方法有效的解决了这些问题,在边缘噪声的干扰下仍然取得了不错的检测效果;3、本发明提出的预警安全区域考虑了驾驶员的行为特性以及知觉反应特性,能较好的符合驾驶员追尾特性,能提高***的预警率。
附图说明
图1为本发明基于深度学习的车辆防碰撞预警方法流程图;
图2为本发明使用基于高斯分布模型的自适应阈值分割方法提取出的车道线的效果图;
图3为本发明使用透视变换对直线进行筛选后,实现车道线追踪的效果图;
图4为本发明使用本车前方安全区实时计算技术得到的车速较慢时的安全预警区域效果图;
图5为本发明使用本车前方安全区实时计算技术得到的车速较快时的安全预警区域效果图;
图6为本发明中YOL0v3进行车辆识别检测后的效果图;
图7为本发明实施车辆检测和安全预警区域绘制效果图;
图8为本发明在高速公路防碰撞预警效果图。
具体实施方式
下面结合附图对本发明作进一步的说明。
如图1所示,本发明实施例公开的一种基于深度学习的车辆防碰撞预警方法,包括以下步骤:
(1)对获取到的视频图像进行预处理,为后续的图像处理提供支持。
本实施例中使用的视频数据为大客车在高速公路行驶时车载摄像机采集的以司机第一视角拍摄的视频数据。由于原始视频图像含有很多与后续图像处理操作无关的信息和噪声,所以首先要进行图像预处理,处理步骤主要包括图像灰度化和去除图像噪声。由于RGB(Red Green Blue)三通道图像对车道线分割、特征提取以及相关运算并无帮助,所以首先进行灰度化处理,将RGB三通道的图像转换为单通道的灰度图像。之后使用形态学滤波的方法,去除图像中的椒盐噪声,得到比较平滑的图像,这有利于提取准确可靠的车道线。
(2)以预处理图像为输入,首先使用基于高斯分布模型的自适应阈值分割方法,将车道线从复杂背景中分离出来。如图2所示为将车道线从复杂的图像中分离出来的效果图,其中背景部分为纯黑色,白色虚线为车道线,这有利于接下来构建车道线的数学模型。
然后选择Canny边缘检测算子检测车道线边缘,然后使用随机霍夫变换的方法提取车道的特征点,接着构建数学模型对车道线特征点进行直线拟合,再接着利用透视变换筛选直线,实现车道线追踪,最后优化算法保证车道线检测的稳定性和有效性。如图3是在图2的基础上,为分离出的车道线构建了数学模型,将车道线拟合为最优的直线,并且分离出了左右车道线,实现了车道线追踪的效果图。
(3)以预处理图像为数据源,对连续的多帧图像进行分析处理,实现车速的计算。首先定义一块ROI(Region of Interest)感兴趣区域,运用图像处理技术中的角点检测算法,统计预先定义的ROI区域中车道线连续出现的次数frameCount(n),运用下式计算车速V(km/h):
式中,FPS表示视频当前的播放帧数,这里根据视频的播放帧数选择FPS为25,frameCount(n)为图像ROI区域中车道线连续出现的次数。
根据计算出的本车速度V(km/h),结合驾驶员的行为特性和知觉反应特性,使用下式来计算车辆以当前速度行驶时的紧急制动距离L:
(4)要将该实际距离在图像上反映出来,需要拟合出一个方程,即将实际距离转换为图像上的像素距离,采用的方法是:根据我国车道线的规格(6米白线,9米间隔),在图像中车道线竖直方向上标定多个特征点,根据具体应用场景,采集的特征点的数据如表1所示:
表1采集的特征点数据
实际距离(P<sub>h</sub>) | 15 | 21 | 30 | 36 | 45 |
像素距离(L) | 215 | 240 | 262 | 274 | 283 |
通过研究分析这些数据间的相互关系,由于这些数据之间为非线性关系,所以用一元三次多项式Ph=AL3-BL2+CL+D来构建这些数据的数学模型,使用最小二乘法(拟合模型与实际观测值在各点的残差的加权平方和达到最小)求出该数学模型的具体表达式,即得到像素高度Ph(px)和实际距离L(m)的拟合方程如下所示:
Ph=0.0012L3-0.1674L2+8.882L+115.72
其中,L为图像中的像素距离,Ph为实际距离。将4中的计算结果L带入上式,即可得到实际距离在图像中对应的像素高度Ph。
(5)然后使用本车前方安全区实时计算技术,实现安全预警区域的实时计算,方法为:根据该像素高度Ph,结合车道线检测追踪得到的数学模型,算出以Ph高度的直线和左右两条车道线的交点坐标,根据坐标在本车前方绘制一块随车速变化的安全预警区域。如图4和图5分别为使用本车前方安全区实时计算技术得到的安全预警区域效果图,其中阴影部分的高度是根据当前车辆的行驶速度计算出的最大紧急制动距离,图4为车速较慢时绘制的安全预警区,此时阴影部分高度较低;图5为车速较快时绘制的安全预警区,此时阴影部分高度较高。尤其是预警安全区域的高度是随着车辆的行驶速度而动态变化的。
(6)将一种基于深度神经网络的目标检测算法-YOLOv3算法对视频图像中的车辆进行实时的识别和检测,以得到前车在图像中的位置信息。本项目基于YOLOv3算法,针对车辆识别检测需求在原始YOLOv3算法的基础进行了改进,优化了其网络模型,从COCO(CommonObjects in Context)数据集中挑选出汽车的图像作为训练数据,对图像进行批量归一化和灰度化,使用优化后的神经网络结构训练数据,最终得到训练后的网络模型文件,减少了YOLOv3的参数量,实现单一类别检测,在保证精度的情况下进一步将视频的检测帧数提高到43FPS,从而进一步提高复杂背景下车辆识别检测的速度和精度。如图6为应用改进后的YOLOv3进行车辆识别检测后的效果图,其中被检测到的车辆会用一个方框标记出来,并在方框左上角注明被检测目标的类别。
(7)将当前车辆前方安全区实时计算技术和基于YOLOv3的车辆识别检测技术进行综合,在绘制安全预警区域的同时,对视频中的车辆进行识别检测,图7为实时安全预警区域绘制和车辆的识别和检测效果图。根据车辆在图像中的位置信息,结合绘制的实时安全预警区域,对可能发生的碰撞事故进行预测。图8为高速公路防碰撞预警效果图,当检测到的前车目标处在预警安全区域左(右)侧时,***给予司机左(右)侧来车的预警,当检测到的前车目标处在预警安全区域内部时,***给予司机注意行车安全的预警。
本发明公开的一种基于深度学习的车辆防碰撞预警***,包括:图像获取和预处理模块,用来获取车载摄像机视频数据,为***提供数据源,同时对获取的视频进行预处理,为接下来的操作提供输入。多线程并行运算模块,用来实现多线程并行运算,充分利用计算机的资源,加快计算速度,保证***的实时性。车速检测模块,运用图像处理技术,对连续多张图像进行分析,算出当前车辆的行驶速度,然后将该速度和驾驶员的行为特性以及知觉反应特性相结合,得到车辆以该速度行驶时的紧急制动距离。车道线检测模块,运用边缘检测算法和霍夫直线检测算法得到车道线点的集合,接着将这些点的集合拟合为最优的两条直线,实现车道线的检测,最后不断更新这些点的集合,对车道线进行追踪。安全制动区绘制模块,对图像中的像素距离和实际距离进行方程拟合,结合车道线检测结果和计算出的车辆紧急制动距离,在车辆前方绘制一块根据车速变化的安全区域,并在图像上进行可视化展示。车辆识别检测模块,使用改进后的YOLOv3算法,对视频中的车辆进行识别和检测,得到车辆在图像中的位置信息,并将结果保存在车辆信息队列中。碰撞预警模块,遍历车辆信息队列,结合绘制的安全制动区,对可能发生的交通碰撞事件进行预测。即如果车辆的位置在左右车道线两侧,则对司机发出注意左右来车的语音播报,如果车辆的位置处在左右车道线(安全制动区)内,则对司机发出注意减速的语音播报。
Claims (4)
1.一种基于深度学习的车辆防碰撞预警方法,其特征在于,包括以下步骤:
(1)对以司机第一视角拍摄的视频数据进行预处理,得到降噪后的图像;
(2)进行车速检测,以车道线为参照物,对连续多张图像进行分析,获取当前车辆的行驶速度,将该速度和驾驶员的行为特性、知觉反应特性相结合,得到车辆以该速度行驶时的紧急制动距离;
(3)进行车道线检测,以预处理后的图像为输入,运用边缘检测算法得到车道线的边缘,接着利用随机霍夫直线检测算法得到车道线点的集合,再接着利用集合中点的斜率分出左右车道线点的集合,之后分别将这两个点的集合拟合为最优的两条直线,实现车道线的检测,最后不断更新点的集合,实现车道线的追踪;
(4)将图像中的像素距离和实际距离进行方程拟合,结合步骤(2)和步骤(3)的结果,在车辆前方绘制出根据车速变化的安全区域,并在图像上进行可视化展示;所述可视化方法是根据我国车道线的规格,在图像中车道线竖直方向上标定多个特征点,用一元三次多项式Ph=AL3-BL2+CL+D来构建数学模型,即得到像素距离Ph(px)和实际距离L(m),完成预警区域的可视化;其中,L为实际距离,Ph为图像中的像素距离,A,B,C和D为多项式系数;
(5)在YOLOv3的基础上,优化神经网络结构模型,采集车辆数据,重新训练神经网络,使用优化后的YOLOv3算法,实现对车辆的实时识别和检测,得到车辆在图像中的位置,并将结果保存在车辆信息队列中;
(6)遍历车辆信息队列,结合绘制的安全制动区,对可能发生的交通碰撞事件进行预测,通过人机交互界面,对驾驶员进行提示;
步骤(2)所述的紧急制动距离过以下公式实现:
步骤(5)所述的优化神经网络结构模型包括以下步骤:
(51)通过DarkNet-53网络对全图进行特征提取;
(52)将输入图像分成19*19的网络单元且在每个单元中产生三个预测边界框和原标记框的IOU交并比值,选取最大的边框进行预测,采用SPP网络融合多个感受野适应不同大小的目标;
(53)采用逻辑回归作为分类器,使用19*19、38*38这两种不同尺度的特征图进行预测。
2.根据权利要求1所述的一种基于深度学习的车辆防碰撞预警方法,其特征在于,步骤(1)所述的对视频数据进行预处理主要包括定义感兴趣区域、图像二值化、形态学操作、高斯模糊。
4.一种基于深度学习的车辆防碰撞预警***,其特征在于,所述***采用权利要求1所述的基于深度学习的车辆防碰撞预警方法,包括图像获取和预处理模块、多线程并行运算模块、车速检测模块、车道线检测模块、安全制动区绘制模块、车辆识别检测模块、碰撞预警模块,其特征在于,所述车速检测模块,运用图像处理技术,对连续多张图像进行分析,计算出当前车辆的行驶速度,与驾驶员的行为特性以及知觉反应特性相结合,得到车辆以该速度行驶时的紧急制动距离;所述车道线检测模块,运用边缘检测算法和霍夫直线检测算法得到车道线点的集合,将其拟合为最优的两条直线,并不断更新这些点的集合,对车道线进行追踪;所述安全制动区绘制模块,对图像中的像素距离和实际距离进行方程拟合,结合车道线检测结果和计算出的车辆紧急制动距离,在车辆前方绘制一块根据车速变化的安全区域,并在图像上进行可视化展示;所述车辆识别检测模块,使用改进后的YOLOv3算法,对视频中的车辆进行识别和检测,得到车辆在图像中的位置信息,并将结果保存在车辆信息队列中;所述碰撞预警模块,遍历车辆信息队列,结合绘制的安全制动区,对可能发生的交通碰撞事件进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910057691.1A CN109829403B (zh) | 2019-01-22 | 2019-01-22 | 一种基于深度学习的车辆防碰撞预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910057691.1A CN109829403B (zh) | 2019-01-22 | 2019-01-22 | 一种基于深度学习的车辆防碰撞预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829403A CN109829403A (zh) | 2019-05-31 |
CN109829403B true CN109829403B (zh) | 2020-10-16 |
Family
ID=66861075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910057691.1A Active CN109829403B (zh) | 2019-01-22 | 2019-01-22 | 一种基于深度学习的车辆防碰撞预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829403B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109377785A (zh) * | 2018-10-22 | 2019-02-22 | 北京航空航天大学 | 一种基于深度学习的高速公路合流区车辆冲突预警方法 |
CN110276988A (zh) * | 2019-06-26 | 2019-09-24 | 重庆邮电大学 | 一种基于碰撞预警算法的辅助驾驶*** |
CN112419746A (zh) * | 2019-08-20 | 2021-02-26 | 广州中广国科测控技术有限公司 | 一种高速公路通行的车辆车速自监测方法 |
CN111091061B (zh) * | 2019-11-20 | 2022-02-15 | 浙江工业大学 | 一种基于视频分析的车辆刮蹭检测方法 |
CN113068000B (zh) * | 2019-12-16 | 2023-07-18 | 杭州海康威视数字技术股份有限公司 | 视频目标的监控方法、装置、设备、***及存储介质 |
CN111160231A (zh) * | 2019-12-27 | 2020-05-15 | 北京联合大学 | 一种基于Mask R-CNN的自动驾驶环境道路提取方法 |
CN111369496B (zh) * | 2020-02-18 | 2022-07-01 | 中北大学 | 一种基于星射线的瞳孔中心定位方法 |
CN111309023A (zh) * | 2020-03-03 | 2020-06-19 | 西安交通大学 | 基于环视图像和机器视觉的车道保持控制***及控制方法 |
CN113408320A (zh) * | 2020-03-16 | 2021-09-17 | 上海博泰悦臻网络技术服务有限公司 | 用于车辆避撞的方法、电子设备和计算机存储介质 |
CN111611942B (zh) * | 2020-05-22 | 2022-03-22 | 山东大学 | 一种透视自适应车道骨架提取建库的方法 |
CN112070039B (zh) * | 2020-09-11 | 2023-08-15 | 亚美智联数据科技有限公司 | 一种基于哈希编码的车辆碰撞检测方法及*** |
CN112365741B (zh) * | 2020-10-23 | 2021-09-28 | 淮阴工学院 | 一种基于多车道车距检测的安全预警方法及*** |
CN112991733A (zh) * | 2021-03-02 | 2021-06-18 | 南京航空航天大学 | 一种公交车智能网联碰撞优化***及方法 |
CN113192363A (zh) * | 2021-04-29 | 2021-07-30 | 杭州电子科技大学 | 一种基于人工智能算法的视频数据边缘计算方法 |
CN113370977B (zh) * | 2021-05-06 | 2022-11-18 | 上海大学 | 一种基于视觉的智能车辆前向碰撞预警方法及*** |
CN113353071B (zh) * | 2021-05-28 | 2023-12-19 | 云度新能源汽车有限公司 | 一种基于深度学习的狭窄区域交汇车安全辅助方法和*** |
CN113306566B (zh) * | 2021-06-16 | 2023-12-12 | 上海大学 | 一种基于嗅探技术的车辆行人碰撞预警方法及装置 |
CN113486837B (zh) * | 2021-07-19 | 2023-07-18 | 安徽江淮汽车集团股份有限公司 | 针对低通度障碍物的自动驾驶控制方法 |
CN113657265B (zh) * | 2021-08-16 | 2023-10-10 | 长安大学 | 一种车辆距离探测方法、***、设备及介质 |
CN113963531A (zh) * | 2021-09-07 | 2022-01-21 | 北京动视元科技有限公司 | 用于行驶车辆保持安全车距的检测方法及其显示方式 |
CN114838796B (zh) * | 2022-04-29 | 2023-06-09 | 合肥市正茂科技有限公司 | 视觉辅助车辆动态称重方法与称重*** |
CN115376082B (zh) * | 2022-08-02 | 2023-06-09 | 北京理工大学 | 一种融合传统特征提取与深度神经网络的车道线检测方法 |
CN115294767B (zh) * | 2022-08-02 | 2023-06-27 | 山西省智慧交通研究院有限公司 | 一种高速公路车道线实时检测与交通安全预警方法及装置 |
CN115565371A (zh) * | 2022-09-21 | 2023-01-03 | 北京汇通天下物联科技有限公司 | 应急停车检测方法、装置、电子设备及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101131321A (zh) * | 2007-09-28 | 2008-02-27 | 深圳先进技术研究院 | 一种实时测量安全车距用于汽车防撞预警的方法及装置 |
CN101391589A (zh) * | 2008-10-30 | 2009-03-25 | 上海大学 | 车载智能报警方法和装置 |
KR20130067842A (ko) * | 2011-12-14 | 2013-06-25 | 한국전자통신연구원 | 영상 기반의 객체 정보 검출 방법 |
CN103832433A (zh) * | 2012-11-21 | 2014-06-04 | 中国科学院沈阳计算技术研究所有限公司 | 车道偏离及前车防碰撞报警***及其实现方法 |
CN105912998A (zh) * | 2016-04-05 | 2016-08-31 | 辽宁工业大学 | 一种基于视觉的车辆防碰撞预警方法 |
CN107609472A (zh) * | 2017-08-04 | 2018-01-19 | 湖南星云智能科技有限公司 | 一种基于车载双摄像头的无人驾驶汽车机器视觉*** |
CN108490950A (zh) * | 2018-04-23 | 2018-09-04 | 安徽江淮汽车集团股份有限公司 | 一种基于虚拟轨道的变道方法及*** |
CN109064744A (zh) * | 2018-08-14 | 2018-12-21 | 淮阴工学院 | 一种基于排队论方法的偏置右转车道长度设计方法 |
-
2019
- 2019-01-22 CN CN201910057691.1A patent/CN109829403B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101131321A (zh) * | 2007-09-28 | 2008-02-27 | 深圳先进技术研究院 | 一种实时测量安全车距用于汽车防撞预警的方法及装置 |
CN101391589A (zh) * | 2008-10-30 | 2009-03-25 | 上海大学 | 车载智能报警方法和装置 |
KR20130067842A (ko) * | 2011-12-14 | 2013-06-25 | 한국전자통신연구원 | 영상 기반의 객체 정보 검출 방법 |
CN103832433A (zh) * | 2012-11-21 | 2014-06-04 | 中国科学院沈阳计算技术研究所有限公司 | 车道偏离及前车防碰撞报警***及其实现方法 |
CN105912998A (zh) * | 2016-04-05 | 2016-08-31 | 辽宁工业大学 | 一种基于视觉的车辆防碰撞预警方法 |
CN107609472A (zh) * | 2017-08-04 | 2018-01-19 | 湖南星云智能科技有限公司 | 一种基于车载双摄像头的无人驾驶汽车机器视觉*** |
CN108490950A (zh) * | 2018-04-23 | 2018-09-04 | 安徽江淮汽车集团股份有限公司 | 一种基于虚拟轨道的变道方法及*** |
CN109064744A (zh) * | 2018-08-14 | 2018-12-21 | 淮阴工学院 | 一种基于排队论方法的偏置右转车道长度设计方法 |
Non-Patent Citations (1)
Title |
---|
Performance Enhancement of YOLOv3 by Adding Prediction Layers with Spatial Pyramid Pooling for Vehicle Detection;Kwang-Ju Kim等;《2018 15th IEEE International Conference on Advanced Video and Signal Based Surveillance》;20181130;摘要、第1-5节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109829403A (zh) | 2019-05-31 |
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*** | |
CN107766821B (zh) | 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及*** | |
WO2019196131A1 (zh) | 面向车载热成像行人检测的感兴趣区域过滤方法和装置 | |
CN106647776B (zh) | 车辆变道趋势的判断方法、判断装置和计算机存储介质 | |
CN103984950B (zh) | 一种适应白天检测的运动车辆刹车灯状态识别方法 | |
CN106682586A (zh) | 一种复杂光照条件下基于视觉的实时车道线检测的方法 | |
CN105488453A (zh) | 一种基于图像处理的驾驶员未系安全带检测识别方法 | |
CN111597905B (zh) | 一种基于视频技术的公路隧道停车检测方法 | |
CN111553214B (zh) | 一种驾驶员吸烟行为检测方法及*** | |
CN103927548B (zh) | 一种新的避免车辆碰撞的刹车行为检测方法 | |
CN113370977A (zh) | 一种基于视觉的智能车辆前向碰撞预警方法及*** | |
CN105760847A (zh) | 一种对摩托车驾驶员头盔佩戴情况的视觉检测方法 | |
CN105046218A (zh) | 一种基于串并行处理的多特征交通视频烟雾检测方法 | |
CN107315998A (zh) | 基于车道线的车辆种类划分方法和*** | |
CN108520528B (zh) | 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法 | |
CN114463684A (zh) | 一种面向城市高速路网的堵点检测方法 | |
CN107622494A (zh) | 面向交通视频的夜间车辆检测与跟踪方法 | |
CN114329074B (zh) | 一种匝道路段通行能效检测方法和*** | |
CN115601558A (zh) | 单开道岔状态检测***及检测方法、半自动数据标注方法 | |
CN107862341A (zh) | 一种车辆检测方法 | |
CN113701642A (zh) | 一种车身外观尺寸的计算方法及*** | |
CN117315934A (zh) | 基于无人机的高速公路车流量实时监测及拥堵预测*** | |
CN113033363A (zh) | 一种基于深度学习的车辆稠密目标检测方法 | |
Álvarez et al. | Perception advances in outdoor vehicle detection for automatic cruise control | |
CN116152758A (zh) | 一种智能实时事故检测及车辆跟踪方法 |
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 |