CN111598069B - 一种基于深度学习的高速公路车辆换道区域分析方法 - Google Patents
一种基于深度学习的高速公路车辆换道区域分析方法 Download PDFInfo
- Publication number
- CN111598069B CN111598069B CN202010729116.4A CN202010729116A CN111598069B CN 111598069 B CN111598069 B CN 111598069B CN 202010729116 A CN202010729116 A CN 202010729116A CN 111598069 B CN111598069 B CN 111598069B
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- lane change
- area
- road
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于深度学习的高速公路车辆换道区域分析方法,该方法通过先对道路的车道和车道线进行结构化建模;同时对高速公路高清监控视频中车辆的外边框进行检测;根据每帧图像中车辆的检测结果,对视频中车辆轨迹进行跟踪;再将车辆轨迹与道路结构化数据相结合,根据车辆所经过的车道区域对车辆换道进行识别,根据车辆框与车道线相交位置对车辆换道位置进行检测;最后对不同时间段内所经过车辆的换道位置进行聚类分析,得出不同时间段的高速公路车辆换道热点区域。本发明步骤简明,结果精确,运用高速公路中摄像头数据,对车辆换道行为进行检测,对换道区域进行分析,为高速公路的精细化交通管理和车道设计提供有力的支撑。
Description
技术领域
本发明涉及驾驶行为检测领域,特别是涉及一种基于深度学习的高速公路车辆换道区域分析方法。
背景技术
随着经济社会的快速发展,人们对交通出行的需求不断增加,尤其是长距离出行的需求。据统计2019年末全国民用汽车保有量26150万辆,比上年末增加2122万辆。交通需求的增长与现有道路状况之间的矛盾日益突出。高速公路作为城市之间的交通大动脉,其交通压力也日益增大。合理的交通管理可有效减少交通拥堵情况的发生。为提升交通管理水平,需对高速公路上车辆的驾驶行为进行准确的分析。
高速公路车辆的车道变换是最为常见的驾驶行为,车道变换是指道路上车辆因需要而变换车道的行驶行为。高速公路上合理的换道能够提升整个交通流的速度,缓解交通压力,提高道路通行能力,但是过于频繁的换道与不合理的换道将会增加交通流的不稳定性,增大交通的危险性。近年来车辆换道逐渐成为造成交通事故的重要原因,其安全问题不得不引起人们的重视。因此,为了保障行车安全,充分合理地利用高速公路的道路资源,需要对高速公路上车辆换道行为进行检测与分析。
对现有研究进行分析,目前高速公路所采集的数据主要有交通流量、车辆速度、车道占有率等,这些数据均为交通的宏观状态数据,而在交通精细管理中需要更为微观的交通数据。其中车辆换道信息是十分重要的微观交通数据。在传统车辆换道检测中,通常利用车载GPS定位数据获取车辆换道参数。此类方法受限于GPS的定位精度,同时并非所有车辆均搭载GPS,这些都使得高速公路车辆换道行为检测的不准确和不全面,为此本发明提供一种基于深度学习的高速公路车辆换道区域分析方法。
发明内容
为了解决以上问题,本发明提供一种基于深度学习的高速公路车辆换道区域分析方法,本发明的目的是采用高速公路上广泛布设的摄像头,基于深度学习方法,对车辆换道行为进行检测,同时基于检测结果进行分析,为精细化的交通管理和车道设计提供支撑。为达此目的,本发明提供了一种基于深度学习的高速公路车辆换道区域分析方法,包括以下步骤:
(1)根据高速公路的监控视频,提取道路背景,根据道路背景中的车道和车道线划分车道区域,得到道路结构化数据;
(2)采用基于深度学习的目标检测模型对监控视频的每帧图像中车辆进行检测,获取车辆的外边框;
(3)根据每帧图像中车辆的检测结果,对监控视频中车辆轨迹进行跟踪;
(4)将车辆轨迹与道路结构化数据相结合,根据车辆所经过的车道区域对车辆换道进行识别,根据车辆的外边框与车道线相交位置对车辆换道位置进行检测;
(5)对不同时间段内所经过车辆的换道位置进行聚类分析,得出不同时间段的高速公路车辆换道热点区域。
作为本发明的进一步改进,所述步骤(1)包括如下子步骤:
(1.1)对于高速公路上的监控视频,选取连续T帧视频画面,将采集到的图片叠加求和,而后求取平均值作为道路背景,其计算公式为:
式中,P为道路背景画面,I i 为第i帧画面,T为连续帧数;
(1.2)加载道路背景,在道路背景之上绘制道路车道线和车道区域,同时计算所有车道区域的最小外接矩形作为车道区域,并将所有结果数据以json格式保存,得到道路结构化数据;
作为本发明的进一步改进,所述步骤(2)包括如下步骤:
所述步骤(2)包括如下子步骤:
(2.1)根据步骤(1)所得车道区域,从视频帧图像中裁剪出车道区域图像;
(2.2)将车道区域图像输入训练好的基于深度学习的目标检测模型,计算后输出画面中的车辆的外边框,其中,目标检测模型为EfficientDet,使用人工标注好的车辆检测框数据进行训练。
作为本发明的进一步改进,所述步骤(3)中,采用SORT方法对监控视频中车辆轨迹进行跟踪。
作为本发明的进一步改进,所述步骤(4)包括如下子步骤:
(4.1)新建变量D={key,value},用以记录车辆所处的车道编号,其中,key为车辆编号,value为车道编号;
(4.2)对每帧画面的轨迹结果,遍历所有车辆,计算车辆所处的车道编号,进而根据车道编号和车辆编号进行分析:
如果车道编号不存在则直接分析下一辆车;
如果车辆编号未在变量D的key中则将该车辆编号和目前车所处的车道编号添加到变量D中;
如果车辆编号已在变量D的key中则进一步判断车道编号是否发生改变:如果车道编号未改变则直接分析下一辆车,如果车道编号发生改变则认为发生换道;
(4.3)对于发生换道的车辆,运用车辆外边框下边缘的边与车道线进行相交计算,得到车道线上的交点坐标,将该点作为换道位置点。
作为本发明的进一步改进,所述步骤(4.2)中,计算车辆所处的车道编号,具体方法为:
使用车辆的外边框的下边缘三等分点A和B作为车辆所处车道的判断点,采用射线法判断A点和B点是否处于车道区域的多边形内;如果A和B两点均在同一车道区域内则认为该车在此车道内。
作为本发明的进一步改进,所述步骤(5)包括如下子步骤:
(5.1)将每条车道线划分为N等份,选取时间段t1-t2之间的车辆换道位置数据,统计每条车道等分段内的换道次数;
(5.2)对每条车道等分段内的换道次数使用高斯滤波进行平滑;
(5.3)以时间、换道位置、换道次数三个元素构建换道区域的三维分析空间,对换道区域进行可视化分析。
本发明的一种基于深度学习的高速公路车辆换道区域分析方法与现有技术相比,具有以下技术效果:
(1)本发明将深度学习领域高效准确的目标检测方法用于高速公路车辆的检测,同时采用轻量化的前端交互手段进行道路车道线与车道区域建模,两者结合大大提升了车辆换道检测的便捷性和准确率,减少了GPS等其他传感器的使用,属于深度学习算法在智能交通领域的跨学科应用。
(2)本发明通过对换道位置进行聚类分析,可获得不同时间段的高速公路车辆换道热点区域,解决传统方法中车辆换道难以分析的问题,为精细化的交通管理提供数据支撑。
附图说明
图1为本发明方法的总体流程图;
图2为视频中连续9帧的画面展示图;
图3为道路背景图;
图4为车道线和车道区域绘制结果图;
图5为车辆检测结果图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步详细描述:
本发明提供了一种基于深度学习的高速公路车辆换道区域分析方法,本发明的目的是采用高速公路上广泛布设的摄像头,基于深度学习方法,对车辆换道行为进行检测,同时基于检测结果进行分析,为精细化的交通管理和车道设计提供支撑。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
作为一个实施例,选取某高速公路上一个监控视频作为数据来源,图2为该视频中连续9帧的图像画面。
如图1所示,一种基于深度学习的高速公路车辆换道区域分析方法,包括如下步骤:
(1)对于高速公路上高清监控视频,提取道路背景,运用前端交互对道路的车道和车道线进行结构化建模,即划分车道区域;具体包括如下子步骤:
(1.1)对该监控的视频画面,选取连续100帧视频画面,优选地,该连续100帧视频画面中无车辆。将采集到的图片叠加求和,然后求取平均值作为道路背景,所得结果如图3所示,其计算公式为:
式中,P为道路背景画面,I i 为第i帧画面,T为连续帧数,本实施例中取100。
(1.2)前端页面加载道路背景图片,在道路背景图片上绘制道路车道线和车道区域,绘制结果如图4所示,同时计算所有车道区域的最小外接矩形作为车道区域,并将所有结果数据以json格式保存。
(2) 采用基于深度学习的目标检测模型对高速公路高清监控视频的每帧图像中车辆进行检测,获取车辆的外边框(Bounding box),包括如下子步骤:
(2.1)根据步骤(1.2)所得车道区域,从视频帧图像中裁剪出车道区域的图像,以减少目标检测的计算量和数据传输的数据量;
(2.2) 将车道区域图像输入基于EfficientDet的车辆检测模型,计算后输出画面中的车辆的外边框,其中车辆检测模型使用人工标注好的车辆检测框数据提前进行训练,模型可以以API形式对外提供调用接口,检测结果如图5所示;车辆检测模型不局限于EfficientDet,还可以采用SSD、Yolo、Faster RCNN等模型。
(3) 根据每帧图像中车辆的检测结果,运用SORT方法对视频中车辆轨迹进行跟踪,SORT方法主要包括获取邻接矩阵、简单匹配、匈牙利匹配、状态更新等步骤。此外,还可以采用Deep SORT等方法。
(4) 将车辆轨迹与道路结构化数据相结合,根据车辆所经过的车道区域对车辆换道进行识别,根据车辆的外边框与车道线相交位置对车辆换道位置进行检测,包括如下子步骤:
(4.1)新建类型为字典的变量D={key,value},用以记录车辆所处的车道编号,key为车辆编号,由步骤(2)车辆检测时编号获得,value为车道编号;
(4.2)对每帧画面的轨迹结果,遍历所有车辆,计算车辆所处的车道编号,进而根据车道编号和车辆编号进行分析,如果车道编号不存在则直接分析下一辆车,如果车辆编号未在变量D的key中则将该车辆编号和目前车所处的车道编号添加到变量D中,如果车辆编号已在变量D的key中则进一步判断车道编号是否发生改变:如果车道编号未改变则直接分析下一辆车,如果车道编号发生改变则认为发生换道。其中,对于车辆所处的车道编号计算可以采用如下方法:使用车辆外边框的下边缘三等分点A和B作为车辆所处车道的判断点,采用射线法判断A点和B点是否处于车道区域的多边形内,即从该点做水平射线,如果与某个车道区域多边形存在奇数个交点则在该车道区域内,否则不在该车道区域内,如果A和B两点在同一车道区域内则认为该车在此车道内。
(4.3)对于发生换道的车辆,运用车辆外边框下边缘的边与车道线进行相交计算,得到车道线上的交点坐标,将该点作为换道位置点。
(5)对不同时间段内所经过车辆的换道位置进行聚类分析,得出不同时间段的高速公路车辆换道热点区域,包括如下子步骤:
(5.1) 将每条车道线划分为N等份,选取时间段t1-t2之间的车辆换道位置数据,统计每条车道等分段内的换道次数。例如,将每条车道线划分为10等份,选取时间段8:00-10:00之间的车辆换道位置数据,统计每条车道等分段内的每10分钟换道次数,车道1与2之间车道线换道统计所得结果如表1所示;
表1换道次数统计原始表
(5.2)对每条车道等分段内的换道次数使用高斯滤波进行平滑,其公式为:
式中x为随机变量(本实施例中为高斯核的位置索引),μ为高斯分布的期望值,σ为高斯分布的标准差。
在平滑中选取1*3的高斯核,其中μ取0,σ取0.8,所得高斯核为[0.239,0.522,0.239],车道1与2之前车道线换道统计平滑后结果如表2所示;
表2换道次数统计高斯平滑表
(5.3)以时间、换道的车道线位置、换道次数这个三个元素构建换道区域的三维分析空间,对换道区域进行可视化分析,更为直观。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (5)
1.一种基于深度学习的高速公路车辆换道区域分析方法,其特征在于,具体步骤如下:
(1)根据高速公路的监控视频,提取道路背景,根据道路背景中的车道和车道线划分车道区域,得到道路结构化数据;
(2)采用基于深度学习的目标检测模型对监控视频的每帧图像中车辆进行检测,获取车辆的外边框;
(3)根据每帧图像中车辆的检测结果,对监控视频中车辆轨迹进行跟踪;
(4)将车辆轨迹与道路结构化数据相结合,根据车辆所经过的车道区域对车辆换道进行识别,根据车辆的外边框与车道线相交位置对车辆换道位置进行检测;包括如下子步骤:
(4.1)新建变量D={key,value},用以记录车辆所处的车道编号,其中,key为车辆编号,value为车道编号;
(4.2)对每帧画面的轨迹结果,遍历所有车辆,计算车辆所处的车道编号,进而根据车道编号和车辆编号进行分析:
如果车道编号不存在则直接分析下一辆车;
如果车辆编号未在变量D的key中则将该车辆编号和目前车所处的车道编号添加到变量D中;
如果车辆编号已在变量D的key中则进一步判断车道编号是否发生改变:如果车道编号未改变则直接分析下一辆车,如果车道编号发生改变则认为发生换道;
其中,计算车辆所处的车道编号,具体方法为:
使用车辆的外边框的下边缘三等分点A和B作为车辆所处车道的判断点,采用射线法判断A点和B点是否处于车道区域的多边形内;如果A和B两点均在同一车道区域内则认为该车在此车道内;
(4.3)对于发生换道的车辆,运用车辆外边框下边缘的边与车道线进行相交计算,得到车道线上的交点坐标,将该点作为换道位置点;
(5)对不同时间段内所经过车辆的换道位置进行聚类分析,得出不同时间段的高速公路车辆换道热点区域。
3.根据权利要求1所述的一种基于深度学习的高速公路车辆换道区域分析方法,其特征在于:所述步骤(2)包括如下子步骤:
(2.1)根据步骤(1)所得车道区域,从视频帧图像中裁剪出车道区域图像;
(2.2)将车道区域图像输入训练好的基于深度学习的目标检测模型,计算后输出画面中的车辆的外边框,其中,目标检测模型为EfficientDet,使用人工标注好的车辆检测框数据进行训练。
4.根据权利要求1所述的一种基于深度学习的高速公路车辆换道区域分析方法,其特征在于:所述步骤(3)中,采用SORT方法对监控视频中车辆轨迹进行跟踪。
5.根据权利要求1所述的一种基于深度学习的高速公路车辆换道区域分析方法,其特征在于:所述步骤(5)包括如下子步骤:
(5.1)将每条车道线划分为N等份,选取时间段t1-t2之间的车辆换道位置数据,统计每条车道等分段内的换道次数;
(5.2)对每条车道等分段内的换道次数使用高斯滤波进行平滑;
(5.3)以时间、换道位置、换道次数三个元素构建换道区域的三维分析空间,对换道区域进行可视化分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010729116.4A CN111598069B (zh) | 2020-07-27 | 2020-07-27 | 一种基于深度学习的高速公路车辆换道区域分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010729116.4A CN111598069B (zh) | 2020-07-27 | 2020-07-27 | 一种基于深度学习的高速公路车辆换道区域分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598069A CN111598069A (zh) | 2020-08-28 |
CN111598069B true CN111598069B (zh) | 2020-11-06 |
Family
ID=72186756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010729116.4A Active CN111598069B (zh) | 2020-07-27 | 2020-07-27 | 一种基于深度学习的高速公路车辆换道区域分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598069B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112092815B (zh) * | 2020-09-02 | 2021-07-16 | 北京航空航天大学 | 一种基于模型预测的车辆换道轨迹跟踪控制方法 |
CN113128382A (zh) * | 2021-04-06 | 2021-07-16 | 青岛以萨数据技术有限公司 | 交通路口车道线检测方法及*** |
CN113469075A (zh) * | 2021-07-07 | 2021-10-01 | 上海商汤智能科技有限公司 | 确定交通流量指标的方法、装置、设备及存储介质 |
CN116110230A (zh) * | 2022-11-02 | 2023-05-12 | 东北林业大学 | 基于车载摄像头的车辆越车道线识别方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014180986A (ja) * | 2013-03-21 | 2014-09-29 | Toyota Motor Corp | 車線変更支援装置 |
CN106981202A (zh) * | 2017-05-22 | 2017-07-25 | 中原智慧城市设计研究院有限公司 | 一种基于车道模型的车辆来回变道检测方法 |
CN107146415A (zh) * | 2017-07-05 | 2017-09-08 | 廊坊师范学院 | 一种交通事件检测与定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136447B (zh) * | 2019-05-23 | 2021-01-12 | 杭州诚道科技股份有限公司 | 行车变道检测及违法变道识别的方法 |
-
2020
- 2020-07-27 CN CN202010729116.4A patent/CN111598069B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014180986A (ja) * | 2013-03-21 | 2014-09-29 | Toyota Motor Corp | 車線変更支援装置 |
CN106981202A (zh) * | 2017-05-22 | 2017-07-25 | 中原智慧城市设计研究院有限公司 | 一种基于车道模型的车辆来回变道检测方法 |
CN107146415A (zh) * | 2017-07-05 | 2017-09-08 | 廊坊师范学院 | 一种交通事件检测与定位方法 |
Non-Patent Citations (1)
Title |
---|
车辆轨迹数据提取道路交叉口特征的决策树模型;万子健 等;《测绘学报》;20191130;第48卷(第11期);第1391-1403页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111598069A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598069B (zh) | 一种基于深度学习的高速公路车辆换道区域分析方法 | |
CN103324930B (zh) | 一种基于灰度直方图二值化的车牌字符分割方法 | |
CN109410577B (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
KR102124955B1 (ko) | 시각적 분석을 통한 교통 혼잡 원인 식별 방법 및 서버 | |
CN103116987B (zh) | 一种基于监控视频处理的车流统计和违规检测的方法 | |
CN111554105B (zh) | 一种复杂交通路口的智能流量识别与统计方法 | |
CN104599502A (zh) | 一种基于视频监控的车流量统计方法 | |
CN110188807A (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
CN105160309A (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
CN108961758B (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
CN109615862A (zh) | 道路车辆交通运动状态参数动态获取方法及装置 | |
CN107067781B (zh) | 一种用于先进驾驶辅助***应用的gis道路黑点地图生成方法 | |
CN109191830A (zh) | 一种基于视频图像处理的道路拥堵检测方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN103198300B (zh) | 基于双层背景的停车事件检测方法 | |
CN102867415B (zh) | 基于视频检测技术的道路拥堵判别方法 | |
CN102902983B (zh) | 一种基于支持向量机的出租车识别方法 | |
Cai et al. | Applying machine learning and *** street view to explore effects of drivers’ visual environment on traffic safety | |
Meng et al. | Video‐Based Vehicle Counting for Expressway: A Novel Approach Based on Vehicle Detection and Correlation‐Matched Tracking Using Image Data from PTZ Cameras | |
Ismail | Application of computer vision techniques for automated road safety analysis and traffic data collection | |
CN110443142B (zh) | 一种基于路面提取与分割的深度学习车辆计数方法 | |
Mijić et al. | Traffic sign detection using YOLOv3 | |
CN113516853B (zh) | 一种针对复杂监控场景的多车道车流量检测方法 | |
Zhang et al. | Vehicle detection in UAV aerial images based on improved YOLOv3 | |
CN111145551A (zh) | 一种基于cnn检测遵章率的路***通规划*** |
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 |