CN112802333A - 基于ai视频分析的高速公路路网安全态势分析***、方法 - Google Patents
基于ai视频分析的高速公路路网安全态势分析***、方法 Download PDFInfo
- Publication number
- CN112802333A CN112802333A CN202011608499.6A CN202011608499A CN112802333A CN 112802333 A CN112802333 A CN 112802333A CN 202011608499 A CN202011608499 A CN 202011608499A CN 112802333 A CN112802333 A CN 112802333A
- Authority
- CN
- China
- Prior art keywords
- module
- monitoring
- video
- road network
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 110
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010295 mobile communication Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于高速公路路网安全态势分析技术领域，公开了一种基于AI视频分析的高速公路路网安全态势分析***、方法，基于AI视频分析的高速公路路网安全态势分析***包括：路网视频监控模块、路网流量检测模块、行驶速度检测模块、中央控制模块、监控布局优化模块、视频识别模块、路网拥堵监测模块、通行效率计算模块、安全评估模块、显示模块。本发明通过监控布局优化模块实现监控无死角；同时，通过路网拥堵监测模块可以实现各类交通拥堵的自动感知、全面感知、精准感知。相对于传统的模式交通拥堵识别技术来讲，本发明能够在识别准确率，识别效率与识别性能上有极大的突破。
Description
技术领域
本发明属于高速公路路网安全态势分析技术领域，尤其涉及一种基于AI视频分析的高速公路路网安全态势分析***、方法。
背景技术
高速公路适应工业化和城市化的发展。城市是产业与人口集聚地，其汽车增长远比乡村快得多，成为汽车集聚中心，高速公路建设多从城市环路、辐射路和交通繁忙路段开始，逐步成为以高速公路为骨干的城市交通。汽车技术发展对高速公路建设提出客观要求。汽车已成为人类社会重要的交通工具，高速公路等基础设施能配合汽车轻型化和重载化两大发展趋势，同时满足客运汽车高速度以及货运汽车大载重的需求。汽车工业的飞速发展和城镇化推进给高速公路公司带来发展机遇。在铁路运输能力紧张、进出通道不畅的地区，高速公路就发挥着重要的运输作用。然而，现有高速公路路网视频监控容易出现死角，监控不全面；同时，对路网拥堵检测准确性差。
综上所述，现有技术存在的问题是：现有高速公路路网视频监控容易出现死角，监控不全面；同时，对路网拥堵检测准确性差。
发明内容
针对现有技术存在的问题，本发明提供了一种基于AI视频分析的高速公路路网安全态势分析***、方法。
本发明是这样实现的，一种基于AI视频分析的高速公路路网安全态势分析***包括：
路网视频监控模块、路网流量检测模块、行驶速度检测模块、中央控制模块、监控布局优化模块、视频识别模块、路网拥堵监测模块、通行效率计算模块、安全评估模块、显示模块；
路网视频监控模块，与中央控制模块连接，用于通过摄像器监控高速公路路况视频；
路网流量检测模块，与中央控制模块连接，用于通过流量监控设备检测高速公路行驶流量数据；
行驶速度检测模块，与中央控制模块连接，用于通过车速检测器检测高速公路行驶车辆速度数据；
中央控制模块，与路网视频监控模块、路网流量检测模块、行驶速度检测模块、监控布局优化模块、视频识别模块、路网拥堵监测模块、通行效率计算模块、安全评估模块、显示模块连接，用于控制各个模块正常工作；
监控布局优化模块，与中央控制模块连接，用于对高速公路监控摄像器进行布局优化操作；
视频识别模块，与中央控制模块连接，用于通过识别程序对监控视频中车辆进行识别；
路网拥堵监测模块，与中央控制模块连接，用于对高速公路拥堵进行监测；
通行效率计算模块，与中央控制模块连接，用于通过计算程序对高速公路通行效率进行计算；
安全评估模块，与中央控制模块连接，用于通过评估程序对高速公路安全进行评估；
显示模块，与中央控制模块连接，用于通过显示器显示路网视频监控视频、路网流量、车辆行驶速度、视频识别结果、路网拥堵监测结果、通行效率计算结果、安全评估结果。
一种基于AI视频分析的高速公路路网安全态势分析方法包括以下步骤：
步骤一，通过路网视频监控模块利用摄像器监控高速公路路况视频；通过路网流量检测模块利用流量监控设备检测高速公路行驶流量数据；通过行驶速度检测模块利用车速检测器检测高速公路行驶车辆速度数据；
步骤二，中央控制模块通过监控布局优化模块对高速公路监控摄像器进行布局优化操作；
步骤三，通过视频识别模块利用识别程序对监控视频中车辆进行识别；通过路网拥堵监测模块对高速公路拥堵进行监测；
步骤四，通过通行效率计算模块利用计算程序对高速公路通行效率进行计算；通过安全评估模块利用评估程序对高速公路安全进行评估；
步骤五，通过显示模块利用显示器显示路网视频监控视频、路网流量、车辆行驶速度、视频识别结果、路网拥堵监测结果、通行效率计算结果、安全评估结果。
进一步，所述监控布局优化模块优化方法如下：
(1)配置监控摄像器监控参数；
(2)基于已获取的路网数据和多维城市基础数据，根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级；按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求；
(3)基于视频监控网络中摄像器的位置信息和可视域信息，优化每个路网数据中节点周围的摄像器位置和可视域，满足每个路网数据中节点对应的覆盖要求。
进一步，所述多维城市基础数据包括但不限于：
公安***的案件数据、智能交通***的违法记录、移动通信***的定位数据、物联网数据、以及电子地图中的感兴趣点数据中的一种或多种。
进一步，所述根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级，包括：
(2.1)统计以路网数据中节点为中心的设定范围内的多维城市基础数据的数量，累加各种城市基础数据的数量与其加权值的乘积作为节点对应的高危值；
(2.2)根据高危程度等级与高危值范围的对应关系，确定各节点对应的高危程度等级。
进一步，所述按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求，包括：
根据高危程度等级与覆盖范围的对应关系，确定节点对应的覆盖范围；
设置路网数据中节点对应的覆盖要求是在节点对应的覆盖范围内具有摄像器且被其可视域覆盖。
进一步，所述路网拥堵监测模块监测方法如下：
1)通过摄像器采集车辆视频，并对视频进行增强处理；
2)通过运动目标检测的方法获取视频中的运动车辆；运动车辆跟踪；
3)以所述运动车辆跟踪为基础获取交通特征参数并建立基于深度学习的交通拥堵模型；计算道路拥堵指数δ判定路段的拥堵级别。
进一步，所述获取视频中的运动车辆，具体过程包括依次进行的如下步骤：
步骤a：视频图像抓取；
步骤b：运动目标检测；
步骤c：进行车辆模型辨别，若所述步骤b的运动目标不属于车辆则重新返回所述步骤a视频图像抓取，若所述步骤b的运动目标属于车辆则进行运动车辆跟踪。
进一步，所述运动车辆跟踪具体包括以下步骤：
运动车辆检测；需要进行各运动车辆进行几何校正；进行归一化处理；进行运动车辆跟踪。
进一步，所述交通参数提取技术采用基于深度学习技术的车辆特征识别与跟踪，具体包括以下步骤：
以所述运动车辆跟踪为基础来测定车辆速度V；以所述运动车辆跟踪为基础统计指定时段内路段的车辆密度D；以所述车辆速度V和所述车辆密度D，建立基于深度学习的交通拥堵模型。
进一步，所述交通拥堵模型包括输入层、隐层和输出层，所述隐层为多个。
进一步，所述道路拥堵指数δ计算方法如下，其中p为参数：
其中所述p为参数，优选的p取值为0.1，所述道路拥堵指数δ越大则道路越畅通，道路拥堵指数δ越小则道路越拥堵。
本发明的优点及积极效果为：本发明通过监控布局优化模块基于已获取的路网数据和多维城市基础数据，计算路网数据中节点对应的高危程度等级，按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求，最后基于视频监控网络中摄像器的位置信息和可视域信息，优化每个路网数据中节点周围的摄像器位置和可视域，满足每个路网数据中节点对应的覆盖要求。本发明对城市的视频监控布局合理性进行了评估，改善了城市视频监控***中摄像头的布局，实现监控无死角；同时，通过路网拥堵监测模块可以实现各类交通拥堵的自动感知、全面感知、精准感知。相对于传统的模式交通拥堵识别技术来讲，本发明能够在识别准确率，识别效率与识别性能上有极大的突破，为公路管理提供新的解决方案，为公路提高管理效率奠定坚实的基础。
附图说明
图1是本发明实施例提供的基于AI视频分析的高速公路路网安全态势分析方法流程图。
图2是本发明实施例提供的基于AI视频分析的高速公路路网安全态势分析***结构框图。
图3是本发明实施例提供的监控布局优化模块优化方法流程图。
图4是本发明实施例提供的根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级方法流程图。
图5是本发明实施例提供的路网拥堵监测模块监测方法流程图。
图2中：1、路网视频监控模块；2、路网流量检测模块；3、行驶速度检测模块；4、中央控制模块；5、监控布局优化模块；6、视频识别模块；7、路网拥堵监测模块；8、通行效率计算模块；9、安全评估模块；10、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明提供的基于AI视频分析的高速公路路网安全态势分析方法包括以下步骤：
S101，通过路网视频监控模块利用摄像器监控高速公路路况视频；通过路网流量检测模块利用流量监控设备检测高速公路行驶流量数据；通过行驶速度检测模块利用车速检测器检测高速公路行驶车辆速度数据；
S102，中央控制模块通过监控布局优化模块对高速公路监控摄像器进行布局优化操作；
S103，通过视频识别模块利用识别程序对监控视频中车辆进行识别；通过路网拥堵监测模块对高速公路拥堵进行监测；
S104，通过通行效率计算模块利用计算程序对高速公路通行效率进行计算；通过安全评估模块利用评估程序对高速公路安全进行评估；
S105，通过显示模块利用显示器显示路网视频监控视频、路网流量、车辆行驶速度、视频识别结果、路网拥堵监测结果、通行效率计算结果、安全评估结果。
如图2所示，本发明实施例提供的基于AI视频分析的高速公路路网安全态势分析***包括：路网视频监控模块1、路网流量检测模块2、行驶速度检测模块3、中央控制模块4、监控布局优化模块5、视频识别模块6、路网拥堵监测模块7、通行效率计算模块8、安全评估模块9、显示模块10。
路网视频监控模块1，与中央控制模块4连接，用于通过摄像器监控高速公路路况视频；
路网流量检测模块2，与中央控制模块4连接，用于通过流量监控设备检测高速公路行驶流量数据；
行驶速度检测模块3，与中央控制模块4连接，用于通过车速检测器检测高速公路行驶车辆速度数据；
中央控制模块4，与路网视频监控模块1、路网流量检测模块2、行驶速度检测模块3、监控布局优化模块5、视频识别模块6、路网拥堵监测模块7、通行效率计算模块8、安全评估模块9、显示模块10连接，用于控制各个模块正常工作；
监控布局优化模块5，与中央控制模块4连接，用于对高速公路监控摄像器进行布局优化操作；
视频识别模块6，与中央控制模块4连接，用于通过识别程序对监控视频中车辆进行识别；
路网拥堵监测模块7，与中央控制模块4连接，用于对高速公路拥堵进行监测；
通行效率计算模块8，与中央控制模块4连接，用于通过计算程序对高速公路通行效率进行计算；
安全评估模块9，与中央控制模块4连接，用于通过评估程序对高速公路安全进行评估；
显示模块10，与中央控制模块4连接，用于通过显示器显示路网视频监控视频、路网流量、车辆行驶速度、视频识别结果、路网拥堵监测结果、通行效率计算结果、安全评估结果。
如图3所示，本发明提供的监控布局优化模块5优化方法如下：
S201，配置监控摄像器监控参数；
S202，基于已获取的路网数据和多维城市基础数据，根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级；按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求；
S203，基于视频监控网络中摄像器的位置信息和可视域信息，优化每个路网数据中节点周围的摄像器位置和可视域，满足每个路网数据中节点对应的覆盖要求。
本发明提供的多维城市基础数据包括但不限于：
公安***的案件数据、智能交通***的违法记录、移动通信***的定位数据、物联网数据、以及电子地图中的感兴趣点数据中的一种或多种。
如图4所示，本发明提供的根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级，包括：
S301，统计以路网数据中节点为中心的设定范围内的多维城市基础数据的数量，累加各种城市基础数据的数量与其加权值的乘积作为节点对应的高危值；
S302，根据高危程度等级与高危值范围的对应关系，确定各节点对应的高危程度等级。
本发明提供的按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求，包括：
根据高危程度等级与覆盖范围的对应关系，确定节点对应的覆盖范围；
设置路网数据中节点对应的覆盖要求是在节点对应的覆盖范围内具有摄像器且被其可视域覆盖。
如图5所示，本发明提供的路网拥堵监测模块7监测方法如下：
S401，通过摄像器采集车辆视频，并对视频进行增强处理；
S402，通过运动目标检测的方法获取视频中的运动车辆；运动车辆跟踪；
S403，以所述运动车辆跟踪为基础获取交通特征参数并建立基于深度学习的交通拥堵模型；计算道路拥堵指数δ判定路段的拥堵级别。
本发明提供的获取视频中的运动车辆，具体过程包括依次进行的如下步骤：
步骤a：视频图像抓取；
步骤b：运动目标检测；
步骤c：进行车辆模型辨别，若所述步骤b的运动目标不属于车辆则重新返回所述步骤a视频图像抓取，若所述步骤b的运动目标属于车辆则进行运动车辆跟踪。
本发明提供的运动车辆跟踪具体包括以下步骤：
运动车辆检测；需要进行各运动车辆进行几何校正；进行归一化处理；进行运动车辆跟踪。
本发明提供的交通参数提取技术采用基于深度学习技术的车辆特征识别与跟踪，具体包括以下步骤：
以所述运动车辆跟踪为基础来测定车辆速度V；以所述运动车辆跟踪为基础统计指定时段内路段的车辆密度D；以所述车辆速度V和所述车辆密度D，建立基于深度学习的交通拥堵模型。
本发明提供的交通拥堵模型包括输入层、隐层和输出层，所述隐层为多个。
本发明提供的道路拥堵指数δ计算方法如下，其中p为参数：
其中所述p为参数，优选的p取值为0.1，所述道路拥堵指数δ越大则道路越畅通，道路拥堵指数δ越小则道路越拥堵。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (10)
1.一种基于AI视频分析的高速公路路网安全态势分析方法，其特征在于，所述基于AI视频分析的高速公路路网安全态势分析方法包括以下步骤：
步骤一，利用摄像器监控高速公路路况视频；利用流量监控设备检测高速公路行驶流量数据；利用车速检测器检测高速公路行驶车辆速度数据；
步骤二，通过监控布局优化模块对高速公路监控摄像器进行布局优化操作；
步骤三，利用识别程序对监控视频中车辆进行识别；对高速公路拥堵进行监测；
步骤四，利用计算程序对高速公路通行效率进行计算；利用评估程序对高速公路安全进行评估；
步骤五，利用显示器显示路网视频监控视频、路网流量、车辆行驶速度、视频识别结果、路网拥堵监测结果、通行效率计算结果、安全评估结果。
2.如权利要求1所述基于AI视频分析的高速公路路网安全态势分析方法，其特征在于，所述监控布局优化模块优化方法如下：
(1)配置监控摄像器监控参数；
(2)基于已获取的路网数据和多维城市基础数据，根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级；按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求；
(3)基于视频监控网络中摄像器的位置信息和可视域信息，优化每个路网数据中节点周围的摄像器位置和可视域，满足每个路网数据中节点对应的覆盖要求。
3.如权利要求2所述基于AI视频分析的高速公路路网安全态势分析方法，其特征在于，所述多维城市基础数据包括但不限于：
公安***的案件数据、智能交通***的违法记录、移动通信***的定位数据、物联网数据、以及电子地图中的感兴趣点数据中的一种或多种。
4.如权利要求2所述基于AI视频分析的高速公路路网安全态势分析***，其特征在于，所述根据以路网数据中节点为中心的设定范围内的多维城市基础数据，计算路网数据中节点对应的高危程度等级，包括：
(2.1)统计以路网数据中节点为中心的设定范围内的多维城市基础数据的数量，累加各种城市基础数据的数量与其加权值的乘积作为节点对应的高危值；
(2.2)根据高危程度等级与高危值范围的对应关系，确定各节点对应的高危程度等级。
5.如权利要求1所述基于AI视频分析的高速公路路网安全态势分析方法，其特征在于，所述按照路网数据中节点对应的高危程度等级，为每个路网数据中节点设定对应的覆盖要求，包括：
根据高危程度等级与覆盖范围的对应关系，确定节点对应的覆盖范围；
设置路网数据中节点对应的覆盖要求是在节点对应的覆盖范围内具有摄像器且被其可视域覆盖。
6.如权利要求1所述基于AI视频分析的高速公路路网安全态势分析方法，其特征在于，所述路网拥堵监测模块监测方法如下：
1)通过摄像器采集车辆视频，并对视频进行增强处理；
2)通过运动目标检测的方法获取视频中的运动车辆；运动车辆跟踪；
3)以所述运动车辆跟踪为基础获取交通特征参数并建立基于深度学习的交通拥堵模型；计算道路拥堵指数δ判定路段的拥堵级别。
7.如权利要求6所述基于AI视频分析的高速公路路网安全态势分析***，其特征在于，所述获取视频中的运动车辆，具体过程包括依次进行的如下步骤：
步骤a：视频图像抓取；
步骤b：运动目标检测；
步骤c：进行车辆模型辨别，若所述步骤b的运动目标不属于车辆则重新返回所述步骤a视频图像抓取，若所述步骤b的运动目标属于车辆则进行运动车辆跟踪。
8.如权利要求7所述基于AI视频分析的高速公路路网安全态势分析***，其特征在于，所述运动车辆跟踪具体包括以下步骤：
运动车辆检测；需要进行各运动车辆进行几何校正；进行归一化处理；进行运动车辆跟踪。
9.如权利要求6所述基于AI视频分析的高速公路路网安全态势分析***，其特征在于，所述交通参数提取技术采用基于深度学习技术的车辆特征识别与跟踪，具体包括以下步骤：
以所述运动车辆跟踪为基础来测定车辆速度V；以所述运动车辆跟踪为基础统计指定时段内路段的车辆密度D；以所述车辆速度V和所述车辆密度D，建立基于深度学习的交通拥堵模型；
所述交通拥堵模型包括输入层、隐层和输出层，所述隐层为多个。
所述道路拥堵指数δ计算方法如下，其中p为参数：
其中所述p为参数，优选的p取值为0.1，所述道路拥堵指数δ越大则道路越畅通，道路拥堵指数δ越小则道路越拥堵。
10.一种基于AI视频分析的高速公路路网安全态势分析***，其特征在于，所述基于AI视频分析的高速公路路网安全态势分析***包括：
路网视频监控模块，与中央控制模块连接，用于通过摄像器监控高速公路路况视频；
路网流量检测模块，与中央控制模块连接，用于通过流量监控设备检测高速公路行驶流量数据；
行驶速度检测模块，与中央控制模块连接，用于通过车速检测器检测高速公路行驶车辆速度数据；
中央控制模块，与路网视频监控模块、路网流量检测模块、行驶速度检测模块、监控布局优化模块、视频识别模块、路网拥堵监测模块、通行效率计算模块、安全评估模块、显示模块连接，用于控制各个模块正常工作；
监控布局优化模块，与中央控制模块连接，用于对高速公路监控摄像器进行布局优化操作；
视频识别模块，与中央控制模块连接，用于通过识别程序对监控视频中车辆进行识别；
路网拥堵监测模块，与中央控制模块连接，用于对高速公路拥堵进行监测；
通行效率计算模块，与中央控制模块连接，用于通过计算程序对高速公路通行效率进行计算；
安全评估模块，与中央控制模块连接，用于通过评估程序对高速公路安全进行评估；
显示模块，与中央控制模块连接，用于通过显示器显示路网视频监控视频、路网流量、车辆行驶速度、视频识别结果、路网拥堵监测结果、通行效率计算结果、安全评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011608499.6A CN112802333A (zh) | 2020-12-30 | 2020-12-30 | 基于ai视频分析的高速公路路网安全态势分析***、方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011608499.6A CN112802333A (zh) | 2020-12-30 | 2020-12-30 | 基于ai视频分析的高速公路路网安全态势分析***、方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112802333A true CN112802333A (zh) | 2021-05-14 |
Family
ID=75804439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011608499.6A Pending CN112802333A (zh) | 2020-12-30 | 2020-12-30 | 基于ai视频分析的高速公路路网安全态势分析***、方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112802333A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117912249A (zh) * | 2024-01-23 | 2024-04-19 | 广科通立(广东)数据服务有限公司 | 一种新型交通路网态势分析方法、***、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130197790A1 (en) * | 2012-01-31 | 2013-08-01 | Taif University | Method and system for traffic performance analysis, network reconfiguration, and real-time traffic monitoring |
| CN110335465A (zh) * | 2019-07-10 | 2019-10-15 | 北京维联众诚科技有限公司 | 基于ai深度学习的监控视频中交通拥堵检测方法和*** |
| CN110602438A (zh) * | 2018-06-13 | 2019-12-20 | 浙江宇视科技有限公司 | 一种基于路网的视频监控布局优化方法及装置 |
| CN110688922A (zh) * | 2019-09-18 | 2020-01-14 | 苏州奥易克斯汽车电子有限公司 | 基于深度学习的交通拥堵检测***及检测方法 |
| CN112053559A (zh) * | 2020-08-25 | 2020-12-08 | 浙江省机电设计研究院有限公司 | 一种高速公路安全态势评估方法及评估*** |
-
2020
- 2020-12-30 CN CN202011608499.6A patent/CN112802333A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130197790A1 (en) * | 2012-01-31 | 2013-08-01 | Taif University | Method and system for traffic performance analysis, network reconfiguration, and real-time traffic monitoring |
| CN110602438A (zh) * | 2018-06-13 | 2019-12-20 | 浙江宇视科技有限公司 | 一种基于路网的视频监控布局优化方法及装置 |
| CN110335465A (zh) * | 2019-07-10 | 2019-10-15 | 北京维联众诚科技有限公司 | 基于ai深度学习的监控视频中交通拥堵检测方法和*** |
| CN110688922A (zh) * | 2019-09-18 | 2020-01-14 | 苏州奥易克斯汽车电子有限公司 | 基于深度学习的交通拥堵检测***及检测方法 |
| CN112053559A (zh) * | 2020-08-25 | 2020-12-08 | 浙江省机电设计研究院有限公司 | 一种高速公路安全态势评估方法及评估*** |
Non-Patent Citations (1)
| Title |
|---|
| 方勇等: "基于深度学习的道路交通拥堵检测", 《智能城市》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117912249A (zh) * | 2024-01-23 | 2024-04-19 | 广科通立(广东)数据服务有限公司 | 一种新型交通路网态势分析方法、***、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arya et al. | Transfer learning-based road damage detection for multiple countries | |
| CN111540201B (zh) | 基于路侧激光雷达的车辆排队长度实时估计方法及*** | |
| CN103839409B (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
| Morris et al. | Real-time video-based traffic measurement and visualization system for energy/emissions | |
| CN110688922A (zh) | 基于深度学习的交通拥堵检测***及检测方法 | |
| CN107591005B (zh) | 动静态检测相结合的停车区域管理方法、服务器及*** | |
| CN103258427A (zh) | 基于信息物理网络的城市快速路交通实时监控***与方法 | |
| CN110610153A (zh) | 一种用于自动驾驶的车道识别方法及*** | |
| CN109910881A (zh) | 一种转弯道路视觉盲区信息的检测处理方法及*** | |
| CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
| CN112802333A (zh) | 基于ai视频分析的高速公路路网安全态势分析***、方法 | |
| Sharma et al. | Deep Learning-Based Object Detection and Classification for Autonomous Vehicles in Different Weather Scenarios of Quebec, Canada | |
| CN113392817A (zh) | 一种基于多列卷积神经网络的车辆密度估计的方法及装置 | |
| Zhou et al. | Method for judging parking status based on yolov2 target detection algorithm | |
| CN111553199A (zh) | 一种基于计算机视觉的机动车交通违法行为自动检测技术 | |
| CN113128847A (zh) | 一种基于激光雷达的出入口匝道实时风险预警***及方法 | |
| CN114898309A (zh) | 一种基于视觉ai技术的城市智能巡检车***及巡检方法 | |
| Taleqani et al. | Data Driven Analytics of Road Quality. | |
| CN107085074B (zh) | 一种分类监测机动车尾气的方法 | |
| CN118155153B (zh) | 基于cmos双板模组的图像采集识别*** | |
| CN114937212B (zh) | 基于频域空间转换的航拍道路类型识别方法 | |
| Kyriakou et al. | A low-cost pavement-rating system, based on machine learning, utilising smartphone sensors | |
| CN117274303A (zh) | 一种车辆轨迹的智能追踪方法及*** | |
| Guo et al. | Safety Criteria for Selecting a Smart Corridor: Random Forest Approach using HSIS Data from Washington State | |
| Ismail et al. | PGTLP: A Dataset for Tunisian License Plate Detection and Recognition |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210514 |
|
| RJ01 | Rejection of invention patent application after publication |