CN113255469A - 交通监控场景道路占有率的测定方法及装置 - Google Patents

交通监控场景道路占有率的测定方法及装置 Download PDF

Info

Publication number
CN113255469A
CN113255469A CN202110491546.1A CN202110491546A CN113255469A CN 113255469 A CN113255469 A CN 113255469A CN 202110491546 A CN202110491546 A CN 202110491546A CN 113255469 A CN113255469 A CN 113255469A
Authority
CN
China
Prior art keywords
road
occupancy
length
vehicle
vehicles
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
Application number
CN202110491546.1A
Other languages
English (en)
Inventor
阮雅端
邵长宜
汪靖文
王锐
杨中岳
陈启美
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Original Assignee
Nanjing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University filed Critical Nanjing University
Priority to CN202110491546.1A priority Critical patent/CN113255469A/zh
Publication of CN113255469A publication Critical patent/CN113255469A/zh
Pending legal-status Critical Current

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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

交通监控场景道路占有率的测定方法及装置,获取交通监控视频数据，确定道路中感兴趣区域ROI及车辆，根据ROI有效检测范围划定视频图像中占有率计算区域的远近边界，并计算占有率计算区域内车道的真实长度；同时统计出车辆数目、类别，对车辆长度作真实长度标准化处理，获取占有率计算区域内车辆的总长度，最后将车辆的总长度比上车道的真实总长度，得到道路占有率。本发明只需监控视频数据，自动实时计算道路占有率，客观反映当前道路的拥堵使用状况，解决了传统检测方法的设备易老化损坏、施工复杂、价格昂贵等问题，测定准确率高，不受视频拍摄角度影响，对于实现城市交通拥挤状态判别，交通的调度管理有着重要的意义。

Description

交通监控场景道路占有率的测定方法及装置
技术领域
本发明属于计算机及图像处理技术领域，涉及智能交通中的交通监控视频分析，为一种交通监控场景道路占有率的测定方法及装置。
背景技术
道路占有率分为时间占有率和空间占有率两种类型，是指在特定时刻，路段内道路参与者的交通使用量与道路总量的比值，反映了道路的拥堵使用情况，可服务于视频监控、智能交通等领域。基于时间的道路占有率计算方法，需要安装车辆检测传感器，采用车辆通过传感器的累计时间与总观测时间的比值来计算道路占有率，此方法在累加车辆经过传感器的时间时误差较大，同时传感器埋于地下破坏路面，难以安装维修；基于空间的道路占有率计算方法，为在路段上所有车辆的长度之和占路段总长度的百分比，需要获得各车型的车长资料，传统的基于视频图像的车辆检测方法，需要预先设定阈值，易受光照、遮挡的影响，鲁棒性无法达到要求。
现有技术计算道路占有率，车辆检测方法采用较多的有地感线圈、微波车辆检测器、视频检测技术等。地感线圈是埋于地下的一种震荡电路，用于检测是否有汽车经过，存在易老化损坏、安装维修复杂的缺点；微波车辆检测器是一种利用雷达技术检测车辆的装置，但不适用于车流拥堵、车型分布不均匀路段，同时对安装高度也有要求，价格昂贵；随着图像处理技术的发展，也有一些基于背景建模的传统视频检测技术，这类方案大多通过检测图像中的车辆目标，由目标框面积和图像面积的比率计算道路占有率，监控视频的图像角度的会严重影响面积计算的准确率，普适性差、耗时长，无法适应复杂的应用场景。
道路占有率作为反映道路拥挤程度的指标，主要用于智能交通、自动驾驶、交通监控等领域。特别是交通监控领域需要获取路段的信息，对当前路段交通的拥挤状态作判断，从而对车辆进行及时有效的调度，这就对道路占有率参数的获取提出了更高更精确的要求。但是现有的车辆检测方法，检测器易老化损坏、安装维修复杂、价格昂贵，基于背景建模的传统视频检测技术鲁棒性差，无法适应复杂的应用场景，因此无法满足上述要求。
发明内容
本发明要解决的问题是：现有技术对道路占有率的测定依赖额外的车辆检测装置进行计数计算，已有的图像处理技术检测准确率不足。
本发明的技术方案为：交通监控场景道路占有率的测定方法，基于视角非固定的单个摄像头采集的道路监控视频计算道路占有率，包括以下步骤：
1)获取摄像头采集的待测道路交通历史监控视频数据，确定感兴趣区域ROI；
2)对步骤1)的感兴趣区域ROI内车辆进行标注，并使用标注后的数据训练卷积神经网络，得到车辆目标检测模型M1；
3)根据车辆目标检测模型M1在视频图像感兴趣区域ROI中显示的有效检测范围，在视频图像中沿道路方向划定占有率计算区域远、近端的两条检测边界l1和l2，确定道路的占有率计算区域；
4)对道路占有率计算区域内车道的长度进行标定，得到车道真实长度D；
5)实时测定，由车辆目标检测模型M1检测当前实时监控视频，统计占有率计算区域内的车辆数目及类别，然后根据车辆类别对车辆的长度作真实长度标准化处理，按照平均标准值求和的方式得到占有率计算区域内所有车辆的总长度L；
6)将占有率计算区域内车辆的总长度L比上占有率计算区域内车道的真实总长度D，计算得到最终的道路占有率。
进一步的，步骤1)中，获取摄像头采集的待测道路交通历史监控视频数据，对监控视频中道路感兴趣区域ROI进行标注，并使用标注后的数据训练卷积神经网络，得到道路感兴趣区域ROI的检测模型M0，以在摄像机视角变换场景下自动确定感兴趣区域ROI。
作为优选方式，步骤2)中，在步骤1)得到的感兴趣区域ROI内手动对车辆进行标注，将标注好的数据划分为训练集和测试集，输入到卷积神经网络，设置网络参数进行训练，得到车辆目标检测模型M1，用于识别车辆位置及车辆类别。
进一步的，步骤4)中，手动对占有率计算区域内的所有车道线进行标注，并使用标注后的数据训练卷积神经网络，得到车道线的自动检测模型M2，以确定占有率计算区域内车道数量n，车道真实总长度为D＝n×d，d为单条车道真实长度。
本发明还提出交通监控场景道路占有率的测定装置，所述测定装置中配置有计算机程序，所述计算机程序被执行时实现上述的方法。
本发明提出的交通监控场景下道路占有率计算方法能够有效的反映道路的使用情况，为交通拥挤状态的判别提供依据。本发明首先实现对视频图像中的道路感兴趣区域ROI以及其中的车辆分别实现自动检测，确定真正的道路占有率计算区域，并标定其中的道路真实长度；其次通过车道线的自动检测模型，以确定道路占有率计算区域内车道数量，结合道路真实长度确定所有道路的真实总长度；接着统计道路占有率计算区域内的车辆类别与数目，对不同类别车辆长度作归一化处理计算车辆总长度；最后计算道路占有率。本发明方法只需要已有的道路监控摄像机，通过卷积神经网络算法对道路感兴趣区域ROI、车辆、车道线进行自动检测，即使在复杂场景下，也可以达到很好的检测效果，无需破坏路面，成本低，可以有效地解决以上难题，实现在交通监控场景下道路占有率的自动计算。
现有技术的交通图像处理方案，大多计算图像中的车辆面积与道路面积之比得到道路占有率，但由于摄像角度的问题，图像中的面积或距离并非真实的面积或距离，举例来说，同等大小的车辆，在离摄像头近时则在图像中所占面积较大，若远离摄像头则占比较小，所以仅依靠图像来计算面积并不贴近真实面积，所以这类方案对道路占有率的计算结果是否贴近真实的车辆占有率这一点还有待商榷。而本发明提出了一种换算到真实场景中的道路占有率的计算方法，其计算结果将更加准确。通过卷积神经网络来提取道路中感兴趣区域ROI，以实现摄像头视角不固定情况下，感兴趣区域ROI的自动检测。道路长度的计算是通过标定方法得出当前图像中道路的真实长度，在多车道情况中，本发明将利用卷积神经网络进行车道线检测并得出占有率计算区域内的车道数量，道路总长度为单条车道的长度乘以车道数，可以满足现有道路多为多车道的实际需求。对于道路中的所有车辆利用卷积神经网络进行目标检测，得到每个车辆的类别、位置，并进一步区分类别，以应对轿车、客车、货车之间的真实长度或面积相差较大的问题。统计出当前图像中每个车辆的类别与数量之后，可以按照以平均标准值求和的方式得到当前图像中的车辆总长度，那么车辆总长度/道路总长度则为真实场景下的道路占有率。相比于现有技术来说，本发明将交通监控场景转化至真实场景之后再进行计算，将更加贴近真实值，且可以自动检测监控场景中的感兴趣区域ROI、车道数目，满足不同场景下的道路占有率计算。
本发明提出了一种交通监控场景道路占有率计算方法，通过训练卷积神经网络对感兴趣区域ROI、车辆及车道线的自动检测，实现对单车道、多车道等多种道路状况的占有率自动检测，只需要提供监控摄像机视频数据，就可以自动的计算当前时刻所监控道路的道路占有率，从而客观的反映当前道路的拥堵使用状况。解决了传统车辆检测方法的设备易老化损坏、施工复杂、价格昂贵等问题。对于利用视频检测技术实现城市交通拥挤状态判别，交通的调度管理有着重要深远的意义。
附图说明
图1是本发明方法实现隧道监控场景道路占有率计算方法的流程图。
图2是本发明步骤1)的实施示意图，(a)显示了隧道监控场景下的原始视频帧，(b)为感兴趣区域ROI。
图3是本发明步骤2)的实施示意图，显示了隧道监控场景下基于深度学习YOLO算法检测车辆示意图。
图4是本发明步骤3)的实施示意图，显示了占有率计算区域划分示意图。
图5是本发明步骤4)的实施示意图，显示了隧道监控场景下基于Ultra-Lane算法检测车道线的示意图。
图6是本发明步骤5)的实施示意图，显示了车辆检测框坐标示意图，根据检测框坐标，判断车辆是否位于道路占有率区域内。
图7是本发明方法下，隧道监控场景道路占有率的计算结果。
具体实施方式
本发明首先对获得的监控视频中道路感兴趣区域ROI进行标注，并使用标注后的数据训练卷积神经网络，得到道路感兴趣区域ROI的检测模型M0，以在摄像机视角变换场景下自动获取感兴趣区域ROI，然后在感兴趣区域ROI中对车辆进行数据标注，按照7：3的比例划分为训练集和测试集，在训练集上使用目标检测神经网络进行训练，保存训练好的权重文件，用训练好的目标检测模型对测试集进行测试，评估当前已训练模型的准确度；根据车辆检测结果的有效检测距离，划定占有率计算区域；再对占有率计算区域的长度进行标定，得到真实的道路长度；手动对道路占有率计算区域内的所有车道线进行标注，并使用标注后的数据训练卷积神经网络，得到车道线的自动检测模型，可以在多车道情况下，自动确定道路占有率计算区域内的车道数量；运行训练好的车辆检测卷积神经网络，统计占有率计算区域内的车辆数目、类别，然后对车辆长度作标准化处理，获取占有率计算区域内车辆的总长度；最后用占有率计算区域内所有车辆的真实总长度比上所有车道的真实总长度，从而计算得到最终的道路占有率。
下面结合实施例对本发明的实施进行具体说明。参照图1，本发明方法具体步骤如下。
步骤(1).通过图片标注工具LabelMe对获得的历史监控视频中道路感兴趣区域ROI进行标注，并使用深度学习YOLACT算法作为检测网络模型，用标注后的数据训练卷积神经网络，保存训练后的感兴趣区域ROI检测模型权重文件，得到道路感兴趣区域ROI的检测模型M0，以在摄像机视角变换场景下自动获取感兴趣区域ROI，原始的视频帧和生成的道路感兴趣区域ROI图像分别如图2(a)和图2(b)。
步骤(2).通过图片标注工具LabelMe在步骤(1)中设置好的感兴趣区域ROI中手动对车辆进行标注，将标注好的数据按照7：3的比例划分为训练集和测试集，输入到卷积神经网络，设置网络参数进行训练，本发明实施例选择深度学习YOLO算法作为车辆检测网络模型，保存训练后的车辆检测模型权重文件,得到车辆目标检测模型M1，用训练好的目标检测模型对测试集进行测试，评估当前已训练模型的准确度。
步骤(3).用得到车辆目标检测模型对车辆进行检测，得到视频帧中车辆的类别及位置信息，如图3所示。根据深度学习YOLO算法在视频帧中能够检测识别的有效范围，在视频图像中沿道路方向划定占有率计算区域的两条检测边界l1和l2，如图4所示。
步骤(4).对道路占有率计算区域两端的长度进行标定，得到车道真实长度D；
通过图片标注工具LabelMe对步骤(3)中划定好的占有率计算区域进行车道线标注，将得到的数据按照7：3的比例划分为训练集和测试集，输入到深度学习Ultra-Lane神经网络，设置网络参数row_anchor为[4，14，24，33，43，53，63，72，82，92，102，111，121，131，141，150，160，170，180，189，199，209，219，228，238，248，258，267，277，287]，每条车道线设置30个点表征，进行训练，保存训练后的车道线检测模型权重文件,得到车道线目标检测模型M2，用训练好的目标检测模型对测试集进行测试，评估当前已训练模型的准确度。待检测数据经过M2后即可确定道路占有率计算区域内车道数量n，检测效果如图5所示，此时多车道情况下的车道真实总长度为D＝n×d，d为单条车道真实长度。
步骤(5).实时测定。隧道中车辆类别主要为轿车、公交车、货车，根据车辆目标检测模型检测到的视频帧中车辆的类别及位置信息，统计l1和l2范围内的车辆数目、类别，只要车辆的检测框左上角坐标(X1,Y1)或右下角坐标(X2,Y2)在l1和l2范围内，则认为该车辆在道路占有率计算区域内，设置轿车的车辆长度L1作为标准长度，所述标准长度为真实长度数据，公交车及客车为3L1，货车为2.4L1，得到任意时刻图片中车辆的总长度L为：
L＝(N1+3N2+2.4N3)L1；
其中，N1，N2，N3分别为l1和l2范围内的轿车、公交车、货车的数目，车辆检测框坐标示意图如图6所示。
步骤(6).根据步骤(4)得到的道路占有率计算区域内道路总长度D及步骤(5)的车辆总长度L，计算得到任意时刻的道路占有率：
Figure BDA0003052426950000051
占有率计算结果如图7左上角occupancy所示。
基于上述测定方法，本发明还提供一种交通监控场景道路占有率的测定装置，所述测定装置中配置有计算机程序，与道路监控摄像头相连，所述计算机程序被执行时实现上述的方法。
本发明方法提出的交通监控场景道路占有率计算方法，能够实时有效的提取当前路段的道路占有率，为交通拥挤状态的判别提供依据。本发明首先对获得的监控视频中道路感兴趣区域ROI进行标注，并使用标注后的数据训练卷积神经网络，得到感兴趣区域ROI的自动检测模型，以在摄像机视角变换场景下自动获取感兴趣区域ROI，剔除干扰；然后在感兴趣区域ROI中标注车辆数据，训练卷积神经网络获得车辆检测模型的权重文件，根据车辆检测结果的有效检测距离，划定占有率计算区域；再对占有率计算区域的长度进行标定，得到真实的道路长度；手动对道路占有率计算区域内的所有车道线进行标注，并使用标注后的数据训练卷积神经网络，得到车道线的自动检测模型，可以在多车道情况下，自动确定道路占有率计算区域内的车道数量；接着运行训练好的车辆检测的卷积神经网络，统计占有率计算区域内的车辆数目、类别，获取占有率计算区域内车辆的总长度；最后用占有率计算区域内车辆的总长度比上车道的总长度，从而较为准确、实时的计算道路占有率。

Claims (6)

1.交通监控场景道路占有率的测定方法，其特征是基于视角非固定的单个摄像头采集的道路监控视频计算道路占有率，包括以下步骤：
1)获取摄像头采集的待测道路交通历史监控视频数据，确定感兴趣区域ROI；
2)对步骤1)的感兴趣区域ROI内车辆进行标注，并使用标注后的数据训练卷积神经网络，得到车辆目标检测模型M1；
3)根据车辆目标检测模型M1在视频图像感兴趣区域ROI中显示的有效检测范围，在视频图像中沿道路方向划定占有率计算区域远、近端的两条检测边界l1和l2，确定道路的占有率计算区域；
4)对道路占有率计算区域内车道的长度进行标定，得到车道真实长度D；
5)实时测定，由车辆目标检测模型M1检测当前实时监控视频，统计占有率计算区域内的车辆数目及类别，然后根据车辆类别对车辆的长度作真实长度标准化处理，按照平均标准值求和的方式得到占有率计算区域内所有车辆的总长度L；
6)将占有率计算区域内车辆的总长度L比上占有率计算区域内车道的真实总长度D，计算得到最终的道路占有率。
2.根据权利要求1所述的交通监控场景道路占有率的测定方法，其特征是步骤1)中，获取摄像头采集的待测道路交通历史监控视频数据，对监控视频中道路感兴趣区域ROI进行标注，并使用标注后的数据训练卷积神经网络，得到道路感兴趣区域ROI的检测模型M0，以在摄像机视角变换场景下自动确定感兴趣区域ROI。
3.根据权利要求1所述的交通监控场景道路占有率的测定方法，其特征是步骤2)中，在步骤1)得到的感兴趣区域ROI内手动对车辆进行标注，将标注好的数据划分为训练集和测试集，输入到卷积神经网络，设置网络参数进行训练，得到车辆目标检测模型M1，用于识别车辆位置及车辆类别。
4.据权利要求1所述的交通监控场景道路占有率的测定方法，其特征是步骤4)中，手动对占有率计算区域内的所有车道线进行标注，并使用标注后的数据训练卷积神经网络，得到车道线的自动检测模型M2，以确定占有率计算区域内车道数量n，车道真实总长度为D＝n×d，d为单条车道真实长度。
5.根据权利要求1所述的交通监控场景道路占有率的测定方法，其特征是步骤5)具体为：根据车辆目标检测模型检测到的车辆类别及位置信息，统计检测边界l1和l2范围内的车辆数目及类别，如车辆的检测框左上角坐标(X1,Y1)或右下角坐标(X2,Y2)在l1和l2两条直线范围内，则认为该车辆在道路占有率计算区域内，交通监控场景下车辆类别包括轿车、公交车、货车、客车，设置轿车的车辆长度L1作为标准长度，所述标准长度为真实长度数据，公交车及客车为3L1，货车为2.4L1，则车辆的总长度L为：
L＝(N1+3N2+2.4N3)L1；
其中，N1，N2，N3分别为l1和l2范围内的轿车、公交车/客车、及货车的数目。
6.交通监控场景道路占有率的测定装置，其特征是所述测定装置中配置有计算机程序，所述计算机程序被执行时实现权利要求1-5任一项所述的方法。
CN202110491546.1A 2021-05-06 2021-05-06 交通监控场景道路占有率的测定方法及装置 Pending CN113255469A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110491546.1A CN113255469A (zh) 2021-05-06 2021-05-06 交通监控场景道路占有率的测定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110491546.1A CN113255469A (zh) 2021-05-06 2021-05-06 交通监控场景道路占有率的测定方法及装置

Publications (1)

Publication Number Publication Date
CN113255469A true CN113255469A (zh) 2021-08-13

Family

ID=77223727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110491546.1A Pending CN113255469A (zh) 2021-05-06 2021-05-06 交通监控场景道路占有率的测定方法及装置

Country Status (1)

Country Link
CN (1) CN113255469A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581656A (zh) * 2022-05-05 2022-06-03 北京四维图新科技股份有限公司 交通拥堵识别方法、装置、***、设备及存储介质
CN117437581A (zh) * 2023-12-20 2024-01-23 神思电子技术股份有限公司 基于图像语义分割和视角缩放的机动车拥堵长度计算方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101790083A (zh) * 2010-02-04 2010-07-28 西安理工大学 一种基于视频的车道空间占有率的监控方法
CN102768804A (zh) * 2012-07-30 2012-11-07 江苏物联网研究发展中心 基于视频的交通信息采集方法
CN103914698A (zh) * 2014-03-27 2014-07-09 北京科技大学 一种基于视频的道路障碍物识别分类方法
CN105894825A (zh) * 2015-06-03 2016-08-24 杭州远眺科技有限公司 一种基于流量传感器的城市道路占有率的计算方法
CN106846813A (zh) * 2017-03-17 2017-06-13 西安电子科技大学 构建城市道路车辆图像数据库的方法
CN107492097A (zh) * 2017-08-07 2017-12-19 北京深睿博联科技有限责任公司 一种识别mri图像感兴趣区域的方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101790083A (zh) * 2010-02-04 2010-07-28 西安理工大学 一种基于视频的车道空间占有率的监控方法
CN102768804A (zh) * 2012-07-30 2012-11-07 江苏物联网研究发展中心 基于视频的交通信息采集方法
CN103914698A (zh) * 2014-03-27 2014-07-09 北京科技大学 一种基于视频的道路障碍物识别分类方法
CN105894825A (zh) * 2015-06-03 2016-08-24 杭州远眺科技有限公司 一种基于流量传感器的城市道路占有率的计算方法
CN106846813A (zh) * 2017-03-17 2017-06-13 西安电子科技大学 构建城市道路车辆图像数据库的方法
CN107492097A (zh) * 2017-08-07 2017-12-19 北京深睿博联科技有限责任公司 一种识别mri图像感兴趣区域的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
阮雅端: "高速路网视频信息支撑***构建及其关键算法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, 15 July 2017 (2017-07-15) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581656A (zh) * 2022-05-05 2022-06-03 北京四维图新科技股份有限公司 交通拥堵识别方法、装置、***、设备及存储介质
CN117437581A (zh) * 2023-12-20 2024-01-23 神思电子技术股份有限公司 基于图像语义分割和视角缩放的机动车拥堵长度计算方法
CN117437581B (zh) * 2023-12-20 2024-03-01 神思电子技术股份有限公司 基于图像语义分割和视角缩放的机动车拥堵长度计算方法

Similar Documents

Publication Publication Date Title
CN104021676B (zh) 基于车辆动态视频特征的车辆定位及车速测量方法
CN103456172B (zh) 一种基于视频的交通参数测量方法
CN105512720B (zh) 一种公交车辆客流统计方法和***
CN103985250B (zh) 轻量级的全息道路交通状态视觉检测装置
CN110992693B (zh) 一种基于深度学习的交通拥堵程度多维度分析方法
CN101819286B (zh) 一种基于图像灰度直方图的雾天检测方法
CN104183133B (zh) 一种采集和传输道路交通流动态信息的方法
CN109064495A (zh) 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法
CN113255469A (zh) 交通监控场景道路占有率的测定方法及装置
CN105528891A (zh) 基于无人机监控的交通流密度检测方法及***
CN103913600A (zh) 一种机动车测速仪测速误差检测装置及检测方法
CN111027447B (zh) 一种基于深度学习的道路溢出实时检测方法
CN101882374A (zh) 一种车辆行程分布综合信息分析***及方法
US20240167962A1 (en) System and method for automatic monitoring of pavement condition
CN110929676A (zh) 一种基于深度学习的违章掉头实时检测方法
CN101441814B (zh) 道路交通信息检测装置和检测方法
CN112528208B (zh) 一种无称重ai智能识别货车超载估算方法、装置及***
CN117058600B (zh) 区域桥梁群车流荷载识别方法及***
CN114003849A (zh) 一种多车道非接触式车轴数自动计算方法及***
CN111259833A (zh) 一种基于交通图像的车辆计数方法
CN113903180B (zh) 一种高速公路检测车辆超速的方法及***
Yao et al. Developing operating mode distribution inputs for MOVES with a computer vision–based vehicle data collector
CN103473925B (zh) 一种道路车辆检测***的验证方法
CN117198057A (zh) 一种面向路侧感知轨迹数据质量检评的实验方法及***
CN116631187B (zh) 一种案件现场勘查信息智能采集分析***

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