CN113469069A - 高速公路路段的车辆行驶拥堵状态的参数获取及评估方法 - Google Patents

高速公路路段的车辆行驶拥堵状态的参数获取及评估方法 Download PDF

Info

Publication number
CN113469069A
CN113469069A CN202110762198.7A CN202110762198A CN113469069A CN 113469069 A CN113469069 A CN 113469069A CN 202110762198 A CN202110762198 A CN 202110762198A CN 113469069 A CN113469069 A CN 113469069A
Authority
CN
China
Prior art keywords
vehicle
target
congestion state
tracking
obtaining
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
CN202110762198.7A
Other languages
English (en)
Inventor
张志佳
王大勇
李德健
田国富
王博
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.)
Shenyang University of Technology
Original Assignee
Shenyang University of Technology
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 Shenyang University of Technology filed Critical Shenyang University of Technology
Priority to CN202110762198.7A priority Critical patent/CN113469069A/zh
Publication of CN113469069A publication Critical patent/CN113469069A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于计算机视觉技术领域，尤其涉及一种高速公路路段的车辆行驶拥堵状态的参数获取及评估方法。其能够准确、实时、高效的评估高速公路中车辆的拥堵状态，为交通的管理和运营提供准确的数据支持。包括以下步骤：建立特征增强模块；使用改进FCOS网络检测车辆目标；使用SORT算法跟踪车辆目标；获取交通特征参数；建立车辆拥堵状态评估模型。

Description

高速公路路段的车辆行驶拥堵状态的参数获取及评估方法
技术领域
本发明属于计算机视觉技术领域，尤其涉及一种高速公路路段的车辆行驶拥堵状态的参数获取及评估方法。
背景技术
截止到2020年，中国公民拥有机动车数目超过3.72亿辆，机动车的使用为人类的生产生活带来了巨大的帮助，但是数量庞大的机动车为城市交通的良好运行带来了巨大的挑战，城市交通面临着巨大的压力，车辆拥堵成为城市规划中亟需解决的问题。
车辆拥堵检测的研究与目前的很多技术互相融合，按照交通特征参数获取方法的不同，可以将车辆拥堵检测分为基于地磁线圈的车辆拥堵检测、基于微波的车辆拥堵检测、基于车载GPS数据的车辆拥堵检测以及基于视频的车辆拥堵检测四类。地磁线圈属于灵敏器件，如果附近有金属物体会影响地磁线圈的准确性，在铺埋时，对施工人员的技术要求较高，往往会花费非常大的时间成本和经济成本。铺埋地磁线圈会大面积的毁坏路面，一经铺埋，无法保养和维修。基于微波方法检测的准确率受环境因素的影响较小，但是无法检测静止的车辆和速度较慢的车辆，无法适应特殊情况的道路交通状态。而基于车载GPS数据的车辆拥堵检测虽然不需要在道路上安装任何设备，但是在对数据进行处理时会存在很多的冗余计算，计算量十分巨大。而道路监控摄像头的成本在不断下降，各地交通部门有经济能力将摄像头安装在各处道路。相比于其他交通监测方式，道路监控摄像头可以直观的观测的各处路段的交通通行情况，并且安装时不会影响道路交通的正常通行。目前我国绝大多数道路上都已安装有监控摄像头，可以节省大量的设备成本，各种视频图像处理技术也发展迅速，特别是深度学习在对视频图像进行分析识别的效果显著。
目前基于视频的车辆拥堵检测主要是通过深度学习算法和传统图像算法来获取视频中的交通特征参数，通过相关的拥堵判别算法来评估车辆拥堵状态。在获取交通特征参数时，基于视频的车辆拥堵检测会存在对小尺寸车辆漏检的情况，这会对车辆拥堵检测及状态评估的结果产生严重的影响。
发明内容
本发明就是针对现有技术存在的缺陷，提供一种高速公路路段的车辆行驶拥堵状态的参数获取及评估方法，其通过深度学习和传统图像处理方法相结合的方法实现视频中交通特征参数的获取，并应用数学模型准确的实现对车辆拥堵状态的评估。
为实现上述目的，本发明采用如下技术方案，包括以下步骤:
建立特征增强模块；
使用改进FCOS网络检测车辆目标；
使用SORT算法跟踪车辆目标；
获取交通特征参数；
建立车辆拥堵状态评估模型。
进一步地，所述建立特征增强模块用于将视频拆分为单帧图像，在图像中划分检测区域；
所述使用改进FCOS网络检测车辆目标用于检测划分区域中的车辆目标；
所述使用SORT算法跟踪车辆目标用于根据车辆目标的检测结果跟踪图像中的车辆目标；
所述获取交通特征参数用于：跟据车辆检测的结果获取车辆密度、根据车辆检测和车辆跟踪的结果获取车辆速度；
所述建立车辆拥堵状态评估模型用于：车辆密度和车辆速度输入车辆拥堵状态评估模型，得出车辆拥堵状态。
进一步地，所述建立特征增强模块包括以下步骤使用1×1的卷积操作来规范化的特征图；采用对应点相乘的方式融合浅层特征图和经过插值上采样操作的深层特征图；对融合后的特征图进行了1×1的卷积操作，得到最终的增强特征图。
进一步地，所述使用改进FCOS网络检测车辆目标包括：
采用VGG-16网络作为主干网络，根据浅层特征图适合检测小尺寸目标的概念，在VGG-16网络的Conv3-3和Conv4-3层输出的特征图后加入特征增强模块，并与Conv5-3、Conv6和Conv7层输出的特征图共同构造特征金字塔；
FCOS网络对每层特征图的特征点进行回归操作，其回归的目标是中心点到真实边界框的左、上、右和下的距离；
网络的输出包括目标分类分支、center-ness分支及位置回归分支。
更进一步地，所述目标分类分支通过卷积，输出n维的向量，代表n个类别，并且类别分支相连的是sigmoid函数；所述center-ness分支用于抑制网络FCOS网络产生的低质量的目标候选框；所述位置回归分支输出的4维的向量，分别对应目标中心点到目标边界框的上、下、左和右的距离。
进一步地，所述使用SORT算法跟踪车辆目标包括以下步骤：采用卡尔曼滤波算法预测车辆目标的位置，利用前一状态值和当前状态测量值，预测下一状态的估计值，实现目标位置的预判，并将预判结果与下一时刻的目标检测结果做匈牙利算法匹配，完成车辆目标的跟踪。
进一步地，所述获取交通特征参数包括以下步骤：利用车辆检测和车辆跟踪的结果获取车辆密度和车辆速度；车辆密度是指在某一时刻，单车道、单位长度上存在的车辆数；车辆密度K采用如下公式：
Figure BDA0003149419110000041
其中，N为车辆总数，L为路面长度，D为车道数目；
车辆速度是单位时间内车辆沿着道路方向行驶的距离；车辆密度和车辆速度都是一个评估周期内的平均值。
进一步地，所述建立车辆拥堵状态评估模型用于表示车辆速度与车辆密度的关系，记为δ；公式如下：
Figure BDA0003149419110000042
其中，S表示车辆的位移，L表示路面长度，t表示时间；根据δ的值划分三个车辆拥堵状态：当δ>1时为畅通状态，当0.3＜δ＜1时为轻度拥堵状态，当δ＜0.3严重拥堵状态。
与现有技术相比本发明有益效果。
本发明具有准确率高、鲁棒性强和处理速度快等特点，能够准确、实时、高效的评估高速公路中车辆的拥堵状态，为交通的管理和运营提供准确的数据支持。
附图说明
下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。
图1为具体实施例车辆拥堵状态评估步骤。
图2为具体实施例加入特征增强模块的FCOS网络结构图。
图3为具体实施例的特征增强模块。
图4为具体实施例的SORT算法推理图。
图5是具体实施例中车辆检测结果图。
图6是具体实施例中车辆跟踪结果图。
图7是具体实施例中车辆跟踪路径示意图。
图8是具体实施例中车辆跟踪效果图。
具体实施方式
如图1-4所示，本发明包括以下步骤：
(1)设计特征增强模块。如图2所示，特征增强模块首先使用1×1的卷积操作来规范化的当前层特征图，然后在下一层的特征图上通过插值上采样操作得出与当前层尺寸相同的上采样特征图，并将当前层特征图与上采样特征图对应点相乘得到融合特征图，最后将融合后的特征图进行了1×1的卷积操作，得到最终的增强特征图。
(2)设计改进FCOS网络检测车辆目标。如图3所示，FCOS属于anchor free类目标检测算法，使用逐像素回归的方式预测目标位置，其回归的目标是中心点到目标真实边界框的左、上、右和下的距离。本发明采用VGG-16网络作为主干网络，根据不同深度特征的感受野的不同，浅层特征图适合检测小尺寸目标的概念，在VGG-16网络的Conv3-3和Conv4-3层输出的特征图后加入特征增强模块，并与Conv5-3、Conv6和Conv7层输出的特征图构造特征金字塔，并在特征金字塔上进行FCOS网络的Head检测。Conv3-3和Conv4-3层特征图中像素点的感受野分别为40和92，而有效感受野是小于这个值的，因此对Conv3-3和Conv4-3层特征图进行增强操作可以提高网络对小尺寸车辆目标的检测效果，而Conv5-3、Conv6和Conv7层输出的特征图的感受野相对较大，适合检测尺寸较大的车辆目标。
如图5所示，为车辆检测结果图。根据车辆车型的不同将车辆目标划分为4个类别，分别为小型汽车、大型客车、大型货车以及摩托车。图5示了改进FCOS网络的车辆目标检测结果示例。本实验中，以检测框与真实边界框的重合程度判断目标是否被正确检测，重合度大于0.5认为是正确的结果，否则认为没有检测出目标。本次车辆检测结果显示，均以检测出目标。
(3)设计SORT算法跟踪车辆目标。如图4所示，SORT算法采用卡尔曼滤波算法预测车辆目标的位置，利用前一状态值和当前状态测量值，预测下一状态的估计值，实现目标位置的预判，并将预判结果与下一时刻的目标检测结果做匈牙利算法匹配，完成车辆目标的跟踪。SORT算法的推理过程如下：
①对于第一帧图像中所有的车辆目标检测网络输出的M个车辆目标的分类和位置信息，初始化一个专有的身份ID和卡尔曼滤波***，估计这些车辆目标在下一帧图像中的位置信息。
②对第二帧图像中所有的车辆目标检测网络输出的N个车辆目标与第一帧图像中的M个车辆目标的预测区域分别计算的面积的交并比，并舍去交并比的值小于预设阈值的车辆目标。
③使用加权匈牙利匹配算法计算唯一匹配，这个权重是第(2)步中的面积的交并比距离，将没有得到匹配的车辆目标初始化ID。
④用第二帧图像的中匹配到的车辆目标位置来更新卡尔曼滤波***，并计算卡尔曼增益、卡尔曼状态估计值和误差协方差估计，并将卡尔曼状态估计值作为车辆跟踪的边界框。
⑤对视频中的每一帧重复以上步骤。
图6为人机交互界面的跟踪结果图，图7是基于SORT算法的跟踪算法对视频中两个车辆跟踪的路径图示例，可以看出，SORT算法对车辆目标跟踪有着较好的效果，跟踪过程中未发生位置偏移。图8展示了SORT算法对于车辆遮挡现象的跟踪结果图，从图中可以看出，即使在第15帧图像和第28帧图像中白色小轿车被遮挡，SORT算法仍然可以实现正确的跟踪。
(4)获取交通特征参数。利用车辆检测和车辆跟踪的结果获取车辆密度和车辆速度。车辆密度是指在某一时刻，单车道、单位长度上存在的车辆数，其计算式如式(1)所示，其中，N为车辆总数，L为路面长度，D为车道数目。车辆速度是单位时间内车辆沿着道路方向行驶的距离。车辆密度和车辆速度都是一个周期内的平均值。车辆速度的获取是在路面图像经过透视变换后的俯视图中进行的，路面图像在经过透视变换之后，可以认为相机的拍摄视角与高速公路路面是垂直的，这样透视图像的像素点与实际路面之间距离可以一一对应。利用透视转换矩阵可以计算原始图像中任意一点像素位置在透视图像中的位置坐标，据此计算出车辆的平均速度。
Figure BDA0003149419110000071
(5)设计车辆拥堵状态评估模型。基于视频的车辆拥堵状态评估不仅要考虑车辆在单帧图像中的密度，即车辆在单帧图像的分布情况，还要考虑车辆在时域上的状态变化，即随着时间的变化，车辆速度的变化情况。车辆速度与车辆密度有着密切的联系，二者的数值大小可以反映道路交通的通行状态。道路畅通时，表现为车辆行驶速度较快，车辆密度较小；道路发生车辆拥堵时，表现为车辆速度小，车辆密度大。车辆拥堵状态评估模型充分体现了车辆速度与车辆密度的关系，如式(2)所示其中，S表示车辆的位移，L表示路面长度，t表示时间。本发明根据δ的值划分三个车辆拥堵状态：当δ>1时为畅通状态，当0.3<δ＜1时为轻度拥堵状态，当δ<0.3严重拥堵状态。
Figure BDA0003149419110000072
本发明的具体操作方法可归纳为以下步骤：
1)将视频拆分为单帧图像，在图像中划分检测区域。
2)检测图像中的车辆目标。
3)根据车辆目标的检测结果跟踪图像中的车辆目标。
4)根据车辆检测的结果获取车辆密度。
5)根据车辆检测和车辆跟踪的结果获取车辆速度。
6)将车辆密度和车辆速度输入车辆拥堵状态评估模型，得出车辆拥堵状态。
具体实施例：选取了某高速公路路段的监控视频进行试验，试验的评估时间为5分钟，结果如表1所示。
表1车辆拥堵状态评估结果
Figure BDA0003149419110000081
根据表1，本发明对视频中的车辆拥堵状态的评估结果符合真实结果，可以在实际中应用。
本发明通过向FCOS网络加入特征增强分支，特征增强分支将高维特征和低维特征融合来提高低维特征的表征能力，而低维特征适合检测小尺寸的车辆目标，因此，本发明改进的FCOS网络可以提升小尺寸车辆目标检测的准确率；车辆目标跟踪算法可以稳定快速的跟踪车辆，保证了交通参数获取的准确性；车辆密度和车辆速度能够真实的反映出高速公路中车辆的行驶状态，建立的车辆拥堵状态模型能够有效评估车辆拥堵状态。
可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims (8)

1.高速公路路段的车辆行驶拥堵状态的参数获取及评估方法，其特征在于，包括以下步骤:
建立特征增强模块；
使用改进FCOS网络检测车辆目标；
使用SORT算法跟踪车辆目标；
获取交通特征参数；
建立车辆拥堵状态评估模型。
2.根据权利要求1所述的高速公路路段的车辆行驶拥堵状态的参数获取及评估方法，其特征在于：所述建立特征增强模块用于将视频拆分为单帧图像，在图像中划分检测区域；
所述使用改进FCOS网络检测车辆目标用于检测划分区域中的车辆目标；
所述使用SORT算法跟踪车辆目标用于根据车辆目标的检测结果跟踪图像中的车辆目标；
所述获取交通特征参数用于：跟据车辆检测的结果获取车辆密度、根据车辆检测和车辆跟踪的结果获取车辆速度；
所述建立车辆拥堵状态评估模型用于：车辆密度和车辆速度输入车辆拥堵状态评估模型，得出车辆拥堵状态。
3.根据权利要求1所述的高速公路路段的车辆行驶拥堵状态的参数获取及评估方法，其特征在于：所述建立特征增强模块包括以下步骤使用1×1的卷积操作来规范化的特征图；采用对应点相乘的方式融合浅层特征图和经过插值上采样操作的深层特征图；对融合后的特征图进行了1×1的卷积操作，得到最终的增强特征图。
4.根据权利要求1所述的高速公路路段的车辆行驶拥堵状态的参数获取及评估方法，其特征在于：所述使用改进FCOS网络检测车辆目标包括：
采用VGG-16网络作为主干网络，根据浅层特征图适合检测小尺寸目标的概念，在VGG-16网络的Conv3-3和Conv4-3层输出的特征图后加入特征增强模块，并与Conv5-3、Conv6和Conv7层输出的特征图共同构造特征金字塔；
FCOS网络对每层特征图的特征点进行回归操作，其回归的目标是中心点到真实边界框的左、上、右和下的距离；
网络的输出包括目标分类分支、center-ness分支及位置回归分支。
5.根据权利要求4所述的高速公路路段的车辆行驶拥堵状态的参数获取及评估方法，其特征在于：所述目标分类分支通过卷积，输出n维的向量，代表n个类别，并且类别分支相连的是sigmoid函数；所述center-ness分支用于抑制网络FCOS网络产生的低质量的目标候选框；所述位置回归分支输出的4维的向量，分别对应目标中心点到目标边界框的上、下、左和右的距离。
6.根据权利要求1所述的高速公路路段的车辆行驶拥堵状态的参数获取及评估方法，其特征在于：所述使用SORT算法跟踪车辆目标包括以下步骤：采用卡尔曼滤波算法预测车辆目标的位置，利用前一状态值和当前状态测量值，预测下一状态的估计值，实现目标位置的预判，并将预判结果与下一时刻的目标检测结果做匈牙利算法匹配，完成车辆目标的跟踪。
7.根据权利要求1所述的高速公路路段的车辆行驶拥堵状态的参数获取及评估方法，其特征在于：所述获取交通特征参数包括以下步骤：利用车辆检测和车辆跟踪的结果获取车辆密度和车辆速度；车辆密度是指在某一时刻，单车道、单位长度上存在的车辆数；车辆密度K采用如下公式：
Figure FDA0003149419100000021
其中，N为车辆总数，L为路面长度，D为车道数目；
车辆速度是单位时间内车辆沿着道路方向行驶的距离；车辆密度和车辆速度都是一个评估周期内的平均值。
8.根据权利要求1所述的高速公路路段的车辆行驶拥堵状态的参数获取及评估方法，其特征在于：所述建立车辆拥堵状态评估模型用于表示车辆速度与车辆密度的关系，记为δ；公式如下：
Figure FDA0003149419100000031
其中，S表示车辆的位移，L表示路面长度，t表示时间；根据δ的值划分三个车辆拥堵状态：当δ>1时为畅通状态，当0.3<δ<1时为轻度拥堵状态，当δ<0.3严重拥堵状态。
CN202110762198.7A 2021-07-06 2021-07-06 高速公路路段的车辆行驶拥堵状态的参数获取及评估方法 Pending CN113469069A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110762198.7A CN113469069A (zh) 2021-07-06 2021-07-06 高速公路路段的车辆行驶拥堵状态的参数获取及评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110762198.7A CN113469069A (zh) 2021-07-06 2021-07-06 高速公路路段的车辆行驶拥堵状态的参数获取及评估方法

Publications (1)

Publication Number Publication Date
CN113469069A true CN113469069A (zh) 2021-10-01

Family

ID=77878528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110762198.7A Pending CN113469069A (zh) 2021-07-06 2021-07-06 高速公路路段的车辆行驶拥堵状态的参数获取及评估方法

Country Status (1)

Country Link
CN (1) CN113469069A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
CN111145545A (zh) * 2019-12-25 2020-05-12 西安交通大学 基于深度学习的道路交通行为无人机监测***及方法
CN112800964A (zh) * 2021-01-27 2021-05-14 中国人民解放军战略支援部队信息工程大学 基于多模块融合的遥感影像目标检测方法及***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
CN111145545A (zh) * 2019-12-25 2020-05-12 西安交通大学 基于深度学习的道路交通行为无人机监测***及方法
CN112800964A (zh) * 2021-01-27 2021-05-14 中国人民解放军战略支援部队信息工程大学 基于多模块融合的遥感影像目标检测方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
龙燕 等: "基于改进FCOS网络的自然环境下苹果检测", 《农业工程学报》, vol. 37, no. 12, pages 308 - 313 *

Similar Documents

Publication Publication Date Title
Dhiman et al. Pothole detection using computer vision and learning
JP4723582B2 (ja) 交通標識検出方法
Wu et al. Adaptive vehicle detector approach for complex environments
CN112329623A (zh) 雾天能见度检测与能见度安全等级划分预警方法
CN110826412B (zh) 高速公路能见度检测***和方法
CN108960083B (zh) 基于多传感器信息融合的自动驾驶目标分类方法及***
CN111735524A (zh) 基于图像识别的轮胎荷载获取方法、车辆称重方法及***
Farag et al. Deep learning versus traditional methods for parking lots occupancy classification
CN113569778A (zh) 基于多模态数据融合的路面湿滑区域检测及预警方法
CN114092683A (zh) 基于视觉反馈和深度网络的轮胎变形量识别方法及装置
CN116738211A (zh) 一种基于多源异构数据融合的道路状况识别方法
CN111524121A (zh) 一种基于机器视觉技术的路桥病害自动检测方法
Kuan et al. Pothole detection and avoidance via deep learning on edge devices
Lincy et al. Road Pothole Detection System
CN116587978A (zh) 一种基于车载显示屏的碰撞预警方法及***
Ben Romdhane et al. A lane detection and tracking method for driver assistance system
CN113469069A (zh) 高速公路路段的车辆行驶拥堵状态的参数获取及评估方法
CN116110230A (zh) 基于车载摄像头的车辆越车道线识别方法及***
Guo et al. Road environment perception for safe and comfortable driving
Srivastava et al. Standoff video analysis for the detection of security anomalies in vehicles
Chen et al. A new adaptive region of interest extraction method for two-lane detection
Prawinsankar et al. Traffic Congession Detection through Modified Resnet50 and Prediction of Traffic using Clustering
Hu et al. Automatic detection and evaluation of 3D pavement defects using 2D and 3D information at the high speed
Mazaheri et al. Real time adaptive background estimation and road segmentation for vehicle classification
Thakkar et al. Automated Pothole Detection using Transfer Learning

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