CN114495509A - 基于深度神经网络监控隧道运行状态的方法 - Google Patents
基于深度神经网络监控隧道运行状态的方法 Download PDFInfo
- Publication number
- CN114495509A CN114495509A CN202210364395.8A CN202210364395A CN114495509A CN 114495509 A CN114495509 A CN 114495509A CN 202210364395 A CN202210364395 A CN 202210364395A CN 114495509 A CN114495509 A CN 114495509A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- license plate
- frame
- obtaining
- plate number
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 189
- 239000013598 vector Substances 0.000 claims description 58
- 239000003086 colorant Substances 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 description 5
- 230000006698 induction Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012549 training Methods 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
- G08G1/0125—Traffic data processing
-
- 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
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度神经网络监控隧道运行状态的方法,通过检测监控图像中的小于最前车辆阈值的范围中的车辆,在最前车辆阈值的范围中,车辆不能完成一个完整的超车操作,避免了超车所造成的最前车辆进行改变而车辆又未通过的情况,获得双车道中的最前车辆,只对最前车辆进行判断,减少了数据的计算,同时使得颜色识别和车牌识别时只对最前方清晰的车辆进行识别,大大增加了车辆识别的准确性。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种基于深度神经网络监控隧道运行状态的方法。
背景技术
目前高速公路采取地感线圈、红外线激光和视频检测的方式对车辆进行检测。地感线圈施工的过程对可靠性和寿命影响很大,需要对路面进行切割,影响路面寿命。在线圈安装和修复时需要中断交通,并且,地感线圈易被重型车辆、路面修理等损坏。另外线圈的维护工作量比较大的,一般使用2-3年就需要更换线圈,实际维修养护费用高于其它测速设备。目前采取的视频检测方法由于需要对车辆检测框中所有的车辆进行车辆跟踪的方式进行判断监控图像中的车辆与上一帧监控图像中的车辆是否一致,计算复杂,同时由于双车道进行超车等操作,使得检测不准确。还有通过检测监控图像中所有车辆的车牌来判断是否为同一辆车,由于监控图像中远处的车辆体积小,车辆识别有时并不准确。
发明内容
本发明的目的在于提供了一种基于深度神经网络监控隧道运行状态的方法,用以解决现有技术中存在的上述问题。
第一方面,本发明实施例提供了一种基于深度神经网络监控隧道运行状态的方法,包括:
获得第一监控图像;所述第一监控图像为隧道前的监控设备采集的监控图像;
基于所述第一监控图像和车辆检测算法,得到第一车辆检测框集合;
基于所述第一车辆检测框集合,得到第一检测框底边位置集合;
基于所述第一检测框底边位置,得到第一最前方车辆框集合;
获得第二监控图像;所述第二监控图像为隧道前的监控设备在采集第一监控图像后N秒采集的监控图像;
基于所述第二监控图像和车辆检测算法,得到第二车辆检测框集合;
基于所述第二车辆检测框集合,得到第二检测框底边位置集合;
基于所述第二检测框底边位置,得到第二最前方车辆框集合;
基于所述第一最前方车辆框集合和所述第二最前方车辆框集合,得到通过隧道的车流量。
可选的,基于所述第一最前方车辆框集合和所述第二最前方车辆框集合,得到通过隧道的车流量,包括:
基于所述第一最前方车辆框集合和所述第二最前方车辆框集合,得到不相同车辆数量;
基于所述不相同车辆数量,得到通过隧道的车流量;所述相同车辆数量包括0或1或2;所述不相同车辆数量为0表示所述第一最前方车辆框集合中的车辆和所述第二最前方车辆框集合中的车辆不相同的数量为0;所述不相同车辆数量为0表示所述第一最前方车辆框集合中表示所述第一最前方车辆框集合中车辆都未进入隧道;所述不相同车辆数量为1表示所述第一最前方车辆框集合中的车辆和所述第二最前方车辆框集合中的车辆不相同的数量为1,所述不相同车辆数量为1表示所述第一最前方车辆框集合中有一辆车进入隧道;所述不相同车辆数量为2表示所述第一最前方车辆框集合中和所述第二最前方车辆框集合中车辆不相同的数量为2,所述不相同车辆数量为2表示所述第一最前方车辆框集合中有两辆车进入隧道。
可选的,所述基于所述第一车辆检测框集合,得到第一检测框底边位置集合,包括:
基于所述第一车辆检测框集合,得到车辆检测框底边的起点位置;
所述车辆检测框底边的起点位置的横坐标具体通过下述公式计算获得:
所述车辆检测框底边的起点位置的纵坐标具体通过下述公式计算获得:
基于所述第一车辆检测框集合,得到车辆检测框底边的终点位置;
所述车辆检测框底边的终点位置的横坐标具体通过下述公式计算获得:
所述车辆检测框底边的终点位置的纵坐标具体通过下述公式计算获得:
可选的,所述基于所述第一检测框底边位置,得到第一最前方车辆框集合,包括:
获得第一最前车辆候选框集合,所述第一最前车辆候选框集合包括所述第一检测底边位置的起点位置的纵坐标位置大于最前车辆阈值的车辆检测框;
获得第一最前方车辆;所述第一最前方车辆为所述第一最前车辆候选框集合中起点位置的纵坐标最小的位置;
将所述第一最前方车辆的车辆框加入所述第一最前方车辆框集合;
基于所述第一最前车辆候选框集合,得到第二最前方车辆;所述第二最前方车辆为所述第一最前车辆候选框集合中除第一最前方车辆外起点位置的纵坐标最小的位置;
若所述第二最前方车辆起点位置的横坐标大于所述第一最前方车辆终点位置的横坐标或第二最前方车辆终点位置的横坐标小于所述第一最前方车辆起点位置的横坐标,将所述第二最前方车辆的车辆框加入所述第一最前方车辆框集合。
可选的,所述基于所述第一最前方车辆框集合和所述第二最前方车辆框集合,得到不相同车辆数量,包括:
获得第一最前方车辆框;所述第一最前方车辆框为第一最前方车辆框集合中的车辆检测框;
获得第二最前方车辆框;所述第一最前方车辆框为第二最前方车辆框集合中的车辆检测框;
基于所述第一最前方车辆框和所述第二最前方车辆框,判断车辆颜色是否相同;
若所述车辆颜色不同相同,将不相同车辆数量加1;
若所述车辆颜色相同,得到车牌号向量;所述车牌号向量包括第一车牌号向量和第二车牌号向量,所述第一车牌号向量表示第一最前方车辆框中车辆的车牌号,所述第二车牌号向量表示第二最前方车辆框中车辆的车牌号;
基于所述第一车牌号码向量和所述第二车牌号码向量,得到第一最前方车牌号相似值;
若所述第一最前方车牌号相似值大于车牌阈值,将不相同车辆数量加1。
可选的,所述基于所述第一最前方车辆框和所述第二最前方车辆框,判断车辆颜色是否相同,包括:
基于所述第一最前方车辆框和车辆识别算法,得到第一车辆颜色;
基于所述第二最前方车辆框和车辆识别算法,得到第二车辆颜色;
若所述第一车辆颜色与第二车辆颜色类别相同,车辆颜色相同;
若所述第一车辆颜色与第二车辆颜色类别不同,车辆颜色不同。
可选的,所述若所述车辆颜色相同,得到车牌号向量,包括:
所述车牌号向量包括第一车牌号向量和第二车牌号向量;所述第一车牌号向量表示第一最前方车辆框中车辆的车牌号,所述第二车牌号向量表示第二最前方车辆框中车辆的车牌号;
基于所述第一最前方车辆框,得到第一车牌号检测框;
基于所述第一车牌号检测框和车牌号识别算法,得到第一车牌号向量;所述车牌号向量表示车牌号检测框中识别到的车牌号;
基于所述第二最前方车辆框,得到第二车牌号检测框;
基于所述第二车牌号检测框和车牌号识别算法,得到第二车牌号向量;所述车牌号向量表示车牌号检测框中识别到的车牌号。
相较于现有技术,本发明实施例达到了以下有益效果:
检测监控图像中的小于最前车辆阈值的范围中的车辆,在最前车辆阈值的范围中,车辆不能完成一个完整的超车操作,避免了超车所造成的最前车辆进行改变而车辆又未通过的情况。获得双车道中的最前车辆,只对最前车辆进行判断,减少了数据的计算,同时使得颜色识别和车牌识别时只对最前方清晰的车辆进行识别,大大增加了车辆识别的准确性。
附图说明
图1是本发明实施例提供的一种基于深度神经网络监控隧道运行状态的方法流程图。
图2是本发明实施例提供的一种基于深度神经网络监控隧道运行状态的方法流程图中两次获得监控图像的车辆通过隧道的可能情况。
图3是本发明实施例提供的一种电子设备的方框结构示意图。
图中标记:总线500;接收器501;处理器502;发送器503;存储器504;总线接口505。
具体实施方式
下面结合附图,对本发明作详细的说明。
实施例1:
如图1所示,本发明实施例提供了一种基于深度神经网络监控隧道运行状态的方法,所述方法包括:
S101: 获得第一监控图像;所述第一监控图像为隧道前的监控设备采集的监控图像;
S102:基于所述第一监控图像和车辆检测算法,得到第一车辆检测框集合;所述第一车辆检测框集合包括所述第一监控图像中多个车辆检测框;所述车辆检测框包括车辆检测框的中心点位置,车辆检测框的宽高;所述车辆检测框的中心点位置表示车辆检测框中心点在所述第一监控图像中的位置;
其中,所述车辆检测算法采用YOLOV3算法。
S103:基于所述第一车辆检测框集合,得到第一检测框底边位置集合;所述第一检测框底边位置集合包括多个检测框底边的起点位置和终点位置;
S104:基于所述第一检测框底边位置,得到第一最前方车辆框集合;所述第一最前方车辆框集合表示在所述监控图像中最前方车辆检测框位置的集合;
S105:获得第二监控图像;所述第二监控图像为隧道前的监控设备在采集第一监控图像后N秒(例如5秒)采集的监控图像;
S106:基于所述第二监控图像和车辆检测算法,得到第二车辆检测框集合;所述第二车辆检测框集合包括所述第二监控图像中多个车辆检测框;所述车辆检测框包括车辆检测框的中心点位置,车辆检测框的宽高;所述车辆检测框的中心点位置表示车辆检测框中心点在所述第二监控图像中的位置;
其中,车辆检测算法为YOLOV3算法。
S107:基于所述第二车辆检测框集合,得到第二检测框底边位置集合;所述第二检测框底边位置集合包括多个检测框底边的起点位置和终点位置;
S108:基于所述第二检测框底边位置,得到第二最前方车辆框集合;所述第二最前方车辆框集合表示在所述监控图像中最前方车辆检测框位置的集合;
S109:基于所述第一最前方车辆框集合和所述第二最前方车辆框集合,得到通过隧道的车流量。
其中,车流量的起始值为0,加上每次所获得的不相同车辆数量,得到通过监控设备的所有车辆的数量,即车流量。
可选的,所述基于所述第一最前方车辆框集合和所述第二最前方车辆框集合,得到通过隧道的车流量,包括:
基于所述第一最前方车辆框集合和所述第二最前方车辆框集合,得到不相同车辆数量。
基于所述不相同车辆数量,得到通过隧道的车流量,所述不相同车辆数量包括0或1或2;所述不相同车辆数量为0表示所述第一最前方车辆框集合中的车辆和所述第二最前方车辆框集合中的车辆不相同的数量为0;所述不相同车辆数量为0还表示所述第一最前方车辆框集合中表示所述第一最前方车辆框集合中车辆都未进入隧道。所述不相同车辆数量为1表示所述第一最前方车辆框集合中的车辆和所述第二最前方车辆框集合中的车辆不相同的数量为1,所述不相同车辆数量为1还表示所述第一最前方车辆框集合中有一辆车进入隧道。所述不相同车辆数量为2表示所述第一最前方车辆框集合中和所述第二最前方车辆框集合中车辆不相同的数量为2,所述不相同车辆数量为2还表示所述第一最前方车辆框集合中有两辆车进入隧道。
其中,如图2所示,每5秒获得一张监控图像,对比相邻时间监控图像中的车辆,通过判断前一张监控图像中的车辆是否出现在下一张图像中,判断车辆是否通过隧道。若通过一辆车则车流量加1。并且通过增加最前车辆阈值,得到双车道中最前的车辆的阈值。双车道最前的车辆取值为0或1或2。0表示两个车道都无车,1表示双车道中有一个车道有车,2表示双车道中有两个车道有车。
通过上述方法,只用判断最前方的车辆,操作简单并且识别车辆颜色和车牌时更加准确。同时由于最前车辆阈值的设定,防止了后车超车使得最前车辆不同导致的与前一张监控图像的相同车辆判断错误。
可选的,所述基于所述第一车辆检测框集合,得到第一检测框底边位置集合,包括:
基于所述第一车辆检测框集合,得到车辆检测框底边的起点位置;
所述车辆检测框底边的起点位置的横坐标具体通过下述公式计算获得:
所述车辆检测框底边的起点位置的纵坐标具体通过下述公式计算获得:
基于所述第一车辆检测框集合,得到车辆检测框底边的终点位置;
所述车辆检测框底边的终点位置的横坐标具体通过下述公式计算获得:
所述车辆检测框底边的终点位置的纵坐标具体通过下述公式计算获得:
通过上述方法,由于车辆检测算法最后输出的车辆框包括车辆中心位置和车辆宽高,所以要通过车辆检测框,找到车辆检测框底边的起点和终点;以便于以后得到最前车辆框集合。
可选的,所述基于所述第一检测框底边位置,得到第一最前方车辆框集合,包括:
获得第一最前车辆候选框集合,所述第一最前车辆候选框集合包括所述第一检测底边位置的起点位置的纵坐标位置大于最前车辆阈值的车辆检测框;
获得第一最前方车辆;所述第一最前方车辆为所述第一最前车辆候选框集合中起点位置的纵坐标最小的位置;
将所述第一最前方车辆的车辆框加入所述第一最前方车辆框集合;
基于所述第一最前车辆候选框集合,得到第二最前方车辆;所述第二最前方车辆为所述第一最前车辆候选框集合中除第一最前方车辆外起点位置的纵坐标最小的位置;
若所述第二最前方车辆起点位置的横坐标大于所述第一最前方车辆终点位置的横坐标或第二最前方车辆终点位置的横坐标小于所述第一最前方车辆起点位置的横坐标,将所述第二最前方车辆的车辆框加入所述第一最前方车辆框集合。
其中,所述第一最前方车辆框集合最开始为空集合。
通过上述方法,得到小于最前车辆阈值的分别处在两个双车道最前的车辆框。只用最前两个车辆判断车辆是否相等能大大增加车辆判断的准确性,同时采用小于最前车辆阈值能防止后车超前车导致车辆判断错误。如不设置最前车辆阈值,对所述监控图像中所有图像进行判断,当没有车辆通过隧道,但却又车辆进行超车时,双车道的最前车辆进行了改变,会因第一监控图像的最前车辆与第二监控图像的最前车辆不匹配导致识别失败。
可选的,所述基于所述第一最前方车辆框集合和所述第二最前方车辆框集合,得到不相同车辆数量,包括:
获得第一最前方车辆框;所述第一最前方车辆框为第一最前方车辆框集合中的车辆检测框;
获得第二最前方车辆框;所述第一最前方车辆框为第二最前方车辆框集合中的车辆检测框;
基于所述第一最前方车辆框和所述第二最前方车辆框,判断车辆颜色是否相同;
若所述车辆颜色不同相同,将不相同车辆数量加1;
若所述车辆颜色相同,得到车牌号向量;所述车牌号向量包括第一车牌号向量和第二车牌号向量,所述第一车牌号向量表示第一最前方车辆框中车辆的车牌号,所述第二车牌号向量表示第二最前方车辆框中车辆的车牌号;
基于所述第一车牌号码向量和所述第二车牌号码向量,得到第一最前方车牌号相似值;
若所述第一最前方车牌号相似值大于车牌阈值,将不相同车辆数量加1。
其中,所述第一最前方车牌号相似值使用欧几里得距离进行计算,所述第一最前方车牌号相似值表示判断第一最前方车辆框中车辆与表示第二最前方车辆框中车辆是否为同一车辆。
所述第一最前方车牌号相似值具体通过下述公式计算获得:
其中,判断第二最前方车辆集合中是否存在第一最前方车辆集合中所存在的车辆。取得第一最前方车辆集合中其中一个车辆信息与第二最前方车辆集合中所有车辆进行判断,若第二最前方车辆集合中不存在所述第一最前方车辆集合中其中一个车辆信息,则表示所述第一最前方车辆集合中其中一个车辆信息通过监控设备,不相同车辆数量加1。
通过上述方法,得到两张监控图像中不相同的车辆,表示车辆已经通过监控设备。通过先对车辆进行颜色判断的方式,判断双车道中同一车道的两辆车是否为不相同车辆。若颜色不同直接判断车辆不相同,则表示车辆已通过监控设备。因为颜色判断计算简单,大大减少了计算难度。若颜色相同,再对车牌进行检测识别。
可选的,所述基于所述第一最前方车辆框和所述第二最前方车辆框,判断车辆颜色是否相同,包括:
基于所述第一最前方车辆框和车辆识别算法,得到第一车辆颜色;
基于所述第二最前方车辆框和车辆识别算法,得到第二车辆颜色;
若所述第一车辆颜色与第二车辆颜色类别相同,车辆颜色相同;
若所述第一车辆颜色与第二车辆颜色类别不同,车辆颜色不同。
其中,采用YOLOV3算法在识别车辆框时,同时对车辆颜色进行分类,得到车辆框中车辆的颜色。
通过上述方法,通过对车辆分类的方式进行判断车辆颜色,因为一般车辆颜色为红、白和黑,三者颜色差别较大,所以可以通过对颜色先行判断的方式,判断车辆是否相同。同时由于车辆颜色可以在获得车辆检测框时,通过添加车辆颜色分类,训练yolov3神经网络,从而通过一个网络同时得到车辆框与车辆所得的颜色。
可选的,所述若所述车辆颜色相同,得到车牌号向量,包括:
所述车牌号向量包括第一车牌号向量和第二车牌号向量;所述第一车牌号向量表示第一最前方车辆框中车辆的车牌号,所述第二车牌号向量表示第二最前方车辆框中车辆的车牌号。
基于所述第一最前方车辆框,得到第一车牌号检测框;
基于所述第一车牌号检测框和车牌号识别算法,得到第一车牌号向量;所述车牌号向量表示车牌号检测框中识别到的车牌号;
基于所述第二最前方车辆框,得到第二车牌号检测框;
基于所述第二车牌号检测框和车牌号识别算法,得到第二车牌号向量;所述车牌号向量表示车牌号检测框中识别到的车牌号。
其中,车牌检测采用YOLOV3算法获得车牌区域,车牌识别算法采用深度学习方法,先将车牌号中的字符分割,在使用数据库中的车牌号字符训练神经网络,将分割好的的车牌号输入神经网络中进行比对识别得到车牌号向量。
通过上述方法,采用颜色判断和车牌识别不使用形状判断的原因在于车辆形状大概相同。并即使采用卷积对直接对两个车辆进行对比,而不使用车牌号、车辆特征相似,用于训练的数据量没有十分多的话,很难训练出一个可以直接识别车辆的神经网络。
实施例2:
基于上述一种基于深度神经网络监控隧道运行状态的方法,本发明实施例还提供了一种基于深度神经网络监控隧道运行状态的***,所述***包括采集模块、车辆框获取模块、最前车辆框获取模块以及车流量获取模块。
其中,采集模块用于采集第一监控图像和第二监控图像。所述第一监控图像为隧道前的监控设备采集的监控图像。所述第二监控图像为隧道前的监控设备在采集第一监控图像后N秒采集的监控图像。
其中,车辆框获取模块用于获取第一车辆检测框集合和第二车辆检测框集合。基于所述第一监控图像和车辆检测算法,得到第一车辆检测框集合。所述第一车辆检测框集合包括所述第一监控图像中多个车辆检测框。所述车辆检测框包括车辆检测框的中心点位置,车辆检测框的宽高。所述车辆检测框的中心点位置表示车辆检测框中心点在所述第一监控图像中的位置。基于所述第二监控图像和车辆检测算法,得到第二车辆检测框集合。所述第二车辆检测框集合包括所述第二监控图像中多个车辆检测框。所述车辆检测框包括车辆检测框的中心点位置和车辆检测框的宽高。所述车辆检测框的中心点位置表示车辆检测框中心点在所述第二监控图像中的位置。
其中,最前车辆框获取模块用于获取第一最前方车辆框集合和第二检测框底边位置集合。基于所述第一车辆检测框集合,得到第一检测框底边位置集合。所述第一检测框底边位置集合包括多个检测框底边的起点位置和终点位置。基于所述第一检测框底边位置,得到第一最前方车辆框集合。所述第一最前方车辆框集合表示在所述监控图像中最前方车辆检测框位置的集合。基于所述第二车辆检测框集合,得到第二检测框底边位置集合。所述第二检测框底边位置集合包括多个检测框底边的起点位置和终点位置。基于所述第二检测框底边位置,得到第二最前方车辆框集合。所述第二最前方车辆框集合表示在所述监控图像中最前方车辆检测框位置的集合。
其中,车流量获取模块用于通过获取不相同车辆数量得到通过隧道的车流量。基于所述第一最前方车辆框集合和所述第二最前方车辆框集合,得到不相同车辆数量。基于所述不相同车辆数量,得到通过隧道的车流量。所述不相同车辆数量包括0或1或2;所述不相同车辆数量为0表示所述第一最前方车辆框集合中的车辆和所述第二最前方车辆框集合中的车辆不相同的数量为0,所述不相同车辆数量为0还表示所述第一最前方车辆框集合中表示所述第一最前方车辆框集合中车辆都未进入隧道。所述不相同车辆数量为1表示所述第一最前方车辆框集合中的车辆和所述第二最前方车辆框集合中的车辆不相同的数量为1,所述不相同车辆数量为1还表示所述第一最前方车辆框集合中有一辆车进入隧道;所述不相同车辆数量为2表示所述第一最前方车辆框集合中和所述第二最前方车辆框集合中车辆不相同的数量为2,所述不相同车辆数量为2还表示所述第一最前方车辆框集合中有两辆车进入隧道。
在此关于上述实施例中的***,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
本发明实施例还提供了一种电子设备,如图3所示,包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序,所述处理器502执行所述程序时实现前文所述一种基于深度神经网络监控隧道运行状态的方法的任一方法的步骤。
其中,在图3中,总线架构(用总线500来代表),总线500可以包括任意数量的互联的总线和桥,总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理,而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于深度神经网络监控隧道运行状态的方法的任一方法的步骤以及上述的所涉及的数据。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于深度神经网络监控隧道运行状态的方法,其特征在于,包括:
获得第一监控图像;所述第一监控图像为隧道前的监控设备采集的监控图像;
基于所述第一监控图像和车辆检测算法,得到第一车辆检测框集合;
基于所述第一车辆检测框集合,得到第一检测框底边位置集合;
基于所述第一检测框底边位置,得到第一最前方车辆框集合;
获得第二监控图像;所述第二监控图像为隧道前的监控设备在采集第一监控图像后N秒采集的监控图像;
基于所述第二监控图像和车辆检测算法,得到第二车辆检测框集合;
基于所述第二车辆检测框集合,得到第二检测框底边位置集合;
基于所述第二检测框底边位置,得到第二最前方车辆框集合;
基于所述第一最前方车辆框集合和所述第二最前方车辆框集合,得到通过隧道的车流量。
2.根据权利要求1所述的基于深度神经网络监控隧道运行状态的方法,其特征在于,基于所述第一最前方车辆框集合和所述第二最前方车辆框集合,得到通过隧道的车流量,包括:
基于所述第一最前方车辆框集合和所述第二最前方车辆框集合,得到不相同车辆数量;
基于所述不相同车辆数量,得到通过隧道的车流量;所述不相同车辆数量包括0或1或2;
所述不相同车辆数量为0表示所述第一最前方车辆框集合中的车辆和所述第二最前方车辆框集合中的车辆不相同的数量为0,还表示所述第一最前方车辆框集合中车辆都未进入隧道;
所述不相同车辆数量为1表示所述第一最前方车辆框集合中的车辆和所述第二最前方车辆框集合中的车辆不相同的数量为1,还表示所述第一最前方车辆框集合中有一辆车进入隧道;
所述不相同车辆数量为2表示所述第一最前方车辆框集合中和所述第二最前方车辆框集合中车辆不相同的数量为2,还表示所述第一最前方车辆框集合中有两辆车进入隧道。
3.根据权利要求2所述的基于深度神经网络监控隧道运行状态的方法,其特征在于,所述基于所述第一车辆检测框集合,得到第一检测框底边位置集合,包括:
基于所述第一车辆检测框集合,得到车辆检测框底边的起点位置;
所述车辆检测框底边的起点位置的横坐标通过下述公式计算获得:
所述车辆检测框底边的起点位置的纵坐标通过下述公式计算获得:
基于所述第一车辆检测框集合,得到车辆检测框底边的终点位置;
所述车辆检测框底边的终点位置的横坐标通过下述公式计算获得:
所述车辆检测框底边的终点位置的纵坐标通过下述公式计算获得:
4.根据权利要求2所述的基于深度神经网络监控隧道运行状态的方法,其特征在于,所述基于所述第一检测框底边位置,得到第一最前方车辆框集合,包括:
获得第一最前车辆候选框集合,所述第一最前车辆候选框集合包括所述第一检测底边位置的起点位置的纵坐标位置大于最前车辆阈值的车辆检测框;
获得第一最前方车辆;所述第一最前方车辆为所述第一最前车辆候选框集合中起点位置的纵坐标最小的位置;
将所述第一最前方车辆的车辆框加入所述第一最前方车辆框集合;
基于所述第一最前车辆候选框集合,得到第二最前方车辆;所述第二最前方车辆为所述第一最前车辆候选框集合中除第一最前方车辆外起点位置的纵坐标最小的位置;
若所述第二最前方车辆起点位置的横坐标大于所述第一最前方车辆终点位置的横坐标或第二最前方车辆终点位置的横坐标小于所述第一最前方车辆起点位置的横坐标,将所述第二最前方车辆的车辆框加入所述第一最前方车辆框集合。
5.根据权利要求2所述的基于深度神经网络监控隧道运行状态的方法,其特征在于,所述基于所述第一最前方车辆框集合和所述第二最前方车辆框集合,得到不相同车辆数量,包括:
获得第一最前方车辆框;所述第一最前方车辆框为第一最前方车辆框集合中的车辆检测框;
获得第二最前方车辆框;所述第一最前方车辆框为第二最前方车辆框集合中的车辆检测框;
基于所述第一最前方车辆框和所述第二最前方车辆框,判断车辆颜色是否相同;
若所述车辆颜色不同相同,将不相同车辆数量加1;
若所述车辆颜色相同,得到车牌号向量;所述车牌号向量包括第一车牌号向量和第二车牌号向量,所述第一车牌号向量表示第一最前方车辆框中车辆的车牌号,所述第二车牌号向量表示第二最前方车辆框中车辆的车牌号;
基于所述第一车牌号码向量和所述第二车牌号码向量,得到第一最前方车牌号相似值;
若所述第一最前方车牌号相似值大于车牌阈值,将不相同车辆数量加1。
6.根据权利要求5所述的基于深度神经网络监控隧道运行状态的方法,其特征在于,所述基于所述第一最前方车辆框和所述第二最前方车辆框,判断车辆颜色是否相同,包括:
基于所述第一最前方车辆框和车辆识别算法,得到第一车辆颜色;
基于所述第二最前方车辆框和车辆识别算法,得到第二车辆颜色;
若所述第一车辆颜色与第二车辆颜色类别相同,车辆颜色相同;
若所述第一车辆颜色与第二车辆颜色类别不同,车辆颜色不同。
7.根据权利要求5所述的基于深度神经网络监控隧道运行状态的方法,其特征在于,所述若所述车辆颜色相同,得到车牌号向量,包括:
所述车牌号向量包括第一车牌号向量和第二车牌号向量;所述第一车牌号向量表示第一最前方车辆框中车辆的车牌号,所述第二车牌号向量表示第二最前方车辆框中车辆的车牌号;
基于所述第一最前方车辆框,得到第一车牌号检测框;
基于所述第一车牌号检测框和车牌号识别算法,得到第一车牌号向量;所述车牌号向量表示车牌号检测框中识别到的车牌号;
基于所述第二最前方车辆框,得到第二车牌号检测框;
基于所述第二车牌号检测框和车牌号识别算法,得到第二车牌号向量;所述车牌号向量表示车牌号检测框中识别到的车牌号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210364395.8A CN114495509B (zh) | 2022-04-08 | 2022-04-08 | 基于深度神经网络监控隧道运行状态的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210364395.8A CN114495509B (zh) | 2022-04-08 | 2022-04-08 | 基于深度神经网络监控隧道运行状态的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114495509A true CN114495509A (zh) | 2022-05-13 |
CN114495509B CN114495509B (zh) | 2022-07-12 |
Family
ID=81487662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210364395.8A Active CN114495509B (zh) | 2022-04-08 | 2022-04-08 | 基于深度神经网络监控隧道运行状态的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114495509B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115638831A (zh) * | 2022-12-21 | 2023-01-24 | 四川九通智路科技有限公司 | 基于mems传感器的公路设施风险监测方法及*** |
Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160203380A1 (en) * | 2015-01-13 | 2016-07-14 | Xerox Corporation | Annotation free license plate recognition method and system |
CN107292297A (zh) * | 2017-08-09 | 2017-10-24 | 电子科技大学 | 一种基于深度学习和重叠率跟踪的视频车流量检测方法 |
JP2018151287A (ja) * | 2017-03-14 | 2018-09-27 | スズキ株式会社 | 車両の走行制御装置 |
CN110008882A (zh) * | 2019-03-28 | 2019-07-12 | 华南理工大学 | 基于掩模与边框相似性损失的车辆检测方法 |
EP3605458A1 (en) * | 2017-03-30 | 2020-02-05 | Equos Research Co., Ltd. | Object determination device and object determination program |
US20200180637A1 (en) * | 2018-12-07 | 2020-06-11 | Hyundai Motor Company | Apparatus and method for controlling running of vehicle |
CN111429484A (zh) * | 2020-03-31 | 2020-07-17 | 电子科技大学 | 一种基于交通监控视频的多目标车辆轨迹实时构建方法 |
WO2020205640A1 (en) * | 2019-04-01 | 2020-10-08 | Exxonmobil Chemical Patents Inc. | System for identifying vehicles and detecting tire characteristics |
CN111967377A (zh) * | 2020-08-14 | 2020-11-20 | 上海眼控科技股份有限公司 | 工程车辆状态识别方法、装置、设备及存储介质 |
CN112069944A (zh) * | 2020-08-25 | 2020-12-11 | 青岛海信网络科技股份有限公司 | 一种道路拥堵等级确定方法 |
CN112507844A (zh) * | 2020-12-02 | 2021-03-16 | 博云视觉科技(青岛)有限公司 | 基于视频分析的交通拥堵检测方法 |
CN112562315A (zh) * | 2020-11-02 | 2021-03-26 | 鹏城实验室 | 一种获取车流信息的方法、终端及存储介质 |
US20210101593A1 (en) * | 2019-10-03 | 2021-04-08 | Subaru Corporation | Vehicle exterior environment recognition apparatus |
US20210117706A1 (en) * | 2019-10-17 | 2021-04-22 | Subaru Corporation | Vehicle exterior environment recognition apparatus |
CN112907981A (zh) * | 2021-03-25 | 2021-06-04 | 东南大学 | 一种用于分流路***通拥堵车辆的分流装置及其控制方法 |
JP2021096720A (ja) * | 2019-12-18 | 2021-06-24 | 日産自動車株式会社 | 車両の走行環境推定方法、及び、走行環境推定システム |
CN113327248A (zh) * | 2021-08-03 | 2021-08-31 | 四川九通智路科技有限公司 | 一种基于视频的隧道车流量统计方法 |
CN113393679A (zh) * | 2021-06-10 | 2021-09-14 | 中南大学 | 基于交通路口车流识别与统计的区域交通诱导方法及*** |
DE102020110310A1 (de) * | 2020-04-15 | 2021-10-21 | Valeo Schalter Und Sensoren Gmbh | Detektion von Hindernissen in einer kurvigen Straße |
CN113593219A (zh) * | 2021-06-30 | 2021-11-02 | 北京百度网讯科技有限公司 | 车流的统计方法、装置、电子设备及存储介质 |
CN113850136A (zh) * | 2021-08-24 | 2021-12-28 | 中国船舶重工集团公司第七0九研究所 | 基于yolov5与BCNN的车辆朝向识别方法及*** |
CN113903180A (zh) * | 2021-11-17 | 2022-01-07 | 四川九通智路科技有限公司 | 一种高速公路检测车辆超速的方法及*** |
CN113903008A (zh) * | 2021-10-26 | 2022-01-07 | 中远海运科技股份有限公司 | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 |
CN113936458A (zh) * | 2021-10-12 | 2022-01-14 | 中国联合网络通信集团有限公司 | 高速公路拥堵判别方法、装置、设备及介质 |
CN114067284A (zh) * | 2021-11-15 | 2022-02-18 | 山东工商学院 | 基于边缘计算与大数据路况分析***的智能路况告示牌 |
CN114093165A (zh) * | 2021-11-17 | 2022-02-25 | 山东大学 | 一种基于路侧激光雷达的车辆-行人冲突自动识别方法 |
CN114219829A (zh) * | 2021-11-05 | 2022-03-22 | 浙江大华技术股份有限公司 | 车辆跟踪方法、计算机设备及存储装置 |
US20220092797A1 (en) * | 2019-07-08 | 2022-03-24 | Zhongyuan University Of Technology | Intelligent Vehicle Trajectory Measurement Method Based on Binocular Stereo Vision System |
CN114255428A (zh) * | 2021-12-22 | 2022-03-29 | 浙江大学 | 一种基于边缘智能和路边高位监控视频的车辆停车识别方法 |
US20220108610A1 (en) * | 2019-06-24 | 2022-04-07 | Google, Llc | Phantom traffic jam detection and avoidance |
-
2022
- 2022-04-08 CN CN202210364395.8A patent/CN114495509B/zh active Active
Patent Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160203380A1 (en) * | 2015-01-13 | 2016-07-14 | Xerox Corporation | Annotation free license plate recognition method and system |
JP2018151287A (ja) * | 2017-03-14 | 2018-09-27 | スズキ株式会社 | 車両の走行制御装置 |
EP3605458A1 (en) * | 2017-03-30 | 2020-02-05 | Equos Research Co., Ltd. | Object determination device and object determination program |
CN107292297A (zh) * | 2017-08-09 | 2017-10-24 | 电子科技大学 | 一种基于深度学习和重叠率跟踪的视频车流量检测方法 |
US20200180637A1 (en) * | 2018-12-07 | 2020-06-11 | Hyundai Motor Company | Apparatus and method for controlling running of vehicle |
CN110008882A (zh) * | 2019-03-28 | 2019-07-12 | 华南理工大学 | 基于掩模与边框相似性损失的车辆检测方法 |
WO2020205640A1 (en) * | 2019-04-01 | 2020-10-08 | Exxonmobil Chemical Patents Inc. | System for identifying vehicles and detecting tire characteristics |
US20220108610A1 (en) * | 2019-06-24 | 2022-04-07 | Google, Llc | Phantom traffic jam detection and avoidance |
US20220092797A1 (en) * | 2019-07-08 | 2022-03-24 | Zhongyuan University Of Technology | Intelligent Vehicle Trajectory Measurement Method Based on Binocular Stereo Vision System |
US20210101593A1 (en) * | 2019-10-03 | 2021-04-08 | Subaru Corporation | Vehicle exterior environment recognition apparatus |
US20210117706A1 (en) * | 2019-10-17 | 2021-04-22 | Subaru Corporation | Vehicle exterior environment recognition apparatus |
JP2021096720A (ja) * | 2019-12-18 | 2021-06-24 | 日産自動車株式会社 | 車両の走行環境推定方法、及び、走行環境推定システム |
CN111429484A (zh) * | 2020-03-31 | 2020-07-17 | 电子科技大学 | 一种基于交通监控视频的多目标车辆轨迹实时构建方法 |
DE102020110310A1 (de) * | 2020-04-15 | 2021-10-21 | Valeo Schalter Und Sensoren Gmbh | Detektion von Hindernissen in einer kurvigen Straße |
CN111967377A (zh) * | 2020-08-14 | 2020-11-20 | 上海眼控科技股份有限公司 | 工程车辆状态识别方法、装置、设备及存储介质 |
CN112069944A (zh) * | 2020-08-25 | 2020-12-11 | 青岛海信网络科技股份有限公司 | 一种道路拥堵等级确定方法 |
CN112562315A (zh) * | 2020-11-02 | 2021-03-26 | 鹏城实验室 | 一种获取车流信息的方法、终端及存储介质 |
CN112507844A (zh) * | 2020-12-02 | 2021-03-16 | 博云视觉科技(青岛)有限公司 | 基于视频分析的交通拥堵检测方法 |
CN112907981A (zh) * | 2021-03-25 | 2021-06-04 | 东南大学 | 一种用于分流路***通拥堵车辆的分流装置及其控制方法 |
CN113393679A (zh) * | 2021-06-10 | 2021-09-14 | 中南大学 | 基于交通路口车流识别与统计的区域交通诱导方法及*** |
CN113593219A (zh) * | 2021-06-30 | 2021-11-02 | 北京百度网讯科技有限公司 | 车流的统计方法、装置、电子设备及存储介质 |
CN113327248A (zh) * | 2021-08-03 | 2021-08-31 | 四川九通智路科技有限公司 | 一种基于视频的隧道车流量统计方法 |
CN113850136A (zh) * | 2021-08-24 | 2021-12-28 | 中国船舶重工集团公司第七0九研究所 | 基于yolov5与BCNN的车辆朝向识别方法及*** |
CN113936458A (zh) * | 2021-10-12 | 2022-01-14 | 中国联合网络通信集团有限公司 | 高速公路拥堵判别方法、装置、设备及介质 |
CN113903008A (zh) * | 2021-10-26 | 2022-01-07 | 中远海运科技股份有限公司 | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 |
CN114219829A (zh) * | 2021-11-05 | 2022-03-22 | 浙江大华技术股份有限公司 | 车辆跟踪方法、计算机设备及存储装置 |
CN114067284A (zh) * | 2021-11-15 | 2022-02-18 | 山东工商学院 | 基于边缘计算与大数据路况分析***的智能路况告示牌 |
CN113903180A (zh) * | 2021-11-17 | 2022-01-07 | 四川九通智路科技有限公司 | 一种高速公路检测车辆超速的方法及*** |
CN114093165A (zh) * | 2021-11-17 | 2022-02-25 | 山东大学 | 一种基于路侧激光雷达的车辆-行人冲突自动识别方法 |
CN114255428A (zh) * | 2021-12-22 | 2022-03-29 | 浙江大学 | 一种基于边缘智能和路边高位监控视频的车辆停车识别方法 |
Non-Patent Citations (3)
Title |
---|
吴松泽: "智能交通流量预测***的研究与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
孙政军: "基于YOLOv3的车辆计数***的设计与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
张博: "基于计算机视觉的桥梁车流信息识别与防船撞预警方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115638831A (zh) * | 2022-12-21 | 2023-01-24 | 四川九通智路科技有限公司 | 基于mems传感器的公路设施风险监测方法及*** |
CN115638831B (zh) * | 2022-12-21 | 2023-04-25 | 四川九通智路科技有限公司 | 基于mems传感器的公路设施风险监测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114495509B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11840239B2 (en) | Multiple exposure event determination | |
US10943131B2 (en) | Image based lane marking classification | |
US20220237919A1 (en) | Method, Apparatus, and Computing Device for Lane Recognition | |
CN104050447A (zh) | 一种交通信号灯识别方法和装置 | |
CN113127466B (zh) | 一种车辆轨迹数据预处理方法及计算机存储介质 | |
CN110422173B (zh) | 一种行车环境识别方法 | |
CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及*** | |
CN110599853A (zh) | 驾校智能教学***及方法 | |
CN114495509B (zh) | 基于深度神经网络监控隧道运行状态的方法 | |
AU2017261601A1 (en) | Intelligent automatic license plate recognition for electronic tolling environments | |
CN115170863A (zh) | 基于多源数据预估风险的方法、装置、设备及存储介质 | |
CN111352414A (zh) | 用于车辆的假目标移除装置和方法及包括该装置的车辆 | |
CN117523449A (zh) | 一种煤矿井下辅助运输机器人车路协同定位***及方法 | |
CN112991769A (zh) | 基于视频的交通量调查方法和装置 | |
CN117037081A (zh) | 基于机器学习的交通监控方法、装置、设备及介质 | |
CN114022848B (zh) | 一种隧道自动照明的控制方法及*** | |
CN113743316B (zh) | 基于目标检测的车辆加塞行为识别方法、***及装置 | |
CN114078212A (zh) | 一种基于etc门架的精准车型识别方法与装置 | |
US20230260257A1 (en) | Iterative refinement of annotated datasets | |
CN116503695B (zh) | 目标检测模型的训练方法、目标检测方法及设备 | |
US11854252B1 (en) | Automated probabilistic axiom generation and incremental updates | |
Pydipogu et al. | Robust lane detection and object tracking In relation to the intelligence transport system | |
US20230281844A1 (en) | Device and method for verifying estimated depth information | |
EP4145399A1 (en) | Method and device for plausibilising extracted lane properties using sensor data captured by at least one sensor system installed at an automated vehicle | |
CN111091096B (zh) | 车辆偏离决策方法、装置、存储介质及车辆 |
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 |