CN116721393A - 一种基于多模态融合的高速公路拥堵检测方法及*** - Google Patents
一种基于多模态融合的高速公路拥堵检测方法及*** Download PDFInfo
- Publication number
- CN116721393A CN116721393A CN202310700822.XA CN202310700822A CN116721393A CN 116721393 A CN116721393 A CN 116721393A CN 202310700822 A CN202310700822 A CN 202310700822A CN 116721393 A CN116721393 A CN 116721393A
- Authority
- CN
- China
- Prior art keywords
- data
- highway
- characteristic data
- expressway
- congestion
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims description 24
- 239000002131 composite material Substances 0.000 claims abstract description 28
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims 2
- 238000012549 training Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06V20/52—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
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多模态融合的高速公路拥堵检测方法及***,首先获取高速公路基础信息数据,对高速公路基础信息数据进行预处理并按照预设的顺序和格式存储,得到信息特征数据;获取高速公路监控视频图像,通过图像特征提取网络提取图像特征,得到图像特征数据;然后将信息特征数据和图像特征数据拼接融合为复合特征数据。采用复合特征数据训练分类模型,采用训练好的分类模型对待检测复合特征数据进行检测,输出检测的拥堵等级结果。本发明将复合特征数据进行权衡,更好的对高速公路道路拥堵做一个综合判断后的等级评定结果,并且具有较强的鲁棒性与适用性,因此更具有实用价值。
Description
技术领域
本申请属于公路管理技术领域,具体涉及一种基于多模态融合的高速公路拥堵检测方法及***。
背景技术
高速公路拥堵是指车辆在高速公路上由于交通流量过大、道路狭窄、事故等原因导致车辆交通受阻的现象。这种拥堵不仅会影响车辆行驶速度和通行效率,还可能引发事故、增加交通事故的风险和对环境产生负面影响。目前高速公路道路通行能力通常停留在定性评价及人的主观判定,应用层面上缺乏有效数据和技术进行深层次分析;多年来行业内一直致力于提升道路智慧化运行管理能力,但交通大数据采集分析方面仍然存在着数据格式多样、有效信息提取难等问题。
目前高速公路信息感知采集主要采用基于监控摄像头和毫米波雷达为主。监控摄像头是视觉感知能力的重要传感单元,优势在于能够从道路环境种获取丰富的纹理色彩和语义信息,实现精细化的目标类型识别,以及视频监控和图像抓拍等场景需求;毫米波雷达具有精准的捕获目标速度、宽探角度、长探测距、多目标追踪和全天候全天时的优势。但是目前在高速公路拥堵的应用中,检测方法多采用单一传感器,视觉感知易受天气、光线等影响导致识别能力降低,毫米波雷达对目标类型的识别能力较弱且易受行驶姿态的变化导致误检和漏检。
发明内容
本申请的目的是提出一种基于多模态融合的高速公路拥堵检测方法及***,能够有效检测高速公路拥堵状况的出现,进而为公路管理部门、交通从业人员和广大驾驶员提供更为高效的服务。
为了实现上述目的,本申请技术方案如下:
一种基于多模态融合的高速公路拥堵检测方法,所述基于多模态融合的高速公路拥堵检测方法,包括:
获取高速公路基础信息数据,对高速公路基础信息数据进行预处理并按照预设的顺序和格式存储,得到信息特征数据;
获取高速公路监控视频图像,通过图像特征提取网络提取图像特征,得到图像特征数据;
将信息特征数据和图像特征数据拼接融合为复合特征数据;
将复合特征数据输入到训练好的分类模型,得到拥堵检测结果。
进一步的,所述高速公路基础信息数据,包括:
高速公路监控摄像机点位类型,为二元值,分别表示外场和隧道两种类型;
监控视频的***时间,格式为基于年月日时分秒的数字格式;
天气状态,为分类型数据,包括晴天、雨雪天气、浓雾;
道路场景,为分类型数据,包括高架、互通、匝道、主线、硬路肩、导流带;
高速公路拥堵等级描述,为分类型数据,采用0-4的数字等级。
进一步的,所述对高速公路基础信息数据进行预处理,包括:
采用one-hot编码对分类型数据进行编码。
进一步的,所述图像特征提取网络包括CNN卷积神经网络、线性投影层、Transformer模块、隐藏层和级联上采样模块。
进一步的,所述分类模型为XGBoost分类模型。
本申请还提出了一种基于多模态融合的高速公路拥堵检测***,包括:
信息特征获取模块,用于获取高速公路基础信息数据,对高速公路基础信息数据进行预处理并按照预设的顺序和格式存储,得到信息特征数据;
图像特征提取模块,用于获取高速公路监控视频图像,通过图像特征提取网络提取图像特征,得到图像特征数据;
复合模块,用于将信息特征数据和图像特征数据拼接融合为复合特征数据;
检测模块,用于将复合特征数据输入到训练好的分类模型,得到拥堵检测结果。
进一步的,所述高速公路基础信息数据,包括:
高速公路监控摄像机点位类型,为二元值,分别表示外场和隧道两种类型;
监控视频的***时间,格式为基于年月日时分秒的数字格式;
天气状态,为分类型数据,包括晴天、雨雪天气、浓雾;
道路场景,为分类型数据,包括高架、互通、匝道、主线、硬路肩、导流带;
高速公路拥堵等级描述,为分类型数据,采用0-4的数字等级。
进一步的,所述对高速公路基础信息数据进行预处理,包括:
采用one-hot编码对分类型数据进行编码。
进一步的,所述图像特征提取网络包括CNN卷积神经网络、线性投影层、Transformer模块、隐藏层和级联上采样模块。
进一步的,所述分类模型为XGBoost分类模型。
本发明提出的一种基于多模态融合的高速公路拥堵检测方法及***,区别于传统的单一模态的方式分析高速公路拥堵等级,是将监控视频图像信息与高速公路道路基础信息进行融合后的复合识别方法,具有更好的鲁棒性和更广法的适用性等特点。
附图说明
图1为本申请基于多模态融合的高速公路拥堵检测方法流程图。
图2为本申请实施例复合特征数据提取示意图。
图3为本申请实施例图像特征提取网络示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提出了一种基于多模态融合的高速公路拥堵检测方法,包括:
步骤S1、获取高速公路基础信息数据,对高速公路基础信息数据进行预处理并按照预设的顺序和格式存储,得到信息特征数据。
例如,采用的高速公路基础信息数据包括:高速公路监控摄像机点位类型,为二元值,分别表示外场和隧道两种类型;监控视频的***时间,格式为基于年月日时分秒的数字格式;天气状态,为分类型数据,格式为分类编码,包括晴天、雨雪天气、浓雾等;道路场景,为分类型数据,包括高架、互通、匝道、主线、硬路肩、导流带等;以及高速公路拥堵等级描述,基于《视频交通检测器》GB/T28789-2012的标准,为分类型数据,本实施例采用0-4的数字等级。
在数据预处理阶段,为了有效减少分组类别数量,采用one-hot编码对分类型数据进行编码操作,编码后,将数据按照预设的表格方式填入如图2左边特征表示表格,得到信息特征数据,作为复合特征数据的高速公路基础信息数据部分Fbasicdata。
步骤S2、获取高速公路监控视频图像,通过图像特征提取网络提取图像特征,得到图像特征数据。
本实施例所采用的图像特征提取网络,如图3所示,包括CNN卷积神经网络、线性投影层、多个Transformer模块、隐藏层和级联上采样模块。CNN卷积神经网络包括依次连接的第一卷积操作模块、第二卷积操作模块和第三卷积操作模块,各卷积操作模块包括依次连接的卷积层、BN层、ReLU激活函数和最大池化层,各Transformer模块串接。
输入视频图像其空间分辨率为H×W,通道数为C。第一卷积操作模块输出第一特征图F11,尺寸为/>第二卷积操作模块输出第二特征图F12,尺寸为/>第二卷积操作模块输出第三特征图…13,尺寸为/>第一特征图F11、第二特征图F12和第三特征图F13依次对应为第一卷积操作模块、第二卷积操作模块和第三卷积操作模块的输出特征,且尺寸为对应卷积操作模块的输入特征的一半。
将第三特征图F13重构成2D补丁序列 为第i个2D补丁,N为输入序列的长度,即图像块的个数,/>w为第三特征图F13的宽度,h为第三特征图F13的高度,c为第三特征图F13的通道数,每个图像块的大小为P×P,P为图像块的宽度或高度。采用线性投影将2D补丁序列xp映射到潜在的d维嵌入空间,形成嵌入序列,d为超参数。然后将嵌入序列输入串接的Transformer模块,再经过隐藏层获得隐层特征Fhidden,隐层特征Fhidden包括D个长度为n_patch的特征向量;将隐层特征Fhidden转化为宽度为W/16、高度为H/16、通道数为D的高级特征,W为图像数据集中的图像的宽度,H为图像数据集中的图像的高度。最后利用级联上采样模块对高级特征进行解码,最终获得对应的图像特征。
将视频图像数据集中的各图像输入训练好的图像特征提取模块获得对应的图像特征,并将图像特征的权重填入如图2中右边的特征表示表格得到图像特征数据Fimage,作为复合特征数据的图像数据部分。
步骤S3、将信息特征数据和图像特征数据拼接融合为复合特征数据。
本步骤将信息特征数据和图像特征数据拼接融合为复合特征数据,拼接结果如图2所示。
步骤S4、将复合特征数据输入到训练好的分类模型,得到拥堵检测结果。
本申请采用训练好的分类模型来预测拥堵。训练时,在得到复合特征数据集后,按照一定比例划分为训练样本和预测样本,其中训练样本组成训练集,测试样本组成测试集。将训练集输入到分类模型中(例如XGBoost),使用K-Fold交叉验证,训练得到XGBoost分类模型。训练时,将高速公路拥堵等级等级中的畅通状态用0表示,缓行状态用1表示,拥堵状态用2表示,严重拥堵用3表示,堵车用4表示。通过分类模型不断优化,最终获得训练好的分类模型。然后将测试集输入,用于评定分类模型检测结果。
其中,畅通(0):路况无任何拥堵,车辆能够自由行驶;缓行(1):车辆行驶速度较慢,但可以持续行驶;拥堵(2):车辆有明显的行驶缓慢或停滞现象,但车道依然通畅;严重拥堵(3):车辆行驶缓慢或停滞现象较为明显,路面上出现较大的车辆密度;和堵车(4):车辆停滞,路面车辆密度达到最大值,无法前行。
在实际的应用中,将待检测的高速公路基础信息数据经过预处理得到信息特征数据,将高速公路的监控视频图像经过图像特征提取网络得到图像特征数据,然后拼接融合为复合特征数据,输入到训练好的分类模型,对拥堵等级进行预测,得到高速公路拥堵检测结果。
在另一个实施例种,本申请还提出了一种基于多模态融合的高速公路拥堵检测***,包括:
信息特征获取模块,用于获取高速公路基础信息数据,对高速公路基础信息数据进行预处理并按照预设的顺序和格式存储,得到信息特征数据;
图像特征提取模块,用于获取高速公路监控视频图像,通过图像特征提取网络提取图像特征,得到图像特征数据;
复合模块,用于将信息特征数据和图像特征数据拼接融合为复合特征数据;
检测模块,用于将复合特征数据输入到训练好的分类模型,得到拥堵检测结果。
关于基于多模态融合的高速公路拥堵检测***的具体限定可以参见上文中对于基于多模态融合的高速公路拥堵检测方法的限定,在此不再赘述。上述基于多模态融合的高速公路拥堵检测***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器中存储有可在处理器上运行的计算机程序,所述处理器通过运行存储在存储器内的计算机程序,从而实现本发明实施例中的网络拓扑布局方法。
其中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器用于存储程序,所述处理器在接收到执行指令后,执行所述程序。
所述处理器可能是一种集成电路芯片,具有数据的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多模态融合的高速公路拥堵检测方法,其特征在于,所述基于多模态融合的高速公路拥堵检测方法,包括:
获取高速公路基础信息数据,对高速公路基础信息数据进行预处理并按照预设的顺序和格式存储,得到信息特征数据;
获取高速公路监控视频图像,通过图像特征提取网络提取图像特征,得到图像特征数据;
将信息特征数据和图像特征数据拼接融合为复合特征数据;
将复合特征数据输入到训练好的分类模型,得到拥堵检测结果。
2.根据权利要求1所述的基于多模态融合的高速公路拥堵检测方法,其特征在于,所述高速公路基础信息数据,包括:
高速公路监控摄像机点位类型,为二元值,分别表示外场和隧道两种类型;
监控视频的***时间,格式为基于年月日时分秒的数字格式;
天气状态,为分类型数据,包括晴天、雨雪天气、浓雾;
道路场景,为分类型数据,包括高架、互通、匝道、主线、硬路肩、导流带;
高速公路拥堵等级描述,为分类型数据,采用0-4的数字等级。
3.根据权利要求2所述的基于多模态融合的高速公路拥堵检测方法,其特征在于,所述对高速公路基础信息数据进行预处理,包括:
采用one-hot编码对分类型数据进行编码。
4.根据权利要求1所述的基于多模态融合的高速公路拥堵检测方法,其特征在于,所述图像特征提取网络包括CNN卷积神经网络、线性投影层、Transformer模块、隐藏层和级联上采样模块。
5.根据权利要求1所述的基于多模态融合的高速公路拥堵检测方法,其特征在于,所述分类模型为XGBoost分类模型。
6.一种基于多模态融合的高速公路拥堵检测***,其特征在于,所述基于多模态融合的高速公路拥堵检测***,包括:
信息特征获取模块,用于获取高速公路基础信息数据,对高速公路基础信息数据进行预处理并按照预设的顺序和格式存储,得到信息特征数据;
图像特征提取模块,用于获取高速公路监控视频图像,通过图像特征提取网络提取图像特征,得到图像特征数据;
复合模块,用于将信息特征数据和图像特征数据拼接融合为复合特征数据;
检测模块,用于将复合特征数据输入到训练好的分类模型,得到拥堵检测结果。
7.根据权利要求6所述的基于多模态融合的高速公路拥堵检测***,其特征在于,所述高速公路基础信息数据,包括:
高速公路监控摄像机点位类型,为二元值,分别表示外场和隧道两种类型;
监控视频的***时间,格式为基于年月日时分秒的数字格式;
天气状态,为分类型数据,包括晴天、雨雪天气、浓雾;
道路场景,为分类型数据,包括高架、互通、匝道、主线、硬路肩、导流带;
高速公路拥堵等级描述,为分类型数据,采用0-4的数字等级。
8.根据权利要求7所述的基于多模态融合的高速公路拥堵检测***,其特征在于,所述对高速公路基础信息数据进行预处理,包括:
采用one-hot编码对分类型数据进行编码。
9.根据权利要求6所述的基于多模态融合的高速公路拥堵检测***,其特征在于,所述图像特征提取网络包括CNN卷积神经网络、线性投影层、Transformer模块、隐藏层和级联上采样模块。
10.根据权利要求6所述的基于多模态融合的高速公路拥堵检测方***,其特征在于,所述分类模型为XGBoost分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700822.XA CN116721393A (zh) | 2023-06-13 | 2023-06-13 | 一种基于多模态融合的高速公路拥堵检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700822.XA CN116721393A (zh) | 2023-06-13 | 2023-06-13 | 一种基于多模态融合的高速公路拥堵检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116721393A true CN116721393A (zh) | 2023-09-08 |
Family
ID=87864230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310700822.XA Pending CN116721393A (zh) | 2023-06-13 | 2023-06-13 | 一种基于多模态融合的高速公路拥堵检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721393A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409381A (zh) * | 2023-12-14 | 2024-01-16 | 杭州像素元科技有限公司 | 基于场景图像分割的高速公路收费站拥堵检测模型及方法 |
CN117649632A (zh) * | 2024-01-29 | 2024-03-05 | 杭州感想科技有限公司 | 基于多源交通数据的高速公路事件识别方法及识别装置 |
CN118172935A (zh) * | 2024-05-11 | 2024-06-11 | 东揽(南京)智能科技有限公司 | 基于数字孪生的智慧高速管理***及方法 |
-
2023
- 2023-06-13 CN CN202310700822.XA patent/CN116721393A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409381A (zh) * | 2023-12-14 | 2024-01-16 | 杭州像素元科技有限公司 | 基于场景图像分割的高速公路收费站拥堵检测模型及方法 |
CN117409381B (zh) * | 2023-12-14 | 2024-03-08 | 杭州像素元科技有限公司 | 基于场景图像分割的高速公路收费站拥堵检测模型及方法 |
CN117649632A (zh) * | 2024-01-29 | 2024-03-05 | 杭州感想科技有限公司 | 基于多源交通数据的高速公路事件识别方法及识别装置 |
CN117649632B (zh) * | 2024-01-29 | 2024-05-07 | 杭州感想科技有限公司 | 基于多源交通数据的高速公路事件识别方法及识别装置 |
CN118172935A (zh) * | 2024-05-11 | 2024-06-11 | 东揽(南京)智能科技有限公司 | 基于数字孪生的智慧高速管理***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116721393A (zh) | 一种基于多模态融合的高速公路拥堵检测方法及*** | |
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN109670376B (zh) | 车道线识别方法及*** | |
KR102177880B1 (ko) | 자율주행용 클래스 레이블링 장치 | |
CN111814623A (zh) | 一种基于深度神经网络的车辆车道偏离视觉检测方法 | |
CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
Ren et al. | YOLOv5s-M: A deep learning network model for road pavement damage detection from urban street-view imagery | |
CN106951898B (zh) | 一种车辆候选区域推荐方法及***、电子设备 | |
CN108876805B (zh) | 一种端对端无监督场景可通行区域认知与理解方法 | |
CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
Deng et al. | Simultaneous vehicle and lane detection via MobileNetV3 in car following scene | |
CN113160575A (zh) | 一种非机动车辆及驾驶人的交通违法行为检测方法及*** | |
CN111259796A (zh) | 一种基于图像几何特征的车道线检测方法 | |
CN110610153A (zh) | 一种用于自动驾驶的车道识别方法及*** | |
CN103206957A (zh) | 车辆自主导航的车道线检测与跟踪方法 | |
CN112241004B (zh) | 物体识别装置 | |
CN103310199A (zh) | 基于高分辨率遥感数据的车辆型号识别方法 | |
CN113888754A (zh) | 一种基于雷达视觉融合的车辆多属性识别方法 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN113361528A (zh) | 一种多尺度目标检测方法及*** | |
Lee et al. | Black ice detection using CNN for the Prevention of Accidents in Automated Vehicle | |
KR20210018493A (ko) | 차선 속성 검출 | |
CN117456482B (zh) | 一种面向交通监控场景的异常事件识别方法及*** | |
CN112633177A (zh) | 一种基于注意力空间卷积神经网络的车道线检测分割方法 | |
CN115482672B (zh) | 车辆逆行检测的方法、装置、终端设备及存储介质 |
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 |