CN118015843B - 一种基于压力传感器时序数据的车辆检测方法与*** - Google Patents
一种基于压力传感器时序数据的车辆检测方法与*** Download PDFInfo
- Publication number
- CN118015843B CN118015843B CN202410424607.6A CN202410424607A CN118015843B CN 118015843 B CN118015843 B CN 118015843B CN 202410424607 A CN202410424607 A CN 202410424607A CN 118015843 B CN118015843 B CN 118015843B
- Authority
- CN
- China
- Prior art keywords
- list
- peak
- time
- moment
- sub
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 abstract description 3
- 238000005303 weighing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Measuring Fluid Pressure (AREA)
Abstract
本发明公开了一种基于压力传感器时序数据的车辆检测方法与***，本发明首先对原始时序数据进行平滑滤波，遍历每个时刻的数据进行方差分析，根据方差变化情况检测突变峰值，并进一步根据绝对值确定实际峰值时刻，得到时刻列表；然后对连续峰值按车辆进行分割，并合并同一辆车产生的峰值，得到一系列与车辆对应的子列表；再对各子列表根据实际业务情况进行修正，得到最终峰值时刻列表；最后对于每个子列表，选取第一个元素作为车辆通过的起始点，根据原始时序数据的时间偏移量和采样率计算出实际通过时间。本发明检测方法的准确性不受天气、照明等自然环境影响，也不受车辆通过速度和车流量的影响。
Description
技术领域
本发明涉及一种基于压力传感器时序数据的车辆检测方法与***，属于车联网领域。
背景技术
在车联网技术中，V2X（Vehicle to Everything）技术依赖了道路的基础环境数据做智能决策。在道路基础环境数据中，车辆的通过数据是智能交通所有决策的基础。现有的道路车辆数据检测方法有如下几种：1、通过在车道的特定位置部署称重***，利用称重***的数据变化来检测车辆的通过信息。2、通过在道路的关键位置部署视频采集设备，利用图像检测算法对视频流进行分析，得到通过路段该位置的车辆信息。
现有车辆检测存在的不足：1、基于称重***的检测方法：秤台式和弯板式称重***在高速情况下精度低，仅适用于低速通过的车辆检测；而压电式称重***虽然能检测高速通过的测量，但总体精度较低，统计误差较大。2、基于视频的车流量统计，受到天气的影响较大。在天气恶劣、或者照明不佳等情况下，检测误差较大、甚至会出现无法检测的情况。
发明内容
发明目的：针对上述现有技术存在的问题，本发明目的在于提供一种基于压力传感器时序数据的车辆检测方法与***，利用在道路中预置的压力传感器，对传感器时序数据进行分析，检测出车辆的通过信息。
技术方案：为实现上述发明目的，本发明采用如下技术方案：
一种基于压力传感器时序数据的车辆检测方法，包括如下步骤：
对原始时序数据进行平滑滤波；
逐步遍历滤波后的数据，对于每个时刻的数据，分别计算后续2X个时间点的前X个以及后X个时间点的方差，并根据方差变化情况检测突变峰值，得到待确认峰值时刻列表A；
遍历时刻列表A中的每个时刻，选取其在原始时序数据中前后预设范围内的绝对值最大的数据对应的时刻，得到实际峰值时刻列表B；
将时刻列表B中第一阈值内的连续峰值归并为同一个波形的峰值，以分割不同车辆产生的峰值，得到车辆对应的子列表，并且将各子列表中第二阈值内的连续峰值进行合并，选取绝对值最大的点作为合并后的峰值点，以合并同一辆车产生的峰值，得到时刻列表C；
对时刻列表C进行修正，去除峰值点数量和数值不满足实际业务的子列表，得到时刻列表E；
对于E中的每个子列表，选取第一个元素作为车辆通过的起始点，根据原始时序数据的时间偏移量和采样率计算出实际通过时间。
作为优选，若L=(Vi+x-Vi)/Vi大于预设的阈值，则将i时刻加入待确认的时刻列表A，其中Vi为i时刻之后X个时间点的方差，Vi+x为i+X时刻之后X个时间点的方差。
作为优选，对时刻列表C进行修正的方法为：
过滤掉C中只有一个峰值点的子列表，得到列表C1；
过滤掉C1中峰值点大于六的子列表，得到列表C2；
对于C2中每个子列表，遍历峰值时刻对应的传感器数值，如果传感器数值大于传感器在没有受到外力作用下的基准值，则移除该峰值时刻，得到列表C3；
过滤掉C3中只有一个峰值点的子列表，得到列表E。
作为优选，所述基准值根据如下方法确定：对于C2中每个子列表，选取第一个峰值点往前预设时间内的数据，计算平均值，将平均值作为传感器在没有受到外力作用下的基准值；所述第一个峰值点往前预设时间内无车辆通过。
进一步地，根据列表E中的每个子列表中的峰值个数，判断车辆类型。
基于相同的发明构思，本发明提供一种基于压力传感器时序数据的车辆检测***，包括：
突变峰值检测模块，用于对原始时序数据进行平滑滤波；逐步遍历滤波后的数据，对于每个时刻的数据，分别计算后续2X个时间点的前X个以及后X个时间点的方差，并根据方差变化情况检测突变峰值，得到待确认峰值时刻列表A；
实际峰值检测模块，用于遍历时刻列表A中的每个时刻，选取其在原始时序数据中前后预设范围内的绝对值最大的数据对应的时刻，得到实际峰值时刻列表B；
波形分割模块，用于将时刻列表B中第一阈值内的连续峰值归并为同一个波形的峰值，以分割不同车辆产生的峰值，得到车辆对应的子列表，并且将各子列表中第二阈值内的连续峰值进行合并，选取绝对值最大的点作为合并后的峰值点，以合并同一辆车产生的峰值，得到时刻列表C；
修正模块，用于对时刻列表C进行修正，去除峰值点数量和数值不满足实际业务的子列表，得到时刻列表E；
以及车辆检测模块，用于对于E中的每个子列表，选取第一个元素作为车辆通过的起始点，根据原始时序数据的时间偏移量和采样率计算出实际通过时间。
基于相同的发明构思，本发明提供一种计算机***，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的基于压力传感器时序数据的车辆检测方法的步骤。
基于相同的发明构思，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于压力传感器时序数据的车辆检测方法的步骤。
有益效果：与现有技术相比，本发明具有如下优点：1、本发明实现了一种对传感器时序数据的方差分析方法，能够通过分析传感器压力数据的变化，检测车辆的通过信息。2、本发明实现了对时序压力数据的具体波形检测，通过波形对车辆类型进行进一步分析归纳，提高了检测的准确性；3、本发明检测方法的准确性不受天气、照明等自然环境影响，也不受车辆通过速度和车流量的影响。
附图说明
图1是本发明实施例的方法流程图。
图2是本发明实施例中峰值数据修正流程图。
图3是本发明实施例的***模块示意图。
具体实施方式
下面将结合附图和具体实施例，对本发明的技术方案进行清楚、完整的描述。
本发明实施例公开一种基于压力传感器时序数据的车辆检测方法，利用在道路中预置的压力传感器（如DTC-DP200），车辆通过路面时会对传感器产生向下的压力，从而导致传感器的数据发生突变。通过对传感器时序数据的分析，检测出传感器产生的突变峰值数量。根据突变数据可以检测出车辆的通过信息；突变的峰值个数，代表了通过车辆类型的不同。从而实现了对车辆通过量、以及车辆类型的判断。
如图1所示，具体的业务执行流程包括：
步骤1、对原始的时序数据F进行平滑滤波，得到滤波后的数据D={[T1,D1],[T2,D2],…}；滤波可以减少传感器噪声对检测结果的影响。
步骤2、对滤波后的数据检测突变峰值。对于滤波后的数据D，以步长1的方式逐步遍历所有数据。对于某个时刻i的数据Di，计算后续2X个时间点（X可以结合传感器采样率和车辆速度选取，X个时间点对应的时间范围小于波形从基准值到峰值的时间范围，例如考虑到车辆的车速一般小于100km/h，采样率为500hz，X可以取10）数据的方差Vi和Vi+x。Vi使用前X个数据进行计算，Vi+x使用后X个数据计算。Vi的计算方法如下：
对于上述计算出来Vi和Vi+x，计算L=(Vi+x-Vi)/Vi，如果L大于指定的阈值，则将i时刻加入待确认的时刻列表A，A中每个数据代表了该时刻附近可能有车辆通过，从而导致传感器的数据变化产生剧烈变化。遍历所有的数据D，得到最终待确认的时刻列表A。
步骤3、根据突变峰值在原始数据中寻找实际峰值。针对步骤2中得到的时刻列表A={index1, index2, index…}，遍历其中每个index在数据集D中位置下标在一段范围内[index-Y, index+Y]的（如Y=10）所有数据子集，选取子集中绝对值最大的数据对应的下标作为实际峰值时刻列表B。
步骤4、分割不同车辆产生的峰值。针对B中解析出的数据，根据采样频率和实际的业务需求，将阈值T秒内的连续峰值归并为同一个波形的峰值，以分割不同车辆产生的峰值，得到车辆对应的子列表。分割后的波形峰值时刻列表记为C，C={{C11,C12,..C1n},{C21,C22,…C2m},…,{Co1,Co2,…,Cop}}，每个子列表对应一辆车经过产生的峰值时刻，n、m、p分别为第1、2、o辆车的峰值点数量。假设B={1000,1010,1090,7000, 7070}，阈值T=2秒，采样率sample=是1000。那么index的差值在T*sample=2*1000，即2000内的峰值认为属于同一波形。对于示例B而言，可以解析出2个实际波形，C={{1000,1010,1090}, {7000,7070}}。
步骤5、合并同一车辆经过的峰值。根据采样频率和实际的业务需求，将阈值T1秒内的连续峰值合并。假设采样率sample=是1000，阈值T1=0.05秒（T1的数值对应不同车轮通过传感器的时间间隔，实际生活中根据道路限速所以车速不会过快，如只允许100km/h，可以估算出T1的合理值）。对于峰值间隔小于T1*sample=0.05*1000，即50内的所有峰值认为是同一个峰值。对于步骤4中的示例C={{1000,1010,1090}, {7000, 7070}}，在波形{1000,1010,1090}中，1000和1010的间隔小于50，合并为同一个峰值。比较D1000和D1010的绝对值abs，选取绝对值大的点作为合并后的峰值点。假设abs(D1000)>abs(D1010)，合并后的C={{1000,1090}, {7000, 7070}}。
步骤6、对检测出的车辆峰值数据进行修正。针对合并后的时刻列表C，根据实际的业务进行修正。如图2所示，具体包括：
步骤6.1、每个车辆通过传感器时，前后轮至少会产生两个波形，所以至少对应2个峰值。过滤掉C中只有一个峰值点的子列表，得到的数据记为C1；
步骤6.2、实际中的车辆最多只有6轴，所以对于波形而言，最多对应6个峰值数据。过滤掉C1中峰值点大于6个点的子列表，得到的数据记为C2；
步骤6.3、对于C2中的每一个波形数据，选取该波形第一个峰值点往前预设时间T3（如3秒钟，认为两辆车在T3时间内通过同一个点的概率为0）内的数据，记为Dbase。对于Dbase中的所有数据，计算其平均值X，X作为传感器在没有受到外力作用下的基准值。传感器产生的每一个峰值都应该小于其对应的基准值X。对于C2中每个波形（子列表），遍历峰值时刻i对应的传感器数值Di，如果Di>X，则从波形中移除该峰值时刻。得到的数据记为C3；
步骤6.4、遍历C3中每个子列表，如果某个子列表只有一个峰值，则移除该子列表。最终得到的列表记为E。
步骤7、计算车辆通过时间。列表E中每个子列表代表了车辆的通过信息。对于每个车辆Ei而言，选取Ei={Ei1,Ei2,…Eiq}中的第一个点Ei1做为车辆通过的起始点，根据原始时序数据F的时间偏移量Foffset和采样率sample，计算出车辆通过的实际时间Tpass，Tpass=Ei1/sample+Foffset。假设某次检测中，数据的时间偏移量Foffset=2023/11/2309:09:10，Ei1=12000，那么Tpass=2023/11/23 09:09:10+(12000/1000)= 2023/11/23 09:09:22。
步骤8、根据峰值数判断通过车辆的类型。遍历列表E中每个子列表，其峰值个数不同代表了不同轴距的车辆类型。根据峰值数量可以判断出通过的车辆类型，例如两个峰值代表两轴车辆通过，三个峰值代表三轴车辆通过。
基于相同的发明构思，本发明实施例公开的一种基于压力传感器时序数据的车辆检测***，如图3所示，包括：突变峰值检测模块，用于对原始时序数据进行平滑滤波；逐步遍历滤波后的数据，对于每个时刻的数据，分别计算后续2X个时间点的前X个以及后X个时间点的方差，并根据方差变化情况检测突变峰值，得到待确认峰值时刻列表A；实际峰值检测模块，用于遍历时刻列表A中的每个时刻，选取其在原始时序数据中前后预设范围内的绝对值最大的数据对应的时刻，得到实际峰值时刻列表B；波形分割模块，用于将时刻列表B中第一阈值内的连续峰值归并为同一个波形的峰值，以分割不同车辆产生的峰值，得到车辆对应的子列表，并且将各子列表中第二阈值内的连续峰值进行合并，选取绝对值最大的点作为合并后的峰值点，以合并同一辆车产生的峰值，得到时刻列表C；修正模块，用于对时刻列表C进行修正，去除峰值点数量和数值不满足实际业务的子列表，得到时刻列表E；以及车辆检测模块，用于对于E中的每个子列表，选取第一个元素作为车辆通过的起始点，根据原始时序数据的时间偏移量和采样率计算出实际通过时间。
基于相同的发明构思，本发明实施例公开的一种计算机***，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的基于压力传感器时序数据的车辆检测方法的步骤。
基于相同的发明构思，本发明实施例公开的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于压力传感器时序数据的车辆检测方法的步骤。
Claims (6)
1.一种基于压力传感器时序数据的车辆检测方法，其特征在于，包括如下步骤：
对原始时序数据进行平滑滤波；
逐步遍历滤波后的数据，对于每个时刻的数据，分别计算后续2X个时间点的前X个以及后X个时间点的方差，并根据方差变化情况检测突变峰值，得到待确认峰值时刻列表A；若L=(Vi+x-Vi)/Vi大于预设的阈值，则将i时刻加入待确认的时刻列表A，其中Vi为i时刻之后X个时间点的方差，Vi+x为i+X时刻之后X个时间点的方差；
遍历时刻列表A中的每个时刻，选取其在原始时序数据中前后预设范围内的绝对值最大的数据对应的时刻，得到实际峰值时刻列表B；
将时刻列表B中第一阈值内的连续峰值归并为同一个波形的峰值，以分割不同车辆产生的峰值，得到车辆对应的子列表，并且将各子列表中第二阈值内的连续峰值进行合并，选取绝对值最大的点作为合并后的峰值点，以合并同一辆车产生的峰值，得到时刻列表C；
对时刻列表C进行修正，去除峰值点数量和数值不满足实际业务的子列表，得到时刻列表E；包括：过滤掉C中只有一个峰值点的子列表，得到列表C1；过滤掉C1中峰值点大于六的子列表，得到列表C2；对于C2中每个子列表，遍历峰值时刻对应的传感器数值，如果传感器数值大于传感器在没有受到外力作用下的基准值，则移除该峰值时刻，得到列表C3；过滤掉C3中只有一个峰值点的子列表，得到列表E；
对于E中的每个子列表，选取第一个元素作为车辆通过的起始点，根据原始时序数据的时间偏移量和采样率计算出实际通过时间。
2.根据权利要求1所述的基于压力传感器时序数据的车辆检测方法，其特征在于，所述基准值根据如下方法确定：对于C2中每个子列表，选取第一个峰值点往前预设时间内的数据，计算平均值，将平均值作为传感器在没有受到外力作用下的基准值；所述第一个峰值点往前预设时间内无车辆通过。
3.根据权利要求1所述的基于压力传感器时序数据的车辆检测方法，其特征在于，根据列表E中的每个子列表中的峰值个数，判断车辆类型。
4.一种基于压力传感器时序数据的车辆检测***，其特征在于，包括：
突变峰值检测模块，用于对原始时序数据进行平滑滤波；逐步遍历滤波后的数据，对于每个时刻的数据，分别计算后续2X个时间点的前X个以及后X个时间点的方差，并根据方差变化情况检测突变峰值，得到待确认峰值时刻列表A；若L=(Vi+x-Vi)/Vi大于预设的阈值，则将i时刻加入待确认的时刻列表A，其中Vi为i时刻之后X个时间点的方差，Vi+x为i+X时刻之后X个时间点的方差；
实际峰值检测模块，用于遍历时刻列表A中的每个时刻，选取其在原始时序数据中前后预设范围内的绝对值最大的数据对应的时刻，得到实际峰值时刻列表B；
波形分割模块，用于将时刻列表B中第一阈值内的连续峰值归并为同一个波形的峰值，以分割不同车辆产生的峰值，得到车辆对应的子列表，并且将各子列表中第二阈值内的连续峰值进行合并，选取绝对值最大的点作为合并后的峰值点，以合并同一辆车产生的峰值，得到时刻列表C；
修正模块，用于对时刻列表C进行修正，去除峰值点数量和数值不满足实际业务的子列表，得到时刻列表E；包括：过滤掉C中只有一个峰值点的子列表，得到列表C1；过滤掉C1中峰值点大于六的子列表，得到列表C2；对于C2中每个子列表，遍历峰值时刻对应的传感器数值，如果传感器数值大于传感器在没有受到外力作用下的基准值，则移除该峰值时刻，得到列表C3；过滤掉C3中只有一个峰值点的子列表，得到列表E；
以及车辆检测模块，用于对于E中的每个子列表，选取第一个元素作为车辆通过的起始点，根据原始时序数据的时间偏移量和采样率计算出实际通过时间。
5.一种计算机***，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-3任一项所述的基于压力传感器时序数据的车辆检测方法的步骤。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1-3任一项所述的基于压力传感器时序数据的车辆检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410424607.6A CN118015843B (zh) | 2024-04-10 | 2024-04-10 | 一种基于压力传感器时序数据的车辆检测方法与*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410424607.6A CN118015843B (zh) | 2024-04-10 | 2024-04-10 | 一种基于压力传感器时序数据的车辆检测方法与*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118015843A CN118015843A (zh) | 2024-05-10 |
| CN118015843B true CN118015843B (zh) | 2024-06-28 |
Family
ID=90950406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410424607.6A Active CN118015843B (zh) | 2024-04-10 | 2024-04-10 | 一种基于压力传感器时序数据的车辆检测方法与*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118015843B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101377524A (zh) * | 2007-08-30 | 2009-03-04 | 北京佳讯飞鸿电气股份有限公司 | 基于钢轨形变/应力参数的车辆测速方法 |
| CN101794515A (zh) * | 2010-03-29 | 2010-08-04 | 河海大学 | 基于协方差和二叉树支持向量机的目标检测***及方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103366562B (zh) * | 2012-09-12 | 2016-04-06 | 北京纳米能源与***研究所 | 交通监测传感器和检测方法 |
| JP2017122986A (ja) * | 2016-01-05 | 2017-07-13 | 日本電信電話株式会社 | 所在同一性判定システムおよびその制御方法 |
| CN111149141A (zh) * | 2017-09-04 | 2020-05-12 | Nng软件开发和商业有限责任公司 | 用于收集并使用来自交通工具的传感器数据的方法和装置 |
| CN117238170A (zh) * | 2023-09-05 | 2023-12-15 | 中国联合网络通信集团有限公司 | 车辆监测方法、装置及存储介质 |
-
2024
- 2024-04-10 CN CN202410424607.6A patent/CN118015843B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101377524A (zh) * | 2007-08-30 | 2009-03-04 | 北京佳讯飞鸿电气股份有限公司 | 基于钢轨形变/应力参数的车辆测速方法 |
| CN101794515A (zh) * | 2010-03-29 | 2010-08-04 | 河海大学 | 基于协方差和二叉树支持向量机的目标检测***及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118015843A (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111985494B (zh) | 一种基于轻量化车载终端的道路病害检测及分类方法 | |
| CN110991272B (zh) | 一种基于视频跟踪的多目标车辆轨迹识别方法 | |
| CN109050535B (zh) | 一种基于车辆姿态的快速地形工况辨识方法 | |
| CN114879695B (zh) | 轨迹匹配方法、装置、设备和介质 | |
| US20120166080A1 (en) | Method, system and computer-readable medium for reconstructing moving path of vehicle | |
| CN112433203A (zh) | 一种基于毫米波雷达数据的车道线形检测方法 | |
| CN110569855A (zh) | 基于相关滤波与特征点匹配融合的长时间目标跟踪算法 | |
| CN102214290B (zh) | 车牌定位方法及车牌定位模板训练方法 | |
| US6711508B2 (en) | Method and apparatus for estimating tire air pressure | |
| CN112710273A (zh) | 一种基于智能手机传感器和机器学习的众包路面坑洼检测方法 | |
| CN111599182B (zh) | 一种基于自然驾驶数据的换道行为自动提取方法 | |
| CN117173913B (zh) | 基于不同时段车流量分析的交通控制方法及*** | |
| CN113221759A (zh) | 基于异常检测模型的道路遗撒识别方法以及装置 | |
| CN118015843B (zh) | 一种基于压力传感器时序数据的车辆检测方法与*** | |
| CN111367901A (zh) | 一种船舶数据去噪方法 | |
| CN117809458A (zh) | 一种交通事故风险实时评估方法及*** | |
| CN116805409A (zh) | 一种利用行车视频进行路面状态识别与平整性评估的方法 | |
| CN116110230A (zh) | 基于车载摄像头的车辆越车道线识别方法及*** | |
| CN115909241A (zh) | 一种车道线检测方法、***、电子设备和存储介质 | |
| CN114169247A (zh) | 仿真交通流的生成方法、装置、设备和计算机可读存储介质 | |
| CN107038711A (zh) | 适应演化式车灯号志侦测追踪与辨识***及方法 | |
| CN116091437B (zh) | 一种基于3d点云的轮轴个数检测方法 | |
| CN113044046B (zh) | 驾驶员风格识别方法、***、电子设备及可读存储介质 | |
| CN114333318B (zh) | 一种基于传感器空间角摩托车碰撞检测方法 | |
| CN113837146B (zh) | 一种iff脉冲信号通用识别方法和装置 |
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 |