CN112489423A - 一种基于视觉的城市道路交通交警指挥方法 - Google Patents
一种基于视觉的城市道路交通交警指挥方法 Download PDFInfo
- Publication number
- CN112489423A CN112489423A CN202011316758.8A CN202011316758A CN112489423A CN 112489423 A CN112489423 A CN 112489423A CN 202011316758 A CN202011316758 A CN 202011316758A CN 112489423 A CN112489423 A CN 112489423A
- Authority
- CN
- China
- Prior art keywords
- traffic police
- traffic
- road
- gesture
- command
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
-
- 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
- G08G1/065—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
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视觉的城市道路交通交警指挥方法，通过在每个路口设置摄像头识别交警的手势以及各个路口当前的车流量，其次，利用网络把路口摄像头识别的信息反馈给各路口交警，通过路口摄像头采集到的路口的车流量情况发送给交警，并作出交警指挥的手势提醒决策，同时再通过摄像头采集交警手势并识别，预测出车流量的变化。本发明利用现有资源，通过车流量的检测和交警手势的识别，解决了交警在回路的人机混合控制，有效提高了在路面拥堵过程中的交警指挥效率。
Description
技术领域
本发明属于机器视觉领域及交警动作、车辆等综合识别技术领域，具体涉及一种基于视觉的城市道路交通交警指挥方法。
背景技术
城市交通贯穿于城市公共空间的各个区域，是居民日常出行最主要、最便捷的方式，经过长期发展，城市交通已经形成较为完善的格局，提高了居民的出行效率，给居民生活带来很大便利。但随着经济的发展和城市化进程的加快，城市人口及人均汽车保有量快速增长，交通拥堵问题日趋严重，交通不畅、运输效率低下、环境污染等问题日益严峻，严重影响和谐可持续发展。为缓解交通拥堵问题，可以采取拓宽道路、修建高架桥等扩张道路基础设施的方法，但由于公共空间有限、造价昂贵、污染环境等原因，该方法的作用有限。
现实生活中，由于信号灯一般采用分时段的调节，不易根据车流量实时的自动调节，所以较为拥堵的路口常常需要交警指挥路口辅助信号灯的方式对车辆通行进行人为干预的通行，但如何更加智能化的提高交警指挥效率一直是当前的重点和难点。
发明内容
针对上述存在的问题，本发明旨在提供一种基于视觉的城市道路交通交警指挥方法，通过车流量的检测和交警手势的识别，有效的实时解决交警在回路的人机混合控制，有效的提高在路面拥堵过程中的交警指挥效率。
为实现本发明目的，本发明的技术解决方案为：
一种基于视觉的城市道路交通交警指挥方法，其特征在于，包括以下步骤：
步骤1：通过路口架设的摄像机实时采集当前路口的图像，并上传至服务器；
步骤2：在服务器上对采集到的图像进行交警手势识别，得到当前路口交警的手势识别结果；
步骤3：在服务器上对上述采集到的图像进行车辆检测，得到当前路口的车辆状态数据并统计结果；
步骤4：根据得到的交警手势识别结果和车辆状态数据预测下一时段的车辆状态数据，并根据预测出的车辆状态数据决策出交警下一时刻的指挥手势结果；
步骤5：服务器通过网络向交警的接收设备上推送指挥手势结果，交警按照提醒的指挥手势结果做出指挥。
进一步地，步骤2的具体操作步骤包括：
S21：将采集到的图像进行去噪、图像增强预处理操作；
S22：基于SSD网络的深度学习网络进行目标检测，从预处理后的图像中提取交警区域，提取出图像中的交警信息；
S23：采用基于MobileNet网络的交警单帧骨架提取，对提取的骨架标记相应的位置，该位置用于后续的交警序列识别；
S24：将标记位置提取出的骨架信息，按时间序列形成关节点序列；
S25：采用基于长短期记忆网络的交警手势信号识别模型，对得到的关节点序列进行建模分析，最终得到手势识别结果。
进一步地，步骤3中的具体操作步骤为：
S31：将采集到的图像进行去噪、图像增强预处理操作；
S32：将预处理后的图像，按照道路线将道路进行分块，分为：面对摄像头的为进来方向道路，背离摄像头的为出去方向道路；
S33：基于SSD网络的深度学习网络，分别对进来方向道路和出去方向道路进行车辆检测，提取出在一个周期内各区域中的车辆数目；
S34：通过车辆状态的变化估计车辆通行的平均排队长度LM，平均速度VM和平均等待时间WM。
进一步地，步骤4的具体操作步骤为：
S41：采用车辆道路通行效率公式，计算得出车辆道路通行的最优解，且所述车辆道路通行效率公式为：
KM＝αLM+β/VM+δWM (1)，
其中，LM为平均排队长度，VM为平均速度，WM为平均等待时间，α、β、δ分别为平均排队长度、平均速度、平均等待时间的系数，并且α+β+δ＝1,α≥0,β≥0,δ≥0；
S42：假如当前的手势G0，其对应的通行效率为KM0，下一时刻可能的手势为Gi，其对应的通行效率为KMi；
S43：列举所有下一时刻的手势，对应的所有的通行效率，当KMi最小时，下一时刻的手势为GiN，即为最佳的手势，把该结果发送给交警。
进一步地，布设在多个路口的多个摄像机能够通过服务器进行统一管理，对各个路口采集到的车辆和交警手势图像统一进行处理，用于提高城市道路车辆的通行率。
本方法与现有技术相比，具有以下有益效果：
第一，本发明提出的指挥方法，解决了传统交通指挥中交警根据肉眼所看到的场景下或者信号灯去指挥疏导交通，受人为因素影响大的问题，利用摄像机识别路口的交通状况，通过对车流量的检测和交警手势的识别，根据交警指挥识别结果预测下一时刻的交通状况，有效地提高在路面拥堵时交警指挥效率。
第二，本发明提出的指挥方法，采用模块化和网络化管理的方式，可以对单一的路口进行交通指挥控制和多路口进行交通指挥控制，有利于提高未来城市交通指挥管理的效率。
附图说明
图1是本发明的框架图；
图2是本发明的方法的流程示意图；
图3是SSD交警区域识别网络结构示意图；
图4是MobileNet网络的交警单帧骨架提取示意图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
参考附图1-2可以得知，一种基于视觉的城市道路交通交警指挥方法，包括以下步骤：
步骤1：通过路口架设的摄像头实时采集当前路口的图像，并上传至服务器；
步骤2：在服务上对采集到的图像进行交警手势识别，得到当前路口交警的手势识别结果；
步骤3：在服务器上对采集到的图像进行车辆检测，得到车辆状态数据并统计结果；
步骤4：根据得到的交警手势识别结果和车辆状态数据预测下一时段的车辆状态数据，并根据预测出的车辆状态数据决策出交警下一时刻的指挥手势结果；
步骤5：服务器通过网络向交警的接收设备上推送指挥手势结果，交警按照提醒的指挥手势结果做出指挥。
参考附图3-4可以看出，附图3为SSD交警区域识别网络结构，SSD算法则是一种典型的基于回归方法的目标检测算法，相较于基于区域提取的R-CNN系列算法，SSD算法通过完整的单次训练就能实现特征共享，准确率和速度都得到极大提升。SSD结合了YOLO中的回归思想和Faster R-CNN中的anchor机制，使用全图各个位置的多尺度区域特征进行回归，既保持了YOLO速度快的特性，也保证了窗口预测的跟Faster R-CNN一样比较精准；
附图4为MobileNet网络的交警单帧骨架提取图，其采用MobileNet轻量化的网络结构，提高交警骨架提取的速度，交警的骨架提取后采用基于长短期记忆网络(LongShort-Term Memory,LSTM)的交警手势信号识别模型，对特征图序列数据进行建模分析，获得识别结果；
进一步地，步骤2的具体操作步骤包括：
S21：将采集到的图像进行去噪、图像增强预处理操作，用以减少环境的干扰；
S22：基于SSD网络的深度学习网络进行目标检测，从预处理后的图像中提取交警区域，提取出图像中的交警信息，用于区分交警、还是行人；
S23：采用基于MobileNet网络的交警单帧骨架提取，对提取的骨架标记相应的位置，该位置用于后续的交警序列识别；
S24：将标记位置的提取出的骨架信息，按时间序列形成关节点序列；
S25：采用基于长短期记忆网络的交警手势信号识别模型，对得到的关节点序列进行建模分析，最终得到手势识别结果。
进一步地，步骤3中的具体操作步骤为：
S31：将采集到的图像进行去噪、图像增强预处理操作，用以减少环境的干扰；
S32：将预处理后的图像，按照道路线将道路进行分块，分为：面对摄像头的为进来方向道路，背离摄像头的为出去方向道路；
S33：基于SSD网络的深度学习网络，分别对进来方向道路和出去方向道路进行车辆检测，提取出在一个周期内各区域中的车辆数目；
S34：通过所述车辆状态数据来估计车辆通行的平均排队长度LM，平均速度VM和平均等待时间WM。
进一步地，步骤4的具体操作步骤为：
S41：采用车辆道路通行效率公式，计算得出车辆道路通行的最优解，且所述车辆道路通行效率公式为：
KM＝αLM+β/VM+δWM (1)，
其中，LM为平均排队长度，VM为平均速度，WM为平均等待时间，α、β、δ分别为平均排队长度、平均速度、平均等待时间的系数，并且α+β+δ＝1,α≥0,β≥0,δ≥0；
S42：假如当前的手势G0，其对应的通行效率为KM0，下一时刻可能的手势为Gi，其对应的通行效率为KMi；
S43：列举所有下一时刻的手势，对应的所有的通行效率，当KMi最小时，下一时刻的手势为GiN，即为最佳的手势，把该结果发送给交警。
优选地，布设在多个路口的多个摄像机能够通过服务器进行统一管理，对各个路口采集到的车辆和交警手势图像统一进行处理，用于提高城市道路车辆的通行率。
1、实验过程
开启摄像机后，首先，路口的摄像机采集图像，把采集的图像发送给云服务器，对该图像进行交警检测；
其次，如果不存在交警则一直检测，如果存在交警则对该图像中的交警进行手势识别，并对车辆进行检测，得到车辆状态数据，再通过得到的车辆状态数据预估车辆通行的平均排队长度LM，平均速度VM和平均等待时间WM；
再次，根据车辆道路通行效率公式计算车辆通行效率最优解，并把手势识别的结果和车辆通行效率融合预测下一步手势；
最后，将预测出的手势结果发送到交警的接收设备，用来提醒交警的下一步手势。
2、结果分析
通过对车流量的检测和交警手势的识别，根据交警指挥识别结果预测下一时刻的交通状况，明显提高了路面拥堵时交警指挥效率。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管参照前述实施例对本发明专利进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，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 (5)
1.一种基于视觉的城市道路交通交警指挥方法，其特征在于，包括以下步骤：
步骤1：通过路口架设的摄像机实时采集当前路口的图像，并上传至服务器；
步骤2：在服务器上对采集到的图像进行交警手势识别，得到当前路口交警的手势识别结果；
步骤3：在服务器上对上述采集到的图像进行车辆检测，得到当前路口的车辆状态数据并统计结果；
步骤4：根据得到的交警手势识别结果和车辆状态数据预测下一时段的车辆状态数据，并根据预测出的车辆状态数据决策出交警下一时刻的指挥手势结果；
步骤5：服务器通过网络向交警的接收设备上推送指挥手势结果，交警按照提醒的指挥手势结果做出指挥。
2.根据权利要求1所述的一种基于视觉的城市道路交通交警指挥方法，其特征在于，步骤2的具体操作步骤包括：
S21：将采集到的图像进行去噪、图像增强预处理操作；
S22：基于SSD网络的深度学习网络进行目标检测，从预处理后的图像中提取交警区域，提取出图像中的交警信息；
S23：采用基于MobileNet网络的交警单帧骨架提取，对提取的骨架标记相应的位置，该位置用于后续的交警序列识别；
S24：将标记位置提取出的骨架信息，按时间序列形成关节点序列；
S25：采用基于长短期记忆网络的交警手势信号识别模型，对得到的关节点序列进行建模分析，最终得到手势识别结果。
3.根据权利要求1所述的一种基于视觉的城市道路交通交警指挥方法，其特征在于，步骤3中的具体操作步骤为：
S31：将采集到的图像进行去噪、图像增强预处理操作；
S32：将预处理后的图像，按照道路线将道路进行分块，分为：面对摄像头的为进来方向道路，背离摄像头的为出去方向道路；
S33：基于SSD网络的深度学习网络，分别对进来方向道路和出去方向道路进行车辆检测，提取出在一个周期内各区域中的车辆数目；
S34：通过所述车辆状态数据来估计车辆通行的平均排队长度LM，平均速度VM和平均等待时间WM。
4.根据权利要求1所述的一种基于视觉的城市道路交通交警指挥方法，其特征在于，步骤4的具体操作步骤为：
S41：采用车辆道路通行效率公式，计算得出车辆道路通行的最优解，且所述车辆道路通行效率公式为：
KM＝αLM+β/VM+δWM (1)，
其中，LM为平均排队长度，VM为平均速度，WM为平均等待时间，α、β、δ分别为平均排队长度、平均速度、平均等待时间的系数，并且α+β+δ＝1,α≥0,β≥0,δ≥0；
S42：假如当前的手势G0，其对应的通行效率为KM0，下一时刻可能的手势为Gi，其对应的通行效率为KMi；
S43：列举所有下一时刻的手势，对应的所有的通行效率，当KMi最小时，下一时刻的手势为GiN，即为最佳的手势，把该结果发送给交警。
5.根据权利要求1所述的一种基于视觉的城市道路交通交警指挥方法，其特征在于，布设在多个路口的多个摄像机能够通过服务器进行统一管理，对各个路口采集到的车辆和交警手势图像统一进行处理，用于提高城市道路车辆的通行率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011316758.8A CN112489423B (zh) | 2020-11-20 | 2020-11-20 | 一种基于视觉的城市道路交通交警指挥方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011316758.8A CN112489423B (zh) | 2020-11-20 | 2020-11-20 | 一种基于视觉的城市道路交通交警指挥方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112489423A true CN112489423A (zh) | 2021-03-12 |
| CN112489423B CN112489423B (zh) | 2022-06-03 |
Family
ID=74932912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011316758.8A Expired - Fee Related CN112489423B (zh) | 2020-11-20 | 2020-11-20 | 一种基于视觉的城市道路交通交警指挥方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112489423B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113257008A (zh) * | 2021-05-12 | 2021-08-13 | 兰州交通大学 | 基于深度学习的行人流量动态控制系统及方法 |
| CN116884084A (zh) * | 2023-07-04 | 2023-10-13 | 山东新源高科汽车技术有限公司 | 一种用于自动驾驶的交通指挥手势识别方法 |
| CN118351703A (zh) * | 2024-05-15 | 2024-07-16 | 云上甘肃科技有限责任公司 | 一种基于大数据的智能交通信号灯控制方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101901546A (zh) * | 2010-04-29 | 2010-12-01 | 上海迪爱斯通信设备有限公司 | 基于动态信息的智能交通调度指挥及信息服务方法及系统 |
| CN102163372A (zh) * | 2011-04-12 | 2011-08-24 | 陆化普 | 基于互联网的辅助交警指挥交叉路口交通的协调控制系统 |
| CN105321358A (zh) * | 2014-07-31 | 2016-02-10 | 段绍节 | 城市道路交叉路口与道路交通的智能网实时指挥系统 |
| CN105809958A (zh) * | 2016-03-29 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及系统 |
| CN106297338A (zh) * | 2016-09-14 | 2017-01-04 | 深圳市喜悦智慧数据有限公司 | 一种交通机器人控制系统和方法 |
| CN106408934A (zh) * | 2015-07-30 | 2017-02-15 | 广州炊事班电子科技有限公司 | 一种交警机器人系统 |
| CN107784835A (zh) * | 2016-08-30 | 2018-03-09 | 蓝色信号株式会社 | 基于交通数据分析的交通状态模式预测系统及其预测方法 |
| US20180143644A1 (en) * | 2016-11-22 | 2018-05-24 | Baidu Usa Llc | Method and system to predict vehicle traffic behavior for autonomous vehicles to make driving decisions |
| CN108615376A (zh) * | 2018-05-28 | 2018-10-02 | 安徽科力信息产业有限责任公司 | 一种基于视频检测的交叉口信号控制方案评价方法 |
| CN110211395A (zh) * | 2019-05-14 | 2019-09-06 | 广西科飞科技发展有限公司 | 一种融合通讯指挥调度系统 |
| CN110837778A (zh) * | 2019-10-12 | 2020-02-25 | 南京信息工程大学 | 一种基于骨架关节点序列的交警指挥手势识别方法 |
| CN110853345A (zh) * | 2019-09-25 | 2020-02-28 | 陈广柱 | 一种交警指挥用路口密集信息采集系统 |
| DE102019133642A1 (de) * | 2018-12-12 | 2020-06-18 | Magna Closures Inc. | Digitales bildgebungssystem einschliesslich optischer plenoptik-vorrichtung und bilddaten-verarbeitungsverfahren zur erfassung von fahrzeughindernissen und gesten |
-
2020
- 2020-11-20 CN CN202011316758.8A patent/CN112489423B/zh not_active Expired - Fee Related
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101901546A (zh) * | 2010-04-29 | 2010-12-01 | 上海迪爱斯通信设备有限公司 | 基于动态信息的智能交通调度指挥及信息服务方法及系统 |
| CN102163372A (zh) * | 2011-04-12 | 2011-08-24 | 陆化普 | 基于互联网的辅助交警指挥交叉路口交通的协调控制系统 |
| CN105321358A (zh) * | 2014-07-31 | 2016-02-10 | 段绍节 | 城市道路交叉路口与道路交通的智能网实时指挥系统 |
| CN106408934A (zh) * | 2015-07-30 | 2017-02-15 | 广州炊事班电子科技有限公司 | 一种交警机器人系统 |
| WO2017166474A1 (zh) * | 2016-03-29 | 2017-10-05 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及系统 |
| CN105809958A (zh) * | 2016-03-29 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及系统 |
| CN107784835A (zh) * | 2016-08-30 | 2018-03-09 | 蓝色信号株式会社 | 基于交通数据分析的交通状态模式预测系统及其预测方法 |
| CN106297338A (zh) * | 2016-09-14 | 2017-01-04 | 深圳市喜悦智慧数据有限公司 | 一种交通机器人控制系统和方法 |
| US20180143644A1 (en) * | 2016-11-22 | 2018-05-24 | Baidu Usa Llc | Method and system to predict vehicle traffic behavior for autonomous vehicles to make driving decisions |
| CN108615376A (zh) * | 2018-05-28 | 2018-10-02 | 安徽科力信息产业有限责任公司 | 一种基于视频检测的交叉口信号控制方案评价方法 |
| DE102019133642A1 (de) * | 2018-12-12 | 2020-06-18 | Magna Closures Inc. | Digitales bildgebungssystem einschliesslich optischer plenoptik-vorrichtung und bilddaten-verarbeitungsverfahren zur erfassung von fahrzeughindernissen und gesten |
| CN110211395A (zh) * | 2019-05-14 | 2019-09-06 | 广西科飞科技发展有限公司 | 一种融合通讯指挥调度系统 |
| CN110853345A (zh) * | 2019-09-25 | 2020-02-28 | 陈广柱 | 一种交警指挥用路口密集信息采集系统 |
| CN110837778A (zh) * | 2019-10-12 | 2020-02-25 | 南京信息工程大学 | 一种基于骨架关节点序列的交警指挥手势识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| BIN FANG 等: "Dynamic Gesture Recognition Using Inertial Sensors-based Data Gloves", 《IEEE 4TH INTERNATIONAL CONFERENCE ON ADVANCED ROBOTICS AND MECHATRONICS (ICARM)》 * |
| 何坚 等: "基于长短时记忆和深度神经网络的视觉手势识别技术", 《图学学报》 * |
| 方斌 等: "基于体感交互设备的交通手势指挥实训教学系统研究", 《中国现代教育装备》 * |
| 洪鹰等: "基于手持导航器的协作机器人引导控制技术研究", 《天津大学学报(自然科学与工程技术版)》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113257008A (zh) * | 2021-05-12 | 2021-08-13 | 兰州交通大学 | 基于深度学习的行人流量动态控制系统及方法 |
| CN116884084A (zh) * | 2023-07-04 | 2023-10-13 | 山东新源高科汽车技术有限公司 | 一种用于自动驾驶的交通指挥手势识别方法 |
| CN118351703A (zh) * | 2024-05-15 | 2024-07-16 | 云上甘肃科技有限责任公司 | 一种基于大数据的智能交通信号灯控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112489423B (zh) | 2022-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109147331B (zh) | 一种基于计算机视觉的道路拥堵状态检测方法 | |
| CN109272756B (zh) | 一种信控交叉口排队长度估计方法 | |
| CN111325968B (zh) | 一种基于拥堵扩散的交通瓶颈预测方法、系统及电子设备 | |
| CN112489423A (zh) | 一种基于视觉的城市道路交通交警指挥方法 | |
| CN107705560A (zh) | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 | |
| CN110688922A (zh) | 基于深度学习的交通拥堵检测系统及检测方法 | |
| CN106251642B (zh) | 一种基于实时公交车gps数据的公交路链速度计算方法 | |
| CN114781479A (zh) | 交通事件检测方法及装置 | |
| WO2021237768A1 (zh) | 一种基于数据驱动的实现预测模型自动化迭代的系统 | |
| CN113011338B (zh) | 一种车道线检测方法及系统 | |
| KR20220153808A (ko) | 딥-러닝 기반 객체 감응을 활용한 차량 흐름 제어 시스템 | |
| CN115762230A (zh) | 基于剩余车位量预测的停车场智能引导方法及装置 | |
| CN113674525B (zh) | 基于稀疏数据的信号交叉口车辆排队长度预测方法 | |
| CN112818935B (zh) | 基于深度学习的多车道拥堵检测及持续时间预测方法及系统 | |
| CN109410608B (zh) | 基于卷积神经网络的图片自学习交通信号控制方法 | |
| CN105243354A (zh) | 一种基于目标特征点的车辆检测方法 | |
| CN118262302B (zh) | 一种基于双目识别的5g智能道闸管理方法及系统 | |
| CN113706860B (zh) | 一种基于树莓派智能配时交通信号灯控制方法 | |
| CN117475633B (zh) | 一种面向事件的交通流量预测方法及装置 | |
| WO2021031173A1 (zh) | 一种基于双目摄像机的交通状态识别方法 | |
| CN114219970A (zh) | 一种用于交通管理的图像处理方法及系统 | |
| CN115019269A (zh) | 一种环境识别模型训练方法、驾驶控制方法及相关装置 | |
| CN114743382A (zh) | 基于智慧灯杆系统的车辆违章行为识别方法和装置 | |
| CN115565388A (zh) | 基于多通道车辆检测与立体特征标注的交通灯控制方法 | |
| CN110942642B (zh) | 一种基于视频的交通缓驶检测方法及系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220603 |