基于雷视多源数据深度融合的车辆全息感知及风险行为识别系统

    公开(公告)号:CN116403179A

    公开(公告)日:2023-07-07

    申请号:CN202310354520.1

    申请日:2023-04-04

    摘要: 本发明公布了基于雷视多源数据深度融合的车辆全息感知及风险行为识别系统,包括:集成了路侧激光雷达、视频感知器及高清抓拍相机融合的雷视融合车辆信息感知层;基于边缘计算服务器的车辆全息识别与风险行为辨识边缘计算层;基于智慧门架协同与融合运算的云端中心处理服务器层;集成了车辆全息感知、高精度车辆轨迹追踪、车辆风险识别以及统计分析的应用软件层。发明的有益效果在于:能够将激光雷达信息与视频图像信息融合,实现复杂公路场景下车辆风险行为识别,并根据风险行为识别结果获取对应车辆全息感知数据,对全路段风险行为区域统计分析及风险车辆追踪,为道路安全监测系统提供高精度、高可靠性的车辆信息感知及风险行为识别的功能。

    一种道路交通车辆监控装置

    公开(公告)号:CN218830270U

    公开(公告)日:2023-04-07

    申请号:CN202222805509.6

    申请日:2022-10-24

    摘要: 本实用新型提供了一种道路交通车辆监控装置,属于道路车辆监控设备技术领域,包括摄像机构,所述摄像机构适于安装在道路上的支撑架上,道路交通车辆监控装置还包括弧形板、透光片以及旋转驱动结构;弧形板上具有半弧形的避让通槽,所述避让通槽由弧形板的中部连通至弧形板的一侧;透光片一侧与所述摄像端接触;所述透光片的外周壁具有延伸部,所述延伸部延伸出所述避让通槽;旋转驱动结构设在所述弧形板的外侧;所述旋转驱动结构用于驱动所述延伸部和所述透光片旋转;所述旋转驱动端的轴线平行于所述摄像端的轴线;在清理透光片过程中,透光片会相对于摄像端转动,且在透光片转动过程并不会遮挡摄像端,因此能够满足摄像机构全天候的监控需求。

    基于DeepSORT的高速公路场景中多目标车辆跟踪方法

    公开(公告)号:CN117078718A

    公开(公告)日:2023-11-17

    申请号:CN202311020638.7

    申请日:2023-08-14

    申请人: 东南大学

    摘要: 本发明公开了基于DeepSORT的高速公路场景中多目标车辆跟踪方法,包括:首先,构建用于评估高速公路场景中多目标车辆跟踪模型的性能的数据集;其次,构建用于高速公路场景中车辆检测的Faster‑RCNN‑VDHS模型、YOLOV5s‑VDHS模型;再次,运动预测与状态估计,通过统计目标对象在之前帧的运动行为和参数来建模估计目标将在未来帧可能到达的位置;然后,构建用于车辆重识别的DNFM‑RDS模型、ResNet50‑VRHS模型、DenseNet121‑VRHS模型和ShuffleNetV2‑VRHS模型,用于提取目标检测框的运动特征和表观特征,并根据特征之间的相似度构建代价矩阵;最后,进行目标车辆关联匹配。本发明的有益效果在于:能够有效的对高速公路场景下的多目标车辆进行跟踪,提高高速公路系统监控的效率,从而促进智慧高速系统的发展。

    基于卷积融合网络的公路隧道场景中车辆跟踪方法

    公开(公告)号:CN118587247A

    公开(公告)日:2024-09-03

    申请号:CN202410727410.X

    申请日:2024-06-06

    申请人: 东南大学

    摘要: 本发明公开了基于卷积融合网络的公路隧道场景车辆跟踪方法,包括:构建东南大学隧道场景下的车辆跟踪数据集,包含车辆拥堵、隧道光线强弱、监控相机(抖动)、隧道线形(直线弯道)等环境;针对数据集特征,构建用于公路隧道场景车辆跟踪的CFN‑TAC‑MTHTS网络模型;进行模型训练并优化参数,对比其它跟踪模型进行公路隧道场景车辆跟踪。本发明的有益效果在于:能够有效对公路隧道场景遮挡车辆进行跟踪,解决跟踪过程中存在的车辆漏检问题,提高车辆跟踪精度,为后续实现公路隧道场景中多目标车辆跟踪提供基础。

    基于深度学习融合网络的高速公路场景中车辆重识别方法

    公开(公告)号:CN117475345A

    公开(公告)日:2024-01-30

    申请号:CN202311025357.0

    申请日:2023-08-14

    申请人: 东南大学

    摘要: 本发明公开了基于深度学习融合网络的高速公路场景中车辆重识别方法,包括:获取图像信息,构建高速公路场景下车辆重识别数据集;针对数据集特征,构建用于车辆重识别的ResNet50‑VRHS、ShuffleNetV2‑VRHS、DenseNet121‑VRHS和DNFM‑RDS融合网络模型;进行模型训练并优化参数,优选DNFM‑RDS融合网络模型进行高速公路场景下的车辆重识别。本发明的有益效果在于:能够有效对高速公路场景下的车辆进行重识别,在损失一定检测速度的情况下提高车辆检测精度,为后续实现高速公路场景监控视频中多目标车辆定位跟踪提供基础。

    基于投票体素融合网络的高速公路场景中三维点云车辆检测方法

    公开(公告)号:CN118587543A

    公开(公告)日:2024-09-03

    申请号:CN202410727408.2

    申请日:2024-06-06

    申请人: 东南大学

    摘要: 本发明公开了一种基于投票体素融合网络的高速公路场景中三维点云车辆检测方法,包括如下步骤:S1、构建高速公路场景中的三维点云车辆检测数据集KITTI‑Car‑Weather,包括常规、雾天、雨天和雪天;S2、针对数据集特征和检测任务要求,构建用于公路场景中三维点云车辆检测的FN‑DHV‑VDHS网络模型;S3、模型训练及参数优化,构建多天气条件的实验结果评价指标,分别对基于体素网络融合深度霍夫投票的公路场景中三维点云车辆检测方法的检测平均精准度、检测速度和鲁棒性进行评估。本发明构建的模型性能和鲁棒性优于其他常用的车辆检测网络,在公路场景中车辆检测平均精准度达到(93.86,84.49,83.40),检测帧率达到20.5Hz。在多天气条件下的相对腐蚀误差只有73.29%。