[1]刘　杰.基于海量图像数据分析的交通协调控制策略框架[J].大众科技,2020,22(11):1-3.
　Traffic Coordination Control Strategy Framework Based on Massive Image Data Analysis[J].Popular Science & Technology,2020,22(11):1-3.
点击复制

基于海量图像数据分析的交通协调控制策略框架()
分享到：

《大众科技》[ISSN:1008-1151/CN:45-1235/N]

卷:
22
期数:
2020年11
页码:
1-3
栏目:
信息技术与通信
出版日期:
2020-11-20

文章信息/Info

Title:
Traffic Coordination Control Strategy Framework Based on Massive Image Data Analysis
作者:
刘　杰
（广西职业师范学院计算机与信息工程学院，广西 南宁 530007）
关键词:
交通控制策略; 多路口协同; 交通事件检测
Keywords:
traffic control strategy multi-intersection coordination traffic incident detection
文献标志码:
A
摘要:
长久以来，交通流识别器在交通管理中扮演重要角色，如何有效利用交通识别视频信息，提升交通区域智能化控制和决策能力，是历来诸多研究者关注的热点问题之一。通过研究并借助现有的图像识别技术，设计了一种可以整合多个路口交通信息的模型框架，该框架具备一定的自学习和自适应能力。实验研究表明，该模型在一定的约束条件下可整合复杂路口信息，并能根据历史信息学习路口状态，预估交通拥堵等关键交通事件，为多路口区域信息智能整合提供了一种较新的研究思路和策略。
Abstract:
For a long time, traffic flow recognizers have played an important role in traffic management. How to use traffic recognition video information effectively to improve the intelligent control and decision-making capacity of traffic area is one of the hot issues that many researchers pay attention to. By studying and relying on the existing image recognition technology, a framework that can integrate traffic information of multiple intersections is designed. The framework has certain self-learning and adaptive capabilities. Experimental results show that the model can integrate complex intersection information under certain constraints, and can learn intersection status according to historical information, and predict traffic congestion and other key traffic events. It provides a new research idea and strategy for intelligent integration of multi intersection regional information.

参考文献/References:

[1] 崔智高，李艾华，姜柯，等. 双目协同多分辨率主动跟踪方法[J]. 红外与激光工程，2013(12): 3509-3516. [2] 蒋东国，冷斌，贺庆，等. 智能仿生眼视频监控系统的设计与实现[J]. 计算机工程与设计，2015(11): 2963- 2967. [3] 王小磊，刘君强，谢吉伟，等. 基于立体视觉的监控视频人体目标跟踪[J]. 航空计算技术，2015(3): 43-46，51. [4] 徐欣，刘强，王少军. 一种高度并行的卷积神经网络加速器设计方法[J]. 哈尔滨工业大学学报，2020，52(4)：31-37. [5] 王春华，韩栋. 自适应控制下图像分割及并行挖掘算法[J]. 沈阳工业大学学报，2020，42(2): 197-202. [6] 谭论正，夏利民，夏胜平. 基于多级sigmoid神经网络的城市交通场景理解[J]. 国防科技大学学报，2012，34(4): 132-137. [7] Xia Y, Xu W, Zhang L, et al. Integrating 3d structure into traffic scene understanding with RGB-D data[J]. Neurocomputing, 2015, 151(Part2): 700-709. [8] 曲仕茹，席玉玲，丁松涛. 基于深度学习的交通场景语义描述[J]. 西北工业大学学报，2018，36(3): 522-527. [9] Caruccio L, Polese G, Tortora G, et al. EDCAR:: A knowledge representation framework to enhance automatic video surveillance[J]. Expert Systems with Applications, 2019, 131: 190-207. [10] Guindel C, Martín D, and Armingol J M. Traffic scene awareness for intelligent vehicles using convnets and stereo vision[J]. Robotics and Autonomous Systems, 2019, 112: 109-122.

备注/Memo

备注/Memo:
【收稿日期】2020-09-11 【基金项目】2018年度广西高校中青年教师基础能力提升项目“基于海量图像大数据的城市交通协同调度关键技术研究”（2018KY1272）。 【作者简介】刘杰（1982－），男，广西职业师范学院计算机与信息工程学院讲师，工程师，硕士，研究方向为机器学习、数字图像处理。
更新日期/Last Update: 2020-12-16