基于视频计算车速的数据处理与事故深度分析

随着我国社会管理体系的不断完善,视频监控系统正成为我国城市管理和社会管理的重要手段。治安管理、道路交通管理视频监控网络正逐步形成,许多发生在视频监控区域的交通事故可以调取到视频资料,这有利于对事故的分析和处理。本文首先提出了使用监控视频来计算车速的方法,通过视频分析计算而来的车速数据,转化为对应的时间速度曲线,然后通过"时间速度曲线"来对整个事故过程进行还原,从而分析肇事车辆的运动状态、肇事车辆制动强度、驾驶员的操作过程、采取措施情况等,为交警部门提供处理事故的依据。     

公交驾驶员突发病 转移乘客后抢救无效死亡

<正>大家等一下,疼得实在受不了了。这是作为公交车驾驶员的唐迪生,对乘客们说的最后一句话。11月7日上午10点,44岁的株洲T2路公交车驾驶员唐迪生因急性心肌梗塞引发心脏猝停去世。在等待120救护车到来的时间里,他将车上的乘客安全疏散至另一辆公交车。急救人员到现场后,他坚持检查了车窗、刹车,最后亲手带上公交车门,才走上救护车。突然发病唐迪生先下车帮乘客拦车     

视频监控技术在高速公路交通监控中的应用

介绍数字化视频监控技术与传统模拟图像监视的区别，该技术的关键技术问题，以及它在高速公路交通监控中的应用，提出高速公路监控中新的监控模式以供探讨。     

基于视频目标检测的桥梁防船撞主动预警技术研究*

为减少船撞桥事故的发生,提高桥区水域的通航安全等级,以目标检测算法为基础通过AForge.NET工具包设计实现对桥区水域的运动船舶实时检测与跟踪。根据运动船舶的航行轨迹预测船舶航向,判断船舶是否具有撞桥危险并做出相应预警措施。并在安徽淮河干流蚌埠段等进行验证试验,试验结果表明检测效果良好,能够对高等级航道桥群河段的桥梁防撞主动预警提供有效可行的实施方案。     

基于DM642的网络视频监控系统

提出了一种基于以太网的远程视频监控系统解决方案．该系统主要由两大模块组成,即基于TI公司DM642芯片的嵌入式网络摄像机和基于微软公司DirectShow技术构建的远程监控中心软件．针对目前应用对视频分析需求的增加,提出了一种动态算法加载技术,该技术允许动态改变网络摄像机中的视频分析算法,主要介绍了系统的整体结构,嵌入式网络摄像机模块的硬件设计,以太网传输,以及监控终端的软件实现。     

ITS域跨平台应用技术

为适应综合交通运输网络多元化业务的发展, 实现交通信息传输的兼容性、标准化与适应性, 研究了异构信息系统的Web、CORBA、QT跨平台处理技术与H.264视频转码机理, 分析了基于ITS条件的跨平台异构操作系统数据及图像传输的基本要求, 提出了基于B/S的可伸缩SVG路况地图Web浏览界面, C/S的ViewBox视窗与H.264转码技术的交通信息监控技术。应用结果表明: 新技术的应用满足ITS的地域广与实时性高的要求, 提高了ITS图像跨平台传输的质量与系统的鲁棒性。     

计算机电磁泄漏信息的窃取机理与复现技术

分析了计算机电磁泄漏信息的窃取机理，并从复现计算机显示器显示画面(在自由空间)及获取时域波形(在EMC微波暗室中)两个方面进行了实践，实现了计算机显示画面的复现及时域波形的获取，还进行了谱分析，为TEMPEST的深入研究打下了基础．     

高速公路视频联网系统

结合辽宁省高速公路图像监控、显示系统，对高速公路监控中心视频联网组成功能及控制方式做阐述。     

自行车流视频识别判断方法研究

考虑算法的实时性,交通流个体识别往往采用轮廓特征来描述。由于自行车与行人的很多轮廓特征值相近,在复杂城市交通环境中,从慢行交通流中准确地识别出自行车是目前采用视频检测交通流的难点之一。通过现场视频检测获取足够的样本外轮廓数据,分析检测目标轮廓的高、宽、高宽比、面积等典型轮廓特征,发现目标轮廓高宽比特征能较好地识别出行人、自行车等慢行交通,并给出合适的取值范围。研究表明自行车高宽比能够较好地成为视频识别的依据,为自行车视频识别提供数据。     

基于3D CNN的道路视频交通状态自动识别

为了从视频直接有效地提取交通信息,提出了基于三维卷积神经网络 （3D convolutional neural networks,3D CNN）的交通状态识别方法.首先,以C3D （convolutional 3D）深度卷积网络为3D CNN原型,对卷积层数量与位置、平面卷积尺寸及三维卷积深度进行优化调整,形成了37个备选模型;其次,建立了视频数据集,对备选模型进行系统的训练测试,提出了交通状态识别模型C3D*;然后,对C3D* 和现有三维卷积网络模型进行视频交通状态识别测试分析;最后,对比测试了C3D* 及常用二维卷积网络的交通状态识别效果. 对比结果显示:针对视频交通状态识别,C3D* 的F均值为91.32%,比C3D、R3D （region convolutional 3D network）、R (2+1) D （resnets adopting 2D spatial convolution and a 1D temporal convolution）分别高12.24%、26.72%、28.02%;与LeNet、AlexNet、GoogleNet、VGG16的图像识别结果相比,C3D* 的F均值分别高32.61%、69.91%、50.11%、69.17%.