DE102014112914A1 - Method for segmenting an image, driver assistance system and motor vehicle - Google Patents
Method for segmenting an image, driver assistance system and motor vehicle Download PDFInfo
- Publication number
- DE102014112914A1 DE102014112914A1 DE102014112914.8A DE102014112914A DE102014112914A1 DE 102014112914 A1 DE102014112914 A1 DE 102014112914A1 DE 102014112914 A DE102014112914 A DE 102014112914A DE 102014112914 A1 DE102014112914 A1 DE 102014112914A1
- Authority
- DE
- Germany
- Prior art keywords
- class
- histogram
- image
- subareas
- intensity
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum Segmentieren eines mit einer Kamera (4) eines Kraftfahrzeugs (1) bereitgestellten Bildes (8) einer Umgebung (7) des Kraftfahrzeugs (1) mit den Schritten: a) Bestimmen einer Mehrzahl von Teilbereichen des Bildes (8), b) Bestimmen einer Variation einer Intensität (11) innerhalb jedes Teilbereichs (9, B) der Mehrzahl von Teilbereichen, c) Zuordnen der Teilbereiche (9, B) der Mehrzahl von Teilbereichen zu einer ersten Homogenitätsgruppe, deren bestimmte Variation der Intensität (11) einen vorbestimmten Schwellenwert (TH) unterschreitet, und der Teilbereiche (9, B) der Mehrzahl von Teilbereichen zu einer zweiten Homogenitätsgruppe, deren bestimmte Variation der Intensität (11) den vorbestimmten Schwellenwert (TH) überschreitet, d) Bestimmen eines jeweiligen Intensitätswerts (12) der Teilbereiche (9, B), der eine Intensität (11) zumindest eines Bildpunkts (10) des Teilbereichs (9, B) beschreibt, der ersten Homogenitätsgruppe und Zuweisen der Teilbereiche (9, B) der ersten Homogenitätsgruppe zu zumindest zwei unterschiedlichen Helligkeitskategorien anhand ihres jeweiligen bestimmten Intensitätswerts (12), und e) Zuordnen der Teilbereiche (9, B) der ersten Homogenitätsgruppe zu zumindest zwei Klassen (RO, SW, SK, NU), welche Bereichen in der Umgebung (7) des Kraftfahrzeugs (1) zugeordnet sind, anhand ihrer Helligkeitskategorie.The invention relates to a method for segmenting an image (8) of an environment (7) of the motor vehicle (1) provided with a camera (4) of a motor vehicle (1) comprising the steps of: a) determining a plurality of subregions of the image (8) b) determining a variation of an intensity (11) within each subarea (9, B) of the plurality of subareas, c) assigning the subareas (9, B) of the plurality of subareas to a first homogeneity group whose particular variation of the intensity (11 ) falls below a predetermined threshold value (TH), and the subregions (9, B) of the plurality of subregions to a second homogeneity group whose specific variation of the intensity (11) exceeds the predetermined threshold value (TH), d) determining a respective intensity value (12 ) of the subregions (9, B) which describes an intensity (11) of at least one pixel (10) of the subarea (9, B), the first homogeneity group and assigning the Subregions (9, B) of the first homogeneity group for at least two different brightness categories on the basis of their respective particular intensity value (12), and e) assignment of the subregions (9, B) of the first homogeneity group to at least two classes (RO, SW, SK, NU) which areas in the environment (7) of the motor vehicle (1) are assigned, based on their brightness category.
Description
Die Erfindung betrifft ein Verfahren zum Segmentieren eines mit einer Kamera eines Kraftfahrzeugs bereitgestellten Bildes einer Umgebung des Kraftfahrzeugs. Die Erfindung betrifft außerdem ein Fahrerassistenzsystem für ein Kraftfahrzeug sowie ein Kraftfahrzeug mit einem solchen Fahrerassistenzsystem. The invention relates to a method for segmenting an image of an environment of the motor vehicle provided with a camera of a motor vehicle. The invention also relates to a driver assistance system for a motor vehicle and to a motor vehicle having such a driver assistance system.
Verfahren zum Segmentieren eines mit einer Kamera bereitgestellten Bildes sind aus dem Stand der Technik bekannt. Unter dem Begriff Segmentierung ist insbesondere das Erzeugen von inhaltlich zusammenhängenden Regionen beziehungsweise Bereichen durch Zusammenfassen benachbarter Bildpunkte entsprechend eines bestimmten Homogenitätskriteriums zu verstehen. So greifen Verfahren zum Segmentieren des Bildes beispielsweise auf Techniken des Regionenwachstumsverfahrens zurück. Hierbei werden die Bildpunkte mit ihren Nachbarbildpunkten verglichen und zu einer Region verschmolzen, falls diese ähnlich sind. Durch den Vergleich mit all seinen Nachbarn wächst die Region weiter. Wenn kein Nachbar mehr hinzugenommen werden kann, ist eine Region gefunden, und man wählt einen neuen Bildpunkt, welcher noch zu keiner Region gehört, und beginnt das Verfahren von vorne. Der ganze Prozess wird so lange wiederholt, bis alle Bildpunkte Regionen zugeordnet wurden. Methods of segmenting an image provided with a camera are known in the art. The term segmentation is understood to mean, in particular, the generation of content-related regions or regions by combining adjacent pixels in accordance with a specific homogeneity criterion. For example, techniques for segmenting the image rely on regional growth techniques. Here, the pixels are compared with their neighboring pixels and merged into a region, if they are similar. By comparison with all its neighbors, the region continues to grow. If no neighbor can be added, a region is found, and one chooses a new pixel that does not belong to any region, and starts the procedure from scratch. The whole process is repeated until all pixels have been assigned to regions.
Es gibt noch eine Vielzahl von anderen bekannten Verfahren zum Segmentieren des Bildes, wobei eine Einteilung in Pixel-, Kanten- und Regionen-basierte Verfahren erfolgen kann. Weiterhin gibt es beispielsweise grenzwertbasierte Methoden, Split-and-Merge-Methoden, graphenbasierte Methoden und trainierbare Methoden. Anschließend können die Segmente von der Segmentierung in Form einer Klassifizierung klassifiziert werden, also einer Semantik beziehungsweise einer Bedeutung zugeordnet werden. There are a variety of other known methods of segmenting the image, which can be classified into pixel, edge, and region-based methods. There are also limit-based methods, split-and-merge methods, graph-based methods and trainable methods. Subsequently, the segments of the segmentation can be classified in the form of a classification, that is, assigned to a semantics or a meaning.
Viele der erwähnten Verfahren zum Segmentieren des Bildes führen zu einer Vielzahl von Regionen, welche in einem aufwendigen Nachbearbeitungsschritt zusammengefasst werden müssen, um zusammengefasste Regionen zu erhalten, welche dann Klassen der realen Welt zugeordnet werden können. Diese Verfahren sind deshalb für einen digitalen Signalprozessor aufwendig zu berechnen. Many of the mentioned methods for segmenting the image lead to a multiplicity of regions which have to be combined in a complex post-processing step in order to obtain summarized regions, which can then be assigned to real-world classes. These methods are therefore expensive to calculate for a digital signal processor.
Es ist daher Aufgabe der Erfindung, ein Verfahren, ein Fahrerassistenzsystem sowie ein Kraftfahrzeug bereitzustellen, mit welchem beziehungsweise bei welchem die Segmentierung des Bildes einer Umgebung eines Kraftfahrzeugs mit besonders wenig Aufwand durchgeführt werden kann. It is therefore an object of the invention to provide a method, a driver assistance system and a motor vehicle, with which or in which the segmentation of the image of an environment of a motor vehicle can be carried out with very little effort.
Diese Aufgabe wird erfindungsgemäß durch ein Verfahren, durch ein Fahrerassistenzsystem sowie durch ein Kraftfahrzeug mit den Merkmalen gemäß den jeweiligen unabhängigen Patentansprüchen gelöst. This object is achieved by a method by a driver assistance system and by a motor vehicle with the features according to the respective independent claims.
Bei einem erfindungsgemäßen Verfahren wird ein mit einer Kamera eines Kraftfahrzeugs bereitgestelltes Bild einer Umgebung des Kraftfahrzeugs mit den folgenden Schritten segmentiert:
- a) Bestimmen einer Mehrzahl von Teilbereichen des Bildes,
- b) Bestimmen einer Variation einer Intensität innerhalb jedes Teilbereichs der Mehrzahl von Teilbereichen,
- c) Zuordnen der Teilbereiche der Mehrzahl von Teilbereichen zu einer ersten Homogenitätsgruppe, deren bestimmte Variation der Intensität einen vorbestimmten Schwellenwert unterschreitet, und der Teilbereiche der Mehrzahl von Teilbereichen zu einer zweiten Homogenitätsgruppe, deren bestimmte Variation der Intensität den vorbestimmten Schwellenwert überschreitet,
- d) Bestimmen eines jeweiligen Intensitätswerts der Teilbereiche, der eine Intensität zumindest eines Bildpunkts des Teilbereichs beschreibt, der ersten Homogenitätsgruppe und Zuweisen der Teilbereiche der ersten Homogenitätsgruppe zu zumindest zwei unterschiedlichen Helligkeitskategorien anhand ihres jeweiligen bestimmten Intensitätswerts, und
- e) Zuordnen der Teilbereiche der ersten Homogenitätsgruppe zu zumindest zwei Klassen, welche Bereichen in der Umgebung des Kraftfahrzeugs zugeordnet sind, anhand ihrer Helligkeitskategorie.
- a) determining a plurality of partial regions of the image,
- b) determining a variation of an intensity within each subregion of the plurality of subregions,
- c) assigning the subareas of the plurality of subareas to a first homogeneity group whose specific variation of the intensity falls below a predetermined threshold value and of the subareas of the plurality of subareas to a second homogeneity group whose specific variation of the intensity exceeds the predetermined threshold value,
- d) determining a respective intensity value of the partial regions which describes an intensity of at least one pixel of the partial region, of the first homogeneity group and assigning the partial regions of the first homogeneity group to at least two different brightness categories based on their respective determined intensity value, and
- e) assigning the subareas of the first homogeneity group to at least two classes, which areas are assigned in the surroundings of the motor vehicle, by means of their brightness category.
Bei dem Verfahren werden mehrere Teilbereiche des Bildes ermittelt. Das Bild kann in eine Mehrzahl von Teilbereichen unterteilt werden. Durch das erfindungsgemäße Verfahren wird es möglich, das Bild so zu segmentieren, dass die Teilbereiche der ersten Homogenitätsgruppe zu zumindest zwei Klassen der realen Welt anhand ihrer Helligkeitskategorie zugeordnet werden können. Das Verfahren wird insbesondere mehrstufig durchgeführt. Zuerst werden die Teilbereiche hinsichtlich der Variation der Intensitäten untersucht. Die Variation der Intensität beschreibt, wie stark die Intensitäten des jeweiligen Teilbereichs schwanken. Unterschreitet die Variation der Intensität den vorbestimmten Schwellenwert, so werden die Teilbereiche zu der ersten Homogenitätsgruppe, welche homogene beziehungsweise einheitliche Teilbereiche enthält, zugeordnet. Überschreitet die Variation der Intensität des jeweiligen Teilbereichs den vorbestimmten Schwellenwert, so wird der jeweilige Teilbereich der zweiten Homogenitätsgruppe zugeordnet, welche im Vergleich zu der ersten Homogenitätsgruppe heterogene beziehungsweise uneinheitliche Teilbereiche enthält. Es wird also anhand der Variation der Intensität eine erste Zuordnung der Teilbereiche des Bildes vorgenommen. The method determines several subregions of the image. The image can be divided into a plurality of subregions. The method according to the invention makes it possible to segment the image in such a way that the subregions of the first homogeneity group can be assigned to at least two classes of the real world on the basis of their brightness category. The process is carried out in particular in several stages. First, the partitions are examined for the variation of the intensities. The variation of the intensity describes how much the intensities of the respective subarea fluctuate. If the variation of the intensity falls below the predetermined threshold value, then the partial regions are assigned to the first homogeneity group, which contains homogeneous or uniform partial regions. If the variation of the intensity of the respective partial region exceeds the predetermined threshold value, then the respective partial region is assigned to the second homogeneity group, which contains heterogeneous or non-uniform partial regions in comparison to the first homogeneity group. It will be based on the variation of the intensity made a first assignment of the partial areas of the image.
Weiterhin wird der jeweilige Intensitätswert des jeweiligen Teilbereichs bestimmt, welcher der Intensität zumindest eines Bildpunkts des jeweiligen Teilbereichs entspricht. Somit kann beispielsweise der Intensitätswert des Teilbereichs der Intensität des in der Mitte des Teilbereichs angeordneten Bildpunktes entsprechen. Durch den Intensitätswert kann also der jeweilige Teilbereich mit einem Wert beschrieben werden. Anhand des Intensitätswerts werden die Teilbereiche, welche der ersten Homogenitätsgruppe zugewiesen sind, anhand ihres jeweiligen bestimmten Intensitätswerts zu zumindest zwei unterschiedlichen Helligkeitskategorien zugewiesen. Das bedeutet, die Teilbereiche der ersten Homogenitätsgruppe können zumindest zwei unterschiedlichen Helligkeitskategorien zugewiesen werden und somit weiter unterteilt. Furthermore, the respective intensity value of the respective subarea is determined, which corresponds to the intensity of at least one pixel of the respective subarea. Thus, for example, the intensity value of the partial region can correspond to the intensity of the pixel arranged in the middle of the partial region. By means of the intensity value, therefore, the respective subarea can be described with a value. Based on the intensity value, the subregions assigned to the first homogeneity group are assigned to at least two different brightness categories based on their respective particular intensity value. This means that the subregions of the first homogeneity group can be assigned to at least two different brightness categories and thus subdivided further.
Schließlich werden in dem Schritt e) die Teilbereiche, welchen die zumindest zwei unterschiedlichen Helligkeitskategorien zugewiesen worden sind, anhand dieser Helligkeitskategorien zu zumindest zwei Klassen zugeordnet. Die Klassen bezeichnen Bereiche in der Umgebung des Kraftfahrzeugs, also in der realen Welt existierende Erscheinungen, welche jeweils mit einem Begriff bezeichnet werden können. Die Klassen sind also das Ergebnis einer Klassifizierung, welche die Teilbereiche des Bildes einer realen Information zuordnet. Die reale Information kann beispielsweise ein Objekt der realen Welt sein. Die Klassifizierung weist den Teilbereichen also eine Semantik beziehungsweise eine Bedeutung zu. Finally, in step e) the subareas to which the at least two different brightness categories have been assigned are assigned to at least two classes on the basis of these brightness categories. The classes designate areas in the vicinity of the motor vehicle, ie phenomena existing in the real world, which can each be designated by a term. The classes are thus the result of a classification which assigns the subareas of the image to real information. For example, the real information may be an object of the real world. The classification therefore assigns semantics or meaning to the subareas.
Insbesondere ist vorgesehen, dass die Teilbereiche der ersten Homogenitätsgruppe einer ersten Helligkeitskategorie zugewiesen werden, falls ihr bestimmter Intensitätswert einen vorbestimmten Grenzwert unterschreitet, und die Teilbereiche der ersten Homogenitätsgruppe einer zweiten Helligkeitskategorie zugewiesen werden, falls ihr bestimmter Intensitätswert den vorbestimmten Grenzwert überschreitet. Das Zuweisen der Teilbereiche der ersten Homogenitätsgruppe zu der ersten Helligkeitskategorie und/oder der zweiten Helligkeitskategorie kann also anhand des vorbestimmten Grenzwerts vorgenommen werden kann. Somit kann eindeutig festgelegt werden, wann der jeweilige Teilbereich aus der ersten Homogenitätsgruppe der ersten Helligkeitskategorie zugewiesen wird und wann der jeweilige Teilbereich aus der ersten Homogenitätsgruppe der zweiten Helligkeitskategorie zugewiesen wird. In particular, it is provided that the subregions of the first homogeneity group are assigned to a first brightness category if their specific intensity value falls below a predetermined limit value and the subregions of the first homogeneity group are assigned to a second brightness category if their specific intensity value exceeds the predetermined limit value. The assignment of the subregions of the first homogeneity group to the first brightness category and / or the second brightness category can therefore be carried out on the basis of the predetermined limit value. Thus, it can be clearly determined when the respective subarea from the first homogeneity group is assigned to the first brightness category and when the respective subarea from the first homogeneity group is assigned to the second brightness category.
Weiterhin ist vorgesehen, dass der vorbestimmte Grenzwert anhand eines Histogramms der jeweiligen Intensitätswerte der Teilbereiche bestimmt wird. So kann der vorbestimmte Grenzwert beispielsweise anhand eines Maximalbereichs des Histogramms bestimmt werden. Anhand des Histogramms können auch mehrere der vorbestimmten Grenzwerte bestimmt werden. Der vorbestimmte Grenzwert kann beispielsweise anhand von Minima und/oder Maxima des Histogramms bestimmt werden. So kann davon ausgegangen werden, dass nach einem Minima oder einem Maxima des Histogramms eine andere Helligkeitskategorie beginnt. Es kann beispielsweise aber auch ein Bereich, welcher sich links und rechts von dem Maxima des Histogramms erstreckt, gewählt werden, um den vorbestimmten Grenzwert zu bestimmen. Der vorbestimmte Grenzwert kann aber auch anhand von Diskontinuitäten des Histogramms oder Teilen des Histogramms bestimmt werden. Furthermore, it is provided that the predetermined limit value is determined on the basis of a histogram of the respective intensity values of the subregions. Thus, the predetermined limit value can be determined, for example, based on a maximum range of the histogram. On the basis of the histogram also several of the predetermined limits can be determined. The predetermined limit value can be determined, for example, on the basis of minima and / or maxima of the histogram. Thus it can be assumed that a different brightness category begins after a minimum or a maximum of the histogram. However, it is also possible, for example, to select a region which extends to the left and to the right of the maximum of the histogram in order to determine the predetermined limit value. However, the predetermined limit value can also be determined on the basis of discontinuities of the histogram or parts of the histogram.
Vorzugsweise ist vorgesehen, dass die Teilbereiche der ersten Homogenitätsgruppe anhand ihrer Intensitätswerte drei unterschiedlichen Helligkeitskategorien zugewiesen werden, die Teilbereiche einer ersten der drei Helligkeitskategorien einem Schatten als die Klasse zugeordnet werden, die Teilbereiche einer zweiten der drei Helligkeitskategorien einer Straße als die Klasse zugeordnet werden und die Teilbereiche einer dritten der drei Helligkeitskategorien einem Himmel als die Klasse zugeordnet werden. Die Unterteilung in die Klasse Schatten, die Klasse Straße und die Klasse Himmel sind vorteilhaft, weil diese Klassen häufig in der Umgebung des Kraftfahrzeugs auftreten. Somit können dadurch besonders aussagekräftige Klassen zur Verfügung gestellt werden. Die erste Helligkeitskategorie und die zweite Helligkeitskategorie und die dritte Helligkeitskategorie können beispielsweise mit zwei vorbestimmten Grenzwerten voneinander unterschieden werden. So kann einer der zwei Grenzwerte ein Minimalgrenzwert sein und ein zweiter der zwei Grenzwerte ein Maximalgrenzwert sein, welche beispielsweise anhand eines Histogramms der jeweiligen Intensitätswerte der Teilbereiche bestimmt werden. It is preferably provided that the subregions of the first homogeneity group are assigned to three different brightness categories based on their intensity values, the subregions of a first of the three brightness categories are assigned to a shadow as the class, the subregions of a second of the three brightness categories are assigned to the street as the class, and Portions of a third of the three brightness categories are assigned to a sky as the class. The subdivision into the class shadow, the class street and the class sky are advantageous, because these classes frequently occur in the environment of the motor vehicle. Thus, particularly meaningful classes can be made available. For example, the first brightness category and the second brightness category and the third brightness category may be distinguished from each other by two predetermined thresholds. Thus, one of the two limit values may be a minimum limit value and a second of the two limit values may be a maximum limit value, which are determined, for example, on the basis of a histogram of the respective intensity values of the partial ranges.
Insbesondere ist vorgesehen, dass das Bild derart in eine Mehrzahl von Teilbereichen unterteilt wird, dass die Teilbereiche in mehreren Spalten und in mehreren Zeilen angeordnet sind sowie ein Spaltenhistogramm, welches für jede der Spalten ein Histogramm für die Klassen beschreibt, und ein Zeilenhistogramm, welches für jede der Zeilen ein Histogramm für die Klassen beschreibt, bestimmt werden. Die Verwendung des Spalten- und/oder des Zeilenhistogramm ist vorteilhaft, weil dadurch die Statistik beziehungsweise eine Häufigkeit einer Klasse in der jeweiligen Spalte und/oder der jeweiligen Zeile der Teilbereiche beschrieben werden kann. Weiterhin haben das Spaltenhistogramm und/oder das Zeilenhistogramm den Vorteil, dass die Ortsinformation jeweils nur in einer Dimension nicht berücksichtigt wird. So sind die Teilbereiche beispielsweise in einem zweidimensionalen Gitter angeordnet beziehungsweise in einer zweidimensionalen Matrix angeordnet. Bei dem Spaltenhistogramm geht nun die Ortsinformation in vertikaler Richtung der Matrix der Teilbereiche verloren, dafür wird die Häufigkeit der jeweiligen Klasse in vertikaler Richtung der Matrix bereitgestellt. Anders herum verhält es sich bei dem Zeilenhistogramm, welches die Ortsinformation der jeweiligen Klasse der Teilbereiche in vertikaler Richtung beibehält und eine Häufigkeitsverteilung der jeweiligen Klasse in horizontaler Richtung der Matrix der Teilbereiche bereitstellen kann. Somit können für jede der Klassen ein Spaltenhistogramm und/oder ein Zeilenhistogramm bereitgestellt werden, welche eine Verteilung und Position der Klassen der Teilbereiche beschreiben. In particular, it is provided that the image is subdivided into a plurality of subareas, that the subareas are arranged in a plurality of columns and in a plurality of lines, and a column histogram, which describes a histogram for the classes for each of the columns, and a line histogram, which for each of the lines describes a histogram for the classes to be determined. The use of the column and / or the row histogram is advantageous because it can describe the statistics or a frequency of a class in the respective column and / or the respective line of the partial areas. Furthermore, the column histogram and / or the row histogram have the advantage that the location information is only taken into account in one dimension at a time. For example, the subareas are arranged in a two-dimensional grid or arranged in a two-dimensional matrix. In the column histogram, the location information is now lost in the vertical direction of the matrix of the subregions, for which the frequency of the respective class in the vertical direction of the matrix is provided. The reverse is the case with the line histogram, which retains the location information of the respective class of the subareas in the vertical direction and can provide a frequency distribution of the respective class in the horizontal direction of the matrix of the subareas. Thus, for each of the classes, a column histogram and / or a row histogram describing a distribution and position of the classes of the subregions may be provided.
Weiterhin wird in einer Ausgestaltung anhand des Spaltenhistogramms für die Klasse Schatten und/oder des Zeilenhistogramms für die Klasse Schatten eine Position von zumindest einem Schattenbereich in dem Bild bestimmt. Es kann also das Spaltenhistogramm für die Klasse Schatten durchlaufen werden mit der Suche nach der Häufigkeit der Klasse Schatten größer Null, und somit Spalten der Teilbereiche beziehungsweise der Matrix der Teilbereiche ermittelt werden, in welchen die Klasse Schatten anfängt oder in welchen die Klasse Schatten aufhört. Es kann also beispielsweise ein linker und ein rechter Rand des Schattens beziehungsweise der Klasse Schatten in der Bildebene bestimmt werden. Analog dazu kann anhand des Zeilenhistogramms ein oberer und ein unterer Rand des Schattens beziehungsweise der Klasse Schatten der Teilbereiche beziehungsweise in der Matrix der Teilbereiche bestimmt werden. Die Matrix der Teilbereiche ist also eine grobe Rasterung des Bildes, weil in der Matrix der Teilbereiche mehrere Bildpunkte des Bildes durch einen Intensitätswert repräsentiert werden können. Für die Matrix der Teilbereiche anhand ihrer Klassen kann der Begriff Klassenkarte beziehungsweise ID-Karte gebraucht werden. Die Klassenkarte zeigt dann somit alle Teilbereiche, wobei jeder der Teilbereiche einer Klasse zugeordnet ist. Furthermore, in one embodiment, a position of at least one shadow area in the image is determined on the basis of the column histogram for the class shadow and / or of the row histogram for the class shadow. Thus, the column histogram for the class shadow can be traversed with the search for the frequency of the class shadow greater than zero, and thus columns of the subareas or the matrix of the subregions are determined in which the class shadows begins or in which the class shadows ceases. Thus, for example, a left and a right edge of the shadow or the class shadow in the image plane can be determined. Similarly, an upper and a lower edge of the shadow or the class shadows of the subregions or in the matrix of the subregions can be determined on the basis of the line histogram. The matrix of the subareas is thus a coarse rasterization of the image, because in the matrix of the subareas a plurality of pixels of the image can be represented by an intensity value. For the matrix of the subareas based on their classes, the term class card or ID card can be used. The class card then shows all subareas, each of the subareas being assigned to a class.
In einer weiteren Ausgestaltung ist vorgesehen, dass anhand des Spaltenhistogramms für die Klasse Schatten und/oder des Zeilenhistogramms für die Klasse Schatten Teilbereiche, welche der Klasse Schatten zugeordnet sind, ausgewählt werden und einer Klasse Kraftfahrzeugschatten zugeordnet werden. Dadurch kann es also ermöglicht werden, dass die Klasse Schatten weiterhin unterteilt beziehungsweise spezifiziert wird und ein gewisser Teil der Klasse Schatten der Klasse Kraftfahrzeugschatten zugeordnet wird. Der Kraftfahrzeugschatten beschreibt einen Schatten in den Bild, der von dem Kraftfahrzeug hervorgerufen wird. Die Spezifizierung der Klasse Schatten kann beispielsweise dadurch erfolgen, dass das Zeilenhistogramm, welches die Ortsinformation der Klassen in vertikaler Richtung beibehalten hat, von unten an beginnend durchlaufen wird. So kann beispielsweise davon ausgegangen werden, dass die Klasse Kraftfahrzeugschatten unmittelbar an das Kraftfahrzeug anschließt und somit die unterste Zeile der Teilbereiche schon eine Klasse Schatten aufweist, welche dann ein Indiz für die Klasse Kraftfahrzeugschatten sein kann. So kann dann beispielsweise das Zeilenhistogramm für die Klasse Schatten ausgehend von dem unteren Bildrand durchlaufen werden und die Klasse Schatten so lange zu der Klasse Kraftfahrzeugschatten zugeordnet werden, bis das Auftreten der Klasse Schatten in dem Zeilenhistogramm für die Klasse Schatten nicht mehr festgestellt wird. Für weitere Teilbereiche der Klasse Schatten in dem Zeilenhistogramm kann davon ausgegangen werden, dass diese Teilbereiche nicht mehr zu der Klasse Kraftfahrzeugschatten zuzuordnen sind. Auch das Spaltenhistogramm kann für das Zuordnen der Klasse Schatten zu der Klasse Kraftfahrzeugschatten genutzt werden, so kann beispielsweise ein starkes Abfallen der Häufigkeit der Klasse Schatten als ein Hinweis auf eine Grenze beziehungsweise auf ein Ende der Klasse Kraftfahrzeugschatten zu verstehen sein, falls das Spaltenhistogramm beispielsweise von dessen Mitte aus nach links und/oder rechts durchlaufen wird. In a further refinement, it is provided that, based on the column histogram for the class shadow and / or the row histogram for the class shadow, partial areas which are assigned to the class shadow are selected and assigned to a class of motor vehicle shadows. Thus, it can thus be made possible that the class shadow is further subdivided or specified and a certain part of the class shadow is assigned to the class motor vehicle shadow. The motor vehicle shadow describes a shadow in the image, which is caused by the motor vehicle. The specification of the class shadow can be done, for example, by traversing the line histogram, which has maintained the location information of the classes in the vertical direction, starting from the bottom. Thus, for example, it can be assumed that the class motor vehicle shadow directly adjoins the motor vehicle and thus the bottom line of the subregions already has a class of shadows, which can then be an indication of the class motor vehicle shadows. For example, then the row histogram for the class shadow may be traversed from the bottom of the screen and the class shadow may be assigned to the class motor vehicle shadow until the occurrence of the class shadow is no longer detected in the row histogram for the class shadow. For further subregions of the class shadow in the line histogram, it can be assumed that these subregions are no longer to be assigned to the class motor vehicle shadows. The column histogram can also be used for assigning the class shadow to the class motor vehicle shadow, for example a strong drop in the frequency of the class shadow as an indication of a border or on an end of the class motor vehicle shadows to be understood, if the column histogram, for example whose center is traversed to the left and / or right.
Weiterhin kann anhand des Spaltenhistogramms für die Klasse Straße und/oder des Zeilenhistogramms für die Klasse Straße eine Position und/oder eine Begrenzung von zumindest einer Straße in dem Bild bestimmt werden. So kann beispielsweise ein Fluchtpunkt der Straße in dem Bild bestimmt werden, indem das Zeilenhistogramm für die Klasse Straße von unten nach oben durchlaufen wird und nach einer maximalen plötzlichen Abweichung beziehungsweise einem stärksten plötzlichen Abfall der Häufigkeit der Klasse Straße gesucht wird. So kommt die Straße beispielsweise kontinuierlich von unten angefangen in dem Zeilenhistogramm für die Klasse Straße vor, aber plötzlich fällt die Häufigkeit des Vorkommens der Klasse Straße abrupt ab. Diese vertikale Position der Zeile der Teilbereiche, an dem die Häufigkeit der Klasse Straße abrupt abfällt, kann die Zeile in der Matrix der Teilbereiche angeben, in welcher ein Fluchtpunkt der Straße in dem Bild angeordnet ist. Die Begrenzung der Straße in dem Bild kann beispielsweise ermittelt werden, indem das Zeilenhistogramm für die Klasse Straße von unten nach oben bezüglich der Bildebene durchlaufen wird und der Bereich für die Klasse Straße mit Fortschreiten des Durchlaufs immer enger gefasst wird, also immer weniger Teilbereiche dazu genommen werden. Somit wird die Straße in dem Bild von unten nach oben stetig schmäler. Furthermore, based on the column histogram for the class street and / or the row histogram for the class street, a position and / or a boundary of at least one street in the image can be determined. For example, a vanishing point of the road in the image can be determined by traversing the line histogram for the class of road from the bottom up and looking for a maximum sudden deviation or a sharpest sudden drop in the frequency of the class road. For example, the road appears continuously from the bottom of the line histogram for the street class, but suddenly the frequency of occurrence of the street class abruptly drops. This vertical position of the line of the subregions at which the frequency of the class road abruptly drops may indicate the line in the matrix of the subregions in which a vanishing point of the road is arranged in the image. For example, the boundary of the road in the image may be determined by traversing the row histogram for the class "street" from the bottom up with respect to the image plane and narrowing the area for the class road as the itinerary progresses, thus taking fewer and fewer subregions become. Thus, the road in the image from bottom to top is getting narrower.
Weiterhin ist vorgesehen, dass anhand des Spaltenhistogramms für die Klasse Himmel und/oder des Zeilenhistogramms für die Klasse Himmel eine Position eines Himmels in dem Bild bestimmt wird. Hierzu kann beispielsweise das Zeilenhistogramm für die Klasse Himmel von oben nach unten durchlaufen werden, um die vertikale Position beziehungsweise eine Zeilennummer zu bestimmen, bei welcher der Himmel in dem Bild endet. So kann beispielsweise das Auftreten der Klasse Himmel in dem Zeilenhistogramm für die Klasse Himmel nach einem abrupten Abfall der Klasse Himmel beziehungsweise einem abrupten Abfall der Häufigkeit der Klasse Himmel darauf schließen lassen, dass weitere stark beleuchtete Regionen in dem Bild vorhanden sind. Ergänzend oder alternativ kann, falls in dem Spalten- und/oder dem Zeilenhistogramm keine Klasse Himmel zugeordnet werden kann, davon ausgegangen werden, dass das Bild innerhalb eines Gebäudes aufgenommen wurde. Andernfalls kann bei erfolgter Zuordnung von Teilbereichen zu der Klasse Himmel und einem erkannten Himmel in dem Bild davon ausgegangen werden, dass das Bild im Freien aufgenommen worden ist. Weiterhin kann, falls ein Wert für die oberste Zeile des Zeilenhistogramms für die Klasse Himmel im Wesentlichen Null ist, aber später noch sehr helle Bereiche des Bildes, welche der Klasse Himmel zugeordnet sind, erscheinen, von einer Tageszeit Nacht ausgegangen werden. Furthermore, it is provided that a position of a sky in the image is determined on the basis of the column histogram for the class sky and / or the line histogram for the class sky. For this purpose, for example, the line histogram for the class sky can be traversed from top to bottom to determine the vertical position or a line number at which the sky ends in the image. For example, the occurrence of the class sky in the line histogram for the class sky after an abrupt drop of the class sky, or an abrupt drop in the frequency of the class sky, may indicate that there are more heavily illuminated regions in the image. Additionally or alternatively, if no class sky can be assigned in the column and / or line histogram, it can be assumed that the image was taken within a building. Otherwise, when the subregions have been assigned to the class sky and a recognized sky in the image, it can be assumed that the image has been taken outdoors. Furthermore, if a value for the top line of the line histogram for the sky class is substantially zero, but later on very bright areas of the image associated with the class of sky appear, a daytime night will be assumed.
In einer weiteren Ausgestaltung liegt das Bild in mehreren Farbkanälen eines Farbraums vor, und die Schritte a) bis e) werden jeweils für die mehreren Farbkanäle durchgeführt. Vorteilhaft ist also, dass dadurch ein Farbraum gewählt werden kann, welcher besonders gut für das Verfahren geeignet ist. So kann beispielsweise ein YUV-Farbraum oder ein Lab-Farbraum oder ein I1-, I2-, I3-Farbraum verwendet werden. Aufgrund der Farbinformation kann eine höhere Genauigkeit der Segmentierung erreicht werden. Weiterhin ist vorteilhaft, dass mit der Nutzung von mehreren Farbkanälen eine höhere Zuverlässigkeit des Verfahrens erreicht werden kann. Es kann somit also das Ergebnis von einem Farbkanal mit dem Ergebnis von dem anderen Farbkanal kontrolliert werden. In a further refinement, the image is present in a plurality of color channels of a color space, and steps a) to e) are carried out in each case for the plurality of color channels. It is therefore advantageous that a color space can be selected which is particularly suitable for the method. For example, a YUV color space or a Lab color space or an I1, I2, I3 color space can be used. Due to the color information, a higher accuracy of the segmentation can be achieved. Furthermore, it is advantageous that a higher reliability of the method can be achieved with the use of multiple color channels. Thus, therefore, the result of one color channel with the result of the other color channel can be controlled.
Weiterhin ist vorgesehen, dass das Bild in mehreren Farbkanälen vorliegt und die Schritte a) bis e) jeweils für einen Y-Kanal und/oder einen U-Kanal und/oder einen V-Kanal eines YUV-Farbraums durchgeführt wird. Somit kann beispielsweise mit dem Y-Kanal gezielt die Helligkeitsinformation des Bildes genutzt werden, während mit den verbleibenden Kanälen eine Farbinformation des Bildes genutzt werden kann. Der Y-Kanal beschreibt die Luminanz des Bildes, und der U-Kanal zusammen mit dem V-Kanal beschreiben die Chrominanz des Bildes. Furthermore, it is provided that the image is present in a plurality of color channels and the steps a) to e) are each performed for a Y channel and / or a U channel and / or a V channel of a YUV color space. Thus, for example, the brightness information of the image can be used selectively with the Y channel, while color information of the image can be used with the remaining channels. The Y channel describes the luminance of the picture, and the U channel together with the V channel describe the chrominance of the picture.
Insbesondere ist vorgesehen, dass nach dem Schritt h) ein morphologisches Verfahren, insbesondere eine Dilatation, durchgeführt wird. Bei dem morphologischen Verfahren werden Methoden der Nachbarschaftsfindung verwendet, um einen Bereich um einen Bildpunkt herum in Betracht zu ziehen und daraus folgend Operationen durchzuführen. Mittels der Dilatation können Bereiche des Bildes aufgefüllt werden. Mathematisch gesehen handelt es sich bei der Dilatation im Falle von Binärbildern um die Bildung der Minkowski-Summe von Bild und strukturierendem Element. Die Dilatation eines Bildes mit einem strukturierenden Element führt dazu, dass dem Bild Bildpunkte hinzugefügt werden, um kleine Lücken oder kleine Löcher entsprechend dem strukturierenden Element aufzufüllen beziehungsweise zu ergänzen. Die Dilatation wird verwendet, um das Ergebnis der Segmentierung zu verbessern beziehungsweise um die Qualität der Segmentierung zu erhöhen. Es kann auch eine grobe und eine feine Dilatation angewendet werden. In particular, it is provided that after the step h) a morphological process, in particular a dilatation, is carried out. In the morphological method, neighborhood finding methods are used to consider an area around a pixel and to perform operations thereafter. Dilation can be used to fill in areas of the image. Mathematically, dilation in the case of binary images is the formation of the Minkowski sum of image and structuring element. The dilation of an image with a structuring element results in pixels being added to the image to fill in small gaps or small holes corresponding to the structuring element. The dilation is used to improve the result of the segmentation or to increase the quality of the segmentation. It can also be applied a coarse and a fine dilatation.
Weiterhin ist vorgesehen, dass eine Region von Interesse innerhalb des Bildes definiert wird und das Bild in einer Region von Interesse in die Teilbereiche unterteilt wird. Die Region von Interesse kann so gewählt werden, dass Bereiche des Bildes, welche das Kraftfahrzeug selbst darstellen, nicht berücksichtigt werden. Weiterhin können Randbereiche des Bildes nicht berücksichtigt werden. Somit kann die Segmentierung ausschließlich in einer relevanten Region des Bildes durchgeführt werden und es werden Ressourcen gespart. Furthermore, it is provided that a region of interest is defined within the image and the image in a region of interest is subdivided into the subregions. The region of interest may be chosen so that areas of the image representing the motor vehicle itself are not taken into account. Furthermore, border areas of the image can not be taken into account. Thus, the segmentation can be performed only in a relevant region of the image and resources are saved.
Ein erfindungsgemäßes Fahrerassistenzsystem mit einem Kamerasystem, welches zumindest eine Kamera und eine Auswerteeinheit umfasst, ist dazu ausgelegt, ein erfindungsgemäßes Verfahren durchzuführen. A driver assistance system according to the invention having a camera system which comprises at least one camera and an evaluation unit is designed to carry out a method according to the invention.
Ein erfindungsgemäßes Kraftfahrzeug, insbesondere ein Personenkraftwagen, umfasst ein erfindungsgemäßes Fahrerassistenzsystem. An inventive motor vehicle, in particular a passenger car, comprises a driver assistance system according to the invention.
Die mit Bezug auf das erfindungsgemäße Verfahren vorgestellten bevorzugten Ausführungsformen und deren Vorteile gelten entsprechend für das erfindungsgemäße Fahrerassistenzsystem sowie für das erfindungsgemäße Kraftfahrzeug. The preferred embodiments presented with reference to the method according to the invention and their advantages apply correspondingly to the driver assistance system according to the invention and to the motor vehicle according to the invention.
Weitere Merkmale der Erfindung ergeben sich aus den Ansprüchen, den Figuren und der Figurenbeschreibung. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen, sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar, ohne den Rahmen der Erfindung zu verlassen. Es sind somit auch Ausführungen von der Erfindung als umfasst und offenbart anzusehen, die in den Figuren nicht explizit gezeigt und erläutert sind, jedoch durch separierte Merkmalskombinationen aus den erläuterten Ausführungen hervorgehen und erzeugbar sind. Further features of the invention will become apparent from the claims, the figures and the description of the figures. The features and feature combinations mentioned above in the description, as well as the features and combinations of features mentioned below in the description of the figures and / or shown alone in the figures, can be used not only in the respectively specified combination but also in other combinations or in isolation, without the frame to leave the invention. There are thus also embodiments of the invention as encompassed and disclosed, which are not explicitly shown and explained in the figures, but by separated Feature combinations emerge from the described embodiments and can be generated.
Ausführungsbeispiele der Erfindung werden nachfolgend anhand schematischer Zeichnungen näher erläutert. Embodiments of the invention are explained in more detail below with reference to schematic drawings.
Dabei zeigen: Showing:
In
In einem Schritt S2 wird eine Helligkeitsinformation des Bildes
In einem Schritt S3 wird eine Farbinformation beziehungsweise eine Chrominanz-Information bestimmt, welche beispielsweise anhand eines U-Kanal und/oder eines V-Kanal des YUV-Farbraums ermittelt werden kann. Auf diese Weise kann beispielsweise eine genaue Begrenzung von Bereichen in dem Bild
In einem Schritt S4 wird jedem der Teilbereiche
In einem Schritt S5 werden Eigenschaften des Bildes
Die
In einem Schritt S12 werden die Teilbereiche
In dem Schritt
In einem Schritt S16 werden das Spaltenhistogramm
In einem Schritt S19 wird die Chrominanz beziehungsweise ein Histogramm des U-Kanals und/oder des V-Kanals genutzt. Es wird also anhand der Farbinformation ein Teil der Teilbereiche, welche der Klasse Straße RO zugewiesen sind, abhängig von der Farbinformation der Klasse genaue Straße zugeordnet. Hierbei wird auch wieder ein jeweiliges Maximum des Histogramms des U-Kanals und/oder des V-Kanals genutzt, um die Straße in dem Bild von anderen Objekten in dem Bild
In
Qstep ist ein Skalar und kann verwendet werden, um H_N zu normalisieren. In dem Fall von einem 8 × 8-Bildpunkte-Teilbereich
Die Summe aller absoluten Differenzen für jede Zeile kann nun zur Summe von allen Differenzen, also der horizontalen Variation der Intensität H_N, zusammengefasst werden. Dies kann wie folgt berechnet werden: The sum of all absolute differences for each row can now be summarized to the sum of all differences, ie the horizontal variation of the intensity H_N. This can be calculated as follows:
A ist die Konstante beziehungsweise ein fester Spaltenwert, weil die Referenzspalte
Des Weiteren wird der Schritt S1 gemäß
Mit der Summe der absoluten Differenzen für jede Spalte kann dies folgendermaßen ausgedrückt werden: The sum of the absolute differences for each column can be expressed as follows:
Insgesamt ergibt sich somit mit der Summe von allen Differenzen zu: All in all, the sum of all differences becomes:
Somit liegen gemäß dem aus
In einem Schritt S25 wird die horizontale Variation der H_N gemäß
Somit ergibt sich für den Mindestgrenzwert der Wert 9 und für den Maximalgrenzwert max den Wert 12. In einem Schritt S36 werden alle die Teilbereiche
In einem auf den Schritt S38 folgenden Schritt S40 wird überprüft, ob der Intensitätswert
In
In
Zur weiteren Verdeutlichung des Schritts S3 gemäß
Hierzu wird in dem Spaltenhistogramm
Zur Verdeutlichung des Schritts S4 des Verfahrens gemäß
Zur Verdeutlichung des Schritts S3 des Verfahrens gemäß
Schließlich wird am Ende des Verfahrens, wenn alle Teilbereiche
Claims (15)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102014112914.8A DE102014112914A1 (en) | 2014-09-09 | 2014-09-09 | Method for segmenting an image, driver assistance system and motor vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102014112914.8A DE102014112914A1 (en) | 2014-09-09 | 2014-09-09 | Method for segmenting an image, driver assistance system and motor vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102014112914A1 true DE102014112914A1 (en) | 2016-03-10 |
Family
ID=55358307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102014112914.8A Pending DE102014112914A1 (en) | 2014-09-09 | 2014-09-09 | Method for segmenting an image, driver assistance system and motor vehicle |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102014112914A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020211271A1 (en) | 2020-09-08 | 2022-03-10 | Siemens Healthcare Gmbh | Generation of a biomarker quantifying a spatial homogeneity of a medical parameter map |
-
2014
- 2014-09-09 DE DE102014112914.8A patent/DE102014112914A1/en active Pending
Non-Patent Citations (1)
Title |
---|
Jeong, Pangyu, and Sergiu Nedevschi. "Efficient and robust classification method using combined feature vector for lane detection." Circuits and Systems for Video Technology, IEEE Transactions on 15.4 (2005): 528-537 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020211271A1 (en) | 2020-09-08 | 2022-03-10 | Siemens Healthcare Gmbh | Generation of a biomarker quantifying a spatial homogeneity of a medical parameter map |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102011106050B4 (en) | Shadow removal in an image captured by a vehicle-based camera for detection of a clear path | |
DE102011106052B4 (en) | Shadow removal in an image captured by a vehicle based camera using a nonlinear illumination invariant core | |
EP2187340B1 (en) | Device and method for determining an edge histogram, device and method for storing an image in an image database, device and method for finding two similar images and computer program | |
DE102005063199B4 (en) | Device and method for detecting road markings | |
DE102015116599A1 (en) | Electronic device and method for controlling its cameras | |
DE102015206654A1 (en) | IMAGING DEVICE | |
DE102011106072A1 (en) | SHADOW REMOVAL IN A PICTURE BASED ON A VEHICLE-BASED CAMERA USING AN OPTIMIZED LINEAR AXIS | |
DE102012010912B3 (en) | A method for contactless determination of the current nutritional status of a crop and for processing this information | |
DE102013205854B4 (en) | Method for detecting a free path using temporary coherence | |
DE102015207902A1 (en) | Method and device for confirming the relevant inner white circle in the recognition of the environment of a circular traffic sign | |
EP2400458B1 (en) | Method and device for segmenting biological cells in an image | |
DE102007013971A1 (en) | Method and device for determining a cell contour of a cell | |
EP3291172A1 (en) | Method for calculating final image data | |
DE102014006717A1 (en) | Method for generating a three-dimensional information of an object with a digital microscope and data processing program for processing the method | |
DE102017209631B4 (en) | OBJECT IDENTIFICATION DEVICE | |
EP3275302A1 (en) | Method and adhesive mat for the imaging of the distribution of agricultural material to be spread | |
DE102014118314A1 (en) | Method for adjusting a brightness of a high-contrast image, camera system and motor vehicle | |
DE102014007565A1 (en) | Method for determining a respective boundary of at least one object, sensor device, driver assistance device and motor vehicle | |
EP2105883A1 (en) | Method for testing a movement vector | |
DE102014112914A1 (en) | Method for segmenting an image, driver assistance system and motor vehicle | |
WO2013068521A1 (en) | Device and method for mechanically thinning out blossom | |
WO2006034924A1 (en) | Method for displaying an image recorded by a video camera | |
DE102016124123A1 (en) | A method for generating a cluster of image areas for capturing a target object in an image, computer program product, camera system and motor vehicle | |
DE102015112389A1 (en) | Method for detecting at least one object on a road in a surrounding area of a motor vehicle, camera system and motor vehicle | |
EP2399241B1 (en) | Method for the entropy-based determination of object edge curves |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R012 | Request for examination validly filed |