CN102306282A - 一种车牌定位方法及车牌定位装置 - Google Patents
一种车牌定位方法及车牌定位装置 Download PDFInfo
- Publication number
- CN102306282A CN102306282A CN201110201480A CN201110201480A CN102306282A CN 102306282 A CN102306282 A CN 102306282A CN 201110201480 A CN201110201480 A CN 201110201480A CN 201110201480 A CN201110201480 A CN 201110201480A CN 102306282 A CN102306282 A CN 102306282A
- Authority
- CN
- China
- Prior art keywords
- license plate
- average gray
- area
- point
- pixel
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车牌定位方法和装置,用于智能交通领域,以解决现有车牌识别中对车牌结构信息的提取不能准确高效,从而不能进行准确的定位车牌的问题,本发明实施例基于双抛物线阈值的二值化技术对车牌结构信息进行提取,不需要每次利用全局信息求取阈值,提高了效率,同时能使各种复杂情况下的图像被二值化后,使车牌区域结构信息被完整保留并凸显,非车牌区域结构被抑制,最终使得车牌区域被准确的定位,相对其它二值化方法更鲁棒更高效,从而保证车牌识别最终的正确率。
Description
技术领域
本发明涉及智能交通领域,尤其涉及一种车牌定位方法及车牌定位装置,具体更为一种基于双抛物线阈值法的二值化技术进行的车牌定位方法及车牌定位装置。
背景技术
在智能交通领域,车牌识别是一项十分重要的技术。车牌识别技术一般包括车牌定位,车牌字符切割,字符识别几个过程,其中车牌定位的速度与精度,直接影响车牌识别技术的好坏,是整个车牌识别系统中的关键。
车牌定位通常利用车牌的结构信息,通过全局搜索的方式对车牌所在区域进行定位,而车牌结构信息的提取,最常用也是较有效的方法是通过二值化技术来提取车牌图像的边缘。但常用的二值化方法,如固定阈值法、自适应阈值法、全局阈值法以及局部阈值法等不能适应复杂多变的环境,如不同天气、不同车况环境等复杂情况下对车辆结构信息的提取,固定阈值法或常用的自适应阈值法常导致二值化后的边缘图像中车牌区域基本上消失或引入大量噪声,这将导致定位失败,或产生大量假牌,后续处理的计算量大大增加。因此不能满足实际应用中高效性、实时性的需求
例如,在智能交通领域的车牌识别技术中,由于天气、光照、道路、背景干扰客观因素的影响,采集的交通图像场景复杂多变,现有的二值化技术存在以下缺点:
1、容易丢失车牌区域的边缘信息,使车牌区域不能被定位到而丢失;
2、容易引入过多的背景噪声,导致大量的伪车牌被定位到,从而增加后续处理的负担;
3、难以满足实时性要求。
以上因素严重影响了车牌定位的速度和精度,因此,提出一种能够满足实际应用需要的、实现各种复杂环境下的实时车牌定位技术显得十分必要,即一种更加鲁棒的二值化阈值方法,能够适应各种情况下二值化需求,使车牌区域的梯度得以凸显,同时减少非车牌区域出现干扰,从而使得车牌搜索更加高效。
发明内容
本发明实施例的目的是针对现有的车牌定位技术存在的不足,提出一种新的车牌定位方法及车牌定位装置,解决现有的车牌定位技术不能适应复杂多变的环境对车辆结构信息的提取,以及难以满足智能交通的实时性要求。
为了达到上述发明目的,本发明实施例提出的一种车牌定位方法是通过以下技术方案实现的:
一种车牌定位方法,所述方法包括:
选取交通环境下的车牌图像,并以模板卷积的方式计算车牌图像的平均灰度图和垂直Sobel边缘图,所述车牌图像包含车牌区域和背景区域;
将所述车牌图像的每个像素点的平均灰度和垂直Sobel梯度构成的二维点投影到二维坐标系中,并将车牌区域的点和背景区域的点分别标记;
在所述二维坐标系中的车牌区域和背景区域的分界线上寻找关键位置点,并对所述关键点进行二阶线性方程拟合,得到两条抛物线;
提取目标车牌图像中的像素点的平均灰度值和垂直Sobel梯度值,将平均灰度的值代入两个抛物线方程得到抛物线的值,当该Sobel梯度值大于任一条抛物线的值时,所述像素点的结构信息有效,否则所述像素点的结构信息无效。
为了实现前述发明目的,本发明实施例还提出了一种车牌定位装置,所述车牌定位装置是通过以下技术方案实现的:
一种车牌定位装置,所述车牌定位装置包括:
图像选取模块,用来选取交通环境下的车牌图像,并以模板卷积的方式计算车牌图像的平均灰度图和垂直Sobel边缘图,所述车牌图像包含车牌区域和背景区域;
图像投影模块,用来将所述车牌图像的每个像素点的平均灰度和垂直Sobel梯度构成的二维点投影到二维坐标系中,并将车牌区域的点和背景区域的点分别标记;
抛物线拟合模块,用来在所述二维坐标系中的车牌区域和背景区域的分界线上寻找关键位置点,并对所述关键点进行二阶线性方程拟合,得到两条抛物线;
二值化模块,用来提取目标车牌图像中的像素点的平均灰度值和Sobel梯度值,将平均灰度的值代入两个抛物线方程得到抛物线的值,当Sobel梯度值大于任一条抛物线的值时,所述像素点的结构信息有效,否则所述像素点的结构信息无效。
与现有技术相比,本发明实施例提出一种基于双抛物线阈值的二值化技术的车牌定位方法和装置,不需要每次利用全局信息求取阈值,提高了效率,同时能使各种复杂情况下的图像被二值化后,车牌区域被完整的保留并凸显,并且地面非车牌区域的结构被大大抑制,有效提取车牌图像中的车牌区域的结构信息,最终使得车牌区域被准确的定位,同时也减少了被检测到的假车牌数量,相对其它二值化方法更鲁棒更高效,从而保证车牌识别最终的正确率。
附图说明
通过下面结合附图对其示例性实施例进行的描述,本发明上述特征和优点将会变得更加清楚和容易理解。
图1为本发明实施例一种车牌定位方法的流程图;
图2为本发明实施例车牌图像的平均灰度模板和垂直Sobel模板;
图3为本发明实施例一种车牌定位装置的组成示意图;
图4a为本发明实施例车牌和背景区域的灰度、梯度二维点投影图;
图4b为本发明实施例标记分界线的关键点示意图;
图4c为本发明实施例拟合的曲线示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,为本发明实施例一种车牌定位方法的流程图,所述方法包括:
选取交通环境下的车牌图像,并以模板卷积的方式计算车牌图像的平均灰度图和垂直Sobel边缘图,所述车牌图像包含车牌区域和背景区域;
将所述车牌图像的每个像素点的平均灰度和Sobel梯度构成的二维点投影到二维坐标系中,并将车牌区域的点和背景区域的点分别标记。如图4a,用正三角符号表示车牌区域像素的(灰度,梯度)二维点,用实心点符号表示非车牌区域像素的(灰度,梯度)二维点,图中箭头所示椭圆区域的点取值于强逆光天气的车牌区域,与逆光时高亮的背景区域特性相比具有较小的平均灰度和梯度,若使用全局阈值法二值化sobel图车牌区域结构信息容易丢失,而使用固定阈值法二值化sobel图,为了凸显车牌区域较弱的结构信息,阈值一般选取较小的值,这样会引入大量不必要的噪声,对车牌检测造成强烈的干扰;
在所述二维坐标系中的车牌区域和背景区域的分界线上寻找关键位置点,如图4b,用实心方块表示选取的关键点。并对所述关键点进行二阶线性方程拟合,得到两条抛物线,如图4c中的两条抛物线;
提取目标车牌图像中的像素点的平均灰度值和垂直Sobel梯度值,将平均灰度的值代入两个抛物线方程得到抛物线的值,当Sobel梯度值大于任一条抛物线的值时,所述像素点的结构信息有效,否则所述像素点的结构信息无效。
进一步优选地,将所述车牌图像的每个像素点的平均灰度和垂直Sobel梯度构成的二维点投影到二维坐标系中,并将车牌区域的点和背景区域的点分别标记具体包括:
对所述车牌图像的每个像素点,从所述平均灰度图和Sobel边缘图中获取平均灰度和Sobel梯度构成R2空间中的一个点,并以平均灰度为横坐标,Sobel梯度为纵坐标,以不同符号表示车牌区域和背景区域的二维点;
将所有车牌区域和背景区域的二维点投影到以灰度值为横坐标、梯度值为纵坐标二维坐标系中,并将车牌区域的点和背景区域的点分别标记。
进一步优选地,所述对所述关键点进行二阶线性方程拟合,得到两条抛物线具体包括:
以平均灰度为自变量,垂直Sobel梯度为因变量,以最小二乘法对所述关键点进行二阶线性方程拟合,得到两条抛物线。
本发明实施例针对现有方法对复杂情况下图像中车牌区域结构信息提取困难的问题,提出了一种基于双抛物线阈值的二值化方式,以有效提取复杂情况下的图像中的车牌区域的结构信息,从而保证车牌区域被准确的定位到,从而保证车牌识别最终的正确率。为解决上述技术问题,本发明实施例的具体技术方案实施如下:
选取大量各种复杂情况下的包含车牌区域和背景区域的交通车牌图像,所选取的图像包括不同天气,如阴天、雨天、晴天、黄昏、夜间等;不同摄像位置,如顺光、逆光,侧光等;不同颜色车牌,如白牌、黄牌、黑牌和蓝牌;不同路面等复杂情况下获取的含车牌区域的车牌图像。
然后以模板卷积的方式计算车牌图像的平均灰度图和Sobel边缘图,平均灰度模板和Sobel模板分别如图2a和如图2b所示。
模板卷积的计算公式如下:
将图像表示为IM*N,用I(x,y)(0<x<M,0<y<N)表示图像中的一个像素点,x,y表示像素点在图像中的坐标,再设卷积模板为W(x,y),x,y=-1,0,1,那么像素点I(x,y)的模板W的卷积响应为:
对于车牌图像的每个像素点,从平均灰度图和垂直Sobel边缘图中获取平均灰度和垂直Sobel梯度构成R2空间中的一个点,分别提取所有选取的交通图像中车牌区域以及背景区域(特别是路面)的上述二维数据,以平均灰度作为横坐标,Sobel梯度作为纵坐标,以不同符号表示车牌和背景区域的二维点,将所有车牌区域和背景区域的二维点投影到二维坐标系中。
在二维坐标系中,车牌区域和背景区域之间有明显分界线,说明车牌区域的上述二维数据与背景区域的上述二维数据数据有明显的分布差别,在所述分界线上寻找无数关键位置的点,以平均灰度为自变量,Sobel梯度为因变量,以最小二乘法对这些点进行二阶线性方程拟合,得到两条抛物线,如图4c所示。
在选取拟合的关键点上,主要采用在两种情况下(如逆光和正常)分布的界点,使得拟合的曲线刚好将各个情况分离开来,由于要拟合两条曲线,我们需要选取两组数据,根据数据我们利用matlab工具箱中的a=polyfit(xdata,ydata,n)函数实现曲线的二次多项式拟合。本发明实施例所述的方法主要根据图像的平均值和灰度的关系,拟合出两条抛物线,如下所示:
具体的实施方式下,为了便于实现,平均灰度用图2b中6个邻域点的灰度和代替,所述均值图的程序、垂直Sobel图程序可分别以以下方式实现:
均值图程序:
Sobel图程序
该方法可以使各种复杂情况图像中的车牌区域结构信息被凸显,非车牌区域结构被抑制,最终使得车牌区域被准确的定位,同时也减少了被检测到的假车牌数量。
在实际应用中,提取目标图像中的像素点的平均灰度和垂直Sobel梯度,将平均灰度的值代入两条抛物线方程得到抛物线的值,当实际垂直Sobel梯度值大于任一条抛物线的当前值时,该像素点的结构信息被认为是有效的,被置‘1’,否则被置‘0’,从而实现目标图像的二值化。
其二值化程序可以如下:
与现有技术相比,本发明实施例提出一种基于双抛物线阈值的二值化技术的车牌定位方法,不需要每次利用全局信息求取阈值,提高了效率,同时能使各种复杂情况下的图像被二值化后,车牌区域被完整的保留并凸显,并且地面等非车牌区域的结构被大大抑制,有效提取车牌图像中的车牌区域的结构信息,最终使得车牌区域被准确的定位,同时也减少了被检测到的假车牌数量,相对其它二值化方法更鲁棒更高效,从而保证车牌识别最终的正确率。
经过对比实验表明,分别选取较常用的固定阈值法和全局自适应阈值法与本方技术方案的结果进行对比,可以发现固定阈值法虽然能突显车牌区域的结构信息,但是路面等背景区域出现了强干扰噪声,不利于车牌的检测;由于强逆光情况下,与高亮度的背景区域相比,车牌区域结构信息非常弱,使用全局自适应阈值法二值化结果中虽然背景噪声被抑制,但是车牌区域的结构信息不能被很好的凸显,导致车牌无法被定为到;而本方法的结果既很好的凸显车牌区域的结构信息,同时也很好的抑制了背景区域带来的干扰。
本发明实施例的一种车牌定位装置,所述车牌定位装置包括:
图像选取模块,用来选取交通环境下的车牌图像,并以模板卷积的方式计算车牌图像的平均灰度图和Sobel边缘图,所述车牌图像包含车牌区域和背景区域;
图像投影模块,用来将所述车牌图像的每个像素点的平均灰度和Sobel梯度构成的二维点投影到二维坐标系中,并将车牌区域的点和背景区域的点分别标记;
抛物线拟合模块,用来在所述二维坐标系中的车牌区域和背景区域的分界线上寻找关键位置点,并对所述关键点进行二阶线性方程拟合,得到两条抛物线;
二值化模块,用来提取目标车牌图像中的像素点的平均灰度值和垂直Sobel梯度值,将平均灰度的值代入两个抛物线方程得到抛物线的值,当Sobel梯度值大于任一条抛物线的值时,所述像素点的结构信息有效,否则所述像素点的结构信息无效。
图像选取模块选取大量各种复杂情况下的包含车牌区域和背景区域的交通车牌图像,所选取的图像包括不同天气,如阴天、雨天、晴天、黄昏、夜间等;不同摄像位置,如顺光、逆光,侧光等;不同颜色车牌,如白牌、黄牌、黑牌和蓝牌;不同路面等复杂情况下获取的含车牌区域的车牌图像。
进一步优选地,所述图像投影模块对所述车牌图像的每个像素点,从所述平均灰度图和垂直Sobel边缘图中获取平均灰度和Sobel梯度构成空间中的一个点,并以平均灰度为横坐标,Sobel梯度为纵坐标,以不同符号表示车牌区域和背景区域的二维点;并将所有车牌区域和背景区域的二维点投影到二维坐标系中,并将车牌区域的点和背景区域的点分别标记。
进一步优选地,所述抛物线拟合模块对所述关键点进行二阶线性方程拟合,得到两条抛物线具体包括:
以平均灰度为自变量,垂直Sobel梯度为因变量,以最小二乘法对所述关键点进行二阶线性方程拟合,得到两条抛物线。
在选取拟合的关键点上,主要采用在两种情况下(如逆光和正常)分布的交界点,使得拟合的曲线刚好将各个情况分离开来,由于要拟合两条曲线,我们需要选取两组数据,根据数据我们利用matlab工具箱中的a=polyfit(xdata,ydata,n)函数实现曲线的二次多项式拟合。
所述两个抛物线的方程根据车牌图像的平均灰度和梯度的关系得到,具体为:
实际应用中,提取目标图像中的像素点的平均灰度和垂直Sobel梯度,将平均灰度的值代入两条抛物线方程得到抛物线的值,当实际Sobel梯度值大于任一条抛物线的当前值时,该像素点的结构信息被认为是有效的,被置‘1’,否则被置‘0’,从而实现目标图像的二值化。
与现有技术相比,本发明实施例提出一种基于双抛物线阈值的二值化技术的车牌定位装置,不需要每次利用全局信息求取阈值,提高了效率,同时能使各种复杂情况下的图像被二值化后,车牌区域被完整的保留并凸显,并且地面非车牌区域的结构被大大抑制,有效提取车牌图像中的车牌区域的结构信息,最终使得车牌区域被准确的定位,同时也减少了被检测到的假车牌数量,相对其它二值化方法更鲁棒更高效,从而保证车牌识别最终的正确率。
本发明所属领域的一般技术人员可以理解,本发明以上实施例仅为本发明的优选实施例之一,为篇幅限制,这里不能逐一列举所有实施方式,任何可以体现本发明权利要求技术方案的实施,都在本发明的保护范围内。
需要注意的是,以上内容是结合具体的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施方式仅限于此,在本发明的上述指导下,本领域技术人员可以在上述实施例的基础上进行各种改进和变形,而这些改进或者变形落在本发明的保护范围内。
Claims (6)
1.一种车牌定位方法,其特征在于,所述方法包括:
选取交通环境下的含有车牌的图像,并以模板卷积的方式计算车牌图像的平均灰度图和垂直Sobel边缘图,所述车牌图像包含车牌区域和背景区域;
将所述车牌图像的每个像素点的平均灰度和垂直Sobel梯度构成的二维点投影到二维坐标系中,并将车牌区域的点和背景区域的点分别标记;
在所述二维坐标系中的车牌区域和背景区域的分界线上寻找关键位置点,并对所述关键点进行二阶线性方程拟合,得到两条抛物线;
提取目标车牌图像中的像素点的平均灰度值和垂直Sobel梯度值,将平均灰度的值代入两个抛物线方程得到抛物线的值,当该Sobel梯度值大于任一条抛物线的值时,所述像素点的结构信息有效,否则所述像素点的结构信息无效。
2.根据权利要求1所述的方法,其特征在于,将所述车牌图像的每个像素点的平均灰度和垂直Sobel梯度构成的二维点投影到二维坐标系中,并将车牌区域的点和背景区域的点分别标记,具体包括:
对每个所述车牌图像的每个像素点,从所述平均灰度图和垂直Sobel边缘图中获取平均灰度和Sobel梯度值,构成R2空间中的一个点,并以平均灰度为横坐标,Sobel梯度为纵坐标,将所有车牌区域和背景区域的二维点投影到二维坐标系中,以不同符号表示区分车牌区域和背景区域的二维点,并将车牌区域的点和背景区域的点分别标记;
所述分界线介于车牌区域的上述二维点和背景区域的上述二维点之间。
3.根据权利要求1或2所述的方法,其特征在于,所述对所述关键点进行二阶线性方程拟合,得到两条抛物线具体包括:
以平均灰度为自变量,Sobel梯度为因变量,以最小二乘法对所述分界线上的关键点进行二阶线性方程拟合,得到两条抛物线。
4.根据权利要求3所述的方法,其特征在于,所述两个抛物线的方程根据车牌图像的平均灰度和梯度的关系得到,具体为
5.一种车牌定位装置,其特征在于,所述车牌定位装置包括:
图像选取模块,用来选取交通环境下的车牌图像,并以模板卷积的方式计算车牌图像的平均灰度图和垂直Sobel边缘图,所述车牌图像包含车牌区域和背景区域;
图像投影模块,用来将所述车牌图像的每个像素点的平均灰度和Sobel梯度构成的二维点投影到二维坐标系中,并将车牌区域的点和背景区域的点分别标记;
抛物线拟合模块,用来在所述二维坐标系中的车牌区域和背景区域的分界线上寻找关键位置点,并对所述关键点进行二阶线性方程拟合,得到两条抛物线;
二值化模块,用来提取目标车牌图像中的像素点的平均灰度值和垂直Sobel梯度值,将平均灰度的值代入两个抛物线方程得到抛物线的值,当垂直Sobel梯度值大于任一条抛物线的值时,所述像素点的结构信息有效,否则所述像素点的结构信息无效。
6.根据权利要求5所述的车牌定位装置,其特征在于,两个抛物线的方程根据车牌图像的平均灰度和梯度的关系得到,具体为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102014804A CN102306282B (zh) | 2011-07-19 | 2011-07-19 | 一种车牌定位方法及车牌定位装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102014804A CN102306282B (zh) | 2011-07-19 | 2011-07-19 | 一种车牌定位方法及车牌定位装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102306282A true CN102306282A (zh) | 2012-01-04 |
CN102306282B CN102306282B (zh) | 2013-11-20 |
Family
ID=45380142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102014804A Active CN102306282B (zh) | 2011-07-19 | 2011-07-19 | 一种车牌定位方法及车牌定位装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102306282B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722695A (zh) * | 2012-05-11 | 2012-10-10 | 重庆邮电大学 | 缩微交通环境下的锥形标识别方法 |
CN106355179A (zh) * | 2016-08-30 | 2017-01-25 | 韦嘉志 | 一种车牌定位方法及系统 |
CN106778760A (zh) * | 2017-01-18 | 2017-05-31 | 博康智能信息技术有限公司 | 一种车牌图像分界线拟合方法及装置 |
CN110298353A (zh) * | 2019-07-03 | 2019-10-01 | 中国农业银行股份有限公司 | 一种字符识别方法及系统 |
CN113409382A (zh) * | 2018-10-11 | 2021-09-17 | 百度在线网络技术(北京)有限公司 | 车辆损伤区域的测量方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408942A (zh) * | 2008-04-17 | 2009-04-15 | 浙江师范大学 | 一种复杂背景下的车牌定位方法 |
-
2011
- 2011-07-19 CN CN2011102014804A patent/CN102306282B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408942A (zh) * | 2008-04-17 | 2009-04-15 | 浙江师范大学 | 一种复杂背景下的车牌定位方法 |
Non-Patent Citations (2)
Title |
---|
邹晔: "基于灰度阈值和梯度差的车牌定位技术", 《科技广场》 * |
马雷等: "基于灰度图像的复杂环境下智能车辆道路边界识别", 《汽车工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722695A (zh) * | 2012-05-11 | 2012-10-10 | 重庆邮电大学 | 缩微交通环境下的锥形标识别方法 |
CN102722695B (zh) * | 2012-05-11 | 2015-03-25 | 重庆邮电大学 | 缩微交通环境下的锥形标识别方法 |
CN106355179A (zh) * | 2016-08-30 | 2017-01-25 | 韦嘉志 | 一种车牌定位方法及系统 |
CN106778760A (zh) * | 2017-01-18 | 2017-05-31 | 博康智能信息技术有限公司 | 一种车牌图像分界线拟合方法及装置 |
CN113409382A (zh) * | 2018-10-11 | 2021-09-17 | 百度在线网络技术(北京)有限公司 | 车辆损伤区域的测量方法和装置 |
CN110298353A (zh) * | 2019-07-03 | 2019-10-01 | 中国农业银行股份有限公司 | 一种字符识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102306282B (zh) | 2013-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Son et al. | Real-time illumination invariant lane detection for lane departure warning system | |
CN101334836B (zh) | 一种融合色彩、尺寸和纹理特征的车牌定位方法 | |
CN101023436B (zh) | 交通标志检测方法 | |
CN103914698B (zh) | 一种基于视频的道路障碍物识别分类方法 | |
CN108038416B (zh) | 车道线检测方法及系统 | |
CN103714538B (zh) | 道路边缘检测方法、装置及车辆 | |
US20160117562A1 (en) | Traffic sign recognizing apparatus and operating method thereof | |
CN105574552A (zh) | 一种基于单目视觉的车辆测距与碰撞预警方法 | |
CN102306282B (zh) | 一种车牌定位方法及车牌定位装置 | |
CN105426864A (zh) | 一种基于等距边缘点匹配的多车道线检测方法 | |
CN104217215A (zh) | 一种水面有雾图像和清晰图像的分类识别方法 | |
CN105005778A (zh) | 一种基于视觉背景提取的高速公路车辆检测方法 | |
CN102509098A (zh) | 一种鱼眼图像车辆识别方法 | |
CN104881661B (zh) | 基于结构相似度的车辆检测方法 | |
CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
CN102867417A (zh) | 一种出租车防伪系统及方法 | |
CN103530608A (zh) | 车辆类型判断方法和装置 | |
CN105893962A (zh) | 一种机场安检卡口人流统计方法 | |
CN106919939B (zh) | 一种交通标识牌跟踪识别方法及系统 | |
Kim et al. | Effective traffic lights recognition method for real time driving assistance systemin the daytime | |
CN102902951A (zh) | 高清视频监控图像的车辆目标定位、事件检测系统及方法 | |
CN109190483A (zh) | 一种基于视觉的车道线检测方法 | |
CN104766337B (zh) | 一种基于跑道边界增强的飞机着陆视觉增强方法 | |
CN103927523B (zh) | 一种基于纵向灰度特征的雾天等级检测方法 | |
CN104268859A (zh) | 一种用于夜间车道线检测的图像预处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C56 | Change in the name or address of the patentee | ||
CP03 | Change of name, title or address |
Address after: 100195, No. 102, room 101, building C-7, North Zone, Dongsheng Science Park, Zhongguancun, Haidian District, 66 Xiao Dong Road, Beijing Patentee after: BOCOM SMART NETWORK TECHNOLOGIES INC. Address before: 100195, J, block 25, static core garden, No. 202, North Hollywood Road, Haidian District, Beijing Patentee before: Beijing Bokang Intelligent Information Technology Co.,Ltd. |