CN102722695A - 缩微交通环境下的锥形标识别方法 - Google Patents
缩微交通环境下的锥形标识别方法 Download PDFInfo
- Publication number
- CN102722695A CN102722695A CN2012101464165A CN201210146416A CN102722695A CN 102722695 A CN102722695 A CN 102722695A CN 2012101464165 A CN2012101464165 A CN 2012101464165A CN 201210146416 A CN201210146416 A CN 201210146416A CN 102722695 A CN102722695 A CN 102722695A
- Authority
- CN
- China
- Prior art keywords
- red
- pixel
- image
- rectangular block
- area
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种缩微交通环境下锥形标识别方法,建立以缩微智能车为原点的地面坐标系,对获取的图像信号进行分析处理从而识别锥形标,即逐个像素扫描,识别图像中的红色像素,将相邻红色像素进行标记形成图像中的红色区域;寻找能框住该红色区域的最小矩形,形成红色矩形块,对红色矩形块编号,并记录其左上角点和右上角点坐标;对编号的两两红色矩形块进行锥形标匹配,识别锥形标,从而完成对锥形标的识别,本发明能够在复杂的缩微交通环境下,特别是在有多块红色干扰的情况下能准确识别锥形标,从而为缩微智能车根据锥形标的摆放位置作出相应的驾驶行为提供准确的道路信息。
Description
技术领域
本发明属于智能交通领域,将视觉图像处理和智能交通集成,提供一种缩微交通环境下的锥形标识别方法。
背景技术
随着经济的发展和人民生活水平的提高,交通活动已经成为人们生活中的重要组成部分。然而由于汽车增长过快,道路相对不足,交通问题已成为经济发展的瓶颈。智能交通系统(ITS)于上世纪60年代末产生了。智能汽车是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统。智能车辆驾驶系统集中地运用了计算机、传感器、信息融合、通讯、人工智能以及自动控制等技术,是典型的高新技术综合体。作为智能交通系统的重要研究内容之一,智能车辆驾驶主要研究整体自动或者作为辅助驾驶系统完成车辆驾驶任务。目前的智能车辆技术中自主导航和自动驾驶是智能车辆开发的关键技术,而自主导航和自动驾驶的实现过程中,最为关键的技术就是计算机视觉。
作为智能交通系统的重要研究内容之一,智能车辆驾驶已经成为未来汽车市场的发展趋势。由于实际交通环境难于为真车智能驾驶技术研究提供试验场地和场景,因此,建立缩微尺度的三维复杂交通环境,为智能驾驶技术研究提供模拟现实、可重复、可验证、可评价的试验平台就显得尤为需要。在李德毅院士等专家的倡导下,智能车辆驾驶领域的相关专家已于2009开始,陆续在北京、重庆、西安、天津等地进行了多次工作会议以及缩微智能车自主驾驶演示。
缩微智能车的智能体现在对缩微交通环境下的交通标志、交通灯、锥形标、障碍物等的正确识别,同时作出正确的驾驶行为。现有技术对缩微环境下的锥形标的识别并未见记载,进而根据锥形标的摆放位置作出相应的驾驶行为存在困难。
发明内容
本发明针对现有技术对缩微环境下的锥形标的识别并未见记载,进而根据锥形标的摆放位置作出相应的驾驶行为存在困难的问题,提出一种缩微交通环境下锥形标识别方法,以便更好的体现缩微智能车在缩微交通环境下的智能性,对锥形标进行识别,进而便于根据锥形标的摆放位置作出相应的驾驶行为。
缩微交通环境下锥形标识别方法,包括:
建立以缩微智能车为原点的地面坐标系的步骤;
获取地面图像信号的步骤;
对地面图像信号进行分析识别锥形标的步骤。
优选的,所述对地面图像信号进行分析识别锥形标的步骤包括:
101、逐个像素扫描,识别图像中的红色像素,将相邻红色像素进行标记形成图像中的红色区域;
103、寻找能框住该红色区域的最小矩形,形成红色矩形块,对红色矩形块编号,并记录其左上角点和右上角点坐标;
105、对编号的两两红色矩形块进行锥形标匹配,识别锥形标。
优选的,步骤103中在对红色矩形块编号之前,还包括103A、红色矩形块预处理过程,即计算红色矩形块面积,去除面积大于1000或小于150的红色矩形块。
优选的,步骤103之后,还包括304、对编号的红色矩形块进行预处理,建立两两编号关联,去除明显不具有锥形特征的编号。
优选的,步骤101所述逐个像素扫描,采用以下任意一种方式:
在图像坐标系下沿着X轴方向从左到右,沿着Y轴方向从上到下;
或者
在图像坐标系下沿着X轴方向从右到左,沿着Y轴方向从上到下;
或者
在图像坐标系下沿着X轴方向从左到右,沿着Y轴方向从下到上;
或者
在图像坐标系下沿着X轴方向从右到左,沿着Y轴方向从下到上。
优选的,步骤101中所述识别图像中的红色像素为,利用RGB颜色模型和HSV颜色模型寻找图像中的红色区域所述HSV是指色相H、饱和度S和明度V;
所述红色区域寻找方法为,采用像素判别公式:
R>50&(G<120||B<120)&(R-G>30)&(R-B>30)
(H>=0&H<12)||(H>170&H<=180)
其中,R为RGB图像像素点红色分量值;G为RGB图像像素点绿色分量值;B为RGB图像像素点蓝色分量值。
优选的,步骤103所述寻找能框住该红色区域的最小矩形,形成红色矩形块为,对于满足条件的红色像素,记录它们的X轴坐标值,Y轴坐标值,寻找坐标值的最大值和最小值,表示为max(X)、min(X)、max(Y)、min(Y),将坐标点X轴坐标值分别与max(X)、min(X)比较,Y轴坐标值分别与max(Y)、min(Y)比较,如果X轴坐标值大于max(X),则用当前的像素X轴坐标值更新max(X),如果X轴坐标值小于min(X),则用当前的像素X轴坐标值更新min(X),如果Y轴坐标值大于max(Y),则用当前的像素Y轴坐标值更新max(Y),如果Y轴坐标值小于min(Y),则用当前的像素Y轴坐标值更新min(Y),最后max(X)、min(X)、max(Y)、min(Y)所形成的矩形即为最小矩形。
优选的,步骤105中所述对编号的两两红色矩形块组进行锥形标匹配,识别锥形标,包括:
105-1、识别红色矩形块组的上下红色梯形区域;
105-2、判断红色矩形块组的矩形中心点的X坐标值差值Xc是否小于10像素,若是,进入105-3,否则,转至105-6;
105-3、判断两块红色区域合成的新矩形与Y轴平行的边长和与X轴平行的边长的比值Pc是否大于1.5小于3,若是,进入105-4,否则,转至105-6;
105-4、判断白色像素点个数是否占特别矩形区域里像素点总个数的70%以上,若是,则转至105-5,否则,转至105-6;
所述特别矩形区域为上红色区域右下角坐标和下红色区域左上角坐标为对角点且两边平行X轴两边平行Y轴所围成;
105-5、标记锥形标匹配成功,记录红色矩形块组,并将白色区域左上角的点标记为锥形标的位置点,转至105-6;
105-6,判断是否所有红色块组都已匹配完,若是,匹配完成,否则,对下一红色块组进行锥形标匹配,重复以上过程。
优选的,步骤105-4所述白色像素点个数根据逐个像素识别特别矩形区域点是否为白色而获得;
所述逐个像素识别特别矩形区域点是否为白色为,利用RGB颜色模型寻找特别矩形区域中的白色像素,即
0.212671×R+0.715160×G+0.072169×B>120
R为RGB图像像素点红色分量值;G为RGB图像像素点绿色分量值;B为RGB图像像素点蓝色分量值。
优选的,在步骤101中还包括识别图像中的白色像素,将相邻白色像素进行标记形成图像中的白色区域;
所述识别图像中的白色像素为利用RGB颜色模型寻找图像中的白色像素点,
0.212671×R+0.715160×G+0.072169×B>120
R为RGB图像像素点红色分量值;G为RGB图像像素点绿色分量值;B为RGB图像像素点蓝色分量值。
本发明建立以缩微智能车为原点的地面坐标系,对获取的图像信号进行分析处理从而识别锥形标,即逐个像素扫描,识别图像中的红色像素,将相邻红色像素进行标记形成图像中的红色区域;寻找能框住该红色区域的最小矩形,形成红色矩形块,对红色矩形块编号,并记录其左上角点和右上角点坐标;对编号的两两红色矩形块进行锥形标匹配,识别锥形标,从而完成对锥形标的识别,本发明能够在复杂的缩微交通环境下,特别是在有多块红色干扰的情况下能准确识别锥形标,从而为缩微智能车根据锥形标的摆放位置作出相应的驾驶行为提供准确的道路信息。
附图说明
图1为缩微智能车辆模型;
图2为图像采集装置采集的锥形标图像;
图3为本发明缩微交通环境下锥形标识别方法优选实施例流程示意图;
图4为本发明缩微交通环境下锥形标识别方法另一优选实施例流程示意图;
图5为本发明缩微交通环境下锥形标识别方法对地面图像信号进行分析识别锥形标的优选实施例流程示意图;
图6本发明缩微交通环境下锥形标识别方法对编号的两两红色矩形块组进行锥形标匹配,识别锥形标的优选实施例流程示意图;
图7为本发明缩微交通环境下锥形标识别方法另一优选实施例流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明做进一步详细说明。
为便于理解,参见图1所示缩微智能车辆模型,图像采集装置11(例如:罗技COMS C210摄像头)位于缩微智能车辆中部位置距离地面大约25-28厘米处,图像采集装置(摄像头)将采集到的信号传送给微处理器,微处理器按本发明实施例对每一帧图像进行处理,从而对锥形标进行识别;在图2所示缩微环境下,锥形标的显著特征是:在图像坐标系下沿着Y轴方向从上到下锥形标是由上红色梯形区域、白色梯形区域、下红色梯形区域组成,三块区域中心点的X轴坐标值相等或者相差不大;
本发明的缩微交通环境下锥形标识别方法,优选实施例流程示意如图3所示,包括:
201、建立以缩微智能车为原点的地面坐标系的步骤;
202、获取地面图像信号的步骤;
203、对地面图像信号进行分析识别锥形标的步骤。
由于小车的摄像头垂直对应小车前轮轴线,所述建立以缩微智能车为原点的地面坐标系的步骤即是建立以缩微智能车为原点(典型的如缩微智能车前轴的中心)、以地面水平面为横轴(X轴)、以垂直地面为纵轴(Y轴)建立的地面坐标系。
特别说明的是,本发明所述建立以缩微智能车为原点的地面坐标系,并不限制在图像采集前进行,也可以在获取地面图像信号后,例如,对地面图像信号进行分析处理前进行,或者甚至在对地面图像信号进行分析处理过程中进行。
所述获取地面图像信号的步骤即是获取地面图像信号,可采用通用或者专用摄像头,例如,COMS摄像头,或者CCD摄像头等;作为一个实例,利用COMS摄像头(例如罗技C210)实时采集道路图像信息,参见图2所示。
所述对地面图像信号进行分析识别锥形标的步骤即是对地面图像信号进行分析识别锥形标,优选实施例流程示意如图4所示,包括:
301、逐个像素扫描,识别图像中的红色像素,将相邻红色像素进行标记形成图像中的红色区域;
本实施例中,所述识别图像中的红色像素为利用RGB颜色模型和HSV颜色模型寻找图像中的红色像素点,所述HSV是指色相H、饱和度S和明度V;
R>50&(G<120||B<120)&(R-G>30)&(R-B>30)
(H>=0&H<12)||(H>170&H<=180)
其中,R为RGB图像像素点红色分量值;G为RGB图像像素点绿色分量值;B为RGB图像像素点蓝色分量值,H为HSV颜色模型的色相分量。
对于识别图像中的红色像素,进行逐个像素扫描的方向,可以采用以下方式一:
在图像坐标系下沿着X轴方向从左到右,沿着Y轴方向从上到下;
或者
在图像坐标系下沿着X轴方向从右到左,沿着Y轴方向从上到下;
或者
在图像坐标系下沿着X轴方向从左到右,沿着Y轴方向从下到上;
或者
在图像坐标系下沿着X轴方向从右到左,沿着Y轴方向从下到上;
所述将相邻红色像素进行标记形成图像中的红色区域,典型的,采用区域生长法,通过区域生长法可以找到每块满足阀值范围的红色块;
303、寻找能框住该红色区域的最小矩形,形成红色矩形块,对红色矩形块编号,并记录其左上角点和右上角点坐标;
所述寻找能框住该红色区域的最小矩形,形成红色矩形块为,对于满足条件的红色像素,记录它们的X轴坐标值,Y轴坐标值,寻找坐标值的最大值和最小值,表示为max(X)、min(X)、max(Y)、min(Y)。对于坐标点,将其X轴坐标值分别与max(X)、min(X)比较,Y轴坐标值分别与max(Y)、min(Y)比较,如果X轴坐标值大于max(X),则用当前的像素X轴坐标值更新max(X),如果X轴坐标值小于min(X),则用当前的像素X轴坐标值更新min(X),如果Y轴坐标值大于max(Y),则用当前的像素Y轴坐标值更新max(Y),如果Y轴坐标值小于min(Y),则用当前的像素Y轴坐标值更新min(Y),最后max(X)、min(X)、max(Y)、min(Y)所形成的矩形即为最小矩形。
本实施例中,根据进行图像扫描方向,对于第一个满足条件的红色块编号为红色矩形块1,第二个满足条件的红色块编号为红色矩形块2,依次类推,对所有红色矩形块进行编号。
进一步地,作为一种优选实施方式,步骤303中在对红色矩形块编号之前,还包括303A、红色矩形块预处理过程,即计算红色矩形块面积,去除面积大于1000或小于150的红色矩形块
进一步地,作为一种优选实施方式,如图5所示,包括304、对编号的红色矩形块进行预处理,建立两两编号关联,去除明显不具有锥形特征的编号,即面积明显偏大或偏小的。所述编号关联是指两个编号之间的距离具有锥形特征的可能性。
305、对编号的两两红色矩形块进行锥形标匹配,识别锥形标。
所述对编号的两两红色矩形块(也称为红色矩形块组)进行锥形标匹配,识别锥形标,优选实施例流程如图6所示,包括:
305-1、识别红色矩形块组的上下红色梯形区域,即根据红色矩形块组左上角点坐标的Y值判断上下红色梯形区域,Y值小的为锥形标的上红色梯形区域,Y值大的为锥形标下红色梯形区域;
305-2、判断红色矩形块组的矩形中心点的X坐标值差值Xc是否小于10像素,若是,进入305-3,否则,转至305-6;
305-3、判断两块红色区域合成的新矩形与Y轴平行的边长和与X轴平行的边长的比值Pc是否大于1.5小于3,若是,进入305-4,否则,转至305-6;
305-4、判断白色像素点个数是否占特别矩形区域里像素点总个数的70%以上,若是,则转至305-5,否则,转至305-6;
所述特别矩形区域为上红色区域右下角坐标和下红色区域左上角坐标为对角点且两边平行X轴两边平行Y轴所围成,
所述白色像素点个数根据逐个像素识别特别矩形区域点是否为白色而获得;
所述逐个像素识别此矩形区域点是否为白色为,利用RGB颜色模型寻找图像中白色区域,即
0.212671×R+0.715160×G+0.072169×B>120
R为RGB图像像素点红色分量值;G为RGB图像像素点绿色分量值;B为RGB图像像素点蓝色分量值。
本实施例根据锥形标两块红色区域中间应该是白色梯形区域的特点,进行白色区域识别,以便进一步确定锥形标。
305-5、标记锥形标匹配成功,记录红色矩形块组,并将白色区域左上角的点标记为锥形标的位置点,转至305-6;
305-6,判断是否所有红色块组都已匹配完,若是,匹配完成,否则,对下一红色块组进行锥形标匹配,重复以上过程,即重复305-1至305-6。
本实施例中,如果红色矩形块1和红色矩形块2匹配不成功,则抛弃红色矩形块1,让红色矩形块2和红色矩形块3匹配,以此类推,直到遍历所有红色矩形块。
所述对地面图像信号进行分析识别锥形标,另一优选实施例流程示意如图7所示,包括:
401、逐个像素扫描,识别图像中的红色像素和白色像素,将相邻红色像素进行标记形成图像中的红色区域,将相邻白色像素进行标记形成图像中的白色区域,
本实施例中,所述识别图像中的红色像素为利用RGB颜色模型和HSV颜色模型寻找图像中的红色像素点,HSV是指色相H、饱和度S和明度V;
R>50&(G<120||B<120)&(R-G>30)&(R-B>30)
(H>=0&H<12)||(H>170&H<=180)
所述识别图像中的白色像素为利用RGB颜色模型寻找图像中的白色像素点;
0.212671×R+0.715160×G+0.072169×B>120
R为RGB图像像素点红色分量值;G为RGB图像像素点绿色分量值;B为RGB图像像素点蓝色分量值。
对于逐个像素识别图像中的红色像素和白色像素的扫描方向,可以采用以下方式一:
在图像坐标系下沿着X轴方向从左到右,沿着Y轴方向从上到下;
或者
在图像坐标系下沿着X轴方向从右到左,沿着Y轴方向从上到下;
或者
在图像坐标系下沿着X轴方向从左到右,沿着Y轴方向从下到上;
或者
在图像坐标系下沿着X轴方向从右到左,沿着Y轴方向从下到上;
典型的,所述将相邻红色像素进行标记形成图像中的红色区域和所述将相邻白色像素进行标记形成图像中的白色区域采用区域生长法,通过区域生长法可以找到每块满足阀值范围的红色块或者白色块。
403、寻找能框住该红色区域的最小矩形,形成红色矩形块,对红色矩形块编号,并记录其左上角点和右上角点坐标;
所述寻找能框住该红色区域的最小矩形为,对于满足条件的红色像素,记录它们的X轴坐标值,Y轴坐标值,寻找坐标值的最大值和最小值,表示为max(X)、min(X)、max(Y)、min(Y)。对于坐标点,将其X轴坐标值分别与max(X)、min(X)比较,Y轴坐标值分别与max(Y)、min(Y)比较,如果X轴坐标值大于max(X),则用当前的像素X轴坐标值更新max(X),如果X轴坐标值小于min(X),则用当前的像素X轴坐标值更新min(X),如果Y轴坐标值大于max(Y),则用当前的像素Y轴坐标值更新max(Y),如果Y轴坐标值小于min(Y),则用当前的像素Y轴坐标值更新min(Y),最后max(X)、min(X)、max(Y)、min(Y)所形成的矩形即为最小矩形。
本实施例中,根据进行图像扫描方向,对于第一个满足条件的红色块编号为红色矩形块1,第二个满足条件的红色块编号为红色矩形块2,依次类推,对所有红色矩形块进行编号。
进一步地,作为一种优选实施方式,步骤403中在对红色矩形块编号之前,还包括402、红色矩形块预处理过程,即计算红色矩形块面积,去除面积大于1000或小于150的红色矩形块
进一步地,作为一种优选实施方式,包括404、对编号的红色矩形块进行预处理,建立两两编号关联,去除明显不具有锥形特征的编号,即面积明显偏大或偏小的。所述编号关联是指两个编号之间的距离具有锥形特征的可能性。
405、对编号的两两红色矩形块进行锥形标匹配,识别锥形标。
所述对编号的两两红色矩形块(也称为红色矩形块组)进行锥形标匹配,识别锥形标,包括:
405-1、识别红色矩形块组的上下红色梯形区域,即根据红色矩形块组左上角点坐标的Y值判断上下红色梯形区域,Y值小的为锥形标的上红色梯形区域,Y值大的为锥形标下红色梯形区域;
405-2、判断红色矩形块组的矩形中心点的X坐标值差值Xc是否小于10像素,若是,进入405-3,否则,转至405-6;
405-3、判断两块红色区域合成的新矩形与Y轴平行的边长和与X轴平行的边长的比值Pc是否大于1.5小于3,若是,进入405-4,否则,转至405-6;
405-4、判断白色像素点个数是否占特别矩形区域里像素点总个数的70%以上,若是,则转至405-5,否则,转至405-6;
所述特别矩形区域为上红色区域右下角坐标和下红色区域左上角坐标为对角点且两边平行X轴两边平行Y轴所形成,
所述白色像素点个数根据逐个像素识别特别矩形区域点是否为白色而获得;
所述识别图像中的白色像素为利用RGB颜色模型寻找图像中的白色像素点;
0.212671×R+0.715160×G+0.072169×B>120
R为RGB图像像素点红色分量值;G为RGB图像像素点绿色分量值;B为RGB图像像素点蓝色分量值。
本实施例根据锥形标两块红色区域中间应该是白色梯形区域的特点,进行白色区域识别,以便进一步确定锥形标。
405-5、标记锥形标匹配成功,记录红色矩形块组,并将白色区域左上角的点标记为锥形标的位置点,转至405-6;
405-6,判断是否所有红色块组都已匹配完,若是,匹配完成,否则,重复以上过程。
本实施例中,如果红色矩形块1和红色矩形块2匹配不成功,则抛弃红色矩形块1,让红色矩形块2和红色矩形块3匹配,以此类推,直到遍历所有红色矩形块。
本发明所举实施方式或者实施例对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施方式或者实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.缩微交通环境下锥形标识别方法,其特征在于:包括:
建立以缩微智能车为原点的地面坐标系的步骤;
获取地面图像信号的步骤;
对地面图像信号进行分析识别锥形标的步骤。
2.根据权利要求1所述缩微交通环境下锥形标识别方法,其特征在于:所述对地面图像信号进行分析识别锥形标的步骤包括:
101、逐个像素扫描,识别图像中的红色像素,将相邻红色像素进行标记形成图像中的红色区域;
103、寻找能框住该红色区域的最小矩形,形成红色矩形块,对红色矩形块编号,并记录其左上角点和右上角点坐标;
105、对编号的两两红色矩形块进行锥形标匹配,识别锥形标。
3.根据权利要求2所述缩微交通环境下锥形标识别方法,其特征在于:步骤103中在对红色矩形块编号之前,还包括103A、红色矩形块预处理过程,即计算红色矩形块面积,去除面积大于1000或小于150的红色矩形块。
4.根据权利要求2或3所述缩微交通环境下锥形标识别方法,其特征在于:步骤103之后,还包括304、对编号的红色矩形块进行预处理,建立两两编号关联,去除明显不具有锥形特征的编号。
5.根据权利要求2-4任一所述缩微交通环境下锥形标识别方法,其特征在于:步骤101所述逐个像素扫描,采用以下任意一种方式:
在图像坐标系下沿着X轴方向从左到右,沿着Y轴方向从上到下;
或者
在图像坐标系下沿着X轴方向从右到左,沿着Y轴方向从上到下;
或者
在图像坐标系下沿着X轴方向从左到右,沿着Y轴方向从下到上;
或者
在图像坐标系下沿着X轴方向从右到左,沿着Y轴方向从下到上。
6.根据权利要求2-4任一所述缩微交通环境下锥形标识别方法,其特征在于:步骤101中所述识别图像中的红色像素为,利用RGB颜色模型和HSV颜色模型寻找图像中的红色区域,所述HSV是指色相H、饱和度S和明度V;
所述红色区域寻找方法为,采用像素判别公式:
R>50&(G<120||B<120)&(R-G>30)&(R-B>30)
(H>=0&H<12)||(H>170&H<=180)
其中,R为RGB图像像素点红色分量值;G为RGB图像像素点绿色分量值;B为RGB图像像素点蓝色分量值。
7.根据权利要求6所述缩微交通环境下锥形标识别方法,其特征在于:步骤103所述寻找能框住该红色区域的最小矩形,形成红色矩形块为,对于满足条件的红色像素,记录它们的X轴坐标值,Y轴坐标值,寻找坐标值的最大值和最小值,表示为max(X)、min(X)、max(Y)、min(Y),将坐标点X轴坐标值分别与max(X)、min(X)比较,Y轴坐标值分别与max(Y)、min(Y)比较,如果X轴坐标值大于max(X),则用当前的像素X轴坐标值更新max(X),如果X轴坐标值小于min(X),则用当前的像素X轴坐标值更新min(X),如果Y轴坐标值大于max(Y),则用当前的像素Y轴坐标值更新max(Y),如果Y轴坐标值小于min(Y),则用当前的像素Y轴坐标值更新min(Y),最后max(X)、min(X)、max(Y)、min(Y)所形成的矩形即为最小矩形。
8.根据权利要求2-4中任一所述缩微交通环境下锥形标识别方法,其特征在于:步骤105中所述对编号的两两红色矩形块组进行锥形标匹配,识别锥形标,包括:
105-1、识别红色矩形块组的上下红色梯形区域;
105-2、判断红色矩形块组的矩形中心点的X坐标值差值Xc是否小于10像素,若是,进入105-3,否则,转至105-6;
105-3、判断两块红色区域合成的新矩形与Y轴平行的边长和与X轴平行的边长的比值Pc是否大于1.5小于3,若是,进入105-4,否则,转至105-6;
105-4、判断白色像素点个数是否占特别矩形区域里像素点总个数的70%以上,若是,则转至105-5,否则,转至105-6;
所述特别矩形区域为上红色区域右下角坐标和下红色区域左上角坐标为对角点且两边平行X轴两边平行Y轴所围成;
105-5、标记锥形标匹配成功,记录红色矩形块组,并将白色区域左上角的点标记为锥形标的位置点,转至105-6;
105-6,判断是否所有红色块组都已匹配完,若是,匹配完成,否则,对下一红色块组进行锥形标匹配,重复以上过程。
9.根据权利要求8所述缩微交通环境下锥形标识别方法,其特征在于:步骤105-4所述白色像素点个数根据逐个像素识别特别矩形区域点是否为白色而获得;
所述逐个像素识别特别矩形区域点是否为白色为,利用RGB颜色模型寻找特别矩形区域中的白色像素,即
0.212671×R+0.715160×G+0.072169×B>120
R为RGB图像像素点红色分量值;G为RGB图像像素点绿色分量值;B为RGB图像像素点蓝色分量值。
10.根据权利要求2所述缩微交通环境下锥形标识别方法,其特征在于:在步骤101中还包括识别图像中的白色像素,将相邻白色像素进行标记形成图像中的白色区域;
所述识别图像中的白色像素为利用RGB颜色模型寻找图像中的白色像素点,
0.212671×R+0.715160×G+0.072169×B>120
R为RGB图像像素点红色分量值;G为RGB图像像素点绿色分量值;B为RGB图像像素点蓝色分量值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210146416.5A CN102722695B (zh) | 2012-05-11 | 2012-05-11 | 缩微交通环境下的锥形标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210146416.5A CN102722695B (zh) | 2012-05-11 | 2012-05-11 | 缩微交通环境下的锥形标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102722695A true CN102722695A (zh) | 2012-10-10 |
CN102722695B CN102722695B (zh) | 2015-03-25 |
Family
ID=46948445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210146416.5A Active CN102722695B (zh) | 2012-05-11 | 2012-05-11 | 缩微交通环境下的锥形标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102722695B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104280036A (zh) * | 2013-07-05 | 2015-01-14 | 北京四维图新科技股份有限公司 | 一种交通信息的检测与定位方法、装置及电子设备 |
CN106657974A (zh) * | 2017-02-27 | 2017-05-10 | 北京图森未来科技有限公司 | 双目摄像机的控制方法及装置、双目摄像机 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050117781A1 (en) * | 2003-12-01 | 2005-06-02 | Honda Motor Co., Ltd. | Land mark, land mark detecting apparatus, land mark detection method and computer program of the same |
CN102194102A (zh) * | 2010-03-04 | 2011-09-21 | 哈曼贝克自动系统股份有限公司 | 对交通标志进行分类的方法和装置 |
CN102306282A (zh) * | 2011-07-19 | 2012-01-04 | 北京博康智能信息技术有限公司 | 一种车牌定位方法及车牌定位装置 |
-
2012
- 2012-05-11 CN CN201210146416.5A patent/CN102722695B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050117781A1 (en) * | 2003-12-01 | 2005-06-02 | Honda Motor Co., Ltd. | Land mark, land mark detecting apparatus, land mark detection method and computer program of the same |
CN102194102A (zh) * | 2010-03-04 | 2011-09-21 | 哈曼贝克自动系统股份有限公司 | 对交通标志进行分类的方法和装置 |
CN102306282A (zh) * | 2011-07-19 | 2012-01-04 | 北京博康智能信息技术有限公司 | 一种车牌定位方法及车牌定位装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104280036A (zh) * | 2013-07-05 | 2015-01-14 | 北京四维图新科技股份有限公司 | 一种交通信息的检测与定位方法、装置及电子设备 |
CN106657974A (zh) * | 2017-02-27 | 2017-05-10 | 北京图森未来科技有限公司 | 双目摄像机的控制方法及装置、双目摄像机 |
CN106657974B (zh) * | 2017-02-27 | 2024-02-09 | 北京图森智途科技有限公司 | 双目摄像机的控制方法及装置、双目摄像机 |
Also Published As
Publication number | Publication date |
---|---|
CN102722695B (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103500322B (zh) | 基于低空航拍图像的车道线自动识别方法 | |
CN103386975B (zh) | 一种基于机器视觉的车辆避障方法及系统 | |
US8750567B2 (en) | Road structure detection and tracking | |
CN107506760A (zh) | 基于gps定位与视觉图像处理的交通信号检测方法及系统 | |
CN102999916B (zh) | 一种彩色图像的边缘提取方法 | |
CN104375509B (zh) | 一种基于rfid和视觉的信息融合定位系统及方法 | |
CN107463918A (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
CN106127107A (zh) | 基于车牌信息和车辆轮廓的多路视频信息融合的车型识别方法 | |
CN107516077A (zh) | 基于激光点云和影像数据融合的交通标牌信息提取方法 | |
CN108068817A (zh) | 一种无人驾驶汽车自动变道装置及方法 | |
CN103208185A (zh) | 一种基于车灯识别的夜间车辆检测方法及系统 | |
CN104181920B (zh) | 一种基于视觉的agv定位方法 | |
CN103389733A (zh) | 一种基于机器视觉的车辆巡线方法及系统 | |
CN101929867A (zh) | 使用道路模型的畅通路径检测 | |
CN107065871A (zh) | 一种基于机器视觉的自走餐车识别定位系统及方法 | |
CN106407924A (zh) | 基于路面特征的双目道路识别检测方法 | |
CN102663760A (zh) | 一种对图像中的车辆挡风镜区域进行定位分割的方法 | |
CN108256467B (zh) | 一种基于视觉注意机制和几何特征的交通标志检测方法 | |
CN107578012A (zh) | 一种基于聚类算法选择敏感区域的驾驶辅助系统 | |
CN102915433A (zh) | 基于字符组合的车牌定位和识别方法 | |
CN106326822A (zh) | 车道线检测的方法及装置 | |
CN112329747A (zh) | 基于视频识别和深度学习的车辆参数检测方法及相关装置 | |
CN109919144A (zh) | 可行驶区域检测方法、装置、计算机存储介质及路测视觉设备 | |
CN110502971B (zh) | 基于单目视觉的道路车辆识别方法及系统 | |
CN106446785A (zh) | 基于双目视觉的可行道路检测方法 |
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 |