CN103116757A - 一种三维信息复原提取的道路遗洒物识别方法 - Google Patents
一种三维信息复原提取的道路遗洒物识别方法 Download PDFInfo
- Publication number
- CN103116757A CN103116757A CN2013100363477A CN201310036347A CN103116757A CN 103116757 A CN103116757 A CN 103116757A CN 2013100363477 A CN2013100363477 A CN 2013100363477A CN 201310036347 A CN201310036347 A CN 201310036347A CN 103116757 A CN103116757 A CN 103116757A
- Authority
- CN
- China
- Prior art keywords
- target
- utilize
- point
- image
- static
- 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
Abstract
本发明公开了一种三维信息复原提取的道路遗洒物识别方法,该方法具体包括步骤:用CCD摄像机获取城市道路视频图像序列;利用双效层交互分割算法分割出静态前景目标区域;利用八连通区域提取静态前景轮廓;利用目标区域几何形状特征构建非线性二维模式分类器,排除静态前景干扰,检测疑似遗洒目标;利用透视投影矩阵复原目标三维信息;利用去异优化鲁棒算法估算最优地平面方程,求取目标相对地面极高值,识别危险性遗洒目标。本发明具有高效、灵活、性价比高的特点,为开发高效的智能障碍物识别系统提供了一种新的思路。
Description
技术领域
本文涉及智能交通视频图像监控,计算机视觉技术和三维重构技术领域,尤其涉及一种三维信息复原提取的道路遗洒物识别方法。
背景技术
近年来,随着高速公路通行量的不断增加,车辆遗洒事件时有发生,因过往车辆上的遗洒物、坠落物引发的交通事故也不断增多,不仅会使得车辆绕行,降低道路运营效率,更重要的是会对其他车辆造成安全隐患,因为一旦事故发生,往往容易演变为重大交通事故,给通行车辆和司乘人员造成生命财产损失,而且给高速公路运营管理单位带来了经济损失和诉讼纠纷,增加了高速公路的管理难度。
目前,国外已有的研究成果多是应用在滞留物和偷窃物等方面的检测,而针对道路遗洒事件的检测并不常见,现有算法应用于道路遗洒物检测时,其可行性、精确度都有待考证,而国内在该领域的研究仍存在许多空白。随着城市道路、高速公路和隧道上安装的视频传感器的普及和视频监控技术的不断发展,传统的人工视频监控已经不能满足实时发现交通异常状态的需求,因此充分利用现有的监控设备,研究基于视频图像序列的遗洒物事件检测技术,不仅能够获取更多的交通状态信息,改善当前视频监控的落后状况,更能提高设备价值,提前预防交通隐患,保障交通道路安全高效的运行。
发明内容
本发明的目的是提供一种三维信息复原提取的道路遗洒物识别方法,用于道路中可能造成交通事故的遗洒物的实时判别,为交通诱导与控制监控系统提供主要依据。
为了实现上述目的,本发明提出一种三维信息复原的道路遗洒物识别方法,具体包括以下步骤:
S1,通过固定CCD摄像机获取道路视频图像序列,对视频做中值滤波,图像平滑和梯度锐化等图像预处理操作,去除设备自身带来的噪声影响;
S2,建立更新速率较快的短效背景模型和更新速率缓慢的自适应混合高斯长效背景模型,通过背景差分法和自适应动态阈值法检测出当前帧图像中各像素在场景和运动目标间的归属情况,利用双效层交互分割算法分割出静态前景目标区域,利用形态学的开运算清除噪声干扰,利用八连通区域提取静态前景轮廓;
S3,利用S2骤分割出的结果中提取目标区域的纵横比、区域面积、区域周长、破碎性和分散度的几何形状特征,构建非线性二维模式分类器,排除车类静态前景的干扰,检测出遗似遗洒目标;
S4,利用张正友平面模板标定方法标定得到摄像机的内参矩阵,通过SIFT特征点提取、特征点匹配和构建圆形特征描述符估算摄像机外参矩阵,利用透视投影矩阵复原目标三维信息;
S5,利用去异优化鲁棒算法迭代提取最优地平面样本点,通过最小二乘拟合估算最优地平面方程,求取S4步骤中的三维目标点相对地面的极高值,识别是否为危险性遗洒。
进一步,所述步骤S2中包括以下步骤:
S21)提出对称弥补差分背景提取及选择性更新算法建立更新速率较快的短效背景模型,使得静止的静态前景快速融入背景;
S22)利用自适应混合高斯背景模型建立长效背景模型,通过阶段性更新方法和学习更新率的变化防止静态前景快速的融入到背景中;
S23)利用自适应动态阈值法获取背景和前景图像;
S24)提出双效层间交互分割算法得到静态前景目标区域;
S25)利用形态学的开运算清除噪声区域干扰;
S26)利用八连通区域标识方法提取静态前景区域的轮廓信息。
进一步,所述步骤S3具体包括以下步骤:
S31,根据S2提获取的静态前景目标区域,提取目标区域纵横比、区域面积、区域周长、破碎性和分散度的几何特征,共同组成五维特征向量:
S32,构建非线性二维模式分类器SVM,通过样本学习和训练,对测试样本进行分类,分离静态前景干扰目标,标记疑似遗洒目标。
进一步,所述步骤S4中包括以下步骤:
S41)利用张正友平面模板标定方法,标定摄像机内参矩阵;
S42)通过尺度不变特征变换提取目标特征点;
S43)构建具有旋转不变性的72维圆形SIFT特征描述符;
S44)利用搜索最邻近匹配策略,完成空间序列图像SIFT特征点的匹配。
S45)利用步骤S44)中获取的特征匹配点对和鲁棒性估计算法估算基本矩阵和本质矩阵;通过最小二乘逼近修正本质矩阵,获取摄像机运动参数,利用最小二乘拟合法复原特征点三维信息。
进一步,所述步骤S5利用去异优化鲁棒算法估算最优地平面方程,求取目标相对地面极高值,识别危险性遗洒目标;该算法包括以下步骤:
S52)使用服从正态分布的随机数来选择样本,使得大多数样本处于图像的中央区域的道路上,提取的道路平面方程更为可靠;
S53)利用去异优化鲁棒算法选择最优地面三维样本点,估算最优地平面方程的具体步骤包括:
(1)从已经获得的三维点坐标中选取其对应的服从正态分布的N个图像二维坐标点,选取满足条件的三维点为初始样本集。
化简可得
(5)如果在迭代次数阈值范围内,每次获得的内点个数都小于内点个数阈值,则在达到迭代次数之后转而寻找获取的内点个数最多的那一次,并将该次产生的好点作为最佳样本,利用得到最优样本进行最小二乘法拟合求取平面方程系数;
S54)估算步骤S4中所有三维特征点相对最优道路平面方程的实际高度值,并获取最高值;
S55)若实际最高值高于预设报警值10cm,发出报警,并记录提取的实际最高值。
本发明的有益效果是:本发明的一种三维信息复原提取的道路遗洒物识别方法,实现城市道路中突发的可能造成交通事故的遗洒目标自动识别,充分利用计算机视觉,图像处理和模式识别新技术,实现道路视频监控智能化,为迅速发现威胁城市道路安全的遗洒物提供极大的帮助,进一步提升了城市智能监控系统的能力和整体指挥能力。
附图说明
图1是本发明一种三维信息复原提取的道路遗洒物识别方法流程图。
图2所示为双效层间交互分割算法具体流程图。
图3所示为分离静态前景干扰,检测疑似遗洒目标的流程图。
图4所示为目标三维信息复原方法流程图。
图5所示为利用去异优化鲁棒算法提取最优地平面,识别危险性遗洒目标的流程图。
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,对本发明的三维信息复原提取的道路遗洒物识别方法进行进一步详细说明。应当理解,此处所描述的具体实施仅仅用以解释本发明,并不用于限定本发明。
本发明的三维信息复原提取的道路遗洒物识别方法,通过对发生交通异常的城市道路视频监控图像的分析,实现三维信息复原的道路遗洒物自动识别,使得减少道路遗洒对交通状态的影响和可能带来的交通事故损失,为交通诱导和交通控制提供依据。
下面详细描述本发明的三维信息复原提取的道路遗洒物识别方法,如图1所示,获取城市道路视频图像序列;双效层间交互分割算法;分离静态前景干扰目标,检测疑似遗洒目标;目标三维信息复原;利用去异优化鲁棒算法估算最优地平面方程,求取目标相对地面极高值,识别危险性遗洒目标。其处理步骤具体如下:
S1,通过固定CCD摄像机获取道路视频图像序列,对视频做中值滤波,图像平滑和梯度锐化的图像预处理操作,去除设备自身带来的噪声影响。
S2,建立更新速率较快的短效背景模型和更新速率缓慢的自适应混合高斯长效背景模型,通过背景差分法和自适应动态阈值法检测出当前帧图像中各像素在场景和运动目标间的归属情况,利用双效层交互分割算法分割出静态前景目标区域,利用形态学的开运算清除噪声干扰,利用八连通区域提取静态前景轮廓。
S3,从S12分割出的结果中提取目标区域的纵横比、区域面积、区域周长、破碎性和分散度的几何形状特征,构建非线性二维模式分类器,排除车类静态前景的干扰,检测出遗似遗洒目标。
S4,利用张正友平面模板标定方法标定得到摄像机的内参矩阵,通过SIFT特征点提取、特征点匹配和构建圆形特征描述符估算摄像机外参矩阵,利用透视投影矩阵复原目标三维信息。
S5,利用去异优化鲁棒算法迭代提取最优地平面样本点,通过最小二乘拟合估算最优地平面方程,求取S14步骤中的三维目标点相对地面的极高值,识别是否为危险性遗洒。
如图2所示,双效层间交互分割算法具体过程包括如下步骤:
S21,对称弥补差分背景提取及选择性更新算法具体为:基本思想是通过前景图像和当前帧图像不断迭代更新,从而提取出初始背景,并利用背景差分结果选择性更新目标区域。对称弥补差分背景提取方法具体步骤如下:
(6)
当迭代一定步数之后,获取的背景中不再有运动目标区域,初始背景图像的提取结束。
背景更新时,常用传统的选择更新法即只更新除运动目标区域以外的背景像素点,而运动区域对应的背景像素点保持不变。该方法当原来属于背景或已融入背景的目标开始运动时容易出现背景更新的“死锁”问题,因此本文通过背景差分提取出运动目标区域后,对该区域判断是否为虚假运动区域,进而有效地更新背景图像,具体步骤如下:
选取跳跃度和稳定度两个参数进行判定,跳跃度T是像素点当前差分图像灰度值与前五帧差分图像灰度值的最大绝对值,表示差分灰度值跳跃的程度:
S22,长效背景模型则采用自适应混合高斯模型。对每一个像素点定义K个状态来描述其像素值,K一般取3-5之间。K越大,处理背景干扰能力越强,相应的所需出来时间也越长。
混合高斯模型具有实时更新的特点,能够适应光线的变化,因此能够抑制光线噪声并检测到运动背景,但也会将静止不变的像素更新到背景中,从而无法检测到静态前景。因此,本方法采用非实时更新机制,通过阶段性的更新方法和学习更新率的变化,防止静态前景被快速的融入到背景当中。
其中T为阈值,阈值的选取直接影响到二值图像的质量。
本方法综合考虑类间方差和类的内聚性,采用“最大方差比”自适应动态阈值选取算法,动态调整分割阈值。
S24, 双效层间交互分割算法得到静态前景目标区域具体步骤为:
利用建立的长效、短效背景模型和自适应动态阈值法进行二值化差分,得到双效前景,如下所示:
将双效背景做差分二值化得到目标区域A:
(14)
而双效前景进行异或操作得到目标区域A。
(15)
对A和B做与操作,分割出二值化的静态前景目标区域。
S25, 视频图像中往往包含其他由于树枝摇动,相机抖动造成的噪声区域,采用数学形态学的开运算去除小面积的干扰噪声区域。
S26, 图像二值化后,场景中的疑似遗洒目标作为静态前景点被提取出来,进一步的,本系统采用八连通区域标识方法提取静态前景区域的轮廓信息。具体包括:
利用数学形态学的腐蚀算子消除孤立点;
利用数学形态学的膨胀算子填补对象局部区域的空洞;
利用八连通标记方法对各连通区域进行标记。
经过上述处理,即可较完整的分割静态前景运动目标,为下一步的疑似遗洒检测奠定基础。
如图3所示,分离静态前景干扰目标,检测疑似遗洒目标具体过程包括:
S31,根据S2提获取的静态前景目标区域,提取目标区域纵横比、区域面积、区域周长、破碎性和分散度的几何特征:
分散度:
由以上几何特征共同组成五维特征向量:
(16)
S32,构建非线性二维模式分类器SVM,通过样本学习和训练,对测试样本进行分类,分离静态前景干扰目标,标记疑似遗洒目标。
如图4所示,目标三维信息复原方法的具体过程包括:
S41,通过在不同角度拍摄多幅固定的棋盘格标定板图像,利用张正友平面模板标定原理,实现摄像机内参矩阵K的标定。
S42,通过尺度不变特征变换提取目标特征点的具体过程如下:
通过对图像做第二次高斯函数之差的卷积操作,能够检测出不同尺度空间中稳定的特征点,获取的高斯差分函数DOG如式(18),其中K为尺度比例因子。
每隔个像素距离对图像采样(相当于图像长度和宽度放大一倍),再通过成倍递增的不同尺度因子()的高斯滤波函数对采样图像进行滤波,获得第一组层高斯图像。再以成倍的采样距离对图像进行第二次采样,用成倍递增的不同尺度因子()的高斯滤波函数对采样图像进行滤波,获得第二组层高斯图像。以此类推最终得到多组高斯图像构成的高斯尺度金字塔。
确定候选特征点,DOG尺度空间金字塔的中间图层中的每个样本像素点需要和它相邻的8个像素点进行比较,同时还要和金字塔分层图像中上下相邻图像层中对应的个像素点进行比较,共需要与26个像素进行比较,若该像素是26个像素中的极大或极小值,则该点即为一个局部极值点。
通过拟和三维二次函数以精确定位极值点,同时为了增强匹配稳定性及抗噪声能力,去除了低对比度点和不稳定的边缘点。
为了使生成的特征向量具有旋转不变性,每个特征点的方向是由特征点邻域像素梯度方向的分布特性来确定。
S43,构建具有旋转不变性的72维圆形SIFT特征描述符具体步骤包括:
以每个环形区域作为一个子环。取第一个环内的8个像素灰度值统计出8个方向的梯度累加值,并排序作为特征向量的第1到8个元素值;取第二个圆环内的12个像素灰度值统计出8个方向的梯度累加值,排序作为特征向量的第9到16个元素值,以此类推知道第9个圆环内的梯度累加值排序作为特征向量的第65到72个元素值。同时,在计算梯度累加值时也要采用高斯函数来加权计算、最后得到一个的特征向量即为特征点的特征描述符。最后,通过对向量做标准归一化处理以降低光照变化的影响。
S44,采用最邻近算法,即按照如下欧氏距离计算公式计算样本特征点的最近邻距离与次近邻距离,当最近的欧式距离除以次邻近的欧式距离的比值少于某个阈值则认为该点对为匹配点对:
S45,根据获取的特诊匹配点对估算基础矩阵和本质矩阵,此时的本质矩阵不再是一个本质矩阵,因为对本质矩阵分解得到的对角矩阵不再满足它的两个非零奇异值相等。因此实际计算时,通过本质矩阵对E进行最小二乘逼近来进行修正。首先分解本质矩阵E:
(23)
此时可得到旋转矩阵R和平移向量t:
(25)
从图像匹配点对中取出若干点对求取三维坐标,选择在两个相机中深度均为正值的一组R和t。
如图5所示,利用去异优化鲁棒算法估算最优地平面方程,求取目标相对地面极高值,识别危险性遗洒目标,具体步骤包括:
S51,道路约束假设①:道路区域基本位于图像的中央区域;②:摄像机固定不动,图像中的道路区域位于同一平面内,且可以用平面方程来表示。
S52,使用服从正态分布的随机数来选择样本,使得大多数样本处于图像的中央区域的道路上。
S53,利用去异优化鲁棒算法选择最优地面三维样本点,估算最优地平面方程的具体步骤包括:
(1)从已经获得的三维点坐标中选取其对应的服从正态分布的N个图像二维坐标点,选取满足条件的三维点为初始样本集。
化简可得
(5)如果在迭代次数阈值范围内,每次获得的内点个数都小于内点个数阈值,则在达到迭代次数之后转而寻找获取的内点个数最多的那一次,并将该次产生的好点作为最佳样本。利用得到最优样本进行最小二乘法拟合求取平面方程系数。
S54,计算之前得到的所有三维点坐标到最优地平面方程的距离值,并求取极高值。
S55,若实际最高值高于预设报警值10cm,发出报警,并记录提取的实际最高值。
以上对本发明的具体实施例进行了描述和说明,这些实施例仅是示例性的,并不用于对本发明进行限制,本发明应根据所附的权利要求进行解释。
Claims (5)
1.一种三维信息复原提取的道路遗洒物识别方法,其特征在于,具体包括以下几个步骤:
S1,通过固定CCD摄像机获取道路视频图像序列,对视频做中值滤波,图像平滑和梯度锐化的图像预处理操作,去除设备自身带来的噪声影响;
S2,建立更新速率较快的短效背景模型和更新速率缓慢的自适应混合高斯长效背景模型,通过背景差分法和自适应动态阈值法检测出当前帧图像中各像素在场景和运动目标间的归属情况,利用双效层交互分割算法分割出静态前景目标区域,利用形态学的开运算清除噪声干扰,利用八连通区域提取静态前景轮廓;
S3,利用S2步骤分割出的结果中提取目标区域的纵横比、区域面积、区域周长、破碎性和分散度的几何形状特征,构建非线性二维模式分类器,排除车类静态前景的干扰,检测出遗似遗洒目标;
S4,提出一种目标三维信息复原方法:利用张正友平面模板标定方法标定得到摄像机的内参矩阵,通过SIFT特征点提取、特征点匹配和构建圆形特征描述符估算摄像机外参矩阵,利用透视投影矩阵复原目标三维信息;
S5,利用去异优化鲁棒算法迭代提取最优地平面样本点,通过最小二乘拟合估算最优地平面方程,求取S4步骤中的三维目标点相对地面的极高值,识别是否为危险性遗洒。
2.根据权利要求1所述方法,其特征在于,所述步骤S2中包括以下步骤:
S21)提出对称弥补差分背景提取及选择性更新算法建立更新速率较快的短效背景模型,使得静止的静态前景快速融入背景;
S22)利用自适应混合高斯背景模型建立长效背景模型,通过阶段性更新方法和学习更新率的变化防止静态前景快速的融入到背景中;
S23)利用自适应动态阈值法获取背景和前景图像;
S24)提出双效层间交互分割算法得到静态前景目标区域;
S25)利用形态学的开运算清除噪声区域干扰;
S26)利用八连通区域标识方法提取静态前景区域的轮廓信息。
4.根据权利要求1所述的方法,其特征在于,所述步骤S4中包括以下步骤:
S41)利用张正友平面模板标定方法,标定摄像机内参矩阵;
S42)通过尺度不变特征变换提取目标特征点;
S43)构建具有旋转不变性的72维圆形SIFT特征描述符;
S44)利用搜索最邻近匹配策略,完成空间序列图像SIFT特征点的匹配;
S45)利用步骤S44)中获取的特征匹配点对和鲁棒性估计算法估算基本矩阵和本质矩阵;通过最小二乘逼近修正本质矩阵,获取摄像机运动参数,利用最小二乘拟合法复原特征点三维信息。
5.根据权利要求1所述的方法,其特征在于,所述步骤S5利用去异优化鲁棒算法估算最优地平面方程,求取目标相对地面极高值,识别危险性遗洒目标;该算法包括以下步骤:
S52)使用服从正态分布的随机数来选择样本,使得大多数样本处于图像的中央区域的道路上,这样选取的最优样本点更多,提取的道路平面方程更为可靠;
S53)利用去异优化鲁棒算法选择最优地面三维样本点,估算最优地平面方程;
S54)估算步骤S4中所有三维特征点相对最优道路平面方程的实际高度值,并获取最高值;
S55)若实际最高值高于预设报警值10cm,发出报警,并记录提取的实际最高值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310036347.7A CN103116757B (zh) | 2013-01-30 | 2013-01-30 | 一种三维信息复原提取的道路遗洒物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310036347.7A CN103116757B (zh) | 2013-01-30 | 2013-01-30 | 一种三维信息复原提取的道路遗洒物识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103116757A true CN103116757A (zh) | 2013-05-22 |
CN103116757B CN103116757B (zh) | 2016-12-28 |
Family
ID=48415129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310036347.7A Expired - Fee Related CN103116757B (zh) | 2013-01-30 | 2013-01-30 | 一种三维信息复原提取的道路遗洒物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103116757B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914688A (zh) * | 2014-03-27 | 2014-07-09 | 北京科技大学 | 一种城市道路障碍物识别系统 |
CN105389920A (zh) * | 2015-11-30 | 2016-03-09 | 北京正安维视科技股份有限公司 | 基于二维激光雷达和视频分析的周界报警方法 |
CN105488459A (zh) * | 2015-11-23 | 2016-04-13 | 上海汽车集团股份有限公司 | 车载3d道路实时重构方法及装置 |
CN105894530A (zh) * | 2014-12-11 | 2016-08-24 | 深圳市阿图姆科技有限公司 | 一种针对视频中运动目标检测与跟踪的解决方案 |
CN110487242A (zh) * | 2019-09-30 | 2019-11-22 | 西南石油大学 | 一种隧道地表面沉降的监测系统 |
CN110644334A (zh) * | 2019-09-30 | 2020-01-03 | 湖北文理学院 | 路面三维纹理形貌的检测方法、检测系统及存储介质 |
CN111507977A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种图像中钡剂信息提取方法 |
CN111553928A (zh) * | 2020-04-10 | 2020-08-18 | 中国资源卫星应用中心 | 一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法 |
CN111656396A (zh) * | 2018-02-02 | 2020-09-11 | 三菱电机株式会社 | 落下物检测装置、车载系统、车辆及落下物检测程序 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620732A (zh) * | 2009-07-17 | 2010-01-06 | 南京航空航天大学 | 道路行驶线的视觉检测方法 |
CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
CN102567705A (zh) * | 2010-12-23 | 2012-07-11 | 北京邮电大学 | 一种检测和跟踪夜间行驶车辆的方法 |
-
2013
- 2013-01-30 CN CN201310036347.7A patent/CN103116757B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620732A (zh) * | 2009-07-17 | 2010-01-06 | 南京航空航天大学 | 道路行驶线的视觉检测方法 |
CN102567705A (zh) * | 2010-12-23 | 2012-07-11 | 北京邮电大学 | 一种检测和跟踪夜间行驶车辆的方法 |
CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914688B (zh) * | 2014-03-27 | 2018-02-02 | 北京科技大学 | 一种城市道路障碍物识别系统 |
CN103914688A (zh) * | 2014-03-27 | 2014-07-09 | 北京科技大学 | 一种城市道路障碍物识别系统 |
CN105894530A (zh) * | 2014-12-11 | 2016-08-24 | 深圳市阿图姆科技有限公司 | 一种针对视频中运动目标检测与跟踪的解决方案 |
CN105488459A (zh) * | 2015-11-23 | 2016-04-13 | 上海汽车集团股份有限公司 | 车载3d道路实时重构方法及装置 |
CN105389920A (zh) * | 2015-11-30 | 2016-03-09 | 北京正安维视科技股份有限公司 | 基于二维激光雷达和视频分析的周界报警方法 |
CN105389920B (zh) * | 2015-11-30 | 2017-11-17 | 北京正安维视科技股份有限公司 | 基于二维激光雷达和视频分析的周界报警方法 |
CN111656396A (zh) * | 2018-02-02 | 2020-09-11 | 三菱电机株式会社 | 落下物检测装置、车载系统、车辆及落下物检测程序 |
CN111656396B (zh) * | 2018-02-02 | 2024-01-09 | 三菱电机株式会社 | 落下物检测装置、车载系统、车辆及计算机可读取的记录介质 |
CN110487242A (zh) * | 2019-09-30 | 2019-11-22 | 西南石油大学 | 一种隧道地表面沉降的监测系统 |
CN110644334B (zh) * | 2019-09-30 | 2021-10-22 | 湖北文理学院 | 路面三维纹理形貌的检测方法、检测系统及存储介质 |
CN110644334A (zh) * | 2019-09-30 | 2020-01-03 | 湖北文理学院 | 路面三维纹理形貌的检测方法、检测系统及存储介质 |
CN111553928A (zh) * | 2020-04-10 | 2020-08-18 | 中国资源卫星应用中心 | 一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法 |
CN111553928B (zh) * | 2020-04-10 | 2023-10-31 | 中国资源卫星应用中心 | 一种辅以Openstreetmap信息的城市道路高分遥感自适应提取方法 |
CN111507977A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种图像中钡剂信息提取方法 |
CN111507977B (zh) * | 2020-04-28 | 2024-04-02 | 同济大学 | 一种图像中钡剂信息提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103116757B (zh) | 2016-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103116757A (zh) | 一种三维信息复原提取的道路遗洒物识别方法 | |
Liu et al. | Learning a rotation invariant detector with rotatable bounding box | |
CN102708356B (zh) | 一种基于复杂背景下的车牌自动定位和识别方法 | |
Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
US9489586B2 (en) | Traffic sign recognizing apparatus and operating method thereof | |
US8890951B2 (en) | Clear path detection with patch smoothing approach | |
CN101950350B (zh) | 使用分级方法的畅通路径检测 | |
Siriborvornratanakul | An automatic road distress visual inspection system using an onboard in-car camera | |
CN111209770B (zh) | 一种车道线识别方法及装置 | |
US20130100286A1 (en) | System and method for predicting vehicle location | |
CN106845364B (zh) | 一种快速自动目标检测方法 | |
KR101569919B1 (ko) | 차량의 위치 추정 장치 및 방법 | |
Fernández et al. | Road curb and lanes detection for autonomous driving on urban scenarios | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
CN105716567A (zh) | 通过单眼图像获取设备侦测物体与机动车辆距离的方法 | |
CN104134209A (zh) | 一种视觉导航中的特征提取与匹配方法及系统 | |
EP3690744A1 (en) | Method for integrating driving images acquired from vehicles performing cooperative driving and driving image integrating device using same | |
CN110674705A (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
KR20200027889A (ko) | CNN(Convolutional Neural Network)을 사용하여 차선을 검출하기 위한 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치 | |
CN104239867A (zh) | 车牌定位方法及系统 | |
CN107808524B (zh) | 一种基于无人机的道路交叉口车辆检测方法 | |
CN110163109B (zh) | 一种车道线标注方法及装置 | |
Zhang et al. | End to end video segmentation for driving: Lane detection for autonomous car | |
Lim et al. | Lane detection and Kalman-based linear-parabolic lane tracking | |
Liu et al. | ROI perspective transform based road marking detection and recognition |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161228 Termination date: 20210130 |