CN103324935A - 一种图像中对车辆进行定位与区域分割的方法 - Google Patents
一种图像中对车辆进行定位与区域分割的方法 Download PDFInfo
- Publication number
- CN103324935A CN103324935A CN2013102651106A CN201310265110A CN103324935A CN 103324935 A CN103324935 A CN 103324935A CN 2013102651106 A CN2013102651106 A CN 2013102651106A CN 201310265110 A CN201310265110 A CN 201310265110A CN 103324935 A CN103324935 A CN 103324935A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- horizontal edge
- line segment
- vehicle image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 239000000284 extract Substances 0.000 claims description 57
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 230000004807 localization Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010845 search algorithm Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像中对车辆进行定位与区域分割的方法,包括:从采集设备获取原始图像;采用Harris角点和水平边缘直线段对所述原始图像内的车辆图像区域进行定位,从而得到定位后的车辆图像;对定位后的车辆图像进行彩色显著区提取、显著平滑区提取以及水平边缘稀疏区与密集区提取;根据提取的结果和先验知识对车辆的典型区域进行定位,从而分割出发动机机罩区域、车脸区域以及车窗区域。本发明在对车辆进行定位时能同时对多车辆进行定位,效率高,且准确率可达95%以上;在对车辆进行区域分割时,能有效消除挡风玻璃反光效果、光照不均和污染等因素的干扰,鲁棒性较好。本发明可广泛应用于图像处理领域。
Description
技术领域
本发明涉及图像处理领域,尤其是一种图像中对车辆进行定位与区域分割的方法。
背景技术
随着计算机技术和传感技术的发展,车辆识别与特征检测技术已成为智能交通系统的一项关键技术。车辆识别与特征检测计算技术以交通图像(包括车辆、背景和路面等的图像)的处理与分析为基础。交通图像的处理与分析主要包括车辆定位、车辆区域分割和车辆特征提取这三个步骤。车辆定位的结果直接影响着车辆区域分割和车辆特征提取的精度,是车辆识别与特征检测技术的一个非常必要的前期步骤;而车辆区域分割是后续进行车辆特征提取的基础,也是车辆识别与特征检测技术的重要组成部分。
车辆定位是指在一幅采集到的交通图像中恰当地分割出车辆图像的区域。目前车辆定位的方法主要有两类:基于静态图像的定位方法和基于视频图像的定位方法。用户可根据实际的需要,选择是采用基于静态图像的定位方法还是采用基于视频图像的定位方法。基于视频图像的定位方法比基于静态图像的定位方法多了一个时间维度,可以利用图像序列中的运动特征进行处理,例如基于视频图像的典型车辆定位方法主要为为帧差法和光流法,主要利用图像在时间轴上的变化检测运动目标,从而实现车辆的定位。而基于静态图像的定位方法可以应用到基于视频图像的定位方法中,用于在单帧视频图像中进行定位。
目前利用图像特征在静态图像中完成车辆定位的算法有很多,但较为普遍的方法是边缘检测法。该算法利用了车辆区域的丰富边缘特征,采用水平或垂直方向投影的方法,并结合数学形态学或区域生长的方法来完成车辆定位。但由于采用了水平或垂直方向投影的方法,该算法只能对单辆车进行定位,而不能同时对多辆车辆进行定位,效率较低;而且,该算法无法有效地消除车辆阴影对车辆定位的影响,准确性较差。
车辆的特征基本上集中在车窗、发动机罩和车脸部分。这三个部分就是车辆的典型区域。如果将这几个区域分割出来,车辆特征设备与检测技术的后续步骤就可以在相应的典型区域中进行。例如利用车窗可以进一步检测司乘和遮阳板;发动机罩部分颜色特征明显,可以更好地识别车辆颜色;利用车脸部分可以更容易定位出车牌、车灯、排气栅格等特征。而车辆区域分割的目的正是为了在车辆定位后图像中分割出车窗、发动机罩和车脸这三个区域。
目前的车辆区域分割方法在进行分割时无法有效消除挡风玻璃反光效果、光照不均和污染等因素的干扰,鲁棒性较差。
发明内容
为了解决上述技术问题,本发明的目的是:提供一种高效、准确和鲁棒性好的图像中对车辆进行定位与区域分割的方法。
本发明解决其技术问题所采用的技术方案是:一种图像中对车辆进行定位与区域分割的方法,包括:
A、从采集设备获取原始图像;
B、采用Harris角点和水平边缘直线段对所述原始图像内的车辆图像区域进行定位,从而得到定位后的车辆图像;
C、对定位后的车辆图像进行彩色显著区提取、显著平滑区提取以及水平边缘稀疏区与密集区提取;
D、根据提取的结果和先验知识对车辆的典型区域进行定位,从而分割出发动机机罩区域、车脸区域以及车窗区域。
进一步,所述步骤B,其包括:
B1、对所述原始图像进行灰度化处理,从而得到灰度图像;
B2、对所述灰度图像进行Harris角点提取与稀疏点去除处理;
B3、采用网格法和局部极值搜索算法对车辆图像区域进行粗略定位,从而从稀疏点去除处理后的图像中提取出车辆图像候选区;
B4、采用矩阵卷积法提取出车辆图像候选区内符合阈值条件的水平边缘直线段;
B5、结合提取出的水平边缘直线段和车辆图像候选区对车辆图像区域进行精确定位,从而得到定位后的车辆图像。
进一步,所述步骤B4,其包括:
B41、采用Sobel算子提取车辆图像候选区水平方向的边缘,从而得到车辆图像候选区水平边缘的灰度图,所述Sobel算子的卷积矩阵m的表达式如下:
B42、采用局部阈值法对得到的灰度图进行二值化处理,从而得到车辆图像候选区的水平边缘二值图;
B43、去除所述水平边缘二值图中图像行线段长度小于预设线段长度阈值的边缘点,从而提取出车辆图像候选区内符合阈值条件的水平边缘直线段。
进一步,所述步骤B5,其包括:
B51、对提取出的水平边缘直线段进行去噪处理,从而得到去噪后水平边缘直线段的中心坐标;
B52、根据所述水平边缘直线段的中心坐标计算车辆的对称轴;
B53、根据车辆的对称轴和提取出的车辆图像候选区定位出车辆图像区域。
进一步,所述步骤B51,其具体为:
对提取出的水平边缘直线段进行判断,判断所述水平边缘直线段中心点的纵坐标是否满足预设的条件,若满足,则保留该水平边缘直线段并获取该水平边缘直线段的中心坐标;反之,则去除该水平边缘直线段,所述预设的条件如下:
上式中,y i 为水平边缘直线段i中心点的纵坐标,i=1,2,3,…,n,mean函数为取平均值函数,variance函数为求方差函数。
进一步,所述步骤C中对定位后的车辆图像进行彩色显著区提取这一步骤,其包括:
C11、计算出定位后的车辆图像灰度化后像素点的像素值,所述灰度化后像素点的像素值的计算公式如下:
上式中,(x,y)为像素点,I(x,y)为灰度化后像素点(x,y)的像素值,r(x,y)、g(x,y)和b(x,y)分别为I(x,y)的红、绿和蓝分量;
C12、根据计算出的像素点像素值对定位后的车辆图像的彩色显著值进行计算,所述彩色显著值的计算公式如下:
上式中,S c (x,y)为像素点(x,y)的彩色显著值,C i (x,y)为像素点(x,y)在彩色空间一个通道的像素值,I(x,y)为步骤C11计算出的像素值;
C13、根据计算出的灰度化后像素点像素值和彩色显著值提取出定位后的车辆图像的彩色显著区。
进一步,所述步骤C中对定位后的车辆图像进行显著平滑区提取这一步骤,其包括:
C21、对定位后的车辆图像进行灰度化处理,从而得到灰度图;
C22、采用Canny算子对得到的灰度图进行二值化处理,从而得到Canny边缘二值图;
C23、采用网格法统计Canny边缘二值图中任一个网格内边缘点的数目;
C24、判断任一个网格内边缘点的数目是否小于预设的阈值,若是,则表明该网格所代表的图像区域位于显著平滑区内,反之,则表明该网格所代表的图像区域位于非显著平滑区内。
进一步,所述步骤C中对定位后的车辆图像进行水平边缘稀疏区与密集区提取这一步骤,其包括:
C31、对定位后的车辆图像进行灰度化处理,从而得到灰度图;
C32、采用Canny算子对得到的灰度图进行二值化处理,从而得到Canny边缘二值图;
C33、对Canny边缘二值图进行水平边缘提取,从而提取出Canny边缘的水平边缘点;
C34、对所述水平边缘点的水平投影值进行滑动平均滤波和阈值抑制处理,从而生成由水平边缘点的密集行和稀疏行组成的二值向量;
C35、对生成的二值向量进行带宽变换,然后根据带宽变换的结果和阈值条件区分出水平边缘稀疏区和水平边缘密集区。
本发明的有益效果是:对车辆进行定位时采用Harris角点和水平边缘直线段相结合的方式,能同时对多车辆进行定位,效率高,且能有效除车辆阴影对车辆定位的影响,准确率可达95%以上;对车辆进行区域分割时,根据进行彩色显著区提取、显著平滑区提取、水平边缘稀疏区与密集区提取的提取结果和先验知识进行分割,能有效消除挡风玻璃反光效果、光照不均和污染等因素的干扰,鲁棒性较好。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明一种图像中对车辆进行定位与区域分割的方法的步骤流程图;
图2为本发明步骤B的流程图;
图3为本发明步骤B4的流程图;
图4为本发明步骤B5的流程图;
图5为本发明步骤C中对定位后的车辆图像进行彩色显著区提取的流程图;
图6为本发明步骤C中对定位后的车辆图像进行显著平滑区提取的流程图;
图7为本发明步骤C中对定位后的车辆图像进行水平边缘稀疏区与密集区提取的流程图。
具体实施方式
为了便于理解,首先对本发明所用到的名词术语进行解释:
A method of vehicle localization and typical regions segmentation in the image:一种图像中对车辆进行定位与区域分割的方法。
Sobel算子:索贝尔算子,用于提取提取图像的边缘。
参照图1,一种图像中对车辆进行定位与区域分割的方法,包括:
A、从采集设备获取原始图像;
B、采用Harris角点和水平边缘直线段对所述原始图像内的车辆图像区域进行定位,从而得到定位后的车辆图像;
C、对定位后的车辆图像进行彩色显著区提取、显著平滑区提取以及水平边缘稀疏区与密集区提取;
D、根据提取的结果和先验知识对车辆的典型区域进行定位,从而分割出发动机机罩区域、车脸区域以及车窗区域。
其中,原始图像为包括车辆、背景和路面等的静态图像。
车辆图像区域最为明显的特征是水平边缘直线段和车脸部分密集的角点特征。通过Harris角点检测算法对原始图像进行特征提取的方式可以获得Harris角点。
本发明综合采用Harris角点和水平边缘直线段对车辆图像进行定位,不仅可以同时对多辆车图像进行定位,也可以有效消除阴影部分的影响(本发明在获取水平边缘直线段时已经将阴影部分去掉)。
先验知识是指与车辆典型区域的相对位置有关的知识,例如发动机机罩部分属于图像的彩色显著区提取和显著平滑区,而车脸部分则属于图像的水平边缘密集区等。
步骤C和步骤D均为对车辆进行区域分割的一部分。在进行区域分割时,先分别提取出彩色显著区、显著平滑区以及水平边缘稀疏区与密集区,然后根据先验知识进行逻辑判断,从而定位出各个典型区域在整个车辆图像中的位置,完成区域的分割。根据先验知识,发动机罩存在着彩色显著区、显著平滑区和水平边缘稀疏区,所以只需要检测出共同存在着彩色显著区、显著平滑区和水平边缘稀疏区的区域,这个区域就是发动机罩区域。根据先验知识,车窗在发动机罩的上面且存在着水平边缘稀疏区,因此在定位出发动机罩区域后,只需要向上找到水平边缘稀疏区,该水平边缘稀疏区就是对应的车窗区域。根据先验知识,车脸部分在发动机罩的下面且存在着水平边缘密集区,因此在定位出发动机罩后,只需要向下找到水平边缘密集区,该水平边缘密集区就是对应的车脸区域。
参照图2,进一步作为优选的实施方式,所述步骤B,其包括:
B1、对所述原始图像进行灰度化处理,从而得到灰度图像;
B2、对所述灰度图像进行Harris角点提取与稀疏点去除处理;
B3、采用网格法和局部极值搜索算法对车辆图像区域进行粗略定位,从而从稀疏点去除处理后的图像中提取出车辆图像候选区;
B4、采用矩阵卷积法提取出车辆图像候选区内符合阈值条件的水平边缘直线段;
B5、结合提取出的水平边缘直线段和车辆图像候选区对车辆图像区域进行精确定位,从而得到定位后的车辆图像。
其中,进行稀疏点去除处理是为了去除稀疏分布的Harris角点提取,以降低噪声的影响。
本发明先采用数据挖掘中的网格法和局部极值搜索算法,大致定位出车辆候选区,然后进行水平边缘提取,最后根据水平边缘提取的结果从车辆候选区中筛选出车辆图像区域。
参照图3,进一步作为优选的实施方式,所述步骤B4,其包括:
B41、采用Sobel算子提取车辆图像候选区水平方向的边缘,从而得到车辆图像候选区水平边缘的灰度图,所述Sobel算子的卷积矩阵m的表达式如下:
B42、采用局部阈值法对得到的灰度图进行二值化处理,从而得到车辆图像候选区的水平边缘二值图;
B43、去除所述水平边缘二值图中图像行线段长度小于预设线段长度阈值的边缘点,从而提取出车辆图像候选区内符合阈值条件的水平边缘直线段。
其中,采用局部阈值法进行二值化是因为局部阈值法能够提取出尽可能全面的边缘点。在采用采用局部阈值法进行二值化时,先计算出灰度图中每一个像素点的自适应二值化阈值a×(f(x,y)+1),a为常数,f(x,y)是指当前像素点的像素值,然后根据计算出的阈值对灰度图进行阈值化。
预设线段长度阈值,可以根据实际的精度要求而预先设定。
参照图4,进一步作为优选的实施方式,所述步骤B5,其包括:
B51、对提取出的水平边缘直线段进行去噪处理,从而得到水平边缘直线段的中心坐标;
B52、根据所述水平边缘直线段的中心坐标计算车辆的对称轴;
B53、根据车辆的对称轴和车辆图像候选区定位出车辆图像区域。
由于每一车辆图像的水平边缘直线段的中心几乎位于同一直线上,因此可以根据水平边缘直线段的中心坐标计算车辆的对称轴,然后再根据车辆的对称轴和辆图像候选区定位出最终的车辆图像区域。
进一步作为优选的实施方式,所述步骤B51,其具体为:
对提取出的水平边缘直线段进行判断,判断所述水平边缘直线段中心点的纵坐标是否满足预设的条件,若满足,则保留该水平边缘直线段并获取该水平边缘直线段的中心坐标;反之,则去除该水平边缘直线段,所述预设的条件如下:
,
上式中,y i 为水平边缘直线段i中心点的纵坐标,i=1,2,3,…,n,mean函数为取平均值函数,variance函数为求方差函数。
如图2-4所示,本发明对车辆进行定位主要包括以下步骤:
(1)Harris角点提取与稀疏点去除
该步骤主要是为了提取出图像的Harris特征点,然后利用特征点的间距去除图像中稀疏分布的特征点。
在原始图像中,车辆的Harris角点主要集中在车脸部分的车牌、散热器护栅和车前灯部分,所以检测是否有一个Harris角点密集区可以判定是否存在一个可能的车辆区域。
采用本发明的方法搜索到的Harris角点主要出现在车辆区域和道路标记线边界部分,且在车牌区域相对集中。角点集中区为车辆可能出现的区域,所以需要对所提取的Harris角点进行去噪处理,弃掉分布较远且比较分散的点。
(2)网格法提取车辆粗糙区域
该步骤利用网格数据挖掘方法,结合局部极值搜索算法,找出车辆粗糙区域。
经过稀疏点去除处理后,分布于较远处的角点已经被去除,只剩下特征点相对比较集中的区域。此时利用数据挖掘中的网格法,可以大致定位出车辆候选区域(即车辆粗糙区域)。
(3)水平边缘线段提取
该步骤利用矩阵卷积方法,从车辆候选区域中提取出水平边缘二值图中的符合阈值条件的水平直线段。
(4)车辆图像区域精细定位
该步骤可以结合车辆候选区域和车辆候选区域内车辆的对称轴实现。
该步骤先结合车辆候选区域得到各个车辆候选区域内的水平直线段,然后根据去噪后的水平直线段中心得到的车辆对称轴,最后根据车辆对称轴得出最终的车辆图像区域,从而实现对车辆的精确定位。
本发明在进行车辆图像定位时,综合利用了图像局部点特征和线特征,能够高效地定位出车辆图像区域,定位准确率达到95%以上。
参照图5,进一步作为优选的实施方式,所述步骤C中对定位后的车辆图像进行彩色显著区提取这一步骤,其包括:
C11、计算出定位后的车辆图像灰度化后像素点的像素值,所述灰度化后像素点的像素值的计算公式如下:
,
上式中,(x,y)为像素点,I(x,y)为灰度化后像素点(x,y)的像素值,r(x,y)、g(x,y)和b(x,y)分别为I(x,y)的红、绿和蓝分量;
C12、根据计算出的像素点像素值对定位后的车辆图像的彩色显著值进行计算,所述彩色显著值的计算公式如下:
上式中,S c (x,y)为像素点(x,y)的彩色显著值,C i (x,y)为像素点(x,y)在彩色空间一个通道的像素值,I(x,y)为步骤C11计算出的像素值;
C13、根据计算出的灰度化后像素点像素值和彩色显著值提取出定位后的车辆图像的彩色显著区。
在RGB空间中,彩色性明显的像素点r、g和b三通道的值差别较大,而黑-白-灰系列颜色则分布在RGB立方体空间的主对角线上(即从黑色到白色对角线),可以根据这个规律找出彩色明显的的区域即彩色显著区。
计算出灰度化后像素点像素值I(x,y)和彩色显著值S c (x,y)后,可以根据I(x,y)和S c (x,y)得到彩色显著图,然后再对彩色显著图进行分析(主要是二值化分析),从而找出相应的彩色显著区。
参照图6,进一步作为优选的实施方式,所述步骤C中对定位后的车辆图像进行显著平滑区提取这一步骤,其包括:
C21、对定位后的车辆图像进行灰度化处理,从而得到灰度图;
C22、采用Canny算子对得到的灰度图进行二值化处理,从而得到Canny边缘二值图;
C23、采用网格法统计Canny边缘二值图中任一个网格内边缘点的数目;
C24、判断任一个网格内边缘点的数目是否小于预设的阈值,若是,则表明该网格所代表的图像区域位于显著平滑区内,反之,则表明该网格所代表的图像区域位于非显著平滑区内。
其中,预设的阈值可根据实际的情况和所要求的精度预先设定好。非显著平滑区包括彩色显著区、水平边缘稀疏区与密集区等。在显著平滑区内,所有像素点的像素值均被标记为1,而在非显著平滑区内,所有像素点的像素值均被标记为0。
参照图7,进一步作为优选的实施方式,所述步骤C中对定位后的车辆图像进行水平边缘稀疏区与密集区提取这一步骤,其包括:
C31、将定位后的车辆图像进行灰度化处理,从而得到灰度图;
C32、采用Canny算子对得到的灰度图进行二值化处理,从而得到Canny边缘二值图;
C33、对Canny边缘二值图进行水平边缘提取,从而提取出Canny边缘的水平边缘点;
C34、对所述水平边缘点的水平投影值进行滑动平均滤波和阈值抑制处理,从而生成由水平边缘点的密集行和稀疏行组成的二值向量;
C35、对生成的二值向量进行带宽变换,然后根据带宽变换的结果和阈值条件区分出水平边缘稀疏区和水平边缘密集区。
在步骤C34中,由于图像倾斜的缘故,同一条水平边缘可能占据图像相邻的几个像素行,所以要对水平投影进行平滑滤波,以在保持原波形的同时使滤波后的图像分布相对于原始分布更加平滑。而为了消除噪声影响,还需要对滤波的结果进行阈值抑制。进行阈值抑制时需根据实际情况和精度需求选取适当的阈值。对于水平投影值小于阈值的像素行,像素行标记为0;对于水平投影值大于阈值的像素行,像素行标记为1。阈值抑制完成后可输出一列0和1组成的二值信号,即可生成一二值向量。该二值向量的每一个元素代表一个图像像素行:值为0的像素行表示水平边缘点的稀疏行,而值为1的像素行表示水平边缘点的密集行。
对生成的二值向量(0和1组成的二值信号)进行带宽变换后,得到一系列0或1的带宽。带宽变换后的输出结果中的每个元素表示连续的0或1的带宽数目。
在二值信号带宽变换完成后,本发明可根据阈值条件和带宽变换的结果筛选出一系列0值像素行区域,这些0值像素行区域即为水平边缘稀疏区。而位于图像水平边缘稀疏区外的图像区则为图像水平边缘密集区。所述阈值条件如下式所示:
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种图像中对车辆进行定位与区域分割的方法,其特征在于,包括:
A、从采集设备获取原始图像;
B、采用Harris角点和水平边缘直线段对所述原始图像内的车辆图像区域进行定位,从而得到定位后的车辆图像;
C、对定位后的车辆图像进行彩色显著区提取、显著平滑区提取以及水平边缘稀疏区与密集区提取;
D、根据提取的结果和先验知识对车辆的典型区域进行定位,从而分割出发动机机罩区域、车脸区域以及车窗区域。
2.根据权利要求1所述的一种图像中对车辆进行定位与区域分割的方法,其特征在于,所述步骤B,其包括:
B1、对所述原始图像进行灰度化处理,从而得到灰度图像;
B2、对所述灰度图像进行Harris角点提取与稀疏点去除处理;
B3、采用网格法和局部极值搜索算法对车辆图像区域进行粗略定位,从而从稀疏点去除处理后的图像中提取出车辆图像候选区;
B4、采用矩阵卷积法提取出车辆图像候选区内符合阈值条件的水平边缘直线段;
B5、结合提取出的水平边缘直线段和车辆图像候选区对车辆图像区域进行精确定位,从而得到定位后的车辆图像。
4.根据权利要求2所述的一种图像中对车辆进行定位与区域分割的方法,其特征在于,所述步骤B5,其包括:
B51、对提取出的水平边缘直线段进行去噪处理,从而得到水平边缘直线段的中心坐标;
B52、根据所述水平边缘直线段的中心坐标计算车辆的对称轴;
B53、根据车辆的对称轴和车辆图像候选区定位出车辆图像区域。
5.根据权利要求4所述的一种图像中对车辆进行定位与区域分割的方法,其特征在于,所述步骤B51,其具体为:
对提取出的水平边缘直线段进行判断,判断所述水平边缘直线段中心点的纵坐标是否满足预设的条件,若满足,则保留该水平边缘直线段并获取该水平边缘直线段的中心坐标;反之,则去除该水平边缘直线段,所述预设的条件如下:
,
上式中,y i 为水平边缘直线段i中心点的纵坐标,i=1,2,3,…,n,mean函数为取平均值函数,variance函数为求方差函数。
6.根据权利要求1所述的一种图像中对车辆进行定位与区域分割的方法,其特征在于,所述步骤C中对定位后的车辆图像进行彩色显著区提取这一步骤,其包括:
C11、计算出定位后的车辆图像灰度化后像素点的像素值,所述灰度化后像素点的像素值的计算公式如下:
上式中,(x,y)为像素点,I(x,y)为灰度化后像素点(x,y)的像素值,r(x,y)、g(x,y)和b(x,y)分别为I(x,y)的红、绿和蓝分量;
C12、根据计算出的像素点像素值对定位后的车辆图像的彩色显著值进行计算,所述彩色显著值的计算公式如下:
上式中,S c (x,y)为像素点(x,y)的彩色显著值,C i (x,y)为像素点(x,y)在彩色空间一个通道的像素值,I(x,y)为步骤C11计算出的像素值;
C13、根据计算出的灰度化后像素点像素值和彩色显著值提取出定位后的车辆图像的彩色显著区。
7.根据权利要求1所述的一种图像中对车辆进行定位与区域分割的方法,其特征在于,所述步骤C中对定位后的车辆图像进行显著平滑区提取这一步骤,其包括:
C21、对定位后的车辆图像进行灰度化处理,从而得到灰度图;
C22、采用Canny算子对得到的灰度图进行二值化处理,从而得到Canny边缘二值图;
C23、采用网格法统计Canny边缘二值图中任一个网格内边缘点的数目;
C24、判断任一个网格内边缘点的数目是否小于预设的阈值,若是,则表明该网格所代表的图像区域位于显著平滑区内,反之,则表明该网格所代表的图像区域位于非显著平滑区内。
8.根据权利要求1所述的一种图像中对车辆进行定位与区域分割的方法,其特征在于,所述步骤C中对定位后的车辆图像进行水平边缘稀疏区与密集区提取这一步骤,其包括:
C31、对定位后的车辆图像进行灰度化处理,从而得到灰度图;
C32、采用Canny算子对得到的灰度图进行二值化处理,从而得到Canny边缘二值图;
C33、对Canny边缘二值图进行水平边缘提取,从而提取出Canny边缘的水平边缘点;
C34、对所述水平边缘点的水平投影值进行滑动平均滤波和阈值抑制处理,从而生成由水平边缘点的密集行和稀疏行组成的二值向量;
C35、对生成的二值向量进行带宽变换,然后根据带宽变换的结果和阈值条件区分出水平边缘稀疏区和水平边缘密集区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310265110.6A CN103324935B (zh) | 2013-06-27 | 2013-06-27 | 一种图像中对车辆进行定位与区域分割的方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310265110.6A CN103324935B (zh) | 2013-06-27 | 2013-06-27 | 一种图像中对车辆进行定位与区域分割的方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103324935A true CN103324935A (zh) | 2013-09-25 |
CN103324935B CN103324935B (zh) | 2016-12-28 |
Family
ID=49193663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310265110.6A Active CN103324935B (zh) | 2013-06-27 | 2013-06-27 | 一种图像中对车辆进行定位与区域分割的方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103324935B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927512A (zh) * | 2014-03-11 | 2014-07-16 | 浙江工商大学 | 车辆识别方法 |
CN105931255A (zh) * | 2016-05-18 | 2016-09-07 | 天津工业大学 | 基于显著性和深度卷积神经网络的图像中目标定位方法 |
CN106248058A (zh) * | 2016-07-29 | 2016-12-21 | 感知控股集团有限公司 | 一种对于仓储运输工具的定位方法、装置及系统 |
CN106528662A (zh) * | 2016-10-20 | 2017-03-22 | 中山大学 | 一种基于特征几何约束的车辆图像快速检索方法与系统 |
CN107092855A (zh) * | 2016-02-18 | 2017-08-25 | 日本电气株式会社 | 车辆部件识别方法和设备、车辆识别方法和设备 |
CN107920186A (zh) * | 2017-11-20 | 2018-04-17 | 江西服装学院 | 一种视频播放控制方法及装置 |
CN107993130A (zh) * | 2017-12-26 | 2018-05-04 | 北京三快在线科技有限公司 | 业务处理方法、系统及电子设备 |
CN108182376A (zh) * | 2017-11-15 | 2018-06-19 | 浙江工业大学 | 一种基于车窗角点检测的车窗定位方法 |
CN108563976A (zh) * | 2017-11-29 | 2018-09-21 | 浙江工业大学 | 一种基于车窗位置的多方向车辆颜色识别方法 |
CN108960228A (zh) * | 2017-05-18 | 2018-12-07 | 富士通株式会社 | 车辆的检测装置、方法以及图像处理设备 |
CN110491133A (zh) * | 2019-08-08 | 2019-11-22 | 横琴善泊投资管理有限公司 | 一种基于置信度的车辆信息校正系统和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789080A (zh) * | 2010-01-21 | 2010-07-28 | 上海交通大学 | 车辆车牌实时定位字符分割的检测方法 |
CN102156989A (zh) * | 2011-02-25 | 2011-08-17 | 崔志明 | 视频帧中车辆遮挡检测与分割方法 |
CN102169583A (zh) * | 2011-05-13 | 2011-08-31 | 北方工业大学 | 基于车窗定位的车辆遮挡检测与分割方法 |
CN102411710A (zh) * | 2011-12-09 | 2012-04-11 | 东南大学 | 一种基于车脸特征的车辆类型识别方法 |
US8200015B2 (en) * | 2007-06-22 | 2012-06-12 | Siemens Aktiengesellschaft | Method for interactively segmenting structures in image data records and image processing unit for carrying out the method |
CN102663760A (zh) * | 2012-04-23 | 2012-09-12 | 苏州大学 | 一种对图像中的车辆挡风镜区域进行定位分割的方法 |
-
2013
- 2013-06-27 CN CN201310265110.6A patent/CN103324935B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8200015B2 (en) * | 2007-06-22 | 2012-06-12 | Siemens Aktiengesellschaft | Method for interactively segmenting structures in image data records and image processing unit for carrying out the method |
CN101789080A (zh) * | 2010-01-21 | 2010-07-28 | 上海交通大学 | 车辆车牌实时定位字符分割的检测方法 |
CN102156989A (zh) * | 2011-02-25 | 2011-08-17 | 崔志明 | 视频帧中车辆遮挡检测与分割方法 |
CN102169583A (zh) * | 2011-05-13 | 2011-08-31 | 北方工业大学 | 基于车窗定位的车辆遮挡检测与分割方法 |
CN102411710A (zh) * | 2011-12-09 | 2012-04-11 | 东南大学 | 一种基于车脸特征的车辆类型识别方法 |
CN102663760A (zh) * | 2012-04-23 | 2012-09-12 | 苏州大学 | 一种对图像中的车辆挡风镜区域进行定位分割的方法 |
Non-Patent Citations (1)
Title |
---|
李熙莹 等: "基于视频图像处理的交通流检测方法综述", 《图像图形技术与应用进展-第三届图像图形技术与应用学术会议论文集》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927512B (zh) * | 2014-03-11 | 2017-05-10 | 浙江工商大学 | 车辆识别方法 |
CN103927512A (zh) * | 2014-03-11 | 2014-07-16 | 浙江工商大学 | 车辆识别方法 |
CN107092855A (zh) * | 2016-02-18 | 2017-08-25 | 日本电气株式会社 | 车辆部件识别方法和设备、车辆识别方法和设备 |
CN105931255A (zh) * | 2016-05-18 | 2016-09-07 | 天津工业大学 | 基于显著性和深度卷积神经网络的图像中目标定位方法 |
CN106248058A (zh) * | 2016-07-29 | 2016-12-21 | 感知控股集团有限公司 | 一种对于仓储运输工具的定位方法、装置及系统 |
CN106248058B (zh) * | 2016-07-29 | 2018-12-21 | 感知控股集团有限公司 | 一种对于仓储运输工具的定位方法、装置及系统 |
CN106528662A (zh) * | 2016-10-20 | 2017-03-22 | 中山大学 | 一种基于特征几何约束的车辆图像快速检索方法与系统 |
CN108960228A (zh) * | 2017-05-18 | 2018-12-07 | 富士通株式会社 | 车辆的检测装置、方法以及图像处理设备 |
CN108182376B (zh) * | 2017-11-15 | 2020-12-08 | 浙江工业大学 | 一种基于车窗角点检测的车窗定位方法 |
CN108182376A (zh) * | 2017-11-15 | 2018-06-19 | 浙江工业大学 | 一种基于车窗角点检测的车窗定位方法 |
CN107920186A (zh) * | 2017-11-20 | 2018-04-17 | 江西服装学院 | 一种视频播放控制方法及装置 |
CN108563976A (zh) * | 2017-11-29 | 2018-09-21 | 浙江工业大学 | 一种基于车窗位置的多方向车辆颜色识别方法 |
CN108563976B (zh) * | 2017-11-29 | 2021-04-02 | 浙江工业大学 | 一种基于车窗位置的多方向车辆颜色识别方法 |
CN107993130A (zh) * | 2017-12-26 | 2018-05-04 | 北京三快在线科技有限公司 | 业务处理方法、系统及电子设备 |
CN110491133A (zh) * | 2019-08-08 | 2019-11-22 | 横琴善泊投资管理有限公司 | 一种基于置信度的车辆信息校正系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103324935B (zh) | 2016-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103324935A (zh) | 一种图像中对车辆进行定位与区域分割的方法 | |
CN105893949B (zh) | 一种复杂路况场景下的车道线检测方法 | |
CN105718870B (zh) | 自动驾驶中基于前向摄像头的道路标线提取方法 | |
CN109886896B (zh) | 一种蓝色车牌分割与矫正方法 | |
Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
CN103235938B (zh) | 车牌检测与识别的方法及系统 | |
CN107679520B (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
KR101403876B1 (ko) | 차량 번호판 인식 방법과 그 장치 | |
CN103942797B (zh) | 基于直方图和超像素的场景图像文字检测方法及系统 | |
CN104036262B (zh) | 一种lpr车牌筛选识别的方法和系统 | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
CN102842037A (zh) | 一种基于多特征融合的车辆阴影消除方法 | |
CN104217427A (zh) | 一种交通监控视频中车道线定位方法 | |
CN102609702B (zh) | 一种道路指路标志的快速定位方法以及系统 | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
Liu et al. | Lane detection algorithm based on local feature extraction | |
Prabhakar et al. | A novel design for vehicle license plate detection and recognition | |
CN101369312B (zh) | 检测图像中交叉口的方法和设备 | |
CN104463138A (zh) | 基于视觉结构属性的文本定位方法及系统 | |
Satzoda et al. | Robust extraction of lane markings using gradient angle histograms and directional signed edges | |
Devane et al. | Lane detection techniques using image processing | |
FAN et al. | Robust lane detection and tracking based on machine vision | |
CN105335704B (zh) | 一种基于双线性插值的车道线识别方法与装置 | |
CN114241436A (zh) | 一种改进色彩空间和搜索窗口的车道线检测方法及系统 | |
CN112115778B (zh) | 一种在环仿真条件下车道线智能识别方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20130925 Assignee: Jiadu Technology Group Co.,Ltd. Assignor: GUANGDONG FUNDWAY TECHNOLOGY Co.,Ltd. Contract record no.: X2023980047257 Denomination of invention: A method and system for locating and segmenting vehicles in images Granted publication date: 20161228 License type: Common License Record date: 20231116 |