CN104123557A - 一种基于公路监控设备的轿车安全带系挂状态的检测方法 - Google Patents
一种基于公路监控设备的轿车安全带系挂状态的检测方法 Download PDFInfo
- Publication number
- CN104123557A CN104123557A CN201410299725.5A CN201410299725A CN104123557A CN 104123557 A CN104123557 A CN 104123557A CN 201410299725 A CN201410299725 A CN 201410299725A CN 104123557 A CN104123557 A CN 104123557A
- Authority
- CN
- China
- Prior art keywords
- image
- safety belt
- vehicle window
- region
- detection
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于公路监控设备的轿车安全带系挂状态的检测方法,步骤1:从公路监控设备中获取监控图像;步骤2:定位步骤1获得的原始监控图像中的车身区域;步骤3:利用hough变换从车身区域中定位车窗区域;步骤4:基于圆弧检测在车窗区域中定位方向盘位置;步骤5:依据方向盘位置提取安全带区域图像;步骤6:对安全带进行直线检测;检测安全带对应的直线斜率是否在0.75-1.2之间,则判断车窗区域中的驾驶员是否系安全带;利用车身、车窗区域及方向盘位置,定位安全带所在区域,逐步缩小检测范围,提高了安全带检测的准确率和效率,能够代替人眼,进行自动判别,提高了安全带系挂检测的准确率和效率。
Description
技术领域
本发明涉及交通安全图片的目标物定位和检测技术领域,特别涉及一种基于公路监控设备的轿车安全带系挂状态的检测方法。
背景技术
轿车安全带是汽车行驶中保障司机安全驾驶和降低交通事故中死伤率的一个重要设备。
在最新的技术研究中,由公路上拍摄的图片进行安全带的识别方法一般是通过定位车牌,接着根据车牌位置,利用车身和车窗的比例关系定位车窗,然后寻找方向盘位置,再利用直线特征去检测安全带的存在。这种方法,首先,由于拍摄角度的问题,车牌定位时裁切尺寸不统一,不能准确定位所有的车牌;其次,根据车牌位置,利用车身和车窗的比例定位车窗有较大的误差;最后,采用现有的canny边缘检测,由于方向盘边缘在检测中不具备连续性,导致方向盘位置很难高效率的找到。除此之外,还有通过定位人脸,根据人脸坐标找出人体区域,在区域内检测安全带的方法等等。
在实际应用中,我们一般还是通过人眼来判别轿车驾驶员是否系挂安全带。由于图片数量的巨大,需要耗费相当大的人力,物力。
发明内容
本发明的目的在于克服现有的安全带检测方法在定位车牌和方向盘中心位置上的准确度不足,本发明提供了一种新的能够准确检测轿车驾驶员是否系挂安全带的方法。
一种基于公路监控设备的轿车安全带系挂状态的检测方法,包括以下几个步骤:
步骤1:从公路监控设备中获取监控图像;
步骤2:依据汽车与背景物特征对监控图像进行预处理后,采用积分投影定位步骤1获得的原始监控图像中的车身区域;
所述预处理依次包括图像灰度化、图像滤波、边缘检测及背景噪音去除操作;
步骤3:利用hough变换从车身区域中定位车窗区域;
步骤4:基于圆弧检测在车窗区域中定位方向盘位置;
步骤5:依据方向盘位置提取安全带区域图像;
步骤6:对安全带进行直线检测;
利用直线检测方法,检测安全带区域图像中安全带对应的直线斜率是否在0.75-1.2之间,若直线斜率在0.75-1.2之间,则判断车窗区域中的驾驶员已系安全带;否则,判定车窗区域中的驾驶员未系安全带。
所述步骤2包括以下步骤:
步骤2.1:对监控图像进行图像灰度化操作获得灰度图像,并对灰度图像进行直方图均衡化操作;
步骤2.2:对步骤2.1获得的图像进行中值滤波以及采用阈值为10、形状为square的结构算子对灰度图像进行开运算和差分运算;
步骤2.3:对步骤2.2得到的图像再次进行中值滤波操作,然后进行基于sobel算子的边缘检测,阈值为0.1;
步骤2.4:对步骤2.3得到的图像用bwareaopen函数进行去噪处理;
步骤2.5:对步骤2.4得到的图像分别进行水平和垂直积分投影,将水平、垂直两个方向上的像素投影点的像素累计值大于0的点在原始监控图像中分别标记出来,标记出的点对应的区域即为汽车车身区域。
所述步骤3利用hough变换从车身区域中定位车窗区域的具体步骤如下;
步骤3.1:将车身区域图像进行灰度化操作后,再进行基于canny算子的边缘检测;
步骤3.2:步骤3.1获得的图像进行基于hough变换的直线检测,其中,基于hough变换的直线检测过程中,最短线段阈值为5,投票累计数阈值为7;
步骤3.3:对步骤3.2得到的水平直线中,计算所有相邻水平直线之间的距离,如存在两条水平直线间的距离在95到180mm之间,则将这两条水平直线分别作为车窗的上、下边缘线,进入步骤3.4;如不存在,则当前图像无法找到车窗区域,退出当前检测流程,返回步骤1,处理下一幅图像;
步骤3.4:由车窗的上、下边缘线提取汽车车窗区域图像。
所述步骤4包括以下步骤:
步骤4.1:对车窗区域图像进行直方图均衡化,再采用5x5的中值滤波,滤除图像噪音;
步骤4.2:对步骤4.1得到的图像进行基于canny算子的边缘检测;
步骤4.3:对步骤4.2获得的图像利用MATLAB的圆弧检测函数imfindcircles进行圆弧检测获得待选圆形区域,圆弧半径R的阈值范围为[40,90];
步骤4.4:从待选圆形区域中选取位于车窗区域图像最底端,且车窗区域图像3/4处的圆形区域作为方向盘圆的所在位置。
所述步骤5包括以下步骤:
步骤5.1:采用imfindcircles函数对步骤4获得圆形区域找出方向盘圆弧,以圆弧对应的圆心为中心点,圆弧半径R的阈值范围为[40,90];
步骤5.2:以圆心所在水平线作为安全带所在区域图像的底端,向上延伸至图像顶端,图像底端和图像顶端之间的距离作为安全带所在区域的图像高度;以圆弧对应半径R的2倍作为安全带所在区域的图像宽度,从车窗区域图像中提取安全带所在区域图像。
所述步骤6进行直线检测的具体步骤如下:
步骤6.1:对安全带所在区域图像进行基于log算子的边缘检测,采用bwareopen函数去噪,阈值为20;
步骤6.2:对步骤6.1获得的图像进行基于hough变换的直线检测,获得安全带候选直线,最短线段阈值为5,投票累计数阈值为10;
步骤6.3:计算步骤6.2获得的安全带候选直线的两端点斜率,若直线斜率在0.75-1.2之间,则判断车窗区域中的驾驶员已系安全带;否则,判定车窗区域中的驾驶员未系安全带。
有益效果
本发明提供了一种基于公路监控设备的轿车安全带系挂状态的检测方法,步骤1:从公路监控设备中获取监控图像;步骤2:依据汽车与背景物特征对监控图像进行预处理后,采用积分投影定位步骤1获得的原始监控图像中的车身区域;所述预处理依次包括图像灰度化、图像滤波、边缘检测及背景噪音去除操作;步骤3:利用hough变换从车身区域中定位车窗区域;步骤4:基于圆弧检测在车窗区域中定位方向盘位置;步骤5:依据方向盘位置提取安全带区域图像;步骤6:对安全带进行直线检测;利用车身、车窗区域及方向盘区域图像,定位安全带所在区域,一步一步缩小检测范围,比其他方法更言,降低了对图片质量的要求,即使图片质量一般,也能实现准确检测;提高了安全带检测的准确率和效率,能够代替人眼,进行自动判别;由于该方法能够处理大批量图片,大量的降低了人工劳动强度,提高了安全带系挂检测的准确率和效率。
附图说明
图1为本发明所述方法的流程图;
图2为监控设备获得的轿车原始图像;
图3从原始图像中提取的车身定位图像;
图4为车窗提取图像;
图5为基于hough变换的圆检测示意图;
图6对方向盘圆定位示意图;
图7对安全带所在区域示意图;
图8对图7进行边缘检测示意图;
图9对图8进行hough变换的直线检测获得的直线示意图;
图10应用本发明所述方法对图片进行安全带检测的结论数据图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细的描述。
如图1所示,一种基于公路监控设备的轿车安全带系挂状态的检测方法,基于从公路上拍摄的图像,包括如下步骤:
步骤1:从公路监控设备中获取监控图像,如图2所示;
步骤2:依据汽车与背景物特征对监控图像进行预处理后,采用积分投影定位步骤1获得的原始监控图像中的车身区域,如图3所示;
所述预处理依次包括图像灰度化、图像滤波、边缘检测及背景噪音去除操作;
步骤3:利用hough变换从车身区域中定位车窗区域,如图4所示;
步骤4:基于圆弧检测在车窗区域中定位方向盘位置;
步骤5:依据方向盘位置提取安全带区域图像;
步骤6:对安全带进行直线检测;
利用直线检测方法,检测安全带区域图像中安全带对应的直线斜率是否在0.75-1.2之间,若直线斜率在0.75-1.2之间,则判断车窗区域中的驾驶员已系安全带;否则,判定车窗区域中的驾驶员未系安全带。
所述步骤2包括以下步骤:
步骤2.1:对监控图像进行图像灰度化操作获得灰度图像,并对灰度图像进行直方图均衡化操作;
步骤2.2:对步骤2.1获得的图像进行中值滤波以及采用阈值为10、形状为square的结构算子对灰度图像进行开运算和差分运算;
步骤2.3:对步骤2.2得到的图像再次进行中值滤波操作,然后进行基于sobel算子的边缘检测,阈值为0.1;
步骤2.4:对步骤2.3得到的图像用bwareaopen函数进行去噪处理;
步骤2.5:对步骤2.4得到的图像分别进行水平和垂直积分投影,将水平、垂直两个方向上的像素投影点的像素累计值大于0的点在原始监控图像中分别标记出来,标记出的点对应的区域即为汽车车身区域。
①在Y轴方向上,先从左到右遍历,找到累计像素点大于0的投影点停止,并将其作为Y1;然后从右往左遍历,找到累计像素点大于0的投影点停止,并将其作为Y2。
②在X轴方向上,先从左到右遍历,找到累计像素点大于0的投影点停止,并将其作为X1;然后从右往左遍历,找到累计像素点大于0的投影点停止,并将其作为X2。
所述步骤3利用hough变换从车身区域中定位车窗区域的具体步骤如下;
步骤3.1:将车身区域图像进行灰度化操作后,再进行基于canny算子的边缘检测;
步骤3.2:步骤3.1获得的图像进行基于hough变换的直线检测,其中,基于hough变换的直线检测过程中,最短线段阈值为5,投票累计数阈值为7;
步骤3.3:对步骤3.2得到的水平直线中,计算所有相邻水平直线之间的距离,如存在两条水平直线间的距离在95到180mm之间,则将这两条水平直线分别作为车窗的上、下边缘线,进入步骤3.4;如不存在,则当前图像无法找到车窗区域,退出当前检测流程,返回步骤1,处理下一幅图像;
步骤3.4:由车窗的上、下边缘线提取汽车车窗区域图像。
所述步骤4包括以下步骤:
步骤4.1:对车窗区域图像进行直方图均衡化,再采用5x5的中值滤波,滤除图像噪音;
步骤4.2:对步骤4.1得到的图像进行基于canny算子的边缘检测;
步骤4.3:对步骤4.2获得的图像利用MATLAB的圆弧检测函数imfindcircles进行圆弧检测获得待选圆形区域,圆弧半径R的阈值范围为[4090],灵敏度因子为0.97,如图5所示;
步骤4.4:从待选圆形区域中选取位于车窗区域图像最底端,且车窗区域图像3/4处的圆形区域作为方向盘圆的所在位置,如图6所示。
所述步骤5包括以下步骤:
步骤5.1:采用imfindcircles函数对步骤4获得圆形区域找出方向盘圆弧,以圆弧对应的圆心为中心点,圆弧半径R的阈值范围为[40,90];
步骤5.2:以圆心所在水平线作为安全带所在区域图像的底端,向上延伸至图像顶端,图像底端和图像顶端之间的距离作为安全带所在区域的图像高度;以圆弧对应半径R的2倍作为安全带所在区域的图像宽度,从车窗区域图像中提取安全带所在区域图像,如图7所示。
找出的方向盘圆的圆心为centre和半径为radius。以圆心centre为中心点,左右延伸半径大小距离,作为安全带所在区域图像,即
X3=centre.x-radius;
X4=centre.x+radius;
向上延伸至图像顶端,以圆心处位置作为图像底端作为安全带所在区域的左右位置,即
Y3=1;
Y4=centre.y;
根据上下、左右位置提取安全带所在的区域图像坐标为(X3~X4,Y3~Y4)。
所述步骤6进行直线检测的具体步骤如下:
步骤6.1:对安全带所在区域图像进行基于log算子的边缘检测,采用bwareopen函数去噪,阈值为20,如图8所示;
步骤6.2:对步骤6.1获得的图像进行基于hough变换的直线检测,获得安全带候选直线,最短线段阈值为5,投票累计数阈值为10,如图9所示。
步骤6.3:计算步骤6.2获得的安全带候选直线的两端点斜率,若直线斜率在0.75-1.2之间,则判断车窗区域中的驾驶员已系安全带;否则,判定车窗区域中的驾驶员未系安全带。
对于已有的大车数据库576张图像应用本发明所述方法进行检测,将检测结果进行txt文本分析和饼图分析,如图10示:
The running time of the program(程序运行时间):1540s
The number of small car(测试图片数):576张
The number of program error(程序出错图像):193张
The number of seat belt(有安全带图像):87张
The number of no seat belt(没有安全带图像):296张
The program runs correctly rate(程序运行正确率):0.7
将程序出错的图片滤除后,我们做了个表格分析,如表1示。结果显示在检测出的383张图片中,正确率为0.70。
表1检测正确率
上述实施例仅为本发明的较佳实施例,并非用来限定本发明实施范围。即凡依本发明内容所作的均等变化与修饰,都为本发明权利要求所要求保护的范围所涵盖。
Claims (6)
1.一种基于公路监控设备的轿车安全带系挂状态的检测方法,其特征在于,包括以下几个步骤:
步骤1:从公路监控设备中获取监控图像;
步骤2:依据汽车与背景物特征对监控图像进行预处理后,采用积分投影定位步骤1获得的原始监控图像中的车身区域;
所述预处理依次包括图像灰度化、图像滤波、边缘检测及背景噪音去除操作;
步骤3:利用hough变换从车身区域中定位车窗区域;
步骤4:基于圆弧检测在车窗区域中定位方向盘位置;
步骤5:依据方向盘位置提取安全带区域图像;
步骤6:对安全带进行直线检测;
利用直线检测方法,检测安全带区域图像中安全带对应的直线斜率是否在0.75-1.2之间,若直线斜率在0.75-1.2之间,则判断车窗区域中的驾驶员已系安全带;否则,判定车窗区域中的驾驶员未系安全带。
2.根据权利要求1所述的基于公路监控设备的轿车安全带系挂状态的检测方法,其特征在于,所述步骤2包括以下步骤:
步骤2.1:对监控图像进行图像灰度化操作获得灰度图像,并对灰度图像进行直方图均衡化操作;
步骤2.2:对步骤2.1获得的图像进行中值滤波以及采用阈值为10、形状为square的结构算子对灰度图像进行开运算和差分运算;
步骤2.3:对步骤2.2得到的图像再次进行中值滤波操作,然后进行基于sobel算子的边缘检测,阈值为0.1;
步骤2.4:对步骤2.3得到的图像用bwareaopen函数进行去噪处理;
步骤2.5:对步骤2.4得到的图像分别进行水平和垂直积分投影,将水平、垂直两个方向上的像素投影点的像素累计值大于0的点在原始监控图像中分别标记出来,标记出的点对应的区域即为汽车车身区域。
3.根据权利要求2所述的基于公路监控设备的轿车安全带系挂状态的检测方法,其特征在于,所述步骤3利用hough变换从车身区域中定位车窗区域的具体步骤如下;
步骤3.1:将车身区域图像进行灰度化操作后,再进行基于canny算子的边缘检测;
步骤3.2:步骤3.1获得的图像进行基于hough变换的直线检测,其中,基于hough变换的直线检测过程中,最短线段阈值为5,投票累计数阈值为7;
步骤3.3:对步骤3.2得到的水平直线中,计算所有相邻水平直线之间的距离,如存在两条水平直线间的距离在95到180mm之间,则将这两条水平直线分别作为车窗的上、下边缘线,进入步骤3.4;如不存在,则当前图像无法找到车窗区域,退出当前检测流程,返回步骤1,处理下一幅图像;
步骤3.4:由车窗的上、下边缘线提取汽车车窗区域图像。
4.根据权利要求3所述的基于公路监控设备的轿车安全带系挂状态的检测方法,其特征在于,所述步骤4包括以下步骤:
步骤4.1:对车窗区域图像进行直方图均衡化,再采用5x5的中值滤波,滤除图像噪音;
步骤4.2:对步骤4.1得到的图像进行基于canny算子的边缘检测;
步骤4.3:对步骤4.2获得的图像利用MATLAB的圆弧检测函数imfindcircles进行圆弧检测获得待选圆形区域,圆弧半径R的阈值范围为[40,90];
步骤4.4:从待选圆形区域中选取位于车窗区域图像最底端,且车窗区域图像3/4处的圆形区域作为方向盘圆的所在位置。
5.根据权利要求4所述的基于公路监控设备的轿车安全带系挂状态的检测方法,其特征在于,所述步骤5包括以下步骤:
步骤5.1:采用imfindcircles函数对步骤4获得圆形区域找出方向盘圆弧,以圆弧对应的圆心为中心点,圆弧对应的半径R的阈值范围为[40,90];
步骤5.2:以圆心所在水平线作为安全带所在区域图像的底端,向上延伸至图像顶端,图像底端和图像顶端之间的距离作为安全带所在区域的图像高度;以圆弧对应半径R的2倍作为安全带所在区域的图像宽度,从车窗区域图像中提取安全带所在区域图像。
6.根据权利要求1-5任一项所述的基于公路监控设备的轿车安全带系挂状态的检测方法,其特征在于,所述步骤6进行直线检测的具体步骤如下:
步骤6.1:对安全带所在区域图像进行基于log算子的边缘检测,采用bwareopen函数去噪,阈值为20;
步骤6.2:对步骤6.1获得的图像进行基于hough变换的直线检测,获得安全带候选直线,最短线段阈值为5,投票累计数阈值为10;
步骤6.3:计算步骤6.2获得的安全带候选直线的两端点斜率,若直线斜率在0.75-1.2之间,则判断车窗区域中的驾驶员已系安全带;否则,判定车窗区域中的驾驶员未系安全带。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410299725.5A CN104123557B (zh) | 2014-06-29 | 2014-06-29 | 一种基于公路监控设备的轿车安全带系挂状态的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410299725.5A CN104123557B (zh) | 2014-06-29 | 2014-06-29 | 一种基于公路监控设备的轿车安全带系挂状态的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104123557A true CN104123557A (zh) | 2014-10-29 |
CN104123557B CN104123557B (zh) | 2017-10-03 |
Family
ID=51768962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410299725.5A Active CN104123557B (zh) | 2014-06-29 | 2014-06-29 | 一种基于公路监控设备的轿车安全带系挂状态的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104123557B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718864A (zh) * | 2016-01-18 | 2016-06-29 | 安徽天盛智能科技有限公司 | 一种机动车驾乘人员在途未系安全带的检测方法 |
WO2017028587A1 (zh) * | 2015-08-14 | 2017-02-23 | 杭州海康威视数字技术股份有限公司 | 车辆监控的方法和装置、处理器、图像采集设备 |
CN106650567A (zh) * | 2016-08-31 | 2017-05-10 | 东软集团股份有限公司 | 一种安全带检测方法和装置 |
CN107529659A (zh) * | 2017-07-14 | 2018-01-02 | 深圳云天励飞技术有限公司 | 安全带佩戴检测方法、装置及电子设备 |
CN108256495A (zh) * | 2018-01-31 | 2018-07-06 | 浙江工业大学 | 一种基于假定圆检测的汽车方向盘检测方法 |
CN108470144A (zh) * | 2018-01-31 | 2018-08-31 | 浙江工业大学 | 一种基于曲线分段的汽车方向盘检测方法 |
CN108470145A (zh) * | 2018-01-31 | 2018-08-31 | 浙江工业大学 | 一种基于曲线斜率变化的汽车方向盘检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070195990A1 (en) * | 2006-02-16 | 2007-08-23 | Uri Levy | Vision-Based Seat Belt Detection System |
CN103522982A (zh) * | 2013-10-25 | 2014-01-22 | 公安部第三研究所 | 基于图像分析的车辆安全带检测方法及装置 |
CN103870806A (zh) * | 2014-02-21 | 2014-06-18 | 杭州奥视图像技术有限公司 | 一种结合方向盘检测的安全带检测方法 |
-
2014
- 2014-06-29 CN CN201410299725.5A patent/CN104123557B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070195990A1 (en) * | 2006-02-16 | 2007-08-23 | Uri Levy | Vision-Based Seat Belt Detection System |
CN103522982A (zh) * | 2013-10-25 | 2014-01-22 | 公安部第三研究所 | 基于图像分析的车辆安全带检测方法及装置 |
CN103870806A (zh) * | 2014-02-21 | 2014-06-18 | 杭州奥视图像技术有限公司 | 一种结合方向盘检测的安全带检测方法 |
Non-Patent Citations (1)
Title |
---|
侯殿福: "车窗检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017028587A1 (zh) * | 2015-08-14 | 2017-02-23 | 杭州海康威视数字技术股份有限公司 | 车辆监控的方法和装置、处理器、图像采集设备 |
CN105718864A (zh) * | 2016-01-18 | 2016-06-29 | 安徽天盛智能科技有限公司 | 一种机动车驾乘人员在途未系安全带的检测方法 |
CN106650567A (zh) * | 2016-08-31 | 2017-05-10 | 东软集团股份有限公司 | 一种安全带检测方法和装置 |
CN106650567B (zh) * | 2016-08-31 | 2019-12-13 | 东软集团股份有限公司 | 一种安全带检测方法和装置 |
CN107529659A (zh) * | 2017-07-14 | 2018-01-02 | 深圳云天励飞技术有限公司 | 安全带佩戴检测方法、装置及电子设备 |
CN107529659B (zh) * | 2017-07-14 | 2018-12-11 | 深圳云天励飞技术有限公司 | 安全带佩戴检测方法、装置及电子设备 |
CN108256495A (zh) * | 2018-01-31 | 2018-07-06 | 浙江工业大学 | 一种基于假定圆检测的汽车方向盘检测方法 |
CN108470144A (zh) * | 2018-01-31 | 2018-08-31 | 浙江工业大学 | 一种基于曲线分段的汽车方向盘检测方法 |
CN108470145A (zh) * | 2018-01-31 | 2018-08-31 | 浙江工业大学 | 一种基于曲线斜率变化的汽车方向盘检测方法 |
CN108256495B (zh) * | 2018-01-31 | 2020-05-19 | 浙江工业大学 | 一种基于假定圆检测的汽车方向盘检测方法 |
CN108470145B (zh) * | 2018-01-31 | 2021-03-16 | 浙江工业大学 | 一种基于曲线斜率变化的汽车方向盘检测方法 |
CN108470144B (zh) * | 2018-01-31 | 2021-05-04 | 浙江工业大学 | 一种基于曲线分段的汽车方向盘检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104123557B (zh) | 2017-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104123557A (zh) | 一种基于公路监控设备的轿车安全带系挂状态的检测方法 | |
CN104112141A (zh) | 一种基于公路监控设备的货车安全带系挂状态的检测方法 | |
CN104008645B (zh) | 一种适用于城市道路车道线预测及预警方法 | |
KR101517181B1 (ko) | 차선 이탈 경보 시스템 및 방법 | |
CN111487641B (zh) | 一种利用激光雷达检测物体的方法、装置、电子设备及存储介质 | |
KR101605514B1 (ko) | 차선 인식 장치 및 방법 | |
CN103942959B (zh) | 一种车道检测方法及装置 | |
CN103324930B (zh) | 一种基于灰度直方图二值化的车牌字符分割方法 | |
EP2924657B1 (en) | Apparatus and method for detection of road boundaries | |
CN106326822B (zh) | 车道线检测的方法及装置 | |
CN102737248B (zh) | 复杂路况下的车道线特征点提取方法与装置 | |
CN105405142A (zh) | 一种玻璃面板的边缺陷检测方法及系统 | |
CN102663352B (zh) | 一种轨道识别方法 | |
CN106650567B (zh) | 一种安全带检测方法和装置 | |
CN111382704A (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
KR20150112656A (ko) | 카메라 캘리브레이션 방법 및 그 장치 | |
CN104240239A (zh) | 一种基于道路图像探测局域路段雾霾天气的检测方法 | |
CN107097794B (zh) | 道路车道线的侦测系统及其方法 | |
CN104598912A (zh) | 一种基于cpu与gpu协同计算的交通灯检测识别方法 | |
CN109190483B (zh) | 一种基于视觉的车道线检测方法 | |
KR101584907B1 (ko) | 관심 영역을 이용한 차선 인식 방법 및 그 장치 | |
CN103593981A (zh) | 一种基于视频的车型识别方法 | |
CN104680156A (zh) | 基于机器视觉的机动车前排未系安全带识别系统及方法 | |
CN105184301B (zh) | 一种利用四轴飞行器判别车辆方位的方法 | |
CN105718964A (zh) | 一种输电线防振锤的视觉检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |