CN104598906B - 车辆外轮廓检测方法及其装置 - Google Patents
车辆外轮廓检测方法及其装置 Download PDFInfo
- Publication number
- CN104598906B CN104598906B CN201510096181.7A CN201510096181A CN104598906B CN 104598906 B CN104598906 B CN 104598906B CN 201510096181 A CN201510096181 A CN 201510096181A CN 104598906 B CN104598906 B CN 104598906B
- Authority
- CN
- China
- Prior art keywords
- mtd
- image
- mrow
- segmentation
- picture
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车辆外轮廓检测方法,计算机获取不同分辨率下的无目标车辆的背景图像和有目标车辆的前景图像,然后对所述不同分辨率下的背景图像和前景图像分别差分运算获得不同层的背景差分图,对所述不同层的背景差分图进行阈值分割获得第一分割图像和第二分割图像,所述第一分割图像和第二分割图像进行融合运算获得融合后的图像,最后对所述融合后的图像进行腐蚀处理获得车辆外轮廓;本发明还公开了一种车辆外轮廓检测装置,通过本发明能够大大降低检测成本,提高检测效率,因此能够广泛应用于车辆车型分类、整车尺寸测量等智能交通项目中。
Description
技术领域
本发明属于目标检测技术领域,具体涉及一种车辆外轮廓检测方法及其装置。
背景技术
随着智能交通系统的快速发展和国内外学者对机器视觉的深入研究,检测并提取车辆的外轮廓有着很大的意义,为之后的车型分析、车辆尺寸测量打下基石。现在我国检测汽车长度的方法大都是人工卷尺测量和光学式及电磁式检测仪测量等,虽然有一些基于图形图像学的方法,但是大都没有很好的实时性和实用性。从而导致大部分的高速路收费系统都是通过车辆吨位以及车辆作为来收费标准,电子秤等仪器投资大、结构复杂。人眼观察不仅会增加人力又会存在失误风险。所以这些传统的方法急需改革创新,车辆的外轮廓检测有着广泛的应用前景。
目前检测车辆外轮廓的传统算法主要包括:背景差分法、光流法、帧差法。环境因素带来的影响主要分为两类,天气变化引起的光照变化和气流、大地震动、汽车喇叭、发动机轰鸣声等使相机发生轻微抖动。而这些自然因素造成实时采集到的图片光照不均匀并且相机的颤动会引入许多细小的噪声。因此传统的背景差分法和帧差法对引入的噪声无法去除,故这些方法不能达到理想的车辆外轮廓检测,而光流法的工程实用性又比较差。
发明内容
有鉴于此,本发明的主要目的在于提供一种车辆外轮廓检测方法及其装置。
为达到上述目的,本发明的技术方案是这样实现的:
本发明实施例提供一种车辆外轮廓检测方法,该方法为:计算机获取不同分辨率下的无目标车辆的背景图像和有目标车辆的前景图像,然后对所述不同分辨率下的背景图像和前景图像分别差分运算获得不同层的背景差分图,对所述不同层的背景差分图进行阈值分割获得第一分割图像和第二分割图像,所述第一分割图像和第二分割图像进行融合运算获得融合后的图像,最后对所述融合后的图像进行腐蚀处理获得车辆外轮廓。
上述方案中,所述计算机获取不同分辨率下的无目标车辆的背景图像和有目标车辆的前景图像,具体为:
确定计算机获取的原始图像为高分辨率图像,原始图像即为无目标车辆的背景图像和有目标车辆的前景图像,再对高分辨率图片经过低通滤波器进行平滑,然后对平滑图像进行抽样处理,获得一系列尺寸缩小的图像,每一级图像均为其前一级图像低通滤波后作隔行隔列降采样,即
其中:Gk(x,y)为第k层图像;G0为原始图像,m、n可以为-2、-1、0、1、2,即w(m,n)=h(m)·h(n)为5×5具有低通特性的窗口函数,h为高斯密度分布函数,w(m,n)又称为高斯核,即每一层图像的像素值为前一层对应像素的5×5区域内像素的加权平均,第1层和第2层图像分辨率降低,分辨率分别为x/2×y/2px和x/4×y/4px,而所述第2层图像为低分辨率图像;
所述w(m,n)表示为:
上述方案中,所述对所述不同分辨率下的背景图像和前景图像分别差分运算获得不同层的背景差分图,具体为:在不同分辨率的前景图像与背景图像的相应层对各个像素进行差分运算,根据背景差分法获取不同层的背景差分图:Dk(x,y)=Ik(x,y)-Bk(x,y),其中Ik(x,y)为k层的前景图,Bk(x,y)为k层的背景图。
上述方案中,所述对所述不同层的背景差分图进行阈值分割获得第一分割图像和第二分割图像,具体为:对获取到的不同层的背景差分图,分别根据高低双阈值进行分割,根据高阈值分割低分辨率的背景差分图,获得目标车辆的大致轮廓图像,即第一分割图像;根据低阈值分割高分辨率的背景差分图,获取目标车辆的细节图像,即第二分割图像。
上述方案中,所述第一分割图像和第二分割图像进行融合运算获得融合后的图像,最后对所述融合后的图像进行腐蚀处理获得车辆外轮廓,具体为:对第一分割图像进行膨胀腐蚀操作,获得理想的滤波模型,滤除大量细小噪声,根据融合运算对目标车辆的大致轮廓图像和目标车辆的细节图像进行融合,最终检测出前景图像中的目标车辆的外轮廓。
本发明实施例还提供一种车辆外轮廓检测装置,其特征在于,该装置包括为:图像降采样单元、背景差分单元、阈值分割单元、目标检测单元;其中,
所述图像降采样单元,用于获取不同分辨率下的无目标车辆的背景图像和有目标车辆的前景图像,发送获取到的不同分辨率下的无目标车辆的背景图像和有目标车辆的前景图像到背景差分单元;
所述背景差分单元,用于接收到的所述不同分辨率下的背景图像和前景图像分别差分运算获得不同层的背景差分图,发送所述不同层的背景差分图到阈值分割单元;
所述阈值分割单元,用于对接收到的所述不同层的背景差分图进行阈值分割获得第一分割图像和第二分割图像,发送所述第一分割图像和第二分割图像到目标检测单元;
所述目标检测单元,用于对接收到的所述第一分割图像和第二分割图像进行融合运算获得融合后的图像,最后对所述融合后的图像进行腐蚀处理获得车辆外轮廓。
上述方案中,所述图像降采样单元,具体用于确定计算机获取的原始图像为高分辨率图像,原始图像即为无目标车辆的背景图像和有目标车辆的前景图像,再对高分辨率图片经过低通滤波器进行平滑,然后对平滑图像进行抽样处理,获得一系列尺寸缩小的图像,每一级图像均为其前一级图像低通滤波后作隔行隔列降采样,即
其中:Gk(x,y)为第k层图像;G0为原始图像,m、n可以为-2、-1、0、1、2,即w(m,n)=h(m)·h(n)为5×5具有低通特性的窗口函数,h为高斯密度分布函数,w(m,n)又称为高斯核,即每一层图像的像素值为前一层对应像素的5×5区域内像素的加权平均,第1层和第2层图像分辨率降低,分辨率分别为x/2×y/2px和x/4×y/4px,而所述第2层图像为低分辨率图像;
所述w(m,n)表示为:
上述方案中,所述所述背景差分单元,具体用于在不同分辨率的前景图像与背景图像的相应层对各个像素进行差分运算,Dk(x,y)=Ik(x,y)-Bk(x,y),其中Ik(x,y)为k层的前景图,Bk(x,y)为k层的背景图。
上述方案中,所述所述阈值分割单元,具体用于对获取到的不同层的背景差分图,分别根据高低双阈值进行分割,根据高阈值分割低分辨率的背景差分图,获得目标车辆的大致轮廓图像,即第一分割图像;根据低阈值分割高分辨率的背景差分图,获取目标车辆的细节图像,即第二分割图像。
上述方案中,所述目标检测单元,具体用于对第一分割图像进行膨胀腐蚀操作,获得理想的滤波模型,滤除大量细小噪声,根据融合运算对目标车辆的大致轮廓图像和目标车辆的细节图像进行融合,最终检测出前景图像中的目标车辆的外轮廓。
与现有技术相比,本发明的有益效果:
本发明利用图片不同尺度下包含的信息特性,对图片进行高低分辨率下的背景差分运算,解决了无法同时获取目标车辆细节以及大体结构的矛盾。
本发明采用自动的高低阈值的选取方式,使本发明具有实时性,可以用于工程实践中复杂变换的环境。
附图说明
图1为本发明实施例提供的一种车辆外轮廓检测方法的流程框架图;
图2为本发明中的高阈值分割的低分辨率差分图;
图3为本发明中的低阈值分割的高分辨率差分图;
图4为本发明中的G通道的差分直方图;
图5为对图4进行矩形结构元素膨胀;
图6为图7和图5进行图像融合后获得的图像;
图7为图8进行圆形结构膨胀并连通域填充处理后获得的图像;
图8为本发明实施例提供的一种车辆外轮廓检测装置的连接示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明实施例提供一种车辆外轮廓检测方法,如图1所示,该方法通过以下步骤实现:
步骤101:计算机通过摄像头采集无目标车辆的背景图像和有目标车辆的前景图像。
具体的,也可以通过相机等图像采集装置采集无目标车辆的背景图像和有目标车辆的前景图像。
步骤102:计算机获取不同分辨率下的无目标车辆的背景图像和有目标车辆的前景图像。
具体的,根据降采样的原理,获取不同分辨率下的图片,即实现图像在不同尺度下的描述。
确定计算机获取的原始图像为高分辨率图像,原始图像即为无目标车辆的背景图像和有目标车辆的前景图像,再对高分辨率图片经过低通滤波器进行平滑,然后对平滑图像进行抽样处理,获得一系列尺寸缩小的图像,每一级图像均为其前一级图像低通滤波后作隔行隔列降采样,即
其中:Gk(x,y)为第k层图像;G0为原始图像,m、n可以为-2、-1、0、1、2,即w(m,n)=h(m)·h(n)为5×5具有低通特性的窗口函数,h为高斯密度分布函数,w(m,n)又称为高斯核,即每一层图像的像素值为前一层对应像素的5×5区域内像素的加权平均,第1层和第2层图像分辨率降低,分辨率分别为x/2×y/2px和x/4×y/4px,而所述第2层图像为低分辨率图像;
所述w(m,n)表示为:
步骤103:对所述不同分辨率下的背景图像和前景图像分别差分运算获得不同层的背景差分图。
具体的,在不同分辨率的前景图像与背景图像的相应层对各个像素进行差分运算,Dk(x,y)=Ik(x,y)-Bk(x,y),其中Ik(x,y)为k层的前景图,Bk(x,y)为k层的背景图。
步骤104:对所述不同层的背景差分图进行阈值分割获得第一分割图像和第二分割图像。
具体的,对获取到的不同层的背景差分图,分别根据高低双阈值进行分割,根据高阈值分割低分辨率的背景差分图,获得目标车辆的大致轮廓图像,即第一分割图像;根据低阈值分割高分辨率的背景差分图,获取目标车辆的细节图像,即第二分割图像。
对低分辨率的背景差分图进行高阈值分割,结果如图2所示,图2中只保留了目标车辆的大体轮廓图像,即第一分割图像;对高分辨率下的背景差分图实施阈值分割,结果如图3所示,图3中保留了目标车辆的细节图像,即第二分割图像,但同时引入了部分细小的噪声。
低分辨率的图像,细节本身已经被忽略,当进行差分运算的时候,就会得到只有跟背景图像有明显差异的目标车辆区域,由于噪声部分差分完之后灰度值跟目标区域相比偏低,故采用高阈值分割是为了进一步排除噪声的干扰;而高分辨率的图片具有清晰,显示诸多细节的特质,而为了得到目标区域的细节特征便对高分辨率下的背景差分图进行低阈值分割。
另外高低阈值的自动获取方法为:在R、G、B三通道上对图像进行分析,每个通道都有2对阈值,以G通道为例,分别有高阈值T-HG与T+HG和低阈值T-LG与T+LG,图4为G通道的差分直方图Hi-G,定义ΔG(x,y)=Gi(x,y)-GB(x,y),经大量实验证明,差分直方图分布接近于高斯分布,故接近于均值的拐点即为正负低阈值,为了减少噪声影响,此法先进行了差分直方图的平滑处理:
拐点求解如下:
Hi-sG[k-1]≥Hi-sG[k]≤Hi-sG[k+1];T=k
同样的方法可以求出R和B通道的阈值。
步骤105:所述第一分割图像和第二分割图像进行融合运算获得融合后的图像,最后对所述融合后的图像进行腐蚀处理获得车辆外轮廓。
具体的,对第一分割图像进行膨胀腐蚀操作,获得理想的滤波模型,滤除大量细小噪声,根据融合运算对目标车辆的大致轮廓图像和目标车辆的细节图像进行融合,最终检测出前景图像中的目标车辆的外轮廓。
对图2进行2*80的矩形结构元素向下膨胀,得到图5,此处的结构元素根据摄像头的分辨率和到汽车的距离而定,矩形结构元素的长度跟像元宽度的积为1m左右即可,图5确定了目标车辆坐标范围,从此建立了滤波模型,图5与图3进行融合运算,取交集就会滤除周围环境带来的绝大部分噪声点影响,处理结果如图6所示,对图6再进行小型圆状结构元素膨胀和连通域填充处理。最终腐蚀处理得到理想的车辆外轮廓,如图7所示,最后输出结果。
本发明实例能够针对不同车型的车辆进行很好的外轮廓检测,本发明可以大大降低检测成本,提高检测效率,因此能够广泛应用于车辆车型分类、整车尺寸测量等智能交通项目中。
本发明实施例还提供一种车辆外轮廓检测装置,如图8所示,该装置包括为:图像降采样单元1、背景差分单元2、阈值分割单元3、目标检测单元4、图像采集单元5;其中,
所述图像采集单元5用于采集无目标车辆的背景图像和有目标车辆的前景图像。
所述图像降采样单元1用于获取不同分辨率下的无目标车辆的背景图像和有目标车辆的前景图像,发送获取到的不同分辨率下的无目标车辆的背景图像和有目标车辆的前景图像到背景差分单元2;
所述图像降采样单元1具体用于确定计算机获取的原始图像为高分辨率图像,原始图像即为无目标车辆的背景图像和有目标车辆的前景图像,再对高分辨率图片经过低通滤波器进行平滑,然后对平滑图像进行抽样处理,获得一系列尺寸缩小的图像,每一级图像均为其前一级图像低通滤波后作隔行隔列降采样,即
其中:Gk(x,y)为第k层图像;G0为原始图像,m、n可以为-2、-1、0、1、2,即w(m,n)=h(m)·h(n)为5×5具有低通特性的窗口函数,h为高斯密度分布函数,w(m,n)又称为高斯核,即每一层图像的像素值为前一层对应像素的5×5区域内像素的加权平均,第1层和第2层图像分辨率降低,分辨率分别为x/2×y/2px和x/4×y/4px,而所述第2层图像为低分辨率图像;
所述w(m,n)表示为:
所述背景差分单元2用于接收到的所述不同分辨率下的背景图像和前景图像分别差分运算获得不同层的背景差分图,发送所述不同层的背景差分图到阈值分割单元3;
所述背景差分单元2具体用于在不同分辨率的前景图像与背景图像的相应层对各个像素进行差分运算,假设不同分辨率下前景图为Ik(x,y),背景图为Bk(x,y),根据背景差分法获取不同层的背景差分图:Dk(x,y)=Ik(x,y)-Bk(x,y),其中Ik(x,y)为k层的前景图,Bk(x,y)为k层的背景图。
所述阈值分割单元3用于对接收到的所述不同层的背景差分图进行阈值分割获得第一分割图像和第二分割图像,发送所述第一分割图像和第二分割图像到目标检测单元4;
所述阈值分割单元3具体用于对获取到的不同层的背景差分图,分别根据高低双阈值进行分割,根据高阈值分割低分辨率的背景差分图,获得目标车辆的大致轮廓图像,即第一分割图像;根据低阈值分割高分辨率的背景差分图,获取目标车辆的细节图像,即第二分割图像。
所述目标检测单元4,用于对接收到的所述第一分割图像和第二分割图像进行融合运算获得融合后的图像,最后对所述融合后的图像进行腐蚀处理获得车辆外轮廓。
所述目标检测单元4,具体用于对第一分割图像进行膨胀腐蚀操作,获得理想的滤波模型,滤除大量细小噪声,根据融合运算对目标车辆的大致轮廓图像和目标车辆的细节图像进行融合,最终检测出前景图像中的目标车辆的外轮廓。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (2)
1.一种车辆外轮廓检测方法,其特征在于,该方法为:计算机获取不同分辨率下的无目标车辆的背景图像和有目标车辆的前景图像,然后对所述不同分辨率下的背景图像和前景图像分别差分运算获得不同层的背景差分图,对所述不同层的背景差分图进行阈值分割获得第一分割图像和第二分割图像,所述第一分割图像和第二分割图像进行融合运算获得融合后的图像,最后对所述融合后的图像进行腐蚀处理获得车辆外轮廓;
所述计算机获取不同分辨率下的无目标车辆的背景图像和有目标车辆的前景图像,具体为:
确定计算机获取的原始图像为高分辨率图像,原始图像即为无目标车辆的背景图像和有目标车辆的前景图像,再对高分辨率图片经过低通滤波器进行平滑,然后对平滑图像进行抽样处理,获得一系列尺寸缩小的图像,每一级图像均为其前一级图像低通滤波后作隔行隔列降采样,即
<mrow>
<msub>
<mi>G</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mo>-</mo>
<mn>2</mn>
</mrow>
<mn>2</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mo>-</mo>
<mn>2</mn>
</mrow>
<mn>2</mn>
</munderover>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>G</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>x</mi>
<mo>+</mo>
<mi>m</mi>
<mo>,</mo>
<mn>2</mn>
<mi>y</mi>
<mo>+</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
其中:Gk(x,y)为第k层图像;G0为原始图像,m、n可以为-2、-1、0、1、2,即w(m,n)=h(m)·h(n)为5×5具有低通特性的窗口函数,h为高斯密度分布函数,w(m,n)又称为高斯核,即每一层图像的像素值为前一层对应像素的5×5区域内像素的加权平均,第1层和第2层图像分辨率降低,分辨率分别为x/2×y/2px和x/4×y/4px,而所述第2层图像为低分辨率图像;
所述w(m,n)表示为:
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>256</mn>
</mfrac>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>6</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>16</mn>
</mtd>
<mtd>
<mn>24</mn>
</mtd>
<mtd>
<mn>16</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>6</mn>
</mtd>
<mtd>
<mn>24</mn>
</mtd>
<mtd>
<mn>36</mn>
</mtd>
<mtd>
<mn>24</mn>
</mtd>
<mtd>
<mn>6</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>16</mn>
</mtd>
<mtd>
<mn>24</mn>
</mtd>
<mtd>
<mn>16</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>6</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
2.一种车辆外轮廓检测装置,其特征在于,该装置包括为:图像降采样单元(1)、背景差分单元(2)、阈值分割单元(3)、目标检测单元(4);其中,
所述图像降采样单元(1),用于获取不同分辨率下的无目标车辆的背景图像和有目标车辆的前景图像,发送获取到的不同分辨率下的无目标车辆的背景图像和有目标车辆的前景图像到背景差分单元(2);
所述背景差分单元(2),用于接收到的所述不同分辨率下的背景图像和前景图像分别差分运算获得不同层的背景差分图,发送所述不同层的背景差分图到阈值分割单元(3);
所述阈值分割单元(3),用于对接收到的所述不同层的背景差分图进行阈值分割获得第一分割图像和第二分割图像,发送所述第一分割图像和第二分割图像到目标检测单元(4);
所述目标检测单元(4),用于对接收到的所述第一分割图像和第二分割图像进行融合运算获得融合后的图像,最后对所述融合后的图像进行腐蚀处理获得车辆外轮廓;
所述图像降采样单元(1),具体用于确定计算机获取的原始图像为高分辨率图像,原始图像即为无目标车辆的背景图像和有目标车辆的前景图像,再对高分辨率图片经过低通滤波器进行平滑,然后对平滑图像进行抽样处理,获得一系列尺寸缩小的图像,每一级图像均为其前一级图像低通滤波后作隔行隔列降采样,即
<mrow>
<msub>
<mi>G</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mo>-</mo>
<mn>2</mn>
</mrow>
<mn>2</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mo>-</mo>
<mn>2</mn>
</mrow>
<mn>2</mn>
</munderover>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>G</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>x</mi>
<mo>+</mo>
<mi>m</mi>
<mo>,</mo>
<mn>2</mn>
<mi>y</mi>
<mo>+</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
其中:Gk(x,y)为第k层图像;G0为原始图像,m、n可以为-2、-1、0、1、2,即w(m,n)=h(m)·h(n)为5×5具有低通特性的窗口函数,h为高斯密度分布函数,w(m,n)又称为高斯核,即每一层图像的像素值为前一层对应像素的5×5区域内像素的加权平均,第1层和第2层图像分辨率降低,分辨率分别为x/2×y/2px和x/4×y/4px,而所述第2层图像为低分辨率图像;
所述w(m,n)表示为:
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>256</mn>
</mfrac>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>6</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>16</mn>
</mtd>
<mtd>
<mn>24</mn>
</mtd>
<mtd>
<mn>16</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>6</mn>
</mtd>
<mtd>
<mn>24</mn>
</mtd>
<mtd>
<mn>36</mn>
</mtd>
<mtd>
<mn>24</mn>
</mtd>
<mtd>
<mn>6</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>16</mn>
</mtd>
<mtd>
<mn>24</mn>
</mtd>
<mtd>
<mn>16</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>6</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
2
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510096181.7A CN104598906B (zh) | 2015-03-04 | 2015-03-04 | 车辆外轮廓检测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510096181.7A CN104598906B (zh) | 2015-03-04 | 2015-03-04 | 车辆外轮廓检测方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104598906A CN104598906A (zh) | 2015-05-06 |
CN104598906B true CN104598906B (zh) | 2017-08-22 |
Family
ID=53124679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510096181.7A Active CN104598906B (zh) | 2015-03-04 | 2015-03-04 | 车辆外轮廓检测方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104598906B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629254B (zh) * | 2017-03-24 | 2020-11-27 | 杭州海康威视数字技术股份有限公司 | 一种运动目标的检测方法及装置 |
CN109215389B (zh) * | 2017-06-29 | 2021-09-10 | 国基电子(上海)有限公司 | 车距校正方法、电子装置及计算机可读存储介质 |
CN110826565B (zh) * | 2019-11-01 | 2023-07-14 | 北京中科芯健医疗科技有限公司 | 基于跨连接的卷积神经网络齿痕舌象分类方法及系统 |
CN111208521B (zh) * | 2020-01-14 | 2021-12-07 | 武汉理工大学 | 一种多波束前视声呐水下障碍物鲁棒检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101860664A (zh) * | 2010-06-13 | 2010-10-13 | 华中科技大学 | 一种对光照变化鲁棒的运动目标检测方法 |
CN102819848A (zh) * | 2012-04-12 | 2012-12-12 | 无锡慧眼电子科技有限公司 | 一种移动物体的探测方法 |
CN103049738A (zh) * | 2012-12-07 | 2013-04-17 | 北京中邮致鼎科技有限公司 | 视频中阴影连接的多车辆分割方法 |
CN103065145A (zh) * | 2012-12-07 | 2013-04-24 | 北京中邮致鼎科技有限公司 | 一种车辆运动阴影消除方法 |
CN103927526A (zh) * | 2014-04-30 | 2014-07-16 | 长安大学 | 一种基于高斯差分多尺度边缘融合的车辆检测方法 |
-
2015
- 2015-03-04 CN CN201510096181.7A patent/CN104598906B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101860664A (zh) * | 2010-06-13 | 2010-10-13 | 华中科技大学 | 一种对光照变化鲁棒的运动目标检测方法 |
CN102819848A (zh) * | 2012-04-12 | 2012-12-12 | 无锡慧眼电子科技有限公司 | 一种移动物体的探测方法 |
CN103049738A (zh) * | 2012-12-07 | 2013-04-17 | 北京中邮致鼎科技有限公司 | 视频中阴影连接的多车辆分割方法 |
CN103065145A (zh) * | 2012-12-07 | 2013-04-24 | 北京中邮致鼎科技有限公司 | 一种车辆运动阴影消除方法 |
CN103927526A (zh) * | 2014-04-30 | 2014-07-16 | 长安大学 | 一种基于高斯差分多尺度边缘融合的车辆检测方法 |
Non-Patent Citations (1)
Title |
---|
分块帧差和背景差相融合的运动目标检测;高美凤等;《计算机应用研究》;20130131;第30卷(第1期);第300页第2.1节第1段,第301页第2.2节第1段 * |
Also Published As
Publication number | Publication date |
---|---|
CN104598906A (zh) | 2015-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103499585B (zh) | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 | |
CN111738314B (zh) | 基于浅层融合的多模态图像能见度检测模型的深度学习方法 | |
CN105184779B (zh) | 一种基于快速特征金字塔的车辆多尺度跟踪方法 | |
CN106778668B (zh) | 一种联合ransac和cnn的鲁棒的车道线检测方法 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN108399403B (zh) | 一种基于车牌尺寸计算的车距检测方法 | |
CN104598906B (zh) | 车辆外轮廓检测方法及其装置 | |
CN109446917B (zh) | 一种基于级联霍夫变换的消失点检测方法 | |
CN104408458B (zh) | 基于射线补全区域图和特征学习的sar图像分割方法 | |
CN106128121A (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
CN106815583A (zh) | 一种基于mser和swt相结合的夜间车辆车牌定位方法 | |
CN107727658A (zh) | 基于图像处理的受电弓裂纹在线检测装置及方法 | |
CN103514608A (zh) | 基于运动注意力融合模型的运动目标检测与提取方法 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN107944354A (zh) | 一种基于深度学习的车辆检测方法 | |
CN110414385A (zh) | 一种基于单应性变换和特征窗口的车道线检测方法及系统 | |
CN103456030A (zh) | 基于散射描述子的目标跟踪方法 | |
CN106127124A (zh) | 出租车前排区域的异常图像信号的自动检测方法 | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 | |
CN106529441A (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN115761563A (zh) | 一种基于光流测算的河流表面流速的计算方法及系统 | |
CN102760295A (zh) | 基于边缘检测算子用火灾图像探测系统 | |
CN107133964A (zh) | 一种基于Kinect的抠像方法 |
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 |