CN104732211A - 一种基于自适应阈值的交通标志检测方法 - Google Patents
一种基于自适应阈值的交通标志检测方法 Download PDFInfo
- Publication number
- CN104732211A CN104732211A CN201510122583.XA CN201510122583A CN104732211A CN 104732211 A CN104732211 A CN 104732211A CN 201510122583 A CN201510122583 A CN 201510122583A CN 104732211 A CN104732211 A CN 104732211A
- Authority
- CN
- China
- Prior art keywords
- profile
- traffic sign
- collection
- candidate
- 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
Abstract
本发明公开了一种基于自适应阈值的交通标志检测方法。本发明首先采用红蓝化方法进行图像预处理得到红蓝灰度图,然后对灰度图进行多次阈值化处理。在每次阈值化处理中,对于阈值化处理生成的二值图像进行轮廓检测;然后,根据交通标志的形状特征进行几何条件约束和Hu不变矩的标志轮廓匹配,过滤筛选得到当前阈值图像中的疑似交通标志区域集合;最后,合并多次阈值化处理结果,并根据标志的轮廓区域检测出现的频次确定最终的交通标志感兴趣区域。本发明使图像中的交通标志候选区域得到更好的阈值化处理效果,具有阈值自适应的特点,不仅具有高效的检测效率和时间性能,而且很好地解决了不同光照条件下的适应性问题。
Description
技术领域
本发明属于交通标志识别技术领域,涉及车载视频图像的交通标志识别中的高效交通标志检测方法,特别涉及一种基于自适应阈值的交通标志检测方法。
背景技术
随着交通事业的高速发展,交通安全变得越来越重要。高级驾驶辅助系统(Advanced Driver Assistance Systems)中的行人检测、交通标志识别等子系统是减少车辆交通事故的重要方法,其中的交通标志检测是交通标志识别系统中的关键部分,是影响交通标志识别系统识别效率和实时性的重要因素。
交通标志识别系统可以分为检测和分类识别两个阶段,根据采用的交通标志特征的不同,检测方法可以分为两大类:基于颜色特征的检测方法和基于形状特征的检测方法。基于颜色特征的检测方法大多数都基于一些颜色空间的固定阈值,这类方法虽然实时性能良好,但是容易受到光照条件的影响,检测效率很低,无法达到交通标志识别系统的检测率要求。基于形状特征的检测方法,对某些特定类型的交通标志具有较好的检测性能,但是不适合所有种类的交通标志检测,缺乏较好的适应性;同时,由于这类方法没有考虑颜色特征,会生成较多的干扰,影响到检测算法性能。因此,针对自然场景下交通标志识别系统中的交通标志检测,本发明提出一种基于自适应阈值的交通标志检测方法,采用自适应阈值的方法提高道路环境光照条件的适应性,提高交通标志检测率。
发明内容
本发明发目的是针对现有技术的不足,提出一种基于自适应阈值的交通标志检测方法。
本发明解决其技术问题采用的技术方案如下:
一种基于自适应阈值的交通标志检测方法,包括如下步骤:
步骤1:图像标准红蓝化;
选取RGB颜色空间图像中像素点R值和B值的最大值,并求得该像素点的R、G、B三值总和,然后进行求比运算,保存的比值ΩRB形成预处理后的灰度图像GR;所述的求比运算公式如下:
步骤2:从阈值80到130,以5为阈值步长对灰度图像GR进行多次阈值化处理,得到二值化图像;检测提取二值化图像中的交通标志感兴趣区域,获得对应阈值图像的轮廓集,具体如下:
2-1、灰度图像GR的阈值化处理;以阈值Ti对灰度图像GR进行对应阈值的阈值化处理,得到二值化图像IMi;其中1≤i≤11;
2-2、轮廓检测处理;对阈值化后的二值化图像IMi进行轮廓检测,得到二值化图像IMi对应的轮廓集CTi;
2-3、几何约束处理;根据交通标志的几何约束特征,对轮廓集CTi进行长度、宽度、长宽比、面积比和周长比的几何约束筛选,滤除各种干扰轮廓,得到符合交通标志几何特征条件的轮廓集CT# i;所述的轮廓几何约束特征如表1所示;
表1轮廓几何约束特征
特征 | 最小值 | 最大值 |
宽度 | 24 | 128 |
高度 | 24 | 128 |
高宽比 | 0.5 | 1.5 |
轮廓周长/外接框周长 | 0.3 | 1.2 |
轮廓面积/外接框面积 | 0.4 | 1 |
2-4、Hu不变矩匹配;计算轮廓集CT# i中所有轮廓的Hu不变矩,使用交通标志形状特征进行Hu不变矩的匹配,过滤不符合条件的轮廓,得到当前二值化图像IMi的候选交通标志轮廓集CT*i;
所述的交通标志形状特征包括圆形、三角形和矩形;
所述的7个Hu不变矩M1到M7的计算如下:
M1=η20+η02
M2=(η20-η02)2+4η11 2
M3=(η30-3η12)2+(3η21-η03)2
M4=(η30+η12)2+(η21+η03)2
M5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(3η21+η03)2-(η21+η03)2]
M6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
M7=(3η21-η03)(η21+η03)[3(η30+η22)2-(η21+η03)2]-(η30-η12)(η21+η03)[3(η30+η12)2-(η21+η03)2]
所述的Hu不变矩匹配的计算公式如下:
其中,和分别是待匹配轮廓A和标准形状轮廓B的Hu不变矩;I(A,B)为待匹配轮廓A和标准形状轮廓B的匹配值,I(A,B)越小则说明待匹配轮廓A和标准形状轮廓B越相似;本方法中预设定的匹配值为0.1,如果Hu不变矩匹配得到的匹配值大于0.1,则淘汰这个轮廓区域;
步骤3:多次阈值化结果合并;
对每个阈值Ti处理得到候选交通标志轮廓集(CT*1,…CT*i,…CT*11),候选交通标志轮廓集CT*i中包括ki个轮廓(ct1,…ctki),每个轮廓ctki包含轮廓类型type和外接矩形r;将候选交通标志轮廓集CT*i中的所有轮廓与候选交通标志轮廓集CT*i+1到候选交通标志轮廓集CT*11中的所有轮廓进行比较,如果候选交通标志轮廓集CT*i的轮廓CT*i.ctki和交通标志轮廓集CT*i+1的轮廓CT*i+1.ctkj为同一轮廓,则必有候选交通标志轮廓集CT*i的轮廓CT*i.ctki的外接矩形CT*i.ctki.r包含交通标志轮廓集CT*i+1的轮廓CT*i+1.ctkj的外接矩形CT*i+1.ctkj.r;
判断轮廓包含的标准如下:
3-1、计算轮廓CT*i.ctki的外接矩形中心点pc的坐标;坐标计算公式为:
其中,点pa、pb分别是外接矩形r的左上角点和右下角点;
3-2、如果CT*j.ctkj.r.pa[x]<CT*i.ctki.r.pc[x]<CT*j.ctkj.r.pb[x],并且CT*j.ctkj.r.pa[y]<CT*i.ctki.r.pc[y]<CT*j.ctkj.r.pb[y],则认为候选交通标志轮廓集CT*i的轮廓CT*i.ctki包含交通标志轮廓集CT*i+1的轮廓CT*i+1.ctkj;将所有被包含的交通标志轮廓集CT*i+1的轮廓CT*i+1.ctkj保存至新的轮廓集CTi″,并将该轮廓CT*i+1.ctkj从交通标志轮廓集CT*i+1中删除;在轮廓集CTi″中选择出现2次或以上的轮廓作为最终的候选轮廓,将所有候选轮廓保存在集合CT*中。
本发明有益效果如下:
本发明从自然场景出发,利用交通标志的颜色特征和形状特征,通过多次阈值处理方法使交通标志检测处理具有阈值自适应的效果,可以有效地降低道路光照条件变化对标志检测干扰,提高交通标志检测率和鲁棒性,增强算法的环境适应性。
本发明使图像中的交通标志候选区域得到更好的阈值化处理效果,具有阈值自适应的特点,不仅具有高效的检测效率和时间性能,而且很好地解决了不同光照条件下的适应性问题。
附图说明
图1为本发明检测交通标志的整体流程图。
图2为图像红蓝标准化的效果图。
图3为轮廓检测和几何条件约束效果展示图。
图4为Hu不变矩匹配效果展示图。
图5为多次阈值化结果合并效果展示图。
具体实施方式
下面结合附图,以交通标志检测为例,对本发明的具体实施方案作进一步详细描述。
本发明利用交通标志的颜色特征,首先采用红蓝化方法进行图像预处理得到红蓝灰度图,然后对灰度图进行多次阈值化处理。在每次阈值化处理中,对于阈值化处理生成的二值图像进行轮廓检测;然后,根据交通标志的形状特征进行几何条件约束和Hu不变矩的标志轮廓匹配,过滤筛选得到当前阈值图像中的疑似交通标志区域集合;最后,合并多次阈值化处理结果,并根据标志的轮廓区域检测出现的频次确定最终的交通标志感兴趣区域。该方法使图像中的交通标志候选区域得到更好的阈值化处理效果,具有阈值自适应的特点,不仅具有高效的检测效率和时间性能,而且很好地解决了不同光照条件下的适应性问题。
如图1所示,一种基于自适应阈值的交通标志检测方法,具体包括如下步骤:
步骤1:图像标准红蓝化。
选取RGB颜色空间图像中像素点R值和B值的最大值,并求得该像素点的R、G、B三值总和,然后进行求比运算,保存的比值ΩRB形成预处理后的灰度图像GR;所述的求比运算公式如下:
步骤2:从阈值80到130,以5为阈值步长对灰度图像GR进行多次阈值化处理,得到二值化图像;检测提取二值化图像中的交通标志感兴趣区域,获得对应阈值图像的轮廓集,具体如下:
2-5、灰度图像GR的阈值化处理。以阈值Ti(80-130)对灰度图像GR进行对应阈值的阈值化处理,得到二值化图像IMi。
2-6、轮廓检测处理。对阈值化后的二值化图像IMi进行轮廓检测,得到二值化图像IMi对应的轮廓集CTi。
2-7、几何约束处理。根据交通标志的几何约束特征,对轮廓集CTi进行长度、宽度、长宽比、面积比和周长比的几何约束筛选,滤除各种干扰轮廓,得到符合交通标志几何特征条件的轮廓集CT# i。
所述的轮廓几何约束特征如表1所示,效果如图3所示。
表1轮廓几何约束特征
特征 | 最小值 | 最大值 |
宽度 | 24 | 128 |
高度 | 24 | 128 |
高宽比 | 0.5 | 1.5 |
轮廓周长/外接框周长 | 0.3 | 1.2 |
轮廓面积/外接框面积 | 0.4 | 1 |
2-8、Hu不变矩匹配。计算轮廓集CT# i中所有轮廓的Hu不变矩,使用交通标志形状特征进行Hu不变矩的匹配,过滤不符合条件的轮廓,得到当前二值化图像IMi的候选交通标志轮廓集CT*i;
所述的交通标志形状特征包括圆形、三角形和矩形。
所述的7个Hu不变矩M1到M7的计算如下:
M1=η20+η02
M2=(η20-η02)2+4η11 2
M3=(η30-3η12)2+(3η21-η03)2
M4=(η30+η12)2+(η21+η03)2
M5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(3η21+η03)2-(η21+η03)2]
M6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
M7=(3η21-η03)(η21+η03)[3(η30+η22)2-(η21+η03)2]-(η30-η12)(η21+η03)[3(η30+η12)2-(η21+η03)2]
所述的Hu不变矩匹配的计算公式如下:
其中,和分别是待匹配轮廓A和标准形状轮廓B的Hu不变矩。I(A,B)为待匹配轮廓A和标准形状轮廓B的匹配值,I(A,B)越小则说明待匹配轮廓A和标准形状轮廓B越相似。
本发明预设定的匹配值为0.1,如果Hu不变矩匹配得到的匹配值大于0.1,则淘汰这个轮廓区域;加入Hu不变矩轮廓匹配的处理效果如图4所示。
步骤3:多次阈值化结果合并。
对每个阈值Ti(80-130)处理得到候选交通标志轮廓集(CT*1,…CT*i,…CT*11),候选交通标志轮廓集CT*i中包括ki个轮廓(ct1,…ctki),每个轮廓ctki包含轮廓类型type和外接矩形r。将候选交通标志轮廓集CT*i中的所有轮廓与候选交通标志轮廓集CT*i+1到候选交通标志轮廓集CT*11中的所有轮廓进行比较,如果候选交通标志轮廓集CT*i的轮廓CT*i.ctki和交通标志轮廓集CT*i+1的轮廓CT*i+1.ctkj为同一轮廓,则必有候选交通标志轮廓集CT*i的轮廓CT*i.ctki的外接矩形CT*i.ctki.r包含交通标志轮廓集CT*i+1的轮廓CT*i+1.ctkj的外接矩形CT*i+1.ctkj.r。
判断轮廓包含的标准如下:
3-1、计算轮廓CT*i.ctki的外接矩形中心点pc的坐标。坐标计算公式为:
其中,点pa,pb分别是外接矩形r的左上角点和右下角点。
3-2、如果CT*j.ctkj.r.pa[x]<CT*i.ctki.r.pc[x]<CT*j.ctkj.r.pb[x],并且CT*j.ctkj.r.pa[y]<CT*i.ctki.r.pc[y]<CT*j.ctkj.r.pb[y],则认为候选交通标志轮廓集CT*i的轮廓CT*i.ctki包含交通标志轮廓集CT*i+1的轮廓CT*i+1.ctkj;将所有被包含的交通标志轮廓集CT*i+1的轮廓CT*i+1.ctkj保存至新的轮廓集CTi″,并将该轮廓CT*i+1.ctkj从交通标志轮廓集CT*i+1中删除。在轮廓集CTi″中选择出现2次或以上的轮廓作为最终的候选轮廓,将所有候选轮廓保存在集合CT*中。多次阈值化结果合并效果展示如图5所示。
Claims (1)
1.一种基于自适应阈值的交通标志检测方法,其特征在于包括如下步骤:
步骤1:图像标准红蓝化;
选取RGB颜色空间图像中像素点R值和B值的最大值,并求得该像素点的R、G、B三值总和,然后进行求比运算,保存的比值ΩRB形成预处理后的灰度图像GR;所述的求比运算公式如下:
步骤2:从阈值80到130,以5为阈值步长对灰度图像GR进行多次阈值化处理,得到二值化图像;检测提取二值化图像中的交通标志感兴趣区域,获得对应阈值图像的轮廓集,具体如下:
2-1、灰度图像GR的阈值化处理;以阈值Ti对灰度图像GR进行对应阈值的阈值化处理,得到二值化图像IMi;其中1≤i≤11;
2-2、轮廓检测处理;对阈值化后的二值化图像IMi进行轮廓检测,得到二值化图像IMi对应的轮廓集CTi;
2-3、几何约束处理;根据交通标志的几何约束特征,对轮廓集CTi进行长度、宽度、长宽比、面积比和周长比的几何约束筛选,滤除各种干扰轮廓,得到符合交通标志几何特征条件的轮廓集CT# i;所述的轮廓几何约束特征如表1所示;
表1 轮廓几何约束特征
2-4、Hu不变矩匹配;计算轮廓集CT* i中所有轮廓的Hu不变矩,使用交通标志形状特征进行Hu不变矩的匹配,过滤不符合条件的轮廓,得到当前二值化图像IMi的候选交通标志轮廓集CT*i;
所述的交通标志形状特征包括圆形、三角形和矩形;
所述的7个Hu不变矩M1到M7的计算如下:
M1=η20+η02
M2=(η20-η02)2+4η11 2
M3=(η30-3η12)2+(3η21-η03)2
M4=(η30+η12)2+(η21+η03)2
M5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+
(3η21-η03)(η21+η03)[3(η21+η03)2-(η21+η03)2]
M6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
M7=(3η21-η03)(η21+η03)[3(η30+η22)2-(η21+η03)2]-
(η30-η12)(η21+η03)[3(η30+η12)2-(η21+η03)2]
所述的Hu不变矩匹配的计算公式如下:
其中,和分别是待匹配轮廓A和标准形状轮廓B的Hu不变矩;I(A,B)为待匹配轮廓A和标准形状轮廓B的匹配值,I(A,B)越小则说明待匹配轮廓A和标准形状轮廓B越相似;本方法中预设定的匹配值为0.1,如果Hu不变矩匹配得到的匹配值大于0.1,则淘汰这个轮廓区域;
步骤3:多次阈值化结果合并;
对每个阈值Ti处理得到候选交通标志轮廓集(CT* 1,…CT* i,…CT* 11),候选交通标志轮廓集CT* i中包括ki个轮廓(ct1,…ctki),每个轮廓ctki包含轮廓类型type和外接矩形r;将候选交通标志轮廓集CT* i中的所有轮廓与候选交通标志轮廓集CT* i+1到候选交通标志轮廓集CT* 11中的所有轮廓进行比较,如果候选交通标志轮廓集CT* i的轮廓CT* i.ctki和交通标志轮廓集CT* i+1的轮廓CT* i+1.ctkj为同一轮廓,则必有候选交通标志轮廓集CT* i的轮廓CT* i.ctki的外接矩形CT* i.ctki.r包含交通标志轮廓集CT* i+1的轮廓CT* i+1.ctkj的外接矩形CT* i+1.ctkj.r;
判断轮廓包含的标准如下:
3-1、计算轮廓CT* i.ctki的外接矩形中心点pc的坐标;坐标计算公式为:
其中,点pa、pb分别是外接矩形r的左上角点和右下角点;
3-2、如果CT* j.ctkj.r.pa[x]<CT* i.ctki.r.pc[x]<CT* j.ctkj.r.pb[x],并且CT* j.ctkj.r.pa[y]<CT* i.ctki.r.pc[y]<CT* j.ctkj.r.pb[y],则认为候选交通标志轮廓集CT* i的轮廓CT* i.ctki包含交通标志轮廓集CT* i+1的轮廓CT* i+1.ctkj;将所有被包含的交通标志轮廓集CT* i+1的轮廓CT* i+1.ctkj保存至新的轮廓集CT″i,并将该轮廓CT* i+1.ctkj从交通标志轮廓集CT* i+1中删除;在轮廓集CT″i中选择出现2次或以上的轮廓作为最终的候选轮廓,将所有候选轮廓保存在集合CT*中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510122583.XA CN104732211B (zh) | 2015-03-19 | 2015-03-19 | 一种基于自适应阈值的交通标志检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510122583.XA CN104732211B (zh) | 2015-03-19 | 2015-03-19 | 一种基于自适应阈值的交通标志检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104732211A true CN104732211A (zh) | 2015-06-24 |
CN104732211B CN104732211B (zh) | 2017-12-08 |
Family
ID=53456085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510122583.XA Active CN104732211B (zh) | 2015-03-19 | 2015-03-19 | 一种基于自适应阈值的交通标志检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104732211B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389579A (zh) * | 2015-11-12 | 2016-03-09 | 湖北工业大学 | 一种列车截断塞门把手丢失故障自动识别方法 |
CN105893960A (zh) * | 2016-03-31 | 2016-08-24 | 杭州电子科技大学 | 基于相位对称性的道路交通标志检测方法 |
CN105930791A (zh) * | 2016-04-19 | 2016-09-07 | 重庆邮电大学 | 基于ds证据理论的多摄像头融合的路面交通标志识别方法 |
CN105930852A (zh) * | 2016-05-09 | 2016-09-07 | 山东省科学院海洋仪器仪表研究所 | 一种气泡图像识别方法 |
CN106205077A (zh) * | 2016-06-29 | 2016-12-07 | 韦醒妃 | 一种快速识别的报警系统 |
CN111052732A (zh) * | 2017-09-27 | 2020-04-21 | 杜比实验室特许公司 | 处理包括物理书写表面的视频 |
CN111062414A (zh) * | 2019-11-11 | 2020-04-24 | 北京京邦达贸易有限公司 | 目标识别方法和装置 |
CN112418143A (zh) * | 2020-12-04 | 2021-02-26 | 黑龙江大学 | 一种无人驾驶车的交通标志识别方法 |
CN113191255A (zh) * | 2021-04-28 | 2021-07-30 | 浙江大学 | 一种基于移动机器人的交通标志识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8064643B2 (en) * | 2006-12-06 | 2011-11-22 | Mobileye Technologies Limited | Detecting and recognizing traffic signs |
CN102881160A (zh) * | 2012-07-18 | 2013-01-16 | 广东工业大学 | 一种低照度场景下的户外交通标志识别方法 |
US20130016878A1 (en) * | 2011-07-15 | 2013-01-17 | Altek Corporation | Image Processing Device and Image Processing Method Thereof |
CN103824081A (zh) * | 2014-02-24 | 2014-05-28 | 北京工业大学 | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 |
CN103971126A (zh) * | 2014-05-12 | 2014-08-06 | 百度在线网络技术(北京)有限公司 | 一种交通标志识别方法和装置 |
-
2015
- 2015-03-19 CN CN201510122583.XA patent/CN104732211B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8064643B2 (en) * | 2006-12-06 | 2011-11-22 | Mobileye Technologies Limited | Detecting and recognizing traffic signs |
US20130016878A1 (en) * | 2011-07-15 | 2013-01-17 | Altek Corporation | Image Processing Device and Image Processing Method Thereof |
CN102881160A (zh) * | 2012-07-18 | 2013-01-16 | 广东工业大学 | 一种低照度场景下的户外交通标志识别方法 |
CN103824081A (zh) * | 2014-02-24 | 2014-05-28 | 北京工业大学 | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 |
CN103971126A (zh) * | 2014-05-12 | 2014-08-06 | 百度在线网络技术(北京)有限公司 | 一种交通标志识别方法和装置 |
Non-Patent Citations (3)
Title |
---|
WEN-JIA KUO 等: "TWO-STAGE ROAD SIGN DETECTION AND RECOGNITION", 《2007 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO》 * |
XU QINGSONG 等: "A Detection and Recognition Method for Prohibition Traffic Signs", 《2010 INTERNATIONAL CONFERENCE ON IMAGE ANALYSIS AND SIGNAL PROCESSING(IASP)》 * |
李鹏 等: "一种改进的不变矩方法在图像目标识别中的应用", 《交通与计算机》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389579B (zh) * | 2015-11-12 | 2018-11-09 | 湖北工业大学 | 一种列车截断塞门把手丢失故障自动识别方法 |
CN105389579A (zh) * | 2015-11-12 | 2016-03-09 | 湖北工业大学 | 一种列车截断塞门把手丢失故障自动识别方法 |
CN105893960A (zh) * | 2016-03-31 | 2016-08-24 | 杭州电子科技大学 | 基于相位对称性的道路交通标志检测方法 |
CN105930791A (zh) * | 2016-04-19 | 2016-09-07 | 重庆邮电大学 | 基于ds证据理论的多摄像头融合的路面交通标志识别方法 |
CN105930852A (zh) * | 2016-05-09 | 2016-09-07 | 山东省科学院海洋仪器仪表研究所 | 一种气泡图像识别方法 |
CN105930852B (zh) * | 2016-05-09 | 2019-06-21 | 山东省科学院海洋仪器仪表研究所 | 一种气泡图像识别方法 |
CN106205077B (zh) * | 2016-06-29 | 2018-07-06 | 南京南工大安全科技有限公司 | 一种快速识别的报警系统 |
CN106205077A (zh) * | 2016-06-29 | 2016-12-07 | 韦醒妃 | 一种快速识别的报警系统 |
CN111052732A (zh) * | 2017-09-27 | 2020-04-21 | 杜比实验室特许公司 | 处理包括物理书写表面的视频 |
CN111052732B (zh) * | 2017-09-27 | 2022-01-28 | 杜比实验室特许公司 | 一种对视频帧的序列进行处理的方法、计算机可读存储介质和数据处理系统 |
US11489886B2 (en) | 2017-09-27 | 2022-11-01 | Dolby Laboratories Licensing Corporation | Processing video including a physical writing surface |
CN111062414A (zh) * | 2019-11-11 | 2020-04-24 | 北京京邦达贸易有限公司 | 目标识别方法和装置 |
CN112418143A (zh) * | 2020-12-04 | 2021-02-26 | 黑龙江大学 | 一种无人驾驶车的交通标志识别方法 |
CN113191255A (zh) * | 2021-04-28 | 2021-07-30 | 浙江大学 | 一种基于移动机器人的交通标志识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104732211B (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104732211A (zh) | 一种基于自适应阈值的交通标志检测方法 | |
CN102043950B (zh) | 基于canny算子和边缘点统计的车辆轮廓识别方法 | |
Chen et al. | An improved license plate location method based on edge detection | |
CN103077384B (zh) | 一种车标定位识别的方法与系统 | |
CN102693423B (zh) | 一种在强光条件下车牌精确定位的方法 | |
CN104036246B (zh) | 一种基于多特征融合及多态均值的车道线定位方法 | |
CN102663754B (zh) | 一种基于区域高斯加权的图像匹配计算方法 | |
CN109635656A (zh) | 基于神经网络的车辆属性识别方法、装置、设备及介质 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN105335743A (zh) | 一种车牌识别方法 | |
CN103810474A (zh) | 一种基于多特征低秩矩阵表示的车牌检测方法 | |
CN105335716A (zh) | 一种基于改进udn提取联合特征的行人检测方法 | |
CN103793708A (zh) | 一种基于仿射校正的多尺度车牌精准定位方法 | |
CN108038416A (zh) | 车道线检测方法及系统 | |
CN104766046A (zh) | 一种利用交通标识颜色及形状特征进行检测与识别算法 | |
Guo et al. | Image-based seat belt detection | |
CN112488046B (zh) | 一种基于无人机高分辨率影像的车道线提取方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN103902985B (zh) | 一种基于roi的强鲁棒性实时车道侦测算法 | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
CN103198315A (zh) | 基于字符轮廓和模板匹配的车牌字符分割算法 | |
CN104408711A (zh) | 一种基于多尺度区域融合的显著区域检测方法 | |
CN105809149A (zh) | 基于最大长度直线的车道线检测方法 | |
CN105488492A (zh) | 一种彩色图像预处理方法、道路识别方法及相关装置 | |
CN104298981A (zh) | 人脸微表情的识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20150624 Assignee: HANGZHOU ZHISHU TECHNOLOGY CO.,LTD. Assignor: HANGZHOU DIANZI University Contract record no.: X2022330000062 Denomination of invention: A traffic sign detection method based on adaptive threshold Granted publication date: 20171208 License type: Common License Record date: 20220331 |
|
EE01 | Entry into force of recordation of patent licensing contract |