CN104809449A - 适用于高速公路视频监控系统的车道虚线分界线自动检测方法 - Google Patents
适用于高速公路视频监控系统的车道虚线分界线自动检测方法 Download PDFInfo
- Publication number
- CN104809449A CN104809449A CN201510244179.XA CN201510244179A CN104809449A CN 104809449 A CN104809449 A CN 104809449A CN 201510244179 A CN201510244179 A CN 201510244179A CN 104809449 A CN104809449 A CN 104809449A
- Authority
- CN
- China
- Prior art keywords
- rectangle
- track
- exp
- new
- dotted line
- 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
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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于图像处理技术领域,公开了一种适用于高速公路视频监控系统的车道虚线分界线自动检测方法,包括以下步骤:通过视频采集设备获取原始视频图像;通过连通域分析获取适用于车道线检测的自校正二值化阈值;然后精确提取出车道虚线段的最小外接矩形集合;进而从最小外接矩形集合中寻找最优外接矩形匹配对,最终通过该最优匹配对提取出车道虚线分界;本发明算法简单,运算开销小,可准确、高效地自动检测出车道虚线分界线。由于本算法提出了自校正二值化阈值的方法,所以可适用于不同光照条件下的高速公路车道场景;同时该方法还能够提供车道虚线段的长度及位置坐标参数,故检测结果还可以为路面距离标定及摄像头偏移检测等提供参考信息。
Description
技术领域
本发明属于图像处理技术领域,具体公开了一种车道线的检测方法。
背景技术
为了加强高速公路的安全运行管理,目前国内外高速公路上均安装了大量的视频监控装置,基于视频的高速公路安全事件自动检测系统或者交通参数检测系统也得到了快速的发展。比如美国的Autoscope事件检测系统、法国的Citilog事件检测系统、中国的宇航时代交通参数检测系统等,都已经得到了广泛的应用。该类检测系统中的各种检测算法一般都需要区分不同的车道区域。国家标准《道路交通标志和标线》(GB5768_1999)规定,凡同一行驶方向有二条或二条以上车道时,应划车道分界线;车道分界线又分为虚线与实线两种,其中虚线分界线表示车辆在行驶过程中允许变换车道。所以,利用车道线信息便可以直接提取出车道区域。在上述视频监控系统中,常见的操作方式是采用人工手动画取来配置车道线的位置信息以提取车道区域,但是当摄像头因抖动或者人为操作等原因发生偏移的时候,原来的配置信息将失去作用,必须重新配置,这将大大增加工作人员的工作量。所以实现车道虚线分界线的自动检测具有一定的实用价值,其可以减少人工操作,提高上述视频监控系统的适用性和鲁棒性。
现有技术中,车道线的自动检测主要分为基于特征和基于模型的方法。基于特征的方法一般采用车道线的颜色特征、灰度特征、宽度特征、边缘特征、梯度方向特征等,它们算法简单,但是对噪声敏感、抗干扰能力差。公开号为CN104008387A的中国发明专利申请公开了一种“一种基于特征点分段线性拟合的车道线检测方法”,该方法在检测前需要标定感兴趣区域,当检测内容为整幅图像时,该方法将会失效,无法实现对车道虚线分界线的检测。基于模型的方法如直线模型、曲线模型、反透视变换模型、B样条模型等检测效果较好,但是都是基于特定的模型假设,往往不能完全满足实际需要。公开号为CN103699899A的中国发明专利申请公开了一种“基于等距曲线模型的车道线检测方法”,首先对图像进行Hough变换处理,然后利用等距曲线模型识别车道线。该方法对车道线的识别准确率较高,但是该方法主要基于智能车辆上的摄像头监控图像。在道路视频监控摄像头视角下,由于车道虚线段比较短,图像中的干扰线段也比较多,该车道线识别方法将很难发挥作用,检测效果不理想。
正因如此,如何根据高速公路的道路场景及车道虚线分界线的特点,寻找一种快速、准确的车道虚线分界线的自动检测方法具有重要的理论与现实意义。
发明内容
有鉴于此,本发明提供一种基于视频的车道虚线分界线检测方法,根据道路监控摄像头采集的视频图像,快速、准确的自动检测出高速公路车道虚线分界线。
本发明通过以下技术手段解决上述技术问题:
适用于高速公路视频监控系统的车道虚线分界线自动检测方法,包括以下步骤:
1)通过视频采集设备获取原始视频图像img_ori;
2)对步骤1)获取的原始视频图像img_ori进行二值化处理;
3)对步骤2)获得的二值图像img_exp进行连通域分析,提取疑似车道虚线段区域的最小外接矩形;
4)扩展每一个最小外接矩形,得到扩展矩形集合Rect_extention;
5)利用Otsu算法计算新的二值化阈值α_new;
6)采用新的二值化阈值α_new再次对原始图像img_ori进行二值化处理,得到新的二值图像img_new;
7)对新的二值图像img_new进行连通域分析,提取车道虚线段的最小外接矩形;
8)根据步骤7)获得的最小外接矩形,寻找最优外接矩形匹配对,进而通过该最优匹配对最终提取出车道虚线分界线。
进一步,所述步骤2)具体包括以下步骤:
21)将原始图像img_ori转化为灰度图像img_gray;
22)采用设定阈值α_exp,将灰度图像img_gray转化为二值图像img_exp;
二值图像转化公式为:
进一步,所述α_exp的参考值为180。
进一步,所述步骤3)具体包括如下步骤:
31)遍历图像中的所有像素点,对每一个连通域都建立一个链表;计算每个连通域的面积S,当面积S满足约束条件时,提取该连通域的外部轮廓;
面积约束条件为:S_low<S<S_high
其中,S_low与S_high分别为车道虚线段区域的面积上限与下限;
32)提取上述连通域的外部轮廓的最小外接矩形,对每个矩形建立一个结构体;该结构体的成员包括:矩形的形心位置P(x,y)、矩形长L、矩形宽W以及矩形长边与图像水平轴的夹角θ;
当最小外接矩形满足约束条件时,保留该矩形,最终得到最小外接矩形集合Rect_exp。
约束条件为:(T_low<长宽比(L/W)<T_high)且(θ>θ_max)
其中,T_low和T_high分别为矩形长宽比的上限与下限。
进一步,所述步骤3)具体步骤如下:
对最小外接矩形集合Rect_exp内的所有矩形进行如下扩展操作:
W_new=kW_exp
其中,W_exp为最小外接矩形的宽,W_new为扩展后矩形的宽。k为扩展倍数。
进一步,所述步骤8)的具体步骤如下:
1)对最小外接矩形集合Rect_new内的矩形进行两两匹配,匹配成功则标记为一个匹配对;
匹配对需要满足以下条件:
(|θm-θn|<Tθ)且 且
其中,m、n表示不同的外接矩形;θm、θn分别表示不同外接矩形的矩形长边与图像水平轴夹角;Lm、Ln分别表示不同外接矩形的矩形长度;Tθ表示夹角阈值,建议值为5°;表示两矩形形心连线夹角,表示形心间距离;
2)从所有匹配对中挑选出最优匹配对,连接该匹配对两个矩形形心,获得的拟合直线即为车道虚线车道线的位置;
同一条车道线中可以检测出多组车道虚线段最小外接矩形匹配对,定义每组匹配对的长度标签LM,计算公式为:
LM=Lm+Ln
其中,Lm、Ln分别表示不同外接矩形的矩形长度。
取长度标签最大的匹配对为最优匹配对,连接该组两个矩形形心,即得到该车道虚线分界线的拟合直线。
本发明相对于现有技术具有如下优点:可快速、准确的检测出高速公路上的车道虚线分界线,该方法的优点是:不需要手动操作即可检测出车道虚线分界线,可适用于不同光照条件下的高速公路车道场景;同时该方法可以提供车道虚线段的长度参数,能够为距离标定提供参考;除此之外,该方法还能够得到车道线的位置坐标参数,可以为摄像头偏移检测提供参考信息。
附图说明
图1示出了适用于高速公路视频监控系统的车道虚线分界线自动检测方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将对本发明的具体实施方式作进一步的详细描述。
参见图1,本实施例的适用于高速公路视频监控系统的车道虚线分界线自动检测方法,包括以下步骤:
1)通过视频采集设备获取原始视频图像img_ori;
2)对步骤1)获取的原始视频图像img_ori进行二值化处理;具体包括以下步骤:
21)将原始图像img_ori转化为灰度图像img_gray;
22)采用设定阈值α_exp,将灰度图像img_gray转化为二值图像img_exp;
二值图像转化公式为:
α_exp的参考值为180。
在视频图像中,车道线相对于车道路面像素灰度值较高,通过二值化处理可以将车道线区域分割出来。但是由于光线、道路本身颜色等的影响,不同场景下车道线的灰度值并不相同,所以此时分割出的车道线区域并不精确。
3)对步骤2)获得的二值图像img_exp进行连通域分析,提取疑似车道虚线段区域的最小外接矩形;具体包括如下步骤:
31)遍历图像中的所有像素点,对每一个连通域都建立一个链表;计算每个连通域的面积S,当面积S满足约束条件时,提取该连通域的外部轮廓;
面积约束条件为:S_low<S<S_high
其中,S_low与S_high分别为车道虚线段区域的面积上限与下限,参考值为80和200;
32)提取上述连通域的外部轮廓的最小外接矩形,对每个矩形建立一个结构体;该结构体的成员包括:矩形的形心位置P(x,y)、矩形长L、矩形宽W以及矩形长边与图像水平轴的夹角θ;
当最小外接矩形满足约束条件时,保留该矩形,最终得到最小外接矩形集合Rect_exp。
约束条件为:(T_low<长宽比(L/W)<T_high)且(θ>q_max)
其中,T_low和T_high分别为矩形长宽比的上限与下限,参考值分别为2和10;θ_max的参考值为60°。
4)扩展每一个最小外接矩形,得到扩展矩形集合Rect_extention;具体如下:
对最小外接矩形集合Rect_exp内的所有矩形进行如下扩展操作:
W_new=kW_exp
其中,W_exp为最小外接矩形的宽,W_new为扩展后矩形的宽。k为扩展倍数。
扩展后的外接矩形内部像素值将主要分为两类,分别为灰度值较高的车道线区域及灰度值较低的车道路面。
5)利用Otsu算法计算新的二值化阈值α_new;
Otsu算法又称大津法或最大类间方差法。该方法计算简单,且不受图像对比度和亮度变化的影响,对目标——背景类的图像具有很好的分割效果。该算法的输入为步骤4)获得的所有扩展矩形内部的像素值数据,输出为新的二值化阈值α_new。
6)采用新的二值化阈值α_new再次对原始图像img_ori进行二值化处理,得到新的二值图像img_new;该步骤与步骤2)操作相同,此时将会分割出精确的车道虚线段区域。
7)对新的二值图像img_new进行连通域分析,提取车道虚线段的最小外接矩形;该步骤与步骤3)相同,此时将会提取出精确的车道虚线段的最小外接矩形集合Rect_new。
8)根据步骤7)获得的最小外接矩形,寻找最优外接矩形匹配对,进而通过该最优匹配对最终提取出车道虚线分界线。具体步骤如下:
81)对最小外接矩形集合Rect_new内的矩形进行两两匹配,匹配成功则标记为一个匹配对;
匹配对需要满足以下条件:
(|θm-θn|<Tθ)且 且
其中,m、n表示不同的外接矩形;θm、θn分别表示不同外接矩形的矩形长边与图像水平轴夹角;Lm、Ln分别表示不同外接矩形的矩形长度;Tθ表示夹角阈值,建议值为5°;表示两矩形形心连线夹角,表示形心间距离;
82)从所有匹配对中挑选出最优匹配对,连接该匹配对两个矩形形心,获得的拟合直线即为车道虚线车道线的位置;
同一条车道线中可以检测出多组车道虚线段最小外接矩形匹配对,定义每组匹配对的长度标签LM,计算公式为:
LM=Lm+Ln
其中,Lm、Ln分别表示不同外接矩形的矩形长度。
取长度标签最大的匹配对为最优匹配对,连接该组两个矩形形心,即得到该车道虚线分界线的拟合直线。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.适用于高速公路视频监控系统的车道虚线分界线自动检测方法,其特征在于:包括以下步骤:
1)通过视频采集设备获取原始视频图像img_ori;
2)对步骤1)获取的原始视频图像img_ori进行二值化处理;
3)对步骤2)获得的二值图像img_exp进行连通域分析,提取疑似车道虚线段区域的最小外接矩形;
4)扩展每一个最小外接矩形,得到扩展矩形集合Rect_extention;
5)利用Otsu算法计算新的二值化阈值α_new;
6)采用新的二值化阈值α_new再次对原始图像img_ori进行二值化处理,得到新的二值图像img_new;
7)对新的二值图像img_new进行连通域分析,提取车道虚线段的最小外接矩形;
8)根据步骤7)获得的最小外接矩形,寻找最优外接矩形匹配对,进而通过该最优匹配对最终提取出车道虚线分界线。
2.适用于高速公路视频监控系统的车道虚线分界线自动检测方法,其特征在于:所述步骤2)具体包括以下步骤:
21)将原始图像img_ori转化为灰度图像img_gray;
22)采用设定阈值α_exp,将灰度图像img_gray转化为二值图像img_exp;
二值图像转化公式为:
3.如权利要求2所述的适用于高速公路视频监控系统的车道虚线分界线自动检测方法,其特征在于:所述α_exp的参考值为180。
4.如权利要求2所述的适用于高速公路视频监控系统的车道虚线分界线自动检测方法,其特征在于:所述步骤3)具体包括如下步骤:
31)遍历图像中的所有像素点,对每一个连通域都建立一个链表;计算每个连通域的面积S,当面积S满足约束条件时,提取该连通域的外部轮廓;
面积约束条件为:S_low<S<S_high
其中,S_low与S_high分别为车道虚线段区域的面积上限与下限;
32)提取上述连通域的外部轮廓的最小外接矩形,对每个矩形建立一个结构体;该结构体的成员包括:矩形的形心位置P(x,y)、矩形长L、矩形宽W以及矩形长边与图像水平轴的夹角θ;
当最小外接矩形满足约束条件时,保留该矩形,最终得到最小外接矩形集合Rect_exp。
约束条件为:(T_low<长宽比(L/W)<T_high)且(θ>θ_max)
其中,T_low和T_high分别为矩形长宽比的上限与下限。
5.如权利要求4所述的适用于高速公路视频监控系统的车道虚线分界线自动检测方法,其特征在于:所述步骤3)具体步骤如下:
对最小外接矩形集合Rect_exp内的所有矩形进行如下扩展操作:
W_new=kW_exp
其中,W_exp为最小外接矩形的宽,W_new为扩展后矩形的宽。k为扩展倍数。
6.如权利要求5所述的适用于高速公路视频监控系统的车道虚线分界线自动检测方法,其特征在于:所述步骤8)的具体步骤如下:
1)对最小外接矩形集合Rect_new内的矩形进行两两匹配,匹配成功则标记为一个匹配对;
匹配对需要满足以下条件:
(|θm-θn|<Tθ)且 且
其中,m、n表示不同的外接矩形;θm、θn分别表示不同外接矩形的矩形长边与图像水平轴夹角;Lm、Ln分别表示不同外接矩形的矩形长度;Tθ表示夹角阈值,建议值为5°;表示两矩形形心连线夹角,表示形心间距离;
2)从所有匹配对中挑选出最优匹配对,连接该匹配对两个矩形形心,获得的拟合直线即为车道虚线车道线的位置;
同一条车道线中可以检测出多组车道虚线段最小外接矩形匹配对,定义每组匹配对的长度标签LM,计算公式为:
LM=Lm+Ln
其中,Lm、Ln分别表示不同外接矩形的矩形长度。
取长度标签最大的匹配对为最优匹配对,连接该组两个矩形形心,即得到该车道虚线分界线的拟合直线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510244179.XA CN104809449B (zh) | 2015-05-14 | 2015-05-14 | 适用于高速公路视频监控系统的车道虚线分界线自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510244179.XA CN104809449B (zh) | 2015-05-14 | 2015-05-14 | 适用于高速公路视频监控系统的车道虚线分界线自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104809449A true CN104809449A (zh) | 2015-07-29 |
CN104809449B CN104809449B (zh) | 2018-09-21 |
Family
ID=53694260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510244179.XA Active CN104809449B (zh) | 2015-05-14 | 2015-05-14 | 适用于高速公路视频监控系统的车道虚线分界线自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104809449B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017020528A1 (zh) * | 2015-08-03 | 2017-02-09 | 百度在线网络技术(北京)有限公司 | 车道线的识别建模方法、装置、存储介质和设备及识别方法、装置、存储介质和设备 |
CN107665327A (zh) * | 2016-07-29 | 2018-02-06 | 高德软件有限公司 | 一种车道线检测方法及装置 |
CN108629228A (zh) * | 2017-03-15 | 2018-10-09 | 高德软件有限公司 | 一种道路对象识别方法和装置 |
CN112384962A (zh) * | 2018-07-02 | 2021-02-19 | 日产自动车株式会社 | 行驶辅助方法及行驶辅助装置 |
CN113743151A (zh) * | 2020-05-27 | 2021-12-03 | 顺丰科技有限公司 | 一种检测路面抛洒物的方法、装置及存储介质 |
CN113807193A (zh) * | 2021-08-23 | 2021-12-17 | 武汉中海庭数据技术有限公司 | 一种激光点云中交通道路虚线段自动提取方法及系统 |
CN115240435A (zh) * | 2022-09-21 | 2022-10-25 | 广州市德赛西威智慧交通技术有限公司 | 一种基于ai技术的车辆违章行驶检测方法、装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258203A (zh) * | 2013-05-20 | 2013-08-21 | 武汉大学 | 遥感影像的道路中线自动提取方法 |
CN103500322A (zh) * | 2013-09-10 | 2014-01-08 | 北京航空航天大学 | 基于低空航拍图像的车道线自动识别方法 |
-
2015
- 2015-05-14 CN CN201510244179.XA patent/CN104809449B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258203A (zh) * | 2013-05-20 | 2013-08-21 | 武汉大学 | 遥感影像的道路中线自动提取方法 |
CN103500322A (zh) * | 2013-09-10 | 2014-01-08 | 北京航空航天大学 | 基于低空航拍图像的车道线自动识别方法 |
Non-Patent Citations (2)
Title |
---|
李大杰 等: "《一种基于彩色图像边缘检测的道路检测方法》", 《计算机工程与应用》 * |
郑欣蕊 等: "《基于图像连通区域特征的低空航拍图车道线识别算法》", 《第八届中国智能交通年会优秀论文集—智能交通与安全》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017020528A1 (zh) * | 2015-08-03 | 2017-02-09 | 百度在线网络技术(北京)有限公司 | 车道线的识别建模方法、装置、存储介质和设备及识别方法、装置、存储介质和设备 |
US10699134B2 (en) | 2015-08-03 | 2020-06-30 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus, storage medium and device for modeling lane line identification, and method, apparatus, storage medium and device for identifying lane line |
CN107665327A (zh) * | 2016-07-29 | 2018-02-06 | 高德软件有限公司 | 一种车道线检测方法及装置 |
CN107665327B (zh) * | 2016-07-29 | 2020-03-13 | 高德软件有限公司 | 一种车道线检测方法及装置 |
CN108629228A (zh) * | 2017-03-15 | 2018-10-09 | 高德软件有限公司 | 一种道路对象识别方法和装置 |
CN108629228B (zh) * | 2017-03-15 | 2020-12-01 | 阿里巴巴(中国)有限公司 | 一种道路对象识别方法和装置 |
CN112384962A (zh) * | 2018-07-02 | 2021-02-19 | 日产自动车株式会社 | 行驶辅助方法及行驶辅助装置 |
CN112384962B (zh) * | 2018-07-02 | 2022-06-21 | 日产自动车株式会社 | 行驶辅助方法及行驶辅助装置 |
CN113743151A (zh) * | 2020-05-27 | 2021-12-03 | 顺丰科技有限公司 | 一种检测路面抛洒物的方法、装置及存储介质 |
CN113807193A (zh) * | 2021-08-23 | 2021-12-17 | 武汉中海庭数据技术有限公司 | 一种激光点云中交通道路虚线段自动提取方法及系统 |
CN115240435A (zh) * | 2022-09-21 | 2022-10-25 | 广州市德赛西威智慧交通技术有限公司 | 一种基于ai技术的车辆违章行驶检测方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104809449B (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104809449A (zh) | 适用于高速公路视频监控系统的车道虚线分界线自动检测方法 | |
US9704060B2 (en) | Method for detecting traffic violation | |
CN103500322B (zh) | 基于低空航拍图像的车道线自动识别方法 | |
Diaz-Cabrera et al. | Suspended traffic lights detection and distance estimation using color features | |
CN102999749B (zh) | 基于人脸检测的安全带违章事件智能检测方法 | |
CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
CN110136449A (zh) | 基于深度学习的交通视频车辆违停自动识别抓拍的方法 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN102915433B (zh) | 基于字符组合的车牌定位和识别方法 | |
CN103871079A (zh) | 基于机器学习和光流的车辆跟踪方法 | |
CN103077384A (zh) | 一种车标定位识别的方法与系统 | |
CN103150908B (zh) | 一种基于视频的平均车速检测方法 | |
CN108198417B (zh) | 一种基于无人机的道路巡检系统 | |
CN110232835A (zh) | 一种基于图像处理的地下车库停车位检测方法 | |
CN104766078A (zh) | 目标图像的倾斜角检测方法及倾斜角检测设备 | |
CN103021179B (zh) | 基于实时监控视频中的安全带检测方法 | |
CN104978746A (zh) | 一种行驶车辆的车身颜色识别方法 | |
CN105354857A (zh) | 一种有立交桥遮挡的车辆轨迹匹配方法 | |
CN106446929B (zh) | 基于边缘梯度势能的车辆类型检测方法 | |
CN103778790B (zh) | 一种基于视频序列的车流量方波统计法 | |
CN105389990A (zh) | 一种基于监控球机的违章停车检测识别方法 | |
CN103325114A (zh) | 基于改进视觉注意模型的目标车辆匹配方法 | |
Wang et al. | Lane detection algorithm based on density clustering and RANSAC | |
CN116682268A (zh) | 基于机器视觉的便携式城市道路车辆违章稽查系统及方法 | |
CN103680148B (zh) | 一种出租车识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201228 Address after: 402460 station No.14, no.6, 10th floor, innovation and development center, No.19 Lingfang Avenue, Changzhou street, Rongchang District, Chongqing Patentee after: Chongqing kezhiyuan Technology Co.,Ltd. Address before: 400030 No. 174 Sha Jie street, Shapingba District, Chongqing Patentee before: Chongqing University |
|
TR01 | Transfer of patent right |