CN104915647B - 一种高速公路前方车辆的检测方法 - Google Patents
一种高速公路前方车辆的检测方法 Download PDFInfo
- Publication number
- CN104915647B CN104915647B CN201510296145.5A CN201510296145A CN104915647B CN 104915647 B CN104915647 B CN 104915647B CN 201510296145 A CN201510296145 A CN 201510296145A CN 104915647 B CN104915647 B CN 104915647B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- label
- contour
- front vehicles
- 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.)
- Expired - Fee Related
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
本发明公开了一种高速公路前方车辆的检测方法,包括以下步骤:对采集的高速公路前方车辆的原始图像进行多尺度变换,得到缩小的图像;对缩小的图像进行边缘检测,得到车辆轮廓的检测结果图像;对车辆轮廓的检测结果图像进行标号,得到标号车辆;扫描标号图像,计算每个标号车辆的外界矩形根据得到外界矩形,计算每一个标号车辆的外界矩形参数。与现有方法相比,本发明不仅计算结果稳定,而且方法简洁有效,可以通过外界矩形的参数有效的反应前方车辆的行驶状况。
Description
技术领域:
本发明涉及一种道路车辆检测方法,具体涉及一种高速公路前方车辆的检测方法。
背景技术:
截止到2013年底,全国高速公路里程达10.44万公里,居世界第一位。中国的高速公路建设现在正处于快速发展时期,然而无论与其他等级道路相比,还是与其他国家高速公路相比,我国高速公路的安全形势都不乐观,事故发生率与事故严重程度都较高。可以预见的是高速公路的安全形势将随着经济和社会的发展,以及汽车保有量和高速公路通车里程的增加,变得越来越严峻。
因此,设计出用于高速公路的车辆预警系统具有重要的意义。目前,包括美国、以色列以及韩国等国家都在研发适用于高速公路的车辆预警系统。通过此系统可以辅助驾驶者,对可能发生的危险及时的向驾驶者提供预警,继而避免车祸的发生,提高高速公路驾驶的安全性。
在车辆预警系统中关于前方车辆的检测是一个很重要的步骤,检测出前方车辆的是对后续预警系统的基础。目前,关于车辆图像检测的方法有很多,包括常见图像边缘检测算法。但是这些算法检测出车辆的轮廓的信息太过丰富,包含许多不重要的轮廓信息,例如窗户轮廓,车牌轮廓,后视灯轮廓等等,无法有效的提取车辆最为重要的车辆的主轮廓信息。
此外,L.R.Ferret首创了简单FERRET算法,该算法根据测量与目标物体相切的两条平行线之间的距离,来确定不规则目标物体的长、宽等几何特征。但该方法因为缺少对测量方向的确定,使得测量的长度和宽度随该矩形的方向不同而不同,测量值不稳定。
发明内容:
本发明的目的在于针对目前检测方法存在的不足,提供了一种高速公路前方车辆的检测方法。
为达到上述目的,本发明采用如下的技术方案予以实现:
一种高速公路前方车辆的检测方法,包括以下步骤:
步骤一,对采集的高速公路前方车辆的原始图像进行多尺度变换,得到缩小的图像;
步骤二,对缩小的图像进行边缘检测,得到车辆轮廓的检测结果图像;
步骤三,对车辆轮廓的检测结果图像进行标号,得到标号车辆;
步骤四,分别对标号车辆进行检测,采取直线逼近的方法从四个方向分别对车辆轮廓进行逼近,进而得到每一个标号车辆的外界矩形;
步骤五,根据得到外界矩形,计算每一个标号车辆的外界矩形参数。
本发明进一步的改进在于,步骤一中,对原始图像采用的基于局部最大值的缩小算法后得到缩小的图像。
本发明进一步的改进在于,步骤一中,利用车载相机采集高速公路前方车辆的原始图像。
本发明进一步的改进在于,步骤二中,首先采用大津法对步骤一中缩小的图像进行二值化,然后采用中值滤波对图像进行滤波去噪,最后采用Canny算法对图像进行边缘检测,得到车辆轮廓的检测结果图像。
本发明进一步的改进在于,步骤三中,采用4邻域方法对车辆轮廓的检测结果图像进行标号,得到标号车辆。
本发明进一步的改进在于,步骤四的具体方法如下:
1)沿图像水平方向用一条垂直的直线l1从左向右对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移,此时,计算在直线l1右侧图像中的车辆轮廓像素点数量n1占整个目标车辆轮廓像素点数量N的比例T1,如果满足90%≤T1≤95%,即停止平移,如果不满足条件,继续平移,直到满足条件为止,其中:
2)沿图像水平方向用一条垂直的直线l2从右向左对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移,此时,计算在直线l2左侧图像中的轮廓像素点数量n2占整个目标车辆轮廓像素点数量N的比例T2,如果满足90%≤T2≤95%即停止平移,如果不满足条件,继续平移,直到满足条件为止,其中:
3)沿图像垂直方向用一条水平的直线l3从上向下对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移,此时,计算在直线l3下方图像中的车辆轮廓像素点数量n3占整个目标车辆轮廓像素点数量N的比例T3,如果满足90%≤T3≤95%即停止平移,如果不满足条件,继续平移,直到满足条件为止,其中:
4)沿图像垂直方向用一条水平的直线l4从下向上对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移,此时,计算在直线l4上方图像中的车辆轮廓像素点数量n4占整个目标车辆轮廓像素点数量N的比例T4,如果满足90%≤T4≤95%即停止平移,如果不满足条件,继续平移,直到满足条件为止,其中:
5)计算上述两条垂直直线l1、l2和两条水平直线l3、l4所构成的矩形区域R中,包含的车辆轮廓像素点数量nr占整个目标车辆轮廓像素点数量N的比例Tr,如果满足80%≤Tr≤85%,该矩形即为目标车辆的外界矩形。
本发明进一步的改进在于,步骤五中,根据外界矩形的长L1和宽L2,分别作为标号车辆的长和宽,并计算长宽比将P1作为标号物体的第一形状参数;将外界矩形面积作为标号车辆的面积P2=L1×L2,将标号车辆的面积P2作为第二形状参数;计算外界矩形主轴P3,将其作为第三形状参数。
相对于现有技术,本发明首先对原始图像多尺度变换,得到缩小的图像;然后对缩小的图像进行预处理得到车辆边缘检测的结果;然后对图像中所有的车辆物体进行标号,得到标号图像;扫描标号图像,计算每个标号车辆的外界矩形;根据车辆轮廓采取直线逼近的方法从四个方向分别对车辆轮廓进行逼近,并且车辆轮廓像素点数量的信息作为判断直线逼近的最终位置,进而得到车辆外界矩形。根据外界矩形区域内车辆边缘轮廓像素点的信息计算得到最终车辆外界矩形;最后,将外界矩形的长和宽分别作为标号车辆的长和宽,将长宽比作为标号车辆的第一形状参数,将外界矩形面积作为标号车辆的第二形状参数,将外界矩形的主轴作为标号车辆的第三形状参数。因此,本发明不仅计算结果稳定,而且方法简洁有效,可以通过外界矩形的参数有效的反应前方车辆的行驶状况。
附图说明:
图1为本发明的方法流程图;
图2为车辆图像边缘检测示例图;
图3为直线逼近车辆轮廓示意图;
图4为车辆外界矩形示意图;
图5为车辆图像处理过程示例图;
图6为目标车辆轮廓外界矩形计算示例图;
图7为目标车辆形状参数计算示例图。
具体实施方式:
以下结合附图与具体实施方式对本发明的技术方案作进一步解释说明。
首先对本发明的原理做如下说明:
目前,关于车辆图像检测的方法有很多,如常见的图像边缘检测算法。但是这些算法检测出车辆的轮廓的信息太过丰富,包含许多不重要的轮廓信息,例如窗户轮廓,车牌轮廓,后视灯轮廓等等,无法有效的提取车辆最为重要的车辆的主轮廓信息,如图2(a)和(b)所示。
从图2(b)中可以看出,高速公路前方车辆的主轮廓整体上是接近于一个矩形,因此,可以用车辆主轮廓的外界矩形近似的代替车辆。对于计算物体外界矩形,L.R.Ferret首创了简单Ferret算法。该算法根据测量与目标物体相切的两条平行线之间的距离,来确定不规则目标物体的长、宽等几何特征。但该方法因为缺少对测量方向的确定,使得测量的长度和宽度随该矩形的方向不同而不同,测量值不稳定。而且,Ferret算法适用于只有一个轮廓信息的图形,对于主轮廓中还包含其他轮廓信息的图形无法计算其外界矩形。所以,这种方法也不适合车辆轮廓的外界矩形计算。
针对这些情况,本发明采用直线逼近的方法分别确定车辆外界矩形的四条边,并且根据车辆轮廓像素点数量的信息作为判断直线逼近的最终位置。最后根据外界矩形内边缘轮廓像素点的信息判断外界矩形是否为最终的外界矩形的评判标准。相比较Ferret外界矩形是切线确定初始位置,以及依据外界矩形与目标物体的交点个数判断外界矩形是否为最小外界矩形。
外界矩形的提取的步骤如下:
1)沿图像水平方向用一条垂直的直线l1从左向右对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移,如图3(a)所示。此时,计算在直线l1右侧图像中的车辆轮廓像素点数量p1占整个目标车辆轮廓像素点数量P的比例T1,如果满足90%≤T1≤95%,即停止平移。如果不满足条件,继续平移,直到满足条件为止,如图3(b)所示。其中:
选取T1作为判断直线逼近的最终位置,主要是为了避免噪音的干扰。如果没有选取T1作为判断直线逼近的最终位置,则会出现图3(c)的情况,无法有效的逼近车辆的轮廓。根据T1作为判断直线逼近的最终位置,结果如图3(d)所示。可以看出,噪音对直线逼近的基本没有影响。
2)沿图像水平方向用一条垂直的直线l2从右向左对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移。此时,计算在直线l2左侧图像中的轮廓像素点数量n2占整个目标车辆轮廓像素点数量N的比例T2,如果满足90%≤T2≤95%即停止平移。如果不满足条件,继续平移,直到满足条件为止。其中:
3)沿图像垂直方向用一条水平的直线l3从上向下对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移。此时,计算在直线l3下方图像中的车辆轮廓像素点数量n3占整个目标车辆轮廓像素点数量N的比例T3,如果满足90%≤T3≤95%即停止平移。如果不满足条件,继续平移,直到满足条件为止。其中:
4)沿图像垂直方向用一条水平的直线l4从下向上对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移。此时,计算在直线l4上方图像中的车辆轮廓像素点数量n4占整个目标车辆轮廓像素点数量N的比例T4,如果满足90%≤T4≤95%即停止平移。如果不满足条件,继续平移,直到满足条件为止。其中:
5)计算上述两条垂直直线l1,l2和两条水平直线l3,l4所构成的矩形区域R中,包含的车辆轮廓像素点数量nr占整个目标车辆轮廓像素点数量N的比例Tr,如果满足80%≤Tr≤95%,该矩形即为目标车辆的外界矩形。
选取Tr作为判断外界矩形为目标车辆的外界矩形,主要也是为了避免噪音的干扰。如果没有选取Tr作为判断直线逼近的最终位置,则会出现图4(a)的情况,无法有效的逼近目标车辆的轮廓。根据Tr作为判断直线逼近的最终位置,结果如图4(b)所示。可以看出,噪音对外界矩形的计算基本没有影响。
本发明采用计算所有在外界矩形内边缘轮廓像素点占所有边缘轮廓像素点的百分比作为判断外界矩形是否为最小的依据。而且在四条直线逼近轮廓外围边缘是也采用同样的方法判断每条直线的逼近效果。最后,为了防止出现噪声的干扰计算所有轮廓像素点在整个外界矩形像素点的百分比。这种算法简洁有效,实验表明不仅可以快速有效的计算出目标物体的外界矩形,而且可以有效的预防噪音的干扰。
实施例:
参照附图1,遵循本发明的技术方案,该实施例的方法按以下步骤进行:
步骤一,对采集的高速公路前方车辆的原始图像进行多尺度变换。采用的基于局部最大值的缩小算法后得到缩小的图像,这样不仅可以降低图像数据量,加快处理速度,而且可以有效的避免噪音的干扰。如图5(a)所示。
步骤二,对缩小的图像进行边缘检测。首先采用大津法对步骤一中缩小的图像进行二值化,然后采用中值滤波对图像进行滤波去噪,最后采用Canny算法对图像进行边缘检测,得到车辆轮廓的检测结果。如图5(b)所示。
步骤三,对车辆轮廓的检测结果图像进行标号。采用4邻域方法对车辆轮廓的检测结果图像进行标号,得到标号车辆。如图5(c)所示。
步骤四,分别对标号车辆进行检测,采取直线逼近的方法从四个方向分别对车辆轮廓进行逼近,进而得到每一个标号车辆的外界矩形。以标号车辆(1)为例,具体方法如下:
1)沿图像水平方向用一条垂直的直线l1从左向右对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移。此时,计算在直线l1右侧图像中的车辆轮廓像素点数量n1占整个目标车辆轮廓像素点数量N的比例T1,如果满足90%≤T1≤95%,即停止平移。如果不满足条件,继续平移,直到满足条件为止。其中:如图6(c)所示。
2)沿图像水平方向用一条垂直的直线l2从右向左对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移。此时,计算在直线l2左侧图像中的轮廓像素点数量n2占整个目标车辆轮廓像素点数量N的比例T2,如果满足90%≤T2≤95%即停止平移。如果不满足条件,继续平移,直到满足条件为止。其中:如图6(b)所示。
3)沿图像垂直方向用一条水平的直线l3从上向下对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移。此时,计算在直线l3下方图像中的车辆轮廓像素点数量n3占整个目标车辆轮廓像素点数量N的比例T3,如果满足90%≤T3≤95%即停止平移。如果不满足条件,继续平移,直到满足条件为止。其中:如图6(a)所示。
4)沿图像垂直方向用一条水平的直线l4从下向上对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移。此时,计算在直线l4上方图像中的车辆轮廓像素点数量n4占整个目标车辆轮廓像素点数量N的比例T4,如果满足90%≤T4≤95%即停止平移。如果不满足条件,继续平移,直到满足条件为止。其中:如图6(d)所示。
5)计算上述两条垂直直线l1,l2和两条水平直线l3,l4所构成的矩形区域R中,包含的车辆轮廓像素点数量nr占整个目标车辆轮廓像素点数量N的比例Tr,如果满足80%≤Tr≤85%,该矩形即为目标车辆的外界矩形。如图6(e)和图6(f)所示。
步骤五,根据得到外界矩形,计算每一个标号车辆的外界矩形参数。
根据外界矩形的长L1和宽L2,分别作为标号车辆的长和宽,并计算长宽比将P1作为标号物体的第一形状参数。将外界矩形面积作为标号车辆的面积P2=L1×L2,将标号车辆的面积P2作为第二形状参数。计算外界矩形主轴P3,将其作为第三形状参数。如图7(a)和图7(b)所示。
Claims (6)
1.一种高速公路前方车辆的检测方法,其特征在于,包括以下步骤:
步骤一,对采集的高速公路前方车辆的原始图像进行多尺度变换,得到缩小的图像;
步骤二,对缩小的图像进行边缘检测,得到车辆轮廓的检测结果图像;
步骤三,对车辆轮廓的检测结果图像进行标号,得到标号车辆;
步骤四,分别对标号车辆进行检测,采取直线逼近的方法从四个方向分别对车辆轮廓进行逼近,进而得到每一个标号车辆的外界矩形;具体方法如下:
1)沿图像水平方向用一条垂直的直线l1从左向右对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移,此时,计算在直线l1右侧图像中的车辆轮廓像素点数量n1占整个目标车辆轮廓像素点数量N的比例T1,如果满足90%≤T1≤95%,即停止平移,如果不满足条件,继续平移,直到满足条件为止,其中:
2)沿图像水平方向用一条垂直的直线l2从右向左对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移,此时,计算在直线l2左侧图像中的轮廓像素点数量n2占整个目标车辆轮廓像素点数量N的比例T2,如果满足90%≤T2≤95%即停止平移,如果不满足条件,继续平移,直到满足条件为止,其中:
3)沿图像垂直方向用一条水平的直线l3从上向下对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移,此时,计算在直线l3下方图像中的车辆轮廓像素点数量n3占整个目标车辆轮廓像素点数量N的比例T3,如果满足90%≤T3≤95%即停止平移,如果不满足条件,继续平移,直到满足条件为止,其中:
4)沿图像垂直方向用一条水平的直线l4从下向上对目标车辆轮廓逼近,直到与目标车辆轮廓相交时,停止平移,此时,计算在直线l4上方图像中的车辆轮廓像素点数量n4占整个目标车辆轮廓像素点数量N的比例T4,如果满足90%≤T4≤95%即停止平移,如果不满足条件,继续平移,直到满足条件为止,其中:
5)计算上述两条垂直直线l1、l2和两条水平直线l3、l4所构成的矩形区域R中,包含的车辆轮廓像素点数量nr占整个目标车辆轮廓像素点数量N的比例Tr,如果满足80%≤Tr≤85%,该矩形即为目标车辆的外界矩形;
步骤五,根据得到外界矩形,计算每一个标号车辆的外界矩形参数。
2.根据权利要求1中所述的一种高速公路前方车辆的检测方法,其特征在于,步骤一中,对原始图像采用的基于局部最大值的缩小算法后得到缩小的图像。
3.根据权利要求1中所述的一种高速公路前方车辆的检测方法,其特征在于,步骤一中,利用车载相机采集高速公路前方车辆的原始图像。
4.根据权利要求1中所述的一种高速公路前方车辆的检测方法,其特征在于,步骤二中,首先采用大津法对步骤一中缩小的图像进行二值化,然后采用中值滤波对图像进行滤波去噪,最后采用Canny算法对图像进行边缘检测,得到车辆轮廓的检测结果图像。
5.根据权利要求1中所述的一种高速公路前方车辆的检测方法,其特征在于,步骤三中,采用4邻域方法对车辆轮廓的检测结果图像进行标号,得到标号车辆。
6.根据权利要求1中所述的一种高速公路前方车辆的检测方法,其特征在于,步骤五中,根据外界矩形的长L1和宽L2,分别作为标号车辆的长和宽,并计算长宽比将P1作为标号物体的第一形状参数;将外界矩形面积作为标号车辆的面积P2=L1×L2,将标号车辆的面积P2作为第二形状参数;计算外界矩形主轴P3,将其作为第三形状参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510296145.5A CN104915647B (zh) | 2015-06-02 | 2015-06-02 | 一种高速公路前方车辆的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510296145.5A CN104915647B (zh) | 2015-06-02 | 2015-06-02 | 一种高速公路前方车辆的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104915647A CN104915647A (zh) | 2015-09-16 |
CN104915647B true CN104915647B (zh) | 2018-08-03 |
Family
ID=54084699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510296145.5A Expired - Fee Related CN104915647B (zh) | 2015-06-02 | 2015-06-02 | 一种高速公路前方车辆的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104915647B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404872A (zh) * | 2015-11-26 | 2016-03-16 | 华北电力大学(保定) | 一种基于顺序割图法的航拍图像中绝缘子细定位方法 |
CN109087326A (zh) * | 2018-09-18 | 2018-12-25 | 辽宁工业大学 | 基于局部自适应的Otsu算法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5922036A (en) * | 1996-05-28 | 1999-07-13 | Matsushita Electric Industrial Co., Ltd. | Lane detection sensor and navigation system employing the same |
CN104392212A (zh) * | 2014-11-14 | 2015-03-04 | 北京工业大学 | 一种基于视觉的道路信息检测及前方车辆识别方法 |
-
2015
- 2015-06-02 CN CN201510296145.5A patent/CN104915647B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5922036A (en) * | 1996-05-28 | 1999-07-13 | Matsushita Electric Industrial Co., Ltd. | Lane detection sensor and navigation system employing the same |
CN104392212A (zh) * | 2014-11-14 | 2015-03-04 | 北京工业大学 | 一种基于视觉的道路信息检测及前方车辆识别方法 |
Non-Patent Citations (1)
Title |
---|
基于假设验证和改进 HOG 特征的前车检测算法;张楚金 等;《电子测量与仪器学报》;20150228;第29卷(第2期);第165-171页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104915647A (zh) | 2015-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106240458B (zh) | 一种基于车载双目相机的车辆前方碰撞预警方法 | |
CN105844222B (zh) | 基于视觉的前方车辆碰撞预警系统及方法 | |
CN107025432B (zh) | 一种高效的车道线检测跟踪方法及系统 | |
CN103593649B (zh) | 一种用于车道偏离预警的车道线检测方法 | |
CN103854320B (zh) | 基于激光雷达的车型自动识别方法 | |
CN103996053B (zh) | 基于机器视觉的车道偏离报警方法 | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
CN102737248B (zh) | 复杂路况下的车道线特征点提取方法与装置 | |
CN110298307B (zh) | 一种基于深度学习的异常停车实时检测方法 | |
AU2015352462B2 (en) | Method of controlling a traffic surveillance system | |
CN104573646A (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
CN105922991A (zh) | 基于生成虚拟车道线的车道偏离预警方法及系统 | |
CN104008377A (zh) | 基于时空关联的地面交通标志实时检测识别方法 | |
JP5220787B2 (ja) | 車載白線認識装置 | |
CN105678287B (zh) | 一种基于脊度量的车道线检测方法 | |
CN108528336A (zh) | 一种车辆压线提前预警系统 | |
CN103308056A (zh) | 一种道路标线检测方法 | |
CN102419820A (zh) | 一种快速检测视频与图像中汽车车标的方法 | |
CN103577809A (zh) | 一种基于智能驾驶的地面交通标志实时检测的方法 | |
CN107274678B (zh) | 一种基于Kinect的夜间车流量统计及车型识别方法 | |
CN106324618A (zh) | 基于激光雷达检测车道线的系统及其实现方法 | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN109344704A (zh) | 一种基于行车方向与车道线夹角的车辆变道行为检测方法 | |
CN103593981A (zh) | 一种基于视频的车型识别方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180803 Termination date: 20190602 |
|
CF01 | Termination of patent right due to non-payment of annual fee |