CN105260701B - 一种适用于复杂场景下的前方车辆检测方法 - Google Patents

一种适用于复杂场景下的前方车辆检测方法 Download PDF

Info

Publication number
CN105260701B
CN105260701B CN201510582075.XA CN201510582075A CN105260701B CN 105260701 B CN105260701 B CN 105260701B CN 201510582075 A CN201510582075 A CN 201510582075A CN 105260701 B CN105260701 B CN 105260701B
Authority
CN
China
Prior art keywords
vehicle
region
length
detection
edge
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
Application number
CN201510582075.XA
Other languages
English (en)
Other versions
CN105260701A (zh
Inventor
陈群
严江江
李玲
赵彦隽
王晨希
卢朝洪
向青宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETHIK Group Ltd
Original Assignee
CETHIK Group Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETHIK Group Ltd filed Critical CETHIK Group Ltd
Priority to CN201510582075.XA priority Critical patent/CN105260701B/zh
Publication of CN105260701A publication Critical patent/CN105260701A/zh
Application granted granted Critical
Publication of CN105260701B publication Critical patent/CN105260701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

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

本发明涉及一种适用于复杂场景下的前方车辆检测方法，首先，利用图像消失点位置区分出路面和天空，将路面区域作为检测的有效区域，并对有效区域进行图像预处理，突显出车辆水平线条特征；然后根据车辆的宽度将图像有效区域分成多块，并在每块区域内统计分割阈值，实现多阈值局部分割；第三，在二值图上利用车辆宽度特征对分割结果进行去噪滤波，采用车辆边缘特征构造矩形提取出车辆候选区域；最后结合垂直边缘特征、左右边缘互匹配原理，实现车辆位置检测的定位。本发明方法可以有效地降低光照不均的影响，同时增强环境较差情况下车辆的检测效果；能有效地排除非车辆区域的干扰；有效地降低车辆检测所需要的时间。

Description

一种适用于复杂场景下的前方车辆检测方法
技术领域
本发明涉及计算机视觉和图像处理技术，尤其涉及一种适用于复杂场景下的前方车辆检测方法。
背景技术
统计表明，全国道路交通事故有30％是人为主观判断失误或操作不当所造成的。如果驾驶员能提前1.0s知道危险而采取措施，可以减少90％的交通事故；如果提前0.5s知道，可以避免50％的追尾碰撞。为了能减少这些事故的发生，前方碰撞预警已逐渐成为汽车驾驶辅助系统里的一部分。
目前，前方碰撞预警系统技术主要有两大类：一是以雷达为传感器的(如毫米波、微波、红外等等)；二是以摄像头为传感器，通过视频分析技术实现前方车辆的检测。由于视频分析技术，可以有效地将目标分类，且成本低可扩展性高等特点，已成为汽车驾驶辅助系统发展的一个重要方向。
其中，车辆检测技术是基于视频的前方碰撞预警的一个重要技术。目前的车辆检测方法主要有基于运动分析的光流法，基于模型匹配法，以及基于特征提取法。而光流法主要是根据前方车辆运动的光流场与摄像机运动所造成的背景光流不一致，来确定被检测车辆的位置，但是在运动场景下，前方车辆与本车的相对运动较小，产生的相对光流场比较微弱，影响检测效果。基于模型匹配法是通过大量的不同道路情况下、不同类型的车辆图像，组成相应的特征库进行匹配处理，但匹配结果只能大致得到车辆区域，不能定位到车辆的真实边界。基于特征提取法，充分利用车辆的边缘、形状、灰度等特征确定出车辆在图像中的位置，但经常会受光照或环境变化的影响，造成信息的不足，从而降低检测效果。
发明内容
本发明为克服上述的不足之处，目的在于提供一种适用于复杂场景下的前方车辆检测方法，首先利用图像消失点位置找到检测的有效区域，并对有效区域进行图像预处理，突显出车辆水平线条特征；根据车辆的宽度将图像有效区域分成多块，并在每块区域内统计分割阈值，实现多阈值局部分割；然后，在二值图上利用车辆宽度特征对分割结果进行去噪滤波，采用车辆边缘特征构造矩形标准，提取出车辆候选区域；最后，结合垂直边缘特征与水平边缘特征实现车辆左右边界和上边界的精定位。本方法可以有效地降低光照不均的影响，同时增强环境较差情况下车辆的检测效果。
本发明是通过以下技术方案达到上述目的：一种适用于复杂场景下的前方车辆检测方法，包括如下步骤：
(1)采集图像并利用图像消失点位置确定车辆检测的图像有效区域[VanishPoint.y,Height]；
(2)对图像有效区域预处理，得到车辆水平线条特征图HorSrc和灰度图Src；
(3)根据车辆的宽度对车辆检测的图像有效区域进行分块，并根据车辆检测有效区域的分块结果在车辆水平线条特征图HorSrc和灰度图Src确定每块区域的分割阈值，实现多阈值二值化分割；
(4)计算得到二值化分割后图像中各线段的长度Length(y,i)，并对各线段进行滤波；结合线段并采用车辆边缘特征构造矩形，得到车辆候选区域；
(5)根据垂直边缘特征互匹配与水平边缘特征互匹配对车辆候选区域进行处理，最后输出车辆检测的精确定位。
作为优选，所述步骤(2)得到车辆水平线条特征图包括如下步骤：
(a)利用高斯滤波算子对图像有效区域进行平滑降噪；采用Sobel边缘算子，提取出图像有效区域的边缘图，记为SobImg；
(b)利用垂直Sobel边缘算子，提取出图像有效区域的竖直方向上的边缘图，记为VSobImg；
(c)将两个边缘图相减，以获取车辆水平线条特征图HorSrc，即
HorSrc＝abs(SobImg-VSobImg)。
作为优选，所述步骤(3)通过统计车辆水平线条特征图HorSrc上各个区域的均值meani、方差stdi和灰度图Src上各个区域的均值Srcmeani、方差Srcstdi确定每个区域的分割阈值。
作为优选，所述步骤(4)通过统计二值化分割后图像中的各线段的起始坐标位置，计算得到各线段的长度Length(y,i)，其中，y为图像所处的行，i为第y行所对应的当前线段序号。
作为优选，所述步骤(4)根据车辆宽度特征对各线段进行滤波，保留符合标准的线段；符合线段的标准是Length(y,i)值为[1.0，2.8]米。
作为优选，所述步骤(4)结合线段并采用车辆边缘特征构造矩形，得到车辆候选区域的方法为通过对各线段处理得到投影直方图，对投影直方图进行“波谷-波峰-波谷”形式分割得到车辆候选区域；并根据车辆边缘特征构造矩形判别标准，排除车辆候选区域里的干扰区域，得到最终的车辆候选区域。
作为优选，所述根据车辆边缘特征构造矩形判别标准，排除车辆候选区域里的干扰区域的步骤如下：
(i)根据候选区域位置的重叠性进行区域的合并和删除，若重叠面积同时占两个候选区域面积大于或等于0.5时，则表明是同一车辆上的区域，则进行合并处理；
(ii)在SobImg图上检测得到水平方向和垂直方向上梯度信息，并划定候选区域左边界检测范围为[Left-Length/4，Left+Length/4]，右边界检测范围[Right-Length/4，Right+Length/4]，记录在X轴上的梯度投影直方图的最大值分别为Proj_Leftmax和Proj_Rightmax；设上边界、下边界检测范围分别为[Top-Length/4，Top+Length/4]、[Bottom-Length/4，Bottom+Length/4]，记录在Y轴上的梯度直方图的投影最大值分别为Proj_Topmax和Proj_Bottommax；
(iii)根据四边界投影值比例值范围标准Proj_Leftmax/Proj_Rightmax＝[0.5，2]，Proj_Topmax/Proj_Bottommax＝[0.5，2]，判定车辆候选区域是否符合矩形特征；符合的予以保留，否则排除。
作为优选，所述步骤(5)输出车辆检测的精确定位的步骤过程如下：
(A)根据车辆垂直边缘特征在车辆候选区域X轴上的投影直方图数据选取车辆候选边界点Li和Rj；对边界点Li和Rj分别进行左右两边的灰度和梯度匹配，将匹配度最高的一组边界点对分别作为车辆的左边界与右边界；
(B)根据车辆水平边缘特征在车辆候选区域Y轴上的投影直方图数据选取车辆候选边界点Ti；统计垂直边缘在Y轴上的投影直方图数据，并由下往上确定端点记为P，选择Ti和P位置吻合度最高的线条记为上边界，最后输出车辆检测的精确定位。
作为优选，所述的左右两边的灰度和梯度匹配的匹配公式如下，D(i,j)为匹配度：
作为优选，所述步骤(A)、步骤(B)通过分析投影直方图数据的跳变情况，将跳变点作为车辆候选边界点。
本发明的有益效果在于：(1)通过增强车辆水平横向边缘的固有特征，进行多阈值局部分割，可以有效地降低光照不均的影响，同时增强环境较差情况下车辆的检测效果；(2)充分利用车辆的宽度、边缘等固有特征，构建矩形判别函数，能有效地排除非车辆区域的干扰；(3)本方法不需要大量的车辆模板数据进行匹配，可有效地降低车辆检测所需要的时间。
附图说明
图1是本发明方法的流程图；
图2是本发明实施例的车辆检测过程中分割后的结果示意图；
图3是本发明实施例的车辆检测过程中去干扰后的结果示意图；
图4是本发明实施例的车辆检测过程中车辆区域提取结果示意图；
图5是本发明实施例的车辆检测过程中的最终结果示意图；
图6是本发明实施例的字符干扰场景下的车辆检测结果示意图；
图7是本发明实施例的车辆侧方阴影干扰场景下的车辆检测结果示意图；
图8是本发明实施例的车辆后方倒影干扰场景下的车辆检测结果示意图；
图9是本发明实施例的自车尾灯干扰场景下的车辆检测结果示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
实施例：如图1所示，一种适用于复杂场景下的前方车辆检测方法，第一步，根据消失点的Y轴分量VanishPoint.y的位置，将VanishPoint.y下方的区域设为车辆检测的有效区域[VanishPoint.y,Height]，并对有效区域[VanishPoint.y,Height]进行滤波、边缘增强、水平边缘增强等图像预处理，得到车辆水平线条特征图HorSrc和灰度图Src，突显出车辆水平线条特征。
其中，得到车辆水平线条特征图HorSrc包括如下步骤：
(a)利用高斯滤波算子对图像有效区域进行平滑降噪；采用Sobel边缘算子，提取出图像有效区域的边缘图，记为SobImg；
(b)利用垂直Sobel边缘算子提取出图像有效区域的竖直方向上的边缘 图，记为VSobImg；
(c)将两个边缘图相减，以获取车辆水平线条特征图HorSrc，即
HorSrc＝abs(SobImg-VSobImg)。
第二步，根据车辆的宽度将图像有效区域分成多块，并在每块区域内统计分割阈值，实现多阈值局部分割；在本实施例中，车辆宽度为1.5m-2.3m，分割时具体步骤如下：
(i)根据车辆的实际宽度[1.5，2.3]米对近距离的区域适当分块，对远距离的增加分块数目；先在Y轴方向上平分成4层，每层的高度为(Height-VanishPoint)/4，将第一层平分成3块，每块的宽度为Width/3；第二层平分成4块，每块的宽度为Width/4；第三层平分成5块，每块的宽度为Width/5；第四层平分成6块，每块的宽度为Width/6，共18块区域。
(ii)根据车辆检测有效区域的分块结果，在车辆水平线条特征图HorSrc和灰度图Src上，统计各小区域的均值meani、Srcmeani和方差stdi、Srcstdi，来确定当前区域的分割阈值进行分割，得到的分割图记为dst_Img。
分割结果示意图如图2所示。
第三步，在二值图上利用车辆宽度特征对分割结果进行去噪滤波，采用车辆边缘特征构造矩形，提取出车辆候选区域；车辆候选区域的具体步骤如下：
(A)从上到下，从左到右进行逐行统计各线段的起始坐标位置，并根据坐标标定结果，计算出各线段的长度Length(y,i)，y为图像所处的行，i为第y行所对应的当前线段序号；
(B)考虑到受干扰的影响，分割得到的水平横向线条的长度可能超出车辆的实际位置，也有可能小于车辆的实际位置。本方法将滤波范围设为[1.0，2.8]米，对统计的线段进行筛选，如下：
过滤去干扰后的结果如图3所示。
(C)分别统计X轴和Y轴上的二值投影直方图，并对其进行“波谷-波峰-波谷”形式分割，实现区域的位置的框定，作为车辆的候选区域。
(D)根据区域位置的重叠性，进行区域的合并和删除，若重叠面积和两区域的面积占比同时满足以下条件：Areaover/Areazone1＞＝0.5&&Areaover/Areazone2＞＝0.5时，则表明是同一车辆上的区域，则进行合并处理；
(E)在SobImg图上，检测水平和垂直方向上梯度信息，并划定候选区域左边界检测范围为[Left-Length/4，Left+Length/4]，右边界检测范围[Right-Length/4，Right+Length/4]，分别记录在X轴上的梯度投影直方图的最大值Proj_Leftmax和Proj_Rightmax。
设上边界检测范围为[Top-Length/4，Top+Length/4]，下边界检测范围为[Bottom-Length/4，Bottom+Length/4]，分别记录在Y轴上的梯度直方图的投影最大值Proj_Topmax和Proj_Bottommax。
(F)根据四个边界的投影值，Proj_Leftmax/Proj_Rightmax＝[0.5，2]，Proj_Topmax/Proj_Bottommax＝[0.5，2]，判定其是否符合矩形特征的保留，否则认为是干扰，则排除。车辆区域的提取结果如图4所示。
第四步，结合垂直边缘特征、左右边缘互匹配原理，实现车辆左右边界和上边界的精定位，完成汽车检测定位；具体步骤如下：
1)在垂直边缘图上，统计在区域[Left-Length/4，Left+Length/4]和[Right-Length/4，Right+Length/4]内的X轴上投影直方图的数据，分析其跳变情况，过滤跳变幅度较小的点后，记录相应的跳变点作为车辆的候选边界点Li和Ri；在相应的候选点上，分别进行左右两边的灰度和梯度匹配，匹配公式如下：
2)选取匹配度最高的一组边界点对，分别作为车辆的左边界和右边界；
3)在区域[Top-Length/4，Top+Length/4]内，统计Sobel边缘图在Y轴上的投影直方图数据，同样分析其跳变情况，过滤跳变幅度较小的点后，记录相应的跳变点作为车辆的候选边界点Ti；
4)统计垂直边缘图在Y轴上的投影直方图数据，并由下往上确定其端点记为P，选择Ti和P位置吻合度最好的一条线条记为上边界，从而实现车辆的精定位，车辆检测的最终结果如图5所示。
图6、图7、图8、图9分别是存在字符干扰场景下的车辆检测结果图、存在车辆侧方阴影干扰场景下的车辆检测结果图、存在车辆后方倒影干扰场景下的车辆检测结果图、存在自车尾灯干扰场景下的车辆检测结果图。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (7)

1.一种适用于复杂场景下的前方车辆检测方法，其特征在于包括如下步骤：(1)采集图像并利用图像消失点位置确定车辆检测的图像有效区域[VanishPoint.y,Height]；
(2)对图像有效区域预处理，得到车辆水平线条特征图HorSrc和灰度图Src；所述得到车辆水平线条特征图HorSrc的步骤如下：
(a)利用高斯滤波算子对图像有效区域进行平滑降噪；采用Sobel边缘算子，提取出图像有效区域的边缘图，记为SobImg；
(b)利用垂直Sobel边缘算子，提取出图像有效区域的竖直方向上的边缘图，记为VSobImg；
(c)将两个边缘图相减，以获取车辆水平线条特征图HorSrc，即
HorSrc＝abs(SobImg-VSobImg)；
(3)根据车辆的宽度对车辆检测的图像有效区域进行分块，并根据车辆检测有效区域的分块结果在车辆水平线条特征图HorSrc和灰度图Src确定每块区域的分割阈值，实现多阈值二值化分割；
(4)计算得到二值化分割后图像中各线段的长度Length(y,i)，并对各线段进行滤波；结合线段并采用车辆边缘特征构造矩形，得到车辆候选区域；
所述结合线段并采用车辆边缘特征构造矩形，得到车辆候选区域的方法为通过对各线段处理得到投影直方图，对投影直方图进行“波谷-波峰-波谷”形式分割得到车辆候选区域；并根据车辆边缘特征构造矩形判别标准，排除车辆候选区域里的干扰区域，得到最终的车辆候选区域；
所述根据车辆边缘特征构造矩形判别标准，排除车辆候选区域里的干扰区域的步骤如下：
(i)根据候选区域位置的重叠性进行区域的合并和删除，若重叠面积同时占两个候选区域面积大于或等于0.5时，则表明是同一车辆上的区域，则进行合并处理；
(ii)在SobImg图上检测得到水平方向和垂直方向上梯度信息，并划定候选区域左边界检测范围为[Left-Length/4，Left+Length/4]，右边界检测范围[Right-Length/4，Right+Length/4]，记录在X轴上的梯度投影直方图的最大值分别为Proj_Leftmax和Proj_Rightmax；设上边界、下边界检测范围分别为[Top-Length/4，Top+Length/4]、[Bottom-Length/4，Bottom+Length/4]，记录在Y轴上的梯度直方图的投影最大值分别为Proj_Topmax和Proj_Bottommax；
(iii)根据四边界投影值比例值范围标准Proj_Leftmax/Proj_Rightmax＝[0.5，2]，Proj_Topmax/Proj_Bottommax＝[0.5，2]，判定车辆候选区域是否符合矩形特征；符合的予以保留，否则排除；
(5)根据垂直边缘特征互匹配与水平边缘特征互匹配对车辆候选区域进行处理，最后输出车辆检测的精确定位。
2.根据权利要求1所述的一种适用于复杂场景下的前方车辆检测方法，其特征在于：所述步骤(3)通过统计车辆水平线条特征图HorSrc上各个区域的均值meani、方差stdi和灰度图Src上各个区域的均值Srcmeani、方差Srcstdi确定每个区域的分割阈值。
3.根据权利要求1所述的一种适用于复杂场景下的前方车辆检测方法，其特征在于：所述步骤(4)通过统计二值化分割后图像中的各线段的起始坐标位置，计算得到各线段的长度Length(y,i)，其中，y为图像所处的行，i为第y行所对应的当前线段序号。
4.根据权利要求1所述的一种适用于复杂场景下的前方车辆检测方法，其特征在于：所述步骤(4)根据车辆宽度特征对各线段进行滤波，保留符合标准的线段；符合线段的标准是Length(y,i)值为[1.0，2.8]米。
5.根据权利要求1所述的一种适用于复杂场景下的前方车辆检测方法，其特征在于：所述步骤(5)输出车辆检测的精确定位的步骤过程如下：
(A)根据车辆垂直边缘特征在车辆候选区域X轴上的投影直方图数据选取车辆候选边界点Li和Rj；对边界点Li和Rj分别进行左右两边的灰度和梯度匹配，将匹配度最高的一组边界点对分别作为车辆的左边界与右边界；
(B)根据车辆水平边缘特征在车辆候选区域Y轴上的投影直方图数据选取车辆候选边界点Ti；统计垂直边缘在Y轴上的投影直方图数据，并由下往上确定端点记为P，选择Ti和P位置吻合度最高的线条记为上边界，最后输出车辆检测的精确定位。
6.根据权利要求5所述的一种适用于复杂场景下的前方车辆检测方法，其特征在于：所述的左右两边的灰度和梯度匹配的匹配公式如下，D(i,j)为匹配度：
7.根据权利要求5所述的一种适用于复杂场景下的前方车辆检测方法，其特征在于：所述步骤(A)、步骤(B)通过分析投影直方图数据的跳变情况，将跳变点作为车辆候选边界点。
CN201510582075.XA 2015-09-14 2015-09-14 一种适用于复杂场景下的前方车辆检测方法 Active CN105260701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510582075.XA CN105260701B (zh) 2015-09-14 2015-09-14 一种适用于复杂场景下的前方车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510582075.XA CN105260701B (zh) 2015-09-14 2015-09-14 一种适用于复杂场景下的前方车辆检测方法

Publications (2)

Publication Number Publication Date
CN105260701A CN105260701A (zh) 2016-01-20
CN105260701B true CN105260701B (zh) 2019-01-29

Family

ID=55100382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510582075.XA Active CN105260701B (zh) 2015-09-14 2015-09-14 一种适用于复杂场景下的前方车辆检测方法

Country Status (1)

Country Link
CN (1) CN105260701B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583417A (zh) * 2018-12-13 2019-04-05 上海为森车载传感技术有限公司 基于fcw系统的前方车辆候选框提取方法

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092855A (zh) * 2016-02-18 2017-08-25 日本电气株式会社 车辆部件识别方法和设备、车辆识别方法和设备
CN106504261B (zh) * 2016-10-31 2019-08-06 北京奇艺世纪科技有限公司 一种图像分割方法及装置
CN107437062B (zh) * 2017-06-27 2019-11-12 浙江工业大学 一种静态图像的多方向车辆粗定位方法
JP7114965B2 (ja) * 2017-07-14 2022-08-09 富士通株式会社 ターゲット検出方法、装置及び画像処理装置
CN107679489B (zh) * 2017-09-29 2021-06-04 北京奇虎科技有限公司 基于场景分割的自动驾驶处理方法、装置及计算设备
CN111047908B (zh) * 2018-10-12 2021-11-02 富士通株式会社 跨线车辆的检测装置、方法及视频监控设备
CN110672294A (zh) * 2019-03-14 2020-01-10 浙江大学 一种研究道路环境下的跟车流场的系统及方法
CN110130987B (zh) * 2019-04-19 2021-03-26 同济大学 一种基于图像分析的隧道收敛变形监测方法
CN110414507B (zh) * 2019-07-11 2022-07-26 深圳智优停科技有限公司 车牌识别方法、装置、计算机设备和存储介质
CN112241717B (zh) * 2020-10-23 2021-11-16 北京嘀嘀无限科技发展有限公司 前车检测方法、前车检测模型的训练获取方法及装置
CN114582132B (zh) * 2022-05-05 2022-08-09 四川九通智路科技有限公司 一种基于机器视觉的车辆碰撞检测预警系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000090268A (ja) * 1998-09-08 2000-03-31 Nec Corp 車両領域検出方法
CN102610104A (zh) * 2012-03-16 2012-07-25 南京航空航天大学 一种车载的前方车辆检测方法
CN102663760A (zh) * 2012-04-23 2012-09-12 苏州大学 一种对图像中的车辆挡风镜区域进行定位分割的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9460354B2 (en) * 2012-11-09 2016-10-04 Analog Devices Global Object detection

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000090268A (ja) * 1998-09-08 2000-03-31 Nec Corp 車両領域検出方法
CN102610104A (zh) * 2012-03-16 2012-07-25 南京航空航天大学 一种车载的前方车辆检测方法
CN102663760A (zh) * 2012-04-23 2012-09-12 苏州大学 一种对图像中的车辆挡风镜区域进行定位分割的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于车底阴影的前方运动车辆检测;齐美彬 等;《电子测量与仪器学报》;20120131;第26卷(第1期);第54-59页

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583417A (zh) * 2018-12-13 2019-04-05 上海为森车载传感技术有限公司 基于fcw系统的前方车辆候选框提取方法

Also Published As

Publication number Publication date
CN105260701A (zh) 2016-01-20

Similar Documents

Publication Publication Date Title
CN105260701B (zh) 一种适用于复杂场景下的前方车辆检测方法
CN105426864B (zh) 一种基于等距边缘点匹配的多车道线检测方法
Huang et al. On-board vision system for lane recognition and front-vehicle detection to enhance driver's awareness
Negru et al. Image based fog detection and visibility estimation for driving assistance systems
Chen et al. Nighttime brake-light detection by Nakagami imaging
TWI408625B (zh) 車輛追蹤系統及其方法
US10699567B2 (en) Method of controlling a traffic surveillance system
CN108615358A (zh) 一种道路拥堵检测方法及装置
CN110210363A (zh) 一种基于车载图像的目标车辆压线检测方法
WO2019026785A1 (ja) 付着物検出装置、および、それを備えた車両システム
CN104115188B (zh) 立体物检测装置
CN107886034B (zh) 行车提醒方法、装置及车辆
CN105844222A (zh) 基于视觉的前方车辆碰撞预警系统及方法
CN107750213B (zh) 前方车辆碰撞报警装置及报警方法
JP6583527B2 (ja) 画像処理装置、撮像装置、移動体機器制御システム、画像処理方法、及びプログラム
CN103518230A (zh) 用于车辆分类的方法和系统
CN103593649A (zh) 一种用于车道偏离预警的车道线检测方法
CN104778444A (zh) 道路场景下车辆图像的表观特征分析方法
CN108021856A (zh) 车辆尾灯识别方法、装置及车辆
CN101556739A (zh) 基于本征图像分解的车辆检测算法
CN103984950A (zh) 一种适应白天检测的运动车辆刹车灯状态识别方法
CN103020948A (zh) 智能车载防撞预警系统中的夜间图像特征提取方法
CN107609472A (zh) 一种基于车载双摄像头的无人驾驶汽车机器视觉系统
CN109635737A (zh) 基于道路标记线视觉识别辅助车辆导航定位方法
JPWO2017145634A1 (ja) 画像処理装置、撮像装置、移動体機器制御システム、画像処理方法、及びプログラム

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