CN105303160A - 一种夜间车辆检测和跟踪的方法 - Google Patents
一种夜间车辆检测和跟踪的方法 Download PDFInfo
- Publication number
- CN105303160A CN105303160A CN201510601411.0A CN201510601411A CN105303160A CN 105303160 A CN105303160 A CN 105303160A CN 201510601411 A CN201510601411 A CN 201510601411A CN 105303160 A CN105303160 A CN 105303160A
- Authority
- CN
- China
- Prior art keywords
- car light
- image
- tracking
- vehicle
- night
- 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.)
- Pending
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种夜间车辆检测和跟踪的方法,包括如下步骤:(1)利用相机获取夜间前方灰度图像I,并对图像I作伽马校正处理;(2)进行sobel梯度变换得到梯度图像,并结合伽马校正后图像和梯度图像进行二值化分割;(3)对二值化分割后的图像进行处理得到疑似车灯目标;(4)计算疑似车灯区域的长度与宽度,并筛选出满足规则的车灯作为候选车灯;(5)对候选车灯进行两两配对,得到车灯组;(6)对车灯组进行连续帧跟踪验证,保留验证成功的车灯组;(7)对车灯组进行矩形区域扩展,扩展后的矩形区域为车辆区域,完成车辆的检测与跟踪。本方法能在低质量的夜间图像中检测到前方车辆,对获取的图像的颜色不受限制,并且能较稳定的跟踪到前车。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种夜间车辆检测和跟踪的方法。
背景技术
目前驾驶辅助系统的研究越来越多,白天的车辆检测研究日趋成熟,夜间车辆检测是新的热点,但是夜间由于照明不均匀,车身大部分信息模糊,只有车灯比较明显,所以大部分夜间车辆检测算法都是基于车灯的检测。
专利[201310030701]是基于彩色HSV图像进行车灯检测,根据尾灯模型筛选。专利[200910244106]则通过相邻帧的图像差分来获得感兴趣区域,通过预设一个车辆检测区域与感兴趣区域对比来检测车辆。专利[201210523623]利用彩色图像中尾灯颜色和对称性确定感兴趣区域,然后采用adaboost算法进行分类。
夜间车辆检测率低,主要是由于夜间车辆特征减少、形状特征不明显。对于普通非夜视摄像头,在夜间采集的前方道路图像存在曝光过度情况,而且颜色特征不准确,所以车辆的检测只能根据车灯特征来确定。
发明内容
本发明为克服上述的不足之处,目的在于提供一种夜间车辆检测和跟踪的方法,通过对夜间图像进行伽马校正和梯度变换处理,对处理后图像进行二值化分割,对分割结果处理得到疑似车灯目标,进而得到车灯组,最后对车灯组进行连续帧跟踪验证并进行矩形区域扩展,得到车辆区域。本方法能在低质量的夜间图像中检测到前方车辆,对获取的图像时彩色还是黑白图像不受限制,并且能较稳定的跟踪到前车。
本发明是通过以下技术方案达到上述目的:一种夜间车辆检测和跟踪的方法,包括如下步骤:
(1)利用相机获取夜间前方灰度图像I,并对图像I作伽马校正处理;
(2)对伽马校正后的图像进行sobel梯度变换得到梯度图像,并结合伽马校正后图像和梯度图像进行二值化分割;
(3)对二值化分割后的图像进行孔洞填充、形态学滤波与连通域搜索,得到疑似车灯目标;
(4)计算疑似车灯区域的长度与宽度,并根据筛选规则从疑似车灯中选出满足规则的车灯作为候选车灯;
(5)依次遍历候选车灯,对候选车灯进行两两配对,得到车灯组;
(6)对得到的车灯组进行连续帧跟踪验证,保留验证成功的车灯组;
(7)对步骤(6)所得的车灯组进行矩形区域扩展,扩展后的矩形区域为车辆区域,完成车辆的检测与跟踪。
作为优选,所述步骤(1)对图像I作伽马校正处理将图像的高灰度区域对比度增强,方法如下:
将图像I归一化得到I归一化,设置伽马系数γ>1,伽马校正后的图像Igamma灰度值与I归一化的变换公式为:
Igamma=255*(I归一化)γ,r>1。
作为优选,所述步骤(2)的二值化分割包括以下两步:
1)通过设定灰度阈值T1将灰度图像中亮度高的目标分割出来;
2)通过设定梯度阈值T2将梯度图像中梯度边缘值大的目标边缘分割出来。
作为优选,所述步骤(4)计算疑似车灯区域的长度与宽度的方法如下:
预先设定图像上路面P点的世界坐标(X,Y,0),当车灯Q点离路面P点的高度为H(单位为米)时,Q点坐标(XH,YH,H)的计算公式为:
XH=(1-H/(l*sin(pitch)))*X
YH=(1-H/(l*sin(pitch)))*Y
其中,L为像平面到路面坐标的距离,单位为米,pitch是相机坐标的俯仰角,车灯高度H取值为H∈[0.5,1],单位为米;当获得车灯矩形区域左上点世界坐标(LEFT,TOP,0),右下点世界坐标(RIGHT,BOTTOM,0),则车灯区域的真实长度=RIGHTH-LEFTH,真实宽度=BOTTOMH-TOPH。
作为优选,所述步骤(4)的筛选条件如下:
(i)像素面积S∈[S1,S2],S1≤S2;
(ii)车灯区域的真实长度、真实宽度在[TH1,TH2]范围内,TH1≤TH2;
(iii)像素长宽比在[rate1,rate2]范围,其中rate1≤rate2;
(iv)像素面积与连通域外接矩形面积比>=rate3;
(v)不是车灯倒影。
作为优选,所述步骤(5)对候选车灯进行两两配对,配对的规则如下:
(A)两个候选车灯位置垂直方向距离差<TH3,设置TH3<20;
(B)设置最小横向距离阈值TH4和最大横向距离阈值TH5范围,两个车灯之间的横向距离lhor满足lhor∈[TH4,TH5],TH4<TH5;
(C)要求相邻帧轨迹相似度>0.5,候选车灯Tail1、Tail2相邻帧轨迹 的
作为优选,所述步骤(6)连续帧跟踪验证的步骤如下:
(a)将车灯组中左、右灯分别与全局新检的候选灯进行匹配计算,相互匹配则跟踪成功,标示为1,否则跟踪失败,标示为0,根据车灯组的左、右灯跟踪情况分为“11”、“10”、“01”、“00”;
(b)视车灯组跟踪的各种情况进行分别处理。
作为优选,所述的视车灯组跟踪的各种情况进行分别处理,具体如下:
(I)“11”情况:车灯组跟踪成功;
(II)“10”情况:右灯没有跟踪到,根据左灯位置设置右框位置启动重检过程;重检成功跟踪成功,否则标记为“00”;
(III)“01”情况:左灯没有跟踪到,根据右灯位置设置左框位置启动重检过程;重检成功跟踪成功,否则标记为“00”;
(IV)“00”情况:将车灯组kalman预测区域的图像和前一帧车灯组区域图像进行模板匹配,匹配成功认为车灯组跟踪成功,否则跟踪失败。
作为优选,所述步骤(7)矩形区域扩展的方法为根据车灯组位置TailRect(xt,yt,wt,ht),构建正方形区域CarRect(xt,yt-wt/2,wt,wt)。
本发明的有益效果在于:本方法能在低质量的夜间图像中检测到前方车辆,对获取的图像时彩色还是黑白图像不受限制,并且能较稳定的跟踪到前车。
附图说明
图1是本发明方法的步骤流程示意图。
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,一种夜间车辆检测和跟踪的方法,包括如下步骤:
(1)利用相机获取夜间前方灰度图像I,将图像进行伽马校正,使图像的高灰度区域对比度得到增强;
将原灰度图像I归一化得到I归一化,设置伽马系数γ>1,伽马校正后的图像Igamma灰度值与I归一化的变换公式为:
Igamma=255*(I归一化)γ,r>1(1)
(2)对伽马校正后的图像进行sobel梯度变换得到梯度图像,结合伽马校正后图像和梯度图像,通过设定灰度阈值T1可以将伽马校正后的图像中亮度高的目标分割出来;通过设定梯度阈值T2可以将梯度图像中梯度边缘值大的目标边缘分割出来,从而完成二值化分割。
(3)对二值化图像进行孔洞填充和形态学腐蚀,并对图像进行连通域搜索,得到N个疑似车灯目标{L1,...,LN},车灯区域表示为Li=(x,y,w,h),i={1,...,N}。
(4)首先设置疑似车灯离路面高度,计算车灯区域的长度、宽度,然后筛选疑似车灯;已知路面坐标系中路面上P点的世界坐标(X,Y,0),离路面P点高度H(单位为米)的Q点坐标(XH,YH,H)的计算公式为:
XH=(1-H/(l*sin(pitch)))*X(2)
YH=(1-H/(l*sin(pitch)))*Y(3)
其中,l为像平面到路面坐标的距离,单位为米,pitch是相机坐标的俯仰角。设置车灯高度H∈[0.5,1](单位为米),根据公式(2)计算车灯区域的长度,根据公式(3)计算车灯区域的宽度。
所述的筛选的条件为:
1)像素面积S∈[S1,S2],S1≤S2;
2)车灯区域的真实长、宽在[TH1,TH2]范围内,TH1≤TH2;
3)像素长宽比在[rate1,rate2]范围,其中rate1≤rate2;
4)像素面积与连通域外接矩形面积比>=rate3;
5)不是较明显的车灯倒影。判断车灯倒影的具体过程为:对竖直型疑似灯光的矩形区域LampRect(x0,y0,w,h),向上设置upRect(x0,y0-2*h,w,2*h),对upRect做水平投影,截取投影序列连续段,计算连续段的累加和WhiteSum,得到rate4=WhiteSum/像素面积,若rate4>0.8表示LampRect是灯光倒影而非车灯。
(5)依次遍历候选车灯目标,每个车灯都与其他车灯仅配对比较一次,配对成功的构成车灯组。
所述的配对规则如下:
(A)两候选车灯位置垂直方向距离差<TH3,设置TH3<20;、
(B)根据标定设置最小横向距离阈值TH4和最大横向距离阈值TH5范围,两车灯之间横向距离lhor满足lhor∈[TH4,TH5],TH4<TH5;
(C)要求轨迹相似度>0.5,相邻帧轨迹即相邻帧移动的像素距离,候选车灯Tail1、Tail2相邻帧轨迹的
(6)对得到的车灯组进行连续帧跟踪验证,保留验证成功的车灯组,具体如下:
1)在下一帧图像中,车灯组中左、右灯,分别与全局新检的候选灯进行匹配计算,相互匹配则跟踪成功,标示为1,否则跟踪失败,标示为0,根据车灯组的左、右灯跟踪情况分为“11”、“10”、“01”、“00”;
2)车灯组跟踪各种情况分别处理:
i)“11”情况:车灯组跟踪成功;
ii)“10”情况:右灯没有跟踪到,根据左灯位置设置右框位置,然后启动重检过程。重检成功跟踪成功,否则标记为“00”。
iii)“01”情况:左灯没有跟踪到,根据右灯位置设置左框位置,然后启动重检过程。重检成功跟踪成功,否则标记为“00”。
iv)“00”情况:将车灯组kalman预测区域的图像和前一帧车灯组区域图像进行模板匹配,匹配成功认为车灯组跟踪成功,否则跟踪失败。
(7)对于连续n帧跟踪成功的车灯组,认为是正确的车辆尾灯,并根据车灯组位置TailRect(xt,yt,wt,ht),构建正方形区域CarRect(xt,yt-wt/2,wt,wt),作为车辆区域;完成车辆的检测与跟踪。
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 (9)
1.一种夜间车辆检测和跟踪的方法,其特征在于包括如下步骤:
(1)利用相机获取夜间前方灰度图像I,并对图像I作伽马校正处理;
(2)对伽马校正后的图像进行sobel梯度变换得到梯度图像,并结合伽马校正后图像和梯度图像进行二值化分割;
(3)对二值化分割后的图像进行孔洞填充、形态学滤波与连通域搜索,得到疑似车灯目标;
(4)计算疑似车灯区域的长度与宽度,并根据筛选规则从疑似车灯中选出满足规则的车灯作为候选车灯;
(5)依次遍历候选车灯,对候选车灯进行两两配对,得到车灯组;
(6)对得到的车灯组进行连续帧跟踪验证,保留验证成功的车灯组;
(7)对步骤(6)所得的车灯组进行矩形区域扩展,扩展后的矩形区域为车辆区域,完成车辆的检测与跟踪。
2.根据权利要求1所述的一种夜间车辆检测和跟踪的方法,其特征在于:所述步骤(1)对图像I作伽马校正处理将图像的高灰度区域对比度增强,方法如下:
将图像I归一化得到I归一化,设置伽马系数γ>1,伽马校正后的图像Igamma灰度值与I归一化的变换公式为:
Igamma=255*(I归一化)γ,r>1。
3.根据权利要求1所述的一种夜间车辆检测和跟踪的方法,其特征在于:所述步骤(2)的二值化分割包括以下两步:
1)通过设定灰度阈值T1将灰度图像中亮度高的目标分割出来;
2)通过设定梯度阈值T2将梯度图像中梯度边缘值大的目标边缘分割出来。
4.根据权利要求1所述的一种夜间车辆检测和跟踪的方法,其特征在于:所述步骤(4)计算疑似车灯区域的长度与宽度的方法如下:预先设定图像上路面P点的世界坐标(X,Y,0),当车灯Q点离路面P点的高度为H(单位为米)时,Q点坐标(XH,YH,H)的计算公式为:
XH=(1-H/(l*sin(pitch)))*X
YH=(1-H/(l*sin(pitch)))*Y
其中,L为像平面到路面坐标的距离,单位为米,pitch是相机坐标的俯仰角,车灯高度H取值为H∈[0.5,1],单位为米;当获得车灯矩形区域左上点世界坐标(LEFT,TOP,0),右下点世界坐标(RIGHT,BOTTOM,0),则车灯区域的真实长度=RIGHTH-LEFTH,真实宽度=BOTTOMH-TOPH。
5.根据权利要求1所述的一种夜间车辆检测和跟踪的方法,其特征在于:所述步骤(4)的筛选条件如下:
(i)像素面积S∈[S1,S2],S1≤S2;
(ii)车灯区域的真实长度、真实宽度在[TH1,TH2]范围内,TH1≤TH2;
(iii)像素长宽比在[rate1,rate2]范围,其中rate1≤rate2;
(iv)像素面积与连通域外接矩形面积比>=rate3;
(v)不是车灯倒影。
6.根据权利要求1所述的一种夜间车辆检测和跟踪的方法,其特征在于:所述步骤(5)对候选车灯进行两两配对,配对的规则如下:
(A)两个候选车灯位置垂直方向距离差<TH3,设置TH3<20;
(B)设置最小横向距离阈值TH4和最大横向距离阈值TH5范围,两个车灯之间的横向距离lhor满足lhor∈[TH4,TH5],TH4<TH5;
(C)要求相邻帧轨迹相似度>0.5,候选车灯Tail1、Tail2相邻帧轨迹
7.根据权利要求1所述的一种夜间车辆检测和跟踪的方法,其特征在于:所述步骤(6)连续帧跟踪验证的步骤如下:
(a)将车灯组中左、右灯分别与全局新检的候选灯进行匹配计算,相互匹配则跟踪成功,标示为1,否则跟踪失败,标示为0,根据车灯组的左、右灯跟踪情况分为“11”、“10”、“01”、“00”;
(b)视车灯组跟踪的各种情况进行分别处理。
8.根据权利要求7所述的一种夜间车辆检测和跟踪的方法,其特征在于:所述的视车灯组跟踪的各种情况进行分别处理,具体如下:
(I)“11”情况:车灯组跟踪成功;
(II)“10”情况:右灯没有跟踪到,根据左灯位置设置右框位置启动重检过程;重检成功跟踪成功,否则标记为“00”;
(III)“01”情况:左灯没有跟踪到,根据右灯位置设置左框位置启动重检过程;重检成功跟踪成功,否则标记为“00”;
(IV)“00”情况:将车灯组kalman预测区域的图像和前一帧车灯组区域图像进行模板匹配,匹配成功认为车灯组跟踪成功,否则跟踪失败。
9.根据权利要求1所述的一种夜间车辆检测和跟踪的方法,其特征在于:所述步骤(7)矩形区域扩展的方法为根据车灯组位置TailRect(xt,yt,wt,ht),构建正方形区域CarRect(xt,yt-wt/2,wt,wt)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510601411.0A CN105303160A (zh) | 2015-09-21 | 2015-09-21 | 一种夜间车辆检测和跟踪的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510601411.0A CN105303160A (zh) | 2015-09-21 | 2015-09-21 | 一种夜间车辆检测和跟踪的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105303160A true CN105303160A (zh) | 2016-02-03 |
Family
ID=55200406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510601411.0A Pending CN105303160A (zh) | 2015-09-21 | 2015-09-21 | 一种夜间车辆检测和跟踪的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105303160A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718923A (zh) * | 2016-03-07 | 2016-06-29 | 长安大学 | 一种基于逆投影图的夜间车辆检测与计数方法 |
CN106408938A (zh) * | 2016-09-13 | 2017-02-15 | 天津工业大学 | 夜间城市交通监控中各类车辆轨迹的完整提取 |
CN106407951A (zh) * | 2016-09-30 | 2017-02-15 | 西安理工大学 | 一种基于单目视觉的夜间前方车辆检测方法 |
CN107506739A (zh) * | 2017-08-31 | 2017-12-22 | 南京富士通南大软件技术有限公司 | 一种夜间前向车辆检测及测距方法 |
CN107808162A (zh) * | 2017-09-27 | 2018-03-16 | 广东电网有限责任公司江门供电局 | 一种变电站保护压板状态比对方法及装置 |
CN108229249A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种夜间前方车辆检测方法 |
CN108230666A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种夜间车辆检测和追踪方法 |
CN108538052A (zh) * | 2018-03-05 | 2018-09-14 | 华南理工大学 | 基于车头灯轨迹跟踪和动态配对的夜间交通流量检测方法 |
CN110188631A (zh) * | 2019-05-14 | 2019-08-30 | 重庆大学 | 一种高速公路隧道车灯分割方法 |
CN110807791A (zh) * | 2019-10-31 | 2020-02-18 | 广东泓胜科技股份有限公司 | 一种夜间车辆目标跟踪方法及装置 |
WO2021114799A1 (zh) * | 2019-12-14 | 2021-06-17 | 华南理工大学广州学院 | 一种基于计算机视觉的矩阵车灯识别方法 |
WO2023029467A1 (zh) * | 2021-08-31 | 2023-03-09 | 上海商汤智能科技有限公司 | 用于车灯检测的方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567705A (zh) * | 2010-12-23 | 2012-07-11 | 北京邮电大学 | 一种检测和跟踪夜间行驶车辆的方法 |
CN103208185A (zh) * | 2013-03-19 | 2013-07-17 | 东南大学 | 一种基于车灯识别的夜间车辆检测方法及系统 |
CN103366571A (zh) * | 2013-07-03 | 2013-10-23 | 河南中原高速公路股份有限公司 | 智能的夜晚交通事件检测方法 |
-
2015
- 2015-09-21 CN CN201510601411.0A patent/CN105303160A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567705A (zh) * | 2010-12-23 | 2012-07-11 | 北京邮电大学 | 一种检测和跟踪夜间行驶车辆的方法 |
CN103208185A (zh) * | 2013-03-19 | 2013-07-17 | 东南大学 | 一种基于车灯识别的夜间车辆检测方法及系统 |
CN103366571A (zh) * | 2013-07-03 | 2013-10-23 | 河南中原高速公路股份有限公司 | 智能的夜晚交通事件检测方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718923A (zh) * | 2016-03-07 | 2016-06-29 | 长安大学 | 一种基于逆投影图的夜间车辆检测与计数方法 |
CN105718923B (zh) * | 2016-03-07 | 2019-02-12 | 长安大学 | 一种基于逆投影图的夜间车辆检测与计数方法 |
CN106408938A (zh) * | 2016-09-13 | 2017-02-15 | 天津工业大学 | 夜间城市交通监控中各类车辆轨迹的完整提取 |
CN106407951A (zh) * | 2016-09-30 | 2017-02-15 | 西安理工大学 | 一种基于单目视觉的夜间前方车辆检测方法 |
CN106407951B (zh) * | 2016-09-30 | 2019-08-16 | 西安理工大学 | 一种基于单目视觉的夜间前方车辆检测方法 |
CN108230666A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种夜间车辆检测和追踪方法 |
CN108229249A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种夜间前方车辆检测方法 |
CN107506739A (zh) * | 2017-08-31 | 2017-12-22 | 南京富士通南大软件技术有限公司 | 一种夜间前向车辆检测及测距方法 |
CN107506739B (zh) * | 2017-08-31 | 2021-01-12 | 南京富士通南大软件技术有限公司 | 一种夜间前向车辆检测及测距方法 |
CN107808162A (zh) * | 2017-09-27 | 2018-03-16 | 广东电网有限责任公司江门供电局 | 一种变电站保护压板状态比对方法及装置 |
CN108538052A (zh) * | 2018-03-05 | 2018-09-14 | 华南理工大学 | 基于车头灯轨迹跟踪和动态配对的夜间交通流量检测方法 |
CN110188631A (zh) * | 2019-05-14 | 2019-08-30 | 重庆大学 | 一种高速公路隧道车灯分割方法 |
CN110807791A (zh) * | 2019-10-31 | 2020-02-18 | 广东泓胜科技股份有限公司 | 一种夜间车辆目标跟踪方法及装置 |
WO2021114799A1 (zh) * | 2019-12-14 | 2021-06-17 | 华南理工大学广州学院 | 一种基于计算机视觉的矩阵车灯识别方法 |
WO2023029467A1 (zh) * | 2021-08-31 | 2023-03-09 | 上海商汤智能科技有限公司 | 用于车灯检测的方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105303160A (zh) | 一种夜间车辆检测和跟踪的方法 | |
CN109784344B (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN106934808B (zh) | 一种视觉感知下汽车前灯尾灯识别跟踪方法 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
KR101605514B1 (ko) | 차선 인식 장치 및 방법 | |
Kosaka et al. | Vision-based nighttime vehicle detection using CenSurE and SVM | |
CN105913041B (zh) | 一种基于预先标定的信号灯识别方法 | |
US20150278615A1 (en) | Vehicle exterior environment recognition device | |
Alcantarilla et al. | Automatic LightBeam Controller for driver assistance | |
CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
CN104036262B (zh) | 一种lpr车牌筛选识别的方法和系统 | |
US9189691B2 (en) | Three-dimensional object detection device and three-dimensional object detection method | |
CN109948552B (zh) | 一种复杂交通环境中的车道线检测的方法 | |
CN105528609A (zh) | 一种基于字符位置的车牌定位方法 | |
CN107506760A (zh) | 基于gps定位与视觉图像处理的交通信号检测方法及系统 | |
CN110688907B (zh) | 基于夜间道路光源识别物体的方法及装置 | |
JP6723328B2 (ja) | 車両検出方法、動的光強度に基づく夜間の車両検出方法及びそのシステム | |
CN103971126A (zh) | 一种交通标志识别方法和装置 | |
CN102938057B (zh) | 一种车辆阴影消除方法及装置 | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
CN108304749A (zh) | 道路减速线识别方法、装置及车辆 | |
Lin et al. | Adaptive IPM-based lane filtering for night forward vehicle detection | |
CN108765456B (zh) | 基于直线边缘特征的目标跟踪方法、系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160203 |