CN105389556A - 一种顾及阴影区域的高分辨率遥感影像车辆检测方法 - Google Patents
一种顾及阴影区域的高分辨率遥感影像车辆检测方法 Download PDFInfo
- Publication number
- CN105389556A CN105389556A CN201510757973.4A CN201510757973A CN105389556A CN 105389556 A CN105389556 A CN 105389556A CN 201510757973 A CN201510757973 A CN 201510757973A CN 105389556 A CN105389556 A CN 105389556A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- road surface
- vehicle detection
- shadow region
- 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- 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
- G06V2201/11—Technique with transformation invariance effect
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种顾及阴影区域的高分辨率遥感影像车辆检测方法,通过对遥感影像进行路面阴影区域的提取,将影像上路面阴影区域增强,并训练两个车辆检测模型将阴影和非阴影区域中的车辆分开提取的操作,完全不同于现有技术中惯用一个车辆检测模型进行车辆检测的方法,使得本发明车辆正确检测率提高,误检率降低,有效提高了阴影中车辆检测精度,解决了现有技术存在的问题,适用于高分辨率遥感影像分析和处理。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种顾及阴影区域的高分辨率遥感影像车辆检测方法。
背景技术
车辆目标自动检测是实现“智能交通”的关键,而“智能交通”已成为城市遥感应用领域的一个重点关注问题。同时,定期监测城市中车辆的密度并据此进行交通配置优化能够减少由交通拥堵带来的诸多环境问题。然而,随着遥感影像空间分辨率的提高,影像上细节信息更加丰富,车辆检测干扰因素增多,因此,高分辨率遥感影像车辆检测更具挑战性。目前较新且效果较好的车辆检测方法以特征加分类器的机器学习方法为主。这种方法的主要思路是:通过选取特征,利用分类器(多数为支持向量机)训练车辆检测模型并对影像进行检测。其中从特征考虑,主要有利用单个特征(参考文献:MoranduzzoT,MelganiF.AutomaticCarCountingMethodforUnmannedAerialVehicleImages[J].IEEETransactionsonGeoscience&RemoteSensing,2014,52(3):1635-1647.)和结合多种特征(ShaoW,YangW,LiuG,etal.Cardetectionfromhigh-resolutionaerialimageryusingmultiplefeatures[C]//GeoscienceandRemoteSensingSymposium(IGARSS),2012IEEEInternational.IEEE,2012:4379-4382.)两种。由于高分辨率遥感影像上存在大量阴影区域,而阴影中的车辆视觉特征不明显,难以像非阴影中的车辆一样被有效检测,因此很容易造成漏检。然而以上两种机器学习方法都未能有效地解决这一问题,导致阴影中车辆检测效果很不理想。
发明内容
本发明提出一种顾及阴影区域的高分辨率遥感影像车辆检测方法,目的是解决现有技术忽视阴影中车辆的有效检测这一问题,减弱阴影对车辆检测的影响,以达到提高全图车辆正确检测率,降低误检率的效果。
一种顾及阴影区域的高分辨率遥感影像车辆检测方法,包括以下几个步骤:
步骤1:构建车辆检测模型;
将已知车辆检测结果的遥感影像作为训练影像,构建车辆检测模型,包括路面阴影区域车辆检测模型和路面非阴影区域车辆检测模型;
所述路面阴影区域车辆检测模型的构建过程如下:
A1:从训练影像中提取路面阴影区域,选取路面阴影区域中存在车辆的图像块和不存在车辆的图像块分别组成车辆正样本集合P和车辆负样本集合N;
所述图像块的大小为m*m,m取值范围为N-1.2N,N=车辆实际长度/影像空间分辨率;
A2:从负样本集合N中随机选取一部分样本块,组成负样本训练集N1,用N1和P训练SVM分类器C1;
A3:用分类器C1检测负样本集N,将被误检为正样本的样本块提取出来组成负样本训练集N2;
A4:用N2和P训练SVM分类器C2;
A5:用分类器C2替代分类器C1,重复步骤A3和A4,直到N中的所有样本块都被检测为负样本为止,得到最终路面阴影区域车辆检测模型M1;
所述路面非阴影区域车辆检测模型的构建过程如下:
B1:从训练影像中提取路面非阴影区域,并将路面非阴影区域中若干存在车辆的图像块和不存在车辆的图像块分别作为车辆正样本集合P和车辆负样本集合N;
其余步骤参照A2-A5进行,获得最终的路面非阴影区域车辆检测模型M2;
步骤2:利用步骤1获得的车辆检测模型进行车辆检测;
步骤2.1:根据待检测的遥感影像的空间分辨率,设定滑动窗口的大小为m*m;
步骤2.2:对待检测的遥感影像提取路面阴影区域,利用滑动窗口在待检测的遥感影像上按照设定步长逐行滑动,提取窗口图像,判断每个窗口图像是否属于路面阴影区域中,并获取每个窗口图像W的HOG特征f;
步骤2.3:利用车辆检测模型和每个窗口图像的HOG特征做卷积,按照以下公式计算每个窗口图像的置信值score:
步骤2.4:将待检测的遥感影像中每个窗口图像的置信值大于0的图像区域判定为车辆所在区域,否则,判定为路面区域,得到车辆检测结果。
【通过大量的数据统计得到置信值为正数时,当前窗口图像中包含车辆;置信值为负数时,当前窗口图像中不包含车辆;】
从遥感影像中提取路面阴影区域的步骤如下:
步骤A:影像道路提取
利用已有GIS中的面状道路信息与遥感影像上的对应区域进行逻辑“与”运算,得到影像道路区域;
步骤B:路面内阴影区域提取
利用基于颜色特征的阴影检测方法提取路面内的阴影区域:
①计算原始遥感影像的四个特征分量F1-F4,得到四幅特征影像:
F1=H;F2=B;F3=G-B;F4=I-S
其中,H,S,I分别表示HSI颜色空间的色调、色饱和度和亮度分量;R,G,B分别表示RGB颜色空间的红色、绿色和蓝色通道。
②对得到的四幅特征影像分别进行Otsu阈值分割,得到四幅候选阴影图像I1-I4,再将四幅候选阴影图像求交集,得到阴影图像I,即I=I1∩I2∩I3∩I4。
③对阴影图像I进行形态学开闭运算,得到阴影二值图,原始遥感影像上与阴影二值图相对应的区域为路面阴影区域。
对路面阴影区域进行直方图均衡化增强处理。
【以改善阴影区域车辆视觉特征,使其HOG特征明显化。】
对所述车辆正样本集合P中的每个样本依次按照90°、180°、270°三个方向旋转,得到每个样本在三个旋转方向的样本,以原始样本及旋转方向样本构建新的车辆正样本集合。
车辆模型构建时考虑到HOG特征不具有旋转不变性,对基本方案中选取的车辆正样本分别进行90°,180°,270°三个方向旋转,以增加样本的方向多样性,提高模型检测效果。
对车辆检测结果进行非极大值抑制处理,阈值设置为10%,去除重复检测。
每次循环中,以置信值绝对值最大的检测结果为基准,将与其检测框重叠度大于阈值10%的结果去掉,即对检测结果中一辆车上的两个或多个检测框,保留置信值绝对值最大的结果,将与其重叠度大于10%的检测结果删除。
有益效果
本发明提供了一种顾及阴影区域的高分辨率遥感影像车辆检测方法,通过对遥感影像进行路面阴影区域的提取,将影像上路面阴影区域增强,并训练两个车辆检测模型将阴影和非阴影区域中的车辆分开提取的操作,完全不同于现有技术中惯用一个车辆检测模型进行车辆检测的方法,使得本发明车辆正确检测率达到88.28%,相对现有技术提高了12.93%;误检率低至15.32%,相对现有技术降低了17.76%,同时,本发明有效提高了阴影中车辆检测精度,解决了现有技术存在的问题,适用于高分辨率遥感影像分析和处理。
附图说明
图1是本发明的流程图;
图2是示例一应用本发明所述方法进行车辆检测的高分辨率遥感影像过程图,其中,(a)为原始待检测的遥感影像,(b)为影像道路区域,(c)为路面阴影区域,(d)为阴影区域增强后的结果示意图,(e)为本发明所述的基本方法所得的车辆最终检测结果示意图,(f)为本发明所述的最佳方案所得的车辆检测结果示意图;
图3是示例二应用本发明所述方法进行车辆检测的高分辨率遥感影像过程图,其中,(a)为原始待检测的遥感影像,(b)为影像道路区域,(c)为路面阴影区域,(d)为阴影区域增强后的结果示意图,(e)为本发明所述的基本方法所得的车辆最终检测结果示意图,(f)为本发明所述的最佳方案所得的车辆检测结果示意图;
图4是现有技术对图2中(a)图的检测结果;
图5是现有技术对图3中(a)的检测结果。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
本发明的流程图如图1所示,一种顾及阴影区域的高分辨率遥感影像车辆检测方法,包括以下几个步骤:
步骤1:从遥感影像中提取路面阴影区域:
步骤A:影像道路提取
利用已有GIS中的面状道路信息与遥感影像上的对应区域进行逻辑“与”运算,得到影像道路区域;
步骤B:路面内阴影区域提取
利用基于颜色特征的阴影检测方法提取路面内的阴影区域:
①计算原始遥感影像的四个特征分量F1-F4,得到四幅特征影像:
F1=H;F2=B;F3=G-B;F4=I-S
其中,H,S,I分别表示HSI颜色空间的色调、色饱和度和亮度分量;R,G,B分别表示RGB颜色空间的红色、绿色和蓝色通道。
②对得到的四幅特征影像分别进行Otsu阈值分割,得到四幅候选阴影图像I1-I4,再将四幅候选阴影图像求交集,得到阴影图像I,即I=I1∩I2∩I3∩I4。
③对阴影图像I进行形态学开闭运算,得到阴影二值图,原始遥感影像上与阴影二值图相对应的区域为路面阴影区域。
对路面阴影区域进行直方图均衡化增强处理。
【以改善阴影区域车辆视觉特征,使其HOG特征明显化。】
步骤2:构建车辆检测模型;
将已知车辆检测结果的遥感影像作为训练影像,构建车辆检测模型,包括路面阴影区域车辆检测模型和路面非阴影区域车辆检测模型;
所述路面阴影区域车辆检测模型的构建过程如下:
A1:从训练影像中提取路面阴影区域,选取路面阴影区域中存在车辆的图像块和不存在车辆的图像块分别组成车辆正样本集合P和车辆负样本集合N;
所述图像块的大小为m*m,m取值范围为N-1.2N,N=车辆实际长度/影像空间分辨率;
A2:从负样本集合N中随机选取一部分样本块,组成负样本训练集N1,用N1和P训练SVM分类器C1;
A3:用分类器C1检测负样本集N,将被误检为正样本的样本块提取出来组成负样本训练集N2;
A4:用N2和P训练SVM分类器C2;
A5:用分类器C2替代分类器C1,重复步骤A3和A4,直到N中的所有样本块都被检测为负样本为止,得到最终路面阴影区域车辆检测模型M1;
所述路面非阴影区域车辆检测模型的构建过程如下:
B1:从训练影像中提取路面非阴影区域,并将路面非阴影区域中若干存在车辆的图像块和不存在车辆的图像块分别作为车辆正样本集合P和车辆负样本集合N;
每个样本集合中所包含的图像块数量至少在500以上;
其余步骤参照A2-A5进行,获得最终的路面非阴影区域车辆检测模型M2;
步骤3:利用步骤2获得的车辆检测模型进行车辆检测;
步骤3.1:根据待检测的遥感影像的空间分辨率,设定滑动窗口的大小为m*m;
步骤3.2:对待检测的遥感影像提取路面阴影区域,利用滑动窗口在待检测的遥感影像上按照设定步长逐行滑动,提取窗口图像,判断每个窗口图像是否属于路面阴影区域,并获取每个窗口图像W的HOG特征f;
步骤3.3:利用车辆检测模型和每个窗口图像的HOG特征做卷积,按照以下公式计算每个窗口图像的置信值score:
步骤3.4:将待检测的遥感影像中每个窗口图像的置信值大于0的图像区域判定为车辆所在区域,否则,判定为路面区域,得到车辆检测结果。
【通过大量的数据统计得到置信值为正数时,当前窗口图像中包含车辆;置信值为负数时,当前窗口图像中不包含车辆;】
对所述车辆正样本集合P中的每个样本依次按照90°、180°、270°三个方向旋转,得到每个样本在三个旋转方向的样本,以原始样本及旋转方向样本构建新的车辆正样本集合。
车辆模型构建时考虑到HOG特征不具有旋转不变性,对基本方案中选取的车辆正样本分别进行90°,180°,270°三个方向旋转,以增加样本的方向多样性,提高模型检测效果。
实施例1:过程示意图见图2。
(1)路面内阴影提取和增强
对图2(a),为减少其他不相关目标干扰并降低后续车辆检测计算复杂度,首先利用已有GIS中的面状道路信息与影像上的对应区域进行逻辑“与”运算,得到影像道路区域如图2(b)所示。然后,利用基于颜色特征的阴影检测方法提取路面内的阴影区域,如图2(c)所示。在此基础上最后,对提取的阴影区域进行直方图均衡化处理,如图2(d)。经过以上处理,影像上阴影区域车辆视觉特征得到改善:图2中难以被人眼辨识的车辆经过增强后很容易辨识,由图2(e)很容易看出。
(2)车辆检测模型构建
训练影像经过步骤1处理后,即可用于车辆模型的构建。阴影区域车辆检测模型构建过程如下:
①从训练影像中的道路阴影区域分别选取532车辆样本(在此基础上进行90°,180°,270°三个方向旋转)和1000非车辆样本用于构造正样本集合P和负样本集合N;
②从负样本集合N中随机选取一部分样本块,组成负样本训练集N1,用N1和P训练SVM分类器C1;
③用分类器C1检测负样本集N,将被误检为正样本的样本块提取出来组成负样本训练集N2;
④用N2和P训练SVM分类器C2;
⑤重复步骤③和④,直到N中的所有样本块都被检测为负样本为止,得到最终检测模型M1;
非阴影区域车辆模型M2可按上述步骤类似构造(车辆样本和非车辆样本数量分别为576和522);
(3)车辆检测
在车辆检测阶段,利用已构建的车辆模型以滑动窗口的形式检测经过步骤1处理的图2(d)中相应区域是否有车辆,具体车辆检测过程如下:
①设定滑动窗口W的大小为64*64(本发明实验影像空间分辨率为0.08m,考虑到实际车辆长度一般为5m左右,故取m=64);
②将W在影像上以步长1逐行滑动,并提取窗口图像对应的HOG特征f;
③判断W所在影像区域,若为阴影区域,则利用阴影车辆模型M1和f做卷积;若为非阴影区域,则利用非阴影车辆模型M2和f做卷积。得到置信值(score)并存储,如下式:
④判断当前影像是否搜索完毕,如果是,结束检测,否则继续执行步骤②到③;
⑤检测完毕后,对两区域得到的检测结果进行判断:score大于零的检测被判定为车辆,反之判定为路面。最后将两区域车辆检测结果合并。
(4)后处理
将步骤(3)中合并后的检测结果进行非极大值抑制处理,阈值设置为0.1,即在每次循环中将与拥有最大置信值的检测框重叠度大于10%的检测去掉,得到最终检测结果。如图2(e)所示。
实施例2:过程示意图见图3。
其处理步骤都和实施例1相同。最终结果图如图3(e)所示。
实施例1和2的检测结果均用矩形框标注在图中,其中图2(e)和图3(e)是基本技术方案的检测结果,而图2(f)和图3(f)是优化方案检测结果。
其中,图2中车辆总数是8,优化方案正确检测个数是7,误检数是1,正确检测率达到87.5%,误检率12.5%;图3中车辆总数是9,正确检测个数是9,误检数是2,优化方案正确检测率高达100%,误检率为22.22%。而基本技术方案对实施例1和2的正确检测率分别为62.50%和77.78%,误检率分别为25%和22.22%。
由此可见,本发明整体检测效果理想,且优化方案比基本方案效果有很大提升。此外,将现有技术(参考文献:MoranduzzoT,MelganiF.DetectingCarsinUAVImagesWithaCatalog-BasedApproach[J].Geoscience&RemoteSensingIEEETransactionson,2014,52(10):6356-6367.)的检测结果(图4、图5)和本方案结果(图2(f)、图3(f))作对比,明显体现出本发明方案对阴影中车辆检测精度的提高,具体是:图2阴影中共有4个车,现有技术检测出1个,而本发明全部检测出;图3阴影中共有7个车,现有技术检测出4个,而本发明全部检测出。
综合以上分析,可以证明本发明方案切实可行。
Claims (5)
1.一种顾及阴影区域的高分辨率遥感影像车辆检测方法,其特征在于,包括以下几个步骤:
步骤1:构建车辆检测模型;
将已知车辆检测结果的遥感影像作为训练影像,构建车辆检测模型,包括路面阴影区域车辆检测模型和路面非阴影区域车辆检测模型;
所述路面阴影区域车辆检测模型的构建过程如下:
A1:从训练影像中提取路面阴影区域,选取路面阴影区域中若干存在车辆的图像块和不存在车辆的图像块分别组成车辆正样本集合P和车辆负样本集合N;
所述图像块的大小为m*m,m取值范围为N-1.2N,N=车辆实际长度/影像空间分辨率;
A2:从负样本集合N中随机选取一部分样本块,组成负样本训练集N1,用N1和P训练SVM分类器C1;
A3:用分类器C1检测负样本集N,将被误检为正样本的样本块提取出来组成负样本训练集N2;
A4:用N2和P训练SVM分类器C2;
A5:用分类器C2替代分类器C1,重复步骤A3和A4,直到N中的所有样本块都被检测为负样本为止,得到最终路面阴影区域车辆检测模型M1;
所述路面非阴影区域车辆检测模型的构建过程如下:
B1:从训练影像中提取路面非阴影区域,并将路面非阴影区域中若干存在车辆的图像块和不存在车辆的图像块分别作为车辆正样本集合P和车辆负样本集合N;
其余步骤参照A2-A5进行,获得最终的路面非阴影区域车辆检测模型M2;
步骤2:利用步骤1获得的车辆检测模型进行车辆检测;
步骤2.1:根据待检测的遥感影像的空间分辨率,设定滑动窗口的大小为m*m;
步骤2.2:对待检测的遥感影像提取路面阴影区域,利用滑动窗口在待检测的遥感影像上按照设定步长逐行滑动,提取窗口图像,判断每个窗口图像是否属于路面阴影区域,并获取每个窗口图像W的HOG特征f;
步骤2.3:利用车辆检测模型和每个窗口图像的HOG特征做卷积,按照以下公式计算每个窗口图像的置信值score:
步骤2.4:将待检测的遥感影像中每个窗口图像的置信值大于0的图像区域判定为车辆所在区域,否则,判定为路面区域,得到车辆检测结果。
2.根据权利要求1所述的方法,其特征在于,从遥感影像中提取路面阴影区域的步骤如下:
步骤A:影像道路提取
利用已有GIS中的面状道路信息与遥感影像上的对应区域进行逻辑“与”运算,得到影像道路区域;
步骤B:路面内阴影区域提取
利用基于颜色特征的阴影检测方法提取路面内的阴影区域:
①计算原始遥感影像的四个特征分量F1-F4,得到四幅特征影像:
F1=H;F2=B;F3=G-B;F4=I-S
其中,H,S,I分别表示HSI颜色空间的色调、色饱和度和亮度分量;R,G,B分别表示RGB颜色空间的红色、绿色和蓝色通道。
②对得到的四幅特征影像分别进行Otsu阈值分割,得到四幅候选阴影图像I1-I4,再将四幅候选阴影图像求交集,得到阴影图像I,即I=I1∩I2∩I3∩I4。
③对阴影图像I进行形态学开闭运算,得到阴影二值图,原始遥感影像上与阴影二值图相对应的区域为路面阴影区域。
3.根据权利要求2所述的方法,其特征在于,对路面阴影区域进行直方图均衡化增强处理。
4.根据权利要求1-3任一项所述的方法,其特征在于,对所述车辆正样本集合P中的每个样本依次按照90°、180°、270°三个方向旋转,得到每个样本在三个旋转方向的样本,以原始样本及旋转方向样本构建新的车辆正样本集合。
5.根据权利要求4所述的方法,其特征在于,对车辆检测结果进行非极大值抑制处理,阈值设置为10%,去除重复检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510757973.4A CN105389556B (zh) | 2015-11-10 | 2015-11-10 | 一种顾及阴影区域的高分辨率遥感影像车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510757973.4A CN105389556B (zh) | 2015-11-10 | 2015-11-10 | 一种顾及阴影区域的高分辨率遥感影像车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105389556A true CN105389556A (zh) | 2016-03-09 |
CN105389556B CN105389556B (zh) | 2018-07-17 |
Family
ID=55421828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510757973.4A Active CN105389556B (zh) | 2015-11-10 | 2015-11-10 | 一种顾及阴影区域的高分辨率遥感影像车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105389556B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407895A (zh) * | 2016-08-30 | 2017-02-15 | 天津天地伟业数码科技有限公司 | 基于图像灰度和Lab色彩空间的车辆阴影检测算法 |
CN106485715A (zh) * | 2016-09-09 | 2017-03-08 | 电子科技大学成都研究院 | 一种非结构化道路识别方法 |
CN107016692A (zh) * | 2017-03-24 | 2017-08-04 | 南京航空航天大学 | 一种基于计算机视觉的运动阴影检测方法 |
CN107392890A (zh) * | 2017-06-20 | 2017-11-24 | 华南理工大学 | 一种fpc铜线表面氧化缺陷检测方法及其检测系统 |
CN108399747A (zh) * | 2018-03-07 | 2018-08-14 | 哈尔滨工业大学深圳研究生院 | 基于卡尔曼滤波融合的交通流车辆密度参数估计方法 |
CN109410190A (zh) * | 2018-10-15 | 2019-03-01 | 广东电网有限责任公司 | 基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法 |
CN109799905A (zh) * | 2018-12-28 | 2019-05-24 | 深圳云天励飞技术有限公司 | 一种手部跟踪方法和广告机 |
CN110619278A (zh) * | 2019-08-22 | 2019-12-27 | 南京理工大学 | 基于阴影的高速公路车辆检测方法 |
CN111462221A (zh) * | 2020-04-03 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 待侦测物体阴影面积提取方法、装置、设备及存储介质 |
CN114998770A (zh) * | 2022-07-06 | 2022-09-02 | 中国科学院地理科学与资源研究所 | 一种公路标识提取方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739560A (zh) * | 2009-12-16 | 2010-06-16 | 东南大学 | 基于边缘和骨架信息的车辆阴影消除方法 |
US20120148094A1 (en) * | 2010-12-09 | 2012-06-14 | Chung-Hsien Huang | Image based detecting system and method for traffic parameters and computer program product thereof |
CN102938057A (zh) * | 2012-10-19 | 2013-02-20 | 株洲南车时代电气股份有限公司 | 一种车辆阴影消除方法及装置 |
KR20140000402A (ko) * | 2012-06-22 | 2014-01-03 | 경북대학교 산학협력단 | 스테레오 카메라를 이용한 차량 검지 방법 및 장치 |
CN104299210A (zh) * | 2014-09-23 | 2015-01-21 | 同济大学 | 基于多特征融合的车辆阴影消除方法 |
-
2015
- 2015-11-10 CN CN201510757973.4A patent/CN105389556B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739560A (zh) * | 2009-12-16 | 2010-06-16 | 东南大学 | 基于边缘和骨架信息的车辆阴影消除方法 |
US20120148094A1 (en) * | 2010-12-09 | 2012-06-14 | Chung-Hsien Huang | Image based detecting system and method for traffic parameters and computer program product thereof |
KR20140000402A (ko) * | 2012-06-22 | 2014-01-03 | 경북대학교 산학협력단 | 스테레오 카메라를 이용한 차량 검지 방법 및 장치 |
CN102938057A (zh) * | 2012-10-19 | 2013-02-20 | 株洲南车时代电气股份有限公司 | 一种车辆阴影消除方法及装置 |
CN104299210A (zh) * | 2014-09-23 | 2015-01-21 | 同济大学 | 基于多特征融合的车辆阴影消除方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407895A (zh) * | 2016-08-30 | 2017-02-15 | 天津天地伟业数码科技有限公司 | 基于图像灰度和Lab色彩空间的车辆阴影检测算法 |
CN106485715A (zh) * | 2016-09-09 | 2017-03-08 | 电子科技大学成都研究院 | 一种非结构化道路识别方法 |
CN107016692B (zh) * | 2017-03-24 | 2019-09-27 | 南京航空航天大学 | 一种基于计算机视觉的运动阴影检测方法 |
CN107016692A (zh) * | 2017-03-24 | 2017-08-04 | 南京航空航天大学 | 一种基于计算机视觉的运动阴影检测方法 |
CN107392890B (zh) * | 2017-06-20 | 2020-05-19 | 华南理工大学 | 一种fpc铜线表面氧化缺陷检测方法及其检测系统 |
CN107392890A (zh) * | 2017-06-20 | 2017-11-24 | 华南理工大学 | 一种fpc铜线表面氧化缺陷检测方法及其检测系统 |
CN108399747A (zh) * | 2018-03-07 | 2018-08-14 | 哈尔滨工业大学深圳研究生院 | 基于卡尔曼滤波融合的交通流车辆密度参数估计方法 |
CN109410190A (zh) * | 2018-10-15 | 2019-03-01 | 广东电网有限责任公司 | 基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法 |
CN109410190B (zh) * | 2018-10-15 | 2022-04-29 | 广东电网有限责任公司 | 基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法 |
CN109799905A (zh) * | 2018-12-28 | 2019-05-24 | 深圳云天励飞技术有限公司 | 一种手部跟踪方法和广告机 |
CN110619278A (zh) * | 2019-08-22 | 2019-12-27 | 南京理工大学 | 基于阴影的高速公路车辆检测方法 |
CN110619278B (zh) * | 2019-08-22 | 2022-09-27 | 南京理工大学 | 基于阴影的高速公路车辆检测方法 |
CN111462221A (zh) * | 2020-04-03 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 待侦测物体阴影面积提取方法、装置、设备及存储介质 |
CN114998770A (zh) * | 2022-07-06 | 2022-09-02 | 中国科学院地理科学与资源研究所 | 一种公路标识提取方法及系统 |
CN114998770B (zh) * | 2022-07-06 | 2023-04-07 | 中国科学院地理科学与资源研究所 | 一种公路标识提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105389556B (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105389556A (zh) | 一种顾及阴影区域的高分辨率遥感影像车辆检测方法 | |
CN107133974B (zh) | 高斯背景建模与循环神经网络相结合的车型分类方法 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN109190444B (zh) | 一种基于视频的收费车道车辆特征识别系统的实现方法 | |
CN103034836B (zh) | 道路标志检测方法和道路标志检测设备 | |
CN109284669A (zh) | 基于Mask RCNN的行人检测方法 | |
CN104992177A (zh) | 基于深层卷积神经网络的网络色情图像检测方法 | |
CN106599792B (zh) | 一种手部驾驶违规行为的检测方法 | |
CN103034863B (zh) | 一种结合核Fisher与多尺度提取的遥感影像道路获取方法 | |
CN109670515A (zh) | 一种用于无人机影像中建筑物变化的检测方法及系统 | |
CN104298969B (zh) | 基于颜色与haar特征融合的人群规模统计方法 | |
CN104050481B (zh) | 多模板轮廓特征和灰度相结合的红外图像实时行人检测 | |
CN104766344B (zh) | 基于运动边缘提取器的车辆检测方法 | |
CN106650731A (zh) | 一种鲁棒的车牌、车标识别方法 | |
CN101968924A (zh) | 基于高分辨率图像的车流量实时检测方法 | |
CN105447503A (zh) | 基于稀疏表示lbp和hog融合的行人检测方法 | |
CN110008900B (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
Yang et al. | A vehicle license plate recognition system based on fixed color collocation | |
Azad et al. | A novel and robust method for automatic license plate recognition system based on pattern recognition | |
CN108090459A (zh) | 一种适用于车载视觉系统的交通标志检测识别方法 | |
CN113537211B (zh) | 一种基于非对称iou的深度学习车牌框定位方法 | |
CN108648210B (zh) | 一种静态复杂场景下快速多目标检测方法及装置 | |
CN104318537B (zh) | 大雨场景视频数据中雨滴的检测和去除方法及系统 | |
CN104299214B (zh) | 小雨场景视频数据中雨滴的检测与去除方法和系统 | |
CN108509950A (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 |
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 |