CN105453153A - 交通灯检测 - Google Patents
交通灯检测 Download PDFInfo
- Publication number
- CN105453153A CN105453153A CN201380078944.4A CN201380078944A CN105453153A CN 105453153 A CN105453153 A CN 105453153A CN 201380078944 A CN201380078944 A CN 201380078944A CN 105453153 A CN105453153 A CN 105453153A
- Authority
- CN
- China
- Prior art keywords
- pixel
- component
- response value
- value
- candidate
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/09623—Systems involving the acquisition of information from passive traffic signs by means mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Abstract
提供一种用于交通灯检测的方法和系统。该方法可以包括:获取颜色图像;分别地计算所述颜色图像的像素的像素响应值,其中可以直接地使用对应像素的R、G和B值来计算每一个所述像素响应值,以使红色交通灯像素的像素响应值基本上分布在预定范围的第一侧上,以及绿色交通灯像素的像素响应值基本上分布在所述预定范围的第二侧上,所述第二侧位于所述第一侧相反的一侧;将其像素响应值分布在所述第一侧或所述第二侧上的像素识别为候选像素;基于所述候选像素来识别候选块;以及验证所述候选块是否是交通灯。效率和可靠性可以得到提高。
Description
技术领域
本发明公开一般涉及交通灯检测。
背景技术
交通灯检测越来越广泛地应用于驾驶辅助系统。在一些常规方法中,基于颜色分割和模板匹配来检测交通灯。
发明内容
根据一个实施方案,提供一种用于交通灯检测的方法。该方法可以包括:获取颜色图像,其中,所述颜色图像为彩色颜色图像,即彩色图像;分别地计算所述颜色图像的像素的像素响应值,其中可以直接地使用对应像素的R、G和B值来计算每一个所述像素响应值,以使红色交通灯像素的像素响应值基本上分布在预定范围的第一侧上,以及绿色交通灯像素的像素响应值基本上分布在所述预定范围的第二侧上,所述第二侧位于所述第一侧相反的一侧;将其像素响应值分布在所述第一侧或所述第二侧上的像素识别为候选像素;基于所述候选像素来识别候选块;以及验证所述候选块是否是交通灯。
在一些实施方案中,红色交通灯像素和绿色交通灯像素以外的像素的像素响应值基本上分布在所述预定范围内。
在一些实施方案中,可以基于对应像素的第一分量和第二分量相乘来计算每一个所述像素响应值,其中所述第一分量可以指示所述像素响应值的趋势,以及所述第二分量能够在所述趋势偏向所述第一侧或所述第二侧的情况下放大所述趋势。
在一些实施方案中,可以基于第三、第四和第五分量之和来计算所述第一分量,所述第三、第四和第五分量分别基于对应像素的R、G和B值,其中所述第三分量可以具有第一符号,以及所述第四和第五分量可以具有与所述第一符号相反的第二符号。
在一些实施方案中,所述第三分量可以是k1*R,所述第四分量可以是-k2*G,以及所述第五分量可以是-k3*B,其中k1、k2和k3设为使得如果对应像素是红色交通灯像素,则所述趋势基本上偏向所述第一侧,以及如果对应像素是绿色交通灯像素,则所述趋势基本上偏向所述第二侧。
在一些实施方案中,可以基于第六和第七分量之和来计算所述第二分量,所述第六和第七分量分别基于对应像素的R和G值,其中所述第六和所述第七分量具有相同的符号。
在一些实施方案中,所述第六分量可以是k4*R以及所述第七分量可以是k5*G,其中k4和k5设为使得如果对应像素是红色交通灯像素,则像素响应值基本上位于所述第一侧,以及如果对应像素是绿色交通灯像素,则像素响应值基本上位于所述第二侧。
在一些实施方案中,所述第一分量可以是因此,基于所述第一分量是正值还是负值,可以方便地确定所述像素更可能是红色交通灯像素还是绿色交通灯像素。再者,所述第一分量的绝对值越大,则所述像素越可能会是交通灯像素。
在一些实施方案中,识别所述候选块可以包括:基于所述候选像素识别第一组块;以及从所述第一组块中识别所述候选块,其中所述第一组块中每一个可以基于其像素及其周围像素的像素响应值来确定为是否是所述候选块的成员,从而可以进一步减少误报。
在一些实施方案中,可以使用连通的分量标记来识别所述第一组块。
在一些实施方案中,可以基于所述第一组块的概率值来识别所述候选块,其中每个概率值可以按如下步骤来计算:定义所述第一组块的对应块的自我(ego)分段,其自我分段可以基本上包含所述对应块;基于所述自我分段内的像素的像素响应值来计算自我分段响应值;定义预定数量的周边分段,每个周边分段部分地叠加于所述自我分段;计算所述周边分段中每一个的周边分段响应值,其中每个周边分段响应值可以基于对应周边分段内的像素的像素响应值来计算;以及基于所述自我分段响应值和所述预定数量的周边分段响应值来计算所述概率值。
在一些实施方案中,所述周边分段中每一个可以具有与所述自我分段相同的尺寸和形状。
在一些实施方案中,所述对应块的概率值可以基于如下公式来计算:
其中pv表示对应块的概率值,η表示自我分段响应值,ηk表示第k个周边分段的周边分段响应值,以及n是预定数量。
在一些实施方案中,识别所述候选块还可以包括:从所述第一组块识别第二组块,其中所述候选块是从所述第二组块中识别的,其中所述第一组块中每一个可以基于其对应自我分段响应值和其像素的像素响应值来确定为是否是所述第二组块的成员。在一些实施方案中,如果所述第一组的块的自我分段响应值位于所述预定范围中与所述块内的像素的像素响应值相同的一侧,则可以将所述块确定为所述第二组块的成员。误报可以进一步减少。此外,可以免除针对这些误报的后续计算,包括为这些块定义周边分段、计算周边分段响应值、计算概率值等,这可以提高效率。
在一些实施方案中,该方法还可以包括:基于至少一个几何参数从所述第一组块中识别第三组块,其中所述第二组块可以是从所述第三组块中识别的。
在一些实施方案中,所述至少一个几何参数可以包括尺寸参数。因此,所述第一组块中具有太大尺寸的块不大可能是交通灯,可以被过滤掉。
在一些实施方案中,所述至少一个几何参数可以包括形状参数。因此,所述第一组块中不大可能具有圆形形状的块可以被过滤掉。
在一些实施方案中,验证所述候选块是否是交通灯可以包括:利用级联检测器验证所述候选块以获取第一验证的区域;以及利用支持矢量机(SVM)来验证所述第一验证的区域。如果候选块均通过所述级联检测器和所述SVM的验证,则可以在所述区域中检测到交通灯。
根据一个实施方案,提供一种用于交通灯检测的系统。所述系统可以包括处理装置,所述处理装置配置成:获取颜色图像;分别计算所述颜色图像的像素的像素响应值,其中可以直接地使用对应像素的R、G和B值来计算每一个所述像素响应值,以使红色交通灯像素的像素响应值基本上分布在预定范围的第一侧上,以及绿色交通灯像素的像素响应值基本上分布在所述预定范围的第二侧上,所述第二侧位于所述第一侧相反的一侧;将其像素响应值分布在所述第一侧或所述第二侧上的像素识别为候选像素;基于所述候选像素来识别候选块;以及验证所述候选块是否是交通灯。
在一些实施方案中,基于该计算,红色交通灯像素和绿色交通灯像素以外的像素的像素响应值基本上分布在所述预定范围内。
在一些实施方案中,该处理装置可以配置成基于对应像素的第一分量和第二分量相乘来计算每一个所述像素响应值,其中所述第一分量可以指示所述像素响应值的趋势,以及所述第二分量能够在所述趋势偏向所述第一侧或所述第二侧的情况下放大所述趋势。
在一些实施方案中,可以基于第三、第四和第五分量之和来计算所述第一分量,所述第三、第四和第五分量分别基于对应像素的R、G和B值,其中所述第三分量可以具有第一符号,以及所述第四和第五分量可以具有与所述第一符号相反的第二符号。
在一些实施方案中,所述第三分量可以是k1*R,所述第四分量可以是-k2*G,以及所述第五分量可以是-k3*B,其中k1、k2和k3设为使得如果对应像素是红色交通灯像素,则所述趋势基本上偏向所述第一侧,以及如果对应像素是绿色交通灯像素,则所述趋势基本上偏向所述第二侧。
在一些实施方案中,可以基于第六和第七分量之和来计算所述第二分量,所述第六和第七分量分别基于对应像素的R和G值,其中所述第六和所述第七分量具有相同的符号。
在一些实施方案中,所述第六分量可以是k4*R以及所述第七分量可以是k5*G,其中k4和k5设为使得如果对应像素是红色交通灯像素,则像素响应值基本上位于所述第一侧,以及如果对应像素是绿色交通灯像素,则像素响应值基本上位于所述第二侧。
在一些实施方案中,所述第一分量可以是
在一些实施方案中,该处理装置可以配置成:基于所述候选像素识别第一组块;以及从所述第一组块中识别所述候选块,其中可以基于所述第一组块的像素及其周围像素的像素响应值来确定每一个所述第一组块是否是所述候选块的成员。
在一些实施方案中,该处理装置可以配置成使用连通的分量标记来识别第一组块。
在一些实施方案中,该处理装置可以配置成基于定义组块的概率值从第一组块中识别候选块,其中每个概率值可以按如下步骤来计算:定义所述第一组块的对应块的自我分段,其自我分段可以基本上包含所述对应块;基于所述自我分段内的像素的像素响应值来计算自我分段响应值;定义预定数量的周边分段,每个周边分段部分地叠加于所述自我分段;计算所述周边分段中每一个的周边分段响应值,其中每个周边分段响应值可以基于对应周边分段内的像素的像素响应值来计算;以及基于所述自我分段响应值和所述预定数量的周边分段响应值来计算所述概率值。
在一些实施方案中,所述周边分段中每一个可以具有与所述自我分段相同的尺寸和形状。
在一些实施方案中,所述对应块的概率值可以基于如下公式来计算:
其中pv表示对应块的概率值,η表示自我分段响应值,ηk表示第k个周边分段的周边分段响应值,以及n是预定数量。
在一些实施方案中,该处理装置还可以配置成:从所述第一组块识别第二组块,其中所述候选块是从所述第二组块中识别的,其中所述第一组块中每一个可以基于其对应自我分段响应值和其像素的像素响应值来确定为是否是所述第二组块的成员。在一些实施方案中,如果所述第一组的块的自我分段响应值位于所述预定范围中与所述块内的像素的像素响应值相同的一侧,则可以将所述块确定为所述第二组块的成员。
在一些实施方案中,该处理装置还可以配置成:基于至少一个几何参数从所述第一组块中识别第三组块,其中所述第二组块可以是从所述第三组块中识别的。
在一些实施方案中,所述至少一个几何参数可以是尺寸参数。
在一些实施方案中,所述至少一个几何参数可以是形状参数。
在一些实施方案中,该处理装置可以配置成通过如下步骤来验证所述候选块是否是交通灯:利用级联检测器验证所述候选块以获取第一验证的区域,以及利用支持矢量机(SVM)来验证所述第一验证的区域。
根据一个实施方案,提供一种用于交通灯检测的系统。该系统可以包括:用于分别地计算颜色图像的像素的像素响应值的部件,其中可以直接地使用对应像素的R、G和B值来计算每一个所述像素响应值,以使红色交通灯像素的像素响应值基本上分布在预定范围的第一侧上,以及绿色交通灯像素的像素响应值基本上分布在所述预定范围的第二侧上,所述第二侧位于所述第一侧相反的一侧;用于将其像素响应值分布在所述第一侧或所述第二侧上的像素识别为候选像素的部件;用于基于所述候选像素来识别候选块的部件;以及用于验证所述候选块是否是交通灯的部件。
根据一个实施方案,提供一种包含用于交通灯检测的计算机程序的非瞬态计算机可读介质。当该计算机程序被处理器执行时,它将指令处理器执行如下步骤:分别计算颜色图像的像素的像素响应值,其中可以直接地使用对应像素的R、G和B值来计算每一个所述像素响应值,以使红色交通灯像素的像素响应值基本上分布在预定范围的第一侧上,以及绿色交通灯像素的像素响应值基本上分布在所述预定范围的第二侧上,所述第二侧位于所述第一侧相反的一侧;将其像素响应值分布在所述第一侧或所述第二侧上的像素识别为候选像素;基于所述候选像素来识别候选块;以及验证所述候选块是否是交通灯。
附图说明
结合附图,根据下文描述和所附权利要求,将更充分地显见到本发明公开的前文和其他特征。要理解的是这些附图仅说明根据本发明公开的若干实施方案,因此这些附图不应视为其保护范围的限制,本发明公开将通过利用附图的附加特质和细节来予以描述。
图1以示意图形式图示根据一个实施方案的用于交通灯检测的方法的流程图;
图2图示安装在车辆上的摄像头捕获的示例颜色图像;
图3图示图2的颜色图像的上部分;
图4以示意图形式图示图3中像素的像素响应值;
图5以示意图形式图示图3的颜色图像中的候选像素;
图6以示意图形式图示第一组块的第一示例块及其最小封闭形状;
图7以示意图形式图示根据一个实施方案的用于从第二组块中识别候选块的过程;
图8以示意图形式图示第二组块的第二示例块及其自我分段和周边分段;
图9图示图2的颜色图像中与候选块对应的矩形区域;以及
图10图示图2的颜色图像中检测到的交通灯。
具体实施方式
在下文详细描述中,参考构成描述的一部分的附图。在附图中,除非上下文中另行指示,否则相似的符号典型地标识相似的组件。详细描述、附图和权利要求中描述的说明性实施方案无意作为限制。可以采用其他实施方案,以及可以进行其他更改,而不会背离本文提供的发明主题的精神或范围。将容易地理解,本发明公开的多个方面,如本文概述的和附图图示的,可以采用范围广泛的多种不同配置来安排、替代、组合和设计,所有这些显性地可设想到且构成本发明公开的一部分。
交通灯检测可以基于图像处理技术。图像上交通灯的候选可能需要经验证是否是真的交通灯。通常情况下,可以使用如级联检测器或支持向量机的交通灯分类器来实现此类验证,这可能导致大量计算工作负荷。因此,为了提高交通灯检测的效率和可靠性,在验证之前,需要尽可能多地将颜色图像中不可能是交通灯的分段过滤掉,同时应该确保颜色图像中可能是交通灯的分段可以不被过滤掉。其中,所述颜色图像为彩色颜色图像,即彩色图像。效率与可靠性之间的平衡是交通灯检测中的主要关注点。
图1以示意图形式图示根据一个实施方案的用于交通灯检测的方法100的流程图。
参考图1,在S101中,获取颜色图像。
在一些实施方案中,可以由摄像头捕获颜色图像。在一些实施方案中,摄像头可以安装在车辆上。在一些实施方案中,可以在均匀间隔的时间点上捕获颜色图像,并且可以连续地逐个处理这些颜色图像。
图2图示安装在车辆上的摄像头捕获的示例颜色图像。颜色图像是在十字路口处予以捕获。从颜色图像可以看到,在十字路口处,许多物体可能具有与交通灯接近的颜色,如树木、汽车尾灯、广告牌灯、红色或绿色徽标,通过常规交通灯分类器进行验证之后,这些可能是误报。可能需要尽可能多地过滤掉这些误报。
在一些实施方案中,可以移除颜色图像的较低部分来提高效率,因为一般交通灯可能不会出现在较低部分中。由此,保留颜色图像的其余较上方部分以用于后续处理。图3图示图2的颜色图像的较上方部分。应该注意,移除颜色图像的较低部分可以是可选的。
在S103中,直接使用颜色图像的较上方部分的像素的R、G和B值来计算这些像素的像素响应值。
基于该计算,红色交通灯像素和绿色交通灯像素以外的像素的像素响应值可以基本上分布在预定范围中,红色交通灯像素的像素响应值可以基本上分布在该预定范围的第一侧上,以及绿色交通灯像素的像素响应值可以基本上分布在该预定范围的第二侧上,其中第二侧位于与第一侧相反的一侧。
在一些实施方案中,每个像素响应值可以基于对应像素的两个分量来计算,其中第一分量可以指示对应像素更可能是绿色交通灯像素、红色交通灯像素还是交通灯以外的像素的趋势,即,偏向第一侧、第二侧或预定范围的趋势;以及如果该趋势基本上偏向第一侧或第二侧,则第二分量能够放大该趋势。在一些实施方案中,像素响应值可以基于第一分量和第二分量相乘来计算。
通常,交通灯像素,无论是红色还是绿色,与其他物体相比应该在某个颜色通道值是突出的。例如,红色交通灯像素可以具有相对较高红色通道(R)值,但是非常低绿色通道(G)值和蓝色通道(B)值;而绿色交通灯像素可以具有相对较高G值和B值,但是非常低的R值。交通灯像素以外的像素可以具有彼此较为接近的R、G和B值。因此,R、G和B值可以用于分离红色交通灯像素、绿色交通灯像素和其他物体的像素,从而能够用于计算第一分量。
在一些实施方案中,可以基于第三、第四和第五分量之和来计算第一分量,所述第三、第四和第五分量分别基于对应像素的R、G和B值,其中第三分量可以具有第一符号,以及第四和第五分量可以具有与第一符号相反的第二符号。由此,红色交通灯像素和绿色交通灯像素的第一分量可以偏向于相反的两端。
在一些实施方案中,第三分量可以是k1*R,第四分量可以是-k2*G,以及第五分量可以是-k3*B,其中k1、k2和k3设为使得如果对应像素是红色交通灯像素,则趋势基本上偏向第一侧,以及如果对应像素是绿色交通灯像素,则趋势基本上偏向第二侧。权重因子k1、k2和k3可以基于环境光、摄像头参数等来予以调整。
在一些实施方案中,第一分量可以是因此,基于第一分量是正值还是负值,可以方便地确定所述像素更可能是红色交通灯像素还是绿色交通灯像素。再者,第一分量的绝对值越大,则所述像素越可能会是交通灯像素。
第二分量可以用于将红色交通灯像素的像素响应值与绿色交通灯像素的像素响应值之间的差异放大。如果此差异被增大,则该方法可以更具稳健性。通常,交通灯像素,无论是红色还是绿色,不仅在交通灯颜色上是纯色的,而且具有相对较高的亮度。因此,在一些实施方案中,第二分量可以表示对应像素的亮度,这是一种放大趋势的适合方式。由此,可以过滤掉红色或绿色但是暗色的物体,如树叶。正如本领域技术人员公知的,像素的亮度可以与R、G和B值高度相关。因此,第二分量还可以使用R、G和B值来表示。
在一些实施方案中,可以基于第六和第七分量之和来计算第二分量,所述第六和第七分量分别基于对应像素的R和G值,其中第六和第七分量具有相同的符号。
在一些实施方案中,第六分量可以是k4*R以及第七分量可以是k5*G,其中k4和k5设为使得如果对应像素是红色交通灯像素,则像素响应值基本上位于第一侧上,以及如果对应像素是绿色交通灯像素,则像素响应值基本上位于第二侧上。
在一个示例中,对应像素的像素响应值基于如下公式(1)来计算:
其中pr表示像素响应值,R、G和B分别表示对应像素的R、G和B值。
基于公式(1),可以得出结论,红色交通灯像素的像素响应值可以是较大的正值,绿色交通灯像素的像素响应值可以是较大的负值,以及交通灯以外的物体的像素响应值可以具有相对较小的绝对值。图4以示意图形式图示基于公式(1)计算的图3中的像素的像素响应值。在图4中,将像素响应值转换成灰度级。从图4可以看出,红色交通灯像素相对较亮,而绿色交通灯像素相对较暗。应该注意,图4仅是为了说明。在实践过程中,无需形成图像以用于图示像素响应值。
在S105中,基于计算的像素响应值来识别候选像素。
红色交通灯像素的像素响应值、绿色交通灯像素的像素响应值以及其他像素的像素响应值可以分布成分割的范围。因此,可以基于像素响应值来识别红色交通灯或绿色交通灯的候选像素。
在一个示例中,像素响应值是基于公式(1)来计算的且归一化为[0,1]。在该示例中,像素响应值在从-0.25到0.375的预定范围内的像素被识别为交通灯以外的像素,像素响应值在该预定范围的第一侧,即,大于0.375的像素被识别为红色交通灯候选像素,以及像素响应值在该预定范围的第二侧,即,小于-0.25的像素被识别为绿色交通灯候选像素。该特定范围仅是一个示例,并且可以基于摄像头参数等予以调整。
图5以示意图形式图示图3的颜色图像中的候选像素。如图5所示,红色交通灯候选像素和绿色交通灯候选像素被标记。应该注意,图5仅是为了说明而给出的。在实践过程中,无需获取如图5那样的图像以可视化地显示候选像素。
在S107中,基于候选像素识别第一组块。
在一些实施方案中,可以使用连通的分量标记来识别所述第一组块。所述第一组块可以包含基于要接受红色交通灯检测的红色交通灯候选像素来识别的块,以及基于要接受绿色交通灯检测的绿色交通灯候选像素来识别的块。在红色交通灯检测和绿色交通灯检测的后续过程可以并行地或顺序地执行。下文中,作为示例,将红色交通灯检测与绿色交通灯检测并行地执行。
应该注意,可以取第一组块作为候选块来使用交通灯检测器或分类器进行验证。但是,在一些实施方案中,可以进一步将第一组块中的误报过滤掉,以便可以减少候选块的验证,其通常占用大多数计算资源。下文给出进一步过滤掉误报的示例。
在S109中,基于至少一个几何参数从第一组块中识别第二组块。
为了减少计算工作负荷,可以使用基于至少一个几何参数的块分析来基于其形状和/或尺寸过滤掉不可能是交通灯的一些块。对应地,可以将其余块识别为第二组块。
可以在块分析中定义分别包含第一组的块的最小封闭形状可以以便有助于分析。图6以示意图形式图示第一组块的第一示例块及其最小封闭形状。在一些实施方案中,最小封闭形状可以是矩形。
在一些实施方案中,所述至少一个几何参数可以是像素数量。例如,如果第一示例块具有大于255的像素数量,则可以将其过滤掉,因为交通灯应该不会太大。应该注意,该标准的特定值可以基于如图像分辨率的因素而进行改动。当图像分辨率是720*480时,上面提出的数量255可能是适合的。此标准的适合值可以随图像分辨率的增大或减小而增大或减小。
在一些实施方案中,所述至少一个几何参数可以是块的宽度或高度。在一些实施方案中,可以取最小封闭形状的宽度和高度作为第一示例块的宽度和高度,以及如果该第一示例块具有大于24的宽度或高度,则可以将其过滤掉。应该注意,宽度或高度标准的值也可以随图像分辨率而改变。
在一些实施方案中,所述至少一个几何参数可以是宽高比。因为通常交通灯应该是圆形的,所以其对应的块可以具有接近正方形的最小封闭矩形。例如,如果第一示例块具有超出从约0.5到2的范围的宽高比,则可以将其过滤掉。
可以将上文描述的几何参数个别地或一起用作块分析的标准。应该注意,上文描述的数值仅是示例,并且可以根据特定情形和或摄像头参数予以调整。
在S111中,基于所述第二组块中和周围像素的像素响应值从所述第二组块中识别候选块。
可以基于第二组的每个块的像素以及其周围像素的像素响应值确定其是否为候选块的成员。误报可以被减少,因为通常交通灯不仅应该明亮且交通灯颜色本身是纯色的,而且在其局部周围中是突显的,这意味着交通灯块在像素响应值上可能是突出的。
图7以示意图形式图示根据一个实施方案的用于从第二组块中识别候选块的过程200的流程图。
参考图7,在S201中,定义所述第二组块中的第二示例块的自我分段。
自我分段可以基本上包含第二示例块。在一些实施方案中,自我分段可以是第二示例块的最小封闭矩形。
在一些实施方案中,最小封闭矩形是在S109中的块分析期间定义的,所以可以免除S201。
在S203中,计算自我分段响应值。
自我分段响应值可以基于自我分段中像素的像素响应值之和来计算。在一些实施方案中,自我块响应可以基于如下公式(2)来计算:
其中η表示自我分段响应值,pr(x,y)表示自我分段中具有图像坐标(x,y)的像素的像素响应值,ym和yn分别表示自我分段在y轴上的最高和最低坐标,以及xi和xj分别表示自我分段在x轴上的最左边和最右边坐标。
在一些实施方案中,在计算自我分段响应值之后,可以确定第二示例块是否是误报。确切地来说,如果自我分段响应值和第二示例块中的像素的像素响应值不在所述预定范围的相同一侧,则可以过滤掉该第二示例块。因此,可以进一步过滤掉误报,尤其对于如红色和或绿色人物、徽标等的一些物体,这些物体可能具有极端像素响应值且在块分析中几乎不会被过滤掉。此外,可以免除针对这些误报的后续计算。
在S205中,定义预定数量的周边分段,每个周边分段可以与自我分段重叠。
有多种方式定义周边分段。在一些实施方案中,这些周边分段中每一个可以具有与自我分段相同的尺寸和形状。
图8以示意图形式图示第二示例块及其自我分段和周边分段的示例。如图8所示,最小封闭矩形(以粗线划定窗口的),其定义为第二示例块的自我分段。形状和尺寸与最小封闭矩形相同的8个矩形定义为周边分段。确切地来说,c0至c8是自我分段和周边分段的中心点。8个周边分段是a1a3c0a15、a2a4c4c8、a3a5a7c0、c2a6a8c6、c0a7a9a11、c8c4a10a12、a15c0a11a13和a16c2c6a14。
在S207中,计算周边分段响应值。
每个周边分段响应值可以基于对应周边分段中像素的像素响应值来计算。例如,可以计算像素响应值之和。
在一些实施方案中,可以基于第二示例块的自我分段响应值和周边分段响应值来确定第二示例块是否是误报。例如,如果像素响应值基于上文公式(1)来计算,则在其像素是红色交通灯像素的情况下,第二示例块的自我分段响应值应该大于任何其周边分段响应值,且反之亦然,否则可以将第二示例块过滤掉。
在S209中,基于第二示例块的自我分段响应值和周边分段响应值来计算第二示例块的概率值。
在一些实施方案中,第二示例块的概率值可以基于如下公式(3)来计算:
其中pv表示对应块的概率值,η表示自我分段响应值,ηk表示第k个周边块的周边分段响应值,以及n是预定数量。
可以得出结论,该概率值越大,第二示例块越可能表示交通灯。
在S211中,基于S201至S209,计算第二组块中的其他块的概率值。
在S213中,选择预定数量的具有最大概率值的块作为候选块。
在一些实施方案中,基于概率值分别将红色交通灯和绿色交通灯的块降序排序,其中将红色交通灯的前20个块和绿色交通灯的前30个选为候选块。
以此方式,可以将相对较小数量的块选为候选块。误报可得以减少以及处理速度可得以提高。
再次参考图1,在S113中,验证候选块是否是交通灯。
使用如模板匹配、神经网络、支持向量机(SVM)、级联检测器等的交通灯检测器或分类器,可以确定与候选块对应的区域是否表示交通灯。在一些实施方案中,可以验证颜色图像中与候选块对应的区域。在一些实施方案中,可以验证从颜色图像转换的灰度级图像中与候选块对应的区域。如上文陈述,基于上文处理,可以剩余相对较小数量的候选块,从而同时地提高了可靠性和效率。
确切地来说,首先可以在颜色图像中将与候选块对应的区域分段。将区域分段可以基于候选块的位置、尺寸和类型以及交通灯模板来实现。在一些实施方案中,对于垂直安排的交通灯模板,红色交通灯的候选块应该位于对应区域的顶部,绿色交通灯的候选块应该位于对应区域的底部,以及对应区域可以具有等于或稍大于块宽度的宽度以及三倍于块高度的高度。对于水平安排的交通灯模板,红色交通灯的候选块应该位于对应区域的左边,绿色交通灯的候选块应该位于对应区域的右边底部,以及对应区域可以具有三倍于块宽度的宽度以及等于或稍大于块高度的高度。
在一些实施方案中,可以将对应区域扩大以确保它们能够覆盖颜色图像中的交通灯。例如,与第三组块中的候选块对应的矩形区域可以基于如下公式(4)来计算:
其中max(w,h)表示以像素数量测得的候选块的宽度与高度之间的较大值,cx和cy分别表示候选块的中心点的x和y坐标,left、right、top和bottom分别表示该矩形区域的四个侧边。
图9图示图2的颜色图像中与候选块对应的矩形区域。与红色和绿色交通灯的候选块对应的这些矩形区域被标记。从图9可以看出,误报仍可能存在。下文中,可以使用交通灯检测器或分类器来验证这些矩形区域。在一些实施方案中,交通灯检测器可以包括级联检测器或SVM。在一些实施方案中,级联检测器可以在SVM之前使用,因为SVM比级联检测器耗费更多时间。在一些实施方案中,在通过交通灯检测器进行验证之前,可以将颜色图像中的这些矩形区域转换成单色图像。基于该验证,可以确定颜色图像中是否有这样的区域,该区域对应于表示交通灯的候选块之一,并且可以将交通灯局部化处理(localized)。可以通过框定(framing)所识别的交通灯,如图10所示,以输出结果。
根据一个实施方案,提供一种用于交通灯检测的系统。该系统可以包括处理装置,所述处理装置配置成:获取颜色图像;直接使用颜色图像的较上方部分的像素的R、G和B值来计算这些像素的像素响应值;基于计算的像素响应值来识别候选像素;基于所述候选像素识别第一组块;基于至少一个几何参数从第一组块中识别第二组块;基于所述第二组块中和周围的像素的像素响应值从所述第二组块中识别候选块;以及验证所述候选块是否是交通灯。可以参考上文中的S101至S113来找到该处理装置的特定配置,本文未予以详细地图示。
根据一个实施方案,提供一种用于交通灯检测的系统。该系统可以包括:用于分别地计算颜色图像的像素的像素响应值的部件,其中可以直接地使用对应像素的R、G和B值来计算每一个所述像素响应值,以使红色交通灯像素的像素响应值基本上分布在预定范围的第一侧上,以及绿色交通灯像素的像素响应值基本上分布在所述预定范围的第二侧上,所述第二侧位于所述第一侧相反的一侧;用于将其像素响应值分布在所述第一侧或所述第二侧上的像素识别为候选像素的部件;用于基于所述候选像素来识别候选块的部件;以及用于验证所述候选块是否是交通灯的部件。
根据一个实施方案,提供一种包含用于交通灯检测的计算机程序的非瞬态计算机可读介质。当该计算机程序被处理器执行时,它将指令处理器执行如下步骤:分别计算颜色图像的像素的像素响应值,其中可以直接地使用对应像素的R、G和B值来计算每一个所述像素响应值,以使红色交通灯像素的像素响应值基本上分布在预定范围的第一侧上,以及绿色交通灯像素的像素响应值基本上分布在所述预定范围的第二侧上,所述第二侧位于所述第一侧相反的一侧;将其像素响应值分布在所述第一侧或所述第二侧上的像素识别为候选像素;基于所述候选像素来识别候选块;以及验证所述候选块是否是交通灯。
系统的多个方面的硬件实现和软件实现之间基本没有差异;使用硬件或软件一般是表示成本对效率的折衷的设计选择。例如,如果实现者确定速度和准确度是首选,则实现者可以选择主要为硬件和/或固件的车辆;如果灵活性是首选,则实现者可以选择主要为软件的实现;或者作为又一个备选,实现者可以选择硬件、软件和/或固件的某种组合。
虽然本文公开了多种方面和实施方案,但是本领域技术人员将显见到其他方面和实施方案。本文公开的多种方面和实施方案是出于说明的目的,而无意作为限制,真正的范围和精神由所附权利要求来指出。
Claims (17)
1.一种用于交通灯检测的方法,其包括:
获取颜色图像;
分别地计算所述颜色图像的像素的像素响应值,其中直接地使用对应像素的R、G和B值来计算每一个所述像素响应值,以使红色交通灯像素的像素响应值基本上分布在预定范围的第一侧上,以及绿色交通灯像素的像素响应值基本上分布在所述预定范围的第二侧上,所述第二侧位于所述第一侧相反的一侧;
将其像素响应值分布在所述第一侧或所述第二侧上的像素识别为候选像素;
基于所述候选像素来识别候选块;以及
验证所述候选块是否是交通灯。
2.如权利要求1所述的方法,其中红色交通灯像素和绿色交通灯像素以外的像素的像素响应值基本上分布在所述预定范围内。
3.如权利要求1所述的方法,其中基于对应像素的第一分量和第二分量相乘来计算每一个所述像素响应值,其中所述第一分量指示所述像素响应值的趋势,以及所述第二分量能够在所述趋势偏向所述第一侧或所述第二侧的情况下放大所述趋势。
4.如权利要求3所述的方法,其中基于第三、第四和第五分量之和来计算所述第一分量,所述第三、第四和第五分量分别基于对应像素的R、G和B值,其中所述第三分量具有第一符号,以及所述第四和第五分量具有与所述第一符号相反的第二符号。
5.如权利要求4所述的方法,其中所述第三分量是k1*R,所述第四分量是-k2*G,以及所述第五分量是-k3*B,其中k1、k2和k3设为使得如果所述对应像素是红色交通灯像素,则所述趋势基本上偏向所述第一侧,以及如果所述对应像素是绿色交通灯像素,则所述趋势基本上偏向所述第二侧。
6.如权利要求3所述的方法,其中基于第六和第七分量之和来计算所述第二分量,所述第六和第七分量分别基于对应像素的R和G值,其中所述第六和第七分量具有相同的符号。
7.如权利要求6所述的方法,其中所述第六分量是k4*R以及所述第七分量是k5*G,其中k4和k5设为使得如果所述对应像素是红色交通灯像素,则所述像素响应值基本上位于所述第一侧,以及如果所述对应像素是绿色交通灯像素,则所述像素响应值基本上位于所述第二侧。
8.如权利要求1所述的方法,其中基于所述候选像素来识别所述候选块包括:
基于所述候选像素识别第一组块;以及
从所述第一组块中识别所述候选块,其中基于所述第一组块的像素及其周围像素的像素响应值来确定每一个所述第一组块是否是所述候选块的成员。
9.一种用于交通灯检测的系统,所述系统包括处理装置,所述处理装置配置成:
获取颜色图像;
分别计算所述颜色图像的像素的像素响应值,其中直接地使用对应像素的R、G和B值来计算每一个所述像素响应值,以使红色交通灯像素的像素响应值基本上分布在预定范围的第一侧上,以及绿色交通灯像素的像素响应值基本上分布在所述预定范围的第二侧上,所述第二侧位于所述第一侧相反的一侧;
将其像素响应值分布在所述第一侧或所述第二侧上的像素识别为候选像素;
基于所述候选像素来识别候选块;以及
验证所述候选块是否是交通灯。
10.如权利要求9所述的系统,其中红色交通灯像素和绿色交通灯像素以外的像素的像素响应值基本上分布在所述预定范围内。
11.如权利要求9所述的系统,其中所述处理装置配置成基于对应像素的第一分量和第二分量相乘来计算每一个所述像素响应值,其中所述第一分量指示所述像素响应值的趋势,以及所述第二分量能够在所述趋势偏向所述第一侧或所述第二侧的情况下放大所述趋势。
12.如权利要求11所述的系统,其中基于第三、第四和第五分量之和来计算所述第一分量,所述第三、第四和第五分量分别基于对应像素的R、G和B值,其中所述第三分量具有第一符号,以及所述第四和第五分量具有与所述第一符号相反的第二符号。
13.如权利要求12所述的系统,其中所述第三分量是k1*R,所述第四分量是-k2*G,以及所述第五分量是-k3*B,其中k1、k2和k3设为使得如果所述对应像素是红色交通灯像素,则所述趋势基本上偏向所述第一侧,以及如果所述对应像素是绿色交通灯像素,则所述趋势基本上偏向所述第二侧。
14.如权利要求11所述的系统,其中基于第六和第七分量之和来计算所述第二分量,所述第六和第七分量分别基于对应像素的R和G值,其中所述第六和第七分量具有相同的符号。
15.如权利要求14所述的系统,其中所述第六分量是k4*R以及所述第七分量是k5*G,其中k4和k5设为使得如果所述对应像素是红色交通灯像素,则所述像素响应值基本上位于所述第一侧,以及如果所述对应像素是绿色交通灯像素,则所述像素响应值基本上位于所述第二侧。
16.如权利要求9所述的系统,其中所述处理装置配置成通过如下步骤来识别所述候选块:
基于所述候选像素识别第一组块;以及
从所述第一组块中识别所述候选块,其中基于所述第一组块的像素及其周围像素的像素响应值来确定每一个所述第一组块是否是所述候选块的成员。
17.一种用于交通灯检测的系统,其包括:
用于分别地计算颜色图像的像素的像素响应值的部件,其中直接地使用对应像素的R、G和B值来计算每一个所述像素响应值,以使红色交通灯像素的像素响应值基本上分布在预定范围的第一侧上,以及绿色交通灯像素的像素响应值基本上分布在所述预定范围的第二侧上,所述第二侧位于所述第一侧相反的一侧;
用于将其像素响应值分布在所述第一侧或所述第二侧上的像素识别为候选像素的部件;
用于基于所述候选像素来识别候选块的部件;以及
用于验证所述候选块是否是交通灯的部件。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2013/081842 WO2015024180A1 (en) | 2013-08-20 | 2013-08-20 | Traffic light detection |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105453153A true CN105453153A (zh) | 2016-03-30 |
CN105453153B CN105453153B (zh) | 2018-07-20 |
Family
ID=52482928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380078944.4A Active CN105453153B (zh) | 2013-08-20 | 2013-08-20 | 交通灯检测 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9953229B2 (zh) |
EP (1) | EP3036730B1 (zh) |
CN (1) | CN105453153B (zh) |
WO (1) | WO2015024180A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023623A (zh) * | 2016-07-28 | 2016-10-12 | 南京理工大学 | 基于机器视觉的车载交通信号与标志的识别及预警方法 |
CN110249338A (zh) * | 2017-02-10 | 2019-09-17 | 法国大陆汽车公司 | 用于检测与交通信号灯相关的假阳性误报的方法 |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9779314B1 (en) * | 2014-08-21 | 2017-10-03 | Waymo Llc | Vision-based detection and classification of traffic lights |
US11092446B2 (en) | 2016-06-14 | 2021-08-17 | Motional Ad Llc | Route planning for an autonomous vehicle |
US10126136B2 (en) | 2016-06-14 | 2018-11-13 | nuTonomy Inc. | Route planning for an autonomous vehicle |
US10309792B2 (en) | 2016-06-14 | 2019-06-04 | nuTonomy Inc. | Route planning for an autonomous vehicle |
US10829116B2 (en) | 2016-07-01 | 2020-11-10 | nuTonomy Inc. | Affecting functions of a vehicle based on function-related information about its environment |
US10473470B2 (en) | 2016-10-20 | 2019-11-12 | nuTonomy Inc. | Identifying a stopping place for an autonomous vehicle |
US10331129B2 (en) | 2016-10-20 | 2019-06-25 | nuTonomy Inc. | Identifying a stopping place for an autonomous vehicle |
US10857994B2 (en) | 2016-10-20 | 2020-12-08 | Motional Ad Llc | Identifying a stopping place for an autonomous vehicle |
US10681513B2 (en) | 2016-10-20 | 2020-06-09 | nuTonomy Inc. | Identifying a stopping place for an autonomous vehicle |
US10614326B2 (en) * | 2017-03-06 | 2020-04-07 | Honda Motor Co., Ltd. | System and method for vehicle control based on object and color detection |
US10380438B2 (en) * | 2017-03-06 | 2019-08-13 | Honda Motor Co., Ltd. | System and method for vehicle control based on red color and green color detection |
US10650256B2 (en) | 2017-04-18 | 2020-05-12 | nuTonomy Inc. | Automatically perceiving travel signals |
US10643084B2 (en) | 2017-04-18 | 2020-05-05 | nuTonomy Inc. | Automatically perceiving travel signals |
JP2019053619A (ja) * | 2017-09-15 | 2019-04-04 | 株式会社東芝 | 信号識別装置、信号識別方法、及び運転支援システム |
KR102265703B1 (ko) * | 2018-04-18 | 2021-06-17 | 모빌아이 비젼 테크놀로지스 엘티디. | 카메라를 이용한 차량 환경 모델링 |
US11087153B2 (en) * | 2018-10-31 | 2021-08-10 | Cognizant Technology Solutions India Pvt. Ltd. | Traffic light recognition system and method |
GB2589247B (en) | 2019-01-29 | 2023-07-05 | Motional Ad Llc | Traffic light estimation |
CN110716680B (zh) * | 2019-10-09 | 2021-05-07 | 广州视源电子科技股份有限公司 | 智能交互平板的控制方法和装置 |
CN111553477A (zh) * | 2020-04-30 | 2020-08-18 | 深圳市商汤科技有限公司 | 图像处理方法、装置及存储介质 |
CN112863194B (zh) * | 2021-01-20 | 2022-08-23 | 青岛以萨数据技术有限公司 | 一种图像处理方法、装置、终端及介质 |
WO2023073428A1 (en) * | 2021-10-28 | 2023-05-04 | Mobileye Vision Technologies Ltd. | Stereo-assist network for determining an object's location |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176287A (zh) * | 2011-02-28 | 2011-09-07 | 无锡中星微电子有限公司 | 一种交通信号灯识别系统和方法 |
CN102354457A (zh) * | 2011-10-24 | 2012-02-15 | 复旦大学 | 基于广义霍夫变换的交通信号灯位置检测方法 |
CN102496282A (zh) * | 2011-12-16 | 2012-06-13 | 湖南工业大学 | 一种rgb颜色变换的交通路口信号灯状态识别方法 |
CN102542260A (zh) * | 2011-12-30 | 2012-07-04 | 中南大学 | 一种面向无人驾驶车的道路交通标志识别方法 |
DE102012103908A1 (de) * | 2011-05-12 | 2012-11-15 | Fuji Jukogyo Kabushiki Kaisha | Umgebungserkennungsvorrichtung und Umgebungserkennungsverfahren |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007072948A (ja) | 2005-09-09 | 2007-03-22 | Matsushita Electric Ind Co Ltd | 信号機点灯状態識別方法および装置 |
KR20090055848A (ko) | 2007-11-29 | 2009-06-03 | 한국전자통신연구원 | 신호등 인식 장치 및 방법 |
US8751154B2 (en) * | 2008-04-24 | 2014-06-10 | GM Global Technology Operations LLC | Enhanced clear path detection in the presence of traffic infrastructure indicator |
US20100262336A1 (en) * | 2009-04-09 | 2010-10-14 | Qualcomm Incorporated | System and method for generating and rendering multimedia data including environmental metadata |
JP2011216051A (ja) | 2010-04-02 | 2011-10-27 | Institute Of National Colleges Of Technology Japan | 信号灯識別プログラムおよび信号灯識別装置 |
KR101237374B1 (ko) | 2011-09-28 | 2013-02-26 | 주식회사 피엘케이 테크놀로지 | 신호등 판별용 영상 처리 방법 |
WO2014078979A1 (en) * | 2012-11-20 | 2014-05-30 | Harman International Industries, Incorporated | Method and system for detecting traffic lights |
-
2013
- 2013-08-20 EP EP13891786.9A patent/EP3036730B1/en active Active
- 2013-08-20 WO PCT/CN2013/081842 patent/WO2015024180A1/en active Application Filing
- 2013-08-20 CN CN201380078944.4A patent/CN105453153B/zh active Active
- 2013-08-20 US US14/901,651 patent/US9953229B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176287A (zh) * | 2011-02-28 | 2011-09-07 | 无锡中星微电子有限公司 | 一种交通信号灯识别系统和方法 |
DE102012103908A1 (de) * | 2011-05-12 | 2012-11-15 | Fuji Jukogyo Kabushiki Kaisha | Umgebungserkennungsvorrichtung und Umgebungserkennungsverfahren |
CN102354457A (zh) * | 2011-10-24 | 2012-02-15 | 复旦大学 | 基于广义霍夫变换的交通信号灯位置检测方法 |
CN102496282A (zh) * | 2011-12-16 | 2012-06-13 | 湖南工业大学 | 一种rgb颜色变换的交通路口信号灯状态识别方法 |
CN102542260A (zh) * | 2011-12-30 | 2012-07-04 | 中南大学 | 一种面向无人驾驶车的道路交通标志识别方法 |
Non-Patent Citations (1)
Title |
---|
GEORGE SIOGKAS等: "TRAFFIC LIGHTS DETECTION IN ADVERSE CONDITIONS USING COLOR,SYMMETRY AND SPATIOTEMPORAL INFORMATION", 《INTERNATIONAL CONFERENCE ON COMPUTER VISION THEORY AND APPLICATIONS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023623A (zh) * | 2016-07-28 | 2016-10-12 | 南京理工大学 | 基于机器视觉的车载交通信号与标志的识别及预警方法 |
CN110249338A (zh) * | 2017-02-10 | 2019-09-17 | 法国大陆汽车公司 | 用于检测与交通信号灯相关的假阳性误报的方法 |
CN110249338B (zh) * | 2017-02-10 | 2023-10-31 | 法国大陆汽车公司 | 用于检测与交通信号灯相关的假阳性误报的方法 |
Also Published As
Publication number | Publication date |
---|---|
US9953229B2 (en) | 2018-04-24 |
EP3036730B1 (en) | 2019-12-18 |
EP3036730A1 (en) | 2016-06-29 |
EP3036730A4 (en) | 2017-03-29 |
US20160148063A1 (en) | 2016-05-26 |
WO2015024180A1 (en) | 2015-02-26 |
CN105453153B (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105453153A (zh) | 交通灯检测 | |
CA2867365C (en) | Method, system and computer storage medium for face detection | |
CN105139386B (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN104769652B (zh) | 用于检测交通灯的方法和系统 | |
EP3036714B1 (en) | Unstructured road boundary detection | |
CN107705288A (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN103761529A (zh) | 一种基于多色彩模型和矩形特征的明火检测方法和系统 | |
JP2015062121A5 (zh) | ||
CN105426828A (zh) | 人脸检测方法、装置及系统 | |
JP2008286725A (ja) | 人物検出装置および方法 | |
CN103593695A (zh) | 一种dpm二维码区域定位的方法 | |
CN107067412A (zh) | 一种多信息融合的视频火焰烟雾检测方法 | |
CN103996045A (zh) | 一种基于视频的多种特征融合的烟雾识别方法 | |
CN105447834A (zh) | 一种基于特征分类的麻将图像光照不均校正方法 | |
KR20170127269A (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
Chakraborty et al. | Bangladeshi road sign detection based on YCbCr color model and DtBs vector | |
US10115028B2 (en) | Method and device for classifying an object in an image | |
CN105809699B (zh) | 一种基于图分割的车窗提取方法及系统 | |
CN107330441A (zh) | 火焰图像前景提取算法 | |
CN106650735B (zh) | 一种led字符自动定位识别方法 | |
JP5889778B2 (ja) | フラットパネルディスプレイの自動ムラ検出装置および自動ムラ検出方法 | |
CN111402185B (zh) | 一种图像检测方法及装置 | |
CN104463180B (zh) | 识别导电粒子压痕的方法 | |
CN106257494B (zh) | 复杂场景下的车牌检测方法及装置 | |
Kim | License plate location method unaffected by variation in size and aspect ratio |
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 |