CN106446796B - 一种车辆间距检测方法 - Google Patents

一种车辆间距检测方法 Download PDF

Info

Publication number
CN106446796B
CN106446796B CN201610790707.6A CN201610790707A CN106446796B CN 106446796 B CN106446796 B CN 106446796B CN 201610790707 A CN201610790707 A CN 201610790707A CN 106446796 B CN106446796 B CN 106446796B
Authority
CN
China
Prior art keywords
image
horizontal edge
vehicle
foreground
acquiring
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
CN201610790707.6A
Other languages
English (en)
Other versions
CN106446796A (zh
Inventor
张卡
何佳
尼秀明
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.)
Anhui Qingxin Internet Information Technology Co ltd
Original Assignee
Anhui Qingxin Internet Information Technology Co 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 Anhui Qingxin Internet Information Technology Co ltd filed Critical Anhui Qingxin Internet Information Technology Co ltd
Priority to CN201610790707.6A priority Critical patent/CN106446796B/zh
Publication of CN106446796A publication Critical patent/CN106446796A/zh
Application granted granted Critical
Publication of CN106446796B publication Critical patent/CN106446796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种车辆间距检测方法，包括以下步骤：设定车道区域；采集道路图像；获取道路水平边缘图像；获取水平边缘差分图；通过累积多帧水平边缘差分图，获取车辆的前景区域；去除前景区域的干扰边缘；获取车辆间距；重复执行以上步骤，实时获取每条车道的车辆通行信息；输出车辆通行信息。本发明采用视频图像分析技术，实时获取车道内的车辆位置，精确获取车辆之间的间距，为调整智能红绿灯切换周期时间长度提供依据，本方法具有速度快、精度高、抵抗光线变化能力强、适用环境广等特点。

Description

一种车辆间距检测方法
技术领域
本发明涉及交通路口智能红绿灯控制领域，具体是一种车辆间距检测方法。
背景技术
随着国家经济发展和人民生活水平的提高，越来越多的汽车进入千家万户，这给道路交通带来了巨大压力，尤其是上下班高峰期，道路交叉口处拥堵更是随处可见，严重妨碍了汽车给人们带来的速度和便捷。随着电子红绿灯系统的应用，道路交叉口处的拥堵情况有所缓解，但拥堵还是经常发生，究其原因，我们发现现有的电子红绿灯系统存在一定的缺点，就是使用固定时间长度进行周期性切换，它带来的问题是：比如南北方向道路上有很多车辆行驶，而东西方向道路上没有车辆行驶，到了红绿灯切换周期后，南北方向道路上的车辆依然要停车等等，这就造成道路通行时间的严重浪费，同时也加剧了拥堵。如何解决这一问题，此时就需要一种更加智能的红绿灯系统，可以根据道路上车辆的实时通行情况，动态的调整红绿灯切换周期时间长度，最大限度的发挥道路的通行能力。
发明内容
本发明的目的在于提供一种车辆间距检测方法，该方法能实时获取车道内的车辆位置，精确获取车辆之间的间距，为调整智能红绿灯切换周期时间长度提供依据。
为实现上述目的，本发明采用了以下技术方案：一种车辆间距检测方法，包括以下顺序步骤：
(1)通过道路视频图像设定车道区域；
(2)采集道路图像；
(3)对道路图像进行处理，获取道路水平边缘图像；
(4)对水平边缘图像进行处理，获取水平边缘差分图；
(5)通过累积多帧水平边缘差分图，获取车辆的前景区域；
(6)去除前景区域的干扰边缘；
(7)获取车辆间距；
(8)重复执行以上步骤，实时获取每条车道的车辆通行信息；
(9)输出车辆通行信息。
所述的车辆间距检测方法，步骤(3)中，所述获取水平边缘图像，具体包括以下顺序步骤：
(3A)利用卷积分模板，对道路进行模糊处理，去除路面上较小的水平干扰边缘，所述卷积分模板采用以下公式：
Figure BDA0001103196390000021
其中，K1表示卷积分模板；
(3B)利用卷积分模板，获取经道路模糊处理的水平梯度图像，所述卷积分模板采用以下公式：
Figure BDA0001103196390000022
其中，K2表示卷积分模板；
(3C)利用以下公式获取水平边缘图像：
Figure BDA0001103196390000023
其中，E(i,j)表示水平边缘图像上(i,j)处的灰度值，G(i,j)表示水平梯度图像上(i,j)处的梯度值，T表示图像的水平梯度强度均值，w表示图像的宽度，h表示图像的高度。
所述的车辆间距检测方法，步骤(6)中，所述去除前景区域的干扰边缘，具体包括以下顺序步骤：
(6A)将同一个车辆的水平边缘区域连接起来，形成更加完整的连通区域；
(6B)去除面积较小的连通区域；
(6C)去除宽度较小的连通区域。
所述的车辆间距检测方法，步骤(7)中，所述获取车辆间距，具体包括以下顺序步骤：
(7A)去除区域鬼影效应，获取新的车辆前景连通区域；
(7B)获取每一个车辆前景连通区域的最小包围矩形；
(7C)通过计算相邻车辆最小包围矩形之间的距离和车辆距离车道上下边界的距离，获取车辆间距。
所述的车辆间距检测方法，步骤(7A)中，所述去除区域鬼影效应，获取新的车辆前景连通区域，通过以下公式获取：
Figure BDA0001103196390000031
其中，FN(i,j)表示获取的新车辆前景区域图像上(i,j)处的灰度值，F(i,j)表示车辆前景区域图像上(i,j)处的灰度值，D(i,j)表示当前帧水平边缘差分图像上(i,j)处的灰度值，F(i,j)+D(i,j)＝2表示像素(i,j)在车辆前景区域图像和水平边缘差分图像上均属于前景像素点。
所述的车辆间距检测方法，步骤(7B)中，所述获取每一个车辆前景连通区域的最小包围矩形，通过以下公式获取：
Figure BDA0001103196390000032
其中，rect.x1表示最小包围矩形的左边线位置，rect.x2表示最小包围矩形的右边线位置，rect.y1表示最小包围矩形的上边线位置，rect.y2表示最小包围矩形的下边线位置，FN(i,j)表示车辆前景区域图像上任意(i,j)处的灰度值，{i|FN(i,j)＝1}表示所有属于前景区域的像素点的x坐标集合，{j|FN(i,j)＝1}示所有属于前景区域的像素点的y坐标集合，min{}表示获取所有包含元素的最小值，max{}表示获取所有包含元素的最大值。
所述的车辆间距检测方法，步骤(4)中，所述对水平边缘图像进行处理，获取水平边缘差分图主要通过获取当前帧水平边缘图像和上一帧水平边缘图像的差别图像法获得，具体采用以下公式：
D(i,j)＝|Ec(i,j)-Ep(i,j)|
其中，D(i,j)表示水平边缘差分图像上(i,j)处的灰度值，Ec(i,j)表示当前帧的水平边缘图像上(i,j)处的灰度值，Ep(i,j)表示上一帧的水平边缘图像上(i,j)处的灰度值。
所述的车辆间距检测方法，步骤(5)中，所述通过累积多帧水平边缘差分图，获取车辆的前景区域，通过以下公式获得：
F(i,j)＝max{D0(i,j),D1(i,j)...Dn(i,j)}
其中，F(i,j)表示车辆前景区域图像上(i,j)处的灰度值，max{}表示提取所有包含元素的最大值，D0(i,j)表示当前帧的水平边缘差分图像上(i,j)处的灰度值，D1(i,j)表示前一帧的水平边缘差分图像上(i,j)处的灰度值，Dn(i,j)表示前n帧的水平边缘差分图像上(i,j)处的灰度值。
由上述技术方案可知，本发明采用视频图像分析技术，实时获取车道内的车辆位置，精确获取车辆之间的间距，为调整智能红绿灯切换周期时间长度提供依据，本方法具有速度快、精度高、抵抗光线变化能力强、适用环境广等特点。
附图说明
图1是本发明的方法流程图；
图2是设定车道区域图；
图3是道路水平边缘图像；
图4是道路水平边缘差分图像；
图5是车道内的车辆前景区域图像；
图6是去除干扰边缘后的车道内车辆前景区域图像；
图7是车道内车辆距离效果图。
具体实施方式
下面结合附图对本发明做进一步说明：
如图1所示，一种车辆间距检测方法，包括以下顺序的步骤：
S1、设定车道区域，主要是在道路视频图像中，把每一条行车道区域分别标定出来，如图2所示，其中，深色直线表示车道线。
S2、采集道路图像，主要是实时采集卡口道路的视频图像。
S3、获取水平边缘图像，为了克服实际环境中复杂多变的光线影响，增加系统的稳定性，根据车道内车辆呈现出较多的水平边缘，本发明选择水平边缘特征来描述车辆的存在，效果如图3所示，具体步骤如下：
S31、道路模糊处理，主要是在不影响车辆水平边缘特征的情况下，去除路面上较小的水平干扰边缘，如石子、纸片、树叶等，基于卷积模板公式(1)，通过卷积运算完成；
Figure BDA0001103196390000051
其中，K1表示卷积分模板；
S32、获取水平梯度图像，主要采用卷积模板公式(2)，通过卷积运算获取；
Figure BDA0001103196390000052
其中，K2表示卷积分模板；
S33、获取水平边缘图像，主要是采用公式(3)和公式(4)，在水平梯度图像上，选择具有较大梯度强度的点作为水平边缘。
Figure BDA0001103196390000053
Figure BDA0001103196390000061
其中，E(i,j)表示水平边缘图像上(i,j)处的灰度值，G(i,j)表示水平梯度图像上(i,j)处的梯度值，T表示图像的水平梯度强度均值，w表示图像的宽度，h表示图像的高度。
S4、获取水平边缘差分图，克服道路上静态水平边缘的影响，如路面上的标记线等，主要方法是获取当前帧水平边缘图像和上一帧水平边缘图像的差别图像，基于公式(5)完成，效果如图4所示；
D(i,j)＝|Ec(i,j)-Ep(i,j)| (5)
其中，D(i,j)表示水平边缘差分图像上(i,j)处的灰度值，Ec(i,j)表示当前帧的水平边缘图像上(i,j)处的灰度值，Ep(i,j)表示上一帧的水平边缘图像上(i,j)处的灰度值。
S5、获取车辆的前景区域，依据卡口绿灯状态时，车道内的车辆水平边缘会呈现出连续移动的状态，因此，采用累积多帧水平边缘差分图的方法，获取车辆的前景区域，基于公式(6)完成，效果如图5所示；
F(i,j)＝max{D0(i,j),D1(i,j)...Dn(i,j)} (6)
其中，F(i,j)表示车辆前景区域图像上(i,j)处的灰度值，max{}表示提取所有包含元素的最大值，D0(i,j)表示当前帧的水平边缘差分图像上(i,j)处的灰度值，D1(i,j)表示前一帧的水平边缘差分图像上(i,j)处的灰度值，Dn(i,j)表示前n帧的水平边缘差分图像上(i,j)处的灰度值。
S6、去除干扰边缘，主要是去除典型的非车辆水平边缘区域，效果如图6所示，具体步骤如下：
S61、形态学处理，主要用于把同一个车辆的水平边缘区域连接起来，形成更加完整的连通区域；
S62、去除面积较小的连通区域，主要是由于车辆前景区域的累积特性，使得每一个车辆前景区域都具有较大的连通区域面积，因此，面积较小的连通区域就是典型的非车辆前景区域。
S63、去除宽度较小的连通区域，主要是因为车辆水平边缘的宽度都在半个车道宽度以上，因此，小于半个车道宽度的连通区域就是典型的非车辆前景区域；
S7、获取车辆间距，主要是获取每一条车道内，相邻车辆之间的距离，对于某一条车道，具体步骤如下：
S71、去除区域鬼影效应，由于步骤S5是通过累积多帧水平边缘差分图获取的前景区域，因此，不可避免的带来区域鬼影效应，即是有一部分车辆前景区域实际对应的并不是真实车辆，而是路面区域，这显然不利于计算车辆之间的真实距离。本发明采用公式(7)，获取去除区域鬼影效应后的新的车辆前景连通区域；
Figure BDA0001103196390000071
其中，FN(i,j)表示获取的新车辆前景区域图像上(i,j)处的灰度值，F(i,j)表示车辆前景区域图像上(i,j)处的灰度值，D(i,j)表示当前帧水平边缘差分图像上(i,j)处的灰度值，F(i,j)+D(i,j)＝2表示像素(i,j)在车辆前景区域图像和水平边缘差分图像上均属于前景像素点。
S72、获取每一个车辆前景连通区域的最小包围矩形，基于公式(8)完成；
Figure BDA0001103196390000072
其中，rect.x1表示最小包围矩形的左边线位置，rect.x2表示最小包围矩形的右边线位置，rect.y1表示最小包围矩形的上边线位置，rect.y2表示最小包围矩形的下边线位置，FN(i,j)表示车辆前景区域图像上任意(i,j)处的灰度值，{i|FN(i,j)＝1}表示所有属于前景区域的像素点的x坐标集合，{j|FN(i,j)＝1}示所有属于前景区域的像素点的y坐标集合，min{}表示获取所有包含元素的最小值，max{}表示获取所有包含元素的最大值。
S73、获取车辆间距，如果车道内存在车辆，则计算相邻车辆最小包围矩形之间的距离和车辆距离车道上下边界的距离作为车辆间距，如果车道内不存在车辆，则计算车道上下边界之间的距离作为车辆间距，如图7所示，其中，浅色区域表示车辆距离。
S8、循环执行，主要是重复执行步骤S2到步骤S8，实时获取每条车道的车辆通行情况。
S9、输出车辆通行信息，主要是实时输出当前车道内车辆之间的间距信息，根据每条车道内的车辆间距个数和车辆间距大小，可以很好地反应该车道的车辆通行情况，进而为调整智能红绿灯切换周期时间长度提供决策依据。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种车辆间距检测方法，其特征在于，包括以下顺序步骤：
(1)通过道路视频图像设定车道区域；
(2)采集道路图像；
(3)对道路图像进行处理，获取道路水平边缘图像；
(4)对水平边缘图像进行处理，获取水平边缘差分图；
(5)通过累积多帧水平边缘差分图，获取车辆的前景区域；
(6)去除前景区域的干扰边缘；
(7)获取车辆间距；
(8)重复执行以上步骤，实时获取每条车道的车辆通行信息；
(9)输出车辆通行信息；
步骤(3)中，所述获取道路水平边缘图像，具体包括以下顺序步骤：
(3A)利用卷积分模板，对道路进行模糊处理，去除路面上较小的水平干扰边缘，所述卷积分模板采用以下公式：
Figure FDA0002529209800000011
其中，K1表示卷积分模板；
(3B)利用卷积分模板，获取经道路模糊处理的水平梯度图像，所述卷积分模板采用以下公式：
Figure FDA0002529209800000012
其中，K2表示卷积分模板；
(3C)利用以下公式获取水平边缘图像：
Figure FDA0002529209800000021
其中，E(i,j)表示水平边缘图像上(i,j)处的灰度值，G(i,j)表示水平梯度图像上(i,j)处的梯度值，T表示图像的水平梯度强度均值，w表示图像的宽度，h表示图像的高度；
步骤(7)中，所述获取车辆间距，具体包括以下顺序步骤：
(7A)去除区域鬼影效应，获取新的车辆前景连通区域，具体通过以下公式获取：
Figure FDA0002529209800000022
其中，FN(i,j)表示获取的新车辆前景区域图像上(i,j)处的灰度值，F(i,j)表示车辆前景区域图像上(i,j)处的灰度值，D(i,j)表示当前帧水平边缘差分图像上(i,j)处的灰度值，F(i,j)+D(i,j)＝2表示像素(i,j)在车辆前景区域图像和水平边缘差分图像上均属于前景像素点；
(7B)获取每一个车辆前景连通区域的最小包围矩形；
(7C)通过计算相邻车辆最小包围矩形之间的距离和车辆距离车道上下边界的距离，获取车辆间距。
2.根据权利要求1所述的车辆间距检测方法，其特征在于，步骤(6)中，所述去除前景区域的干扰边缘，具体包括以下顺序步骤：
(6A)将同一个车辆的水平边缘区域连接起来，形成更加完整的连通区域；
(6B)去除面积较小的连通区域；
(6C)去除宽度较小的连通区域。
3.根据权利要求1所述的车辆间距检测方法，其特征在于，步骤(7B)中，所述获取每一个车辆前景连通区域的最小包围矩形，通过以下公式获取：
Figure FDA0002529209800000031
其中，rect.x1表示最小包围矩形的左边线位置，rect.x2表示最小包围矩形的右边线位置，rect.y1表示最小包围矩形的上边线位置，rect.y2表示最小包围矩形的下边线位置，{i|FN(i,j)＝1}表示所有属于前景区域的像素点的x坐标集合，{j|FN(i,j)＝1}示所有属于前景区域的像素点的y坐标集合，min{}表示获取所有包含元素的最小值，max{}表示获取所有包含元素的最大值。
4.根据权利要求1所述的车辆间距检测方法，其特征在于，步骤(4)中，所述对水平边缘图像进行处理，获取水平边缘差分图主要通过获取当前帧水平边缘图像和上一帧水平边缘图像的差别图像法获得，具体采用以下公式：
D(i,j)＝|Ec(i,j)-Ep(i,j)|
其中，Ec(i,j)表示当前帧的水平边缘图像上(i,j)处的灰度值，Ep(i,j)表示上一帧的水平边缘图像上(i,j)处的灰度值。
5.根据权利要求1所述的车辆间距检测方法，其特征在于，步骤(5)中，所述通过累积多帧水平边缘差分图，获取车辆的前景区域，通过以下公式获得：
F(i,j)＝max{D0(i,j),D1(i,j)...Dn(i,j)}
其中，F(i,j)表示车辆前景区域图像上(i,j)处的灰度值，max{}表示提取所有包含元素的最大值，D0(i,j)表示当前帧的水平边缘差分图像上(i,j)处的灰度值，D1(i,j)表示前一帧的水平边缘差分图像上(i,j)处的灰度值，Dn(i,j)表示前n帧的水平边缘差分图像上(i,j)处的灰度值。
CN201610790707.6A 2016-08-30 2016-08-30 一种车辆间距检测方法 Active CN106446796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610790707.6A CN106446796B (zh) 2016-08-30 2016-08-30 一种车辆间距检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610790707.6A CN106446796B (zh) 2016-08-30 2016-08-30 一种车辆间距检测方法

Publications (2)

Publication Number Publication Date
CN106446796A CN106446796A (zh) 2017-02-22
CN106446796B true CN106446796B (zh) 2020-08-28

Family

ID=58164072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610790707.6A Active CN106446796B (zh) 2016-08-30 2016-08-30 一种车辆间距检测方法

Country Status (1)

Country Link
CN (1) CN106446796B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109215389B (zh) * 2017-06-29 2021-09-10 国基电子（上海）有限公司 车距校正方法、电子装置及计算机可读存储介质
CN108538060A (zh) * 2018-04-13 2018-09-14 上海工程技术大学 一种基于车载后视摄像头的智能违章监测方法及系统
CN111539371B (zh) * 2020-05-06 2022-02-01 腾讯科技（深圳）有限公司 一种车辆控制的方法、装置、设备及存储介质
CN111707374B (zh) * 2020-06-04 2021-08-06 安徽清新互联信息科技有限公司 一种人体红外测温仪的距离估算方法及系统
CN111753748B (zh) * 2020-06-28 2023-12-08 阿波罗智联(北京)科技有限公司 信号灯调整方法、装置、设备以及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007265277A (ja) * 2006-03-29 2007-10-11 Denso Corp 車両用視程測定装置、及び運転支援装置
CN101807345A (zh) * 2010-03-26 2010-08-18 重庆大学 一种基于视频检测技术的交通拥堵判别方法
CN103718214A (zh) * 2011-08-02 2014-04-09 日产自动车株式会社 移动体检测装置和移动体检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003322522A (ja) * 2002-05-07 2003-11-14 Daihatsu Motor Co Ltd 車間距離検出装置及び検出方法
CN103985250B (zh) * 2014-04-04 2016-05-18 浙江工业大学 轻量级的全息道路交通状态视觉检测装置
CN105488454B (zh) * 2015-11-17 2019-04-23 天津工业大学 基于单目视觉的前方车辆检测与测距
CN105321342B (zh) * 2015-12-07 2017-11-21 北京航空航天大学 一种基于航拍视频的交叉口车辆排队长度检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007265277A (ja) * 2006-03-29 2007-10-11 Denso Corp 車両用視程測定装置、及び運転支援装置
CN101807345A (zh) * 2010-03-26 2010-08-18 重庆大学 一种基于视频检测技术的交通拥堵判别方法
CN103718214A (zh) * 2011-08-02 2014-04-09 日产自动车株式会社 移动体检测装置和移动体检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《Explorating of a Cluttered Environment using Voronoi Transform and Fast Marching》;Garrido S et al;《ResearchGate》;20081231;第56卷(第12期);全文 *

Also Published As

Publication number Publication date
CN106446796A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN106446796B (zh) 一种车辆间距检测方法
CN105005778B (zh) 一种基于视觉背景提取的高速公路车辆检测方法
CN107644528A (zh) 一种基于车辆跟踪的车辆排队长度检测方法
CN102930287B (zh) 一种针对俯视行人的检测计数系统及方法
CN110210451B (zh) 一种斑马线检测方法
CN103235938A (zh) 车牌检测与识别的方法及系统
CN105005771A (zh) 一种基于光流点轨迹统计的车道线实线的检测方法
CN103632140B (zh) 一种车道线检测方法及装置
CN104616275A (zh) 一种缺陷检测方法和装置
CN103927526A (zh) 一种基于高斯差分多尺度边缘融合的车辆检测方法
CN103500322A (zh) 基于低空航拍图像的车道线自动识别方法
CN104700072A (zh) 基于车道线历史帧的识别方法
CN107220976B (zh) 一种航拍公路图像的公路定位方法
CN105046198A (zh) 一种车道检测方法
CN102999886A (zh) 图像边缘检测器及标尺光栅栅线精度检测系统
CN107895151A (zh) 一种强光照条件下基于机器视觉的车道线检测方法
CN102930719A (zh) 用于交通路口场景并基于网络物理系统的视频图像前景检测方法
CN102156989B (zh) 视频帧中车辆遮挡检测与分割方法
CN105069441A (zh) 一种基于背景更新与粒子群算法的运动车辆检测方法
CN103456170A (zh) 基于机器视觉的车速和车辆排队长度的检测方法
CN107121126B (zh) 一种基于图像处理的路基沉降监测方法和系统
CN110443142B (zh) 一种基于路面提取与分割的深度学习车辆计数方法
CN103021179A (zh) 基于实时监控视频中的安全带检测方法
CN102393964B (zh) 一种条纹间隙检测方法
Cheng et al. Semantic segmentation of road profiles for efficient sensing in autonomous driving

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