CN106503704B - 一种自然场景中圆形交通标志定位方法 - Google Patents
一种自然场景中圆形交通标志定位方法 Download PDFInfo
- Publication number
- CN106503704B CN106503704B CN201610919337.1A CN201610919337A CN106503704B CN 106503704 B CN106503704 B CN 106503704B CN 201610919337 A CN201610919337 A CN 201610919337A CN 106503704 B CN106503704 B CN 106503704B
- Authority
- CN
- China
- Prior art keywords
- ellipse
- point
- edge
- points
- pixel
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种自然场景中圆形交通标志定位方法，包括以下步骤：A：将原始图像转化为HSV色彩模型，确定可能包含圆形交通标志的候选区域；B：进行二值化处理和中值滤波；C：利用Susan算子确定位于候选区域边缘的候选像素点；D：使用Sobel算子分别计算每个边缘点的梯度方向；E：寻找满足椭圆的极和极弦性质的所有的边缘点组的集合；F：用椭圆的一般方程公式求解所有的椭圆方程，并将对应的椭圆加入椭圆候选集合中；G：剔除椭圆候选集合中实际上不存在的椭圆，将最终保留下来椭圆作为最终定位的圆形交通标志所在的位置。本发明能够在较为复杂的自然场景中准确地定位一幅图像中圆形交通标志对应的子区域，极大地提高了定位效率及定位精度。
Description
技术领域
本发明涉及一种交通标志的定位方法，尤其涉及一种自然场景中圆形交通标志的定位方法。
背景技术
汽车是现代社会必不可少的交通工具之一。汽车在大规模普及的同时也带来了一系列的交通问题，尤其是交通堵塞问题。智能交通系统将智能控制技术、通信技术、传感器技术、人工智能和模式识别等先进技术运用于交通运输和智能调度，从而形成一种自动、智能、高效、便捷的交通运输调度与管理系统。
交通标志识别是智能交通系统必须解决的科学问题。交通标志识别包含两项子任务：图像中交通标志的定位以及其类别的识别。如何在复杂的自然场景下，准确的定位到图像中交通标志对应的子区域，是交通标志识别的一个基础并且重要的问题。在进行目标区域定位时，现有的算法通常都借用Hough变换等方法进行定位。但对于复杂的自然场景中的图像而言，由于干扰点较多，定位到正确目标区域的成功率较低。
发明内容
本发明的目的是提供一种自然场景中圆形交通标志定位方法，能够在较为复杂的自然场景中准确地定位一幅图像中圆形交通标志对应的子区域，有效克服了现有定位方法因图像形变而导致定位成功率较低的缺陷，极大地提高了定位效率及定位精度。
本发明采用下述技术方案：
一种自然场景中圆形交通标志定位方法，依次包括以下步骤：
A：利用圆形交通标志的颜色特征，在将原始图像的RGB色彩模型转化为HSV色彩模型后，把符合红色所对应的颜色空间范围的像素点作为候选像素点，所有候选像素点所构成的各个子区域作为图像中可能包含圆形交通标志的候选区域；
B：对转化为HSV色彩模型的原始图像进行二值化处理和中值滤波，得到二值图像；
C：利用Susan算子，在步骤B所得到的二值图像中确定位于候选区域边缘的候选像素点，并保留作为边缘点；
D：对步骤C保留下来的每个边缘点，使用Sobel算子分别计算每个边缘点的梯度方向；
E：将步骤D中保留的三个边缘点为一组边缘点组，寻找满足椭圆的极和极弦性质的所有的边缘点组的集合；
F：对于步骤E中得到的满足椭圆的极和极弦性质的所有的边缘点组的集合，利用椭圆的一般方程公式，求解所有的椭圆方程，并将对应的椭圆加入椭圆候选集合中；
G：对步骤F中得出的椭圆候选集合中的椭圆进行筛选，剔除椭圆候选集合中实际上不存在的椭圆，将最终保留下来的椭圆候选集合中的椭圆作为最终定位的圆形交通标志所在的位置。
所述的步骤A包括以下具体步骤：
A1：使用如下公式将原始图像的色彩模型从RGB转化为HSV，
v＝max
其中，r、g和b分别为图像RGB色彩模型中红色、绿色以及蓝色的强度值；max为r、g和b中的最大者；min为r、g和b中的最小者；
A2：设定红色所对应的颜色空间范围是：H∈[0°，16°]∪[315°，360°]，S∈[40％，100％]，V∈[10％，80％]，将图像中符合设定的红色所对应的颜色空间范围的像素点作为候选像素点并进行保存，所有候选像素点所构成的各个子区域作为图像中可能包含圆形交通标志的候选区域。
所述的步骤B包括以下具体步骤：
B1：在转化为HSV色彩模型的原始图像中，将步骤A2中保存下来的候选像素点的像素值设置为1；将候选像素点以外的其它像素点的像素值设置为0，得到二值图像；
B2：对B1步骤得到的二值图像进行中值滤波，最终得到中值滤波后二值图像中像素值为1的每一个像素点；
中值滤波的具体方法如下：
对于步骤B1中得到的二值图像中像素值为1且具有8个相邻像素点的每一个像素点Pn，将像素点Pn及与其相邻的8个像素点作为一个观察窗，观察窗中9个像素点形成3×3矩阵排列，从左至右、从上至下依次为Pn-4、Pn-3、Pn-2、Pn-1、Pn、Pn+1、Pn+2、Pn+3和Pn+4；然后，判断该观察窗内像素值为1的像素点的个数是否大于5，如果大于5，则Pn像素点的像素值保持不变；否则将Pn的像素值设为0；最终得到中值滤波后二值图像中像素值为1的每一个像素点。
所述的步骤C包括以下具体步骤：
C1：对步骤B2中最终得到的中值滤波后二值图像中像素值为1的每一个像素点，在转化为HSV色彩模型的原始图像中进行查找并使用其对应的灰度值，得到一个灰度图像；
C2：对于C1步骤中得到的灰度图像进行边缘检测，确定位于候选区域边缘的候选像素点，并保留作为边缘点。
步骤C2的具体方法如下：
初始化两个变量a和b，a和b的初始值均为0，将一个圆形模板放置在该灰度图像中的不同位置，将圆形模板所包含区域的中心点Pm与该区域中的其它每个点的灰度值用如下公式进行比较，如果两者灰度值差值的绝对值小于等于阈值t，则a加1，否则b加1；设定阈值f，若最终a的值小于阈值f，则判定该Pm为边缘点，并保留Pm；否则，不保留Pm。
其中，圆形模板的半径radius为[3,5]之间的一个整数，圆形模板所包含区域的中心点Pm的灰度值为I(x0，y0)，m为middle的首字母缩写，圆形模板所包含区域中的其它点即待比较点c(x，y)的灰度值为I(x,y)，阈值t为(0，0.5)之间的一个浮点数，阈值f为
所述的步骤D中梯度方向计算方法如下：
设一个观察窗内9个像素点形成3×3矩阵排列，从左至右、从上至下依次为Pn-4、Pn-3、Pn-2、Pn-1、Pn、Pn+1、Pn+2、Pn+3和Pn+4；观察窗内9个像素点所对应的灰度值依次为An-4、An-3、An-2、An-1、An、An+1、An+2、An+3和An+4；边缘点Pn即为位于观察窗中心位置的像素点，利用Sobel算子计算边缘点Pn的梯度方向为：
Gx＝(An+2+2An+3+An+4)-(An-4+2An-3+An-2)
Gy＝(An-2+2An+1+An+4)-(An-4+2An-1+An+2)；
其中，Gx为经横向边缘检测的图像灰度值，Gy为经纵向边缘检测的图像灰度值；
边缘点Pn的梯度方向θ为：
所述的步骤E包括以下具体步骤：
E1：在步骤D保留的所有边缘点中，随机选取两个边缘点Pr和Pv；
E2：对两个边缘点Pr和Pv，假定它们位于同一个椭圆，利用椭圆的极和极弦性质，寻找与这两个点位于同一个椭圆上的第三个点；具体方法如下：
首先利用步骤D中得到的边缘点Pr和Pv所对应的梯度方向，分别计算与边缘点Pr和Pv对应的梯度方向垂直的方向并分别作为边缘点Pr和Pv的切线方向；再令边缘点Pr的切线为PrT，边缘点Pv的切线为PvT，求切线PrT和切线PvT的交点T；令M点为线段PrPv的中点，连接MT，再令点G为MT的中点；
然后，从步骤D中保留的所有边缘点中找出位于线段GM上的所有边缘点的集合，记为S1；对S1中的每个边缘点，根据步骤D中得到的每个边缘点对应的梯度方向，计算与该梯度方向垂直的方向并作为该边缘点的切线方向，如果该边缘点的切线方向与PrPv的夹角小于阈值J，则记该点为Pw；
最后，将{Pr，Pv，Pw}作为一组，加入边缘点组的集合S2中，阈值J为夹角角度，范围为(0°，10°)之间；
E3：循环执行步骤E1和E2，直到循环的次数达到阈值H，设w为(0，20]之间的一个浮点数，|S1|为集合S1中元素的个数，阈值H为w*|S1|；
E4：步骤执行完毕后，得到满足椭圆的极和极弦性质的所有的边缘点组的集合S2。
所述的步骤E1中，随机选取的两个边缘点Pr和Pv之间的距离大于等于d，阈值d为(0，2)之间的一个浮点数。
所述的步骤F包括以下具体步骤：
F1：从边缘点组的集合中随机选取两个边缘点组，共6个边缘点，对可能存在的椭圆进行拟合，将这6个边缘点都带入到下述公式中的椭圆的一般方程中，得到一个超定线性方程组，然后利用最小二乘法求解该方程组，解出椭圆的方程；将该椭圆加入椭圆候选集合S3中；
其中，A、B、C、D、E为待求解的5个自由参数，F可以设定为任意值；
F2：循环执行步骤F1，直到循环次数达到阈值U，阈值U为k*|S2|，k为(0，20]之间的一个浮点数，|S2|为集合S2中元素的个数；
F3：步骤F2执行完毕后，得到最终的椭圆候选集合。
所述的步骤G包括以下具体步骤：
G1：对椭圆候选集合中的每一个椭圆，剔除长短轴小于阈值Q的椭圆，阈值Q为(0，20)之间的一个浮点数；
G2：对于经步骤G1剔除后剩余的每个椭圆Ri，i＝1，2，3，……，统计位于该椭圆上的边缘点数量；
边缘点数量统计方法如下：
初始化一个变量gi，i＝1，2，3，……，gi初始值为0，设步骤D中得到的边缘点为Ph，过边缘点Ph做x轴和y轴的平行线，x轴和y轴的平行线分别与该椭圆Ri相交于点W1，W2，W3和W4，若点W1，W2，W3和W4中至少有一个点与边缘点Ph的距离小于阈值U，则认为边缘点Ph在椭圆Ri上，然后gi的值加1；其中，阈值U为(0，1)之间的一个浮点数；
G3：对于步骤G2中的每个椭圆Ri，以及其对应的gi值，设椭圆周长为Li，i＝1，2，3，……，阈值为z％，z是取值范围为(0，100]的一个浮点数，若gi>Li*z％，则认为椭圆Ri是真实存在的并在椭圆候选集合保留Ri；否则将Ri从椭圆候选集合中移除；
G4：将步骤G3执行完毕后椭圆候选集合中所保留下来的椭圆作为最终定位的圆形交通标志所在的位置。
本发明采用高准确率的椭圆拟合算法，基于圆形交通标志由红色环形区域包围的这一显著特点，以椭圆的几何性质为基础，将圆形交通标志定位划分为颜色分割和基于几何形状的椭圆检测两个阶段。本发明在颜色分割阶段过滤大部分干扰信息，极大地提高了交通标志定位的速度与准确率；且在椭圆检测阶段使用两组可能存在于椭圆上的边缘点进行拟合，最终在图像中准确定位圆形交通标志所在的子区域，有效克服了现有定位方法因图像形变而导致定位成功率较低的缺陷，极大地提高了定位效率及定位精度。
附图说明
图1为本发明的流程示意图；
图2为像素点P5及与其相邻的8个像素点所组成的一个观察窗的位置示意图；
图3为图2中各个像素点所对应的灰度值的位置示意图；
图4是椭圆极和极弦的位置关系示意图；
图5是检测边缘点是否在椭圆上的位置关系示意图。
具体实施方式
以下结合附图和实施例对本发明作以详细的描述：
自然场景中的圆形交通标志由于拍摄角度等问题，很有可能产生形变，在拍摄后图片中呈现为一个椭圆。本发明针对这种情况，设计一种算法对图像中可能呈现为椭圆形状的交通标志进行检测，极大地提高了本申请的鲁棒性和定位的准确率。
如图1所示，本发明所述的自然场景中圆形交通标志定位方法，基于圆形交通标志由红色环形区域包围这一显著特点，以椭圆的几何性质为基础，将圆形交通标志定位方法划分为颜色分割和基于几何形状的椭圆检测两个阶段。其中，颜色分割阶段对应本申请中的步骤A和步骤B，即将输入图像的颜色空间从RGB转化为HSV，然后利用红色所对应的颜色空间范围对图像中可能包含圆形交通标志的区域进行初步定位并得到候选区域。基于几何形状的椭圆检测阶段对应本申请中的步骤C、D、E、F和G，该阶段对颜色分割阶段中得到的候选区域进行二值化处理和边缘检测，以进行滤波，并针对交通标志所特有的圆形特征，利用改进的Hough变换算法进行椭圆区域搜索，最后筛选出最符合椭圆特征的目标区域。
以下结合具体实施例对本发明所述的自然场景中圆形交通标志定位方法进行进一步阐述：
A：利用圆形交通标志的颜色特征，在将原始图像的RGB色彩模型转化为HSV色彩模型后，把符合红色所对应的颜色空间范围的像素点作为候选像素点，所有候选像素点所构成的各个子区域作为图像中可能包含圆形交通标志的候选区域。
其中，步骤A包括以下具体步骤：
A1：首先，使用公式(1)将原始图像的色彩模型从RGB转化为HSV。
v＝max
其中，r、g和b分别为图像RGB色彩模型中红色、绿色以及蓝色的强度值；max为r、g和b中的最大者；min为r、g和b中的最小者。
A2：根据红色所对应的颜色空间范围初步定位出图像中可能包含圆形交通标志的候选区域。
交通标志中的红色在标准的HSV色彩模型中表现为H＝0°，S＝100％，V＝100％。但由于自然环境中天气和光线等条件的影响，会产生一定程度的失真。为了进一步保证鲁棒性，本发明还特殊定义了红色所对应的颜色空间范围，最后选取的红色范围是：H∈[0°，16°]∪[315°，360°]，S∈[40％，100％]，V∈[10％，80％]。本发明所特殊选取的红色范围，能够稳定有效地分割出包含交通标志信息的目标区域，过滤掉大部分不属于交通标志的区域，极大地提高了交通标志定位的速度与准确率。最后，将图像中符合自定义的红色所对应的颜色空间范围的像素点作为候选像素点并进行保存，所有候选像素点所构成的各个子区域作为图像中可能包含圆形交通标志的候选区域。
B：对转化为HSV色彩模型的原始图像进行二值化处理和中值滤波，得到二值图像。
其中，步骤B包括以下具体步骤：
B1：在转化为HSV色彩模型的原始图像中，将步骤A2中保存下来的候选像素点的像素值设置为1；将候选像素点以外的其它像素点的像素值设置为0，得到二值图像。
B2：由于自然场景中的图像一般含有较多噪声，因此本步骤中对B1步骤得到的二值图像进行中值滤波，最终得到中值滤波后二值图像中像素值为1的每一个像素点。
中值滤波的具体方法如下：
对于步骤B1中得到的二值图像中像素值为1且具有8个相邻像素点的每一个像素点Pn，将像素点Pn及与其相邻的8个像素点作为一个观察窗，观察窗中9个像素点形成3×3矩阵排列，从左至右、从上至下依次为Pn-4、Pn-3、Pn-2、Pn-1、Pn、Pn+1、Pn+2、Pn+3和Pn+4；然后，判断该观察窗内像素值为1的像素点的个数是否大于5，如果大于5，则Pn像素点的像素值保持不变；否则将Pn的像素值设为0；最终得到中值滤波后二值图像中像素值为1的每一个像素点。
本实施例中，如图2所示，观察窗中9个像素点从左至右、从上至下依次为P1、P2、P3、P4、P5、P6、P7、P8和P9。
C：利用Susan算子，在步骤B所得到的二值图像中确定位于候选区域边缘的候选像素点，并保留作为边缘点。
其中，步骤C包括以下具体步骤：
C1：对步骤B2中最终得到的中值滤波后二值图像中像素值为1的每一个像素点，在转化为HSV色彩模型的原始图像中进行查找并使用其对应的灰度值，得到一个灰度图像。
C2：对于C1步骤中得到的灰度图像进行边缘检测，确定出位于候选区域边缘的候选像素点并保留作为边缘点，具体方法如下：
初始化两个变量a和b，a和b的初始值均为0，将一个圆形模板放置在该灰度图像中的不同位置，将圆形模板所包含区域的中心点Pm与该区域中的其它每个点的灰度值用公式(2)进行比较，如果两者灰度值差值的绝对值小于等于阈值t，则a加1，否则b加1；设定阈值f，若最终a的值小于阈值f，则判定该Pm为边缘点，并保留Pm；否则，不保留Pm。
其中，，圆形模板的半径radius为[3,5]之间的一个整数，圆形模板所包含区域的中心点Pm的灰度值为I(x0，y0)，m为middle的首字母缩写，圆形模板所包含区域中的其它点即待比较点c(x，y)的灰度值为I(x,y)，阈值t为(0，0.5)之间的一个浮点数，阈值f为
D：对步骤C保留下来的每个边缘点，使用Sobel算子分别计算每个边缘点的梯度方向。
对步骤C保留下来的每个边缘点，分别计算其梯度方向，梯度方向计算方法如下：
设一个观察窗内9个像素点形成3×3矩阵排列，从左至右、从上至下依次为Pn-4、Pn-3、Pn-2、Pn-1、Pn、Pn+1、Pn+2、Pn+3和Pn+4；观察窗内9个像素点所对应的灰度值依次为An-4、An-3、An-2、An-1、An、An+1、An+2、An+3和An+4；边缘点Pn即为位于观察窗中心位置的像素点，利用Sobel算子计算边缘点Pn的梯度方向为：
其中，Gx为经横向边缘检测的图像灰度值，Gy为经纵向边缘检测的图像灰度值；
边缘点Pn的梯度方向θ为：
如图2和图3所示，本实施例中，观察窗中9个像素点从左至右、从上至下依次为P1、P2、P3、P4、P5、P6、P7、P8和P9，9个像素点所对应的灰度值分别为A1，A2，…，A9，灰度值为A5的边缘点P5位于观察窗中心，利用Sobel算子可以计算边缘点P5的梯度方向：
边缘点P5的梯度方向θ为：
E：将步骤D中保留的三个边缘点作为一组边缘点组，寻找满足椭圆的极和极弦性质的所有的边缘点组的集合。
步骤E包括以下具体步骤：
E1：在步骤D保留的所有边缘点中，随机选取两个边缘点Pr和Pv；
为了进一步降低拟合时产生的误差，本发明中设置有阈值d，随机选取的两个边缘点Pr和Pv之间的距离大于等于d，阈值d为(0，2)之间的一个浮点数。阈值d的设置，能够避免随机选取的两个边缘点过于接近，从而杜绝两个边缘点在拟合时产生较大误差的情况。
E2：对两个边缘点Pr和Pv，假定它们位于同一个椭圆，利用椭圆的极和极弦性质，寻找与这两个点位于同一个椭圆上的第三个点，方法如下：
利用步骤D中得到的边缘点Pr和Pv所对应的梯度方向，分别计算与边缘点Pr和Pv对应的梯度方向垂直的方向并分别作为边缘点Pr和Pv的切线方向。令边缘点Pr的切线为PrT，边缘点Pv的切线为PvT，求切线PrT和切线PvT的交点T。令M点为线段PrPv的中点，连接MT，再令点G为MT的中点。如附图4所示。
从步骤D中保留的所有边缘点中找出位于线段GM上的所有边缘点的集合，记为集合S1。对集合S1中的每个边缘点，根据步骤D中得到的每个边缘点对应梯度方向，计算与该梯度方向垂直的方向并作为该边缘点的切线方向，如果该边缘点的切线方向与PrPv的夹角小于阈值J，则记该点为Pw。最后，将{Pr，Pv，Pw}作为一组，加入寻找满足椭圆的极和极弦性质所有的边缘点组的集合S2中，阈值J为夹角角度，范围为(0°，10°)之间。
E3：循环执行步骤E1和E2，直到循环的次数达到阈值H，设w为(0，20]之间的一个浮点数，|S1|为集合S1中元素的个数，阈值H为w*|S1|。
E4：步骤执行完毕后，得到满足椭圆的极和极弦性质的所有的边缘点组的集合S2。
F：对于步骤E中得到的满足椭圆的极和极弦性质的所有的边缘点组的集合S2，利用椭圆的一般方程公式，求解所有的椭圆方程，并将对应的椭圆加入椭圆候选集合中。
步骤F包括以下具体步骤：
F1：从满足椭圆的极和极弦性质的所有的边缘点组的集合S2中随机选取两个边缘点组，共6个边缘点，对可能存在的椭圆进行拟合，使用该方法可以较为显著地减小点的分布对于真实存在的椭圆造成的影响，能够极大地提高椭圆定位的准确率。将这6个边缘点都带入到公式(5)中的椭圆的一般方程中，得到一个超定线性方程组，然后利用最小二乘法求解该方程组，解出椭圆的方程。将该椭圆加入椭圆候选集合S3中。
其中，A、B、C、D、E为待求解的5个自由参数，F可以设定为任意值，本发明中设置F为1000.0；
F2：循环执行步骤F1，直到循环次数达到阈值U，设k为(0，20]之间的一个浮点数，|S2|为集合S2中元素的个数，阈值U为k*|S2|。
F3：步骤执行完毕后，得到最终的椭圆候选集合S3。
G：对步骤F中得出的椭圆候选集合S3中的椭圆进行筛选，剔除椭圆候选集合中实际上不存在的椭圆，将最终保留下来的椭圆候选集合S3中的椭圆作为最终定位的圆形交通标志所在的位置。
步骤G包括以下具体步骤：
G1：对椭圆候选集合S3中的每一个椭圆，剔除长短轴小于阈值Q的椭圆，阈值Q为(0，20)之间的一个浮点数。
G2：对于经步骤G1剔除后剩余的每个椭圆Ri，i＝1，2，3，……，统计位于该椭圆上的边缘点数量。
边缘点数量统计方法如下：
初始化一个变量gi，i＝1，2，3，……，gi初始值为0，设步骤D中得到的边缘点为Ph，过边缘点Ph分别做x轴的平行线Lx和y轴的平行线Ly，x轴的平行线Lx和y轴的平行线Ly分别与该椭圆Ri相交于点W1，W2，W3和W4，如附图5所示。若点W1，W2，W3和W4中至少有一个点与边缘点Ph的距离小于阈值U，则认为边缘点Ph在椭圆Ri上，然后gi的值加1。其中，阈值U为(0，1)之间的一个浮点数。
G3：对于G2中的每个椭圆Ri，及其对应的gi值，设椭圆周长为Li，i＝1，2，3，……，阈值为z％，z是取值范围为(0，100]的一个浮点数，若gi>Li*z％，则认为椭圆Ri是真实存在的并在S3保留Ri；否则将Ri从S3中移除。
G4：将步骤G3执行完毕后S3中所保留下来的椭圆作为最终定位的圆形交通标志所在的位置。
Claims (10)
1.一种自然场景中圆形交通标志定位方法，其特征在于，依次包括以下步骤：
A：利用圆形交通标志的颜色特征，在将原始图像的RGB色彩模型转化为HSV色彩模型后，把符合红色所对应的颜色空间范围的像素点作为候选像素点，所有候选像素点所构成的各个子区域作为图像中可能包含圆形交通标志的候选区域；
B：对转化为HSV色彩模型的原始图像进行二值化处理和中值滤波，得到二值图像；
C：利用Susan算子，在步骤B所得到的二值图像中确定位于候选区域边缘的候选像素点，并保留作为边缘点；
D：对步骤C保留下来的每个边缘点，使用Sobel算子分别计算每个边缘点的梯度方向；
E：将步骤D中保留的三个边缘点为一组边缘点组，寻找满足椭圆的极和极弦性质的所有的边缘点组的集合；
F：对于步骤E中得到的满足椭圆的极和极弦性质的所有的边缘点组的集合，利用椭圆的一般方程公式，求解所有的椭圆方程，并将对应的椭圆加入椭圆候选集合中；
G：对步骤F中得出的椭圆候选集合中的椭圆进行筛选，剔除椭圆候选集合中实际上不存在的椭圆，将最终保留下来的椭圆候选集合中的椭圆作为最终定位的圆形交通标志所在的位置。
2.根据权利要求1所述的自然场景中圆形交通标志定位方法，其特征在于，所述的步骤A包括以下具体步骤：
A1：使用如下公式将原始图像的色彩模型从RGB转化为HSV，
<mrow>
<mi>s</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>max</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mi>max</mi>
<mo>-</mo>
<mi>min</mi>
</mrow>
<mi>max</mi>
</mfrac>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mi>min</mi>
<mi>max</mi>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
v＝max
其中，r、g和b分别为图像RGB色彩模型中红色、绿色以及蓝色的强度值；max为r、g和b中的最大者；min为r、g和b中的最小者；
A2：设定红色所对应的颜色空间范围是：H∈[0°，16°]∪[315°，360°]，S∈[40％，100％]，V∈[10％，80％]，将图像中符合设定的红色所对应的颜色空间范围的像素点作为候选像素点并进行保存，所有候选像素点所构成的各个子区域作为图像中可能包含圆形交通标志的候选区域。
3.根据权利要求2所述的自然场景中圆形交通标志定位方法，其特征在于，所述的步骤B包括以下具体步骤：
B1：在转化为HSV色彩模型的原始图像中，将步骤A2中保存下来的候选像素点的像素值设置为1；将候选像素点以外的其它像素点的像素值设置为0，得到二值图像；
B2：对B1步骤得到的二值图像进行中值滤波，最终得到中值滤波后二值图像中像素值为1的每一个像素点；
中值滤波的具体方法如下：
对于步骤B1中得到的二值图像中像素值为1且具有8个相邻像素点的每一个像素点Pn，将像素点Pn及与其相邻的8个像素点作为一个观察窗，观察窗中9个像素点形成3×3矩阵排列，从左至右、从上至下依次为Pn-4、Pn-3、Pn-2、Pn-1、Pn、Pn+1、Pn+2、Pn+3和Pn+4；然后，判断该观察窗内像素值为1的像素点的个数是否大于5，如果大于5，则Pn像素点的像素值保持不变；否则将Pn的像素值设为0；最终得到中值滤波后二值图像中像素值为1的每一个像素点。
4.根据权利要求2所述的自然场景中圆形交通标志定位方法，其特征在于，所述的步骤C包括以下具体步骤：
C1：对步骤B2中最终得到的中值滤波后二值图像中像素值为1的每一个像素点，在转化为HSV色彩模型的原始图像中进行查找并使用其对应的灰度值，得到一个灰度图像；
C2：对于C1步骤中得到的灰度图像进行边缘检测，确定位于候选区域边缘的候选像素点，并保留作为边缘点。
5.根据权利要求4所述的自然场景中圆形交通标志定位方法，其特征在于：步骤C2的具体方法如下：
初始化两个变量a和b，a和b的初始值均为0，将一个圆形模板放置在该灰度图像中的不同位置，将圆形模板所包含区域的中心点Pm与该区域中的其它每个点的灰度值用如下公式进行比较，如果两者灰度值差值的绝对值小于等于阈值t，则a加1，否则b加1；设定阈值f，若最终a的值小于阈值f，则判定该Pm为边缘点，并保留Pm；否则，不保留Pm；
<mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
<mi>f</mi>
<mo>|</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>&le;</mo>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>i</mi>
<mi>f</mi>
<mo>|</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>></mo>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中，圆形模板的半径radius为[3,5]之间的一个整数，圆形模板所包含区域的中心点Pm的灰度值为I(x0，y0)，m为middle的首字母缩写，圆形模板所包含区域中的其它点即待比较点c(x，y)的灰度值为I(x,y)，阈值t为(0，0.5)之间的一个浮点数，阈值f为
6.根据权利要求1所述的自然场景中圆形交通标志定位方法，其特征在于：所述的步骤D中梯度方向计算方法如下：
设一个观察窗内9个像素点形成3×3矩阵排列，从左至右、从上至下依次为Pn-4、Pn-3、Pn-2、Pn-1、Pn、Pn+1、Pn+2、Pn+3和Pn+4；观察窗内9个像素点所对应的灰度值依次为An-4、An-3、An-2、An-1、An、An+1、An+2、An+3和An+4；边缘点Pn即为位于观察窗中心位置的像素点，利用Sobel算子计算边缘点Pn的梯度方向为：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>G</mi>
<mi>x</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>+</mo>
<mn>2</mn>
<msub>
<mi>A</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>3</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>4</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>4</mn>
</mrow>
</msub>
<mo>+</mo>
<mn>2</mn>
<msub>
<mi>A</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>3</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>G</mi>
<mi>y</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>+</mo>
<mn>2</mn>
<msub>
<mi>A</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>4</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>4</mn>
</mrow>
</msub>
<mo>+</mo>
<mn>2</mn>
<msub>
<mi>A</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>2</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中，Gx为经横向边缘检测的图像灰度值，Gy为经纵向边缘检测的图像灰度值；
边缘点Pn的梯度方向θ为：
<mrow>
<mi>&theta;</mi>
<mo>=</mo>
<mi>arctan</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>G</mi>
<mi>y</mi>
</mrow>
<mrow>
<mi>G</mi>
<mi>x</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
7.根据权利要求1所述的自然场景中圆形交通标志定位方法，其特征在于，所述的步骤E包括以下具体步骤：
E1：在步骤D保留的所有边缘点中，随机选取两个边缘点Pr和Pv；
E2：对两个边缘点Pr和Pv，假定它们位于同一个椭圆，利用椭圆的极和极弦性质，寻找与这两个点位于同一个椭圆上的第三个点；具体方法如下：
首先利用步骤D中得到的边缘点Pr和Pv所对应的梯度方向，分别计算与边缘点Pr和Pv对应的梯度方向垂直的方向并分别作为边缘点Pr和Pv的切线方向；再令边缘点Pr的切线为PrT，边缘点Pv的切线为PvT，求切线PrT和切线PvT的交点T；令M点为线段PrPv的中点，连接MT，再令点G为MT的中点；
然后，从步骤D中保留的所有边缘点中找出位于线段GM上的所有边缘点的集合，记为S1；对S1中的每个边缘点，根据步骤D中得到的每个边缘点对应的梯度方向，分别计算与该梯度方向垂直的方向并作为该边缘点的切线方向，如果该边缘点的切线方向与PrPv的夹角小于阈值J，则记该点为Pw；
最后，将{Pr，Pv，Pw}作为一组，加入边缘点组的集合S2中，阈值J为夹角角度，范围为(0°，10°)之间；
E3：循环执行步骤E1和E2，直到循环的次数达到阈值H，设w为(0，20]之间的一个浮点数，|S1|为集合S1中元素的个数，阈值H为w*|S1|；
E4：步骤执行完毕后，得到满足椭圆的极和极弦性质的所有的边缘点组的集合S2。
8.根据权利要求7所述的自然场景中圆形交通标志定位方法，其特征在于：所述的步骤E1中，随机选取的两个边缘点Pr和Pv之间的距离大于等于d，阈值d为(0，2)之间的一个浮点数。
9.根据权利要求1所述的自然场景中圆形交通标志定位方法，其特征在于，所述的步骤F包括以下具体步骤：
F1：从边缘点组的集合中随机选取两个边缘点组，共6个边缘点，对可能存在的椭圆进行拟合，将这6个边缘点都带入到下述公式中的椭圆的一般方程中，得到一个超定线性方程组，然后利用最小二乘法求解该方程组，解出椭圆的方程；将该椭圆加入椭圆候选集合S3中；
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>Ax</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>B</mi>
<mi>x</mi>
<mi>y</mi>
<mo>+</mo>
<msup>
<mi>Cy</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>D</mi>
<mi>x</mi>
<mo>+</mo>
<mi>E</mi>
<mi>y</mi>
<mo>+</mo>
<mi>F</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mrow>
<msup>
<mi>B</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mn>4</mn>
<mi>A</mi>
<mi>C</mi>
<mo><</mo>
<mn>0</mn>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中，A、B、C、D、E为待求解的5个自由参数，F可以设定为任意值；
F2：循环执行步骤F1，直到循环次数达到阈值U，阈值U为k*|S2|，k为(0，20]之间的一个浮点数，|S2|为集合S2中元素的个数；
F3：步骤F2执行完毕后，得到最终的椭圆候选集合。
10.根据权利要求1所述的自然场景中圆形交通标志定位方法，其特征在于，所述的步骤G包括以下具体步骤：
G1：对椭圆候选集合中的每一个椭圆，剔除长短轴小于阈值Q的椭圆，阈值Q为(0，20)之间的一个浮点数；
G2：对于经步骤G1剔除后剩余的每个椭圆Ri，i＝1，2，3，……，统计位于该椭圆上的边缘点数量；
边缘点数量统计方法如下：
初始化一个变量gi，i＝1，2，3，……，gi初始值为0，设步骤D中得到的边缘点为Ph，过边缘点Ph做x轴和y轴的平行线，x轴和y轴的平行线分别与该椭圆Ri相交于点W1，W2，W3和W4，若点W1，W2，W3和W4中至少有一个点与边缘点Ph的距离小于阈值U，则认为边缘点Ph在椭圆Ri上，然后gi的值加1；其中，阈值U为(0，1)之间的一个浮点数；
G3：对于步骤G2中的每个椭圆Ri，以及其对应的gi值，设椭圆周长为Li，i＝1，2，3，……，阈值为z％，z是取值范围为(0，100]的一个浮点数，若gi>Li*z％，则认为椭圆Ri是真实存在的并在椭圆候选集合保留Ri；否则将Ri从椭圆候选集合中移除；
G4：将步骤G3执行完毕后椭圆候选集合中所保留下来的椭圆作为最终定位的圆形交通标志所在的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610919337.1A CN106503704B (zh) | 2016-10-21 | 2016-10-21 | 一种自然场景中圆形交通标志定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610919337.1A CN106503704B (zh) | 2016-10-21 | 2016-10-21 | 一种自然场景中圆形交通标志定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106503704A CN106503704A (zh) | 2017-03-15 |
| CN106503704B true CN106503704B (zh) | 2018-03-23 |
Family
ID=58318262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610919337.1A Active CN106503704B (zh) | 2016-10-21 | 2016-10-21 | 一种自然场景中圆形交通标志定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106503704B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107301405A (zh) * | 2017-07-04 | 2017-10-27 | 上海应用技术大学 | 自然场景下的交通标志检测方法 |
| WO2019041147A1 (zh) * | 2017-08-29 | 2019-03-07 | 广东虚拟现实科技有限公司 | 光点识别方法、装置以及系统 |
| CN108346157B (zh) * | 2018-01-22 | 2020-10-13 | 浙江大学 | 一种基于牛顿定理的物体拍摄图像中椭圆检测方法 |
| CN110487183A (zh) * | 2019-08-27 | 2019-11-22 | 中国科学技术大学 | 一种多目标光纤位置精确检测系统及使用方法 |
| CN111382658B (zh) * | 2019-11-14 | 2023-04-18 | 北京航空航天大学 | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 |
| CN113822094B (zh) * | 2020-06-02 | 2024-01-16 | 苏州科瓴精密机械科技有限公司 | 基于图像识别工作位置的方法、系统，机器人及存储介质 |
| CN112085755B (zh) * | 2020-09-14 | 2024-08-13 | 贝壳技术有限公司 | 物体轮廓检测方法、装置以及设备、存储介质 |
| CN113554648B (zh) * | 2021-09-18 | 2021-11-30 | 四川太平洋药业有限责任公司 | 生产线检测方法 |
| CN114219794B (zh) * | 2021-12-17 | 2023-01-20 | 沭阳县桐盛木业制品厂(普通合伙) | 基于机器视觉的刨花板表面质量评估方法及系统 |
| CN115546143A (zh) * | 2022-09-30 | 2022-12-30 | 杭州长川科技股份有限公司 | 定位晶圆的中心点的方法、装置、存储介质以及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831420A (zh) * | 2012-08-17 | 2012-12-19 | 银江股份有限公司 | 基于颜色信息和随机圆检测的圆形交通标志定位方法 |
| CN103413124A (zh) * | 2013-08-19 | 2013-11-27 | 中国科学院自动化研究所 | 一种圆形交通标志检测方法 |
| CN105976387A (zh) * | 2016-05-20 | 2016-09-28 | 镇江市聚微科技有限公司 | 一种基于Hough变换和最大平均距离的椭圆检测方法 |
-
2016
- 2016-10-21 CN CN201610919337.1A patent/CN106503704B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831420A (zh) * | 2012-08-17 | 2012-12-19 | 银江股份有限公司 | 基于颜色信息和随机圆检测的圆形交通标志定位方法 |
| CN103413124A (zh) * | 2013-08-19 | 2013-11-27 | 中国科学院自动化研究所 | 一种圆形交通标志检测方法 |
| CN105976387A (zh) * | 2016-05-20 | 2016-09-28 | 镇江市聚微科技有限公司 | 一种基于Hough变换和最大平均距离的椭圆检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于归一化RGB与椭圆相似度的圆形交通标志检测;薛玉利;《微型机与应用》;20151231;第34卷(第24期);第41-43页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106503704A (zh) | 2017-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106503704B (zh) | 一种自然场景中圆形交通标志定位方法 | |
| CN111243032B (zh) | 一种棋盘格角点全自动检测方法 | |
| CN113902713B (zh) | 一种基于图像分割算法的多菌落体计数方法 | |
| CN110175615B (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
| CN105809121A (zh) | 多特征协同的交通标志检测与识别方法 | |
| CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
| CN106709500B (zh) | 一种图像特征匹配的方法 | |
| CN109190742B (zh) | 一种基于灰度特征的编码特征点的解码方法 | |
| CN115439476B (zh) | 基于图像分析的丝印缺陷检测方法及装置 | |
| CN112417931B (zh) | 一种基于视觉显著性的水面物体检测和分类的方法 | |
| CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
| CN107564006B (zh) | 一种利用Hough变换的圆形目标检测方法 | |
| CN114648511A (zh) | 一种大肠杆菌轮廓的精确提取及识别方法 | |
| CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
| CN112464731A (zh) | 一种基于图像处理的交通标志检测识别方法 | |
| CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
| CN111950559A (zh) | 一种基于径向灰度的指针仪表自动读数方法 | |
| CN118153607B (zh) | 一种基于机器视觉的一维码定位方法 | |
| CN116188756A (zh) | 一种基于深度学习的仪表角度校正与示数识别方法 | |
| CN111160142A (zh) | 一种基于数值预测回归模型的证件票据定位检测方法 | |
| CN115830359A (zh) | 复杂场景下基于目标检测和模板匹配的工件识别计数方法 | |
| CN110084587B (zh) | 一种基于边缘上下文的餐盘自动结算方法 | |
| CN113095309B (zh) | 一种基于点云的道路场景地面标识物的提取方法 | |
| CN113223098A (zh) | 图像颜色分类的预处理优化方法 | |
| CN111047614B (zh) | 一种基于特征提取的复杂场景图像的目标角点提取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |