CN107292263A - 一种机动、电动车辆自动驾驶识别系统 - Google Patents
一种机动、电动车辆自动驾驶识别系统 Download PDFInfo
- Publication number
- CN107292263A CN107292263A CN201710465977.4A CN201710465977A CN107292263A CN 107292263 A CN107292263 A CN 107292263A CN 201710465977 A CN201710465977 A CN 201710465977A CN 107292263 A CN107292263 A CN 107292263A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- source images
- road
- msup
- 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
- G06V20/50—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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种机动、电动车辆自动驾驶识别系统,包括摄像头模块、道路图像处理模块、车道线识别模块和告警模块,所述摄像头模块包括安装在车辆左前方左摄像头和右前方的右摄像头,用于采集车辆前方的道路左侧图像和右侧图像;所述道路图像处理模块用于将左侧图像和右侧图像进行降噪以及合成处理,得到道路总图像;所述车道线识别模块基于霍夫变换提取道路总图像中的车道线;所述告警模块在车辆超越车道线行驶时发出告警。本发明采用左右摄像头采集道路图像并提取车道线的方法辅助司机安全用车,提高了车辆与车道线之间的识别精度,能够预防交通事故的发生,保障司机和行人的生命财产安全。
Description
技术领域
本发明涉及车辆自动驾驶领域,具体涉及一种机动、电动车辆自动驾驶识别系统。
背景技术
随着生活水平的提高,机动车普及率不断提高,拥有汽车的人越来越多,随之而来的交通事故也越来越多,对于众多新手司机来说,由于对车辆不熟悉,稳定地在道路上沿着车道行驶对其来说有一定难度,对自己车辆在道路上的位置判断不准确,往往容易导致其驾驶的车辆在行驶过程中与相邻车道的车辆发生剐蹭,为了让众多的新手司机能够尽快熟悉车辆,把握车辆位置,需要一种驾驶识别系统来辅助。
发明内容
针对上述问题,本发明旨在提供一种机动、电动车辆自动驾驶识别系统。
本发明的目的采用以下技术方案来实现:
一种机动、电动车辆自动驾驶识别系统,包括摄像头模块、道路图像处理模块、车道线识别模块和告警模块,所述摄像头模块包括安装在车辆左前方左摄像头和右前方的右摄像头,用于采集车辆前方的道路左侧图像和右侧图像;所述道路图像处理模块用于将左侧图像和右侧图像进行降噪以及合成处理,得到道路总图像;所述车道线识别模块基于霍夫变换提取道路总图像中的车道线;所述告警模块在车辆超越车道线行驶时发出告警。
本发明的有益效果为:本发明采用左右摄像头采集道路图像并提取车道线的方法辅助司机安全用车,提高了车辆与车道线之间的识别精度,能够预防交通事故的发生,保障司机和行人的生命财产安全。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明的框架结构图;
图2是本发明的道路图像处理模块的框架结构图。
附图标记:
摄像头模块1、道路图像处理模块2、车道线识别模块3、告警模块4、左摄像头1A、右摄像头1B、降噪单元21、分解单元22、第一合成单元23和第二合成单元24。
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1,本实施例的一种机动、电动车辆自动驾驶识别系统,包括摄像头模1、道路图像处理模块2、车道线识别模块3和告警模块4,所述摄像头模块包括安装在车辆左前方左摄像头1A和右前方的右摄像头1B,用于采集车辆前方的道路左侧图像和右侧图像;所述道路图像处理模块2用于将左侧图像和右侧图像进行降噪以及合成处理,得到道路总图像;所述车道线识别模块3基于霍夫变换提取道路总图像中的车道线;所述告警模块4在车辆超越车道线行驶时发出告警。
优选地,所述摄像头模块、道路图像处理模块、车道线识别模块和告警模块依次有线连接。
优选地,所述左摄像头和右摄像头皆采用广角120度高清OV9712 720P摄像头。
本发明上述实施例,采用左右摄像头采集道路图像并提取车道线的方法辅助司机安全用车,提高了车辆与车道线之间的识别精度,能够预防交通事故的发生,保障司机和行人的生命财产安全。
优选地,参加图2,所述道路图像处理模块包括用于对左侧图像和右侧图像进行降噪处理的降噪单元、用于对左侧图像和右侧图像进行分解的分解单元、用于对左侧图像和右侧图像的低频段进行合成的第一合成单元和用于对左侧图像和右侧图像的高频段进行合成的第二合成单元;
所述降噪单元首先将左侧图像和右侧图像进行小波变换处理,得到相应的小波系数,此时得到的小波系数为带噪声小波系数和无噪声小波系数,利用改进的软阈值函数分别对左侧图像和右侧图像经过小波变换后得到的小波系数进行处理,将左侧图像和右侧图像的带噪声小波系数进行滤除,得到左侧图像和右侧图像的无噪声小波系数,根据无噪声小波系数对左侧图像和右侧图像进行重构,得到将要进行融合的车辆前方道路的左侧源图像与右侧源图像,其中采用的改进的软阈值函数为:
式中,为无噪声小波系数,φ为包括带噪声小波系数和无噪声小波系数的小波系数,sgn(·)为符号函数,D为根据二分法针对不同图像来确定的控制参数,υ为设定的偏差下限。
本发明上述实施例,利用改进的软阈值函数滤除车辆前方道路左侧图像和右侧图像经过小波变换后出现的带噪声小波系数,再利用无噪声小波系数对图像进行重构,得到接下来要融合的车辆前方道路的左侧源图像与右侧源图像,在图像融合前设置降噪单元,使得用以融合的源图像质量更佳,有利于提升融合后的道路总图像图像的细节特征效果。
优选地,所述分解单元根据设定好分解的尺度和方向数,采用NSST(Non-subsampledShearlet Transform,非下采用剪切波变换)对车辆前方道路的左侧源图像与右侧源图像进行多尺度分解,得到车辆前方道路的左侧源图像与右侧源图像的NSST变换系数,分别为和L表示低频,H表示高频,和分别表示车辆前方道路的左侧源图像与右侧源图像经过NSST分解后得到的低频系数,和分别表示车辆前方道路的左侧源图像与右侧源图像经过NSST分解后得到的第x个尺度第y个方向的高频系数。
优选地,所述第一合成单元根据低频段聚焦评价函数,分别对车辆前方道路的左侧源图像与右侧源图像的低频系数进行评价,得到左侧源图像与右侧源图像的低频段聚焦评价值,根据左侧源图像与右侧源图像低频段聚焦评价值的大小,选取低频段聚焦评价值较大的低频系数作为道路总图像的低频系数,当低频段聚焦评价值相等时,取左侧源图像与右侧源图像的低频系数值的平均数作为道路总图像的低频系数:
其中,采用的低频段聚焦评价函数为:
Kα=[-1,2,-1]
Kβ=Ka T=[-1,2,-1]T
式中,ZL为道路总图像的低频系数,和分别表示车辆前方道路的左侧源图像与右侧源图像经过NSST分解后得到的低频系数;
式中,f(m,n)为像素点(m,n)的低频段聚焦评价值,f(m,n)包括车辆前方道路的左侧源图像的低频段聚焦评价值f(m,n)1和车辆前方道路的右侧源图像的低频段聚焦评价值f(m,n)2,x和y分别为横坐标和纵坐标,Kα和Kβ为横向和纵向的二阶差分算子。
本发明上述实施例,通过低频段聚焦评价函数计算车辆前方道路的左侧源图像与右侧源图像低频段聚焦评价值,并选取低频段聚焦评价值较大的源图像的低频系数作为道路总图像的低频系数,有利于将车辆前方道路的左侧源图像与右侧源图像的灰度信息与细节信息的优势互补,使得合成后的道路总图像的包含更多的灰度信息与细节信息,在车道线识别时,提高识别的准确度。
优选地,所述第二合成单元根据车辆前方道路左侧源图像与右侧源图像各个子区域的能量值大小来选取道路总图像的高频系数,包括:
首先将窗函数Ψ设置为只有4邻域内非0、中心位置数值较大的3×3矩阵,具体为:
然后根据自定义能量计算公式计算车辆前方道路左侧源图像与右侧源图像各个子区域的能量,选择能量较大的区域的高频系数作为道路总图像中对应区域的高频系数:
其中,自定义能量计算公式为:
式中ZH(x,y)表示道路总图像的第x个尺度第y个方向的高频系数,和分别表示车辆前方道路的左侧源图像与右侧源图像经过NSST分解后得到的第x个尺度第y个方向的高频系数;
式中,表示像素点(m,n)的第x个尺度第y个方向的局部能量,包括车辆前方道路左侧源图像的局部能量和车辆前方道路右侧源图像的局部能量τ(m,n)为以像素点(m,n)为中心的α×β大小的邻域窗口,Ψ(m,n)为位置(m,n)处对应的窗函数,为车辆前方道路左侧源图像和右侧源图像在(m,n)为中心的α×β大小的邻域窗口的第x个尺度第y个方向的像素值均值,包括车辆前方道路左侧源图像在(m,n)为中心的α×β大小的邻域窗口的第x个尺度第y个方向的像素值均值和车辆前方道路右侧源图像在(m,n)为中心的α×β大小的邻域窗口的第x个尺度第y个方向的像素值均值Rx,y(m,n)为车辆前方道路左侧源图像和右侧源图像在位置(m,n)处的第x个尺度第y个方向的像素值,Rx,y(m,n)包括车辆前方道路左侧源图像在位置(m,n)处的第x个尺度第y个方向的像素值Rx,y(m,n)1和车辆前方道路右侧源图像在位置(m,n)处的第x个尺度第y个方向的像素值Rx,y(m,n)2;
将得到的道路总图像的低频系数ZL和高频系数ZH(x,y)进行NSST的逆变换,重构得到道路总图像。
本发明上述实施例,通过NSST与计算源图像子区域能量值的结合的方法来选取道路总图像的高频段系数,有利于提高车辆前方道路左侧源图像和右侧源图像在进行融合时的融合性能,使得左侧源图像和右侧源图像能够特征互补,得到的道路总图像的质量更高,在进行车道线识别时的识别效果更好。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (7)
1.一种机动、电动车辆自动驾驶识别系统,其特征是,包括摄像头模块、道路图像处理模块、车道线识别模块和告警模块,所述摄像头模块包括安装在车辆左前方左摄像头和右前方的右摄像头,用于采集车辆前方的道路左侧图像和右侧图像;所述道路图像处理模块用于将左侧图像和右侧图像进行降噪以及合成处理,得到道路总图像;所述车道线识别模块基于霍夫变换提取道路总图像中的车道线;所述告警模块在车辆超越车道线行驶时发出告警。
2.根据权利要求1所述的一种机动、电动车辆自动驾驶识别系统,其特征是,所述摄像头模块、道路图像处理模块、车道线识别模块和告警模块依次有线连接。
3.根据权利要求2所述的一种机动、电动车辆自动驾驶识别系统,其特征是,所述左摄像头和右摄像头皆采用广角120度高清OV9712 720P摄像头。
4.根据权利要求3所述的一种机动、电动车辆自动驾驶识别系统,其特征是,所述道路图像处理模块包括用于对左侧图像和右侧图像进行降噪处理的降噪单元、用于对左侧图像和右侧图像进行分解的分解单元、用于对左侧图像和右侧图像的低频段进行合成的第一合成单元和用于对左侧图像和右侧图像的高频段进行合成的第二合成单元;
所述降噪单元首先将左侧图像和右侧图像进行小波变换处理,得到相应的小波系数,此时得到的小波系数为带噪声小波系数和无噪声小波系数,利用改进的软阈值函数分别对左侧图像和右侧图像经过小波变换后得到的小波系数进行滤除带噪声小波系数处理,得到左侧图像和右侧图像的无噪声小波系数,根据无噪声小波系数对左侧图像和右侧图像进行重构,得到将要进行融合的车辆前方道路的左侧源图像与右侧源图像,其中采用的改进的软阈值函数为:
<mrow>
<mover>
<mi>&phi;</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>sgn</mi>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>)</mo>
</mrow>
<msqrt>
<mrow>
<msup>
<mi>&phi;</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mo>|</mo>
<mrow>
<mi>&phi;</mi>
<mo>-</mo>
<mi>v</mi>
</mrow>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mo>|</mo>
<mrow>
<mi>&phi;</mi>
<mo>-</mo>
<mi>v</mi>
</mrow>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<mi>D</mi>
<mo>&CenterDot;</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mtd>
<mtd>
<mrow>
<mrow>
<mo>|</mo>
<mi>&phi;</mi>
<mo>|</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mi>v</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mrow>
<mo>|</mo>
<mi>&phi;</mi>
<mo>|</mo>
</mrow>
<mo><</mo>
<mi>v</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中,为无噪声小波系数,φ为包括带噪声小波系数和无噪声小波系数的小波系数,sgn(·)为符号函数,D为根据二分法针对不同图像来确定的控制参数,v为设定的偏差下限。
5.根据权利要求4所述的一种机动、电动车辆自动驾驶识别系统,其特征是,所述分解单元根据设定好分解的尺度和方向数,采用NSST(Non-sub sampled Shearlet Transform,非下采用剪切波变换)对车辆前方道路的左侧源图像与右侧源图像进行多尺度分解,得到车辆前方道路的左侧源图像与右侧源图像的NSST变换系数,分别为和L表示低频,H表示高频,和分别表示车辆前方道路的左侧源图像与右侧源图像经过NSST分解后得到的低频系数,和分别表示车辆前方道路的左侧源图像与右侧源图像经过NSST分解后得到的第x个尺度第y个方向的高频系数。
6.根据权利要求5所述的一种机动、电动车辆自动驾驶识别系统,其特征是,所述第一合成单元根据低频段聚焦评价函数,分别对车辆前方道路的左侧源图像与右侧源图像的低频系数进行评价,得到左侧源图像与右侧源图像的低频段聚焦评价值,根据左侧源图像与右侧源图像低频段聚焦评价值的大小,选取低频段聚焦评价值较大的低频系数作为道路总图像的低频系数,当低频段聚焦评价值相等时,取左侧源图像与右侧源图像的低频系数值的平均数作为道路总图像的低频系数:
<mrow>
<msub>
<mi>Z</mi>
<mi>L</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>Z</mi>
<mi>L</mi>
<mn>1</mn>
</msubsup>
<mi>f</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mn>1</mn>
</msup>
<mo>></mo>
<mi>f</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>Z</mi>
<mi>L</mi>
<mn>2</mn>
</msubsup>
<mi>f</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mn>1</mn>
</msup>
<mo><</mo>
<mi>f</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mfrac>
<mrow>
<msubsup>
<mi>Z</mi>
<mi>L</mi>
<mn>1</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>Z</mi>
<mi>L</mi>
<mn>2</mn>
</msubsup>
</mrow>
<mn>2</mn>
</mfrac>
</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>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,采用的低频段聚焦评价函数为:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<mi>m</mi>
<mo>-</mo>
<mi>x</mi>
</mrow>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mi>x</mi>
</mrow>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>&beta;</mi>
<mo>=</mo>
<mi>m</mi>
<mo>-</mo>
<mi>x</mi>
</mrow>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mi>x</mi>
</mrow>
</munderover>
<mfrac>
<msqrt>
<mn>2</mn>
</msqrt>
<mn>2</mn>
</mfrac>
<msqrt>
<mrow>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>K</mi>
<mi>&alpha;</mi>
</msub>
<mo>*</mo>
<msubsup>
<mi>Z</mi>
<mi>L</mi>
<mn>1</mn>
</msubsup>
</mrow>
<mo>|</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>K</mi>
<mi>&beta;</mi>
</msub>
<mo>*</mo>
<msubsup>
<mi>Z</mi>
<mi>L</mi>
<mn>2</mn>
</msubsup>
</mrow>
<mo>|</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
Kα=[-1,2,-1]
Kβ=Kα T=[-1,2,-1]T
式中,ZL为道路总图像的低频系数,和分别表示车辆前方道路的左侧源图像与右侧源图像经过NSST分解后得到的低频系数;
式中,f(m,n)为像素点(m,n)的低频段聚焦评价值,f(m,n)包括车辆前方道路的左侧源图像的低频段聚焦评价值f(m,n)1和车辆前方道路的右侧源图像的低频段聚焦评价值f(m,n)2,x和y分别为横坐标和纵坐标,Kα和Kβ为横向和纵向的二阶差分算子。
7.根据权利要求6所述的一种机动、电动车辆自动驾驶识别系统,其特征是,所述第二合成单元根据车辆前方道路左侧源图像与右侧源图像各个子区域的能量值大小来选取道路总图像的高频系数,包括:
首先将窗函数Ψ设置为只有4邻域内非0、中心位置数值较大的3×3矩阵,具体为:
<mrow>
<mi>&Psi;</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>8</mn>
</mfrac>
<mfenced open = "{" close = "}">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
然后根据自定义能量计算公式计算车辆前方道路左侧源图像与右侧源图像各个子区域的能量,选择能量较大的区域的高频系数作为道路总图像中对应区域的高频系数:
<mrow>
<msub>
<mi>Z</mi>
<mi>H</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>Z</mi>
<mi>H</mi>
<mn>1</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>P</mi>
<mi>H</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mn>1</mn>
</msup>
<mo>></mo>
<msubsup>
<mi>P</mi>
<mi>H</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>Z</mi>
<mi>H</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>P</mi>
<mi>H</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mn>1</mn>
</msup>
<mo>&le;</mo>
<msubsup>
<mi>P</mi>
<mi>H</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,自定义能量计算公式为:
<mrow>
<msubsup>
<mi>P</mi>
<mi>H</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>,</mo>
<mi>&beta;</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>&tau;</mi>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</munder>
<mo>&lsqb;</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>&alpha;</mi>
<mo>&times;</mo>
<mi>&beta;</mi>
</mrow>
</mfrac>
<mi>&Psi;</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msup>
<mi>R</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>&Psi;</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mover>
<mrow>
<msup>
<mi>R</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>,</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
式中ZH(x,y)表示道路总图像的第x个尺度第y个方向的高频系数,和分别表示车辆前方道路的左侧源图像与右侧源图像经过NSST分解后得到的第x个尺度第y个方向的高频系数;
式中,表示像素点(m,n)的第x个尺度第y个方向的局部能量,包括车辆前方道路左侧源图像的局部能量和车辆前方道路右侧源图像的局部能量τ(m,n)为以像素点(m,n)为中心的α×β大小的邻域窗口,Ψ(m,n)为位置(m,n)处对应的窗函数,为车辆前方道路左侧源图像和右侧源图像在(m,n)为中心的α×β大小的邻域窗口的第x个尺度第y个方向的像素值均值,包括车辆前方道路左侧源图像在(m,n)为中心的α×β大小的邻域窗口的第x个尺度第y个方向的像素值均值和车辆前方道路右侧源图像在(m,n)为中心的α×β大小的邻域窗口的第x个尺度第y个方向的像素值均值Rx,y(m,n)为车辆前方道路左侧源图像和右侧源图像在位置(m,n)处的第x个尺度第y个方向的像素值,Rx,y(m,n)包括车辆前方道路左侧源图像在位置(m,n)处的第x个尺度第y个方向的像素值Rx,y(m,n)1和车辆前方道路右侧源图像在位置(m,n)处的第x个尺度第y个方向的像素值Rx,y(m,n)2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710465977.4A CN107292263B (zh) | 2017-06-19 | 2017-06-19 | 一种机动、电动车辆自动驾驶识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710465977.4A CN107292263B (zh) | 2017-06-19 | 2017-06-19 | 一种机动、电动车辆自动驾驶识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292263A true CN107292263A (zh) | 2017-10-24 |
CN107292263B CN107292263B (zh) | 2019-01-15 |
Family
ID=60097324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710465977.4A Active CN107292263B (zh) | 2017-06-19 | 2017-06-19 | 一种机动、电动车辆自动驾驶识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292263B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108162867A (zh) * | 2017-12-21 | 2018-06-15 | 宁波吉利汽车研究开发有限公司 | 一种车道识别系统及车道识别方法 |
CN108520252A (zh) * | 2018-04-20 | 2018-09-11 | 武汉理工大学 | 基于广义霍夫变换和小波变换的路标识别方法 |
CN108876734A (zh) * | 2018-05-31 | 2018-11-23 | 沈阳东软医疗系统有限公司 | 图像去噪方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005111937A1 (ja) * | 2004-05-19 | 2005-11-24 | Honda Motor Co., Ltd. | 車両用走行区分線認識装置 |
CN102390370A (zh) * | 2011-10-25 | 2012-03-28 | 河海大学 | 一种基于立体视觉的车辆行驶应急处理装置及方法 |
-
2017
- 2017-06-19 CN CN201710465977.4A patent/CN107292263B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005111937A1 (ja) * | 2004-05-19 | 2005-11-24 | Honda Motor Co., Ltd. | 車両用走行区分線認識装置 |
CN102390370A (zh) * | 2011-10-25 | 2012-03-28 | 河海大学 | 一种基于立体视觉的车辆行驶应急处理装置及方法 |
Non-Patent Citations (3)
Title |
---|
吕亚运: "基于机器视觉的车道线偏移检测与预警系统设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
纪峰: "基于改进阈值函数的自适应图像去噪方法", 《传感技术学报》 * |
邢笑雪: "基于NSST的图像融合算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108162867A (zh) * | 2017-12-21 | 2018-06-15 | 宁波吉利汽车研究开发有限公司 | 一种车道识别系统及车道识别方法 |
CN108520252A (zh) * | 2018-04-20 | 2018-09-11 | 武汉理工大学 | 基于广义霍夫变换和小波变换的路标识别方法 |
CN108520252B (zh) * | 2018-04-20 | 2022-03-01 | 武汉理工大学 | 基于广义霍夫变换和小波变换的路标识别方法 |
CN108876734A (zh) * | 2018-05-31 | 2018-11-23 | 沈阳东软医疗系统有限公司 | 图像去噪方法、装置、电子设备及存储介质 |
CN108876734B (zh) * | 2018-05-31 | 2022-06-07 | 东软医疗系统股份有限公司 | 图像去噪方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107292263B (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103763517B (zh) | 一种车载环视显示方法及系统 | |
DE102019112002A1 (de) | Systeme und verfahren zur automatischen detektion von anhängereigenschaften | |
DE102019121785A1 (de) | Wahrnehmungsvorrichtung für die Hindernisdetektion und Hindernisverfolgung und Wahrnehmungsverfahren für die Hindernisdetektion und Hindernisverfolgung | |
DE102018105417A1 (de) | Fahrzeugortung unter verwendung von kameras | |
CN103978978B (zh) | 基于逆投影变换的车道保持方法 | |
CN102774324B (zh) | 一种全景泊车辅助系统及其实现方法 | |
DE102017123180A1 (de) | Rückwertige Hinderniserkennung und Abstandsschätzung | |
DE102017105903A1 (de) | Fussgängerdetektion und Bewegungsvorhersage mit nach hinten gerichteter Kamera | |
DE102017127346A1 (de) | Bremslichterkennung | |
CN110516633B (zh) | 一种基于深度学习的车道线检测方法及系统 | |
CN107292263A (zh) | 一种机动、电动车辆自动驾驶识别系统 | |
DE102019110430A1 (de) | Nebenbedingungen der simultanen positionsbestimmung und kartenerstellung in generative adversarial networks zur monokularen tiefenschätzung | |
CN108399403B (zh) | 一种基于车牌尺寸计算的车距检测方法 | |
DE102018101366A1 (de) | Fahrzeuge in schlechten lichtverhältnissen | |
CN105046666A (zh) | 一种基于暗原色先验的交通视频实时去雾的方法 | |
CN103310428A (zh) | 基于单一影像的影像内雨纹去除方法与装置 | |
CN110689724B (zh) | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 | |
CN104881661A (zh) | 基于结构相似度的车辆检测方法 | |
CN105313773A (zh) | 高清全景泊车及辅助驾驶系统 | |
CN103192766A (zh) | 全景泊车辅助系统及其使用方法 | |
CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
CN204674518U (zh) | 一种基于mpsoc的一体化车辆驾驶辅助系统 | |
CN112389419A (zh) | 识别停车位的方法和停车辅助系统 | |
DE102019114399A1 (de) | Verfahren zum Parken eines Fahrzeugs mit Überstand | |
CN106627373B (zh) | 一种用于智能泊车的图像处理方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20181203 Address after: 224000 Building on the Southeast Side of B-12 Building, Xindu Street Big Data Industrial Park, South New District of Yancheng City, Jiangsu Province Applicant after: Yancheng Senna World Information Technology Co., Ltd. Address before: 518000 West Tower 1708, Nanshan Software Park, Nanshan Digital Culture Industry Base, 10128 Shennan Avenue, Nanshan Street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: Shenzhen City Creative Industry Technology Co. Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |