CN107545244A - 基于图像处理技术的限速标志检测方法 - Google Patents
基于图像处理技术的限速标志检测方法 Download PDFInfo
- Publication number
- CN107545244A CN107545244A CN201710677456.5A CN201710677456A CN107545244A CN 107545244 A CN107545244 A CN 107545244A CN 201710677456 A CN201710677456 A CN 201710677456A CN 107545244 A CN107545244 A CN 107545244A
- Authority
- CN
- China
- Prior art keywords
- speed
- limit
- sign
- numeral
- limit sign
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理技术的限速标志检测方法,本方法通过对车载摄像头采集到的交通图像进行限速标志的检测和识别,首先对图像进行预处理,根据限速标志的位置对图像进行适当剪裁、缩放和增强操作;然后对图像进行分割,考虑到限速标志特定的颜色和形状,通过设定红色阈值提取图像中的红色分量,然后对提取出的红色分量进行圆度检测,并通过判断红色圆环和限速数字的连通性以及限速数字在圆环内的位置滤除杂质;最后对目标进行检测,将疑似限速值数字与国标限速值数字逐一进行相似性测量,并返回相似值最大值,将相似值最大值与设定阈值比较,大于设定阈值的即为限速标志,从而将限速标志从复杂的自然环境中检测出来并输出限速值。
Description
技术领域
本发明涉及一种基于图像处理技术的限速标志检测方法。
背景技术
随着科技发展及人们生活水平的不断提高,汽车也越来越普及,而由此带来的交通拥堵和交通事故也日益频发。为了缓解这一问题,智能交通系统(ITS)应运而生,智能交通系统能有效协调行人、车辆和道路的关系,最大程度避免道路拥堵和减少交通事故的发生,对交通系统的安全运行具有非常重要的意义。随着智能交通系统的不断完善和发展,智能辅助驾驶和无人驾驶也成为国内外学者研究的热点,其中,限速标志的检测和识别是智能辅助驾驶和无人驾驶系统研究领域中的重点攻关对象,而且限速标志作为控制车辆行驶速度的重要手段,在交通管理中的作用突出。因此,实现限速标志的自动检测显得非常重要。
限速标志检测就是在车辆行驶的过程中从自然场景中提取出限速标志并检测出限速值,当检测到有限速标志时提醒车辆驾驶员注意控制车速以免超速行驶,或由无人驾驶系统自动控制车速,从而增强行车的安全性,以降低交通事故发生的概率。传统限速标志的检测方法比较常用的有雷达检测、红外线检测等,其受外界环境影响较大,再加上人为的干扰,会造成一定程度的误判或漏判,并且提高检测成本。
发明内容
本发明所要解决的技术问题是提供一种基于图像处理技术的限速标志检测方法,本方法利用图像处理技术实现限速标志的实时自动检测,提高检测精度,避免误判或漏判,极大的降低了检测成本,增强行车安全性,降低交通事故发生概率。
为解决上述技术问题,本发明基于图像处理技术的限速标志检测方法包括如下步骤:
步骤一、图像预处理,通过车载摄像头采集交通图像,对采集到的图像进行裁剪、缩放和增强操作,提高图像的计算效率;
步骤二、限速标志中红色圆环提取,设定红色阈值对图像中的红色区域进行提取,并对红色区域进行圆度测量,满足设定的红色阈值和圆度为疑似限速标志;
步骤三、限速标志中限速数字提取,根据限速标志内部限速数字与限速数字外圆环的连通特性以及限速数字在圆环内的位置,将非限速标志的其他禁令标志滤除;
步骤四、限速标志中限速数字的分类,根据限速标志中限速数字的个数,将限速标志按限速值进行分类;
步骤五、限速标志中限速数字的匹配,将获取到的限速数字信号与模板数字信号进行匹配,计算疑似限速数字与模板数字的相似度,并返回相似度最大值;
步骤六、限速标志中限速数字检测,设定数字检测阈值,相似度最大值满足设定数字检测阈值的疑似限速数字即为最终检测到的限速值。
进一步,所述限速标志中红色圆环提取是指根据限速标志的特定颜色和形状挑选出红色分量,由于限速标志中的限速数字是被红色圆环所包围,通过计算该红色圆环的圆度滤除非圆形标牌的杂质,若红色分量及其圆度满足所设定的阈值条件即为候选限速标志。
进一步,所述限速标志中限速数字提取是指通过判断限速标志圆形区域内限速数字与圆环的连通性以及限速数字在圆环内的位置滤除非限速标志的其他禁令标志,对限速标志灰度图设定自适应阈值,对灰度图进行二值化处理,通过判断疑似限速标志中限速数字与圆环是否连通以及限速数字的质心坐标是否满足其在圆环内的位置分布滤除非限速标志,若疑似限速标志中限速数字与圆环连通或者限速数字的质心坐标不在设定的坐标范围内,则为杂质,若疑似限速标志中限速数字与圆环不连通且限速数字质心坐标在设定的坐标范围内即为候选限速标志的限速数字。
进一步,所述限速标志中限速数字分类是根据限速标志中限速数字个数将限速标志出现的种类进行分类,对仅有一个数字的限速标志,其限速值为5,若识别出只有一个限速数字的限速标志的数字是5,则为真实限速标志,反之为杂质;对于有两个限速数字的限速标志,其个位数字为0或5,十位数字为1至9中的任意数,因此首先识别个位数字,若识别出个位数字为0或5,则继续识别十位数字,若识别出十位数字是1至9中的任意数,则为真实限速标志,反之为杂质;对于有三个数字的限速标志,其限速值为100、110和120,因此首先识别个位数字,若识别个位数字为0,则继续识别十位数字,若十位数字为0、1或2中的一个,则继续识别百位数字,若百位数字为1,则为真实限速标志,反之为杂质。
进一步,所述限速标志中限速数字的匹配是指将提取到的疑似限速标志的限速值信号和模板限速值信号拉伸到相同长度并进行水平方向和垂直方向投影,分别得到两个方向的投影值,然后将疑似限速标志的限速值投影信号和模板库中的限速值投影信号逐一匹配,并计算疑似限速标志的限速值与每一个模板限速值的相似值。
进一步,所述限速标志中限速数字检测是根据疑似限速标志的限速值与模板库中的限速值匹配得到的相似值的最大值来判断疑似限速标志的限速值,采用欧式距离计算方法判断疑似限速标志的限速值信号与模板限速值信号的相似度,并设定相似阈值,将匹配得到的相似值的最大值与相似阈值比较,大于相似阈值即为真实限速标志,并输出限速标志的位置坐标信息和限速值,小于相似阈值为杂质并滤除。
进一步,所述自适应阈值根据外界环境条件的不同,采用循环迭代的方式求取该自适应阈值,所述循环迭代算法具体步骤为:
(1)设定限速标志灰度图的灰度均值T1;
(2)将限速标志灰度图分成两组像素,分别为由所有灰度值大于T1像素组成的亮区G1和由小于或等于T1像素组成的暗区G2;
(3)分别对区域G1和G2中的所有像素计算平均灰度值μ1和μ2;
(4)计算新的自适应阈值T2=(μ1+μ2)/2;
(5)设定参数T0,如果|T2-T1|<T0,则T2即为所求的全局自适应阈值,否则将T2赋值给T1,重复上述步骤,直至满足|T2-T1|<T0,为了提高计算速度,设定循环次数为6次。
进一步,所述相似阈值是根据疑似限速标志与每一个模板限速值信号计算得到的相似度而定义的经验阈值,该相似阈值设定为5,计算得到的相似度最大值大于5的为疑似限速标志、小于5的为杂质。
由于本发明基于图像处理技术的限速标志检测方法采用了上述技术方案,即本方法通过对车载摄像头采集到的不同环境条件下的交通图像进行限速标志的检测和识别,首先对图像进行预处理,根据限速标志的位置对图像进行适当剪裁、缩放和增强操作;然后对图像进行分割,考虑到限速标志特定的颜色和形状,通过设定红色阈值提取图像中的红色分量,然后对提取出的红色分量进行圆度检测,并通过判断红色圆环和限速数字的连通性以及限速数字在圆环内的位置滤除杂质;最后对目标进行检测,将疑似限速值数字与国标限速值数字逐一进行相似性测量,并返回相似值最大值,将相似值最大值与设定阈值比较,大于设定阈值的即为限速标志,从而将限速标志从复杂的自然环境中检测出来并输出限速值。本方法利用图像处理技术实现限速标志的实时自动检测,提高检测精度,避免受外界环境干扰,极大的降低了检测成本,增强行车安全性,降低交通事故发生概率。
附图说明
下面结合附图和实施方式对本发明作进一步的详细说明:
图1为本发明基于图像处理技术的限速标志检测方法的流程框图;
图2为本方法的原理框图。
具体实施方式
实施例如图1和图2所示,本发明基于图像处理技术的限速标志检测方法包括如下步骤:
步骤一、图像预处理,通过车载摄像头采集交通图像,对采集到的图像进行裁剪、缩放和增强操作,提高图像的计算效率;
步骤二、限速标志中红色圆环提取,设定红色阈值对图像中的红色区域进行提取,并对红色区域进行圆度测量,满足设定的红色阈值和圆度为疑似限速标志;
步骤三、限速标志中限速数字提取,根据限速标志内部限速数字与限速数字外圆环的连通特性以及限速数字在圆环内的位置,将非限速标志的其他禁令标志滤除;
步骤四、限速标志中限速数字的分类,根据限速标志中限速数字的个数,将限速标志按限速值进行分类;
步骤五、限速标志中限速数字的匹配,将获取到的限速数字信号与模板数字信号进行匹配,计算疑似限速数字与模板数字的相似度,并返回相似度最大值;
步骤六、限速标志中限速数字检测,设定数字检测阈值,相似度最大值满足设定数字检测阈值的疑似限速数字即为最终检测到的限速值。
优选的,所述限速标志中红色圆环提取是指根据限速标志的特定颜色和形状挑选出红色分量,由于限速标志中的限速数字是被红色圆环所包围,通过计算该红色圆环的圆度滤除非圆形标牌的杂质,若红色分量及其圆度满足所设定的阈值条件即为候选限速标志。
优选的,所述限速标志中限速数字提取是指通过判断限速标志圆形区域内限速数字与圆环的连通性以及限速数字在圆环内的位置滤除非限速标志的其他禁令标志,对限速标志灰度图设定自适应阈值,对灰度图进行二值化处理,通过判断疑似限速标志中限速数字与圆环是否连通以及限速数字的质心坐标是否满足其在圆环内的位置分布滤除非限速标志,若疑似限速标志中限速数字与圆环连通或者限速数字的质心坐标不在设定的坐标范围内,则为杂质,若疑似限速标志中限速数字与圆环不连通且限速数字质心坐标在设定的坐标范围内即为候选限速标志的限速数字。
优选的,所述限速标志中限速数字分类是根据限速标志中限速数字个数将限速标志出现的种类进行分类,对仅有一个数字的限速标志,其限速值为5,若识别出只有一个限速数字的限速标志的数字是5,则为真实限速标志,反之为杂质;对于有两个限速数字的限速标志,其个位数字为0或5,十位数字为1至9中的任意数,因此首先识别个位数字,若识别出个位数字为0或5,则继续识别十位数字,若识别出十位数字是1至9中的任意数,则为真实限速标志,反之为杂质;对于有三个数字的限速标志,其限速值为100、110和120,因此首先识别个位数字,若识别个位数字为0,则继续识别十位数字,若十位数字为0、1或2中的一个,则继续识别百位数字,若百位数字为1,则为真实限速标志,反之为杂质。
优选的,所述限速标志中限速数字的匹配是指将提取到的疑似限速标志的限速值信号和模板限速值信号拉伸到相同长度并进行水平方向和垂直方向投影,分别得到两个方向的投影值,然后将疑似限速标志的限速值投影信号和模板库中的限速值投影信号逐一匹配,并计算疑似限速标志的限速值与每一个模板限速值的相似值。
优选的,所述限速标志中限速数字检测是根据疑似限速标志的限速值与模板库中的限速值匹配得到的相似值的最大值来判断疑似限速标志的限速值,采用欧式距离计算方法判断疑似限速标志的限速值信号与模板限速值信号的相似度,并设定相似阈值,将匹配得到的相似值的最大值与相似阈值比较,大于相似阈值即为真实限速标志,并输出限速标志的位置坐标信息和限速值,小于相似阈值为杂质并滤除。
优选的,所述自适应阈值根据外界环境条件的不同,采用循环迭代的方式求取该自适应阈值,所述循环迭代算法具体步骤为:
(1)设定限速标志灰度图的灰度均值T1;
(2)将限速标志灰度图分成两组像素,分别为由所有灰度值大于T1像素组成的亮区G1和由小于或等于T1像素组成的暗区G2;
(3)分别对区域G1和G2中的所有像素计算平均灰度值μ1和μ2;
(4)计算新的自适应阈值T2=(μ1+μ2)/2;
(5)设定参数T0,如果|T2-T1|<T0,则T2即为所求的全局自适应阈值,否则将T2赋值给T1,重复上述步骤,直至满足|T2-T1|<T0,为了提高计算速度,设定循环次数为6次。
优选的,所述相似阈值是根据疑似限速标志与每一个模板限速值信号计算得到的相似度而定义的经验阈值,该相似阈值设定为5,计算得到的相似度最大值大于5的为疑似限速标志、小于5的为杂质。
本方法中模板是指国家标准中规定的限速标志,模板库就是根据国家标准各种限速标志的集合,模板数字信号是指国家标准限速标志中限速值数字经水平或垂直投影后得到的二维向量。本方法利用图像处理技术,在进行限速标志检测时,对交通图像处理所用到的算法都是比较简单的传统算法,故对检测系统的软硬件无特殊要求,并且在图像预处理阶段进行了适当的裁剪和缩放,大大减少了系统的运算量,提高了限速标志的检测速度,避免了传统检测方法的误判或漏判,降低检测成本;同时本方法还具有以下优势;
1、检测速度快,在进行目标检测前,图像都经过裁剪和缩放预处理操作,减少了系统运算量,提高了检测速度;
2、检测精度高,在目标提取阶段,结合限速标志的红色圆环和圆环内的限速数字的连通特性以及限速数字的位置特性对疑似目标提取,使检测结果更加精确;在匹配阶段,采用了基于双向投影法对疑似目标信号和模板信号进行相似性测量,提高了检测算法的准确性;
3、实时性好,所处理的图像都是通过车载摄像头实时采集到单帧图像序列,受到外界环境干扰小;
4、维护方便,所用的检测算法都是传统的图像识别算法,对检测系统进行优化、维护比较简单方便。
5、可嵌入性程度高,本方法可以嵌入到其他检测系统中作为一个独立的功能模块使用,提高了应用的灵活性。
由此,本方法与传统限速标志的检测方法相比,能够提供速度快、精度更高、实时性好、易维护、可嵌入程度高的限速标志检测服务,极大地方便了用户驾车出行,降低了交通事故的发生概率,具有广阔的应用前景。
Claims (8)
1.一种基于图像处理技术的限速标志检测方法,其特征在于本方法包括如下步骤:
步骤一、图像预处理,通过车载摄像头采集交通图像,对采集到的图像进行裁剪、缩放和增强操作,提高图像的计算效率;
步骤二、限速标志中红色圆环提取,设定红色阈值对图像中的红色区域进行提取,并对红色区域进行圆度测量,满足设定的红色阈值和圆度为疑似限速标志;
步骤三、限速标志中限速数字提取,根据限速标志内部限速数字与限速数字外圆环的连通特性以及限速数字在圆环内的位置,将非限速标志的其他禁令标志滤除;
步骤四、限速标志中限速数字的分类,根据限速标志中限速数字的个数,将限速标志按限速值进行分类;
步骤五、限速标志中限速数字的匹配,将获取到的限速数字信号与模板数字信号进行匹配,计算疑似限速数字与模板数字的相似度,并返回相似度最大值;
步骤六、限速标志中限速数字检测,设定数字检测阈值,相似度最大值满足设定数字检测阈值的疑似限速数字即为最终检测到的限速值。
2.根据权利要求1所述的基于图像处理技术的限速标志检测方法,其特征在于:所述限速标志中红色圆环提取是指根据限速标志的特定颜色和形状挑选出红色分量,由于限速标志中的限速数字是被红色圆环所包围,通过计算该红色圆环的圆度滤除非圆形标牌的杂质,若红色分量及其圆度满足所设定的阈值条件即为候选限速标志。
3.根据权利要求1所述的基于图像处理技术的限速标志检测方法,其特征在于:所述限速标志中限速数字提取是指通过判断限速标志圆形区域内限速数字与圆环的连通性以及限速数字在圆环内的位置滤除非限速标志的其他禁令标志,对限速标志灰度图设定自适应阈值对灰度图进行二值化处理,通过判断疑似限速标志中限速数字与圆环是否连通以及限速数字的质心坐标是否满足其在圆环内的位置分布滤除非限速标志,若疑似限速标志中限速数字与圆环连通或者限速数字的质心坐标不在设定的坐标范围内,则为杂质,若疑似限速标志中限速数字与圆环不连通且限速数字质心坐标在设定的坐标范围内即为候选限速标志的限速数字。
4.根据权利要求1所述的基于图像处理技术的限速标志检测方法,其特征在于:所述限速标志中限速数字分类是根据限速标志中限速数字个数将限速标志出现的种类进行分类,对仅有一个数字的限速标志,其限速值为5,若识别出只有一个限速数字的限速标志的数字是5,则为真实限速标志,反之为杂质;对于有两个限速数字的限速标志,其个位数字为0或5,十位数字为1至9中的任意数,因此首先识别个位数字,若识别出个位数字为0或5,则继续识别十位数字,若识别出十位数字是1至9中的任意数,则为真实限速标志,反之为杂质;对于有三个数字的限速标志,其限速值为100、110和120,因此首先识别个位数字,若识别个位数字为0,则继续识别十位数字,若十位数字为0、1或2中的一个,则继续识别百位数字,若百位数字为1,则为真实限速标志,反之为杂质。
5.根据权利要求1所述的基于图像处理技术的限速标志检测方法,其特征在于:所述限速标志中限速数字的匹配是指将提取到的疑似限速标志的限速值信号和模板限速值信号拉伸到相同长度并进行水平方向和垂直方向投影,分别得到两个方向的投影值,然后将疑似限速标志的限速值投影信号和模板库中的限速值投影信号逐一匹配,并计算疑似限速标志的限速值与每一个模板限速值的相似值。
6.根据权利要求1所述的基于图像处理技术的限速标志检测方法,其特征在于:所述限速标志中限速数字检测是根据疑似限速标志的限速值与模板库中的限速值匹配得到的相似值的最大值来判断疑似限速标志的限速值,采用欧式距离计算方法判断疑似限速标志的限速值信号与模板限速值信号的相似度,并设定相似阈值,将匹配得到的相似值的最大值与相似阈值比较,大于相似阈值即为真实限速标志,并输出限速标志的位置坐标信息和限速值,小于相似阈值为杂质并滤除。
7.根据权利要求3所述的基于图像处理技术的限速标志检测方法,其特征在于:所述自适应阈值根据外界环境条件的不同,采用循环迭代的方式求取该自适应阈值,所述循环迭代算法具体步骤为:
(1)设定限速标志灰度图的灰度均值T1;
(2)将限速标志灰度图分成两组像素,分别为由所有灰度值大于T1像素组成的亮区G1和由小于或等于T1像素组成的暗区G2;
(3)分别对区域G1和G2中的所有像素计算平均灰度值μ1和μ2;
(4)计算新的自适应阈值T2=(μ1+μ2)/2;
(5)设定参数T0,如果|T2-T1|<T0,则T2即为所求的全局自适应阈值,否则将T2赋值给T1,重复上述步骤,直至满足|T2-T1|<T0,为了提高计算速度,设定循环次数为6次。
8.根据权利要求6所述的基于图像处理技术的限速标志检测方法,其特征在于:所述相似阈值是根据疑似限速标志与每一个模板限速值信号计算得到的相似度而定义的经验阈值,该相似阈值设定为5,计算得到的相似度最大值大于5的为疑似限速标志、小于5的为杂质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710677456.5A CN107545244A (zh) | 2017-08-09 | 2017-08-09 | 基于图像处理技术的限速标志检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710677456.5A CN107545244A (zh) | 2017-08-09 | 2017-08-09 | 基于图像处理技术的限速标志检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107545244A true CN107545244A (zh) | 2018-01-05 |
Family
ID=60971289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710677456.5A Pending CN107545244A (zh) | 2017-08-09 | 2017-08-09 | 基于图像处理技术的限速标志检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107545244A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117767A (zh) * | 2018-07-30 | 2019-01-01 | 电子科技大学 | 一种基于区域生长的限速标志分类方法 |
CN109959800A (zh) * | 2018-10-29 | 2019-07-02 | 永康市臣贸工贸有限公司 | 车辆密度实时通知系统 |
CN114219806A (zh) * | 2022-02-22 | 2022-03-22 | 成都数联云算科技有限公司 | 一种汽车雷达检测方法、装置、设备、介质及产品 |
CN115376331A (zh) * | 2022-07-29 | 2022-11-22 | 中国第一汽车股份有限公司 | 限速信息的确定方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101508300A (zh) * | 2009-03-12 | 2009-08-19 | 上海交通大学 | 自动识别道路限速标志的车辆智能方法 |
CN102136150A (zh) * | 2011-03-22 | 2011-07-27 | 宁波大学 | 一种基于图像处理技术的限速标志检测方法 |
-
2017
- 2017-08-09 CN CN201710677456.5A patent/CN107545244A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101508300A (zh) * | 2009-03-12 | 2009-08-19 | 上海交通大学 | 自动识别道路限速标志的车辆智能方法 |
CN102136150A (zh) * | 2011-03-22 | 2011-07-27 | 宁波大学 | 一种基于图像处理技术的限速标志检测方法 |
Non-Patent Citations (2)
Title |
---|
ANDRZEJ RUTA等: "《Real-time traffic sign recognition from video by class-specific discriminative features》", 《PATTERN RECOGNITION》 * |
梁瑶: "《基于机器视觉的限速标志识别技术研究》", 《中国优秀硕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 |
---|---|---|---|---|
CN109117767A (zh) * | 2018-07-30 | 2019-01-01 | 电子科技大学 | 一种基于区域生长的限速标志分类方法 |
CN109959800A (zh) * | 2018-10-29 | 2019-07-02 | 永康市臣贸工贸有限公司 | 车辆密度实时通知系统 |
CN114219806A (zh) * | 2022-02-22 | 2022-03-22 | 成都数联云算科技有限公司 | 一种汽车雷达检测方法、装置、设备、介质及产品 |
CN114219806B (zh) * | 2022-02-22 | 2022-04-22 | 成都数联云算科技有限公司 | 一种汽车雷达检测方法、装置、设备、介质及产品 |
CN115376331A (zh) * | 2022-07-29 | 2022-11-22 | 中国第一汽车股份有限公司 | 限速信息的确定方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Philipsen et al. | Traffic light detection: A learning algorithm and evaluations on challenging dataset | |
CN101859382B (zh) | 一种基于最大稳定极值区域的车牌检测与识别的方法 | |
CN104392212B (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
Gavrila | Traffic sign recognition revisited | |
CN105260712A (zh) | 一种车辆前方行人检测方法及系统 | |
CN107545244A (zh) | 基于图像处理技术的限速标志检测方法 | |
CN105184271A (zh) | 一种基于深度学习的车辆自动检测方法 | |
CN102855461B (zh) | 在图像中检测手指的方法及设备 | |
CN109460699A (zh) | 一种基于深度学习的驾驶员安全带佩戴识别方法 | |
CN105404857A (zh) | 一种基于红外的夜间智能车前方行人检测方法 | |
Xu et al. | Real-time obstacle detection over rails using deep convolutional neural network | |
CN109460704A (zh) | 一种基于深度学习的疲劳检测方法、系统和计算机设备 | |
Hasegawa et al. | Type classification, color estimation, and specific target detection of moving targets on public streets | |
Fleyeh | Traffic and road sign recognition | |
CN111274886A (zh) | 一种基于深度学习的行人闯红灯违法行为分析方法及系统 | |
Ma et al. | Intelligent detection model based on a fully convolutional neural network for pavement cracks | |
CN105718904A (zh) | 基于组合特征与车载摄像头的盲人检测与识别方法与系统 | |
Taştimur et al. | Image processing based traffic sign detection and recognition with fuzzy integral | |
Al Nasim et al. | An automated approach for the recognition of bengali license plates | |
Varun et al. | A road traffic signal recognition system based on template matching employing tree classifier | |
CN106960193A (zh) | 一种车道线检测装置和方法 | |
Zheng et al. | A morphological neural network approach for vehicle detection from high resolution satellite imagery | |
CN103295003A (zh) | 一种基于多特征融合的车辆检测方法 | |
Phu et al. | Traffic sign recognition system using feature points | |
Li et al. | A cascade learning approach for automated detection of locomotive speed sensor using imbalanced data in ITS |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180105 |