CN107563265B - 一种远光灯检测方法及装置 - Google Patents
一种远光灯检测方法及装置 Download PDFInfo
- Publication number
- CN107563265B CN107563265B CN201610531924.3A CN201610531924A CN107563265B CN 107563265 B CN107563265 B CN 107563265B CN 201610531924 A CN201610531924 A CN 201610531924A CN 107563265 B CN107563265 B CN 107563265B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- detected
- vehicle
- suspected
- 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
Images
Landscapes
- Image Analysis (AREA)
- Lighting Device Outwards From Vehicle And Optical Signal (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供的一种远光灯检测方法及装置,涉及智能交通技术领域,该方法包括:获得待检测图像中预设区域内像素点的灰度值分布;根据所述灰度值分布,判断所述待检测图像的拍摄模式是否为夜晚模式;在判断结果为夜晚模式的情况下,获得所述待检测图像中的疑似车辆区域;按照预设的车灯定位规则,从所述疑似车辆区域中定位到疑似车灯区域;根据所述疑似车灯区域内预设数量个像素点的灰度值,检测所述待检测图像中的疑似车辆是否开启了远光灯。应用本发明实施例提供的方案,在远光灯检测的过程中,由于是基于待检测图像进行检测的,并不需要采集车辆前照灯的光照强度,因而无需部署多个光照传感器,从而降低了前期部署和后期维护的工作量。
Description
技术领域
本发明涉及智能交通技术领域,特别是涉及一种远光灯检测方法及装置。
背景技术
远光灯是车辆所配备的一种常见的照明设备,属于前照灯的一种。实际应用中,远光灯一般是在夜晚等能见度较低的环境中才被开启的。从光学角度来讲,远光灯的光线经过其光路焦点后几乎可以平行射出,光束较为集中,光照强度大,照射距离远。恰恰由于远光灯的光照强度大,容易导致迎面车辆的驾驶员看不清前方路况,影响驾驶员对其他车辆的速度和距离的判断,因此滥用远光灯容易引发交通事故,可见,对车辆是否开启远光灯进行检测具有重要意义。
现有技术中,可以在道路上的预设监测点布置多个光照传感器,利用光照传感器来采集车辆前照灯的光照强度,并通过所采集的光照强度判断车辆是否开启远光灯。
上述方案虽然能够实现对远光灯的检测,但是上述方案是基于光照传感器的,在进行远光灯检测之前需要部署多个光照传感器,在实际使用中还需要对各个光照传感器进行维护,前期部署和后期维护的工作量大。
发明内容
本发明实施例的目的在于提供一种远光灯检测方法及装置,以降低前期部署和后期维护的工作量。
为达到上述目的,本发明实施例公开了一种远光灯检测方法,所述方法包括:
获得待检测图像中预设区域内像素点的灰度值分布;
根据所述灰度值分布,判断所述待检测图像的拍摄模式是否为夜晚模式;
在判断结果为夜晚模式的情况下,获得所述待检测图像中的疑似车辆区域;
按照预设的车灯定位规则,从所述疑似车辆区域中定位到疑似车灯区域;
根据所述疑似车灯区域内预设数量个像素点的灰度值,检测所述待检测图像中的疑似车辆是否开启了远光灯。
可选的,所述根据所述灰度值分布,判断所述待检测图像的拍摄模式是否为夜晚模式,包括:
将所述灰度值分布作为输入向量,输入至预先建立的拍摄模式判断模型中,所述拍摄模式判断模型,依据输入的灰度值分布,以及在所述拍摄模式判断模型训练完成时所获得的灰度值分布与拍摄模式的对应关系,判断所述待检测图像的拍摄模式是否为夜晚模式。
可选的,所述获得所述待检测图像中的疑似车辆区域,包括:
获得所述待检测图像的颜色特征和纹理特征,并将所述颜色特征和所述纹理特征输入至预先建立的车辆检测模型中,所述车辆检测模型,依据输入的颜色特征和纹理特征,检测所述待检测图像中是否有与车辆的颜色特征和纹理特征相匹配的图像区域,并将相匹配的图像区域确定为疑似车辆区域。
可选的,所述按照预设的车灯定位规则,从所述疑似车辆区域中定位到疑似车灯区域,包括:
S1:在所述疑似车辆区域中选取预设数量R个关键点,并将所选取的R个关键点确定为当前关键点;
S2:基于预设的特征提取规则,分别提取每一个当前关键点的特征;
S3:将当前关键点的全部特征分别输入至预先建立的与各个关键点对应的线性回归模型中,所述各个当前关键点对应的线性回归模型分别计算出各个当前关键点与各自的目标关键点之间的偏差量;
S4:根据计算出的各个偏差量,校正各个当前关键点的位置,并将校正后的各个关键点确定为当前关键点,并返回执行步骤S2和步骤S3,直至满足预设的停止校正条件;
S5:根据校正停止后得到的当前关键点的位置,拟合出前照灯的轮廓,并将所述前照灯的轮廓所对应的图像区域确定为疑似车灯区域。
可选的,所述基于预设的特征提取规则,分别提取每一个当前关键点的特征,包括:
基于预设的随机森林算法,分别提取每一个当前关键点的特征。
可选的,所述根据所述疑似车灯区域内预设数量个像素点的灰度值,检测所述待检测图像中的疑似车辆是否开启了远光灯,包括:
选择所述疑似车灯区域内按照灰度值由高到低顺序排列的前M个像素点,其中,M为正整数;
计算所述M个像素点的平均灰度值VM;
判断所述平均灰度值VM是否大于预设的灰度值阈值Td;
若大于,则检测到所述待检测图像中的疑似车辆开启了远光灯。
可选的,在所述平均灰度值VM不大于预设的灰度值阈值Td的情况下,还包括:
基于预设的车辆子品牌确定模型,确定所述疑似车辆对应的目标子品牌;
提取所述疑似车灯区域的区域特征、灰度特征和梯度特征,并将所提取的各个特征构成的特征向量输入至预先建立的与所述目标子品牌对应的目标远光灯检测模型中,所述目标远光灯检测模型,依据输入的特征向量,以及在所述目标远光灯检测模型训练完成时所获得的区域特征、灰度特征和梯度特征与远光灯开启状态的对应关系,检测所述待检测图像中的疑似车辆是否开启了远光灯。
可选的,所述预设区域,包括:
所述待检测图像的整个图像区域,或,所述待检测图像的至少一个子图像区域。
为达到上述目的,本发明实施例公开了一种远光灯检测装置,所述装置包括:
灰度分布获得模块,用于获得待检测图像中预设区域内像素点的灰度值分布;
夜晚模式判断模块,用于根据所述灰度值分布,判断所述待检测图像的拍摄模式是否为夜晚模式;
车辆区域获得模块,用于在所述夜晚模式判断模块的判断结果为夜晚模式的情况下,获得所述待检测图像中的疑似车辆区域;
车灯区域获得模块,用于按照预设的车灯定位规则,从所述疑似车辆区域中定位到疑似车灯区域;
远光灯检测模块,用于根据所述疑似车灯区域内预设数量个像素点的灰度值,检测所述待检测图像中的疑似车辆是否开启了远光灯。
可选的,所述夜晚模式判断模块,具体用于:
将所述灰度值分布作为输入向量,输入至预先建立的拍摄模式判断模型中,所述拍摄模式判断模型,依据输入的灰度值分布,以及在所述拍摄模式判断模型训练完成时所获得的灰度值分布与拍摄模式的对应关系,判断所述待检测图像的拍摄模式是否为夜晚模式。
可选的,所述车辆区域获得模块,具体用于:
在所述夜晚模式判断模块的判断结果为夜晚模式的情况下,获得所述待检测图像的颜色特征和纹理特征,并将所述颜色特征和所述纹理特征输入至预先建立的车辆检测模型中,所述车辆检测模型,依据输入的颜色特征和纹理特征,检测所述待检测图像中是否有与车辆的颜色特征和纹理特征相匹配的图像区域,并将相匹配的图像区域确定为疑似车辆区域。
可选的,所述车灯区域获得模块,包括:关键点确定子模块、特征提取子模块、偏差量计算子模块、关键点校正子模块和车灯区域确定子模块;其中,
所述关键点确定子模块,用于在所述疑似车辆区域中选取预设数量R个关键点,并将所选取的R个关键点确定为当前关键点;
所述特征提取子模块,用于基于预设的特征提取规则,分别提取每一个当前关键点的特征;
所述偏差量计算子模块,用于将当前关键点的全部特征分别输入至预先建立的与各个关键点对应的线性回归模型中,所述各个当前关键点对应的线性回归模型分别计算出各个当前关键点与各自的目标关键点之间的偏差量;
所述关键点校正子模块,用于根据计算出的各个偏差量,校正各个当前关键点的位置,并将校正后的各个关键点确定为当前关键点,并触发所述特征提取子模块和所述偏差量计算子模块,直至满足预设的停止校正条件;
所述车灯区域确定子模块,用于根据校正停止后得到的当前关键点的位置,拟合出前照灯的轮廓,并将所述前照灯的轮廓所对应的图像区域确定为疑似车灯区域。
可选的,所述车灯区域确定子模块,具体用于:
基于预设的随机森林算法,分别提取每一个当前关键点的特征。
可选的,所述远光灯检测模块,包括:
像素点选择子模块,用于选择所述疑似车灯区域内按照灰度值由高到低顺序排列的前M个像素点,其中,M为正整数;
平均值计算子模块,用于计算所述M个像素点的平均灰度值VM;
平均值判断子模块,用于判断所述平均灰度值VM是否大于预设的灰度值阈值Td;
第一远光灯检测子模块,用于在所述平均值判断子模块的判断结果为大于时,检测到所述待检测图像中的疑似车辆开启了远光灯。
可选的,所述远光灯检测模块还包括:车辆子品牌确定子模块和第二远光灯检测子模块;其中,
所述车辆子品牌确定子模块,用于在所述平均灰度值VM不大于预设的灰度值阈值Td的情况下,基于预设的车辆子品牌确定模型,确定所述疑似车辆对应的目标子品牌;
所述第二远光灯检测子模块,用于提取所述疑似车灯区域的区域特征、灰度特征和梯度特征,并将所提取的各个特征构成的特征向量输入至预先建立的与所述目标子品牌对应的目标远光灯检测模型中,所述目标远光灯检测模型,依据输入的特征向量,以及在所述目标远光灯检测模型训练完成时所获得的区域特征、灰度特征和梯度特征与远光灯开启状态的对应关系,检测所述待检测图像中的疑似车辆是否开启了远光灯。
可选的,所述预设区域,包括:
所述待检测图像的整个图像区域,或,所述待检测图像的至少一个子图像区域。
本发明实施例提供的一种远光灯检测方法及装置,在进行远光灯检测时,首先获得待检测图像中预设区域内像素点的灰度值分布;然后根据该灰度值分布,判断待检测图像的拍摄模式是否为夜晚模式,并在判断结果为夜晚模式的情况下,获得待检测图像中的疑似车辆区域;接着按照预设的车灯定位规则,从该疑似车辆区域中定位到疑似车灯区域;最后根据所述疑似车灯区域内预设数量个像素点的灰度值,检测所述待检测图像中的疑似车辆是否开启了远光灯。应用本发明实施例提供的方案,在远光灯检测的过程中,由于是基于待检测图像进行检测的,并不需要采集车辆前照灯的光照强度,因而无需部署多个光照传感器,从而降低了前期部署和后期维护的工作量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种远光灯检测方法的流程示意图;
图2为本发明实施例提供的一种树形结构的示意图;
图3为本发明实施例提供的一种拟合出的前照灯的轮廓示意图;
图4为本发明实施例提供的一种远光灯检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
如图1所示,为本发明实施例提供的一种远光灯检测方法的流程示意图,该方法包括以下步骤:
S101:获得待检测图像中预设区域内像素点的灰度值分布。
上述待检测图像可以是灰度图像,也可以是其他能够提供像素点灰度值的图像,本申请并不对上述待检测图像的图像类型进行限定。
本发明实施例并不需要对待检测图像的获得方式进行限定,具体的,待检测图像可以是由图像采集设备实时采集的图像,例如,待检测图像可以是由设置于道路上预设监测点的监控摄像头实时拍摄的视频帧灰度图像;也可以是本地预先存储的图像,例如,待检测图像可以是由工作人员预先存储的图像。
实际应用中,若待检测图像为实时采集的图像时,有利于对道路中正在行驶的车辆进行实时的远光灯检测,以便于及时采取相应的应对措施;而当待检测图像为预先存储的图像时,能够对所拍摄图像时刻正在行驶车辆进行远光灯检测,可以实现随时随地查看检测结果。
具体的,上述预设区域可以为待检测图像的整个图像区域,还可以为待检测图像的至少一个子图像区域。需要说明的是,本发明实施例并不需要对预设区域的具体形式进行限定,也不需要对子图像区域的数量进行限定,更不需要对子图像区域的图像尺寸进行限定,例如,可以将子图像区域的图像尺寸设置为100*100,本领域内的技术人员可以根据实际应用中的具体情况进行合理的设置。另外,还需要说明的是,本领域内的技术人员可以根据实际经验预先设置各个子图像区域在待检测图像中的位置。
实际上,获得预设区域内像素点的灰度值分布的目的在于,进行后续判断待检测图像的拍摄模式是否为夜晚模式的步骤。具体的,当预设区域为待检测区域的整个图像区域时,反映的是该待检测图像的整体灰度分布情况,因而能够尽可能的保证后续拍摄模式判断的准确性。另外,容易理解的,预设区域的区域面积越大,其包含的像素点的数量也就越多,相应的,统计像素点的灰度分布情况所需要的运算量也会越大。因此,为了减少运算量,以及提高远光灯检测的实时性,可以从待检测图像中选取一个或多个子图像区域,进而统计各个子图像区域内像素点的灰度值分布。更具体的,当预设区域为一个子图像区域时,往往容易因干扰因素造成后续拍摄模式判断的失败,例如,若待检测图像是在白天能见度较高的环境下拍摄的,但该待检测图像中存在一块树荫区域或黑色车身区域,若这一个子图像区域恰巧就是这样的图像区域,则很容易造成拍摄模式判断的失败,所以为了保证后续拍摄模式判断的准确性,最好选取多个子图像区域,进而根据各个子图像区域内像素点的灰度值分布来判断拍摄模式。
通常,可以将图像中像素点的亮度划分成若干个灰度级,例如,可以划分成256个灰度级,灰度值范围为(0-255)。上述提及的灰度值分布,是指预设区域内的像素点的灰度值的分布情况,反映的是对应于各个灰度值或各个灰度区间的像素点的数量情况。一种实现方式中,可以用灰度直方图来直观的反映预设区域的灰度分布情况,当然,本发明实施例并不需要对灰度值分布的具体展现形式进行限定。
S102:根据该灰度值分布,判断待检测图像的拍摄模式是否为夜晚模式。
容易理解的,对于待检测图像而言,既可以是在夜晚等能见度较低的环境下拍摄得到的,还可以是在白天等能见度较高的环境下拍摄得到的,然而,车辆通常是在夜晚等能见度较低的环境下才会开启远光灯,因而对于能见度较高的环境下拍摄的待检测图像来说,通常是不需要检测远光灯是否开启的,鉴于此,有必要对待检测图像的拍摄模式是否为夜晚模式进行一下判断,这样,能够大大降低了车辆远光灯检测的工作量,避免计算资源的浪费,同时还能提高车辆远光灯检测的准确性。
一种实现方式中,可以按照以下方式来判断待检测图像的拍摄模式是否为夜晚模式:
将灰度值分布作为输入向量,输入至预先建立的拍摄模式判断模型中,该拍摄模式判断模型,依据输入的灰度值分布,以及在该拍摄模式判断模型训练完成时所获得的灰度值分布与拍摄模式的对应关系,判断该待检测图像的拍摄模式是否为夜晚模式。
其中,在应用上述拍摄模式判断模型之前,需要预先建立该拍摄模式判断模型。具体的,该拍摄模式判断模型的建立过程为:选取与预设区域的图像尺寸对应的多个训练样本及各个训练样本所对应的拍摄模式,分别提取每一个训练样本的灰度值分布,然后逐一将所提取的与每一个训练样本对应的灰度值分布和拍摄模式输入至基于SVM(SupportVector Machine,支持向量机)算法的分类器中,直至将全部训练样本对应的灰度值分布和拍摄模式输入完毕后,获得灰度值分布与拍摄模式的对应关系,完成拍摄模式判断模型的建立。
需要说明的是,上述所列举的拍摄模式判断模型的建立过程仅仅是本发明实施例所提供的一种具体实现方式而已,本发明并不需要对该拍摄模式判断模型的建立过程进行限定,例如,上述拍摄模式判断模型除了可以是基于SVM算法训练得到的模型外,还可以是基于ANNs(Artificial Neural Networks,人工神经网络)算法训练得到的模型。需要强调的是,无论采用哪种算法建立该拍摄模式判断模型,均需要保证在模型建立过程中和模型应用过程中所提取的特征是一致的,也就是说,若模型建立过程提取的是训练样本的灰度值分布这一特征,在利用该模型进行判断时,同样需要提取预设区域的灰度值分布这一特征,是需要一一对应的。
S103:在判断结果为夜晚模式的情况下,获得待检测图像中的疑似车辆区域。
在判断结果为夜晚模式的情况下,进一步获得待检测图像中的疑似车辆区域,目的在于从该待检测图像中提取出疑似为车辆的图像区域,进而能够缩小后续处理的图像区域的范围,避免其他干扰因素的影响,例如,可以避免将待检测图像中拍摄的路灯作为远光灯检测出来,提高车辆远光灯检测的准确性。
在步骤S101中提到,待检测图像可以是实时采集的图像,还可以是预先存储的图像。但是,不论是实时采集的图像,还是预先存储的图像,对于待检测图像而言,在整幅图像的前景部分中可能包括一个或多个包含有车辆的图像区域,也可能该图像的前景部分不包括含有车辆的图像区域。本步骤的目的在于将待检测图像中包含有车辆的图像区域(即疑似车辆区域)从待检测图像中提取出来,并将所提取出来的包含有车辆的图像区域作为后续步骤的处理对象。
另外,可以采用现有技术获得待检测图像中的疑似车辆区域。具体的,一种实现方式中,可以按照以下方式获得待检测图像中的疑似车辆区域:
获得待检测图像的颜色特征和纹理特征,并将该颜色特征和该纹理特征输入至预先建立的车辆检测模型中,该车辆检测模型,依据输入的颜色特征和纹理特征,检测待检测图像中是否有与车辆的颜色特征和纹理特征相匹配的图像区域,并将相匹配的图像区域确定为疑似车辆区域。
需要说明的是,与拍摄模式判断模型类似,在应用上述车辆检测模型之前,也需要预先建立该车辆检测模型。同样的,本发明并不需要对该车辆检测模型的建立过程进行限定,例如,上述车辆检测模型除了可以基于SVM算法训练得到的模型,还可以是基于集合分类器Boosting算法训练得到的由多个级联的子分类器构成的模型,另外,现有技术中已公开了基于SVM算法以及Boosting算法建立模型的方式,此处不再赘述,具体可参见现有技术中的相关步骤。
需要强调的是,无论采用哪种算法建立该车辆检测模型,均需要保证在模型建立过程中和模型应用过程中所提取的特征是一致的,也就是说,若模型建立过程提取的是训练样本的颜色特征和纹理特征,在利用该模型进行判断时,同样需要提取待检测图像的颜色特征和纹理特征,是需要一一对应的。
另外,一种实现方式中,所采用的纹理特征可以为LBP(Local Binary Pattern,局部二值模式)与HOG(Histogram of Oriented Gradient,方向梯度直方图)构成的综合纹理特征。容易理解的,与单纯选用一种纹理特征的情况相比而言,该实现方式提供的这种综合纹理特征能够从一定程度上提高车辆检测模型的准确度。
S104:按照预设的车灯定位规则,从该疑似车辆区域中定位到疑似车灯区域。
在获得待检测图像中的疑似车辆区域后,可以从该疑似车辆区域中定位到疑似车灯区域,目的在于从该疑似车辆区域中提取出疑似为该车辆的车灯的图像区域,从而又一次缩小了后续处理的图像区域的范围,进一步提高了车辆远光灯检测的准确性。
另外,可以采用现有技术从该疑似车辆区域中定位到疑似车灯区域。具体的,一种实现方式中,可以按照以下方式从该疑似车辆区域中定位到疑似车灯区域:
S1:在该疑似车辆区域中选取预设数量R个关键点,并将所选取的R个关键点确定为当前关键点。
需要说明的是,上述R个关键点可以是由本领域内的技术人员根据实际经验所预先设定的关键点,另外,关键点通常可以在车灯轮廓曲线的拐点所在的位置或者是轮廓曲线曲率较大的位置选取,需要强调的是,关键点的选取最好可以大致反映出车灯的轮廓信息,而且关键点的数量不宜过多,否则影响后续关键点定位的准确性。
其中,这里提及的关键点是指疑似车辆区域中具有车灯特质或特征的图像区域,也就是说,该关键点其实是由处于同一邻域内的多个像素点构成的一个小图像区域,构成每个关键点的图像区域既可以是圆形的图像区域,也可以是正方形的图像区域,需要说明的是,本发明实施例并不需要对此进行限定。
具体的,一种实现方式中,可以在该疑似车辆区域中选取10个关键点,也就是,针对车辆的每一个前照灯而言,各选择5个关键点。当然,这里仅仅是列举了一种具体实现方式而已,本发明实施例不需要对预设数量R的具体数值进行限定,但是,R的数值不宜过小,否则无法拟合出一个完整的前照灯的轮廓,影响后续步骤的执行,同样,R的数值也不宜过大,数值过大容易导致运算量大,影响车辆远光灯检测的速度,也会降低关键点定位的精度。
需要说明的是,上述是利用线性回归的方法来定位疑似车灯区域的,首先需要在疑似车辆区域内预设R个关键点,然后通过后续步骤逐步将这R个关键点移动到车辆前照灯所对应的轮廓位置。
S2:基于预设的特征提取规则,分别提取每一个当前关键点的特征。
具体的,可以基于预设的随机森林算法,分别提取每一个当前关键点的特征。其中,随机森林算法指的是利用多棵树对所选取的训练样本进行训练并预测的一种分类器算法。
如图2所示,为本发明实施例提供的一种树形结构的示意图,图2所示的树形结构中预先设定了N棵树,且每棵树有L层,每一层的节点都会在下一层分裂为两个节点,分裂的结果在于将样本在当前层的候选属性进行归类,即要么归入下一层中位于左侧的节点要么归入下一层中位于右侧节点。
具体的,一个车灯样本的某个关键点在某棵树的某一层的候选属性的计算方法为:在这个关键点的当前位置的邻域内选取两个像素点,并对所选取的两个像素点的灰度值作差运算,并将所得到的差值确定为该关键点对应的候选属性。
一种实现方式中,可以按照以下方式在关键点P的当前位置的以r为半径的邻域内选取两个像素点:
在以关键点P为中心且以r为半径的邻域内随机选取若干个点,这里随机选取的若干个点实际上代表了关键点在当前位置对应的候选属性的种类以及分裂方式的种类,例如,假设随机选取了500个点,表明关键点P在当前位置可以有500/2=250种候选属性,同时表明关键点P在当前位置可以有250种分裂方式。需要说明的是,在关键点P的当前位置的以r为半径的邻域内选取的两个像素点,是基于机器学习算法并利用大量的训练样本训练得到的,需要强调的是,不同的随机点决定了不同的分裂方式,而不同的分裂方式决定了对训练样本的分裂结果也是不同的,例如,对于样本容量为10000的训练样本而言,基于第一种分裂方式可以分裂为:左侧子集2000和右侧子集8000,而基于第二种分裂方式可以分裂为:左侧子集4000和右侧子集6000,容易理解的,从预设的若干个随机点中,选出使得左侧子集和右侧子集中分别取得最小方差值时所对应的左侧随机点Q1和右侧随机点Q2,并将左侧随机点Q1和右侧随机点Q2确定为最终在关键点P的当前位置的以r为半径的邻域内选取两个像素点。
需要说明的是,上述确定关键点P的当前位置的以r为半径的邻域内的两个像素点的过程,也是基于机器学习方法的,而机器学习方法通常是包括训练和预测两个过程的,因此,上述提及的预先设定的阈值实际上是训练过程中训练得到的阈值。
另外,上述提及的在关键点P的当前位置的以r为半径的邻域内选取两个像素点的方式仅仅是本发明实施例提供的一种具体方式,当然还可以有其他可行的实现方式,本发明实施例并不需要对此进行限定。
另外,树形结构中的每一层的每个节点的归类的准则为:按照从树形结构的根节点到叶子节点的顺序,将关键点的候选属性与其在树形结构中当前节点中预存的阈值Ti进行比较,若当前节点处的候选属性小于阈值Ti,则将该关键点在当前节点处的候选属性归入当前节点的下一层中位于左侧的节点中,否则归入当前节点的下一层中位于右侧的节点中。
由于每一个关键点的特征提取方式相同,因此下面仍然以关键点P为例对利用随机森林算法提取关键点特征的过程进行下详细描述:
关键点P从某一棵树的根节点开始经过该树形结构的所有层分裂之后,关键点P最终一定会落入L层的某个叶子节点,假设:该树形结构中每棵树的第L 层(也就是最后一层)均有2L-1个节点(其中L为正整数),若该关键点经过第一棵树分裂后落入了第L层的第1个叶子节点中,则关键点P经过第一棵树的特征所对应的特征向量[1,0,0…,0],并且该特征向量的维数是2L-1,实际上是与该棵树第L层的叶子节点数量相同;若该关键点经第二棵树分裂后落入了第L 层的第3个叶子节点中,则关键点P经过第二棵树的特征所对应的特征向量[0, 0,1…,0],且特征向量的维数同样是2L-1;以此类推,分别获得经该树形结构中的N棵树分裂后所对应的各个特征对应的特征向量,最后将所得到的维数是 2L-1的N个特征向量连接起来并构成一个维数为N×2L-1的特征向量,到此,完成了对关键点P的特征的提取,该维数为N×2L-1的特征向量便为关键点P的特征向量。
参见上面对一个关键点P的特征提取过程,可以分别提取出所预设的R个关键点所对应的特征。另外,还可以按照关键点的选取顺序将各个关键点的特征所对应的特征向量进行连接,然后获得一个维数为10×N×2L-1的特征向量,并将连接后的维数为10×N×2L-1的特征向量确定为每一个当前关键点对应的全部特征。
S3:将当前关键点的全部特征分别输入至预先建立的与各个关键点对应的线性回归模型中,上述各个当前关键点对应的线性回归模型分别计算出各个当前关键点与各自的目标关键点之间的偏差量。
需要说明的是,这里输入的为当前关键点的全部特征,该全部特征中包含了当前R个关键点中每一个关键点各自的特征信息,但是,该全部特征输入的为当前这一个关键点所对应的线性回归模型,可以理解为,每一个关键点均有一个线性回归模型与之对应。并且,经过当前关键点对应的线性回归模型的回归处理后,能够计算出当前关键点与其对应的目标关键点之间的偏差量。容易理解的,该偏差量越大,表明当前关键点偏离目标关键点的距离越远,相应的,后续校正步骤中当前关键点移动的距离也越大;反之,表明当前关键点偏离目标关键点的距离越近,相应的,后续校正步骤中当前关键点移动的距离也越小。
S4:根据计算出的各个偏差量,校正各个当前关键点的位置,并将校正后的各个关键点确定为当前关键点,并返回执行步骤S2和步骤S3,直至满足预设的停止校正条件。
一种实现方式中,预设的停止校正条件为:判断重复执行步骤S2和步骤S3 的次数(也可以称为迭代次数)达到预设次数,若达到预设次数,则表明满足预设的停止校正条件,否则表明不满足预设的停止校正条件。
需要说明的是,实验数据表明,通常当前关键点并不会一次回归处理就能达到理想的效果,因此,通常会需要多次执行步骤S2和步骤S3,以逐步将当前关键点回归至理想的位置,使之尽可能的接近目标关键点所在的位置。还需要说明的是,本发明实施例并不需要对重复执行步骤S2和步骤S3的次数(即迭代次数)的具体数值进行限定,本领域内的技术人员需要根据实际应用中的具体情况进行合理的设置。
需要说明的是,这里仅仅是列举了预设的停止校正条件的一种具体实现方式,当然还可以有其他可行的实现方式,本发明并不需要对此进行限定。
S5:根据校正停止后得到的当前关键点的位置,拟合出前照灯的轮廓,并将该前照灯的轮廓所对应的图像区域确定为疑似车灯区域。
参见图3,为本发明实施例提供的一种拟合出的前照灯的轮廓示意图,该图3中共选择了10个关键点,每一前照灯对应5个关键点,可以看出,经过线性规划后,这10个关键点能够准确的反映出前照灯的轮廓信息。
由步骤S1至步骤S5可见,提供了一种基于随机森林算法的特征提取方法,并利用所提取的特征建立相应的线性回归模型,也属于机器学习的范畴,通过所建立的线性回归模型,能够准确的拟合出疑似车辆区域中的前照灯的轮廓,进而得到疑似车灯区域,进一步缩小了后续远光灯检测的图像区域的范围,提高了车辆远光灯检测的准确性。
S105:根据该疑似车灯区域内预设数量个像素点的灰度值,检测待检测图像中的疑似车辆是否开启了远光灯。
具体的,一种实现方式中,可以按照以下方式检测待检测图像中的疑似车辆是否开启了远光灯:
1)选择该疑似车灯区域内按照灰度值由高到低顺序排列的前M个像素点,其中,M为正整数。
2)计算该M个像素点的平均灰度值VM。
3)判断该平均灰度值VM是否大于预设的灰度值阈值Td。
4)若大于,则检测到待检测图像中的疑似车辆开启了远光灯。
需要说明的是,该实现方式是利用疑似车灯区域内像素点的灰度值而进行的初步的粗检测,首先在该疑似车灯区域内选择灰度值较大的前M个像素点,也就是亮度较大的前M个像素点,然后计算所选择的这M个像素点的平均灰度值VM,进而,判断这一灰度平均值VM是否大于预设的灰度值阈值Td,若大于,表明该疑似车灯区域的图像亮度达到了远光灯开启时所具有的图像亮度,因而判定待检测图像中的疑似车辆开启了远光灯。
由上述方式可见,为了保证检测到的疑似车辆确实开启了远光灯,即为了保证检测结果的准确性,通常会将灰度值阈值Td设置的稍微偏大些,也就是说,上述方式只是一个初步的粗检测,这样做的好处是,该初步的粗检测仅仅涉及到了图像处理中一些运算量较小的操作,因此,能够快速检测出肯定开启了远光灯的疑似车辆。
那么,当该平均灰度值VM不大于预设的灰度值阈值Td时,疑似车辆实际上也是有可能开启了远光灯的,因此,在上述实现方式的基础之上,在该平均灰度值VM不大于预设的灰度值阈值Td的情况下,还可以包括以下步骤:
5)基于预设的车辆子品牌确定模型,确定该疑似车辆对应的目标子品牌;
6)提取该疑似车灯区域的区域特征、灰度特征和梯度特征,并将所提取的各个特征构成的特征向量输入至预先建立的与该目标子品牌对应的目标远光灯检测模型中,该目标远光灯检测模型,依据输入的特征向量,以及在该目标远光灯检测模型训练完成时所获得的区域特征、灰度特征和梯度特征与远光灯开启状态的对应关系,检测待检测图像中的疑似车辆是否开启了远光灯。
具体的,区域特征可以包括以下多种具体的特征:
(1)圆度特征:
其中,Sarea表示疑似车灯区域的面积,rmax表示疑似车灯区域内中心点到轮廓上的最长极轴。
(2)紧凑度特征:
其中,Sarea表示疑似车灯区域的面积,L表示疑似车灯区域的轮廓线长度。
(3)凸度特征:
其中,Sarea表示疑似车灯区域的原始面积,Sconvex表示疑似车灯区域的凸出的包络线围成的面积。
(4)
矩量:
长半径:
短半径:
狭长度特征:
蓬松度特征:
结构因子特征:
fStructureFactor=fAnisometry·fBulkiness-1
其中,(x0,y0)表示疑似车灯区域的中心点,(x,y)表示的是某点坐标,(xs, ys)、(xe,ye)表示疑似车灯区域的外接矩形的左上角和右下角的坐标。
需要说明的是,上述列举了多种具体的区域特征,本发明实施例并不需要对区域特征的具体形式进行限定,本领域内的技术人员需要根据实际应用中的实际需要选择合适的区域特征。
由步骤5)和步骤6)可见,通过将疑似车灯区域所属于的子品牌的识别,能够进一步根据其对应的目标子品牌进行匹配,进而精确检测出待检测图像中的疑似车辆是否开启了远光灯。
应用本发明实施例提供的方案,在远光灯检测的过程中,由于是基于待检测图像进行检测的,并不需要采集车辆前照灯的光照强度,因而无需部署多个光照传感器,从而降低了前期部署和后期维护的工作量。
由以上可见,本发明实施例提供的方案中,涉及到多个应用模型而完成的步骤,例如,利用拍摄模式判断模型判断该待检测图像的拍摄模式是否为夜晚模式、利用车辆检测模型获得待检测图像中的疑似车辆区域、利用线性回归模型拟合出前照灯的轮廓,等等。需要说明的是,上述应用模型而完成的步骤,实际上是基于机器学习的方式实现的,具体的,机器学习是一种计算机在没有事先进行明确变成的情况下做出正确反映的科学,是专门研究如何让计算机模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。实际上,本发明实施例采用的是图像处理与机器学习相结合的方式,与纯粹的图像处理的方式相比,这样做的好处是,使检测结果更为准确,尽可能地降低了车辆远光灯检测的误检率,提高了检测的准确性。
实施例二:
如图4所示,为本发明实施例提供的一种远光灯检测装置的结构示意图,该装置包括:
灰度分布获得模块210,用于获得待检测图像中预设区域内像素点的灰度值分布;
夜晚模式判断模块220,用于根据该灰度值分布,判断待检测图像的拍摄模式是否为夜晚模式;
车辆区域获得模块230,用于在夜晚模式判断模块220的判断结果为夜晚模式的情况下,获得待检测图像中的疑似车辆区域;
车灯区域获得模块240,用于按照预设的车灯定位规则,从该疑似车辆区域中定位到疑似车灯区域;
远光灯检测模块250,用于根据该疑似车灯区域内预设数量个像素点的灰度值,检测待检测图像中的疑似车辆是否开启了远光灯。
应用本发明实施例提供的方案,在远光灯检测的过程中,由于是基于待检测图像进行检测的,并不需要采集车辆前照灯的光照强度,因而无需部署多个光照传感器,从而降低了前期部署和后期维护的工作量。
其中,该夜晚模式判断模块220,具体用于:
将灰度值分布作为输入向量,输入至预先建立的拍摄模式判断模型中,该拍摄模式判断模型,依据输入的灰度值分布,以及在该拍摄模式判断模型训练完成时所获得的灰度值分布与拍摄模式的对应关系,判断待检测图像的拍摄模式是否为夜晚模式。
其中,该车辆区域获得模块230,具体用于:
在夜晚模式判断模块220的判断结果为夜晚模式的情况下,获得待检测图像的颜色特征和纹理特征,并将该颜色特征和该纹理特征输入至预先建立的车辆检测模型中,该车辆检测模型,依据输入的颜色特征和纹理特征,检测待检测图像中是否有与车辆的颜色特征和纹理特征相匹配的图像区域,并将相匹配的图像区域确定为疑似车辆区域。
具体的,该车灯区域获得模块240,包括:关键点确定子模块、特征提取子模块、偏差量计算子模块、关键点校正子模块和车灯区域确定子模块;其中,
关键点确定子模块,用于在该疑似车辆区域中选取预设数量R个关键点,并将所选取的R个关键点确定为当前关键点;
特征提取子模块,用于基于预设的特征提取规则,分别提取每一个当前关键点的特征;
偏差量计算子模块,用于将当前关键点的全部特征分别输入至预先建立的与各个关键点对应的线性回归模型中,上述各个当前关键点对应的线性回归模型分别计算出各个当前关键点与各自的目标关键点之间的偏差量;
关键点校正子模块,用于根据计算出的各个偏差量,校正各个当前关键点的位置,并将校正后的各个关键点确定为当前关键点,并触发该特征提取子模块和该偏差量计算子模块,直至满足预设的停止校正条件;
车灯区域确定子模块,用于根据校正停止后得到的当前关键点的位置,拟合出前照灯的轮廓,并将该前照灯的轮廓所对应的图像区域确定为疑似车灯区域。
具体的,该车灯区域确定子模块,具体用于:
基于预设的随机森林算法,分别提取每一个当前关键点的特征。
具体的,该远光灯检测模块250,包括:
像素点选择子模块,用于选择该疑似车灯区域内按照灰度值由高到低顺序排列的前M个像素点,其中,M为正整数;
平均值计算子模块,用于计算该M个像素点的平均灰度值VM;
平均值判断子模块,用于判断该平均灰度值VM是否大于预设的灰度值阈值 Td;
第一远光灯检测子模块,用于在平均值判断子模块的判断结果为大于时,检测到待检测图像中的疑似车辆开启了远光灯。
具体的,该远光灯检测模块250还包括:车辆子品牌确定子模块和第二远光灯检测子模块;其中,
车辆子品牌确定子模块,用于在该平均灰度值VM不大于预设的灰度值阈值 Td的情况下,基于预设的车辆子品牌确定模型,确定该疑似车辆对应的目标子品牌;
第二远光灯检测子模块,用于提取该疑似车灯区域的区域特征、灰度特征和梯度特征,并将所提取的各个特征构成的特征向量输入至预先建立的与该目标子品牌对应的目标远光灯检测模型中,该目标远光灯检测模型,依据输入的特征向量,以及在该目标远光灯检测模型训练完成时所获得的区域特征、灰度特征和梯度特征与远光灯开启状态的对应关系,检测待检测图像中的疑似车辆是否开启了远光灯。
具体的,该预设区域,包括:
待检测图像的整个图像区域,或,待检测图像的至少一个子图像区域。
对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,这里所称的存储介质,如:ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (12)
1.一种远光灯检测方法,其特征在于,所述方法包括:
获得待检测图像中预设区域内像素点的灰度值分布;
根据所述灰度值分布,判断所述待检测图像的拍摄模式是否为夜晚模式;
在判断结果为夜晚模式的情况下,获得所述待检测图像中的疑似车辆区域;
按照预设的车灯定位规则,从所述疑似车辆区域中定位到疑似车灯区域;
根据所述疑似车灯区域内预设数量个像素点的灰度值,检测所述待检测图像中的疑似车辆是否开启了远光灯,包括:选择所述疑似车灯区域内按照灰度值由高到低顺序排列的前M个像素点,其中,M为正整数;计算所述M个像素点的平均灰度值VM;判断所述平均灰度值VM是否大于预设的灰度值阈值Td;若所述平均灰度值VM不大于预设的灰度值阈值Td,则基于预设的车辆子品牌确定模型,确定所述疑似车辆对应的目标子品牌;提取所述疑似车灯区域的区域特征、灰度特征和梯度特征,并将所提取的各个特征构成的特征向量输入至预先建立的与所述目标子品牌对应的目标远光灯检测模型中,所述目标远光灯检测模型,依据输入的特征向量,以及在所述目标远光灯检测模型训练完成时所获得的区域特征、灰度特征和梯度特征与远光灯开启状态的对应关系,检测所述待检测图像中的疑似车辆是否开启了远光灯;
所述按照预设的车灯定位规则,从所述疑似车辆区域中定位到疑似车灯区域,包括:
S1:在所述疑似车辆区域中选取预设数量R个关键点,并将所选取的R个关键点确定为当前关键点;
S2:基于预设的特征提取规则,分别提取每一个当前关键点的特征;
S3:将当前关键点的全部特征分别输入至预先建立的与各个关键点对应的线性回归模型中,所述各个当前关键点对应的线性回归模型分别计算出各个当前关键点与各自的目标关键点之间的偏差量;
S4:根据计算出的各个偏差量,校正各个当前关键点的位置,并将校正后的各个关键点确定为当前关键点,并返回执行步骤S2和步骤S3,直至满足预设的停止校正条件;
S5:根据校正停止后得到的当前关键点的位置,拟合出前照灯的轮廓,并将所述前照灯的轮廓所对应的图像区域确定为疑似车灯区域。
2.根据权利要求1所述的方法,其特征在于,所述根据所述灰度值分布,判断所述待检测图像的拍摄模式是否为夜晚模式,包括:
将所述灰度值分布作为输入向量,输入至预先建立的拍摄模式判断模型中,所述拍摄模式判断模型,依据输入的灰度值分布,以及在所述拍摄模式判断模型训练完成时所获得的灰度值分布与拍摄模式的对应关系,判断所述待检测图像的拍摄模式是否为夜晚模式。
3.根据权利要求1所述的方法,其特征在于,所述获得所述待检测图像中的疑似车辆区域,包括:
获得所述待检测图像的颜色特征和纹理特征,并将所述颜色特征和所述纹理特征输入至预先建立的车辆检测模型中,所述车辆检测模型,依据输入的颜色特征和纹理特征,检测所述待检测图像中是否有与车辆的颜色特征和纹理特征相匹配的图像区域,并将相匹配的图像区域确定为疑似车辆区域。
4.根据权利要求1所述的方法,其特征在于,所述基于预设的特征提取规则,分别提取每一个当前关键点的特征,包括:
基于预设的随机森林算法,分别提取每一个当前关键点的特征。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述平均灰度值VM大于预设的灰度值阈值Td,则检测到所述待检测图像中的疑似车辆开启了远光灯。
6.根据权利要求1所述的方法,其特征在于,所述预设区域,包括:
所述待检测图像的整个图像区域,或,所述待检测图像的至少一个子图像区域。
7.一种远光灯检测装置,其特征在于,所述装置包括:
灰度分布获得模块,用于获得待检测图像中预设区域内像素点的灰度值分布;
夜晚模式判断模块,用于根据所述灰度值分布,判断所述待检测图像的拍摄模式是否为夜晚模式;
车辆区域获得模块,用于在所述夜晚模式判断模块的判断结果为夜晚模式的情况下,获得所述待检测图像中的疑似车辆区域;
车灯区域获得模块,用于按照预设的车灯定位规则,从所述疑似车辆区域中定位到疑似车灯区域;
远光灯检测模块,用于根据所述疑似车灯区域内预设数量个像素点的灰度值,检测所述待检测图像中的疑似车辆是否开启了远光灯;
所述车灯区域获得模块,包括:关键点确定子模块、特征提取子模块、偏差量计算子模块、关键点校正子模块和车灯区域确定子模块;其中,
所述关键点确定子模块,用于在所述疑似车辆区域中选取预设数量R个关键点,并将所选取的R个关键点确定为当前关键点;
所述特征提取子模块,用于基于预设的特征提取规则,分别提取每一个当前关键点的特征;
所述偏差量计算子模块,用于将当前关键点的全部特征分别输入至预先建立的与各个关键点对应的线性回归模型中,所述各个当前关键点对应的线性回归模型分别计算出各个当前关键点与各自的目标关键点之间的偏差量;
所述关键点校正子模块,用于根据计算出的各个偏差量,校正各个当前关键点的位置,并将校正后的各个关键点确定为当前关键点,并触发所述特征提取子模块和所述偏差量计算子模块,直至满足预设的停止校正条件;
所述车灯区域确定子模块,用于根据校正停止后得到的当前关键点的位置,拟合出前照灯的轮廓,并将所述前照灯的轮廓所对应的图像区域确定为疑似车灯区域;
所述远光灯检测模块,包括:
像素点选择子模块,用于选择所述疑似车灯区域内按照灰度值由高到低顺序排列的前M个像素点,其中,M为正整数;
平均值计算子模块,用于计算所述M个像素点的平均灰度值VM;
平均值判断子模块,用于判断所述平均灰度值VM是否大于预设的灰度值阈值Td;
车辆子品牌确定子模块,用于在所述平均灰度值VM不大于预设的灰度值阈值Td的情况下,基于预设的车辆子品牌确定模型,确定所述疑似车辆对应的目标子品牌;
第二远光灯检测子模块,用于提取所述疑似车灯区域的区域特征、灰度特征和梯度特征,并将所提取的各个特征构成的特征向量输入至预先建立的与所述目标子品牌对应的目标远光灯检测模型中,所述目标远光灯检测模型,依据输入的特征向量,以及在所述目标远光灯检测模型训练完成时所获得的区域特征、灰度特征和梯度特征与远光灯开启状态的对应关系,检测所述待检测图像中的疑似车辆是否开启了远光灯。
8.根据权利要求7所述的装置,其特征在于,所述夜晚模式判断模块,具体用于:
将所述灰度值分布作为输入向量,输入至预先建立的拍摄模式判断模型中,所述拍摄模式判断模型,依据输入的灰度值分布,以及在所述拍摄模式判断模型训练完成时所获得的灰度值分布与拍摄模式的对应关系,判断所述待检测图像的拍摄模式是否为夜晚模式。
9.根据权利要求7所述的装置,其特征在于,所述车辆区域获得模块,具体用于:
在所述夜晚模式判断模块的判断结果为夜晚模式的情况下,获得所述待检测图像的颜色特征和纹理特征,并将所述颜色特征和所述纹理特征输入至预先建立的车辆检测模型中,所述车辆检测模型,依据输入的颜色特征和纹理特征,检测所述待检测图像中是否有与车辆的颜色特征和纹理特征相匹配的图像区域,并将相匹配的图像区域确定为疑似车辆区域。
10.根据权利要求7所述的装置,其特征在于,所述车灯区域确定子模块,具体用于:
基于预设的随机森林算法,分别提取每一个当前关键点的特征。
11.根据权利要求7所述的装置,其特征在于,所述远光灯检测模块,还包括:
第一远光灯检测子模块,用于在所述平均值判断子模块的判断结果为大于时,检测到所述待检测图像中的疑似车辆开启了远光灯。
12.根据权利要求7所述的装置,其特征在于,所述预设区域,包括:
所述待检测图像的整个图像区域,或,所述待检测图像的至少一个子图像区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610531924.3A CN107563265B (zh) | 2016-06-30 | 2016-06-30 | 一种远光灯检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610531924.3A CN107563265B (zh) | 2016-06-30 | 2016-06-30 | 一种远光灯检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563265A CN107563265A (zh) | 2018-01-09 |
CN107563265B true CN107563265B (zh) | 2021-08-17 |
Family
ID=60972999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610531924.3A Active CN107563265B (zh) | 2016-06-30 | 2016-06-30 | 一种远光灯检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563265B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108417043B (zh) * | 2018-02-09 | 2020-07-14 | 浙江安谐智能科技有限公司 | 一种远光灯持续开起的检测方法 |
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 |
TWI684920B (zh) * | 2018-12-05 | 2020-02-11 | 財團法人資訊工業策進會 | 車燈狀態分析方法、車燈狀態分析系統及非暫態電腦可讀取媒體 |
CN110263721B (zh) * | 2019-06-21 | 2022-04-26 | 北京字节跳动网络技术有限公司 | 车灯设置方法及设备 |
CN110264763B (zh) * | 2019-07-12 | 2021-06-22 | 安徽工业大学 | 一种近距离陌生车主间预警系统和方法 |
CN110646173A (zh) * | 2019-09-30 | 2020-01-03 | 青岛讯极科技有限公司 | 一种远光灯持续开启的检测方法 |
CN110942044A (zh) * | 2019-11-28 | 2020-03-31 | 安徽江淮汽车集团股份有限公司 | 远光灯违规检测方法、装置、电子设备及存储介质 |
CN111046875B (zh) * | 2019-12-16 | 2023-04-07 | 广州航海学院 | 一种车辆品牌的识别方法 |
CN113628447B (zh) * | 2020-05-06 | 2022-12-23 | 杭州海康威视数字技术股份有限公司 | 远光灯开启检测方法、装置、设备及系统 |
CN111649918A (zh) * | 2020-06-17 | 2020-09-11 | 郑州高识智能科技有限公司 | 用于实时监测开启远光灯并持续跟踪车辆的方法 |
CN112071079B (zh) * | 2020-09-07 | 2022-06-07 | 浙江师范大学 | 一种基于5g传输的机器视觉车辆远光灯检测预警系统 |
CN112101230B (zh) * | 2020-09-16 | 2024-05-14 | 招商局重庆公路工程检测中心有限公司 | 公路隧道通行车辆前照灯开启检测方法及系统 |
CN112927502B (zh) * | 2021-01-21 | 2023-02-03 | 广州小鹏自动驾驶科技有限公司 | 一种数据处理的方法和装置 |
CN112949578B (zh) * | 2021-03-30 | 2023-04-07 | 苏州科达科技股份有限公司 | 车灯状态识别方法、装置、设备及存储介质 |
CN115984828B (zh) * | 2023-03-20 | 2023-06-06 | 江西省天轴通讯有限公司 | 基于几何特征描述子的远光灯开启检测方法、装置及设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473534B (zh) * | 2013-09-10 | 2016-09-28 | 西安翔迅科技有限责任公司 | 一种基于视频的车辆检测方法 |
KR20150118810A (ko) * | 2014-04-15 | 2015-10-23 | 현대자동차주식회사 | 차대 번호 인식 시스템 |
CN104778444B (zh) * | 2015-03-10 | 2018-01-16 | 公安部交通管理科学研究所 | 道路场景下车辆图像的表观特征分析方法 |
CN105184227A (zh) * | 2015-08-13 | 2015-12-23 | 安徽超远信息技术有限公司 | 一种具备汽车远光灯检测功能的交通信号控制系统 |
-
2016
- 2016-06-30 CN CN201610531924.3A patent/CN107563265B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107563265A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563265B (zh) | 一种远光灯检测方法及装置 | |
CN110415529B (zh) | 车辆违章的自动处理方法、装置、计算机设备和存储介质 | |
CN109816024B (zh) | 一种基于多尺度特征融合与dcnn的实时车标检测方法 | |
US7724962B2 (en) | Context adaptive approach in vehicle detection under various visibility conditions | |
CN107766821B (zh) | 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及系统 | |
US20190122059A1 (en) | Signal light detection | |
Alcantarilla et al. | Automatic LightBeam Controller for driver assistance | |
JP5747549B2 (ja) | 信号機検出装置及びプログラム | |
Souani et al. | Efficient algorithm for automatic road sign recognition and its hardware implementation | |
CN108805016B (zh) | 一种头肩区域检测方法及装置 | |
Janahiraman et al. | Traffic light detection using tensorflow object detection framework | |
TW201706918A (zh) | 作爲供神經網路的訓練準則的濾波器特異性 | |
CN107480676B (zh) | 一种车辆颜色识别方法、装置和电子设备 | |
JP6700373B2 (ja) | ビデオ動画の人工知能のための学習対象イメージパッケージング装置及び方法 | |
KR101606476B1 (ko) | 카메라의 다중 노출 영상을 이용한 신호등 자동 인식 장치 및 방법 | |
CN111191535B (zh) | 基于深度学习的行人检测模型构建方法及行人检测方法 | |
CN112733818B (zh) | 基于注意力机制的车灯状态识别方法、装置、终端和介质 | |
CN106203267A (zh) | 基于机器视觉的车辆防碰撞方法 | |
Gao et al. | On‐line vehicle detection at nighttime‐based tail‐light pairing with saliency detection in the multi‐lane intersection | |
CN104008518B (zh) | 对象检测设备 | |
CN108182393A (zh) | 一种汽车及其应用的前车跟踪方法及系统 | |
CN110088807A (zh) | 分隔线识别装置 | |
US11423676B2 (en) | Method and apparatus for detecting on-duty state of driver, device, and computer storage medium | |
KR20200133920A (ko) | 인공신경망 기반의 투사정보 인식 장치 및 그 방법 | |
CN103065145A (zh) | 一种车辆运动阴影消除方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |