CN107679470A - 一种基于hdr技术的交通标志牌检测和识别方法 - Google Patents

一种基于hdr技术的交通标志牌检测和识别方法 Download PDF

Info

Publication number
CN107679470A
CN107679470A CN201710864320.5A CN201710864320A CN107679470A CN 107679470 A CN107679470 A CN 107679470A CN 201710864320 A CN201710864320 A CN 201710864320A CN 107679470 A CN107679470 A CN 107679470A
Authority
CN
China
Prior art keywords
mrow
msub
msup
image
msubsup
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
Application number
CN201710864320.5A
Other languages
English (en)
Inventor
张淑芳
朱彤
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201710864320.5A priority Critical patent/CN107679470A/zh
Publication of CN107679470A publication Critical patent/CN107679470A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/50Context or environment of the image
    • G06V20/56Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/582Recognition 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/90Determination of colour characteristics
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20172Image enhancement details
    • G06T2207/20208High dynamic range [HDR] image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于HDR技术的交通标志牌检测和识别方法,步骤(1)、将N幅不同曝光值的LDR图像采用无缝融合技术进行以下的处理,生成多曝光HDR图像;步骤(2)、进行颜色和形状联合检测,分割出三种标志牌类型;步骤(3)、利用SURF算子分别提取待识别标志图像和其所对应类型的标准标志图像的特征,计算这些特征向量的欧氏距离,将最小欧氏距离对应的标准标志名称作为当前待识别标志的名称。本发明能适应大雾暴雨等极端天气以及夜间行车等不良照明条件的影响;弥补了仅依靠颜色检测造成的漏检、误检的不足,对一些具有特殊颜色的标志牌如“禁止停车”、“注意信号灯”等的检测效果尤其明显;运行速度较快,识别的准确率也较高。

Description

一种基于HDR技术的交通标志牌检测和识别方法
技术领域
本发明涉及图像检测与识别技术领域,特别是涉及一种交通标志牌检测和识别方法。
背景技术
交通标志牌的自动检测与识别作为自动辅助驾驶系统的一个重要组成部分,为安全驾驶和行车导航提供了有效信息,对规范驾驶员行为,保障交通顺畅和安全出行方面起到至关重要的作用,因而也是图像检测与识别领域的专家学者研究的热点。
传统的交通标志牌检测和识别方法都是基于LDR图像进行的。Merve Can Kus等人提出了一种基于颜色分割和SIFT算子提取特征的方法来实现标志牌的识别;JafarAbukhait等人则将标志牌的形状与颜色信息结合,以提高对交通标志牌的检测效率;JinZhao等人提出了一种利用SURF算子进行特征匹配的方法,来提高交通标志牌的识别速度与识别的正确率。以上基于LDR图像的检测和识别方法往往易受相机动态范围的限制以及天气状况的影响,在过曝光和弱曝光的情况下无法获取图像的细节信息,这给标志牌的检测造成了困难,识别更是难上加难。
将LDR图像合成HDR图像,来展现真实场景更广阔的动态范围,是提高图像检测与识别效率的有力手段。多曝光融合技术的研究已取得了不错的进展,主要包括基于辐射度域和基于图像域两种方法。基于辐射度域的方法需要进行CRF估计,开销太大,因此缺乏市场竞争力;而基于图像域的方法利用图像的属性来合成具有HDR视觉效果图像,计算量较小,比较实用。
发明内容
为了克服上述现有技术存在的不足,本发明提出了一种基于HDR技术的交通标志牌检测和识别方法,将多曝光融合技术应用到交通图像检测与识别领域上、采用颜色与形状相结合的检测方法进行标致图像的检测,结合SURF算子结合欧氏距离的特征匹配方法,实现交通标志牌检测和识别方法。
本发明的一种基于HDR技术的交通标志牌检测和识别方法,该方法包括以下步骤:
步骤1、将N幅不同曝光值的LDR图像采用无缝融合技术进行以下的处理,生成多曝光HDR图像:
将高斯函数作为尺度变化核,由高斯函数与输入图像做卷积,生成高斯金字塔;然后建立高斯差分尺度空间,相邻两层高斯金字塔的强度值的差值即为拉普拉斯金字塔。用表示第k幅图像第l层的强度值,表示高斯金字塔和拉普拉斯金字塔的强度值,gl表示高斯卷积核函数(与尺度σ有关),则
其中,
计算每幅图像的能量值Wij,k
其中C,S,E分别表示对比度、饱和度、曝光度值,ωc,ωs,ωE分别表示相应的权值;下标ij,k表示第k幅图像的像素点坐标(i,j);
然后,对能量值作归一化处理,得到用于高斯混合的能量值
对归一化能量值进行高斯金字塔分解,用表示第k幅图像像素点(i,j)高斯分解后的值;
计算得到融合后的图像拉普拉斯金字塔第l层图像的强度值
对融合后的拉普拉斯金字塔进行重构,从其顶层开始逐层按下式进行递推,可以恢复其对应的高斯金字塔,并最终得到我们所需的重构图像R0
步骤2、进行颜色和形状联合检测,分割出三种标志牌类型,具体步骤如下:
在HSV空间中根据H、S、V三通道经验阈值对交通标志牌图像二值化,粗分割出不同类型的交通标志牌,包括禁令标志、警告标志、指示标志三种;
对不同类型标志牌的二值图像获取连通区域的属性参数,用于计算标志的形似度;即根据标志外轮廓与矩形、三角形和圆形的相似程度,判断出标志的形状;用外接矩形分割出各个标志;对各标志的R、G、B三通道做标准化处理;
步骤3、利用SURF算子分别提取待识别标志图像和其所对应类型的标准标志图像的特征,计算这些特征向量的欧氏距离,欧氏距离的定义为:
其中,(x1u,x2u,...,x64u)为待识别标志图像的64维的特征向量,(x1s,x2s,...,x64s)为标准标志图像的64维的特征向量;
将最小欧氏距离对应的标准标志名称作为当前待识别标志的名称。
本发明克服了LDR图像容易产生弱曝光、过曝光的现象从而进行无法检测识别的缺陷,能适应大雾暴雨等极端天气以及夜间行车等不良照明条件的影响;采用颜色与形状相结合的检测方法则弥补了仅依靠颜色检测造成的漏检、误检的不足,对一些具有特殊颜色的标志牌如“禁止停车”、“注意信号灯”等的检测效果尤其明显;SURF算子结合欧氏距离的特征匹配方法,运行速度较快,识别的准确率也较高。
附图说明
图1为本发明的一种基于HDR技术的交通标志牌检测和识别方法整体流程示意图;
图2为本发明实施例的基于HDR技术对交通标志牌进行分割的效果图。
具体实施方式
下面将结合附图对本发明的实施方式作进一步的详细描述。
本发明的一种基于HDR技术的交通标志牌检测和识别方法的技术方案为,对手机/相机捕获的相同场景、不同曝光强度的LDR图像进行融合,生成一组视觉效果良好的交通标志HDR图像;再对HDR图像做颜色与形状检测,判断出交通标志所属的类别;之后利用SURF算子提取标志特征并与标准标志图像进行匹配,来识别出交通标志的名称。具体实现步骤如下:
步骤1:将N幅不同曝光值的LDR图像采用Burt and Adelson提出的无缝融合技术进行以下的处理,生成多曝光HDR图像:
(1)将输入的N幅图像序列A分解成一个包含M个不同尺度的带通滤波功能的拉普拉斯金字塔。具体操作为:先将高斯函数作为尺度变化核,由高斯函数与输入图像做卷积,生成高斯金字塔;然后建立高斯差分尺度空间,相邻两层高斯金字塔的强度值的差值即为拉普拉斯金字塔。用表示第k幅图像第l层的强度值,表示高斯金字塔和拉普拉斯金字塔的强度值,gl表示高斯卷积核函数(与尺度σ有关),则
其中,
(2)根据一些评估指标如对比度、饱和度、曝光度值计算每幅图像的能量值Wk
其中C,S,E分别表示第k幅图像的对比度、饱和度、曝光度值,ωc,ωs,ωE分别表示相应的权值,下标ij,k表示第k幅图像的像素点坐标(i,j)。
然后,对能量值Wk作归一化处理:
即可得到一组包含N幅归一化能量值图像的序列
(3)为归一化能量值图像序列建立高斯金字塔,用表示第k幅能量值图像在高斯金字塔第l层的值(的定义见公式(2)(3));
(4)计算得到融合后的图像拉普拉斯金字塔第l层图像的强度值L{R}l
(5)对融合后的拉普拉斯金字塔进行重构,从其顶层开始逐层按下式进行递推,可以恢复其对应的高斯金字塔,并最终得到我们所需的重构图像R0
步骤2:进行颜色和形状联合检测,分割出标志牌:现有的交通标志牌分为禁令标志、警告标志、指示标志三种,都具有各自鲜明的颜色和形状特征。如禁令标志一般是红色圆形边框,内部是白色或者黑色区域;警告标志一般是黄黑色三角形边框,内部图形以黑色描绘,背景部分以黄色填充;指示标志以蓝色方形和圆形边框为主,内部图形以白色描绘为主。本步骤的检测方法结合了颜色和形状的信息,具体步骤如下:
(1)在HSV空间中根据H、S、V三通道经验阈值对交通标志牌图像二值化,粗分割出不同类型的交通标志牌,包括禁令标志、警告标志、指示标志三种。HSV空间颜色分割的阈值根据经验值,结合统计直方图的信息,设置如下:
其中,根据红色的取值范围分割出禁令标志,根据黄色的取值范围分割出警告标志,根据蓝色的取值范围分割出指示标志。
(2)对不同类型标志牌的二值图像进行连通分量提取、空洞填充等操作后,获取连通区域的属性参数,用于计算标志的形似度;即根据标志外轮廓与矩形、三角形和圆形的相似程度,判断标志的形状,再结合颜色信息,即可判断标志所属的精细的类别。包括圆形禁令标志、其他禁令标志、警告标志、方形指示标志、圆形指示标志、其他指示标志。
涉及到的形状概念定义如下:
圆形度:ρc=4πS/L2 (8)
三角形度:
方形度:ρr=S/SR (10)
其中,S表示分割出的标志牌图像的面积,L表示连通域的周长,Lmax、Lmin分别表示连通域的边缘上的所有点到其几何中心的最大和最小距离,SR表示外接矩形的面积。
(3)用外接矩形分割出各个标志;
(4)对各标志的R、G、B三通道做标准化处理,使得标志具有视觉一致性:白色设置为(255,255,255),红色设置为(255,0,0),黄色设置为(255,255,0),蓝色设置为(0,0,255),黑色设置为(0,0,0)。
步骤3:利用SURF(Speeded Up Robust Feature)算子分别提取待识别标志图像和其所对应类型的标准标志图像的特征,进行匹配,识别出标志牌:计算这些特征向量的欧氏距离,将最小欧氏距离对应的标准标志名称作为当前待识别标志的名称。
欧氏距离的定义为:
其中,(x1u,x2u,...,x64u)为待识别标志图像的64维的特征向量,(x1s,x2s,...,x64s)为标准标志图像的64维的特征向量;欧氏距离相比马氏距离、巴氏距离来说,更贴近m维空间两点的真实距离,因而用来匹配特征向量更为合理。
本发明中标志匹配结果的准确率是通过主观常识来评估的。
最佳实施方式举例说明如下:
1、目标图像的获取:使用三星Galaxy S4手机相机拍摄了103组交通标志牌图像,其中包含禁令标志50组、指示标志50组、警告标志50组(同一幅照片中可能包含几个相同或者不同种类的标志)。为消除手机抖动的影响,使用三角支架对手机进行固定拍摄,以保证每组照片均取自同一场景,只有曝光强度不同。每组包括两幅不同曝光强度的照片;
2、标准标志图像的来源:国家标准GB5768-1999的道路交通标志图像;
3、实验运行环境:Dell inspiration i5-7000笔记本win7系统;实验运行平台:Matlab2012a;
4、使用多曝光融合的方法来生成103幅HDR交通标志牌图像,对HDR图像采用颜色与形状信息相结合的检测方法,分割出各个类型标志牌。
如图2所示,为基于HDR技术对交通标志牌进行分割的效果图,给出了基于HDR技术对交通标志牌进行分割的一个例子:(a)弱曝光LDR图像;(b)过曝光LDR图像;(c)合成的HDR图像;(d)为(a)的二值图;(e)为(b)的二值图;(f)为(c)的二值图;(g)为(c)提取的感兴趣区域I;(h)为(c)提取的感兴趣区域II;(i)区域I分割出的标志牌图像(经颜色标准化);(j)区域II分割出的标志牌图像(经颜色标准化)。从图中可以看出,基于LDR图像的分割方法或是不能完整检测出交通标志牌,或是会引入其他物体的干扰,分割效果都不理想。而基于HDR图像的分割方法则能较好地将不同标志牌分割出来。
使用SURF算子对待识别标志牌与其所属类别的标准交通标志牌图像分别提取特征,进行一一匹配,最终识别出标志牌的名称。识别的正确率通过人眼观测记录,识别的效率则通过整个检测与识别的耗时来衡量。如表1所示,为分别采用其他方法与我们的方法对部分标志牌识别的正确率与耗时:
表1、三种方法对不同标志牌的识别结果
可见,本发明提出的检测与识别方法在识别的正确率和效率上都明显优于其他两种方法。

Claims (1)

1.一种基于HDR技术的交通标志牌检测和识别方法,其特征在于,该方法包括以下步骤:
步骤(1)、将N幅不同曝光值的LDR图像采用无缝融合技术进行以下的处理,生成多曝光HDR图像:
将高斯函数作为尺度变化核,由高斯函数与输入图像做卷积,生成高斯金字塔;然后建立高斯差分尺度空间,相邻两层高斯金字塔的强度值的差值即为拉普拉斯金字塔。用表示第k幅图像第l层的强度值,表示高斯金字塔和拉普拉斯金字塔的强度值,gl表示高斯卷积核函数(与尺度σ有关),则
<mrow> <mi>L</mi> <msubsup> <mrow> <mo>{</mo> <mi>A</mi> <mo>}</mo> </mrow> <mi>k</mi> <mi>l</mi> </msubsup> <mo>=</mo> <mi>G</mi> <msubsup> <mrow> <mo>{</mo> <mi>A</mi> <mo>}</mo> </mrow> <mi>k</mi> <mi>l</mi> </msubsup> <mo>-</mo> <mi>G</mi> <msubsup> <mrow> <mo>{</mo> <mi>A</mi> <mo>}</mo> </mrow> <mi>k</mi> <mrow> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中,
<mrow> <mi>G</mi> <msubsup> <mrow> <mo>{</mo> <mi>A</mi> <mo>}</mo> </mrow> <mi>k</mi> <mi>l</mi> </msubsup> <mo>=</mo> <msup> <mi>g</mi> <mi>l</mi> </msup> <mo>*</mo> <mi>I</mi> <msubsup> <mrow> <mo>{</mo> <mi>A</mi> <mo>}</mo> </mrow> <mi>k</mi> <mi>l</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msup> <mi>g</mi> <mi>l</mi> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>/</mo> <mn>2</mn> <msup> <mi>&amp;sigma;</mi> <mn>2</mn> </msup> </mrow> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
计算每幅图像的能量值Wk
<mrow> <msub> <mi>W</mi> <mi>k</mi> </msub> <mo>=</mo> <msup> <msub> <mi>C</mi> <mi>k</mi> </msub> <msub> <mi>&amp;omega;</mi> <mi>c</mi> </msub> </msup> <mo>&amp;times;</mo> <msup> <msub> <mi>S</mi> <mi>k</mi> </msub> <msub> <mi>&amp;omega;</mi> <mi>s</mi> </msub> </msup> <mo>&amp;times;</mo> <msup> <msub> <mi>E</mi> <mi>k</mi> </msub> <msub> <mi>&amp;omega;</mi> <mi>E</mi> </msub> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
其中C,S,E分别表示对比度、饱和度、曝光度值,ωc,ωs,ωE分别表示相应的权值;下标ij,k表示第k幅图像的像素点坐标(i,j);
然后,对能量值作归一化处理:
<mrow> <msub> <mover> <mi>W</mi> <mo>^</mo> </mover> <mi>k</mi> </msub> <mo>=</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>W</mi> <mi>k</mi> </msub> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msub> <mi>W</mi> <mi>k</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
即得到一组包含N幅归一化能量值图像的序列
为归一化能量值图像序列建立高斯金字塔,用表示第k幅能量值图像在高斯金字塔第l层的值;
计算得到融合后的图像拉普拉斯金字塔第l层图像的强度值L{R}l
<mrow> <mi>L</mi> <msup> <mrow> <mo>{</mo> <mi>R</mi> <mo>}</mo> </mrow> <mi>l</mi> </msup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mi>G</mi> <msubsup> <mrow> <mo>{</mo> <mover> <mi>W</mi> <mo>^</mo> </mover> <mo>}</mo> </mrow> <mi>k</mi> <mi>l</mi> </msubsup> <mi>L</mi> <msubsup> <mrow> <mo>{</mo> <mi>A</mi> <mo>}</mo> </mrow> <mi>k</mi> <mi>l</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
对融合后的拉普拉斯金字塔进行重构,从其顶层开始逐层按下式进行递推,可以恢复其对应的高斯金字塔,并最终得到我们所需的重构图像R0
步骤(2)、进行颜色和形状联合检测,分割出三种标志牌类型,具体步骤如下:
在HSV空间中根据H、S、V三通道经验阈值对交通标志牌图像二值化,粗分割出不同类型的交通标志牌,包括禁令标志、警告标志、指示标志三种;
对不同类型标志牌的二值图像获取连通区域的属性参数,用于计算标志的形似度;即根据标志外轮廓与矩形、三角形和圆形的相似程度,判断出标志的形状;用外接矩形分割出各个标志;对各标志的R、G、B三通道做标准化处理;
步骤(3)、利用SURF算子分别提取待识别标志图像和其所对应类型的标准标志图像的特征,计算这些特征向量的欧氏距离,欧氏距离的定义为:
<mrow> <msub> <mi>d</mi> <mrow> <mi>u</mi> <mi>s</mi> </mrow> </msub> <mo>=</mo> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mn>1</mn> <mi>u</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>x</mi> <mrow> <mn>1</mn> <mi>s</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mn>2</mn> <mi>u</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>x</mi> <mrow> <mn>2</mn> <mi>s</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <mn>...</mn> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mn>64</mn> <mi>u</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>x</mi> <mrow> <mn>64</mn> <mi>s</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>
其中,(x1u,x2u,...,x64u)为待识别标志图像的64维的特征向量,(x1s,x2s,...,x64s)为标准标志图像的64维的特征向量;
将最小欧氏距离对应的标准标志名称作为当前待识别标志的名称。
CN201710864320.5A 2017-09-22 2017-09-22 一种基于hdr技术的交通标志牌检测和识别方法 Pending CN107679470A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710864320.5A CN107679470A (zh) 2017-09-22 2017-09-22 一种基于hdr技术的交通标志牌检测和识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710864320.5A CN107679470A (zh) 2017-09-22 2017-09-22 一种基于hdr技术的交通标志牌检测和识别方法

Publications (1)

Publication Number Publication Date
CN107679470A true CN107679470A (zh) 2018-02-09

Family

ID=61137718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710864320.5A Pending CN107679470A (zh) 2017-09-22 2017-09-22 一种基于hdr技术的交通标志牌检测和识别方法

Country Status (1)

Country Link
CN (1) CN107679470A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255757A (zh) * 2018-04-25 2019-01-22 江苏大学 一种机器视觉自然放置葡萄串果梗区域分割方法
CN109492628A (zh) * 2018-10-08 2019-03-19 杭州电子科技大学 一种应用于课堂违纪抓取的球形定位系统的实现方法
CN110378859A (zh) * 2019-07-29 2019-10-25 西南科技大学 一种新的高动态范围图像生成方法
CN110443766A (zh) * 2019-08-06 2019-11-12 厦门美图之家科技有限公司 图像处理方法、装置、电子设备及可读存储介质
CN112101108A (zh) * 2020-08-11 2020-12-18 东南大学 一种基于图形极点位置特征的左右转交通标志识别方法
CN112634187A (zh) * 2021-01-05 2021-04-09 安徽大学 基于多重权重映射的宽动态融合算法
CN113283335A (zh) * 2021-05-21 2021-08-20 际络科技(上海)有限公司 施工区域的识别方法、装置、车辆、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034986A (zh) * 2012-11-29 2013-04-10 奇瑞汽车股份有限公司 一种基于曝光融合的夜视图像增强方法
CN104077759A (zh) * 2014-02-28 2014-10-01 西安电子科技大学 一种基于色觉感知及全局质量因子的多曝光度图像融合方法
CN104616273A (zh) * 2015-01-26 2015-05-13 电子科技大学 一种基于拉普拉斯金字塔分解的多曝光图像融合方法
CN106530263A (zh) * 2016-10-19 2017-03-22 天津大学 一种适应于医学影像的单曝光高动态范围图像生成方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034986A (zh) * 2012-11-29 2013-04-10 奇瑞汽车股份有限公司 一种基于曝光融合的夜视图像增强方法
CN104077759A (zh) * 2014-02-28 2014-10-01 西安电子科技大学 一种基于色觉感知及全局质量因子的多曝光度图像融合方法
CN104616273A (zh) * 2015-01-26 2015-05-13 电子科技大学 一种基于拉普拉斯金字塔分解的多曝光图像融合方法
CN106530263A (zh) * 2016-10-19 2017-03-22 天津大学 一种适应于医学影像的单曝光高动态范围图像生成方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A.VAVILIN等: "Road Sign Detection Method based on Fast HDR Image Generation Technique", 《2010 25TH INTERNATIONAL CONFERENCE OF IMAGE AND VISION COMPUTING NEW ZEALAND》 *
ANDREY VAVILIN等: "Graph-based Approach for Robust Road Guidance Sign Recognition from Differently Exposed Images", 《JOURNAL OF UNIVERSAL COMPUTER SCIENCE》 *
吴晓军: "基于多曝光图像的高动态范围图像生成", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
彭岳军: "一种基于SURF的交通标志识别算法", 《信息技术》 *
申雷华等: "基于URF特征的交通标志识别算法", 《信息与电脑》 *
贾骥: "道路交通标志检测与识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255757A (zh) * 2018-04-25 2019-01-22 江苏大学 一种机器视觉自然放置葡萄串果梗区域分割方法
CN109255757B (zh) * 2018-04-25 2022-01-11 江苏大学 一种机器视觉自然放置葡萄串果梗区域分割方法
CN109492628B (zh) * 2018-10-08 2021-11-16 杭州电子科技大学 一种应用于课堂违纪抓取的球形定位系统的实现方法
CN109492628A (zh) * 2018-10-08 2019-03-19 杭州电子科技大学 一种应用于课堂违纪抓取的球形定位系统的实现方法
CN110378859A (zh) * 2019-07-29 2019-10-25 西南科技大学 一种新的高动态范围图像生成方法
CN110378859B (zh) * 2019-07-29 2022-03-11 西南科技大学 一种新的高动态范围图像生成方法
CN110443766A (zh) * 2019-08-06 2019-11-12 厦门美图之家科技有限公司 图像处理方法、装置、电子设备及可读存储介质
CN110443766B (zh) * 2019-08-06 2022-05-31 厦门美图之家科技有限公司 图像处理方法、装置、电子设备及可读存储介质
CN112101108A (zh) * 2020-08-11 2020-12-18 东南大学 一种基于图形极点位置特征的左右转交通标志识别方法
CN112101108B (zh) * 2020-08-11 2024-06-18 东南大学 一种基于图形极点位置特征的左右转交通标志识别方法
CN112634187A (zh) * 2021-01-05 2021-04-09 安徽大学 基于多重权重映射的宽动态融合算法
CN112634187B (zh) * 2021-01-05 2022-11-18 安徽大学 基于多重权重映射的宽动态融合算法
CN113283335A (zh) * 2021-05-21 2021-08-20 际络科技(上海)有限公司 施工区域的识别方法、装置、车辆、电子设备及存储介质
CN113283335B (zh) * 2021-05-21 2022-08-19 际络科技(上海)有限公司 施工区域的识别方法、装置、车辆、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN107679470A (zh) 一种基于hdr技术的交通标志牌检测和识别方法
CN103559507B (zh) 基于颜色与形状特征相结合的交通标志检测方法
CN106651872B (zh) 基于Prewitt算子的路面裂缝识别方法及系统
Wu et al. Lane-mark extraction for automobiles under complex conditions
EP2575077B1 (en) Road sign detecting method and road sign detecting apparatus
CN107301405A (zh) 自然场景下的交通标志检测方法
CN106683119B (zh) 基于航拍视频图像的运动车辆检测方法
KR101409340B1 (ko) 교통 표지 인식 방법 및 그 시스템
CN107886034B (zh) 行车提醒方法、装置及车辆
CN104766071B (zh) 一种应用于无人驾驶汽车的交通灯快速检测算法
CN103544484A (zh) 一种基于surf的交通标志识别方法及系统
CN103996198A (zh) 复杂自然环境下感兴趣区域的检测方法
Shi et al. A vision system for traffic sign detection and recognition
CN105678318B (zh) 交通标牌的匹配方法及装置
CN111160328A (zh) 一种基于语义分割技术的交通标线自动提取的方法
Wei et al. Detection of lane line based on Robert operator
CN115424217A (zh) 基于ai视觉的车辆智能识别方法、装置和电子设备
Arshad et al. Lane detection with moving vehicles using color information
Liu et al. Real-time traffic light recognition based on smartphone platforms
Kim et al. Illumination invariant road detection based on learning method
JP2006259885A (ja) カラー画像を用いた看板および標識の認識方法
Coronado et al. Detection and classification of road signs for automatic inventory systems using computer vision
Nguyen et al. Fast traffic sign detection under challenging conditions
Oh et al. Automatic illumination invariant road detection with stereo vision
Dai et al. A driving assistance system with vision based vehicle detection techniques

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180209

WD01 Invention patent application deemed withdrawn after publication