CN107704801A - 基于分段直线加分段贝塞尔曲线的曲线车道线检测方法 - Google Patents
基于分段直线加分段贝塞尔曲线的曲线车道线检测方法 Download PDFInfo
- Publication number
- CN107704801A CN107704801A CN201710711696.2A CN201710711696A CN107704801A CN 107704801 A CN107704801 A CN 107704801A CN 201710711696 A CN201710711696 A CN 201710711696A CN 107704801 A CN107704801 A CN 107704801A
- Authority
- CN
- China
- Prior art keywords
- straight line
- line
- bezier
- straight
- adjacent
- 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
Abstract
本发明提供一种基于分段直线加分段贝塞尔曲线的曲线车道线检测方法,包括步骤:1)对图像进行二值化处理得到二值图;2)对二值图进行霍夫Hough直线检测得到直线集;3)对直线集中的相邻直线进行连接:判断相邻直线斜率差值是否小于等于平行阈值,如是,则使用直线直接连接两相邻直线中第一条直线的终点与第二条直线的起点,如否,则使用贝塞尔曲线连接两相邻直线中第一条直线的终点与第二条直线的起点,贝塞尔曲线控制点为第一条直线与第二条直线的延长线交点。本发明对于曲率变化较大的车道线采用分段直线加分段贝塞尔曲线方案简单方便,并且准确率可以和直接多段贝塞尔曲线拟合结果媲美。
Description
技术领域
本发明涉及图像处理和模式识别技术,特别涉及智能驾驶辅助的曲线车道线检测。
背景技术
近年来智能辅助驾驶领域得到了飞速发展,不但传统的科技大公司或者汽车厂商都已经涉及智能辅助驾驶的研究,还孕育了一大批新兴企业。作为智能辅助驾驶的基础部分,车道线检测技术也发展得较为成熟。现如今直线模型在大部分直道时能够很好地拟合车道线,但是在弯道时候一条直线就很难定位弯曲的车道线,因此有必要研究在弯道时候采用新的合适模型来拟合车道线。
贝塞尔曲线,是应用于二维图形应用程序的数学曲线,n次贝塞尔曲线的数学模型如公式(1)所示。
其中bi是控制点,变量t∈[0,1];Bi,n(t)是伯恩斯坦多项式,满足公式(2)。表示n个取i的组合。
发明内容
本发明所要解决的技术问题是,提供一种通过使用贝塞尔曲线来拟合车道曲率较大的车道线的曲线车道线检测方法。
本发明为解决上述技术问题所采用的技术方案是,基于分段直线加分段贝塞尔曲线的曲线车道线检测方法,包括以下步骤:
1)对图像进行二值化处理得到二值图;
2)对二值图进行霍夫Hough直线检测,分别得到左侧直线集和右侧直线集,对左、右侧直线集分别按直线纵坐标由小到大的顺序来对直线进行重新排序;
3)对重新排序后的左、右侧直线集中的相邻直线进行连接:
3-1)分别对左侧直线集left_lines、右侧直线集righ_lines求相邻直线斜率差值d:
d=|(ey1-sy1)*(ex2-sx2)-(ey2-sy2)*(ex1-sx1)|;
其中,(sx1,sy1)、(ex1,ey1)分别表示左侧直线集或右侧直线集中任意两相邻直线中第一条直线的起点和终点,(sx2,sy2)、(ex2,ey2)分别表示左侧直线集或右侧直线集中任意两相邻直线中第二条直线的起点和终点;直线的起点为该直线上纵坐标最小的端点,直线的终点为该直线上纵坐标最大的端点;任意两相邻直线中第一条直线的终点纵坐标小于第二条直线的起点纵坐标;
3-2)判断相邻直线斜率差值d是否小于等于平行阈值,如是,则使用直线直接连接两相邻直线中第一条直线的终点与第二条直线的起点,如否,则使用贝塞尔曲线连接两相邻直线中第一条直线的终点与第二条直线的起点,贝塞尔曲线控制点为第一条直线与第二条直线的延长线交点;
4)完成左、右侧直线集中所有相邻直线连接实现当前图像的整个车道线的拟合。
当车道线曲线曲率较小时使用1条贝塞尔曲线拟合结果较准确,如图1(a)所示。但是当车道曲率变化过大的时候,使用1条贝塞尔曲线拟合结果拟合的部分车道线就会严重偏离正确车道,如图1(c)所示;针对这种曲率变化较大的车道线,我们采用了两个贝塞尔曲线进行分段拟合效果较佳,如图1(b)、(d)所示。但是一般情况下,我们无法准确知道当前车道线应该使用几个贝塞尔曲线进行拟合,因此本发明采用分段直线加分段贝塞尔曲线来代替直接使用多段贝塞尔曲线的方案。
本发明的有益效果是,对于曲率变化较大的车道线采用分段直线加分段贝塞尔曲线方案简单方便,并且准确率可以和直接多段贝塞尔曲线拟合结果媲美。
附图说明
图1(a)为使用一个贝塞尔曲线拟合曲率变化较小的车道线,(b)为使用两个贝塞尔曲线拟合曲率变化较大的车道线,(c)为使用一个贝塞尔曲线拟合曲率变化较大的车道线,(b)为使用两个贝塞尔曲线拟合曲率变化较大的车道线;
图2为直线集排序示意图;
图3为实施例弯道拟合图示,(a)为两张原图;(b)为二值图;(c)为扫描图;(d)为连接图;(e)为拟合结果图;
图4为多帧图片弯道拟合图。
具体实施方式
直线加分段贝塞尔曲线拟合车道线的方案为:
定义两条直线L1,L2,L1的起点和终点分别为s1(sx1,sy1)和e1(ex1,ey1),L2的起点和终点分别为s2(sx2,sy2)和e2(ex2,ey2)。当L1和L2平行时,存在以下关系:
(ey1-sy1)/(ex1-sx1)=(ey2-sy2)/(ex2-sx2) (3)
为避免分母为零情况,我们进行了一下调整,如公式(4)所示
(ey1-sy1)*(ex2-sx2)=(ey2-sy2)*(ex1-sx1) (4)
对于判断直线L1和L2之间是用直线连接还是贝塞尔曲线连接,我们采用以下策略,如果两条直线满足上式左侧和右侧差距(式(4)中左右项之差的绝对值)小于平行阈值,则认为这两条直线是平行的,直接连上这两条直线就行了;平行阈值为经验值,设置为100。如果左侧和右侧差距大于100,则认为这两条相邻直线中间为曲线过渡,此时采用贝塞尔曲线平滑过渡连接此两条直线。这样我们把相邻直线之间的空缺连接起来实现了整个车道线的拟合,贝塞尔曲线的控制点为沿起点所在直线和终点所在直线的延长线交点。
实施例#
1.待检测图像(图3(a))经过图像分块、二值化得到二值图(图3(b)),对二值图执行从中间到两边的快速扫描算法。针对二值图每一行从此行的中心处分别往左右两侧扫描,左侧遇到第一个灰度值为255的点把此行之前点的灰度值全部置为0,右侧遇到第一个灰度值为255的点把此行后续点的灰度值全部置为0,同时分别记录左右侧第一个灰度值为255点的坐标,如果左右侧两个点位置距离太近(图像大小89*320时,左右距离差的阈值取值为10),此两点的灰度值也置为0。如图3(c)的扫描图,图像的每一行最多只有两个灰度值为255的点来构造左右两条车道线,同时图像中不存在相距太近的两个值为255的点,这是为了过滤掉具有一定宽度的方向标示符。在此散点图的基础上得到多个分段的直线,可以执行我们的霍夫hough检测直线和构造贝塞尔曲线的算法。
2.对步骤1扫描后的二值图进行Hough直线检测,分别得到左侧直线集left_lines和右侧直线集right_lines,对左右侧直线集进行直线端点重新排序,保证每条直线纵坐标小的对应小的直线索引值(如图2坐标排序图左侧,在图像XOY中,保证排序在前的直线的纵坐标小于排序在后的直线的纵坐标,否则交换两个点的坐标值),之后对左右侧直线集分别按照每条直线第一个端点的纵坐标值由小到大排序得到排序后的left_lines和right_lines。如图2坐标排序图中三条直线排序后基本上第一条直线在图像顶端,第二条直线在图像中间,第三条直线在图像底端,满足y0<y2<y4,即呈现直线依次从图像顶端到底端的有序排序。
3.判断左侧直线集left_lines第一条直线角度,如果大小超过π/2.5,则去除第一条直线;判断左侧直线集left_lines最后一条直线角度,如果大小小于π/9,则去除最后一条直线,主要目的是防止第一条和最后一条直线为干扰直线导致拟合出来的车道线和真实车道线相差太大。然后判断left_lines第一条直线第二个端点横坐标和第二条直线第一个端点横坐标之间的距离差dis,如果dis绝对值大于距离阈值,距离阈值为10,则去除第一条直线,防止第一条直线和后续直线差距太大,右侧直线集right_lines同样执行上述算法。
分别对左侧直线集left_lines和右侧直线集righ_lines采用公式(4)求相邻直线斜率差值d:d=|(ey1-sy1)*(ex2-sx2)-(ey2-sy2)*(ex1-sx1)|。如果计算差值在100以内,则认为两段直线平行,直接使用直线相连;否则使用贝塞尔曲线进行连接。如图3所示,其中图3(d)中深色曲线为连接图3(d)中断开的浅色曲线的贝塞尔过渡曲线,所有直线完成连接后得到拟合图如图3(e)所示。
从图4拟合结果可以看出多段直线加贝塞尔曲线模型能够很好的拟合弯道车道线(浅色为直线连接,深色为贝塞尔曲线连接)。表1给出了我们采用直线加贝塞尔曲线模型拟合车道线的准确率统计结果,从表1可以看出本发明使用的弯道拟合算法能够较好的拟合弯道车道。
表1 弯道拟合准确率
Claims (4)
1.基于分段直线加分段贝塞尔曲线的曲线车道线检测方法,其特征在于,包括以下步骤:
1)对图像进行二值化处理得到二值图;
2)对二值图进行霍夫Hough直线检测,分别得到左侧直线集和右侧直线集,对左、右侧直线集分别按直线纵坐标由小到大的顺序来对直线进行重新排序;
3)对重新排序后的左、右侧直线集中的相邻直线进行连接:
3-1)分别对左侧直线集left_lines、右侧直线集righ_lines求相邻直线斜率差值d:
d=|(ey1-sy1)*(ex2-sx2)-(ey2-sy2)*(ex1-sx1)|;
其中,(sx1,sy1)、(ex1,ey1)分别表示左侧直线集或右侧直线集中任意两相邻直线中第一条直线的起点和终点,(sx2,sy2)、(ex2,ey2)分别表示左侧直线集或右侧直线集中任意两相邻直线中第二条直线的起点和终点;直线的起点为该直线上纵坐标最小的端点,直线的终点为该直线上纵坐标最大的端点;任意两相邻直线中第一条直线的终点纵坐标小于第二条直线的起点纵坐标;
3-2)判断相邻直线斜率差值d是否小于等于平行阈值,如是,则使用直线直接连接两相邻直线中第一条直线的终点与第二条直线的起点,如否,则使用贝塞尔曲线连接两相邻直线中第一条直线的终点与第二条直线的起点,贝塞尔曲线控制点为两相邻直线中第一条直线与第二条直线的延长线交点;
4)完成左、右侧直线集中所有相邻直线连接实现当前图像的整个车道线的拟合。
2.如权利要求1所述基于分段直线加分段贝塞尔曲线的曲线车道线检测方法,其特征在于,平行阈值为100。
3.如权利要求1所述基于分段直线加分段贝塞尔曲线的曲线车道线检测方法,其特征在于,步骤2)之后,步骤3)之前还还包括左、右侧直线集的预处理步骤:
判断重新排序后的直线集中第一条直线的角度,如角度大于π/2.5,则去除第一条直线;判断直线集中最后一条直线角度,如角度小于π/9,则去除最后一条直线;
之后,计算直线集中第一条直线终点横坐标和第二条直线起点横坐标之间的距离差,如果距离差绝对值大于距离阈值,则去除第一条直线。
4.如权利要求3所述基于分段直线加分段贝塞尔曲线的曲线车道线检测方法,其特征在于,距离阈值为10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710711696.2A CN107704801B (zh) | 2017-08-18 | 2017-08-18 | 基于分段直线加分段贝塞尔曲线的曲线车道线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710711696.2A CN107704801B (zh) | 2017-08-18 | 2017-08-18 | 基于分段直线加分段贝塞尔曲线的曲线车道线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107704801A true CN107704801A (zh) | 2018-02-16 |
CN107704801B CN107704801B (zh) | 2021-08-06 |
Family
ID=61171155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710711696.2A Active CN107704801B (zh) | 2017-08-18 | 2017-08-18 | 基于分段直线加分段贝塞尔曲线的曲线车道线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107704801B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459994A (zh) * | 2018-03-29 | 2018-08-28 | 润电能源科学技术有限公司 | 一种数据处理方法以及设备 |
CN108805957A (zh) * | 2018-06-07 | 2018-11-13 | 青岛九维华盾科技研究院有限公司 | 一种基于位图图像自适应分割的矢量图生成方法及系统 |
CN109002795A (zh) * | 2018-07-13 | 2018-12-14 | 清华大学 | 车道线检测方法、装置及电子设备 |
CN109085834A (zh) * | 2018-08-27 | 2018-12-25 | 珠海市微半导体有限公司 | 机器人检测直边的方法和清洁机器人筛选参考墙边的方法 |
CN109916416A (zh) * | 2019-01-29 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 车道线数据处理与更新方法、装置及设备 |
CN111563412A (zh) * | 2020-03-31 | 2020-08-21 | 武汉大学 | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 |
CN112232330A (zh) * | 2020-12-17 | 2021-01-15 | 中智行科技有限公司 | 车道连接线生成方法、装置、电子设备和存储介质 |
US10990815B2 (en) * | 2018-12-27 | 2021-04-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Image pre-processing in a lane marking determination system |
CN112802149A (zh) * | 2019-11-13 | 2021-05-14 | 阿里巴巴集团控股有限公司 | 车道线的生成方法、生成装置、电子设备及存储介质 |
CN112818873A (zh) * | 2021-02-04 | 2021-05-18 | 苏州魔视智能科技有限公司 | 车道线检测方法、系统及电子设备 |
US11023745B2 (en) | 2018-12-27 | 2021-06-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | System for automated lane marking |
CN112950740A (zh) * | 2019-12-10 | 2021-06-11 | 中交宇科(北京)空间信息技术有限公司 | 高精地图道路中心线的生成方法、装置、设备及存储介质 |
US11087173B2 (en) | 2018-12-27 | 2021-08-10 | Beijing Didi Infinity Technology And Development Co., Ltd. | Using image pre-processing to generate a machine learning model |
CN113379873A (zh) * | 2021-08-11 | 2021-09-10 | 北京赛目科技有限公司 | 一种道路曲线确定方法、装置、电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150337A (zh) * | 2013-02-04 | 2013-06-12 | 北京航空航天大学 | 一种基于Bézier曲线的车道线重构方法 |
US20150125039A1 (en) * | 2013-11-04 | 2015-05-07 | Sarmo Technology Inc. | Lane departure warning system and method |
CN104794286A (zh) * | 2015-04-22 | 2015-07-22 | 杭州映墨科技有限公司 | 一种用于虚拟现实过山车场景的轨道构建和运动计算方法 |
CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
CN105426868A (zh) * | 2015-12-10 | 2016-03-23 | 山东大学 | 一种基于自适应感兴趣区域的车道检测方法 |
CN105844288A (zh) * | 2016-03-17 | 2016-08-10 | 西安工业大学 | 基于油液监测技术的机器状态识别方法 |
EP3055179A2 (de) * | 2013-10-08 | 2016-08-17 | Ford Global Technologies, LLC | Verfahren zum ermitteln einer relativen fahrbahnsteigung |
CN106571127A (zh) * | 2015-10-08 | 2017-04-19 | 小米科技有限责任公司 | 一种显示目标图像的方法和装置 |
CN106693290A (zh) * | 2016-12-07 | 2017-05-24 | 浙江理工大学 | 一种动感单车虚拟漫游系统和虚拟漫游实现方法 |
-
2017
- 2017-08-18 CN CN201710711696.2A patent/CN107704801B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150337A (zh) * | 2013-02-04 | 2013-06-12 | 北京航空航天大学 | 一种基于Bézier曲线的车道线重构方法 |
EP3055179A2 (de) * | 2013-10-08 | 2016-08-17 | Ford Global Technologies, LLC | Verfahren zum ermitteln einer relativen fahrbahnsteigung |
US20150125039A1 (en) * | 2013-11-04 | 2015-05-07 | Sarmo Technology Inc. | Lane departure warning system and method |
CN104794286A (zh) * | 2015-04-22 | 2015-07-22 | 杭州映墨科技有限公司 | 一种用于虚拟现实过山车场景的轨道构建和运动计算方法 |
CN106571127A (zh) * | 2015-10-08 | 2017-04-19 | 小米科技有限责任公司 | 一种显示目标图像的方法和装置 |
CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
CN105426868A (zh) * | 2015-12-10 | 2016-03-23 | 山东大学 | 一种基于自适应感兴趣区域的车道检测方法 |
CN105844288A (zh) * | 2016-03-17 | 2016-08-10 | 西安工业大学 | 基于油液监测技术的机器状态识别方法 |
CN106693290A (zh) * | 2016-12-07 | 2017-05-24 | 浙江理工大学 | 一种动感单车虚拟漫游系统和虚拟漫游实现方法 |
Non-Patent Citations (3)
Title |
---|
LI WH ET AL: "《A lane marking detection and tracking algorithm based on sub-regions》", 《ICCSS》 * |
付丽琴等: "《一种改进的边界轮廓矢量化算法》", 《测试技术学报》 * |
殷晓雪: "《车道偏离预警系统的研究与实现》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459994B (zh) * | 2018-03-29 | 2021-10-26 | 润电能源科学技术有限公司 | 一种数据处理方法以及设备 |
CN108459994A (zh) * | 2018-03-29 | 2018-08-28 | 润电能源科学技术有限公司 | 一种数据处理方法以及设备 |
CN108805957A (zh) * | 2018-06-07 | 2018-11-13 | 青岛九维华盾科技研究院有限公司 | 一种基于位图图像自适应分割的矢量图生成方法及系统 |
CN108805957B (zh) * | 2018-06-07 | 2022-06-24 | 青岛九维华盾科技研究院有限公司 | 一种基于位图图像自适应分割的矢量图生成方法及系统 |
CN109002795A (zh) * | 2018-07-13 | 2018-12-14 | 清华大学 | 车道线检测方法、装置及电子设备 |
CN109002795B (zh) * | 2018-07-13 | 2021-08-27 | 清华大学 | 车道线检测方法、装置及电子设备 |
CN109085834A (zh) * | 2018-08-27 | 2018-12-25 | 珠海市微半导体有限公司 | 机器人检测直边的方法和清洁机器人筛选参考墙边的方法 |
WO2020042426A1 (zh) * | 2018-08-27 | 2020-03-05 | 珠海市一微半导体有限公司 | 机器人检测直边的方法和清洁机器人筛选参考墙边的方法 |
US11023745B2 (en) | 2018-12-27 | 2021-06-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | System for automated lane marking |
US10990815B2 (en) * | 2018-12-27 | 2021-04-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Image pre-processing in a lane marking determination system |
US11087173B2 (en) | 2018-12-27 | 2021-08-10 | Beijing Didi Infinity Technology And Development Co., Ltd. | Using image pre-processing to generate a machine learning model |
CN109916416A (zh) * | 2019-01-29 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 车道线数据处理与更新方法、装置及设备 |
CN112802149A (zh) * | 2019-11-13 | 2021-05-14 | 阿里巴巴集团控股有限公司 | 车道线的生成方法、生成装置、电子设备及存储介质 |
CN112802149B (zh) * | 2019-11-13 | 2023-03-21 | 阿里巴巴集团控股有限公司 | 车道线的生成方法、生成装置、电子设备及存储介质 |
CN112950740A (zh) * | 2019-12-10 | 2021-06-11 | 中交宇科(北京)空间信息技术有限公司 | 高精地图道路中心线的生成方法、装置、设备及存储介质 |
CN111563412A (zh) * | 2020-03-31 | 2020-08-21 | 武汉大学 | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 |
CN112232330A (zh) * | 2020-12-17 | 2021-01-15 | 中智行科技有限公司 | 车道连接线生成方法、装置、电子设备和存储介质 |
CN112818873A (zh) * | 2021-02-04 | 2021-05-18 | 苏州魔视智能科技有限公司 | 车道线检测方法、系统及电子设备 |
CN112818873B (zh) * | 2021-02-04 | 2023-05-26 | 苏州魔视智能科技有限公司 | 车道线检测方法、系统及电子设备 |
CN113379873B (zh) * | 2021-08-11 | 2021-11-09 | 北京赛目科技有限公司 | 一种道路曲线确定方法、装置、电子设备 |
CN113379873A (zh) * | 2021-08-11 | 2021-09-10 | 北京赛目科技有限公司 | 一种道路曲线确定方法、装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107704801B (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107704801A (zh) | 基于分段直线加分段贝塞尔曲线的曲线车道线检测方法 | |
CN107730520A (zh) | 车道线检测方法及系统 | |
CN103116896A (zh) | 一种基于视觉显著性模型的自动检测跟踪方法 | |
CN107066933A (zh) | 一种道路标牌识别方法及系统 | |
CN108537808A (zh) | 一种基于机器人示教点信息的涂胶在线检测方法 | |
CN109919039B (zh) | 一种基于手掌和手指特征的静态手势识别方法 | |
CN102324099B (zh) | 一种面向仿人机器人的台阶边缘检测方法 | |
CN105740782A (zh) | 一种基于单目视觉的驾驶员换道过程量化方法 | |
CN108038434B (zh) | 基于多示例学习的视频人脸表情预检测方法 | |
CN105913093A (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN104915963A (zh) | 一种用于plcc元件的检测与定位方法 | |
CN104268860B (zh) | 一种车道线检测方法 | |
CN103530590A (zh) | Dpm二维码识别系统 | |
CN103413145A (zh) | 基于深度图像的关节点定位方法 | |
CN105426890A (zh) | 一种字符扭曲粘连的图形验证码识别方法 | |
CN105488492A (zh) | 一种彩色图像预处理方法、道路识别方法及相关装置 | |
CN105975894B (zh) | 一种基于自适应边缘检测和映射模型的一维码识别算法 | |
CN107341811A (zh) | 基于深度图像的利用MeanShift算法进行手部区域分割的方法 | |
CN102147867A (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
CN105844337A (zh) | 一种智能垃圾分类装置 | |
CN106127151A (zh) | 基于改进局部二值模型的指静脉识别方法及装置 | |
CN105426863A (zh) | 检测车道线的方法和装置 | |
CN111989692A (zh) | 表单识别方法、表格提取方法及相关装置 | |
CN105389570A (zh) | 一种人脸角度判定方法及其系统 | |
CN104112123A (zh) | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 |
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 |