CN107705301B - 一种基于无人机航拍公路图像的公路标线破损检测方法 - Google Patents

一种基于无人机航拍公路图像的公路标线破损检测方法 Download PDF

Info

Publication number
CN107705301B
CN107705301B CN201710908434.5A CN201710908434A CN107705301B CN 107705301 B CN107705301 B CN 107705301B CN 201710908434 A CN201710908434 A CN 201710908434A CN 107705301 B CN107705301 B CN 107705301B
Authority
CN
China
Prior art keywords
image
road
threshold value
marking
highway
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
Application number
CN201710908434.5A
Other languages
English (en)
Other versions
CN107705301A (zh
Inventor
周敏
刘宁钟
朱志超
王立春
王勇
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.)
Nanjing Zhongshe Aviation Technology Development Co ltd
Original Assignee
Nanjing Zhongshe Aviation Technology Development Co ltd
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 Nanjing Zhongshe Aviation Technology Development Co ltd filed Critical Nanjing Zhongshe Aviation Technology Development Co ltd
Priority to CN201710908434.5A priority Critical patent/CN107705301B/zh
Publication of CN107705301A publication Critical patent/CN107705301A/zh
Application granted granted Critical
Publication of CN107705301B publication Critical patent/CN107705301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker

Landscapes

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

Abstract

本发明涉及一种基于无人机航拍公路图像的公路标线破损检测方法，本发明对预处理后的图片首先采用Hough变换检测直线的方法定位公路两侧白色标线，进而定位公路位置，然后计算阈值对图像进行二值化，并利用图像匹配的方式去除相邻图像的重复区域，最后提取公路标线，并对标线进行破损检测。该方法实现了一种基于无人机航拍公路图像的公路标线破损检测方法，有效的解决了传统人工查看方式效率低，资源浪费等问题，并且解决了不同光照下公路颜色变化给标线提取带来的影响，以及标线破损难以分析等问题，实用性较高，且不受时间与空间的限制，具有较好的适用性以及可靠性。

Description

一种基于无人机航拍公路图像的公路标线破损检测方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于无人机航拍公路图像的公路标线破损检测方法，特别是利用Hough变换检测直线实现的对公路的定位分割算法、路面阈值计算算法以及对破损公路标线的检测算法。
背景技术
公路标线的破损检测，传统方法主要采用人工方式，比较落后，而且检测结果没有定量分析与存储，具有局限性，如果可以利用无人机进行标线的自动破损检测，将极大的减少路政工作人员的工作量，提高工作效率，提高准确率。
目前公路交通标线检测的研究主要集中在道路标线图像预处理、分割、类型识别算法研究方面。
叶云利用车载摄像头进行路面拍摄，并利用标线颜色分量进行标线的提取，最后利用形态学操作对破损标线进行识别，该方法实验效果较好，但破损检测方法单一，具有一定的局限性。（叶云. 基于机器视觉的道路标线损坏智能检测设想[J]. 公路与汽运, 2016(3):55-57.）谢锦等利用深度学习以及机器学习提取交通标志特征，然后交通标志进行分类，具有较好的泛化能力，但提取特征过于复杂，且需要大量样本训练分类器。（谢锦, 蔡自兴, 邓海涛,等. 基于图像不变特征深度学习的交通标志分类[J]. 计算机辅助设计与图形学学报, 2017, 29(04):632-640.）P.Paclik采用交通标志图像颜色空间交换对交通标志图像进行分割，并采用空间不变矩作为图像特征，运用Laplace Kernel分类器识别交通标志。但识别精度有限，且运行时间较长。
发明内容
为了克服现有公路标线检测方法的不足，以及人工识别的局限性，本发明提出了一种效率高、识别准确度高的公路标线破损检测算法。
为实现上述发明目的，本发明提供的技术方案是：
一种基于无人机航拍公路图像的公路标线破损检测方法，包括以下步骤：
步骤1，无人机航拍，得到公路的航拍图像，并对航拍图像进行预处理，得到待检测的规范化图像；
步骤2，利用直线检测的方法，检测公路两侧白色标志线，并根据公路两侧的白色标志线，分割出公路区域；
步骤3，利用公路两侧已定位的白色标志线，计算合适的阈值，对图像进行阈值分割得到二值图像；
步骤4，利用图像匹配以及透视变换方法去除相邻图像的重复区域，避免重复计算；
步骤5，提取图像中的公路标线，并对标线进行破损检测。
进一步的，所述步骤1中的图像预处理的方法为：将所述拍摄图像等比例缩放到宽度为2000像素，并进行灰度化得到灰度图像。
进一步的，所述步骤2按照如下方法实现；
步骤2-1，首先对步骤1中得到规范化灰度图像，利用Sobel算子进行边缘检测，之后利用Hough变换方法进行直线检测；
步骤2-2，对步骤2-1的直线检测结果，对相近直线进行连接，连接条件为角度差小于5度，距离小于20像素；
步骤2-3，对步骤2-2连接后的直线，统计所有直线的长度；将长度最长的两条线，作为公路的边界位置。
进一步的，所述步骤2-2中，相近直线连接方法为：对每一条直线，比较其与其他直线的角度差以及位置关系，对于角度差小于5度并且距离小于30像素，则将两条直线合并，并更新该直线的坐标以及角度信息，继续比较，直到比较完所有直线。
进一步的，步骤3中的白色标线的阈值计算方法为：首先对步骤2中计算得到的公路边界，计算公路两侧白色标线灰度值并取平均值得到阈值1。根据步骤2中的公路两侧位置，分割出公路并利用大津阈值方法计算得到阈值2，比较阈值1与阈值2，如果阈值1与阈值2相差大于30，则取阈值1与阈值2中较大的阈值，不然取较小的阈值，并对该阈值乘以0.95作为最终的阈值。
进一步的，公路两侧白色标线的灰度值计算方法为：以直线的每个像素点为中心，左右各取20像素，然后逐一计算相邻像素的梯度，找到梯度最大以及梯度最小对应的像素坐标，记录下坐标间的所有像素灰度值，对整条直线所有像素点按此方法求得像素的灰度值，最终取所有像素灰度值的众数为直线灰度。
进一步的，步骤4按照如下方法实现：
步骤4-1：对相邻航拍图像利用SURF算子进行特征检测并利用FLANN方法进行特征匹配；
步骤4-2：利用Lowe's算法以及交叉匹配方法对匹配的特征进行筛选，剔除掉不好的匹配；
步骤4-3：计算所有匹配的角度以及长度，统计角度与长度的众数为ave_angle与ave_length，对于与ave_angle或者ave_length相差较大的匹配进行剔除。
步骤4-4：根据步骤4-3中得到的好的匹配点计算相邻图像的透视变换矩阵。并计算重复区域位置。
进一步的，步骤5中提取图像中的标线的方法为：首先对已分割道路区域利用步骤3计算的阈值进行二值化，然后计算轮廓的外接矩形，根据外接矩形的面积以及长宽比判断是否为标线。
进一步的，外接矩形的高度在200-500像素之间，面积为1000-30000像素之间，长宽比大于5并且小于15。
进一步的，步骤5中标线破损检测按照如下方法实现：
步骤5-1：对步骤5中提取的标线进行断点检测，检测方法为：对所有标线，检测是否存在宽度一致，在一条直线上，并且相距小于200像素。如果存在记录破损；
步骤5-2：对步骤5中提取的标线进行缺损检测，检测方法为：对提取的每一个标线进行先膨胀后腐蚀操作，并计算膨胀腐蚀后的面积与原来面积的差值，如果差值大于原来面积的10%，则认为存在破损；
步骤5-3：对步骤5中提取的标线进行边界检测，检测方法为：对提取的每个标线，从上到下计算其宽度，如果出现连续多行宽度较小，则认为存在破损，并记录。
有益效果：
相比较现有技术，本发明提供的一种基于无人机航拍公路图像的公路标线破损检测方法，具有以下有益效果：算法简单，运行速度快，准确率高，实用性强，具有较好的适应性以及可靠性。有效解决了传统需要人工进行检测方法的局限性，具有很好的经济效益以及使用效益。
附图说明
图1是本发明种基于无人机航拍公路图像的公路标线破损检测方法的流程图。
图2预处理后的图像。
图3阈值分割后得到的二值图像示意图。
图4利用角度以及长度信息剔除错误匹配的结果示意图。
图5检测破损结果示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本发明属于图像处理技术领域，具体涉及一种基于无人机航拍公路图像的公路标线破损检测方法，特别是利用边缘检测实现的对公路的定位分割算法、以及对破损公路标线的检测算法。
步骤1，利用无人机航拍，得到公路的航拍图像，并对航拍图像进行预处理，得到待检测的规范化图像，规范化图像如图2所示；
（1）图像输入为RGB格式图像。
（2）图像等比例缩放至图像宽度为2000像素。
（3）图像灰度化公式为 Gray = (306*R + 601*G + 117*B)>>10。
步骤2，利用直线检测的方法，检测公路两侧白色标志线，并根据公路两侧的白色标志线，分割公路区域；
步骤2-1，首先对步骤1中得到规范化灰度图像，利用Sobel算子进行边缘检测，之后利用Hough变换方法检测直线。
步骤2-2，对步骤2-1的直线检测结果，对相近直线进行连接，首先对每一条直线，比较其与其他直线的角度差以及位置关系，对于角度差小于5度并且距离小于20像素的直线，则将两条直线合并，并更新该直线的坐标以及角度信息，继续比较，直到比较完所有直线。
步骤2-3，对步骤2-2连接后的直线，统计所有直线的长度。将长度最长的两条线，作为公路的边界位置，检测结果如图3所示。
步骤3，利用公路两侧已定位的白色标志线，计算合适的阈值，对图像进行阈值分割得到二值图像，分割结果如图4所示；
首先对步骤2中计算得到的公路边界，计算公路两侧白色标线灰度值并取平均值得到阈值threshold_1。根据步骤2中的公路两侧位置，分割公路并利用大津阈值方法计算得到阈值threshold_2，如果threshold_1与threshold_2相差大于30（abs（threshold_1-threshold_2）>30），则取threshold_1与threshold_2中较大的阈值，不然取较小的阈值，并对该阈值乘以0.95作为最终的分割阈值threshold。
其中threshold_1的计算方法为：以直线的每个像素点为中心，左右各取20像素，然后逐一计算相邻像素的梯度，梯度计算方法为相邻像素相减，找到梯度最大以及梯度最小对应的像素坐标，记录下坐标间的所有像素灰度值，对整条直线所有像素点按此方法求得像素的灰度值，最终取所有像素灰度值的众数为直线灰度。
步骤4，利用图像匹配以及透视变换方法去除相邻图像的重复区域，避免重复计算；
步骤4-1：对相邻航拍图像利用SURF算子进行特征检测并利用FLANN方法进行特征匹配。
步骤4-2：利用Lowe's算法以及交叉匹配方法对匹配的特征进行筛选，剔除掉不好的匹配。
步骤4-3：计算所有匹配的角度以及长度，统计角度与长度的众数为ave_angle与ave_length，对于与ave_angle或者ave_length相差较大的匹配进行剔除，匹配结果如图5所示。
步骤4-4：根据步骤4-3中得到的好的匹配点计算相邻图像的透视变换矩阵。并计算重复区域位置。
步骤5，提取图像中的公路标线，并对标线进行破损检测。
首先对已分割道路区域利用步骤3计算的阈值threshold进行二值化，然后对二值图像进行轮廓检测，并计算轮廓的外接矩形，标线轮廓符合下面条件：
（1）外接矩形高度在200-500像素。
（2）轮廓面积在1000-30000像素。
（3）长宽比在5-15之间。
步骤5-1：对步骤5中提取的标线进行断点检测，检测方法为：对所有标线，检测是否存在宽度一致，在一条直线上，并且相距小于200像素。如果存在记录破损。
步骤5-2：对步骤5中提取的标线进行缺损检测，检测方法为：对提取的每一个标线进行先膨胀后腐蚀操作，并计算膨胀腐蚀后的面积与原来面积的差值，如果差值大于原来面积的10%，则认为存在破损，并记录。
步骤5-3：对步骤5中提取的标线进行边界检测，检测方法为：对提取的每个标线，从上到下计算其宽度，如果出现连续多行宽度较小，则认为存在破损，并记录。
本发明对公路破损的检测准确度达到90%以上，对于不同的光照环境下都具有较好的检测效果，同时检测速度较快，单张图像检测时间小于0.5s，并且检测不受时间与空间的限制。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，依据本发明的技术实质，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。

Claims (8)

1.一种基于无人机航拍公路图像的公路标线破损检测方法，其特征在于：包含如下步骤；
步骤1，无人机航拍，得到公路的航拍图像，并对航拍图像进行预处理，得到待检测的规范化图像；
步骤2，利用直线检测的方法，检测公路两侧白色标志线，并根据公路两侧的白色标志线，分割公路区域；
步骤3，利用公路两侧已定位的白色标志线，计算合适的阈值，对图像进行阈值分割得到二值图像；
步骤4，利用图像匹配以及透视变换方法去除相邻图像的重复区域，避免重复计算；
步骤5，提取图像中的公路标线，并对标线进行破损检测；
步骤2按照如下方法实现；
步骤2-1，首先对步骤1中得到规范化灰度图像，利用Sobel算子进行边缘检测，之后利用Hough变换方法进行直线检测；
步骤2-2，对步骤2-1的直线检测结果，对相近直线进行连接，连接条件为角度差小于5度，距离小于20像素；
步骤2-3，对步骤2-2连接后的直线，统计所有直线的长度；将长度最长的两条线，作为公路的边界位置；
步骤5中标线破损检测按照如下方法实现：
步骤5-1：对步骤5中提取的标线进行断点检测，检测方法为：对所有标线，检测是否存在宽度一致，在一条直线上，并且上下相距小于200像素；如果存在记录为破损；
步骤5-2：对步骤5中提取的标线进行缺损检测，检测方法为：对提取的每一个标线进行先膨胀后腐蚀操作，并计算膨胀腐蚀后的面积与原来面积的差值，如果差值大于原来面积的10%，则认为存在破损；
步骤5-3：对步骤5中提取的标线进行边界检测，检测方法为：对提取的每个标线，从上到下计算其宽度，如果出现连续多行宽度较小，则认为存在破损，并记录。
2.根据权利要求1所述的基于无人机航拍公路图像的公路标线破损检测方法，其特征在于： 步骤1中的图像预处理的方法为：将所述拍摄图像等比例缩放到宽度为2000像素，并进行灰度化得到灰度图像。
3.根据权利要求1所述的基于无人机航拍公路图像的公路标线破损检测方法，其特征在于：所述步骤2-2中，相近直线连接方法为：对每一条直线，比较其与其他直线的角度差以及位置关系，对于角度差小于5度并且距离小于30像素，则将两条直线合并，并更新该直线的坐标以及角度信息，继续比较，直到比较完所有直线。
4.根据权利要求1所述的基于无人机航拍公路图像的公路标线破损检测方法，其特征在于：步骤3中的白色标线的阈值计算方法为：首先对步骤2中计算得到的公路边界，计算公路两侧白色标线灰度值并取平均值得到阈值1；根据步骤2中的公路两侧位置，分割出公路区域并利用大津阈值方法计算得到阈值2，比较阈值1与阈值2，如果阈值1与阈值2相差大于30，则取阈值1与阈值2中较大的阈值，不然取较小的阈值，并对该阈值乘以0.95作为最终的阈值。
5.根据权利要求4所述的基于无人机航拍公路图像的公路标线破损检测方法，其特征在于：公路两侧白色标线的灰度值计算方法为：以直线的每个像素点为中心，左右各取20像素，然后逐一计算相邻像素的梯度，找到最大以及最小梯度对应的像素坐标，记录坐标间的所有像素灰度值，对整条直线所有像素点按此方法得到整条白线的所有灰度值，最终取所有像素灰度值的众数为直线灰度。
6.根据权利要求1所述的基于无人机航拍公路图像的公路标线破损检测方法，其特征在于：步骤4按照如下方法实现：
步骤4-1：对相邻航拍图像利用SURF算子进行特征检测并利用FLANN方法进行特征匹配；
步骤4-2：利用Lowe's算法以及交叉匹配方法对匹配的特征进行筛选，剔除掉不好的匹配；
步骤4-3：计算所有匹配的角度以及长度，统计角度与长度的众数分别为ave_angle与ave_length，对于与ave_angle或者ave_length相差较大的匹配进行剔除；
步骤4-4：根据步骤4-3中得到的好的匹配点计算相邻图像的透视变换矩阵，并计算重复区域位置。
7.根据权利要求1所述的基于无人机航拍公路图像的公路标线破损检测方法，其特征在于：步骤5中提取图像中的标线的方法为：首先对已分割道路区域利用步骤3计算的阈值进行二值化，然后对二值图像进行轮廓检测，并计算轮廓的外接矩形，根据外接矩形的面积以及长宽比判断是否为标线。
8.根据权利要求7所述的基于无人机航拍公路图像的公路标线破损检测方法，其特征在于：外接矩形的高度在200-500像素之间，面积为1000-30000像素之间，长宽比大于5并且小于15。
CN201710908434.5A 2017-09-29 2017-09-29 一种基于无人机航拍公路图像的公路标线破损检测方法 Active CN107705301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710908434.5A CN107705301B (zh) 2017-09-29 2017-09-29 一种基于无人机航拍公路图像的公路标线破损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710908434.5A CN107705301B (zh) 2017-09-29 2017-09-29 一种基于无人机航拍公路图像的公路标线破损检测方法

Publications (2)

Publication Number Publication Date
CN107705301A CN107705301A (zh) 2018-02-16
CN107705301B true CN107705301B (zh) 2021-04-13

Family

ID=61175677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710908434.5A Active CN107705301B (zh) 2017-09-29 2017-09-29 一种基于无人机航拍公路图像的公路标线破损检测方法

Country Status (1)

Country Link
CN (1) CN107705301B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509906B (zh) * 2018-03-30 2022-02-08 长安大学 无人机航拍路基线光点捕捉双阈值Radon识别方法
CN108803651B (zh) * 2018-04-24 2021-07-09 上海工程技术大学 一种基于图像特征的无人机公路巡检方法
CN108871409A (zh) * 2018-05-02 2018-11-23 北京畅东科技有限公司 一种故障检测方法和系统
CN109117757B (zh) * 2018-07-27 2022-02-22 四川大学 一种提取航拍图像中拉索的方法
CN109035239A (zh) * 2018-08-03 2018-12-18 北京智行者科技有限公司 基于自动驾驶技术的道路设施检查方法和车辆
CN109934128A (zh) * 2019-02-27 2019-06-25 长安大学 一种用于道路病害检测的航拍图像路面识别方法
CN110807771B (zh) * 2019-10-31 2022-03-22 长安大学 一种道路减速带的缺损检测方法
CN113076911B (zh) * 2021-04-16 2023-04-14 天津万事达物流装备有限公司 基于人工智能的agv色带导引轨道磨损程度检测方法与系统
CN113763342B (zh) * 2021-08-30 2024-04-30 东南大学 一种基于无人机遥感的高速公路标线检测方法
CN114511551A (zh) * 2022-02-22 2022-05-17 金华高等研究院(金华理工学院筹建工作领导小组办公室) 一种基于机器视觉的地面损伤识别系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122344A (zh) * 2011-01-07 2011-07-13 南京理工大学 基于红外图像的道路边界检测方法
CN102682292A (zh) * 2012-05-10 2012-09-19 清华大学 基于单目视觉的道路边缘检测及粗定位方法
CN105450950A (zh) * 2015-12-07 2016-03-30 北京航空航天大学 无人机航拍视频去抖方法
CN105809149A (zh) * 2016-03-31 2016-07-27 电子科技大学 基于最大长度直线的车道线检测方法
CN106373134A (zh) * 2016-09-18 2017-02-01 武汉武大卓越科技有限责任公司 一种基于线结构光三维测量的公路标线检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4992990B2 (ja) * 2010-02-24 2012-08-08 株式会社デンソー 区画線検出装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122344A (zh) * 2011-01-07 2011-07-13 南京理工大学 基于红外图像的道路边界检测方法
CN102682292A (zh) * 2012-05-10 2012-09-19 清华大学 基于单目视觉的道路边缘检测及粗定位方法
CN105450950A (zh) * 2015-12-07 2016-03-30 北京航空航天大学 无人机航拍视频去抖方法
CN105809149A (zh) * 2016-03-31 2016-07-27 电子科技大学 基于最大长度直线的车道线检测方法
CN106373134A (zh) * 2016-09-18 2017-02-01 武汉武大卓越科技有限责任公司 一种基于线结构光三维测量的公路标线检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Detection and Recognition of Urban Road Markings Using Images;Philippe Foucher,and etc;《2011 14th International IEEE Conference on Intelligent Transportation Systems (ITSC)》;20111118;第1747-1752页 *
一种新的基于红外图像的道路边界检测方法;孙涵等;《南京航空航天大学学报》;20061231;第38卷(第6期);第749-753页 *

Also Published As

Publication number Publication date
CN107705301A (zh) 2018-02-16

Similar Documents

Publication Publication Date Title
CN107705301B (zh) 一种基于无人机航拍公路图像的公路标线破损检测方法
CN107230202B (zh) 路面病害图像的自动识别方法和系统
CN105373794B (zh) 一种车牌识别方法
CN109784344B (zh) 一种用于地平面标识识别的图像非目标滤除方法
Zhang et al. A new algorithm for character segmentation of license plate
EP2575077B1 (en) Road sign detecting method and road sign detecting apparatus
Roy et al. An approach towards detection of indian number plate from vehicle
CN103136528B (zh) 一种基于双边缘检测的车牌识别方法
Zhang et al. Study on traffic sign recognition by optimized Lenet-5 algorithm
Yang et al. Real-time traffic sign detection via color probability model and integral channel features
CN110674812B (zh) 一种面向复杂背景的民用车牌定位与字符分割方法
CN109886168B (zh) 一种基于层阶的地面交通标志识别方法
CN105740883A (zh) 一种计算机中基于轮廓和纹理的对羽毛片进行分类的方法
CN110751619A (zh) 一种绝缘子缺陷检测方法
CN107133588A (zh) 基于车窗特征提取的车辆识别方法
Ingole et al. Characters feature based Indian vehicle license plate detection and recognition
CN109145746A (zh) 一种基于图像处理的信号灯检测方法
CN112101108A (zh) 一种基于图形极点位置特征的左右转交通标志识别方法
CN111666811A (zh) 一种提取交通场景图像中交通标志牌区域方法及系统
Dhar et al. Bangladeshi license plate recognition using adaboost classifier
CN110046618B (zh) 基于机器学习和最大极值稳定区域的车牌识别方法
Yang et al. A perspective correction method based on the bounding rectangle and least square fitting
CN106295642B (zh) 一种基于容错率和纹理特征的车牌定位方法
Das et al. Automatic License Plate Recognition Technique using Convolutional Neural Network
Tian et al. Robust traffic sign detection in complex road environments

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