CN108229244A - 一种智能车前方运动车辆的检测方法 - Google Patents
一种智能车前方运动车辆的检测方法 Download PDFInfo
- Publication number
- CN108229244A CN108229244A CN201611150192.XA CN201611150192A CN108229244A CN 108229244 A CN108229244 A CN 108229244A CN 201611150192 A CN201611150192 A CN 201611150192A CN 108229244 A CN108229244 A CN 108229244A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- shade
- line
- rio
- 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.)
- Withdrawn
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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
本发明公开了一种智能车前方运动车辆的检测方法,包括以下步骤:S1:采集前方道路视频图像,对图像进行预处理,包括图像剪裁、图像灰度化、图像滤波和图像二值化;S2:采用Canny边缘算子强化道路图像边缘信息;S3:采用改进的Hough变换法对车道线进行检测;S4:对车辆底部阴影进行分割,并进行形态学修正,修正后图像中仅剩一系列的阴影水平线段区域;S5:在这些阴影水平线段上建立可能存在车辆的矩形框,即感兴趣区域(RIO);S6:根据车辆纹理特征和车辆对称特征融合,对前方车辆进行假设验证,即可实现车辆的精确检测。
Description
技术领域
本发明涉及一种智能车前方运动车辆的检测方法。
背景技术
在智能汽车行驶过程中,由于道路环境比较复杂,想要让其完全无人自主行驶,许多工作还需要我们进行深入的研究。目前基于机器视觉的智能车辆障碍物检测技术以及围绕其展开的其它相关技术是发展较快的关键技术,该项技术通过安装在智能车辆上的视觉传感器获取周围环境信息,利用获得的环境信息对车辆前方是否存在障碍物进行实时、准确地检测,而对障碍物检测的成功与否直接关系到智能车辆能否顺利躲避障碍并安全行驶。研究基于机器视觉的智能车辆前方障碍物检测技术,可以对当前行驶车辆的周围环境进行实时有效的监测,这样可以减轻驾驶人员的压力,环节疲劳程度,辅助驾驶人员更好的驾驶车辆,增强了行驶的安全性,还能够很大程度的减少交通事故的发生,提高道路通行率。
基于机器视觉的智能车辆前方障碍物检测技术中,车道线检测是前方障碍物检测的基础,Hough变换法是车道线检测中比较常见的方法,具有良好的鲁棒性和抗干扰能力,但由于检测过程需要对图像空间采用穷尽式搜索,所以计算量非常大,占用内存非常多,时期算法性能大为降低。
基于机器视觉的智能车辆前方障碍物检测技术中,通常需要结合车辆的一些特征对感兴趣区域进行验证,从而得到准确的检测结果。车辆的许多部位均会呈现出比较丰富的纹理特征,如果感兴趣区域中含有车辆,那么该感兴趣区域的纹理特征会很明显,我们可以通过分析感兴趣区域内的纹理特征来排除一些不具有明显纹理特征的伪车辆区域。通过纹理特征验证,可以找到更加精确的感兴趣区域,但是不能把干扰全部排除。
车辆是一种人造刚体,具有明显的对称性,我们可以利用这一重要特征作为验证前方车辆是否存在的一个依据。由于环境、光照等因素的影响,可能会对前方车辆的轮廓对称性产生干扰,使其边缘出现模糊、粘连等,又或者道路上其它垂直或水平边缘对称物体的存在,都会在使用轮廓对称性进行车辆验证时导致漏检、误检情况的发生。
发明内容
本发明要解决的技术问题是提供一种智能车前方运动车辆的检测方法。
一种智能车前方运动车辆的检测方法,包括以下步骤:
S1:采集前方道路视频图像,对图像进行预处理,包括图像剪裁、图像灰度化、图像滤波和图像二值化;
S2:采用Canny边缘算子强化道路图像边缘信息;
S3:采用改进的Hough变换法对车道线进行检测;
S4:对车辆底部阴影进行分割,并进行形态学修正,修正后图像中仅剩一系列的阴影水平线段区域;
S5:在这些阴影水平线段上建立可能存在车辆的矩形框,即感兴趣区域(RIO);
S6:根据车辆纹理特征和车辆对称特征融合,对前方车辆进行假设验证,即可实现车辆的精确检测。
进一步的,所述改进的Hough变换法具体如下:
1)假设图像空间内的一条直线方程为y=kx+b;
2)在参数空间中利用直线的极坐标方程进行Hough变化,即:
ρ=x cosθ+y sinθ;
3)设左、右车道线的极角分别为θl和θr,对左、右车道线上的目标点进行θ的取值限定,得到Hough变换目标点的限定区域:
4)在变换过程中,首先在参数空间中对ρ和θ进行量化处理,根据量化结果建立一个2维累加矩阵A(ρ,θ),且将累加矩阵初始化置零;然后将通过θ遍历多有可能的取值,并根据2)中的公式计算出所对应的ρ,再根据得到的(ρ,θ)对2维累加矩阵A(ρ,θ)进行累加,由A(ρ,θ)的数值得到共线点的个数;最后找出A(ρ,θ)中数值的最大值,也就是峰值;
5)峰值最多的点就对应图像中车道线的位置。
进一步的,所述车辆底部阴影的分割方法具体如下:
1)在路面有效区域内,由近及远选取6个大小相同,尺寸均为30×30的窗口区域,这6个窗口分成两排,两排之间间隔30个像素值,同排之间间隔15个像素值;
2)分别对每个窗口区域的灰度值进行统计,然后求出各个窗口区域的灰度均值μi和方差σi,σi值越小表示该窗口区域内的灰度值越均匀,σi值越大表示该窗口区域内可能存在较多的干扰信息,灰度值易突变;当窗口区域σ值大于100时,说明它已经不能代表路面区域信息,后续处理时应首先将该窗口区域删除;
3)利用以下公式计算出N(N≤6)个区域的灰度均值μ和方差σ;
4)路面区域内灰度的变化范围是:
μ-3σ<f(x,y)<μ+3σ;
5)选取路面区域灰度最小值作为分割车底阴影的阈值,即:
T=μ-3σ;
用得到的阈值T对图像进行二值化处理,结果图像g(x,y)可以表示为:
即可分割出阴影区域。
进一步的,所述感兴趣区域的确立方法如下:
1)对形态学修正后的阴影二值化图像,从下到上,从左到右依次逐行扫描;
2)对于任意一行y,若符合以下公式,则标记为起点xstart;
(f(x-1,y)-f(x,y)==1)&&(f(x,y)-f(x+1,y)==0);
继续向右扫描该行,当符合以下公式时,就标记为终点xend;
(f(x,y)-f(x-1,y)==0)&&(f(x+1,y)-f(x,y)==1);
3)计算起点xstart与终点xend之间的长度,即:
Length[y]=xend-xstart;
4)设定阴影线段长度的阈值范围为:
0.6w<Length[y]<1.2w;
5)逐次上移h行,对每一行重复执行步骤2)-4)的操作,得到Length[y+h];若h≤3,可以阴影线段合并到一个矩形内,如果两条阴影线段的左端点或右端点像素之差小于15个,则以最大y值的阴影长度为基准进行合并;
6)对合并后的阴影线段左右端点分别扩展5个像素宽度,以确保前方车辆尾部长度在阴影线段长度之内;
7)在对阴影线段合并的基础上建立RIO。
进一步的,所述车辆的假设验证具体方法如下:
1)计算RIO图像熵值,计算表达式如下:
其中,p(li)表示图像区域中各级灰度出现的概率;
2)假设高度为h的RIO中每条线段的熵值为H(li),那么RIO图像的平均熵值为:
3)当RIO图像的平均熵值大于5.6时,说明包含车辆,否则不含有车辆;
4)对3)中包含车辆的RIO,假设其二位离散图像I(x,y)的大小为W×H,令图像的对称轴xS=W/2,对称宽度w为图像宽度W,对于图像I(x,y)中的第y行线段,其对称性测度为S(I(y,xS,w));
5)对RIO图像中逐行计算对称性测度,然后求其总平均值,从而的到图像的对称性测度S(I(x,y)),即:
6)当S(I(x,y))>0.15时,确定该区域车辆存在,否则认为车辆不存在。
本发明的有益效果是:
1)对于车道线检测,采用改进的Hough变换对不属于车道线的干扰点进行有效去除,在降低算法计算量的同时准确检测出车道线;
2)综合利用了车辆纹理和灰度对称性特征对RIO进行车辆验证,可以彻底排除非车辆因素的干扰,最终将智能车前方的运动车辆准确的检测出来,检测的准确率高。
具体实施方式
以下具体实施例对本发明作进一步阐述,但不作为对本发明的限定。
一种智能车前方运动车辆的检测方法,包括以下步骤:
S1:采集前方道路视频图像,对图像进行预处理,包括图像剪裁、图像灰度化、图像滤波和图像二值化;
S2:采用Canny边缘算子强化道路图像边缘信息;
S3:采用改进的Hough变换法对车道线进行检测;
S4:对车辆底部阴影进行分割,并进行形态学修正,修正后图像中仅剩一系列的阴影水平线段区域;
S5:在这些阴影水平线段上建立可能存在车辆的矩形框,即感兴趣区域(RIO);
S6:根据车辆纹理特征和车辆对称特征融合,对前方车辆进行假设验证,即可实现车辆的精确检测。
改进的Hough变换法具体如下:
1)假设图像空间内的一条直线方程为y=kx+b;
2)在参数空间中利用直线的极坐标方程进行Hough变化,即:
ρ=x cosθ+y sinθ;
3)设左、右车道线的极角分别为θl和θr,对左、右车道线上的目标点进行θ的取值限定,得到Hough变换目标点的限定区域:
4)在变换过程中,首先在参数空间中对ρ和θ进行量化处理,根据量化结果建立一个2维累加矩阵A(ρ,θ),且将累加矩阵初始化置零;然后将通过θ遍历多有可能的取值,并根据2)中的公式计算出所对应的ρ,再根据得到的(ρ,θ)对2维累加矩阵A(ρ,θ)进行累加,由A(ρ,θ)的数值得到共线点的个数;最后找出A(ρ,θ)中数值的最大值,也就是峰值;
5)峰值最多的点就对应图像中车道线的位置。
车辆底部阴影的分割方法具体如下:
1)在路面有效区域内,由近及远选取6个大小相同,尺寸均为30×30的窗口区域,这6个窗口分成两排,两排之间间隔30个像素值,同排之间间隔15个像素值;
2)分别对每个窗口区域的灰度值进行统计,然后求出各个窗口区域的灰度均值μi和方差σi,σi值越小表示该窗口区域内的灰度值越均匀,σi值越大表示该窗口区域内可能存在较多的干扰信息,灰度值易突变;当窗口区域σ值大于100时,说明它已经不能代表路面区域信息,后续处理时应首先将该窗口区域删除;
3)利用以下公式计算出N(N≤6)个区域的灰度均值μ和方差σ;
4)路面区域内灰度的变化范围是:
μ-3σ<f(x,y)<μ+3σ;
5)选取路面区域灰度最小值作为分割车底阴影的阈值,即:
T=μ-3σ;
用得到的阈值T对图像进行二值化处理,结果图像g(x,y)可以表示为:
即可分割出阴影区域。
感兴趣区域的确立方法如下:
1)对形态学修正后的阴影二值化图像,从下到上,从左到右依次逐行扫描;
2)对于任意一行y,若符合以下公式,则标记为起点xstart;
(f(x-1,y)-f(x,y)==1)&&(f(x,y)-f(x+1,y)==0);
继续向右扫描该行,当符合以下公式时,就标记为终点xend;
(f(x,y)-f(x-1,y)==0)&&(f(x+1,y)-f(x,y)==1);
3)计算起点xstart与终点xend之间的长度,即:
Length[y]=xend-xstart;
4)设定阴影线段长度的阈值范围为:
0.6w<Length[y]<1.2w;
5)逐次上移h行,对每一行重复执行步骤2)-4)的操作,得到Length[y+h];若h≤3,可以阴影线段合并到一个矩形内,如果两条阴影线段的左端点或右端点像素之差小于15个,则以最大y值的阴影长度为基准进行合并;
6)对合并后的阴影线段左右端点分别扩展5个像素宽度,以确保前方车辆尾部长度在阴影线段长度之内;
7)在对阴影线段合并的基础上建立RIO。
车辆的假设验证具体方法如下:
1)计算RIO图像熵值,计算表达式如下:
其中,p(li)表示图像区域中各级灰度出现的概率;
2)假设高度为h的RIO中每条线段的熵值为H(li),那么RIO图像的平均熵值为:
3)当RIO图像的平均熵值大于5.6时,说明包含车辆,否则不含有车辆;
4)对3)中包含车辆的RIO,假设其二位离散图像I(x,y)的大小为W×H,令图像的对称轴xS=W/2,对称宽度w为图像宽度W,对于图像I(x,y)中的第y行线段,其对称性测度为S(I(y,xS,w));
5)对RIO图像中逐行计算对称性测度,然后求其总平均值,从而的到图像的对称性测度S(I(x,y)),即:
6)当S(I(x,y))>0.15时,确定该区域车辆存在,否则认为车辆不存在。
实验1RIO验证算法对比实验
选取3段不同的车辆视频,首先基于车底阴影特性进行初步RIO提取,然后分别用车辆纹理特征(算法A)、车辆灰度对称性特征(算法B)和本发明方法进行RIO验证,结果如下表1所示。
表1 RIO验证算法对比
有上表结果可见,基于一种车辆特征对RIO进行车辆验证的检测率低,漏检率和误检率较高,而本发明综合利用了车辆纹理和灰度对称性特征对RIO进行车辆验证的准确率高,漏检率和误检率很低。
Claims (5)
1.一种智能车前方运动车辆的检测方法,其特征在于,包括以下步骤:
S1:采集前方道路视频图像,对图像进行预处理,包括图像剪裁、图像灰度化、图像滤波和图像二值化;
S2:采用Canny边缘算子强化道路图像边缘信息;
S3:采用改进的Hough变换法对车道线进行检测;
S4:对车辆底部阴影进行分割,并进行形态学修正,修正后图像中仅剩一系列的阴影水平线段区域;
S5:在这些阴影水平线段上建立可能存在车辆的矩形框,即感兴趣区域(RIO);
S6:根据车辆纹理特征和车辆对称特征融合,对前方车辆进行假设验证,即可实现车辆的精确检测。
2.根据权利要求1所述的智能车前方运动车辆的检测方法,其特征在于,所述改进的Hough变换法具体如下:
1)假设图像空间内的一条直线方程为y=kx+b;
2)在参数空间中利用直线的极坐标方程进行Hough变化,即:
ρ=x cosθ+y sinθ;
3)设左、右车道线的极角分别为θl和θr,对左、右车道线上的目标点进行θ的取值限定,得到Hough变换目标点的限定区域:
4)在变换过程中,首先在参数空间中对ρ和θ进行量化处理,根据量化结果建立一个2维累加矩阵A(ρ,θ),且将累加矩阵初始化置零;然后将通过θ遍历多有可能的取值,并根据2)中的公式计算出所对应的ρ,再根据得到的(ρ,θ)对2维累加矩阵A(ρ,θ)进行累加,由A(ρ,θ)的数值得到共线点的个数;最后找出A(ρ,θ)中数值的最大值,也就是峰值;
5)峰值最多的点就对应图像中车道线的位置。
3.根据权利要求1所述的智能车前方运动车辆的检测方法,其特征在于,所述车辆底部阴影的分割方法具体如下:
1)在路面有效区域内,由近及远选取6个大小相同,尺寸均为30×30的窗口区域,这6个窗口分成两排,两排之间间隔30个像素值,同排之间间隔15个像素值;
2)分别对每个窗口区域的灰度值进行统计,然后求出各个窗口区域的灰度均值μi和方差σi,σi值越小表示该窗口区域内的灰度值越均匀,σi值越大表示该窗口区域内可能存在较多的干扰信息,灰度值易突变;当窗口区域σ值大于100时,说明它已经不能代表路面区域信息,后续处理时应首先将该窗口区域删除;
3)利用以下公式计算出N(N≤6)个区域的灰度均值μ和方差σ;
4)路面区域内灰度的变化范围是:
μ-3σ<f(x,y)<μ+3σ;
5)选取路面区域灰度最小值作为分割车底阴影的阈值,即:
T=μ-3σ;
用得到的阈值T对图像进行二值化处理,结果图像g(x,y)可以表示为:
即可分割出阴影区域。
4.根据权利要求1所述的智能车前方运动车辆的检测方法,其特征在于,所述感兴趣区域的确立方法如下:
1)对形态学修正后的阴影二值化图像,从下到上,从左到右依次逐行扫描;
2)对于任意一行y,若符合以下公式,则标记为起点xstart;
(f(x-1,y)-f(x,y)==1)&&(f(x,y)-f(x+1,y)==0);
继续向右扫描该行,当符合以下公式时,就标记为终点xend;
(f(x,y)-f(x-1,y)==0)&&(f(x+1,y)-f(x,y)==1);
3)计算起点xstart与终点xend之间的长度,即:
Length[y]=xend-xstart;
4)设定阴影线段长度的阈值范围为:
0.6w<Length[y]<1.2w;
5)逐次上移h行,对每一行重复执行步骤2)-4)的操作,得到Length[y+h];若h≤3,可以阴影线段合并到一个矩形内,如果两条阴影线段的左端点或右端点像素之差小于15个,则以最大y值的阴影长度为基准进行合并;
6)对合并后的阴影线段左右端点分别扩展5个像素宽度,以确保前方车辆尾部长度在阴影线段长度之内;
7)在对阴影线段合并的基础上建立RIO。
5.根据权利要求1所述的智能车前方运动车辆的检测方法,其特征在于,所述车辆的假设验证具体方法如下:
1)计算RIO图像熵值,计算表达式如下:
其中,p(li)表示图像区域中各级灰度出现的概率;
2)假设高度为h的RIO中每条线段的熵值为H(li),那么RIO图像的平均熵值为:
3)当RIO图像的平均熵值大于5.6时,说明包含车辆,否则不含有车辆;
4)对3)中包含车辆的RIO,假设其二位离散图像I(x,y)的大小为W×H,令图像的对称轴xS=W/2,对称宽度w为图像宽度W,对于图像I(x,y)中的第y行线段,其对称性测度为S(I(y,xS,w));
5)对RIO图像中逐行计算对称性测度,然后求其总平均值,从而的到图像的对称性测度S(I(x,y)),即:
6)当S(I(x,y))>0.15时,确定该区域车辆存在,否则认为车辆不存在。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611150192.XA CN108229244A (zh) | 2016-12-14 | 2016-12-14 | 一种智能车前方运动车辆的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611150192.XA CN108229244A (zh) | 2016-12-14 | 2016-12-14 | 一种智能车前方运动车辆的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108229244A true CN108229244A (zh) | 2018-06-29 |
Family
ID=62638732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611150192.XA Withdrawn CN108229244A (zh) | 2016-12-14 | 2016-12-14 | 一种智能车前方运动车辆的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229244A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063740A (zh) * | 2018-07-05 | 2018-12-21 | 高镜尧 | 超声影像关键目标的检测模型构建及检测方法、装置 |
CN110321973A (zh) * | 2019-07-23 | 2019-10-11 | 南京信息工程大学 | 一种基于视觉的组合车辆检测方法 |
CN113160255A (zh) * | 2021-02-24 | 2021-07-23 | 国网福建省电力有限公司检修分公司 | 一种运行线路走廊环境因子变化监控方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101800890A (zh) * | 2010-04-08 | 2010-08-11 | 北京航空航天大学 | 一种高速公路监控场景下多车辆视频跟踪方法 |
CN102810250A (zh) * | 2012-07-31 | 2012-12-05 | 长安大学 | 基于视频的多车型交通信息检测方法 |
CN104392212A (zh) * | 2014-11-14 | 2015-03-04 | 北京工业大学 | 一种基于视觉的道路信息检测及前方车辆识别方法 |
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 |
CN105718870A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 自动驾驶中基于前向摄像头的道路标线提取方法 |
-
2016
- 2016-12-14 CN CN201611150192.XA patent/CN108229244A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101800890A (zh) * | 2010-04-08 | 2010-08-11 | 北京航空航天大学 | 一种高速公路监控场景下多车辆视频跟踪方法 |
CN102810250A (zh) * | 2012-07-31 | 2012-12-05 | 长安大学 | 基于视频的多车型交通信息检测方法 |
CN104392212A (zh) * | 2014-11-14 | 2015-03-04 | 北京工业大学 | 一种基于视觉的道路信息检测及前方车辆识别方法 |
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 |
CN105718870A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 自动驾驶中基于前向摄像头的道路标线提取方法 |
Non-Patent Citations (1)
Title |
---|
韩广飞: "基于视觉的智能车前方运动车辆检测与测距方法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063740A (zh) * | 2018-07-05 | 2018-12-21 | 高镜尧 | 超声影像关键目标的检测模型构建及检测方法、装置 |
CN110321973A (zh) * | 2019-07-23 | 2019-10-11 | 南京信息工程大学 | 一种基于视觉的组合车辆检测方法 |
CN113160255A (zh) * | 2021-02-24 | 2021-07-23 | 国网福建省电力有限公司检修分公司 | 一种运行线路走廊环境因子变化监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145161B (zh) | 一种路面裂缝数字图像处理和识别的方法 | |
CN107330376B (zh) | 一种车道线识别方法及系统 | |
CN105069415B (zh) | 车道线检测方法和装置 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN107730520B (zh) | 车道线检测方法及系统 | |
CN107862290A (zh) | 车道线检测方法及系统 | |
CN106022243B (zh) | 一种基于图像处理的机动车道车辆逆行识别方法 | |
CN106228138A (zh) | 一种融合区域和边缘信息的道路检测算法 | |
CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN108038416A (zh) | 车道线检测方法及系统 | |
US8983126B2 (en) | Method and system for detecting vehicle position by employing polarization image | |
CN108009522B (zh) | 一种道路检测方法、装置及终端 | |
CN105069859B (zh) | 车辆行驶状态监测方法和装置 | |
CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN107832674B (zh) | 一种车道线检测方法 | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN110210451A (zh) | 一种斑马线检测方法 | |
CN109460722B (zh) | 一种车牌智能识别方法 | |
CN103778613B (zh) | 一种窗口自适应的极化sar影像滤波方法 | |
CN117094914B (zh) | 基于计算机视觉的智慧城市道路监控系统 | |
CN108229244A (zh) | 一种智能车前方运动车辆的检测方法 | |
CN114299002A (zh) | 一种路面抛洒异常行为智能检测系统与方法 | |
CN111753749A (zh) | 一种基于特征匹配的车道线检测方法 | |
CN109800641B (zh) | 基于阈值自适应二值化和连通域分析的车道线检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180629 |