CN108268866B - 一种车辆检测方法和系统 - Google Patents

一种车辆检测方法和系统 Download PDF

Info

Publication number
CN108268866B
CN108268866B CN201611260885.4A CN201611260885A CN108268866B CN 108268866 B CN108268866 B CN 108268866B CN 201611260885 A CN201611260885 A CN 201611260885A CN 108268866 B CN108268866 B CN 108268866B
Authority
CN
China
Prior art keywords
image
vehicle
candidate
coordinate
boundary
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
CN201611260885.4A
Other languages
English (en)
Other versions
CN108268866A (zh
Inventor
吴子章
王凡
唐锐
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.)
Zongmu Technology Shanghai Co Ltd
Original Assignee
Zongmu Technology Shanghai 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 Zongmu Technology Shanghai Co Ltd filed Critical Zongmu Technology Shanghai Co Ltd
Priority to CN201611260885.4A priority Critical patent/CN108268866B/zh
Publication of CN108268866A publication Critical patent/CN108268866A/zh
Application granted granted Critical
Publication of CN108268866B publication Critical patent/CN108268866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

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

Abstract

本发明提供一种车辆检测方法和系统，包括：对输入图像进行图像预处理，得到预处理后的包含车辆图像的车辆候选区域；修正所述车辆候选区域的边界；通过分类器精确判断修正后的所述车辆候选区域，以确定输入图像是否包含目标车辆图像。其中，图像预处理是依据输入图像各个像素的频率和像素值，计算距离参数；对距离参数进行指数运算得到显著性特征值，获得显著性图像；对显著性图像归一化处理得到显著性分析图像；对输入图像归一化处理得到拉伸图像；将显著性分析图像减去拉伸图像得到目标图像，对目标图像进行处理和选取获得车辆候选区域。本发明通过增强局部对比度，抑制了输入图像的背景信息，提高了车辆检测的实时性与准确性。

Description

一种车辆检测方法和系统
技术领域
本发明涉及一种图像处理技术领域，特别是涉及一种基于对比度和显著性分析的车辆检测方法和系统。
背景技术
交通安全问题已经成为世界性的重大问题，而汽车的安全性对人类生命财产的影响更是不言而喻的。随着高速公路的发展和汽车性能的提高，汽车行驶速度也形影加快，加之汽车数量增加以及交通运输日益繁忙，汽车事故增多所引起的人员伤亡和财产损失，已成为一个不容忽视的社会问题，汽车的行车安全更显得非常重要。传统的被动安全已经远远不能避免交通的事故发生，而主动安全技术由于可以预防事故的发生而倍受关注。视觉传感由于具有信息量大、成本低廉的特点，在汽车主动安全领域有着广泛的应用。
车辆检测技术是指利用图像传感手段对图像中的车辆搜寻和判定，获得图像中车辆的多种属性(如位置、速度、形状、外观)的过程。它是汽车主动安全领域，尤其是实现追尾预警以及自动紧急刹车功能的关键技术之一。目前车辆检测技术广泛应用于智能交通系统和高级驾驶辅助系统(Advanced Driver Assistant Systems，ADAS)。在城市的智能化的交通系统中，很多交通卡口都安装有视频传感器，每天都会产生成千上万的视频数据，而城市交通中交通密度大，交通拥堵严重，各道路使用者呈现多样性，从城市交通复杂的背景中检测获取车辆，对城市交通和城市公共安全至关重要。在高级驾驶辅助系统中，车辆检测技术主要用于前方碰撞预警系统(Forward Collision Warning，FCW)中，通过车辆检测技术，判断本车与前车之鉴的距离、方位及相对速度，当存在潜在碰撞危险时对驾驶者进行警告。因此，车辆检测技术已经逐渐成为诸多研究者所青睐的研究对象。
目前，传统的车辆检测方法包括基于阴影的车辆检测方法、基于车尾灯的车辆检测方法、基于滑动窗口的车辆检测方法等等。上述列举的车辆检测方法均是在检测车辆的局部信息后，再根据一定的几何关系确定车辆整体候选区域，之后送给分类器进行精确分类，进而得到车辆在图像中的位置信息。但是，这些方法对天气情况、路况和北京环境的要求都比较高，如果天气、路况或背景环境不是很好，采用上述方法进行检测，很难获取精确定位。例如，采用基于阴影的车辆检测方法，在雨天就很难检测出车底边的阴影；采用基于车尾灯的车辆检测方法，对不同类型的车辆很难统一适用；采用基于滑动窗口的方法在背景变化较大的场景中，容易出现虚警。因此，如何能够更加精确地定位车辆候选区域成为了本领域技术人员所亟待解决的问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种车辆检测方法和系统，用于解决现有技术中的车辆检测中如何快速精确地定位车辆候选区域的问题。
为实现上述目的及其他相关目的，本发明提供一种车辆检测方法，包括：对输入图像进行图像预处理，得到预处理后的包含车辆图像的车辆候选区域；修正所述车辆候选区域的边界；通过分类器精确判断修正后的所述车辆候选区域，以确定输入图像是否包含目标车辆图像。
于本发明的一实施例中，所述输入图像为经过采样处理的Y通道图像信息。
于本发明的一实施例中，所述对输入图像进行图像预处理，得到预处理后的包含车辆图像的车辆候选区域的步骤包括：遍历所述输入图像，获取所述输入图像中的各个像素的频率以及像素值，并记录最大像素值和最小像素值；计算每个像素与其他各个像素的基于像素值的距离参数，并记录最大距离参数和最小距离参数；依据各个像素的距离参数计算对应的显著性特征值，得到显著性图像；对所述显著性图像进行归一化处理得到显著性分析图像；对所述输入图像进行归一化处理得到拉伸图像；将所述显著性分析图像减去所述拉伸图像，得到目标图像；对所述目标图像进行二值化处理，获得二值化图像；选择所述二值化图像中长度满足第一阈值的侯选线作为底边候选线，选取以所述底边候选线作为底边，所述底边候选线的长作为边长的正方形区域作为所述车辆候选区域；其中，所述第一阈值与所述目标车辆相关。
于本发明的一实施例中，每个像素的基于像素值的距离参数为每个像素的频率减去其他像素的频率后平方求和得到平方和，再按照第一参数p对所述平方和求取对数而获得；其中第一参数p的取值范围为(0，1)。
于本发明的一实施例中，每个像素的所述显著性特征值为每个像素的距离参数进行指数运算获得。
于本发明的一实施例中，所述对所述显著性图像进行归一化处理得到显著性分析图像；对所述输入图像进行归一化处理得到拉伸图像的步骤包括：依据所述最大距离参数和所述最小距离参数，将所述显著性图像映射到0-255的范围内，获取所述显著性分析图像；依据所述最大像素值和所述最小像素值，将所述输入图像映射到0-255的范围内，获取所述拉伸图像。
于本发明的一实施例中，所述修正所述车辆候选区域的边界的步骤包括：扩展所述车辆候选区域的边界；求取扩展后的所述车辆候选区域的垂直梯度；将垂直梯度求取绝对值，并投影到水平方向，得到一维梯度投影图；依据所述一维梯度投影图，分别求取所述车辆候选区域的左、右边界的第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标；对第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标进行筛选，获取所述车辆候选区域的左边界坐标和右边界坐标；依据左边界坐标和右边界坐标修正所述车辆候选区域。
于本发明的一实施例中，所述依据所述一维梯度投影图，分别求取所述车辆候选区域的左、右边界的第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标的步骤包括：在所述一维梯度投影图的水平方向的左侧m区域内求取邻域内的垂直梯度的绝对值的最大值，并返回最大值的坐标作为第一左边界候选坐标；其中，m的取值范围为(0，1)；在所述一维梯度投影图的水平方向的右侧m区域内求取邻域内垂直梯度的绝对值的最大值，并返回最大值的坐标作为第一右边界候选坐标；将第一左边界候选坐标和第一右边界候选坐标的邻域内将垂直梯度的绝对值在水平方向上置零；再在水平方向的左侧m区域内求取邻域内的垂直梯度的绝对值的最大值，并返回最大值的坐标作为第二左边界候选坐标；再在水平方向的右侧m区域内求取邻域内的垂直梯度的绝对值的最大值，并返回最大值的坐标作为第二右边界候选坐标。
于本发明的一实施例中，所述对第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标进行筛选，获取所述车辆候选区域的左边界坐标和右边界坐标的步骤包括：分别求取第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标所对应的可信度；从第一左边界候选坐标和第二左边界候选坐标中选取可信度高的作为所述车辆候选区域的左边界坐标；从第一右边界候选坐标和第二右边界候选坐标中选取可信度高的作为所述车辆候选区域的右边界坐标。
于本发明的一实施例中，所述车辆检测方法还包括多帧联合处理和去重合处理；其中，多帧联合处理是在多帧图像中检测包含目标车辆图像的所述车辆候选区域，其中，多帧图像是在输入图像之前输入的；所述去重合处理是将输入图像对应的所述车辆候选区域、多帧联合处理检测出的所述车辆候选区域进行重合区域判定，对包含重合区域的所述车辆候选区域进行置信度评估，并将置信度高的所述车辆候选区域作为最终的车辆检测目标区域予以输出。
本发明还公开了一种车辆检测系统，包括：预处理模块，用于对输入图像进行图像预处理，得到预处理后的包含车辆图像的车辆候选区域；修正模块，用于修正所述车辆候选区域的边界；分类模块，用于通过分类器精确判断修正后的所述车辆候选区域，以确定输入图像是否包含目标车辆图像。
于本发明的一实施例中，所述车辆检测系统还包括：多帧联合处理模块和去重模块；所述多帧联合处理模块用于在多帧图像中检测包含目标车辆图像的所述车辆候选区域，其中，多帧图像是在输入图像之前输入的；所述去重模块用于将输入图像对应的所述车辆候选区域、多帧联合处理检测出的所述车辆候选区域进行重合区域判定，对包含重合区域的所述车辆候选区域进行置信度评估，并将置信度高的所述车辆候选区域作为最终的车辆检测目标区域予以输出。
于本发明的一实施例中，所述预处理模块包括：遍历子模块，用于遍历所述输入图像，获取所述输入图像中的各个像素的频率以及像素值；计算子模块，用于计算每个像素与其他各个像素的基于像素值的距离参数，以及依据距离参数计算对应的显著性特征值，得到显著性图像；判断子模块，用于从各个像素的像素值和距离参数中判断最大像素值、最小像素值、最大距离参数和最小距离参数；归一化子模块，用于对所述显著性图像进行归一化处理得到显著性分析图像；对所述输入图像进行归一化处理得到拉伸图像；目标图像获取子模块，用于将所述显著性分析图像减去所述拉伸图像，得到目标图像；二值化处理子模块，用于对所述目标图像进行二值化处理，获得二值化图像；选取子模块，用于在所述二值化图像中，选择长度满足第一阈值的侯选线作为底边候选线，选取以所述底边候选线作为底边，所述底边候选线的长作为边长的正方形候选区域作为所述车辆候选区域；其中，所述第一阈值与所述目标车辆相关。
于本发明的一实施例中，所述修正模块包括：边界扩展子模块，用于扩展所述车辆候选区域的边界；梯度求取子模块，用于求取扩展后的所述车辆候选区域的垂直梯度；投影子模块，用于将垂直梯度求取绝对值，并投影到水平方向，得到一维梯度投影图；边界候选坐标确定子模块，用于依据所述一维梯度投影图，分别求取所述车辆候选区域的左、右边界的第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标；筛选子模块，用于对第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标进行筛选，获取所述车辆候选区域的左边界坐标和右边界坐标；修正子模块，用于依据左边界坐标和右边界坐标修正所述车辆候选区域。
如上所述，本发明的一种车辆检测方法和系统，具有以下有以技术效果：
1)本发明将车辆与周围环境的对比度利用显著性分析的手段进行反映，并且以图像减法的方式去除了大量的干扰背景信息，提高了车辆检测的实时性与准确性；
2)本发明的车辆候选区域的现在是基于相对准确的车辆底边信息，根据车辆底边扩充区域内的竖直方向梯度在水平方向上的投影，利用峰值的变化特性求出车辆候选区域的左右边界；采用这种方法，计算量小，可靠性高，可以相对快速地准确获取车辆候选区域的边界信息；
3)本发明还将当前帧检测出来的包括目标车辆的车辆候选区域，与当前帧之前的多帧图像检测出的包括目标车辆的车辆候选区域相联合，并利用窗口去重合机制去除有重叠区域的车辆候选区域，提高了车辆的检出率，在一定程度上抑制了虚警。
附图说明
图1显示为本发明实施例公开的一种车辆检测方法的流程示意图。
图2显示为本发明实施例公开的一种车辆检测方法的步骤S10的处理流程示意图。
图3显示为本发明实施例公开的一种车辆检测方法的步骤S20的处理流程示意图。
图4显示为本发明实施例公开的一种车辆检测系统的原理结构示意图。
元件标号说明
S10～S40,S11～S17,S21～S26 步骤
410 预处理模块
420 修正模块
430 分类模块
440 多帧联合处理模块
450 去重模块
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅附图。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明提供了一种基于对比度和显著性分析的车辆检测方法和系统，由于车辆图像在图像检测中属于比较突出的目标物体，与图像中的其余部分存在着一定的对比度，即便是人类视觉，也可根据其强烈的对比度识别出车辆图像。因此，本发明利用图像中的车辆图像与其他背景图像(环境)的对比度存在一定的差异的特点，利用显著性分析将对比度强烈的部分予以增强，剔除对比度相对平和的部分，从而更加精确的图像中的车辆候选区域，最后将车辆候选区域送给分类器进行更加精确的判断，从而识别目标车辆图像。
实施例1
本实施例公开了一种车辆检测方法，如图1所示，具体包括：
步骤S10，对输入图像进行图像预处理，得到预处理后的与输入图像对应的包括车辆图像的车辆候选区域
输入图像为图像采集设备所输出的，通常情况下，输入图像均为YUV格式。其中，YUV是被欧洲电视系统所采用的一种颜色编码方法。其将Y通道图像信息表示图像的亮度信息，U通道图像信息和V通道图像信息表示图像的彩色信息，将Y通道图像信息、U通道图像信息和V通道图像信息结合起来，就形成彩色图片。本实施例中，输入的图像是经过采样处理的Y通道图像信息。
如图2所示，本实施例对输入图像的图像预处理具体包括：
步骤S11，遍历输入图像，获取输入图像中的各个像素的频率以及像素值，并记录最大像素值和最小像素值；
步骤S12，计算每个像素和其他各个像素的基于像素值的距离参数，并记录最大距离参数和最小距离参数；
其中，距离参数是一个衡量像素的对比度的参数，是通过将一个像素的频率减去其他像素的频率后，将各个差值进行平方运算后，全部加起来得到平方和，再按照第一参数p对平方和求取对数而得到。其中，第一参数p为0-1之间的任意值。
步骤S13，依据各个像素的距离参数计算对应的显著性特征值，得到显著性图像；
显著性特征值是将距离参数进行一定的指数运算而获得的。其中，指数运算的指数是依据于需检测到的车辆图像在输入图像中的对比度的强烈程度而设定的。也就是说，根据不同的输入图像，不同的对比度，对应的指数也相应地有所差异。
步骤S14，对显著性图像进行归一化处理得到显著性分析图像；对输入图像进行归一化处理得到拉伸图像：
显著性图像的归一化处理是基于距离参数的，其依据最大距离参数和最小距离参数，将显著性图像映射到0-255的范围内，获取显著性分析图像。
输入图像的归一化处理是基于像素值的，其依据最大像素值和最小像素值，将输入图像映射到0-255的范围内，得到拉伸图像。
步骤S15，将显著性分析图像减去拉伸图像，得到目标图像；
显著性分析图像和拉伸图像是在相同的值域空间内，且具有映射关系。而且，显著性分析图像对输入图像中的对比度相对强烈的区域进行了增强处理，而拉伸图像是近似均衡的图像。求取显著性分析图像和拉伸图像的差值，得到目标图像。并且，目标图像剔除了输入图像中相对没有被增强的区域，保留增强了对比度强烈的区域，即增强了对比度强烈的包括车辆图像的区域，剔除了其他的背景区域。
步骤S16，对目标图像进行二值化处理，获得二值化图像。
为了使得目标图像的对比度更加强烈，对目标图像进行二值化处理，即将目标图像上的像素点的灰度值与预设阈值进行判断，大于等于阈值设置为255，小于阈值设置为0，从而得到二值化图像。二值化图像呈现出明显的黑白效果，更加便于车辆候选区域的定位。
步骤S17，选择二值化图像中长度满足第一阈值的候选线作为底边候选线，选取以底边候选线作为底边、底边候选线的长作为边长的正方形区域作为车辆候选区域。
其中，二值化图像中选取的正方形区域最多只有1个。如果选取不出正方形区域，那么，车辆检测结束。并且，不同的目标车辆，其对应的车辆的底边长度也是有所差异的，因此，用于选择底边候选线的第一阈值是根据目标车辆而设定的。
此外，不难看出，在二值化图像中，如果无法检测到存在候选线的长度满足第一阈值，那么则说明输入图像中不包含目标图像，车辆检测结束。并且，如果无法从二值化图像中选取以底边候选线作为底边、底边候选线的长作为边长的正方形区域，也说明输入图像中不包含目标图像，车辆检测结束。
进一步地，选取了车辆候选区域的二值化图像中，还存在多个与其他矩形区域，将与车辆候选区域的左侧和右侧相邻的矩形区域保留，用于进行车辆候选区域的边界的修正；剩余的矩形区域全部去除。
步骤S20，修正车辆候选区域的边界：
通过底边候选线选取的车辆候选区域并不准确，需要对车辆候选区域的左右边界进行进一步的确定，如图3所示，包括：
步骤S21，扩展车辆候选区域的边界。
由于最初选取的车辆候选区域的边界并不一定准确，因此对车辆车辆候选区域的边界进行一定程度的扩展，即将车辆候选区域的底边进行上浮，或者是将车辆候选区域的左侧边界和右侧边界向外扩展，以保证车辆候选区域的定位更加精确。
步骤S22，求取扩展后的车辆候选区域的垂直梯度。
优选地，在本实施例中采用sobel算子计算垂直梯度。Sobel算子用于计算数字图像的一阶梯度，以实现对图像边缘的检测。
步骤S23，将垂直梯度求取绝对值，并投影到水平方向，得到一维梯度投影图。
步骤S24，依据所述一维梯度投影图，分别求取所述车辆候选区域的左、右边界的第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标。
在本实施例中，通过如下方式获取第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标：
在一维梯度投影图的水平方向的左侧m区域内求取邻域内的垂直sobel梯度的绝对值的最大值，并返回最大值的坐标作为第一左边界候选坐标；其中，m的取值范围为(0，1)；优选地，本实施例中的m为1/2；
在一维梯度投影图的水平方向的右侧m区域内求取邻域内垂直sobel梯度的绝对值的最大值，并返回最大值的坐标作为第一右边界候选坐标；其中，m的取值范围为(0，1)；优选地，本实施例中的m为1/2。
由于求得的最大值的坐标未必就是车辆候选区域的左边界和右边界，因此，在第一左边界候选坐标(水平方向的左侧m区域内求取邻域内的垂直sobel梯度的绝对值的最大值的坐标)和第一右边界候选坐标(右侧m区域内求取邻域内垂直sobel梯度的绝对值的最大值的坐标)的邻域内将垂直sobel梯度的绝对值在水平方向上置零；重新获取新的候选边界：
在水平方向的左侧m区域内求取邻域内的垂直sobel梯度的绝对值的最大值，并返回最大值的坐标作为第二左边界候选坐标；其中，m的取值范围为(0，1)；优选地，本实施例中的m为1/2；
再在水平方向的右侧m区域内求取邻域内的垂直sobel梯度的绝对值的最大值，并返回最大值的坐标作为第二右边界候选坐标；其中，m的取值范围为(0，1)；优选地，本实施例中的m为1/2。
步骤S25，对第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标进行筛选，获取所述车辆候选区域的左边界坐标和右边界坐标；
在确定了车辆候选区域的第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标后，还要进一步地进行过滤和筛选，以获取精准的左边界坐标和右边界坐标。具体地：
分别求取第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标所对应的可信度；
从第一左边界候选坐标和第二左边界候选坐标中选取可信度高的作为车辆候选区域的左边界坐标；从第一右边界候选坐标和第二右边界候选坐标中选取可信度高的作为车辆候选区域的右边界坐标。
在本实施例中，第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标的候选区域的可信度是按照如下步骤计算获得的：
在第一左边界候选坐标LA的左侧以临时高度a取一个临时区域LA1，在第一左边界候选坐标LA的右侧以临时高度b取一个临时区域LA2，将两个区域做差LA1-LA2，然后求和得到Sum_LA，将Sum_LA作为第一左边界候选坐标LA的可信度；其中，临时高度a为一维梯度投影图的宽度的1/5，临时高度b为一维梯度投影图的宽度的1/3；需要注意的是，临时高度a和b并不仅限于一维梯度投影图的宽度的1/5和1/3这一种情况，只要临时高度a和b小于一维梯度投影图的宽度即可。同理，
在第二左边界候选坐标LB的左侧以临时高度a取一个临时区域LB1，在第二左边界候选坐标B的右侧以临时高度b取一个临时区域LB2，将两个区域做差LB1-LB2，然后求和得到Sum_LB，将Sum_LB作为第二左边界候选坐标LB的可信度；其中，临时高度a为一维梯度投影图的宽度的1/5，临时高度b为一维梯度投影图的宽度的1/3。
选取Sum_LA和Sum_LB中的最大值对应的候选坐标作为左边界坐标。
在第一右边界候选坐标RA的左侧以临时高度a取一个临时区域RA1，在第一右边界候选坐标RA的右侧以临时高度b取一个临时区域RA2，将两个区域做差RA1-RA2，然后求和得到Sum_RA，将Sum_RA作为第一右边界候选坐标RA的可信度；其中，临时高度a为一维梯度投影图的宽度的1/5，临时高度b为一维梯度投影图的宽度的1/3；
在第二右边界候选坐标RB的左侧以临时高度a取一个临时区域RB1，在第二右边界候选坐标RB的右侧以临时高度b取一个临时区域RB2，将两个区域做差RB1-RB2，然后求和得到Sum_RB，将Sum_RB作为第二右边界候选坐标RB的可信度；其中，临时高度a为一维梯度投影图的宽度的1/5，临时高度b为一维梯度投影图的宽度的1/3；
选取Sum_RA和Sum_RB中的最大值对应的候选坐标作为右边界坐标。
步骤S26，依据左边界坐标和右边界坐标修正所述车辆候选区域
步骤S30，通过分类器精确判断修正后的车辆候选区域，以确定输入图像是否包括目标车辆图像：
分类器对修正后的车辆候选区域进行判断，判断修正后的车辆候选区域中是否包含目标车辆图像。
在本实施例中，分类器包括但不限于Adaboost、SVM(Support Vector Machine，支持向量机)和CNN(Convolutional Neural Network，卷积神经网络)等等。其中，Adaboost是一种迭代算法，其是针对同一个训练集训练不同的分类器，然后构建一个更加强大的最终分类器。SVM是一种建立在统计学习理论、结构风险最小化及VC维(Vapnik-ChervonenkisDimension)理论基础上的机器学习方法，其在模式识别、函数估计、时序预测和回归分析等领域得到了深入的发展，成功应用方向包括手写识别、人像识别、基因分类和二值分类等。CNN是一种源于人工神经网络的深度及其学习方法，采用局部连接和权值共享，保持了网络的深层结构，通过又大大较少了网络参数，使模型具有良好的泛化能力又较容易训练。需要说明的是，本发明的分类器并不仅限于上述的几种情况，只要是可以实现图像的精准分类识别的分类器均在本发明的保护范围内。
进一步地，图像采集设备采集图像时往往是连续采集多张图像，因此，为了确保车辆候选区域的精准，本实施例还联合了输入图像之前输入的多帧图像进行联合去重处理，即，
步骤S40，多帧联合处理和去重合处理：
在当前输入图像之前输入的经过分类器处理的多帧图像中，检测包含目标车辆的车辆候选区域；其中，多帧图像可以是经过本实施例的步骤S10-步骤S30处理而获得的车辆候选区域，也可以是通过其他车辆检测方法处理获得的车辆候选区域；
将输入图像对应的车辆候选区域、以及多帧图像对应的车辆候选区域进行重合区域判定，地包含有重合区域的多个车辆候选区域进行置信度评估：将置信度低的车辆候选区域去除；将置信度高的车辆候选区域作为最终的车辆目标检测区域予以输出。
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包含相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
实施例2
本实施例公开了一种车辆检测系统，如图4所示，包括：
预处理模块410，用于对输入图像进行图像预处理，得到预处理后的与输入图像对应的包含车辆图像的车辆候选区域；其中，
预处理模块410包括：
遍历子模块，用于遍历输入图像，获取所述输入图像中的各个像素的频率以及像素值；
计算子模块，用于计算每个像素与其他各个像素的基于像素值的距离参数，以及依据距离参数计算对应的显著性特征值，得到显著性图像；
判断子模块，用于从各个像素的像素值和距离参数中判断最大像素值、最小像素值、最大距离参数和最小距离参数；
归一化子模块，用于对显著性图像进行归一化处理得到显著性分析图像；对输入图像进行归一化处理得到拉伸图像；
目标图像获取子模块，用于将显著性分析图像减去拉伸图像，得到目标图像；
二值化处理子模块，用于对目标图像进行二值化处理，获得二值化图像；
选取子模块，用于在所述二值化图像中，选择长度满足第一阈值的侯选线作为底边候选线，选取以底边候选线作为底边，底边候选线的长作为边长的正方形候选区域作为车辆候选区域；其中，第一阈值与所述目标车辆相关，且正方形候选区域仅为1个。
修正模块420，用于修正车辆候选区域的边界；其中，
修正模块420包括：
边界扩展子模块，用于扩展车辆候选区域的边界；
梯度求取子模块，用于求取扩展后的车辆候选区域的垂直梯度；
投影子模块，用于将垂直梯度求取绝对值，并投影到水平方向，得到一维梯度投影图；
边界候选坐标确定子模块，用于依据一维梯度投影图，分别求取车辆候选区域的左、右边界的第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标；
筛选子模块，用于对第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标进行筛选，获取车辆候选区域的左边界坐标和右边界坐标；
修正子模块，用于依据左边界坐标和右边界坐标修正车辆候选区域。
分类模块430，用于通过分类器精确判断修正后的车辆候选区域，以确定输入图像是否包含目标车辆图像；
多帧联合处理模块440，用于在多帧图像中检测包含目标车辆图像的所述车辆候选区域，其中，多帧图像是在输入图像之前输入的；
去重模块450，用于将输入图像对应的所述车辆候选区域、多帧联合处理检测出的所述车辆候选区域进行重合区域判定，对包含重合区域的所述车辆候选区域进行置信度评估，并将置信度高的所述车辆候选区域作为最终的车辆检测目标区域予以输出。
此外，为了突出本发明的创新部分，本实施例中并没有将与解决本发明所提出的技术问题关系不太密切的模块引入，但这并不表明本实施例中不存在其它的模块。
并且不难发现，本实施例为与第一实施例相对应的系统实施例，本实施例可与第一实施例互相配合实施。第一实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在第一实施例中。
综上所述，本发明的一种车辆检测方法和系统，将车辆与周围环境的对比度利用显著性分析的手段进行反映，并且以图像减法的方式去除了大量的干扰背景信息，提高了车辆检测的实时性与准确性；本发明的车辆候选区域的现在是基于相对准确的车辆底边信息，根据车辆底边扩充区域内的竖直方向梯度在水平方向上的投影，利用峰值的变化特性求出车辆候选区域的左右边界；采用这种方法，计算量小，可靠性高，可以相对快速地准确获取车辆候选区域的边界信息；本发明还将当前帧检测出来的包括目标车辆的车辆候选区域，与当前帧之前的多帧图像检测出的包括目标车辆的车辆候选区域相联合，并利用窗口去重合机制去除有重叠区域的车辆候选区域，提高了车辆的检出率，在一定程度上抑制了虚警。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种车辆检测方法，其特征在于，包括：
对输入图像进行图像预处理，得到预处理后的包含车辆图像的车辆候选区域；
所述对输入图像进行图像预处理，得到预处理后的包含车辆图像的车辆候选区域的步骤包括：
遍历所述输入图像，获取所述输入图像中的各个像素的频率以及像素值，并记录最大像素值和最小像素值；
计算每个像素与其他各个像素的基于像素值的距离参数，并记录最大距离参数和最小距离参数；距离参数是一个衡量像素的对比度的参数，是通过将一个像素的频率减去其他像素的频率后，将各个差值进行平方运算后，全部加起来得到平方和，再按照第一参数p对平方和求取对数而得到；其中第一参数p的取值范围为(0，1)；
依据各个像素的距离参数计算对应的显著性特征值，得到显著性图像；显著性特征值是将距离参数进行一定的指数运算而获得的；其中，指数运算的指数是依据于需检测到的车辆图像在输入图像中的对比度的强烈程度而设定的；
对所述显著性图像进行归一化处理得到显著性分析图像；对所述输入图像进行归一化处理得到拉伸图像；
将所述显著性分析图像减去所述拉伸图像，得到目标图像；
对所述目标图像进行二值化处理，获得二值化图像；
选择所述二值化图像中长度满足第一阈值的侯选线作为底边候选线，选取以所述底边候选线作为底边，所述底边候选线的长作为边长的正方形区域作为所述车辆候选区域；其中，所述第一阈值与目标车辆相关；修正所述车辆候选区域的边界；
通过分类器精确判断修正后的所述车辆候选区域，以确定输入图像是否包含目标车辆图像。
2.根据权利要求1所述的车辆检测方法，其特征在于：所述输入图像为经过采样处理的Y通道图像信息。
3.根据权利要求1所述的车辆检测方法，其特征在于：所述对所述显著性图像进行归一化处理得到显著性分析图像；对所述输入图像进行归一化处理得到拉伸图像的步骤包括：
依据所述最大距离参数和所述最小距离参数，将所述显著性图像映射到0-255的范围内，获取所述显著性分析图像；
依据所述最大像素值和所述最小像素值，将所述输入图像映射到0-255的范围内，获取所述拉伸图像。
4.根据权利要求1所述的车辆检测方法，其特征在于：所述修正所述车辆候选区域的边界的步骤包括：
扩展所述车辆候选区域的边界；
求取扩展后的所述车辆候选区域的垂直梯度；
将垂直梯度求取绝对值，并投影到水平方向，得到一维梯度投影图；
依据所述一维梯度投影图，分别求取所述车辆候选区域的左、右边界的第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标；
对第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标进行筛选，获取所述车辆候选区域的左边界坐标和右边界坐标；
依据左边界坐标和右边界坐标修正所述车辆候选区域。
5.根据权利要求4所述的车辆检测方法，其特征在于：所述依据所述一维梯度投影图，分别求取所述车辆候选区域的左、右边界的第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标的步骤包括：
在所述一维梯度投影图的水平方向的左侧m区域内求取邻域内的垂直梯度的绝对值的最大值，并返回最大值的坐标作为第一左边界候选坐标；其中，m的取值范围为(0，1)；
在所述一维梯度投影图的水平方向的右侧m区域内求取邻域内垂直梯度的绝对值的最大值，并返回最大值的坐标作为第一右边界候选坐标；
将第一左边界候选坐标和第一右边界候选坐标的邻域内将垂直梯度的绝对值在水平方向上置零；
再在水平方向的左侧m区域内求取邻域内的垂直梯度的绝对值的最大值，并返回最大值的坐标作为第二左边界候选坐标；
再在水平方向的右侧m区域内求取邻域内的垂直梯度的绝对值的最大值，并返回最大值的坐标作为第二右边界候选坐标。
6.根据权利要求4所述的车辆检测方法，其特征在于：所述对第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标进行筛选，获取所述车辆候选区域的左边界坐标和右边界坐标的步骤包括：
分别求取第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标所对应的可信度；
从第一左边界候选坐标和第二左边界候选坐标中选取可信度高的作为所述车辆候选区域的左边界坐标；从第一右边界候选坐标和第二右边界候选坐标中选取可信度高的作为所述车辆候选区域的右边界坐标。
7.根据权利要求1所述的车辆检测方法，其特征在于：所述车辆检测方法还包括多帧联合处理和去重合处理；其中，
多帧联合处理是在多帧图像中检测包含目标车辆图像的所述车辆候选区域，其中，多帧图像是在输入图像之前输入的；
所述去重合处理是将输入图像对应的所述车辆候选区域、多帧联合处理检测出的所述车辆候选区域进行重合区域判定，对包含重合区域的所述车辆候选区域进行置信度评估，并将置信度高的所述车辆候选区域作为最终的车辆检测目标区域予以输出。
8.一种车辆检测系统，其特征在于：包括：
预处理模块，用于对输入图像进行图像预处理，得到预处理后的包含车辆图像的车辆候选区域；所述预处理模块包括：
遍历子模块，用于遍历所述输入图像，获取所述输入图像中的各个像素的频率以及像素值；
计算子模块，用于计算每个像素与其他各个像素的基于像素值的距离参数，以及依据距离参数计算对应的显著性特征值，得到显著性图像；距离参数是一个衡量像素的对比度的参数，是通过将一个像素的频率减去其他像素的频率后，将各个差值进行平方运算后，全部加起来得到平方和，再按照第一参数p对平方和求取对数而得到；其中第一参数p的取值范围为(0，1)；显著性特征值是将距离参数进行一定的指数运算而获得的；其中，指数运算的指数是依据于需检测到的车辆图像在输入图像中的对比度的强烈程度而设定的；
判断子模块，用于从各个像素的像素值和距离参数中判断最大像素值、最小像素值、最大距离参数和最小距离参数；
归一化子模块，用于对所述显著性图像进行归一化处理得到显著性分析图像；
对所述输入图像进行归一化处理得到拉伸图像；
目标图像获取子模块，用于将所述显著性分析图像减去所述拉伸图像，得到目标图像；
二值化处理子模块，用于对所述目标图像进行二值化处理，获得二值化图像；
选取子模块，用于在所述二值化图像中，选择长度满足第一阈值的侯选线作为底边候选线，选取以所述底边候选线作为底边，所述底边候选线的长作为边长的正方形候选区域作为所述车辆候选区域；其中，所述第一阈值与目标车辆相关；
修正模块，用于修正所述车辆候选区域的边界；
分类模块，用于通过分类器精确判断修正后的所述车辆候选区域，以确定输入图像是否包含目标车辆图像。
9.根据权利要求8所述的车辆检测系统，其特征在于：所述车辆检测系统还包括：多帧联合处理模块和去重模块；
所述多帧联合处理模块用于在多帧图像中检测包含目标车辆图像的所述车辆候选区域，其中，多帧图像是在输入图像之前输入的；
所述去重模块用于将输入图像对应的所述车辆候选区域、多帧联合处理检测出的所述车辆候选区域进行重合区域判定，对包含重合区域的所述车辆候选区域进行置信度评估，并将置信度高的所述车辆候选区域作为最终的车辆检测目标区域予以输出。
10.根据权利要求8所述的车辆检测系统，其特征在于：所述修正模块包括：
边界扩展子模块，用于扩展所述车辆候选区域的边界；
梯度求取子模块，用于求取扩展后的所述车辆候选区域的垂直梯度；
投影子模块，用于将垂直梯度求取绝对值，并投影到水平方向，得到一维梯度投影图；
边界候选坐标确定子模块，用于依据所述一维梯度投影图，分别求取所述车辆候选区域的左、右边界的第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标；
筛选子模块，用于对第一左边界候选坐标、第一右边界候选坐标、第二左边界候选坐标和第二右边界候选坐标进行筛选，获取所述车辆候选区域的左边界坐标和右边界坐标；
修正子模块，用于依据左边界坐标和右边界坐标修正所述车辆候选区域。
CN201611260885.4A 2016-12-30 2016-12-30 一种车辆检测方法和系统 Active CN108268866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611260885.4A CN108268866B (zh) 2016-12-30 2016-12-30 一种车辆检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611260885.4A CN108268866B (zh) 2016-12-30 2016-12-30 一种车辆检测方法和系统

Publications (2)

Publication Number Publication Date
CN108268866A CN108268866A (zh) 2018-07-10
CN108268866B true CN108268866B (zh) 2020-07-10

Family

ID=62755097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611260885.4A Active CN108268866B (zh) 2016-12-30 2016-12-30 一种车辆检测方法和系统

Country Status (1)

Country Link
CN (1) CN108268866B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109960982A (zh) * 2017-12-25 2019-07-02 大连楼兰科技股份有限公司 基于对比度与显著性分析的车辆检测系统及装置
CN109284699A (zh) * 2018-09-04 2019-01-29 广东翼卡车联网服务有限公司 一种适用车辆碰撞的深度学习方法
US10373004B1 (en) * 2019-01-31 2019-08-06 StradVision, Inc. Method and device for detecting lane elements to plan the drive path of autonomous vehicle by using a horizontal filter mask, wherein the lane elements are unit regions including pixels of lanes in an input image

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1932837A (zh) * 2005-09-12 2007-03-21 电子科技大学 基于小波变换和雷登变换的车牌提取方法
CN101064011A (zh) * 2006-04-26 2007-10-31 电子科技大学 基于小波变换的复杂背景中的车牌提取方法
CN103530366A (zh) * 2013-10-12 2014-01-22 湖北微模式科技发展有限公司 一种基于自定义特征的车辆搜索方法与系统
CN103871053A (zh) * 2014-02-25 2014-06-18 苏州大学 一种基于视觉显著性的布匹瑕疵检测方法
CN105469046A (zh) * 2015-11-23 2016-04-06 电子科技大学 基于pca和surf特征级联的车辆车型识别方法
CN105761266A (zh) * 2016-02-26 2016-07-13 民政部国家减灾中心 从遥感图像中提取矩形建筑物的方法
CN106056086A (zh) * 2016-06-02 2016-10-26 江苏华通晟云科技有限公司 基于快速学习框架的车辆品牌型号识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102375985A (zh) * 2010-08-10 2012-03-14 富士通株式会社 目标检测方法和设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1932837A (zh) * 2005-09-12 2007-03-21 电子科技大学 基于小波变换和雷登变换的车牌提取方法
CN101064011A (zh) * 2006-04-26 2007-10-31 电子科技大学 基于小波变换的复杂背景中的车牌提取方法
CN103530366A (zh) * 2013-10-12 2014-01-22 湖北微模式科技发展有限公司 一种基于自定义特征的车辆搜索方法与系统
CN103871053A (zh) * 2014-02-25 2014-06-18 苏州大学 一种基于视觉显著性的布匹瑕疵检测方法
CN105469046A (zh) * 2015-11-23 2016-04-06 电子科技大学 基于pca和surf特征级联的车辆车型识别方法
CN105761266A (zh) * 2016-02-26 2016-07-13 民政部国家减灾中心 从遥感图像中提取矩形建筑物的方法
CN106056086A (zh) * 2016-06-02 2016-10-26 江苏华通晟云科技有限公司 基于快速学习框架的车辆品牌型号识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于图像的车辆品牌识别;胡双玉等;《辽宁工业大学学报（自然科学版）》;20160831;第36卷(第4期);第222-224页 *

Also Published As

Publication number Publication date
CN108268866A (zh) 2018-07-10

Similar Documents

Publication Publication Date Title
US9384401B2 (en) Method for fog detection
Wu et al. Lane-mark extraction for automobiles under complex conditions
CN107392103B (zh) 路面车道线的检测方法及装置、电子设备
CN101334836B (zh) 一种融合色彩、尺寸和纹理特征的车牌定位方法
US7231288B2 (en) System to determine distance to a lead vehicle
JP5223675B2 (ja) 車両検知装置，車両検知方法並びに車両検知プログラム
CN106951898B (zh) 一种车辆候选区域推荐方法及系统、电子设备
CN111247525A (zh) 一种车道检测方法、装置及车道检测设备、移动平台
WO2011154978A2 (en) An illumination invariant and robust apparatus and method for detecting and recognizing various traffic signs
JP2014215877A (ja) 物体検出装置
CN104778444A (zh) 道路场景下车辆图像的表观特征分析方法
CN111832536A (zh) 一种车道线检测方法及装置
CN110889974B (zh) 一种智能泊车车位识别方法及装置、汽车
US10824881B2 (en) Device and method for object recognition of an input image for a vehicle
CN101556739A (zh) 基于本征图像分解的车辆检测算法
JP2010244194A (ja) 物体識別装置
CN106407951B (zh) 一种基于单目视觉的夜间前方车辆检测方法
CN108830131B (zh) 基于深度学习的交通目标检测与测距方法
CN108629225B (zh) 一种基于多幅子图与图像显著性分析的车辆检测方法
CN112465735B (zh) 行人检测方法、装置及计算机可读存储介质
US10380743B2 (en) Object identifying apparatus
WO2013116598A1 (en) Low-cost lane marker detection
CN108268866B (zh) 一种车辆检测方法和系统
JP4674179B2 (ja) 影認識方法及び影境界抽出方法
CN102194102A (zh) 对交通标志进行分类的方法和装置

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