CN108280444A - 一种基于车辆环视图的快速运动物体检测方法 - Google Patents
一种基于车辆环视图的快速运动物体检测方法 Download PDFInfo
- Publication number
- CN108280444A CN108280444A CN201810158340.5A CN201810158340A CN108280444A CN 108280444 A CN108280444 A CN 108280444A CN 201810158340 A CN201810158340 A CN 201810158340A CN 108280444 A CN108280444 A CN 108280444A
- Authority
- CN
- China
- Prior art keywords
- image
- panoramic view
- value
- pixel
- reference frame
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000003287 optical effect Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 239000000945 filler Substances 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明的一种基于车辆环视图的快速运动物体检测方法,包括以下步骤:S1:利用安装在车体前后左右四个方位的相机采集得到车体四个方向的实时场景视频流;S2:通过图像拼接算法,利用四个方向的视频流拼接得到车辆环视图的实时视频流;S3:提取环视图视频流中当前帧图像和前一帧图像,设为当前帧和参考帧,并采用光流法计算出参考帧中像素点的运动矢量;S4:利用计算出的运动矢量构建出参考帧图像的重构图像;S5:对重构图像和参考帧图像进行帧间差分处理,得到运动目标的轮廓;S6:利用形态学处理检测出运动目标。具有能够对突然进入车辆附近的运动物体进行检测,并让驾驶员更加直观清晰的观察和掌握车身周围的环境的优点。
Description
技术领域
本发明涉及目标检测领域技术,特别是涉及动态背景下的运动目标检测方法。
背景技术
汽车车身周边环境是否存在异常物体或突发情况,是驾驶员在驾驶过程中必须关注的重要环节,对车辆安全驾驶起着不可忽视的作用。汽车工业和信息技术的更新换代,为安全驾驶提供了越来越有力的技术支持。对于汽车车身周边环境的检测,目前采用较多的是雷达侦测和摄像头监测,与雷达侦测相比,采用摄像头监测的方法具有更加直观清晰的视觉效果,而在车载摄像头拍摄的视频基础上开发的环境监测方法,包括运动物体检测和停车位自动识别等技术,已经大量运用于车辆制造行业。
基于图像的运动目标检测是计算机图像处理技术中的关键应用技术,它是利用图像处理的手段,将视频序列中的前景目标从背景中分离出来,从而对序列中的运动目标进行检测,并在此基础上对检测到的有效目标进行进一步的分类和识别。随着科技的进步和计算机技术的发展,运动目标检测已经广泛应用于人工智能、视频监控、医学影像和军事制导等领域,具有广阔的发展前景和重要的使用价值。
运动目标检测主要分为静态背景检测和动态背景检测:静态背景检测是指摄像头安装在某一固定位置且采集区域不发生变化,因此得到的图像中背景为静态背景,在此基础上对视野范围中的运动目标进行检测和识别,通常采用的方法主要分为三类:帧间差分法、背景相减法和光流法;动态背景检测是指摄像头在采集图像时因存在旋转、移动等状态变化,导致采集区域不断改变,得到的图像中背景时时变化,在此基础上对视野范围中的运动目标进行检测和识别。与静态背景检测相比,动态背景检测不仅受光照和噪音等影响,还因其背景不停改变,很大程度上会干扰图像中运动目标的分离和识别,导致检测精度降低,算法鲁棒性较差。
因此,如何从动态背景中准确有效的将待识别的运动目标检测并分离出来,是本领域亟待解决的关键性问题。
发明内容
本发明的目的是提供一种基于车辆环视图的快速运动物体检测方法。其利用车载鱼眼相机采集得到车辆环视图像视频流,对连续两帧图像中的运动物体进行检测,并通过中央控制系统进行警报处理,提醒驾驶员注意车身周围环境,避免造成人为损失。
为达到以上目的,本发明采用的技术方案为:一种基于车辆环视图的快速运动物体检测方法,其特征在于:包括以下步骤:
S1:利用安装在车体前后左右四个方位的相机采集得到车体四个方向的实时场景视频流;
S2:通过图像拼接算法,利用四个方向的视频流拼接得到车辆环视图的实时视频流;
S3:提取环视图视频流中当前帧图像和前一帧图像,设为当前帧和参考帧,并采用光流法计算出参考帧中像素点的运动矢量;
S4:利用计算出的运动矢量构建出参考帧图像的重构图像;
S5:对重构图像和参考帧图像进行帧间差分处理,得到运动目标的轮廓;
S6:利用形态学处理检测出运动目标。
作为优选,上述步骤S3中的光流法为Horn-Schunck光流法,求得的为稠密光流,对每一个像素计算光流值;假设ui,j与vi,j分别表示图像像素点(i,j)处的水平方向光流值与垂直方向光流值,则迭代方程为:
其中k为迭代次数,λ反映了对图像数据及平滑约束的可信度,当图像数据本身含有较大噪声时,此时需要加大λ的值,相反,当输入图像含有较少的噪声时,此时可减小λ的值;
代表u邻域与v邻域的平均值,采用相应四邻域内的均值,计算公式如下:
Ix,Iy分别是图像对x,y的偏导数,It是两帧图像间对时间的导数,其中:
Ix=I(x,y,t)-I(x-1,y,t)
Iy=I(x,y,t)-I(x,y-1,t)
It=I(x,y,t)-I(x,y,t-1)
考虑相邻像素及相邻两帧图像的影响,采用四次有限差分来得到:
从而得到参考帧中像素点的运动矢量。
进一步优选,上述步骤S4中构建参考帧图像的重构图,是将参考帧图像中的像素点,根据其位移矢量进行坐标变化,运动到新的位置,所有像素点完成位移后得到的图像即为重构图;设参考帧图像为I(i,j),像素点的位移矢量为(ui,j,vi,j),则重构帧图像I'(i,j)为:
I'(i,j)=I(i+vi,j,j+ui,j)
从而构建出重构图像。
再进一步,上述步骤S5中帧间差分处理是计算参考帧的重构图像与当前帧图像中对应像素点的差值,随后对结果做二值处理,得到包含运动物体轮廓的二值图像;设重构图像为I'(i,j),当前帧图像为P(i,j),则帧间差分公式为:
diff(i,j)=|I'(i,j)-P(i,j)|
图像二值化公式为:
其中h为二值化阈值,利用最大间类方差法(Otsu)得到;最大间类方差法(Otsu)属于自适应阈值分割方法,是基于整幅图像的统计特性实现阈值的自动选取;其采用某一假定的灰度值h将图像的灰度分成两组,当两组的间类方差最大时,此灰度h就是图像二值化的最佳阈值;
设图像有L个灰度级,取值范围为0~L-1,在此范围内选取灰度值H,将图像分成两组G0和G1,G0包含的像素灰度值在0~H,G1的灰度值在H+1~L-1,N表示图像像素点总数,ni表示灰度值为L的像素点个数,pi为灰度值L出现的概率,则有如下公式:
pi=ni/N
设G0和G1两组像素的个数在整体图像中所占百分比为ω0和ω1,两组平均灰度值为μ0和μ1,总平均灰度为μ,则:
μ=ω0·μ0+ω1·μ1
间类方差公式为:
g(H)=ω0·(μ0-μ)2+ω1·(μ1-μ)2=ω0·ω1·(μ0-μ1)2
当g(H)取最大值gmax时,所对应的H值即为图像二值化的阈值h。
更进一步,上述步骤S6中形态学处理是将上述二值图像进行腐蚀、膨胀、开运算、闭运算以及像素点填充的形态学处理,最终检测出运动目标,该形态学处理可以简化图像数据,保持它们基本的形状特征,并除去冗余的结构;设f(x,y)为二值化图像,b(x,y)为结构元素,则膨图像胀和腐蚀的可用如下公式表达:
(f⊙b)(s,t)=min{f(s+x,t+y)+b(x,y)|(s+x,t+y)∈Df,(x,y)∈Db}
先腐蚀后膨胀的过程称为开运算,其具有消除细小物体,在纤细处分离物体和平滑较大物体边界的作用,其表达式为:
先膨胀后腐蚀的过程称为闭运算,其具有填充物体内细小空洞,连接邻近物体和平滑边界的作用,其表达式为:
从而检测出运动目标。
实际应用中,上述步骤S6之后还包括以下步骤:
S7:当在车辆环视图中检测出存在运动目标后,根据运动目标存在的方位,中央控制系统将视角切换至相应区域,并发出蜂鸣警报,提醒驾驶员注意。
具体的,上述步骤S1中车体周围安装高清鱼眼相机,前后相机安装位置分别为车体前方牌照附近区域和后方牌照附近区域,相机与水平线夹角不超过60°;左右相机分别安装于车体左右后视镜正下方,相机与水平线夹角不超过45°。
上述步骤S1中采集四个方向实时场景视频流,是指车辆在启动时,鱼眼相机即开始采集图像,并以视频流的方式存储于车辆电子控制单元(ECU)缓存区中,采集频率为每秒30帧,覆盖时长为2秒。
上述步骤S2中通过图像拼接算法和四个方向视频流得到车辆环视图的实时视频流,是指对每一时刻四个鱼眼相机同时采集到的图像进行拼接;通过计算四幅单视图像和环视图像中各个像素点在世界坐标中的位置,将单视图中像素点的值赋值于环视图中对应像素点,得到该时刻环视图像,环视图像设定显示车体前后左右5米范围;对ECU缓存区中四个方向视频流每一帧对应的图像做拼接处理,得到环视图的视频流。
与现有技术相比,本发明的优点在于:能够对突然进入车辆附近的运动物体进行检测,并让驾驶员更加直观清晰的观察和掌握车身周围的环境,避免因突发情况造成的不必要损失。
附图说明
图1是根据本发明的一个优选实施例的工作流程示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。
如图1所示,本发明的一个优选实施例包括以下步骤:
S1:利用安装在车体前后左右四个方位的相机采集得到车体四个方向的实时场景视频流;
S2:通过图像拼接算法,利用四个方向的视频流拼接得到车辆环视图的实时视频流;
S3:提取环视图视频流中当前帧图像和前一帧图像,设为当前帧和参考帧,并采用光流法计算出参考帧中像素点的运动矢量;
S4:利用计算出的运动矢量构建出参考帧图像的重构图像;
S5:对重构图像和参考帧图像进行帧间差分处理,得到运动目标的轮廓;
S6:利用形态学处理检测出运动目标;
S7:当在车辆环视图中检测出存在运动目标后,根据运动目标存在的方位,中央控制系统将视角切换至相应区域,并发出蜂鸣警报,提醒驾驶员注意。
上述步骤具体应用及运算依次如下:
(一)步骤S1中车体周围安装高清鱼眼相机,前后相机安装位置分别为车体前方牌照附近区域和后方牌照附近区域,相机与水平线夹角不超过60°;左右相机分别安装于车体左右后视镜正下方,相机与水平线夹角不超过45°。采集四个方向实时场景视频流,是指车辆在启动时,鱼眼相机即开始采集图像,并以视频流的方式存储于车辆电子控制单元(ECU)缓存区中,采集频率为每秒30帧,覆盖时长为2秒。
(二)步骤S2中通过图像拼接算法和四个方向视频流得到车辆环视图的实时视频流,是指对每一时刻四个鱼眼相机同时采集到的图像进行拼接;通过计算四幅单视图像和环视图像中各个像素点在世界坐标中的位置,将单视图中像素点的值赋值于环视图中对应像素点,得到该时刻环视图像,环视图像设定显示车体前后左右5米范围;对ECU缓存区中四个方向视频流每一帧对应的图像做拼接处理,得到环视图的视频流。
(三)步骤S3中的光流法为Horn-Schunck光流法,求得的为稠密光流,对每一个像素计算光流值;假设ui,j与vi,j分别表示图像像素点(i,j)处的水平方向光流值与垂直方向光流值,则迭代方程为:
其中k为迭代次数,λ反映了对图像数据及平滑约束的可信度,当图像数据本身含有较大噪声时,此时需要加大λ的值,相反,当输入图像含有较少的噪声时,此时可减小λ的值;
代表u邻域与v邻域的平均值,采用相应四邻域内的均值,计算公式如下:
Ix,Iy分别是图像对x,y的偏导数,It是两帧图像间对时间的导数,其中:
Ix=I(x,y,t)-I(x-1,y,t)
Iy=I(x,y,t)-I(x,y-1,t)
It=I(x,y,t)-I(x,y,t-1)
考虑相邻像素及相邻两帧图像的影响,采用四次有限差分来得到:
从而得到参考帧中像素点的运动矢量。
(四)步骤S4中构建参考帧图像的重构图,是将参考帧图像中的像素点,根据其位移矢量进行坐标变化,运动到新的位置,所有像素点完成位移后得到的图像即为重构图;设参考帧图像为I(i,j),像素点的位移矢量为(ui,j,vi,j),则重构帧图像I'(i,j)为:
I'(i,j)=I(i+vi,j,j+ui,j)
从而构建出重构图像。
(五)步骤S5中帧间差分处理是计算参考帧的重构图像与当前帧图像中对应像素点的差值,随后对结果做二值处理,得到包含运动物体轮廓的二值图像;设重构图像为I'(i,j),当前帧图像为P(i,j),则帧间差分公式为:
diff(i,j)=|I'(i,j)-P(i,j)|
图像二值化公式为:
其中h为二值化阈值,利用最大间类方差法(Otsu)得到;最大间类方差法(Otsu)属于自适应阈值分割方法,是基于整幅图像的统计特性实现阈值的自动选取;其采用某一假定的灰度值h将图像的灰度分成两组,当两组的间类方差最大时,此灰度h就是图像二值化的最佳阈值;
设图像有L个灰度级,取值范围为0~L-1,在此范围内选取灰度值H,将图像分成两组G0和G1,G0包含的像素灰度值在0~H,G1的灰度值在H+1~L-1,N表示图像像素点总数,ni表示灰度值为L的像素点个数,pi为灰度值L出现的概率,则有如下公式:
pi=ni/N
设G0和G1两组像素的个数在整体图像中所占百分比为ω0和ω1,两组平均灰度值为μ0和μ1,总平均灰度为μ,则:
μ=ω0·μ0+ω1·μ1
间类方差公式为:
g(H)=ω0·(μ0-μ)2+ω1·(μ1-μ)2=ω0·ω1·(μ0-μ1)2
当g(H)取最大值gmax时,所对应的H值即为图像二值化的阈值h。
(六)步骤S6中形态学处理是将上述二值图像进行腐蚀、膨胀、开运算、闭运算以及像素点填充的形态学处理,最终检测出运动目标,该形态学处理可以简化图像数据,保持它们基本的形状特征,并除去冗余的结构;设f(x,y)为二值化图像,b(x,y)为结构元素,则膨图像胀和腐蚀的可用如下公式表达:
(f⊙b)(s,t)=min{f(s+x,t+y)+b(x,y)|(s+x,t+y)∈Df,(x,y)∈Db}
先腐蚀后膨胀的过程称为开运算,其具有消除细小物体,在纤细处分离物体和平滑较大物体边界的作用,其表达式为:
先膨胀后腐蚀的过程称为闭运算,其具有填充物体内细小空洞,连接邻近物体和平滑边界的作用,其表达式为:
从而检测出运动目标。
(七)通过S1至S6步骤,中央控制系统将视角切换至相应区域,并发出蜂鸣警报,提醒驾驶员注意。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (9)
1.一种基于车辆环视图的快速运动物体检测方法,其特征在于:包括以下步骤:
S1:利用安装在车体前后左右四个方位的相机采集得到车体四个方向的实时场景视频流;
S2:通过图像拼接算法,利用四个方向的视频流拼接得到车辆环视图的实时视频流;
S3:提取环视图视频流中当前帧图像和前一帧图像,设为当前帧和参考帧,并采用光流法计算出参考帧中像素点的运动矢量;
S4:利用计算出的运动矢量构建出参考帧图像的重构图像;
S5:对重构图像和参考帧图像进行帧间差分处理,得到运动目标的轮廓;
S6:利用形态学处理检测出运动目标。
2.根据权利要求1所述的一种基于车辆环视图的快速运动物体检测方法,其特征在于:上述步骤S3中的光流法为Horn-Schunck光流法,求得的为稠密光流,对每一个像素计算光流值;假设ui,j与vi,j分别表示图像像素点(i,j)处的水平方向光流值与垂直方向光流值,则迭代方程为:
其中k为迭代次数,λ反映了对图像数据及平滑约束的可信度,当图像数据本身含有较大噪声时,此时需要加大λ的值,相反,当输入图像含有较少的噪声时,此时可减小λ的值;
代表u邻域与v邻域的平均值,采用相应四邻域内的均值,计算公式如下:
Ix,Iy分别是图像对x,y的偏导数,It是两帧图像间对时间的导数,其中:
Ix=I(x,y,t)-I(x-1,y,t)
Iy=I(x,y,t)-I(x,y-1,t)
It=I(x,y,t)-I(x,y,t-1)
考虑相邻像素及相邻两帧图像的影响,采用四次有限差分来得到:
从而得到参考帧中像素点的运动矢量。
3.根据权利要求2所述的一种基于车辆环视图的快速运动物体检测方法,其特征在于:上述步骤S4中构建参考帧图像的重构图,是将参考帧图像中的像素点,根据其位移矢量进行坐标变化,运动到新的位置,所有像素点完成位移后得到的图像即为重构图;设参考帧图像为I(i,j),像素点的位移矢量为(ui,j,vi,j),则重构帧图像I'(i,j)为:
I'(i,j)=I(i+vi,j,j+ui,j)
从而构建出重构图像。
4.根据权利要求3所述的一种基于车辆环视图的快速运动物体检测方法,其特征在于:上述步骤S5中帧间差分处理是计算参考帧的重构图像与当前帧图像中对应像素点的差值,随后对结果做二值处理,得到包含运动物体轮廓的二值图像;设重构图像为I'(i,j),当前帧图像为P(i,j),则帧间差分公式为:
diff(i,j)=|I'(i,j)-P(i,j)|
图像二值化公式为:
其中h为二值化阈值,利用最大间类方差法(Otsu)得到;最大间类方差法(Otsu)属于自适应阈值分割方法,是基于整幅图像的统计特性实现阈值的自动选取;其采用某一假定的灰度值h将图像的灰度分成两组,当两组的间类方差最大时,此灰度h就是图像二值化的最佳阈值;
设图像有L个灰度级,取值范围为0~L-1,在此范围内选取灰度值H,将图像分成两组G0和G1,G0包含的像素灰度值在0~H,G1的灰度值在H+1~L-1,N表示图像像素点总数,ni表示灰度值为L的像素点个数,pi为灰度值L出现的概率,则有如下公式:
pi=ni/N
设G0和G1两组像素的个数在整体图像中所占百分比为ω0和ω1,两组平均灰度值为μ0和μ1,总平均灰度为μ,则:
μ=ω0·μ0+ω1·μ1
间类方差公式为:
g(H)=ω0·(μ0-μ)2+ω1·(μ1-μ)2=ω0·ω1·(μ0-μ1)2
当g(H)取最大值gmax时,所对应的H值即为图像二值化的阈值h。
5.根据权利要求4所述的一种基于车辆环视图的快速运动物体检测方法,其特征在于:上述步骤S6中形态学处理是将上述二值图像进行腐蚀、膨胀、开运算、闭运算以及像素点填充的形态学处理,最终检测出运动目标,该形态学处理可以简化图像数据,保持它们基本的形状特征,并除去冗余的结构;设f(x,y)为二值化图像,b(x,y)为结构元素,则膨图像胀和腐蚀的可用如下公式表达:
先腐蚀后膨胀的过程称为开运算,其具有消除细小物体,在纤细处分离物体和平滑较大物体边界的作用,其表达式为:
先膨胀后腐蚀的过程称为闭运算,其具有填充物体内细小空洞,连接邻近物体和平滑边界的作用,其表达式为:
从而检测出运动目标。
6.根据权利要求1至5任一权利要求所述的一种基于车辆环视图的快速运动物体检测方法,其特征在于:上述步骤S6之后还包括以下步骤:
S7:当在车辆环视图中检测出存在运动目标后,根据运动目标存在的方位,中央控制系统将视角切换至相应区域,并发出蜂鸣警报,提醒驾驶员注意。
7.根据权利要求6所述的一种基于车辆环视图的快速运动物体检测方法,其特征在于:上述步骤S1中车体周围安装高清鱼眼相机,前后相机安装位置分别为车体前方牌照附近区域和后方牌照附近区域,相机与水平线夹角不超过60°;左右相机分别安装于车体左右后视镜正下方,相机与水平线夹角不超过45°。
8.根据权利要求7所述的一种基于车辆环视图的快速运动物体检测方法,其特征在于:上述步骤S1中采集四个方向实时场景视频流,是指车辆在启动时,鱼眼相机即开始采集图像,并以视频流的方式存储于车辆电子控制单元(ECU)缓存区中,采集频率为每秒30帧,覆盖时长为2秒。
9.根据权利要求8所述的一种基于车辆环视图的快速运动物体检测方法,其特征在于:上述步骤S2中通过图像拼接算法和四个方向视频流得到车辆环视图的实时视频流,是指对每一时刻四个鱼眼相机同时采集到的图像进行拼接;通过计算四幅单视图像和环视图像中各个像素点在世界坐标中的位置,将单视图中像素点的值赋值于环视图中对应像素点,得到该时刻环视图像,环视图像设定显示车体前后左右5米范围;对ECU缓存区中四个方向视频流每一帧对应的图像做拼接处理,得到环视图的视频流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810158340.5A CN108280444B (zh) | 2018-02-26 | 2018-02-26 | 一种基于车辆环视图的快速运动物体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810158340.5A CN108280444B (zh) | 2018-02-26 | 2018-02-26 | 一种基于车辆环视图的快速运动物体检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108280444A true CN108280444A (zh) | 2018-07-13 |
CN108280444B CN108280444B (zh) | 2021-11-16 |
Family
ID=62808697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810158340.5A Active CN108280444B (zh) | 2018-02-26 | 2018-02-26 | 一种基于车辆环视图的快速运动物体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280444B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109263557A (zh) * | 2018-11-19 | 2019-01-25 | 威盛电子股份有限公司 | 车辆盲区侦测方法 |
CN109583391A (zh) * | 2018-12-04 | 2019-04-05 | 北京字节跳动网络技术有限公司 | 关键点检测方法、装置、设备及可读介质 |
CN109711241A (zh) * | 2018-10-30 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置与电子设备 |
CN111078000A (zh) * | 2019-11-18 | 2020-04-28 | 中北大学 | 一种根据眼行为特征进行眼机交互的方法、装置及系统 |
CN111351474A (zh) * | 2018-12-24 | 2020-06-30 | 上海欧菲智能车联科技有限公司 | 车辆移动目标检测方法、装置和系统 |
CN117079219A (zh) * | 2023-10-08 | 2023-11-17 | 山东车拖车网络科技有限公司 | 一种应用于拖车业务的车辆运行情况监控方法及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243764A (zh) * | 2010-05-13 | 2011-11-16 | 东软集团股份有限公司 | 运动特征点检测方法及装置 |
CN102903122A (zh) * | 2012-09-13 | 2013-01-30 | 西北工业大学 | 基于特征光流与在线集成学习的视频目标跟踪方法 |
CN103888767A (zh) * | 2014-03-31 | 2014-06-25 | 山东大学 | Umh块匹配运动估计与光流场运动估计相结合的一种帧率提升方法 |
CN106846359A (zh) * | 2017-01-17 | 2017-06-13 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
CN108198207A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 基于改进的Vibe模型和BP神经网络的多运动目标跟踪方法 |
-
2018
- 2018-02-26 CN CN201810158340.5A patent/CN108280444B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243764A (zh) * | 2010-05-13 | 2011-11-16 | 东软集团股份有限公司 | 运动特征点检测方法及装置 |
CN102903122A (zh) * | 2012-09-13 | 2013-01-30 | 西北工业大学 | 基于特征光流与在线集成学习的视频目标跟踪方法 |
CN103888767A (zh) * | 2014-03-31 | 2014-06-25 | 山东大学 | Umh块匹配运动估计与光流场运动估计相结合的一种帧率提升方法 |
CN106846359A (zh) * | 2017-01-17 | 2017-06-13 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
CN108198207A (zh) * | 2017-12-22 | 2018-06-22 | 湖南源信光电科技股份有限公司 | 基于改进的Vibe模型和BP神经网络的多运动目标跟踪方法 |
Non-Patent Citations (5)
Title |
---|
冯训伟: "一种结合帧间差分法与光流法的运动目标检测", 《法制博览》 * |
刘涛: "基于光流场的视频车辆检测与跟踪算法研究与应用", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
张岧: "基于光流场的运动目标检测与跟踪", 《信息通信/增刊》 * |
王振亚等: "一种基于帧间差分和光流技术结合的运动车辆检测和跟踪新算法", 《计算机应用与软件》 * |
石祥滨: "一种持续光流跟踪的运动目标检测方法", 《小型微型计算机系统》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711241A (zh) * | 2018-10-30 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置与电子设备 |
CN109711241B (zh) * | 2018-10-30 | 2021-07-20 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置与电子设备 |
CN109263557A (zh) * | 2018-11-19 | 2019-01-25 | 威盛电子股份有限公司 | 车辆盲区侦测方法 |
US10977947B2 (en) * | 2018-11-19 | 2021-04-13 | Via Technologies, Inc. | Method for vehicle blind zone detection |
CN109583391A (zh) * | 2018-12-04 | 2019-04-05 | 北京字节跳动网络技术有限公司 | 关键点检测方法、装置、设备及可读介质 |
CN111351474A (zh) * | 2018-12-24 | 2020-06-30 | 上海欧菲智能车联科技有限公司 | 车辆移动目标检测方法、装置和系统 |
CN111351474B (zh) * | 2018-12-24 | 2022-07-12 | 上海欧菲智能车联科技有限公司 | 车辆移动目标检测方法、装置和系统 |
CN111078000A (zh) * | 2019-11-18 | 2020-04-28 | 中北大学 | 一种根据眼行为特征进行眼机交互的方法、装置及系统 |
CN111078000B (zh) * | 2019-11-18 | 2023-04-28 | 中北大学 | 一种根据眼行为特征进行眼机交互的方法、装置及系统 |
CN117079219A (zh) * | 2023-10-08 | 2023-11-17 | 山东车拖车网络科技有限公司 | 一种应用于拖车业务的车辆运行情况监控方法及设备 |
CN117079219B (zh) * | 2023-10-08 | 2024-01-09 | 山东车拖车网络科技有限公司 | 一种应用于拖车业务的车辆运行情况监控方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108280444B (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280444A (zh) | 一种基于车辆环视图的快速运动物体检测方法 | |
Elhabian et al. | Moving object detection in spatial domain using background removal techniques-state-of-art | |
US6546115B1 (en) | Method of updating reference background image, method of detecting entering objects and system for detecting entering objects using the methods | |
JP5297078B2 (ja) | 車両の死角における移動物体を検知するための方法、および死角検知装置 | |
EP3683768B1 (en) | Method and system for initializing templates of moving objects | |
JP2008186246A (ja) | 移動物体認識装置 | |
US20180114078A1 (en) | Vehicle detection device, vehicle detection system, and vehicle detection method | |
Fradi et al. | Robust foreground segmentation using improved gaussian mixture model and optical flow | |
Santoro et al. | Crowd analysis by using optical flow and density based clustering | |
CN111860120A (zh) | 车载相机自动遮挡检测方法和装置 | |
CN108280445A (zh) | 一种车辆周围运动物体和凸起障碍物的检测方法 | |
CN112367475A (zh) | 一种交通事件检测方法、系统及电子设备 | |
Lalonde et al. | A system to automatically track humans and vehicles with a PTZ camera | |
CN111199177A (zh) | 一种基于鱼眼图像校正的汽车后视行人检测报警方法 | |
JP3232502B2 (ja) | 霧監視システム | |
Michael et al. | Fast change detection for camera-based surveillance systems | |
Agrawal et al. | Performance comparison of moving object detection techniques in video surveillance system | |
EP4170582A1 (en) | Method for removing objects from texture | |
Antic et al. | Efficient wavelet based detection of moving objects | |
Sridevi et al. | Automatic generation of traffic signal based on traffic volume | |
JP3502468B2 (ja) | 分散型監視装置 | |
KR101531313B1 (ko) | 차량 하부의 물체 탐지장치 및 방법 | |
Zhu et al. | A transform domain approach to real-time foreground segmentation in video sequences | |
KR100853444B1 (ko) | 교통 사고의 발생 여부를 감지하는 방법 | |
CN114821795B (zh) | 一种基于ReID技术的人员跑动检测和预警方法及系统 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220819 Address after: Room 1606, Youte Headquarters Building, No. 88, Xingye Road, Xiangzhou District, Zhuhai City, Guangdong Province, 519000 Patentee after: Zhuhai Daxuan Information Technology Co.,Ltd. Address before: 225000 Management Committee of Yizheng Automobile Industrial Park, Yangzhou City, Jiangsu Province Patentee before: JIANGSU YULAN INFORMATION TECHNOLOGY CO.,LTD. |