CN108446668A - 基于无人驾驶平台的交通信号灯检测识别方法及系统 - Google Patents
基于无人驾驶平台的交通信号灯检测识别方法及系统 Download PDFInfo
- Publication number
- CN108446668A CN108446668A CN201810315357.7A CN201810315357A CN108446668A CN 108446668 A CN108446668 A CN 108446668A CN 201810315357 A CN201810315357 A CN 201810315357A CN 108446668 A CN108446668 A CN 108446668A
- Authority
- CN
- China
- Prior art keywords
- traffic lights
- image
- components
- candidate region
- hsi
- 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.)
- Pending
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
- 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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于无人驾驶平台的交通信号灯检测识别方法及系统,涉及图像处理方法技术领域。所述方法包括如下步骤:获得车辆前方道路图像;确立图像上半部为感兴趣区域;将所述感兴趣区域的图像由RGB颜色空间转换到HSI颜色空间,得到HSI分量图;分割出交通灯信号灯候选区域;对分割出的交通信号灯候选区域进行形态学开运算,平滑区域边界,去掉目标外的孤立点;为每类交通信号灯构造样本库,对其候选区域进行特征提取;利用分类器对获取的交通信号灯区域进行分类,获取交通信号灯的状态信息。所述方法具有识别速度快、准确度高等优点。
Description
技术领域
本发明涉及图像的处理方法技术领域,尤其涉及一种基于无人驾驶平台的交通信号灯检测识别方法及系统。
背景技术
随着经济的发展,汽车数量不断增加,交通压力增大,交通问题频繁发生,道路交通安全已经成为刻不容缓的问题,根据联合国统计,全世界每年约有120万人死于交通事故,带来了严重的经济损失和人员伤亡。城市道路中,交通路口是拥堵和事故的高发地段,其中,交通信号灯包含重要的交通信息,获取这些信息对于车辆的正常行驶来说非常重要。对于机动车驾驶员来说这不算难事,但对于搭载有辅助驾驶系统的车辆或无人驾驶车辆来说,如何准确识别交通信号灯的状态则成为研究人员十分关心的问题。
公开号为106803064A的专利文献中公开了一种交通灯快速识别方法,该方法在RGB颜色空间中进行图像分割后通过“十字验证”方法对交通灯进行识别,虽然可以在一定程度上提高识别速度,但RGB颜色空间易受光照影响导致图像分割结果不准确,不能很好地保证检测精度;公开号为CN106909937A的专利文献中公开了一种交通信号灯识别方法、车辆控制方法、装置及车辆,该方法通过将RGB颜色空间转换到HSI颜色空间后进行图像分割并通过预设分类器进行分类,虽然避免了光照的影响,但该方法进行局部动态阈值分割时仅考虑S分量进行,识别准确性差,且使用的分类器速度低,检测速度慢。
发明内容
本发明所要解决的技术问题是如何提供一种识别速度快、准确度高的基于无人驾驶平台的交通信号灯检测识别方法及系统。
为解决上述技术问题,本发明所采取的技术方案是:一种基于无人驾驶平台的交通信号灯检测识别方法,其特征在于包括如下步骤:
获得车辆前方道路图像;
确立图像上半部为感兴趣区域;
将所述感兴趣区域的图像由RGB颜色空间转换到HSI颜色空间,得到HSI分量图;
对所述HSI分量图的H分量及S分量进行阈值分割,分割出交通灯信号灯候选区域;
对分割出的交通信号灯候选区域进行形态学开运算,平滑区域边界,去掉目标外的孤立点;
为每类交通信号灯构造样本库,对其候选区域进行特征提取;
通过所述的样本候选区域特征训练分类器,利用分类器对获取的交通信号灯区域进行分类,获取交通信号灯的状态信息。
进一步的技术方案在于:将RGB颜色空间转换成HSI颜色空间的方法如下:
采用以下公式将所述感兴趣区域的图像进行转换:
R,G和B分别为感兴趣区域的像素点的R分量、G分量和B分量;
H、S、I分别为HSI分量图的H分量、S分量以及I分量。
进一步的技术方案在于,所述的对所述HSI分量图的H分量和S分量进行阈值分割包括下述具体步骤:
将所述HSI分量图中H分量及S分量的值在规定范围内的像素点作为候选点;
以所述候选点为搜索源点建立掩模窗口,对掩模窗口进行阈值分割,生成二值图像。
进一步的技术方案在于,所述的对候选区域进行特征提取包括下述具体步骤:
将样本的候选区域图像大小归一化,宽和高都是32,沿图像水平和垂直方向统计投影值,水平和垂直方向投影特征各32维,形成64维投影特征。
进一步的技术方案在于,所述的利用分类器对获取的交通信号灯区域进行分类包括下述具体步骤:
利用样本候选区域的投影特征对K近邻分类器进行训练,使用分类器获取交通信号灯的类别和颜色特征。
进一步的技术方案在于,通过单目摄像机获得车辆前方道路图像。
本发明还公开了一种基于无人驾驶平台的交通信号灯检测识别系统,其特征在于包括:
图像获取模块:用于获得车辆前方道路图像;
图像感兴趣区域提取模块:用于确立图像上半部为感兴趣区域;
颜色空间转换模块:用于将所述感兴趣区域的图像由RGB颜色空间转换到HSI颜色空间,得到HSI分量图;
分量分割模块:用于对所述HSI分量图的H分量及S分量进行阈值分割,分割出交通灯信号灯候选区域;
选区域预处理模块:用于对分割出的交通信号灯候选区域进行形态学开运算,平滑区域边界,去掉目标外的孤立点;
特征提取模块:用于为每类交通信号灯构造样本库,对其候选区域进行特征提取;
交通信号灯状态获取模块:通过所述的样本候选区域特征训练分类器,利用分类器对获取的交通信号灯区域进行分类,获取交通信号灯的状态信息。
进一步的技术方案在于,颜色空间转换模块包括:
候选点选取模块:用于将所述HSI分量图中H分量及S分量的值在规定范围内的像素点作为候选点;
二值图像生成模块:用于以所述候选点为搜索源点建立掩模窗口,对掩模窗口进行阈值分割,生成二值图像。
采用上述技术方案所产生的有益效果在于:所述方法采用HSI颜色空间进行颜色分割,凭借HSI空间色调与亮度独立的特点,使分割结果更加准确可靠,克服了RGB颜色空间易受光照影响的缺陷;通过形态学处理开运算平滑区域边界同时不明显改变其面积,去掉目标外的孤立点;通过水平和竖直方向的图像投影特征可以很好地描述各类交通信号灯的结构信息,采用K近邻分类器进行交通信号灯的状态识别可以大大提高识别速度及可靠性。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例所述方法的流程图;
图2是本发明实施例所述方法中进行交通灯颜色分离后的图片之一;
图3是本发明实施例所述方法中进行交通灯颜色分离后的图片之二;
图4为对图2进行图像分割并筛选的交通信号灯图片之一;
图5为对图2进行图像分割并筛选的交通信号灯图片之二。
图6是本发明实施例所述系统的原理框图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
如图1所示,本发明实施例公开了一种基于无人驾驶平台的交通信号灯检测识别方法,包括如下步骤:
S101:通过单目摄像机获得车辆前方道路图像;
S102:确立图像上半部为感兴趣区域;
S103:将所述感兴趣区域的图像由RGB颜色空间转换到HSI颜色空间,得到HSI分量图;
S104:对所述HSI分量图的H分量及S分量进行阈值分割,分割出交通灯信号灯候选区域,如图2-图3所示;
S105:对分割出的交通信号灯候选区域进行形态学开运算,平滑区域边界,去掉目标外的孤立点;
S106:为每类交通信号灯构造样本库,对其候选区域进行特征提取;
S107:通过所述的样本候选区域特征训练分类器,利用分类器对获取的交通信号灯区域进行分类,获取交通信号灯的状态信息,如图4-图5所示。
所述的步骤S104中将RGB颜色空间转换成HSI颜色空间的方法如下:
采用以下公式将所述感兴趣区域的图像进行转换:
R,G和B分别为感兴趣区域的像素点的R分量、G分量和B分量。
H、S、I分别为HSI分量图的H分量、S分量以及I分量。
所述的步骤S103中,对所述HSI分量图的H分量和S分量进行阈值分割包括下述具体步骤:
将所述HSI分量图中H分量及S分量的值在规定范围内的像素点作为候选点;
以所述候选点为搜索源点建立掩模窗口,对掩模窗口进行阈值分割,生成二值图像。
所述的步骤S106中,对候选区域进行特征提取包括下述具体步骤,
将样本的候选区域图像大小归一化,宽和高都是32,沿图像水平和垂直方向统计投影值,水平和垂直方向投影特征各32维,形成64维投影特征;
所述的步骤S107中,通过所述的候选区域特征训练分类器,利用分类器对获取的交通信号灯区域进行分类包括下述具体步骤:
利用样本候选区域的投影特征对K近邻分类器进行训练,使用分类器获取交通信号灯的类别和颜色特征。
如图6所示,与上述方法相对应的,本发明实施例还公开了一种基于无人驾驶平台的交通信号灯检测识别系统,包括:
图像获取模块101:用于获得车辆前方道路图像;
图像感兴趣区域提取模块102:用于确立图像上半部为感兴趣区域;
颜色空间转换模块103:用于将所述感兴趣区域的图像由RGB颜色空间转换到HSI颜色空间,得到HSI分量图;
分量分割模块104:用于对所述HSI分量图的H分量及S分量进行阈值分割,分割出交通灯信号灯候选区域;
选区域预处理模块105:用于对分割出的交通信号灯候选区域进行形态学开运算,平滑区域边界,去掉目标外的孤立点;
特征提取模块106:用于为每类交通信号灯构造样本库,对其候选区域进行特征提取;
交通信号灯状态获取模块107:通过所述的样本候选区域特征训练分类器,利用分类器对获取的交通信号灯区域进行分类,获取交通信号灯的状态信息。
进一步的,颜色空间转换模块103包括:
候选点选取模块1031:用于将所述HSI分量图中H分量及S分量的值在规定范围内的像素点作为候选点;
二值图像生成模块1032:用于以所述候选点为搜索源点建立掩模窗口,对掩模窗口进行阈值分割,生成二值图像。
所述方法采用HSI颜色空间进行颜色分割,凭借HSI空间色调与亮度独立的特点,使分割结果更加准确可靠,克服了RGB颜色空间易受光照影响的缺陷;通过形态学处理开运算平滑区域边界同时不明显改变其面积,去掉目标外的孤立点;通过水平和竖直方向的图像投影特征可以很好地描述各类交通信号灯的结构信息,采用K近邻分类器进行交通信号灯的状态识别可以大大提高识别速度及可靠性。
Claims (8)
1.一种基于无人驾驶平台的交通信号灯检测识别方法,其特征在于包括如下步骤:
获得车辆前方道路图像;
确立图像上半部为感兴趣区域;
将所述感兴趣区域的图像由RGB颜色空间转换到HSI颜色空间,得到HSI分量图;
对所述HSI分量图的H分量及S分量进行阈值分割,分割出交通灯信号灯候选区域;
对分割出的交通信号灯候选区域进行形态学开运算,平滑区域边界,去掉目标外的孤立点;
为每类交通信号灯构造样本库,对其候选区域进行特征提取;
通过所述的样本候选区域特征训练分类器,利用分类器对获取的交通信号灯区域进行分类,获取交通信号灯的状态信息。
2.如权利要求书1所述的基于无人驾驶平台的交通信号灯检测识别方法,其特征在于,将RGB颜色空间转换成HSI颜色空间的方法如下:
采用以下公式将所述感兴趣区域的图像进行转换:
R,G和B分别为感兴趣区域的像素点的R分量、G分量和B分量;
H、S、I分别为HSI分量图的H分量、S分量以及I分量。
3.如权利要求书1所述的基于无人驾驶平台的交通信号灯检测识别方法,其特征在于,所述的对所述HSI分量图的H分量和S分量进行阈值分割包括下述具体步骤:
将所述HSI分量图中H分量及S分量的值在规定范围内的像素点作为候选点;
以所述候选点为搜索源点建立掩模窗口,对掩模窗口进行阈值分割,生成二值图像。
4.如权利要求书1所述的基于无人驾驶平台的交通信号灯检测识别方法,其特征在于,所述的对候选区域进行特征提取包括下述具体步骤:
将样本的候选区域图像大小归一化,宽和高都是32,沿图像水平和垂直方向统计投影值,水平和垂直方向投影特征各32维,形成64维投影特征。
5.如权利要求书1所述的基于无人驾驶平台的交通信号灯检测识别方法,其特征在于:所述的利用分类器对获取的交通信号灯区域进行分类包括下述具体步骤:
利用样本候选区域的投影特征对K近邻分类器进行训练,使用分类器获取交通信号灯的类别和颜色特征。
6.如权利要求书1所述的基于无人驾驶平台的交通信号灯检测识别方法,其特征在于:通过单目摄像机获得车辆前方道路图像。
7.一种基于无人驾驶平台的交通信号灯检测识别系统,其特征在于包括:
图像获取模块:用于获得车辆前方道路图像;
图像感兴趣区域提取模块:用于确立图像上半部为感兴趣区域;
颜色空间转换模块:用于将所述感兴趣区域的图像由RGB颜色空间转换到HSI颜色空间,得到HSI分量图;
分量分割模块:用于对所述HSI分量图的H分量及S分量进行阈值分割,分割出交通灯信号灯候选区域;
候选区域预处理模块:用于对分割出的交通信号灯候选区域进行形态学开运算,平滑区域边界,去掉目标外的孤立点;
特征提取模块:用于为每类交通信号灯构造样本库,对其候选区域进行特征提取;
交通信号灯状态获取模块:通过所述的样本候选区域特征训练分类器,利用分类器对获取的交通信号灯区域进行分类,获取交通信号灯的状态信息。
8.如权利要求7所述的基于无人驾驶平台的交通信号灯检测识别系统,其特征在于,颜色空间转换模块包括:
候选点选取模块:用于将所述HSI分量图中H分量及S分量的值在规定范围内的像素点作为候选点;
二值图像生成模块:用于以所述候选点为搜索源点建立掩模窗口,对掩模窗口进行阈值分割,生成二值图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810315357.7A CN108446668A (zh) | 2018-04-10 | 2018-04-10 | 基于无人驾驶平台的交通信号灯检测识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810315357.7A CN108446668A (zh) | 2018-04-10 | 2018-04-10 | 基于无人驾驶平台的交通信号灯检测识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108446668A true CN108446668A (zh) | 2018-08-24 |
Family
ID=63199513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810315357.7A Pending CN108446668A (zh) | 2018-04-10 | 2018-04-10 | 基于无人驾驶平台的交通信号灯检测识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446668A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064763A (zh) * | 2018-10-23 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的测试方法、装置、测试设备和存储介质 |
CN109460715A (zh) * | 2018-10-18 | 2019-03-12 | 大唐网络有限公司 | 一种基于机器学习的交通灯自动识别实现方法 |
CN109711379A (zh) * | 2019-01-02 | 2019-05-03 | 电子科技大学 | 一种复杂环境交通信号灯候选区域提取及识别方法 |
CN111723805A (zh) * | 2019-03-18 | 2020-09-29 | 浙江宇视科技有限公司 | 一种信号灯的前景区域识别方法及相关装置 |
CN112101107A (zh) * | 2020-08-11 | 2020-12-18 | 华南理工大学 | 一种智能网联模型车在环仿真交通信号灯智能识别方法 |
CN116659540A (zh) * | 2023-08-01 | 2023-08-29 | 西安博康硕达网络科技有限公司 | 一种在自动驾驶过程中的交通护栏识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015136594A1 (ja) * | 2014-03-10 | 2015-09-17 | 日産自動車株式会社 | 信号機検出装置及び信号機検出方法 |
CN105160924A (zh) * | 2015-08-25 | 2015-12-16 | 公安部第三研究所 | 基于视频处理的智能信号灯状态检测方法及检测系统 |
CN106909937A (zh) * | 2017-02-09 | 2017-06-30 | 北京汽车集团有限公司 | 交通信号灯识别方法、车辆控制方法、装置及车辆 |
-
2018
- 2018-04-10 CN CN201810315357.7A patent/CN108446668A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015136594A1 (ja) * | 2014-03-10 | 2015-09-17 | 日産自動車株式会社 | 信号機検出装置及び信号機検出方法 |
CN105160924A (zh) * | 2015-08-25 | 2015-12-16 | 公安部第三研究所 | 基于视频处理的智能信号灯状态检测方法及检测系统 |
CN106909937A (zh) * | 2017-02-09 | 2017-06-30 | 北京汽车集团有限公司 | 交通信号灯识别方法、车辆控制方法、装置及车辆 |
Non-Patent Citations (3)
Title |
---|
侯宏花: "《数字图像处理与分析》", 30 September 2011 * |
朱淑鑫: "交通标志及信号灯的检测与识别研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
许明文: "基于无人驾驶平台的交通灯及数字检测与识别系统", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460715A (zh) * | 2018-10-18 | 2019-03-12 | 大唐网络有限公司 | 一种基于机器学习的交通灯自动识别实现方法 |
CN109064763A (zh) * | 2018-10-23 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的测试方法、装置、测试设备和存储介质 |
CN109711379A (zh) * | 2019-01-02 | 2019-05-03 | 电子科技大学 | 一种复杂环境交通信号灯候选区域提取及识别方法 |
CN111723805A (zh) * | 2019-03-18 | 2020-09-29 | 浙江宇视科技有限公司 | 一种信号灯的前景区域识别方法及相关装置 |
CN111723805B (zh) * | 2019-03-18 | 2023-06-20 | 浙江宇视科技有限公司 | 一种信号灯的前景区域识别方法及相关装置 |
CN112101107A (zh) * | 2020-08-11 | 2020-12-18 | 华南理工大学 | 一种智能网联模型车在环仿真交通信号灯智能识别方法 |
CN112101107B (zh) * | 2020-08-11 | 2023-08-22 | 华南理工大学 | 一种智能网联模型车在环仿真交通信号灯智能识别方法 |
CN116659540A (zh) * | 2023-08-01 | 2023-08-29 | 西安博康硕达网络科技有限公司 | 一种在自动驾驶过程中的交通护栏识别方法 |
CN116659540B (zh) * | 2023-08-01 | 2023-10-27 | 西安博康硕达网络科技有限公司 | 一种在自动驾驶过程中的交通护栏识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446668A (zh) | 基于无人驾驶平台的交通信号灯检测识别方法及系统 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN105373794B (zh) | 一种车牌识别方法 | |
CN103366190B (zh) | 一种识别交通标志的方法 | |
CN104951784B (zh) | 一种车辆无牌及车牌遮挡实时检测方法 | |
CN105913041A (zh) | 一种基于预先标定的信号灯识别方法 | |
CN103235938B (zh) | 车牌检测与识别的方法及系统 | |
CN108765443B (zh) | 一种自适应颜色阈值分割的标志增强处理方法 | |
CN104050827B (zh) | 一种基于视觉的交通信号灯自动检测识别方法 | |
CN103824081B (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
CN107273816B (zh) | 基于车载前视单目相机的交通限速标识检测识别方法 | |
CN109255350B (zh) | 一种基于视频监控的新能源车牌检测方法 | |
CN104050450A (zh) | 一种基于视频的车牌识别方法 | |
CN105844257A (zh) | 基于机器视觉雾天行车错失道路标志牌的预警系统及方法 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN110991221B (zh) | 一种基于深度学习的动态交通闯红灯识别方法 | |
CN102968646A (zh) | 一种基于机器学习的车牌检测方法 | |
CN102819728A (zh) | 一种基于分类模板匹配的交通标志检测方法 | |
CN104050447A (zh) | 一种交通信号灯识别方法和装置 | |
CN102298693A (zh) | 基于计算机视觉的高速公路弯道检测方法 | |
CN103927548B (zh) | 一种新的避免车辆碰撞的刹车行为检测方法 | |
CN107909012A (zh) | 一种基于视差图的实时车辆跟踪检测方法与装置 | |
CN103034870A (zh) | 基于特征的船舶快速识别方法 | |
CN103854029A (zh) | 一种前车窗右上角点检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180824 |