CN108470145B - 一种基于曲线斜率变化的汽车方向盘检测方法 - Google Patents
一种基于曲线斜率变化的汽车方向盘检测方法 Download PDFInfo
- Publication number
- CN108470145B CN108470145B CN201810098460.0A CN201810098460A CN108470145B CN 108470145 B CN108470145 B CN 108470145B CN 201810098460 A CN201810098460 A CN 201810098460A CN 108470145 B CN108470145 B CN 108470145B
- Authority
- CN
- China
- Prior art keywords
- edge
- slop
- steering wheel
- coordinate system
- edgeimg
- 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
Links
Images
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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
Abstract
本发明公开了一种基于曲线斜率变化的汽车方向盘检测方法,它先对含有车辆的彩色图像image进行车窗定位并截取车窗右半部分作为新的图像,对该图像处理后得到单像素边缘图像,利用八邻域边缘跟踪算法遍历图像中的每一条单像素边缘,像素点分别按顺序存储在数组中,遍历得到的每一条单像素边缘,计算其对应的一个新的平面直角坐标系,并将每一条单像素边缘等间隔分为6段,计算每段的切线斜率和曲线偏转角度,筛选出候选汽车方向盘边缘;再得到最终检测到的方向盘。本发明结合了劣弧上的点的切线斜率变化特征以及曲线偏转角度特征来进行劣弧检测,其准确性高,提高了方向盘检测的正确率。
Description
技术领域
本发明涉及计算机视觉及智能交通技术领域,具体涉及一种基于曲线斜率变化的汽车方向盘检测方法,它通过提取图像中曲线上的间隔点,并计算其斜率变化来进行劣弧检测的汽车方向盘检测方法。
背景技术
随着智能交通领域的不断发展,目前在道路交通安全监测系统中对于驾驶员行为的检测和分析越来越受到重视。其中包括驾驶员在行车过程中是否手离方向盘以及是否佩戴安全带等,这就需要先对待检测的部位进行准确定位。然而在道路监控视频中对于车窗内的物体一般比较模糊,很难进行准确定位。方向盘是车窗内比较明显的一个特征物体,方向盘的准确定位可以估算出其它待检测部位的相对位置,使得待检测部位的定位更加精准。
在道路监控视频中,方向盘一般呈现出开口向下的劣弧形状。因此,对方向盘的检测可以转换为对边缘图像中圆弧的检测。当前也有部分学者提出了不同的圆弧检测方法,其中与本发明较接近的技术方案为:文献(陈小艳,王强,李柏林.改进的Hough变换检测圆方法[J].计算机系统应用,2015,24(8):197-201.)提出先对图像进行Canny边缘检测,然后去除短小边缘,对剩下的每一条边缘进行遍历存储,并且将其三等分,取连续的三个点计算假定圆圆心和半径,最后通过比较真实边缘上的像素点与真实边缘落在假定圆圆弧上的像素点的比例来确定该边缘是否为圆弧。该算法需要精确到像素级别,一旦假定圆的圆弧与真实边缘之间有一两个像素点的偏差也会认为它们之间的重合度比较低,边缘被判断为不是圆弧,在汽车方向盘检测的应用中方向盘就会检测不到;文献(王永会,李昱鑫,郭耸,等.基于切线段匹配的快速圆弧检测算法[J].计算机应用,2016,36(4):1126-1131.)提出通过逐点扫描边缘图,提取水平、垂直、45°以及135°方向上的所有切线段,将切线段进行两两匹配构造圆心与半径,最后通过Bresenham算法生成假定圆。该算法依赖于八个方向上切线的提取,对于很短小的劣弧以及圆弧发生部分变形的情况都无法正确检测到,而汽车方向盘的形状由于拍摄角度的问题经常会发生变形。
综上所述,当前的圆弧检测方法如果应用在汽车方向盘检测中存在着如下不足:(1)需要精确到像素级别的匹配,鲁棒性差;(2)对于短小劣弧的检测率不高;(3)对于发生形变的圆弧检测率不高。
发明内容
针对现有的圆弧检测方法如果应用在汽车方向盘检测中存在的上述问题,本发明提出了一种基于曲线斜率变化的汽车方向盘检测方法,它通过提取图像中曲线上的间隔点,并计算其斜率变化来进行劣弧检测的汽车方向盘检测方法。
所述的一种基于曲线斜率变化的汽车方向盘检测方法,其特征在于包括如下步骤:
步骤1:对含有车辆的彩色图像image进行车窗定位;
步骤2:从图像image中截取车窗右半部分作为新的图像WinImg,并且对图像WinImg进行灰度化、高斯滤波、形态学边缘检测、局部二值化以及边缘细化操作,得到图像WinImg的单像素边缘图像,记为EdgeImg;
步骤3:利用八邻域边缘跟踪算法遍历EdgeImg中的每一条单像素边缘,并且将每一条单像素边缘上的像素点分别按顺序存储在数组中,记为Arrayi,i=1,2,…,n,其中,Arrayi表示第i条单像素边缘,n表示EdgeImg中单像素边缘的数量;
步骤4:针对步骤3遍历得到的每一条单像素边缘,计算每一条单像素边缘各自对应的一个新的平面直角坐标系,记为xOyi,xOyi由边缘图EdgeImg的原平面直角坐标系通过平移旋转变换得到,其中边缘图EdgeImg的原平面直角坐标系表示以边缘图EdgeImg的左上角为坐标系原点,水平向右为x轴正方向,垂直向下为y轴正方向的平面直角坐标系;
步骤5:将步骤3遍历得到的每一条单像素边缘等间隔分为6段,然后按顺序选取单像素边缘上的起点、五个等间隔分段点以及单像素边缘上的终点,一共七个点,记为Pointij,j=1,2,3,4,5,6,7,它表示第i条单像素边缘上选取的第j个点,同时计算Pointij在第i条单像素边缘对应的新的平面直角坐标系xOyi中的坐标值,记为(xij,yij);
步骤6:分别计算每一条单像素边缘在点Pointij处的切线斜率,记为slopij,其中slopij=(yi(j+1)–yi(j-1))÷(xi(j+1)–xi(j-1));
步骤7:分别计算每一条单像素边缘在点Pointij处的曲线偏转角度,记为θij,然后计算每一条单像素边缘对应的五个θij的平均值Avgθi和方差Sθi;
步骤8:根据步骤6得到的slopij和步骤7得到的Avgθi和Sθi筛选满足开口朝下的劣弧检测条件的单像素边缘作为候选汽车方向盘边缘;
步骤9:对步骤8获得的所有候选汽车方向盘边缘分别计算其对应的一个假定圆,假定圆的计算首先从对应的候选汽车方向盘边缘中选取边缘的起点、边缘的二等分分段点以及边缘的终点这三个点,根据这三点确定一个假定圆;
步骤10:从步骤9获得的所有假定圆中选择一个满足如下条件的圆作为最终检测到的方向盘。
所述的一种基于曲线斜率变化的汽车方向盘检测方法,其特征在于步骤4中由边缘图EdgeImg的原平面直角坐标系通过平移旋转变换分别得到每一条单像素边缘各自对应的一个新的平面直角坐标系xOyi的过程如下:
4.1):根据公式(1)计算边缘图EdgeImg的原平面直角坐标系在x轴方向上需要平移的长度记为Δxi,并且根据Δxi的值进行平移;
其中,counti表示数组Arrayi中的元素个数,Arrayi[0].x表示数组Arrayi中第0个元素的x坐标值,Arrayi[counti-1].x表示数组Arrayi中最后一个元素的x坐标值;
4.2):根据公式(2)计算边缘图EdgeImg的原平面直角坐标系在y轴方向上需要平移的长度记为Δyi,并且根据Δyi的值进行平移;
其中,Arrayi[0].y表示数组Arrayi中第0个元素的y坐标值,Arrayi[counti-1].y表示数组Arrayi中最后一个元素的y坐标值。
4.3):根据公式(3)计算边缘图EdgeImg的原平面直角坐标系在平移之后需要旋转的度数记为Δθi,并且根据Δθi的值进行旋转;
其中,arctan表示求反正切值。
所述的一种基于曲线斜率变化的汽车方向盘检测方法,其特征在于步骤5中Pointij在第i条单像素边缘对应的新的平面直角坐标系xOyi中的坐标值(xij,yij)的计算如下:
5.1):根据公式(4)计算横坐标值xij;
xij=(Xij-Δxi)×cos(-Δθi)-(Yij-Δyi)×sin(-Δθi) (4)
其中,Xij表示点Pointij在边缘图EdgeImg的原平面直角坐标系中的横坐标值,Yij表示点Pointij在边缘图EdgeImg的原平面直角坐标系中的纵坐标值,cos表示求余弦值,sin表示求正弦值;
5.2):根据公式(5)计算纵坐标值yij;
yij=(Yij-Δyi)×cos(-Δθi)+(Xij-Δxi)×sin(-Δθi) (5)
其中,j=1,2,3,4,5,6,7。
所述的一种基于曲线斜率变化的汽车方向盘检测方法,其特征在于步骤7中分别计算每一条单像素边缘在Pointij处的曲线偏转角度θij的步骤如下:
7.1):计算每个Pointij与Pointi(j+1)之间的中间点处的切线斜率记为slop1ij,slop1ij=(yi(j+1)–yij)÷(xi(j+1)-xj);
其中,j=1,2,3,4,5,6。
所述的一种基于曲线斜率变化的汽车方向盘检测方法,其特征在于步骤8中满足开口朝下的劣弧检测条件必须满足如下所有条件:
8.1):(|Δθi|<90&&yi4<0)||(|Δθi|≥90&&yi4>0);
8.2):slopi2×slopi3>0&&slopi5×slopi6>0;
8.3):|slopi3|≤|slopi2|&&|slopi4|≤|slopi3|&&|slopi4|<|slopi2|;
8.4):|slopi5|≤|slopi6|&&|slopi4|≤|slopi5|&&|slopi4|<|slopi6|;
8.5):|slopi4|=0;
8.6):Sθi<ThreshS&&Avgθi>0;
其中,ThreshS表示曲线偏转角度的方差阈值,由预先设定。
所述的一种基于曲线斜率变化的汽车方向盘检测方法,其特征在于步10中作为最终检测到的方向盘的圆满足如下条件:该圆需要满足圆半径r在预先设定的范围内,并且满足圆心到边缘图EdgeImg的底边缘距离最短,并且这个距离需要小于该圆本身半径的三分之二。
通过使用本发明的方法对汽车的方向盘进行检测,它结合了劣弧上的点的切线斜率变化特征以及曲线偏转角度特征来进行劣弧检测,对于短小的劣弧以及发生形变的劣弧都可以检测到,而方向盘形状正好表现为开口朝下的劣弧,可以使用本发明的方法进行准确检测,提高了方向盘检测的正确率。
附图说明
图1为本发明中实施例选取的image图;
图2为本发明实施例中image图的车窗定位图;
图3为本发明实施例中截取的车窗右半边部分图。
图4为本发明实施例中车窗右半边图对应的单像素边缘图。
图5为本发明实施例中方向盘检测的结果图。
具体实施方式
下面结合实施例来详细阐述本发明的基于曲线斜率变化的汽车方向盘检测方法的具体实施方式。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
本发明的一种基于曲线斜率变化的汽车方向盘检测方法,包括如下步骤:
步骤1:对含有车辆的彩色图像image进行车窗定位,在本实施例中选取的image如图1所示,车窗定位结果如图2所示;
步骤2:从图像image中截取车窗右半部分作为新的图像WinImg,在本实施例中如图3所示,并且对图像WinImg进行灰度化、高斯滤波、形态学边缘检测、局部二值化以及边缘细化操作,得到图像WinImg的单像素边缘图像,记为EdgeImg,在本实施例中如图4所示;
步骤3:利用八邻域边缘跟踪算法遍历EdgeImg中的每一条单像素边缘,并且将每一条单像素边缘上的像素点分别按顺序存储在数组中,记为Arrayi,i=1,2,…,n,其中,Arrayi表示第i条单像素边缘,n表示EdgeImg中单像素边缘的数量;
步骤4:针对步骤3遍历得到的每一条单像素边缘,计算每一条单像素边缘各自对应的一个新的平面直角坐标系,记为xOyi,xOyi由边缘图EdgeImg的原平面直角坐标系通过平移旋转变换得到,其中边缘图EdgeImg的原平面直角坐标系表示以边缘图EdgeImg的左上角为坐标系原点,水平向右为x轴正方向,垂直向下为y轴正方向的平面直角坐标系;
步骤5:将步骤3遍历得到的每一条单像素边缘等间隔分为6段,然后按顺序选取单像素边缘上的起点、五个等间隔分段点以及单像素边缘上的终点,一共七个点,记为Pointij,j=1,2,3,4,5,6,7,它表示第i条单像素边缘上选取的第j个点,同时计算Pointij在第i条单像素边缘对应的新的平面直角坐标系xOyi中的坐标值,记为(xij,yij);
步骤6:分别计算每一条单像素边缘在点Pointij处的切线斜率,记为slopij,其中slopij=(yi(j+1)–yi(j-1))÷(xi(j+1)–xi(j-1));
步骤7:分别计算每一条单像素边缘在点Pointij处的曲线偏转角度,记为θij,然后计算每一条单像素边缘对应的五个θij的平均值Avgθi和方差Sθi;
步骤8:根据步骤6得到的slopij和步骤7得到的Avgθi和Sθi筛选满足开口朝下的劣弧检测条件的单像素边缘作为候选汽车方向盘边缘;
步骤9:对步骤8获得的所有候选汽车方向盘边缘分别计算其对应的一个假定圆,假定圆的计算首先从对应的候选汽车方向盘边缘中选取边缘的起点、边缘的二等分分段点以及边缘的终点这三个点,根据这三点确定一个假定圆;
步骤10:从步骤9获得的所有假定圆中选择一个满足如下条件的圆作为最终检测到的方向盘:该圆需要满足圆半径r在预先设定的范围内,在本实施例中设为60<r<120,并且满足圆心到边缘图EdgeImg的底边缘距离最短,并且这个距离需要小于该圆本身半径的三分之二。
所述的一种基于曲线斜率变化的汽车方向盘检测方法,其特征在于步骤4中由边缘图EdgeImg的原平面直角坐标系通过平移旋转变换分别得到每一条单像素边缘各自对应的一个新的平面直角坐标系xOyi的过程如下:
4.1):根据公式(1)计算边缘图EdgeImg的原平面直角坐标系在x轴方向上需要平移的长度记为Δxi,并且根据Δxi的值进行平移;
其中,counti表示数组Arrayi中的元素个数,Arrayi[0].x表示数组Arrayi中第0个元素的x坐标值,Arrayi[counti-1].x表示数组Arrayi中最后一个元素的x坐标值;
4.2):根据公式(2)计算边缘图EdgeImg的原平面直角坐标系在y轴方向上需要平移的长度记为Δyi,并且根据Δyi的值进行平移;
其中,Arrayi[0].y表示数组Arrayi中第0个元素的y坐标值,Arrayi[counti-1].y表示数组Arrayi中最后一个元素的y坐标值。
4.3):根据公式(3)计算边缘图EdgeImg的原平面直角坐标系在平移之后需要旋转的度数记为Δθi,并且根据Δθi的值进行旋转;
其中,arctan表示求反正切值。
所述的一种基于曲线斜率变化的汽车方向盘检测方法,其特征在于步骤5中Pointij在第i条单像素边缘对应的新的平面直角坐标系xOyi中的坐标值(xij,yij)的计算如下:
5.1):根据公式(4)计算横坐标值xij;
xij=(Xij-Δxi)×cos(-Δθi)-(Yij-Δyi)×sin(-Δθi) (4)
其中,Xij表示点Pointij在边缘图EdgeImg的原平面直角坐标系中的横坐标值,Yij表示点Pointij在边缘图EdgeImg的原平面直角坐标系中的纵坐标值,cos表示求余弦值,sin表示求正弦值;
5.2):根据公式(5)计算纵坐标值yij;
yij=(Yij-Δyi)×cos(-Δθi)+(Xij-Δxi)×sin(-Δθi) (5)
其中,j=1,2,3,4,5,6,7。
所述的一种基于曲线斜率变化的汽车方向盘检测方法,其特征在于步骤7中分别计算每一条单像素边缘在Pointij处的曲线偏转角度θij的步骤如下:
7.1):计算每个Pointij与Pointi(j+1)之间的中间点处的切线斜率记为slop1ij,slop1ij=(yi(j+1)–yij)÷(xi(j+1)-xj);
其中,j=1,2,3,4,5,6。
所述的一种基于曲线斜率变化的汽车方向盘检测方法,其特征在于步骤8中满足开口朝下的劣弧检测条件必须满足如下所有条件:
8.1):(|Δθi|<90&&yi4<0)||(|Δθi|≥90&&yi4>0);
8.2):slopi2×slopi3>0&&slopi5×slopi6>0;
8.3):|slopi3|≤|slopi2|&&|slopi4|≤|slopi3|&&|slopi4|<|slopi2|;
8.4):|slopi5|≤|slopi6|&&|slopi4|≤|slopi5|&&|slopi4|<|slopi6|;
8.5):|slopi4|=0;
8.6):Sθi<ThreshS&&Avgθi>0;
其中,ThreshS表示曲线偏转角度的方差阈值,由预先设定,在本实施例中设为0.005。
在本实施例中,通过以上处理,可以看到图5中的汽车方向盘被正确检测到。
Claims (2)
1.一种基于曲线斜率变化的汽车方向盘检测方法,其特征在于包括如下步骤:
步骤1:对含有车辆的彩色图像image进行车窗定位;
步骤2:从图像image中截取车窗右半部分作为新的图像WinImg,并且对图像WinImg进行灰度化、高斯滤波、形态学边缘检测、局部二值化以及边缘细化操作,得到图像WinImg的单像素边缘图像,记为EdgeImg;
步骤3:利用八邻域边缘跟踪算法遍历EdgeImg中的每一条单像素边缘,并且将每一条单像素边缘上的像素点分别按顺序存储在数组中,记为Arrayi,i=1,2,…,n,其中,Arrayi表示第i条单像素边缘,n表示EdgeImg中单像素边缘的数量;
步骤4:针对步骤3遍历得到的每一条单像素边缘,计算每一条单像素边缘各自对应的一个新的平面直角坐标系,记为xOyi,xOyi由边缘图EdgeImg的原平面直角坐标系通过平移旋转变换得到,其中边缘图EdgeImg的原平面直角坐标系以边缘图EdgeImg的左上角为坐标系原点,水平向右为x轴正方向,垂直向下为y轴正方向的平面直角坐标系,由边缘图EdgeImg的原平面直角坐标系通过平移旋转变换分别得到每一条单像素边缘各自对应的一个新的平面直角坐标系xOyi的过程如下:
4.1):根据公式(1)计算边缘图EdgeImg的原平面直角坐标系在x轴方向上需要平移的长度记为Δxi,并且根据Δxi的值进行平移;
其中,counti表示数组Arrayi中的元素个数,Arrayi[0].x表示数组Arrayi中第1个元素的x坐标值,Arrayi[counti-1].x表示数组Arrayi中最后一个元素的x坐标值;
4.2):根据公式(2)计算边缘图EdgeImg的原平面直角坐标系在y轴方向上需要平移的长度记为Δyi,并且根据Δyi的值进行平移;
其中,Arrayi[0].y表示数组Arrayi中第1个元素的y坐标值,Arrayi[counti-1].y表示数组Arrayi中最后一个元素的y坐标值;
4.3):根据公式(3)计算边缘图EdgeImg的原平面直角坐标系在平移之后需要旋转的度数记为Δθi,并且根据Δθi的值进行旋转;
其中,arctan表示求反正切值;
步骤5:将步骤3遍历得到的每一条单像素边缘等间隔分为6段,然后按顺序选取单像素边缘上的起点、五个等间隔分段点以及单像素边缘上的终点,一共七个点,记为Pointij,j=1,2,3,4,5,6,7,它表示第i条单像素边缘上选取的第j个点,同时计算Pointij在第i条单像素边缘对应的新的平面直角坐标系xOyi中的坐标值,记为(xij,yij),Pointij在第i条单像素边缘对应的新的平面直角坐标系xOyi中的坐标值(xij,yij)的计算如下:
5.1):根据公式(4)计算横坐标值xij;
xij=(Xij-Δxi)×cos(-Δθi)-(Yij-Δyi)×sin(-Δθi) (4)
其中,Xij表示点Pointij在边缘图EdgeImg的原平面直角坐标系中的横坐标值,Yij表示点Pointij在边缘图EdgeImg的原平面直角坐标系中的纵坐标值,cos表示求余弦值,sin表示求正弦值;
5.2):根据公式(5)计算纵坐标值yij;
yij=(Yij-Δyi)×cos(-Δθi)+(Xij-Δxi)×sin(-Δθi) (5)
其中,j=1,2,3,4,5,6,7;
步骤6:分别计算每一条单像素边缘在点Pointij处的切线斜率,记为slopij,其中slopij=(yi(j+1)–yi(j-1))÷(xi(j+1)–xi(j-1));
步骤7:分别计算每一条单像素边缘在点Pointij处的曲线偏转角度,记为θij,然后计算每一条单像素边缘对应的五个θij的平均值Avgθi和方差Sθi;
步骤8:根据步骤6得到的slopij和步骤7得到的Avgθi和Sθi筛选满足开口朝下的劣弧检测条件的单像素边缘作为候选汽车方向盘边缘,满足开口朝下的劣弧检测条件必须满足如下所有条件:
8.1):(|Δθi|<90&&yi4<0)||(|Δθi|≥90&&yi4>0);
8.2):slopi2×slopi3>0&&slopi5×slopi6>0;
8.3):|slopi3|≤|slopi2|&&|slopi4|≤|slopi3|&&|slopi4|<|slopi2|;
8.4):|slopi5|≤|slopi6|&&|slopi4|≤|slopi5|&&|slopi4|<|slopi6|;
8.5):|slopi4|=0;
8.6):Sθi<ThreshS&&Avgθi>0;
其中,ThreshS表示曲线偏转角度的方差阈值,预先设定;
步骤9:对步骤8获得的所有候选汽车方向盘边缘分别计算其对应的一个假定圆,假定圆的计算首先从对应的候选汽车方向盘边缘中选取边缘的起点、边缘的二等分分段点以及边缘的终点这三个点,根据这三点确定一个假定圆;
步骤10:从步骤9获得的所有假定圆中选择一个满足如下条件的圆作为最终检测到的方向盘,作为最终检测到的方向盘的圆满足如下条件:该圆需要满足圆半径r在预先设定的范围内,并且满足圆心到边缘图EdgeImg的底边缘距离最短,并且这个距离需要小于该圆本身半径的三分之二。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810098460.0A CN108470145B (zh) | 2018-01-31 | 2018-01-31 | 一种基于曲线斜率变化的汽车方向盘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810098460.0A CN108470145B (zh) | 2018-01-31 | 2018-01-31 | 一种基于曲线斜率变化的汽车方向盘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108470145A CN108470145A (zh) | 2018-08-31 |
CN108470145B true CN108470145B (zh) | 2021-03-16 |
Family
ID=63266311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810098460.0A Active CN108470145B (zh) | 2018-01-31 | 2018-01-31 | 一种基于曲线斜率变化的汽车方向盘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108470145B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1208013A (zh) * | 1997-04-15 | 1999-02-17 | 株式会社丰田自动织机制作所 | 具有机动转向设备及方向盘角位修正装置的工业车辆 |
CN101052540A (zh) * | 2004-09-14 | 2007-10-10 | 卡格拉斯卢森堡萨尔楚格分公司 | 切除车辆车窗板的方法和装置 |
CN104123557A (zh) * | 2014-06-29 | 2014-10-29 | 中南大学 | 一种基于公路监控设备的轿车安全带系挂状态的检测方法 |
CN104851330A (zh) * | 2015-05-19 | 2015-08-19 | 景晏铭 | 一种停车入位模拟训练方法及系统 |
CN106650567A (zh) * | 2016-08-31 | 2017-05-10 | 东软集团股份有限公司 | 一种安全带检测方法和装置 |
CN106740834A (zh) * | 2015-11-24 | 2017-05-31 | 中国移动通信集团公司 | 一种辅助车辆会车的方法及装置 |
CN106815815A (zh) * | 2016-12-30 | 2017-06-09 | 浙江工业大学 | 一种去除图像中不闭合曲线段的方法 |
CN107578048A (zh) * | 2017-08-02 | 2018-01-12 | 浙江工业大学 | 一种基于车型粗分类的远视场景车辆检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5018926B2 (ja) * | 2010-04-19 | 2012-09-05 | 株式会社デンソー | 運転補助装置、及びプログラム |
-
2018
- 2018-01-31 CN CN201810098460.0A patent/CN108470145B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1208013A (zh) * | 1997-04-15 | 1999-02-17 | 株式会社丰田自动织机制作所 | 具有机动转向设备及方向盘角位修正装置的工业车辆 |
CN101052540A (zh) * | 2004-09-14 | 2007-10-10 | 卡格拉斯卢森堡萨尔楚格分公司 | 切除车辆车窗板的方法和装置 |
CN104123557A (zh) * | 2014-06-29 | 2014-10-29 | 中南大学 | 一种基于公路监控设备的轿车安全带系挂状态的检测方法 |
CN104851330A (zh) * | 2015-05-19 | 2015-08-19 | 景晏铭 | 一种停车入位模拟训练方法及系统 |
CN106740834A (zh) * | 2015-11-24 | 2017-05-31 | 中国移动通信集团公司 | 一种辅助车辆会车的方法及装置 |
CN106650567A (zh) * | 2016-08-31 | 2017-05-10 | 东软集团股份有限公司 | 一种安全带检测方法和装置 |
CN106815815A (zh) * | 2016-12-30 | 2017-06-09 | 浙江工业大学 | 一种去除图像中不闭合曲线段的方法 |
CN107578048A (zh) * | 2017-08-02 | 2018-01-12 | 浙江工业大学 | 一种基于车型粗分类的远视场景车辆检测方法 |
Non-Patent Citations (4)
Title |
---|
Driver Drowsiness Detection Based on Time Series Analysis of Steering Wheel Angular Velocity;Gao Zhenhai et al;《2017 9th International Conference on Measuring Technology and Mechatronics Automation》;20171231;第99-101页 * |
Steering wheel boundary feature extraction based on contour fusion for long-distance bus;ZHANG Yong-gang et al;《Proceedings of the 8th World Congress on Intelligent Control and Automation》;20110625;第617-620页 * |
图像处理与机器学习在未系安全带驾车检测中的应用;吴法;《中国博士学位论文全文数据库 信息科技辑》;20140815;第I138-12页 * |
应用于汽车安全驾驶的手部跟踪算法;李梦宇 等;《视频应用与工程》;20161231;第40卷(第11期);第112-115页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108470145A (zh) | 2018-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jung et al. | A lane departure warning system using lateral offset with uncalibrated camera | |
Marzougui et al. | A lane tracking method based on progressive probabilistic Hough transform | |
CN110930459B (zh) | 灭点提取方法、相机标定方法以及存储介质 | |
CN109188459B (zh) | 一种基于多线激光雷达的坡道小障碍物识别方法 | |
US10891738B2 (en) | Boundary line recognition apparatus and branch road determination apparatus | |
KR100975749B1 (ko) | 단일 차선을 이용한 차선 인식 및 차량의 차선 이탈 검출 방법 | |
EP0827127B1 (en) | Local positioning apparatus, and method therefor | |
CN108280840B (zh) | 一种基于三维激光雷达的道路实时分割方法 | |
KR101609303B1 (ko) | 카메라 캘리브레이션 방법 및 그 장치 | |
US20090304285A1 (en) | Image processing device and image processing method | |
CN116703907B (zh) | 一种基于机器视觉的汽车铸件表面缺陷检测方法 | |
CN109001757B (zh) | 一种基于2d激光雷达的车位智能检测方法 | |
EP3195263B1 (en) | Identification of a contact point between a pantograph and a power supply line in an image | |
CN112001216A (zh) | 一种基于计算机的汽车行驶车道检测系统 | |
US11562577B2 (en) | Method of detecting curved lane through path estimation using monocular vision camera | |
US11156712B2 (en) | Automotive radar system with direct measurement of yaw rate and/or heading of object vehicle | |
US10013619B2 (en) | Method and device for detecting elliptical structures in an image | |
JP3288566B2 (ja) | 走行レーン認識装置 | |
EP3115933A1 (en) | Image processing device, image capturing device, mobile body control system, image processing method, and computer-readable recording medium | |
CN109657579B (zh) | 一种指纹裂纹的检测与修复方法 | |
JP2011039833A (ja) | 車両検出装置、車両検出プログラム、および車両検出方法 | |
CN113740874A (zh) | 一种道路边沿检测方法、电子设备及车辆 | |
CN108470145B (zh) | 一种基于曲线斜率变化的汽车方向盘检测方法 | |
CN108470144B (zh) | 一种基于曲线分段的汽车方向盘检测方法 | |
Morris et al. | A view-dependent adaptive matched filter for ladar-based vehicle tracking |
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 |