CN109165689A - 一种车辆车窗精准定位方法 - Google Patents
一种车辆车窗精准定位方法 Download PDFInfo
- Publication number
- CN109165689A CN109165689A CN201810997929.4A CN201810997929A CN109165689A CN 109165689 A CN109165689 A CN 109165689A CN 201810997929 A CN201810997929 A CN 201810997929A CN 109165689 A CN109165689 A CN 109165689A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle window
- line
- straight line
- angle
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出的一种车辆车窗精准定位方法,具体是一种结合yolo检测模型和直线检测的车辆车窗精准定位方法。该方法首先训练yolo车窗检测模型确定车窗的大致位置,然后根据经验值确定车窗四条边线的合适检测区域。进一步,对于车窗的左右边线,采用一种基于Hough直线检测加聚类的方法进行检测,对于车窗的上下边线,采用一种基于投影的方法进行检测。最终,联合车窗四条边线确定车窗位置。利用本发明可以实现精准定位车辆车窗,对于车辆区域分割、车窗特征提取等目标有重要意义。
Description
技术领域
本发明涉及数字图像处理技术领域,具体涉及一种车辆车窗精准定位方法。
背景技术
车窗是车辆的关键组成部分,它包含了驾驶人乘客行为、车辆内饰、车辆年检标志、环保标志等重要信息。近年来,随着高清卡口系统的普遍应用,图像分辨率的提升,车窗成为驾驶人行为分析、车辆检索等研究问题的重要分析对象。
基于车牌、基于角点、基于直线检测是目前车窗定位三大主要手段。比如霍星等(基于多识别区域融合的机动车驾驶员检测框架[J].模式识别与人工智能,2018,31(3):283-292.)首先利用图像梯度特征进行车牌定位,然后根据不同车型的车牌与车窗之间的经验空间几何比例,利用几何仿射变换进行车窗定位;尚凌辉等(一种基于深度学习的车辆特征物检测方法:,CN 105718912 A[P].2016.)通过统计机器学习进行车窗四个角点的定位,进而联合四个角点确定车窗的位置;吴裕锋等(驾乘人员佩戴安全带的自动检测[J].科技尚品,2017(4):175-177.)同样是利用检测模型找到车窗角点从而确定车窗位置,不同的是他们首先进行了车牌定位,然后利用车牌缩小了车窗角点的检测区域;姚东明等(基于车窗检测的车身颜色识别方法研究[J].信息通信,2017(2):87-88.)在车辆图像的Canny边缘检测结果上,首先利用Hough直线变换检测车窗水平带,进一步利用垂直投影的方法确定车窗左右边线。
目前的车窗定位方法大多都只进行了车窗的粗定位,没有对车窗的四条边线进行精准定位,鉴于车窗精准定位对于车辆区域分割、车窗特征提取等目标有重要意义,本文提出了一种结合yolo和直线检测方法的车窗精准定位方法。
发明内容
针对现有技术中存在的问题,本发明提出的一种车辆车窗精准定位方法的流程为:首先训练yolo车窗检测模型确定车窗的大致位置,然后根据经验值确定车窗四条边线的合适检测区域。进一步,对于车窗的左右边线,采用一种基于Hough直线检测加聚类的方法进行检测,对于车窗的上下边线,采用一种基于投影的方法进行检测。最终,联合车窗四条边线确定车窗位置。
本发明的技术方案如下:
一种车辆车窗精准定位方法,,其特征在于,包括如下步骤:
步骤1:已知车辆图像I,在图像I用yolo检测模型进行车窗检测,将找到的车窗区域记为DW,确定车窗图像上左、右、上、下四条边线对应的检测区域分别为DL(0,0,w/3,h)、DR(2*w/3-1,0,w/3,h)、DT(0,0,w,h/5)、DB(0,4*h/5-1,w,h/5),其中,w、h分别为车窗区域DW的宽和高;
步骤2:从图像I上得到区域DL、DR对应的图像分别记为IL和IR,对图像IL、IR分别通过一种图像关键直线检测方法,找到对应的车窗左右斜边LL、LR;
步骤3:从图像I上得到区域DT、DB对应的图像分别记为IT、IB,采用一种基于旋转扫描的直线检测方法确定车窗上下边线LT、LB;
步骤4:最终,确定直线LL、LT、LR、LB围成的区域为车辆的车窗区域。
所述的一种车辆车窗精准定位方法,其特征在于,所述步骤2中的一种图像关键直线检测方法的具体步骤如下:
步骤2.1:对于输入图像X,首先给定关键直线的预估角度范围,记为[angleMin,angleMax];
步骤2.2:对图像X进行灰度化、高斯滤波、Canny边缘检测处理,得到图像X对应的二值边缘图,在边缘图上用Hough直线检测方法确定直线集L={li|i=0,1,…,NL-1},NL表示检测到的直线数量;
步骤2.3:筛选剔除直线集L中角度不在[angleMin,angleMax]范围内的直线,然后将直线集L按照直线角度从小到大排序,将更新后的直线集记为L’={li|i=0,1,…,NL’-1},NL’表示更新后的直线数量;
步骤2.4:将直线集L用K-means算法聚类成m个子集{T0,T1,...,Tm-1},子集数m根据公式(1)确定;
其中,θi表示直线集L’中第i条直线的角度,Φ为预先设定的类间最大角度差;
步骤2.5:计算每个直线集Ti对应的直线长度总和,找到直线长度总和最大的直线集,记为Tk,则确定Tk中长度最长的直线为图像的关键直线。
所述的一种车辆车窗精准定位方法,其特征在于,所述步骤3中的一种基于旋转扫描的直线检测方法的具体步骤如下:
步骤3.1:根据车窗左右边线的角度θL、θR和公式(2)和(3)确定车窗上下边线的角度θTB;
步骤3.2:对图像IT和IB进行Sobel水平边缘检测和OTSU二值化,得到二值图ITB和IBB,用角度为θTB、宽度为3个像素的扫描线分别从上往下扫描图像ITB,找到对应score1值最大的扫描线位置,记扫描线在该位置的扫描线中心点为PT,同理,用角度为θTB、宽度为3个像素的扫描线分别从下往上扫描图像IBB,找到对应score1值最大的扫面线位置,记扫描线在该位置的扫描线中心点为PB;其中score1表示扫描线上的像素投影面积与扫描线在图像上的区域面积之比;
步骤3.3:联合图像ITB、IBB确定车窗上下边线的精准偏转角度θTB-P,具体为:在图像ITB、IBB上分别以点PT、PB为扫描线旋转中心,以1°为单位旋转角度、旋转宽度为3个像素的扫描线,在[θTB-7°,θTB+7°]角度范围内,找到对应socre1最大的扫描线角度,确定为车窗上下边线的精准偏转角度θTB-P;
步骤3.4:则车窗上边线LT为过点PT角度θTB-P为的直线,车窗下边线LB为过点PB角度θTB-P为的直线。
本发明的有益效果是:结合yolo和直线检测方法可以实现车辆车窗的精准定位,对后续车辆部件分割、车窗特征提取等目标的研究具有重要意义。
附图说明
图1:已知实例图像;
图2:yolo检测模型定位得到的车窗区域;
图3:车窗左边线检测区域;
图4:车窗右边线检测区域;
图5:车窗上边线检测区域;
图6:车窗下边线检测区域;
图7:车窗左边线检测区域Canny边缘检测结果;
图8:车窗右边线检测区域Canny边缘检测结果;
图9:车窗上边线检测区域的二值化结果;
图10:车窗下边线检测区域的二值化结果;
图11:车窗精准定位结果。
具体实施方式
下面结合具体实例,对本发明(一种结合yolo和直线检测方法的车窗精准定位方法)实施的过程进行详细的说明。
步骤1:已知车辆图像I,在图像I用yolo检测模型进行车窗检测,将找到的车窗区域记为DW,确定车窗图像上左、右、上、下四条边线对应的检测区域分别为DL(0,0,w/3,h)、DR(2*w/3-1,0,w/3,h)、DT(0,0,w,h/5)、DB(0,4*h/5-1,w,h/5),其中,w、h分别为车窗区域DW的宽和高;
本实例用于进行说明的车辆图像如图1所示,在图像I用yolo检测模型检测得到的车窗区域如图2所示,根据经验值确定的车窗左、右、上、下四条边线的检测区域如图3-6所示;
步骤2:从图像I上得到区域DL、DR对应的图像分别记为IL和IR,对图像IL、IR分别通过一种图像关键直线检测方法,找到对应的车窗左右斜边LL、LR;
步骤3:从图像I上得到区域DT、DB对应的图像分别记为IT、IB,采用一种基于旋转扫描的直线检测方法确定车窗上下边线LT、LB;
步骤4:最终,确定直线LL、LT、LR、LB围成的区域为车辆的车窗区域。
在本实例中,最终确定的车辆的车窗区域如图11所示。
一种图像关键直线检测方法的具体步骤如下:
步骤2.1:对于输入图像X,首先给定关键直线的预估角度范围,记为[angleMin,angleMax];
在本实例中,左、右边线的预估角度范围为[45°,135°];
步骤2.2:对图像X进行灰度化、高斯滤波、Canny边缘检测处理,得到图像X对应的二值边缘图,在边缘图上用Hough直线检测方法确定直线集L={li|i=0,1,…,NL-1},NL表示检测到的直线数量;
根据步骤2.2得到的车窗左右边线检测区域的二值图如图7-8所示;
步骤2.3:筛选剔除直线集L中角度不在[angleMin,angleMax]范围内的直线,然后将直线集L按照直线角度从小到大排序,将更新后的直线集记为L’={li|i=0,1,…,NL’-1},NL’表示更新后的直线数量;
步骤2.4:将直线集L用K-means算法聚类成m个子集{T0,T1,...,Tm-1},子集数m根据公式(1)确定;
其中,θi表示直线集L’中第i条直线的角度,Φ为预先设定的类间最大角度差;
在本实例中,预先设定的类间最大角度差Φ为4°;
步骤2.5:计算每个直线集Ti对应的直线长度总和,找到直线长度总和最大的直线集,记为Tk,则确定Tk中长度最长的直线为图像的关键直线;
一种基于旋转扫描的直线检测方法的具体步骤如下:
步骤3.1:根据车窗左右边线的角度θL、θR和公式(2)和(3)确定车窗上下边线的角度θTB;
在本实例中,根据步骤3.1计算得到的上下边线的大致角度θTB为0°;
步骤3.2:对图像IT和IB进行Sobel水平边缘检测和OTSU二值化,得到二值图ITB和IBB,用角度为θTB、宽度为3个像素的扫描线分别从上往下扫描图像ITB,找到对应score1值最大的扫描线位置,记扫描线在该位置的扫描线中心点为PT,同理,用角度为θTB、宽度为3个像素的扫描线分别从下往上扫描图像IBB,找到对应score1值最大的扫面线位置,记扫描线在该位置的扫描线中心点为PB;其中score1表示扫描线上的像素投影面积与扫描线在图像上的区域面积之比;
在本实例中,根据步骤3.2得到的车窗上下边线检测区域的二值图如图9-10所示;
步骤3.3:联合图像ITB、IBB确定车窗上下边线的精准偏转角度θTB-P,具体为:在图像ITB、IBB上分别以点PT、PB为扫描线旋转中心,以1°为单位旋转角度、旋转宽度为3个像素的扫描线,在[θTB-7°,θTB+7°]角度范围内,找到对应socre1最大的扫描线角度,确定为车窗上下边线的精准偏转角度θTB-P;
步骤3.4:则车窗上边线LT为过点PT角度θTB-P为的直线,车窗下边线LB为过点PB角度θTB-P为的直线。
在本实例中,根据步骤3.3确定的车窗上下边线的精准偏转角度θTB-P为178°。
Claims (3)
1.一种车辆车窗精准定位方法,其特征在于,包括如下步骤:
步骤1:已知车辆图像I,在图像I用yolo检测模型进行车窗检测,将找到的车窗区域记为DW,确定车窗图像上左、右、上、下四条边线对应的检测区域分别为DL(0,0,w/3,h)、DR(2*w/3-1,0,w/3,h)、DT(0,0,w,h/5)、DB(0,4*h/5-1,w,h/5),其中,w、h分别为车窗区域DW的宽和高;
步骤2:从图像I上得到区域DL、DR对应的图像分别记为IL和IR,对图像IL、IR分别通过一种图像关键直线检测方法,找到对应的车窗左右斜边LL、LR;
步骤3:从图像I上得到区域DT、DB对应的图像分别记为IT、IB,采用一种基于旋转扫描的直线检测方法确定车窗上下边线LT、LB;
步骤4:最终,确定直线LL、LT、LR、LB围成的区域为车辆的车窗区域。
2.根据权利要求1所述的一种车辆车窗精准定位方法,其特征在于,所述步骤2中的一种图像关键直线检测方法的具体过程如下:
2.1):对于输入图像X,首先给定关键直线的预估角度范围,记为[angleMin,angleMax];
2.2):对图像X进行灰度化、高斯滤波、Canny边缘检测处理,得到图像X对应的二值边缘图,在边缘图上用Hough直线检测方法确定直线集L={li|i=0,1,…,NL-1},NL表示检测到的直线数量;
2.3):筛选剔除直线集L中角度不在[angleMin,angleMax]范围内的直线,然后将直线集L按照直线角度从小到大排序,将更新后的直线集记为L’={li|i=0,1,…,NL’-1},NL’表示更新后的直线数量;
2.4):将直线集L用K-means算法聚类成m个子集{T0,T1,...,Tm-1},子集数m根据公式(1)确定;
其中,θi表示直线集L’中第i条直线的角度,Φ为预先设定的类间最大角度差;
2.5):计算每个直线集Ti对应的直线长度总和,找到直线长度总和最大的直线集,记为Tk,则确定Tk中长度最长的直线为图像的关键直线。
3.根据权利要求1所述的一种车辆车窗精准定位方法,其特征在于,所述步骤3中的一种基于旋转扫描的直线检测方法的具体过程如下:
3.1):根据车窗左右边线的角度θL、θR和公式(2)和(3)确定车窗上下边线的角度θTB;
3.2):对图像IT和IB进行Sobel水平边缘检测和OTSU二值化,得到二值图ITB和IBB,用角度为θTB、宽度为3个像素的扫描线分别从上往下扫描图像ITB,找到对应score1值最大的扫描线位置,记扫描线在该位置的扫描线中心点为PT,同理,用角度为θTB、宽度为3个像素的扫描线分别从下往上扫描图像IBB,找到对应score1值最大的扫面线位置,记扫描线在该位置的扫描线中心点为PB;其中score1表示扫描线上的像素投影面积与扫描线在图像上的区域面积之比;
3.3):联合图像ITB、IBB确定车窗上下边线的精准偏转角度θTB-P,具体为:在图像ITB、IBB上分别以点PT、PB为扫描线旋转中心,以1°为单位旋转角度、旋转宽度为3个像素的扫描线,在[θTB-7°,θTB+7°]角度范围内,找到对应socre1最大的扫描线角度,确定为车窗上下边线的精准偏转角度θTB-P;
3.4):则车窗上边线LT为过点PT角度θTB-P为的直线,车窗下边线LB为过点PB角度θTB-P为的直线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810997929.4A CN109165689B (zh) | 2018-08-29 | 2018-08-29 | 一种车辆车窗精准定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810997929.4A CN109165689B (zh) | 2018-08-29 | 2018-08-29 | 一种车辆车窗精准定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109165689A true CN109165689A (zh) | 2019-01-08 |
CN109165689B CN109165689B (zh) | 2021-10-26 |
Family
ID=64893184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810997929.4A Active CN109165689B (zh) | 2018-08-29 | 2018-08-29 | 一种车辆车窗精准定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165689B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503597A (zh) * | 2019-07-09 | 2019-11-26 | 浙江浩腾电子科技股份有限公司 | 一种基于2d结构模型的车辆视点规范化方法 |
CN110610519A (zh) * | 2019-09-25 | 2019-12-24 | 江苏鸿信系统集成有限公司 | 一种基于深度学习的车窗定位方法 |
CN113505808A (zh) * | 2021-06-05 | 2021-10-15 | 北京超维世纪科技有限公司 | 基于深度学习用于配电类设施开关检测识别算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404874A (zh) * | 2015-11-27 | 2016-03-16 | 成都神州数码索贝科技有限公司 | 一种基于投影和hough直线检测的车窗识别系统 |
CN107133588A (zh) * | 2017-05-03 | 2017-09-05 | 安徽大学 | 基于车窗特征提取的车辆识别方法 |
CN108108656A (zh) * | 2017-11-15 | 2018-06-01 | 浙江工业大学 | 一种基于车窗角点检测和多方向投影的车窗精确定位方法 |
-
2018
- 2018-08-29 CN CN201810997929.4A patent/CN109165689B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404874A (zh) * | 2015-11-27 | 2016-03-16 | 成都神州数码索贝科技有限公司 | 一种基于投影和hough直线检测的车窗识别系统 |
CN107133588A (zh) * | 2017-05-03 | 2017-09-05 | 安徽大学 | 基于车窗特征提取的车辆识别方法 |
CN108108656A (zh) * | 2017-11-15 | 2018-06-01 | 浙江工业大学 | 一种基于车窗角点检测和多方向投影的车窗精确定位方法 |
Non-Patent Citations (1)
Title |
---|
李冬梅等: "基于Hough 变换的车窗提取算法", 《中国测试技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503597A (zh) * | 2019-07-09 | 2019-11-26 | 浙江浩腾电子科技股份有限公司 | 一种基于2d结构模型的车辆视点规范化方法 |
CN110503597B (zh) * | 2019-07-09 | 2023-05-16 | 浙江浩腾电子科技股份有限公司 | 一种基于2d结构模型的车辆视点规范化方法 |
CN110610519A (zh) * | 2019-09-25 | 2019-12-24 | 江苏鸿信系统集成有限公司 | 一种基于深度学习的车窗定位方法 |
CN113505808A (zh) * | 2021-06-05 | 2021-10-15 | 北京超维世纪科技有限公司 | 基于深度学习用于配电类设施开关检测识别算法 |
Also Published As
Publication number | Publication date |
---|---|
CN109165689B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105893949B (zh) | 一种复杂路况场景下的车道线检测方法 | |
CN105488454B (zh) | 基于单目视觉的前方车辆检测与测距 | |
CN108389179B (zh) | 一种基于机器视觉的罐盖表面缺陷检测方法 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
CN106886987B (zh) | 一种列车车牌二值化图像融合方法 | |
CN109447067B (zh) | 一种票据方向检测矫正方法及自动检票系统 | |
CN105930848B (zh) | 基于sar-sift特征的sar图像目标识别方法 | |
CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN109101924A (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN103903018A (zh) | 一种复杂场景中对车牌进行定位的方法和系统 | |
CN109993099A (zh) | 一种基于机器视觉的车道线提取识别方法 | |
CN106407924A (zh) | 基于路面特征的双目道路识别检测方法 | |
CN109727279B (zh) | 一种矢量数据与遥感影像的自动配准方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN107423735B (zh) | 一种利用水平梯度和饱和度的车牌定位方法 | |
CN108491498A (zh) | 一种基于多特征检测的卡口图像目标搜索方法 | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN111060442A (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
CN109540925A (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN109165689A (zh) | 一种车辆车窗精准定位方法 | |
CN108765456B (zh) | 基于直线边缘特征的目标跟踪方法、系统 | |
CN108133170B (zh) | 一种多方向车辆的车窗定位方法 | |
CN103927512B (zh) | 车辆识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |