CN109376733A - 一种基于车牌定位的道路救援装备正方位拖牵诱导方法 - Google Patents
一种基于车牌定位的道路救援装备正方位拖牵诱导方法 Download PDFInfo
- Publication number
- CN109376733A CN109376733A CN201810920733.5A CN201810920733A CN109376733A CN 109376733 A CN109376733 A CN 109376733A CN 201810920733 A CN201810920733 A CN 201810920733A CN 109376733 A CN109376733 A CN 109376733A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- region
- area
- center
- 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
- 238000000034 method Methods 0.000 claims abstract description 94
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 230000006698 induction Effects 0.000 claims abstract description 26
- 238000003708 edge detection Methods 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000005260 corrosion Methods 0.000 claims description 10
- 230000007797 corrosion Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 230000001965 increasing effect Effects 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001939 inductive effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 238000009499 grossing Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 206010039203 Road traffic accident Diseases 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于车牌定位的道路救援装备正方位拖牵诱导方法,该方法结合道路救援装备的结构及正方位拖牵作业的特点,首先设置车牌感兴趣区域;接着对该区域图像进行高斯平滑滤波及灰度拉伸,并进行竖向索贝尔边缘检测及二值化处理;然后对二值图像进行形态学处理,并根据所提出的车牌候选区域和有效区域的筛选算法实现车牌定位;进而根据确定的车牌中心实施拖牵诱导,最后通过卡尔曼滤波进行预测并设置下一帧图像中的车牌感兴趣区域,从而达到提高道路救援装备救援效率及安全性能的目的。本发明提出的诱导方法具有良好的实时性、环境适应力和抗干扰能力,有效提高了道路救援装备的救援效率。
Description
技术领域
本发明属于道路救援装备智能化操作领域,尤其涉及一种基于车牌定位的道路救援装备正方位拖牵诱导方法。
背景技术
随着社会经济的不断增长和城镇化速度加快,道路交通基础设施条件逐渐得到改善,我国汽车产业得到迅猛发展,机动车保有量在逐年大幅增长,我们逐步走入了汽车化时代。但在享受汽车带来便利的同时,由驾驶不当或车辆自身故障等导致的交通事故却频频发生,已经成为群众和政府部门最为关注的公共安全问题。因此,道路交通应急救援作为国家公共安全能力建设的重要组成部分,已经逐步成为维护国家经济建设成果及人民生命财产安全的重要保障之一。但是根据相关调查结果显示,在交通事故发生后若清障救援不及时,很容易在救援过程中引发城市交通拥堵或二次连锁事故,比如道路救援装备无法快速准确从正方位把事故车辆托离现场而导致交通堵塞就是其中之一。究其原因,一方面正方位救援环境比较复杂,被拖车夹在左右两车中间,呈“三”字形排列,且被拖车与两侧相邻车辆的间距很小,此时道路救援装备只能从被拖车车头的正前方实施拖牵救援;另一方面道路救援装备智能化水平低,没有利用现有科学技术手段,对拖牵作业进行诱导辅助,也是导致救援效率低的一个重要因素,但目前对于道路救援装备正方位拖牵诱导相关技术尚未见有研究。
道路救援装备的拖牵装置,主要包括折臂、伸缩臂、摆臂及两侧的托臂。在正方位拖牵作业实施的过程中,道路救援装备基本位于被拖车车头的正前方,首先道路救援装备通过倒车作业,将其两侧托臂与被拖车两前轮进行对准,然后对被拖车两前轮进行抱胎固定,最后通过折臂牵拉起吊,将被拖车拖离。在传统的正方位拖牵作业过程中,将被拖车前轮与道路救援装备托臂进行对准这一操作,其效率主要依赖于驾驶员技术经验等人为因素,通常需要多次反复倒车进行位置修正,作业耗时过长,救援效率低下。
为了解决上述问题,本发明提出一种基于车牌定位的正方位拖牵诱导方法辅助实施拖牵作业,从而达到提高道路救援装备救援效率的目的。由于拖牵环境的复杂多变性,正方位拖牵诱导方法不仅应具有良好的实时性,还应具有适应各种车型及环境变化的能力以及抗各种噪声和干扰的能力,这也是该方法可靠性的前提保证。
发明内容
发明目的:针对以上问题,本发明提出一种既具有良好实时性,又具有较强环境自适应能力和抗干扰能力的道路救援装备正方位拖牵诱导方法。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于车牌定位的道路救援装备正方位拖牵诱导方法,该方法包括如下步骤:
(1)采集救援装备后方作业区域并确定车牌感兴趣区域;
(2)对确定的车牌感兴趣区域图像进行预处理;
(3)根据步骤(2)预处理后的车牌感兴趣区域图像,实现车牌定位,确定车牌中心;
(4)根据确定车的牌中心实施拖牵诱导;
(5)预测出下一帧图像中车轮的中心坐标。
其中,在步骤(1)中,确定车牌感兴趣区域方法如下:在救援装备尾部折臂上安装车载摄像头,摄像头采集范围为包含救援装备摆臂、托臂及被拖车车头等关键部位的后方作业区域,对于采集的救援装备后方作业区域序列图像中的首帧图像,初始化被拖车车牌感兴趣区域O1为整幅图像;而对于序列图像中的非首帧图像,若上一帧图像处理过程中成功定位到车牌,则将被拖车车牌感兴趣区域O1更新为上一帧图像通过卡尔曼滤波预测所设置的车牌感兴趣区域;否则仍将车牌感兴趣区域设置为整幅图像。
其中,在步骤(2)中,车牌感兴趣区域图像预处理方法如下:首先对车牌感兴趣区域图像进行复制,得到车牌感兴趣区域复制图像O2,以备后述车牌定位过程中利用车牌颜色精选确定车牌有效区域,然后对车牌感兴趣区域原图像进行以下预处理操作:先将车牌感兴趣区域彩色图像转变为灰度图像,接着对灰度图像采用高斯平滑滤波,之后再进行灰度拉伸,对拉伸后的灰度图像进行竖直方向的边缘检测;为了对检测到的车牌感兴趣区域图像中的竖向边缘进行提取,还需根据图像点沿x轴方向的灰度梯度大小对上述边缘检测得到的沿x轴方向的灰度梯度图像进行二值化处理,得到车牌感兴趣区域二值图O3。
其中,在步骤(3)中,对车牌进行定位方法如下:对步骤(2)车牌感兴趣区域图像预处理中得到的二值化处理后的图像采用形态学方法进行处理,连通车牌区域,并根据车牌候选区域和有效区域的筛选算法实现车牌定位,确定车牌中心及其大小,其方法为:
(3.1)对步骤(2)中已经提取车牌边缘及字符轮廓的二值图像采用形态学方法进行处理,具体子步骤为:
(3.1.1)先选取1×3大小的矩形结构元素,对二值图像进行十次膨胀操作参见说明书附图9,填补字符间的孔洞,连通车牌区域,然后再用相同大小的矩形结构元素对膨胀后的图像进行十次腐蚀操作;
(3.1.2)先选取1×3大小的矩形结构元素对腐蚀得到的图像进行八次闭运算,参见例图见附图11,进一步消除非车牌区域的小块噪声区域,再用相同大小的矩形结构元素对闭运算得到的图像进行八次开运算,填补连通区域中的孔洞;
(3.1.3)先选取3×1大小的矩形结构元素对开运算得到的图像进行腐蚀操作,去除连通区域周围的噪声,再用3×3大小的矩形结构元素对腐蚀后的图像进行膨胀恢复,保持车牌区域的大小不变,然后对膨胀后的图像进行轮廓提取,得到N个大小及形状不同的连通区域An,n=1,2,3…,N,其中n表示区域An的序号;
(3.2)对步骤(3.1.3)中形态学处理得到的连通区域An进行筛选,具体包括两个步骤,先粗选得到车牌候选区域Bi,i=1,2,3…,I,I为i的最大值且I≤N,再经过精选确定车牌有效区域D;
确定车牌候选区域的粗选过程:根据车牌区域的面积、矩形度以及最小外接矩形的长宽比和旋转角,将部分连通区域An归为车牌候选区域Bi,具体子步骤为:
(3.2.1)初始化n=1,i=0;
(3.2.2)若连通区域An满足且则进入子步骤(3.2.3);否则进入子步骤(3.2.5);该步骤的判别条件中,表示连通区域An的面积;Smmin表示连通区域面积低阈值,该阈值可在300~500内取值;Smax表示连通区域面积高阈值;
(3.2.3)采用基于顶点链码和离散格林的主轴法确定连通区域An的最小外接矩形,确定其最小外接矩形的中心长宽及旋转角该旋转角为水平轴逆时针旋转与连通区域An的主轴的夹角,其范围为0°~180°,并计算连通区域An的最小外接矩形的长宽比及连通区域An的最小外接矩形的面积进而计算连通区域An的矩形度若连通区域An的最小外接矩形满足且则进入子步骤(3.2.4);否则进入子步骤(3.2.5);该步骤的判别条件中,为连通区域An最小外接矩形的长宽比;pmin为连通区域An最小外接矩形的长宽比低阈值;pmax为连通区域An最小外接矩形的长宽比高阈值;为连通区域An的矩形度;rth为连通区域An的矩形度阈值;
(3.2.4)若连通区域An满足或则将i值增1,并将该连通区域An判定为车牌候选区域Bi,确定车牌候选区域Bi的最小外接矩形相关参数:矩形中心长及宽否则进入子步骤(3.2.5);该步骤的判别条件中,表示连通区域An的最小外接矩形的旋转角;θmin表示连通区域An的最小外接矩形旋转角低阈值;θmax表示连通区域An的最小外接矩形旋转角高阈值;
(3.2.5)若n<N,则将n值增1,重新返回上述子步骤(3.2.2);否则令I=i,结束粗选过程,进入子步骤(3.2.6);
(3.2.6)若I≠0,则进行下述精选过程,否则表示粗选过程未得到车牌候选区域,返回步骤(1)确定车牌感兴趣区域;
确定车牌有效区域的精选过程:对粗选确定的车牌候选区域Bi,i=1,2,3…,I,确定其中的有效车牌区域D,具体子步骤为:
(3.2.7)将步骤(2)车牌感兴趣区域图像预处理中得到的车牌感兴趣区域复制图像O2,按照车牌候选区域Bi的位置及大小进行分割,可得到与车牌候选区域Bi一一对应的彩色车牌预选区域Cj,j=1,2,3…,J且J=I,并确定车牌预选区域Cj的最小外接矩形部分参数:矩形中心长及宽即
(3.2.8)将车牌预选区域Cj的彩色图像分离为红绿蓝三个通道,统计并计算车牌预选区域Ci的蓝色通道图像的算术平均值
(3.2.9)确定蓝色通道图像的算术平均值最大的车牌预选区域Cj为车牌有效区域D,并确定车牌有效区域D的最小外接矩形部分参数:矩形中心(xD,yD)、长lD和宽wD,
(3.3)将车牌有效区域D最小外接矩形中心(xD,yD)作为车牌中心(x0,y0),并将该最小外接矩形的长lD和宽wD分别作为车牌的长l0和宽w0,即x0=xD,y0=yD,l0=lD,w0=wD。
其中,在步骤(4)中,实施拖牵诱导方法如下:根据步骤(3)车牌定位中已确定的车牌中心(x0,y0)在图像中的位置,实时给出方向提示,诱导驾驶员进行倒车作业:若图像中被拖车车牌中心在图像中心的左侧,则提示驾驶员向右倒;若图像中被拖车车牌中心在图像中心的右侧,则提示驾驶员向左倒,从而完成两侧托臂与被拖车两前轮的对准,进而对被拖车进行抱胎固定,将其牵拉拖离。
其中,在步骤(5)中,预测出下一帧图像中车轮的中心坐标,具体方法如下:利用步骤(3)车牌定位中已确定的车牌中心坐标(x0,y0),通过卡尔曼滤波预测,跟踪车牌中心在图像坐标系中横轴和纵轴方向上的运动,预测出下一帧图像中车牌的中心坐标并设置下一帧图像的车牌感兴趣区域,其方法为:
(5.1)建立离散化卡尔曼滤波的状态方程: 式中,k为离散化时刻,即当前帧图像所对应的时刻;X为系统状态向量,分别为卡尔曼滤波预测所得的车牌中心的横、纵坐标,vx和vy分别为车牌中心(x0,y0)在采集原图像中横轴及纵轴方向上的运动速度;上角标′表示对矩阵转置;W(k)为零均值的系统高斯白噪声向量且W(k)=[w1 w2 w3 w4]′,其中w1、w2、w3、w4分别表示四个系统高斯白噪声分量,W(k)对应的系统噪声协方差阵为Q(k),其中 分别为系统高斯白噪声w1、w2、w3、w4对应的方差;状态转移矩阵T表示两帧图像的时间间隔;
(5.2)建立离散化卡尔曼滤波的观测方程:Z(k)=H(k)X(k)+V(k),式中,Z为观测向量,H为观测阵,V表示与W互不相关的零均值观测白噪声向量;设置其中,x0(k)、y0(k)分别表示由步骤(3)车牌定位所确定的当前帧图像中车牌中心的横、纵坐标,即x0(k)=x0,y0(k)=y0;表示车牌中心横坐标的观测噪声且是均值为0、方差为的高斯白噪声;表示车牌中心纵坐标的观测噪声且是均值为0、方差为的高斯白噪声;V对应的观测噪声方差阵R表示为
(5.3)对上述所描述的系统状态方程和观测方程,运用卡尔曼滤波理论,建立标准递推过程,该递推过程包括时间更新和测量更新,下面递推过程的前两步为时间更新,剩余的三步为测量更新:
时间更新:
状态一步预测方程:
一步预测误差方差阵:测量更新:
滤波增益矩阵:K(k+1)=P(k+1,k)H′(k)[H(k)P(k+1,k)H′(k)+R(k)]-1
状态估计:
估计误差方差阵:P(k+1)=[I-K(k+1)H(k)]P(k+1,k),经过上述递推计算,实时预测出下一帧图像中车轮中心坐标其中,为状态一步预测结果;P(k+1,k)一步预测误差方差矩阵;K(k+1)滤波增益矩阵;状态估计所得的系统状态量;P(k+1)估计误差方差矩阵;为的转置;H′(k)为H(k)的转置;I为单位矩阵;
(5.4)设置下一帧图像中车牌感兴趣区域:若以上述卡尔曼滤波预测所得车牌中心以为中心,长为步骤(3)车牌定位中所得车牌长l0的2倍,宽为所得车牌宽w0的4倍的矩形区域不超出原始采集图像范围,则设置下一帧图像中车牌感兴趣区域为该矩形区域;否则设置下一帧图像中车牌感兴趣区域为该矩形与原始采集图像重叠的区域。
有益效果:与现有技术相比,本发明的技术方案具有以下有益技术效果:
1.针对道路救援装备的结构及正方位拖牵作业工作特点而提出,能有效加快托臂与被拖车车轮的对准过程,对拖牵作业形成诱导辅助,提高道路救援装备救援效率。
2.诱导可靠性高,抗干扰能力强,具有良好的环境适应能力。诱导方法充分考虑并利用了不同车辆在车牌上的相似特征,能够适应各种品牌的车型。
3.处理速度快,实时性好,诱导方法中采用卡尔曼滤波预测下一帧图像中车牌中心位置并设置车牌感兴趣区域,有效提高了诱导方法的运行速度,保证了实时性。
附图说明
图1是本发明提出的道路救援装备正方位拖牵诱导方法的流程图;
图2是道路救援装备正方位拖牵作业的立体示意图;
图3是道路救援装备正方位拖牵作业的俯视图;
图4是道路救援装备拖牵装置结构及摄像头安装位置示意图;
图5是读入的某帧采集原图像;
图6是车牌感兴趣区域图像;
图7是车牌感兴趣区域竖向索贝尔边缘检测结果图;
图8是车牌感兴趣区域二值图;
图9是车牌感兴趣区域第一次膨胀结果图;
图10是车牌感兴趣区域第一次腐蚀结果图;
图11是车牌感兴趣区域闭运算结果图;
图12是车牌感兴趣区域开运算结果图;
图13是车牌感兴趣区域第二次腐蚀结果图;
图14是车牌感兴趣区域第二次膨胀结果图;
图15是车牌预选区域示意图;
图16是车牌定位结果示意图。
具体实施方式
随着社会经济的不断增长和城镇化速度加快,道路交通基础设施条件逐渐得到改善,我国汽车产业得到迅猛发展,机动车保有量在逐年大幅增长,我们逐步走入了汽车化时代。但在享受汽车带来便利的同时,由驾驶不当或车辆自身故障等导致的交通事故却频频发生,已经成为群众和政府部门最为关注的公共安全问题。因此,道路交通应急救援作为国家公共安全能力建设的重要组成部分,已经逐步成为维护国家经济建设成果及人民生命财产安全的重要保障之一。但是根据相关调查结果显示,在交通事故发生后若清障救援不及时,很容易在救援过程中引发城市交通拥堵或二次连锁事故,比如道路救援装备无法快速准确从正方位把事故车辆托离现场而导致交通堵塞就是其中之一。究其原因,一方面正方位救援环境比较复杂,如说明书附图2和说明书附图3所示,被拖车夹在左右两车中间,呈“三”字形排列,且被拖车与两侧相邻车辆的间距很小,作业空间狭窄,此时道路救援装备只能从被拖车车头的正前方实施拖牵救援;另一方面道路救援装备智能化水平低,没有利用现有科学技术手段,对拖牵作业进行诱导辅助,也是导致救援效率低的一个重要因素,但目前对于道路救援装备正方位拖牵诱导相关技术尚未见有研究。
以皮卡救援车为例的道路救援装备的结构组成如说明书附图4所示,主要包括折臂、伸缩臂、摆臂及两侧的托臂。在正方位拖牵作业实施的过程中,道路救援装备一般位于被拖车车头的正前方且与被拖车基本呈“一”字形排列,首先道路救援装备通过倒车作业,将其两侧托臂分别与被拖车两前轮进行对准,然后由两托臂对被拖车两前轮进行抱胎固定,最后通过折臂牵拉起吊,将被拖车拖离。在传统的正方位拖牵作业过程中,将被拖车前轮与道路救援装备托臂进行对准这一操作,其效率主要依赖于驾驶员技术经验等人为因素,通常需要多次反复倒车进行位置修正,作业耗时过长,救援效率低下。
针对道路救援装备的结构以及正方位拖牵作业的工作特点和难点,本发明提出了一种既具有良好实时性,又具有较强环境自适应能力和抗干扰能力的道路救援装备正方位拖牵诱导方法,流程图见说明书附图1。此外,在本发明中,定义整体图像坐标系为:其坐标原点与采集到的原始图像的左上角顶点一致,横轴沿图像水平向右,纵轴沿图像垂直向下;如不特别说明,文中涉及到的图像点的纵、横坐标值均为相对于该整体图像坐标系的数值。该方法主要包括下面几个大步:
(1)确定车牌感兴趣区域
在救援装备尾部折臂上离地面40~60厘米处的中间位置上安装车载摄像头,摄像头水平朝向救援装备的正后方,其采集范围为包含救援装备摆臂、托臂及被拖车车头等关键部位的后方作业区域,具体形式如说明书附图4所示。对于采集的救援装备后方作业区域序列图像中的首帧图像,初始化被拖车车牌感兴趣区域O1为整幅图像,参见说明书附图5。而对于序列图像中的非首帧图像,若上一帧图像处理过程中成功定位到车牌,则将被拖车车牌感兴趣区域O1更新为上一帧图像通过卡尔曼滤波预测所设置的车牌感兴趣区域,参见说明书附图6;否则仍将车牌感兴趣区域设置为整幅图像。
(2)车牌感兴趣区域图像预处理
首先对车牌感兴趣区域图像进行复制,得到车牌感兴趣区域复制图像O2,以备后述车牌定位过程中利用车牌颜色精选确定车牌有效区域,然后对车牌感兴趣区域原图像进行以下预处理操作:先将车牌感兴趣区域彩色图像转变为灰度图像,节省内存资源、提高算法的实时性;接着对灰度图像采用高斯平滑滤波,只对图像细节进行模糊,但更好地保留图像总体的灰度分布特征;之后再进行灰度拉伸,提高图像对比度,突出车牌区域;然后根据车牌字符典型的竖向笔画特征,对拉伸后的灰度图像进行竖直方向的索贝尔(Sobel)边缘检测。
边缘检测的梯度算子有很多,为了达到快速检测的目的,这里采用快速、实用并有一定噪声抑制能力的索贝尔(Sobel)梯度算子。Sobel边缘检测通常带有方向性,本发明中根据车牌字符典型的竖向笔画特征及竖向边缘图像点在水平方向上其两侧灰度跳变剧烈的特征,对拉伸后的灰度图像采用竖直方向的索贝尔边缘检测,对车牌感兴趣区域图像中的竖向边缘进行检测,具体方法为:遍历图像中的所有图像点,对每一个图像点(x,y),计算其沿x轴方向的灰度梯度Gx(x,y),并以该灰度梯度值代替该图像点的灰度值,可得到车牌感兴趣区域沿x轴方向的灰度梯度图像,参见说明书附图7,上述图像点(x,y)沿x轴方向的灰度梯度Gx(x,y)的具体计算公式如下:
Gx(x,y)=[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)]
-[f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)]
其中,f(x,y)为图像灰度值函数。图像点(x,y)沿x轴方向的灰度梯度Gx(x,y)越大,则表示该图像点在x轴方向上其两侧灰度跳变越剧烈,该图像点为竖向边缘图像点的可能性越大,在该灰度梯度图像中表现的亮度也越高。
为了对检测到的车牌感兴趣区域图像中的竖向边缘进行提取,还需根据图像点沿x轴方向的灰度梯度大小对上述边缘检测得到的沿x轴方向的灰度梯度图像进行二值化处理。为了去除更多的干扰,最大程度保留车牌字符竖向笔画纹理,本发明中二值化处理的阈值在150~200内取值,可得到包含竖向边缘的车牌感兴趣区域二值图O3,参见说明书附图8。
(3)车牌定位
应当指出,目前国内绝大部分社会车辆为蓝色牌照小型汽车,本发明所提出的诱导方法主要针对白日光线良好时蓝牌小型汽车的快速拖牵救援。中国蓝色车牌具有两个典型特征:①车牌尺寸具有国家标准,均为长44厘米宽14厘米的矩形,长宽比约为3;②车牌均为蓝底白字,在白天光照良好时,该区域图像蓝色通道像素均值较大。在进行正方位拖牵作业的过程中,被拖车基本位于道路救援装备的正后方区域,作业距离一般为1~5米,而摄像头安装在道路救援装备折臂上中间固定位置处,水平朝向道路救援装备正后方,被拖车车牌在摄像头中成像所产生的形变较小,几乎可以忽略。对于1~5米的作业距离要求,摄像头的焦距可选择为4~8毫米,本发明中摄像头采集的图像尺寸为960×640,在有效作业距离1~5米范围内,图像中车牌区域的像素大小会在500~6000内变化,且长边在水平方向附近,短边在竖直方向附近,长宽比仍接近于3。
对步骤(2)车牌感兴趣区域图像预处理中得到的二值化处理后的图像采用形态学方法进行处理,消除小块噪声,连通车牌区域,并根据所提出的车牌候选区域和有效区域的筛选算法实现车牌定位,确定车牌中心及其大小,具体步骤为:
(3.1)对步骤(2)中已经提取车牌边缘及字符轮廓的二值图像采用形态学方法进行处理,具体子步骤为:
(3.1.1)先选取1×3大小的矩形结构元素,对二值图像进行十次膨胀操作参见说明书附图9,填补字符间的孔洞,连通车牌区域,然后再用相同大小的矩形结构元素对膨胀后的图像进行十次腐蚀操作,参见说明书附图10,消除孤立的小区域,保留大块连通的区域;
(3.1.2)先选取1×3大小的矩形结构元素对腐蚀得到的图像进行八次闭运算,参见例图见附图11,进一步消除非车牌区域的小块噪声区域,再用相同大小的矩形结构元素对闭运算得到的图像进行八次开运算,参见说明书附图12,填补一些连通区域中的孔洞,使连通区域更加完整;
(3.1.3)先选取3×1大小的矩形结构元素对开运算得到的图像进行腐蚀操作,参见说明书附图13,去除连通区域周围的噪声,使连通区域边缘更加平滑,再用3×3大小的矩形结构元素对腐蚀后的图像进行膨胀恢复,参见说明书附图14,保持车牌区域的大小基本不变,然后对膨胀后的图像进行轮廓提取,得到N个大小及形状不同的连通区域An,n=1,2,3…,N,其中n表示区域An的序号;
(3.2)根据车牌的形状、尺寸及颜色特征,提出车牌候选区域和有效区域的筛选算法,对步骤一中形态学处理得到的连通区域An进行筛选,具体包括两个步骤,先粗选得到车牌候选区域Bi,i=1,2,3…,I,I为i的最大值且I≤N,再经过精选确定车牌有效区域D。
确定车牌候选区域的粗选过程:根据车牌区域的面积、矩形度以及最小外接矩形的长宽比和旋转角,将部分连通区域An归为车牌候选区域Bi,具体子步骤为:
(3.2.1)初始化n=1,i=0;
(3.2.2)若连通区域An满足且则进入子步骤(3.2.3);否则进入子步骤(3.2.5)。该步骤的判别条件中,表示连通区域An的面积;Smmin表示连通区域面积低阈值,该阈值可在300~500内取值;Smax表示连通区域面积高阈值,该阈值可在6000~6200内取值;
(3.2.3)采用基于顶点链码和离散格林的主轴法确定连通区域An的最小外接矩形,确定其最小外接矩形的中心长宽及旋转角该旋转角为水平轴逆时针旋转与连通区域An的主轴的夹角,其范围为0°~180°,并计算连通区域An的最小外接矩形的长宽比及连通区域An的最小外接矩形的面积进而计算连通区域An的矩形度若连通区域An的最小外接矩形满足且则进入子步骤(3.2.4);否则进入子步骤(3.2.5)。该步骤的判别条件中,为连通区域An最小外接矩形的长宽比;pmin为连通区域An最小外接矩形的长宽比低阈值,该阈值在2~2.5内取值;pmax为连通区域An最小外接矩形的长宽比高阈值,该阈值在3.5~4内取值;为连通区域An的矩形度;rth为连通区域An的矩形度阈值,该阈值在0.8~0.9内取值;
(3.2.4)若连通区域An满足或则将i值增1,并将该连通区域An判定为车牌候选区域Bi,确定车牌候选区域Bi的最小外接矩形相关参数:矩形中心长及宽否则进入子步骤(3.2.5)。该步骤的判别条件中,表示连通区域An的最小外接矩形的旋转角;θmin表示连通区域An的最小外接矩形旋转角低阈值,该阈值在5°~10°内取值;θmax表示连通区域An的最小外接矩形旋转角高阈值,该阈值在170°~175°内取值;
(3.2.5)若n<N,则将n值增1,重新返回上述子步骤(3.2.2);否则令I=i,结束粗选过程,进入子步骤(3.2.6);
(3.2.6)若I≠0,则进行下述精选过程,否则表示粗选过程未得到车牌候选区域,返回步骤(1)确定车牌感兴趣区域。
确定车牌有效区域的精选过程:对粗选确定的车牌候选区域Bi(i=1,2,3…,I),根据蓝色车牌典型的颜色特征,去除干扰区域,确定其中的有效车牌区域D,具体子步骤为:
(3.2.7)将步骤(2)车牌感兴趣区域图像预处理中得到的车牌感兴趣区域复制图像O2,按照车牌候选区域Bi的位置及大小进行分割,可得到与车牌候选区域Bi一一对应的彩色车牌预选区域Cj(j=1,2,3…,J)且J=I,如说明书附图15所示,并确定车牌预选区域Cj的最小外接矩形部分参数:矩形中心长及宽即
(3.2.8)将车牌预选区域Cj的彩色图像分离为红绿蓝(RGB)三个通道,统计并计算车牌预选区域Cj的蓝色(Blue)通道图像的算术平均值
(3.2.9)确定蓝色通道图像的算术平均值最大的车牌预选区域Cj为车牌有效区域D,并确定车牌有效区域D的最小外接矩形部分参数:矩形中心(xD,yD)、长lD和宽wD,
(3.3)将车牌有效区域D最小外接矩形中心(xD,yD)作为车牌中心(x0,y0),并将该最小外接矩形的长lD和宽wD分别作为车牌的长l0和宽w0,即x0=xD,y0=yD,l0=lD,w0=wD,参见说明书附图16。
(4)实施拖牵诱导
如说明书附图4所示,在正方位拖牵作业的实施过程中,道路救援装备一般位于被拖车车头的正前方,二者呈“一”字形排列,车载摄像头安装于道路救援装备折臂中间离地面40~60厘米处,且水平朝向道路救援装备后方,摄像头采集区域的中轴线与道路救援装备及其拖牵装置的中轴线相一致,而被拖车前车牌一般位于其车头中间位置,因而可根据摄像头输出画面的中心与画面中被拖车车牌中心的左右位置关系判断道路救援装备与被拖车的相对位置关系。
在实施正方位拖牵作业的过程中,驾驶员面向道路救援装备前方,故可根据步骤(3)车牌定位中已确定的车牌中心(x0,y0)在图像中的位置,实时给出方向提示,诱导驾驶员进行倒车作业:若图像中被拖车车牌中心在图像中心的左侧,则提示驾驶员向右倒;若图像中被拖车车牌中心在图像中心的右侧,则提示驾驶员向左倒,从而完成两侧托臂与被拖车两前轮的对准,进而对被拖车进行抱胎固定,将其牵拉拖离。
(5)卡尔曼滤波预测及设置车牌感兴趣区域
为了进一步提高所提出的诱导方法的实时性和鲁棒性,本发明利用卡尔曼滤波器的预测功能对下一帧图像中车牌位置进行预测,并设置下一帧图像中的车牌感兴趣区域,即下一帧图像中车牌目标的大致搜索范围,大大减小了上述车牌定位算法的运算量,保证了所提出诱导方法的实时性及鲁棒性。考虑到道路救援装备的运动速度对车牌中心位置预测的影响,本发明利用步骤(3)车牌定位中已确定的车牌中心坐标(x0,y0),通过卡尔曼滤波预测,跟踪车牌中心在图像坐标系中横轴和纵轴方向上的运动,预测出下一帧图像中车牌的中心坐标并设置下一帧图像的车牌感兴趣区域,具体步骤为:
(5.1)建立离散化卡尔曼滤波的状态方程: 式中,k为离散化时刻,即当前帧图像所对应的时刻;X为系统状态向量,分别为卡尔曼滤波预测所得的车牌中心的横、纵坐标,vx和vy分别为车牌中心(x0,y0)在采集原图像中横轴及纵轴方向上的运动速度;上角标′表示对矩阵转置;W(k)为零均值的系统高斯白噪声向量且W(k)=[w1 w2 w3 w4]′,其中w1、w2、w3、w4分别表示四个系统高斯白噪声分量,W(k)对应的系统噪声协方差阵为Q(k),其中 分别为系统高斯白噪声w1、w2、w3、w4对应的方差;状态转移矩阵这是因为道路救援装备在正方位拖牵作业的实施过程中,倒车速度很慢,在两帧图像的时间间隔T内可以认为是匀速行驶,因此车牌中心在图像中运动的轨迹投影在时间间隔T内的速度均可看作常量;
(5.2)建立离散化卡尔曼滤波的观测方程:Z(k)=H(k)X(k)+V(k),式中,Z为观测向量,H为观测阵,V表示与W互不相关的零均值观测白噪声向量;设置其中,x0(k)、y0(k)分别表示由步骤(3)车牌定位所确定的当前帧图像中车牌中心的横、纵坐标,即x0(k)=x0,y0(k)=y0;表示车牌中心横坐标的观测噪声且是均值为0、方差为的高斯白噪声;表示车牌中心纵坐标的观测噪声且是均值为0、方差为的高斯白噪声;V对应的观测噪声方差阵R表示为
(5.3)对上述所描述的系统状态方程和观测方程,运用卡尔曼滤波理论,建立标准递推过程,该递推过程包括时间更新和测量更新,下面递推过程的前两步为时间更新,剩余的三步为测量更新:
时间更新:
状态一步预测方程:
一步预测误差方差阵:
测量更新:
滤波增益矩阵:K(k+1)=P(k+1,k)H′(k)[H(k)P(k+1,k)H′(k)+R(k)]-1
状态估计:
估计误差方差阵:P(k+1)=[I-K(k+1)H(k)]P(k+1,k),其中,同刚才一样为的转置;H′(k)为H(k)的转置;I为单位矩阵;经过上述递推计算,预测出下一帧图像中的车牌中心坐标
(5.4)设置下一帧图像中车牌感兴趣区域:若以上述卡尔曼滤波预测所得车牌中心以为中心,长为步骤(3)车牌定位中所得车牌长l0的2倍,宽为所得车牌宽w0的4倍的矩形区域不超出原始采集图像范围,则设置下一帧图像中车牌感兴趣区域为该矩形区域;否则设置下一帧图像中车牌感兴趣区域为该矩形与原始采集图像重叠的区域。其中,为状态一步预测结果;P(k+1,k)一步预测误差方差矩阵;K(k+1)滤波增益矩阵;状态估计所得的系统状态量;P(k+1)估计误差方差矩阵;为的转置;H′(k)为H(k)的转置;I为单位矩阵,经过上述递推计算,实时预测出下一帧图像中车牌中心坐标
经过上述步骤,本发明提出的方法能够实现救援装备正方位拖牵作业过程中的实时诱导,有效提高了道路救援装备救援效率。
Claims (6)
1.一种基于车牌定位的道路救援装备正方位拖牵诱导方法,其特征在于,该方法包括如下步骤:
(1)采集救援装备后方作业区域图像并确定车牌感兴趣区域;
(2)对确定的车牌感兴趣区域图像进行预处理;
(3)根据步骤(2)预处理后的车牌感兴趣区域图像确定车牌中心;
(4)根据确定的车牌中心实施拖牵诱导;
(5)预测出下一帧图像中车牌的中心坐标以及车牌感兴趣区域。
2.根据权利要求1所述的一种基于车牌定位的道路救援装备正方位拖牵诱导方法,其特征在于,在步骤(1)中,确定车牌感兴趣区域方法如下:在道路救援装备尾部折臂上安装车载摄像头,采集范围为包含道路救援装备摆臂、托臂及被拖车前车轮的后方作业区域,对所采集的救援装备后方作业区域序列图像中的首帧图像,初始化被拖车车牌感兴趣区域O1为整幅图像;而对于序列图像中的非首帧图像,若上一帧图像处理过程中成功定位到车牌,则将被拖车车牌感兴趣区域O1更新为上一帧图像通过卡尔曼滤波预测所设置的车牌感兴趣区域;否则仍将车牌感兴趣区域设置为整幅图像。
3.根据权利要求2所述的一种基于车牌定位的道路救援装备正方位拖牵诱导方法,其特征在于,在步骤(2)中,车牌感兴趣区域图像预处理方法如下:首先对车牌感兴趣区域图像进行复制,得到车牌感兴趣区域复制图像O2,然后对车牌感兴趣区域原图像O1进行以下预处理操作:先将车牌感兴趣区域彩色图像转变为灰度图像,接着对灰度图像采用高斯平滑滤波,之后再进行灰度拉伸,对拉伸后的灰度图像进行竖直方向的边缘检测;然后再根据图像点沿x轴方向的灰度梯度大小对上述边缘检测得到的沿x轴方向的灰度梯度图像进行二值化处理,得到车牌感兴趣区域二值图像O3。
4.根据权利要求3所述的一种基于车牌定位的道路救援装备正方位拖牵诱导方法,其特征在于,在步骤(3)中,对车牌进行定位方法如下:对步骤(2)车牌感兴趣区域图像预处理中得到的二值化处理后的图像O3采用形态学方法进行处理,连通车牌区域,并根据车牌候选区域和有效区域的筛选算法实现车牌定位,确定车牌中心及其大小,其方法如下:
(3.1)对步骤(2)中已经提取车牌边缘及字符轮廓的二值图像采用形态学方法进行处理,具体子步骤为:
(3.1.1)先选取1×3大小的矩形结构元素,对二值图像进行十次膨胀操作,填补字符间的孔洞,连通车牌区域,然后再用相同大小的矩形结构元素对膨胀后的图像进行十次腐蚀操作;
(3.1.2)先选取1×3大小的矩形结构元素对腐蚀得到的图像进行八次闭运算,进一步消除非车牌区域的小块噪声区域,再用相同大小的矩形结构元素对闭运算得到的图像进行八次开运算,填补连通区域中的孔洞;
(3.1.3)先选取3×1大小的矩形结构元素对开运算得到的图像进行腐蚀操作,去除连通区域周围的噪声,再用3×3大小的矩形结构元素对腐蚀后的图像进行膨胀恢复,保持车牌区域的大小不变,然后对膨胀后的图像进行轮廓提取,得到N个大小及形状不同的连通区域An,n=1,2,3…,N,其中n表示区域An的序号;
(3.2)对步骤(3.1.3)中形态学处理得到的连通区域An进行筛选,具体包括两个步骤,先粗选得到车牌候选区域Bi,i=1,2,3…,I,I为i的最大值且I≤N,再经过精选确定车牌有效区域D;
确定车牌候选区域的粗选过程:根据车牌区域的面积、矩形度以及最小外接矩形的长宽比和旋转角,将部分连通区域An归为车牌候选区域Bi,具体子步骤为:
(3.2.1)初始化n=1,i=0;
(3.2.2)若连通区域满足且则进入子步骤(3.2.3);否则进入子步骤(3.2.5);该步骤的判别条件中,表示连通区域An的面积;Smin表示连通区域面积低阈值,Smax表示连通区域面积高阈值;
(3.2.3)采用基于顶点链码和离散格林的主轴法确定连通区域An的最小外接矩形,确定其最小外接矩形的中心长宽及旋转角该旋转角为水平轴逆时针旋转与连通区域An的主轴的夹角,其范围为0°~180°,并计算连通区域An的最小外接矩形的长宽比及连通区域An的最小外接矩形的面积进而计算连通区域An的矩形度若连通区域An的最小外接矩形满足且则进入子步骤(3.2.4);否则进入子步骤(3.2.5);该步骤的判别条件中,为连通区域An最小外接矩形的长宽比;pmin为连通区域An最小外接矩形的长宽比低阈值;pmax为连通区域An最小外接矩形的长宽比高阈值;为连通区域An的矩形度;rth为连通区域An的矩形度阈值;
(3.2.4)若连通区域An满足或则将i值增1,并将该连通区域An判定为车牌候选区域Bi,确定车牌候选区域Bi的最小外接矩形相关参数:矩形中心长及宽否则进入子步骤(3.2.5);该步骤的判别条件中,表示连通区域An的最小外接矩形的旋转角;θmin表示连通区域An的最小外接矩形旋转角低阈值;θmax表示连通区域An的最小外接矩形旋转角高阈值;
(3.2.5)若n<N,则将n值增1,重新返回上述子步骤(3.2.2);否则令I,结束粗选过程,进入子步骤(3.2.6);
(3.2.6)若I≠0,则进行下述精选过程,否则表示粗选过程未得到车牌候选区域,返回步骤(1)确定车牌感兴趣区域;
确定车牌有效区域的精选过程:对粗选确定的车牌候选区域Bi,i=1,2,3…,I,确定其中的有效车牌区域D,具体子步骤为:
(3.2.7)将步骤(2)车牌感兴趣区域图像预处理中复制得到的车牌感兴趣区域彩色图像O2,按照车牌候选区域Bi的位置及大小进行分割,可得到与车牌候选区域Bi一一对应的彩色车牌预选区域Cj,j=1,2,3…,J且J=I,并确定车牌预选区域Cj的最小外接矩形部分参数:矩形中心长及宽即
(3.2.8)将车牌预选区域Cj的彩色图像分离为红绿蓝三个通道,统计并计算车牌预选区域Cj的蓝色通道图像的算术平均值
(3.2.9)确定蓝色通道图像的算术平均值最大的车牌预选区域Cj为车牌有效区域D,并确定车牌有效区域D的最小外接矩形部分参数:矩形中心(xD,yD)、长lD和宽wD,
(3.3)将车牌有效区域D最小外接矩形中心(xD,yD)作为车牌中心(x0,y0),并将该最小外接矩形的长lD和宽wD分别作为车牌的长l0和宽w0,即x0=xD,y0=yD,l0=lD,w0=wD。
5.根据权利要求4所述的一种基于车牌定位的道路救援装备正方位拖牵诱导方法,其特征在于,在步骤(4)中,实施拖牵诱导方法如下:根据步骤(3)车牌定位中已确定的车牌中心(x0,y0)在图像中的位置,实时给出方向提示,诱导驾驶员进行倒车作业:若图像中被拖车车牌中心在图像中心的左侧,则提示驾驶员向右倒;若图像中被拖车车牌中心在图像中心的右侧,则提示驾驶员向左倒,从而完成两侧托臂与被拖车两前轮的对准,进而对被拖车进行抱胎固定,将其牵拉拖离。
6.根据权利要求5所述的一种基于车牌定位的道路救援装备正方位拖牵诱导方法,其特征在于,在步骤(5)中,预测出下一帧图像中车轮的中心坐标,具体方法如下:利用步骤(3)车牌定位中已确定的车牌中心坐标(x0,y0),通过卡尔曼滤波预测,跟踪车牌中心在图像坐标系中横轴和纵轴方向上的运动,预测出下一帧图像中车牌的中心坐标并设置下一帧图像的车牌感兴趣区域,其方法为:
(5.1)建立离散化卡尔曼滤波的状态方程: 式中,k为离散化时刻,即当前帧图像所对应的时刻;X为系统状态向量,分别为卡尔曼滤波预测所得的车牌中心的横、纵坐标,vx和vy分别为车牌中心(x0,y0)在采集原图像中横轴及纵轴方向上的运动速度;上角标′表示对矩阵转置;W(k)为零均值的系统高斯白噪声向量且W(k)=[w1 w2 w3 w4]′,其中w1、w2、w3、w4分别表示四个系统高斯白噪声分量,W(k)对应的系统噪声协方差阵为Q(k), 其中分别为系统高斯白噪声w1、w2、w3、w4对应的方差;状态转移矩阵T表示两帧图像的时间间隔;
(5.2)建立离散化卡尔曼滤波的观测方程:Z(k)=H(k)X(k)+V(k),式中,Z为观测向量,H为观测阵,V表示与W互不相关的零均值观测白噪声向量;设置其中,x0(k)、y0(k)分别表示由步骤(3)车牌定位所确定的当前帧图像中车牌中心的横、纵坐标,即x0(k)=x0,y0(k)=y0;表示车牌中心横坐标的观测噪声且是均值为0、方差为的高斯白噪声;表示车牌中心纵坐标的观测噪声且是均值为0、方差为的高斯白噪声;V对应的观测噪声方差阵R表示为
(5.3)对上述所描述的系统状态方程和观测方程,运用卡尔曼滤波理论,建立标准递推过程,该递推过程包括时间更新和测量更新,下面递推过程的前两步为时间更新,剩余的三步为测量更新:
时间更新:
状态一步预测方程:
一步预测误差方差阵:
测量更新:
滤波增益矩阵:K(k+1)=P(k+1,k)H′(k)[H(k)P(k+1,k)H′(k)+R(k)]-1
状态估计:
估计误差方差阵:P(k+1)=[I-K(k+1)H(k)]P(k+1,k),
其中,为状态一步预测结果;P(k+1,k)一步预测误差方差矩阵;K(k+1)滤波增益矩阵;状态估计所得的系统状态量;P(k+1)估计误差方差矩阵;为的转置;H′(k)为H(k)的转置;I为单位矩阵;
经过上述递推计算,实时预测出下一帧图像中车牌中心坐标
(5.4)设置下一帧图像中车牌感兴趣区域:若以上述卡尔曼滤波预测所得车牌中心以为中心,长为步骤(3)车牌定位中所得车牌长l0的2倍,宽为所得车牌宽w0的4倍的矩形区域不超出原始采集图像范围,则设置下一帧图像中车牌感兴趣区域为该矩形区域;否则设置下一帧图像中车牌感兴趣区域为该矩形与原始采集图像重叠的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810920733.5A CN109376733B (zh) | 2018-08-13 | 2018-08-13 | 一种基于车牌定位的道路救援装备正方位拖牵诱导方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810920733.5A CN109376733B (zh) | 2018-08-13 | 2018-08-13 | 一种基于车牌定位的道路救援装备正方位拖牵诱导方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109376733A true CN109376733A (zh) | 2019-02-22 |
CN109376733B CN109376733B (zh) | 2021-06-25 |
Family
ID=65403917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810920733.5A Active CN109376733B (zh) | 2018-08-13 | 2018-08-13 | 一种基于车牌定位的道路救援装备正方位拖牵诱导方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376733B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276280A (zh) * | 2019-06-06 | 2019-09-24 | 刘嘉津 | 一种农作物害虫图像自动识别的光学处理方法 |
CN110298247A (zh) * | 2019-05-23 | 2019-10-01 | 东南大学 | 一种基于深度学习的道路救援装备正方位拖牵诱导方法 |
CN111145184A (zh) * | 2019-06-12 | 2020-05-12 | 东南大学 | 一种基于多尺度特征融合的拖牵过程安全预警方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1604645A (zh) * | 2003-10-02 | 2005-04-06 | 日产自动车株式会社 | 车辆倒车辅助装置以及车辆倒车辅助方法 |
CN103699905A (zh) * | 2013-12-27 | 2014-04-02 | 深圳市捷顺科技实业股份有限公司 | 一种车牌定位方法及装置 |
CN105825589A (zh) * | 2016-05-20 | 2016-08-03 | 深圳大学 | 基于车牌识别的电动汽车无线充电对位系统及其对位方法 |
CN105893940A (zh) * | 2016-03-29 | 2016-08-24 | 南京大学 | 基于边缘检测的集装箱起吊防撞定准系统的实现方法 |
CN106274685A (zh) * | 2015-06-23 | 2017-01-04 | 通用汽车环球科技运作有限责任公司 | 采用hmi辅助可视伺服的智能拖车联接控制 |
CN107393335A (zh) * | 2017-08-07 | 2017-11-24 | 中智华清(北京)科技有限公司 | 一种基于车牌感应的全自动停车系统、停车管理方法 |
CN104159757B (zh) * | 2012-02-29 | 2018-04-24 | 罗伯特·博世有限公司 | 联结器对齐辅助 |
-
2018
- 2018-08-13 CN CN201810920733.5A patent/CN109376733B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1604645A (zh) * | 2003-10-02 | 2005-04-06 | 日产自动车株式会社 | 车辆倒车辅助装置以及车辆倒车辅助方法 |
CN104159757B (zh) * | 2012-02-29 | 2018-04-24 | 罗伯特·博世有限公司 | 联结器对齐辅助 |
CN103699905A (zh) * | 2013-12-27 | 2014-04-02 | 深圳市捷顺科技实业股份有限公司 | 一种车牌定位方法及装置 |
CN106274685A (zh) * | 2015-06-23 | 2017-01-04 | 通用汽车环球科技运作有限责任公司 | 采用hmi辅助可视伺服的智能拖车联接控制 |
CN105893940A (zh) * | 2016-03-29 | 2016-08-24 | 南京大学 | 基于边缘检测的集装箱起吊防撞定准系统的实现方法 |
CN105825589A (zh) * | 2016-05-20 | 2016-08-03 | 深圳大学 | 基于车牌识别的电动汽车无线充电对位系统及其对位方法 |
CN107393335A (zh) * | 2017-08-07 | 2017-11-24 | 中智华清(北京)科技有限公司 | 一种基于车牌感应的全自动停车系统、停车管理方法 |
Non-Patent Citations (2)
Title |
---|
XU QIMIN ET AL: "An interacting multiple model-based two-stage Kalman filter for vehicle positioning", 《JOURNAL OF SOUTHEAST UNIVERSITY ( ENGLISH EDITION)》 * |
郎玉勤 等: "皮卡式清障车总体设计及市场应用", 《交通节能与环保》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298247A (zh) * | 2019-05-23 | 2019-10-01 | 东南大学 | 一种基于深度学习的道路救援装备正方位拖牵诱导方法 |
CN110298247B (zh) * | 2019-05-23 | 2022-04-12 | 东南大学 | 一种基于深度学习的道路救援装备正方位拖牵诱导方法 |
CN110276280A (zh) * | 2019-06-06 | 2019-09-24 | 刘嘉津 | 一种农作物害虫图像自动识别的光学处理方法 |
CN111145184A (zh) * | 2019-06-12 | 2020-05-12 | 东南大学 | 一种基于多尺度特征融合的拖牵过程安全预警方法 |
CN111145184B (zh) * | 2019-06-12 | 2022-07-29 | 东南大学 | 一种基于多尺度特征融合的拖牵过程安全预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109376733B (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829403B (zh) | 一种基于深度学习的车辆防碰撞预警方法及系统 | |
CN109376733B (zh) | 一种基于车牌定位的道路救援装备正方位拖牵诱导方法 | |
CN108038416B (zh) | 车道线检测方法及系统 | |
CN107862290A (zh) | 车道线检测方法及系统 | |
CN109285169B (zh) | 一种基于车轮识别的道路救援装备侧方位拖牵诱导方法 | |
CN102938057B (zh) | 一种车辆阴影消除方法及装置 | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
CN108269407B (zh) | 一种自动管理人流、物流的安防机器人 | |
CN108805065A (zh) | 一种基于几何特征改进的车道线检测方法 | |
CN103914701B (zh) | 一种基于图像的夜间车辆检测方法 | |
CN104881661B (zh) | 基于结构相似度的车辆检测方法 | |
CN110197494B (zh) | 一种基于单目红外图像的受电弓接触点实时检测算法 | |
CN105654073A (zh) | 一种基于视觉检测的速度自动控制方法 | |
CN109145797B (zh) | 基于车底阴影定位车牌的道路救援装备正方位诱导方法 | |
CN107122740A (zh) | 一种基于双摄像机的车型识别装置及方法 | |
CN109858331A (zh) | 自动驾驶清洁车垃圾识别清理方法 | |
CN106022268A (zh) | 一种限速标识的识别方法和装置 | |
CN107133600A (zh) | 一种基于帧间关联的实时车道线检测方法 | |
CN110349415B (zh) | 一种基于多尺度变换的行车速度测量方法 | |
CN107220632B (zh) | 一种基于法向特征的路面图像分割方法 | |
FAN et al. | Robust lane detection and tracking based on machine vision | |
CN108133231B (zh) | 一种尺度自适应的实时车辆检测方法 | |
CN109376734B (zh) | 一种基于车牌角点特征的道路救援装备正方位拖牵诱导方法 | |
CN110321828B (zh) | 一种基于双目摄像机和车底阴影的前方车辆检测方法 | |
Chen et al. | Vehicle classification and counting system |
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 |