CN109377449A - 一种基于数学形态边缘线检测的鱼眼镜头畸变校正方法 - Google Patents
一种基于数学形态边缘线检测的鱼眼镜头畸变校正方法 Download PDFInfo
- Publication number
- CN109377449A CN109377449A CN201810866996.2A CN201810866996A CN109377449A CN 109377449 A CN109377449 A CN 109377449A CN 201810866996 A CN201810866996 A CN 201810866996A CN 109377449 A CN109377449 A CN 109377449A
- Authority
- CN
- China
- Prior art keywords
- edge line
- chessboard
- image
- mathematical morphology
- edge
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012937 correction Methods 0.000 claims abstract description 27
- 241000251468 Actinopterygii Species 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000003708 edge detection Methods 0.000 claims description 10
- 238000007670 refining Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G06T5/80—
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Abstract
本发明公开了一种基于数学形态边缘线检测的鱼眼镜头畸变校正方法，使用鱼眼镜头采集的标准棋盘影像，提取标准棋盘影像中的棋盘边缘线并剔除噪声边缘，然后通过数学形态法判读边缘线，并将被隔断的边缘线连接起来作为保线约束条件，根据保线约束条件求取鱼眼镜头影像的畸变校正模型参数，根据畸变校正模型参数对待校正的鱼眼镜头影像进行校正。本发明实现条件简单，操作简便，无需标定棋盘及相机方位元素，无需繁琐的作业步骤与人工干预，校正效果好，抗差性能好，可用于车载鱼眼相机影像的校正与显示。
Description
技术领域
本发明涉及畸变图像校正方法领域，更具体地说，它涉及一种基于数学形态边缘线检测的鱼眼镜头畸变校正方法。
背景技术
我国的汽车产业近年来快速发展，截至2015年底，全国汽车保有量超过1.7亿辆，年复合增长率约为14.8％；同时汽车驾驶人员也已超过2.8亿人。照此速度发展，预计2020年中国汽车保有量将突破2亿辆。随着汽车数量的不断增长，城市逐渐变得拥挤，“行车难、停车难”的问题日益突出，这也造成了道路交通事故频发，而且还呈逐年上升趋势。在日益增多的各类交通事故中，由于视觉盲区导致的事故占有很大比例，特别是在变道、转弯或倒车时发生的此类事故的概率较大，这与复杂的城市路况以及众多新驾驶人员有着密切关联。
目前，随着车载安全领域的发展，各类辅助安全的传感器得到了广泛应用。其中车载摄像机具有低成本、易维护等优势，相较于车载雷达等其它辅助设备，车载影像系统可以实时拍摄周围景象并呈现在驾驶员面前的中控台屏幕上，辅助驾驶员判断行车环境、做出合理反应，更加的直观准确。特别是在倒车辅助驾驶系统中，倒车影像系统的逐渐普及有效降低了倒车过程中发生剐蹭碰撞的风险。为了提高影像质量，各类图像处理技术也较多的应用于车载影像系统。但是单个摄像头(如车尾摄像头)只能提供有限视野内的景象，车辆两侧及前方仍然存在较多的视觉盲区，在狭窄的停车场泊车时仍有可能发生安全事故，因此提出了大视场乃至超大视场的需求。而鱼眼镜头视场角可达180°甚至更高，在汽车周围同时布设4个鱼眼镜头即可实现对车辆周边视场范围的全覆盖，且可以通过拼接影像技术生成汽车360°全景影像，让驾驶员直接明了的判断车身周围障碍物的相对方位及距离，大大提高车载安全辅助系统的可靠性。
鱼眼镜头直接提供的大视角影像存在严重的畸变，但是为了便于驾驶员观察以及后期360°全景影像系统的影像拼接工作，需要将原始的鱼眼畸变影像校正展开为符合人们日常所习惯的中心投影影像。鱼眼影像的校正精度与效率直接关系到后续影像投影以及拼接的质量，是车载鱼眼影像处理的关键步骤。考虑到成本问题，车载鱼眼镜头像素往往有限，且在鱼眼影像边缘区域，像点位移很大，通过提取角点的方法可能存在一定误差，因此车载鱼眼相机的校正方法需要考虑保证足够的鲁棒性。
发明内容
本发明的目的是提供一种基于数学形态边缘线检测的鱼眼镜头畸变校正方法，以解决现有技术车载鱼眼镜头影像畸变校正方法存在的误差大的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于数学形态边缘线检测的鱼眼镜头畸变校正方法，使用鱼眼镜头采集的标准棋盘影像，提取标准棋盘影像中的棋盘边缘线，并剔除其中较短的噪声边缘，然后通过数学形态法判读边缘线，并将被隔断的边缘线连接起来，作为保线约束条件以求取鱼眼镜头影像的畸变校正模型参数，根据畸变校正模型参数对待校正的鱼眼镜头影像进行校正，包括以下步骤：
(1)、采用低阶边缘检测算子对鱼眼镜头采集的黑白标准棋盘影像进行边缘检测，快速提取出初始棋盘边缘线集合；
(2)、对步骤(1)提取的初始棋盘边缘线集合进行去噪处理，以滤除短小、细碎的噪声边缘，得到明显的棋盘边缘线集合；
(3)、利用数学形态学方法对步骤(2)得到的棋盘边缘线集合逐步自动追踪，并连接相邻的、角度相近的精化线段端点，得到准确的精化棋盘边缘线集合；
(4)、将步骤(3)得到的精化棋盘边缘线集合作为保线性约束条件，通过Levenberg-Marquardt算法计算得到准确的鱼眼镜头影像的畸变校正模型参数；
(5)、利用步骤(4)计算得到的畸变校正模型参数将待校正的鱼眼镜头影像展开得到展开影像；
(6)、利用邻近像元插值法，快速补充步骤(5)的展开影像中的空洞区域，形成完整的校正图。
作为本发明的进一步方案：步骤(1)中低阶边缘检测算子采用Sobel算子。
作为本发明的进一步方案：步骤(3)中，由于利用数学形态法逐步自动跟踪并连接相邻的、角度相近的精化线段端点，得到数量较多、长度较长的准确的精化棋盘边缘线集合，能够为后续畸变校正提供更多更稳健的约束条件，提高畸变校正的抗差性能。
作为本发明的进一步方案：步骤(4)中畸变校正模型参数采用径向和切向综合的畸变模型。
作为本发明的进一步方案：步骤(4)中Levenberg-Marquardt算法的目标函数采用最小总均方距离函数。
作为本发明的进一步方案：步骤(4)中，为了提高搜索速度与精度，Levenberg-Marquardt算法的搜索初值由线性最小二乘估计计算得到，
作为本发明的进一步方案：线性最小二乘估计搜索初值时则采用最小斜率差方法构建观测方程以方便计算。
作为本发明的进一步方案：步骤(4)中，根据最小斜率差法建立畸变参数线性方程，通过最小二乘快速直接求解，为后续搜索算法提供高精度初值，加快最优畸变参数的搜索速度。
作为本发明的进一步方案：步骤(5)中，为了便于展示，避免边缘区域的无限放大，须用盒子投影方法将展开的影像投影到上、下、左、右、中五幅影像上。
综上所述，本发明与现有技术相比具有以下有益效果：
1、本发明提取的边缘线效果较好，无需人工干预，为后续畸变模型参数求解提供较多准确的约束条件，相较于角点提取方法，约束条件更为稳健，不会因为少数特征点提取错误导致解算结果出现较大偏差；
2、本发明快速、准确，易于实现，展示效果好，便于后期观察及影像拼接等后续工作。
为更清楚地阐述本发明的结构特征和功效，下面结合附图与具体实施例来对本发明进行详细说明。
附图说明
图1是本发明的实施例流程图。
图2为鱼眼镜头采集标准棋盘图片。
图3为Sobel算子边缘检测初步边缘结果。
图4为滤除噪声边缘及短小细碎边缘后，标定各边缘线段端点的边缘结果。
图5为连接所有精化线段端点后得到的较长的精化边缘结果。
图6为待校正的原始鱼眼影像示例。
图7为示例鱼眼影像校正完成后盒子投影结果。
具体实施方式
为了是本发明的目的、技术方案及优点更加清晰，下面结合附图和具体实施例，对本发明技术方案进行进一步详细说明，显然，所描述的实施例是本发明的一部分实施例，并不是全部的实施例，并不构成对本发明的不当限定。
如图1是本发明中鱼眼镜头影像畸变校正的具体流程图，包括以下步骤：
利用待校正的鱼眼镜头采集标准棋盘图片，棋盘黑白格尽量覆盖影像中心主要区域，如图2所示。通常的标定方法是检测黑白棋盘格中的角点，角点检测的准确性对标定结果的影响有很大。该方法用于车载鱼眼影像畸变校正时存在一下几个方面的局限性：
(1)角点的界定存在模糊性，而车载鱼眼镜头视角往往很大，如图2中棋盘边缘桶形畸变很大，导致角点在边缘处往往较为模糊，进而影响了准确性，提取结果会存在大量杂点；
(2)角点提取设计二阶的距离、角度运算，复杂度较高，参数设置也不容易，一般需要反复试验由工程实践经验决定；
(3)角点数量相对较少，在后续畸变模型参数求解时，由于输入观测值少而导致结果抗差性较弱，少数精度较差或错误的角点对结果影响较大。
为避免角点检测方法的局限性，提高校正系统的稳健性，采用了一种简单实用的边缘线检测方法为后续影像畸变模型的求参提供约束条件。相对于角点，棋盘边缘线在畸变较大的影像区域拓扑结构更加明显，且组成边缘线的点较多，若干精度不高的边缘点不会对校正结果产生重大影响，抗差性能好。
以图2为示例，将采集得到的标准棋盘影像作为边缘线提取的信息源，由于棋盘黑白格线条较为明显，适合采用低阶的边缘检测方法，Sobel算子对像素位置影响进行了加权，因此比Prewitt算子、Roberts算子效果更佳。Sobel算子包含两组3x3的矩阵，分别为横向及纵向模板，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值：
对图2进行二值化后即通过Sobel算子对进行边缘检测，得到初步的边缘结果，本次示例结果如图3所示。
低阶边缘检测算子的检测结果存在较多的噪声边缘，而较短的线段对后期搜索方法不利，因此需要配合数学形态方法对较短的线段进行滤除。首先将3×3邻域内的边缘线标记为同一边缘，所有边缘统计其长度并根据其长短决定保留或剔除，实现对短小细碎边缘的滤除。接着，为了消除图像场景中标准棋盘以外的内容，经过形态学膨胀-腐蚀-膨胀步骤确定出影像中棋盘的大致范围，并剔除棋盘范围外的边缘线；对二维图像进行基于卷积的空间滤波，可消除残余的噪声边缘以及容易产生误差的边缘线角点，为后续处理做好准备；接着对图像进行细化处理，并判断各边缘线像点八邻域内的边缘线像点数目及方位，得到各线段端点像素坐标并予以标记，如标记为示例结果如图4所示。
根据细化后的各边缘线段及标记的线段端点，即可快速计算出各线段斜率，并以各线段端点为起点，搜寻邻域内最近的若干其它端点并比较线段斜率，将距离相近、角度相近的精化线段端点相连接组成新的较长线段；在所有可连接的线段端点连接完毕之后，将标记为同一边缘线的所有像素点坐标存储起来，作为后续保线约束的数据，示例结果如图5所示。
由于鱼眼相机影像存在畸变，像点在畸变图像中的坐标与未畸变图像中的x、y坐标存在差异，即
其中(xd，yd)为鱼眼畸变图像中像素点在图像坐标系中的坐标，(xp，yp)为该像素在未畸变的图像坐标系坐标，(δx，δy)即为像素点在图像坐标系中x、y方向的总变形量。对坐标畸变量采用径向与切向畸变模型进行校正，计算公式如下：
Δxd＝xd-x0、Δyd＝yd-y0为鱼眼图像中像点相对于图像光学中心的相对坐标，为两点间距离；k1、k2、p1、p2、s1、s2为畸变模型系数，k1、k2主要改正径向畸变，p1、p2主要改正偏心畸变，s1、s2主要改正薄棱镜畸变。
首先利用最小斜率差准则结合最小二乘法求解k1、p1的初值。如果提取出了n条边缘线段，要求边缘线上每点处斜率与边缘线总斜率差值平方和最小，则观测方程Ax＝l为：
其中为第i条边缘线段的近似斜率，由边缘线上所有点坐标拟合得到；li,j为第i条边缘线中第j个点处的斜率，由边缘线附近若干点拟合得到，计该点坐标为(xi,j,yi,j)；A为系数矩阵，矩阵中各元素取值如下：
通过x＝(ATA)-1ATl即求出k1、p1的值，并作为下一步搜索算法的初值。
考虑到像点离影像中心点越远，畸变量越大，因此以归一化总均方分距离最小为畸变校正模型的目标函数：
为第i条边缘线第j点在未畸变图像上的坐标；为边缘线i与横坐标的夹角，为边缘线i与图像中心的距离。以公式(3)中的6个畸变模型系数、图像光学中心坐标(x0，y0)以及所有边缘线未畸变的θp、ρp为待搜索参数，采用通用LM算法搜素使ξ最小的一组参数，LM算法属于一种“信赖域法”，通过位移初始点并判断目标函数值的变化，当目标函数值下降满足一定条件，则认为位移可靠并按同样规则迭代位移，直至目标函数值下降值小于某一阈值为止，则认为达到某一极值点；初值点处k1、k2初值已求，p1、p2、s1、s2初值取为零，(x0，y0)初值取图像几何中心点坐标，θp、ρp初值是由畸变影像中提取出的各边缘线的点线性拟合得到；一般经过大约10～20次迭代即可结束，实验例共迭代了19次。
通过上述步骤获得该鱼眼相机的畸变模型系数后，对于由同一鱼眼相机获得的影像，实验例如图6所示，即按照式(2)、(3)将畸变影像上所有像点坐标(xd，yd)映射至(xp，yp)。由于鱼眼相机视角很大，展开后的原始视角中心投影图像将非常巨大，为避免展开后的中心投影图像过大，采用盒子投影的方式将校正后的影像投影到上下左右中五个平面上，便于驾驶者观察。投影到鱼眼影像存在信息丢失，展开后的中心投影图像会有很多空洞，通过最临近插值法可快速填充空洞点，图6的校正结果如图7所示。
以上结合具体实施例描述了本发明的技术原理，仅是本发明的优选实施方式。本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。
Claims (9)
1.一种基于数学形态边缘线检测的鱼眼镜头畸变校正方法，其特征在于，使用鱼眼镜头采集的标准棋盘影像，提取标准棋盘影像中的棋盘边缘线，并剔除其中较短的噪声边缘，然后通过数学形态法判读边缘线，并将被隔断的边缘线连接起来，作为保线约束条件以求取鱼眼镜头影像的畸变校正模型参数，根据畸变校正模型参数对待校正的鱼眼镜头影像进行校正，包括以下步骤：
1)、采用低阶边缘检测算子对鱼眼镜头采集的黑白标准棋盘影像进行边缘检测，快速提取出初始棋盘边缘线集合；
2)、对步骤1)提取的初始棋盘边缘线集合进行去噪处理，以滤除短小、细碎的噪声边缘，得到明显的棋盘边缘线集合；
3)、利用数学形态学方法对步骤2)得到的棋盘边缘线集合逐步自动追踪，并连接相邻的、角度相近的精化线段端点，得到准确的精化棋盘边缘线集合；
4)、将步骤3)得到的精化棋盘边缘线集合作为保线性约束条件，通过Levenberg-Marquardt算法计算得到准确的鱼眼镜头影像的畸变校正模型参数；
5)、利用步骤4)计算得到的畸变校正模型参数将待校正的鱼眼镜头影像展开得到展开影像；
6)、利用邻近像元插值法，快速补充步骤5)的展开影像中的空洞区域，形成完整的校正图。
2.根据权利要求1所述的基于数学形态边缘线检测的鱼眼镜头畸变校正方法，其特征在于，步骤1)中低阶边缘检测算子采用Sobel算子。
3.根据权利要求1所述的基于数学形态边缘线检测的鱼眼镜头畸变校正方法，其特征在于，步骤3)中，利用数学形态法逐步自动跟踪并连接相邻的、角度相近的精化线段端点，得到精化棋盘边缘线集合。
4.根据权利要求1所述的基于数学形态边缘线检测的鱼眼镜头畸变校正方法，其特征在于，步骤4)中畸变校正模型参数采用径向和切向综合的畸变模型。
5.根据权利要求1所述的基于数学形态边缘线检测的鱼眼镜头畸变校正方法，其特征在于，步骤4)中Levenberg-Marquardt算法的目标函数采用最小总均方距离函数。
6.根据权利要求1所述的基于数学形态边缘线检测的鱼眼镜头畸变校正方法，其特征在于，步骤4)中，为了提高搜索速度与精度，Levenberg-Marquardt算法的搜索初值由线性最小二乘估计计算得到。
7.根据权利要求6所述的基于数学形态边缘线检测的鱼眼镜头畸变校正方法，其特征在于，线性最小二乘估计搜索初值时则采用最小斜率差方法构建观测方程。
8.根据权利要求1所述的基于数学形态边缘线检测的鱼眼镜头畸变校正方法，其特征在于，步骤4)中，根据最小斜率差法建立畸变参数线性方程，通过最小二乘快速直接求解，为后续搜索算法提供高精度初值，加快最优畸变参数的搜索速度。
9.根据权利要求1所述的基于数学形态边缘线检测的鱼眼镜头畸变校正方法，其特征在于，步骤5)中，为了便于展示，避免边缘区域的无限放大，须用盒子投影方法将展开的影像投影到上、下、左、右、中五幅影像上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810866996.2A CN109377449A (zh) | 2018-08-01 | 2018-08-01 | 一种基于数学形态边缘线检测的鱼眼镜头畸变校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810866996.2A CN109377449A (zh) | 2018-08-01 | 2018-08-01 | 一种基于数学形态边缘线检测的鱼眼镜头畸变校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109377449A true CN109377449A (zh) | 2019-02-22 |
Family
ID=65404363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810866996.2A Withdrawn CN109377449A (zh) | 2018-08-01 | 2018-08-01 | 一种基于数学形态边缘线检测的鱼眼镜头畸变校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109377449A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110136052A (zh) * | 2019-05-08 | 2019-08-16 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置和电子设备 |
| CN110189263A (zh) * | 2019-05-05 | 2019-08-30 | 浙江大学 | 一种基于多角度采样的大视场头戴显示设备畸变校正方法 |
| CN111612720A (zh) * | 2020-05-21 | 2020-09-01 | 烟台艾睿光电科技有限公司 | 一种广角红外图像优化方法、系统及相关组件 |
| CN115035104A (zh) * | 2022-08-09 | 2022-09-09 | 启东市罗源光伏设备有限公司 | 基于多维度感知的光伏板形变智能预测方法及系统 |
| CN116246209A (zh) * | 2023-03-09 | 2023-06-09 | 彩虹鱼科技(广东)有限公司 | 基于偏移卷积核的广角镜头生物目标检测方法 |
-
2018
- 2018-08-01 CN CN201810866996.2A patent/CN109377449A/zh not_active Withdrawn
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110189263A (zh) * | 2019-05-05 | 2019-08-30 | 浙江大学 | 一种基于多角度采样的大视场头戴显示设备畸变校正方法 |
| CN110189263B (zh) * | 2019-05-05 | 2021-05-07 | 浙江大学 | 一种基于多角度采样的大视场头戴显示设备畸变校正方法 |
| CN110136052A (zh) * | 2019-05-08 | 2019-08-16 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置和电子设备 |
| CN110136052B (zh) * | 2019-05-08 | 2023-11-28 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置和电子设备 |
| CN111612720A (zh) * | 2020-05-21 | 2020-09-01 | 烟台艾睿光电科技有限公司 | 一种广角红外图像优化方法、系统及相关组件 |
| CN111612720B (zh) * | 2020-05-21 | 2023-11-07 | 烟台艾睿光电科技有限公司 | 一种广角红外图像优化方法、系统及相关组件 |
| CN115035104A (zh) * | 2022-08-09 | 2022-09-09 | 启东市罗源光伏设备有限公司 | 基于多维度感知的光伏板形变智能预测方法及系统 |
| CN116246209A (zh) * | 2023-03-09 | 2023-06-09 | 彩虹鱼科技(广东)有限公司 | 基于偏移卷积核的广角镜头生物目标检测方法 |
| CN116246209B (zh) * | 2023-03-09 | 2024-02-13 | 彩虹鱼科技(广东)有限公司 | 基于偏移卷积核的广角镜头生物目标检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109377449A (zh) | 一种基于数学形态边缘线检测的鱼眼镜头畸变校正方法 | |
| Goldbeck et al. | Lane detection and tracking by video sensors | |
| Hamada et al. | Surround view based parking lot detection and tracking | |
| US10521676B2 (en) | Lane detection device, lane departure determination device, lane detection method and lane departure determination method | |
| Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
| JP4919036B2 (ja) | 移動物体認識装置 | |
| CN106778593B (zh) | 一种基于多地面标志融合的车道级定位方法 | |
| Borkar et al. | Robust lane detection and tracking with ransac and kalman filter | |
| US7231288B2 (en) | System to determine distance to a lead vehicle | |
| CN111098815B (zh) | 一种基于单目视觉融合毫米波的adas前车碰撞预警方法 | |
| CN108629292B (zh) | 弯曲车道线检测方法、装置及终端 | |
| US20100201814A1 (en) | Camera auto-calibration by horizon estimation | |
| JP2003067752A (ja) | 車両周辺監視装置 | |
| Yankun et al. | A single camera based rear obstacle detection system | |
| JPH06331351A (ja) | 車間距離計測装置とステレオ画像取り込み装置 | |
| JPH07129898A (ja) | 障害物検出装置 | |
| CN107845101B (zh) | 车载环视图像的特征点标定方法、装置和可读存储介质 | |
| US11410334B2 (en) | Vehicular vision system with camera calibration using calibration target | |
| Youjin et al. | A robust lane detection method based on vanishing point estimation | |
| CN110163039B (zh) | 判定车辆行驶状态的方法、设备、存储介质以及处理器 | |
| JP2005329779A (ja) | 障害物認識方法及び障害物認識装置 | |
| WO2024017003A1 (zh) | 基于算法融合的车辆汇入检测方法、装置及设备 | |
| Rebut et al. | Image segmentation and pattern recognition for road marking analysis | |
| Chang et al. | Real-time vision-based preceding vehicle tracking and recognition | |
| Takahashi et al. | A robust lane detection using real-time voting processor |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190222 |
|
| WW01 | Invention patent application withdrawn after publication |