CN109389644B - 基于方向梯度增强的车位线检测方法 - Google Patents
基于方向梯度增强的车位线检测方法 Download PDFInfo
- Publication number
- CN109389644B CN109389644B CN201710679396.0A CN201710679396A CN109389644B CN 109389644 B CN109389644 B CN 109389644B CN 201710679396 A CN201710679396 A CN 201710679396A CN 109389644 B CN109389644 B CN 109389644B
- Authority
- CN
- China
- Prior art keywords
- gradient
- parking space
- angle
- line
- captured image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003014 reinforcing effect Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims 2
- 238000004590 computer program Methods 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- 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
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30264—Parking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于方向梯度增强的车位线检测方法,获得捕获图像,并从获得的捕获图像得到主车位方向垂直方向的角度信息,根据主方向选定梯度增强模板;将每个像素点P逐一取以该像素点为中心的八邻域;并根据每一个像素点P的八邻域为矩阵与选取的梯度增强模板矩阵相点乘结果矩阵的所有元素之和作为梯度值,求取捕获图像中每个像素点P的梯度值组成梯度图;对增强后的梯度图进行二值化并在二值图的基础上,再通过LSD算法检测特定的主车位垂直方向线段。本发明通过测定到的主车位方向垂直方向的确定适当的梯度增强模板,根据梯度增强模板有效放大对应方向的梯度,并抑制其他方向的梯度响应,以削弱环境干扰,放大模糊目标线段的对比度。
Description
技术领域
本发明涉及车载电子技术领域,特别是涉及一种基于方向梯度增强的车位线检测方法。
背景技术
汽车保有量的增加促进了大型停车场的发展,在迈入二十一世纪以来,我们的大型停车场越来越多,而停车场规模的日益扩大,带来一系列的泊车与取车的问题,已经成为世界范围内每个大中型城市普遍面临的社会问题。
在自主泊车的过程中,如何依据环境感知信息、检测到准确的停车位且在检测过程中减小设备计算量,快速、准确识别车位线角点成为当前亟待解决的问题。
目前检测车位线时,由捕获图像先得到灰度图,根据灰度图得到Line SegmentDetection(LSD)算法得到相应的捕获图像中识别得到的线段,再根据识别得到的线段识别停车位角点、停车位水平线和停车位垂直线组合得到停车位。这种采用LSD算法识别车位水平线和车位垂直线的过程中,由于LSD算法在识别角点以及通过角点的线段时,单个像素点在连接线段时只能使用一次,这样就造成了LSD算法的缺陷即组成车位线的重要的L型线以及T型线只能检测出一条线段。
由于在实际检测过程中停车位垂直线都比较短,在实际停车位检测过程中短线段的对比度较小,所以短线段容易检测不到。
发明内容
为了解决上述的以及其他潜在的技术问题,本发明提供了一种基于方向梯度增强的车位线检测方法,通过测定到的主车位方向垂直方向的确定适当的梯度增强模板,根据梯度增强模板有效放大对应方向的梯度,并抑制其他方向的梯度响应,以削弱环境干扰,放大模糊目标线段的对比度。
一种基于方向梯度增强的车位线检测方法,包括以下步骤:
S01:获得捕获图像,并从获得的捕获图像得到主车位方向垂直方向的角度信息,根据主方向选定梯度增强模板;
S02:将捕获图像中的每个像素点P逐一取以该像素点为中心的八邻域;
S03:根据每一个像素点P的八邻域为矩阵与选取的梯度增强模板矩阵相点乘结果矩阵的所有元素之和作为梯度值,求取捕获图像中每个像素点P的梯度值组成梯度图;
S04:对增强后的梯度图进行二值化并在二值图的基础上,再通过LSD算法检测特定的主车位垂直方向线段。
进一步地,所述步骤S03中,设置以像素点P为中心点的梯度增强模板包括四种:
其中,设横向均为0的矩阵为x方向,纵向均为0的矩阵为y方向,正方向对角线均为0的矩阵为与正对角线方向,反方向对角线均为0的矩阵与x方向反对角线方向,所述a为梯度增强模板系数。
进一步地,所述梯度增强模板系数a取2~10,作为优选实施例,所述梯度增强模板系数取整数值即2、3、4、5、6、7、8中的任一值。
进一步地,所述像素点P的八邻域为矩阵包括:
进一步地,所述像素点P的八邻域矩阵与y方向的梯度增强模板相点乘所得矩阵之中元素之和为:
进一步地,所述像素点P的八邻域矩阵与x方向的梯度增强模板相点乘矩阵之中元素之和为:
进一步地,所述像素点P的八邻域矩阵与正方向对角线的梯度增强模板相点乘矩阵之中元素之和为:
进一步地,所述像素点P的八邻域矩阵与反方向对角线的梯度增强模板相点乘矩阵之中元素之和为:
进一步地,所述主车位垂直方向的角度在0°~22.5°之间时,梯度增强模板选择x方向梯度增强模板;所述主车位垂直方向的角度在22.5°~67.5°之间时,梯度增强模板选择正方向对角线的梯度增强模板;所述主车位垂直方向的角度在67.5°~112.5°之间时,梯度增强模板选择y方向对角线的梯度增强模板;所述主车位垂直方向的角度在112.5°~157.5°之间时,梯度增强模板选择反方向对角线的梯度增强模板;所述主车位垂直方向的角度在157.5~180之间时,梯度增强模板选择x方向梯度增强模板。
进一步地,所述步骤S02之前,还包括将捕获图像进行top-hat滤波的操作。
进一步地,所述主车位垂直方向的角度的计算方法为:获取捕获图像并检测捕获图像中的线段,将检测出来线段按照角度进行分组;对每一组内的线段间的位置关系进行分析,根据一定的规则进行打分;根据分数选取最可信的角度组,并提取最可信的角度组内的线段,计算线段的平均角度,定义为主方向角度θ。
其中打分规则为:
提取角度组中任一线段标记为标准线,记录标准线的位置信息,将该角度组中剩余的线段逐一与标准线位置相比较,若剩余线段与标准线的位置关系满足车位线几何特征时,记录该角度组加一分并弃用该剩余线段;若剩余线段与标准线的位置关系不满足车位线几何特征时,记录角度组不加分并弃用该剩余线段;角度组经过与剩余的线段数量相同的计分次数后,得到该角度组的分数x1;选取最可信的角度组时,统计各个角度组的分数x1,x2,x3,x4·····xn,选择其中分数最高的角度组为最可信的角度组。
进一步地,所述主车位垂直方向的角度的计算方法为:检测到相互平行或近似平行的、并相隔第一预设间距的两个侧边亮线条,以及在所述两个侧边亮线条的某一端的一定区域内与这两个侧边亮线条呈一定角度相交的底边直线段/底边亮线条所构成的车位组合线,根据相互平行或近似平行的底边直线段/底边亮线条所组成的线段集确定主方向角度θ。
一种基于方向梯度增强的车位线检测系统,其特征在于,包括:
捕获图像获取装置,用于获得的捕获图像;
主车位垂直方向识别模块,用于从捕获图像得到主车位方向垂直方向的角度信息;
像素点八邻域识别模块,用于获取捕获图像中的每个像素点P逐一取以该像素点为中心的八邻域;
梯度增强模板,包括x方向、y方向、正反对角线方向的梯度增强模板;
梯度值获取以及梯度图模块,用于根据每一个像素点P的八邻域为矩阵与选取的梯度增强模板矩阵相点乘结果矩阵的所有元素之和作为梯度值并根据获得的梯度值组合而成梯度图;
二值图生成模块,用于以梯度图为基础生成二值图;
主车位垂直方向线段生成模块,用于根据二值图为基础图通过LSD算法检测特定的主车位垂直方向线段。
如上所述,本发明的具有以下有益效果:
通过测定到的主车位方向垂直方向的确定适当的梯度增强模板,根据梯度增强模板有效放大对应方向的梯度,并抑制其他方向的梯度响应,以削弱环境干扰,放大模糊目标线段的对比度。使用本方法处理捕获图像,减小识别出的捕获图像中线段的总数量,可以使捕获图像中只有主车位方向垂直方向的车位线容易识别出,抑制其他方向的线段识别,降低车位线识别过程中的总计算量。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1显示为本发明的流程图。
图2显示为像素点P八邻域的结构框图。
图3显示为梯度增强模板的方向示意图。
图4显示为主车位垂直方向的角度与对应的梯度增强模板选择的示意图。
图5左侧显示为本发明灰度图中间显示为依照本发明方法处理之后的梯度图右面显示为本发明方法处理后的二值化图。
图6为另一实施例中的左侧显示为本发明灰度图中间显示为依照本发明方法处理之后的梯度图右面显示为本发明方法处理后的二值化图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
参见图1~图6,一种基于方向梯度增强的车位线检测方法,包括以下步骤:
S01:获得捕获图像,并从获得的捕获图像得到主车位方向垂直方向的角度信息,根据主方向选定梯度增强模板;
S02:将捕获图像中的每个像素点P逐一取以该像素点为中心的八邻域;
S03:根据主车位垂直方向的角度比对梯度增强模板中x方向、y方向、正反对角线方向中与主车位垂直方向角度最相近的方向线,以该方向线选取梯度增强模板并根据每一个像素点P的八邻域为矩阵与选取的梯度增强模板矩阵相点乘结果矩阵的所有元素之和作为梯度值,求取捕获图像中每个像素点P的梯度值组成梯度图;
S04:对增强后的梯度图进行二值化并在二值图的基础上,再通过LSD算法检测特定的主车位垂直方向线段。
作为优选实施例,所述步骤S03中,设置以像素点P为中心点的梯度增强模板包括四种:
其中,设横向均为0的矩阵为x方向,纵向均为0的矩阵为y方向,正方向对角线均为0的矩阵为与正对角线方向,反方向对角线均为0的矩阵与x方向反对角线方向,所述a为梯度增强模板系数。
作为优选实施例,所述梯度增强模板系数a取2~10,作为优选实施例,所述梯度增强模板系数取整数值即2、3、4、5、6、7、8中的任一值。
作为优选实施例,所述像素点P的八邻域矩阵为:
作为优选实施例,所述像素点P的八邻域矩阵与y方向的梯度增强模板相点乘所得矩阵之中元素之和为:
作为优选实施例,所述像素点P的八邻域矩阵与x方向的梯度增强模板相点乘所得矩阵之中元素之和为:
作为优选实施例,所述像素点P的八邻域矩阵与正方向对角线的梯度增强模板相点乘所得矩阵之中元素之和为:
作为优选实施例,所述像素点P的八邻域矩阵与反方向对角线的梯度增强模板相点乘所得矩阵之中元素之和为:
作为优选实施例,所述主车位垂直方向的角度在0°~22.5°之间时,梯度增强模板选择x方向梯度增强模板;所述主车位垂直方向的角度在22.5°~67.5°之间时,梯度增强模板选择正方向对角线的梯度增强模板;所述主车位垂直方向的角度在67.5°~112.5°之间时,梯度增强模板选择y方向对角线的梯度增强模板;所述主车位垂直方向的角度在112.5°~157.5°之间时,梯度增强模板选择反方向对角线的梯度增强模板;所述主车位垂直方向的角度在157.5~180之间时,梯度增强模板选择x方向梯度增强模板。
作为优选实施例,所述步骤S02之前,还包括将捕获图像进行top-hat滤波的操作。
作为优选实施例,所述主车位垂直方向的角度的计算方法为:获取捕获图像并检测捕获图像中的线段,将检测出来线段按照角度进行分组;对每一组内的线段间的位置关系进行分析,根据一定的规则进行打分;根据分数选取最可信的角度组,并提取最可信的角度组内的线段,计算线段的平均角度,定义为主方向角度θ。
其中打分规则为:
提取角度组中任一线段标记为标准线,记录标准线的位置信息,将该角度组中剩余的线段逐一与标准线位置相比较,若剩余线段与标准线的位置关系满足车位线几何特征时,记录该角度组加一分并弃用该剩余线段;若剩余线段与标准线的位置关系不满足车位线几何特征时,记录角度组不加分并弃用该剩余线段;角度组经过与剩余的线段数量相同的计分次数后,得到该角度组的分数x1;选取最可信的角度组时,统计各个角度组的分数x1,x2,x3,x4·····xn,选择其中分数最高的角度组为最可信的角度组。
作为优选实施例,所述主车位垂直方向的角度的计算方法为:检测到相互平行或近似平行的、并相隔第一预设间距的两个侧边亮线条,以及在所述两个侧边亮线条的某一端的一定区域内与这两个侧边亮线条呈一定角度相交的底边直线段/底边亮线条所构成的车位组合线,根据相互平行或近似平行的底边直线段/底边亮线条所组成的线段集确定主方向角度θ。
一种基于方向梯度增强的车位线检测系统,其特征在于,包括:
捕获图像获取装置,用于获得的捕获图像;
主车位垂直方向识别模块,用于从捕获图像得到主车位方向垂直方向的角度信息;
像素点八邻域识别模块,用于获取捕获图像中的每个像素点P逐一取以该像素点为中心的八邻域;
梯度增强模板,包括x方向、y方向、正反对角线方向的梯度增强模板;
梯度值获取以及梯度图模块,用于根据每一个像素点P的八邻域为矩阵与选取的梯度增强模板矩阵相点乘结果矩阵的所有元素之和作为梯度值并根据获得的梯度值组合而成梯度图;
二值图生成模块,用于以梯度图为基础生成二值图;
主车位垂直方向线段生成模块,用于根据二值图为基础图通过LSD算法检测特定的主车位垂直方向线段。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中包括通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于方向梯度增强的车位线检测方法,其特征在于,包括以下步骤:
S01:获得捕获图像,并从获得的捕获图像得到主车位方向垂直方向的角度信息,根据主方向选定梯度增强模板;
S02:将捕获图像中的每个像素点P逐一取以该像素点为中心的八邻域;
S03:并根据每一个像素点P的八邻域为矩阵与选取的梯度增强模板矩阵相点乘结果矩阵的所有元素之和作为梯度值,求取捕获图像中每个像素点P的梯度值组成梯度图;
S04:对增强后的梯度图进行二值化并在二值图的基础上,再通过LSD算法检测特定的主车位垂直方向线段;
所述主车位垂直方向的角度的计算方法为:获取捕获图像并检测捕获图像中的线段,将检测出来线段按照角度进行分组;对每一组内的线段间的位置关系进行分析,根据一定的规则进行打分;根据分数选取最可信的角度组,并提取最可信的角度组内的线段,计算线段的平均角度,定义为主方向角度θ。
2.根据权利要求1所述的基于方向梯度增强的车位线检测方法,其特征在于,所述步骤S03中,设置以像素点P为中心点的梯度增强模板包括四种:
其中,设横向均为0的矩阵为x方向,纵向均为0的矩阵为y方向,正方向对角线均为0的矩阵为与正对角线方向,反方向对角线均为0的矩阵与x方向反对角线方向,所述a为梯度增强模板系数。
3.根据权利要求2所述的基于方向梯度增强的车位线检测方法,其特征在于,所述像素点P的八邻域矩阵为:
4.根据权利要求3所述的基于方向梯度增强的车位线检测方法,其特征在于,所述主车位垂直方向的角度在0°~22.5°之间时,梯度增强模板选择x方向梯度增强模板;所述主车位垂直方向的角度在22.5°~67.5°之间时,梯度增强模板选择正方向对角线的梯度增强模板;所述主车位垂直方向的角度在67.5°~112.5°之间时,梯度增强模板选择y方向对角线的梯度增强模板;所述主车位垂直方向的角度在112.5°~157.5°之间时,梯度增强模板选择反方向对角线的梯度增强模板;所述主车位垂直方向的角度在157.5°~180°之间时,梯度增强模板选择x方向梯度增强模板。
5.根据权利要求4所述的基于方向梯度增强的车位线检测方法,其特征在于,若检测到的主方向垂直方向的角度在67.5°~112.5°之间时,所述像素点P的八邻域矩阵与y方向的梯度增强模板相点乘的结果为:
6.根据权利要求4所述的基于方向梯度增强的车位线检测方法,其特征在于,所述步骤S02之前,还包括将捕获图像进行top-hat滤波的操作。
7.根据权利要求1所述的基于方向梯度增强的车位线检测方法,其特征在于,所述打分规则为:
提取角度组中任一线段标记为标准线,记录标准线的位置信息,将该角度组中剩余的线段逐一与标准线位置相比较,若剩余线段与标准线的位置关系满足车位线几何特征时,记录该角度组加一分并弃用该剩余线段;若剩余线段与标准线的位置关系不满足车位线几何特征时,记录角度组不加分并弃用该剩余线段;角度组经过与剩余的线段数量相同的计分次数后,得到该角度组的分数x1;选取最可信的角度组时,统计各个角度组的分数x1,x2,x3,x4·····xn,选择其中分数最高的角度组为最可信的角度组。
8.根据权利要求7所述的基于方向梯度增强的车位线检测方法,其特征在于,所述主车位垂直方向的角度的计算方法为:检测到相互平行或近似平行的、并相隔第一预设间距的两个侧边亮线条,以及在所述两个侧边亮线条的某一端的一定区域内与这两个侧边亮线条呈一定角度相交的底边直线段/底边亮线条所构成的车位组合线,根据相互平行或近似平行的底边直线段/底边亮线条所组成的线段集确定主方向角度θ。
9.一种基于方向梯度增强的车位线检测系统,其特征在于,包括:
捕获图像获取装置,用于获得的捕获图像;
主车位垂直方向识别模块,用于从捕获图像得到主车位方向垂直方向的角度信息;所述主车位垂直方向的角度的计算方法为:获取捕获图像并检测捕获图像中的线段,将检测出来线段按照角度进行分组;对每一组内的线段间的位置关系进行分析,根据一定的规则进行打分;根据分数选取最可信的角度组,并提取最可信的角度组内的线段,计算线段的平均角度,定义为主方向角度θ;
像素点八邻域识别模块,用于获取捕获图像中的每个像素点P逐一取以该像素点为中心的八邻域;
梯度增强模板,包括x方向、y方向、正反对角线方向的梯度增强模板;
梯度值获取以及梯度图模块,用于根据每一个像素点P的八邻域为矩阵与选取的梯度增强模板矩阵相点乘结果矩阵的所有元素之和作为梯度值并根据获得的梯度值组合而成梯度图;
二值图生成模块,用于以梯度图为基础生成二值图;
主车位垂直方向线段生成模块,用于根据二值图为基础图通过LSD算法检测特定的主车位垂直方向线段。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现如权利要求1至8任一权利要求所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710679396.0A CN109389644B (zh) | 2017-08-10 | 2017-08-10 | 基于方向梯度增强的车位线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710679396.0A CN109389644B (zh) | 2017-08-10 | 2017-08-10 | 基于方向梯度增强的车位线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389644A CN109389644A (zh) | 2019-02-26 |
CN109389644B true CN109389644B (zh) | 2024-02-13 |
Family
ID=65414261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710679396.0A Active CN109389644B (zh) | 2017-08-10 | 2017-08-10 | 基于方向梯度增强的车位线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389644B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112752093B (zh) * | 2020-12-25 | 2022-08-16 | 浙江大华技术股份有限公司 | 视频条纹检测方法、装置、存储介质及电子装置 |
CN113313968A (zh) * | 2021-05-18 | 2021-08-27 | 武汉光庭信息技术股份有限公司 | 车位检测方法及存储介质 |
CN116012767B (zh) * | 2023-03-27 | 2023-10-13 | 苏州奥沃汽车配件有限公司 | 一种电控硅油风扇离合器壳体裂纹视觉检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105070094A (zh) * | 2015-08-27 | 2015-11-18 | 上海仪电电子股份有限公司 | 一种基于机器视觉的车位检测系统及车位检测方法 |
CN105117680A (zh) * | 2015-05-04 | 2015-12-02 | 小米科技有限责任公司 | 一种识别信息卡的信息的方法和装置 |
WO2017067390A1 (zh) * | 2015-10-20 | 2017-04-27 | 努比亚技术有限公司 | 图像中弱纹理区域的深度信息获取方法及终端 |
JP2017111803A (ja) * | 2015-12-18 | 2017-06-22 | 富士通株式会社 | 駐車スペースの検出装置、方法及び画像処理装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101947826B1 (ko) * | 2012-04-10 | 2019-02-13 | 현대자동차주식회사 | 차량의 주차구획 인식방법 |
-
2017
- 2017-08-10 CN CN201710679396.0A patent/CN109389644B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117680A (zh) * | 2015-05-04 | 2015-12-02 | 小米科技有限责任公司 | 一种识别信息卡的信息的方法和装置 |
CN105070094A (zh) * | 2015-08-27 | 2015-11-18 | 上海仪电电子股份有限公司 | 一种基于机器视觉的车位检测系统及车位检测方法 |
WO2017067390A1 (zh) * | 2015-10-20 | 2017-04-27 | 努比亚技术有限公司 | 图像中弱纹理区域的深度信息获取方法及终端 |
JP2017111803A (ja) * | 2015-12-18 | 2017-06-22 | 富士通株式会社 | 駐車スペースの検出装置、方法及び画像処理装置 |
Non-Patent Citations (1)
Title |
---|
吴晓刚 ; .倒车辅助系统车位线识别方法研究.测绘通报.2017,(07),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN109389644A (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106407893B (zh) | 一种检测车道线的方法、装置和设备 | |
US20180018528A1 (en) | Detecting method and device of obstacles based on disparity map and automobile driving assistance system | |
US7792327B2 (en) | Apparatus and method for detecting a road boundary | |
CN109389644B (zh) | 基于方向梯度增强的车位线检测方法 | |
CN108182383B (zh) | 一种车窗检测的方法及设备 | |
CN107392139B (zh) | 一种基于霍夫变换的车道线检测方法及终端设备 | |
CN102209974B (zh) | 特征量提取装置、物体识别装置、以及特征量提取方法 | |
JP5754470B2 (ja) | 路面形状推定装置 | |
CN106934795A (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
CN110490839B (zh) | 一种检测高速公路中损坏区域的方法、装置及计算机设备 | |
JP2012168884A (ja) | 車線境界検出装置及び車線境界検出方法 | |
KR101822909B1 (ko) | 이미지 내 타원형 구조들을 감지하기 위한 방법 및 장치 | |
CN111291603A (zh) | 车道线检测方法、装置、系统及存储介质 | |
CN107609483A (zh) | 面向驾驶辅助系统的危险目标检测方法、装置 | |
CN111222507A (zh) | 数字式仪表读数的自动识别方法、计算机可读存储介质 | |
KR20100083966A (ko) | 차량 번호판 인식방법 | |
CN108596115A (zh) | 一种基于卷积神经网络的车辆检测方法、装置及系统 | |
CN116824516B (zh) | 一种涉路施工安全监测及管理系统 | |
CN102737230B (zh) | 一种基于方向场估计的非局部均值滤波方法 | |
CN109558765A (zh) | 汽车及车道线的检测方法、装置 | |
CN111079541A (zh) | 一种基于单目视觉的道路停止线检测方法 | |
CN111508017B (zh) | 一种弱对比度定位标记中心的方法和系统 | |
CN109753840B (zh) | 一种基于响应值确定车位线角点的方法、系统和存储介质 | |
JP5327241B2 (ja) | 物体識別装置 | |
CN104657734B (zh) | 一种道路交通标志检测方法及装置 |
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 |