CN109960984A - 基于对比度与显著性分析的车辆检测方法 - Google Patents

基于对比度与显著性分析的车辆检测方法 Download PDF

Info

Publication number
CN109960984A
CN109960984A CN201711418637.2A CN201711418637A CN109960984A CN 109960984 A CN109960984 A CN 109960984A CN 201711418637 A CN201711418637 A CN 201711418637A CN 109960984 A CN109960984 A CN 109960984A
Authority
CN
China
Prior art keywords
vehicle
candidate
image
region
target
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.)
Pending
Application number
CN201711418637.2A
Other languages
English (en)
Inventor
田雨农
苍柏
唐丽娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Roiland Technology Co Ltd
Original Assignee
Dalian Roiland Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian Roiland Technology Co Ltd filed Critical Dalian Roiland Technology Co Ltd
Priority to CN201711418637.2A priority Critical patent/CN109960984A/zh
Publication of CN109960984A publication Critical patent/CN109960984A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

基于对比度与显著性分析的车辆检测方法，属于车辆识别检测领域，对经过基于显著性分析的图像预处理，得到筛选后的含有目标车辆的候选区域；对含有目标车辆的候选目标区域进行边界修正；将修正后的含有目标车辆的候选区域送给分类器进行精确判断；根据多帧联合机制与图像去重合机制处理后得到最终的目标车辆区域。

Description

基于对比度与显著性分析的车辆检测方法
技术领域
本发明属于车辆识别检测领域，涉及一种基于图像分层技术的车辆检测方法，。
背景技术
目前，车辆检测作为ADAS与主动驾驶项目中的一个主要功能，自然而然成为诸多研究者青睐的对象。而传统的车辆检测方法，比如基于阴影的、基于车尾灯的、基于滑动窗口等车辆检测技术，在检测车辆局部信息后，再根据一定的几何关系确定车辆整体候选区域，之后送给分类器进行精确分类，进而得到车辆在图像中的位置信息。这些方法对不同天气情况、不同的路况、以及不同的背景环境等的适应性都存在一定问题，比如基于阴影的方法在雨天就很难检出车底边阴影；车尾灯的方法对不同类型的车辆很难统一适用；基于滑动窗口的方法在背景变化大的场景容易有虚警等。
发明内容
为了解决识别目标车辆精度的问题，本发明提出如下技术方案：一种基于对比度与显著性分析的车辆检测方法，其特征在于，对经过基于显著性分析的图像预处理，得到筛选后的含有目标车辆的候选区域；对含有目标车辆的候选目标区域进行边界修正；将修正后的含有目标车辆的候选区域送给分类器进行精确判断；根据多帧联合机制与图像去重合机制处理后得到最终的目标车辆区域。有益效果：本发明提出一种基于显著性分析的方法来确定车辆的候选区域，然后利用车辆在图像中的对比度等信息进行候选区域的精确定位，然后送给分类器进行更加精确的判断，进而识别目标车辆的方法。
附图说明
图1车辆检测总体流程图；
图2基于显著性分析的目标区域确定流程图。
具体实施方式
如图(1)所示，本发明使用经过采样的图像Y通道信息进行车辆目标的检测。首先经过基于显著性分析的图像预处理，得到筛选后的含有目标车辆的候选区域；然后，对含有目标车辆的候选目标区域进行边界修正；之后，将修正后的含有目标车辆的候选区域送给分类器进行精确判断；之后，根据多帧联合机制与图像去重合机制处理后得到最终的目标车辆区域。
(一)基于显著性分析的图像预处理
首先，本发明遍历图像，统计输入图像各个像素的频率，并记录像素最大最小值。
然后，对计算每个像素值到其他像素值的距离之和(这里使用欧式距离，但不限于欧式距离)，作为衡量该点像素对比度的一种度量。
之后，利用前面的各个像素点的距离之和(这里使用欧式距离，但不限于欧式距离)取一定的指数运算，作为该点的显著性特征值。这里所取的指数值与需检测的目标物体在图像中的对比度强烈程度有关，故此需要具体问题具体设定。
从而在这一步得到了整幅图像的显著性图。在遍历图像的过程中，将显著性特征值的最大值与最小值记录下来；
然后，计算距离之和的变化幅度，即使用上面的最大值-最小值，将原始图像映射到0-255的范围内；同时，将特征图像也映射到0-255的范围内；
最后，将用显著性分析图减去拉伸图像，得到突出的目标图像。
因为利用相同的值域空间建立拉伸图像与显著性图像之间的映射关系，而显著性分析图中将对比度强烈的区域进行了增强处理，而拉伸图像是近似均衡的，所以两者做差，可以将相对没有被增强的那部分信息剔除掉，从而保留相对增强的对比度强烈的区域。
对上面目标图像进行二值化即可获得突出了显著性对象的二值图像。
(二)对含有目标车辆的候选目标区域进行边界修正
根据前面的处理结果，可以将二值化的图中中长度满足要求的候选线作为目标车辆的底边候选线，然后以底边候选线的长作为边长画正方形候选区域，对各个矩形候选区域进行边界检查，不符合的矩形候选区域需要要去除。
然后，对底边进行上浮与左右扩充操作，与原底边形成一个感兴趣区域对上面新的感兴趣区域进行尺度判断。
如果尺度小于等于最小宽度(预先设定在抽样图像中可以分辨车辆的最小宽度)，则需要将感兴趣区域映射返回到原图像中，在原图像的感兴趣区域中求取竖直方向的sobel梯度；否则直接在抽样图像中求取感兴趣区域的竖直sobel梯度；
下一步，将sobel梯度图投影到水平方向得到GGY图；
然后，根据竖直梯度计算车两侧，此处调节默认车的两侧即左右边界在候选区域的左右二分之一区域内，否则该方法无效。
所以该方法是基于前面的底边界定的具有一定程度的准确性的前提下进行的。
根据竖直梯度计算车的左右边界时，首先将前面计算得到的竖直梯度求取绝对值，然后求得的绝对值投影到水平方向；
之后，在水平方向的左右各1/2区域内求取邻域内的最大值并返回最大值的坐标，将最大值的坐标定为左右边界的候选之一；
由于，求得的最大值未必就是车的左右边界，因而在前面求得的最大值的某个极小的邻域内将前面的梯度绝对值在水平方向的投影置零；
然后，再在水平方向的左右各1/2区域内求取邻域内的最大值并返回最大值的坐标，将最大值的坐标定为左右边界的候选之一；
这样左右边界各有两个候选坐标，下面需要从中选出置信度相对高的候选坐标；
(一)对左右边界的候选坐标进行过滤
在前面确定了车辆左右边界的候选坐标后，根据底边的长度是否满足大于阈值，决定是否回到原图进行下面操作；
取宽度的1/5作为临时高度，取宽度的1/3作为临时高度，在左侧候选坐标A的左侧取这样一个临时区域LA1，在左侧候选坐标A的右侧取这样一个临时区域，将两个区域做差LA1-LA2然后求和，将最后的和Sum_LA作为左侧候选坐标A的可信度分数；
同理，取宽度的1/5作为临时高度，取宽度的1/3作为临时高度，在左侧候选坐标B的左侧取这样一个临时区域LB1，在左侧候选坐标B的右侧取这样一个临时区域，将两个区域做差LB1-LB2然后求和，将最后的和Sum_LB作为左侧候选坐标A的可信度分数；取Sum_LA与Sum_LB中最大值对应的候选坐标作为左侧坐标；
类似的，取宽度的1/5作为临时高度，取宽度的1/3作为临时高度，在右侧侧候选坐标A的左侧取这样一个临时区域RA1，在右侧候选坐标A的右侧取这样一个临时区域，将两个区域做差RA1-RA2然后求和，将最后的和Sum_RA作为右侧候选坐标A的可信度分数；
同理，取宽度的1/5作为临时高度，取宽度的1/3作为临时高度，在右侧候选坐标B的左侧取这样一个临时区域LB1，在右侧候选坐标B的右侧取这样一个临时区域，
将两个区域做差LB1-LB2然后求和，将最后的和Sum_LB作为右侧候选坐标A的可信度分数；取Sum_RA与Sum_RB中最大值对应的候选坐标作为右侧坐标；
(三)将修正后的目标候选区域进行精确判断
将(二)中确定的修正后的目标区域送给分类器进行判断(此处分类器可以是Adaboost、SVM、CNN等，但不局限于此)，将判断为“是车辆”的目标区域送给去重合模块；
(四)多帧联合与去重合
根据当前帧前面的多帧图像在一定邻域范围内一直有检测目标车辆的结果，当前帧在该邻域内也产生一定的候选窗口，同样送给上面的分类器进行判断。将判断为“是车辆”的目标区域送给去重合模块。
去重合模块在汇总了所有的目标区域后，对其进行是否重合的判定，然后对有重合区域的目标区域进行置信度判定，将置信度高的目标区域留下，置信度低的目标窗口去除。
最后，输出目标窗口区域坐标，完成车辆检测。
由于车辆在图像中属于比较突出的目标物体，其与周围环境存在一定的对比度，即便是人类视觉根据其强烈的对比度一般也可以轻易识别出目标车辆。
因而，本发明利用这一特性，将车辆与周围环境的对比度用显著性分析的手段反映出来，并以图像减法的方式去除了大量的干扰背景信息，进而提高了车辆检测的实时性与准确性。
本发明基于相对准确的车辆底边信息，根据车辆底边扩充区域内的竖直方向梯度在水平方向上的投影，利用其峰值变化特性求出车辆左右边界的候选区域，方法计算量小，可靠性高，可以相对快速准确地获取车辆坐标边界信息；
本发明当前帧检测出来的目标车辆区域与之前多帧联合检测出来的候选目标区域都进行分类器判别，并利用窗口去重合机制去除有重叠区域的目标区域，提高了车辆的检出率，同时在一定程度上抑制了虚警。
本发明利用显著性分析的手段将目标车辆突出，利用显著性图像与拉伸图像都是对原始图像在一定程度的对比度拉伸的特性，通过将距离和进行一定程度的指数运算，在一定程度增强局部对比度后，对拉伸图像做差，从而抑制背景信息的方法。
本发明梯度幅值变化寻找可能的车辆左右边界信息，并通过左右边界的一定邻域内存在强烈带有方向性的对比度的特性，进行左右边界筛选，从而比较准确地确定车辆边界的方法。
本发明当前帧检测出来的目标车辆区域与之前多帧联合检测出来的候选目标区域都进行分类器判别，并利用窗口去重合机制去除有重叠区域的目标区域的方法。

Claims (6)

1.一种基于对比度与显著性分析的车辆检测方法，其特征在于，对经过基于显著性分析的图像预处理，得到筛选后的含有目标车辆的候选区域；对含有目标车辆的候选目标区域进行边界修正；将修正后的含有目标车辆的候选区域送给分类器进行精确判断；根据多帧联合机制与图像去重合机制处理后得到最终的目标车辆区域。
2.如权利要求1所述的基于对比度与显著性分析的车辆检测方法，其特征在于，所述基于显著性分析的图像预处理，包括如下步骤：
遍历图像，统计输入图像各个像素的频率，并记录像素最大及最小值；
计算输入图像的每个像素值到其他像素值的距离之和，作为衡量该点像素对比度的一种度量；
对各个像素值的距离之和取指数运算，作为该点的显著性特征值，得到整幅图像的显著性图；
在遍历图像的过程中记录显著性特征值的最大值与最小值；
计算显著性图的每个像素值到其他像素值的距离之和的变化幅度，使用所述最大值-最小值，将输入图像映射到0-255的范围内；同时，将显著性图的特征图像也映射到0-255的范围内；
用显著性图减去拉伸图像，得到突出的目标图像。
3.如权利要求2所述的基于对比度与显著性分析的车辆检测方法，其特征在于，对含有目标车辆的候选目标区域进行边界修正的方法如下：
根据前面的处理结果，将二值化的图中中长度满足要求的候选线作为目标车辆的底边候选线，然后以底边候选线的长作为边长画正方形候选区域，对各个矩形候选区域进行边界检查，不符合的矩形候选区域去除；
对底边进行上浮与左右扩充操作，与原底边形成一个感兴趣区域，对上面新的感兴趣区域进行尺度判断；
如果尺度小于等于最小宽度，则需要将感兴趣区域映射返回到原图像中，在原图像的感兴趣区域中求取竖直方向的sobel梯度；否则直接在抽样图像中求取感兴趣区域的竖直sobel梯度；
将sobel梯度图投影到水平方向得到GGY图；
根据竖直梯度计算车的左右边界。
4.如权利要求3所述的基于对比度与显著性分析的车辆检测方法，其特征在于，根据竖直梯度计算车的左右边界的方法如下：首先将前面计算得到的竖直梯度求取绝对值，然后求得的绝对值投影到水平方向；之后在水平方向的左右各1/2区域内求取邻域内的最大值并返回最大值的坐标，将最大值的坐标定为左右边界的候选之一；然后，再在水平方向的左右各1/2区域内求取邻域内的最大值并返回最大值的坐标，将最大值的坐标定为左右边界的候选之一。
5.如权利要求1所述的基于对比度与显著性分析的车辆检测方法，其特征在于，将修正后的目标候选区域进行精确判断的方法如下：将确定的修正后的目标区域送给分类器进行判断，将判断为“是车辆”的目标区域送给去重合模块。
6.如权利要求1所述的基于对比度与显著性分析的车辆检测方法，其特征在于，多帧联合机制与图像去重合机制方法如下：根据当前帧前面的多帧图像在一定邻域范围内一直有检测目标车辆的结果，当前帧在该邻域内也产生一定的候选窗口，同样送给上面的分类器进行判断，判断为“是车辆”的目标区域送给去重合模块；去重合模块在汇总了所有的目标区域后，对其进行是否重合的判定，然后对有重合区域的目标区域进行置信度判定，将置信度高的目标区域留下，置信度低的目标窗口去除，最后，输出目标窗口区域坐标，完成车辆检测。
CN201711418637.2A 2017-12-25 2017-12-25 基于对比度与显著性分析的车辆检测方法 Pending CN109960984A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711418637.2A CN109960984A (zh) 2017-12-25 2017-12-25 基于对比度与显著性分析的车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711418637.2A CN109960984A (zh) 2017-12-25 2017-12-25 基于对比度与显著性分析的车辆检测方法

Publications (1)

Publication Number Publication Date
CN109960984A true CN109960984A (zh) 2019-07-02

Family

ID=67020706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711418637.2A Pending CN109960984A (zh) 2017-12-25 2017-12-25 基于对比度与显著性分析的车辆检测方法

Country Status (1)

Country Link
CN (1) CN109960984A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633182A (zh) * 2020-12-25 2021-04-09 广州文远知行科技有限公司 一种车辆状态检测方法、装置、设备和存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110129158A (ko) * 2010-05-25 2011-12-01 경북대학교 산학협력단 영상 처리 시스템에서의 객체 후보 영역 검출 방법 및 시스템
CN102663760A (zh) * 2012-04-23 2012-09-12 苏州大学 一种对图像中的车辆挡风镜区域进行定位分割的方法
CN103530366A (zh) * 2013-10-12 2014-01-22 湖北微模式科技发展有限公司 一种基于自定义特征的车辆搜索方法与系统
CN103871053A (zh) * 2014-02-25 2014-06-18 苏州大学 一种基于视觉显著性的布匹瑕疵检测方法
CN103914834A (zh) * 2014-03-17 2014-07-09 上海交通大学 一种基于前景先验和背景先验的显著性物体检测方法
CN103971086A (zh) * 2013-02-05 2014-08-06 浙江大华技术股份有限公司 一种车头定位方法及装置
CN104616007A (zh) * 2015-03-11 2015-05-13 天津工业大学 一种基于显著性检测和颜色直方图模型的车辆识别方法
CN105005989A (zh) * 2015-06-30 2015-10-28 长安大学 一种弱对比度下的车辆目标分割方法
CN106295636A (zh) * 2016-07-21 2017-01-04 重庆大学 基于多特征融合级联分类器的消防通道车辆检测方法
CN106951898A (zh) * 2017-03-15 2017-07-14 纵目科技（上海）股份有限公司 一种车辆候选区域推荐方法及系统、电子设备
CN107145824A (zh) * 2017-03-29 2017-09-08 纵目科技（上海）股份有限公司 一种基于显著性分析的车道线分割方法及系统、车载终端
CN107506686A (zh) * 2017-07-12 2017-12-22 浙江工业大学 一种基于显著性检测的夜间车辆检测方法
CN108629225A (zh) * 2017-03-15 2018-10-09 纵目科技（上海）股份有限公司 一种基于多幅子图与图像显著性分析的车辆检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110129158A (ko) * 2010-05-25 2011-12-01 경북대학교 산학협력단 영상 처리 시스템에서의 객체 후보 영역 검출 방법 및 시스템
CN102663760A (zh) * 2012-04-23 2012-09-12 苏州大学 一种对图像中的车辆挡风镜区域进行定位分割的方法
CN103971086A (zh) * 2013-02-05 2014-08-06 浙江大华技术股份有限公司 一种车头定位方法及装置
CN103530366A (zh) * 2013-10-12 2014-01-22 湖北微模式科技发展有限公司 一种基于自定义特征的车辆搜索方法与系统
CN103871053A (zh) * 2014-02-25 2014-06-18 苏州大学 一种基于视觉显著性的布匹瑕疵检测方法
CN103914834A (zh) * 2014-03-17 2014-07-09 上海交通大学 一种基于前景先验和背景先验的显著性物体检测方法
CN104616007A (zh) * 2015-03-11 2015-05-13 天津工业大学 一种基于显著性检测和颜色直方图模型的车辆识别方法
CN105005989A (zh) * 2015-06-30 2015-10-28 长安大学 一种弱对比度下的车辆目标分割方法
CN106295636A (zh) * 2016-07-21 2017-01-04 重庆大学 基于多特征融合级联分类器的消防通道车辆检测方法
CN106951898A (zh) * 2017-03-15 2017-07-14 纵目科技（上海）股份有限公司 一种车辆候选区域推荐方法及系统、电子设备
CN108629225A (zh) * 2017-03-15 2018-10-09 纵目科技（上海）股份有限公司 一种基于多幅子图与图像显著性分析的车辆检测方法
CN107145824A (zh) * 2017-03-29 2017-09-08 纵目科技（上海）股份有限公司 一种基于显著性分析的车道线分割方法及系统、车载终端
CN107506686A (zh) * 2017-07-12 2017-12-22 浙江工业大学 一种基于显著性检测的夜间车辆检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SHEN HAO ET AL: "Moving object detection in aerial video based on spatiotemporal saliency", 《CHINESE JOURNAL OF AERONAUTICS》, vol. 26, no. 5, pages 1211, XP055281284, DOI: 10.1016/j.cja.2013.07.038 *
YINGFENG CAI ET AL: "Night-Time Vehicle Detection Algorithm Based on Visual Saliency and Deep Learning", 《JOURNAL OF SENSORS》, vol. 2016, pages 1 - 8 *
胡玉双 等: "基于图像的车辆品牌识别", 《辽宁工业大学学报(自然科学版)》, vol. 36, no. 4, pages 222 - 224 *
齐楠楠 等: "基于视觉显著性和目标置信度的红外车辆检测技术", 《红外与激光工程》, vol. 46, no. 6, pages 0604005 - 1 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633182A (zh) * 2020-12-25 2021-04-09 广州文远知行科技有限公司 一种车辆状态检测方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
Lan et al. Vehicle speed measurement based on gray constraint optical flow algorithm
Hautière et al. Real-time disparity contrast combination for onboard estimation of the visibility distance
CN109471096B (zh) 多传感器目标匹配方法、装置及汽车
CN103324913B (zh) 一种基于形状特征和轨迹分析的行人事件检测方法
CN107463890B (zh) 一种基于单目前视相机的前车检测与跟踪方法
CN104183127B (zh) 交通监控视频检测方法和装置
US9123242B2 (en) Pavement marker recognition device, pavement marker recognition method and pavement marker recognition program
CN102222346B (zh) 一种车辆检测和跟踪方法
CN103310194B (zh) 视频中基于头顶像素点梯度方向的行人头肩部检测方法
Hautière et al. Enhanced fog detection and free-space segmentation for car navigation
CN107563310B (zh) 一种违章变道检测方法
CN108280450A (zh) 一种基于车道线的高速公路路面检测方法
CN107315095A (zh) 基于视频处理的具有光照适应性的多车辆自动测速方法
CN108171695A (zh) 一种基于图像处理的高速公路路面检测方法
CN109784290A (zh) 一种目标检测方法、装置、设备及可读存储介质
CN111178161A (zh) 一种基于fcos的车辆追踪方法及系统
WO2022028383A1 (zh) 车道线标注、检测模型确定、车道线检测方法及相关设备
CN108629225B (zh) 一种基于多幅子图与图像显著性分析的车辆检测方法
CN113029185A (zh) 众包式高精度地图更新中道路标线变化检测方法及系统
CN109753841A (zh) 车道线识别方法和装置
CN108846363A (zh) 一种基于发散式扫描的分区域车底阴影检测方法
CN109961637A (zh) 基于多子图融合与显著性分析的车辆检测装置及系统
CN109960984A (zh) 基于对比度与显著性分析的车辆检测方法
CN109961420A (zh) 基于多子图融合与显著性分析的车辆检测方法
CN108629226B (zh) 一种基于图像分层技术的车辆检测方法及系统

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