CN109993046A - 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆 - Google Patents

基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆 Download PDF

Info

Publication number
CN109993046A
CN109993046A CN201810712073.1A CN201810712073A CN109993046A CN 109993046 A CN109993046 A CN 109993046A CN 201810712073 A CN201810712073 A CN 201810712073A CN 109993046 A CN109993046 A CN 109993046A
Authority
CN
China
Prior art keywords
boundary
identified
line segment
angle
straightway
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
Application number
CN201810712073.1A
Other languages
English (en)
Other versions
CN109993046B (zh
Inventor
宫原俊二
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.)
Haomo Zhixing Technology Co Ltd
Original Assignee
Great Wall Motor 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 Great Wall Motor Co Ltd filed Critical Great Wall Motor Co Ltd
Priority to CN201810712073.1A priority Critical patent/CN109993046B/zh
Priority to PCT/CN2019/093771 priority patent/WO2020001631A1/zh
Priority to EP19825559.8A priority patent/EP3800575B1/en
Publication of CN109993046A publication Critical patent/CN109993046A/zh
Application granted granted Critical
Publication of CN109993046B publication Critical patent/CN109993046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • 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
    • 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
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • 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
    • 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
    • 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

Landscapes

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

Abstract

本发明提供了一种基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆，所述方法包括：在车辆行驶过程中，采集待识别对象的影像数据，并进行微分处理；根据预设阈值对所述微分处理后的影像进行三值化处理，以获取包括正负向边界像素的三值化影像；根据所述正负向边界像素，获取表示所述待识别物的边界走势的正负向直线段；如果所述直线段创建了具备预设条件目标对象，则确定所述直线段为所述待识别对象的外围边界，否则根据所述预设条件所述确定第一边界；根据所述第一边界确定第二边界；通过所述第一边界和所述第二边界的位置，绘制所述待识别对象的外围边界。解决了现有技术中没有系统有效的方法识别自阴影物体边缘的问题。

Description

基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆
技术领域
本发明涉及自动驾驶技术领域，包括一种基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆。
背景技术
ADAS(Advanced Driver Assistant Systems，高级驾驶辅助系统)可以利用安装在车上的各式各样传感器，在汽车行驶过程中随时来感应周围的环境，收集数据，并辨识、追踪不同运动状态的物体。再结合导航仪地图数据，进行系统的运算与分析，从而预先让驾驶者察觉到可能发生的危险，有效增加汽车驾驶的舒适性和安全性，尤其是在自动驾驶领域，ADAS中的各种传感器，如视觉相机具有像人类一样获得二维图像的功能，所以可作为自动驾驶车辆中ADAS中的主要传感器。
其中，视觉相机使用图像处理功能来捕捉车辆驾驶中的道路图像，并辅助驾驶员在自动驾驶模式下准确的识别道路，是自动驾驶领域的一项重要课题。但是对于识别具有自身阴影的小物体，其中，由于在照明下产生的阴影自遮蔽会产生防止物体识别的边界，并且边界随着照明的方向而变化。即边界在物体表面上移动。所以，识别具有自身阴影的物体是非常困难的。
目前，并没有有效和系统的方法来有效的识别自阴影图像中边界，从而进行的目标对象的识别。
发明内容
有鉴于此，由于现有技术中没有有效和系统的方法来获取效果较好的原始图像的三值图像的问题。
为解决上述问题，本发明的技术方案是这样实现的：
一种基于视觉摄像机的自阴影物体边缘识别方法，在车辆行驶过程中，采集待识别对象的影像数据；
对所述影像数据进行微分处理，以获取微分处理后的影像，并根据预设阈值对所述微分处理后的影像进行三值化处理，以获取包括正向边界像素和负向边界像素的三值化影像；
根据所述正向边界像素和所述负向边界像素，获取表示所述待识别物的边界走势的正向直线段和负向直线段；
如果所述直线段创建了具备预设高度、预设宽度和预设形状的目标对象，则确定所述直线段为所述待识别对象的外围边界，
否则进行下述步骤，以确定所述待识别对象的外围边界：
在所述直线段中选择与所述预设高度以及预设角度最接近的直线段，并确定第一边界；所述第一边界为光线与所述待识别物体交接线；
在所述直线段中选择与所述第一边界具备相同高度、位置、角对称性以及距离小于所述待识别对象宽度的直线段，并确定为第二边界；所述第二边界为所述影像数据中所述待识别物体上的光线与阴影交接线；
通过所述第一边界和所述第二边界的位置，绘制所述待识别对象的外围边界；所述外围边界为所述影像数据中所述待识别物体上的阴影与背景交接线。
进一步的，所述通过所述第一边界和所述第二边界的位置，绘制所述待识别对象的外围边界的步骤，包括：
获取所述第一边界和第二边界延长线的交点；
获取所述第一边界与水平线之间的第一角度；
通过平角与所述第一角度之差，得到第三角度；
根据所述交点与所述第三角度，确定所述待识别对象的外围边界。
进一步的，所述根据所述交点与所述第三角度，确定所述待识别对象的外围边界的步骤，包括：
绘制穿过所述第一边界和第二边界延长线的交点的线段，并使所述线段与水平线的夹角为所述第三角度；
将所述线段确定为所述待识别对象的外围边界。
进一步的，所述根据所述交点与所述第三角度，确定所述待识别对象的外围边界的步骤，包括：
确定第一边界的第一高度值，以及所述第一边界和与预设中心线的第一距离；
绘制穿过所述第一边界和第二边界延长线的交点的线段，并使所述线段与水平线的夹角为所述第三角度；
将所述线段平行移动，以使所述线段的距离预设中心线的距离等于所述第一距离，以及所述线段的高度等于所述第一高度值；
将平移后的所述线段确定为所述待识别对象的外围边界。
进一步的，在所述将所述平移后的/线段确定为所述待识别对象的外围边界的步骤之前，还包括：
判断所述平移后的/线段分割的待识别物体上的阴影区域与所述待识别对象的自然背景区域之间的纹理差异是否超过预设阈值；
若所述纹理差异超于预设阈值，则进入将所述平移后的/线段确定为所述待识别对象的外围边界的步骤，否则重新进入确定所述待识别对象的外围边界的步骤。
进一步的，在所述将所述平移后的/线段确定为所述待识别对象的外围边界的步骤之前，还包括：
通过平行移动所述平移后的/线段，以确定所述平移后的/线段分割的待识别物体上的阴影区域与所述待识别对象的自然背景区域之间的纹理差异最大值；
如果所述纹理差异最大值大于预设阈值，则进入将所述平移后的/线段确定为所述待识别对象的外围边界的步骤，否则重新进入确定所述待识别对象的外围边界的步骤。
相对于现有技术，本发明所述的基于视觉摄像机的自阴影物体边缘识别方法具有以下优势：通过在车辆行驶过程中，获取待识别对象的影像数据；对所述影像数据进行微分处理，以获取微分处理后的影像，并根据预设阈值对所述微分处理后的影像进行三值化处理，以获取包括正向边界像素和负向边界像素的三值化影像；
根据所述正向边界像素和所述负向边界像素，获取表示所述待识别物的边界走势的正向直线段和负向直线段；如果所述直线段创建了具备预设高度、预设宽度和预设形状的目标对象，则确定所述直线段为所述待识别对象的外围边界，否则通过确定第一边界和第二边界，进而确定所述待识别对象的外围边界。具有系统有效的进行自阴影图像边界识别的有益效果。
本发明的另一目的在于提出一种基于视觉摄像机的自阴影物体边缘识别装置，所述装置包括：图像采集模块，用于在车辆行驶过程中，采集待识别对象的影像数据；
三值化模块，用于对所述影像数据进行微分处理，以获取微分处理后的影像，并根据预设阈值对所述微分处理后的影像进行三值化处理，以获取包括正向边界像素和负向边界像素的三值化影像；
直线段获取模块，用于根据所述正向边界像素和所述负向边界像素，获取表示所述待识别物的边界走势的正向直线段和负向直线段；
外围边界确定模块，用于如果所述直线段创建了具备预设高度、预设宽度和预设形状的目标对象，则确定所述直线段为所述待识别对象的外围边界，
否则，通过执行以下模块确定所述待识别对象的外围边界：
第一边界确定模块，用于在所述直线段中选择与所述预设高度以及预设角度最接近的直线段，并确定第一边界；所述第一边界为光线与所述待识别物体交接线；
第二边界确定模块，用于在所述直线段中选择与所述第一边界具备相同高度、位置、角对称性以及距离小于所述待识别对象宽度的直线段，并确定为第二边界；所述第二边界为所述影像数据中所述待识别物体上的光线与阴影交接线；
外围边界绘制模块，用于通过所述第一边界和所述第二边界的位置，绘制所述待识别对象的外围边界；所述外围边界为所述影像数据中所述待识别物体上的阴影与背景交接线。
进一步的，所述外围边界绘制模块，包括：
延长线交点获取子模块，用于获取所述第一边界和第二边界延长线的交点；
第一角度获取子模块，用于获取所述第一边界与水平线之间的第一角度；
第三角度获取子模块，用于通过平角与所述第一角度之差，得到第三角度；
外围边界确定子模块，用于根据所述交点与所述第三角度，确定所述待识别对象的外围边界。
进一步的，所述外围边界确定子模块，包括：
线段绘制单元，用于绘制穿过所述第一边界和第二边界延长线的交点的线段，并使所述线段与水平线的夹角为所述第三角度；
外围边界确定单元，用于将所述线段确定为所述待识别对象的外围边界。
进一步的，所述外围边界确定子模块，包括：
第一距离确定单元，用于确定第一边界的第一高度值，以及所述第一边界和与预设中心线的第一距离；
线段夹角确定单元，用于绘制穿过所述第一边界和第二边界延长线的交点的线段，并使所述线段与水平线的夹角为所述第三角度；
线段平移单元，用于将所述线段平行移动，以使所述线段的距离预设中心线的距离等于所述第一距离，以及所述线段的高度等于所述第一高度值；
外围边界绘制模块，用于将平移后的所述线段确定为所述待识别对象的外围边界。
进一步的，还包括：判断单元，用于判断所述平移后的/线段分割的待识别物体上的阴影区域与所述待识别对象的自然背景区域之间的纹理差异是否超过预设阈值；
确定单元，用于若所述纹理差异超于预设阈值，则执行外围边界确定单元，否则重新执行外围边界绘制模块。
进一步的，还包括：纹理差异最大值确定单元，用于通过平行移动所述平移后的/线段，以确定所述平移后的/线段分割的待识别物体上的阴影区域与所述待识别对象的自然背景区域之间的纹理差异最大值；
执行单元，用于如果所述纹理差异最大值大于预设阈值，则执行线段平移单元，否则重新执行外围边界绘制模块。
所述一种基于视觉摄像机的自阴影物体边缘识别装置与上述一种基于视觉摄像机的自阴影物体边缘识别方法相对于现有技术所具有的优势相同，在此不再赘述。
优选地，本发明的另一目的在于提出一种车辆，包括上述描述的基于视觉摄像机的自阴影物体边缘识别方法及装置。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例一所述的一种基于视觉摄像机的自阴影物体边缘识别方法的流程图；
图2为本发明实施例中的图像处理结果示意图；
图3为本发明实施例中的图像处理结果示意图；
图4为本发明实施例中的图像处理原理示意图；
图5为本发明实施例中的图像处理结果示意图；
图6为本发明实施例中的图像处理原理示意图；
图7为本发明实施例中的图像处理结果示意图；
图8为本发明实施例中的图像处理结果示意图；
图9为本发明实施例中的图像处理原理示意图；
图10为本发明实施例中的图像处理结果示意图；
图11为本发明实施例中的图像处理原理示意图；
图12为本发明实施例中的图像处理结果示意图；
图13为本发明实施例中的图像处理结果示意图；
图14为本发明实施例中的图像处理原理示意图；
图15为本发明实施例中的图像处理原理示意图；
图16为本发明实施例中的图像处理原理示意图；
图17为本发明实施例中的图像处理原理示意图；
图18为本发明实施例中的图像处理原理示意图；
图19为本发明实施例二所述的一种基于视觉摄像机的自阴影物体边缘识别方法的流程图；
图20为本发明实施例中的图像处理原理示意图；
图21为本发明实施例中的图像处理原理示意图；
图22为本发明实施例三所述的一种基于视觉摄像机的自阴影物体边缘识别装置的结构框图；
图23为本发明实施例三所述的一种基于视觉摄像机的自阴影物体边缘识别装置的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
实施例一
参照图1，为本发明实施例所述的一种基于视觉摄像机的自阴影物体边缘识别方法的流程图，具体可以包括如下步骤：
步骤101，在车辆行驶过程中，采集待识别对象的影像数据。
本发明实施例中，可以采用单目视觉系统，优选的，该视觉系统的可以通过长焦镜头获取像素大于1M的影像。
示例地，获取的影像如图2所示。图2可以是从由单目摄像头获取到的全局影像。为提升后期影像处理的效率，也可以全局影像中截取出来的包括待识别物的子影像。如图2所示，可以观测到待识别物边界较模糊且边界不连续。
步骤102，对所述影像数据进行微分处理，以获取微分处理后的影像，并根据预设阈值对所述微分处理后的影像进行三值化处理，以获取包括正向边界像素和负向边界像素的三值化影像。
本发明实施例中，具体的，可以通过Sobel滤波器(Filter)对该影像(Image)进行影像处理。如图2所示是一种通过Sobel滤波器(Filter)FFF进行影像处理的过程示意图。
如图3所示，Raster Scan(光栅扫描)在水平方向上扫过影像上的每一个像素点，并将原影像上XXX(m,n)变换为微分影像YYY(m,n)，具体可以参考如下代码：
进一步的，可以对微分影像YYY(m,n)进行二值化或者三值化处理。具体可以参考如下三值化影像TTT(m,n)代码,以获取三值化影像TTT(m,n)：
经过上述三值化影像处理，获取的三值化影像TTT(m,n)中每一像素点的取值从集合[-1,0,1]中选取。由此，微分影像YYY(m,n)中大于预设阈值Threshold的像素点被赋值为1，微分影像YYY(m,n)中小于阈值Threshold的像素点被赋值为-1，其余像素点被赋值为0。这样，就可以区分出值为1的正向边界像素，值为-1的负向边界像素，而除边界像素以外的其他像素均被赋值为0。
示例地，图2经影像处理后获取的图4所示的三值化影像TTT(m,n)。处理后获取的影像中可以区分正向边界像素和负向边界像素。如图5所示，可以单独提取出正向边界像素。
步骤103，根据所述正向边界像素和所述负向边界像素，获取表示所述待识别物的边界走势的正向直线段和负向直线段。
本发明实施例中，首先，对所述正向边界像素和所述负向边界像素分别进行分组，以分别获取正向边界像素组和负向边界像素组，所述正向边界像素或所述负向边界像素分别与各自组内其他边界像素八方互联。
具体的，参考如图6所示正向边界像素组分组示意图。整个影像上包含像素total＝18278，其中正向边界像素features＝263。除去影像上的正向边界像素，有18015个像素(像素坐标范围v(1,74)h(1,247))为背景像素。具体的，每一正向边界像素组的像素分布信息如表1所示。
表1
无论是在正向边界像素组还是负向边界像素组中，每一组的边界像素在水平方向上都有较宽的范围。
接着，在水平方向上分别对所述正向边界像素组和所述负向边界像素组进行边界像素窄化，以分别获取正向窄化边界像素组和负向窄化边界像素组，所述正向窄化边界像素组和所述负向窄化边界像素组各自组内的在水平方向上的边界像素总数不超过预设阈值。
如图7所示，在水平方向上进行边界像素窄化的原理示意图。比如，某一正向边界像素组中某一行包括具有3个正向边界像素，进行边界像素窄化之后获取的正向窄化边界像素组中，只保留中间的像素，而剩下的两个像素被赋值为与背景像素相同。再比如，某一正向边界像素组中某一行包括具有4个正向边界像素，进行边界像素窄化之后获取的正向窄化边界像素组中，只保留从左至右数的第2个像素或者第3个像素，而剩下的3个像素被赋值为与背景像素相同。
示例的，参考如图8所示正向窄化边界像素组分组示意图。整个影像上包含像素total＝18278，其中窄化正向边界像素features＝72。除去影像上的正向边界像素，有18206个像素(像素坐标范围v(1,74)h(1,247))为背景像素。具体的，每一窄化正向边界像素组的像素分布信息如表2所示。
表2
组号 每一正向边界组像素数 每一正向边界像素组像素坐标范围
#1 4 v(2,5)h(75,76)
#2 4 v(2,5)h(116,116)
#3 8 v(2,9)h(151,152)
#4 9 v(30,38)h(137,138)
#5 10 v(43,52)h(134,136)
#6 8 v(55,62)h(132,134)
#7 17 v(57,73)h(142,145)
#8 8 v(66,73)h(130,132)
#9 2 v(72,73)h(74,74)
#10 2 v(72,73)h(208,209)
经过边界像素窄化之后，被选中的正向边界像素数目由图6所示的263个降到了图8所示的72个。正向窄化边界像素组保留了原始影像中的边界信息，能够表示待识别物的边界走势，同时降低了后续影像处理的复杂程度。
然后，对所述正向窄化边界像素组和所述负向窄化边界像素组分别进行霍夫Hough变换，以获取所述正向直线段和所述负向直线段。
可选的，进行霍夫Hough变换之前，剔除多个所述正向窄化边界像素组中，所在区域位置与其他组的平均区域位置之间的区域位置距离大于预设距离阈值的无效组。这样，能够减少后续的运算量，提高处理结果的精确性。其中，可以根据已知路锥的高度设定预设距离阈值。例如，设定预设距离阈值为已知路锥高度，或者设定预设距离阈值为已知路锥高度的倍数。
对剔除所述无效组后的正向窄化边界像素组中的像素进行霍夫Hough变换，以获取表示所述待识别物的边界走势的正向直线。“获取表示所述待识别物的边界走势的负向直线”的方法与“获取表示所述待识别物的边界走势的正向直线”的方法相同，在此就不再赘述。
具体的，霍夫Hough变换过程如下：
根据所述正向窄化边界像素组和所述负向窄化边界像素组，分别获取正向霍夫曲线和负向霍夫曲线。
以图8所示正向窄化边界像素组为例，通过如下公式对组内每一正向边界像素点(iv，ih)进行变换，以获取如图9所示的正向霍夫曲线(x，y):
y＝-(iv-fix(MM/2))； ％y:upward
x＝ih-(fix(NN/2))；
其中，MM是图8中正向边界像素竖直方向坐标的最大取值；NN是图8中正向边界像素水平方向坐标的最大取值。
分别对所述正向霍夫曲线和所述负向霍夫曲线进行直方图变换，以分别获取所述正向霍夫曲线的峰值数和质心，以及所述负向霍夫曲线的峰值数和质心。
参考如下计算峰值数的程序代码：
H(1:nnR,1:nnAng):histogram is binarized.
binH(1:nnR,1:nnAng)＝H*0；％H:histogram
binH(H>＝threshold)＝1； ％Binary
HL＝fnc_Labeling(binH)； ％Labeling of binary image
nL＝max(HL(:)) ％number of peaks(labels)
参考如下计算质心的程序代码：
rrG(1:nL)； ％CG of the range for each connected region
aangG(1:nL)； ％CG of the angles
rrG&aangG:nl＝2
rrG:50,110,
aangG:151,31,
根据所述正向霍夫曲线的峰值数和质心，获取表示所述待识别物的边界走势的正向直线，并根据所述负向霍夫曲线的峰值数和质心，获取表示所述待识别物的边界走势的负向直线。
在霍夫Hough平面将峰值点进行连接，并对连接为同一组的峰值点进行标记，标记的结果如表3所示。
表3
通过比较，选择包含的峰值数目(number of peaks)最多的组#1。在峰值连接后，计算该组的质心。上述被选中的组#1的在霍夫Hough平面的质心信息如下：
rrG&aangG:nl＝1
rrG:14,
angG:351,
由被选中的组#1可以直接获取表示所述待识别物的边界走势的正向直线，如图10所示。
对所述正向边界像素与所述正向直线进行匹配，以从所述正向直线上确定出两个端点，该两个端点之间的线段即为所述正向直线段。
具体的，包括：确定所述正向边界像素中与所述正向直线的距离小于预设距离的目标正向边界像素；根据所述目标正向边界像素中在竖直方向上的竖直坐标值最大的像素，确定所述两个端点中的第一端点，以及，根据所述目标正向边界像素中在竖直方向上的竖直坐标值最小的像素，确定所述两个端点中的第二端点。
例如，如图11所示，共有5个像素(1、2、3、4、5)与正向直线(虚线)距离小于预设距离。则通过竖直坐标最大的像素1在正向直线上确定第一端点，通过竖直坐标最小的像素5在正向直线上确定第二端点。
如图12所示，是与图10所示的正向直线小于预设距离的目标正向边界像素。通过目标正向边界像素确定获取的正向直线段如图13所示。
对所述负向边界像素与所述负向直线进行匹配，以从所述负向直线上确定出两个端点，该两个端点之间的线段即为所述负向直线段。
其中，负向直线段的确定过程与正向直线段相似，获取的负向直线段如图14所示，此处不再赘述。
步骤104，如果所述直线段创建了具备预设高度、预设宽度和预设形状的目标对象，则确定所述直线段为所述待识别对象的外围边界，
本发明实施例中，如果上述得到的正向直线段和/或负向直线段所构成的图形对象符合预设高度、预设宽度和预设形状，那么就确定该正向直线段和/或负向直线段是识别对象的正确外围边界，如图15所示，识别对象是路锥，在自阴影影响较小的情况下，可以从边缘图像观察到交通锥体的外围，即，实际的外围表面由边缘图像估计，也就是说通过三值化得到的直线段与路锥的高度、宽度以及对应构造的形状相符，那么可以确认该线段即为路锥的外边界。
实际应用中，当存在阴影时，且阴影的影响较大时，如图16所示，不能从边缘图像中适当地获得交通锥的外围，其中观察到右外围，反而是出现的阴影边界。如图17所示的另一个自阴影路锥的识别实例，路锥的右半部分已经消失了，锥体的宽度看起来缩小了，因此，锥体可能被识别成为另一个物体。
如此，则需要进行下述步骤，以确定所述待识别对象的外围边界：
步骤105，在所述直线段中选择与所述预设高度以及预设角度最接近的直线段，并确定第一边界；所述第一边界为光线与所述待识别物体交接线。
步骤106，在所述直线段中选择与所述第一边界具备相同高度、位置、角对称性以及距离小于所述待识别对象宽度的直线段，并确定为第二边界；所述第二边界为所述影像数据中所述待识别物体上的光线与阴影交接线。
本发明实施例中，如图18所示，假设太阳从左侧照亮，而自遮蔽取决于太阳的方向，照明和阴影部分随着照明方向的改变而改变。其中的照明①是理想的情况，没有阴影。在照度②中，在路锥的右半部分存在小部分阴影，并且在照明③中，阴影覆盖了锥体的整个右半部分以及少部分左半部分。这些阴影导致难以提取正确的外围边界。在某些情况下，外围边界完全无法识别，而在另外一些情况下，第二边界会被误识别为是外围边界。
所以具体的，在识别正确的外围边界时，首先需要识别第一边界和第二边界，其中第一边界在左背景和被照亮的部分之间，第二边界在被照亮的部分和阴影部分之间，而外围边界是在阴影部分和右边背景之间。
其中，通过差分图像不能有效识别外围边界，所以当通过三值化图像确定识别对象上的正向线段和负向线段后，确定其为第一边界和第二边界。
步骤107，通过所述第一边界和所述第二边界的位置，绘制所述待识别对象的外围边界；所述外围边界为所述影像数据中所述待识别物体上的阴影与背景交接线。
本发明实施例中，通过判断第一边界和第二边界之间的距离、角度是否符合识别对象的特征，来进一步判断正确外围边界的位置。
例如，边缘线段的极性不同，即一个是正缘，另一个是负缘，根据照明的方向可以确定其中正缘或负缘为第一边界，再根据每个边界与识别对象中心线的距离，如大约20cm，取决于交通锥体大小。再根据角度第一边界与水平线的角度与第二边界与水平线的角度为180度。如果第二边界距离中心线的距离为20cm，那么将第二边界判定为外围边界，不再分析，否则，根据第一边界与第二边界的位置结合待识别对象的具体参数，确定正确的外围边界。
在本发明实施例中，通过在车辆行驶过程中，采集待识别对象的影像数据，并进行微分处理；根据预设阈值对所述微分处理后的影像进行三值化处理，以获取包括正负向边界像素的三值化影像；根据所述正负向边界像素，获取表示所述待识别物的边界走势的正负向直线段；如果所述直线段创建了具备预设条件目标对象，则确定所述直线段为所述待识别对象的外围边界，否则根据所述预设条件所述确定第一边界；根据所述第一边界确定第二边界；通过所述第一边界和所述第二边界的位置，绘制所述待识别对象的外围边界。解决了现有技术中没有系统有效的方法识别自阴影物体边缘的问题。达到了有效和系统的识别和确定目标待识别对象在阴影下正确的外围边界的目的。
实施例二
参照图19，为本发明实施例所述的一种基于视觉摄像机的自阴影物体边缘识别方法的流程图，具体可以包括如下步骤：
步骤201，在车辆行驶过程中，采集待识别对象的影像数据。
此步骤与步骤101相同，在此不再详述。
步骤202，对所述影像数据进行微分处理，以获取微分处理后的影像，并根据预设阈值对所述微分处理后的影像进行三值化处理，以获取包括正向边界像素和负向边界像素的三值化影像。
此步骤与步骤102相同，在此不再详述。
步骤203，根据所述正向边界像素和所述负向边界像素，获取表示所述待识别物的边界走势的正向直线段和负向直线段。
此步骤与步骤103相同，在此不再详述。
步骤204，如果所述直线段创建了具备预设高度、预设宽度和预设形状的目标对象，则确定所述直线段为所述待识别对象的外围边界，
此步骤与步骤104相同，在此不再详述。
否则进行下述步骤，以确定所述待识别对象的外围边界：
步骤205，在所述直线段中选择与所述预设高度以及预设角度最接近的直线段，并确定第一边界；所述第一边界为光线与所述待识别物体交接线；
此步骤与步骤105相同，在此不再详述。
步骤206，在所述直线段中选择与所述第一边界具备相同高度、位置、角对称性以及距离小于所述待识别对象宽度的直线段，并确定为第二边界；所述第二边界为所述影像数据中所述待识别物体上的光线与阴影交接线；
此步骤与步骤106相同，在此不再详述。
步骤207，获取所述第一边界和第二边界延长线的交点；
本发明实施例中，如图20所示，将第一边界和第二边界向上延伸至相交点，确定第一边界和第二边界延长线的交点。
步骤208，获取所述第一边界与水平线之间的第一角度。
本发明实施例中，如图20所示，获取第一边界与水平线的第一角度θ1。
步骤209，通过平角与所述第一角度之差，得到第三角度；
本发明实施例中，如图20所示，假设正确的外围边界与水平线之间的夹角为第三角度θ3’，那么根据识别对象路锥的特征，可以得知，θ3’＝180-θ1。
步骤210，根据所述交点与所述第三角度，确定所述待识别对象的外围边界。
优选地，步骤210，包括：子步骤A1-A2：
子步骤A1，绘制穿过所述第一边界和第二边界延长线的交点的线段，并使所述线段与水平线的夹角为所述第三角度；
子步骤A2，将所述线段确定为所述待识别对象的外围边界。
本发明实施例中，如图20所示，绘制通过第一边界和第二边界延长线的交点的线段，并假设为外围边界，移动该假设外围边界的下端，并且使得该假设边界与水平线之间的角度与θ3’一致，并调整该假设边界与识别对象的中心点距离为20cm，且高度与第一边界高度相似，那么第一边界与假设外围边界构建的区域与路锥的识别参数一致，则可以确定该假设外围边界为合适的外围边界。
优选地，在本发明另一实施例中，
步骤210，还可以包括：子步骤B1-B4：
子步骤B1，确定第一边界的第一高度值，以及所述第一边界和与预设中心线的第一距离；
子步骤B2，绘制穿过所述第一边界和第二边界延长线的交点的线段，并使所述线段与水平线的夹角为所述第三角度；
子步骤B3，将所述线段平行移动，以使所述线段的距离预设中心线的距离等于所述第一距离，以及所述线段的高度等于所述第一高度值；
子步骤B4，将平移后的所述线段确定为所述待识别对象的外围边界。
本发明实施例中，如图21所示的，首先绘制假设的外围边界需要确定第三角度，θ3’＝180-θ1，除此之外，确定与第一边界相同高度的线段，且h1＝h2，并且该线段距离中心处的宽度w'是中心处物体的预定宽度，即待识别对象的预设高度，本实施例中为20cm，该数值取决于具体识别对象的参数，本发明实施例对此不加以限制。
其次，确定第一边界和第二边界的延长线交点，如图21所示的，在绘制假设外围边界时，穿过该延长线交点，并且确定该线段的角度为θ3’＝180-θ1，然后根据下列公式计算出预设宽度，水平移动假设外围边界，使其距离第一边界的宽度为W”，其中a和b的值是预设参数，并且通常为1，
W”＝(a*w”+b*w’)/(w’+w”)
如此，即确定了假设外围边界的高度、角度以及距离第一边界的宽度，则确定该移动后的假设外围边界为合适的外围边界。
优选地，在本发明另一实施例中，
子步骤A2或B4之前，还可以包括：子步骤C1-C2：
子步骤C1，判断所述平移后的/线段分割的待识别物体上的阴影区域与所述待识别对象的自然背景区域之间的纹理差异是否超过预设阈值；
子步骤C2，若所述纹理差异超于预设阈值，则进入A2或B4步骤，否则重新进入步骤204。
本发明实施例中，为了证实上述判断，调查了由假设外围边界分隔的两个区域之间的纹理差异，通过横向移动该假设外围边界来研究其分割的两个区域之间的纹理差异，并且具有最大纹理差异的新边界被判断为边界正确的外围边界。其中，如果最大差异大于预定阈值，则该假设外围边界被判定为合适的外围边界。
如果在检测过程中，平移假设外围边界的过程中，其分割的两个区域之间的纹理差异小于预设阈值，则重新进入步骤204。
优选地，在本发明另一实施例中，
子步骤A2或B4之前，还可以包括：子步骤D1-D2：
子步骤D1，通过平行移动所述平移后的/线段，以确定所述平移后的/线段分割的待识别物体上的阴影区域与所述待识别对象的自然背景区域之间的纹理差异最大值；
子步骤D2，如果所述纹理差异最大值大于预设阈值，则进入A2或B4步骤，否则重新进入步骤204。
本发明实施例中，为了证实上述判断，在以水平线为轴线，平行移动假设外围边界，并检测该假设外围边界分隔的两个区域之间的纹理差异，找出具有最大纹理差异的新边界被判断为边界正确的外围边界。其中，如果最大差异大于预定阈值，则该假设外围边界被判定为合适的外围边界。
具体的，由于清晰的外围线(第一边界)和阴影边界的延长线(第二边界)用于估计交点，并且从交叉点开始，具有与第一边界对称的角度的假设外围边界的线段被创建，之后平行移动该线段之后判断该线段两侧的纹理看，而且纹理的差异较大时，对模糊外围线的估计更加可靠。
如果在检测过程中，平移假设外围边界的过程中，其分割的两个区域之间的纹理差异小于预设阈值，则重新进入步骤204。
在本发明实施例中，在车辆行驶过程中，采集待识别对象的影像数据，并进行微分处理；根据预设阈值对所述微分处理后的影像进行三值化处理，以获取包括正负向边界像素的三值化影像；根据所述正负向边界像素，获取表示所述待识别物的边界走势的正负向直线段；如果所述直线段创建了具备预设条件目标对象，则确定所述直线段为所述待识别对象的外围边界，否则根据所述预设条件所述确定第一边界；根据所述第一边界确定第二边界；获取所述第一边界和第二边界延长线的交点；获取所述第一边界与水平线之间的第一角度；通过平角与所述第一角度之差，得到第三角度；根据所述交点与所述第三角度，确定所述待识别对象的外围边界。达到了有效和系统的识别和确定目标待识别对象在阴影下正确的外围边界的目的。
实施例三
参照图22，为本发明实施例所述的一种基于视觉摄像机的自阴影物体边缘识别装置的结构框图，所述装置包括：
图像采集模块301，用于在车辆行驶过程中，采集待识别对象的影像数据；
三值化模块302，用于对所述影像数据进行微分处理，以获取微分处理后的影像，并根据预设阈值对所述微分处理后的影像进行三值化处理，以获取包括正向边界像素和负向边界像素的三值化影像；
直线段获取模块303，用于根据所述正向边界像素和所述负向边界像素，获取表示所述待识别物的边界走势的正向直线段和负向直线段；
外围边界确定模块304，用于如果所述直线段创建了具备预设高度、预设宽度和预设形状的目标对象，则确定所述直线段为所述待识别对象的外围边界，
否则，通过执行以下模块确定所述待识别对象的外围边界：
第一边界确定模块305，用于在所述直线段中选择与所述预设高度以及预设角度最接近的直线段，并确定第一边界；所述第一边界为光线与所述待识别物体交接线；
第二边界确定模块306，用于在所述直线段中选择与所述第一边界具备相同高度、位置、角对称性以及距离小于所述待识别对象宽度的直线段，并确定为第二边界；所述第二边界为所述影像数据中所述待识别物体上的光线与阴影交接线；
外围边界绘制模块307，用于通过所述第一边界和所述第二边界的位置，绘制所述待识别对象的外围边界；所述外围边界为所述影像数据中所述待识别物体上的阴影与背景交接线。
参照图23，为本发明实施例所述的一种基于视觉摄像机的自阴影物体边缘识别装置的结构框图，所述装置包括：
图像采集模块301，用于在车辆行驶过程中，采集待识别对象的影像数据；
三值化模块302，用于对所述影像数据进行微分处理，以获取微分处理后的影像，并根据预设阈值对所述微分处理后的影像进行三值化处理，以获取包括正向边界像素和负向边界像素的三值化影像；
直线段获取模块303，用于根据所述正向边界像素和所述负向边界像素，获取表示所述待识别物的边界走势的正向直线段和负向直线段；
外围边界确定模块304，用于如果所述直线段创建了具备预设高度、预设宽度和预设形状的目标对象，则确定所述直线段为所述待识别对象的外围边界，
否则，通过执行以下模块确定所述待识别对象的外围边界：
第一边界确定模块305，用于在所述直线段中选择与所述预设高度以及预设角度最接近的直线段，并确定第一边界；所述第一边界为光线与所述待识别物体交接线；
第二边界确定模块306，用于在所述直线段中选择与所述第一边界具备相同高度、位置、角对称性以及距离小于所述待识别对象宽度的直线段，并确定为第二边界；所述第二边界为所述影像数据中所述待识别物体上的光线与阴影交接线；
外围边界绘制模块307，用于通过所述第一边界和所述第二边界的位置，绘制所述待识别对象的外围边界；所述外围边界为所述影像数据中所述待识别物体上的阴影与背景交接线。
优选地，所述外围边界绘制模块307，包括：
延长线交点获取子模块3071，用于获取所述第一边界和第二边界延长线的交点；
第一角度获取子模块3072，用于获取所述第一边界与水平线之间的第一角度；
第三角度获取子模块3073，用于通过平角与所述第一角度之差，得到第三角度；
外围边界确定子模块3074，用于根据所述交点与所述第三角度，确定所述待识别对象的外围边界。
优选地，所述外围边界确定子模块3074，包括：
线段绘制单元，用于绘制穿过所述第一边界和第二边界延长线的交点的线段，并使所述线段与水平线的夹角为所述第三角度；
外围边界确定单元，用于将所述线段确定为所述待识别对象的外围边界。
优选地，所述外围边界确定子模块3074，还可以包括：
第一距离确定单元，用于确定第一边界的第一高度值，以及所述第一边界和与预设中心线的第一距离；
线段夹角确定单元，用于绘制穿过所述第一边界和第二边界延长线的交点的线段，并使所述线段与水平线的夹角为所述第三角度；
线段平移单元，用于将所述线段平行移动，以使所述线段的距离预设中心线的距离等于所述第一距离，以及所述线段的高度等于所述第一高度值；
外围边界绘制模块，用于将平移后的所述线段确定为所述待识别对象的外围边界。
优选地，所述外围边界确定子模块3074，还包括：
判断单元，用于判断所述平移后的/线段分割的待识别物体上的阴影区域与所述待识别对象的自然背景区域之间的纹理差异是否超过预设阈值；
确定单元，用于若所述纹理差异超于预设阈值，则执行外围边界确定单元，否则重新执行外围边界绘制模块。
优选地，所述外围边界确定子模块3074，还包括：
纹理差异最大值确定单元，用于通过平行移动所述平移后的/线段，以确定所述平移后的/线段分割的待识别物体上的阴影区域与所述待识别对象的自然背景区域之间的纹理差异最大值；
执行单元，用于如果所述纹理差异最大值大于预设阈值，则执行线段平移单元，否则重新执行外围边界绘制模块。
在本发明实施例中，通过图像采集模块，在车辆行驶过程中，采集待识别对象的影像数据；三值化模块，对所述影像数据进行微分处理，以获取微分处理后的影像，并根据预设阈值对所述微分处理后的影像进行三值化处理，以获取包括正向边界像素和负向边界像素的三值化影像；直线段获取模块，用于根据所述正向边界像素和所述负向边界像素，获取表示所述待识别物的边界走势的正向直线段和负向直线段；外围边界确定模块，用于如果所述直线段创建了具备预设高度、预设宽度和预设形状的目标对象，则确定所述直线段为所述待识别对象的外围边界，否则，通过执行以下模块确定所述待识别对象的外围边界：第一边界确定模块，用于在所述直线段中选择与所述预设高度以及预设角度最接近的直线段，并确定第一边界；所述第一边界为光线与所述待识别物体交接线；第二边界确定模块，用于在所述直线段中选择与所述第一边界具备相同高度、位置、角对称性以及距离小于所述待识别对象宽度的直线段，并确定为第二边界；所述第二边界为所述影像数据中所述待识别物体上的光线与阴影交接线；外围边界绘制模块，用于通过所述第一边界和所述第二边界的位置，绘制所述待识别对象的外围边界；所述外围边界为所述影像数据中所述待识别物体上的阴影与背景交接线。解决了现有技术中没有系统有效的方法识别自阴影物体边缘的问题。达到了有效和系统的识别和确定目标待识别对象在阴影下正确的外围边界的目的。
本发明实施例还包括一种车辆，所述车辆包括实施例一至实施例三中的任一基于视觉摄像机的自阴影物体边缘识别方法或装置。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (13)

1.一种基于视觉摄像机的基于视觉摄像机的自阴影物体边缘识别方法，其特征在于，所述方法包括：
在车辆行驶过程中，采集待识别对象的影像数据；
对所述影像数据进行微分处理，以获取微分处理后的影像，并根据预设阈值对所述微分处理后的影像进行三值化处理，以获取包括正向边界像素和负向边界像素的三值化影像；
根据所述正向边界像素和所述负向边界像素，获取表示所述待识别物的边界走势的正向直线段和负向直线段；
如果所述直线段创建了具备预设高度、预设宽度和预设形状的目标对象，则确定所述直线段为所述待识别对象的外围边界，
否则进行下述步骤，以确定所述待识别对象的外围边界：
在所述直线段中选择与所述预设高度以及预设角度最接近的直线段，并确定第一边界；所述第一边界为光线与所述待识别物体交接线；
在所述直线段中选择与所述第一边界具备相同高度、位置、角对称性以及距离小于所述待识别对象宽度的直线段，并确定为第二边界；所述第二边界为所述影像数据中所述待识别物体上的光线与阴影交接线；
通过所述第一边界和所述第二边界的位置，绘制所述待识别对象的外围边界；所述外围边界为所述影像数据中所述待识别物体上的阴影与背景交接线。
2.根据权利要求1所述的方法，其特征在于，所述通过所述第一边界和所述第二边界的位置，绘制所述待识别对象的外围边界的步骤，包括：
获取所述第一边界和第二边界延长线的交点；
获取所述第一边界与水平线之间的第一角度；
通过平角与所述第一角度之差，得到第三角度；
根据所述交点与所述第三角度，确定所述待识别对象的外围边界。
3.根据权利要求2所述的方法，其特征在于，所述根据所述交点与所述第三角度，确定所述待识别对象的外围边界的步骤，包括：
绘制穿过所述第一边界和第二边界延长线的交点的线段，并使所述线段与水平线的夹角为所述第三角度；
将所述线段确定为所述待识别对象的外围边界。
4.根据权利要求2所述的方法，其特征在于，所述根据所述交点与所述第三角度，确定所述待识别对象的外围边界的步骤，包括：
确定第一边界的第一高度值，以及所述第一边界和与预设中心线的第一距离；
绘制穿过所述第一边界和第二边界延长线的交点的线段，并使所述线段与水平线的夹角为所述第三角度；
将所述线段平行移动，以使所述线段的距离预设中心线的距离等于所述第一距离，以及所述线段的高度等于所述第一高度值；
将平移后的所述线段确定为所述待识别对象的外围边界。
5.根据权利要求3或4所述的方法，其特征在于，在所述将所述平移后的/线段确定为所述待识别对象的外围边界的步骤之前，还包括：
判断所述平移后的/线段分割的待识别物体上的阴影区域与所述待识别对象的自然背景区域之间的纹理差异是否超过预设阈值；
若所述纹理差异超于预设阈值，则进入将所述平移后的/线段确定为所述待识别对象的外围边界的步骤，否则重新进入确定所述待识别对象的外围边界的步骤。
6.根据权利要求3或4所述的方法，其特征在于，在所述将所述平移后的/线段确定为所述待识别对象的外围边界的步骤之前，还包括：
通过平行移动所述平移后的/线段，以确定所述平移后的/线段分割的待识别物体上的阴影区域与所述待识别对象的自然背景区域之间的纹理差异最大值；
如果所述纹理差异最大值大于预设阈值，则进入将所述平移后的/线段确定为所述待识别对象的外围边界的步骤，否则重新进入确定所述待识别对象的外围边界的步骤。
7.一种基于视觉摄像机的基于视觉摄像机的自阴影物体边缘识别装置，其特征在于，所述装置包括：
图像采集模块，用于在车辆行驶过程中，采集待识别对象的影像数据；
三值化模块，用于对所述影像数据进行微分处理，以获取微分处理后的影像，并根据预设阈值对所述微分处理后的影像进行三值化处理，以获取包括正向边界像素和负向边界像素的三值化影像；
直线段获取模块，用于根据所述正向边界像素和所述负向边界像素，获取表示所述待识别物的边界走势的正向直线段和负向直线段；
外围边界确定模块，用于如果所述直线段创建了具备预设高度、预设宽度和预设形状的目标对象，则确定所述直线段为所述待识别对象的外围边界，
否则，通过执行以下模块确定所述待识别对象的外围边界：
第一边界确定模块，用于在所述直线段中选择与所述预设高度以及预设角度最接近的直线段，并确定第一边界；所述第一边界为光线与所述待识别物体交接线；
第二边界确定模块，用于在所述直线段中选择与所述第一边界具备相同高度、位置、角对称性以及距离小于所述待识别对象宽度的直线段，并确定为第二边界；所述第二边界为所述影像数据中所述待识别物体上的光线与阴影交接线；
外围边界绘制模块，用于通过所述第一边界和所述第二边界的位置，绘制所述待识别对象的外围边界；所述外围边界为所述影像数据中所述待识别物体上的阴影与背景交接线。
8.根据权利要求7所述的装置，其特征在于，所述外围边界绘制模块，包括：
延长线交点获取子模块，用于获取所述第一边界和第二边界延长线的交点；
第一角度获取子模块，用于获取所述第一边界与水平线之间的第一角度；
第三角度获取子模块，用于通过平角与所述第一角度之差，得到第三角度；
外围边界确定子模块，用于根据所述交点与所述第三角度，确定所述待识别对象的外围边界。
9.根据权利要求8所述的装置，其特征在于，所述外围边界确定子模块，包括：
线段绘制单元，用于绘制穿过所述第一边界和第二边界延长线的交点的线段，并使所述线段与水平线的夹角为所述第三角度；
外围边界确定单元，用于将所述线段确定为所述待识别对象的外围边界。
10.根据权利要求8所述的装置，其特征在于，所述外围边界确定子模块，包括：
第一距离确定单元，用于确定第一边界的第一高度值，以及所述第一边界和与预设中心线的第一距离；
线段夹角确定单元，用于绘制穿过所述第一边界和第二边界延长线的交点的线段，并使所述线段与水平线的夹角为所述第三角度；
线段平移单元，用于将所述线段平行移动，以使所述线段的距离预设中心线的距离等于所述第一距离，以及所述线段的高度等于所述第一高度值；
外围边界绘制模块，用于将平移后的所述线段确定为所述待识别对象的外围边界。
11.根据权利要求9或10所述的装置，其特征在于，还包括：
判断单元，用于判断所述平移后的/线段分割的待识别物体上的阴影区域与所述待识别对象的自然背景区域之间的纹理差异是否超过预设阈值；
确定单元，用于若所述纹理差异超于预设阈值，则执行外围边界确定单元，否则重新执行外围边界绘制模块。
12.根据权利要求9或10所述的装置，其特征在于，还包括：
纹理差异最大值确定单元，用于通过平行移动所述平移后的/线段，以确定所述平移后的/线段分割的待识别物体上的阴影区域与所述待识别对象的自然背景区域之间的纹理差异最大值；
执行单元，用于如果所述纹理差异最大值大于预设阈值，则执行线段平移单元，否则重新执行外围边界绘制模块。
13.一种车辆，其特征在于，所述车辆包括权利要求1-12中的任一基于视觉摄像机的自阴影物体边缘识别方法及装置。
CN201810712073.1A 2018-06-29 2018-06-29 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆 Active CN109993046B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810712073.1A CN109993046B (zh) 2018-06-29 2018-06-29 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆
PCT/CN2019/093771 WO2020001631A1 (zh) 2018-06-29 2019-06-28 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆
EP19825559.8A EP3800575B1 (en) 2018-06-29 2019-06-28 Visual camera-based method for identifying edge of self-shadowing object, device, and vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810712073.1A CN109993046B (zh) 2018-06-29 2018-06-29 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆

Publications (2)

Publication Number Publication Date
CN109993046A true CN109993046A (zh) 2019-07-09
CN109993046B CN109993046B (zh) 2021-04-09

Family

ID=67128343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810712073.1A Active CN109993046B (zh) 2018-06-29 2018-06-29 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆

Country Status (3)

Country Link
EP (1) EP3800575B1 (zh)
CN (1) CN109993046B (zh)
WO (1) WO2020001631A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021013227A1 (zh) * 2019-07-25 2021-01-28 长城汽车股份有限公司 用于目标检测的图像处理方法及装置
CN113506237A (zh) * 2021-05-17 2021-10-15 毫末智行科技有限公司 用于确定对象的边界的方法及对象检测方法
US20210350495A1 (en) * 2020-02-10 2021-11-11 Cognex Corporation Composite three-dimensional blob tool and method for operating the same

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5495536A (en) * 1991-05-08 1996-02-27 Sandia Corporation Image processing system and method for recognizing and removing shadows from the image of a monitored scene
CN101673400A (zh) * 2008-09-08 2010-03-17 索尼株式会社 图像处理设备、方法和程序
US20100142825A1 (en) * 2008-12-05 2010-06-10 Tandent Vision Science, Inc. Image segregation system architecture
CN104025601A (zh) * 2011-12-30 2014-09-03 数码士有限公司 编码三维图像的方法和设备以及解码方法和设备
CN105405148A (zh) * 2015-11-17 2016-03-16 中国科学院遥感与数字地球研究所 一种结合树木阴影特征的遥感影像毛白杨识别方法
CN107909075A (zh) * 2017-11-28 2018-04-13 上海电科智能系统股份有限公司 一种基于Laplacian扩展算子的车牌图像二值化方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102985947B (zh) * 2010-07-29 2015-06-10 本田技研工业株式会社 车辆周围监测装置
CN103745453B (zh) * 2013-12-11 2016-08-17 河海大学 基于Google Earth遥感影像的城镇信息提取方法
CN106295649A (zh) * 2015-05-15 2017-01-04 中云智慧（北京）科技有限公司 一种基于轮廓特征的目标识别方法
CN107403452A (zh) * 2017-07-27 2017-11-28 深圳章鱼信息科技有限公司 基于抠图处理的物体识别方法及其装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5495536A (en) * 1991-05-08 1996-02-27 Sandia Corporation Image processing system and method for recognizing and removing shadows from the image of a monitored scene
CN101673400A (zh) * 2008-09-08 2010-03-17 索尼株式会社 图像处理设备、方法和程序
US20100142825A1 (en) * 2008-12-05 2010-06-10 Tandent Vision Science, Inc. Image segregation system architecture
CN104025601A (zh) * 2011-12-30 2014-09-03 数码士有限公司 编码三维图像的方法和设备以及解码方法和设备
CN105405148A (zh) * 2015-11-17 2016-03-16 中国科学院遥感与数字地球研究所 一种结合树木阴影特征的遥感影像毛白杨识别方法
CN107909075A (zh) * 2017-11-28 2018-04-13 上海电科智能系统股份有限公司 一种基于Laplacian扩展算子的车牌图像二值化方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021013227A1 (zh) * 2019-07-25 2021-01-28 长城汽车股份有限公司 用于目标检测的图像处理方法及装置
EP3979196A4 (en) * 2019-07-25 2022-07-27 Great Wall Motor Company Limited IMAGE PROCESSING METHOD AND APPARATUS FOR TARGET DETECTION
US20210350495A1 (en) * 2020-02-10 2021-11-11 Cognex Corporation Composite three-dimensional blob tool and method for operating the same
US11966996B2 (en) * 2020-02-10 2024-04-23 Cognex Corporation Composite three-dimensional blob tool and method for operating the same
CN113506237A (zh) * 2021-05-17 2021-10-15 毫末智行科技有限公司 用于确定对象的边界的方法及对象检测方法
CN113506237B (zh) * 2021-05-17 2024-05-24 毫末智行科技有限公司 用于确定对象的边界的方法及对象检测方法

Also Published As

Publication number Publication date
CN109993046B (zh) 2021-04-09
EP3800575B1 (en) 2024-04-17
EP3800575A4 (en) 2022-03-09
EP3800575A1 (en) 2021-04-07
WO2020001631A1 (zh) 2020-01-02

Similar Documents

Publication Publication Date Title
CN110569704B (zh) 一种基于立体视觉的多策略自适应车道线检测方法
CN107463918B (zh) 基于激光点云与影像数据融合的车道线提取方法
KR101947826B1 (ko) 차량의 주차구획 인식방법
EP2924657B1 (en) Apparatus and method for detection of road boundaries
CN109784344A (zh) 一种用于地平面标识识别的图像非目标滤除方法
CN109993046A (zh) 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆
CN104021382A (zh) 一种眼部图像采集方法及其系统
CN102479327B (zh) 目标识别系统，以及用于汽车的障碍识别系统和方法
CN110647850A (zh) 一种基于逆透视原理的车道偏移自动测量方法
CN106485274A (zh) 一种基于目标特性图的物体分类方法
CN105913013A (zh) 双目视觉人脸识别算法
CN110334678A (zh) 一种基于视觉融合的行人检测方法
US20200074212A1 (en) Information processing device, imaging device, equipment control system, mobile object, information processing method, and computer-readable recording medium
CN109961399A (zh) 基于图像距离变换的最佳缝合线搜寻方法
CN104700072A (zh) 基于车道线历史帧的识别方法
CN102073872B (zh) 基于图像的寄生虫虫卵形状识别方法
CN104597057A (zh) 一种基于机器视觉的柱状二极管表面缺陷检测装置
KR20080032856A (ko) 조선소 소조립 용접부재 위치 인식 방법
US20150243169A1 (en) Traffic lane situation determining device and method for determining traffic lane situation
CN101383005A (zh) 一种利用辅助规则纹理的乘客目标图像和背景分离方法
CN105933611A (zh) 轨道异物侵限识别中防摄像头抖动的动态包络线绘制方法
CN111257329A (zh) 一种智能手机摄像头缺陷检测方法以及检测系统
CN101369312B (zh) 检测图像中交叉口的方法和设备
CN109389024A (zh) 基于影像识别路锥的方法、装置、存储介质以及车辆
JP3589293B2 (ja) 道路の白線検出方法

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
TR01 Transfer of patent right

Effective date of registration: 20210517

Address after: 100055 1802, 18 / F, building 3, yard 9, Guang'an Road, Fengtai District, Beijing

Patentee after: Momo Zhixing Technology Co.,Ltd.

Address before: 071000 No. 2266 Chaoyang South Street, Hebei, Baoding

Patentee before: Great Wall Motor Co.,Ltd.

TR01 Transfer of patent right