CN109993761A - 一种三值图像获取方法、装置及车辆 - Google Patents

一种三值图像获取方法、装置及车辆 Download PDF

Info

Publication number
CN109993761A
CN109993761A CN201810711921.7A CN201810711921A CN109993761A CN 109993761 A CN109993761 A CN 109993761A CN 201810711921 A CN201810711921 A CN 201810711921A CN 109993761 A CN109993761 A CN 109993761A
Authority
CN
China
Prior art keywords
image
image data
difference
value
valued
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
CN201810711921.7A
Other languages
English (en)
Other versions
CN109993761B (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 CN201810711921.7A priority Critical patent/CN109993761B/zh
Priority to EP19824956.7A priority patent/EP3800614A4/en
Priority to US17/256,844 priority patent/US11861844B2/en
Priority to PCT/CN2019/093770 priority patent/WO2020001630A1/zh
Publication of CN109993761A publication Critical patent/CN109993761A/zh
Application granted granted Critical
Publication of CN109993761B publication Critical patent/CN109993761B/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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20012—Locally adaptive
    • 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
    • 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
    • G06V2201/07—Target detection

Abstract

本发明提供了一种三值图像获取方法、装置及车辆，所述方法包括：在车辆行驶过程中，获取待识别对象的影像数据；获取所述影像数据的第一差分图像数据；通过对对应所述待识别对象的图像数据库中的图像进行预设处理，得到三值化系数；根据所述三值化系数与所述第一差分图像数据中的最大像素值的乘积，得到三值化阈值；通过所述三值化阈值在所述差分图像数据上的应用，得到三值化图像。解决了现有技术中没有系统有效的方法获取原始图像三值化图像的问题。

Description

一种三值图像获取方法、装置及车辆
技术领域
本发明涉及自动驾驶技术领域，包括一种三值图像获取方法、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。而最关键的视觉相机图像处理技术为边缘提取，而通过获取检测对象的三值图更能有效检测图像中的边缘信息，通过边缘提取捕获图像中的物体和环境信息。
目前，尽管边缘提取是视觉相机的关键技术，但是并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，从而进行边缘图像的提取。
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：
一种三值图像获取方法，所述方法包括：在车辆行驶过程中，获取待识别对象的影像数据；
获取所述影像数据的第一差分图像数据；
通过对对应所述待识别对象的图像数据库中的图像进行预设处理，得到三值化系数；
根据所述三值化系数与所述第一差分图像数据中的最大像素值的乘积，得到三值化阈值；
通过所述三值化阈值在所述差分图像数据上的应用，得到三值化图像。
进一步的，所述获取所述影像数据的第一差分图像数据的步骤，包括：
对所述影像数据进行灰度化处理，获取所述待识别对象的影像数据的灰度图；
通过索伯Sobel算法处理所述灰度图，获取所述影像数据的第一差分图像数据。
进一步的，所述通过对对应所述待识别对象的图像数据库中的图像进行预设处理，得到三值化系数的步骤，包括：
对对应所述待识别对象的图像数据库中的图像进行差分处理，获得第二差分图像数据；
通过对所述第二差分图像数据进行归一化，获取所述第二差分图像数据的差分值分布和差分值累计分布；
根据所述差分值分布和所述差分值累计分布获取第二差分图像数据中的分离噪声和信号的比率，确定为三值化系数。
进一步的，所述通过对对应所述待识别对象的图像数据库中的图像进行预设处理，得到三值化系数的步骤，包括：
对对应所述待识别对象的图像数据库中的图像进行灰度处理，得到所述图像数据的灰度图；
将所述灰度图进行三值化处理，得到包括所述待识别对象的像素数据的多个测试三值图像；
根据预设像素数与预设像素出现概率确定各所述测试三值图像中的像素数；
根据所述测试三值图像中的像素数获取所述像素数据的差分值累计分布概率；
根据所述差分值累计分布概率获取三值化系数。
进一步的，所述图像数据库包括所述待识别对象在预设时间段内获取的历史图像数据。
相对于现有技术，本发明所述的三值图像获取方法具有以下优势：通过在车辆行驶过程中，获取待识别对象的影像数据；获取所述影像数据的第一差分图像数据；通过对对应所述待识别对象的图像数据库中的图像进行预设处理，得到三值化系数；根据所述三值化系数与所述第一差分图像数据中的最大像素值的乘积，得到三值化阈值；通过所述三值化阈值在所述差分图像数据上的应用，得到三值化图像。具有系统有效的获取原始图像的三值化图像的的有益效果。
本发明的另一目的在于提出一种三值图像获取装置，所述装置包括：识别对象影像获取模块，用于在车辆行驶过程中，获取待识别对象的影像数据；
差分图像数据获取模块，用于获取所述影像数据的第一差分图像数据；
三值化系数获取模块，用于通过对对应所述待识别对象的图像数据库中的图像进行预设处理，得到三值化系数；
三值化阈值获取模块，用于根据所述三值化系数与所述第一差分图像数据中的最大像素值的乘积，得到三值化阈值；
三值图像获取模块，用于通过所述三值化阈值在所述差分图像数据上的应用，得到三值化图像。
进一步的，所述差分图像数据获取模块，包括：
灰度图获取子模块，用于对所述影像数据进行灰度化处理，获取所述待识别对象的影像数据的灰度图；
差分图像数据获取子模块，用于通过索伯Sobel算法处理所述灰度图，获取所述影像数据的第一差分图像数据。
进一步的，所述三值化系数获取模块，包括：
第二差分图像数据获取子模块，用于对对应所述待识别对象的图像数据库中的图像进行差分处理，获得第二差分图像数据；
差分分布获取子模块，用于通过对所述第二差分图像数据进行归一化，获取所述第二差分图像数据的差分值分布和差分值累计分布；
三值化系数获取子模块，用于根据所述差分值分布和所述差分值累计分布获取第二差分图像数据中的分离噪声和信号的比率，确定为三值化系数。
进一步的，所述三值化系数获取模块，包括：
灰度图获取子模块，用于对对应所述待识别对象的图像数据库中的图像进行灰度处理，得到所述图像数据的灰度图；
测试子模块，用于将所述灰度图进行三值化处理，得到包括所述待识别对象的像素数据的多个测试三值图像；
像素数获取子模块，用于根据预设像素数与预设像素出现概率确定各所述测试三值图像中的像素数；
分布值获取子模块，用于根据所述测试三值图像中的像素数获取所述像素数据的差分值累计分布概率；
三值化系数获取子模块，用于根据所述差分值累计分布概率获取三值化系数。
进一步的，所述图像数据库包括所述待识别对象在预设时间段内获取的历史图像数据。
所述一种三值图像获取装置与上述一种三值图像获取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，包括上述描述的三值图像获取方法及装置。
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三值图像获取方法的流程图；
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为本发明实施例二所述的一种三值图像获取方法的流程图；
图8为本发明实施例中的图像处理原理示意图；
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流程示意图；
图11为本发明实施例三所述的一种三值图像获取装置的结构框图；
图12为本发明实施例三所述的一种三值图像获取装置的结构框图。
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三值图像获取方法的流程图，具体可以包括如下步骤：
步骤101，在车辆行驶过程中，获取待识别对象的影像数据。
在本发明实施例中，利用车辆装置的视觉系统采集车辆行驶中的待识别对象。
例如，获取的待识别对象如图2所示。图2可以是从由视觉系统中装置摄像头获取到的全局影像，其中白色方框中标示的图像范围为当前车辆主要识别对象为行驶道路，为提升后期影像处理的效率，如图3所示，后期图像处理主要针对该白色方框中的区域图像。
步骤102，获取所述影像数据的第一差分图像数据。
在本发明实施例中，可以通过Sobel滤波器(Filter)对该影像(Image)进行影像处理，获取第一差分图像数据。如图3所示，通过对待处理图像经过再采样、平滑处理后，通过Sobel滤波器对该图像进行处理得到差分图像数据(differential image)。
具体地，利用公式(1)中显示的Sobel算子，
如图4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，并对原影像上的XXX(m,n)变换为微分影像差分图像数据ddd(m,n)，具体可以参考如下代码：
步骤103，通过对对应所述待识别对象的图像数据库中的图像进行预设处理，得到三值化系数。
在本发明实施例中，具体地，利用公式(2)，对该差分图像进行三值化处理：
本发明实施例中，具体地，首先通过多次对待识别对象的图像数据进行不同阈值的三值化处理，获得最优识别结果经验，并根据该经验获得三值图像数据的正向边界像素或负向边界像素的累计分布概率的范围。再根据公式(2)获取上述差分图像数据的正向边界像素的差分值分布图，以及正向边界像素或负向边界像素的累计分布概率，并反向推断出对应上述经验的累计分布概率的范围的三值化系数。
例如，如图5所示的是多个差分图中的负向边界像素得到的多个三值化图像，根据研究人员的测试和观察，这四幅图分别符合预设条件，即体现出了噪点较少且边界清晰的特性，且上述四幅图对应的正向边界像素的累计分布概率范围为97％-99％之间，该概率分布范围即为三值化系数。
所以，如图6所示的，获取图3所示的差分图对应的正向边界像素的差分值分布图(图6上半部分)，以及正向边界像素负向边界像素的累计分布概率(图6下半部分)，根据之前获取的预设累计分布概率(threshold)为97％-99％之间，最优的那么在图6上半部分所示的差分值分布图中，可以获取针对累计分布概率为97％-99％对应的三值化系数(ratio)为0.1-0.4。
步骤104，根据所述三值化系数与所述第一差分图像数据中的最大像素值的乘积，得到三值化阈值。
在本发明实施例中，将获取的三值化系数与获取的第一差分图像数据中的最大像素值相乘，得到的即是三值化阈值。如图6所示的，三值化系数若为0.3，那么在图6(a)中，根据最大像素值系数的直方图分布，即可以得到对应的三值化阈值时99％。
步骤105，通过所述三值化阈值在所述差分图像数据上的应用，得到三值化图像。
在本发明实施例中，通过已获得的三值化系数对上述得到的差分图像数据进一步进行三值化处理，得到该差分图像数据的三值图像。
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，差分影像ddd(m,n)中大于预设阈值Threshold的像素点被赋值为1，其中Threshold的取值为ratio*max(|ddd(：)|)，差分影像ttt(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。
例如，根据步骤103获得的三值化系数(ratio)在0.1-0.4之间，那么根据该三值化系数分别获取ratio分别取值为0.1、0.2、0.3、0.4获得效果较好的三值化图像。
在本发明实施例中，通过在车辆行驶过程中，获取待识别对象的影像数据；获取所述影像数据的第一差分图像数据；通过对对应所述待识别对象的图像数据库中的图像进行预设处理，得到三值化系数；根据所述三值化系数与所述第一差分图像数据中的最大像素值的乘积，得到三值化阈值；通过所述三值化阈值在所述差分图像数据上的应用，得到三值化图像。达到了有效和系统的获取效果较好的原始图像的三值图像的目的。
实施例二
参照图7，为本发明实施例所述的一种三值图像获取方法的流程图，具体可以包括如下步骤：
步骤201，在车辆行驶过程中，获取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灰度化处理，获取所述待识别对象的影像数据的灰度图。
在本发明实施例中，如图3所示的，对原始图像经过平滑、灰度化处理，具体地，图像由不同灰度值的像素组成，图像中灰度的分布情况是该图像的一个重要特征，而灰度直方图就描述了图像中灰度分布情况，能够很直观的展示出图像中各个灰度级所占的多少。
步骤203，通过索伯Sobel算法处理所述灰度图，获取所述影像数据的第一差分图像数据。
在本发明实施例中，根据步骤102中描述的，利用Sobel算法处理步骤202中得到的灰度图，获取该灰度图像的差分图像数据，其中差分图像数据是灰度图对应的矩阵与Sobel矩阵进行卷积得到的矩阵。
步骤204，对对应所述待识别对象的图像数据库中的图像进行差分处理，获得第二差分图像数据。
其中，所述图像数据库包括所述待识别对象在预设时间段内获取的历史图像数据。
在本发明实施例中，上述三值化图像是经过对类似场景或识别对象在预设时间段内进行拍摄获取的，而多次获取的原始图像时存储在图像数据库中，以供随时获取第二差分图像。
步骤205，通过对所述第二差分图像数据进行归一化，获取所述第二差分图像数据的差分值分布和差分值累计分布。
在本发明实施例中，将上述得到的灰度图进行多次差分处理试验，得到多个第二差分图像，如果进行了10次差分图像试验，并通过不同阈值的三值化实验，得到如图5所示的通过技术人员的肉眼观察取出其中效果尚可的四幅图，其中，可以看出该四幅图中对应的边缘清晰可见，所以选择这四幅图为满足技术人员预设标准的三值图像。
所以，如图6所示的，挑选上述四幅图中对应的对第二差分图像数据进行归一化处理，获取第二差分图像的差分值分布图6(a)和差分值累计分布图6(b)。
步骤206，根据所述差分值分布和所述差分值累计分布获取第二差分图像数据中的分离噪声和信号的比率，确定为三值化系数。
本发明实施例中，根据图6中，Sobel算子处理的是正向边缘像素，图像中的总像素NN＝55825，最大像素值max＝975，图6(a)中的曲线表示的是三值化系数ratio在0-1之间时，各像素值与最大像素值max之间的比例关系，且图6(b)所示的差分图像中各像素值的累计分布映射在图6(a)中显示为多个竖线，展示出了不同像素累计分布与像素差分值分布的对应关系；
在实际应用中，在同一场景下对待原始图像进行处理，并且进行图像三值化处理的次数取决于实际情况，并通过技术人员的肉眼检测挑选出符合预设标准的三值图像，其中预设标准由技术人员根据具体需求进行设置，例如，噪点较少，边缘较为清晰等，然后获取上述选择出的图像的直方图，即图6(b)中所示的像素数据的差分值累计分布概率，即可得知图5描述的四幅图像的像素累计分布概率在97％-99％之间。
根据确定的像素累计分布概率，确定对应的三值化系数为0.3左右较为合适。在之后的三值化图像处理中，如果是相同拍摄场景或者相同的识别对象，即可使用该三值化系数直接进行三值化图像处理，得到最为合适的三值化图像。
优选的，还包括：
步骤A1，对对应所述待识别对象的图像数据库中的图像进行灰度处理，得到所述图像数据的灰度图；
此步骤与步骤202相似，在此不再详述。
步骤A2，将所述灰度图进行三值化处理，得到包括所述待识别对象的像素数据的多个测试三值图像。
在本发明实施例中，假设三值图像由水平方向的若干线条组成，那么每一个线条上分布有该三值图像上的若干像素值，如图8所示的，是一个145x385的三值图像，那么该三值图像中存在的水平线为145条，如图9所示的，假设其中一条水平线上分布的正向边界像素值为6-12个，那么对于一条道路来说，每条道路边界上有3-6个像素点，即水平像素数。
步骤A3，根据预设像素数与预设像素出现概率确定各所述测试三值图像中的像素数；
在本发明实施例中，再假设道路边界的存在概率是50％，那么总像素数为12*0.5*145＝870，像素的累计分布概率为1-870/(145*385)＝98.4％，也就是说98.4％是预设分布概率。
步骤A4，根据所述测试三值图像中的像素数获取所述像素数据的差分值累计分布概率；
在本发明实施例中，在上述得到的差分图像数据矩阵中，提取对应的正向边界像素(为正值的像素)或负向边界像素(为负值的像素)，获得其与图6相似的直方图分布。根据该差分图像数据的直方图分析，得到该差分图像数据的像素数据的差分值分布和差分值累计分布概率。
步骤A5，根据所述差分值累计分布概率获取三值化系数。
在本发明实施例中，由于之前确定了98.4％为预设分布概率，那么对应该预设分布概率，可以在像素数据的差分值分布图中找到对应的ratio，即三值化系数。
步骤207，通过所述三值化阈值在所述差分图像数据上的应用，得到三值化图像。
此步骤与步骤105相同，在此不再详述。
在实际应用中，上述提供的方法不仅限于道路识别，还可应用于物体识别，如图10所示，如果对于道路中的交通锥标进行识别，首先拍摄原始图像经过平滑、灰度、差分处理后得到差分图像，再根据差分图像得到对应的直方图，即差分图像数据的像素数据的差分值分布和差分值累计分布概率，其中根据经验得知累计分布概率在96％-99％之间，那么对应的三值化系数(ratio)在0.1-0.4之间，那么根据该三值化系数对上述灰度图进行三值化处理，得到四个三值化图像，技术人员可根据实际需求在其中取出相对于的三值图像进行进一步的交通锥标的识别处理。
在本发明实施例中，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灰度化处理，获取所述待识别对象的影像数据的灰度图，通过索伯Sobel算法处理所述灰度图，获取所述影像数据的第一差分图像数据，对对应所述待识别对象的图像数据库中的图像进行差分处理，获得第二差分图像数据；通过对所述第二差分图像数据进行归一化，获取所述第二差分图像数据的差分值分布和差分值累计分布；根据所述差分值分布和所述差分值累计分布获取第二差分图像数据中的分离噪声和信号的比率，确定为三值化系数，达到了有效和系统的获取效果较好的原始图像的三值图像的目的。
实施例三
参照图11，为本发明实施例所述的一种三值图像获取装置的结构框图，所述装置包括：
识别对象影像获取模块301，用于在车辆行驶过程中，获取待识别对象的影像数据；
差分图像数据获取模块302，用于获取所述影像数据的第一差分图像数据；
三值化系数获取模块303，用于通过对对应所述待识别对象的图像数据库中的图像进行预设处理，得到三值化系数；
三值化阈值获取模块304，用于根据所述三值化系数与所述第一差分图像数据中的最大像素值的乘积，得到三值化阈值；
三值图像获取模块305，用于通过所述三值化阈值在所述差分图像数据上的应用，得到三值化图像。
参照图12，为本发明实施例所述的一种三值图像获取装置的结构框图，所述装置包括：
识别对象影像获取模块301，用于在车辆行驶过程中，获取待识别对象的影像数据；
差分图像数据获取模块302，用于获取所述影像数据的第一差分图像数据；
优选的，所述差分图像数据获取模块302，包括：
灰度图获取子模块3021，用于对所述影像数据进行灰度化处理，获取所述待识别对象的影像数据的灰度图；
差分图像数据获取子模块3022，用于通过索伯Sobel算法处理所述灰度图，获取所述影像数据的第一差分图像数据。
三值化系数获取模块303，用于通过对对应所述待识别对象的图像数据库中的图像进行预设处理，得到三值化系数；
优选的，所述三值化系数获取模块，包括：
第二差分图像数据获取子模块3031，用于对对应所述待识别对象的图像数据库中的图像进行差分处理，获得第二差分图像数据；
差分分布获取子模块3032，用于通过对所述第二差分图像数据进行归一化，获取所述第二差分图像数据的差分值分布和差分值累计分布；
三值化系数获取子模块3033，用于根据所述差分值分布和所述差分值累计分布获取第二差分图像数据中的分离噪声和信号的比率，确定为三值化系数。
优选的，所述三值化系数获取模块303，包括：
灰度图获取子模块，用于对对应所述待识别对象的图像数据库中的图像进行灰度处理，得到所述图像数据的灰度图；
测试子模块，用于将所述灰度图进行三值化处理，得到包括所述待识别对象的像素数据的多个测试三值图像；
像素数获取子模块，用于根据预设像素数与预设像素出现概率确定各所述测试三值图像中的像素数；
分布值获取子模块，用于根据所述测试三值图像中的像素数获取所述像素数据的差分值累计分布概率；
三值化系数获取子模块，用于根据所述差分值累计分布概率获取三值化系数。
三值化阈值获取模块304，用于根据所述三值化系数与所述第一差分图像数据中的最大像素值的乘积，得到三值化阈值；
三值图像获取模块305，用于通过所述三值化阈值在所述差分图像数据上的应用，得到三值化图像。
优选的，所述图像数据库包括所述待识别对象在预设时间段内获取的历史图像数据。
在本发明实施例中，通过识别对象影像获取模块，用于在车辆行驶过程中，获取待识别对象的影像数据；差分图像数据获取模块，用于获取所述影像数据的第一差分图像数据；三值化系数获取模块，用于通过对对应所述待识别对象的图像数据库中的图像进行预设处理，得到三值化系数；三值化阈值获取模块，用于根据所述三值化系数与所述第一差分图像数据中的最大像素值的乘积，得到三值化阈值；三值图像获取模块，用于通过所述三值化阈值在所述差分图像数据上的应用，得到三值化图像。达到了有效和系统的获取效果较好的原始图像的三值图像的目的。
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一三值图像获取方法或装置。
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 (11)

1.一种三值图像获取方法，其特征在于，所述方法包括：
在车辆行驶过程中，获取待识别对象的影像数据；
获取所述影像数据的第一差分图像数据；
通过对对应所述待识别对象的图像数据库中的图像进行预设处理，得到三值化系数；
根据所述三值化系数与所述第一差分图像数据中的最大像素值的乘积，得到三值化阈值；
通过所述三值化阈值在所述差分图像数据上的应用，得到三值化图像。
2.根据权利要求1所述的三值图像获取方法，其特征在于，所述获取所述影像数据的第一差分图像数据的步骤，包括：
对所述影像数据进行灰度化处理，获取所述待识别对象的影像数据的灰度图；
通过索伯Sobel算法处理所述灰度图，获取所述影像数据的第一差分图像数据。
3.根据权利要求1所述的三值图像获取方法，其特征在于，所述通过对对应所述待识别对象的图像数据库中的图像进行预设处理，得到三值化系数的步骤，包括：
对对应所述待识别对象的图像数据库中的图像进行差分处理，获得第二差分图像数据；
通过对所述第二差分图像数据进行归一化，获取所述第二差分图像数据的差分值分布和差分值累计分布；
根据所述差分值分布和所述差分值累计分布获取第二差分图像数据中的分离噪声和信号的比率，确定为三值化系数。
4.根据权利要求1所述的三值图像获取方法，其特征在于，所述通过对对应所述待识别对象的图像数据库中的图像进行预设处理，得到三值化系数的步骤，包括：
对对应所述待识别对象的图像数据库中的图像进行灰度处理，得到所述图像数据的灰度图；
将所述灰度图进行三值化处理，得到包括所述待识别对象的像素数据的多个测试三值图像；
根据预设像素数与预设像素出现概率确定各所述测试三值图像中的像素数；
根据所述测试三值图像中的像素数获取所述像素数据的差分值累计分布概率；
根据所述差分值累计分布概率获取三值化系数。
5.根据权利要求1所述的三值图像获取方法，其特征在于，所述图像数据库包括所述待识别对象在预设时间段内获取的历史图像数据。
6.一种三值图像获取装置，其特征在于，所述装置包括：
识别对象影像获取模块，用于在车辆行驶过程中，获取待识别对象的影像数据；
差分图像数据获取模块，用于获取所述影像数据的第一差分图像数据；
三值化系数获取模块，用于通过对对应所述待识别对象的图像数据库中的图像进行预设处理，得到三值化系数；
三值化阈值获取模块，用于根据所述三值化系数与所述第一差分图像数据中的最大像素值的乘积，得到三值化阈值；
三值图像获取模块，用于通过所述三值化阈值在所述差分图像数据上的应用，得到三值化图像。
7.根据权利要求6所述的三值图像获取装置，其特征在于，所述差分图像数据获取模块，包括：
灰度图获取子模块，用于对所述影像数据进行灰度化处理，获取所述待识别对象的影像数据的灰度图；
差分图像数据获取子模块，用于通过索伯Sobel算法处理所述灰度图，获取所述影像数据的第一差分图像数据。
8.根据权利要求6所述的三值图像获取装置，其特征在于，所述三值化系数获取模块，包括：
第二差分图像数据获取子模块，用于对对应所述待识别对象的图像数据库中的图像进行差分处理，获得第二差分图像数据；
差分分布获取子模块，用于通过对所述第二差分图像数据进行归一化，获取所述第二差分图像数据的差分值分布和差分值累计分布；
三值化系数获取子模块，用于根据所述差分值分布和所述差分值累计分布获取第二差分图像数据中的分离噪声和信号的比率，确定为三值化系数。
9.根据权利要求6所述的三值图像获取装置，其特征在于，所述三值化系数获取模块，包括：
灰度图获取子模块，用于对对应所述待识别对象的图像数据库中的图像进行灰度处理，得到所述图像数据的灰度图；
测试子模块，用于将所述灰度图进行三值化处理，得到包括所述待识别对象的像素数据的多个测试三值图像；
像素数获取子模块，用于根据预设像素数与预设像素出现概率确定各所述测试三值图像中的像素数；
分布值获取子模块，用于根据所述测试三值图像中的像素数获取所述像素数据的差分值累计分布概率；
三值化系数获取子模块，用于根据所述差分值累计分布概率获取三值化系数。
10.根据权利要求6所述的三值图像获取装置，其特征在于，所述图像数据库包括所述待识别对象在预设时间段内获取的历史图像数据。
11.一种车辆，其特征在于，所述车辆包括权利要求1-10中的任一三值图像获取方法及装置。
CN201810711921.7A 2018-06-29 2018-06-29 一种三值图像获取方法、装置及车辆 Active CN109993761B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201810711921.7A CN109993761B (zh) 2018-06-29 2018-06-29 一种三值图像获取方法、装置及车辆
EP19824956.7A EP3800614A4 (en) 2018-06-29 2019-06-28 METHOD AND APPARATUS FOR GENERATION OF A TERNARY IMAGE AND VEHICLE
US17/256,844 US11861844B2 (en) 2018-06-29 2019-06-28 Ternary image obtaining method and apparatus, and vehicle
PCT/CN2019/093770 WO2020001630A1 (zh) 2018-06-29 2019-06-28 一种三值图像获取方法、装置及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810711921.7A CN109993761B (zh) 2018-06-29 2018-06-29 一种三值图像获取方法、装置及车辆

Publications (2)

Publication Number Publication Date
CN109993761A true CN109993761A (zh) 2019-07-09
CN109993761B CN109993761B (zh) 2021-04-09

Family

ID=67128757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810711921.7A Active CN109993761B (zh) 2018-06-29 2018-06-29 一种三值图像获取方法、装置及车辆

Country Status (4)

Country Link
US (1) US11861844B2 (zh)
EP (1) EP3800614A4 (zh)
CN (1) CN109993761B (zh)
WO (1) WO2020001630A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113658252A (zh) * 2021-05-17 2021-11-16 毫末智行科技有限公司 用于估计摄像头仰角的方法、介质、装置及该摄像头

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6111981A (en) * 1994-01-28 2000-08-29 Kabushiki Kaisha Toshiba Method and apparatus for processing pattern image data by SEM
US20020144215A1 (en) * 2001-03-09 2002-10-03 Hoskote Yatin V. System and method for automatically mapping state elements for equivalence verification
CN102069646A (zh) * 2009-10-19 2011-05-25 佳能株式会社 图像处理设备和图像处理方法
CN104573704A (zh) * 2013-10-09 2015-04-29 爱信精机株式会社 眼部检测装置、方法
CN105447489A (zh) * 2015-11-13 2016-03-30 浙江传媒学院 一种图片ocr识别系统的字符与背景粘连噪声消除方法
CN107463667A (zh) * 2017-08-02 2017-12-12 大连理工大学 基于邻居像素点的共生局部三值模式的图像检索方法
CN108681737A (zh) * 2018-05-25 2018-10-19 长安大学 一种复杂光照下图像特征提取方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3318248B2 (ja) * 1997-12-25 2002-08-26 シャープ株式会社 画質改善装置及び記録媒体
JP2006309650A (ja) 2005-05-02 2006-11-09 Calsonic Kansei Corp ナンバー認識装置及方法
US8320702B2 (en) * 2006-09-28 2012-11-27 Jadak Technologies, Inc. System and method for reducing specular reflection
JP5089214B2 (ja) 2007-03-27 2012-12-05 キヤノン株式会社 画像処理方法及びその装置、コンピュータプログラム及び記憶媒体
CN101888469B (zh) 2009-05-13 2013-03-13 富士通株式会社 图像处理方法和图像处理设备
JP5686533B2 (ja) * 2009-07-10 2015-03-18 株式会社東芝 磁気共鳴イメージング装置、画像処理装置および画像処理方法
JP2011034178A (ja) 2009-07-30 2011-02-17 Sony Corp 画像処理装置および画像処理方法、並びにプログラム
JP2011176748A (ja) 2010-02-25 2011-09-08 Sony Corp 画像処理装置および方法、並びにプログラム
CN102890780B (zh) * 2011-07-19 2015-07-22 富士通株式会社 图像处理装置和方法
JP6355346B2 (ja) 2014-01-29 2018-07-11 キヤノン株式会社 画像処理装置、画像処理方法、プログラム、及び記憶媒体

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6111981A (en) * 1994-01-28 2000-08-29 Kabushiki Kaisha Toshiba Method and apparatus for processing pattern image data by SEM
US20020144215A1 (en) * 2001-03-09 2002-10-03 Hoskote Yatin V. System and method for automatically mapping state elements for equivalence verification
CN102069646A (zh) * 2009-10-19 2011-05-25 佳能株式会社 图像处理设备和图像处理方法
CN104573704A (zh) * 2013-10-09 2015-04-29 爱信精机株式会社 眼部检测装置、方法
CN105447489A (zh) * 2015-11-13 2016-03-30 浙江传媒学院 一种图片ocr识别系统的字符与背景粘连噪声消除方法
CN107463667A (zh) * 2017-08-02 2017-12-12 大连理工大学 基于邻居像素点的共生局部三值模式的图像检索方法
CN108681737A (zh) * 2018-05-25 2018-10-19 长安大学 一种复杂光照下图像特征提取方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113658252A (zh) * 2021-05-17 2021-11-16 毫末智行科技有限公司 用于估计摄像头仰角的方法、介质、装置及该摄像头

Also Published As

Publication number Publication date
US20210256273A1 (en) 2021-08-19
EP3800614A4 (en) 2022-03-23
EP3800614A1 (en) 2021-04-07
WO2020001630A1 (zh) 2020-01-02
CN109993761B (zh) 2021-04-09
US11861844B2 (en) 2024-01-02

Similar Documents

Publication Publication Date Title
CN109034047B (zh) 一种车道线检测方法及装置
CN107506711B (zh) 基于卷积神经网络的双目视觉障碍物检测系统及方法
US9467645B2 (en) System and method for recognizing parking space line markings for vehicle
DE102009048699A1 (de) Pixelbasierte Detektion einer nicht vorhandenen Struktur eines freien Pfads
US8452053B2 (en) Pixel-based texture-rich clear path detection
CN104700072B (zh) 基于车道线历史帧的识别方法
DE102009050492A1 (de) Detektion eines freien Pfads unter Verwendung eines segmentierungsbasierten Verfahrens
CN101383005B (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
CN105261017A (zh) 基于路面约束的图像分割法提取行人感兴趣区域的方法
DE112009000949T5 (de) Detektion eines freien Fahrpfads für ein Fahrzeug
CN109948413B (zh) 基于高精度地图融合的车道线检测方法
DE102009050505A1 (de) Detektion eines freien Pfads durch Strassenmodellerstellung
CN104143098B (zh) 基于远红外线摄像头的夜间行人识别方法
CN103996198A (zh) 复杂自然环境下感兴趣区域的检测方法
CN104915642B (zh) 前方车辆测距方法及装置
CN101369312B (zh) 检测图像中交叉口的方法和设备
CN109800752A (zh) 一种基于机器视觉的汽车车牌字符分割识别算法
CN109886064B (zh) 确定可驾驶空间的边界的方法
CN105069411B (zh) 道路识别方法和装置
CN109993046B (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
CN112926354A (zh) 一种基于深度学习的车道线检测方法及装置
CN109993761A (zh) 一种三值图像获取方法、装置及车辆
CN109389024A (zh) 基于影像识别路锥的方法、装置、存储介质以及车辆
CN105118054A (zh) 一种基于ccd单目测距的驾驶考试系统
KR101899993B1 (ko) 시차 맵으로 한정된 영역에 기반한 객체 인식 방법

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: 20210518

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