CN110009032A - 一种基于高光谱成像的组装分类方法 - Google Patents

一种基于高光谱成像的组装分类方法 Download PDF

Info

Publication number
CN110009032A
CN110009032A CN201910249050.6A CN201910249050A CN110009032A CN 110009032 A CN110009032 A CN 110009032A CN 201910249050 A CN201910249050 A CN 201910249050A CN 110009032 A CN110009032 A CN 110009032A
Authority
CN
China
Prior art keywords
image
information
pixel
target
spectrum
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
CN201910249050.6A
Other languages
English (en)
Other versions
CN110009032B (zh
Inventor
廖列法
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.)
Jiangxi University of Science and Technology
Original Assignee
Jiangxi University of Science and Technology
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 Jiangxi University of Science and Technology filed Critical Jiangxi University of Science and Technology
Priority to CN201910249050.6A priority Critical patent/CN110009032B/zh
Publication of CN110009032A publication Critical patent/CN110009032A/zh
Application granted granted Critical
Publication of CN110009032B publication Critical patent/CN110009032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Landscapes

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

Abstract

一种基于高光谱成像的组装分类方法，通过高光谱成像装置采集并获取一定时间间隔下的初始空间图像、延时空间图像,以及相对应的初始光谱信息、延时光谱信息，将初始空间图像和延时空间图像按光谱信息可识别并匹配的最小像素点划分为网格区域图像，通过对初始空间图像和延时空间图像进行处理获取背景图像(由静止物构成，如树木、围栏、建筑物、交通标志等)及目标图像(由运动目标体构成，如人、动物、车辆、自行车等)，并基于背景图像与目标图像光谱信息的差异，获取背景和目标的类别和位置。进一步地，基于目标运动轨迹及速度，对目标进行安全域评估，以保证自动驾驶车辆与目标的安全距离。

Description

一种基于高光谱成像的组装分类方法
技术领域
本发明属于自动驾驶、路况识别、行车安全领域，具体地，涉及一种基于高光谱成像的组装分类方法领域。
背景技术
在车辆行驶过程中，在自动驾驶过程中，当采用高光谱成像装置进行路况识别时，需要对高光谱成像的影像进行分类，从而使得自动驾驶系统能够自动识别运动及静止的物体，并做出相应的操作。
发明内容
本发明的目的是提供一种基于高光谱成像的组装分类方法，涉及用于自动驾驶的基于高光谱成像的影像分类方法，其具有高精度、低噪声识别的优点。
一种基于高光谱成像的组装分类方法，通过高光谱成像装置采集并获取一定时间间隔下的初始空间图像、延时空间图像,以及相对应的初始光谱信息、延时光谱信息，将初始空间图像和延时空间图像按光谱信息可识别并匹配的最小像素点划分为网格区域图像，通过对初始空间图像和延时空间图像进行处理获取背景图像及目标图像，并基于背景图像与目标图像光谱信息的差异，获取背景和目标的类别和位置。
进一步地，所述背景图像由路面及静止物构成，所述静止物包括绿化带、树木、路灯、栏杆、交通信号灯、建筑物、交通标志等；所述目标图像由运动目标构成，运动目标包括行驶车辆、行人、动物、自行车、摩托车等。
进一步地，一种基于高光谱成像的组装分类方法，其包括一种基于高光谱成像的自动驾驶识别系统，该自动驾驶识别系统包括高光谱成像装置、数据采集模块、预存储模块、数据处理模块、数据转换模块和数据共享模块；
其中，所述高光谱成像装置对路面进行实时检测，并通过数据采集模块进行相应图像及光谱信息采集，所述预存储模块包括预存储的背景图像信息和目标图像信息一一对应的光谱信息，依据所述光谱信息，数据处理模块可识别出相应的信息种类；所述数据处理模块对图像信息及光谱信息进行处理，并通过数据转换模块进行控制识别，便于自动驾驶识别系统做出相应的操作，同时，附近行驶车辆及交通路况管理系统可通过数据共享模块接收到上述识别及操作信息，使车辆间相互协调操作，以减少交通事故的发生，交通路况管理系统也可依据上述信息监控自动驾驶车辆的安全性。
进一步地，所述用于自动驾驶的基于高光谱成像的影像分类方法，包括如下步骤：
读取一段时间间隔(T0,Tt)内高光谱成像装置的图像数据和光谱数据，图像数据包括初始空间图像P0(X,Y,T0)、延时空间图像Pt(X,Y,Tt),光谱数据包括相对应的初始光谱信息F0(X,Y,T0)、延时光谱信息Ft(X,Y,Tt)，将初始空间图像P0(X,Y,T0)和延时空间图像Pt(X,Y,Tt)按光谱信息可识别并匹配的最小像素点划分为网格区域图像，包括初始空间网格图像P0(Xa,Yb,T0)、延时空间网格图像Pt(Xa,Yb,Tt)，其中，下标a表示第a行，下标b表示第b列，且1≤a≤m,1≤b≤n；并且在T0时刻，第a行第b列像素点对应的光谱矢量为λab0；并且在Tt时刻，第a行第b列像素点对应的光谱矢量为λabt；
对初始空间网格图像P0(Xa,Yb,T0)相对应获取的光谱矢量λab0进行校正处理，及对延时空间网格图像Pt(Xa,Yb,Tt)相对应获取的光谱矢量λabt进行校正处理；假设第h个像素点的光谱矢量为Sh，则Sh＝[Sh1,Sh2...Shk...Shc]，其中，Shk表示第h个像素点在第k个波段的反射率值，其为成像光谱装置获取的图像像素点在每个波段处的反射率值，即为已知量；其中，光谱共有c个波段，Shc表示第h个像素点在第c个波段的反射率值。
分别对初始空间网格图像P0(Xa,Yb,T0)和延时空间网格图像Pt(Xa,Yb,Tt)进行角匹配值计算及马氏距离计算，识别出网格图像中的信息点；其过程包括：A、将像素点光谱矢量与预存储的路面光谱信息R进行角匹配，得到每个像素点的光谱角匹配值；光谱角匹配值的计算公式为：
其中，γh表示图像第h个像素点的光谱角匹配值，Rk表示路面光谱矢量在第k个波段的反射率；
B、根据角匹配值计算每个像素点的马氏距离，将每个像素点对应的马氏距离与预定的阈值进行比较，并确定马氏距离大于预定阈值的像素点为信息点。其中，马氏距离的计算公式为：h＝1,2,3...,m*n；
其中，MDh表示图像中第h个像素点的马氏距离，m*n表示图像像素点总数，表示所有像素点的光谱角匹配值的平均值，M-1为马氏距离矩阵M的逆矩阵，马氏距离矩阵M的计算公式为：其中，C为图像像素点中各个γh组成的光谱角匹配向量；预定阈值可通过以下公式确定：
其中，为图像中每个像素点的马氏距离的平均值，MDmax为图像中每个像素点的马氏距离MDh中的最大值，也即确定马氏距离MDh大于Δ的像素点为信息点；
将信息点的光谱信息与预储存的静止物信息和运动目标信息对应的光谱矢量进行比较，从而识别出相应地信息种类。
将初始空间网格图像P0(Xa,Yb,T0)和延时空间网格图像Pt(Xa,Yb,Tt)中相同的信息点进行标识并将某一静止物的标识信息点作为参考点R(Xa1，Yb1，T0)、R(Xa2，Yb2，Tt)，需要注意的是，不同时刻T0、Tt参考点在空间网格图像中的位置不一定相同，取决于高光谱成像装置采集图像时的相对运动状态，但参考点对应的光谱矢量相同，即λab0＝λabt；
将静止物信息及路面信息进行屏蔽处理，即在空间网格图像中仅留下运动目标信息点集合P0’(Xa,Yb,T0)、Pt’(Xa,Yb,Tt)及参考点R(Xa1，Yb1，T0)、R(Xa2，Yb2，Tt)；
获取同一运动目标的信息点与参考点间的相对位置S0＝P0’(Xa,Yb,T0)-R(Xa1，Yb1，T0)，St＝Pt’(Xa,Yb,Tt)-R(Xa2，Yb2，Tt)，若相对位置|St-S0|在某一预设范围内，则该运动目标保持静止状态，若相对位置|St-S0|超出某一预设范围，则该运动目标发生移动。
进一步地，结合高光谱图像采集的时间间隔，计算出运动目标的移动速度，计算公式为：
根据运动目标的移动速度及移动方向，计算出某一时间间隔下，以运动目标的当前位置为圆心画出的圆形区域，圆形区域的半径为移动速度与时间ti的乘积，并且将圆形区域划分为必然移动域和可能移动域，其中必然移动域为与运动目标移动方向成某一角度的扇形区域，例如±45°，可能移动域为扇形区域外的剩余圆形区域；必然移动域和可能移动域用于对目标进行安全域评估，以保证自动驾驶车辆与目标的安全距离。
本发明相对现有技术具有如下有益效果：
(1)本发明通所述高光谱成像装置对路面进行实时检测，并通过数据采集模块进行相应图像及光谱信息采集，所述数据处理模块对图像信息及光谱信息进行处理，并通过数据转换模块进行控制识别，便于自动驾驶识别系统做出相应的操作；
(2)通过对初始空间网格图像P0(Xa,Yb,T0)和延时空间网格图像Pt(Xa,Yb,Tt)进行角匹配值计算及马氏距离计算，识别出网格图像中的信息点；将信息点的光谱信息与预储存的静止物信息和运动目标信息对应的光谱矢量进行比较，从而识别出相应地信息种类，从而使得本发明具有高精度、低噪声识别的优点。
附图说明
图1为本发明自动驾驶车辆采用高光谱成像装置进行自动识别背景及目标的示意图；
图2为本发明用于自动驾驶的基于高光谱成像的影像分类方法的示意图；
图3为本发明基于高光谱成像的自动驾驶识别系统的流程图；
图中标号表示：1、路面；2、自动驾驶车辆；3、运动目标；4、静止物；5、高光谱相机。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
如图1、图2所示，一种基于高光谱成像的组装分类方法，涉及用于自动驾驶的基于高光谱成像的影像分类方法，通过高光谱成像装置采集并获取一定时间间隔下的初始空间图像、延时空间图像,以及相对应的初始光谱信息、延时光谱信息，将初始空间图像和延时空间图像按光谱信息可识别并匹配的最小像素点划分为网格区域图像，通过对初始空间图像和延时空间图像进行处理获取背景图像及目标图像，并基于背景图像与目标图像光谱信息的差异，获取背景和目标的类别和位置。
高光谱相机5设置于自动驾驶车辆2上，所述背景图像由路面1及静止物4构成，所述静止物4包括绿化带、树木、路灯、栏杆、交通信号灯、建筑物、交通标志等；所述目标图像由运动目标3构成，运动目标包括行驶车辆、行人、动物、自行车、摩托车等。基于高光谱成像的组装分类方法包括如下具体步骤：
读取一段时间间隔(T0,Tt)内高光谱成像装置的图像数据和光谱数据，图像数据包括初始空间图像P0(X,Y,T0)、延时空间图像Pt(X,Y,Tt),光谱数据包括相对应的初始光谱信息F0(X,Y,T0)、延时光谱信息Ft(X,Y,Tt)，将初始空间图像P0(X,Y,T0)和延时空间图像Pt(X,Y,Tt)按光谱信息可识别并匹配的最小像素点划分为网格区域图像，包括初始空间网格图像P0(Xa,Yb,T0)、延时空间网格图像Pt(Xa,Yb,Tt)，其中，下标a表示第a行，下标b表示第b列，且1≤a≤m,1≤b≤n；并且在T0时刻，第a行第b列像素点对应的光谱矢量为λab0；并且在Tt时刻，第a行第b列像素点对应的光谱矢量为λabt；
对初始空间网格图像P0(Xa,Yb,T0)相对应获取的光谱矢量λab0进行校正处理，及对延时空间网格图像Pt(Xa,Yb,Tt)相对应获取的光谱矢量λabt进行校正处理；假设第h个像素点的光谱矢量为Sh，则Sh＝[Sh1,Sh2...Shk...Shc]，其中，Shk表示第h个像素点在第k个波段的反射率值，其为成像光谱装置获取的图像像素点在每个波段处的反射率值，即为已知量；其中，光谱共有c个波段，Shc表示第h个像素点在第c个波段的反射率值。
分别对初始空间网格图像P0(Xa,Yb,T0)和延时空间网格图像Pt(Xa,Yb,Tt)进行角匹配值计算及马氏距离计算，识别出网格图像中的信息点；其过程包括：A、将像素点光谱矢量与预存储的路面光谱信息R进行角匹配，得到每个像素点的光谱角匹配值；光谱角匹配值的计算公式为：
其中，γh表示图像第h个像素点的光谱角匹配值，Rk表示路面光谱矢量在第k个波段的反射率；
B、根据角匹配值计算每个像素点的马氏距离，将每个像素点对应的马氏距离与预定的阈值进行比较，并确定马氏距离大于预定阈值的像素点为信息点。其中，马氏距离的计算公式为：h＝1,2,3...,m*n；
其中，MDh表示图像中第h个像素点的马氏距离，m*n表示图像像素点总数，表示所有像素点的光谱角匹配值的平均值，M-1为马氏距离矩阵M的逆矩阵，马氏距离矩阵M的计算公式为：其中，C为图像像素点中各个γh组成的光谱角匹配向量；预定阈值可通过以下公式确定：
其中，为图像中每个像素点的马氏距离的平均值，MDmax为图像中每个像素点的马氏距离MDh中的最大值，也即确定马氏距离MDh大于Δ的像素点为信息点；
将信息点的光谱信息与预储存的静止物信息和运动目标信息对应的光谱矢量进行比较，从而识别出相应地信息种类。
将初始空间网格图像P0(Xa,Yb,T0)和延时空间网格图像Pt(Xa,Yb,Tt)中相同的信息点进行标识并将某一静止物的标识信息点作为参考点R(Xa1，Yb1，T0)、R(Xa2，Yb2，Tt)，需要注意的是，不同时刻T0、Tt参考点在空间网格图像中的位置不一定相同，取决于高光谱成像装置采集图像时的相对运动状态，但参考点对应的光谱矢量相同，即λab0＝λabt；
将静止物信息及路面信息进行屏蔽处理，即在空间网格图像中仅留下运动目标信息点集合P0’(Xa,Yb,T0)、Pt’(Xa,Yb,Tt)及参考点R(Xa1，Yb1，T0)、R(Xa2，Yb2，Tt)；
获取同一运动目标的信息点与参考点间的相对位置S0＝P0’(Xa,Yb,T0)-R(Xa1，Yb1，T0)，St＝Pt’(Xa,Yb,Tt)-R(Xa2，Yb2，Tt)，若相对位置|St-S0|在某一预设范围内，则该运动目标保持静止状态，若相对位置|St-S0|超出某一预设范围，则该运动目标发生移动。
进一步地，结合高光谱图像采集的时间间隔，计算出运动目标的移动速度，计算公式为：
根据运动目标的移动速度及移动方向，计算出某一时间间隔下，以运动目标的当前位置为圆心画出的圆形区域，圆形区域的半径为移动速度与时间ti的乘积，并且将圆形区域划分为必然移动域和可能移动域，其中必然移动域为与运动目标移动方向成某一角度的扇形区域，例如±45°，可能移动域为扇形区域外的剩余圆形区域；必然移动域和可能移动域用于对目标进行安全域评估，以保证自动驾驶车辆与目标的安全距离。
如图3所示，一种基于高光谱成像的自动驾驶识别系统，该自动驾驶识别系统包括高光谱成像装置、数据采集模块、预存储模块、数据处理模块、数据转换模块和数据共享模块。
其中，所述高光谱成像装置对路面进行实时检测，并通过数据采集模块进行相应图像及光谱信息采集，所述数据处理模块对图像信息及光谱信息进行处理，并通过数据转换模块进行控制识别，便于自动驾驶识别系统做出相应的操作，同时，附近行驶车辆及交通路况管理系统可通过数据共享模块接收到上述识别及操作信息，使车辆间相互协调操作，以减少交通事故的发生，交通路况管理系统也可依据上述信息监控自动驾驶车辆的安全性。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (9)

1.一种基于高光谱成像的组装分类方法，其特征在于：通过高光谱成像装置采集并获取一定时间间隔下的初始空间图像、延时空间图像，以及相对应的初始光谱信息、延时光谱信息，将初始空间图像和延时空间图像按光谱信息可识别并匹配的最小像素点划分为网格区域图像，通过对初始空间图像和延时空间图像进行处理获取背景图像及目标图像，并基于背景图像与目标图像光谱信息的差异，获取背景和目标的类别和位置；具体包括如下步骤：
读取一段时间间隔(T0,Tt)内高光谱成像装置的图像数据和光谱数据，图像数据包括初始空间图像P0(X,Y,T0)、延时空间图像Pt(X,Y,Tt),光谱数据包括相对应的初始光谱信息F0(X,Y,T0)、延时光谱信息Ft(X,Y,Tt)，将初始空间图像P0(X,Y,T0)和延时空间图像Pt(X,Y,Tt)按光谱信息可识别并匹配的最小像素点划分为网格区域图像，包括初始空间网格图像P0(Xa,Yb,T0)、延时空间网格图像Pt(Xa,Yb,Tt)，其中，下标a表示第a行，下标b表示第b列，且1≤a≤m,1≤b≤n；并且在T0时刻，第a行第b列像素点对应的光谱矢量为λab0；并且在Tt时刻，第a行第b列像素点对应的光谱矢量为λabt；
对初始空间网格图像P0(Xa,Yb,T0)相对应获取的光谱矢量λab0进行校正处理，及对延时空间网格图像Pt(Xa,Yb,Tt)相对应获取的光谱矢量λabt进行校正处理；假设第h个像素点的光谱矢量为Sh，则Sh＝[Sh1,Sh2…Shk...Shc]，其中，Shk表示第h个像素点在第k个波段的反射率值，其为成像光谱装置获取的图像像素点在每个波段处的反射率值，即为已知量；其中，光谱共有c个波段，Shc表示第h个像素点在第c个波段的反射率值；
分别对初始空间网格图像P0(Xa,Yb,T0)和延时空间网格图像Pt(Xa,Yb,Tt)进行角匹配值计算及马氏距离计算，识别出网格图像中的信息点；
将信息点的光谱信息与预储存的静止物信息和运动目标信息对应的光谱矢量进行比较，从而识别出相应地信息种类。
2.根据权利要求1所述的一种基于高光谱成像的组装分类方法，其特征在于，所述识别出网格图像中的信息点的具体过程包括：
A、将像素点光谱矢量与预存储的路面光谱信息R进行角匹配，得到每个像素点的光谱角匹配值；光谱角匹配值的计算公式为：
其中，γh表示图像第h个像素点的光谱角匹配值，Rk表示路面光谱矢量在第k个波段的反射率；
B、根据角匹配值计算每个像素点的马氏距离，将每个像素点对应的马氏距离与预定的阈值进行比较，并确定马氏距离大于预定阈值的像素点为信息点，其中，马氏距离的计算公式为：
其中，MDh表示图像中第h个像素点的马氏距离，m*n表示图像像素点总数，表示所有像素点的光谱角匹配值的平均值，M-1为马氏距离矩阵M的逆矩阵，马氏距离矩阵M的计算公式为：其中，C为图像像素点中各个γh组成的光谱角匹配向量；预定阈值可通过以下公式确定：
其中， 为图像中每个像素点的马氏距离的平均值，MDmax为图像中每个像素点的马氏距离MDh中的最大值，也即确定马氏距离MDh大于Δ的像素点为信息点。
3.根据权利要求2所述的一种基于高光谱成像的组装分类方法，其特征在于，所述识别出相应地信息种类的具体过程为：
将初始空间网格图像P0(Xa,Yb,T0)和延时空间网格图像Pt(Xa,Yb,Tt)中相同的信息点进行标识并将某一静止物的标识信息点作为参考点R(Xa1，Yb1，T0)、R(Xa2，Yb2，Tt)，并且参考点对应的光谱矢量相同，即λab0＝λabt；
将静止物信息及路面信息进行屏蔽处理，即在空间网格图像中仅留下运动目标信息点集合P0’(Xa,Yb,T0)、Pt’(Xa,Yb,Tt)及参考点R(Xa1，Yb1，T0)、R(Xa2，Yb2，Tt)；
获取同一运动目标的信息点与参考点间的相对位置S0＝P0’(Xa,Yb,T0)-R(Xa1，Yb1，T0)，St＝Pt’(Xa,Yb,Tt)-R(Xa2，Yb2，Tt)，若相对位置|St-S0|在某一预设范围内，则该运动目标保持静止状态，若相对位置|St-S0|超出某一预设范围，则该运动目标发生移动。
4.根据权利要求3所述的一种基于高光谱成像的组装分类方法，其特征在于，结合高光谱图像采集的时间间隔，计算出运动目标的移动速度，计算公式为：
5.根据权利要求4所述的一种基于高光谱成像的组装分类方法，其特征在于，根据运动目标的移动速度及移动方向，计算出某一时间间隔下，以运动目标的当前位置为圆心画出的圆形区域，圆形区域的半径为移动速度与时间ti的乘积，并且将圆形区域划分为必然移动域和可能移动域。
6.根据权利要求5所述的一种基于高光谱成像的组装分类方法，其特征在于，必然移动域为与运动目标移动方向成某一角度的扇形区域，可能移动域为扇形区域外的剩余圆形区域；必然移动域和可能移动域用于对目标进行安全域评估，以保证自动驾驶车辆与目标的安全距离。
7.根据权利要求1-5任一项所述的一种基于高光谱成像的组装分类方法，其特征在于，所述背景图像由路面及静止物构成，所述静止物包括绿化带、树木、路灯、栏杆、交通信号灯、建筑物或交通标志。
8.根据权利要求1-5任一项所述的一种基于高光谱成像的组装分类方法，其特征在于，所述目标图像由运动目标构成，运动目标包括行驶车辆、行人、动物、自行车或摩托车。
9.一种采用权利要求1-8任一项所述的基于高光谱成像的组装分类方法的自动驾驶识别系统，其特征在于，包括高光谱成像装置、数据采集模块、预存储模块、数据处理模块、数据转换模块和数据共享模块；其中，所述高光谱成像装置对路面进行实时检测，并通过数据采集模块进行相应图像及光谱信息采集，所述预存储模块包括预存储的背景图像信息和目标图像信息一一对应的光谱信息，依据所述光谱信息，数据处理模块可识别出相应的信息种类；所述数据处理模块对图像信息及光谱信息进行处理，并通过数据转换模块进行控制识别；所述预存储模块包括预存储的路面异常信息一一对应的光谱信息，依据所述光谱信息，数据处理模块识别出路面异常信息种类。
CN201910249050.6A 2019-03-29 2019-03-29 一种基于高光谱成像的组装分类方法 Active CN110009032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910249050.6A CN110009032B (zh) 2019-03-29 2019-03-29 一种基于高光谱成像的组装分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910249050.6A CN110009032B (zh) 2019-03-29 2019-03-29 一种基于高光谱成像的组装分类方法

Publications (2)

Publication Number Publication Date
CN110009032A true CN110009032A (zh) 2019-07-12
CN110009032B CN110009032B (zh) 2022-04-26

Family

ID=67168862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910249050.6A Active CN110009032B (zh) 2019-03-29 2019-03-29 一种基于高光谱成像的组装分类方法

Country Status (1)

Country Link
CN (1) CN110009032B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111845786A (zh) * 2020-07-13 2020-10-30 中国联合网络通信集团有限公司 自动行驶策略的确定方法及装置
CN112633045A (zh) * 2019-10-09 2021-04-09 华为技术有限公司 一种障碍物检测方法、装置、设备及介质

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1120206A (zh) * 1993-07-26 1996-04-10 德克萨斯仪器股份有限公司 用于增强印刷的系统和方法
US20030193589A1 (en) * 2002-04-08 2003-10-16 Lareau Andre G. Multispectral or hyperspectral imaging system and method for tactical reconnaissance
US20070070354A1 (en) * 2005-09-07 2007-03-29 Tien-Hsin Chao Electro-Optic Imaging Fourier Transform Spectrometer
CN101266296A (zh) * 2008-04-28 2008-09-17 北京航空航天大学 高光谱小目标探测方法及装置
CN101640803A (zh) * 2009-09-04 2010-02-03 中国科学技术大学 一种用于多光谱图像的渐进的分布式编解码方法及装置
CN101853506A (zh) * 2010-05-27 2010-10-06 西北工业大学 一种基于优化搜索策略的高光谱图像端元提取方法
CN101883274A (zh) * 2009-05-08 2010-11-10 中国科学院沈阳自动化研究所 一种空谱联合预测的高光谱图像无损压缩方法
CN102736085A (zh) * 2012-06-21 2012-10-17 中国科学院半导体研究所 图像寻的激光成像测距方法及装置
CN103226832A (zh) * 2013-05-07 2013-07-31 西安电子科技大学 基于光谱反射率变化分析的多光谱遥感影像变化检测方法
CN103714354A (zh) * 2014-01-16 2014-04-09 西安电子科技大学 基于量子粒子群算法的高光谱图像波段选择方法
CN103729848A (zh) * 2013-12-28 2014-04-16 北京工业大学 基于光谱显著性的高光谱遥感图像小目标检测方法
CN103885187A (zh) * 2014-03-20 2014-06-25 中国科学院半导体研究所 距离选通空间能量包络多脉冲延时积分整形方法
CN104408478A (zh) * 2014-11-14 2015-03-11 西安电子科技大学 一种基于分层稀疏判别特征学习的高光谱图像分类方法
CN108429889A (zh) * 2018-03-06 2018-08-21 深圳市未来媒体技术研究院 一种高光谱十亿像素视频生成方法
CN108618799A (zh) * 2018-04-24 2018-10-09 华中科技大学 一种基于空间相干性的超声ct成像方法
CN109035803A (zh) * 2018-09-07 2018-12-18 合刃科技（武汉）有限公司 一种采用高光谱成像装置进行路况预警的监测系统

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1120206A (zh) * 1993-07-26 1996-04-10 德克萨斯仪器股份有限公司 用于增强印刷的系统和方法
US20030193589A1 (en) * 2002-04-08 2003-10-16 Lareau Andre G. Multispectral or hyperspectral imaging system and method for tactical reconnaissance
US20070070354A1 (en) * 2005-09-07 2007-03-29 Tien-Hsin Chao Electro-Optic Imaging Fourier Transform Spectrometer
CN101266296A (zh) * 2008-04-28 2008-09-17 北京航空航天大学 高光谱小目标探测方法及装置
CN101883274A (zh) * 2009-05-08 2010-11-10 中国科学院沈阳自动化研究所 一种空谱联合预测的高光谱图像无损压缩方法
CN101640803A (zh) * 2009-09-04 2010-02-03 中国科学技术大学 一种用于多光谱图像的渐进的分布式编解码方法及装置
CN101853506A (zh) * 2010-05-27 2010-10-06 西北工业大学 一种基于优化搜索策略的高光谱图像端元提取方法
CN102736085A (zh) * 2012-06-21 2012-10-17 中国科学院半导体研究所 图像寻的激光成像测距方法及装置
CN103226832A (zh) * 2013-05-07 2013-07-31 西安电子科技大学 基于光谱反射率变化分析的多光谱遥感影像变化检测方法
CN103729848A (zh) * 2013-12-28 2014-04-16 北京工业大学 基于光谱显著性的高光谱遥感图像小目标检测方法
CN103714354A (zh) * 2014-01-16 2014-04-09 西安电子科技大学 基于量子粒子群算法的高光谱图像波段选择方法
CN103885187A (zh) * 2014-03-20 2014-06-25 中国科学院半导体研究所 距离选通空间能量包络多脉冲延时积分整形方法
CN104408478A (zh) * 2014-11-14 2015-03-11 西安电子科技大学 一种基于分层稀疏判别特征学习的高光谱图像分类方法
CN108429889A (zh) * 2018-03-06 2018-08-21 深圳市未来媒体技术研究院 一种高光谱十亿像素视频生成方法
CN108618799A (zh) * 2018-04-24 2018-10-09 华中科技大学 一种基于空间相干性的超声ct成像方法
CN109035803A (zh) * 2018-09-07 2018-12-18 合刃科技（武汉）有限公司 一种采用高光谱成像装置进行路况预警的监测系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LAI H J: "Simultaneous feature learning and hash coding with deep neural networks", 《PROCEEDINGS OF THE 2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
岳春宇等: "多谱段光学遥感探测器配准误差分析", 《航天返回与遥感》 *
王吉源: "具有层次结构的K-means聚类算法研究", 《微电子学与计算机》 *
葛亮等: "基于波段聚类的高光谱图像波段选择", 《计算机辅助设计与图形学学报》 *
薛绮等: "基于线性混合模型的高光谱图像端元提取", 《遥感技术与应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633045A (zh) * 2019-10-09 2021-04-09 华为技术有限公司 一种障碍物检测方法、装置、设备及介质
EP4030338A4 (en) * 2019-10-09 2022-10-26 Huawei Technologies Co., Ltd. OBSTACLE DETECTION METHOD, APPARATUS AND DEVICE, AND MEDIA
CN111845786A (zh) * 2020-07-13 2020-10-30 中国联合网络通信集团有限公司 自动行驶策略的确定方法及装置

Also Published As

Publication number Publication date
CN110009032B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN104378582B (zh) 一种基于ptz摄像机巡航的智能视频分析系统及方法
EP3343443B1 (en) Object detection for video camera self-calibration
US10388153B1 (en) Enhanced traffic detection by fusing multiple sensor data
Xiang et al. Real-time parking occupancy detection for gas stations based on Haar-AdaBoosting and CNN
Wu et al. Applying a functional neurofuzzy network to real-time lane detection and front-vehicle distance measurement
DE69935437T2 (de) Visuelle vorrichtung
CN102314601B (zh) 使用非线性光照恒定核去除由基于车辆的相机捕获的图像中的阴影
CN105574552A (zh) 一种基于单目视觉的车辆测距与碰撞预警方法
EP2973211A1 (de) Videostromauswertung
CN105844266A (zh) 反遮挡和涂改的车牌识别系统及方法
CN107891808A (zh) 行车提醒方法、装置及车辆
WO2017174427A1 (de) Verfahren zur erfassung von geparkten fahrzeugen
CN110009032A (zh) 一种基于高光谱成像的组装分类方法
US20050275717A1 (en) Method and apparatus for testing stereo vision methods using stereo imagery data
CN106919939B (zh) 一种交通标识牌跟踪识别方法及系统
CN103530640A (zh) 基于AdaBoost与SVM的无牌车辆检测方法
CN109165872B (zh) 无人化智能球场管理系统、方法及球场
WO2017089568A1 (de) Klassifizieren eines oder mehrerer reflektionsobjekte
CN109035803A (zh) 一种采用高光谱成像装置进行路况预警的监测系统
CN106529391B (zh) 一种鲁棒的限速交通标志检测与识别方法
EP3696537B1 (de) Vorrichtung und verfahren zur schadenserkennung an einem fahrenden fahrzeug
CN109101945A (zh) 一种交通视频监控图像中的多车牌检测方法
Escalera et al. Background on traffic sign detection and recognition
Gao et al. Vision models based identification of traffic signs
JP2004152000A (ja) 発色材料を含む塗装外観の画像シミュレーション方法

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