CN110059629A - 一种露天矿山道路的路面区域识别方法及系统 - Google Patents
一种露天矿山道路的路面区域识别方法及系统 Download PDFInfo
- Publication number
- CN110059629A CN110059629A CN201910316719.9A CN201910316719A CN110059629A CN 110059629 A CN110059629 A CN 110059629A CN 201910316719 A CN201910316719 A CN 201910316719A CN 110059629 A CN110059629 A CN 110059629A
- Authority
- CN
- China
- Prior art keywords
- determining
- road
- surface mine
- mine road
- vanishing point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000004044 response Effects 0.000 claims abstract description 61
- 238000012937 correction Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 18
- 230000000694 effects Effects 0.000 description 14
- 230000011218 segmentation Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 11
- 239000013598 vector Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 239000003086 colorant Substances 0.000 description 7
- 238000011084 recovery Methods 0.000 description 5
- 210000001525 retina Anatomy 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000005205 Pinus Nutrition 0.000 description 1
- 241000218602 Pinus <genus> Species 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种露天矿山道路的路面区域识别方法及系统。所述识别方法包括：采集露天矿山道路图像；利用Gabor卷积核，确定预处理后的露天矿山道路图像上第一像素点的能量响应；根据能量响应确定第一像素点的纹理方向；根据纹理方向确定露天矿山道路的消失点位置；根据从消失点位置发出的多条射线，基于HSV色彩空间确定射线两侧区域的颜色差异特征；根据纹理方向以及颜色差异特征确定露天矿山道路的主边缘位置；根据主边缘位置对消失点位置进行校正，确定校正后的消失点位置；根据校正后的消失点位置确定露天矿山道路的次边缘位置；根据主边缘位置以及次边缘位置确定露天矿山道路的路面区域。采用该识别方法及系统能够精确识别露天矿山环境道路。
Description
技术领域
本发明涉及露天矿山道路的路面区域识别领域，特别是涉及一种露天矿山 道路的路面区域识别方法及系统。
背景技术
露天矿山道路指的是矿区范围内运输矿石的矿用车行驶的道路，是矿山信 息化的主要目标道路，也是无人驾驶车辆的运行道路，与城市结构化道路相比， 露天矿山道路表面既没有水泥和沥青等覆盖物，也没有车道线和交通指示标 志，而且道路结构和两侧环境相对复杂。
在乘用车无人驾驶领域，Sungsoo Lim等人提出的基于神经网络的城市结 构化道路识别算法已经能够准确地分辨车道和道路交通指示标志，但是结构化 道路的识别算法无法应用于露天矿山道路。在非结构化道路识别领域，Huang J和Jyun-Min Dai等人提出的算法能够比较准确的识别不同环境的道路区域， 但是算法为了适应多种环境导致复杂度过高，无法满足本系统的实时性要求。
卡特彼勒的793F和小松的930E无人驾驶矿用车没有使用道路区域识别 技术，而是依靠车辆实时定位和矿场的详细电子地图确定道路范围。国内矿场 普遍没有电子地图，相比于针对具体矿场建立电子地图，使用道路区域识别技 术指导无人矿用车的行驶适应性更强，可以提高车辆控制性能；但目前尚未发 现已发表的针对矿山环境的道路识别算法，因此无法识别露天矿山环境的道 路。
发明内容
本发明的目的是提供一种露天矿山道路的路面区域识别方法及系统，以解 决无法识别露天矿山环境道路的问题。
为实现上述目的，本发明提供了如下方案：
一种露天矿山道路的路面区域识别方法，包括：
采集露天矿山道路图像；
对所述露天矿山道路图像进行预处理，确定预处理后的露天矿山道路图 像；
利用Gabor卷积核，确定所述预处理后的露天矿山道路图像上各个第一像 素点的能量响应；
根据所述能量响应确定各个所述第一像素点的纹理方向；
根据所述纹理方向确定所述露天矿山道路的消失点位置；
根据从所述消失点位置发出的多条射线，基于HSV色彩空间，确定所述 射线两侧区域的颜色差异特征；
根据所述纹理方向以及所述颜色差异特征确定所述露天矿山道路的主边 缘位置；
根据所述主边缘位置对所述消失点位置进行校正，确定校正后的消失点位 置；
根据所述校正后的消失点位置确定所述露天矿山道路的次边缘位置；
根据所述主边缘位置以及所述次边缘位置确定所述露天矿山道路的路面 区域。
可选的，所述根据所述能量响应确定各个所述第一像素点的纹理方向，具 体包括：
根据能量响应确定各个所述第一像素点沿不同的方向上的能量响应幅度；
根据所述能量响应幅度确定响应幅度最大的第一方向角和第二方向角；
根据所述第一方向角和所述第二方向角确定各个所述第一像素点的纹理 方向。
可选的，所述根据所述纹理方向确定所述露天矿山道路的消失点位置，具 体包括：
根据所述纹理方向确定纹理方向一致性；
获取符合纹理方向一致性的多个第二像素点；
根据所述第二像素点确定投票区域；
构造与所述投票区域大小相同的投票矩阵，并根据局部自适应软投票 LASV算法确定所述投票矩阵内所述第二像素点对应的像素点位置的票数；
根据所述票数确定所述露天矿山道路的消失点位置；所述露天矿山道路的 消失点位置为票数最大值所对应的像素点位置。
可选的，所述根据所述纹理方向以及所述颜色差异特征确定所述露天矿山 道路的主边缘位置，具体包括：
根据所述颜色差异特征以及所述纹理方向一致性确定每条射线的边缘特 征指标；
按照从小到大的顺序，对边缘特征指标进行排序，确定所述露天矿山道路 的主边缘位置；所述露天矿山道路的主边缘位置为最大的边缘特征指标所对应 的射线。
可选的，所述根据所述主边缘位置对所述消失点位置进行校正，确定校正 后的消失点位置，具体包括：
在所述主边缘位置的主边缘方向上选择多个第一像素点作为备选点，并根 据所述备选点校正所述消失点位置，确定校正后的消失点位置。
一种露天矿山道路的路面区域识别系统，包括：
露天矿山道路图像采集模块，用于采集露天矿山道路图像；
预处理模块，用于对所述露天矿山道路图像进行预处理，确定预处理后的 露天矿山道路图像；
能量响应确定模块，用于利用Gabor卷积核，确定所述预处理后的露天矿 山道路图像上各个第一像素点的能量响应；
纹理方向确定模块，用于根据所述能量响应确定各个所述第一像素点的纹 理方向；
消失点位置确定模块，用于根据所述纹理方向确定所述露天矿山道路的消 失点位置；
颜色差异特征确定模块，用于根据从所述消失点位置发出的多条射线，基 于HSV色彩空间，确定所述射线两侧区域的颜色差异特征；
主边缘位置确定模块，用于根据所述纹理方向以及所述颜色差异特征确定 所述露天矿山道路的主边缘位置；
校正模块，用于根据所述主边缘位置对所述消失点位置进行校正，确定校 正后的消失点位置；
次边缘位置确定模块，用于根据所述校正后的消失点位置确定所述露天矿 山道路的次边缘位置；
路面区域确定模块，用于根据所述主边缘位置以及所述次边缘位置确定所 述露天矿山道路的路面区域。
可选的，所述纹理方向确定模块具体包括：
能量响应幅度确定单元，用于根据能量响应确定各个所述第一像素点沿不 同的方向上的能量响应幅度；
方向角确定模块，用于根据所述能量响应幅度确定响应幅度最大的第一方 向角和第二方向角；
纹理方向确定模块，用于根据所述第一方向角和所述第二方向角确定各个 所述第一像素点的纹理方向。
可选的，所述消失点位置确定模块具体包括：
纹理方向一致性确定单元，用于根据所述纹理方向确定纹理方向一致性；
第二像素点获取单元，用于获取符合纹理方向一致性的多个第二像素点；
投票区域确定单元，用于根据所述第二像素点确定投票区域；
票数确定单元，用于构造与所述投票区域大小相同的投票矩阵，并根据局 部自适应软投票LASV算法确定所述投票矩阵内所述第二像素点对应的像素 点位置的票数；
消失点位置确定模块，用于根据所述票数确定所述露天矿山道路的消失点 位置；所述露天矿山道路的消失点位置为票数最大值所对应的像素点位置。
可选的，所述主边缘位置确定模块具体包括：
边缘特征指标确定单元，用于根据所述颜色差异特征以及所述纹理方向一 致性确定每条射线的边缘特征指标；
主边缘位置确定单元，用于按照从小到大的顺序，对边缘特征指标进行排 序，确定所述露天矿山道路的主边缘位置；所述露天矿山道路的主边缘位置为 最大的边缘特征指标所对应的射线。
可选的，所述校正模块具体包括：
校正单元，用于在所述主边缘位置的主边缘方向上选择多个第一像素点作 为备选点，并根据所述备选点校正所述消失点位置，确定校正后的消失点位置。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供 了一种露天矿山道路的路面区域识别方法及系统，无需依据道路标志线，而是 依据路面的颜色和纹理与周围环境之间的区别辨认路面区域；根据纹理方向确 定所述露天矿山道路的消失点位置，再根据消失点位置检测道路边缘，实现路 面区域分割，从而精确识别露天矿山环境道路。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例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性 的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的露天矿山道路的路面区域识别方法流程图；
图2为本发明所提供的原始图像；
图3为本发明所提供的原始图像彩色直方图；
图4为本发明所提供的直方图均衡化效果示意图；
图5为本发明所提供的直方图均衡化效果的彩色直方图；
图6为本发明所提供的图像增强Retinex理论示意图；
图7为本发明所提供的增强前的原始图像示意图；
图8为本发明所提供的增强后的图像示意图；
图9为本发明所提供的原始图像灰度化示意图；
图10为本发明所提供的增强后的图像灰度化示意图；
图11为本发明所提供的θ＝0°对应的Gabor卷积核示意图；
图12为本发明所提供的置信度阈值＝0.4时，有效投票点分布图；
图13为本发明所提供的置信度阈值＝0.5时，有效投票点分布图；
图14为本发明所提供的置信度阈值＝0.6时，有效投票点分布图；
图15为本发明所提供的有效投票点的纹理方向及分布图；
图16为本发明所提供的传统局部自适应软投票LASV算法的投票区域示 意图；
图17为本发明所提供的投票算法的投票区域示意图；
图18为本发明所提供的像素点投票结果示意图；
图19为本发明所提供的消失点位置示意图；
图20为本发明所提供的HSV色彩空间模型示意图；
图21为本发明所提供的边缘假设颜色特征描述示意图；
图22为本发明所提供的描述实际道路中的方向一致性的示意图；
图23为本发明所提供的OCR指标示意图；
图24为本发明所提供的校正后的消失点示意图；
图25为本发明所提供的一种路面区域分割结果示意图；
图26为本发明所提供的另一种路面区域分割结果示意图；
图27为本发明所提供的人工标注的真实道路区域示意图；
图28为本发明所提供的路面识别过程示意图；
图29为本发明所提供的正确识别的路面区域示意图；
图30为本发明所提供的路面区域分割算法召回率曲线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造 性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种露天矿山道路的路面区域识别方法及系统，能够 精确识别露天矿山环境道路。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和 具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的露天矿山道路的路面区域识别方法流程图，如图1 所示，一种露天矿山道路的路面区域识别方法，包括：
步骤101：采集露天矿山道路图像。
步骤102：对所述露天矿山道路图像进行预处理，确定预处理后的露天矿 山道路图像。
感知系统通过矿用车前方的摄像头实时采集道路图像。在矿用车行驶过程 中，摄像头难免发生抖动，而且随着外界环境的变化，必然会引入大量的噪声， 例如光线变化导致的明暗不均、车辆抖动导致的局部模糊、摄像机本身的随机 椒盐噪声等。为减少冗余信息对检测结果的干扰，提供检测算法的鲁棒性，必 须对摄像头采集的图像进行一定的预处理之后才能用于后续计算。
图像预处理的目标是在降低噪声影响的同时，增强关键信息和关键特征的 可检测性，并最大限度地简化数据。常用的图像预处理手段包括数字化、归一 化、几何变换、平滑、复原和增强等步骤，实际项目中，应根据检测算法和检 测目标的性质，有针对地选择预处理方法。为克服光线变化和车辆抖动对矿山 道路图像的颜色和纹理特征造成的影响，并减少后续算法的计算量，选择使用 图像增强和图像灰度化两种图像预处理手段。
图像增强：光照是对图像质量影响最大的因素之一，在过于强烈或过于暗 淡的光线条件下，物体表面的颜色会失真，细节变得模糊，纹理特征也会被弱 化，失去原本明显的方向性。常用的处理方法有两种，一是通过直方图均衡化， 增强图像的对比度；二是通过带色彩恢复的多尺度视网膜增强算法(Multi-Scale Retinexwith ColorRestore，MSRCR)，弱化光线对图像的影响。
Retinex为“视网膜增强算法”，优化后的MSR(Multi-Scale Retinex)为 “多尺度视网膜增强算法”，MSRCR算法是在视网膜增强算法Retinex理论 基础上优化的算法，Retinex→MSR→MSRCR。
(1)直方图均衡化
图像直方图是描述像素亮度分布的离散函数，表达式为：其中，N为图像中的像素点总数；rk表示第k个灰度级； nk表示灰度级为rk的像素出现的次数。
如图2-3所示，R通道、G通道和B通道的像素都集中在亮度范围较低的 区域，这种局部集中式的亮度范围分布使得图像的整体对比度过低；直方图均 衡化就是通过拉伸像素的亮度分布范围，增加整体的信息量，提高图像对比度 的方法。
直方图均衡化效果如图4-5所示，从处理后的道路图像和彩色直方图可以 看出，直方图均衡化使像素点的亮度分布范围更加均衡，提高了图像中道路和 周围环境的对比度，但是使远处电线杆附近的景物变得模糊，对于细节的恢复 能力较差。
(2)MSRCR图像增强算法
如图6所示，根据Retinex理论，物体的颜色由物体对红绿蓝等不同波长 的光线的反射能力决定，与入射光线无关，但摄像机捕捉的光线由物体对入射 光反射得到，图像中同时包含了物体和入射光线的信息：S(x,y)＝R(x,y)L(x,y)； 其中，L(x,y)表示入射光线的亮度分量；R(x,y)表示物体反射分量；S(x,y)表示 摄像机得到的图像。
两边取对数得：log(S(x,y))＝log(R(x,y))+log(L(x,y))；
由上可知，只要计算出入射光线的亮度分量L(x,y)就能得到物体反射分量 R(x,y)，从而避免光线变化对检测结果的影响。使用高斯卷积函数可以根据已 知图像S(x,y)估计出亮度分量L(x,y)，表达式为：其中， 表示卷积操作；G(x,y)表示二维高斯函数，σ是高斯函 数尺度参数；k是归一化因子，使高斯函数满足∫∫G(x,y)dxdy＝1。
Retinex图像增强算法的处理效果与高斯尺度参数σ的选取有关：σ取值 越小，算法对细节的恢复效果越好，但颜色失真明显；σ取值越大，图像的颜 色失真越小，但细节恢复差。为解决颜色和细节恢复的矛盾问题，选取大、中、 小三种不同的尺度对每个通道进行滤波，将滤波结果加权求和，并调整色彩失 真，作为最终处理结果。MSRCR加权计算的表达式如下： wi表示每个尺度的权 重，w1+w2+w3＝1。
MSRCR图像增强的效果如图7-8所示，经过图像增强处理之后，道路图 像的细节更加清晰，由于光线不均造成的模糊边缘得到还原，对比度也有明显 提高，道路边缘的纹理和边缘两侧的颜色差别更加明显。
通过图4中的直方图均衡化效果与图8中的MSRCR图像增强效果对比可 以看出，MSRCR图像增强算法对于图像的还原能力更强，在对比度相近的前 提下能够保留更多的细节信息，并且图像处理前后的色彩偏差小，因此选用 MSRCR图像增强算法对道路图像进行预处理。
图像灰度化：在RGB(其中Red表示红色，Green表示绿色，Blue表示 蓝色)三通道的彩色图像中，每种颜色都是由红绿蓝三种颜色按照一定的比例 混合得到的，所以每个像素点都有三个属性值，分别代表三种颜色所占的比例。 而在灰度图像中，每个像素点只有一个属性值，即灰度值，8位灰度图像的灰 度值范围是从0到255。为了减少运算量，提高算法的实时性，在不影响检测 效果的情况下，通常对图像进行灰度化处理。灰度化处理的过程就是用三种颜 色的比例值计算得到灰度值，将三个通道的信息简化为单个通道的信息。常用 的灰度化方法有分量法、最大值法和加权平均法。
分量法是指根据检测目标和背景之间的区别，选取RGB三个分量中某一 分量的值作为灰度值；最大值法是指选取每个像素点的RGB三个分量中的最 大值作为该像素点的灰度值。这两种方法要求检测目标和环境之间有固定的色 差关系，并且只根据一个通道得到的灰度图像信息量过少，无法保留图像的主 要特征。加权平均法则根据检测目标性质，对RGB三个分量赋予不同的权值， 使用加权结果作为该像素的灰度值，计算方法如下所示：Gray(x,y)＝wRR(x,y)+wGG(x,y)+wBB(x,y)；其中，wR、wG、wB分别表示RGB三 个分量的权值，wR+wG+wB＝1。根据检测目标选择不同权值，可以得到不同效 果的灰度图像。
本发明通过视觉特征识别道路区域，为了接近人类的视觉感受，根据人眼 对红绿蓝三种颜色的不同敏感度，选择wR＝0.30、wG＝0.59、wB＝0.11作为权重 系数，灰度化效果如图9-10所示。从图中可以看出，尽管后续算法使用的是 灰度图像，图像增强算法对于灰度图像的信息增强依然有明显效果，能够增强 道路边缘的灰度梯度。
步骤103：利用Gabor卷积核，确定所述预处理后的露天矿山道路图像上 各个第一像素点的能量响应。
纹理表现为像素及其邻域的灰度变化，即图像频率；为提取图像的频率特 征，使用傅里叶变换将图像从空间域转换到频率域，二维傅里叶变换表达式为：傅里叶变换是对图像整体的变换，经过傅里 叶变换之后，空间域所有位置的频率特征混合在一起，无法获得具体位置的局 部纹理信息，因此需要引入空间位置局部化的窗口函数，这种具有短时窗口函 数的傅里叶变换被称为Gabor变换。二维Gabor核函数由高斯函数和余弦函数 相乘得到：式中，x′＝xcosθ+ysinθ； y′＝-xsinθ+ycosθ；θ代表Gabor卷积核中平行带的方向，本发明使用四个方向 的Gabor滤波器，θ∈{0°,45°,90°,135°}；表示余弦函数相位，γ表示空间 方向比例，γ＝0.5；λ表示余弦函数波长，σ表示高斯函数标准差，
以θ＝0°为例，通过式(4.10)得到的Gabor卷积核如图11所示，其中，θ＝0° 对应的Gabor卷积核。
步骤104：根据所述能量响应确定各个所述第一像素点的纹理方向。
将灰度图像S(x,y)与Gabor卷积核进行卷积计算，可以得到各像素点的能 量响应。以像素点p(x,y)为例，点p在θ方向上的能量响应为：
Eθ(p)含有实部和虚部两个分量，为计算纹理主方向，定义Eθ(p)的模Hθ(p) 为像素点p在θ方向上的能量响应幅度：得到 像素点p在四个方向上的能量响应幅度后，为了计算纹理主方向，首先比较这 四个能量响应幅度的大小，依次得到显然，纹 理主方向一定在θ1和θ2两个角度之间，并且与的比值越大，说明 p点处纹理的方向性越明显。
Gabor滤波器通过比较像素点p处沿各方向的灰度变化梯度确定纹理主方 向，但对于某些没有明显主方向的区域来说，这种方法会产生假纹理，假纹理 不允许参与消失点的投票，否则会降低算法的准确性。为了评估纹理的强度， 引入纹理置信度的概念，只允许纹理置信度高于阈值τ的像素点作为有效点参 与消失点投票，不仅保证了结果的准确性，而且投票点数量的减少能够降低投 票算法的复杂度。以像素点p为例，纹理置信度的定义为： 式中，Hth为能量响应幅度阈值，常数Hth＝60。
当置信度阈值分别取值0.4、0.5和0.6时，有效投票点的分布如图12-14 所示，当阈值取0.4时，图片中的天空区域依然是有效投票点，对纹理方向的 筛选强度不够；当阈值取0.6时，道路边缘的部分点被归为无效；当阈值取0.5 时，有效点的筛选符合预期，因此本发明的纹理置信度阈值设定为0.5。
有效投票点的纹理主方向通过能量响应幅度最大的第一方向角θ1和第二 方向角θ2计算，根据矢量叠加原理，如果实际纹理主方向则 θ1,θ2∈{0°,45°}。同理，如果实际主纹理方向则θ1,θ2∈{135°,180°}， 但由于Gabor卷积核的对称性，实际θ1,θ2∈{135°,0°}。
本发明三种情况计算纹理主方向。
(1)当θ1＝135°且θ2＝0°时：
(2)当θ1＝0°且θ2＝135°时：
(3)当θ1和θ2取其它值时：
由Vx和Vy可以得到像素p的纹理主方向：
通过置信度筛选出图像中的有效投票点后，计算有效投票点的主纹理方 向，纹理方向分布如图15所示，从图中可以看出，有效纹理主要分布在路面 区域和纹理复杂的山体区域。路面区域纹理与山体表面纹理的主要区别在于， 路面区域的纹理方向规律性地指向同一点，即路面消失点，而山体表面的纹理 方向各异，分布不均，没有统一的指向性；根据路面纹理的这一特点，可以根 据像素纹理方向投票，得票数最多的点即为路面消失点。
步骤105：根据所述纹理方向确定所述露天矿山道路的消失点位置。
投票区域Φ的定义为以投票点P为圆心，半径为R＝0.3H(H表示图像高 度)的扇形。扇形的顶角以P点处纹理方向为基准，向两侧分别扩展角度 阈值α＝5°，本发明投票区域和传统的局部自适应软投票(LocalAdaptive Soft Voting，LASV)算法的投票区域对比如图16-17所示，图中两扇形半径相等。
以图15为例进行消失点投票，图像大小为80×60，本发明投票算法与 LASV的复杂度对比如表1所示。
表1
投票区域Φ中的所有候选点V均满足投票点P的纹理方向一致性要求，且 满足投票半径要求，因此P点向投票区域Φ内所有V点投票，投票权重参考局 部自适应软投票LASV算法：式中，γ表示投票 点P处的纹理方向与线段之间的夹角d(P,V)表示线段PV与 图像对角线长度的比值。
投票矩阵M中最大值的位置对应的就是道路消失点的位置；投票结果和 消失点位置如图18-19所示，从图18中可以看出，得票高的点集中在消失点 周围，从中取票数最高的点作为消失点，即图19中的十字位置。
步骤106：根据从所述消失点位置发出的多条射线，基于HSV色彩空间， 确定所述射线两侧区域的颜色差异特征。
HSV色彩空间是一种非线性的颜色模型，基于人类的视觉感受特点，使 用色调(Hue)、饱和度(Saturation)和亮度(Value)三种独立的属性描述颜色，通常 用倒立的圆锥表示HSV色彩空间模型，如图20所示，在实际道路边缘两侧一 定区域内，颜色的变化比较缓慢，可以使用标准差描述颜色的分布和变化情况， 并使用方均根将边缘两侧区域的颜色标准差联合描述。因此，本发明使用式 描述边缘假设射线两侧区域A1和A2在单个通 道内的颜色差异；其中，c表示色彩通道，c∈{H,S,V}；A1表示射线和射线之间的区域；A2表示射线和射线之间的区域；射线间的夹角 ∠MVPi＝∠PiVN＝20°，如图21所示；mean(Ai)表示Ai区域内像素的c通道属性平 均值；var(Ai)表示Ai区域内像素的c通道属性方差值。
使用三个通道中最大的颜色差异作为两侧区域的颜色差异描述： diff(VPi)＝max{diff(A1,A2)H,diff(A1,A2)S,diff(A1,A2)V}。
步骤107：根据所述纹理方向以及所述颜色差异特征确定所述露天矿山道 路的主边缘位置。
如图22-23所示，道路边缘像素点的纹理方向与道路边缘的方向基本一致。 本发明使用方向一致性比值(Orientation Consistency Ratio，OCR)描述这种 方向一致性的比例，OCR的表达式为：Consisti表示射线 上纹理方向与方向一致的像素点个数；Totali表示射线上的像素总个 数；方向一致的定义是夹角小于5°。
相邻两条边缘假设射线之间的角度为5°，为避免边缘假设射线与道路真 实边缘之间的角度差对计算结果造成的影响，使用及其两侧射线的OCR平 均值作为对纹理特征的描述：
根据道路边缘的视觉特点，将颜色差异指标与方向一致性指标的乘积定义 为边缘特征指标，计算每条射线的边缘特征指标并进行比较，可以得到道路主 边缘的位置：VPD＝argmax{diff(VPi)×OCR(VPi)}。
步骤108：根据所述主边缘位置对所述消失点位置进行校正，确定校正后 的消失点位置。
根据主边缘位置，可以校正消失点的位置。基于纹理方向投票的消失点检 测算法得到的投票结果中，消失点附近区域的像素点票数相近，直接根据票数 求最大值得到的消失点V0与消失点的实际位置之间可能会存在偏差，所以需要 对初始消失点的位置进行校正。由于主边缘线上像素点的纹理方向一致性最 高，在消失点投票时会得到大量票数，V0与实际消失点V*的偏差只可能发生在 主边缘的方向上，因此，本发明从主边缘上V0两侧的点中寻找校正点V*的位置。
首先，在V0左右两侧沿VPD方向连续选择共10个像素点，将这些像素点记 做{V-20,V-19,···,V-1,V1,···,V19,V20}。对于每个Vi点，构建一组从Vi点发出的射线ViLj， 同组射线之间的夹角为5°，ViLj与水平线之间的最小夹角为5°，最大夹角为 175°，且ViLj与主边缘VPD间的最小夹角为20°，如图24所示。
计算每条射线的方向一致性OCR(ViLj)，按照OCR(ViLj)值对ViLj重新排序， j越大代表方向一致性越差。统计从Vi发出的射线中满足方向一致性要求 OCR(ViLj)>0.1的射线数量，记为τi。计算每个校正点Vi的方向一致性指数Si， 将Si值最高的Vi点作为校正后的消失点V*，Si计算方法如式 所示。
校正消失点位置之后，检测次边缘的方法与检测主边缘相同。从V*点发出 一组射线V*Pi，射线间的夹角为5°，V*Pi与水平线之间的最小夹角为5°，最 大夹角为175°，且V*Pi与主边缘VPD间的最小夹角为20°，计算每条射线的 边缘特征并进行比较，可以得到次边缘的位置： VPR＝argmax{diff(V*Pi)×OCR(V*Pi)}；路面区域分割结果如图25-26所示。
步骤109：根据所述校正后的消失点位置确定所述露天矿山道路的次边缘 位置。
步骤110：根据所述主边缘位置以及所述次边缘位置确定所述露天矿山道 路的路面区域。
为验证路面区域分割算法的有效性，选取100幅露天矿山道路图片，分别 使用本发明算法识别道路区域和人工标注道路区域，比较两者的区别。为了定 量地描述算法分割的准确率，使用召回率来衡量算法识别面积与真实道路面积 之间的关系。图27中的RT区域是人工标注的真实道路区域，图28中的RD区 域是算法得到的道路区域，图29中的RT区域与RD区域之间的区域代表正确识 别的区域。
计算正确识别区域的面积与总面积的比例，得到算法的召回率：RT表示真实道路区域；RD表示算法得到的道路区域。
真实道路区域由人工标注，并在图像中将该区域中像素的道路属性值设定 为1，算法识别的道路区域的道路属性值设定为2，其余区域像素该属性值为 0，根据式可以计算召回率。
路面区域分割算法的召回率曲线如图30所示，横轴表示召回率，纵轴表 示达到该召回率的图像数量，以此评价算法的路面区域分割精度。
从图30中的曲线可以看出，80％以上的图片召回率超过0.5，50％以上的 图片召回率超过0.8，说明算法能够比较准确的分割路面区域。为直观地说明 召回率代表的分割精度，表2列出了图像样本的召回率详情，表中RT、RD、 RT∩RD和RT∪RD的单位均为像素点。
表2
| 图像编号 | R<sub>T</sub> | R<sub>D</sub> | R<sub>T</sub>∩R<sub>D</sub> | R<sub>T</sub>∪R<sub>D</sub> | 召回率 |
| 1 | 35495 | 33881 | 33881 | 35495 | 0.95 |
| 2 | 19701 | 21902 | 19155 | 22448 | 0.85 |
| 3 | 15556 | 19336 | 15535 | 19357 | 0.80 |
| 4 | 22503 | 21385 | 19395 | 24493 | 0.79 |
| 5 | 12759 | 12279 | 9465 | 15573 | 0.61 |
从消失点V向下发出一组角度不同的射线，将这些射线作为道 路边缘假设，这些假设中包含了真实道路边缘的位置；射线共35条， 第一条射线和最后一条射线与水平线的夹角分别为5°和175°，相邻 两条射线之间的夹角为5°；本发明将路面区域分割问题转化为从边缘 假设射线中寻找真实边缘的问题，从而精确识别露天矿山道路的真实 边缘。
一种露天矿山道路的路面区域识别系统，包括：
露天矿山道路图像采集模块，用于采集露天矿山道路图像。
预处理模块，用于对所述露天矿山道路图像进行预处理，确定预处理后的 露天矿山道路图像。
能量响应确定模块，用于利用Gabor卷积核，确定所述预处理后的露天矿 山道路图像上各个第一像素点的能量响应。
纹理方向确定模块，用于根据所述能量响应确定各个所述第一像素点的纹 理方向。
所述纹理方向确定模块具体包括：能量响应幅度确定单元，用于根据能量 响应确定各个所述第一像素点沿不同的方向上的能量响应幅度；方向角确定模 块，用于根据所述能量响应幅度确定响应幅度最大的第一方向角和第二方向 角；纹理方向确定模块，用于根据所述第一方向角和所述第二方向角确定各个 所述第一像素点的纹理方向。
消失点位置确定模块，用于根据所述纹理方向确定所述露天矿山道路的消 失点位置。
所述消失点位置确定模块具体包括：纹理方向一致性确定单元，用于根据 所述纹理方向确定纹理方向一致性；第二像素点获取单元，用于获取符合纹理 方向一致性的多个第二像素点；投票区域确定单元，用于根据所述第二像素点 确定投票区域；票数确定单元，用于构造与所述投票区域大小相同的投票矩阵， 并根据局部自适应软投票LASV算法确定所述投票矩阵内所述第二像素点对 应的像素点位置的票数；消失点位置确定模块，用于根据所述票数确定所述露 天矿山道路的消失点位置；所述露天矿山道路的消失点位置为票数最大值所对 应的像素点位置。
颜色差异特征确定模块，用于根据从所述消失点位置发出的多条射线，基 于HSV色彩空间，确定所述射线两侧区域的颜色差异特征。
主边缘位置确定模块，用于根据所述纹理方向以及所述颜色差异特征确定 所述露天矿山道路的主边缘位置。
所述主边缘位置确定模块具体包括：边缘特征指标确定单元，用于根据所 述颜色差异特征以及所述纹理方向一致性确定每条射线的边缘特征指标；主边 缘位置确定单元，用于按照从小到大的顺序，对边缘特征指标进行排序，确定 所述露天矿山道路的主边缘位置；所述露天矿山道路的主边缘位置为最大的边 缘特征指标所对应的射线。
校正模块，用于根据所述主边缘位置对所述消失点位置进行校正，确定校 正后的消失点位置。
所述校正模块具体包括：校正单元，用于在所述主边缘位置的主边缘方向 上选择多个第一像素点作为备选点，并根据所述备选点校正所述消失点位置， 确定校正后的消失点位置。
次边缘位置确定模块，用于根据所述校正后的消失点位置确定所述露天矿 山道路的次边缘位置。
路面区域确定模块，用于根据所述主边缘位置以及所述次边缘位置确定所 述露天矿山道路的路面区域。
在计算纹理主方向时，根据预处理后的灰度图像以及Gabor卷积核确定各 像素点的能量响应，每个像素点与每个Gabor卷积核进行卷积计算得到一个能 量响应，本发明选用四方向(0°、45°、90°、135°)Gabor卷积核，因此得到 每个像素点在这四个方向上的能量响应。由于卷积计算得到的计算结果是复 数，为了减少计算量，使用能量响应的模(即能量响应幅度)描述各像素点在 这四个方向上的能量响应。
计算各像素点在四个方向上的能量响应幅度主要有两个目的。
一是从纹理是否具有明显方向性的角度区分出该像素点是有效像素点还 是无效像素点，纹理方向置信度的计算类似于纹理方向信噪比的计算，纹理方 向置信度过低的像素点从“全图纹理”的角度被认为是纹理噪声，不能参与全图 的纹理投票。
二是确定有效像素点处的纹理方向，纹理方向是一个向量，像素点在四个 方向上的能量响应幅度是纹理方向这个向量在四个方向上的投影，在平面二维 坐标中，纹理方向处于能量响应幅度最大的两个方向之间，且能量响应幅度最 大的这两个方向之间的夹角必定为45°。这两个方向以及在这两个方向上的投 影(即能量响应幅度)构成了两个向量，通过向量相加的方法，即可得到该像 素点处的纹理方向(向量)。该向量的大小表示纹理方向的强度，该向量的方 向表示纹理的方向，由于参与该部分计算的像素点都是有效像素点，对纹理方 向强度不再进行二次筛选，只计算纹理的方向参与接下来的计算。
本发明使用“消失点+由消失点发出的两条射线”的方式描述路面区域，上 文中计算得到的像素纹理方向在消失点的计算和射线角度的计算中均扮演重 要角色。
首先是消失点的计算，根据露天矿山道路图像的特点，路面区域内的像素 点纹理方向规律性地指向同一点(道路消失点)，非路面区域内的像素点纹理 方向各异，没有统一的指向性。如果所有有效像素点按照纹理方向发出射线， 得到大量的射线相交点，统计各相交点包含几条射线，则包含射线条数最多的 相交点就是道路消失点的位置。以上所述这种“按照纹理方向发出射线”的方法 就是“基于纹理方向进行投票”的通俗解释。本发明中使用的“基于纹理方向局 部投票的消失点检测算法”是在全局投票算法基础上的优化，像素点的纹理方 向是投票算法的基础。
确定消失点位置后，为了确定两条射线(道路区域边缘)的角度，使用“颜 色差异指标与方向一致性指标的乘积”定义为边缘特征指标，计算并比较从消 失点发出的射线组的边缘特征指标，可以得到道路主边缘的位置，道路主边缘 计算涉及的算法之间的关系较明显，即分别计算每条射线的颜色差异指标和方 向一致性指标，最终得到边缘特征指标，对边缘特征指标进行排序，得到边缘 特征最明显的射线作为道路主边缘的位置。
得到道路主边缘位置后，在主边缘方向上选择多个像素点作为备选点，比 较从各备选点发出的射线组的方向一致性，得到校正后的消失点位置。根据校 正后的消失点位置计算道路次边缘，方法与计算主边缘的方法相同。
本发明在对图像预处理技术和纹理特征等进行介绍的基础上，研究了增强 图像质量的算法，提取了图像的纹理特征，并根据纹理方向投票获得了道路消 失点的位置。选取带色彩恢复的多尺度视网膜增强(Multi-Scale Retinex with Color Restoration，MSRCR)算法增强图像质量，能够有效降低外界光线变化 对图像的影响，复原物体表面的性质；使用单尺度四方向联合的Gabor滤波器 提取图像的纹理特征，选出纹理置信度满足阈值要求的像素点作为有效投票 点，并根据矢量叠加原理计算有效投票点的纹理主方向；在现有投票算法的基 础上做出改进，针对露天矿山道路的纹理特点，提出了一种减少遍历次数、缩 小投票区域的投票算法，使用该算法投票得到道路消失点位置。
根据露天矿山道路的视觉特点，使用射线组作为消失点约束下的道路边缘 假设，将路面区域分割问题转化为消失点约束下的道路边缘检测问题；将边缘 假设两侧区域在HSV色彩空间内的颜色差作为视觉特征描述，将射线上像素 点的纹理方向和射线方向的一致性作为纹理特征描述，二者相乘得到边缘特征 指标，计算并比较每条射线的边缘特征指标，得到道路主边缘位置；在主边缘 方向上消失点两侧选择部分校正点，计算校正点的方向一致性指数，得到校正 后的消失点位置，根据校正后的位置检测道路副边缘位置，得到路面区域分割 结果；最后比较人工标注路面区域和算法分割路面区域的分布，使用召回率作 为定量评价指标，证明所提出的路面区域识别算法具有准确度高、实时性好的 特点。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是 与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于 实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较 简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施 例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的 一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变 之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种露天矿山道路的路面区域识别方法，其特征在于，包括：
采集露天矿山道路图像；
对所述露天矿山道路图像进行预处理，确定预处理后的露天矿山道路图像；
利用Gabor卷积核，确定所述预处理后的露天矿山道路图像上各个第一像素点的能量响应；
根据所述能量响应确定各个所述第一像素点的纹理方向；
根据所述纹理方向确定所述露天矿山道路的消失点位置；
根据从所述消失点位置发出的多条射线，基于HSV色彩空间，确定所述射线两侧区域的颜色差异特征；
根据所述纹理方向以及所述颜色差异特征确定所述露天矿山道路的主边缘位置；
根据所述主边缘位置对所述消失点位置进行校正，确定校正后的消失点位置；
根据所述校正后的消失点位置确定所述露天矿山道路的次边缘位置；
根据所述主边缘位置以及所述次边缘位置确定所述露天矿山道路的路面区域。
2.根据权利要求1所述的露天矿山道路的路面区域识别方法，其特征在于，所述根据所述能量响应确定各个所述第一像素点的纹理方向，具体包括：
根据所述能量响应确定各个所述第一像素点沿不同的方向上的能量响应幅度；
根据所述能量响应幅度确定响应幅度最大的第一方向角和第二方向角；
根据所述第一方向角和所述第二方向角确定各个所述第一像素点的纹理方向。
3.根据权利要求1所述的露天矿山道路的路面区域识别方法，其特征在于，所述根据所述纹理方向确定所述露天矿山道路的消失点位置，具体包括：
根据所述纹理方向确定纹理方向一致性；
获取符合纹理方向一致性的多个第二像素点；
根据所述第二像素点确定投票区域；
构造与所述投票区域大小相同的投票矩阵，并根据局部自适应软投票LASV算法确定所述投票矩阵内所述第二像素点对应的像素点位置的票数；
根据所述票数确定所述露天矿山道路的消失点位置；所述露天矿山道路的消失点位置为票数最大值所对应的像素点位置。
4.根据权利要求3所述的露天矿山道路的路面区域识别方法，其特征在于，所述根据所述纹理方向以及所述颜色差异特征确定所述露天矿山道路的主边缘位置，具体包括：
根据所述颜色差异特征以及所述纹理方向一致性确定每条射线的边缘特征指标；
按照从小到大的顺序，对边缘特征指标进行排序，确定所述露天矿山道路的主边缘位置；所述露天矿山道路的主边缘位置为最大的边缘特征指标所对应的射线。
5.根据权利要求1所述的露天矿山道路的路面区域识别方法，其特征在于，所述根据所述主边缘位置对所述消失点位置进行校正，确定校正后的消失点位置，具体包括：
在所述主边缘位置的主边缘方向上选择多个第一像素点作为备选点，并根据所述备选点校正所述消失点位置，确定校正后的消失点位置。
6.一种露天矿山道路的路面区域识别系统，其特征在于，包括：
露天矿山道路图像采集模块，用于采集露天矿山道路图像；
预处理模块，用于对所述露天矿山道路图像进行预处理，确定预处理后的露天矿山道路图像；
能量响应确定模块，用于利用Gabor卷积核，确定所述预处理后的露天矿山道路图像上各个第一像素点的能量响应；
纹理方向确定模块，用于根据所述能量响应确定各个所述第一像素点的纹理方向；
消失点位置确定模块，用于根据所述纹理方向确定所述露天矿山道路的消失点位置；
颜色差异特征确定模块，用于根据从所述消失点位置发出的多条射线，基于HSV色彩空间，确定所述射线两侧区域的颜色差异特征；
主边缘位置确定模块，用于根据所述纹理方向以及所述颜色差异特征确定所述露天矿山道路的主边缘位置；
校正模块，用于根据所述主边缘位置对所述消失点位置进行校正，确定校正后的消失点位置；
次边缘位置确定模块，用于根据所述校正后的消失点位置确定所述露天矿山道路的次边缘位置；
路面区域确定模块，用于根据所述主边缘位置以及所述次边缘位置确定所述露天矿山道路的路面区域。
7.根据权利要求6所述的露天矿山道路的路面区域识别系统，其特征在于，所述纹理方向确定模块具体包括：
能量响应幅度确定单元，用于根据能量响应确定各个所述第一像素点沿不同的方向上的能量响应幅度；
方向角确定模块，用于根据所述能量响应幅度确定响应幅度最大的第一方向角和第二方向角；
纹理方向确定模块，用于根据所述第一方向角和所述第二方向角确定各个所述第一像素点的纹理方向。
8.根据权利要求6所述的露天矿山道路的路面区域识别系统，其特征在于，所述消失点位置确定模块具体包括：
纹理方向一致性确定单元，用于根据所述纹理方向确定纹理方向一致性；
第二像素点获取单元，用于获取符合纹理方向一致性的多个第二像素点；
投票区域确定单元，用于根据所述第二像素点确定投票区域；
票数确定单元，用于构造与所述投票区域大小相同的投票矩阵，并根据局部自适应软投票LASV算法确定所述投票矩阵内所述第二像素点对应的像素点位置的票数；
消失点位置确定模块，用于根据所述票数确定所述露天矿山道路的消失点位置；所述露天矿山道路的消失点位置为票数最大值所对应的像素点位置。
9.根据权利要求8所述的露天矿山道路的路面区域识别系统，其特征在于，所述主边缘位置确定模块具体包括：
边缘特征指标确定单元，用于根据所述颜色差异特征以及所述纹理方向一致性确定每条射线的边缘特征指标；
主边缘位置确定单元，用于按照从小到大的顺序，对边缘特征指标进行排序，确定所述露天矿山道路的主边缘位置；所述露天矿山道路的主边缘位置为最大的边缘特征指标所对应的射线。
10.根据权利要求6所述的露天矿山道路的路面区域识别系统，其特征在于，所述校正模块具体包括：
校正单元，用于在所述主边缘位置的主边缘方向上选择多个第一像素点作为备选点，并根据所述备选点校正所述消失点位置，确定校正后的消失点位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910316719.9A CN110059629A (zh) | 2019-04-19 | 2019-04-19 | 一种露天矿山道路的路面区域识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910316719.9A CN110059629A (zh) | 2019-04-19 | 2019-04-19 | 一种露天矿山道路的路面区域识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110059629A true CN110059629A (zh) | 2019-07-26 |
Family
ID=67319710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910316719.9A Pending CN110059629A (zh) | 2019-04-19 | 2019-04-19 | 一种露天矿山道路的路面区域识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110059629A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464884A (zh) * | 2020-12-11 | 2021-03-09 | 武汉工程大学 | 一种adas红外夜视方法和夜视系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106558051A (zh) * | 2015-09-25 | 2017-04-05 | 浙江大学 | 一种改进的从单幅图像检测道路的方法 |
-
2019
- 2019-04-19 CN CN201910316719.9A patent/CN110059629A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106558051A (zh) * | 2015-09-25 | 2017-04-05 | 浙江大学 | 一种改进的从单幅图像检测道路的方法 |
Non-Patent Citations (2)
| Title |
|---|
| HUI KONG ET AL: "General road detection from a single image", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| 石金进: "基于视觉的智能车辆道路识别与障碍物检测方法研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464884A (zh) * | 2020-12-11 | 2021-03-09 | 武汉工程大学 | 一种adas红外夜视方法和夜视系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
| CN109657632B (zh) | 一种车道线检测识别方法 | |
| CN107230202B (zh) | 路面病害图像的自动识别方法和系统 | |
| US10635929B2 (en) | Saliency-based method for extracting road target from night vision infrared image | |
| CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
| CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
| CN106778551B (zh) | 一种高速路段及城市道路车道线识别方法 | |
| CN108765465B (zh) | 一种无监督sar图像变化检测方法 | |
| CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
| CN106023257B (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
| CN109741356B (zh) | 一种亚像素边缘检测方法及系统 | |
| CN107680054A (zh) | 雾霾环境下多源图像融合方法 | |
| CN104103082A (zh) | 一种基于区域描述和先验知识的图像显著性检测方法 | |
| CN109670515A (zh) | 一种用于无人机影像中建筑物变化的检测方法及系统 | |
| CN104978715A (zh) | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 | |
| CN103080979B (zh) | 从照片合成肖像素描的系统和方法 | |
| CN101615292B (zh) | 基于灰度信息的人眼精确定位方法 | |
| CN104217221A (zh) | 基于纹理特征的书画作品检测方法 | |
| CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
| CN108491498A (zh) | 一种基于多特征检测的卡口图像目标搜索方法 | |
| CN104966285B (zh) | 一种显著性区域的检测方法 | |
| CN111611907B (zh) | 一种图像增强的红外目标检测方法 | |
| CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
| CN107705254B (zh) | 一种基于街景图的城市环境评估方法 | |
| CN109858438B (zh) | 一种基于模型拟合的车道线检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |
|
| RJ01 | Rejection of invention patent application after publication |