CN110321828A - 一种基于双目摄像机和车底阴影的前方车辆检测方法 - Google Patents
一种基于双目摄像机和车底阴影的前方车辆检测方法 Download PDFInfo
- Publication number
- CN110321828A CN110321828A CN201910568433.XA CN201910568433A CN110321828A CN 110321828 A CN110321828 A CN 110321828A CN 201910568433 A CN201910568433 A CN 201910568433A CN 110321828 A CN110321828 A CN 110321828A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- region
- candidate
- profile
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于双目摄像机和车底阴影的前方车辆检测方法,使用双目摄像机得到差分图像,通过轮廓检测算法和先验知识,确定初步的车底阴影和候选车辆区域;使用分类器验证候选车辆区域是否是车辆;通过左右图像交叉验证,最终确定前方车辆所在的区域。该方法通过对左右图像差分,可以较为准确地获取车底阴影区域的轮廓;轮廓检测算法和车辆检测算法,保证了车底阴影的准确性;左右图像交叉验证进一步减低了误检率。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及到一种基于双目摄像机和车底阴影的前方车辆检测方法。
背景技术
在基于计算机视觉的车载辅助驾驶系统中,对道路前方车辆的检测有着非常广泛的应用。但目前依然存在检测效果不理想等问题,使其应用受到很大的限制。
基于前方车辆车底阴影来实现车辆检测是一种常用方法;但因受到光照和环境的影响,车底阴影很不容易和道路、车辆本身等区分开,导致对车底阴影的检测很容易出现误检;尽管可以在后续处理过程中使用其他方法来弥补,但是也不能完全消除这些误检。
使用双目摄像机可以从两个角度同时捕获前方车辆的图像,通过差分算法则很容易去掉道路、车辆本身对车底阴影检测的干扰,具有较好的应用效果和潜力。
发明内容
本发明提供了一种基于双目摄像机和车底阴影的前方车辆检测方法,通过布置双目摄像机检测以及交叉验证等技术,可提升对前方车辆检测效果。
一种基于双目摄像机和车底阴影的前方车辆检测方法,其特征在于,包括以下步骤。
步骤1,使用双目摄像机同时获取前方车辆的实时视频,对其提取视频图像,获得左图像和右图像。
步骤2,对左右图像做差分操作,得到差分图像。
步骤3,用二值化处理方法差分图像进行处理,得到二值图像。
步骤4,使用滤波方法对二值图像进行处理,得到滤波图像。
步骤5,使用形态学开运算对滤波图像进行处理,得到轮廓图像。
步骤6,对轮廓图像计算闭合轮廓,根据其位置形状大小,得到候选车辆阴影轮廓。
步骤7,根据候选车辆阴影轮廓,初步确定候选车辆区域。
步骤8,在左图像中利用分类器验证各候选车辆区域是否是车辆。
步骤9,在右图像中进行交叉验证,最终确定前方车辆所在的区域。
所述双目摄像机,是指按水平方向布置并构成双目系统的双摄像机系统。
所述车辆为在道路上行驶的机动车,一般具有较大的占地面积,在通常情况下行驶时车底阴影清晰可见。
所述步骤2,包括:
左图像和右图像的图像尺寸和大小相同;
所述对左右图像做差分操作,是指左右图像对应点像素值直接相减,得到差分图像。
所述步骤3,包括:
二值化处理方法可以使用阈值分割方法,如OTSU(大津法),这是一种自适应阈值分割法;也可以使用双阈值分割以及其他方法。
所述步骤4,包括:
滤波方法可以选用中值滤波方法,它是一种简单有效的噪声去除方法,在去除孤立细小毛刺的同时,保留了轮廓的完整性;也可以使用均值滤波以及其他方法。
所述步骤5,包括:
形态学开运算是计算机图像处理的一种形态学方法,其主要思想是对图像进行先腐蚀后膨胀的操作。
所述步骤6,包括:
利用闭合轮廓检测算法,在轮廓图像中检测出所有闭合轮廓;
计算所有闭合轮廓的外接矩形,外接矩形的中心设定为轮廓中心;
在图像中设定一个方形或梯形的检测区域,轮廓中心在该检测区域外的轮廓直接去除;
计算闭合轮廓在左图像或右图像中对应区域的平均灰度值,大于设定的阈值时直接去除;
设定一个矩形大小范围和长宽比范围;外接矩形不满足大小范围和长宽比范围时,直接去除;
计算闭合轮廓及其外接矩形的7个HU不变矩,并计算与标准车辆阴影矩形轮廓之间的距离;距离大于给定阈值时直接去除;
通过上述筛选,留下的轮廓是最终的候选车辆阴影轮廓。
所述步骤7,包括:
根据先验知识,考虑到图像中车底阴影的上方就是车辆,将车底阴影按比例向上方扩大,形成候选车辆区域;
所述候选车辆阴影轮廓,指图像中可能是车辆阴影的轮廓;
所属候选车辆区域,指图像中可能是车辆的区域。
所述步骤8,包括:
可以使用基于Harr-like特征的Adaboost分类器,确定上述候选车辆区域中是否有车辆;
Haar-like特征可以反映图像在特定方向上的灰度变化特征,可以很好地描述车辆这类刚性物体;Adaboost分类器是一种级联分类器,将多个简单的弱分类器级联组合成为强分类器,能保证高检出率的同时有低误检率;
使用基于Harr-like特征的Adaboost分类器时需要预先进行训练,才能使用;
也可以使用其他分类器来检测上述候选车辆区域中是否有车辆。
所述步骤8,还包括:
也可以先在右图像中进行候选区域车辆检测,相应地步骤9是在左图像中进行交叉验证。
所述步骤9,包括:
针对右图像的交叉验证,是指若在左图像中候选车辆区域检测到车辆后,还需要在右图像中对应候选车辆区域检测是否有车辆;
可以在左右候选区域进行特征点检测和匹配,以确定是同一车辆。
步骤2的主要目的是获取双目差分图像。双目摄像机在得到左右图像时,由于拍摄的同步性,使得两幅图像仅仅存在视角差异;由于这些视角差异,使得差分图像相比于原始图像,可以较好地突出对应位置像素值差异较大的区域,而相同或相似的区域则会被去除,因此在差分操作后,前方视景中将突显出图像中的轮廓特征,车底阴影作为其中一个重要的轮廓也将被显示出来。
步骤3-5的目的是根据差分图像获取车底阴影轮廓。对差分图像的阈值分割,可去除多余的轮廓信息和部分细小的毛刺、噪声,车底阴影区域将更加明显;对二值图像进行滤波处理可以使图像更加平滑,且可进一步去除图像中的毛刺、噪声;开运算可删除图像中一些不包含结构元素的轮廓,断开狭窄轮廓,可去掉细小的突出部分,从而得到较为平滑的轮廓图像。
步骤6的主要目的是去除所有的多余轮廓。主要通过车辆及其阴影的先验知识;
车底阴影的轮廓一定是一个闭合轮廓,因此去掉所有的非闭合轮廓;
根据摄像机视角,前方车辆的阴影只可能出现在图像中的某个区域内,通过区域的划设可以去掉轮廓特征明显但不会是车底阴影的轮廓,比如建筑物和标志牌等;
考虑到车底阴影区域在图像中偏黑,其灰度值偏小,设置计算区域平均灰度值阈值设置可以去除一些高亮度区域;
考虑到车底阴影的大小和长宽比,过大或过小的区域都可能是误检,通过轮廓外接矩形的大小和长宽比计算,可以剔除一些尺寸不符合车底阴影特点的区域;
考虑到车底的阴影形状接近于矩形,考虑到HU不变矩对尺度变化、旋转以及平移性具有不变性,可以用来候选轮廓与其外接矩形的相似度,从而去掉外接矩形不规则的轮廓。
所述步骤7-9的目的是获取候选车辆区域,并对其进行了初步验证和交叉验证。
本发明通过双目摄像机,获得前方车辆两个视角的图像;差分运算去掉了相似区域保留了不同区域,前方车辆阴影将作为明显的轮廓得以显现;通过二值化和滤波和形态学运算,可以去除毛刺和噪声;根据闭合轮廓计算以及轮廓的形状、大小、位置等先验知识,可以剔除绝大部分干扰,得到候选车辆阴影轮廓,并得到候选车辆区域;使用基于Haar-like特征的Adaboost分类器可以检测出该区域是否有车辆;使用交叉验证可更进一步减少误检,最终确认前方车辆所在的区域。
附图说明
图1为本发明系统总体流程图;
图2为检测区域设置示意图;
图3为标准车辆阴影矩形轮廓示意图;
图4为车辆阴影扩展到车辆区域示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施的技术方案进行清楚、完整地描述。
本发明提供一种基于双目摄像机和车底阴影的前方车辆检测方法,包括5个步骤。
步骤1,使用双目摄像机同步获取图像,得到差分图像;
图像大小可使用640*480分辨率;本实施例后续参数均针对该分辨率;其他分辨率可以类推;
可对左图像和右图像分别进行对比度和亮度调整,使其基本一致;
得到差分图像是指对左右图像做差分操作,即左右图像对应点像素值直接相减,得到差值图;差值图中小于0的部分,可以直接置0,也可以取其绝对值,得到差分图像;
差分操作时,可用左图像减右图像,也可用右图像减左图像。
步骤2,对差分图像进行二值化、滤波、形态学等处理,得到轮廓图像;
二值化处理方法可以使用阈值分割方法,如OTSU(大津法),这是一种自适应阈值分割法;也可以使用双阈值分割以及其他方法;
滤波处理可以选用中值滤波方法,它是一种简单有效的噪声去除方法,中值滤波可以使用3x3模板;也可以使用均值滤波以及其他方法;
形态学处理可以使用形态学开运算,即对图像进行先腐蚀后膨胀的操作,开运算的参数可设为:采用默认锚点位置、尺寸大小为(10,6)的矩形内核。
步骤3,根据轮廓闭合以及轮廓的位置、形状和大小,确定候选车辆阴影轮廓,并确定候选车辆区域;
轮廓闭合检测可以采用常规的轮廓闭合算法,如opencv中的cvFindContours函数以及CV_RETR_EXTERNAL参数,以便只检测最外围轮廓;
轮廓的位置计算指计算闭合轮廓的外接矩形,将外接矩形的中心设定为轮廓中心。
可根据以下规则去除多余的轮廓:
在图像中设定一个方形或梯形的检测区域,如设置整个图像的下方2/3区域,轮廓中心在该检测区域外的轮廓直接去除,如图2所示;
设定一个矩形大小范围和长宽比范围;外接矩形不满足大小范围和长宽比范围时,直接去除;根据经验,矩形的像素大小范围为:宽度[30,200],高度[10,200],长宽比范围为[2,6];如宽度小于30像素高度小于10像素的轮廓、长宽比小于2或者大于6的轮廓都会被去除;
闭合轮廓的HU不变矩可使用常规的求解算法,如使用opencv中的HuMoments函数可计算7个HU不变矩;
标准车辆阴影矩形轮廓是包含一个640*480的二值图片,里面包含一个200*50、线宽为 2的矩形,如图3所示;计算该图片的轮廓及其7个不变矩;
计算与标准车辆阴影轮廓(矩形)不变矩之间的距离;距离计算公式如下:
其中,mAi和mBi分别为A、B两个的七个不变矩的值,M(A,B)为A,B轮廓的距离;
距离大于给定阈值时直接去除;该阈值可设为2.15。
通过上述筛选,留下的轮廓是最终的候选车辆阴影轮廓;
将该阴影区域宽度的4/3倍作为车辆候选区域的宽度及高度,即车辆候选区域是边长为4/3阴影区域宽度的正方形;
车辆的底部一般位于车辆阴影处,车辆候选区域将车辆阴影区域作为下边界,向图像上方对称扩展,如图4所示。
步骤4,对左图中的候选车辆区域,用分类器进行验证,检测该区域是否存在车辆;
可以使用Harr-like和Adaboost分类器,确定上述候选车辆区域中是否有车辆;
Haar-like特征可以反映图像在特定方向上的灰度变化特征,可以很好地描述车辆这类刚性物体;Adaboost分类器是一种级联分类器,将多个简单的弱分类器级联组合成为强分类器,能保证高检出率的同时有低误检率;
使用Harr-like和Adaboost分类器时需要预先进行训练,才能使用;
一般情况下的训练样本参数可设置为:分类器器层数为20层,分类器每一层的最小检测率为0.999,分类器每一层的最大误检率为0.5,每一层的正样本数为3000,负样本数为5000,并且图片大小为20*20,使用特征为Haar特征的基本模型;如Opencv中使用cvBoostStartTraining函数的对应参数对应为:numStages=20,minHitRate=0.999,maxFalseAlarmRate=0.5,numPos =3000,numNeg=5000,w=20,h=20,mode=BASIC,featureType=HAAR;
也可以使用其他分类器来检测上述候选车辆区域中是否有车辆。
步骤5,在右图中对应区域进行交叉验证,最终确定前方车辆所在区域;
针对右图像的交叉验证,是指若在左图像中候选车辆区域检测到车辆后,还需要在右图像中对应候选车辆区域检测是否有车辆;
是否为同一车辆,可以在左右候选区域进行特征点检测和匹配,若特征点匹配率达到80%以上,确定是同一车辆。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;或者修改各个步骤的使用顺序,而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围;本发明各种阈值及范围的取值,也会因为装置具体的参数不同而有所改变。
Claims (6)
1.一种基于双目摄像机和车底阴影的前方车辆检测方法,其特征在于,包括以下步骤:
步骤1,使用双目摄像机同时获取前方车辆的实时视频,对其提取视频图像,获得左图像和右图像;
步骤2,对左右图像做差分操作,得到差分图像;
步骤3,用二值化处理方法差分图像进行处理,得到二值图像;
步骤4,使用滤波方法对二值图像进行处理,得到滤波图像;
步骤5,使用形态学开运算对滤波图像进行处理,得到轮廓图像;
步骤6,对轮廓图像计算闭合轮廓,根据其位置形状大小,得到候选车辆阴影轮廓;
步骤7,根据候选车辆阴影轮廓,初步确定候选车辆区域;
步骤8,在左图像中利用分类器验证各候选车辆区域是否是车辆;
步骤9,在右图像中进行交叉验证,最终确定前方车辆所在的区域。
2.根据权利要求1所述的方法,其特征在于,步骤2包括:
左图像和右图像的图像尺寸和大小相同;
所述对左右图像做差分操作,是指左右图像对应点像素值直接相减,得到差分图像。
3.根据权利要求1所述的方法,其特征在于,步骤6包括:
利用闭合轮廓检测算法,在轮廓图像中检测出所有闭合轮廓;
计算所有闭合轮廓的外接矩形,外接矩形的中心设定为轮廓中心;
在图像中设定一个方形或梯形的检测区域,轮廓中心在该检测区域外的轮廓直接去除;
计算闭合轮廓在左图像或右图像中对应区域的平均灰度值,大于设定的阈值时直接去除;
设定一个矩形大小范围和长宽比范围;外接矩形不满足大小范围和长宽比范围时,直接去除;
计算闭合轮廓及其外接矩形的7个HU不变矩,并计算与标准车辆阴影矩形轮廓之间的距离;距离大于给定阈值时直接去除;
通过上述筛选,留下的轮廓是最终的候选车辆阴影轮廓。
4.根据权利要求1所述的方法,其特征在于,步骤7包括:
根据先验知识,考虑到图像中车底阴影的上方就是车辆,将车底阴影按比例向上方扩大,形成候选车辆区域;
所述候选车辆阴影轮廓,指图像中可能是车辆阴影的轮廓;
所属候选车辆区域,指图像中可能是车辆的区域。
5.根据权利要求1所述的方法,其特征在于,步骤8包括:
可以使用基于Harr-like特征的Adaboost分类器,确定上述候选车辆区域中是否有车辆;
Haar-like特征可以反映图像在特定方向上的灰度变化特征,可以很好地描述车辆这类刚性物体;Adaboost分类器是一种级联分类器,将多个简单的弱分类器级联组合成为强分类器,能保证高检出率的同时有低误检率;
使用基于Harr-like特征的Adaboost分类器时需要预先进行训练,才能使用;
也可以使用其他分类器来检测上述候选车辆区域中是否有车辆。
6.根据权利要求1所述的方法,其特征在于,步骤9包括:
针对右图像的交叉验证,是指若在左图像中候选车辆区域检测到车辆后,还需要在右图像中对应候选车辆区域检测是否有车辆;
可以在左右候选区域进行特征点检测和匹配,以确定是同一车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910568433.XA CN110321828B (zh) | 2019-06-27 | 2019-06-27 | 一种基于双目摄像机和车底阴影的前方车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910568433.XA CN110321828B (zh) | 2019-06-27 | 2019-06-27 | 一种基于双目摄像机和车底阴影的前方车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110321828A true CN110321828A (zh) | 2019-10-11 |
CN110321828B CN110321828B (zh) | 2022-07-01 |
Family
ID=68120424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910568433.XA Active CN110321828B (zh) | 2019-06-27 | 2019-06-27 | 一种基于双目摄像机和车底阴影的前方车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110321828B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754798A (zh) * | 2020-07-02 | 2020-10-09 | 上海电科智能系统股份有限公司 | 融合路侧激光雷达和视频实现车辆和周边障碍物探知方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101917601A (zh) * | 2010-08-26 | 2010-12-15 | 四川大学 | 基于双摄像头的数字视频智能监控设备及数据处理方法 |
EP2637126A2 (en) * | 2012-03-07 | 2013-09-11 | Ricoh Company, Ltd. | Method and apparatus for detecting vehicle |
CN105225482A (zh) * | 2015-09-02 | 2016-01-06 | 上海大学 | 基于双目立体视觉的车辆检测系统和方法 |
CN106156748A (zh) * | 2016-07-22 | 2016-11-23 | 浙江零跑科技有限公司 | 基于车载双目相机的交通场景参与者识别方法 |
CN107169984A (zh) * | 2017-05-11 | 2017-09-15 | 南宁市正祥科技有限公司 | 一种车底阴影检测方法 |
CN107305632A (zh) * | 2017-02-16 | 2017-10-31 | 武汉极目智能技术有限公司 | 基于单目计算机视觉技术的目标对象距离测量方法与系统 |
CN108614991A (zh) * | 2018-03-06 | 2018-10-02 | 上海数迹智能科技有限公司 | 一种基于Hu不变矩的深度图像手势识别方法 |
CN108805065A (zh) * | 2018-05-31 | 2018-11-13 | 华南理工大学 | 一种基于几何特征改进的车道线检测方法 |
CN109447003A (zh) * | 2018-10-31 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 车辆检测方法、装置、设备和介质 |
-
2019
- 2019-06-27 CN CN201910568433.XA patent/CN110321828B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101917601A (zh) * | 2010-08-26 | 2010-12-15 | 四川大学 | 基于双摄像头的数字视频智能监控设备及数据处理方法 |
EP2637126A2 (en) * | 2012-03-07 | 2013-09-11 | Ricoh Company, Ltd. | Method and apparatus for detecting vehicle |
CN105225482A (zh) * | 2015-09-02 | 2016-01-06 | 上海大学 | 基于双目立体视觉的车辆检测系统和方法 |
CN106156748A (zh) * | 2016-07-22 | 2016-11-23 | 浙江零跑科技有限公司 | 基于车载双目相机的交通场景参与者识别方法 |
CN107305632A (zh) * | 2017-02-16 | 2017-10-31 | 武汉极目智能技术有限公司 | 基于单目计算机视觉技术的目标对象距离测量方法与系统 |
CN107169984A (zh) * | 2017-05-11 | 2017-09-15 | 南宁市正祥科技有限公司 | 一种车底阴影检测方法 |
CN108614991A (zh) * | 2018-03-06 | 2018-10-02 | 上海数迹智能科技有限公司 | 一种基于Hu不变矩的深度图像手势识别方法 |
CN108805065A (zh) * | 2018-05-31 | 2018-11-13 | 华南理工大学 | 一种基于几何特征改进的车道线检测方法 |
CN109447003A (zh) * | 2018-10-31 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 车辆检测方法、装置、设备和介质 |
Non-Patent Citations (4)
Title |
---|
孟锐: "基于阴影线的智能车辆检测及测距方法研究", 《吉林大学学报(信息科学版)》 * |
宋文杰等: "一种面向无人驾驶汽车的高效交通标志识别方法", 《机器人》 * |
李建: "基于双目视觉的前方车辆测距技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
汪云龙: "基于双目视觉的结构化道路前方车辆检测与距离测量", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754798A (zh) * | 2020-07-02 | 2020-10-09 | 上海电科智能系统股份有限公司 | 融合路侧激光雷达和视频实现车辆和周边障碍物探知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110321828B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI607901B (zh) | 影像修補系統及其方法 | |
CN107798335B (zh) | 一种融合滑动窗口与Faster R-CNN卷积神经网络的车标识别方法 | |
Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
CN110866903B (zh) | 基于霍夫圆变换技术的乒乓球识别方法 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
US20160335508A1 (en) | Vehicle detection system and method | |
EP2580740A2 (en) | An illumination invariant and robust apparatus and method for detecting and recognizing various traffic signs | |
CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
Babbar et al. | A new approach for vehicle number plate detection | |
Chang et al. | An efficient method for lane-mark extraction in complex conditions | |
Gilly et al. | A survey on license plate recognition systems | |
KR101523765B1 (ko) | 스마트폰 영상에서 개선된 실시간 눈동자 검출 방법 | |
Sultana et al. | Lane detection and tracking under rainy weather challenges | |
Yilmaz | A smart hybrid license plate recognition system based on image processing using neural network and image correlation | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
Dhar et al. | Bangladeshi license plate recognition using adaboost classifier | |
Ying et al. | An illumination-robust approach for feature-based road detection | |
CN110321828A (zh) | 一种基于双目摄像机和车底阴影的前方车辆检测方法 | |
JP3915621B2 (ja) | レーンマーク検出装置 | |
Meem et al. | Zebra-crossing detection and recognition based on flood fill operation and uniform local binary pattern | |
Lin et al. | Locating license plate based on edge features of intensity and saturation subimages | |
CN113205687B (zh) | 一种基于视频监控的酒驾车辆轨迹识别系统 | |
CN115100650A (zh) | 基于多重高斯模型的高速公路异常场景去噪及识别方法、装置 | |
Zhang et al. | A novel detection and recognition system for Chinese traffic signs | |
CN114663860A (zh) | 一种用于车道偏离系统中的车道线识别系统和方法 |
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 |