CN110321855A - 一种雾天检测预警装置 - Google Patents
一种雾天检测预警装置 Download PDFInfo
- Publication number
- CN110321855A CN110321855A CN201910607186.XA CN201910607186A CN110321855A CN 110321855 A CN110321855 A CN 110321855A CN 201910607186 A CN201910607186 A CN 201910607186A CN 110321855 A CN110321855 A CN 110321855A
- Authority
- CN
- China
- Prior art keywords
- image
- visibility
- greasy weather
- box
- line
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 239000003595 mist Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004513 sizing Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000009792 diffusion process Methods 0.000 claims description 2
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 235000013350 formula milk Nutrition 0.000 claims 7
- 238000000034 method Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 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
- G06V20/50—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
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
Abstract
本发明涉及一种雾天检测预警装置,包括:固定观测摄像机系统、图像预处理系统、车道线检测系统、目标区域选择系统、计盒维数计算系统、能见度计算系统、雾天预警系统;车载固定摄像机实时拍摄驾驶场景信息,图像预处理系统减少不必要的干扰,其中计盒维数计算系统计算目标区域的计盒维数,最后雾天预警系统根据计算所得雾浓度和能见度距离输出雾天预警,以提高驾驶员的警惕性,保证行车安全。
Description
技术领域
本发明涉及图像处理的预警的领域,尤其涉及雾天检测预警系统的设计系统。
背景技术
随着经济的发展,社会的繁荣,汽车正进入千家万户的生活。但是,由此带来的交通事故也与日俱增。交通事故给国家和个人生命财产造成的巨大损失,使我们不得大更加交通安全。路面环境作为影响交通安全的主要因素,也引起越来越多的关注。恶劣的天气及气候条件对高速公路的建设与运营的危害极大。所以获取实时、全面、准确的道路交通场景信息是预防交通事故的重要前提和基本保障,也是实现城市交通智能化的关键。因此,对雾天驾驶场景及其能见度进行智能识别,是一项必要且急迫的工作,具有很好的现实意义。
传统的雾天及能见度的识别主要依靠物理传感装置(湿度、气压、红外传感器,雷达、激光等),该方法应用较为广泛,但设备的安装和维护成本较高。基于图像理解和计算机识别方面主要通过构造支持向量机。其中,支持向量机的应用比较多,主要通过提取不同场景下视频图像中的特征量,构建训练样本空间,通过机器学习,实现不同场景的识别。支持向量机在小样本和非线性场景下的应用有一定的优势。通过该方法能较好地识别室外图像中的不同场景(包括晴天、阴天、雨天和雾天),可充分利用现有的交通、安全监控领域相关设备解决天气现象的自动识别问题,并能为视频监控提供有效支持。缺点是由于该方法主要依靠提取图像的多个特征来对其天气场景进行识别,所以对于待测图像质量要求较高,且获取结果的时间较长,比较难实现实时判断识别。
发明内容
有鉴于此,本发明提供一种解决上述问题的基于图像处理的雾天检测预警系统。为达到上述技术方案的效果,本发明的技术方案为:一种雾天检测预警装置,包括:固定观测摄像机系统、图像预处理系统、车道线检测系统、目标区域选择系统、计盒维数计算系统、能见度计算系统、雾天预警系统;
固定观测摄像机系统:通过车载单目摄像机,捕获道路视频信息。假设道路近似为平面,建立交通场景模型,并将视频信息输入E(u,v)到图像预处理系统,实现二维场景到三维场景的信息转变;
图像预处理系统,将视频拍摄系统输出的二维图像进行灰度化处理,通过滤波装置去除噪声影响。滤波器采用高斯滤波,根据公式:其中 E(u,v)指(u,v)与频率矩阵原点之间的距离,σ表示高斯函数扩散的程度,令σ=E0,E0为选取的介质频率参数,得公式:对于视频图像D(x,y),其傅里叶变换为D(u,v),频域处理公式:D1(u,v)=H(u,v)D(u,v),对其进行傅里叶变换后得到高斯低通滤波处理后的图像为:D1(x,y)=F-1[H(u,v)D(u,v)]。
车道线检测系统包括:阈值分割、边缘检测、车道线与消失点估计。对二维图像进行阈值分割处理,首先计算去噪图像的归一化直方图,得到累积均值,则图像的平均灰度为:其中L为图像中的L个不同的灰度等级,pk为直方θ[x,y]=arctan(Dx(x,y)/Dy(x,y))图分量。根据统计类间方差公式:从而最佳阈值l*为使得取最大值的l值,公式:当最大值不唯一时,则取各个最大值l的平均值l*。
然后进行二维图像的边缘检测。该部分首先计算灰度图像的全局梯度。梯度矢量的模公式:M(x,y)反映了图像的边缘强度。梯度矢量的方向公式:θ[x,y]=arctan(Dx(x,y)/Dy(x,y)),θ[x,y]反应了边缘的方向。然后进行非极大值抑制,将梯度角离散为圆周的四个扇区之一,以便用4*4的窗口作抑制运算。四个扇区的标号为0到3,对应4*4邻域的四种可能。在每个点上,邻域的中心像素M(x,y)与沿着梯度线的两个像素相比。如果M(x,y)的梯度值不比沿梯度线的两个相邻像素梯度值大,则令M(x,y)=0。
其次用双阈值算法检测和连接边缘,对于作用阈值θ1,θ2步骤如下:对θ2作用的图像进行扫描,当遇到一个非零灰度的像素M(x,y)时,跟踪以M(x,y)为开始点的轮廓线,直到轮廓线的终点N(x,y)。考察θ1作用的图像中与θ2作用的图像中 N(x,y)点位置对应的点M(x,y)的8邻近区域。如果在M(x,y)点的8邻近区域中有非零灰度M(x,y)存在,则将其包括到θ2作用的图像中,作为E(x,y)点。从E(x,y)开始,重复第一步,直到无法继续为止。当完成对包含M(x,y)的轮廓线的连结之后,将这条轮廓线标记为已经访问。回到第一步,寻找下一条轮廓线。重复第一步、第二步、第三步,直到θ2作用的图像中找不到新轮廓线为止。
最后检测车道线估计道路消失点,根据Hough变换公式:ρ=xcosθ+ysinθ,其中ρ为图像空间中直线到坐标原点的距离,范围为ρ∈(0,r),r为图像对角线长度;θ为直线与x轴之间的夹角,范围为θ∈(0,180°)。非零灰度考虑到车道线信息位于图像的下半部分,为了减少干扰信息,限定θ的取值范围为:20≤θ≤160,则ρ的范围为:其中w,h分别为图像的宽度和高度。根据上述方式得到检测的车道线,车道线的交点即消失点,消失点高度hhar。
目标区域选择系统:根据单目摄像机的角度α,预定义地平线高度将其与消失点高度hhar比较,若|href-hhar|/height≤18%,则将hhor定义为地平线,否则,将定义为地平线位置。所以目标区域的高度范围为地平线以上部分htar,目标区域的高度范围为:(w-htar)/2≤wtar≤(w+htar)/2。
计盒维数计算系统:通过分析目标区域的纹理特征,提取图像的计盒维数。将提取的目标区域图像依次进行2等分,原二值图像被分成了若干同等大小子矩阵,如果子矩阵为0矩阵,则表明该网格不含纹理信息,若矩阵不为0矩阵,则表明该网格中含有一定的纹理信息。依次统计图像中的每个子矩阵σk,即可统计出含有纹理信息的网格数目当网格大小σ取值不同时,得到的网格数目也不同,这样就可以得到一系列网格大小σ与相应覆盖网格数的数据对。然后在双对数坐标系下绘出数据点,进行线性回归分析,如能得到一条线性相关的直线,直线斜率的负值即为图像的计盒维数λ。
雾天能见度识别系统:根据能见度距离,与目标区域计盒维数的关系公式:其中λ为计盒维数。当所得能见度距离低于100米时,判定为大雾天气。当能见度低于300米大于100米时,判定为中雾天气。当能见度低于1000 米大于300米时,判定为薄雾天气。
雾天预警系统:根据可见距离,将雾天分为薄雾、中雾、大雾。当大雾天气,输出语音提醒“大雾天气,能见度低于100米,开启雾灯,谨慎驾驶”;当中雾天气,输出语音提醒“中雾天气,能见度低于300米,开启雾灯,谨慎驾驶”;当薄雾天气,输出语音提醒“薄雾天气,能见度低于1000米,开启雾灯,谨慎驾驶”;
附图说明
图1为一种雾天检测预警装置的系统示意图;
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合实施例,对本发明进行详细的说明。应当说明的是,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,能实现同样功能的产品属于等同替换和改进,均包含在本发明的保护范围之内。具体方法如下:
实施例1:本实施例具体介绍了基于图像处理的雾天检测与预警系统的结构,如下:
一种雾天检测预警装置,包括:固定观测摄像机系统、图像预处理系统、车道线检测系统、目标区域选择系统、计盒维数计算系统、能见度计算系统、雾天预警系统;
固定观测摄像机系统:通过车载单目摄像机,捕获道路视频信息。假设道路近似为平面,建立交通场景模型,并将视频信息输入E(u,v)到图像预处理系统,实现二维场景到三维场景的信息转变;
图像预处理系统,将视频拍摄系统输出的二维图像进行灰度化处理,通过高斯滤波装置去除噪声影响。
车道线检测系统包括:阈值分割、边缘检测、车道线与消失点估计。对二维图像进行阈值分割处理,然后进行二维图像的边缘检测,并用双阈值算法检测和连接边缘,以识别图像中的轮廓线。最后在限定角度的目标区域内,检测车道线估计道路消失点,得到检测的车道线,车道线的交点即消失点,消失点高度hhar。
目标区域选择系统:根据单目摄像机的角度α,预定义地平线高度将其与消失点高度hhar比较,若|href-hhar|/height≤18%,则将hhor定义为地平线,否则,将定义为地平线位置。所以目标区域的高度范围为地平线以上部分htar,目标区域的高度范围为:(w-htar)/2≤wtar≤(w+htar)/2。
计盒维数计算系统:通过分析目标区域的纹理特征,提取图像的计盒维数。将提取的目标区域图像依次进行2等分,原二值图像被分成了若干同等大小子矩阵,如果子矩阵为0矩阵,则表明该网格不含纹理信息,若矩阵不为0矩阵,则表明该网格中含有一定的纹理信息。依次统计图像中的每个子矩阵σk,即可统计出含有纹理信息的网格数目当网格大小σ取值不同时,得到的网格数目也不同,这样就可以得到一系列网格大小σ与相应覆盖网格数的数据对。然后在双对数坐标系下绘出数据点,进行线性回归分析,如能得到一条线性相关的直线,直线斜率的负值即为图像的计盒维数λ。
雾天能见度识别系统:根据能见度距离,与目标区域计盒维数的关系公式:其中λ为计盒维数。当所得能见度距离低于100米时,判定为大雾天气。当能见度低于300米大于100米时,判定为中雾天气。当能见度低于1000 米大于300米时,判定为薄雾天气。
雾天预警系统:根据可见距离,将雾天分为薄雾、中雾、大雾。当大雾天气,输出语音提醒“大雾天气,能见度低于100米,开启雾灯,谨慎驾驶”;当中雾天气,输出语音提醒“中雾天气,能见度低于300米,开启雾灯,谨慎驾驶”;当薄雾天气,输出语音提醒“薄雾天气,能见度低于1000米,开启雾灯,谨慎驾驶”;
本发明的有益成果为:本发明提供了一种雾天检测预警装置,设有固定观测摄像机系统、图像预处理系统、车道线检测系统、目标区域选择系统、计盒维数计算系统、能见度计算系统、雾天预警系统;车载固定摄像机实时拍摄驾驶场景信息,图像预处理系统进行去噪处理,以减少不必要的干扰,车道线检测系统检测车道线并计算道路消失点,目标区域选择系统选取最具纹理特征代表性的天空区域,计盒维数计算系统计算目标区域的计盒维数,能见度计算系统根据计盒维数值与能见度公式计算能见度,雾天预警系统根据计算所得雾浓度和能见度距离输出雾天预警,从而根据本系统能更好提高驾驶员的警惕性,保证行车安全。
以上所述仅为本发明之较佳实施例,并非用以限定本发明的权利要求保护范围。同时以上说明,对于相关技术领域的技术人员应可以理解及实施,因此其他基于本发明所揭示内容所完成的等同改变,均应包含在本权利要求书的涵盖范围内。
Claims (1)
1.一种雾天检测预警装置,其特征在于,包括:固定观测摄像机系统、图像预处理系统、车道线检测系统、目标区域选择系统、计盒维数计算系统、能见度计算系统、雾天预警系统;
所述固定观测摄像机系统:通过车载单目摄像机,捕获道路视频信息;假设道路近似为平面,建立交通场景模型,并将视频信息输入E(u,v)到图像预处理系统,u,v为坐标位置,E(u,v)指坐标(u,v)与频率矩阵原点之间的距离,实现二维场景到三维场景的信息转变;
所述图像预处理系统,将视频拍摄系统输出的二维图像进行灰度化处理,通过滤波装置去除噪声影响;滤波器采用高斯滤波,根据公式:其中σ表示高斯函数扩散的程度,令σ=E0,E0为选取的介质频率参数,得公式:对于视频图像D(x,y),(x,y)为坐标位置,其傅里叶变换为D(u,v),频域处理公式:D1(u,v)=H(u,v)D(u,v),对其进行傅里叶变换后得到高斯低通滤波处理后的图像F-1[H(u,v)D(u,v)],即D1(x,y)=F-1[H(u,v)D(u,v)];
所述车道线检测系统包括:阈值分割、边缘检测、车道线与消失点估计;对二维图像进行阈值分割处理,首先计算去噪图像的归一化直方图,得到累积均值,则图像的平均灰度为:其中L为图像中的L个不同的灰度等级,pk为直方θ[x,y]=arctan(Dx(x,y)/Dy(x,y))图分量;x,y为图像的坐标,L,k为整数;
然后进行二维图像的边缘检测;首先计算灰度图像的全局梯度;梯度矢量的模公式:M(x,y)反映了图像的边缘强度;梯度矢量的方向公式:θ[x,y]=arctan(Dx(x,y)/Dy(x,y)),θ[x,y]反应了边缘的方向;然后进行非极大值抑制,将梯度角离散为圆周的四个扇区之一,以便用4*4的窗口作抑制运算;四个扇区的标号为0到3,对应4*4邻域的四种可能;在每个点上,邻域的中心像素M(x,y)与沿着梯度线的两个像素相比;如果M(x,y)的梯度值不比沿梯度线的两个相邻像素梯度值大,则令M(x,y)=0;
其次用双阈值算法检测和连接边缘,对于作用阈值θ1,θ2步骤如下:对θ2作用的图像进行扫描,当遇到一个非零灰度的像素M(x,y)时,跟踪以M(x,y)为开始点的轮廓线,直到轮廓线的终点N(x,y);考察θ1作用的图像中与θ2作用的图像中N(x,y)点位置对应的点M(x,y)的8邻近区域;如果在M(x,y)点的8邻近区域中有M(x,y)存在,则将其包括到θ2作用的图像中,作为E(x,y)点;从E(x,y)开始,重复第一步,直到无法继续为止;当完成对包含M(x,y)的轮廓线的连结之后,将这条轮廓线标记为已经访问;回到第一步,寻找下一条轮廓线;重复第一步、第二步、第三步,直到θ2作用的图像中找不到新轮廓线为止;
最后检测车道线估计道路消失点,根据变换公式:ρ=xcosθ+ysinθ,其中ρ为图像空间中直线到坐标原点的距离,范围为ρ∈(0,r),r为图像对角线长度;θ为直线与x轴之间的夹角,范围为θ∈(0,180°);非零灰度考虑到车道线信息位于图像的下半部分,为了减少干扰信息,限定θ的取值范围为:20≤θ≤160,则ρ的范围为:其中w,h分别为图像的宽度和高度;根据上述方式得到检测的车道线,车道线的交点即消失点,消失点高度hhar;
所述目标区域选择系统:根据单目摄像机的角度α,预定义地平线高度将其与消失点高度hhar比较,若|href-hhar|/height≤18%,则将hhor定义为地平线,否则,将定义为地平线位置;所以目标区域的高度范围为地平线以上部分htar,目标区域的高度范围wtar为:(w-htar)/2≤wtar≤(w+htar)/2;
所述计盒维数计算系统:通过分析目标区域的纹理特征,提取图像的计盒维数;将提取的目标区域图像依次进行2等分,原二值图像被分成了若干同等大小子矩阵,如果子矩阵为0矩阵,则表明该网格不含纹理信息,若矩阵不为0矩阵,则表明该网格中含有一定的纹理信息;依次统计图像中的每个子矩阵σk,即可统计出含有纹理信息的网格数目当网格大小σ取值不同时,得到的网格数目也不同,这样就可以得到一系列网格大小σ与相应覆盖网格数的数据对;然后在双对数坐标系下绘出数据点,进行线性回归分析,如能得到一条线性相关的直线,直线斜率的负值即为图像的计盒维数λ;
所述雾天能见度识别系统:根据能见度距离,与目标区域计盒维数的关系公式:其中λ为计盒维数;当所得能见度距离低于100米时,判定为大雾天气;当能见度低于300米大于100米时,判定为中雾天气;当能见度低于1000米大于300米时,判定为薄雾天气;
所述雾天预警系统:根据可见距离,将雾天分为薄雾、中雾、大雾;当大雾天气,输出语音提醒“大雾天气,能见度低于100米,开启雾灯,谨慎驾驶”;当中雾天气,输出语音提醒“中雾天气,能见度低于300米,开启雾灯,谨慎驾驶”;当薄雾天气,输出语音提醒“薄雾天气,能见度低于1000米,开启雾灯,谨慎驾驶”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910607186.XA CN110321855A (zh) | 2019-07-07 | 2019-07-07 | 一种雾天检测预警装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910607186.XA CN110321855A (zh) | 2019-07-07 | 2019-07-07 | 一种雾天检测预警装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110321855A true CN110321855A (zh) | 2019-10-11 |
Family
ID=68122974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910607186.XA Pending CN110321855A (zh) | 2019-07-07 | 2019-07-07 | 一种雾天检测预警装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110321855A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837825A (zh) * | 2019-10-17 | 2020-02-25 | 天津大学 | 基于嵌入式的表计识别与读数系统 |
US20220076168A1 (en) * | 2020-05-11 | 2022-03-10 | Nanjing University Of Posts And Telecommunications | Method for recognizing fog concentration of hazy image |
CN114212098A (zh) * | 2021-12-27 | 2022-03-22 | 深圳市全景达科技有限公司 | 一种全景泊车方法、装置、电子设备及介质 |
EP4301008A1 (en) * | 2022-06-30 | 2024-01-03 | Canon Kabushiki Kaisha | Communications within an intelligent transport system to improve perception control |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587190A (zh) * | 2009-06-25 | 2009-11-25 | 国家海洋局第二海洋研究所 | 白天海雾的卫星遥感监测方法 |
US20140247968A1 (en) * | 2011-11-16 | 2014-09-04 | Bayerische Motoren Werke Aktiengesellschaft | Method for Fog Detection |
CN104966298A (zh) * | 2015-06-17 | 2015-10-07 | 南京大学 | 一种基于微光云图数据的夜间低云大雾监测方法 |
CN105512623A (zh) * | 2015-12-02 | 2016-04-20 | 吉林大学 | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 |
-
2019
- 2019-07-07 CN CN201910607186.XA patent/CN110321855A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587190A (zh) * | 2009-06-25 | 2009-11-25 | 国家海洋局第二海洋研究所 | 白天海雾的卫星遥感监测方法 |
US20140247968A1 (en) * | 2011-11-16 | 2014-09-04 | Bayerische Motoren Werke Aktiengesellschaft | Method for Fog Detection |
CN104966298A (zh) * | 2015-06-17 | 2015-10-07 | 南京大学 | 一种基于微光云图数据的夜间低云大雾监测方法 |
CN105512623A (zh) * | 2015-12-02 | 2016-04-20 | 吉林大学 | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 |
Non-Patent Citations (1)
Title |
---|
顾柏园: "基于单目视觉的安全车距预警系统研究" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837825A (zh) * | 2019-10-17 | 2020-02-25 | 天津大学 | 基于嵌入式的表计识别与读数系统 |
US20220076168A1 (en) * | 2020-05-11 | 2022-03-10 | Nanjing University Of Posts And Telecommunications | Method for recognizing fog concentration of hazy image |
US11775875B2 (en) * | 2020-05-11 | 2023-10-03 | Nanjing University Of Posts And Telecommunications | Method for recognizing fog concentration of hazy image |
CN114212098A (zh) * | 2021-12-27 | 2022-03-22 | 深圳市全景达科技有限公司 | 一种全景泊车方法、装置、电子设备及介质 |
CN114212098B (zh) * | 2021-12-27 | 2024-04-12 | 深圳市全景达科技有限公司 | 一种全景泊车方法、装置、电子设备及介质 |
EP4301008A1 (en) * | 2022-06-30 | 2024-01-03 | Canon Kabushiki Kaisha | Communications within an intelligent transport system to improve perception control |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321855A (zh) | 一种雾天检测预警装置 | |
Zhao et al. | Improvement of canny algorithm based on pavement edge detection | |
CN101916383B (zh) | 基于多摄像机的车辆检测跟踪识别系统 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN103324913B (zh) | 一种基于形状特征和轨迹分析的行人事件检测方法 | |
CN102982313B (zh) | 烟雾检测的方法 | |
CN101807352A (zh) | 一种模糊模式识别的车位检测方法 | |
CN102663357A (zh) | 基于颜色特征的停车场车位检测算法 | |
CN104063882B (zh) | 一种基于双目的车辆视频测速方法 | |
CN102982304B (zh) | 利用偏光图像检测车辆位置的方法和系统 | |
CN105719283A (zh) | 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN112329623A (zh) | 雾天能见度检测与能见度安全等级划分预警方法 | |
Cheng et al. | Image segmentation technology and its application in digital image processing | |
CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
CN101739667B (zh) | 基于非下采样轮廓波变换的遥感图像道路增强方法 | |
Vaibhav et al. | Real-time fog visibility range estimation for autonomous driving applications | |
CN109063669B (zh) | 一种基于图像识别的桥区船舶航行态势分析方法及装置 | |
CN110473255A (zh) | 一种基于多重网格划分的船舶系船柱定位方法 | |
CN112163606B (zh) | 基于块对比度加权的红外小目标检测的方法 | |
CN114049306A (zh) | 一种基于图像摄像机和高性能显卡的交通异常检测系统设计 | |
CN116110230A (zh) | 基于车载摄像头的车辆越车道线识别方法及系统 | |
CN108447045A (zh) | 一种基于sat积分图的sar遥感图像水域检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191011 |