CN110334692A - 一种基于图像处理的盲道识别方法 - Google Patents
一种基于图像处理的盲道识别方法 Download PDFInfo
- Publication number
- CN110334692A CN110334692A CN201910643445.4A CN201910643445A CN110334692A CN 110334692 A CN110334692 A CN 110334692A CN 201910643445 A CN201910643445 A CN 201910643445A CN 110334692 A CN110334692 A CN 110334692A
- Authority
- CN
- China
- Prior art keywords
- image
- blind way
- blind
- space
- way
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的盲道识别方法,包括以下步骤:采集RGB盲道图像,将RGB盲道图像转换到HSV空间,差异显著的颜色在HSV空间中色相分量存在明显差异;使用Otsu自适应阈值分割法对得到的HSV空间的聚类效果最好的分量图图像进行分割,得到分割后的图像;对分割后的图像进行形态学处理,得到形态学处理后的盲道图像;对形态学处理后的盲道图像进行轮廓绘制和计算,使得分割更大面积的盲道区域,实现盲道的准确分割,本发明改进和完善后可应用于导盲杖、导盲移动机器人等其它电子导盲设备上,可以实时地对盲道图像进行检测和分割,引导盲人的行进方向,为盲人的安全出行提供极大地便利,具有极大的应用前景,并获得可观的经济效益和社会效益。
Description
技术领域
本发明属于信息科学与技术领域,具体涉及一种基于图像处理的盲道识别方法。
背景技术
据国家权威部门统计,中国是世界盲人最多的国家,约有500万,占全世界盲人口的18%。盲人的安全出行一直是社会关注的重点问题,随着城市建设的不断发展,盲人群体也随之受到了越来越多的关注。针对盲人导航服务,相继研究出了基于红外线、射频等原理的多种非视觉导盲仪以及基于视觉的电子盲杖、盲道导航车等。但由于前者不基于视觉,获取到的可用信息很少,应用环境的局限性较大。因此,基于视觉的导盲已经成为了如今导盲研究领域的热点。而盲道作为城市建设的重要部分,对盲道的识别便成为了视觉导盲研究的重点。盲道的识别就是利用图像处理将其与其它非盲道区域分割开来,检测出盲道的边界线。盲道识别的准确性、实时性对于盲人的出行安全和方便有着十分重要的意义。
目前关于盲道识别算法的研究主要集中在以下几个方面:(1)基于颜色区域的图像分割,利用盲道颜色与周围人行道颜色的差别,通过HIS或者HSV颜色空间的H分量实现盲道分割。该方法主要利用的是H分量的信息,易受到H分量相近的人行道区域的影响,而且对各分量的阈值设置较为复杂,适应范围小,识别率较差;(2)基于纹理特征对盲道图像进行处理,如利用与纹理相关的排列组合熵或灰度共生矩阵等统计方法或者模糊C和K-means均值聚类识别盲道,准确率较高,但算法复杂,帧处理时间长,不适合实时导盲,而且受光线、盲道破损情况的影响,纹理特征也会发生变化,对盲道的识别率影响较大;(3)基于直接Hough的直线检测,通过各个砖块之间明显的缝隙,根据其梯度变化找出盲道边缘界线。该方法实时性好,但特征描述过于简单,易受到非盲道区域边界信息的干扰,因而严重影响了盲道的识别率。
由于摄像头采集角度和视野范围的不同,盲道图像不仅会包含盲道区域和人行道区域,也有许多诸如路基,植物、建筑物等非人行道区域。通过常规的膨胀、滤波处理后,还会存在许多面积大小不一的连通区域,这些区域也需要去除,去除方法大都采用的是区域生长算法,而该方法处理速度特别慢,对一些分辨率较大的图片尤其如此。如果处理速度受到极大影响,实际应用中引导盲人行进过程时间就会很长,对盲人出行是十分不便的。
发明内容
为解决上述问题,本发明提供一种基于图像处理的盲道识别方法,实现盲道的检测和分割,可以应用于导盲杖、盲道导航车、导盲机器人等,为盲人的出行提供引导方向,保证盲人出行安全,具有极大的应用前景,并获得可观的经济效益和社会效益。
本发明通过以下技术方案来实现:
一种基于图像处理的盲道识别方法,主要包括以下步骤:
步骤一、采集RGB盲道图像,将RGB盲道图像转换到HSV空间,差异显著的颜色在HSV空间中色相分量存在明显差异;
步骤二、使用Otsu自适应阈值分割法对步骤一得到的HSV空间中的聚类效果最好的分量图图像进行分割,得到分割后的图像;
步骤三、对步骤二分割后的图像进行形态学处理,得到形态学处理后的盲道图像;
步骤四、对形态学处理后的盲道图像进行轮廓绘制和计算,使得分割更大面积的盲道区域,实现盲道的准确分割。
进一步的,所述步骤一中将图像由RGB空间转换到HSV空间采用以下公式:
(1)
(2)
(3)
其中以上公式中的R、G、B分别是图像中每一像素点处RGB颜色空间对应分量的值。
进一步的,所述步骤二中Otsu自适应阈值分割法是按图像的灰度特性,将图像分成背景和前景两部分,背景和前景的分界值就是需要计算的阈值,其计算具体方法为:
a、统计灰度级中每个像素在整幅图像中的个数;
b、计算每个像素在整幅图像的概率分布;
c、对灰度级进行遍历搜索,计算当前灰度值下前景背景类间概率;
d、通过目标函数计算出类内与类间方差下对应的阈值;
其公式为: (4)
其中M表示图像灰度值的均值,MA和MB为前景和背景灰度值的均值,PA表示前景部分里的像素数占总像素数的比例,PB表示背景部分里的像素数占总像素数的比例。
进一步的,所述步骤三中对分割后的图像进行形态学处理主要方法为:
1)先通过中值滤波对面积较小的椒盐噪声进行去除;
2)再通过腐蚀算法对滤波后的结果进行形态学处理,整个过程选用的窗口均为11*11大小,迭代次数为1次。
进一步的,所述步骤四中实现盲道准确分割的具体方法为:通过对形态学处理后的盲道图像进行轮廓查找和绘制,遍历这些轮廓,计算各轮廓对应的面积,并返回最大面积轮廓的索引值,再利用填充算法将最大面积的轮廓填充为0,得到填充后的图像,通过将填充后的图像与原腐蚀后的图像进行异或运算,得到只包含盲道的图像,实现盲道准确分割。
进一步的,所述盲道图像进行轮廓绘制采用RETR_EXTERNAL模式,即只绘制最外部轮廓。
本发明的有益效果在于:
该盲道识别方案简单方便,处理速度快,利用opencv计算机视觉库的算法进行图像处理,能够对颜色差异明显的盲道进行准确地分割,而且针对大面积的噪声区域也有十分突出的分割效果,该方法鲁棒性好,不受光照的影响,可应用于导盲杖、导盲移动机器人等其它电子导盲设备上,可以实时地对盲道图像进行检测和分割,引导盲人的行进方向,为盲人的安全出行提供极大地便利。通过本发明的思想,为我们处理颜色差异明显的图像提供了一种新的方法,摒弃了常规方法的繁琐的多个阈值的设置,对于分离大面积目标图像区域也有更为简单快速的新方法。
附图说明
图1是本发明的盲道分割流程图;
图2是本发明的盲道图像;
图3是本发明HSV图像;
图4是本发明S分量的灰度直方图;
图5是本发明阈值分割结果图;
图6是本发明形态学处理后的盲道图像;
图7是本发明面积计算结果;
图8是本发明区域分割结果。
具体实施方式
下面结合附图根据具体实施例中的技术方案对本发明进行清楚、完整地描述。
实施例1:
一种基于图像处理的盲道识别方法,主要包括以下步骤:
步骤一、如图2所示,采集包含路基植物等区域的RGB盲道图像,将RGB盲道图像转换到HSV空间,利用差异显著的颜色在HSV空间中色相分量存在明显差异,得到RGB盲道图像在HSV空间下的S分量中灰度值存在明显差异,如图3所示;
将图像由RGB空间转换到HSV空间采用以下公式:
(1)
(2)
(3)
其中以上公式中的R、G、B分别是图像中每一像素点处RGB颜色空间对应分量的值。
其中对于RGB的彩色图像而言,三个基色分量受光照等条件影响很大,与之相比,HSV空间模型不易受周围环境的影响,对于颜色差异明显的盲道图像,在HSV空间的聚类效果较好,有利于盲道图像的分割。HSV颜色空间用色相(hue)、饱和度(saturation)和亮度(value)来描述颜色特征,其中,色相对应圆柱坐标系中的角度分量,差异显著的颜色其色相分量相差也越大;
将RGB盲道图像转换到HSV空间,得到HSV图像的H、S、V、分量图,由于周围人行道砖块和路基的影响,H分量图的聚类效果并不好,存在大量粘连区域,而V分量图极易受到光照影响,相比较,S分量图的聚类效果最好,最适合用来作阈值分割。
步骤二、使用Otsu自适应阈值分割法对S分量图进行分割,得到分割后的图像;
其公式为: (4)
其中M表示图像灰度值的均值,MA和MB为前景和背景灰度值的均值,PA表示前景部分里的像素数占总像素数的比例,PB表示背景部分里的像素数占总像素数的比例。
所述步骤二中Otsu自适应阈值分割法是按图像的灰度特性,将图像分成背景和前景两部分,背景和前景的分界值就是需要计算的阈值,其计算具体方法为:
a、统计灰度级中每个像素在整幅图像中的个数;
b、计算每个像素在整幅图像的概率分布;
c、对灰度级进行遍历搜索,计算当前灰度值下前景背景类间概率;
d、通过目标函数计算出类内与类间方差下对应的阈值;
该方法非常适合于图像灰度直方图具有双峰的情况,从S分量可以看出整幅图像的灰度变化十分明显,对S分量绘制灰度直方图,见图4:
通过S分量的灰度直方图可以看出,图像具有明显的双峰,大部分灰度值集中在100和10左右,因此选用Otsu阈值分割最为合适,阈值分割结果如图5所示:
步骤三、在图像二值化的过程中,由于砖块本身的颜色差异以及非人行道植物区域的存在,二值化图像无可避免地存在噪声、孔洞,对步骤二分割后的图像进行形态学处理,得到形态学处理后的盲道图像;
所述步骤三中对分割后的图像进行形态学处理主要方法为:
1)先通过中值滤波对面积较小的椒盐噪声进行去除,去除后的图像中盲道已经得到了很好的分割;
2)再通过腐蚀算法对滤波后的结果进行形态学处理,整个过程选用的窗口均为11*11大小,迭代次数为1次,便于后续更好地对大面积噪声区域进行轮廓绘制和计算,以便于分割更大面积的盲道区域,处理结果如图6所示;
步骤四、对形态学处理后的盲道图像进行轮廓绘制和计算,具体方法为:通过对形态学处理后的盲道图像进行轮廓查找和绘制,遍历这些轮廓,计算各轮廓对应的面积,轮廓面积计算结果见图7,并返回最大面积轮廓的索引值,再利用填充算法将最大面积的轮廓填充为0,得到填充后的图像,通过将填充后的图像与原腐蚀后的图像进行异或运算,得到只包含盲道的图像,实现盲道准确分割,处理结果如图8所示。
由图7的计算结果和图8中轮廓绘制结果可以看出图像一共包含10个轮廓,盲道区域所占的面积最大。
进一步的,所述盲道图像进行轮廓绘制采用RETR_EXTERNAL模式,即只绘制最外部轮廓,不再统计大轮廓内部的小轮廓,减少计算量。
本发明提出了一种有效、简单、准确地盲道识别方案,利用差异显著的颜色在HSV颜色空间中色相分量存在明显差异,使用Otsu自适应阈值分割法对图像S通道进行分割,对分割后的图像进行形态学处理以及轮廓检测,通过区域分割对一些大面积噪声区域去除,最后实现盲道的准确分割,具有极大的应用前景,并获得可观的经济效益和社会效益。
以上显示和描述了本发明的基本原理、主要特征和优点,本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内,本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于图像处理的盲道识别方法,其特征在于:主要包括以下步骤:
步骤一、采集RGB盲道图像,将RGB盲道图像转换到HSV空间,差异显著的颜色在HSV空间中色相分量存在明显差异;
步骤二、使用Otsu自适应阈值分割法对步骤一得到的HSV空间中的聚类效果最好的分量图图像进行分割,得到分割后的图像;
步骤三、对步骤二分割后的图像进行形态学处理,得到形态学处理后的盲道图像;
步骤四、对形态学处理后的盲道图像进行轮廓绘制和计算,使得分割更大面积的盲道区域,实现盲道的准确分割。
2.根据权利要求1所述的一种基于图像处理的盲道识别方法,其特征在于:所述步骤一中将图像由RGB空间转换到HSV空间采用以下公式:
(1)
(2)
(3)
其中以上公式中的R、G、B分别是图像中每一像素点处RGB颜色空间对应分量的值。
3.根据权利要求1所述的一种基于图像处理的盲道识别方法,其特征在于:所述步骤二中Otsu自适应阈值分割法是按图像的灰度特性,将图像分成背景和前景两部分,背景和前景的分界值就是需要计算的阈值,其计算具体方法为:
a、统计灰度级中每个像素在整幅图像中的个数;
b、计算每个像素在整幅图像的概率分布;
c、对灰度级进行遍历搜索,计算当前灰度值下前景背景类间概率;
d、通过目标函数计算出类内与类间方差下对应的阈值;
其公式为: (4)
其中M表示图像灰度值的均值,MA和MB为前景和背景灰度值的均值,PA表示前景部分里的像素数占总像素数的比例,PB表示背景部分里的像素数占总像素数的比例。
4.根据权利要求1所述的一种基于图像处理的盲道识别方法,其特征在于:所述步骤三中对分割后的图像进行形态学处理主要方法为:
1)先通过中值滤波对面积较小的椒盐噪声进行去除;
2)再通过腐蚀算法对滤波后的结果进行形态学处理,整个过程选用的窗口均为11*11大小,迭代次数为1次。
5.根据权利要求1所述的一种基于图像处理的盲道识别方法,其特征在于:所述步骤四中实现盲道准确分割的具体方法为:
通过对形态学处理后的盲道图像进行轮廓查找和绘制,遍历这些轮廓,计算各轮廓对应的面积,并返回最大面积轮廓的索引值,再利用填充算法将最大面积的轮廓填充为0,得到填充后的图像,通过将填充后的图像与原腐蚀后的图像进行异或运算,得到只包含盲道的图像,实现盲道准确分割。
6.根据权利要求5所述的一种基于图像处理的盲道识别方法,其特征在于:所述盲道图像进行轮廓绘制采用RETR_EXTERNAL模式,即只绘制最外部轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910643445.4A CN110334692B (zh) | 2019-07-17 | 2019-07-17 | 一种基于图像处理的盲道识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910643445.4A CN110334692B (zh) | 2019-07-17 | 2019-07-17 | 一种基于图像处理的盲道识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110334692A true CN110334692A (zh) | 2019-10-15 |
CN110334692B CN110334692B (zh) | 2021-07-23 |
Family
ID=68145443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910643445.4A Active CN110334692B (zh) | 2019-07-17 | 2019-07-17 | 一种基于图像处理的盲道识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334692B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796696A (zh) * | 2019-10-30 | 2020-02-14 | 网易(杭州)网络有限公司 | 对象的体积的确定方法、装置、存储介质和电子装置 |
CN111238365A (zh) * | 2019-12-18 | 2020-06-05 | 中铁电气化局集团有限公司 | 基于立体视觉的地铁列车测距和定位方法及系统 |
CN112183230A (zh) * | 2020-09-09 | 2021-01-05 | 上海大学 | 自然梨园环境下梨子的识别与中心点定位方法 |
CN112734786A (zh) * | 2020-12-31 | 2021-04-30 | 广西慧云信息技术有限公司 | 一种基于hsv颜色空间的自适应葡萄叶图像分割方法 |
CN112785571A (zh) * | 2021-01-20 | 2021-05-11 | 浙江理工大学 | 一种基于改进分水岭的名优茶嫩叶识别分割方法 |
CN113345003A (zh) * | 2021-05-31 | 2021-09-03 | 中国农业大学 | 一种池塘水草面积估计方法 |
CN117171384A (zh) * | 2023-11-02 | 2023-12-05 | 广州翼拍联盟网络技术有限公司 | 高精度纹理路径检索方法、装置、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040076335A1 (en) * | 2002-10-17 | 2004-04-22 | Changick Kim | Method and apparatus for low depth of field image segmentation |
US20080068157A1 (en) * | 2006-09-12 | 2008-03-20 | Fujitsu Limited | Communication control system |
CN102495069A (zh) * | 2011-12-07 | 2012-06-13 | 广东辉丰科技股份有限公司 | 一种基于数字图像处理的拉链链带缺陷检测方法 |
CN105662797A (zh) * | 2016-03-16 | 2016-06-15 | 宁波市江东精诚自动化设备有限公司 | 一种智能物联网导盲杖 |
CN106228138A (zh) * | 2016-07-26 | 2016-12-14 | 国网重庆市电力公司电力科学研究院 | 一种融合区域和边缘信息的道路检测算法 |
CN107659755A (zh) * | 2016-07-25 | 2018-02-02 | 田荣侠 | 一种基于dm6446的灯泡头焊丝检测系统 |
-
2019
- 2019-07-17 CN CN201910643445.4A patent/CN110334692B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040076335A1 (en) * | 2002-10-17 | 2004-04-22 | Changick Kim | Method and apparatus for low depth of field image segmentation |
US20080068157A1 (en) * | 2006-09-12 | 2008-03-20 | Fujitsu Limited | Communication control system |
CN102495069A (zh) * | 2011-12-07 | 2012-06-13 | 广东辉丰科技股份有限公司 | 一种基于数字图像处理的拉链链带缺陷检测方法 |
CN105662797A (zh) * | 2016-03-16 | 2016-06-15 | 宁波市江东精诚自动化设备有限公司 | 一种智能物联网导盲杖 |
CN107659755A (zh) * | 2016-07-25 | 2018-02-02 | 田荣侠 | 一种基于dm6446的灯泡头焊丝检测系统 |
CN106228138A (zh) * | 2016-07-26 | 2016-12-14 | 国网重庆市电力公司电力科学研究院 | 一种融合区域和边缘信息的道路检测算法 |
Non-Patent Citations (5)
Title |
---|
张艳艳,娄莉,梁硕: "基于改进光流算法的运动目标检测技术研究", 《智能计算机与应用》 * |
樊俊 等: "杭白菊采摘机器人关键技术研究", 《机电工程》 * |
沈宝国 等: "基于机器视觉的零件同心度检测系统的设计", 《机械设计与制造》 * |
顾明,郑林涛,尤政: "基于颜色空间转换的交通图像增强算法", 《仪器仪表学报》 * |
魏彤,袁磊: "基于边界跟踪的高实时性盲道识别算法", 《光电工程》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796696A (zh) * | 2019-10-30 | 2020-02-14 | 网易(杭州)网络有限公司 | 对象的体积的确定方法、装置、存储介质和电子装置 |
CN111238365A (zh) * | 2019-12-18 | 2020-06-05 | 中铁电气化局集团有限公司 | 基于立体视觉的地铁列车测距和定位方法及系统 |
CN111238365B (zh) * | 2019-12-18 | 2021-01-15 | 中铁电气化局集团有限公司 | 基于立体视觉的地铁列车测距和定位方法及系统 |
CN112183230A (zh) * | 2020-09-09 | 2021-01-05 | 上海大学 | 自然梨园环境下梨子的识别与中心点定位方法 |
CN112734786A (zh) * | 2020-12-31 | 2021-04-30 | 广西慧云信息技术有限公司 | 一种基于hsv颜色空间的自适应葡萄叶图像分割方法 |
CN112785571A (zh) * | 2021-01-20 | 2021-05-11 | 浙江理工大学 | 一种基于改进分水岭的名优茶嫩叶识别分割方法 |
CN112785571B (zh) * | 2021-01-20 | 2024-04-12 | 浙江理工大学 | 一种基于改进分水岭的名优茶嫩叶识别分割方法 |
CN113345003A (zh) * | 2021-05-31 | 2021-09-03 | 中国农业大学 | 一种池塘水草面积估计方法 |
CN113345003B (zh) * | 2021-05-31 | 2023-08-25 | 中国农业大学 | 一种池塘水草面积估计方法 |
CN117171384A (zh) * | 2023-11-02 | 2023-12-05 | 广州翼拍联盟网络技术有限公司 | 高精度纹理路径检索方法、装置、计算机设备及存储介质 |
CN117171384B (zh) * | 2023-11-02 | 2024-02-23 | 广州翼拍联盟网络技术有限公司 | 高精度纹理路径检索方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110334692B (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334692A (zh) | 一种基于图像处理的盲道识别方法 | |
CN108596129B (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
CN111079611B (zh) | 一种道路面及其标志线的自动提取方法 | |
CN105550665B (zh) | 一种基于双目视觉的无人驾驶汽车可通区域检测方法 | |
CN101408942B (zh) | 一种复杂背景下的车牌定位方法 | |
CN107767383B (zh) | 一种基于超像素的道路图像分割方法 | |
CN103065138B (zh) | 一种机动车牌号的识别方法 | |
Chen et al. | An improved license plate location method based on edge detection | |
CN107273896A (zh) | 一种基于图像识别的车牌检测识别方法 | |
CN105160691A (zh) | 基于颜色直方图的车身颜色识别方法 | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
WO2022027931A1 (zh) | 基于视频图像的运动车辆前景检测方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN107564017B (zh) | 一种城市高分遥感影像阴影检测及分割方法 | |
CN102938057B (zh) | 一种车辆阴影消除方法及装置 | |
CN110992381A (zh) | 一种基于改进Vibe+算法的运动目标背景分割方法 | |
CN105528609A (zh) | 一种基于字符位置的车牌定位方法 | |
CN102693423A (zh) | 一种在强光条件下车牌精确定位的方法 | |
CN103473551A (zh) | 基于sift算子的台标识别方法及系统 | |
CN105005766A (zh) | 一种车身颜色识别方法 | |
CN104537342B (zh) | 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 | |
CN103136537A (zh) | 一种基于支持向量机的车型识别方法 | |
CN104598907B (zh) | 一种基于笔画宽度图的图像中文字数据提取方法 | |
CN104463138A (zh) | 基于视觉结构属性的文本定位方法及系统 | |
CN109784216B (zh) | 基于概率图的车载热成像行人检测RoIs提取方法 |
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 |