CN110490839B - 一种检测高速公路中损坏区域的方法、装置及计算机设备 - Google Patents
一种检测高速公路中损坏区域的方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN110490839B CN110490839B CN201910624967.XA CN201910624967A CN110490839B CN 110490839 B CN110490839 B CN 110490839B CN 201910624967 A CN201910624967 A CN 201910624967A CN 110490839 B CN110490839 B CN 110490839B
- Authority
- CN
- China
- Prior art keywords
- lane
- edge pixel
- picture
- edge
- pixel 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 128
- 238000003708 edge detection Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种检测高速公路中损坏区域的方法、装置及计算机设备，涉及计算机技术领域，可以解决在对高速公路中的损坏区域进行检测时，容易产生的检测效率低下，准确性低，且危险系数高的问题。其中方法包括：利用边缘检测算法对获取到的目标检测图片进行边缘检测；根据边缘检测结果从所述目标检测图片中分割出车道区域图片；依据所述车道区域图片对车道区域进行损坏检测，并提取出车道损坏信息。本申请适用于对高速公路中损坏区域的检测。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及到一种检测高速公路中损坏区域的方法、装置及计算机设备。
背景技术
高速公路具有行车通行量大，速度快，承受的负荷大等特点，所以在长时间的运行过程中，受到自然因素以及车辆负荷的影响，会对路基路面产生一定的损坏，从而影响到公路的使用性，对通行的汽车造成安全隐患，故提高路面检测技术，增强路面损坏检测的准确性以及及时性，对于公路尤其是高速公路的现代化水平有着重要的研究意义。
就国内外路面检测技术的发展而言，路面破损检测的自动化水平以及检测精度还需要进一步的提高，目前普遍采用的检测方法仍然为人工目测丈量的方法，但此种方法非常费工费时，效率低下，准确性低，且危险系数极高。
发明内容
有鉴于此，本申请提供了一种检测高速公路中损坏区域的方法、装置及计算机设备，主要目的在于解决在对高速公路中的损坏区域进行检测时，容易产生的检测效率低下，准确性低，且危险系数高的问题。
根据本申请的一个方面，提供了一种检测高速公路中损坏区域的方法，该方法包括：
利用边缘检测算法对获取到的目标检测图片进行边缘检测；
根据边缘检测结果从所述目标检测图片中分割出车道区域图片；
依据所述车道区域图片对车道区域进行损坏检测，并提取出车道损坏信息。
根据本申请的另一个方面，提供了一种检测高速公路中损坏区域的装置，该装置包括：
检测模块，用于利用边缘检测算法对获取到的目标检测图片进行边缘检测；
分割模块，用于根据边缘检测结果从所述目标检测图片中分割出车道区域图片；
提取模块，用于依据所述车道区域图片对车道区域进行损坏检测，并提取出车道损坏信息。
根据本申请的又一个方面，提供了一种非易失性可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述检测高速公路中损坏区域的方法。
根据本申请的再一个方面，提供了一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述检测高速公路中损坏区域的方法。
借由上述技术方案，本申请提供的一种检测高速公路中损坏区域的方法、装置及计算机设备，与目前普遍采用的人工目测丈量的方式相比，本申请可通过无人机获取高速公路的高清航拍图片，利用边缘检测算法对获取到的目标检测图片进行边缘检测，在获取到目标检测图片中的边缘检测结果后，根据边缘检测结果从目标检测图片中分割出车道区域图片，依据车道区域图片对车道区域进行损坏检测，并提取出车道损坏信息，以便及时进行路面维护工作。通过本申请中的技术方案，可以有效减少利用人工检测所耗费的时间，提高检测的效率，从而保证高速公路运行环境的安全性；且将计算机技术融合到障碍物的数据检测中，可增强检测的科学性、准确性，同样也能降低检测中的风险系数。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本地申请的不当限定。在附图中：
图1示出了本申请实施例提供的一种检测高速公路中损坏区域的方法的流程示意图；
图2示出了本申请实施例提供的另一种检测高速公路中损坏区域的方法的流程示意图；
图3示出了本申请实施例提供的一种检测高速公路中损坏区域的装置的结构示意图；
图4示出了本申请实施例提供的另一种检测高速公路中损坏区域的装置的结构示意图。
具体实施方式
下文将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。
针对目前在对高速公路中的损坏区域进行检测时，容易产生的检测效率低下，准确性低，且危险系数高的问题，本申请实施例提供了一种检测高速公路中损坏区域的方法，如图1所示，该方法包括：
101、利用边缘检测算法对获取到的目标检测图片进行边缘检测。
其中，在本实施例中，采用的边缘检测算法为Canny算法，能够保证以较低的错误率检测到尽可能多的边缘，且检测到的边缘能够精确定位在真实边缘的中心。在具体的应用场景中，目标检测图片中包含的每一个边缘应只被标记一次，并且在可能的情况下，由噪声产生的假边缘应被滤除。
对于本实施例的执行主体可为根据获取图片检测车道中损坏区域的检测装置或检测设备，用于依据边缘检测算法对获取到的目标检测图片进行边缘检测并分割出车道区域图片，进而检测车道区域中的车道损坏情况，并提取出车道损坏信息。
102、根据边缘检测结果从目标检测图片中分割出车道区域图片。
对于本实施例，在具体的应用场景中，为了排除不相关图像对高速公路中损坏区域检测结果的干扰，故需要制定相关的策略排除这种图像识别干扰，进而使检测出的结果更为准确，在本实施例中，可通过识别高速公路中的车道区域图片，进而切除目标检测图片中车道区域图片之外的部分，起到排除干扰的目的。
103、依据车道区域图片对车道区域进行损坏检测，并提取出车道损坏信息。
对于本实施例，在确定出车道区域图片后，即进行对车道区域图片中车道损坏信息的检测，在检测过程中，需要滤除高速公路中的车辆、路标以及安全设备。若检测出损坏区域，则输出车道损坏信息到检测设备，无需到现场进行勘察，即可获取到关于损坏区域较为精准的数据信息，从而根据损坏区域的数据信息制定相关的修补策略；若从目标检测图片中未检测出车道损坏信息，则可起到成功排查目标检测图片中不包含损坏区域的目的。
通过本实施例中检测高速公路中损坏区域的方法，可以通过无人机获取高速公路的高清航拍图片，利用边缘检测算法对获取到的目标检测图片进行边缘检测，在获取到目标检测图片中的边缘检测结果后，根据边缘检测结果从目标检测图片中分割出车道区域图片，依据车道区域图片对车道区域进行损坏检测，并提取出车道损坏信息，以便及时进行路面维护工作。通过本申请中的技术方案，可以有效减少利用人工检测所耗费的时间，提高检测的效率，从而保证高速公路运行环境的安全性；且将计算机技术融合到障碍物的数据检测中，可增强检测的科学性、准确性，同样也能降低检测中的风险系数。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例中的具体实施过程，提供了另一种检测高速公路中损坏区域的方法，如图2所示，该方法包括：
201、对目标检测图片进行数据平滑处理。
在具体的应用场景中，为了尽可能减少噪声对边缘检测结果的影响，所以必须滤除噪声以防止由噪声引起的错误检测。为了平滑图像，使用高斯滤波器与目标检测图片进行卷积，以减少边缘检测器上明显的噪声影响。
对于本实施例，在具体的应用场景中，实施例步骤201具体可以包括：计算目标检测图片中各个像素点对应的高斯卷积核；将高斯卷积核与目标检测图片中对应像素点进行卷积运算，以平滑目标检测图片。
相应的，高斯卷积核计算公式为：其中，x、y分别为初始图片中各个像素点的横纵坐标，G(x，y)为经过高斯滤波后各个像素点的高斯卷积核。
对目标检测图片进行数据平滑处理就是将目标检测图片中包含的各个像素点的坐标代入高斯卷积核计算公式中，得出在核矩阵上的空间分布特性，这些特性将作为权值反应在核矩阵的各个点上，最终将各个像素点的高斯卷积核与目标检测图片中各个像素点作卷积运算，从而完成对目标检测图片的数据平滑处理，起到滤除噪声的目的。
例如，目标检测图片中共包含N个像素点，则依次将这N个像素点与对应计算出的高斯卷积核进行卷积，如像素点A(x1，y1)，则需要与像素点A对应的高斯卷积核G(x1，y1)卷积，在完成对N个像素点的卷积处理后，及实现了对目标检测图片的数据平滑处理。
202、计算处理后的目标检测图片的图像梯度信息，并根据图像梯度信息确定目标检测图片中包含的第一边缘像素点。
其中，图像梯度信息包括经数据平滑处理后的目标检测图片中各个像素点的梯度信息及梯度方向。
梯度强度G和梯度方向θ的计算公式为：
θ＝arctan(Gy/Gx)
其中，Gx、Gy分别为像素点e在x和y方向的梯度值，arctan为反正切函数。Gx、Gy可通过Sobel算子来进行计算，该算子包含两组3x3的矩阵，分别为横向及纵向，将之与目标检测图片作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表目标检测图片中的各个像素点，Gx及Gy分别代表经横向及纵向边缘检测的图像，其计算公式如下：
在具体的应用场景中，对于本实施例，根据图像梯度信息确定目标检测图片中包含的第一边缘像素点的原理为：梯度的方向是函数f(x,y)变化最快的方向，当图像中存在边缘时，一定有较大的梯度强度，相反，当图像中有比较平滑的部分时，灰度值变化较小，则相应的梯度强度也较小。
相应的，根据图像梯度信息确定目标检测图片中包含的第一边缘像素点的方法可确定为：将目标检测图片中梯度强度大于预设梯度强度阈值的像素点确定为第一边缘像素点。
其中，预设梯度强度阈值是预先根据实际需求进行设定的，梯度强度阈值越大，代表依据图像梯度信息提取出的边缘图片越清晰。
203、基于非极大值抑制从第一边缘像素点中筛选出第二边缘像素点。
在具体的应用场景中，基于实施例步骤202中图像梯度信息提取出的边缘图片仍然很模糊，故需要基于非极大值抑制进一步确定出准确的边缘图片，非极大值抑制可以将第一边缘像素点中局部最大值之外的所有梯度值抑制为0，通过抑制孤立的弱边缘最终完成边缘检测。
对于本实施例，在具体的应用场景中，实施例步骤203具体可以包括：将第一边缘像素点的梯度强度与沿正负梯度方向上两个相邻第一边缘像素点的梯度强度进行比较；若第一边缘像素点的梯度强度大于两个相邻第一边缘像素点的梯度强度，则将第一边缘像素点确定为第二边缘像素点，进一步确定出第一边缘像素点中包含的所有第二边缘像素点。
204、利用双阈值法将第二边缘像素点划分为强边缘像素点、弱边缘像素点和极弱边缘像素点，并滤除极弱边缘像素点。
在具体的应用场景中，在施加非极大值抑制之后，剩余的第二边缘像素点可以更准确地表示图像中的实际边缘。然而，仍然存在由于噪声和颜色变化引起的一些边缘像素。为了解决这些杂散响应，必须过滤掉具有弱梯度值的边缘像素，从而保留具有高梯度值的边缘像素。
在本实施例中，可预先设定用于评判第二边缘像素点所属类别的高梯度阈值和低梯度阈值，其中，高梯度阈值和低梯度阈值的数值选择取决于给定输入图像的内容。利用双阈值法对第二边缘像素点进行属性划分且消除杂散响应的步骤具体为：若判定第二边缘像素点的梯度值大于或等于高梯度阈值，则将该第二边缘像素点标记为强边缘像素点；若判定第二边缘像素点的梯度值大于低梯度阈值且小于高梯度阈值，则将该第二边缘像素点标记为弱边缘像素点；若判定第二边缘像素点的梯度值小于或等于低梯度阈值，则将该第二边缘像素点标记为极弱边缘像素点，其中，极弱边缘像素点认定为由噪声和颜色变化引起的杂散响应；将第二边缘像素点中包含的所有极弱边缘像素点的灰度值置为0。
205、获取弱边缘像素点的八个邻域第二边缘像素点，若确定八个邻域第二边缘像素点中至少存在一个强边缘像素点，则将弱边缘像素点定义为强边缘像素点。
在具体的应用场景中，基于步骤实施例204划分出的强边缘像素点已经被确定为真实的边缘。然而，对于弱边缘像素点，仍存在一定争论，弱边缘像素点可以是从真实边缘提取的，也可以是由噪声或颜色变化引起的。为了获得准确的结果，应该抑制由噪声或颜色变化引起的弱边缘像素点。通常，由真实边缘引起的弱边缘像素点将连接到强边缘像素点，故该弱边缘像素点周围的八个第二边缘像素点中会存在与之连接的强边缘像素点，而由噪声响应引起的弱边缘像素点则不会连接到强边缘像素点，故该弱边缘像素点周围的八个第二边缘像素点中一定不会存在强边缘像素点，即噪声响应引起的弱边缘像素点周围全是弱边缘像素点。为了跟踪边缘连接，通过查看弱边缘像素点及其8个邻域像素，只要其中一个为强边缘像素点，则该弱边缘像素点就可以保留为真实的边缘。
206、若确定八个邻域第二边缘像素点均不属于强边缘像素点，则滤除弱边缘像素点。
相应的，若确定弱边缘像素点的8个邻域像素点均不属于强边缘像素点，则可说明该弱边缘像素点是由噪声或颜色变化引起的，故将该弱边缘像素点的灰度值置为0，实现对多余像素点的滤除。
207、获取由所有强边缘像素点构成的边缘图片。
在具体的应用场景中，在滤除了第二边缘像素点中的极弱边缘像素点以及由噪声或颜色变化引起的弱边缘像素点后，剩余的第二边缘像素点均为目标检测图片中的实际边缘，即可通过这些像素点构成整体的边缘图片。
208、通过霍夫变换检测边缘图片中的直线线段。
其中，霍夫变换的思想为：将直线方程的参数和变量交换，在原始图像坐标系下的一个点对应了参数坐标系中的一条直线，同样参数坐标系的一条直线对应了原始坐标系下的一个点，然后，原始坐标系下呈现直线的所有点，它们的斜率和截距是相同的，所以它们在参数坐标系下对应于同一个点。这样在将原始坐标系下的各个点投影到参数坐标系下之后，看参数坐标系下有没有聚集点，这样的聚集点就对应了原始坐标系下的直线。
对于本实施例，在具体的应用场景中，实施例步骤208具体可以包括：将边缘图片上的每一个强边缘像素点变换为参数空间中的参数直线；统计参数直线间的相交点以及各个相交点包含的参数直线个数；根据参数直线个数大于预设阈值的第一相交点确定直角坐标系中的直线线段，直线线段是由相交的参数直线对应直角坐标中的强边缘像素点构成的。
例如，对于x-y平面上任意一条直线y＝ax+b，对应在参数a-b平面上都有一个点，如果直角坐标系中点(x1，y1)与点(x2，y2)共线，则这两个点在参数a-b平面上的直线将有一个交点；若设定预设阈值为N，且确定参数坐标系中包含参数直线数大于N的第一相交点共有五个，为a、b、c、d、e，则分别确定构成第一相交点的所有参数直线，并利用参数直线对应直角坐标系中的强边缘像素点，构成在x-y平面上的五个独立直线线段。
209、基于直线线段的颜色特征提取出车道线线段。
对于本实施例，鉴于车道线的颜色为白色，故可基于直线线段中RGB的取值，筛选出所有颜色为白色的车道线线段，其中白色的RGB取值范围为[180，255]。
例如，基于实施例步骤208，通过霍夫变换共从边缘图片中检测出100段直线线段，则可从100段直线线段中筛选出所有RGB值在[180，255]区间内的车道线线段。
210、通过图形膨胀操作将车道线线段连接成车道线。
其中，图形膨胀操作的原理与卷积操作类似，假设有图像A和结构元素B，结构元素B在A上面移动，其中B定义其中心为锚点，计算B覆盖下A的最大像素值用来替换锚点的像素，其中B作为结构体可以是任意形状。图像的膨胀操作与中值平滑操作类似，它是取每个位置矩形领域内值的最大值作为该位置的输出灰度值。不同的是，这里的领域不再单纯是矩形结构的，也可以是椭圆形结构的、十字交叉形结构的等。
在本实施例中，可通过选取每段车道线线段内像素的最大值，进一步将处于同一水平位置且不连续的车道线线段通过图像的膨胀连接起来，进而得到最终连续的车道线。
211、分割出两侧外围车道线之间的车道区域图片。
对于本实施例，在具体的应用场景中，在识别出所有的车道线后，可将两侧外围车道线之内的区域确定为车道区域，之后将车道区域图片分割出来，用于查找车道中存在的车道损坏信息。
相应的，为了便于对图像的统一分析，在完成对车道区域图片的切割后，可将车道区域图片处理成预定格式大小，如可将图片尺寸缩放到480*640，并进行灰度化处理，在将车道区域图片缩放到480*640大小时，像素长为480，像素宽为640，它有横向480个像素和纵向640个像素，像素总数为480*640＝307，200。
212、将车道区域图片切分成预设数量个小块图像。
其中，预定数量可根据实际情况接受用户的自定义。
例如，基于步骤206的实例，若将图片尺寸缩放到480*640，且设置将车道区域图片不重叠的分割成40*40个小块，则切割完成后的每个小块图像中均包含12*16个像素点。
对于本实施例，在具体的应用场景中，在将车道区域图片切分成预设数量个小块图像之后，为了便于图像分析及损坏区域的定位，需要对各个小块图像进行二值化处理，还需要确定每个小块像素点所在图形象限中的坐标位置。
213、计算各个小块图像内像素点的方差值。
相应的，计算每个小块图像方差值的目的是：通过方差大小显示小块中像素点的波动程度，即图像的高频部分的大小。其中，方差越大，说明像素点的波动越大，即说明存在异常像素，像素点聚集的越多，越有可能出现连通分量。
在具体的应用场景中，小块图像方差的计算方法为：
其中，dFi为每个小块图像的方差，x为每个小块图像中每个像素点的灰度值，xi为每个小块图像的平均灰度值，N为每个小块图像中像素点的个数。
214、通过方差值确定存在连通分量的目标小块图像。
其中，连通分量可包括车道坑，车道裂缝，汽车等等。
在具体的应用场景中，如基于步骤212的实例，通过步骤213中方差计算公式分别计算出40*40个小块图像中每个小块图像对应的方差dFi，i＝1，2，3...40*40。则进一步对40*40个小块图像按照方差dFi大小进行顺序排列，按照排列顺序从列队中选取预定数量个方差较大的小块图片，将剩余的小块图像中所有的像素值置为0。这样进行处理的目的是为了直观显示出连通分量的位置信息，便于查询出存在连通分量的目标小块图像。
215、利用基于支持向量机创建的分类器从目标小块图像中提取出所有车道损坏信息。
其中，对于本实施例，设定的损坏区域类别为车道坑、车道裂缝，对应的车道损坏信息即为车道坑损坏信息或车道裂缝损坏信息。
相应的，支持向量机分类器(SupportVectorMachine，SVM)的训练过程采用一对一法(one-versus-one,简称OVOSVMs或者pairwise)，具体可为：
若设定四类样本，分别为车道坑，车道裂缝，汽车和其他，在任意两类样本之间设计一个支持向量机分类器SVM，因此k个类别的样本就需要设计k(k-1)/2个SVM。当对一个未知样本进行分类时，最后得票最多的类别即为该未知样本的类别。
假设有四类A，B，C，D四类。在训练的时候可选择A，B；A，C；A，D；B，C；B,D；C,D所对应的向量作为训练集，然后得到六个训练结果，在测试的时候，把对应的向量分别对六个结果进行测试，然后采取投票形式，最后将A、B、C、D四类中获得投票数最多的一类确定为训练出的识别结果。投票过程如下：
A＝B＝C＝D＝0；
(A,B)-classifier如果是Awin,则A＝A+1；otherwise,B＝B+1；
(A,C)-classifier如果是Awin,则A＝A+1；otherwise,C＝C+1；
(A,D)-classifier如果是Awin,则A＝A+1；otherwise,D＝D+1；
(B,C)-classifier如果是Bwin,则B＝B+1；otherwise,C＝C+1；
(B,D)-classifier如果是Bwin,则B＝B+1；otherwise,D＝D+1；
(C,D)-classifier如果是Cwin,则C＝C+1；otherwise,D＝D+1；
ThedecisionistheMax(A,B,C,D)。
在完成对所有目标小块图像中连通分量的类别确定后，则可分别提取出车道坑，车道裂缝这两个类别的所有连通分量，并分析确定对应的车道损坏信息。其中，车道损坏信息可包括损坏区域所在小块图像及对应各个像素点的位置信息、损坏区域的长度、宽度及高度。
在具体的应用场景中，为了将高速公路中的损坏区域信息直观显示，以便制定相应的处理策略，作为一种优选方式，在提取出所有车道损坏信息后，具体还包括：根据车道损坏信息中包含损害区域的坐标位置计算损害区域的占地面积；将损害区域的占地面积与预设面积阈值进行比较，进一步确定损害区域的大小属性；输出车道损坏信息及损害区域的大小属性。
例如，从车道坑A的车道损坏信息中获取到车道坑的长度为x，宽度为y，则可初步计算出车道坑A的占地面积S为x*y，之后利用车道坑中各个像素点的坐标位置，修正计算出的占地面积S，并将占地面积S与预设面积阈值进行对比，若占地面积S大于第一预设面积阈值，则确定车道坑A的大小属性为大车道坑；若占地面积S小于第一预设面积阈值，则确定车道坑A的大小属性为小车道坑。其中，第一预设面积阈值可根据大小属性的实际划分来设定具体的数值，还可通过设定多个第一预设面积阈值来进行对车道坑大小属性的精确划分。
再例如，从车道裂缝B的车道损坏信息中获取到车道裂缝的长度为x，宽度为y，则可初步计算出车道裂缝B的占地面积S为x*y，之后利用车道裂缝中各个像素点的坐标位置，修正计算出的占地面积S，并将占地面积S与预设面积阈值进行对比，若占地面积S大于第二预设面积阈值，则确定车道裂缝B的大小属性为大车道裂缝；若占地面积S小于第二预设面积阈值，则确定车道裂缝B的大小属性为小车道裂缝。其中，第二预设面积阈值可根据大小属性的实际划分来设定具体的数值，还可通过设定多个第二预设面积阈值来进行对车道裂缝大小属性的精确划分。
对于本实施例，在完成对车道损坏信息的检测后，可通过音频、视频、或文字等多种形式，将检测到的多个车道损坏信息及损坏区域的大小属性依次输出，即完成对高速公路路面损坏区域的检测。另外，作为一种优选方式，在步骤215中，若未检测出车道损坏信息，则可在检测实施过程中直接输出未检测出车道损坏信息的提示信息。
通过上述检测高速公路中损坏区域的方法，可先对目标检测图片进行数据平滑处理，计算目标检测图片中各个像素点的梯度强度和方向、之后基于非极大值抑制进行对边缘图像的“瘦”边，利用双阈值检测确定边缘图像中真实的和潜在的边缘，最后通过抑制孤立的弱边缘完成最终边缘检测，得到边缘图片。对边缘图片采用霍夫变换检测直线，再根据直线区域的颜色特征找到车道线段、使用图形学膨胀操作将车道线段连接成连续的车道线，最终将确定出的车道区域进行小块分割处理，基于方差及支持向量机分类器从目标小块图像包含的连通分量中提取出车道损坏信息，并在确定出车道坑或车道裂缝的大小属性后，输出对应的车道损坏信息及大小属性。本方案将计算机技术融合到损坏区域的数据检测中，可增强检测的科学性、准确性，同样也能降低检测中的风险系数，保证检测过程的安全性。在检测过程中，无需到现场进行勘察，即可获取到关于损坏区域较为精准的数据信息，从而根据车道坑或车道裂缝的数据信息制定相关的修补策略；若从目标检测图片中未检测出车道损坏信息，则可起到成功排查目标检测图片中损坏区域的目的，使检测过程非常的方便高效。
进一步的，作为图1和图2所示方法的具体体现，本申请实施例提供了一种检测高速公路中损坏区域的装置，如图3所示，该装置包括：检测模块31、分割模块32、提取模块33。
检测模块31，用于利用边缘检测算法对获取到的目标检测图片进行边缘检测；
分割模块32，用于根据边缘检测结果从目标检测图片中分割出车道区域图片；
提取模块33，用于依据车道区域图片对车道区域进行损坏检测，并提取出车道损坏信息。
在具体的应用场景中，为了对获取到的目标检测图片进行边缘检测，检测模块31，具体用于对目标检测图片进行数据平滑处理；计算处理后的目标检测图片的图像梯度信息，并根据图像梯度信息确定目标检测图片中包含的第一边缘像素点；基于非极大值抑制从第一边缘像素点中筛选出第二边缘像素点；利用双阈值法将第二边缘像素点划分为强边缘像素点、弱边缘像素点和极弱边缘像素点，并滤除极弱边缘像素点；获取弱边缘像素点的八个邻域第二边缘像素点，若确定八个邻域第二边缘像素点中至少存在一个强边缘像素点，则将弱边缘像素点定义为强边缘像素点；若确定八个邻域第二边缘像素点均不属于强边缘像素点，则滤除弱边缘像素点；获取由所有强边缘像素点构成的边缘图片。
相应的，为了实现对目标检测图片进行数据平滑处理，检测模块31，具体用于计算目标检测图片中各个像素点对应的高斯卷积核；将高斯卷积核与目标检测图片中对应像素点进行卷积运算，以平滑目标检测图片；
在具体的应用场景中，为了根据图像梯度信息中各个像素点的梯度信息及梯度方向确定目标检测图片中包含的第一边缘像素点，检测模块31，具体用于将目标检测图片中梯度强度大于预设梯度强度阈值的像素点确定为第一边缘像素点；
相应的，为了基于非极大值抑制从第一边缘像素点中筛选出第二边缘像素点，检测模块31，具体用于将第一边缘像素点的梯度强度与沿正负梯度方向上两个相邻第一边缘像素点的梯度强度进行比较；若第一边缘像素点的梯度强度大于两个相邻第一边缘像素点的梯度强度，则将第一边缘像素点确定为第二边缘像素点，进一步确定出第一边缘像素点中包含的所有第二边缘像素点。
在具体的应用场景中，为了根据边缘检测结果从目标检测图片中分割出车道区域图片，分割模块32，具体用于通过霍夫变换检测边缘图片中的直线线段；基于直线线段的颜色特征提取出车道线线段；通过图形膨胀操作将车道线线段连接成车道线；分割出两侧外围车道线之间的车道区域图片。
相应的，为了通过霍夫变换检测边缘图片中的直线线段，分割模块32，具体用于将边缘图片上的每一个强边缘像素点变换为参数空间中的参数直线；统计参数直线间的相交点以及各个相交点包含的参数直线个数；根据参数直线个数大于预设阈值的第一相交点确定直角坐标系中的直线线段，直线线段是由相交的参数直线对应直角坐标中强边缘像素点构成的。
在具体的应用场景中，为了提取出车道损坏信息，提取模块33，具体用于，将车道区域图片切分成预设数量个小块图像；计算各个小块图像内像素点的方差值；通过方差值确定存在连通分量的目标小块图像；利用基于支持向量机创建的分类器从目标小块图像中提取出所有车道损坏信息。
在具体的应用场景中，为了将车道损坏信息直观显示，如图4所示，本装置还包括：计算模块34、确定模块35、输出模块36。
计算模块34，用于根据车道损坏信息中包含损害区域的坐标位置计算损害区域的占地面积；
确定模块35，用于将损害区域的占地面积与预设面积阈值进行比较，进一步确定损害区域的大小属性；
输出模块36，用于输出车道损坏信息及损害区域的大小属性。
需要说明的是，本实施例提供的一种检测高速公路中损坏区域的装置所涉及各功能单元的其它相应描述，可以参考图1至图2中的对应描述，在此不再赘述。
基于上述如图1和图2所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1和图2所示的检测高速公路中损坏区域的方法。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景的方法。
基于上述如图1、图2所示的方法，以及图3、图4所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1和图2所示的检测高速公路中损坏区域的方法。
可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解，本实施例提供的计算机设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
非易失性可读存储介质中还可以包括操作系统、网络通信模块。操作系统是检测高速公路中损坏区域的实体设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现非易失性可读存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本申请的技术方案，与目前现有技术相比，本申请可先对目标检测图片进行数据平滑处理，计算目标检测图片中各个像素点的梯度强度和方向、之后基于非极大值抑制进行对边缘图像的“瘦”边，利用双阈值检测确定边缘图像中真实的和潜在的边缘，最后通过抑制孤立的弱边缘完成最终边缘检测，得到边缘图片。对边缘图片采用霍夫变换检测直线，再根据直线区域的颜色特征找到车道线段、使用图形学膨胀操作将车道线段连接成连续的车道线，最终将确定出的车道区域进行小块分割处理，基于方差及支持向量机分类器从目标小块图像包含的连通分量中提取出车道损坏信息，并在确定出车道坑或车道裂缝的大小属性后，输出对应的车道损坏信息及大小属性。本方案将计算机技术融合到损坏区域的数据检测中，可增强检测的科学性、准确性，同样也能降低检测中的风险系数，保证检测过程的安全性。在检测过程中，无需到现场进行勘察，即可获取到关于损坏区域较为精准的数据信息，从而根据车道坑或车道裂缝的数据信息制定相关的修补策略；若从目标检测图片中未检测出车道损坏信息，则可起到成功排查目标检测图片中损坏区域的目的，使检测过程非常的方便高效。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (6)
1.一种检测高速公路中损坏区域的方法，其特征在于，包括：
利用边缘检测算法对获取到的目标检测图片进行边缘检测；
根据边缘检测结果从所述目标检测图片中分割出车道区域图片；
依据所述车道区域图片对车道区域进行损坏检测，并提取出车道损坏信息；
根据所述车道损坏信息中包含损害区域的坐标位置计算所述损害区域的占地面积；将所述损害区域的占地面积与预设面积阈值进行比较，进一步确定所述损害区域的大小属性；输出所述车道损坏信息及所述损害区域的大小属性；
所述根据边缘检测结果从所述目标检测图片中分割出车道区域图片，具体包括：通过霍夫变换检测边缘图片中的直线线段；基于所述直线线段的颜色特征提取出车道线线段；通过图形膨胀操作将所述车道线线段连接成车道线；分割出两侧外围所述车道线之间的车道区域图片；
所述通过霍夫变换检测所述边缘图片中的直线线段，具体包括：将所述边缘图片上的每一个强边缘像素点变换为参数空间中的参数直线；统计所述参数直线间的相交点以及各个所述相交点包含的参数直线个数；根据所述参数直线个数大于预设阈值的第一相交点确定直角坐标系中的所述直线线段，所述直线线段是由相交的参数直线对应直角坐标中所述强边缘像素点构成的；
所述依据所述车道区域图片对车道区域进行损坏检测，并提取出车道损坏信息，具体包括：将所述车道区域图片切分成预设数量个小块图像；计算各个所述小块图像内像素点的方差值；通过所述方差值确定存在连通分量的目标小块图像；利用基于支持向量机创建的分类器从所述目标小块图像中提取出所有车道损坏信息。
2.根据权利要求1所述的方法，其特征在于，所述利用边缘检测算法对获取到的目标检测图片进行边缘检测，具体包括：
对所述目标检测图片进行数据平滑处理；
计算处理后的所述目标检测图片的图像梯度信息，并根据所述图像梯度信息确定所述目标检测图片中包含的第一边缘像素点；
基于非极大值抑制从所述第一边缘像素点中筛选出第二边缘像素点；
利用双阈值法将所述第二边缘像素点划分为强边缘像素点、弱边缘像素点和极弱边缘像素点，并滤除所述极弱边缘像素点；
获取所述弱边缘像素点的八个邻域第二边缘像素点，若确定所述八个邻域第二边缘像素点中至少存在一个强边缘像素点，则将所述弱边缘像素点定义为强边缘像素点；
若确定所述八个邻域第二边缘像素点均不属于强边缘像素点，则滤除所述弱边缘像素点；
获取由所有所述强边缘像素点构成的边缘图片。
3.根据权利要求2所述的方法，其特征在于，所述图像梯度信息包括所述目标检测图片中各个像素点的梯度信息及梯度方向；
所述对所述目标检测图片进行数据平滑处理，具体包括：
计算所述目标检测图片中各个像素点对应的高斯卷积核；
将所述高斯卷积核与所述目标检测图片中对应像素点进行卷积运算，以平滑所述目标检测图片；
所述根据所述图像梯度信息确定所述目标检测图片中包含的第一边缘像素点，具体包括：
将所述目标检测图片中梯度强度大于预设梯度强度阈值的像素点确定为所述第一边缘像素点；
所述基于非极大值抑制从所述第一边缘像素点中筛选出第二边缘像素点，具体包括：
将所述第一边缘像素点的梯度强度与沿正负梯度方向上两个相邻第一边缘像素点的梯度强度进行比较；
若所述第一边缘像素点的梯度强度大于所述两个相邻第一边缘像素点的梯度强度，则将所述第一边缘像素点确定为所述第二边缘像素点，进一步确定出所述第一边缘像素点中包含的所有所述第二边缘像素点。
4.一种检测高速公路中损坏区域的装置，其特征在于，包括：
检测模块，用于利用边缘检测算法对获取到的目标检测图片进行边缘检测；
分割模块，用于根据边缘检测结果从所述目标检测图片中分割出车道区域图片；
提取模块，用于依据所述车道区域图片对车道区域进行损坏检测，并提取出车道损坏信息；
计算模块，用于根据车道损坏信息中包含损害区域的坐标位置计算损害区域的占地面积；
确定模块，用于将损害区域的占地面积与预设面积阈值进行比较，进一步确定损害区域的大小属性；
输出模块，用于输出车道损坏信息及损害区域的大小属性；
所述分割模块，还用于：通过霍夫变换检测边缘图片中的直线线段；基于所述直线线段的颜色特征提取出车道线线段；通过图形膨胀操作将所述车道线线段连接成车道线；分割出两侧外围所述车道线之间的车道区域图片；以及，
将所述边缘图片上的每一个强边缘像素点变换为参数空间中的参数直线；统计所述参数直线间的相交点以及各个所述相交点包含的参数直线个数；根据所述参数直线个数大于预设阈值的第一相交点确定直角坐标系中的所述直线线段，所述直线线段是由相交的参数直线对应直角坐标中所述强边缘像素点构成的；
所述提取模块，还用于将所述车道区域图片切分成预设数量个小块图像；计算各个所述小块图像内像素点的方差值；通过所述方差值确定存在连通分量的目标小块图像；利用基于支持向量机创建的分类器从所述目标小块图像中提取出所有车道损坏信息。
5.一种非易失性可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至3中任一项所述的检测高速公路中损坏区域的方法。
6.一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至3中任一项所述的检测高速公路中损坏区域的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910624967.XA CN110490839B (zh) | 2019-07-11 | 2019-07-11 | 一种检测高速公路中损坏区域的方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910624967.XA CN110490839B (zh) | 2019-07-11 | 2019-07-11 | 一种检测高速公路中损坏区域的方法、装置及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110490839A CN110490839A (zh) | 2019-11-22 |
| CN110490839B true CN110490839B (zh) | 2024-02-27 |
Family
ID=68545991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910624967.XA Active CN110490839B (zh) | 2019-07-11 | 2019-07-11 | 一种检测高速公路中损坏区域的方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110490839B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7211349B2 (ja) * | 2019-11-29 | 2023-01-24 | トヨタ自動車株式会社 | 路面損傷検出装置、路面損傷検出方法、プログラム |
| CN111080662A (zh) * | 2019-12-11 | 2020-04-28 | 北京建筑大学 | 车道线的提取方法、装置及计算机设备 |
| CN112184744B (zh) * | 2020-11-29 | 2021-03-30 | 惠州高视科技有限公司 | 显示屏边缘缺陷检测方法和装置 |
| CN114018932B (zh) * | 2021-11-02 | 2023-05-30 | 西安电子科技大学 | 基于矩形标定物的路面病害指标测量方法 |
| CN114511568B (zh) * | 2022-04-20 | 2022-07-22 | 西安博康硕达网络科技有限公司 | 基于无人机的高速公路桥梁检修方法 |
| CN115984221B (zh) * | 2023-01-03 | 2023-08-04 | 广州新粤交通技术有限公司 | 一种道路标线修复识别方法、装置、设备及其存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069806A (zh) * | 2015-08-25 | 2015-11-18 | 西安电子科技大学 | 一种三点联合的图像边缘检测方法 |
| CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及系统 |
| CN106988193A (zh) * | 2017-04-12 | 2017-07-28 | 上海源紊新能源科技有限公司 | 一种高效的路面损坏裂缝检测系统 |
| KR101926561B1 (ko) * | 2018-03-13 | 2018-12-07 | 연세대학교 산학협력단 | 블랙박스 영상을 이용한 딥러닝 기반의 패치 단위 도로 크랙 검출 장치 및 그 방법, 그리고 이 방법을 실행시키기 위해 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램 |
| CN109801282A (zh) * | 2019-01-24 | 2019-05-24 | 湖北大学 | 路面状况检测方法、处理方法、装置及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2015392660B2 (en) * | 2015-04-27 | 2019-05-16 | Wuhan Optics Valley Zoyon Science And Technology Co., Ltd. | Stepwise-refinement pavement crack detection method |
-
2019
- 2019-07-11 CN CN201910624967.XA patent/CN110490839B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069806A (zh) * | 2015-08-25 | 2015-11-18 | 西安电子科技大学 | 一种三点联合的图像边缘检测方法 |
| CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及系统 |
| CN106988193A (zh) * | 2017-04-12 | 2017-07-28 | 上海源紊新能源科技有限公司 | 一种高效的路面损坏裂缝检测系统 |
| KR101926561B1 (ko) * | 2018-03-13 | 2018-12-07 | 연세대학교 산학협력단 | 블랙박스 영상을 이용한 딥러닝 기반의 패치 단위 도로 크랙 검출 장치 및 그 방법, 그리고 이 방법을 실행시키기 위해 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램 |
| CN109801282A (zh) * | 2019-01-24 | 2019-05-24 | 湖北大学 | 路面状况检测方法、处理方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110490839A (zh) | 2019-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110490839B (zh) | 一种检测高速公路中损坏区域的方法、装置及计算机设备 | |
| CN110502982B (zh) | 一种检测高速公路中障碍物的方法、装置及计算机设备 | |
| CN110503108B (zh) | 违章建筑识别方法及装置、存储介质、计算机设备 | |
| CN110502983B (zh) | 一种检测高速公路中障碍物的方法、装置及计算机设备 | |
| CN111340752A (zh) | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 | |
| CN108182383B (zh) | 一种车窗检测的方法及设备 | |
| EP3171295B1 (en) | Method for processing image and computer-readable non-transitory recording medium storing program | |
| CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
| CN107609483B (zh) | 面向驾驶辅助系统的危险目标检测方法、装置 | |
| US20090110286A1 (en) | Detection method | |
| CN104318225A (zh) | 车牌检测方法及装置 | |
| CN107452035B (zh) | 车道线图像分析方法、装置及其计算机可读取式媒体 | |
| CN108074237B (zh) | 图像清晰度检测方法、装置、存储介质及电子设备 | |
| JP6844235B2 (ja) | 距離測定装置および距離測定方法 | |
| CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
| CN110751620A (zh) | 估算体积和重量的方法、电子设备及计算机可读存储介质 | |
| CN112991374B (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
| CN111666811B (zh) | 一种提取交通场景图像中交通标志牌区域方法及系统 | |
| CN112613344A (zh) | 车辆占道检测方法、装置、计算机设备和可读存储介质 | |
| JP2019045922A (ja) | 変状箇所検出装置、変状箇所検出プログラムおよび変状箇所検出方法 | |
| CN111222507A (zh) | 数字式仪表读数的自动识别方法、计算机可读存储介质 | |
| CN111488808A (zh) | 基于交通违法图像数据的车道线检测方法 | |
| CN110135288B (zh) | 一种电子证照的快速核对方法及装置 | |
| CN108090425B (zh) | 一种车道线检测方法、装置及终端 | |
| EP2875488B1 (en) | Biological unit segmentation with ranking based on similarity applying a shape and scale descriptor |
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 |