CN110659547A - 物体识别方法、装置、车辆和计算机可读存储介质 - Google Patents

物体识别方法、装置、车辆和计算机可读存储介质 Download PDF

Info

Publication number
CN110659547A
CN110659547A CN201810713889.6A CN201810713889A CN110659547A CN 110659547 A CN110659547 A CN 110659547A CN 201810713889 A CN201810713889 A CN 201810713889A CN 110659547 A CN110659547 A CN 110659547A
Authority
CN
China
Prior art keywords
point cloud
cloud data
image
normal vector
classes
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
Application number
CN201810713889.6A
Other languages
English (en)
Other versions
CN110659547B (zh
Inventor
李杨
刘效飞
万超
白军明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BYD Co Ltd
Original Assignee
BYD Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BYD Co Ltd filed Critical BYD Co Ltd
Priority to CN201810713889.6A priority Critical patent/CN110659547B/zh
Publication of CN110659547A publication Critical patent/CN110659547A/zh
Application granted granted Critical
Publication of CN110659547B publication Critical patent/CN110659547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种物体识别方法、装置、车辆和存储介质。其中方法包括：获取雾天图像，并计算雾天图像中各像素点的暗通道值；根据雾天图像中各像素点的坐标信息和暗通道值，生成三维点云图像；从三维点云图像中的每个点云数据中，获取满足预设条件的目标点云数据；通过聚类算法对目标点云数据进行聚类，得到雾天图像中的物体信息。该方法可以极大地补充雾天环境下的识别能力，特别是解决了车辆在能见度较低的道路环境下，摄像头的图像识别能力大幅下降的问题，对车载摄像头算法能力起到极大地提升。

Description

物体识别方法、装置、车辆和计算机可读存储介质
技术领域
本发明涉及信息识别技术领域，尤其涉及一种物体识别方法、装置、车辆和计算机可读存储介质。
背景技术
目前，车辆对外界环境中的物体识别通常是基于图像识别，比如，通过安装于车辆上的摄像头采集外界环境的图像，并对该图像进行识别以得到外界环境中有哪些物体。对于图像识别的应用场景下，雾天环境会对图像中的物体识别结果带来极大的干扰。相关技术中，通常是通过使用去雾算法先对雾天拍摄到的图像进行一次去雾处理，然后再对去雾后的图像使用其他算法进行识别。
但是，对于上述处理方式，往往是越好的天气、越清晰的图像对物体识别的帮助越大，而在雾天环境则会出现极大的干扰，导致雾天环境下物体识别的准确度降低。
发明内容
本发明的目的旨在至少在一定程度上解决上述的技术问题之一。
为此，本发明的第一个目的在于提出一种物体识别方法。该方法可以简化去雾与识别的过程，提升了在雾天环境下对目标的定位的效果。
本发明的第二个目的在于提出一种物体识别装置。
本发明的第三个目的在于提出一种车辆。
本发明的第四个目的在于提出一种计算机可读存储介质。
为达到上述目的，本发明第一方面实施例提出的物体识别方法，包括：获取雾天图像，并计算所述雾天图像中各像素点的暗通道值；根据所述雾天图像中各像素点的坐标信息和所述暗通道值，生成三维点云图像；从所述三维点云图像中的每个点云数据中，获取满足预设条件的目标点云数据；通过聚类算法对所述目标点云数据进行聚类，得到所述雾天图像中的物体信息。
根据本发明实施例的物体识别方法，可根据大气散射模型，直接使用暗通道算法先对雾天图像中所呈现的雾气浓度进行计算，并通过雾气浓度，实现对图像中像素点的距离进行估计，并根据像素点的距离信息，将平面图像转化为三维点云，然后，对点云进行聚类，实现目标物体背景分离的目的。即通过将平面图像以暗通道方法，计算大气透射率，并转化为三维点云进行聚类等一系列工作，非常完美的对能见距离短，雾气浓密的图像进行目标识别和定位，可以极大地补充雾天环境下的识别能力，特别是解决了车辆在能见度较低的道路环境下，摄像头的图像识别能力大幅下降的问题，对车载摄像头算法能力起到极大地提升，并简化了去雾与识别的过程，提升了在雾天环境下对目标的定位的效果。
为达到上述目的，本发明第二方面实施例提出的物体识别装置，包括：图像获取模块，用于获取雾天图像；暗通道计算模块，用于计算所述雾天图像中各像素点的暗通道值；三维点云图像生成模块，用于根据所述雾天图像中各像素点的坐标信息和所述暗通道值，生成三维点云图像；点云数据获取模块，用于从所述三维点云图像中的每个点云数据中，获取满足预设条件的目标点云数据；聚类识别模块，用于通过聚类算法对所述目标点云数据进行聚类，得到所述雾天图像中的物体信息。
根据本发明实施例的物体识别装置，可根据大气散射模型，直接使用暗通道算法先对雾天图像中所呈现的雾气浓度进行计算，并通过雾气浓度，实现对图像中像素点的距离进行估计，并根据像素点的距离信息，将平面图像转化为三维点云，然后，对点云进行聚类，实现目标物体背景分离的目的。即通过将平面图像以暗通道方法，计算大气透射率，并转化为三维点云进行聚类等一系列工作，非常完美的对能见距离短，雾气浓密的图像进行目标识别和定位，可以极大地补充雾天环境下的识别能力，特别是解决了车辆在能见度较低的道路环境下，摄像头的图像识别能力大幅下降的问题，对车载摄像头算法能力起到极大地提升，并简化了去雾与识别的过程，提升了在雾天环境下对目标的定位的效果。
为达到上述目的，本发明第三方面实施例提出的车辆，包括：图像采集装置、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述图像采集装置，用于采集所述车辆外界环境的雾天图像；所述存储器，用于存储所述图像采集装置采集到的所述雾天图像，并存储所述计算机程序；所述处理器，用于执行所述计算机程序时，实现本发明第一方面实施例所述的物体识别方法。
为达到上述目的，本发明第四方面实施例提出的非临时性计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明第一方面实施例所述的物体识别方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一个实施例的物体识别方法的流程图；
图2是根据本发明实施例的大气散射模型的示意图；
图3是根据本发明实施例的物体识别方法的流程图；
图4是根据本发明一个具体实施例的物体识别方法的流程图；
图5是根据本发明实施例的点云数据形成的平面的法向量的示意图；
图6是根据本发明实施例的目标点云的示意图；
图7是根据本发明一个实施例的物体识别装置的结构示意图；
图8是根据本发明一个具体实施例的物体识别装置的结构示意图；
图9是根据本发明一个实施例的车辆的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的物体识别方法、装置、车辆和计算机可读存储介质。
图1是根据本发明一个实施例的物体识别方法的流程图。需要说明的是，本发明实施例的物体识别方法可应用于本发明实施例的物体识别装置，该物体识别装置可被配置于车辆上，以实现对车辆的外界环境中的物体进行识别定位的功能。
如图1所示，该物体识别方法可以包括：
S110，获取雾天图像，并计算雾天图像中各像素点的暗通道值。
可选地，可通过安装车辆上的摄像头采集外界环境的图像信息，当外界环境为雾天环境时，采集的图像为雾天图像。需要说明的是，在本发明的实施例中，所述雾天是指：大气中存在水蒸气、冰晶与微尘颗粒时，光线在大气中发生弥散的场景，例如，雾、霾等气候现象都属于此列。可以理解，雾天环境下捕获的图像具有可见度、对比度、清晰度降低的特点。此时可利用本发明实施例的物体识别方法对该雾天图像进行识别以实现雾天环境下对目标物体的定位。
在本步骤中，可获取采集到的雾天图像，并根据大气散射模型，通过暗通道算法对该雾天图像中的雾气浓度进行计算，以得到该雾天图像中各个像素点的暗通道值。
需要说明的是，由于暗通道算法受椒盐噪声影响较大，所以，在本发明的实施例中，在计算雾天图像中各像素点的暗通道值之前，需要先对该雾天图像中的椒盐噪声进行过滤。作为一种示例，可通过中值滤波算法对雾天图像进行椒盐噪声的过滤。可以理解，本发明优选采用中值滤波算法对雾天图像进行椒盐噪声的过滤，其可以达到很好的去噪效果；可选地还可以采用其他滤波算法实现对雾天图像的椒盐噪声进行过滤，比如，均值滤波算法等。
在经过对雾天图像进行椒盐噪声的过滤之后，可对去噪后的雾天图像进行暗通道提取，具体实现过程可如下：如图2所示，首先基于大气散射模型理论，其中摄像头接收到的光强度E，与物体反射光的初始强度E0、大气透射率Td以及环境光照强度E∞有关，其相应关系为：
E＝E0Td+E∞(1-Td) (公式1)
基于暗通道先验理论，大部分像素周围都存在反射光初始强度E0非常低的点(比如初始强度E0接近0)。对所述雾天图像中的每个像素点，遍历以该像素为中心的一定大小的区域ω，选择区域内每个像素点的三原色通道像素值的最小值，将该最小值即为该当前像素点的暗通道值，比如，可通过如下公式2来获得像素点的暗通道值：
Edark(x,y)＝minx,y∈ω(minc∈R,G,B(Ec(x,y))) (公式2)
其中，x和y分别表示当前像素点在雾天图像中的横坐标和纵坐标，ER(x,y)、EG(x,y)、EB(x,y)分别表示表示该位置像素的RGB三原色通道的像素值大小，ω表示以该当前像素点为中心的一定大小的区域，Edark(x,y)表示当前像素点的暗通道值。
S120，根据雾天图像中各像素点的坐标信息和暗通道值，生成三维点云图像。
需要说明的是，根据上述公式1，由于物体反射光E0附近区域统计的最小值Emin趋近于0，则基于大气散射模型理论，雾天图像中各像素点的暗通道值，与物体反射光E0、大气透射率以及环境光照强度E∞之间的关系可为：
Edark(x,y)＝EminTd+E∞(1-Td)≈E∞(1-Td) (公式3)
对于同一幅雾天图像内，其环境光照强度E∞基本均匀，为一个常量，则暗通道值Edark(x,y)可以表示大气透射率Td的函数：
Edark(x,y)＝E∞(1-Td) (公式4)
对于大气透射率Td，其值的大小与摄像头与物体之间的距离有一定的关系。距离越远，其雾气的遮挡越严重，透射率越低。根据光线在经过大气中微粒的衰减模型，透射率与距离成指数关系，其关系可如下公式5所示：
Td＝e-βd (公式5)
其中，d表示距离，β为衰减常数。
将上述公式5代入公式4可得：
Edark(x,y)＝E∞(1-e-βd) (公式6)
由上述公式6可知，图像的暗通道值Edark(x,y)是当前像素点与所述距离的减函数。由于图像本身已经包含二维信息(x，y)，这样，以暗通道值Edark(x,y)代替成所述摄像头与物体之间的距离的距离值z，可以将暗通道图像(即所述雾天图像)转化为三维点云P(x,y,z)，形成三维点云图像。
也就是说，可将所述各像素点的横坐标作为对应的点云数据的X轴坐标，并将所述各像素点的纵坐标作为所述对应的点云数据的Y轴坐标，以及将所述各像素点的暗通道值作为所述对应的点云数据的Z轴坐标，得到所述三维点云图像。
获得了三维点云数据后，为了有效提取三维点云图像中的特征，需要对三维点云数据再次进行低通滤波，以增强算法的抗干扰能力。可选地，在本发明的一个实施例中，在生成所述三维点云图像时，还可通过高斯滤波算法对每个点云数据的Z轴坐标值进行低通滤波。例如，由于三维点云数据P(x,y,z)，其在x方向(左右方向)和y方向(高度方向)上有良好的连续性，所以可以考虑以z方向(距离纵深方向)的值以k乘k(k可以取3、5、7等奇数)的高斯算子进行低通滤波：
H以3x3的高斯算子为例，可以取如下值：
Figure BDA0001717189700000052
由此，通过上述高斯滤波算法对每个点云数据的Z轴坐标值进行低通滤波之后，可以使得滤波后的三维点数据有良好的连续性，以便后续能够有效提取三维点数据的特征。
S130，从三维点云图像中的每个点云数据中，获取满足预设条件的目标点云数据。
作为一种示例，针对三维点云图像中的每个点云数据，可通过对其法向量特征进行分类提取，求出由三维点云形成的平面的法向量N，然后，从所述三维点云图像中，提取出特异的平面法向量所对应的三维点云，将所述特异的平面法向量所对应的三维点云作为所述满足预设条件的目标点云数据。具体的实现方式可参考后续实施例的具体描述。
作为另一种示例，针对三维点云图像中的每个点云数据，可根据所述每个点云数据中的Z轴坐标值，从所述三维点云图像中选取所述Z轴坐标值满足一定条件的点云数据，并将所述Z轴坐标值满足一定条件的点云数据作为所述目标点云数据，例如，可将所述Z轴坐标值大于或等于一定阈值的点云数据作为所述目标点云数据。
S140，通过聚类算法对目标点云数据进行聚类，得到雾天图像中的物体信息。
可选地，通过聚类算法对所述目标点云数据进行聚类，这样可以将距离相近的目标点云数据聚为一类，而该聚类后的目标点云所组成的事物即为该雾天图像中可以识别到的物体，从而实现了雾天情况下的目标识别定位功能。作为一种示例，如图3所示，所述通过聚类算法对目标点云数据进行聚类，得到雾天图像中的物体信息的具体实现过程可包括以下步骤：
S310，将所述目标点云数据中的每个点云分为一类，并计算所述每个点云之间的距离，将所述距离小于预设距离的两个点云合并成一类；
S320，计算合并后的新类与其余各类之间的距离，并将距离小于所述预设距离的两个类合并成一类，其中，所述新类与其余各类之间的距离用于指示所述新类与其余各类中所含点云间的最小距离；
S330，判断所有类之间的距离是否大于或等于所述预设距离，若否，重复执行所述距离小于所述预设距离的两个类合并成一类，否则执行步骤S340；
S340，根据最终聚类后得到的各类中的点云数据，对所述雾天图像中的物体进行识别定位。
也就是说，可重复执行所述计算合并后的新类与其余各类之间的距离，并将距离小于所述预设距离的两个类合并成一类的步骤，直至所有类之间的距离大于或等于所述预设距离，此时可得到最终的聚类结果，该聚类后的点云所组成的事物即为该雾天图像中可以识别到的物体，实现了雾天情况下的目标识别定位功能。
举例而言，本发明实施例可通过以下步骤实现目标点云数据的聚类：
1)假设目标点云数据的个数有N个，可将所有目标点云数据中的每个点云分为一类，即分为N类：P1,P2,...,Pn，构建成一个类的集合D0；
2)顺序选取一个类PX；
3)遍历所有其它的类Py，并计算其与PX之间的距离，即两种类中所含点云间的最小距离L；
4)若距离L小于预设距离Lmax，则将这两个类合并，形成新的类集D1；
5)对于类集D1重复步骤2)、步骤3)和步骤4)，如此循环直至所有类之间的距离都大于或等于预设距离Lmax。
为了提高识别结果的准确性，可选地，在本发明的一个实施例中，还可计算聚类后得到的所有类中所包含的点云个数，并将所述包含的点云个数大于或等于第二预设阈值的类，作为所述最终聚类后得到的各类。也就是说，可设定一个阈值dmin，这样，在经过聚类后形成了最终的类集Dn，此时可从该类集Dn中剔除掉点云个数小于阈值dmin的类后，形成的最终类集D，即为完成雾天图像中背景分类后所需的目标。
综上所述，本发明实施例的物体识别方法，在雾天环境下，大雾也能作为一种参照，对图像的识别提供帮助。考虑到雾气透射程度与目标物体的距离有强烈的相关性，本发明将雾气透射程度，作为分辨目标物体与背景物体的依据，通过将平面图像转换为三维点云的方法，再使用相应的聚类手段，对雾天图像中的目标与背景进行分类，以实现雾天环境下的目标识别定位功能。
根据本发明实施例的物体识别方法，可根据大气散射模型，直接使用暗通道算法先对雾天图像中所呈现的雾气浓度进行计算，并通过雾气浓度，实现对图像中像素点的距离进行估计，并根据像素点的距离信息，将平面图像转化为三维点云，然后，对点云进行聚类，实现目标物体背景分离的目的。即通过将平面图像以暗通道方法，计算大气透射率，并转化为三维点云进行聚类等一系列工作，非常完美的对能见距离短，雾气浓密的图像进行目标识别和定位，可以极大地补充雾天环境下的识别能力，特别是解决了车辆在能见度较低的道路环境下，摄像头的图像识别能力大幅下降的问题，对车载摄像头算法能力起到极大地提升，并简化了去雾与识别的过程，提升了在雾天环境下对目标的定位的效果。
图4是根据本发明一个具体实施例的物体识别方法的流程图。
为了提高目标点云数据选取的准确度，提高物体识别结果的精确度，在本发明的实施例中，可从所述三维点云图像中，提取出特异的平面法向量所对应的三维点云，并将其作为所述目标点云数据。具体地，如图4所示，该物体识别方法可以包括：
S410，获取雾天图像，并计算雾天图像中各像素点的暗通道值。
S420，根据雾天图像中各像素点的坐标信息和暗通道值，生成三维点云图像。
可选地，将所述各像素点的横坐标作为对应的点云数据的X轴坐标，并将所述各像素点的纵坐标作为所述对应的点云数据的Y轴坐标，以及将所述各像素点的暗通道值作为所述对应的点云数据的Z轴坐标，得到所述三维点云图像。
获得了三维点云数据后，为了有效提取三维点云图像中的特征，需要对三维点云数据再次进行低通滤波，以增强算法的抗干扰能力。作为一种示例，在生成所述三维点云图像时，还可通过高斯滤波算法对每个点云数据的Z轴坐标值进行低通滤波。
需要说明的是，上述步骤S410～S420的实现过程的描述可参考上述步骤S110～S120的实现过程的描述，在此不再赘述。
S430，针对三维点云图像中的每个点云数据，计算由每个点云数据形成的平面的法向量。
可选地，对于三维点云图像中的每个点云数据，可以通过对其法向量特征进行分类提取，求出由每个点云数据形成的平面的法向量。例如，如图5所示，可通过法向量的计算方式，求出图5所示的4个目标点云的平面法向量分别为N1、N2、N3和N4。
S440，根据每个点云数据形成的平面的法向量，从三维点云图像中获取满足预设条件的目标点云数据。
可选地，将所述每个点云数据形成的平面的法向量进行加权求平均，获得针对所述三维点云图像的平均法向量，并计算所述每个点云数据形成的平面的法向量与所述平均法向量之间的夹角值，从所述三维点云图像中，将法向量与所述平均法向量之间的夹角值大于第一预设阈值的点云数据作为所述目标点云数据。
也就是说，通过公式8，可将所述每个点云数据形成的平面的法向量进行加权求平均，获得平均法向量Np：
Figure BDA0001717189700000081
在得到所述平均法向量Np时，可从所述每个点云数据中，提取出所有法向量N(x,y)与Np的夹角大于第一预设阈值的点云，该提取出的所述点云即为所述目标点云。
S450，通过聚类算法对目标点云数据进行聚类，得到雾天图像中的物体信息。需要说明的是，上述步骤S450的实现过程的描述可参考上述步骤S110～S140的实现过程的描述，在此不再赘述。
为了提高识别结果的准确性，可选地，在本发明的一个实施例中，还可计算聚类后得到的所有类中所包含的点云个数，并将所述包含的点云个数大于或等于第二预设阈值的类，作为所述最终聚类后得到的各类。也就是说，可设定一个阈值dmin，这样，在经过聚类后形成了最终的类集Dn，此时可从该类集Dn中剔除掉点云个数小于阈值dmin的类后，形成的最终类集D，即为完成雾天图像中背景分类后所需的目标。
根据本发明实施例的物体识别方法，针对三维点云图像中的每个点云数据，可通过对其法向量特征进行分类提取，求出由三维点云形成的平面的法向量N，然后，从所述三维点云图像中，提取出特异的平面法向量所对应的三维点云，将所述特异的平面法向量所对应的三维点云作为所述满足预设条件的目标点云数据，这样，可以提高了目标点云数据选取的准确度，并提高了物体识别结果的精确度。
与上述几种实施例提供的物体识别方法相对应，本发明的一种实施例还提供一种物体识别装置，由于本发明实施例提供的物体识别装置与上述几种实施例提供的物体识别方法相对应，因此在前述物体识别方法的实施方式也适用于本实施例提供的物体识别装置，在本实施例中不再详细描述。图7是根据本发明一个实施例的物体识别装置的结构示意图。如图7所示，该物体识别装置700可以包括：图像获取模块710、暗通道计算模块720、三维点云图像生成模块730、点云数据获取模块740和聚类识别模块750。
具体地，图像获取模块710用于获取雾天图像。
暗通道计算模块720用于计算雾天图像中各像素点的暗通道值。
三维点云图像生成模块730用于根据雾天图像中各像素点的坐标信息和暗通道值，生成三维点云图像。作为一种示例，三维点云图像生成模块730可将所述各像素点的横坐标作为对应的点云数据的X轴坐标，并将所述各像素点的纵坐标作为所述对应的点云数据的Y轴坐标，以及将所述各像素点的暗通道值作为所述对应的点云数据的Z轴坐标，得到所述三维点云图像。
获得了三维点云数据后，为了有效提取三维点云图像中的特征，需要对三维点云数据再次进行低通滤波，以增强算法的抗干扰能力。可选地，在本发明的一个实施例中，三维点云图像生成模块730还可在生成所述三维点云图像时，通过高斯滤波算法对每个点云数据的Z轴坐标值进行低通滤波。
点云数据获取模块740用于从三维点云图像中的每个点云数据中，获取满足预设条件的目标点云数据。作为一种示例，如图8所示，该点云数据获取模块740可以包括：计算单元741和获取单元742。其中，计算单元741用于针对所述三维点云图像中的每个点云数据，计算由所述每个点云数据形成的平面的法向量；获取单元742用于根据所述每个点云数据形成的平面的法向量，从所述三维点云图像中获取所述满足预设条件的目标点云数据。
在本发明的一个实施例中，获取单元742可将所述每个点云数据形成的平面的法向量进行加权求平均，获得针对所述三维点云图像的平均法向量，并计算所述每个点云数据形成的平面的法向量与所述平均法向量之间的夹角值，从所述三维点云图像中，将法向量与所述平均法向量之间的夹角值大于第一预设阈值的点云数据作为所述目标点云数据。
聚类识别模块750用于通过聚类算法对目标点云数据进行聚类，得到雾天图像中的物体信息。作为一种示例，聚类识别模块750可将所述目标点云数据中的每个点云分为一类，并计算所述每个点云之间的距离，将所述距离小于预设距离的两个点云合并成一类，并计算合并后的新类与其余各类之间的距离，并将距离小于所述预设距离的两个类合并成一类，其中，所述新类与其余各类之间的距离用于指示所述新类与其余各类中所含点云间的最小距离；重复执行所述计算合并后的新类与其余各类之间的距离，并将距离小于所述预设距离的两个类合并成一类的步骤，直至所有类之间的距离大于或等于所述预设距离；根据最终聚类后得到的各类中的点云数据，对所述雾天图像中的物体进行识别定位。
为了提高识别结果的准确性，可选地，在本发明的一个实施例中，聚类识别模块750还可用于：计算聚类后得到的所有类中所包含的点云个数，并将所述包含的点云个数大于或等于第二预设阈值的类，作为所述最终聚类后得到的各类。
根据本发明实施例的物体识别装置，可根据大气散射模型，直接使用暗通道算法先对雾天图像中所呈现的雾气浓度进行计算，并通过雾气浓度，实现对图像中像素点的距离进行估计，并根据像素点的距离信息，将平面图像转化为三维点云，然后，对点云进行聚类，实现目标物体背景分离的目的。即通过将平面图像以暗通道方法，计算大气透射率，并转化为三维点云进行聚类等一系列工作，非常完美的对能见距离短，雾气浓密的图像进行目标识别和定位，可以极大地补充雾天环境下的识别能力，特别是解决了车辆在能见度较低的道路环境下，摄像头的图像识别能力大幅下降的问题，对车载摄像头算法能力起到极大地提升，并简化了去雾与识别的过程，提升了在雾天环境下对目标的定位的效果。
为了实现上述实施例，本发明还提出了一种车辆。
图9是根据本发明一个实施例的车辆的结构示意图。如图9所示，该车辆900可以包括：图像采集装置910、存储器920、处理器930及存储在所述存储器920上并可在所述处理器930上运行的计算机程序940。
其中，图像采集装置910可用于采集所述车辆外界环境的雾天图像；
存储器920可用于存储图像采集装置910采集到的所述雾天图像，并存储计算机程序940；
处理器930可用于执行计算机程序940时，实现本发明上述任一个实施例所述的物体识别方法。
为了实现上述实施例，本发明还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明上述任一个实施例所述的物体识别方法。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (14)

1.一种物体识别方法，其特征在于，包括以下步骤：
获取雾天图像，并计算所述雾天图像中各像素点的暗通道值；
根据所述雾天图像中各像素点的坐标信息和所述暗通道值，生成三维点云图像；
从所述三维点云图像中的每个点云数据中，获取满足预设条件的目标点云数据；
通过聚类算法对所述目标点云数据进行聚类，得到所述雾天图像中的物体信息。
2.如权利要求1所述的物体识别方法，其特征在于，所述根据所述雾天图像中各像素点的坐标信息和所述暗通道值，生成三维点云图像，包括：
将所述各像素点的横坐标作为对应的点云数据的X轴坐标，并将所述各像素点的纵坐标作为所述对应的点云数据的Y轴坐标，以及将所述各像素点的暗通道值作为所述对应的点云数据的Z轴坐标，得到所述三维点云图像。
3.如权利要求2所述的物体识别方法，其特征在于，在生成所述三维点云图像时，还包括：
通过高斯滤波算法对每个点云数据的Z轴坐标值进行低通滤波。
4.如权利要求1所述的物体识别方法，其特征在于，所述从所述三维点云图像中的每个点云数据中，获取满足预设条件的目标点云数据，包括：
针对所述三维点云图像中的每个点云数据，计算由所述每个点云数据形成的平面的法向量；
根据所述每个点云数据形成的平面的法向量，从所述三维点云图像中获取所述满足预设条件的目标点云数据。
5.如权利要求4所述的物体识别方法，其特征在于，所述根据所述每个点云数据形成的平面的法向量，从所述三维点云图像中获取所述满足预设条件的目标点云数据，包括：
将所述每个点云数据形成的平面的法向量进行加权求平均，获得针对所述三维点云图像的平均法向量；
计算所述每个点云数据形成的平面的法向量与所述平均法向量之间的夹角值；
从所述三维点云图像中，将法向量与所述平均法向量之间的夹角值大于第一预设阈值的点云数据作为所述目标点云数据。
6.如权利要求1所述的物体识别方法，其特征在于，所述通过聚类算法对所述目标点云数据进行聚类，得到所述雾天图像中的物体信息，包括：
将所述目标点云数据中的每个点云分为一类，并计算所述每个点云之间的距离，将所述距离小于预设距离的两个点云合并成一类；
计算合并后的新类与其余各类之间的距离，并将距离小于所述预设距离的两个类合并成一类，其中，所述新类与其余各类之间的距离用于指示所述新类与其余各类中所含点云间的最小距离；
重复执行所述计算合并后的新类与其余各类之间的距离，并将距离小于所述预设距离的两个类合并成一类的步骤，直至所有类之间的距离大于或等于所述预设距离；
根据最终聚类后得到的各类中的点云数据，对所述雾天图像中的物体进行识别定位。
7.如权利要求6所述的物体识别方法，其特征在于，在所述根据最终聚类后得到的各类中的点云数据，之前还包括：
计算聚类后得到的所有类中所包含的点云个数；
将所述包含的点云个数大于或等于第二预设阈值的类，作为所述最终聚类后得到的各类。
8.一种物体识别装置，其特征在于，包括：
图像获取模块，用于获取雾天图像；
暗通道计算模块，用于计算所述雾天图像中各像素点的暗通道值；
三维点云图像生成模块，用于根据所述雾天图像中各像素点的坐标信息和所述暗通道值，生成三维点云图像；
点云数据获取模块，用于从所述三维点云图像中的每个点云数据中，获取满足预设条件的目标点云数据；
聚类识别模块，用于通过聚类算法对所述目标点云数据进行聚类，得到所述雾天图像中的物体信息。
9.如权利要求8所述的物体识别装置，其特征在于，所述三维点云图像生成模块具体用于：
将所述各像素点的横坐标作为对应的点云数据的X轴坐标，并将所述各像素点的纵坐标作为所述对应的点云数据的Y轴坐标，以及将所述各像素点的暗通道值作为所述对应的点云数据的Z轴坐标，得到所述三维点云图像。
10.如权利要求8所述的物体识别装置，其特征在于，所述点云数据获取模块包括：
计算单元，用于针对所述三维点云图像中的每个点云数据，计算由所述每个点云数据形成的平面的法向量；
获取单元，用于根据所述每个点云数据形成的平面的法向量，从所述三维点云图像中获取所述满足预设条件的目标点云数据。
11.如权利要求10所述的物体识别装置，其特征在于，所述获取单元具体用于：
将所述每个点云数据形成的平面的法向量进行加权求平均，获得针对所述三维点云图像的平均法向量；
计算所述每个点云数据形成的平面的法向量与所述平均法向量之间的夹角值；
从所述三维点云图像中，将法向量与所述平均法向量之间的夹角值大于第一预设阈值的点云数据作为所述目标点云数据。
12.如权利要求8所述的物体识别装置，其特征在于，所述聚类识别模块具体用于：
将所述目标点云数据中的每个点云分为一类，并计算所述每个点云之间的距离，将所述距离小于预设距离的两个点云合并成一类；
计算合并后的新类与其余各类之间的距离，并将距离小于所述预设距离的两个类合并成一类，其中，所述新类与其余各类之间的距离用于指示所述新类与其余各类中所含点云间的最小距离；
重复执行所述计算合并后的新类与其余各类之间的距离，并将距离小于所述预设距离的两个类合并成一类的步骤，直至所有类之间的距离大于或等于所述预设距离；
根据最终聚类后得到的各类中的点云数据，对所述雾天图像中的物体进行识别定位。
13.一种车辆，其特征在于，包括：图像采集装置、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，
所述图像采集装置，用于采集所述车辆外界环境的雾天图像；
所述存储器，用于存储所述图像采集装置采集到的所述雾天图像，并存储所述计算机程序；
所述处理器，用于执行所述计算机程序时，实现如权利要求1至7中任一项所述的物体识别方法。
14.一种非临时性计算机可读存储介质，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如权利要求1至7中任一项所述的物体识别方法。
CN201810713889.6A 2018-06-29 2018-06-29 物体识别方法、装置、车辆和计算机可读存储介质 Active CN110659547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810713889.6A CN110659547B (zh) 2018-06-29 2018-06-29 物体识别方法、装置、车辆和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810713889.6A CN110659547B (zh) 2018-06-29 2018-06-29 物体识别方法、装置、车辆和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110659547A true CN110659547A (zh) 2020-01-07
CN110659547B CN110659547B (zh) 2023-07-14

Family

ID=69027263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810713889.6A Active CN110659547B (zh) 2018-06-29 2018-06-29 物体识别方法、装置、车辆和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110659547B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507340A (zh) * 2020-04-16 2020-08-07 北京深测科技有限公司 一种基于三维点云数据的目标点云数据提取方法
CN111507339A (zh) * 2020-04-16 2020-08-07 北京深测科技有限公司 一种基于强度图像的目标点云获取方法
CN112419231A (zh) * 2020-10-15 2021-02-26 上海眼控科技股份有限公司 能见度确定方法、装置、计算机设备和存储介质
CN112699267A (zh) * 2021-01-13 2021-04-23 招商局重庆交通科研设计院有限公司 车辆车型的识别方法
CN114076595A (zh) * 2022-01-19 2022-02-22 浙江吉利控股集团有限公司 道路高精度地图生成方法、装置、设备及存储介质
CN117830140A (zh) * 2024-03-04 2024-04-05 厦门中科星晨科技有限公司 无人驾驶控制系统用雾天点云的去噪方法及装置

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090018712A1 (en) * 2007-07-13 2009-01-15 Jerry Richard Duncan Method and system for remotely monitoring and controlling a vehicle via a virtual environment
CN101877128A (zh) * 2009-12-23 2010-11-03 中国科学院自动化研究所 一种三维场景中不同物体的分割方法
CN102222328A (zh) * 2011-07-01 2011-10-19 杭州电子科技大学 一种边缘保持的自然场景图像自适应加权滤波方法
US20110293137A1 (en) * 2010-05-31 2011-12-01 Primesense Ltd. Analysis of three-dimensional scenes
TW201308251A (zh) * 2011-08-04 2013-02-16 Yi-Wu Chiang 水下影像強化系統
CN103400380A (zh) * 2013-07-25 2013-11-20 河海大学 融合图像矩阵偏移的单摄像机水下目标三维轨迹模拟方法
CN104091175A (zh) * 2014-07-15 2014-10-08 中国科学院合肥物质科学研究院 一种基于Kinect深度信息获取技术的害虫图像自动识别方法
CN104634740A (zh) * 2013-11-12 2015-05-20 中国电信股份有限公司 雾霾能见度监测方法和装置
CN104700369A (zh) * 2015-03-09 2015-06-10 哈尔滨工业大学 夜幕数字图像的快速滤除增强方法
CN105652873A (zh) * 2016-03-04 2016-06-08 中山大学 一种基于Kinect的移动机器人避障方法
CN105761227A (zh) * 2016-03-04 2016-07-13 天津大学 基于暗通道先验与白平衡的水下图像增强方法
CN105847749A (zh) * 2016-04-13 2016-08-10 青岛智慧城市产业发展有限公司 一种复杂环境下的视频监控图像处理技术
CN106839975A (zh) * 2015-12-03 2017-06-13 杭州海康威视数字技术股份有限公司 基于深度相机的体积测量方法及其系统
US20170206415A1 (en) * 2016-01-15 2017-07-20 Blue River Technology Inc. Plant feature detection using captured images
CN107038718A (zh) * 2017-03-31 2017-08-11 天津大学 雾霾环境下的深度计算方法
CN107292965A (zh) * 2017-08-03 2017-10-24 北京航空航天大学青岛研究院 一种基于深度图像数据流的虚实遮挡处理方法
US20170330364A1 (en) * 2014-11-28 2017-11-16 Panasonic Intellectual Property Management Co., Ltd. Modeling device, three-dimensional model generating device, modeling method, and program
CN107844760A (zh) * 2017-10-24 2018-03-27 西安交通大学 基于曲面法向分量图神经网络表示的三维人脸识别方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090018712A1 (en) * 2007-07-13 2009-01-15 Jerry Richard Duncan Method and system for remotely monitoring and controlling a vehicle via a virtual environment
CN101877128A (zh) * 2009-12-23 2010-11-03 中国科学院自动化研究所 一种三维场景中不同物体的分割方法
US20110293137A1 (en) * 2010-05-31 2011-12-01 Primesense Ltd. Analysis of three-dimensional scenes
CN102222328A (zh) * 2011-07-01 2011-10-19 杭州电子科技大学 一种边缘保持的自然场景图像自适应加权滤波方法
TW201308251A (zh) * 2011-08-04 2013-02-16 Yi-Wu Chiang 水下影像強化系統
CN103400380A (zh) * 2013-07-25 2013-11-20 河海大学 融合图像矩阵偏移的单摄像机水下目标三维轨迹模拟方法
CN104634740A (zh) * 2013-11-12 2015-05-20 中国电信股份有限公司 雾霾能见度监测方法和装置
CN104091175A (zh) * 2014-07-15 2014-10-08 中国科学院合肥物质科学研究院 一种基于Kinect深度信息获取技术的害虫图像自动识别方法
US20170330364A1 (en) * 2014-11-28 2017-11-16 Panasonic Intellectual Property Management Co., Ltd. Modeling device, three-dimensional model generating device, modeling method, and program
CN104700369A (zh) * 2015-03-09 2015-06-10 哈尔滨工业大学 夜幕数字图像的快速滤除增强方法
CN106839975A (zh) * 2015-12-03 2017-06-13 杭州海康威视数字技术股份有限公司 基于深度相机的体积测量方法及其系统
US20170206415A1 (en) * 2016-01-15 2017-07-20 Blue River Technology Inc. Plant feature detection using captured images
CN105761227A (zh) * 2016-03-04 2016-07-13 天津大学 基于暗通道先验与白平衡的水下图像增强方法
CN105652873A (zh) * 2016-03-04 2016-06-08 中山大学 一种基于Kinect的移动机器人避障方法
CN105847749A (zh) * 2016-04-13 2016-08-10 青岛智慧城市产业发展有限公司 一种复杂环境下的视频监控图像处理技术
CN107038718A (zh) * 2017-03-31 2017-08-11 天津大学 雾霾环境下的深度计算方法
CN107292965A (zh) * 2017-08-03 2017-10-24 北京航空航天大学青岛研究院 一种基于深度图像数据流的虚实遮挡处理方法
CN107844760A (zh) * 2017-10-24 2018-03-27 西安交通大学 基于曲面法向分量图神经网络表示的三维人脸识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HAO JIANG ET AL: "A Novel Depth Map Generation Method Based on K-Means Clustering and Depth Pattern Recognition", 《2011 INTERNATIONAL CONFERENCE ON INTERNET OF THINGS AND 4TH INTERNATIONAL CONFERENCE ON CYBER, PHYSICAL AND SOCIAL COMPUTING》 *
HUANG YUAN ET AL: "Research on fast simplification algorithm of point cloud data", 《PROCEEDINGS OF SPIE》 *
LANLAN LI ET AL: "Point Cloud Simplification Based on an Affinity Propagation Clustering Algorithm", 《2009 INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND COMPUTATIONAL INTELLIGENCE》 *
宋立鹏: "室外场景三维点云数据的分割与分类", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
马书一等: "基于特征融合的快速图像去雾方法", 《吉林大学学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507340A (zh) * 2020-04-16 2020-08-07 北京深测科技有限公司 一种基于三维点云数据的目标点云数据提取方法
CN111507339A (zh) * 2020-04-16 2020-08-07 北京深测科技有限公司 一种基于强度图像的目标点云获取方法
CN111507339B (zh) * 2020-04-16 2023-07-18 北京深测科技有限公司 一种基于强度图像的目标点云获取方法
CN111507340B (zh) * 2020-04-16 2023-09-01 北京深测科技有限公司 一种基于三维点云数据的目标点云数据提取方法
CN112419231A (zh) * 2020-10-15 2021-02-26 上海眼控科技股份有限公司 能见度确定方法、装置、计算机设备和存储介质
CN112699267A (zh) * 2021-01-13 2021-04-23 招商局重庆交通科研设计院有限公司 车辆车型的识别方法
CN112699267B (zh) * 2021-01-13 2022-09-02 招商局重庆交通科研设计院有限公司 车辆车型的识别方法
CN114076595A (zh) * 2022-01-19 2022-02-22 浙江吉利控股集团有限公司 道路高精度地图生成方法、装置、设备及存储介质
CN117830140A (zh) * 2024-03-04 2024-04-05 厦门中科星晨科技有限公司 无人驾驶控制系统用雾天点云的去噪方法及装置
CN117830140B (zh) * 2024-03-04 2024-05-10 厦门中科星晨科技有限公司 无人驾驶控制系统用雾天点云的去噪方法及装置

Also Published As

Publication number Publication date
CN110659547B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN110659547B (zh) 物体识别方法、装置、车辆和计算机可读存储介质
Faro et al. Adaptive background modeling integrated with luminosity sensors and occlusion processing for reliable vehicle detection
EP1892666A1 (en) A method, an apparatus and a computer-readable medium for processing an image dataset
US11108970B2 (en) Flicker mitigation via image signal processing
CN103186887B (zh) 图像除雾装置和图像除雾方法
CN106611510A (zh) 车位检测装置、电子设备及方法
JP2012038318A (ja) ターゲット検出方法及び装置
CN107798688B (zh) 运动目标识别方法、预警方法以及汽车防追尾预警装置
JP4674179B2 (ja) 影認識方法及び影境界抽出方法
CN110371016B (zh) 车辆前灯的距离估计
CN114127784A (zh) 用于生成相机流的掩模的方法、计算机程序产品和计算机可读介质
JP2020061127A (ja) 車線変更車両の検出装置、方法及びビデオ監視装置
JP6432296B2 (ja) 画像中のゼブラクロッシングの検出装置及び方法
CN113628202B (zh) 一种确定方法、清洁机器人和计算机存储介质
US9189701B2 (en) Object detection apparatus, object detection method, storage medium, and integrated circuit
CN115187941A (zh) 目标检测定位方法、系统、设备及存储介质
JP6375911B2 (ja) カーブミラー検出装置
JP2008004989A (ja) 車両周囲表示装置
Balisavira et al. Real-time object detection by road plane segmentation technique for ADAS
US20210089818A1 (en) Deposit detection device and deposit detection method
Ito et al. An adherent raindrop detection method using MSER
CN109740558B (zh) 一种基于改进光流法的移动目标检测方法
CN112330544A (zh) 图像拖影的处理方法、装置、设备及介质
US11568547B2 (en) Deposit detection device and deposit detection method
CN115272284A (zh) 基于图像质量评估的输电线路缺陷识别方法

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