CN110688907B - 基于夜间道路光源识别物体的方法及装置 - Google Patents

基于夜间道路光源识别物体的方法及装置 Download PDF

Info

Publication number
CN110688907B
CN110688907B CN201910830186.6A CN201910830186A CN110688907B CN 110688907 B CN110688907 B CN 110688907B CN 201910830186 A CN201910830186 A CN 201910830186A CN 110688907 B CN110688907 B CN 110688907B
Authority
CN
China
Prior art keywords
brightness
image
night
road
lamp
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
Application number
CN201910830186.6A
Other languages
English (en)
Other versions
CN110688907A (zh
Inventor
赵梓涵
白鹏飞
张正德
金名亮
张新觉
周国富
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.)
Huoding Intelligent Lighting Guangdong Co ltd
Original Assignee
Huoding Intelligent Lighting Guangdong 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 Huoding Intelligent Lighting Guangdong Co ltd filed Critical Huoding Intelligent Lighting Guangdong Co ltd
Priority to CN201910830186.6A priority Critical patent/CN110688907B/zh
Publication of CN110688907A publication Critical patent/CN110688907A/zh
Application granted granted Critical
Publication of CN110688907B publication Critical patent/CN110688907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于夜间道路光源识别物体的方法及装置。涉及图像识别领域，其中，方法通过获取夜间道路图像，根据夜间道路图像进行通道提取得到天空路面交界线做初步分类，判定天空路面交界线上方为交通信号灯，天空路面交界线下方为汽车尾灯，然后获取夜间道路图像的HSV图像亮度，并根据HSV图像亮度提取亮度分界线，判断亮度分界线上方为路灯，亮度分界线下方为汽车前灯，最后根据车灯空间位置配对公式结合汽车尾灯或汽车前灯进行特征识别提取车辆目标。实现了基于夜间道路的光源形态以及空间位置分布情况特征，通过较低的运算量对车辆目标、交通信号灯和路灯进行分类识别，提高了夜间道路物体识别准确度和识别效率。

Description

基于夜间道路光源识别物体的方法及装置
技术领域
本发明涉及图像识别领域，尤其是一种基于夜间道路光源识别物体的方法及装置。
背景技术
随着智能交通的不断发展，交通拥挤阻塞以及由此导致的一系列交通问题己经成为制约城市经济发展和人民生活水平提高的瓶颈，图像识别应用到道路监控和高级驾驶辅助系统等方面。目前在车辆自动识别过程中，只需要将车牌和车轮胎识别出来，就能确认前方的是不是真实的车辆，但这种识别方式主要应用于白天。但是在晚上，全都是黑漆漆的一片，对于车牌的识别辨识度无法达到要求。
要提高夜间行车安全必须提高夜间车辆识别的准确性，一般来说，夜间车辆最明显的特征就是车灯，因此现有方法中多是基于车灯的检测，例如基于车灯的亮度信息、形态信息以及颜色信息等特征进行夜间场景下的车辆检测，此方法简单，易提取特征，但是干扰光源太多，现有算法处理干扰光源耗时长，准确度不高，不能满足实时性和准确性要求，不适合便携式开发平台，同时由于尾灯的高亮度，摄像头采集显示的尾灯实际为白色，大大降低了检测的准确性。因此需要提出一种基于夜间道路光源同时降低运算量的识别物体的方法。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的目的是提供一种基于夜间道路光源同时降低运算量的识别物体的方法。
本发明所采用的技术方案是：
第一方面，本发明提供一种基于夜间道路光源识别物体的方法，包括：
获取夜间道路图像；
根据所述夜间道路图像进行通道提取得到天空路面交界线做初步分类，判定所述天空路面交界线上方为交通信号灯，所述天空路面交界线下方为汽车尾灯；
获取所述夜间道路图像的HSV图像亮度，并根据所述HSV图像亮度提取亮度分界线，判断所述亮度分界线上方为路灯，所述亮度分界线下方为汽车前灯；
根据车灯空间位置配对公式进行特征识别提取车辆目标。
进一步地，所述初步分类包括：
根据RG通道对所述夜间道路图像进行通道提取；
根据Otsu算法进行图像阈值分割得到所述天空路面交界线。
进一步地，根据所述HSV图像亮度提取亮度分界线具体为：
获取所述夜间道路图像的HSV图像；
根据所述HSV图像获取所述HSV图像亮度；
判断所述HSV图像亮度是否在预设车灯亮度阈值范围内，如果是，则将所述夜间道路图像与预设图像掩模进行图像匹配，提取所述亮度分界线。
进一步地，所述特征识别具体为：
提取所述汽车尾灯或所述汽车前灯的特征区域；
结合所述车灯空间位置配对公式进行特征识别。
进一步地，所述车灯空间位置配对公式表示为：
|y1-y2|≤D
其中，Δarea表示特征区域面积之差，表示特征面积阈值，y1表示一侧车灯的质心高度，y2表示另一侧车灯的质心高度，D表示质心阈值。
进一步地，还包括对所述车辆目标、所述交通信号灯、所述路灯进行区别标记。
第二方面，本发明还提供一种基于夜间道路光源识别物体的装置，包括：
获取模块：用于获取夜间道路图像；
初步分类模块：用于根据所述夜间道路图像进行通道提取得到天空路面交界线做初步分类，判定所述天空路面交界线上方为交通信号灯，所述天空路面交界线下方为汽车尾灯；
HSV分类模块：用于获取所述夜间道路图像的HSV图像亮度，并根据所述HSV图像亮度提取亮度分界线，判断所述亮度分界线上方为路灯，所述亮度分界线下方为汽车前灯；
特征提取模块：用于根据车灯空间位置配对公式进行特征识别提取车辆目标。
进一步地，还包括：标记模块：用于对所述车辆目标、所述交通信号灯、所述路灯进行区别标记。
第三方面，本发明提供一种基于夜间道路光源识别物体的设备，包括：
至少一个处理器，以及与所述至少一个处理器通信连接的存储器；
其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行如第一方面任一项所述的方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面任一项所述的方法。
本发明的有益效果是：
本发明通过获取夜间道路图像，根据夜间道路图像进行通道提取得到天空路面交界线做初步分类，判定天空路面交界线上方为交通信号灯，天空路面交界线下方为汽车尾灯，然后获取夜间道路图像的HSV图像亮度，并根据HSV图像亮度提取亮度分界线，判断亮度分界线上方为路灯，亮度分界线下方为汽车前灯，最后根据车灯空间位置配对公式结合汽车尾灯或汽车前灯进行特征识别提取车辆目标。克服了现有技术中干扰光源太多，算法处理干扰光源耗时长，准确度不高，不能满足实时性和准确性要求，不适合便携式开发平台的问题，实现了基于夜间道路的光源形态以及空间位置分布情况特征，通过较低的运算量对车辆目标、交通信号灯和路灯进行分类识别，提高了夜间道路物体识别准确度和识别效率。
可广泛应用于夜间道路物体识别领域。
附图说明
图1是本发明中基于夜间道路光源识别物体方法的一具体实施例的实现流程图；
图2是本发明中基于夜间道路光源识别物体方法的一具体实施例的车灯示意图；
图3是本发明中基于夜间道路光源识别物体方法的一具体实施例的流程示意图；
图4是本发明中基于夜间道路光源识别物体装置的一具体实施例的结构框图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例一：
本发明实施例一提供一种基于夜间道路光源识别物体方法，图1为本发明实施例提供的一种基于夜间道路光源识别物体方法的实现流程图，如图1所示，该方法包括以下步骤：
S1：获取夜间道路图像。
S2：根据夜间道路图像进行通道提取得到天空路面交界线做初步分类，判定天空路面交界线上方为交通信号灯，天空路面交界线下方为汽车尾灯，具体的，根据RG通道对夜间道路图像进行通道提取，根据Otsu算法进行图像阈值分割得到天空路面交界线。
S3：获取夜间道路图像的HSV图像亮度，并根据HSV图像亮度提取亮度分界线，判断亮度分界线上方为路灯，亮度分界线下方为汽车前灯，具体为：
S31：获取夜间道路图像的HSV图像；
S32：根据HSV图像获取HSV图像亮度；
S33：判断HSV图像亮度是否在预设车灯亮度阈值范围内，如果是，则将夜间道路图像与预设图像掩模进行图像匹配，提取亮度分界线。
S4：根据车灯空间位置配对公式进行特征识别提取车辆目标。
S5：对车辆目标、交通信号灯、路灯进行区别标记，可选的是，采用不同颜色的矩形框进行标记，例如蓝色矩形标记车辆目标，黄色矩形标记路灯，红色矩形标记交通信号灯等方式，便于直观体现识别结果。
具体的，步骤S2中，RGB色彩模式是工业界的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一。本实施例中选取红(R)绿(G)通道进行通道提取，由于夜间红色光源一般为交通信号灯或者汽车尾灯，结合交通信号灯的高度信息，其处于天空路面分界线的上方，而汽车尾灯处于天空路面分界线的下方。
Otsu算法即最大类间方差法，是由日本学者大津(Nobuyuki Otsu)于1979年提出的图像分割算法，是一种自适应的阈值确定的方法，简称Otsu，具体是，按图像的灰度特性，将图像分成背景和目标2个部分，背景和目标之间的类间方差越大，说明构成图像的2部分差别越大，部分目标错分为背景或部分背景错分为目标都会导致2部分差别变小，通过使类间方差最大进行分割意味着错分概率最小，因此该算法是一种对图像进行二值化自适应阈值分割的高效算法，在本实施例中，通过该算法实现讲天空和路面进行分割并提取天空路面分界线，根据该天空路面分界线区分交通信号灯或汽车尾灯。
具体的，步骤S3中，HSV是工业界的一种颜色标准，通过对色调(H)、饱和度(S)、明度(V)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色，其中，色调H用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°；饱和度S表示颜色接近光谱色的程度，一种颜色，可以看成是某种光谱色与白色混合的结果，其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高，饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0％～100％，值越大，颜色越饱和；明度V表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0％(黑)到100％(白)。
本实施例中，每个像素点有不同的HSV值，不同光源特征有特定范围的HSV值，可以通过采集该特征提取出光源信息。另外，通过预设图像掩模进行图像匹配是为了提取出符合灯光光源特征的感兴趣区域，掩膜是将符合一定范围内的值进行提取，不符合范围的值不进行提取，本实施例中，符合光源特征的像素点进行会被提取出来，例如汽车前灯、汽车尾灯、路灯、交通信号灯等，不符合掩模要求的特征区域设置为黑色部分，该部分的特征不会进行显示，这样即可实现掩模只筛选出来符合灯光光源特征的感兴趣区域，进而提取出亮度分界线，由于HSV图像中白色光源特征明显，而白色光源一般为路灯和汽车前灯，因此判定亮度分界线上方为路灯，亮度分界线下方为汽车前灯。
步骤S4中，特征识别具体为：
S41：提取汽车尾灯或汽车前灯的特征区域，由于判断车辆目标，因此选择汽车尾灯或者汽车前灯均可以进行车辆目标的识别判断，本实施例中，提取到的特征区域是由多个一块块的像素区域组成，系统将这些区域的长、宽、质心坐标、面积特征进行数字化处理，暂存到存储空间中，并根据提取的特征区域出现的位置进行分类，分离成路灯或者汽车前灯，并进一步等待进行车辆车灯(汽车前灯或者汽车尾灯)之间的配对。
S42：结合车灯空间位置配对公式进行特征识别。
车灯空间位置配对公式表示为：
|y1-y2|≤D (2)
其中，Δarea表示特征区域面积之差，表示特征面积阈值，y1表示一侧车灯的质心高度，y2表示另一侧车灯的质心高度，D表示质心阈值。
本实施例中，如图2所示，为本实施例的车灯示意图，设定同一辆汽车的汽车前灯或者汽车尾灯其光斑特征区域(图中虚线所示)大小基本相似，其光斑的质心位置距离地面的高度也基本相同，考虑到拍摄过程透视效果以及拍摄误差，特征面积阈值和质心阈值均根据实际需要选择较小的值即可，如果车辆车灯(汽车前灯或者汽车尾灯)的水平位置满足车灯空间位置配对公式(1)和公式(2)则判断为同一个车辆目标。
如图3所示，为本实施例基于夜间道路光源识别物体方法流程示意图，包括以下步骤：
1)首先根据RG通道提取红色光源区域。
2)根据RG通道对夜间道路图像进行通道提取，得到天空路面交界线，判定天交通信号灯和汽车尾灯。
3)根据HSV图像亮度提取白色光源区域，判断HSV图像亮度是否在预设车灯亮度阈值范围内，如果是，则将夜间道路图像与预设图像掩模进行图像匹配，提取亮度分界线。
4)匹配成功则判定为车灯组，对车灯光斑(汽车前灯或者汽车尾灯)进行水平扫描纵向分离，结合车灯空间位置配对公式进行特征识别，标识车辆目标，匹配不成功则判定为被遮挡车辆或者摩托车等。
本实施例主要用于识别车辆目标，但是同样识别出红色交通灯信号和路灯，有效避免了在识别车辆时因为环境光源对识别车辆造成的干扰。
实施例二：
如图4所示，为本实施例提供的基于夜间道路光源识别物体装置结构框图，用于执行如实施例一所述的方法，包括：
获取模块10：用于获取夜间道路图像；
初步分类模块20：用于根据夜间道路图像进行通道提取得到天空路面交界线做初步分类，判定天空路面交界线上方为交通信号灯，天空路面交界线下方为汽车尾灯；
HSV分类模块30：用于获取夜间道路图像的HSV图像亮度，并根据HSV图像亮度提取亮度分界线，判断亮度分界线上方为路灯，亮度分界线下方为汽车前灯；
特征提取模块40：用于根据车灯空间位置配对公式进行特征识别提取车辆目标。
标记模块50：用于对车辆目标、交通信号灯、路灯进行区别标记。
另外，本发明还提供一种基于夜间道路光源识别物体的设备，包括：
至少一个处理器，以及与所述至少一个处理器通信连接的存储器；
其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行如实施例一所述的方法。
另外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，其中计算机可执行指令用于使计算机执行如实施例一所述的方法。
本发明通过获取夜间道路图像，根据夜间道路图像进行通道提取得到天空路面交界线做初步分类，判定天空路面交界线上方为交通信号灯，天空路面交界线下方为汽车尾灯，然后获取夜间道路图像的HSV图像亮度，并根据HSV图像亮度提取亮度分界线，判断亮度分界线上方为路灯，亮度分界线下方为汽车前灯，最后根据车灯空间位置配对公式结合汽车尾灯或汽车前灯进行特征识别提取车辆目标。克服了现有技术中干扰光源太多，算法处理干扰光源耗时长，准确度不高，不能满足实时性和准确性要求，不适合便携式开发平台的问题，实现了基于夜间道路的光源形态以及空间位置分布情况特征，通过较低的运算量对车辆目标、交通信号灯和路灯进行分类识别，提高了夜间道路物体识别准确度和识别效率。
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；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，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (7)

1.一种基于夜间道路光源识别物体的方法，其特征在于，包括：
获取夜间道路图像；
根据所述夜间道路图像进行通道提取得到天空路面交界线做初步分类，判定所述天空路面交界线上方为交通信号灯，所述天空路面交界线下方为汽车尾灯；其中，所述初步分类包括：根据RG通道对所述夜间道路图像进行通道提取；根据Otsu算法进行图像阈值分割得到所述天空路面交界线；
获取所述夜间道路图像的HSV图像亮度，并根据所述HSV图像亮度提取亮度分界线，判断所述亮度分界线上方为路灯，所述亮度分界线下方为汽车前灯；其中，所述根据所述HSV图像亮度提取亮度分界线具体为：获取所述夜间道路图像的HSV图像；根据所述HSV图像获取所述HSV图像亮度；判断所述HSV图像亮度是否在预设车灯亮度阈值范围内，如果是，则将所述夜间道路图像与预设图像掩模进行图像匹配，提取所述亮度分界线；
根据车灯空间位置配对公式对所述汽车尾灯或所述汽车前灯进行特征识别提取车辆目标；其中，所述车灯空间位置配对公式表示为：
|y1-y2|≤D
其中，Δarea表示特征区域面积之差，表示特征面积阈值，y1表示一侧车灯的质心高度，y2表示另一侧车灯的质心高度，D表示质心阈值。
2.根据权利要求1所述的一种基于夜间道路光源识别物体的方法，其特征在于，所述特征识别具体为：
提取所述汽车尾灯或所述汽车前灯的特征区域；
结合所述车灯空间位置配对公式进行特征识别。
3.根据权利要求1至2任一项所述的一种基于夜间道路光源识别物体的方法，其特征在于，还包括对所述车辆目标、所述交通信号灯、所述路灯进行区别标记。
4.一种基于夜间道路光源识别物体的装置，其特征在于，包括：
获取模块：用于获取夜间道路图像；
初步分类模块：用于根据所述夜间道路图像进行通道提取得到天空路面交界线做初步分类，判定所述天空路面交界线上方为交通信号灯，所述天空路面交界线下方为汽车尾灯；其中，所述初步分类包括：根据RG通道对所述夜间道路图像进行通道提取；根据Otsu算法进行图像阈值分割得到所述天空路面交界线；
HSV分类模块：用于获取所述夜间道路图像的HSV图像亮度，并根据所述HSV图像亮度提取亮度分界线，判断所述亮度分界线上方为路灯，所述亮度分界线下方为汽车前灯；其中，所述根据所述HSV图像亮度提取亮度分界线具体为：获取所述夜间道路图像的HSV图像；根据所述HSV图像获取所述HSV图像亮度；判断所述HSV图像亮度是否在预设车灯亮度阈值范围内，如果是，则将所述夜间道路图像与预设图像掩模进行图像匹配，提取所述亮度分界线；
特征提取模块：用于根据车灯空间位置配对公式对所述汽车尾灯或所述汽车前灯进行特征识别提取车辆目标；其中，所述车灯空间位置配对公式表示为：
|y1-y2|≤D
其中，Δarea表示特征区域面积之差，表示特征面积阈值，y1表示一侧车灯的质心高度，y2表示另一侧车灯的质心高度，D表示质心阈值。
5.根据权利要求4所述的一种基于夜间道路光源识别物体的装置，其特征在于，还包括：
标记模块：用于对所述车辆目标、所述交通信号灯、所述路灯进行区别标记。
6.一种基于夜间道路光源识别物体的设备，其特征在于，包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行如权利要求1至3任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至3任一项所述的方法。
CN201910830186.6A 2019-09-04 2019-09-04 基于夜间道路光源识别物体的方法及装置 Active CN110688907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910830186.6A CN110688907B (zh) 2019-09-04 2019-09-04 基于夜间道路光源识别物体的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910830186.6A CN110688907B (zh) 2019-09-04 2019-09-04 基于夜间道路光源识别物体的方法及装置

Publications (2)

Publication Number Publication Date
CN110688907A CN110688907A (zh) 2020-01-14
CN110688907B true CN110688907B (zh) 2024-01-23

Family

ID=69108818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910830186.6A Active CN110688907B (zh) 2019-09-04 2019-09-04 基于夜间道路光源识别物体的方法及装置

Country Status (1)

Country Link
CN (1) CN110688907B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111355900B (zh) * 2020-03-12 2021-12-17 浙江大华技术股份有限公司 图像处理方法及装置、存储介质、电子装置
CN111401248B (zh) * 2020-03-17 2023-08-15 阿波罗智联(北京)科技有限公司 一种天空区域的识别方法、装置、电子设备及存储介质
CN111688568B (zh) * 2020-05-14 2022-03-22 华南师范大学 亮度检测方法、车灯控制方法及其系统及存储介质
CN114126163B (zh) * 2020-08-29 2024-02-06 触景无限科技（北京）有限公司 一种路灯照明控制系统及方法
CN112949540A (zh) * 2021-03-16 2021-06-11 江苏海扬智慧物联研究院有限公司 基于卫星图片的路灯状态判定方法、装置、设备和介质
CN113781798B (zh) * 2021-11-11 2022-07-26 四川九通智路科技有限公司 一种基于偏振光的车辆管控方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003196786A (ja) * 2001-12-26 2003-07-11 Tietech Co Ltd 移動体検出方法及び移動体検出装置
CN103984917A (zh) * 2014-04-10 2014-08-13 杭州电子科技大学 一种基于机器视觉的多特征夜间车辆检测方法
CN109094451A (zh) * 2018-07-23 2018-12-28 华南师范大学 夜间会车远光灯控制方法及其系统、计算机可读存储介质
CN109800693A (zh) * 2019-01-08 2019-05-24 西安交通大学 一种基于颜色通道混合特征的夜间车辆检测方法
CN110084111A (zh) * 2019-03-19 2019-08-02 江苏大学 一种应用于自适应远光灯的快速夜间车辆检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2009270324A1 (en) * 2008-07-14 2010-01-21 National Ict Australia Limited Detection of vehicles in images of a night time scene

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003196786A (ja) * 2001-12-26 2003-07-11 Tietech Co Ltd 移動体検出方法及び移動体検出装置
CN103984917A (zh) * 2014-04-10 2014-08-13 杭州电子科技大学 一种基于机器视觉的多特征夜间车辆检测方法
CN109094451A (zh) * 2018-07-23 2018-12-28 华南师范大学 夜间会车远光灯控制方法及其系统、计算机可读存储介质
CN109800693A (zh) * 2019-01-08 2019-05-24 西安交通大学 一种基于颜色通道混合特征的夜间车辆检测方法
CN110084111A (zh) * 2019-03-19 2019-08-02 江苏大学 一种应用于自适应远光灯的快速夜间车辆检测方法

Also Published As

Publication number Publication date
CN110688907A (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
CN110688907B (zh) 基于夜间道路光源识别物体的方法及装置
CN103345766B (zh) 一种信号灯识别方法及装置
JP4863951B2 (ja) 信号機認識装置
CN109299674B (zh) 一种基于车灯的隧道违章变道检测方法
CN103279736B (zh) 一种基于多信息邻域投票的车牌检测方法
US20150278615A1 (en) Vehicle exterior environment recognition device
CN108357418B (zh) 一种基于尾灯识别的前车驾驶意图分析方法
CN109215364B (zh) 交通信号识别方法、系统、设备和存储介质
CN104766049B (zh) 一种物体颜色识别方法及系统
CN107506760A (zh) 基于gps定位与视觉图像处理的交通信号检测方法及系统
CN107316486A (zh) 基于双摄像头的无人驾驶汽车视觉识别系统
CN103927548B (zh) 一种新的避免车辆碰撞的刹车行为检测方法
CN110084111B (zh) 一种应用于自适应远光灯的快速夜间车辆检测方法
CN106778534B (zh) 一种车辆行驶中周围环境灯光识别方法
CN105303160A (zh) 一种夜间车辆检测和跟踪的方法
CN107563301A (zh) 基于图像处理技术的红灯信号检测方法
Lin et al. Adaptive IPM-based lane filtering for night forward vehicle detection
CN102938057A (zh) 一种车辆阴影消除方法及装置
CN111027494A (zh) 一种基于计算机视觉的矩阵车灯识别方法
CN105488797A (zh) 一种hsv空间的车牌定位方法
CN109800693B (zh) 一种基于颜色通道混合特征的夜间车辆检测方法
CN108416284A (zh) 一种交通信号灯的分割方法
CN113989771A (zh) 一种基于数字图像处理的交通信号灯识别方法
CN111688568B (zh) 亮度检测方法、车灯控制方法及其系统及存储介质
US20190318175A1 (en) Street marking color recognition

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