CN110705441A - 人行横道线图像后处理方法及系统 - Google Patents
人行横道线图像后处理方法及系统 Download PDFInfo
- Publication number
- CN110705441A CN110705441A CN201910923757.0A CN201910923757A CN110705441A CN 110705441 A CN110705441 A CN 110705441A CN 201910923757 A CN201910923757 A CN 201910923757A CN 110705441 A CN110705441 A CN 110705441A
- Authority
- CN
- China
- Prior art keywords
- image
- calculating
- connected region
- pedestrian crossing
- crosswalk
- 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
- 238000012805 post-processing Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000010339 dilation Effects 0.000 claims description 5
- 230000003628 erosive effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000001788 irregular Effects 0.000 abstract description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
- 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
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及自动驾驶图像处理技术领域，公开了一种人行横道线图像后处理方法及系统，用以解决神经网络识别输出人行横道线区域不连通，形状不规整，存在噪声点的问题。本发明通过，图像转换模块将深度学习网络识别输出的结果转换成二值化图像；预处理模块对二值化图像进行预处理；图像连通区域分析模块计算预处理模块处理后的图像的连通区域集合，根据连通区域计算各连通区域面积并过滤掉面积小的连通区域，然后对剩下的连通区域，计算其最小外接矩形；最小外接矩形分析模块计算各外接矩形的斜率和相邻外接矩形中心点连线的斜率，根据各斜率判断是否为同一人行横道线。本发明适用于处理深度学习网络识别输出的人行横道线图像。
Description
技术领域
本发明涉及自动驾驶图像处理技术领域，特别涉及人行横道线图像后处理方法及系统。
背景技术
随着自动驾驶技术的快速发展，视觉感知功能的应用在自动驾驶领域的运用也越来越多，针对自动驾驶或辅助驾驶需要识别的一个重要内容——车道识别来说，识别的技术也在不断的发展，最初的识别方法一般采用传统视觉分析方法，常见的有采用Hough变换初始检测车道线,远视场区域采用三次曲线模型拟合车道线.车道跟踪用Kalman预测参数动态建立，用扫描线法搜索车道线边界点，在车道线间断处用Kalman预测器定位车道线边界。伴随着深度学习在嵌入式设备的应用，通过深度学习方式识别车道线在精度和稳定性上更加具有优势，但是深度学习的输出并不能完整的表征出车道和人行横道的区域，需要通过深度学习的输出结果，结合车道图像的识别分析技术和车道、人行横道的物理特征进行图像后处理分析，方才能提供较为准确稳定的结果。本专利针对人行横道后处理这一问题，提出了一种人行横道线后处理方案。
发明内容
本发明要解决的技术问题是：提供一种人行横道线图像后处理方法及系统，用以解决神经网络识别输出人行横道线区域不连通，形状不规整，存在噪声点的问题。
为解决上述问题，本发明采用的技术方案如下：
人行横道线图像后处理方法，包括如下步骤：
步骤1：将深度学习网络识别输出的结果转换成二值化图像；
步骤2：对步骤1得到的二值化图像进行闭运算处理和均值滤波处理，所述闭运算处理用于填充物体内细小空洞，连接邻近物体和平滑边界；
步骤3：对步骤2处理后的图像查找连通区域，得到连通区域的结果集合；
步骤4：遍历连通区域集合，计算出最大连通区域的区域面积像素数MaxArea；
步骤5：根据步骤4计算获取的最大MaxArea设置过滤阈值K，K取值范围为0～1，再次遍历连通区域，去除掉连通区域面积像素数量小于MaxArea*K的连通区域；
步骤6：计算在步骤5处理后的连通区域数量，当连通区域数量等于1时，计算连通区域的最小外接矩形，则该外接矩形为人行横道区域，当连通区域数量大于1时，执行步骤7；
步骤7：计算各连通区域的最小外接矩形，根据外接矩形计算对应垂直于长和宽两个方向的斜率和中心点；
步骤8，根据步骤7的计算结果，计算两个矩形的斜率和两个矩形中心点连线的斜率，如果斜率相近，则判定两个矩形属于一条人行横道，执行步骤9；如果斜率差距较大，则判定为不同人行横道区域，执行步骤10；
步骤9，对于步骤8判断的属于一条人行横道的两个矩形，合并其对应的连通区域为一个连通区域，然后计算其最小外接矩形，该外接矩形为人行横道区域；
步骤10、对于步骤8判定不属于同一人行横道的矩形，分别计算其最小外接矩形作为人行横道区域。
进一步的，所述闭运算处理可包括图像膨胀和图像腐蚀。
优选地，根据人行横道上实际的情况，K可取值为0.2。
人行横道线图像后处理系统，包括图像转换模块、预处理模块、图像连通区域分析模块以及最小外接矩形分析模块；
图像转换模块用于将深度学习网络识别输出的结果转换成二值化图像；
预处理模块用于对二值化图像进行闭运算处理和均值滤波处理，所述闭运算处理用于填充物体内细小空洞，连接邻近物体和平滑边界；
图像连通区域分析模块用于计算预处理模块处理后的图像的连通区域集合，根据连通区域计算各连通区域面积并过滤掉面积小的连通区域，然后对剩下的连通区域，计算其最小外接矩形；
最小外接矩形分析模块用于计算各外接矩形的斜率和相邻外接矩形中心点连线的斜率，根据各斜率判断是否为同一人行横道线，是则合并连通区域，计算其最小外接矩形，该外接矩形即为人行横道区域；如果斜率判断不是同一人行横道线，则分别计算其最小外接矩形作为人行横道区域。
进一步的，所述闭运算处理可包括图像膨胀和图像腐蚀。
进一步的，图像连通区域分析模块过滤掉面积小的连通区域的步骤可包括：
S1：遍历连通区域集合，计算出最大连通区域的区域面积像素数MaxArea；
S2：根据步骤S1计算获取的最大MaxArea设置过滤阈值K，K取值范围为0～1，再次遍历连通区域，去除掉连通区域面积像素数量小于MaxArea*K的连通区域。
优选的，根据人行横道上实际的情况，K可取值为0.2。
本发明的有益效果：本发明可对无法连通的又属于一条人行横道的区域根据斜率和中心点相关性进行连接，完成人行横道的后处理,提供更加准确稳定的人行横道线用于后续的分析计算。
附图说明
图1为本发明的流程图。
图2为神经网络输出的检测图像。
图3为图像膨胀后结果图。
图4为图像腐蚀后结果图。
图5为连通区域过滤小面积区域后的结果图。
具体实施方式
本发明针对神经网络识别输出人行横道线区域不连通，形状不规整，存在噪声点的情况，对人行横道线进行图像后处理算法，其技术原理如下，如图1所示，算法包括以下几个部分：
一、图像转换，将深度学习网络识别输出的结果转换成二值化图像用于后续的图像处理。
二、图像闭运算、滤波。对图像先膨胀后腐蚀的过程称为图像闭运算，闭运算具有填充物体内细小空洞，连接邻近物体和平滑边界的作用，通过以上方法后可以填充物体内细小空洞，连接临近目标区域、平滑其边界，但同时并不会明显改变原来物体的面积。
三、图像连通区域分析，计算图像的连通区域集合，根据连通区域计算各连通区域面积并过滤掉面积小的连通区域，然后对剩下的连通区域，计算其最小外接矩形。
3-1连通区域：连通区域一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。连通区域分析是指将图像中的各个连通区域找出并标记。
3-2最小外接矩形是指以二维坐标表示的若干二维形状(例如点、直线、多边形)的最大范围，即以给定的二维形状各顶点中的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标定下边界的矩形，通俗而言，连通区域最小外接矩形即包括了连通区域内各点得最小区域的矩形。
四、最小外接矩形分析，计算各外接矩形的斜率和相邻外接矩形中心点连线的斜率，根据各斜率判断是否为同一人行横道线，是则合并连通区域，计算其最小外接矩形，该外接矩形即为人行横道区域；如果斜率判断不是同一人行横道线，则分别计算其最小外接矩形作为人行横道区域。
结合以上原理阐述，本发明可提供了一种人行横道线图像后处理系统，包括图像转换模块、预处理模块、图像连通区域分析模块以及最小外接矩形分析模块；其中，
图像转换模块用于将深度学习网络识别输出的结果转换成二值化图像；
预处理模块用于对二值化图像进行闭运算处理和均值滤波处理，所述闭运算处理用于填充物体内细小空洞，连接邻近物体和平滑边界；
图像连通区域分析模块用于计算预处理模块处理后的图像的连通区域集合，根据连通区域计算各连通区域面积并过滤掉面积小(即面积小于阈值)的连通区域，然后对剩下的连通区域，计算其最小外接矩形；
最小外接矩形分析模块用于计算各外接矩形的斜率和相邻外接矩形中心点连线的斜率，根据各斜率判断是否为同一人行横道线，是则合并连通区域，计算其最小外接矩形，该外接矩形即为人行横道区域；如果斜率判断不是同一人行横道线，则分别计算其最小外接矩形作为人行横道区域。
基于以上系统，本发明同时还提供了一种人行横道线图像后处理方法，具体步骤如下：
步骤1：读取深度学习输出的检测数据，根据数据将采集图像转换成背景像素值为0，人行横道像素值为255的二值化图像，如图2所示。
步骤2：根据步骤1计算得到的二值化图像，依次执行以下步骤：
2-1，对二值化图像进行图像膨胀操作，得到图像膨胀后的图像，如图3所示，用于步骤2-2处理。
2-2，对步骤2-2图像进行图像腐蚀操作，得到图像腐蚀后的图像，如图4所示，用于步骤2-3处理。
2-3，对步骤2-2处理后的图像进行均值滤波，去除噪声点。
步骤3：对步骤2处理后的图像查找连通区域，得到连通区域的结果集合。
步骤4：遍历连通区域集合，计算出最大连通区域的区域面积像素数MaxArea。
步骤5：根据步骤4计算获取的最大MaxArea，设置过滤阈值K，K取值范围(0～1)，建议值0.2。再次遍历连通区域，去除掉连通区域面积像素数量小于MaxArea*K的连通区域，如图5所示。
步骤6：计算在步骤5处理后的连通区域数量，当连通区域数量等于1时，计算连通区域的最小外接矩形，则该外接矩形为人行横道区域。当连通区域数量大于1时，执行步骤7。
步骤7：计算各连通区域的最小外接矩形，根据外接矩形计算对应垂直于长和宽两个方向的斜率和中心点。
步骤8，根据步骤7的计算结果，计算两个矩形的斜率和两个矩形中心点连线的斜率。如果斜率相近(即两者的斜率差小于阈值TH)，则判定两个矩形属于一条人行横道执行步骤9；如果斜率差距较大(即两者的斜率差大于等于阈值TH)，则判定为不同人行横道区域，执行步骤10。
步骤9，对于步骤8判断的属于一条人行横道的两个矩形，合并其对应的连通区域为一个连通区域，然后计算其最小外接矩形，该外接矩形为人行横道区域。
步骤10、对于步骤8判定不属于同一人行横道的矩形，分别计算其最小外接矩形作为人行横道区域。
Claims (7)
1.人行横道线图像后处理方法，其特征在于，包括如下步骤：
步骤1：将深度学习网络识别输出的结果转换成二值化图像；
步骤2：对步骤1得到的二值化图像进行闭运算处理和均值滤波处理，所述闭运算处理用于填充物体内细小空洞，连接邻近物体和平滑边界；
步骤3：对步骤2处理后的图像查找连通区域，得到连通区域的结果集合；
步骤4：遍历连通区域集合，计算出最大连通区域的区域面积像素数MaxArea；
步骤5：根据步骤4计算获取的最大MaxArea设置过滤阈值K，K取值范围为0～1，再次遍历连通区域，去除掉连通区域面积像素数量小于MaxArea*K的连通区域；
步骤6：计算在步骤5处理后的连通区域数量，当连通区域数量等于1时，计算连通区域的最小外接矩形，则该外接矩形为人行横道区域，当连通区域数量大于1时，执行步骤7；
步骤7：计算各连通区域的最小外接矩形，根据外接矩形计算对应垂直于长和宽两个方向的斜率和中心点；
步骤8，根据步骤7的计算结果，计算两个矩形的斜率和两个矩形中心点连线的斜率，如果斜率相近，则判定两个矩形属于一条人行横道，执行步骤9；如果斜率差距较大，则判定为不同人行横道区域，执行步骤10；
步骤9，对于步骤8判断的属于一条人行横道的两个矩形，合并其对应的连通区域为一个连通区域，然后计算其最小外接矩形，该外接矩形为人行横道区域；
步骤10、对于步骤8判定不属于同一人行横道的矩形，分别计算其最小外接矩形作为人行横道区域。
2.如权利要求1所述的人行横道线图像后处理方法，其特征在于，所述闭运算处理包括图像膨胀和图像腐蚀。
3.如权利要求1所述的人行横道线图像后处理方法，其特征在于，K的取值为0.2。
4.人行横道线图像后处理系统，其特征在于，包括图像转换模块、预处理模块、图像连通区域分析模块以及最小外接矩形分析模块；
图像转换模块用于将深度学习网络识别输出的结果转换成二值化图像；
预处理模块用于对二值化图像进行闭运算处理和均值滤波处理，所述闭运算处理用于填充物体内细小空洞，连接邻近物体和平滑边界；
图像连通区域分析模块用于计算预处理模块处理后的图像的连通区域集合，根据连通区域计算各连通区域面积并过滤掉面积小的连通区域，然后对剩下的连通区域，计算其最小外接矩形；
最小外接矩形分析模块用于计算各外接矩形的斜率和相邻外接矩形中心点连线的斜率，根据各斜率判断是否为同一人行横道线，是则合并连通区域，计算其最小外接矩形，该外接矩形即为人行横道区域；如果斜率判断不是同一人行横道线，则分别计算其最小外接矩形作为人行横道区域。
5.如权利要求4所述的人行横道线图像后处理系统，其特征在于，所述闭运算处理包括图像膨胀和图像腐蚀。
6.如权利要求4所述的人行横道线图像后处理系统，其特征在于，图像连通区域分析模块过滤掉面积小的连通区域的步骤包括：
S1：遍历连通区域集合，计算出最大连通区域的区域面积像素数MaxArea；
S2：根据步骤S1计算获取的最大MaxArea设置过滤阈值K，K取值范围为0～1，再次遍历连通区域，去除掉连通区域面积像素数量小于MaxArea*K的连通区域。
7.如权利要求6所述的人行横道线图像后处理系统，其特征在于，K的取值为0.2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910923757.0A CN110705441B (zh) | 2019-09-27 | 2019-09-27 | 人行横道线图像后处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910923757.0A CN110705441B (zh) | 2019-09-27 | 2019-09-27 | 人行横道线图像后处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110705441A true CN110705441A (zh) | 2020-01-17 |
| CN110705441B CN110705441B (zh) | 2022-11-25 |
Family
ID=69196630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910923757.0A Active CN110705441B (zh) | 2019-09-27 | 2019-09-27 | 人行横道线图像后处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110705441B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800989A (zh) * | 2021-02-02 | 2021-05-14 | 上海博泰悦臻电子设备制造有限公司 | 一种检测斑马线的方法及装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060239509A1 (en) * | 2005-04-26 | 2006-10-26 | Fuji Jukogyo Kabushiki Kaisha | Road line recognition apparatus |
| CN102024148A (zh) * | 2011-01-07 | 2011-04-20 | 四川川大智胜软件股份有限公司 | 一种出租车绿色标志识别方法 |
| CN103021175A (zh) * | 2012-11-12 | 2013-04-03 | 上海经达实业发展有限公司 | 基于达芬奇架构的行人闯红灯视频检测方法及装置 |
| JP2013114652A (ja) * | 2011-12-01 | 2013-06-10 | Yazaki Energy System Corp | 横断歩道検出装置 |
| JP2013186663A (ja) * | 2012-03-07 | 2013-09-19 | Toyota Motor Corp | 横断歩道認識装置および横断歩道認識方法 |
| CN104112269A (zh) * | 2014-05-12 | 2014-10-22 | 北京联合大学 | 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统 |
| CN104778444A (zh) * | 2015-03-10 | 2015-07-15 | 公安部交通管理科学研究所 | 道路场景下车辆图像的表观特征分析方法 |
| CN104809433A (zh) * | 2015-04-21 | 2015-07-29 | 电子科技大学 | 一种基于最大稳定区域和随机采样的斑马线检测方法 |
| CN105740828A (zh) * | 2016-02-02 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于快速标记连通的停止线检测方法 |
| CN107689157A (zh) * | 2017-08-30 | 2018-02-13 | 电子科技大学 | 基于深度学习的交通路口可通行道路规划方法 |
| CN107944407A (zh) * | 2017-11-30 | 2018-04-20 | 中山大学 | 一种基于无人机的路口斑马线识别方法 |
| CN108805060A (zh) * | 2018-05-29 | 2018-11-13 | 杭州视氪科技有限公司 | 一种斑马线型人行横道检测方法 |
| CN109886120A (zh) * | 2019-01-22 | 2019-06-14 | 贵州民族大学 | 一种斑马线检测方法及系统 |
-
2019
- 2019-09-27 CN CN201910923757.0A patent/CN110705441B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060239509A1 (en) * | 2005-04-26 | 2006-10-26 | Fuji Jukogyo Kabushiki Kaisha | Road line recognition apparatus |
| CN102024148A (zh) * | 2011-01-07 | 2011-04-20 | 四川川大智胜软件股份有限公司 | 一种出租车绿色标志识别方法 |
| JP2013114652A (ja) * | 2011-12-01 | 2013-06-10 | Yazaki Energy System Corp | 横断歩道検出装置 |
| JP2013186663A (ja) * | 2012-03-07 | 2013-09-19 | Toyota Motor Corp | 横断歩道認識装置および横断歩道認識方法 |
| CN103021175A (zh) * | 2012-11-12 | 2013-04-03 | 上海经达实业发展有限公司 | 基于达芬奇架构的行人闯红灯视频检测方法及装置 |
| CN104112269A (zh) * | 2014-05-12 | 2014-10-22 | 北京联合大学 | 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统 |
| CN104778444A (zh) * | 2015-03-10 | 2015-07-15 | 公安部交通管理科学研究所 | 道路场景下车辆图像的表观特征分析方法 |
| CN104809433A (zh) * | 2015-04-21 | 2015-07-29 | 电子科技大学 | 一种基于最大稳定区域和随机采样的斑马线检测方法 |
| CN105740828A (zh) * | 2016-02-02 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于快速标记连通的停止线检测方法 |
| CN107689157A (zh) * | 2017-08-30 | 2018-02-13 | 电子科技大学 | 基于深度学习的交通路口可通行道路规划方法 |
| CN107944407A (zh) * | 2017-11-30 | 2018-04-20 | 中山大学 | 一种基于无人机的路口斑马线识别方法 |
| CN108805060A (zh) * | 2018-05-29 | 2018-11-13 | 杭州视氪科技有限公司 | 一种斑马线型人行横道检测方法 |
| CN109886120A (zh) * | 2019-01-22 | 2019-06-14 | 贵州民族大学 | 一种斑马线检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 谢锦 等: "基于方向边缘匹配的人行横道与停止线检测", 《计算机工程》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800989A (zh) * | 2021-02-02 | 2021-05-14 | 上海博泰悦臻电子设备制造有限公司 | 一种检测斑马线的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110705441B (zh) | 2022-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108492319B (zh) | 基于深度全卷积神经网络的运动目标检测方法 | |
| CN110008932B (zh) | 一种基于计算机视觉的车辆违章压线检测方法 | |
| CN114418957A (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
| CN105809715B (zh) | 一种基于帧间累计变化矩阵的视觉运动目标检测方法 | |
| CN107346547B (zh) | 基于单目平台的实时前景提取方法及装置 | |
| CN105069441A (zh) | 一种基于背景更新与粒子群算法的运动车辆检测方法 | |
| CN104915642A (zh) | 前方车辆测距方法及装置 | |
| CN107871315B (zh) | 一种视频图像运动检测方法和装置 | |
| CN113326846A (zh) | 一种基于机器视觉的桥梁表观病害快速检测方法 | |
| Bobyr et al. | A method for creating a depth map based on a three-level fuzzy model | |
| CN110705441B (zh) | 人行横道线图像后处理方法及系统 | |
| CN108647605B (zh) | 一种结合全局颜色与局部结构特征的人眼凝视点提取方法 | |
| CN113610052A (zh) | 一种基于深度学习的隧道渗漏水自动识别方法 | |
| CN112069924A (zh) | 车道线检测方法、装置及计算机可读存储介质 | |
| CN111724319A (zh) | 视频监控系统中的图像处理方法 | |
| Badenas et al. | Motion and intensity-based segmentation and its application to traffice monitoring | |
| CN114758139B (zh) | 基坑积水检测方法 | |
| Danilescu et al. | Road anomalies detection using basic morphological algorithms | |
| CN106951831B (zh) | 一种基于深度摄像机的行人检测跟踪方法 | |
| CN115546764A (zh) | 一种障碍物检测方法、装置、设备及存储介质 | |
| Aung et al. | Study for license plate detection | |
| Meem et al. | Zebra-crossing detection and recognition based on flood fill operation and uniform local binary pattern | |
| CN112200831B (zh) | 一种基于动态模板的密集连接孪生神经网络目标跟踪方法 | |
| CN114862786A (zh) | 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统 | |
| CN106408590B (zh) | 基于回归分析的粒子滤波目标跟踪方法 |
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 |