CN110853000A - 一种车辙的检测方法 - Google Patents

一种车辙的检测方法 Download PDF

Info

Publication number
CN110853000A
CN110853000A CN201911045014.4A CN201911045014A CN110853000A CN 110853000 A CN110853000 A CN 110853000A CN 201911045014 A CN201911045014 A CN 201911045014A CN 110853000 A CN110853000 A CN 110853000A
Authority
CN
China
Prior art keywords
image
road
segmentation
rut
connected domain
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
CN201911045014.4A
Other languages
English (en)
Other versions
CN110853000B (zh
Inventor
刘见平
张纪升
谭毅华
孙晓亮
赵丽
张利
张凡
崔玮
文娟
邰园
温偲
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.)
BEIJING ZHONGJIAOGUOTONG INTELLIGENT TRANSPORT SYSTEM TECHNOLOGY Co Ltd
Original Assignee
BEIJING ZHONGJIAOGUOTONG INTELLIGENT TRANSPORT SYSTEM TECHNOLOGY 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 BEIJING ZHONGJIAOGUOTONG INTELLIGENT TRANSPORT SYSTEM TECHNOLOGY Co Ltd filed Critical BEIJING ZHONGJIAOGUOTONG INTELLIGENT TRANSPORT SYSTEM TECHNOLOGY Co Ltd
Priority to CN201911045014.4A priority Critical patent/CN110853000B/zh
Publication of CN110853000A publication Critical patent/CN110853000A/zh
Application granted granted Critical
Publication of CN110853000B publication Critical patent/CN110853000B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

一种车辙的检测方法,包括：(1)对基于连续可量测影像环境下采集的公路图像进行gamma光线矫正处理；(2)将(1)处理后的公路图像进行基于深度卷积网络、多孔卷积及全连接CRF的图像语义分割得到公路图像的路面分割图像；(3)对比路面分割图像，采用颜色分割仅提取在自然场景公路图像中的路面区域；(4)将路面区域进行均值漂移图像分割，采用的空间距离半径、颜色距离半径为20、10；(5)将得到的图像标记连通域，去除面积和长宽比不满足条件的连通域以构成候选连通域；(6)计算在(1)处理后的自然场景公路图中各候选连通域的HSV均值；(7)将(6)的每个连通域的HSV均值进行阈值分割，提取车辙连通域，标记出检测到的车辙。

Description

一种车辙的检测方法
技术领域
本发明属于智能交通的技术领域，具体地涉及一种车辙的检测方法。
背景技术
目前检测车辙的方法主要利用激光和数字图像进行非接触自动化检测，得到的激光线图像处理步骤通常为：首先进行灰度矫正，以原图中一块最暗的大部分像素作为背景像素，并将这些像素的平均灰度值作为图像块的背景灰度值，用原图减去背景图得到矫正结果；其次采用分割方法在原图中提取最接近最大灰度值的目标像素，并对提取的像素点进行直线拟合，然后截取一个较小的确定为目标的区域。其中分割阈值设为平均灰度值的一个固定倍数；最后对分割图像进行细化处理，以便得到宽度为单像素的激光车辙线图像。在该方法中，对图像进行阈值分割采用的分割方法需要进行人工干预，采集的路面图像中存在较多的斑马线、车道线等高灰度像素，采用这样的分割方法容易给图像分割结果带来不稳定的结果，导致车辙检测的准确性受到影响。
此外，也有数码相机采集得到的公路图像通过边缘检测、Hough变换(霍夫变换，Hough Transform，以下同)等图像处理来进行车辙的检测。目前边缘检测算法很多，其中Robert(利用局部差分算子寻找边缘的算子，以下同)和Laplacian算子(拉普拉斯算子，以下同)对噪声敏感，Sobel算子(索贝尔算子，以下同)间断点多，由于车辙边缘的连续性和噪声大的特点，这三种算子并不适合，同时又由于车辙边缘性弱，仅靠Canny算子(一种多级边缘检测算法，以下同)的两个阈值也达不到最佳效果；用Hough变换对车辙进行检测也达不到理想效果，由于Hough变换主要是针对直线的检测，难以排除车道线等其他直线的干扰，并且考虑到实际生活中也有少量由汽车拐弯造成的类圆弧曲线等多变形状，单纯使用Hough变换的鲁棒性低，达不到检测效果。
发明内容
本发明的技术解决问题是：克服现有技术的不足，提供一种车辙的检测方法系统,其实现了连续可量测实景影像环境下的快速、稳定、准确、高效率的目标车辙检测，为实时运行环境下的道路路面养护管理提供数据支持和决策支撑。
本发明的技术解决方案是：这种车辙的检测方法，该方法包括以下步骤：
(1)对基于连续可量测影像环境下采集的公路图像进行gamma光线矫正处理；
(2)将经过步骤(1)处理后的公路图像进行基于深度卷积网络、多孔卷积及全连接CRF的图像语义分割得到公路图像的路面分割图像；
(3)对比路面分割图像，采用颜色分割仅提取在自然场景公路图像中的路面区域；
(4)将路面区域进行mean shift均值漂移图像分割，采用的空间距离半径与颜色距离半径分别为20、10；
(5)将经过步骤(4)得到的图像标记连通域，去除面积和长宽比不满足条件的连通域以构成候选连通域；
(6)计算在经过步骤(1)处理后的自然场景公路图中所对应的各候选连通域的HSV均值；
(7)将步骤(6)得出的每个连通域的HSV均值进行阈值分割，提取车辙连通域，并标记出检测到的车辙。
本发明使用大规模数据训练深度卷积神经网络模型结合Hole算法与全连接CRF，并使用均值漂移细化图像分割结果，最后在经过gamma算法校准后的路面图像上对时空连续可量测实景影像图的车辙区域的HSV均值进行阈值分割，实现了连续可量测实景影像环境下的快速、稳定、准确、高效率的目标车辙检测，为实时运行环境下的道路路面养护管理提供数据支持和决策支撑。
附图说明
图1是本发明方法的实施流程图；
图2是本发明实例中gamma矫正后的公路图像，大小为640×535像素；
图3是本发明实例中对公路图像进行图像语义分割后的分类图像，与图2对应同一地理区域；
图4是路面分割图像，与图3对应同一地理区域；
图5是均值漂移算法分割路面图像的结果，与图4对应同一地理区域；
图6是候选连通域标记图像，与图5对应同一地理区域；
图7是自然场景下公路图像中的车辙检测图，与图2对应同一地理区域。
具体实施方式
如图1所示，这种车辙的检测方法，该方法包括以下步骤：
(1)对基于连续可量测影像环境下采集的公路图像进行gamma光线矫正处理；
(2)将经过步骤(1)处理后的公路图像进行基于深度卷积网络、多孔卷积及全连接CRF的图像语义分割得到公路图像的路面分割图像；
(3)对比路面分割图像，采用颜色分割仅提取在自然场景公路图像中的路面区域；
(4)将路面区域进行mean shift均值漂移图像分割，采用的空间距离半径与颜色距离半径分别为20、10；
(5)将经过步骤(4)得到的图像标记连通域，去除面积和长宽比不满足条件的连通域以构成候选连通域；
(6)计算在经过步骤(1)处理后的自然场景公路图中所对应的各候选连通域的HSV均值；
(7)将步骤(6)得出的每个连通域的HSV均值进行阈值分割，提取车辙连通域，并标记出检测到的车辙。
本发明使用大规模数据训练深度卷积神经网络模型结合Hole算法与全连接CRF，并使用均值漂移细化图像分割结果，最后在经过gamma算法校准后的路面图像上对时空连续可量测实景影像图的车辙区域的HSV均值进行阈值分割，实现了连续可量测实景影像环境下的快速、稳定、准确、高效率的目标车辙检测，为实时运行环境下的道路路面养护管理提供数据支持和决策支撑。
优选地，所述步骤(2)中的图像语义分割包含两个步骤，第一步采用了FCN(FullyConvolutional Networks，全卷积网络，以下同)得到coarse score map(粗分数图)并插值到原图像大小，第二步借用全连接CRF对从FCN得到的分割结果进行细节上的提取，精细化边缘。
优选地，所述步骤(2)中图像语义分割的第一步是在将VGG(Visual GeometryGroup Network，一种神经网络模型，以下同)网络基础上，把最后的全连接层改造成卷积层，然后将其网络的pool4和pool5层的stride设置为1并采用Hole算法改变网络结构将后层连续的连接关系根据hole size大小变成skip连接的，即pool4后面的conv5_1,conv5_2和conv5_3中hole size为2，pool5后面的fc6中hole size为4，且直接对fc6的卷积核直接降采样。
优选地，所述步骤(2)中图像语义分割的第二步中的全连接CRF模型为：
Figure BDA0002253898630000051
θi(xi)＝-log P(xi)
Figure BDA0002253898630000052
E(x)前一项代表像素的内聚程度，其中x是像素的标签分配，i和j表示像素，p表示像素位置，I表示像素颜色强度，w1、w2为加权参数，
Figure BDA0002253898630000054
σβ、σγ为超参数，控制高斯核的“尺度”，θi(xi)表示一元电位，P(xi)是DCNN(Deep Convolutional Neural Networks，深度卷积神经网络，以下同)输出的score map在i这个像素上的真实标签的概率。E(x)后一项代表相邻节点的相关程度，θij(xi,xj)表示成对电位，简化表示为
Figure BDA0002253898630000053
其中μ(xi,xj)＝1，二元能量项描述像素点与像素点之间的关系，鼓励相似像素分配相同的标签，而相差较大的像素分配不同标签，而这个“距离”的定义与颜色值和实际相对距离有关，而二元势函数描述的是每一个像素与其他所有像素的关系，所以叫“全连接”。对每一个类求解E(x)，当取到min E(x)时像素值最稳定。
优选地，所述步骤(2)使用GPU运算得到公路图像的路面分割图像。
优选地，所述步骤(6)中HSV均值的计算是指步骤(4)得到的图像转变为灰度图并将图中各连通域位置标记下来，类比到经过步骤(1)处理后的公路图像中，计算公路图像里各候选连通域的HSV均值。
优选地，所述步骤(7)中阈值分割具体为：
首先对gamma光线矫正后的不同公路图像图中的车辙区域进行HSV值的多次采样并统计得到车辙的HSV特征均值，若计算得到的各候选连通域的HSV均值大小在车辙HSV特征均值的一定范围内波动，则将此候选连通域视为车辙区域，否则为非车辙区域。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下技术特征及有益效果：
(1)本发明方法采用了基于深度卷积网络、多孔卷积及全连接CRF的图像语义分割，将DCNN layer最后的输出与全连接CRF结合，克服了DCNN中最大池化和下采样造成的定位精度不准的问题，由此能准确地分割出路面区域，锁定目标范围；
(2)本发明方法采用了轻量级卷积神经网络提取图像特征，程序由GPU执行，由此路面车辙检测的整体速度很快，有使用价值；
(3)本发明方法采用了采集自全国地区的大规模样本集训练轻量级卷积神经网络，由此本发明方法模型泛化能力强；
(4)本发明方法采用了均值漂移与基于深度卷积网络、多孔卷积及全连接CRF算法相结合的图像分割，由此细化了目标所在范围，使得车辙检测更加精确；
(5)本发明方法采用了基于连通域面积与长宽比的条件筛选构成车辙候选连通域，由此降低了车辙区域检测结果的错误率；
(6)本发明方法采用了基于gamma光线矫正的公路图像进行候选连通域HSV均值的阈值处理，由此使得不同公路图像下的车辙HSV均值集中稳定到一定范围，车辙检测的准确性提高。
本实例以一幅自然场景下的公路图像的车辙检测进行说明，如图1所示，为本实例方法的流程：
(1)图像预处理：使用gamma矫正对原始公路图像做光照的归整处理。Gamma矫正的具体做法为：
Figure BDA0002253898630000061
其中M(i,j)为原始图像中M点的像素值，M_gamma(i,j)为经过gamma矫正处理后图像M点的像素值且gamma值为2。图2为gamma矫正后的公路图像；
(2)图像语义分割：分为两个步骤，首先采用FCN得到coarse score map并插值到原图像大小，然后借用fully connected CRF对从FCN得到的分割结果进行细节上的提取，精细化边缘从而得到不同对象的分类图像。
第一步是在VGG网络基础上，把最后的全连接层改造成卷积层，然后将其网络的pool4和pool5层的stride设置为1并采用hole算法改变网络结构将后层连续的连接关系根据hole size大小变成skip连接的，即pool4后面的conv5_1,conv5_2和conv5_3中holesize为2，pool5后面的fc6中hole size为4，且直接对fc6的卷积核直接降采样。
第二步中的全连接CRF模型为：
Figure BDA0002253898630000071
θi(xi)＝-logP(xi)
Figure BDA0002253898630000072
E(x)前一项代表像素的内聚程度，其中P(xi)就是DCNN输出的score map在i这个像素上的真实标签的概率。E(x)后一项代表相邻节点的相关程度，其中二元能量项描述像素点与像素点之间的关系，鼓励相似像素分配相同的标签，而相差较大的像素分配不同标签，而这个“距离”的定义与颜色值和实际相对距离有关。二元势函数描述的是每一个像素与其他所有像素的关系，所以叫“全连接”。对每一个类求解E(x)，当取到minE(x)时像素值最稳定。图3所示为图像语义分割后的分类图像。
(3)路面分割：经语义分割图像得到的分类图像，将与“路面”这一类别相同像素颜色的像素点提取出来，其余像素点置0，从而得到路面图像。图4所示为路面分割图像。
(4)mean shift图像分割：将提取得到的路面图像再次进行图像分割。首先将路面图像上所有相邻的空间距离、颜色距离小于定义频域阈值的点连在一起，其中空间距离和颜色距离分别设为20、10；然后做闭包传递，即：首先建立链表来保存图片上现有的“块”，将相邻的块连起来，然后合并所有相邻的、颜色接近的块。本发明直接用平均值来表示每个块的频域mode，使用并查集来合并，重复直至无法合并；最后清楚小块，将小于所设像素阈值的块合并到它周围和它距离最近的块。图5所示为均值漂移分割路面图像的结果。
(5)候选连通域的筛选：采用广度优先算法，且标记采用递归的形式来完成对各连通域的标记。对图像标记后求出每个连通区域的面积、长宽比，从而去除不满足条件的区域。图6所示为候选连通域标记图像。
(6)计算HSV均值：将各候选连通区域的位置标记下来,类比到经过步骤(1)处理后的公路图像中的位置区域，提取该区域各像素点的RGB值并转换到HSV颜色空间，将每个像素的HSV值保存至各容器中，最后计算出公路图像里各候选连通域的H、S、V均值。
(7)标记车辙：首先对gamma光线矫正后的不同公路图像图中的车辙区域进行HSV值的多次采样并统计得到车辙的HSV特征均值，若计算得到的各候选连通域的HSV均值大小在车辙HSV特征均值的一定范围内波动，则将此候选连通域视为车辙区域，并将此候选区域用红色标记出来，否则为非车辙区域。图7所示为自然场景下公路图像中的车辙检测图。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。

Claims (7)

1.一种车辙的检测方法，其特征在于：该方法包括以下步骤：
(1)对基于连续可量测影像环境下采集的公路图像进行gamma光线矫正处理；
(2)将经过步骤(1)处理后的公路图像进行基于深度卷积网络、多孔卷积及全连接CRF的图像语义分割得到公路图像的路面分割图像；
(3)对比路面分割图像，采用颜色分割仅提取在自然场景公路图像中的路面区域；
(4)将路面区域进行mean shift均值漂移图像分割，采用的空间距离半径与颜色距离半径分别为20、10；
(5)将经过步骤(4)得到的图像标记连通域，去除面积和长宽比不满足条件的连通域以构成候选连通域；
(6)计算在经过步骤(1)处理后的自然场景公路图中所对应的各候选连通域的HSV均值；
(7)将步骤(6)得出的每个连通域的HSV均值进行阈值分割，提取车辙连通域，并标记出检测到的车辙。
2.根据权利要求1所述的车辙的检测方法，其特征在于：所述步骤(2)包括以下分步骤：
(2.1)采用全卷积网络FCN得到粗分数图，并插值到原图像大小；
(2.2)借用全连接CRF对从FCN得到的分割结果进行细节上的提取，精细化边缘。
3.根据权利要求2所述的车辙的检测方法，其特征在于：所述步骤(2.1)中，在将神经网络模型VGG网络基础上，把最后的全连接层改造成卷积层，然后将其网络的pool4和pool5层的stride设置为1并采用Hole算法改变网络结构将后层连续的连接关系根据hole size大小变成skip连接的，pool4后面的conv5_1,conv5_2和conv5_3中hole size为2，pool5后面的fc6中hole size为4，且直接对fc6的卷积核直接降采样。
4.根据权利要求3所述的车辙的检测方法，其特征在于：所述步骤(2.2)中，全连接CRF模型为：
Figure FDA0002253898620000021
θi(xi)＝-log P(xi)
Figure FDA0002253898620000022
E(x)前一项代表像素的内聚程度，其中x是像素的标签分配，i和j表示像素，p表示像素位置，I表示像素颜色强度，w1、w2为加权参数，
Figure FDA0002253898620000023
σβ、σγ为超参数，控制高斯核的尺度，θi(xi)表示一元电位，P(xi)是深度卷积神经网络DCNN输出的score map在i这个像素上的真实标签的概率，E(x)后一项代表相邻节点的相关程度，θij(xi,xj)表示成对电位，简化表示为
Figure FDA0002253898620000024
其中μ(xi,xj)＝1，二元能量项描述像素点与像素点之间的关系，鼓励相似像素分配相同的标签，而相差较大的像素分配不同标签，而这个距离的定义与颜色值和实际相对距离有关，而二元势函数描述的是每一个像素与其他所有像素的关系，所以叫全连接，对每一个类求解E(x)，当取到min E(x)时像素值最稳定。
5.根据权利要求4所述的车辙的检测方法，其特征在于：所述步骤(2)中，使用GPU运算得到公路图像的路面分割图像。
6.根据权利要求5所述的车辙的检测方法，其特征在于：所述步骤(6)中，HSV均值的计算是指步骤(4)得到的图像转变为灰度图并将图中各连通域位置标记下来，类比到经过步骤(1)处理后的公路图像中，计算公路图像里各候选连通域的HSV均值。
7.根据权利要求6所述的车辙的检测方法，其特征在于：所述步骤(7)中，阈值分割为：
首先对gamma光线矫正后的不同公路图像图中的车辙区域进行HSV值的多次采样并统计得到车辙的HSV特征均值，若计算得到的各候选连通域的HSV均值大小在车辙HSV特征均值的一定范围内波动，则将此候选连通域视为车辙区域，否则为非车辙区域。
CN201911045014.4A 2019-10-30 2019-10-30 一种车辙的检测方法 Active CN110853000B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911045014.4A CN110853000B (zh) 2019-10-30 2019-10-30 一种车辙的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911045014.4A CN110853000B (zh) 2019-10-30 2019-10-30 一种车辙的检测方法

Publications (2)

Publication Number Publication Date
CN110853000A true CN110853000A (zh) 2020-02-28
CN110853000B CN110853000B (zh) 2023-08-11

Family

ID=69599314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911045014.4A Active CN110853000B (zh) 2019-10-30 2019-10-30 一种车辙的检测方法

Country Status (1)

Country Link
CN (1) CN110853000B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365448A (zh) * 2020-10-20 2021-02-12 天津大学 一种经编织造过程中的织物疵点检测方法
CN112446293A (zh) * 2020-10-30 2021-03-05 华设设计集团股份有限公司 一种公路路面车辙污染事件视频检测方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440661A (zh) * 2013-09-05 2013-12-11 东北林业大学 基于hsv空间与区域选择的微米木纤维直径检测算法
CN103870569A (zh) * 2014-03-13 2014-06-18 北方信息控制集团有限公司 一种基于内容的彩色动物图像检索方法与系统
CN103886594A (zh) * 2014-03-19 2014-06-25 武汉工程大学 路面线激光车辙检测与识别方法及处理系统
CN104077605A (zh) * 2014-07-18 2014-10-01 北京航空航天大学 一种基于颜色拓扑结构的行人搜索识别方法
CN105321176A (zh) * 2015-09-30 2016-02-10 西安交通大学 一种基于分层高阶条件随机场的图像分割方法
US9443314B1 (en) * 2012-03-29 2016-09-13 Google Inc. Hierarchical conditional random field model for labeling and segmenting images
CN206736664U (zh) * 2017-04-26 2017-12-12 苏交科集团股份有限公司 一种耐久性抗车辙高速公路改扩建路面结构
US20180232947A1 (en) * 2017-02-11 2018-08-16 Vayavision, Ltd. Method and system for generating multidimensional maps of a scene using a plurality of sensors of various types
CN109345472A (zh) * 2018-09-11 2019-02-15 重庆大学 一种复杂场景的红外运动小目标检测方法
CN109948734A (zh) * 2019-04-02 2019-06-28 北京旷视科技有限公司 图像聚类方法、装置及电子设备
CN109961028A (zh) * 2019-03-15 2019-07-02 西安电子科技大学 基于三维块匹配和全连接条件随机场的sar检测方法
CN110111355A (zh) * 2018-11-22 2019-08-09 辽宁师范大学 抵抗强阴影干扰的运动车辆跟踪方法
CN110148129A (zh) * 2018-05-24 2019-08-20 深圳科亚医疗科技有限公司 3d图像的分割学习网络的训练方法、分割方法、分割装置和介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9443314B1 (en) * 2012-03-29 2016-09-13 Google Inc. Hierarchical conditional random field model for labeling and segmenting images
CN103440661A (zh) * 2013-09-05 2013-12-11 东北林业大学 基于hsv空间与区域选择的微米木纤维直径检测算法
CN103870569A (zh) * 2014-03-13 2014-06-18 北方信息控制集团有限公司 一种基于内容的彩色动物图像检索方法与系统
CN103886594A (zh) * 2014-03-19 2014-06-25 武汉工程大学 路面线激光车辙检测与识别方法及处理系统
CN104077605A (zh) * 2014-07-18 2014-10-01 北京航空航天大学 一种基于颜色拓扑结构的行人搜索识别方法
CN105321176A (zh) * 2015-09-30 2016-02-10 西安交通大学 一种基于分层高阶条件随机场的图像分割方法
US20180232947A1 (en) * 2017-02-11 2018-08-16 Vayavision, Ltd. Method and system for generating multidimensional maps of a scene using a plurality of sensors of various types
CN206736664U (zh) * 2017-04-26 2017-12-12 苏交科集团股份有限公司 一种耐久性抗车辙高速公路改扩建路面结构
CN110148129A (zh) * 2018-05-24 2019-08-20 深圳科亚医疗科技有限公司 3d图像的分割学习网络的训练方法、分割方法、分割装置和介质
CN109345472A (zh) * 2018-09-11 2019-02-15 重庆大学 一种复杂场景的红外运动小目标检测方法
CN110111355A (zh) * 2018-11-22 2019-08-09 辽宁师范大学 抵抗强阴影干扰的运动车辆跟踪方法
CN109961028A (zh) * 2019-03-15 2019-07-02 西安电子科技大学 基于三维块匹配和全连接条件随机场的sar检测方法
CN109948734A (zh) * 2019-04-02 2019-06-28 北京旷视科技有限公司 图像聚类方法、装置及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HE, C等: "THE ALGORITHM OF BUILDING AREA EXTRACTION BASED ON BOUNDARY PRIOR AND CONDITIONAL RANDOM FIELD FOR SAR IMAGE" *
曹昭睿等: "基于HSV分割与Meanshift的多目视觉系统设计" *
李欢: "基于深度学习和条件随机场模型的图像语义分割研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365448A (zh) * 2020-10-20 2021-02-12 天津大学 一种经编织造过程中的织物疵点检测方法
CN112446293A (zh) * 2020-10-30 2021-03-05 华设设计集团股份有限公司 一种公路路面车辙污染事件视频检测方法

Also Published As

Publication number Publication date
CN110853000B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN108665487B (zh) 基于红外和可见光融合的变电站作业对象和目标定位方法
CN107045629B (zh) 一种多车道线检测方法
CN108280450B (zh) 一种基于车道线的高速公路路面检测方法
CN109657632B (zh) 一种车道线检测识别方法
CN109255350B (zh) 一种基于视频监控的新能源车牌检测方法
CN101976504B (zh) 一种基于颜色空间信息的多车辆视频跟踪方法
CN104700071B (zh) 一种全景图道路轮廓的提取方法
CN103049763A (zh) 一种基于上下文约束的目标识别方法
CN108171695A (zh) 一种基于图像处理的高速公路路面检测方法
Han et al. An advanced Otsu method integrated with edge detection and decision tree for crack detection in highway transportation infrastructure
CN111259796A (zh) 一种基于图像几何特征的车道线检测方法
CN113239733B (zh) 一种多车道车道线检测方法
CN112906583A (zh) 一种车道线检测方法及装置
CN109784216A (zh) 基于概率图的车载热成像行人检测RoIs提取方法
CN110853000B (zh) 一种车辙的检测方法
Fengping et al. Road extraction using modified dark channel prior and neighborhood FCM in foggy aerial images
Ghahremannezhad et al. Automatic road detection in traffic videos
Gu et al. Thermal image colorization using Markov decision processes
Gao et al. Intelligent crack damage detection system in shield tunnel using combination of retinanet and optimal adaptive selection
Gong et al. Complex lane detection based on dynamic constraint of the double threshold
Zhu et al. Moment-based multi-lane detection and tracking
Sudhakar et al. An efficient interactive segmentation algorithm using color correction for underwater images
Weixing et al. Road extraction in vague images on gray scale consistency and improved MSR and DS evidence
Khudov et al. The Method of Determining the Elements of Urban Infrastructure Objects Based on Hough Transformation
Liu et al. Detection of geometric shape for traffic lane and mark

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