CN110930365A - 一种交通场景下的正交消失点检测方法 - Google Patents

一种交通场景下的正交消失点检测方法 Download PDF

Info

Publication number
CN110930365A
CN110930365A CN201911041698.0A CN201911041698A CN110930365A CN 110930365 A CN110930365 A CN 110930365A CN 201911041698 A CN201911041698 A CN 201911041698A CN 110930365 A CN110930365 A CN 110930365A
Authority
CN
China
Prior art keywords
vanishing
image
point
coordinate system
vanishing 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.)
Granted
Application number
CN201911041698.0A
Other languages
English (en)
Other versions
CN110930365B (zh
Inventor
王伟
唐心瑶
宋焕生
张朝阳
梁浩翔
张文涛
戴喆
云旭
侯景严
刘莅辰
贾金明
李俊彦
武非凡
雷琪
杨露
余宵雨
靳静玺
王滢暄
赵锋
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.)
Changan University
Original Assignee
Changan University
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 Changan University filed Critical Changan University
Priority to CN201911041698.0A priority Critical patent/CN110930365B/zh
Publication of CN110930365A publication Critical patent/CN110930365A/zh
Application granted granted Critical
Publication of CN110930365B publication Critical patent/CN110930365B/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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种交通场景下的正交消失点检测方法，首先读取交通场景下的视频，建立图像坐标系和钻石空间坐标系，求取图像空间和钻石空间之间映射关系；提取视频图像中车辆的运行轨迹直线，在钻石空间中累加，求取沿道路方向的消失点，然后提取车身横向边缘，在钻石空间中累加，求取垂直道路方向的消失点，在此基础上进行相机标定，求取与前两个方向都垂直的第三个方向的消失点，如果视频图像中有垂直于地面的物体，对第三个方向的消失点进行优化。本发明适应不同的道路交通场景，通过交通场景中的车辆对场景的正交消失点完成检测及优化。方法实现简单，通用性好，可应用于各种道路场景下的正交消失点检测，并且结果较为准确。

Description

一种交通场景下的正交消失点检测方法
技术领域
本发明属于智能交通技术领域，具体涉及一种交通场景下的正交消失点检测方法。
背景技术
消失点在几何中的定义为与一条世界直线平行并且经过摄像机中心的射线与图像平面的交点，是透视场景中的一种重要特征，可用于相机标定、三维场景重建等计算机视觉方面的应用。
现有交通场景下消失点的检测方法主要是根据车道线，该方法操作简单，但是会受到场景以及天气的限制，导致检测结果不够准确，而且现有方法中对于第三个方向消失点的求取通常是直接通过行人获取，易受场景条件限制并且结果不准确。
发明内容
针对现有技术中的缺陷和不足，本发明提供了一种交通场景下的正交消失点检测方法，克服现有消失点检测不准的缺陷。
为达到上述目的，本发明采取如下的技术方案：
一种交通场景下的正交消失点检测方法，该方法包括如下步骤：
步骤1，输入交通场景下的视频，得到每一帧视频图像，每张视频图像中至少含有一个垂直于地面的物体；
步骤2，建立图像坐标系和钻石空间坐标系，求取图像空间和钻石空间之间映射关系；
步骤3，提取步骤1的视频图像中车辆的运行轨迹直线，通过步骤2中的映射关系将图像空间中的轨迹直线转换到在钻石空间进行累加，将累加最多的点再变换到图像空间中，得到沿道路方向的消失点；
步骤4，提取步骤1的视频图像中车辆的横向边缘直线，通过步骤2中的映射关系将图像空间中的轨迹直线转换到在钻石空间进行累加，将累加最多的点再变换到图像空间中，得到垂直道路方向的消失点；
步骤5，建立摄像机模型和坐标系，根据步骤3和步骤4求得的消失点进行相机标定，得到相机标定参数；
步骤6，根据步骤3、4中得到的消失点和步骤5得到的相机标定参数计算出垂直于这两个方向的消失点；具体包括如下过程：将步骤3、4中得到的消失点通过相机标定参数转换到世界坐标系下，记为VPW1＝(x1,y1,0)和VPW2＝(x2,y2,0)，根据右手定则计算第三个方向的消失点VPW3＝VPW1×VPW2，再将VPW3通过相机标定参数转换到图像坐标系下，获得第三个方向的消失点VP30＝(u30,v30)；VPW1为沿道路方向消失点的世界坐标，VPW2为垂直道路方向消失点的世界坐标，VPW3为第三个方向消失点的世界坐标，VP30为第三个方向消失点的图像坐标，x1,x2为世界坐标在x轴上的坐标值，y1,y2为世界坐标在y轴上的坐标值,u30,v30分别为图像坐标在u,v轴上的坐标值；
步骤7，以步骤1的视频图像中垂直于地面的物体为约束条件，优化垂直于前两个方向的消失点；具体过程包括：记垂直于地面的物体在图像坐标系中顶点、中点、尾点的坐标分别为LT，LM，LE，垂直于地面的物体顶点、尾点连接的直线与垂直于地面的物体顶点、第三个方向消失点连接的直线之间的夹角为
Figure BDA0002253013870000021
构造约束函数：
Figure BDA0002253013870000022
其中N为视频图像中垂直于地面的物体的数量；
Figure BDA0002253013870000023
代表第i个垂直于地面物体的顶点、尾点连接的直线与垂直于地面的第i个物体的顶点、第三个方向消失点连接的直线之间的夹角；
Figure BDA0002253013870000024
表示求出使得公式(11)最小的待估计参数VP3的值；初始值VP30＝(u30,v30)为通过步骤6求得的第三个方向的消失点，通过非线性最小二乘法中的牛顿法对VP3进行迭代，从而求解出最优解；
以步骤6求得的第三个方向的消失点作为初始参数，通过最小二乘的方法求解出第三个方向的最优消失点。
本发明还包括如下技术特征：
具体的，步骤2中包括如下过程：
步骤2.1，将图像坐标系中多条平行直线的交点转换为钻石空间中折线组的交点；
步骤2.2，将钻石空间中折线组的交点变换到图像坐标系中，求得图像坐标系的消失点坐标。
本发明与现有技术相比，有益的技术效果是：
本发明的方法实现简单，可以应用于各种交通场景下的正交消失点检测，满足智能交通监控系统中准确获取交通参数的需求。
附图说明
图1为本发明提供的交通场景下正交消失点获取方法的流程图；
图2为本发明实施例所采用的交通场景原始视频图像；
图3为本发明中图像空间和钻石空间的映射关系图；
图4为本发明实施例中在原始图像中进行车辆运行轨迹提取的结果；
图5为本发明实施例中在原始图像中进行车辆横向边缘提取的结果；
图6为本发明中摄像机模型的坐标系的示意图；其中，(a)为摄像机模型的世界坐标系的侧视图，(b)为摄像机模型的相机坐标系的俯视图；
图7为本发明中标定条件在坐标系下的表示示意图；其中，(a)为标定条件在世界坐标系下的表示示意图，(b)为标定条件在图像坐标系下的表示示意图；
图8为本发明中三个正交消失点的示意图；
具体实施方式
以下对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
如图1至图8所示，本发明公开了一种交通场景下的正交消失点检测方法，详细步骤如下：
步骤1，输入交通场景下的视频，得到每一帧视频图像，每张视频图像中至少含有一个垂直于地面的物体，在本实施方式中，该物体可以是垂直于地面的灯杆；
如图2所示，为实验中所使用的交通场景视频帧图像。
步骤2，建立图像坐标系和钻石空间坐标系，求取图像空间和钻石空间之间映射关系；具体的包括：步骤2.1，将图像坐标系中多条平行直线的交点转换为钻石空间中折线组的交点；步骤2.2，将钻石空间中折线组的交点变换到图像坐标系中，求得图像坐标系的消失点坐标。
将图像空间中存在的直线映射到钻石空间是为了将图像坐标系下的无穷直线转换到钻石空间中的有限折线，从而求取消失点。参考论文《Real Projective PlaneMapping for Detection of Orthogonal Vanishing Points》，可以将图像坐标系中多条平行直线的交点转换为钻石空间中折线组的交点。
假设图像坐标系中的直线方程为：ax+by+c＝0，其在钻石空间映射为折线组，映射关系如下：
Figure BDA0002253013870000041
其中，a,b,c为直线一般方程的三个参数，三个参数均为常数，sgn为符号函数，下标o表示为图像坐标系。
如图3所示，d代表钻石空间y半轴长度，D代表钻石空间x半轴长度，原图像域中无穷的空间被映射到了有穷的菱形区域内，图3中的虚线表示分布在图像域四个象限的无穷远点，以及不同的坐标轴在钻石空间对应的映射关系。则通过钻石空间中点[x,y,w]d和图像空间中点[x,y,w]o互相转换的变换公式可以完成映射：
[x,y,w]o→[-dDw,-dx,sgn(xy)x+y+sgn(y)dw]d (2)
[x,y,w]d→[Dy,sgn(x)dx+sgn(y)Dy-dDw,x]o (3)
其中，w为图像坐标系中坐标的一个分量，下标o为图像坐标系，下标d为钻石空间。
类似霍夫变换中的投票原则，图像空间中多条平行直线的交点在钻石空间中变为折线组的交点，将钻石空间中折线组的交点根据上述的变换公式变换到图像空间中，即可求得准确的消失点坐标。
步骤3，提取车辆运行轨迹直线，在钻石空间累加，求取沿道路方向的消失点；
如图4所示，采用Kanade–Lucas光流法，提取车辆的特征点进行跟踪，获取车辆轨迹的长直线段作为沿道路方向消失点的前提条件，求得沿道路方向消失点的图像坐标，记为VP1＝(u1,v1)，其中u1,v1分别为在图像坐标系u,v轴上对应的坐标值。
步骤4，提取车辆横向边缘直线，在钻石空间累加，求取垂直道路方向的消失点；
如图5所示采用边缘检测法，提取车身上的横向边缘直线，作为垂直道路方向消失点的前提条件，求得垂直道路方向消失点的图像坐标，记为VP2＝(u2,v2)，其中u2,v2分别为在图像坐标系u,v轴上对应的坐标值。
步骤5，建立摄像机模型和坐标系，进行相机标定；其中，建立模型和坐标系具体包括：步骤5.1，建立世界坐标系、摄像机坐标系、图像坐标系和摄像机模型，其中将摄像机模型简化为针孔模型；步骤5.2，将摄像机拍摄的图像中任意一点的世界坐标转换到图像坐标系中，得到世界坐标系的点与图像坐标系的点的投影关系。
参考论文《A Taxonomy and Analysis of Camera Calibration Methods forTraffic Monitoring Applications》的方法，如图6所示，建立摄像机模型、世界坐标系O-XYZ、相机坐标系O-XCYCZC、图像坐标系O-UV，摄像机模型简化为针孔模型，所建坐标系均为右手系，世界坐标系包含x,y,z轴，原点位于相机在路面的投影点，z轴垂直于地面方向向上，图6的(a)侧视图中可以看出，x轴指向纸内，用
Figure BDA0002253013870000051
表示，y轴垂直于xoz平面，图6的(b)俯视图中可以看出，z轴指向纸外，用⊙表示；相机坐标系包含xc,yc,zc，原点位于相机所处位置，xc轴与世界坐标系下的x轴平行，zc轴正向沿着相机的光轴指向地面，yc轴垂直于xcozc平面指向地面。图中的主点为r点，为zc轴延伸至与地面的交点，根据图6中的角度关系，r点在世界坐标系下的坐标为(0,hcotφ,0)；图像坐标系为图像平面坐标系，以r点为原点，水平向右为u轴，垂直向下为v轴。
设相机焦距为f，相机原点距离地面高度为h，相机俯仰角为φ，相机偏转角(相机光轴在路平面投影与道路延伸方向的夹角)为θ，由于相机自旋角可以通过简单的图像旋转进行表示，并且对于标定结果无影响，因此不予考虑。
如图7所示，采用两消失点模型对相机参数进行标定，记沿道路方向消失点图像坐标为(u0,v0)，垂直道路方向消失点图像坐标为(u1,v1)。
由论文中的推导可知：
Figure BDA0002253013870000052
Figure BDA0002253013870000053
Figure BDA0002253013870000054
设图像上任意一点的世界坐标为(x,y,z)，世界坐标系的点与图像坐标系的点的投影关系为：
Figure BDA0002253013870000055
Figure BDA0002253013870000056
Figure BDA0002253013870000057
Figure BDA0002253013870000058
其中，α为比例因子。
步骤6，根据步骤3、4中得到的消失点和步骤5得到的相机标定参数计算出垂直于这两个方向的消失点；
将以上两个方向的消失点通过标定公式(9)(10)转换到世界坐标系下，记为VPW1＝(x1,y1,0)和VPW2＝(x2,y2,0)，根据右手定则计算第三个方向的消失点VPW3＝VPW1×VPW2，再将VPW3通过标定公式(7)(8)转换到图像坐标系下，获得第三个方向的消失点VP30＝(u30,v30)；VPW1为沿道路方向消失点的世界坐标，VPW2为垂直道路方向消失点的世界坐标，VPW3为第三个方向消失点的世界坐标，VP30为第三个方向消失点的图像坐标，x1,x2为世界坐标在x轴上的坐标值，y1,y2为世界坐标在y轴上的坐标值,u30,v30分别为图像坐标在u,v轴上的坐标值。
步骤7：以交通场景中垂直于地面的物体为约束条件，进一步优化垂直于前两个方向的消失点；
交通场景中通常有灯杆等标志物，可以作为优化第三个方向消失点的约束条件。记灯杆在图像坐标系中顶点、中点、尾点的坐标分别为LT，LM，LE，灯杆顶点、尾点连接的直线与灯杆顶点、第三个方向消失点连接的直线之间的夹角为
Figure BDA0002253013870000061
构造约束函数：
Figure BDA0002253013870000062
其中N为视频图像中垂直于地面的物体的数量；
Figure BDA0002253013870000063
代表第i个垂直于地面物体的顶点、尾点连接的直线与垂直于地面的第i个物体的顶点、第三个方向消失点连接的直线之间的夹角。
Figure BDA0002253013870000064
表示求出使得公式(11)最小的待估计参数VP3的值；初始值VP30＝(u30,v30)为通过步骤6求得的第三个方向的消失点，通过非线性最小二乘法中的牛顿法对VP3进行迭代，从而求解出最优解。
为了验证本发明所提出方法的有效性，本发明的一个实施例采用了以图2所示的实际道路交通场景图像。首先如图4所示，为本发明实施例中在原始图像中进行车辆运行轨迹提取、求取第一个方向消失点的结果。如图5所示，为本发明实施例中在原始图像中进行车辆横向边缘提取的结果。如图8所示，为三个正交消失点的示意图，在此基础上计算第三个方向的消失点，如果实际交通场景中有灯杆等物体，可以对第三个方向的消失点结果进行优化。
实验结果表明，通过本方法可以有效的检测交通场景下的正交消失点。计算及优化结果如表1所示。实验结果说明本方法完全能够实现道路交通场景下正交消失点的检测及优化，该实验在一定程度上证明了本发明所提出方法的有效性。
表1交通场景下正交消失点检测及优化结果
沿道路方向消失点 (144.737,34.779)
垂直道路方向消失点 (12183.582,615.451)
垂直两个方向消失点 (-2288.064,34301.103)
优化后消失点 (0,18186.689)

Claims (2)

1.一种交通场景下的正交消失点检测方法，其特征在于，该方法包括如下步骤：
步骤1，输入交通场景下的视频，得到每一帧视频图像，每张视频图像中至少含有一个垂直于地面的物体；
步骤2，建立图像坐标系和钻石空间坐标系，求取图像空间和钻石空间之间映射关系；
步骤3，提取步骤1的视频图像中车辆的运行轨迹直线，通过步骤2中的映射关系将图像空间中的轨迹直线转换到在钻石空间进行累加，将累加最多的点再变换到图像空间中，得到沿道路方向的消失点；
步骤4，提取步骤1的视频图像中车辆的横向边缘直线，通过步骤2中的映射关系将图像空间中的轨迹直线转换到在钻石空间进行累加，将累加最多的点再变换到图像空间中，得到垂直道路方向的消失点；
步骤5，建立摄像机模型和坐标系，根据步骤3和步骤4求得的消失点进行相机标定，得到相机标定参数；
步骤6，根据步骤3、4中得到的消失点和步骤5得到的相机标定参数计算出垂直于这两个方向的消失点；具体包括如下过程：将步骤3、4中得到的消失点通过相机标定参数转换到世界坐标系下，记为VPW1＝(x1，y1，0)和VPW2＝(x2，y2，0)，根据右手定则计算第三个方向的消失点VPW3＝VPW1×VPW2，再将VPW3通过相机标定参数转换到图像坐标系下，获得第三个方向的消失点VP30＝(u30，v30)；VPW1为沿道路方向消失点的世界坐标，VPW2为垂直道路方向消失点的世界坐标，VPW3为第三个方向消失点的世界坐标，VP30为第三个方向消失点的图像坐标，x1，x2为世界坐标在x轴上的坐标值，y1，y2为世界坐标在y轴上的坐标值，u30，v30分别为图像坐标在u，v轴上的坐标值；
步骤7，以步骤1的视频图像中垂直于地面的物体为约束条件，优化垂直于前两个方向的消失点；具体过程包括：记垂直于地面的物体在图像坐标系中顶点、中点、尾点的坐标分别为LT，LM，LE，垂直于地面的物体顶点、尾点连接的直线与垂直于地面的物体顶点、第三个方向消失点连接的直线之间的夹角为
Figure FDA0002253013860000011
构造约束函数：
Figure FDA0002253013860000012
其中N为视频图像中垂直于地面的物体的数量；
Figure FDA0002253013860000021
代表第i个垂直于地面物体的顶点、尾点连接的直线与垂直于地面的第i个物体的顶点、第三个方向消失点连接的直线之间的夹角；
Figure FDA0002253013860000022
表示求出使得公式(11)最小的待估计参数VP3的值；初始值VP30＝(u30，v30)为通过步骤6求得的第三个方向的消失点，通过非线性最小二乘法中的牛顿法对VP3进行迭代，从而求解出最优解；
以步骤6求得的第三个方向的消失点作为初始参数，通过最小二乘的方法求解出第三个方向的最优消失点。
2.如权利要求1所述的交通场景下的正交消失点检测方法，其特征在于，步骤2中包括如下过程：
步骤2.1，将图像坐标系中多条平行直线的交点转换为钻石空间中折线组的交点；
步骤2.2，将钻石空间中折线组的交点变换到图像坐标系中，求得图像坐标系的消失点坐标。
CN201911041698.0A 2019-10-30 2019-10-30 一种交通场景下的正交消失点检测方法 Active CN110930365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911041698.0A CN110930365B (zh) 2019-10-30 2019-10-30 一种交通场景下的正交消失点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911041698.0A CN110930365B (zh) 2019-10-30 2019-10-30 一种交通场景下的正交消失点检测方法

Publications (2)

Publication Number Publication Date
CN110930365A true CN110930365A (zh) 2020-03-27
CN110930365B CN110930365B (zh) 2023-11-03

Family

ID=69849837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911041698.0A Active CN110930365B (zh) 2019-10-30 2019-10-30 一种交通场景下的正交消失点检测方法

Country Status (1)

Country Link
CN (1) CN110930365B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037159A (zh) * 2020-07-29 2020-12-04 长安大学 一种跨相机道路空间融合及车辆目标检测跟踪方法及系统
CN112950662A (zh) * 2021-03-24 2021-06-11 电子科技大学 一种交通场景空间结构提取方法
CN113096051A (zh) * 2021-04-30 2021-07-09 上海零眸智能科技有限公司 一种基于消失点检测的图矫正方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4819169A (en) * 1986-09-24 1989-04-04 Nissan Motor Company, Limited System and method for calculating movement direction and position of an unmanned vehicle
JP2011022995A (ja) * 2009-06-16 2011-02-03 Nippon Soken Inc 消失点推定装置およびプログラム
CN109685855A (zh) * 2018-12-05 2019-04-26 长安大学 一种道路云监控平台下的摄像机标定优化方法
CN110148169A (zh) * 2019-03-19 2019-08-20 长安大学 一种基于ptz云台相机的车辆目标三维信息获取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4819169A (en) * 1986-09-24 1989-04-04 Nissan Motor Company, Limited System and method for calculating movement direction and position of an unmanned vehicle
JP2011022995A (ja) * 2009-06-16 2011-02-03 Nippon Soken Inc 消失点推定装置およびプログラム
CN109685855A (zh) * 2018-12-05 2019-04-26 长安大学 一种道路云监控平台下的摄像机标定优化方法
CN110148169A (zh) * 2019-03-19 2019-08-20 长安大学 一种基于ptz云台相机的车辆目标三维信息获取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈宁凡等: "一种基于聚类的消失点自动测量方法", 《中国体视学与图像分析》 *
陈珂: "用于视频中车速自动检测的摄像机自动标定方法", 《计算机应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037159A (zh) * 2020-07-29 2020-12-04 长安大学 一种跨相机道路空间融合及车辆目标检测跟踪方法及系统
CN112037159B (zh) * 2020-07-29 2023-06-23 中天智控科技控股股份有限公司 一种跨相机道路空间融合及车辆目标检测跟踪方法及系统
CN112950662A (zh) * 2021-03-24 2021-06-11 电子科技大学 一种交通场景空间结构提取方法
CN112950662B (zh) * 2021-03-24 2022-04-01 电子科技大学 一种交通场景空间结构提取方法
CN113096051A (zh) * 2021-04-30 2021-07-09 上海零眸智能科技有限公司 一种基于消失点检测的图矫正方法
CN113096051B (zh) * 2021-04-30 2023-08-15 上海零眸智能科技有限公司 一种基于消失点检测的图矫正方法

Also Published As

Publication number Publication date
CN110930365B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
CN110148169B (zh) 一种基于ptz云台相机的车辆目标三维信息获取方法
CN110930365B (zh) 一种交通场景下的正交消失点检测方法
CN104766058B (zh) 一种获取车道线的方法和装置
CN110031829B (zh) 一种基于单目视觉的目标精准测距方法
CN106156723B (zh) 一种基于视觉的路口精定位方法
CN112037159B (zh) 一种跨相机道路空间融合及车辆目标检测跟踪方法及系统
CN109685855B (zh) 一种道路云监控平台下的摄像机标定优化方法
DE112018000605T5 (de) Informationsverarbeitungsvorrichtung, Datenverwaltungsvorrichtung, Datenverwaltungssystem, Verfahren und Programm
CN109752701A (zh) 一种基于激光点云的道路边沿检测方法
CN106156752B (zh) 一种基于逆投影三视图的车型识别方法
CN111179152A (zh) 一种道路标识识别方法及装置、介质、终端
CN109685858A (zh) 一种单目摄像头在线标定方法
CN103927748B (zh) 一种基于多矩形图像距离转换模型的坐标标定方法
CN110307791B (zh) 基于三维车辆边界框的车辆长度及速度计算方法
Zhang et al. Robust inverse perspective mapping based on vanishing point
CN106560835A (zh) 一种路牌识别方法及装置
CN111443704B (zh) 用于自动驾驶系统的障碍物定位方法及装置
CN111932627B (zh) 一种标识物绘制方法及系统
CN111476798B (zh) 一种基于轮廓约束的车辆空间形态识别方法及系统
CN113884002A (zh) 基于二三维信息融合的受电弓滑板上表面检测系统及方法
CN112446915B (zh) 一种基于图像组的建图方法及装置
CN105512641A (zh) 一种采用激光雷达扫描法标定雨雪状态下视频中的动态行人及车辆的方法
CN110543612B (zh) 一种基于单目视觉测量的集卡定位方法
CN111008557A (zh) 一种基于几何约束的车辆细粒度识别方法
CN117078717A (zh) 基于无人机单目相机的道路车辆轨迹提取方法

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