CN111724349A - 一种基于hsv和svm的图像脏污识别方法 - Google Patents

一种基于hsv和svm的图像脏污识别方法 Download PDF

Info

Publication number
CN111724349A
CN111724349A CN202010475350.9A CN202010475350A CN111724349A CN 111724349 A CN111724349 A CN 111724349A CN 202010475350 A CN202010475350 A CN 202010475350A CN 111724349 A CN111724349 A CN 111724349A
Authority
CN
China
Prior art keywords
image
hsv
clean
dirty
images
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
CN202010475350.9A
Other languages
English (en)
Other versions
CN111724349B (zh
Inventor
马玉霖
吴志军
胡宗杰
李治龙
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202010475350.9A priority Critical patent/CN111724349B/zh
Publication of CN111724349A publication Critical patent/CN111724349A/zh
Application granted granted Critical
Publication of CN111724349B publication Critical patent/CN111724349B/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
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

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

Abstract

本发明涉及一种基于HSV和SVM的图像脏污识别方法，包括以下步骤：先输入脏污和干净的图像，然后将他们转换为HSV格式的图像。并且分别求出干净图像和脏污图像的对应的HSV特征向量值。再将对应的干净和脏污图像的HSV的特征向量值输入到SVM训练器中训练，最后得出训练模型。读取训练模型并且输入脏污和干净图像，并对脏污和图像和干净图像进行判断，判断图像是否干净或者脏污。与现有技术相比，本发明提供了一种有效的图像脏污判别方法。并且本发明提供了一种基于HSV和SVM的机器学习方法，在相同的运算和存储量的前提下，可以用更少的数据量去训练模型，可靠性更高。

Description

一种基于HSV和SVM的图像脏污识别方法
技术领域
本发明涉及自动驾驶汽车图像处理技术领域，尤其是涉及一种基于HSV和SVM的图像脏污识别方法。
背景技术
智能驾驶汽车需要在车辆上安装各种传感器来感知周围的环境，目前几乎所有的智能汽车都会采用摄像头传感器来感知周围环境。在智能汽车行驶的过程中，摄像头传感器收集周边环境信息并且将其传递给汽车，智能汽车根据获得的信息对汽车驾驶行为进行了调整，为了保证汽车的安全运行，摄像头传感器传递给汽车的信息必须是准确的。
但在行驶的过程中，由于道路的不确定性，摄像头传感器会受到不同程度的污染，受到污染的摄像头收集的道路信息和实际道路信息会存在偏差，可能会造成智能汽车对当前的环境做出错误的判断，导致错误的行为。因此必须有一种算法来判断摄像头传感器的脏污情况，如果发现摄像头传感器已经脏污，可以进行后续的一些操作来消除脏污，让摄像头智能传感器获取正确的信息，智能汽车可以根据正确信息做出正确判断。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于HSV和SVM的图像脏污识别方法。
本发明的目的可以通过以下技术方案来实现：
一种基于HSV和SVM的图像脏污识别方法，该方法包括以下步骤：
步骤1：将单张干净图像转换成HSV格式的图像，并将HSV格式的图像的三个分量数据分别统计分类并归一化处理；
步骤2：将统计后的三个分量数据拼接组成训练器所需的特征向量，依次对若干干净图像执行步骤1和步骤2进一步得到若干干净图像对应的特征向量集；
步骤3：同理对若干脏污图像进行步骤1和步骤2的相同操作，得到若干脏污图像对应的特征向量集；
步骤4：将干净图像和脏污图像对应的特征向量集输入至线性SVM的训练器中，得到训练模型；
步骤5：读取训练模型，输入实际待测干净和脏污图像，得到输出识别结果并反馈至电脑端。
进一步地，所述的步骤2中的三个分量数据包括H色度、S饱和度和V亮度。
进一步地，所述的步骤1中将HSV格式的图像的三个分量数据分别统计分类并归一化处理的过程具体包括：当单幅图像采用HSV格式表示后，将HSV格式的图像的三个分量数据分别采用直方图的形式统计，并将统计结果分类并归一化处理。
进一步地，所述的步骤1中的HSV格式的图像的三个分量数据中的色度矩阵对应的统计分类的类别数为18类。
进一步地，所述的步骤1中的HSV格式的图像的三个分量数据中的饱和度矩阵对应的统计分类的类别数为18类。
进一步地，所述的步骤1中的HSV格式的图像的三个分量数据中的亮度矩阵对应的统计分类的类别数为18类。
进一步地，所述的步骤5具体包括：读取训练模型，输入实际待测干净和脏污图像经过步骤1至步骤3对应处理得到的特征向量，当训练模型反馈结果为true，则该实际待测干净和脏污图像为干净图像，当训练模型反馈结果为false，则该实际待测干净和脏污图像为脏污图像。
进一步地，所述的步骤2中的将统计后的三个分量数据拼接组成训练器所需的特征向量的过程具体包括：将统计后的三个分量数据各自对应的矩阵特征向量按照色度、饱和度和亮度的顺序依次拼接，组成得到训练器所需的特征向量。
进一步地，所述的步骤1中的干净图像为通过汽车摄像头传感器拍摄获取得到的干净图像。
进一步地，所述的步骤3中的脏污图像为通过将亚克力板放置于汽车摄像头传感器前拍摄获取得到的脏污图像。
与现有技术相比，本发明具有以下优点：
(1)本发明提供了一种脏污图像的辨别方法，利用脏污图像和干净图像在H(hue)色度、S(saturation)饱和度、V(value)亮度的数值和表现不同来区分脏污和干净图像，能够识别汽车摄像头传感器的脏污情况，能够为智能汽车行驶提供正确的信息。
(2)本发明用HSV的统计分量来组成特征向量，来表示一副图像，比传统的HOG表示一幅图像的存储量要小很多，在相同存储量和运算量下，可以有更多的图像来训练，样本会更多，样本越多，训练的结果也就更准确。
附图说明
图1为本发明实施例的一种基于HSV和SVM的图像脏污识别方法流程图；
图2为本发明实施例的图像HSV特征值的统计方法。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本实施例一种基于HSV和SVM的图像脏污识别方法，如图1所示
S1、将智能汽车摄像头传感器擦拭干净，观察拍摄图像是否清晰可见。擦拭摄像头传感器镜面直到其拍摄的图像清晰可见。
步骤1中的图像清晰可见是如拍摄马路的时候，图像中不出现模糊，能清晰的看到诸如斑马线，红绿灯，车辆和人，能清楚的看到车辆、人、斑马线等道路上常见物的轮廓，能很好的区分其颜色。
S2、取干净和不同脏污程度的亚克力板，在同一场景下，将亚克力板放置到摄像头传感器前，之后用摄像头传感器进行拍摄操作，采集干净和不同脏污等级下的图像。
优选的，在步骤2中用亚克力板来作为不同等级的脏污和干净的分类样本。然后在摄像头前放置亚克力板来拍摄。亚克力又称特殊处理的有机玻璃，是有机玻璃换代产品，用亚克力制作的灯箱具有透光性能好、颜色纯正、色彩丰富、美观平整、兼顾白天夜晚两种效果、使用寿命长、不影响使用等特点。而且通过干净亚克力板拍摄的图像和不加亚克力板拍摄的图像的参数相差无几。
脏污亚克力板的制作是基于GB21260的清晰前大灯设备的标准来制作的。其中脏污标准是基于GB21260的前大灯清晰标准而来的。按照GB21260中前大灯脏污标准的配比来制作脏污样本，然后将其喷射到亚克力板子上，制作出不同等级的脏污亚克力板。
之所以采用GB21260的前大灯制作的标本，是因为在智能汽车的系统中，摄像头传感器通常也是由类似于前大灯的玻璃罩来罩住的，所以采用前大灯的脏污标准，是合理可靠的。
S3、将干净的图像转换成HSV格式的图像，HSV是相对于RGB图像格式的另外一种，HSV三个量分别对应于H(hue)色度、S(saturation)饱和度、V(value)亮度。HSV图像格式和RGB图像格式的侧重点不同。RGB图像格式更强调于图像的色彩组成，而HSV更强调于图像的色彩的成分，及颜色的纯度、饱和度、亮度。
S4、将HSV的图像的三个分量，也就是色度、饱和度、亮度三分量分别用直方图的形式统计出来。将其分类并且归一化，如图2所示。
在步骤4中将色度、饱和度、亮度三分量分别用直方图的形式来统计，此时图像的构成是HSV的3个二维矩阵，将图像的HSV这3个向量分别拆分出来，构成独立的3个二维矩阵，即H(色度)矩阵、S(饱和度)矩阵、V(亮度)矩阵。然后分别对这三个矩阵进行统计。
对H(色度)矩阵进行统计，因为色度矩阵的取值范围为0到360。所以在做直方图统计的时候，将其由小到大分为18类，及数值为0-20为第一类，21-40为第二类，以此类推，之后遍历色度的二维矩阵，按照其数值的大小，进行归类。统计之后，将所有类进行归一化操作，即每一类的个数除以二维矩阵的整个数量，对其进行归一化。并将其合并为一个一维向量。
同理对S(饱和度)矩阵和V(亮度)矩阵进行相同操作，求出饱和度矩阵的一维特征向量和亮度的一维特征向量。
优选的，将直方图统计分类定位18个，是因为色度矩阵的的取值范围为0-360，红色绿色蓝色的取值间隔相差120，而且每20个数值的颜色变化是符合人眼所观看到的颜色变化。
饱和度和亮度矩阵也分类采用18个种类的原因，是和色度矩阵的分类数量，保持一致，即饱和度矩阵和亮度矩阵最后也得到一个具有18个特征的一维特征向量，从而保证亮度、色度、饱和度矩阵在最终的特征向量中的比重保持一致。
S5、将统计后的色度、饱和度、亮度数据进行拼接构成了训练器所需要的特征向量。之后统计若干个图像的HSV特征值，并且将其组成特征向量。
在步骤5中，将步骤4中所获得的色度、饱和度、亮度矩阵的3个一维特征向量组装成一个特征向量。组装特征向量的方法采用最简单的依次拼接法。即将步骤4中的3个具有18个特征的特征向量，进行依次拼接，即将饱和度的特征向量放到色度矩阵特征向量的后面，再将亮度矩阵的特征向量放到饱和特征向量的后面，从而构成了一个新的特征向量。
S6、同理，对脏污图像进行相同操作，得到若干脏污图像的特征向量。
在进行完步骤5和6的时候，得到脏污图像的若干特征向量和干净图像的若干特征向量。这就构成了脏污图像的特征向量集和干净图像的特征向量集，之后输入到训练器中的便是脏污图像和干净图像的特征向量集。
S7、将脏污图像和干净图像的对应的特征向量值输入到线性SVM(支持向量机)的训练器中，得到训练模型。
步骤7之所以采用线性的SVM训练器是因为在智能汽车行驶的时候，需要立刻判断图像是否脏是否干净。不存在中间地带，即这个图像可能脏也可能不脏。所以是一个二分类问题。而线性的SVM训练器的特征正符合需求，并且SVM算法经过若干年的发展很成熟，可以经得起检验。
S8、读取训练模型，输入干净和脏污图像，用训练模型对其进行判断。
在步骤8中先读取训练模型，然后在读取测试图片，测试图像先通过步骤3、4、5获得一维的特征向量，之后将特征向量输入到模型中，如果模型反馈结果为true，也就是该图像是干净图像，如果模型反馈结果为false，也就是干图像为脏污图像，将此结果反馈终端。
S9、输出结果，将干净和脏污的结果反馈给终端。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于HSV和SVM的图像脏污识别方法，其特征在于，该方法包括以下步骤：
步骤1：将单张干净图像转换成HSV格式的图像，并将HSV格式的图像的三个分量数据分别统计分类并归一化处理；
步骤2：将统计后的三个分量数据拼接组成训练器所需的特征向量，依次对若干干净图像执行步骤1和步骤2进一步得到若干干净图像对应的特征向量集；
步骤3：同理对若干脏污图像进行步骤1和步骤2的相同操作，得到若干脏污图像对应的特征向量集；
步骤4：将干净图像和脏污图像对应的特征向量集输入至线性SVM的训练器中，得到训练模型；
步骤5：读取训练模型，输入实际待测干净和脏污图像，得到输出识别结果并反馈至电脑端。
2.根据权利要求1所述的一种基于HSV和SVM的图像脏污识别方法，其特征在于，所述的步骤2中的三个分量数据包括H色度、S饱和度和V亮度。
3.根据权利要求1所述的一种基于HSV和SVM的图像脏污识别方法，其特征在于，所述的步骤1中将HSV格式的图像的三个分量数据分别统计分类并归一化处理的过程具体包括：当单幅图像采用HSV格式表示后，将HSV格式的图像的三个分量数据分别采用直方图的形式统计，并将统计结果分类并归一化处理。
4.根据权利要求1所述的一种基于HSV和SVM的图像脏污识别方法，其特征在于，所述的步骤1中的HSV格式的图像的三个分量数据中的色度矩阵对应的统计分类的类别数为18类。
5.根据权利要求1所述的一种基于HSV和SVM的图像脏污识别方法，其特征在于，所述的步骤1中的HSV格式的图像的三个分量数据中的饱和度矩阵对应的统计分类的类别数为18类。
6.根据权利要求1所述的一种基于HSV和SVM的图像脏污识别方法，其特征在于，所述的步骤1中的HSV格式的图像的三个分量数据中的亮度矩阵对应的统计分类的类别数为18类。
7.根据权利要求1所述的一种基于HSV和SVM的图像脏污识别方法，其特征在于，所述的步骤5具体包括：读取训练模型，输入实际待测干净和脏污图像经过步骤1至步骤3对应处理得到的特征向量，当训练模型反馈结果为true，则该实际待测干净和脏污图像为干净图像，当训练模型反馈结果为false，则该实际待测干净和脏污图像为脏污图像。
8.根据权利要求1所述的一种基于HSV和SVM的图像脏污识别方法，其特征在于，所述的步骤2中的将统计后的三个分量数据拼接组成训练器所需的特征向量的过程具体包括：将统计后的三个分量数据各自对应的矩阵特征向量按照色度、饱和度和亮度的顺序依次拼接，组成得到训练器所需的特征向量。
9.根据权利要求1所述的一种基于HSV和SVM的图像脏污识别方法，其特征在于，所述的步骤1中的干净图像为通过汽车摄像头传感器拍摄获取得到的干净图像。
10.根据权利要求1所述的一种基于HSV和SVM的图像脏污识别方法，其特征在于，所述的步骤3中的脏污图像为通过将亚克力板放置于汽车摄像头传感器前拍摄获取得到的脏污图像。
CN202010475350.9A 2020-05-29 2020-05-29 一种基于hsv和svm的图像脏污识别方法 Active CN111724349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010475350.9A CN111724349B (zh) 2020-05-29 2020-05-29 一种基于hsv和svm的图像脏污识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010475350.9A CN111724349B (zh) 2020-05-29 2020-05-29 一种基于hsv和svm的图像脏污识别方法

Publications (2)

Publication Number Publication Date
CN111724349A true CN111724349A (zh) 2020-09-29
CN111724349B CN111724349B (zh) 2022-09-20

Family

ID=72565410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010475350.9A Active CN111724349B (zh) 2020-05-29 2020-05-29 一种基于hsv和svm的图像脏污识别方法

Country Status (1)

Country Link
CN (1) CN111724349B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550123A (zh) * 2022-04-25 2022-05-27 江苏日盈电子股份有限公司 车载摄像头的污染判断方法、污染判断系统以及清洗方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915446A (zh) * 2012-09-20 2013-02-06 复旦大学 基于svm机器学习的植物病虫害检测方法
CN103996041A (zh) * 2014-05-15 2014-08-20 武汉睿智视讯科技有限公司 一种基于匹配的车辆颜色识别方法和系统
CN104504368A (zh) * 2014-12-10 2015-04-08 成都品果科技有限公司 一种图像场景识别方法及系统
CN105512612A (zh) * 2015-11-24 2016-04-20 中科院合肥技术创新工程院 一种基于svm的胶囊内窥镜图像分类方法
CN109325434A (zh) * 2018-09-15 2019-02-12 天津大学 一种多特征的概率主题模型的图像场景分类方法
CN109840911A (zh) * 2017-11-24 2019-06-04 法可赛阿达斯独资有限公司 确定干净或脏污的拍摄图像的方法、系统和计算机可读存储介质
WO2019146097A1 (ja) * 2018-01-29 2019-08-01 三菱電機ビルテクノサービス株式会社 欠陥のある撮影データの検知装置及び検知システム
CN110390359A (zh) * 2019-01-08 2019-10-29 电子科技大学 一种西藏青稞叶片病变的识别方法
CN110490194A (zh) * 2019-07-24 2019-11-22 广东工业大学 一种自适应权值的多特征分块融合交通标志的识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915446A (zh) * 2012-09-20 2013-02-06 复旦大学 基于svm机器学习的植物病虫害检测方法
CN103996041A (zh) * 2014-05-15 2014-08-20 武汉睿智视讯科技有限公司 一种基于匹配的车辆颜色识别方法和系统
CN104504368A (zh) * 2014-12-10 2015-04-08 成都品果科技有限公司 一种图像场景识别方法及系统
CN105512612A (zh) * 2015-11-24 2016-04-20 中科院合肥技术创新工程院 一种基于svm的胶囊内窥镜图像分类方法
CN109840911A (zh) * 2017-11-24 2019-06-04 法可赛阿达斯独资有限公司 确定干净或脏污的拍摄图像的方法、系统和计算机可读存储介质
WO2019146097A1 (ja) * 2018-01-29 2019-08-01 三菱電機ビルテクノサービス株式会社 欠陥のある撮影データの検知装置及び検知システム
CN109325434A (zh) * 2018-09-15 2019-02-12 天津大学 一种多特征的概率主题模型的图像场景分类方法
CN110390359A (zh) * 2019-01-08 2019-10-29 电子科技大学 一种西藏青稞叶片病变的识别方法
CN110490194A (zh) * 2019-07-24 2019-11-22 广东工业大学 一种自适应权值的多特征分块融合交通标志的识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550123A (zh) * 2022-04-25 2022-05-27 江苏日盈电子股份有限公司 车载摄像头的污染判断方法、污染判断系统以及清洗方法
CN114550123B (zh) * 2022-04-25 2023-04-07 江苏日盈电子股份有限公司 车载摄像头的污染判断方法、污染判断系统以及清洗方法

Also Published As

Publication number Publication date
CN111724349B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN104715239B (zh) 一种基于去雾处理和权重分块的车辆颜色识别方法
CN106469309B (zh) 车辆监控的方法和装置、处理器、图像采集设备
CN103996041B (zh) 一种基于匹配的车辆颜色识别方法和系统
CN110555465B (zh) 一种基于cnn与多特征融合的天气图像识别方法
CN106384117B (zh) 一种车辆颜色识别方法及装置
CN103824081B (zh) 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法
CN106951869B (zh) 一种活体验证方法及设备
CN104766049B (zh) 一种物体颜色识别方法及系统
CN105354530A (zh) 一种车身颜色识别方法及装置
CN108154160A (zh) 车牌颜色识别方法及系统
CN106295645B (zh) 一种车牌字符识别方法和装置
CN110458077A (zh) 一种车辆颜色识别方法及系统
CN108564631A (zh) 车灯光导色差检测方法、装置及计算机可读存储介质
CN109657715B (zh) 一种语义分割方法、装置、设备及介质
CN103093249A (zh) 一种基于高清视频的出租车识别方法及系统
CN109460715A (zh) 一种基于机器学习的交通灯自动识别实现方法
CN103544716B (zh) 一种对图像的像素进行颜色分类的方法及装置
CN102306276A (zh) 基于分块聚类的视频车辆图像中车身颜色识别方法
CN111724349B (zh) 一种基于hsv和svm的图像脏污识别方法
CN104680195A (zh) 一种自动识别道路卡口视频及图片中的车辆颜色的方法
CN109284759A (zh) 一种基于支持向量机（svm）的魔方颜色识别方法
CN107301421A (zh) 车辆颜色的识别方法及装置
CN108961357B (zh) 一种交通信号灯过爆图像强化方法及装置
CN109389111A (zh) 图像采集处理方法、装置及计算机可读存储介质
CN109558872A (zh) 一种车辆颜色识别方法

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