CN111753800A - 隧道入口的检测方法及检测装置、存储介质、设备 - Google Patents

隧道入口的检测方法及检测装置、存储介质、设备 Download PDF

Info

Publication number
CN111753800A
CN111753800A CN202010636138.6A CN202010636138A CN111753800A CN 111753800 A CN111753800 A CN 111753800A CN 202010636138 A CN202010636138 A CN 202010636138A CN 111753800 A CN111753800 A CN 111753800A
Authority
CN
China
Prior art keywords
image
edge
initial image
angle
tunnel entrance
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.)
Pending
Application number
CN202010636138.6A
Other languages
English (en)
Inventor
陈庆接
陈永辉
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.)
Shenzhen Anfa Image Technology Co ltd
Original Assignee
Shenzhen Anfa Image 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 Shenzhen Anfa Image Technology Co ltd filed Critical Shenzhen Anfa Image Technology Co ltd
Priority to CN202010636138.6A priority Critical patent/CN111753800A/zh
Publication of CN111753800A publication Critical patent/CN111753800A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T7/13—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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

Landscapes

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

Abstract

本发明公开了一种隧道入口的检测方法及检测装置、计算机可读存储介质、计算机设备。该检测方法包括：获取车辆行驶前方的实时图像；去除所述实时图像中的部分颜色分量，以生成初始图像；对所述初始图像进行形状识别处理，以检测所述初始图像中是否有预设形状图形；若所述初始图像中具有预设形状图形，则确定所述车辆的前方存在隧道入口。通过将车辆前方的实时图像中的自然界颜色分量进行去除，以降低后续的计算量和运算复杂度，有利于更快速地检测图形。并进一步通过利用带角度的卷积核进行滤波处理，可以过滤掉不相关的形状，进一步降低运算量，以更快地判断是否存在隧道入口，以便及时开启车灯。

Description

隧道入口的检测方法及检测装置、存储介质、设备
技术领域
本发明属于图像处理技术领域，具体地讲，涉及一种隧道入口的检测方法及检测装置、计算机可读存储介质、计算机设备。
背景技术
行驶中的车辆，从亮的地方突然进入隧道，这时候由于亮变暗的太快，导致驾驶员眼睛来不及适应，从而产生安全隐患。进入隧道后再手动开启大灯，一方面驾驶员的适应时间较长，另一方面由于车速也比较快，此时如果未能及时开启大灯，会带来更多危险。因此如果能在车辆进入隧道前就自动把大灯打开，并自动调节灯光亮度，点亮前路，这样可以提高行车安全。
由于车辆行驶速度一般较快，因此如何能更快地识别车辆行驶前方的隧道口，以及时地提前开启灯光，也是实际应用中急需解决的技术问题。
发明内容
(一)本发明所要解决的技术问题
本发明解决的技术问题是：如何提供一种更加快速地识别车辆前方的图像中是否存在隧道入口。
(二)本发明所采用的技术方案
一种隧道入口的检测方法，所述检测方法包括：
获取车辆行驶前方的实时图像；
去除所述实时图像中的部分颜色分量，以生成初始图像；
对所述初始图像进行形状识别处理，以检测所述初始图像中是否有预设形状图形；
若所述初始图像中具有预设形状图形，则确定所述车辆的前方存在隧道入口。
优选地，所述去除所述实时图像中的部分颜色分量，以生成初始图像的方法包括：
依次计算所述实时图像的每个像素的绿色分量值、蓝色分量值；
将绿色分量值满足第一预定条件的像素的绿色分量去除；
将蓝色分量值满足第二预定条件的像素的蓝色分量去除。
优选地，所述第一预定条件为：
G>B*(1+Tr)且G>R*(1+Tr)
其中，R、G、B分别表示每个像素的红色分量值、绿色分量值、蓝色分量值，Tr表示第一阈值。
优选地，所述第二预定条件为：
B>R*(1+Tb)且B>G*(1+Tb)
其中，R、G、B分别表示每个像素的红色分量值、绿色分量值、蓝色分量值，Tb表示第二阈值。
优选地，对所述初始图像进行形状识别处理，以检测所述初始图像中是否有预设形状图形的具体方法包括：
对所述初始图像进行卷积操作，以获得若干不同方向的边缘图；
对所述若干不同方向的边缘图进行融合处理，以生成多角度边缘图；
利用霍夫检测算法检测所述多角度边缘图中是否存在半圆形图形。
优选地，对所述初始图像进行卷积操作，以获得若干不同方向的边缘图的具体方法包括：
利用第一角度卷积核、第二角度卷积核对所述初始图像进行卷积操作，以生成第一左边缘图和第二左边缘图，其中，所述第一左边缘图中弧形轮廓的切线的倾斜角大于所述第二左边缘图中的弧形轮廓的切线的倾斜角；
利用第三角度卷积核、第四角度卷积核对所述初始图像进行卷积操作，以生成第一右边缘图和第二右边缘图，其中，所述第一右边缘图中弧形轮廓的切线的倾斜角大于所述第二右边缘图中的弧形轮廓的切线的倾斜角。
优选地，对所述若干不同方向的边缘图进行融合处理，以生成多角度边缘图的方法具体包括：
对各个方向的边缘图进行非极大值抑制处理；
对非极大值抑制处理后的边缘图进行双阈值检测，以得到候选边缘位置图；
根据所述候选边缘位置图生成多角度边缘图。
本发明还公开了一种隧道入口的检测装置，所述检测装置包括：
图像获取模块，用于获取车辆行驶前方的实时图像；
颜色抑制模块，用于去除所述实时图像中的部分颜色分量，以生成初始图像；
形状识别模块，用于对所述初始图像进行形状识别处理，以检测所述初始图像中是否有预设形状图形；
确定模块，用于当所述边缘图像中具有预设形状图形时，确定所述车辆的前方存在隧道入口。
本发明还公开了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隧道入口的检测程序程序，所述隧道入口的检测程序程序被处理器执行时实现上述的一种隧道入口的检测方法。
本发明还公开了一种计算机设备，所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的隧道入口的检测程序程序，所述隧道入口的检测程序程序被处理器执行时实现上述的一种隧道入口的检测方法。
(三)有益效果
本发明公开的一种隧道入口的检测方法及预测装置，通过将车辆前方的实时图像中的自然界颜色分量进行去除，以降低后续的计算量和运算复杂度，有利于更快速地检测图形。并进一步通过利用带角度的卷积核进行滤波处理，可以过滤掉不相关的形状，进一步降低运算量，以更快地判断是否存在隧道入口，以便及时开启车灯。
附图说明
图1为本发明的实施例的一种隧道入口的检测方法的流程图；
图2为本发明的实施例的图像形状识别处理的流程图；
图3为本发明的实施例的初始图像的示意图；
图4为本发明的实施例的融合处理的流程图；
图5为本发明的实施例的隧道入口的检测装置的示意图；
图6为本发明的实施例的计算机设备的原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在详细描述本申请的技术方案前，首先简单描述本申请的发明构思：汽车在行驶过程中，所拍摄的图像存在较多的自然界颜色，例如天空的颜色、树木的颜色等无关颜色，如果直接对实时图像进行识别，计算量较大，因此，本申请通过去除实时图像中的部分颜色分量去除，以减小计算量，以更加快速地识别图像中的形状，从而检测是否存在隧道入口。
具体来说，如图1所示，本申请的实施例的隧道入口的检测方法包括如下步骤：
步骤S10：获取车辆行驶前方的实时图像。
具体来说，在车辆上安装摄像头，利用摄像头来拍摄车辆行驶前方的实时图像。摄像头获得的实时图像是RGB格式的，为了便于进行图像处理，将RGB格式的实时图像转换成YUV格式的实时图像，RGB格式与YUV格式的转换关系如下：
Y＝0.299*R+0.587*G+0.114*B
U＝-0.169*R-0.331*G+0.5*B
V＝0.5*R-0.419*G-0.081*B
其中，Y表示亮度，U、V表示色度，R、G、B分别表示每个像素的红色分量值、绿色分量值、蓝色分量值。
步骤S20：去除所述实时图像中的部分颜色分量，以生成初始图像。
具体来说，针对隧道场景，根据统计到的大量图像数据可知，大部分情况下，图像中存在大量的自然界颜色，以绿色和蓝色为主，因此可以通过设置阈值，抑制这些分量，以降低后续处理的复杂度和减少误判。
进一步地，该步骤S20包括：依次计算所述实时图像的每个像素的绿色分量值、蓝色分量值，将绿色分量值满足第一预定条件的像素的绿色分量去除；将蓝色分量值满足第二预定条件的像素的蓝色分量去除。
针对某一像素来说，若绿色分量值满足如下条件时，则满足第一预定条件：
G>B*(1+Tr)且G>R*(1+Tr)
其中，R、G、B分别表示每个像素的红色分量值、绿色分量值、蓝色分量值，Tr表示第一阈值。Tr具体取值需要根据实际产品采用的摄像头模组进行调整。当绿色分量值满足上述条件时，则说明该像素以绿色为主，代表自然界色彩，因此需要进行抑制。
若蓝色分量值满足如下条件时，则满足第二预定条件：
B>R*(1+Tb)且B>G*(1+Tb)
其中，R、G、B分别表示每个像素的红色分量值、绿色分量值、蓝色分量值，Tb表示第二阈值。Tb具体取值需要根据实际产品采用的摄像头模组进行调整。当蓝色分量值满足上述条件时，则说明该像素以蓝色为主，代表自然界色彩，因此需要进行抑制。
步骤S30：对所述初始图像进行形状识别处理，以检测所述初始图像中是否有预设形状图形。
具体来说，如图2所示，该步骤S30包括如下：
步骤S31：对所述初始图像进行卷积操作，以获得若干不同方向的边缘图。
由于隧道入口一般为近似半圆形设计，即拱形设计，初始图像中可能存在较多的无关形状，为了进一步减小运算量，对初始图像进行卷积操作，实现滤波处理，在保留隧道入口的弧形轮廓的基础上，尽可能地去除无关形状，避免后续找圆过程的复杂度。作为优选实施例，采用四个不同角度的卷积核，分别对初始图像进行卷积操作，分别获得不同方向的四个边缘图。
具体地，利用第一角度卷积核、第二角度卷积核对初始图像进行卷积操作，以生成第一左边缘图和第二左边缘图，其中，第一左边缘图中弧形轮廓的切线的倾斜角大于所述第二左边缘图中的弧形轮廓的切线的倾斜角。利用第三角度卷积核、第四角度卷积核对初始图像进行卷积操作，以生成第一右边缘图和第二右边缘图，其中，所述第一右边缘图中弧形轮廓的切线的倾斜角大于所述第二右边缘图中的弧形轮廓的切线的倾斜角。
其中，第一角度卷积核K0具体为：
Figure BDA0002569563500000061
利用第一角度卷积核K0与初始图像进行卷积操作时，得到第一左边缘图，其中，第一左边缘图中的弧形轮廓的切线的倾斜角在第一范围内，即示例性地，如图3所示，将初始图像划分为4个区域，利用第一角度卷积核K0进行卷积时，位于第一区域Ⅰ内且轮廓的切线的倾斜角在第一范围内的弧形轮廓能被识别，这样可以忽略掉不相关的形状，减少后续的运算量以及计算复杂度。
进一步地，第一角度卷积核K1具体为：
Figure BDA0002569563500000062
利用第二角度卷积核K1与初始图像进行卷积操作时，得到第二左边缘图，其中，第二左边缘图中的弧形轮廓的切线的倾斜角在第二范围内，即示例性地，如图3所示，利用第二角度卷积核K1进行卷积时，位于第二区域Ⅱ内且轮廓的切线的倾斜角在第二范围内的弧形轮廓能被识别，这样可以忽略掉不相关的形状，减少后续的运算量以及计算复杂度。
进一步地，第三角度卷积核K2具体为：
Figure BDA0002569563500000063
利用第三角度卷积核K2与初始图像进行卷积操作时，得到第一右边缘图，其中，第一右边缘图中的弧形轮廓的切线的倾斜角在第三范围内，即示例性地，如图3所示，第三角度卷积核K2进行卷积时，位于第三区域Ⅲ内且轮廓的切线的倾斜角在第三范围内的弧形轮廓能被识别，这样可以忽略掉不相关的形状，减少后续的运算量以及计算复杂度。
进一步地，第四角度卷积核K3具体为：
Figure BDA0002569563500000071
利用第四角度卷积核K3与初始图像进行卷积操作时，得到第二右边缘图，其中，第二右边缘图中的弧形轮廓的切线的倾斜角在第四范围内，即示例性地，如图3所示，第四角度卷积核K3进行卷积时，位于第四区域Ⅳ内且轮廓的切线的倾斜角在第四范围内的弧形轮廓能被识别，这样可以忽略掉不相关的形状，减少后续的运算量以及计算复杂度。
步骤S32：对所述若干不同方向的边缘图进行融合处理，以生成多角度边缘图。
具体来说，如图4所示，该步骤S32包括如下步骤：
步骤S321：对各个方向的边缘图进行非极大值抑制处理。
具体来说，分别计算第一左边缘图、第二左边缘图、第一右边缘图和第二右边缘图的每个像素点的梯度幅值和梯度方向，在每个边缘图中选取一定大小的邻域块，对领域块中的中心点进行梯度比较，以确定中心点是否为主要边缘点。示例性地，选取第一左边缘图中3×3的邻域块，将邻域块的中心点的梯度大小与沿着梯度方向的一对相邻像素的梯度大小进行比较。如果梯度幅度最大，则它保持不变，并且该点被认为是主要边缘点，否则将被定义为0，且认定该点为非边缘像素点。
步骤S322：对非极大值抑制处理后的边缘图进行双阈值检测，以得到候选边缘位置图。
具体来说，设置高阈值T1和低阈值T2，并根据如下条件对各个像素点进行进行分类，具体分类条件如下：
条件一：若像素点的梯度幅值V大于高阈值T1，则将该像素点作为强边缘点。
条件二：若像素点的梯度幅值V小于高阈值T1且大于低阈值T2，则将该像素点作为弱边缘点。
条件三：若像素点的梯度幅值V小于低阈值T2，则将该像素点作为非边缘像素点。
进一步地，对各个边缘图的相同位置上像素点的梯度幅值与高阈值T1、低阈值T2进行比较，某个位置上至少存在一个强边缘点，则将该位置作为候选边缘位置。示例性地，在第一左边缘图、第二左边缘图、第一右边缘图和第二右边缘图中选取相同的位置A，各个边缘图在位置A上的像素点的梯度幅值分别为V0、V1、V2、V3，将梯度幅值分别与T1、T2进行比较，若V0、V1、V2、V3中至少有一个满足条件一，即至少存在一个强边缘点，则将该位置A作为候选边缘位置。若四个梯度幅值均不满足条件一，则继续判断是否满足条件二，若V0、V1、V2、V3中至少有一个满足条件二，即至少存在一个弱边缘点，进一步判断每个弱边缘点的邻域像素中是否存在其他强边缘点，若存在则将认为该弱边缘点为强边缘点，并将位置A作为候选边缘位置；若不存在则认为该弱边缘点为非边缘像素点，并认为位置A为非边缘位置。若V0、V1、V2、V3均满足条件三，则直接认为位置A为非边缘位置。
通过上述方法识别出各个候选边缘位置和非边缘位置，并生成候选边缘位置图。
步骤S323：根据候选边缘位置图生成多角度边缘图。
具体来说，将候选边缘位置图中的候选边缘位置的灰度值设为1，将候选边缘位置图中的非边缘位置的灰度值设为0，从而得到多角度边缘图，这样可以进一步去除多余的像素，只保留候选边缘位置的像素，减少了运算量。
步骤S33：利用霍夫检测算法检测所述多角度边缘图中是否存在半圆形图形。
采用霍夫检测算法检测上述多角度边缘图中是否存在半圆形图形。霍夫检测算法为现有技术，在此不进行赘述。
步骤S40：若所述初始图像中具有预设形状图形，则确定所述车辆的前方存在隧道入口。
若利用霍夫检测算法检测到多角度边缘图中具有半圆形图形，则判断车辆的前方存在隧道入口。若未检测到半圆形图形，则判断车辆前方不存在隧道入口，并重复步骤S10至步骤S40，以继续检测后续图像中是否存在半圆形图形。
当检测到半圆形图形时，进一步计算半圆形图形的半径，并根据半圆形图形所占的画面比例、车道线宽度、镜头内参等数据，计算此时摄像头与隧道入口的距离，并根据这一距离判断是否需要立即开启车灯。开启车灯的距离可自行设置，例如100米，当检测到半圆形图形时，如果此时车辆与隧道口的距离大于100米，不需要立即开启车灯，当车辆与隧道口的距离小于或等于100米时，再开启车灯。
本申请的实施例公开的一种隧道入口的检测方法，通过将车辆前方的实时图像中的自然界颜色分量进行去除，以降低后续的计算量和运算复杂度，有利于更快速地检测图形。并进一步通过利用带角度的卷积核进行滤波处理，可以过滤掉不相关的形状，进一步降低运算量，以更快地判断是否存在隧道入口，以便及时开启车灯。
如图5所示，本申请还公开了一种隧道入口的检测装置，该检测装置包括：图像获取模块100、颜色抑制模块200、形状识别模块300和确定模块400。其中，图像获取模块100用于获取车辆行驶前方的实时图像；颜色抑制模块200用于去除所述实时图像中的部分颜色分量，以生成初始图像；形状识别模块300用于对所述初始图像进行形状识别处理，以检测所述初始图像中是否有预设形状图形；确定模块400用于当所述边缘图像中具有预设形状图形时，确定所述车辆的前方存在隧道入口。
具体地，颜色抑制模块200用于依次计算所述实时图像的每个像素的绿色分量值、蓝色分量值；并将绿色分量值满足第一预定条件的像素的绿色分量去除；以及将蓝色分量值满足第二预定条件的像素的蓝色分量去除。
形状识别模块300用于对所述初始图像进行卷积操作，以获得若干不同方向的边缘图；对所述若干不同方向的边缘图进行融合处理，以生成多角度边缘图；利用霍夫检测算法检测所述多角度边缘图中是否存在半圆形图形。
进一步地，形状识别模块300还用于利用第一角度卷积核、第二角度卷积核对所述初始图像进行卷积操作，以生成第一左边缘图和第二左边缘图，其中，所述第一左边缘图中弧形轮廓的切线的倾斜角大于所述第二左边缘图中的弧形轮廓的切线的倾斜角；利用第三角度卷积核、第四角度卷积核对所述初始图像进行卷积操作，以生成第一右边缘图和第二右边缘图，其中，所述第一右边缘图中弧形轮廓的切线的倾斜角大于所述第二右边缘图中的弧形轮廓的切线的倾斜角。
本申请还公开了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隧道入口的检测程序，所述隧道入口的检测程序被处理器执行时实现上述的一种隧道入口的检测方法。
本申请还公开了一种计算机设备，在硬件层面，如图6所示，该终端包括处理器12、内部总线13、网络接口14、计算机可读存储介质11。处理器12从计算机可读存储介质中读取对应的计算机程序然后运行，在逻辑层面上形成请求处理装置。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。所述计算机可读存储介质11上存储有隧道入口的检测程序，所述隧道入口的检测程序被处理器执行时实现上述的一种隧道入口的检测方法。
计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上面对本发明的具体实施方式进行了详细描述，虽然已表示和描述了一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下，可以对这些实施例进行修改和完善，这些修改和完善也应在本发明的保护范围内。

Claims (10)

1.一种隧道入口的检测方法，其特征在于，所述检测方法包括：
获取车辆行驶前方的实时图像；
去除所述实时图像中的部分颜色分量，以生成初始图像；
对所述初始图像进行形状识别处理，以检测所述初始图像中是否有预设形状图形；
若所述初始图像中具有预设形状图形，则确定所述车辆的前方存在隧道入口。
2.根据权利要求1所述的隧道入口的检测方法，其特征在于，所述去除所述实时图像中的部分颜色分量，以生成初始图像的方法包括：
依次计算所述实时图像的每个像素的绿色分量值、蓝色分量值；
将绿色分量值满足第一预定条件的像素的绿色分量去除；
将蓝色分量值满足第二预定条件的像素的蓝色分量去除。
3.根据权利要求2所述的隧道入口的检测方法，其特征在于，所述第一预定条件为：
G>B*(1+Tr)且G>R*(1+Tr)
其中，R、G、B分别表示每个像素的红色分量值、绿色分量值、蓝色分量值，Tr表示第一阈值。
4.根据权利要求2所述的隧道入口的检测方法，其特征在于，所述第二预定条件为：
B>R*(1+Tb)且B>G*(1+Tb)
其中，R、G、B分别表示每个像素的红色分量值、绿色分量值、蓝色分量值，Tb表示第二阈值。
5.根据权利要求1所述的隧道入口的检测方法，其特征在于，对所述初始图像进行形状识别处理，以检测所述初始图像中是否有预设形状图形的具体方法包括：
对所述初始图像进行卷积操作，以获得若干不同方向的边缘图；
对所述若干不同方向的边缘图进行融合处理，以生成多角度边缘图；
利用霍夫检测算法检测所述多角度边缘图中是否存在半圆形图形。
6.根据权利要求5所述的隧道入口的检测方法，其特征在于，对所述初始图像进行卷积操作，以获得若干不同方向的边缘图的具体方法包括：
利用第一角度卷积核、第二角度卷积核对所述初始图像进行卷积操作，以生成第一左边缘图和第二左边缘图，其中，所述第一左边缘图中弧形轮廓的切线的倾斜角大于所述第二左边缘图中的弧形轮廓的切线的倾斜角；
利用第三角度卷积核、第四角度卷积核对所述初始图像进行卷积操作，以生成第一右边缘图和第二右边缘图，其中，所述第一右边缘图中弧形轮廓的切线的倾斜角大于所述第二右边缘图中的弧形轮廓的切线的倾斜角。
7.根据权利要求6所述的隧道入口的检测方法，其特征在于，对所述若干不同方向的边缘图进行融合处理，以生成多角度边缘图的方法具体包括：
对各个方向的边缘图进行非极大值抑制处理；
对非极大值抑制处理后的边缘图进行双阈值检测，以得到候选边缘位置图；
根据所述候选边缘位置图生成多角度边缘图。
8.一种隧道入口的检测装置，其特征在于，所述检测装置包括：
图像获取模块，用于获取车辆行驶前方的实时图像；
颜色抑制模块，用于去除所述实时图像中的部分颜色分量，以生成初始图像；
形状识别模块，用于对所述初始图像进行形状识别处理，以检测所述初始图像中是否有预设形状图形；
确定模块，用于当所述边缘图像中具有预设形状图形时，确定所述车辆的前方存在隧道入口。
9.一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隧道入口的检测程序，所述隧道入口的检测程序被处理器执行时实现权利要求1至7任一项所述的一种隧道入口的检测方法。
10.一种计算机设备，其特征在于，所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的隧道入口的检测程序，所述隧道入口的检测程序被处理器执行时实现权利要求1至7任一项所述的一种隧道入口的检测方法。
CN202010636138.6A 2020-07-03 2020-07-03 隧道入口的检测方法及检测装置、存储介质、设备 Pending CN111753800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010636138.6A CN111753800A (zh) 2020-07-03 2020-07-03 隧道入口的检测方法及检测装置、存储介质、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010636138.6A CN111753800A (zh) 2020-07-03 2020-07-03 隧道入口的检测方法及检测装置、存储介质、设备

Publications (1)

Publication Number Publication Date
CN111753800A true CN111753800A (zh) 2020-10-09

Family

ID=72679103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010636138.6A Pending CN111753800A (zh) 2020-07-03 2020-07-03 隧道入口的检测方法及检测装置、存储介质、设备

Country Status (1)

Country Link
CN (1) CN111753800A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113752940A (zh) * 2021-09-13 2021-12-07 东风柳州汽车有限公司 进出隧道车灯控制方法、设备、存储介质及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113752940A (zh) * 2021-09-13 2021-12-07 东风柳州汽车有限公司 进出隧道车灯控制方法、设备、存储介质及装置

Similar Documents

Publication Publication Date Title
CN111612781B (zh) 一种屏幕缺陷检测方法、装置及头戴显示设备
US9953229B2 (en) Traffic light detection
US11108970B2 (en) Flicker mitigation via image signal processing
CN104657735A (zh) 车道线检测方法、系统、车道偏离预警方法及系统
US10878259B2 (en) Vehicle detecting method, nighttime vehicle detecting method based on dynamic light intensity and system thereof
CN107844761B (zh) 交通标志的检测方法及装置
CN107644538B (zh) 交通信号灯的识别方法及装置
CN107748882B (zh) 一种车道线检测方法及装置
CN111382658B (zh) 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法
CN106022268A (zh) 一种限速标识的识别方法和装置
CN111046741A (zh) 车道线识别的方法和装置
CN111753800A (zh) 隧道入口的检测方法及检测装置、存储介质、设备
KR101522757B1 (ko) 영상의 노이즈 제거 방법
CN108090425B (zh) 一种车道线检测方法、装置及终端
CN111191482A (zh) 一种刹车灯识别方法、装置及电子设备
CN112465735A (zh) 行人检测方法、装置及计算机可读存储介质
CN112784675A (zh) 目标检测方法及装置、存储介质、终端
CN113762004A (zh) 车道线检测方法及装置
CN112287731B (zh) 目标的三元图像构建方法和装置及检测方法和装置
CN115588171A (zh) 一种图像处理方法及终端、存储介质
JP7114965B2 (ja) ターゲット検出方法、装置及び画像処理装置
WO2020001630A1 (zh) 一种三值图像获取方法、装置及车辆
CN114581876A (zh) 构建复杂场景下车道检测模型的方法和检测车道线方法
CN115984828B (zh) 基于几何特征描述子的远光灯开启检测方法、装置及设备
Chen et al. Research on safe distance measuring method of front vehicle in foggy environment

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