CN111754469A - 基于sobel的车位检测方法、装置、计算机设备及存储介质 - Google Patents

基于sobel的车位检测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111754469A
CN111754469A CN202010522718.2A CN202010522718A CN111754469A CN 111754469 A CN111754469 A CN 111754469A CN 202010522718 A CN202010522718 A CN 202010522718A CN 111754469 A CN111754469 A CN 111754469A
Authority
CN
China
Prior art keywords
sobel
binary image
image
parking space
unit
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
CN202010522718.2A
Other languages
English (en)
Inventor
莫松文
任仲超
凌云志
张业楚
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 Southern Dare Automotive Electronic Co Ltd
Original Assignee
Shenzhen Southern Dare Automotive Electronic 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 Southern Dare Automotive Electronic Co Ltd filed Critical Shenzhen Southern Dare Automotive Electronic Co Ltd
Priority to CN202010522718.2A priority Critical patent/CN111754469A/zh
Publication of CN111754469A publication Critical patent/CN111754469A/zh
Pending legal-status Critical Current

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
    • 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
    • G06T7/13—Edge detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于sobel的车位检测方法、装置、计算机设备及其存储介质，方法包括以下步骤：获取车位的当前帧图像；对当前帧图像做sobel边缘检测，获取二值图像；对二值图像进行膨胀处理；对膨胀后的二值图像进行直线拟合，以获得车位线。与现有技术相比，本发明的实施例提供了一种基于sobel的车位检测方法、装置、计算机设备及存储介质，其通过摄像机获取的车位当前的多帧图像，然后根据图像进行图像处理，以获得车位线的目的，该检测方法不依赖障碍物，降低了检测硬件成本，提高了检测精度，避免了超声波检测的局限性。

Description

基于sobel的车位检测方法、装置、计算机设备及存储介质
技术领域
本发明涉及车位检测技术领域，尤其涉及一种基于sobel的车位检测方法、装置、计算机设备及存储介质。
背景技术
传统的超声波车位检测方法，只依赖于旁边是否存在障碍物，如果不存在障碍物，超声波的车位检测方法不能良好的执行。
发明内容
本发明的实施例提供了一种基于sobel的车位检测方法、装置、计算机设备及存储介质，旨在解决现有超声波车位检测依赖障碍物的问题。
为达到上述目的，本发明所提出的技术方案为：
第一方面，本发明提供了一种基于sobel的车位检测方法，其包括以下步骤：
获取车位的当前帧图像；
对当前帧图像做sobel边缘检测，获取二值图像；
对二值图像进行膨胀处理；
对膨胀后的二值图像进行直线拟合，以获得车位线。
其中，所述步骤“对当前帧图像做sobel边缘检测，获取二值图像”中sobel边缘检测包括以下步骤：
获取帧图像中所有像素点的灰度值f(a、b)；
将获取的灰度值f(a、b)与sobel卷积因子做平面卷积运算，以得到横向及纵向的亮度差近似值；
根据横向及纵向的亮度差近似值计算每个像素点的灰度值G；
选取灰度值G大于设定的阀值的点，则这些点构成边缘点集合。
其中，所述所述步骤“对二值图像进行膨胀处理”包括以下步骤：
用3*3结构元素扫描二值图像中的每一个像素；
将结构元素与其覆盖的二值图像的像素点做与运算，以获得二值图像的膨胀图像。
其中，所述步骤“对膨胀后的二值图像进行直线拟合，以获得车位线”中直线拟合包括：用解析表达式逼近离散数据的方法和最小二乘法。
第二方面，本发明提供了一种基于sobel的车位检测装置，其包括：
图像获取单元，用于获取车位的当前帧图像；
边缘检测单元，用于对当前帧图像做sobel边缘检测，获取二值图像；
膨胀处理单元，用于对二值图像进行膨胀处理；
直线拟合单元，用于对膨胀后的二值图像进行直线拟合，以获得车位线。
其中，所述边缘检测单元包括：
灰度值获取单元，用于获取帧图像中所有像素点的灰度值f(a、b)；
平面卷积运算单元，用于将获取的灰度值f(a、b)与sobel卷积因子做平面卷积运算，以得到横向及纵向的亮度差近似值；
灰度值运算单元，用于根据横向及纵向的亮度差近似值计算每个像素点的灰度值G；
灰度值点选择单元，用于选取灰度值G大于设定的阀值的点，则这些点构成边缘点集合。
其中，所述膨胀处理单元包括：
像素扫描单元，用于用3*3结构元素扫描二值图像中的每一个像素；
与运算单元，用于将结构元素与其覆盖的二值图像的像素点做与运算，以获得二值图像的膨胀图像。
其中，所述直线拟合单元用于执行用解析表达式逼近离散数据的方法或最小二乘法，以获得拟合直线。
第三方面，本发明提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述基于sobel的车位检测方法。
第四方面，本发明提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现如上任一项所述基于sobel的车位检测方法。
与现有技术相比，本发明的实施例提供了一种基于sobel的车位检测方法、装置、计算机设备及存储介质，其通过摄像机获取的车位当前的多帧图像，然后根据图像进行图像处理，以获得车位线的目的，该检测方法不依赖障碍物，降低了检测硬件成本，提高了检测精度，避免了超声波检测的局限性。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于sobel的车位检测方法的主流程图；
图2为本发明实施例提供的基于sobel的车位检测方法的子流程图；
图3为本发明实施例提供的基于sobel的车位检测方法的子流程图；
图4为本发明实施例提供的基于sobel的车位检测装置的示意性简图；以及
图5为本发明实施例提供的计算机设备的示意性框图。
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一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅附图1，附图1为本发明的一种基于sobel的车位检测方法，其包括以下步骤：
步骤S100、获取车位的当前帧图像；采用高清摄像机拍摄车辆当前所在车位的车位图片，该图片需要尽可能多的捕捉细节信息，特别是车位线的信息。相对于传统的超声波检测，避免了对障碍物反射的条件依赖，从而使得检测更加精准。
步骤S200、对当前帧图像做sobel边缘检测，获取二值图像；
请再次参阅图2，图2为本发明实施例的基于sobel的车位检测方法的子流程图，其中，所述步骤S200“对当前帧图像做sobel边缘检测，获取二值图像”中sobel边缘检测包括以下步骤：
步骤S201、获取帧图像中所有像素点的灰度值f(a、b)；
步骤S202、将获取的灰度值f(a、b)与sobel卷积因子做平面卷积运算，以得到横向及纵向的亮度差近似值；
步骤S203、根据横向及纵向的亮度差近似值计算每个像素点的灰度值G；
步骤S204、选取灰度值G大于设定的阀值的点，则这些点构成边缘点集合。
具体的，索贝尔算子(Sobel operator)主要用作边缘检测，在技术上，它是一离散性差分算子，用来运算图像亮度函数的灰度之近似值。在图像的任何一点使用此算子，将会产生对应的灰度矢量或是其法矢量
Sobel卷积因子为：
Figure BDA0002532654350000061
该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值，其公式如下：
Figure BDA0002532654350000062
具体计算如下：
Gx＝(-1)*f(x-1,y-1)+0*f(x,y-1)+1*f(x+1,y-1)+(-2)*f(x-1,y)+0*f(x,y)+2*f(x+1,y)+(-1)*f(x-1,y+1)+0*f(x,y+1)+1*f(x+1,y+1)
＝[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]
Gy＝1*f(x-1,y-1)+2*f(x,y-1)+1*f(x+1,y-1)+0*f(x-1,y)0*f(x,y)+0*f(x+1,y)+(-1)*f(x-1,y+1)+(-2)*f(x,y+1)+(-1)*f(x+1,y+1)
＝[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)]
其中f(a,b),表示图像(a,b)点的灰度值；
图像的每一个像素的横向及纵向灰度值通过以下公式结合，来计算该点灰度的大小：
Figure BDA0002532654350000071
通常，为了提高效率使用不开平方的近似值：
|G|＝|Gx|+|Gy|
如果梯度G大于某一阀值则认为该点(x,y)为边缘点。
然后可用以下公式计算梯度方向：
Figure BDA0002532654350000072
Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。
步骤S300、对二值图像进行膨胀处理；
请再次参阅图3，图3为本发明实施例的基于sobel的车位检测方法的子流程图，其中，所述所述步骤S300“对二值图像进行膨胀处理”包括以下步骤：
步骤S301、用3*3结构元素扫描二值图像中的每一个像素；
步骤S302、将结构元素与其覆盖的二值图像的像素点做与运算，以获得二值图像的膨胀图像。
图像的膨胀处理是指使用kernel划过图像，将区域的最大值赋给锚点位置。最终致使图像的亮区扩展，能起到平滑边缘的作用。
步骤S400、对膨胀后的二值图像进行直线拟合，以获得车位线。
其中，所述步骤S400“对膨胀后的二值图像进行直线拟合，以获得车位线”中直线拟合包括：用解析表达式逼近离散数据的方法和最小二乘法。最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。
请再次参阅图4，图4为本发明的基于sobel的车位检测装置示意性框图，该基于sobel的车位检测装置100，其包括：
图像获取单元101，用于获取车位的当前帧图像。
边缘检测单元102，用于对当前帧图像做sobel边缘检测，获取二值图像。
其中，边缘检测单元102包括：
灰度值获取单元1021，用于获取帧图像中所有像素点的灰度值f(a、b)；
平面卷积运算单元1022，用于将获取的灰度值f(a、b)与sobel卷积因子做平面卷积运算，以得到横向及纵向的亮度差近似值；
灰度值运算单元1023，用于根据横向及纵向的亮度差近似值计算每个像素点的灰度值G；
灰度值点选择单元1024，用于选取灰度值G大于设定的阀值的点，则这些点构成边缘点集合。
膨胀处理单元103，用于对二值图像进行膨胀处理。
其中，所述膨胀处理单元103包括：
像素扫描单元1031，用于用3*3结构元素扫描二值图像中的每一个像素；
与运算单元1032，用于将结构元素与其覆盖的二值图像的像素点做与运算，以获得二值图像的膨胀图像。
直线拟合单元104，用于对膨胀后的二值图像进行直线拟合，以获得车位线。
其中，所述直线拟合单元104用于执行用解析表达式逼近离散数据的方法或最小二乘法，以获得拟合直线。
请参阅图5，本实施例还提供了一种计算机设备，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种基于sobel的车位检测。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行以下步骤：
步骤S100、获取车位的当前帧图像；采用高清摄像机拍摄车辆当前所在车位的车位图片，该图片需要尽可能多的捕捉细节信息，特别是车位线的信息。相对于传统的超声波检测，避免了对障碍物反射的条件依赖，从而使得检测更加精准。
步骤S200、对当前帧图像做sobel边缘检测，获取二值图像；
请再次参阅图2，图2为本发明实施例的基于sobel的车位检测方法的子流程图，其中，所述步骤S200“对当前帧图像做sobel边缘检测，获取二值图像”中sobel边缘检测包括以下步骤：
步骤S201、获取帧图像中所有像素点的灰度值f(a、b)；
步骤S202、将获取的灰度值f(a、b)与sobel卷积因子做平面卷积运算，以得到横向及纵向的亮度差近似值；
步骤S203、根据横向及纵向的亮度差近似值计算每个像素点的灰度值G；
步骤S204、选取灰度值G大于设定的阀值的点，则这些点构成边缘点集合。
Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。
步骤S300、对二值图像进行膨胀处理；
请再次参阅图3，图3为本发明实施例的基于sobel的车位检测方法的子流程图，其中，所述所述步骤S300“对二值图像进行膨胀处理”包括以下步骤：
步骤S301、用3*3结构元素扫描二值图像中的每一个像素；
步骤S302、将结构元素与其覆盖的二值图像的像素点做与运算，以获得二值图像的膨胀图像。
图像的膨胀处理也即使用kernel划过图像，将区域的最大值赋给锚点位置。最终致使图像的亮区扩展，能起到平滑边缘的作用。
步骤S400、对膨胀后的二值图像进行直线拟合，以获得车位线。
其中，所述步骤S400“对膨胀后的二值图像进行直线拟合，以获得车位线”中直线拟合包括：用解析表达式逼近离散数据的方法和最小二乘法。最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。
本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现如下基于sobel的车位检测方法，其包括以下步骤：步骤S100、获取车位的当前帧图像；采用高清摄像机拍摄车辆当前所在车位的车位图片，步骤S200、对当前帧图像做sobel边缘检测，获取二值图像；步骤S300、对二值图像进行膨胀处理；步骤S400、对膨胀后的二值图像进行直线拟合，以获得车位线。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
与现有技术相比，本发明的实施例提供了一种基于sobel的车位检测方法、装置、计算机设备及存储介质，其通过摄像机获取的车位当前的多帧图像，然后根据图像进行图像处理，以获得车位线的目的，该检测方法不依赖障碍物，降低了检测硬件成本，提高了检测精度，避免了超声波检测的局限性。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
上述内容，仅为本发明的较佳实施例，并非用于限制本发明的实施方案，本领域普通技术人员根据本发明的主要构思和精神，可以十分方便地进行相应的变通或修改，故本发明的保护范围应以权利要求书所要求的保护范围为准。

Claims (10)

1.一种基于sobel的车位检测方法，其特征在于，包括以下步骤：
获取车位的当前帧图像；
对当前帧图像做sobel边缘检测，获取二值图像；
对二值图像进行膨胀处理；
对膨胀后的二值图像进行直线拟合，以获得车位线。
2.根据权利要求1所述的基于sobel的车位检测方法，其特征在于，所述步骤“对当前帧图像做sobel边缘检测，获取二值图像”中sobel边缘检测包括以下步骤：
获取帧图像中所有像素点的灰度值f(a、b)；
将获取的灰度值f(a、b)与sobel卷积因子做平面卷积运算，以得到横向及纵向的亮度差近似值；
根据横向及纵向的亮度差近似值计算每个像素点的灰度值G；
选取灰度值G大于设定阀值的点，则这些点构成边缘点集合。
3.根据权利要求1所述的基于sobel的车位检测方法，其特征在于，所述所述步骤“对二值图像进行膨胀处理”包括以下步骤：
用3*3结构元素扫描二值图像中的每一个像素；
将结构元素与其覆盖的二值图像的像素点做与运算，以获得二值图像的膨胀图像。
4.根据权利要求2所述的基于sobel的车位检测方法，其特征在于，所述步骤“对膨胀后的二值图像进行直线拟合，以获得车位线”中直线拟合包括：用解析表达式逼近离散数据的方法和最小二乘法。
5.一种基于sobel的车位检测装置，其特征在于，包括：
图像获取单元，用于获取车位的当前帧图像；
边缘检测单元，用于对当前帧图像做sobel边缘检测，获取二值图像；
膨胀处理单元，用于对二值图像进行膨胀处理；
直线拟合单元，用于对膨胀后的二值图像进行直线拟合，以获得车位线。
6.根据权利要求5所述的基于sobel的车位检测装置，其特征在于，所述边缘检测单元包括：
灰度值获取单元，用于获取帧图像中所有像素点的灰度值f(a、b)；
平面卷积运算单元，用于将获取的灰度值f(a、b)与sobel卷积因子做平面卷积运算，以得到横向及纵向的亮度差近似值；
灰度值运算单元，用于根据横向及纵向的亮度差近似值计算每个像素点的灰度值G；
灰度值点选择单元，用于选取灰度值G大于设定的阀值的点，则这些点构成边缘点集合。
7.根据权利要求5所述的基于sobel的车位检测装置，其特征在于，所述膨胀处理单元包括：
像素扫描单元，用于用3*3结构元素扫描二值图像中的每一个像素；
与运算单元，用于将结构元素与其覆盖的二值图像的像素点做与运算，以获得二值图像的膨胀图像。
8.根据权利要求5所述的基于sobel的车位检测装置，其特征在于，所述直线拟合单元用于执行用解析表达式逼近离散数据的方法或最小二乘法，以获得拟合直线。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述基于sobel的车位检测方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现如权利要求1-4中任一项所述基于sobel的车位检测方法。
CN202010522718.2A 2020-06-10 2020-06-10 基于sobel的车位检测方法、装置、计算机设备及存储介质 Pending CN111754469A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010522718.2A CN111754469A (zh) 2020-06-10 2020-06-10 基于sobel的车位检测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010522718.2A CN111754469A (zh) 2020-06-10 2020-06-10 基于sobel的车位检测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN111754469A true CN111754469A (zh) 2020-10-09

Family

ID=72674738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010522718.2A Pending CN111754469A (zh) 2020-06-10 2020-06-10 基于sobel的车位检测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111754469A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101656023A (zh) * 2009-08-26 2010-02-24 西安理工大学 一种视频监视模式下的室内停车场管理方法
CN106611510A (zh) * 2015-10-27 2017-05-03 富士通株式会社 车位检测装置、电子设备及方法
WO2018058355A1 (zh) * 2016-09-28 2018-04-05 驭势科技（北京）有限公司 汽车可行驶区域实时检测方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101656023A (zh) * 2009-08-26 2010-02-24 西安理工大学 一种视频监视模式下的室内停车场管理方法
CN106611510A (zh) * 2015-10-27 2017-05-03 富士通株式会社 车位检测装置、电子设备及方法
WO2018058355A1 (zh) * 2016-09-28 2018-04-05 驭势科技（北京）有限公司 汽车可行驶区域实时检测方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘圃卓 等: "关于图像处理的空车位监控方法的探讨", 软件, pages 123 - 126 *
王一丁 等: "工业图像处理", 31 December 2018, 西安电子科技大学出版社, pages: 72 - 73 *

Similar Documents

Publication Publication Date Title
CN113486797B (zh) 无人车位置检测方法、装置、设备、存储介质及车辆
CN109118542B (zh) 激光雷达与相机之间的标定方法、装置、设备及存储介质
CN106952338B (zh) 基于深度学习的三维重建的方法、系统及可读存储介质
CN110443245B (zh) 一种非限制场景下的车牌区域的定位方法、装置及设备
CN113221925B (zh) 一种基于多尺度图像的目标检测方法及装置
CN111105452A (zh) 基于双目视觉的高低分辨率融合立体匹配方法
CN116208862A (zh) 一种自适应图像处理方法、系统、电子装置和存储介质
CN112634628B (zh) 一种车辆速度确定方法、终端及存储介质
CN115705651A (zh) 视频运动估计方法、装置、设备和计算机可读存储介质
CN110880003B (zh) 一种图像匹配方法、装置、存储介质及汽车
CN111126106B (zh) 一种车道线识别方法和装置
CN111754469A (zh) 基于sobel的车位检测方法、装置、计算机设备及存储介质
CN111429399B (zh) 一种直线检测方法及装置
CN110363723B (zh) 改进图像边界效果的图像处理方法及装置
CN114025089A (zh) 一种视频图像采集抖动处理方法及系统
CN110197228B (zh) 图像校正方法及装置
CN111383183B (zh) 图像边缘增强方法、装置以及计算机存储介质
CN109816613B (zh) 图像补全方法及装置
CN112766338A (zh) 一种计算距离图像的方法、系统及计算机可读存储介质
CN113147746A (zh) 坡道车位的探测方法及装置
CN117253179B (zh) 配电线路鸟巢检测方法、存储介质和电子设备
CN113312979B (zh) 图像处理方法、装置、电子设备、路侧设备及云控平台
CN116309203B (zh) 一种偏振视觉自适应增强的无人平台运动估计方法和装置
CN111523391B (zh) 建筑物的识别方法、系统、电子设备及可读存储介质
CN115937007B (zh) 风切变的识别方法、装置、电子设备及介质

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