CN111898509A - 一种无人车防逆光装置及方法 - Google Patents
一种无人车防逆光装置及方法 Download PDFInfo
- Publication number
- CN111898509A CN111898509A CN202010712998.3A CN202010712998A CN111898509A CN 111898509 A CN111898509 A CN 111898509A CN 202010712998 A CN202010712998 A CN 202010712998A CN 111898509 A CN111898509 A CN 111898509A
- Authority
- CN
- China
- Prior art keywords
- motor
- lens
- dimming
- image
- backlight
- 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
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
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03B—APPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
- G03B17/00—Details of cameras or camera bodies; Accessories therefor
- G03B17/02—Bodies
- G03B17/12—Bodies with means for supporting objectives, supplementary lenses, filters, masks, or turrets
- G03B17/14—Bodies with means for supporting objectives, supplementary lenses, filters, masks, or turrets interchangeably
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/50—Constructional details
- H04N23/55—Optical parts specially adapted for electronic image sensors; Mounting thereof
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Studio Devices (AREA)
Abstract
本发明涉及一种无人车防逆光装置及方法,属于无人驾驶环境感知领域。该装置包括图像分析单元、单片机、电机驱动电源、电机和减光镜片;所述减光镜片固定在电机上;所述电机驱动电源与电机连接,给电机供电;图像分析单元与单片机信号连接,用于提取并分析图像感兴趣区域,输出电机旋转信号;减光镜片用于过滤逆光光线;单片机与电机连接,用于转换图像分析单元的输出信号,控制电机带动减光镜片旋转。本发明能够在图像采集阶段快速提高图像品质,同时采用双级减光镜片过滤,使装置可以适应不同强度的逆光场景。
Description
技术领域
本发明属于无人驾驶环境感知领域,涉及一种无人车防逆光装置及方法。
背景技术
近年来,深度学习高速发展,视觉目标检测技术在无人驾驶环境感知系统得到了广泛的应用,利用边缘、阴影、光线等关键特征信息或卷积神经网络的深度特征信息来检测目标,使无人车能够感知周围行车环境中的车辆、行人、交通标志等交通参与者。但是在晴朗的清晨和下午,强烈的太阳光严重干扰相机的测光系统,迫使相机降低曝光量,造成图像上目标区域过暗、天空区域过曝,画面质量难以满足无人驾驶视觉目标检测的要求,致使无人驾驶环境感知系统失效,引起严重交通事故。
因此,目前亟需一种能有效防逆光的装置。
发明内容
有鉴于此,本发明的目的在于提供一种无人车防逆光装置及方法,使用改进的VGG16二分类模型来分析场景是否逆光,计算成本低,响应速度快;通过单片机控制减光镜片来减弱逆光场景的强烈光线,由于后期算法很难对图像过曝区域进行处理,且较长的处理时间会影响自动驾驶实时目标检测要求,因此本装置能够在图像采集阶段快速提高图像品质,同时采用双级减光镜片过滤,使装置可以适应不同强度的逆光场景。
为达到上述目的,本发明提供如下技术方案:
一种无人车防逆光装置,包括图像分析单元60、单片机30、电机驱动电源50、电机和减光镜片;所述减光镜片固定在电机上;所述电机驱动电源50与电机连接,给电机供电;
所述图像分析单元60与单片机30信号连接,用于提取并分析图像感兴趣区域,输出电机旋转信号;
所述减光镜片用于过滤逆光光线;
所述单片机30与电机连接,用于转换图像分析单元60的输出信号,控制电机带动减光镜片旋转到镜头2正前方。
进一步,减光镜片包括一号减光镜片21和二号减光镜片22;所述电机包括一号电机11和二号电机12;所述一号减光镜片21与一号电机11连接;所述二号减光镜片22与二号电机12连接;所述单片机30与一号电机11、二号电机12信号连接,所述一号电机11和二号电机12均与电机驱动电源50连接。
进一步,减光镜片的颜色由下到上,由透明到灰黑色的均匀变化,一号减光镜片21与二号减光镜片22渐变相同。
进一步,该装置还包括挡风玻璃23和外壳40;所述外壳40固定在镜头2前;在镜头2前方的外壳40设置挡风玻璃23,用于保护减光镜片(即一号减光镜片21和二号减光镜片22和镜头2。
进一步,该装置还包括相机机身1和镜头2;相机机身1用于对环境自动对焦和测光,通过镜头2将无人车前方环境信息转换为图像。
进一步,该装置的防逆光方法具体包括以下步骤:
S1:相机机身1将镜头2投射的无人车前方环境信息转换为图像,将图像传输到图像分析单元60;
S2:图像分析单元60分析图像的感兴趣区域,并将分析结果传输给单片机30;
S3:单片机30根据分析结果分别控制一号电机11和二号电机12,进而控制一号减光镜片21与二号减光镜片22;
当图像分析单元60检测到前方行车环境感兴趣区域存在逆光时,单片机30控制一号电机11带动一号减光镜片21旋转,一号减光镜片21运动到镜头2的正前方;图像分析单元60继续分析前方行车环境感兴趣区域,如果仍然存在逆光,单片机30控制二号电机12带动二号减光镜片22旋转,二号减光镜片22运动到镜头2和一号减光镜片21的正前方;
当图像分析单元60检测到前方行车环境感兴趣区域不存在逆光时,单片机30控制一号电机11与二号电机12分别带动一号减光镜片21与二号减光镜片22旋转到远离镜头2的初始位置。
进一步,所述步骤S2中,图像分析单元60分析图像的感兴趣区域,具体包括:
1)采集逆光数据集;
采集汽车前方行驶环境的图像,逆光数据集在清晨,下午等太阳斜射角度大的时间段进行采集,所构建的逆光,非逆光样本数量相当。
2)改进VGG16二分类模型;
3)训练改进的VGG16二分类模型,并将改进的VGG16二分类模型对图像是否逆光进行判断。
进一步,所述步骤2)中,改进的VGG16二分类模型的网络结构由六个部分组成:
第一部分用64个卷积核作两次卷积和max pooling池化;
第二部分用128个卷积核作两次卷积和max pooling池化;
第三部分用256个卷积核作三次卷积和max pooling池化;
第四、五部分用512个卷积核作三次卷积和max pooling池化;
每个卷积层的卷积核大小都为3×3,步长为1,每个卷积层的输出后都有一个ReLu激活函数;所有max pooling层的大小均为2×2,步长为2;
第六部分将VGG16的3个全连接层改为3个卷积层,卷积核参数分别为4096个(7×7×512)、4096个(1×1×4096)、1000个(1×1×4096);将VGG16最后的SoftMax激活函数改为Sigmoid函数,同时采用binary_cross_entropy二分类交叉熵损失函数。
进一步,所述步骤3)中,训练改进的VGG16二分类模型具体包括:将构建的逆光数据集随机分配70%的训练集,20%的验证集,10%的测试集,对模型进行训练、改进与测试,不断重复前向传播-误差计算-反向传播-权重更新的过程,直到误差值达到期望值,保存模型和权重文件。
进一步,感兴趣区域是指拍摄图像上部2/3区域。
本发明的有益效果在于:
1)本发明采用渐变减光镜,过滤太阳光线的同时不影响画面的其他部分。
2)本发明采用改进的VGG16二分类模型进行图像分析,分类准确且速度快。
3)本发明采用双级减光镜片过滤法,增强对不同逆光环境的过滤能力。
4)本发明方法复杂度更低,有着较好的可行性。
5)本发明机械装置结构简单,成本低。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为减光镜片初始位置结构示意图;
图2为单级减光镜片过滤结构示意图;
图3为双级减光镜片过滤结构示意图;
图4为减光镜片颜色深度渐变示意图;
图5为减光镜片控制原理示意图;
图6为减光镜片控制流程示意图;
附图标记:1-相机机身,2-镜头,11-一号电机,12-二号电机,21-一号减光镜片,22-二号减光镜片,23-挡风玻璃,30-单片机,40-外壳,41-底座,50-电机驱动电源,60-图像分析单元。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图6,本发明优选一种无人车防逆光装置,包括相机机身1、镜头2、图像分析单元60、外壳40、挡风玻璃23、单片机30(底座41用于固定单片机)、电机驱动电源50、一号电机11、二号电机12、一号减光镜片21、二号减光镜片22;一号减光镜片21与一号电机11连接,二号减光镜片22与二号电机12连接,图像分析单元60与单片机30信号连接,单片机30与一号电机11、二号电机12信号连接,一号电机11、二号电机12与电机驱动电源50连接。
电机驱动电源50,用于给一号电机11和二号电机12供电。
相机机身1,用于对环境自动对焦和测光,通过镜头2将无人车前方环境信息转换为图像。
图像分析单元60,用于提取并分析图像感兴趣区域,输出一号电机11与二号电机12旋转信号。
挡风玻璃23,用于保护一号减光镜片21、二号减光镜片22和镜头2。
一号减光镜片21和二号减光镜片22,用于过滤逆光光线。
单片机30,用于转换图像分析单元60的输出信号,控制一号电机11与二号电机12带动一号偏振镜片21与二号偏振镜片22旋转到镜头2正前方。
一号减光镜片21与二号减光镜片22初始位置在镜头2一侧,减光镜片的颜色为由下到上,由透明到灰黑色的均匀变化,一号减光镜片21与二号减光镜片22渐变相同。
一号偏振镜片21与二号偏振镜片22旋转到镜头2前方时,灰黑色部分位于镜头上半部分的正前方,透明部分位于镜头下半部分的正前方。如图4所示。
上述无人车防逆光装置的防逆光方法,如图6所示,具体包括以下步骤:
步骤1:相机机身1将镜头2投射的无人车前方环境信息转换为图像,将图像传输到图像分析单元60。
步骤2:图像分析单元60分析图像的感兴趣区域,并将分析结果传输给单片机30。其中,感兴趣区域是指:拍摄图像上部2/3区域。
步骤2-1:利用Opencv提取感兴趣区域内的图像。。
步骤2-2:利用改进的VGG16二分类模型对图像是否逆光进行判断。
(1)采集逆光数据集
采集汽车前方行驶环境的图像,逆光数据在清晨,傍晚等太阳斜射角度大的时间段进行采集,所构建的逆光,非逆光样本数量相当。
(2)改进VGG16二分类模型
改进的VGG16的网络结构由六个部分组成:
第一部分用64个卷积核作两次卷积和max pooling池化;
第二部分用128个卷积核作两次卷积和max pooling池化;
第三部分用256个卷积核作三次卷积和max pooling池化;
第四、五部分用512个卷积核作三次卷积和max pooling池化;
每个卷积层的卷积核大小都为3×3,步长为1,每个卷积层的输出后都有一个ReLu激活函数;所有max pooling层的大小均为2×2,步长为2;
第六部分将VGG16的3个全连接层改为3个卷积层,卷积核参数分别为4096个(7×7×512)、4096个(1×1×4096)、1000个(1×1×4096);将VGG16最后的SoftMax激活函数改为Sigmoid函数,同时采用binary_cross_entropy二分类交叉熵损失函数。
(3)训练改进的VGG16二分类模型
将构建的逆光数据集随机分配70%的训练集,20%的验证集,10%的测试集,对模型进行训练、改进与测试,不断重复前向传播-误差计算-反向传播-权重更新的过程,直到误差值达到期望值,保存模型和权重文件。
步骤3:单片机30根据分析结果分别控制一号电机11和二号电机12,进而控制一号减光镜片21与二号减光镜片22。
当图像分析单元60检测到前方行车环境感兴趣区域存在逆光时,单片机30控制一号电机11带动一号减光镜片21旋转,一号减光镜片21运动到镜头2的正前方;图像分析单元60继续分析前方行车环境感兴趣区域,如果仍然存在逆光,单片机30控制二号电机12带动二号减光镜片22旋转,二号减光镜片22运动到镜头2和一号减光镜片21的正前方。
当图像分析单元60检测到前方行车环境感兴趣区域不存在逆光时,单片机30控制一号电机11与二号电机12分别带动一号减光镜片21与二号减光镜片22旋转到远离镜头2的初始位置。
前方行车环境感兴趣区域存在逆光是指利用改进的VGG16二分类模型对图像是否逆光进行判断。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种无人车防逆光装置,其特征在于,该装置包括图像分析单元(60)、单片机(30)、电机驱动电源(50)、电机和减光镜片;所述减光镜片固定在电机上;所述电机驱动电源(50)与电机连接,给电机供电;
所述图像分析单元(60)与单片机(30)信号连接,用于提取并分析图像感兴趣区域,输出电机旋转信号;
所述减光镜片(21)用于过滤逆光光线;
所述单片机(30)与电机连接,用于转换图像分析单元(60)的输出信号,控制电机带动减光镜片旋转。
2.根据权利要求1所述的无人车防逆光装置,其特征在于,减光镜片包括一号减光镜片(21)和二号减光镜片(22);所述电机包括一号电机(11)和二号电机(12);所述一号减光镜片(21)与一号电机(11)连接;所述二号减光镜片(22)与二号电机(12)连接;所述单片机(30)与一号电机(11)、二号电机(12)信号连接,所述一号电机(11)和二号电机(12)均与电机驱动电源(50)连接。
3.根据权利要求2所述的无人车防逆光装置,其特征在于,减光镜片的颜色由下到上,由透明到灰黑色的均匀变化,一号减光镜片(21)与二号减光镜片(22)的渐变相同。
4.根据权利要求1或2所述的无人车防逆光装置,其特征在于,该装置还包括挡风玻璃(23)和外壳(40);所述外壳(40)固定在镜头(2)前;在镜头(2)前方的外壳(40)设置挡风玻璃(23),用于保护一号减光镜片(21)、二号减光镜片(22)和镜头(2)。
5.根据权利要求1所述的无人车防逆光装置,其特征在于,该装置还包括相机机身(1)和镜头(2);相机机身(1)用于对环境自动对焦和测光,通过镜头(2)将无人车前方环境信息转换为图像。
6.根据权利要求1~5中任意一项所述的无人车防逆光装置,其特征在于,该装置的防逆光方法具体包括以下步骤:
S1:相机机身(1)将镜头(2)投射的无人车前方环境信息转换为图像,将图像传输到图像分析单元(60);
S2:图像分析单元(60)分析图像的感兴趣区域,并将分析结果传输给单片机(30);
S3:单片机(30)根据分析结果分别控制一号电机(11)和二号电机(12),进而控制一号减光镜片(21)与二号减光镜片(22);
当图像分析单元(60)检测到前方行车环境感兴趣区域存在逆光时,单片机(30)控制一号电机(11)带动一号减光镜片(21)旋转,一号减光镜片(11)运动到镜头(2)的正前方;图像分析单元(60)继续分析前方行车环境感兴趣区域,如果仍然存在逆光,单片机(30)控制二号电机(12)带动二号减光镜片(22)旋转,二号减光镜片(22)运动到镜头(2)和一号减光镜片(21)的正前方;
当图像分析单元(60)检测到前方行车环境感兴趣区域不存在逆光时,单片机(30)控制一号电机(11)与二号电机(12)分别带动一号减光镜片(21)与二号减光镜片(22)旋转到远离镜头(2)的初始位置。
7.根据权利要求6所述的无人车防逆光装置,其特征在于,所述步骤S2中,图像分析单元(60)分析图像的感兴趣区域,具体包括:
1)采集逆光数据集;
2)改进VGG16二分类模型;
3)训练改进的VGG16二分类模型,并将改进的VGG16二分类模型对图像是否逆光进行判断。
8.根据权利要求7所述的无人车防逆光装置,其特征在于,所述步骤2)中,改进的VGG16二分类模型的网络结构由六个部分组成:
第一部分用64个卷积核作两次卷积和max pooling池化;
第二部分用128个卷积核作两次卷积和max pooling池化;
第三部分用256个卷积核作三次卷积和max pooling池化;
第四、五部分用512个卷积核作三次卷积和max pooling池化;
每个卷积层的卷积核大小都为3×3,步长为1,每个卷积层的输出后都有一个ReLu激活函数;所有max pooling层的大小均为2×2,步长为2;
第六部分将VGG16的3个全连接层改为3个卷积层,卷积核参数分别为4096个(7×7×512)、4096个(1×1×4096)、1000个(1×1×4096);将VGG16最后的SoftMax激活函数改为Sigmoid函数,同时采用binary_cross_entropy二分类交叉熵损失函数。
9.根据权利要求7所述的无人车防逆光装置,其特征在于,所述步骤3)中,训练改进的VGG16二分类模型具体包括:将构建的逆光数据集随机分配70%的训练集,20%的验证集,10%的测试集,对模型进行训练、改进与测试,不断重复前向传播-误差计算-反向传播-权重更新的过程,直到误差值达到期望值,保存模型和权重文件。
10.根据权利要求6所述的无人车防逆光装置,其特征在于,感兴趣区域是指拍摄图像上部2/3区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010712998.3A CN111898509A (zh) | 2020-07-22 | 2020-07-22 | 一种无人车防逆光装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010712998.3A CN111898509A (zh) | 2020-07-22 | 2020-07-22 | 一种无人车防逆光装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111898509A true CN111898509A (zh) | 2020-11-06 |
Family
ID=73190792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010712998.3A Pending CN111898509A (zh) | 2020-07-22 | 2020-07-22 | 一种无人车防逆光装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898509A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103786551A (zh) * | 2012-11-02 | 2014-05-14 | 吴健民 | 车辆防眩器 |
CN106454040A (zh) * | 2016-10-21 | 2017-02-22 | 东风商用车有限公司 | 一种夜间防眩光车载摄像头及其控制方法 |
CN108989628A (zh) * | 2017-06-05 | 2018-12-11 | 福特全球技术公司 | 车辆摄像机的滤光器调整 |
CN110884431A (zh) * | 2019-11-26 | 2020-03-17 | 湖北工业大学 | 一种适用于汽车智能后视镜夜间防强光的装置和方法 |
-
2020
- 2020-07-22 CN CN202010712998.3A patent/CN111898509A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103786551A (zh) * | 2012-11-02 | 2014-05-14 | 吴健民 | 车辆防眩器 |
CN106454040A (zh) * | 2016-10-21 | 2017-02-22 | 东风商用车有限公司 | 一种夜间防眩光车载摄像头及其控制方法 |
CN108989628A (zh) * | 2017-06-05 | 2018-12-11 | 福特全球技术公司 | 车辆摄像机的滤光器调整 |
CN110884431A (zh) * | 2019-11-26 | 2020-03-17 | 湖北工业大学 | 一种适用于汽车智能后视镜夜间防强光的装置和方法 |
Non-Patent Citations (2)
Title |
---|
DEVFORFU: "python Keras VGG16 fine tuning", 《STACK OVERFLOW,HTTPS://STACKOVERFLOW.COM/QUESTIONS/43386463/KERAS-VGG16-FINE-TUNING》 * |
ZH_JNU: "使用卷积层替代全连接层(VGG16网络,keras)", 《CSDN,HTTPS://BLOG.CSDN.NET/ZH_JNU/ARTICLE/DETAILS/85037934》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103770708B (zh) | 通过景物亮度估计的动态后视镜自适应减低亮度覆盖 | |
US10567674B2 (en) | Systems and methods for detecting objects in imaging systems | |
US20200005477A1 (en) | Camera systems using filters and exposure times to detect flickering illuminated objects | |
KR100682067B1 (ko) | 차량 전조등들이나 또는 타의 차량 장비를 제어하기 위한 영상 처리 시스템 | |
US20110184895A1 (en) | Traffic object recognition system, method for recognizing a traffic object, and method for setting up a traffic object recognition system | |
CN101142814A (zh) | 图像处理装置及方法、程序、以及记录介质 | |
WO2019194256A1 (ja) | 演算処理装置、オブジェクト識別システム、学習方法、自動車、車両用灯具 | |
CN107766872B (zh) | 一种识别光照驾驶场景的方法和装置 | |
CN104134352A (zh) | 基于长短曝光结合的视频车辆特征检测系统及其检测方法 | |
KR102392822B1 (ko) | 주간 타입 카메라 및 야간 타입 카메라를 이용하여 객체를 탐지 및 추적하는 장치 및 방법 | |
Cord et al. | Towards rain detection through use of in-vehicle multipurpose cameras | |
Milford et al. | Long exposure localization in darkness using consumer cameras | |
CN114266993A (zh) | 一种基于图像的道路环境检测方法及装置 | |
CN116391119A (zh) | 雨滴检测装置 | |
CN111756971B (zh) | 一种极端环境下无人车视觉增强装置及方法 | |
CN111898509A (zh) | 一种无人车防逆光装置及方法 | |
CN106991415A (zh) | 用于车载鱼眼相机的图像处理方法和装置 | |
CN113183868B (zh) | 一种基于图像识别技术的智能矩阵led大灯控制系统 | |
US20230308779A1 (en) | Information processing device, information processing system, information processing method, and information processing program | |
CN113401045A (zh) | 一种具有灯语功能的多用途车用投影灯系统及方法 | |
CN111756987A (zh) | 一种车载摄像头的控制方法、装置及车载图像捕捉系统 | |
CN112071078B (zh) | 交通工程环境智能检测系统 | |
Pavlidis et al. | A near-infrared fusion scheme for automatic detection of vehicle passengers | |
Pavlidis et al. | Automatic detection of vehicle passengers through near-infrared fusion | |
CN217787895U (zh) | 一种用于路内停车检测的摄像装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201106 |