CN112001344A - 机动车目标检测装置及方法 - Google Patents
机动车目标检测装置及方法 Download PDFInfo
- Publication number
- CN112001344A CN112001344A CN202010892887.5A CN202010892887A CN112001344A CN 112001344 A CN112001344 A CN 112001344A CN 202010892887 A CN202010892887 A CN 202010892887A CN 112001344 A CN112001344 A CN 112001344A
- Authority
- CN
- China
- Prior art keywords
- motor vehicle
- fitting
- line segment
- quadrilateral
- module
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 230000002708 enhancing effect Effects 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 239000011295 pitch Substances 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种机动车目标检测装置及方法,所述装置包括:预处理模块,用于从车载摄像头采集及传来的实时图像中逐帧提取获得图像帧,并确定图像帧中各个物体的轮廓线;线段拟合模块,用于分割轮廓线并将各轮廓线区段拟合为对应的拟合线段;四边形拟合模块,用于筛选出符合四边形关系的拟合线段组合,且将每一个拟合线段组合拟合为呈四边形状的基本单元区域;初步定位模块,筛选出符合机动车四边形几何分布特征的基本单元区域,并确定包含属于同一机动车的所有基本单元区域的疑似机动车区域,并对疑似机动车区域内的特征进行增强;目标终检模块,对疑似机动车区域的所有物体进行检测确定出机动车目标。本实施例能有效检测出机动车目标。
Description
技术领域
本发明实施例涉及机动车安全驾驶技术领域,尤其涉及一种机动车目标检测装置及方法。
背景技术
现有的机动车为实现安全驾驶通常需要在机动车周围环境的图像帧中检测出机动车目标,预先提示驾驶员周围的机动车目标,避免发生交通事故。现有的基于图像视觉的机动车目标检测通常采用预先训练好的机动车检测模板或预先训练好的机动车检测分类器。机动车检测模板中常用的模板包括边缘轮廓模板、灰度区块模板、角点统计模板、局部可变形统计模板等,但是,模板的成功检测受成像环境(外部环境、镜头特征、成像角度)影响,因此,稳定性和适应性较差;而机动车检测分类器,图像特征的选取是本方案的关键,但是,在机动车行驶过程中获取的周围环境的图像帧通常较为模糊,图像帧中的各个物体的轮廓边界较为不清晰,若将图像帧中所有的物体的轮廓特征进行增强再进行检测,轮廓特征的增强速度较慢,检测效率也相对较低。
发明内容
本发明实施例所要解决的技术问题在于,提供一种机动车目标检测装置,能有效提升检测出机动车目标的检测效率。
本发明实施例进一步所要解决的技术问题在于,提供一种机动车目标检测方法,能有效提升机动车目标的检测效率。
为了解决上述技术问题,本发明实施例提供以下技术方案:一种机动车目标检测装置,包括:
预处理模块,与机动车的车载摄像头相连,用于从所述车载摄像头采集及传来的实时图像中逐帧提取获得图像帧,并对所述图像帧进行预处理确定图像帧中各个物体的轮廓线,所述预处理至少包括灰度化和阈值分割;
线段拟合模块,与所述预处理模块相连,用于分割所述轮廓线并将分割所得的各轮廓线区段拟合为对应的拟合线段;
四边形拟合模块,与所述线段拟合模块相连,用于分析所有拟合线段的几何排列关系,筛选出符合四边形关系的拟合线段组合,且将每一个拟合线段组合拟合为呈四边形状的基本单元区域;
初步定位模块,与所述四边形拟合模块相连,用于根据预存的机动车四边形几何分布模型筛选出符合机动车四边形几何分布特征的基本单元区域,并确定包含属于同一机动车四边形几何分布特征的所有基本单元区域的疑似机动车区域,并对所述疑似机动车区域内的所有物体的特征进行增强;以及
目标终检模块,与所述初步定位模块相连,用于采用预先训练好的机动车检测模型对所述疑似机动车区域的所有物体进行检测确定出机动车目标。
进一步的,所述线段拟合模块包括:
分割单元,用于按照预定分割标准将所述轮廓线分割为若干轮廓线区段;以及
第一拟合单元,用于针对每条轮廓线区段拟制一条线段作为所述拟合线段,所述轮廓线区段与对应的拟合线段符合以下关系:同一条轮廓线区段上各坐标点到对应的拟合线段的距离均小于第一预定距离阈值;或者同一条轮廓线区段上各坐标点到对应的拟合线段的距离大于或等于第一预定距离阈值且小于第二预定距离阈值,同时,所述坐标点处的曲率小于预定曲率阈值。
进一步的,所述四边形拟合模块包括:
分析单元,用于分析确定各拟合线段的空间位置;
第一筛选单元,用于依次选用一条所述拟合线段作为基础线段,并对应筛选出与所述基础线段的几何排列关系满足四边形的几何特征的三条不同的拟合线段,将所述三条不同的拟合线段与所述基础线段作为所述拟合线段组合;以及
第二拟合单元,用于将每一个拟合线段组合中包含的所述三条不同的拟合线段和所述基础线段拟合形成所述基本单元区域。
进一步的,所述初步定位模块包括:
预存单元,用于预存所述机动车四边形几何分布模型,所述机动车四边形几何分布模型包含机动车各种角度下的四边形几何分布特征和预设尺寸阈值;
第二筛选单元,用于根据所述机动车四边形几何分布模型分析所有的基本单元区域,并从中筛选出符合机动车四边形几何分布特征的基本单元区域;
集合单元,用于选中属于同一机动车四边形几何分布特征的所有基本单元区域作为集合对象组,并生成一个完整包含同一集合对象组的所有基本单元区域且满足所述预设尺寸阈值的目标四边形,将所述目标四边形确定为疑似机动车区域;以及
特征增强单元,用于对所述疑似机动车区域内的所有物体的特征进行增强。
进一步的,所述装置还包括:
线段整理模块,连接于所述线段拟合模块和所述四边形拟合模块之间,所述线段整理模块又包括:
滤除单元,用于滤除长度或宽度落在预定长度阈值或预定宽度阈值范围外的拟合线段;以及
融合单元,用于将斜率差小于预定斜率差阈值且间距小于预定间距阈值的至少两条拟合线段融合为一条拟合线段。
另一方面,为了解决进一步的上述技术问题,本发明实施例提供以下技术方案:一种机动车目标检测方法,包括以下步骤:
从机动车的车载摄像头采集及传来的实时图像中逐帧提取获得图像帧,并对所述图像帧进行预处理确定图像帧中各个物体的轮廓线,所述预处理至少包括灰度化和阈值分割;
分割所述轮廓线并将分割所得的各轮廓线区段拟合为对应的拟合线段;
分析所有拟合线段的几何排列关系,筛选出符合四边形关系的拟合线段组合,且将每一个拟合线段组合拟合为呈四边形状的基本单元区域;
根据预存的机动车四边形几何分布模型筛选出符合机动车四边形几何分布特征的基本单元区域,并确定包含属于同一机动车四边形几何分布特征的所有基本单元区域的疑似机动车区域,并对所述疑似机动车区域内的所有物体的特征进行增强;以及
采用预先训练好的机动车检测模型对所述疑似机动车区域的所有物体进行检测确定出机动车目标。
进一步的,所述分割所述轮廓线并将分割所得的各轮廓线区段拟合为对应的拟合线段具体包括:
按照预定分割标准将所述轮廓线分割为若干轮廓线区段;以及
针对每条轮廓线区段拟制一条线段作为所述拟合线段,所述轮廓线区段与对应的拟合线段符合以下关系:同一条轮廓线区段上各坐标点到对应的拟合线段的距离均小于第一预定距离阈值;或者同一条轮廓线区段上各坐标点到对应的拟合线段的距离大于或等于第一预定距离阈值且小于第二预定距离阈值,同时,所述坐标点处的曲率小于预定曲率阈值。
进一步的,所述分析所有拟合线段的几何排列关系,筛选出符合四边形关系的拟合线段组合,且将每一个拟合线段组合拟合为呈四边形状的基本单元区域具体包括:
分析确定各拟合线段的空间位置;
依次选用一条所述拟合线段作为基础线段,并对应筛选出与所述基础线段的几何排列关系满足四边形的几何特征的三条不同的拟合线段,将所述三条不同的拟合线段与所述基础线段作为所述拟合线段组合;以及
将每一个拟合线段组合中包含的所述三条不同的拟合线段和所述基础线段拟合形成所述基本单元区域。
进一步的,所述根据预存的机动车四边形几何分布模型筛选出符合机动车四边形几何分布特征的基本单元区域,并确定包含属于同一机动车四边形几何分布特征的所有基本单元区域的疑似机动车区域,并对所述疑似机动车区域内的所有物体的特征进行增强具体包括:预存所述机动车四边形几何分布模型,所述机动车四边形几何分布模型包含机动车各种角度下的四边形几何分布特征和预设尺寸阈值;
根据所述机动车四边形几何分布模型分析所有的基本单元区域,并从中筛选出符合机动车四边形几何分布特征的基本单元区域;
选中属于同一机动车四边形几何分布特征的所有基本单元区域作为集合对象组,并生成一个完整包含同一集合对象组的所有基本单元区域且满足所述预设尺寸阈值的目标四边形,将所述目标四边形确定为疑似机动车区域;以及
对所述疑似机动车区域内的所有物体的特征进行增强。
进一步的,所述方法还包括:
滤除长度或宽度落在预定长度阈值或预定宽度阈值范围外的拟合线段;以及
将斜率差小于预定斜率差阈值且间距小于预定间距阈值的至少两条拟合线段融合为一条拟合线段。
采用上述技术方案后,本发明实施例至少具有如下有益效果:本发明实施例通过对预处理后的图像帧先进行线段拟合,然后根据拟合的线段进一步拟合出相应的呈四边形的基本单元区域,再根据预存的机动车四边形几何分布模型筛选出符合机动车四边形几何分布特征的基本单元区域并确定包含属于同一机动车四边形几何分布特征的所有基本单元区域的疑似机动车区域,只需对所述疑似机动车区域内的物体进行增强,可以有效减少需要增强处理的对象数量,提升数据处理效率,能有效提升检测机动车目标的检测效率。
附图说明
图1为本发明机动车目标检测装置一个可选实施例的原理结构框图。
图2为本发明机动车目标检测装置一个可选实施例的机动车车头方向的检测示意图。
图3为本发明机动车目标检测装置一个可选实施例机动车侧向的检测示意图。
图4为本发明机动车目标检测装置一个可选实施例线段拟合模块具体的原理结构框图。
图5为本发明机动车目标检测装置一个可选实施例四边形拟合模块具体的原理结构框图。
图6为本发明机动车目标检测装置一个可选实施例初步定位模块具体的原理结构框图。
图7为本发明机动车目标检测装置又一个可选实施例的原理结构框图。
图8为本发明机动车目标检测方法一个可选实施例的步骤流程图。
图9为本发明机动车目标检测方法一个可选实施例步骤S2具体的流程图。
图10为本发明机动车目标检测方法一个可选实施例步骤S3具体的流程图。
图11为本发明机动车目标检测方法一个可选实施例步骤S4具体的流程图。
图12为本发明机动车目标检测方法一个可选实施例在图像帧中获得拟合线段的实际场景中的应用图。
图13为本发明机动车目标检测方法一个可选实施例在图像帧中获得基本单元区域的实际场景中的应用图。
图14为本发明机动车目标检测方法一个可选实施例在图像帧中获得疑似机动车区域并检测出机动车目标在实际场景中的应用图。
具体实施方式
下面结合附图和具体实施例对本申请作进一步详细说明。应当理解,以下的示意性实施例及说明仅用来解释本发明,并不作为对本发明的限定,而且,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合。
如图1至图3所示,本发明一个可选实施例提供一种机动车目标检测装置,包括:
预处理模块1,与机动车的车载摄像头2相连,用于从所述车载摄像头2采集及传来的实时图像中逐帧提取获得图像帧,并对所述图像帧进行预处理确定图像帧中各个物体的轮廓线,所述预处理至少包括灰度化和阈值分割;
线段拟合模块3,与所述预处理模块1相连,用于分割所述轮廓线a并将分割所得的各轮廓线区段b拟合为对应的拟合线段c;
四边形拟合模块5,与所述线段拟合模块3相连,用于分析所有拟合线段c的几何排列关系,筛选出符合四边形关系的拟合线段c组合,且将每一个拟合线段c组合拟合为呈四边形状的基本单元区域A;
初步定位模块7,与所述四边形拟合模块5相连,用于根据预存的机动车四边形几何分布模型筛选出符合机动车四边形几何分布特征的基本单元区域A,并确定包含属于同一机动车四边形几何分布特征的所有基本单元区域A的疑似机动车区域B,并对所述疑似机动车区域B内的所有物体的特征进行增强;以及
目标终检模块8,与所述初步定位模块7相连,用于采用预先训练好的机动车检测模型对所述疑似机动车区域B的所有物体进行检测确定出机动车目标。
本发明实施例通过对预处理后的图像帧先进行线段拟合,然后根据拟合的线段进一步拟合出相应的呈四边形的基本单元区域A,再根据预存的机动车四边形几何分布模型筛选出符合机动车四边形几何分布特征的基本单元区域A并确定包含属于同一机动车四边形几何分布特征的所有基本单元区域A的疑似机动车区域B,只需对所述疑似机动车区域B内的物体进行增强,可以有效减少需要增强处理的对象数量,提升数据处理效率,能有效提升检测机动车目标的检测效率。
在具体实施时,考虑到行驶在道路上的车辆,立体空间里车辆不同部分感受光照也不同,采用全局阈值的分割实现的分割无法满足后续检测要重点图像车辆目标主干轮廓的要求,因此,所述阈值分割采用局部自适应阈值分割的方法实现;另外,所述机动车检测模型采用机动车目标检测分类器或分类模板,而分类器和分类模板可以采用基于HOG的AdaBoost分类器或基于广义hough变换的模板匹配单元。
在本发明一个可选实施例中,如图4所示,所述线段拟合模块3包括:
分割单元30,用于按照预定分割标准将所述轮廓线a分割为若干轮廓线区段b;以及
第一拟合单元32,用于针对每条轮廓线区段b拟制一条线段作为所述拟合线段c,所述轮廓线区段b与对应的拟合线段c符合以下关系:同一条轮廓线区段b上各坐标点到对应的拟合线段c的距离均小于第一预定距离阈值;或者同一条轮廓线区段b上各坐标点到对应的拟合线段c的距离大于或等于第一预定距离阈值且小于第二预定距离阈值,同时,所述坐标点处的曲率小于预定曲率阈值。
本实施例通过分割单元30将所述轮廓线a分割为若干轮廓线区段b,再通过第一拟合单元32针对每条轮廓线区段b拟制一条线段作为所述拟合线段c,所述轮廓线区段b与对应的拟合线段c符合以下关系:同一条轮廓线区段b上各坐标点到对应的拟合线段c的距离均小于第一预定距离阈值;或者同一条轮廓线区段b上各坐标点到对应的拟合线段c的距离大于或等于第一预定距离阈值且小于第二预定距离阈值,同时,所述坐标点处的曲率小于预定曲率阈值,从而实现对轮廓线a的拟合,可有效将轮廓线a拟合为拟合线段c。
在具体实施时,所述预定分割标准可以是按照预定长度实现分割;针对每条轮廓线a区段拟制一条线段作为所述拟合线段c时,可首先设定拟合线段c的斜率和截距分别为k和b,则轮廓线a区段上一点P(i,j)到拟合线段c的距离D(i,j)可表示为设定点P(i,j)处的曲率为A(i,j),则D(i,j)<T_D0或者T_D0≤D(i,j)<T_D1,同时A(i,j)<Tarc,其中,T_D0和T_D1分别表示第一预定距离阈值和第二预定距离阈值,Tarc表示预定曲率阈值。
在本发明又一个可选实施例中,如图5所示,所述四边形拟合模块5包括:
分析单元50,用于分析确定各拟合线段c的空间位置;
第一筛选单元52,用于依次选用一条所述拟合线段c作为基础线段,并对应筛选出与所述基础线段的几何排列关系满足四边形的几何特征的三条不同的拟合线段c,将所述三条不同的拟合线段c与所述基础线段作为所述拟合线段c组合;以及
第二拟合单元54,用于将每一个拟合线段c组合中包含的所述三条不同的拟合线段c和所述基础线段拟合形成所述基本单元区域A。
本实施例通过首先分析单元50分析确定各拟合线段c的空间位置,然后第一筛选单元52对应筛选出与所述基础线段的几何排列关系满足四边形的几何特征的三条不同的拟合线段c,将所述三条不同的拟合线段c与所述基础线段作为所述拟合线段c组合,最后第二拟合单元54将每一个拟合线段c组合中包含的所述三条不同的拟合线段c和所述基础线段拟合形成所述基本单元区域A,可有效将四条拟合线段c组成的四边形区域确定为基本单元区域A,将基本单元区域A作为机动车目标的识别特征。
在具体实施时,首先选取一条拟合线段c作为基础线段,设定基础线段为L1(k1,b1),k1和b1表示基础线段L1的斜率和截距,然后,在剩余的拟合线段c中选择L1的相邻边L1_neighbor(k1_n,b1_n),选择条件包括:一方面,L1与L1_neighbor的夹角Ang(L1,L1n)<T_angle,其中Ang(L1,L1n)表示L1与L1_neighbor的夹角,T_angle表示满足四边形相邻边夹角要求的预定夹角阈值;再一方面,设定L1与L1_neighbor的焦点P_cross与L1端点最近距离为DisL1,与L1_neighbor端点的最近距离为Dis_L1_n,则要求满足:DisL1<Tdis0且Dis_L1_n<Tdis0,Tdis0表示四边形的点到点的预定点距离阈值,随后,依次选择对应的邻边,直至所选拟合线段c的夹角之和为360度,以及端点与四边形的角点距离满足最大距离限制,即确定出基本单元区域A。
在本发明再一个可选实施例中,如图6所示,所述初步定位模块7包括:
预存单元70,用于预存所述机动车四边形几何分布模型,所述机动车四边形几何分布模型包含机动车各种角度下的四边形几何分布特征和预设尺寸阈值;
第二筛选单元72,用于根据所述机动车四边形几何分布模型分析所有的基本单元区域A,并从中筛选出符合机动车四边形几何分布特征的基本单元区域A;
集合单元74,用于选中属于同一机动车四边形几何分布特征的所有基本单元区域A作为集合对象组,并生成一个完整包含同一集合对象组的所有基本单元区域A且满足所述预设尺寸阈值的目标四边形,将所述目标四边形确定为疑似机动车区域B;以及
特征增强单元76,用于对所述疑似机动车区域B内的所有物体的特征进行增强。
本实施例通过根据所述机动车四边形几何分布模型分析所有的基本单元区域A,并从中筛选出符合机动车四边形几何分布特征的基本单元区域A,选中属于同一机动车四边形几何分布特征的所有基本单元区域A作为集合对象组,并生成一个完整包含同一集合对象组的所有基本单元区域A且满足所述预设尺寸阈值的目标四边形,将所述目标四边形确定为疑似机动车区域B,将满足机动车各种角度下的四边形几何分布特征和预设尺寸阈值的区域确定为疑似机动车区域B,最后对所述疑似机动车区域B内的所有物体的特征进行增强,只需对所述疑似机动车区域B内的物体进行增强,可以有效减少需要增强处理的对象数量。
在具体实施时,对疑似机动车区域B内的所有物体的特征进行增强具体是指对疑似机动车区域B内的模糊的边界和纹理信息进行锐化增强,锐化增强的幅度基于目标区域的图像本身质量自适应设置,如Unsharp mark滤波。
在本发明另一个可选实施例中,如图7所示,所述装置还包括:
线段整理模块9,连接于所述线段拟合模块3和所述四边形拟合模块5之间,所述线段整理模块9又包括:
滤除单元90,用于滤除长度或宽度落在预定长度阈值或预定宽度阈值范围外的拟合线段c;以及
融合单元92,用于将斜率差小于预定斜率差阈值且间距小于预定间距阈值的至少两条拟合线段c融合为一条拟合线段c。
本实施例中还通过滤除单元90滤除长度或宽度落在预定长度阈值或预定宽度阈值范围外的拟合线段c以及融合单元92将斜率差小于预定斜率差阈值且间距小于预定间距阈值的至少两条拟合线段c融合为一条拟合线段c,预先剔除不满足要求的拟合线段c,提高数据处理和是识别效率。
在具体实施时,设定拟合线段c的长度为Linelength,宽度为Linewidth,设定预定长度阈值为[Length_min Length_max],预定宽度阈值为[Width_min Width_max],通过判断从而剔除不满足要求的拟合线段c。
另一方面,如图8所示,本发明实施例提供一种机动车目标检测方法,包括以下步骤:
S1:从机动车的车载摄像头2采集及传来的实时图像中逐帧提取获得图像帧,并对所述图像帧进行预处理确定图像帧中各个物体的轮廓线a,所述预处理至少包括灰度化和阈值分割;
S2:分割所述轮廓线a并将分割所得的各轮廓线区段b拟合为对应的拟合线段c;
S3:分析所有拟合线段c的几何排列关系,筛选出符合四边形关系的拟合线段c组合,且将每一个拟合线段c组合拟合为呈四边形状的基本单元区域A;
S4:根据预存的机动车四边形几何分布模型筛选出符合机动车四边形几何分布特征的基本单元区域A,并确定包含属于同一机动车四边形几何分布特征的所有基本单元区域A的疑似机动车区域B,并对所述疑似机动车区域B内的所有物体的特征进行增强;以及
S5:采用预先训练好的机动车检测模型对所述疑似机动车区域B的所有物体进行检测确定出机动车目标。
本发明实施例通过上述方法,对预处理后的图像帧先进行线段拟合,然后根据拟合的线段进一步拟合出相应的呈四边形的基本单元区域A,再根据预存的机动车四边形几何分布模型筛选出符合机动车四边形几何分布特征的基本单元区域A并确定包含属于同一机动车四边形几何分布特征的所有基本单元区域A的疑似机动车区域B,只需对所述疑似机动车区域B内的物体进行增强,可以有效减少需要增强处理的对象数量,提升数据处理效率,能有效提升检测机动车目标的检测效率。
在本发明又一个可选实施例中,如图9所示,所述步骤S2具体包括:
S21:按照预定分割标准将所述轮廓线a分割为若干轮廓线区段b;以及
S22:针对每条轮廓线区段b拟制一条线段作为所述拟合线段c,所述轮廓线区段b与对应的拟合线段c符合以下关系:同一条轮廓线区段b上各坐标点到对应的拟合线段c的距离均小于第一预定距离阈值;或者同一条轮廓线区段上各坐标点到对应的拟合线段c的距离大于或等于第一预定距离阈值且小于第二预定距离阈值,同时,所述坐标点处的曲率小于预定曲率阈值。
本实施例通过上述方法,将所述轮廓线a分割为若干轮廓线区段b,再通过针对每条轮廓线区段b拟制一条线段作为所述拟合线段c,所述轮廓线区段b与对应的拟合线段c符合以下关系:同一条轮廓线区段上各坐标点到对应的拟合线段c的距离均小于第一预定距离阈值;或者同一条轮廓线区段b上各坐标点到对应的拟合线段c的距离大于或等于第一预定距离阈值且小于第二预定距离阈值,同时,所述坐标点处的曲率小于预定曲率阈值,从而实现对轮廓线a的拟合,可有效将轮廓线a拟合为拟合线段c。
在本发明再一个可选实施例中,如图10所示,所述步骤S3具体包括:
S31:分析确定各拟合线段c的空间位置;
S32:依次选用一条所述拟合线段c作为基础线段,并对应筛选出与所述基础线段的几何排列关系满足四边形的几何特征的三条不同的拟合线段c,将所述三条不同的拟合线段c与所述基础线段作为所述拟合线段c组合;以及
S33:将每一个拟合线段c组合中包含的所述三条不同的拟合线段c和所述基础线段拟合形成所述基本单元区域A。
本实施例通过上述方法,首先分析确定各拟合线段c的空间位置,然后对应筛选出与所述基础线段的几何排列关系满足四边形的几何特征的三条不同的拟合线段c,将所述三条不同的拟合线段c与所述基础线段作为所述拟合线段c组合,最后将每一个拟合线段c组合中包含的所述三条不同的拟合线段c和所述基础线段拟合形成所述基本单元区域A,可有效将四条拟合线段c组成的四边形区域确定为基本单元区域A,将基本单元区域A作为机动车目标的识别特征。
在本发明另一个可选实施例中,如图11所示,所述步骤S4具体包括:
S41:预存所述机动车四边形几何分布模型,所述机动车四边形几何分布模型包含机动车各种角度下的四边形几何分布特征和预设尺寸阈值;
S42:根据所述机动车四边形几何分布模型分析所有的基本单元区域A,并从中筛选出符合机动车四边形几何分布特征的基本单元区域A;
S43:选中属于同一机动车四边形几何分布特征的所有基本单元区域A作为集合对象组,并生成一个完整包含同一集合对象组的所有基本单元区域A且满足所述预设尺寸阈值的目标四边形,将所述目标四边形确定为疑似机动车区域B;以及
S44:对所述疑似机动车区域B内的所有物体的特征进行增强。
本实施例通过上述方法,根据所述机动车四边形几何分布模型分析所有的基本单元区域A,并从中筛选出符合机动车四边形几何分布特征的基本单元区域A,从而选中属于同一机动车四边形几何分布特征的所有基本单元区域A作为集合对象,并生成一个完整包含所有集合对象且满足所述预设尺寸阈值的目标四边形,将所述目标四边形确定为疑似机动车区域B,将满足机动车各种角度下的四边形几何分布特征和预设尺寸阈值的区域确定为疑似机动车区域B,最后对所述疑似机动车区域B内的所有物体的特征进行增强,只需对所述疑似机动车区域B内的物体进行增强,可以有效减少需要增强处理的对象数量。
在本发明又一个可选实施例中,所述方法还包括:
滤除长度或宽度落在预定长度阈值或预定宽度阈值范围外的拟合线段c;以及
将斜率差小于预定斜率差阈值且间距小于预定间距阈值的至少两条拟合线段c融合为一条拟合线段c。
本实施例中还通过上述方法,滤除长度或宽度落在预定长度阈值或预定宽度阈值范围外的拟合线段c以及将斜率差小于预定斜率差阈值且间距小于预定间距阈值的至少两条拟合线段c融合为一条拟合线段c,预先剔除不满足要求的拟合线段c,提高数据处理和是识别效率。
本发明实施例所述的功能如果以软件功能模块或单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该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设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护范围之内。
Claims (10)
1.一种机动车目标检测装置,其特征在于,所述装置包括:
预处理模块,与机动车的车载摄像头相连,用于从所述车载摄像头采集及传来的实时图像中逐帧提取获得图像帧,并对所述图像帧进行预处理确定图像帧中各个物体的轮廓线,所述预处理至少包括灰度化和阈值分割;
线段拟合模块,与所述预处理模块相连,用于分割所述轮廓线并将分割所得的各轮廓线区段拟合为对应的拟合线段;
四边形拟合模块,与所述线段拟合模块相连,用于分析所有拟合线段的几何排列关系,筛选出符合四边形关系的拟合线段组合,且将每一个拟合线段组合拟合为呈四边形状的基本单元区域;
初步定位模块,与所述四边形拟合模块相连,用于根据预存的机动车四边形几何分布模型筛选出符合机动车四边形几何分布特征的基本单元区域,并确定包含属于同一机动车四边形几何分布特征的所有基本单元区域的疑似机动车区域,并对所述疑似机动车区域内的所有物体的特征进行增强;以及
目标终检模块,与所述初步定位模块相连,用于采用预先训练好的机动车检测模型对所述疑似机动车区域的所有物体进行检测确定出机动车目标。
2.如权利要求1所述的机动车目标检测装置,其特征在于,所述线段拟合模块包括:
分割单元,用于按照预定分割标准将所述轮廓线分割为若干轮廓线区段;以及
第一拟合单元,用于针对每条轮廓线区段拟制一条线段作为所述拟合线段,所述轮廓线区段与对应的拟合线段符合以下关系:同一条轮廓线区段上各坐标点到对应的拟合线段的距离均小于第一预定距离阈值;或者同一条轮廓线区段上各坐标点到对应的拟合线段的距离大于或等于第一预定距离阈值且小于第二预定距离阈值,同时,所述坐标点处的曲率小于预定曲率阈值。
3.如权利要求1所述的机动车目标检测装置,其特征在于,所述四边形拟合模块包括:
分析单元,用于分析确定各拟合线段的空间位置;
第一筛选单元,用于依次选用一条所述拟合线段作为基础线段,并对应筛选出与所述基础线段的几何排列关系满足四边形的几何特征的三条不同的拟合线段,将所述三条不同的拟合线段与所述基础线段作为所述拟合线段组合;以及
第二拟合单元,用于将每一个拟合线段组合中包含的所述三条不同的拟合线段和所述基础线段拟合形成所述基本单元区域。
4.如权利要求1所述的机动车目标检测装置,其特征在于,所述初步定位模块包括:
预存单元,用于预存所述机动车四边形几何分布模型,所述机动车四边形几何分布模型包含机动车各种角度下的四边形几何分布特征和预设尺寸阈值;
第二筛选单元,用于根据所述机动车四边形几何分布模型分析所有的基本单元区域,并从中筛选出符合机动车四边形几何分布特征的基本单元区域;
集合单元,用于选中属于同一机动车四边形几何分布特征的所有基本单元区域作为集合对象组,并生成一个完整包含同一集合对象组的所有基本单元区域且满足所述预设尺寸阈值的目标四边形,将所述目标四边形确定为疑似机动车区域;以及
特征增强单元,用于对所述疑似机动车区域内的所有物体的特征进行增强。
5.如权利要求1所述的机动车目标检测装置,其特征在于,所述装置还包括:
线段整理模块,连接于所述线段拟合模块和所述四边形拟合模块之间,所述线段整理模块又包括:
滤除单元,用于滤除长度或宽度落在预定长度阈值或预定宽度阈值范围外的拟合线段;以及
融合单元,用于将斜率差小于预定斜率差阈值且间距小于预定间距阈值的至少两条拟合线段融合为一条拟合线段。
6.一种机动车目标检测方法,其特征在于,所述方法包括以下步骤:
从机动车的车载摄像头采集及传来的实时图像中逐帧提取获得图像帧,并对所述图像帧进行预处理确定图像帧中各个物体的轮廓线,所述预处理至少包括灰度化和阈值分割;
分割所述轮廓线并将分割所得的各轮廓线区段拟合为对应的拟合线段;
分析所有拟合线段的几何排列关系,筛选出符合四边形关系的拟合线段组合,且将每一个拟合线段组合拟合为呈四边形状的基本单元区域;
根据预存的机动车四边形几何分布模型筛选出符合机动车四边形几何分布特征的基本单元区域,并确定包含属于同一机动车四边形几何分布特征的所有基本单元区域的疑似机动车区域,并对所述疑似机动车区域内的所有物体的特征进行增强;以及
采用预先训练好的机动车检测模型对所述疑似机动车区域的所有物体进行检测确定出机动车目标。
7.如权利要求6所述的机动车目标检测方法,其特征在于,所述分割所述轮廓线并将分割所得的各轮廓线区段拟合为对应的拟合线段具体包括:
按照预定分割标准将所述轮廓线分割为若干轮廓线区段;以及
针对每条轮廓线区段拟制一条线段作为所述拟合线段,所述轮廓线区段与对应的拟合线段符合以下关系:同一条轮廓线区段上各坐标点到对应的拟合线段的距离均小于第一预定距离阈值;或者同一条轮廓线区段上各坐标点到对应的拟合线段的距离大于或等于第一预定距离阈值且小于第二预定距离阈值,同时,所述坐标点处的曲率小于预定曲率阈值。
8.如权利要求6所述的机动车目标检测方法,其特征在于,所述分析所有拟合线段的几何排列关系,筛选出符合四边形关系的拟合线段组合,且将每一个拟合线段组合拟合为呈四边形状的基本单元区域具体包括:
分析确定各拟合线段的空间位置;
依次选用一条所述拟合线段作为基础线段,并对应筛选出与所述基础线段的几何排列关系满足四边形的几何特征的三条不同的拟合线段,将所述三条不同的拟合线段与所述基础线段作为所述拟合线段组合;以及
将每一个拟合线段组合中包含的所述三条不同的拟合线段和所述基础线段拟合形成所述基本单元区域。
9.如权利要求6所述的机动车目标检测方法,其特征在于,所述根据预存的机动车四边形几何分布模型筛选出符合机动车四边形几何分布特征的基本单元区域,并确定包含属于同一机动车四边形几何分布特征的所有基本单元区域的疑似机动车区域,并对所述疑似机动车区域内的所有物体的特征进行增强具体包括:
预存所述机动车四边形几何分布模型,所述机动车四边形几何分布模型包含机动车各种角度下的四边形几何分布特征和预设尺寸阈值;
根据所述机动车四边形几何分布模型分析所有的基本单元区域,并从中筛选出符合机动车四边形几何分布特征的基本单元区域;
选中属于同一机动车四边形几何分布特征的所有基本单元区域作为集合对象组,并生成一个完整包含同一集合对象组的所有基本单元区域且满足所述预设尺寸阈值的目标四边形,将所述目标四边形确定为疑似机动车区域;以及
对所述疑似机动车区域内的所有物体的特征进行增强。
10.如权利要求6所述的机动车目标检测方法,其特征在于,所述方法还包括:
滤除长度或宽度落在预定长度阈值或预定宽度阈值范围外的拟合线段;以及
将斜率差小于预定斜率差阈值且间距小于预定间距阈值的至少两条拟合线段融合为一条拟合线段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010892887.5A CN112001344A (zh) | 2020-08-31 | 2020-08-31 | 机动车目标检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010892887.5A CN112001344A (zh) | 2020-08-31 | 2020-08-31 | 机动车目标检测装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112001344A true CN112001344A (zh) | 2020-11-27 |
Family
ID=73464760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010892887.5A Pending CN112001344A (zh) | 2020-08-31 | 2020-08-31 | 机动车目标检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001344A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506314A (zh) * | 2021-06-25 | 2021-10-15 | 北京精密机电控制设备研究所 | 一种复杂背景下对称四边形工件的自动抓取方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015090691A1 (de) * | 2013-12-21 | 2015-06-25 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum erzeugen eines umgebungsmodells eines kraftfahrzeugs, fahrerassistenzsystem und kraftfahrzeug |
CN107719361A (zh) * | 2017-10-10 | 2018-02-23 | 深圳市豪恩汽车电子装备股份有限公司 | 基于图像视觉的自动泊车辅助方法及系统 |
CN109344800A (zh) * | 2018-10-25 | 2019-02-15 | 南昌工程学院 | 一种基于小运动目标的快速分类与识别方法 |
CN110196429A (zh) * | 2018-04-02 | 2019-09-03 | 北京航空航天大学 | 车辆目标识别方法、存储介质、处理器以及系统 |
CN111582077A (zh) * | 2020-04-23 | 2020-08-25 | 广州亚美智造科技有限公司 | 基于人工智能软件技术的安全带佩戴检测方法和装置 |
CN111598054A (zh) * | 2020-06-19 | 2020-08-28 | 上海眼控科技股份有限公司 | 车辆检测方法、装置、计算机设备及存储介质 |
-
2020
- 2020-08-31 CN CN202010892887.5A patent/CN112001344A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015090691A1 (de) * | 2013-12-21 | 2015-06-25 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum erzeugen eines umgebungsmodells eines kraftfahrzeugs, fahrerassistenzsystem und kraftfahrzeug |
CN107719361A (zh) * | 2017-10-10 | 2018-02-23 | 深圳市豪恩汽车电子装备股份有限公司 | 基于图像视觉的自动泊车辅助方法及系统 |
CN110196429A (zh) * | 2018-04-02 | 2019-09-03 | 北京航空航天大学 | 车辆目标识别方法、存储介质、处理器以及系统 |
CN109344800A (zh) * | 2018-10-25 | 2019-02-15 | 南昌工程学院 | 一种基于小运动目标的快速分类与识别方法 |
CN111582077A (zh) * | 2020-04-23 | 2020-08-25 | 广州亚美智造科技有限公司 | 基于人工智能软件技术的安全带佩戴检测方法和装置 |
CN111598054A (zh) * | 2020-06-19 | 2020-08-28 | 上海眼控科技股份有限公司 | 车辆检测方法、装置、计算机设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506314A (zh) * | 2021-06-25 | 2021-10-15 | 北京精密机电控制设备研究所 | 一种复杂背景下对称四边形工件的自动抓取方法及装置 |
CN113506314B (zh) * | 2021-06-25 | 2024-04-09 | 北京精密机电控制设备研究所 | 一种复杂背景下对称四边形工件的自动抓取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105718872B (zh) | 两侧车道快速定位及检测车辆偏转角度的辅助方法及系统 | |
US8670592B2 (en) | Clear path detection using segmentation-based method | |
CN104778444B (zh) | 道路场景下车辆图像的表观特征分析方法 | |
CN109389064B (zh) | 一种车辆特征获取方法及装置 | |
CN112686812B (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
CN103065138A (zh) | 一种机动车牌号的识别方法 | |
CN106686280A (zh) | 影像修补系统及其方法 | |
CN108198417B (zh) | 一种基于无人机的道路巡检系统 | |
CN108256445B (zh) | 车道线检测方法及系统 | |
CN114387591A (zh) | 车牌识别方法、系统、设备及存储介质 | |
CN111695565A (zh) | 基于道路关卡模糊图像的汽车标志精准定位方法 | |
CN112001344A (zh) | 机动车目标检测装置及方法 | |
CN111860113A (zh) | 车道线检测方法及系统 | |
CN111881878A (zh) | 一种环视复用的车道线识别方法 | |
Álvarez et al. | Perception advances in outdoor vehicle detection for automatic cruise control | |
CN116152758A (zh) | 一种智能实时事故检测及车辆跟踪方法 | |
CN114724119B (zh) | 车道线提取方法、检测设备及存储介质 | |
Bubeníková et al. | The ways of streamlining digital image processing algorithms used for detection of lines in transport scenes video recording | |
CN111626180B (zh) | 基于偏振成像的车道线检测方法及其装置 | |
CN115100650A (zh) | 基于多重高斯模型的高速公路异常场景去噪及识别方法、装置 | |
CN112132097A (zh) | 一种路面裂缝智能识别系统及方法 | |
JP2021152826A (ja) | 情報処理装置、被写体分類方法、及び被写体分類プログラム | |
Arafat et al. | A vehicular license plate recognition framework for skewed images | |
Rosebrock et al. | Real-time vehicle detection with a single camera using shadow segmentation and temporal verification |
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 |