CN112215794A - 一种双目adas摄像头脏污检测的方法及装置 - Google Patents
一种双目adas摄像头脏污检测的方法及装置 Download PDFInfo
- Publication number
- CN112215794A CN112215794A CN202010903159.XA CN202010903159A CN112215794A CN 112215794 A CN112215794 A CN 112215794A CN 202010903159 A CN202010903159 A CN 202010903159A CN 112215794 A CN112215794 A CN 112215794A
- Authority
- CN
- China
- Prior art keywords
- image
- dirt
- judging
- dirty
- judging whether
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
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)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种双目ADAS摄像头脏污检测的方法和装置,可以高效检测脏污。其中包括:步骤A:判断车辆是否处于运动状态,若是,则进行步骤B,若否,则不进行处理;步骤B:判断运动帧数是否大于阈值1,若是,则认为当前车辆在运动中,进行步骤C,若否,则不进行处理;步骤C:判断两个摄像头的图像是否相对一致,若是,则无脏污,若否,则进行步骤D,所述步骤C包括:步骤C1:判断结构相似性,若结构相似性判断有脏污,则进行步骤D,否则进行步骤C2;步骤C2:进行灰度对比,若灰度对比判断有脏污,则进行步骤D,否则判断为无脏污;步骤D:判断脏污图像帧数是否大于阈值2,若是,则判断为有脏污,若否,则判断为无脏污。
Description
技术领域
本发明涉及高级驾驶辅助系统,尤其涉及双目摄像头。
背景技术
目前,双目摄像头在汽车辅助驾驶方面已经应用多年,包括斯巴鲁等车型上已经规模化量产,作为双目ADAS(高级驾驶辅助系统,Advanced Driving Assistance System)摄像头,由于其可以既有单目的识别和记录功能,而且可以有精确的深度测距功能,已较现在广泛应用的单目摄像头有着更广大的市场前景。
但是,作为车载设备,往往会有脏污遮挡摄像头镜头前,影响图像质量,从而导致视差提取、立体匹配、障碍物检测、行人、车辆识别等出现错误,对设备的功能造成极大的影响。近年来,行业内也有不少技术方案试图解决这个问题,例如,有些镜头遮挡检测的方法是通过摄像头获取场景RGB背景模型,通过前景和背景的差值来确定摄像头是否被脏污遮挡。基于普通RGB摄像头的背景建模遮挡检测方案无法区分前景像素变化由镜头遮挡造成还是由场景目标运动所造成的,所以会导致检测准确率低的问题。也有人提出采用深度摄像头脏污检测的方法,通过深度摄像头提供的深度信息提升距离信息缺失带来的误检,但是此方式对于深度图评价要求较高,不够简单实用。综上所述,无论是背景建模的方法还是基于特征分析的方法,目前都存在检测准确低或者漏检的情况,所以如何提高ADAS摄像头脏污检测的准确率是亟待解决的问题。
发明内容
本发明的目的在于提供一种双目ADAS摄像头脏污检测的方法及装置,其可以高效检测双目ADAS摄像头脏污。
本发明的双目ADAS摄像头脏污检测的方法,包括步骤C:判断两个摄像头的图像是否相对一致,若是,则无脏污。
其中,进行步骤C的判断结果若为否,则进行步骤D:判断脏污图像帧数是否大于阈值2,若是,则判断为有脏污,若否,则判断为无脏污。
其中,步骤C包括顺序进行的如下步骤:步骤C1:判断结构相似性,若结构相似性判断有脏污,则进行步骤D,否则进行步骤C2;步骤C2:进行灰度对比,若灰度对比判断有脏污,则进行步骤D,否则判断为无脏污。
其中,步骤C1中,计算结构相似性SSIM:
SSIM(x,y)=[l(x,y)]α·[c(x,y)]β·[s(x,y)]γ (1)
其中,参与对比的左右图像分别为x、y,α、β、γ为常数,均大于0,
图像照明度对比部分:
图像对比度比较部分:
图像结构比较部分:
其中,μx为图像x所有像素均值,μy为图像y所有像素均值;δx为图像x像素值的标准差,δy为图像y像素值的标准差;表示图像x的方差,表示图像y的方差;δxy为图像x与图像y的协方差;C1,C2,C3为常数,
根据SSIM的计算结果进行判断,若不大于预设阈值,则为有脏污。
其中,步骤C2中,对于同一时刻左摄像头和右摄像头的图像,将左图像分成M*N个均等的矩形区域,右图像也分成同样的M*N个均等的矩形区域,
1)计算左右图像每个矩形区域的平均灰度,分别得到左图像平均灰度矩阵gridValueAverLeft[M][N]和右图像平均灰度矩阵gridValueAverRight[M][N],
2)计算左右图像平均灰度矩阵差,
gridValueAverDiff[M][N]=|gridValueAverLeft[M][N]-gridValueAverRight[M][N]|,
3)计算平均灰度矩阵差的所有元素权重和:
将平均灰度矩阵差gridValueAverDiff[M][N]中的各个元素与权重矩阵weight[M][N]中各个元素对应位置相乘后各个值相加后得到权重和,即
4)计算左右图像整体的平均灰度差grayDiff:
grayDiff=|mean(L)-mean(R)| (6)
其中,L代表左图,R代表右图,mean代表对全图灰度值取平均的平均值,
5)对于以下条件:
d.grayDiff大于阈值1;
e.gridWeightSum大于阈值2;
f.gridWeightSum与grayDiff差值的绝对值大于阈值3,
若a、b、c同时满足,则判断为有脏污,否则无脏污。
其中,在进行步骤C之前,进行如下步骤:步骤A:判断车辆是否处于运动状态,若是,则进行步骤B,若否,则不进行处理;步骤B:判断运动帧数是否大于阈值1,若是,则认为当前车辆在运动中,进行步骤C,若否,则不进行处理。
其中,步骤A可以采用帧差法分别对左右摄像头拍摄的图像进行运动检测,若左右摄像头至少有一个被判断为处于运动状态,则车辆处于运动状态,所述帧差法包括如下步骤:
1)计算像素的差分:
fd(x,y)=|f(x,y,t1)-f(x,y,t2)| (7)
其中f(x,y,t1)和f(x,y,t2)分别为在t1和t2时刻采集的两幅图像的对应像素,
2)对像素的差分做阈值处理,得到以下结果:
fout(x,y)=1的像素就是像素的差分大于强度变化阈值T的像素,即运动像素,当运动像素的数量大于预设的数量阈值,则判断当前图像处于运动状态,该摄像头处于运动状态。
其中,步骤A还可通过获取车辆速度信息来判断,若根据车辆速度判断车辆非静止,则车辆处于运动状态。
本发明还提供一种存储设备,其中存储有多条指令,所述指令适于由处理器加载并执行:
步骤A:判断车辆是否处于运动状态,若是,则进行步骤B,若否,则不进行处理;
步骤B:判断运动帧数是否大于阈值1,若是,则认为当前车辆在运动中,进行步骤C,若否,则不进行处理;
步骤C:判断两个摄像头的图像是否相对一致,若是,则无脏污,若否,则进行步骤D,所述步骤C包括:
步骤C1:判断结构相似性,若结构相似性判断有脏污,则进行步骤D,否则进行步骤C2;
步骤C2:进行灰度对比,若灰度对比判断有脏污,则进行步骤D,否则判断为无脏污;
步骤D:判断脏污图像帧数是否大于阈值2,若是,则判断为有脏污,若否,则判断为无脏污。
此外,本发明还提供一种带有双目立体相机的汽车,其具有:处理器,适于实现各指令;以及存储设备,适于存储多条指令,所述指令适于由处理器加载并执行:
步骤A:判断车辆是否处于运动状态,若是,则进行步骤B,若否,则不进行处理;
步骤B:判断运动帧数是否大于阈值1,若是,则认为当前车辆在运动中,进行步骤C,若否,则不进行处理;
步骤C:判断两个摄像头的图像是否相对一致,若是,则无脏污,若否,则进行步骤D,所述步骤C包括:
步骤C1:判断结构相似性,若结构相似性判断有脏污,则进行步骤D,否则进行步骤C2;
步骤C2:进行灰度对比,若灰度对比判断有脏污,则进行步骤D,否则判断为无脏污;
步骤D:判断脏污图像帧数是否大于阈值2,若是,则判断为有脏污,若否,则判断为无脏污。
本发明的有益效果包括:本发明根据双目摄像的特点,对比双目摄像头之间图像特征,快速、简单、高效的检测出脏污。利用结构相似性SSIM和灰度对比,对双目摄像头左右图进行对比分析,可以有效的将脏污场景识别出来,引入运动判断及多帧判断机制,既可以降低误检率,也可以提高用户体验,在实际应用过程中有着良好的效果。
附图说明
图1是本发明的一个实施例的双目ADAS摄像头脏污检测方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细描述,但不作为对本发明的限定。
对于车载双目摄像头,有的安装有在挡风玻璃之后,也有的裸露在外,因此,两个摄像头都有被脏污遮挡的风险。当没有脏污干扰时,两个摄像头的图像应该是相对一致的,当有脏污时二者的图像就会出现差异性。由此,本发明考虑通过左右两个图像的结构相似性和灰度差异性来判断脏污。
1、结构相似性SSIM(structural similarity):
结构相似性一般应用于对比图像在传输、压缩、缩放等等后失真图像的质量如何,也就是对失真图像进行图像质量评价,这里我们将其应用于双目摄像头的脏污检测中,通过对比左右摄像头在同一时刻的图像间结构相似性作为判断是否有脏污的特征之一。
SSIM(structural similarity)定义:
SSIM(x,y)=[l(x,y)]α·[c(x,y)]β·[s(x,y)]γ (1)
其中,参与对比的左右图像分别为x,y。α、β、γ为常数,均大于0,一般为了计算简单,α=β=γ=1。
图像照明度对比部分:
图像对比度比较部分:
图像结构比较部分:
其中,上式中,μx为图像x所有像素均值,μy为图像y所有像素均值;δx为图像x像素值的标准差,δy为图像y像素值的标准差;表示图像x的方差,表示图像y的方差;δxy为图像x与图像y的协方差;C1,C2,C3为常数,以避免分母为0时带来的系统错误。
结构相似性数值范围一般为0到1。当两个图像完全一模一样,结构相似性值为1,如果两个图像完全不同,则结构相似性值为0。实际应用中根据实际情况设置一定的阈值,大于此阈值则认为左右图差异较小,有脏污概率也小,可以近似认为无脏污,反之,则认为有脏污。
2、双目摄像头灰度对比:
拿到同一时刻左摄像头和右摄像头的图像,将左图像分成M*N个均等的矩形区域,同理右图像也分成同样的M*N个均等的矩形区域。
1)计算左右图像每个矩形区域的平均灰度,分别得到左图像平均灰度矩阵gridValueAverLeft[M][N](用M行N列的二维数组表示)和右图像平均灰度矩阵gridValueAverRight[M][N]。
2)计算左右图像平均灰度矩阵差,
gridValueAverDiff[M][N]=|gridValueAverLeft[M][N]-gridValueAverRight[M][N]|
3)计算平均灰度矩阵差的所有元素权重和:
其次,将平均灰度矩阵差gridValueAverDiff[M][N]中的各个元素与weight[M][N]中各个元素对应位置相乘后各个值相加后得到权重和,即
4)计算左右图像整体的平均灰度差grayDiff:
grayDiff=|mean(L)-mean(R)| (6)
其中,L代表左图,R代表右图,mean代表对全图灰度值取平均的平均值。
5)对于以下条件:
g.grayDiff大于阈值1;
h.gridWeightSum大于阈值2;
i.gridWeightSum与grayDiff差值的绝对值大于阈值3,
当a、b、c同时满足时,我们认为左右摄像头可能受到脏污影响。
实际车辆运行过程中,情况会比较复杂,为了降低误检率,需要引入运动检测机制。一般情况下,车载双目摄像头在检测车辆运动在一定速率后才开启脏污检测功能,若车辆静止,则没必要开启脏污检测,这样既可以提高用户体验,也可节省计算资源。
进行运动检测可以采用以下两种方法之一:
1、获得车辆运动信息可以通过直接获取车辆速度信息来判断,若根据车辆速度判断车辆非静止,则开启脏污检测,否则不进行处理。
但当车速信息不能传输至设备时,则可以通过图像信息获得车辆运动信息。
2、选取帧差法进行判断,所谓帧差法是在某一摄像头拍摄的连续的图像序列中两个或三个相邻帧间采用基于像素的差分,并且通过阈值化去除静止的物体,提取图像的运动区域。图像运动意味着图像变化,运动图像分析的基本依据就是图像强度的变化,可以利用图像序列中相邻时间的像素的差分来表示强度的变化。当像素的差分大于强度变化阈值,认为该像素属于运动像素。
设在t1和t2时刻采集的两幅图像的对应像素为f(x,y,t1)和f(x,y,t2),像素的差分为:
fd(x,y)=|f(x,y,t1)-f(x,y,t2)| (7)
对像素的差分做阈值处理,就得到以下结果:
fout(x,y)=1的像素就是像素的差分大于强度变化阈值T的像素,即运动像素。当运动像素的数量大于预设的数量阈值,则可判断当前图像处于运动状态。该摄像头处于运动状态。
如图1所示,是本发明的一个实施例的双目ADAS摄像头脏污检测方法的流程图。其顺序进行如下步骤。
1、进行运动检测
获取左图当前帧和上一帧、右图当前帧和上一帧,用帧差法分别对左右摄像头拍摄的图像进行运动检测。若左右摄像头有一个被判断为处于运动状态,或两个都被判断为处于运动状态,则进行下一步。否则,不进行处理。
2、判断是否开始脏污检测
当运动帧数大于阈值1时,则认为当前车辆在运动中,开始脏污检测判断,进行下一步。否则,不进行处理。
3、判断结构相似性
在脏污检测时,首先进行结构相似性(SSIM)判断,若SSIM判断有脏污,则进行脏污帧数判断,否则进行下一步的灰度对比。
4、进行灰度对比
若灰度对比判断有脏污,则进行脏污帧数判断,否则判断为无脏污。
5、进行脏污帧数判断
判断有脏污的图像帧数是否为连续多帧,即脏污帧数大于阈值2,若是则判断为有脏污,否则判断为无脏污。
以上是本发明的优选实施方式。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明基本原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种双目ADAS摄像头脏污检测的方法,其特征在于,包括步骤C:判断两个摄像头的图像是否相对一致,若是,则无脏污。
2.如权利要求1所述的方法,其特征在于,进行步骤C的判断结果若为否,则进行步骤D:判断脏污图像帧数是否大于阈值2,若是,则判断为有脏污,若否,则判断为无脏污。
3.如权利要求2所述的方法,其特征在于,步骤C包括顺序进行的如下步骤:
步骤C1:判断结构相似性,若结构相似性判断有脏污,则进行步骤D,否则进行步骤C2;
步骤C2:进行灰度对比,若灰度对比判断有脏污,则进行步骤D,否则判断为无脏污。
5.如权利要求3所述的方法,其特征在于,步骤C2中,对于同一时刻左摄像头和右摄像头的图像,将左图像分成M*N个均等的矩形区域,右图像也分成同样的M*N个均等的矩形区域,
1)计算左右图像每个矩形区域的平均灰度,分别得到左图像平均灰度矩阵gridValueAverLeft[M][N]和右图像平均灰度矩阵gridValueAverRight[M][N],
2)计算左右图像平均灰度矩阵差,
gridValueAverDiff[M][N]=|gridValueAverLeft[M][N]-gridValueAverRight[M][N]|,
3)计算平均灰度矩阵差的所有元素权重和:
将平均灰度矩阵差gridValueAverDiff[M][N]中的各个元素与权重矩阵weight[M][N]中各个元素对应位置相乘后各个值相加后得到权重和,即
4)计算左右图像整体的平均灰度差grayDiff:
grayDiff=|mean(L)-mean(R)| (6)
其中,L代表左图,R代表右图,mean代表对全图灰度值取平均的平均值,
5)对于以下条件:
a.grayDiff大于阈值1;
b.gridWeightSum大于阈值2;
c.gridWeightSum与grayDiff差值的绝对值大于阈值3,
若a、b、c同时满足,则判断为有脏污,否则无脏污。
6.如权利要求1所述的方法,其特征在于,在进行步骤C之前,进行如下步骤:
步骤A:判断车辆是否处于运动状态,若是,则进行步骤B,若否,则不进行处理;
步骤B:判断运动帧数是否大于阈值1,若是,则认为当前车辆在运动中,进行步骤C,若否,则不进行处理。
8.如权利要求6所述的方法,其特征在于,步骤A通过获取车辆速度信息来判断,若根据车辆速度判断车辆非静止,则车辆处于运动状态。
9.一种存储设备,其特征在于,其中存储有多条指令,所述指令适于由处理器加载并执行:
步骤A:判断车辆是否处于运动状态,若是,则进行步骤B,若否,则不进行处理;
步骤B:判断运动帧数是否大于阈值1,若是,则认为当前车辆在运动中,进行步骤C,若否,则不进行处理;
步骤C:判断两个摄像头的图像是否相对一致,若是,则无脏污,若否,则进行步骤D,所述步骤C包括:
步骤C1:判断结构相似性,若结构相似性判断有脏污,则进行步骤D,否则进行步骤C2;
步骤C2:进行灰度对比,若灰度对比判断有脏污,则进行步骤D,否则判断为无脏污;
步骤D:判断脏污图像帧数是否大于阈值2,若是,则判断为有脏污,若否,则判断为无脏污。
10.一种带有双目立体相机的汽车,其特征在于,具有:
处理器,适于实现各指令;以及
存储设备,适于存储多条指令,所述指令适于由处理器加载并执行:
步骤A:判断车辆是否处于运动状态,若是,则进行步骤B,若否,则不进行处理;
步骤B:判断运动帧数是否大于阈值1,若是,则认为当前车辆在运动中,进行步骤C,若否,则不进行处理;
步骤C:判断两个摄像头的图像是否相对一致,若是,则无脏污,若否,则进行步骤D,所述步骤C包括:
步骤C1:判断结构相似性,若结构相似性判断有脏污,则进行步骤D,否则进行步骤C2;
步骤C2:进行灰度对比,若灰度对比判断有脏污,则进行步骤D,否则判断为无脏污;
步骤D:判断脏污图像帧数是否大于阈值2,若是,则判断为有脏污,若否,则判断为无脏污。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010903159.XA CN112215794B (zh) | 2020-09-01 | 2020-09-01 | 一种双目adas摄像头脏污检测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010903159.XA CN112215794B (zh) | 2020-09-01 | 2020-09-01 | 一种双目adas摄像头脏污检测的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112215794A true CN112215794A (zh) | 2021-01-12 |
CN112215794B CN112215794B (zh) | 2022-09-20 |
Family
ID=74048762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010903159.XA Active CN112215794B (zh) | 2020-09-01 | 2020-09-01 | 一种双目adas摄像头脏污检测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215794B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011316A (zh) * | 2021-03-16 | 2021-06-22 | 北京百度网讯科技有限公司 | 一种镜头状态的检测方法、装置、电子设备和介质 |
CN113313016A (zh) * | 2021-05-27 | 2021-08-27 | 苏州魔视智能科技有限公司 | 摄像头脏污识别方法、电子设备及车辆 |
CN113643313A (zh) * | 2021-08-11 | 2021-11-12 | 深圳市天双科技有限公司 | 一种车载摄像头脏污动态检测方法 |
CN114040181A (zh) * | 2021-10-29 | 2022-02-11 | 中国铁塔股份有限公司盐城市分公司 | 一种全息显示系统及全息显示方法 |
US12026864B2 (en) | 2021-03-16 | 2024-07-02 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for detecting a status of a lens, electronic device and medium |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107347151A (zh) * | 2016-05-04 | 2017-11-14 | 深圳众思科技有限公司 | 双目摄像头遮挡检测方法及装置 |
WO2018086050A1 (zh) * | 2016-11-11 | 2018-05-17 | 深圳市大疆创新科技有限公司 | 深度图生成方法和基于该方法的无人机 |
CN109269478A (zh) * | 2018-10-24 | 2019-01-25 | 南京大学 | 一种基于双目视觉的集装箱码头场桥障碍物检测方法 |
CN110889801A (zh) * | 2018-08-16 | 2020-03-17 | 九阳股份有限公司 | 一种烟灶系统的摄像头去污优化方法以及烟灶系统 |
CN111027398A (zh) * | 2019-11-14 | 2020-04-17 | 深圳市有为信息技术发展有限公司 | 行车记录仪视频遮挡检测方法 |
-
2020
- 2020-09-01 CN CN202010903159.XA patent/CN112215794B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107347151A (zh) * | 2016-05-04 | 2017-11-14 | 深圳众思科技有限公司 | 双目摄像头遮挡检测方法及装置 |
WO2018086050A1 (zh) * | 2016-11-11 | 2018-05-17 | 深圳市大疆创新科技有限公司 | 深度图生成方法和基于该方法的无人机 |
CN110889801A (zh) * | 2018-08-16 | 2020-03-17 | 九阳股份有限公司 | 一种烟灶系统的摄像头去污优化方法以及烟灶系统 |
CN109269478A (zh) * | 2018-10-24 | 2019-01-25 | 南京大学 | 一种基于双目视觉的集装箱码头场桥障碍物检测方法 |
CN111027398A (zh) * | 2019-11-14 | 2020-04-17 | 深圳市有为信息技术发展有限公司 | 行车记录仪视频遮挡检测方法 |
Non-Patent Citations (3)
Title |
---|
JAEHOON JUNG, ETC.: "Object Occlusion Detection Using Automatic Camera Calibration for aWide-Area Video Surveillance System", 《SENSORS AND TECHNOLOGIES》 * |
张春伟: "基于深度学习的机器人视觉受污后的应急规划", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
裴红娟等: "基于双目图像物体边缘的半遮档检测方法", 《北京信息科技大学学报(自然科学版)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011316A (zh) * | 2021-03-16 | 2021-06-22 | 北京百度网讯科技有限公司 | 一种镜头状态的检测方法、装置、电子设备和介质 |
US12026864B2 (en) | 2021-03-16 | 2024-07-02 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for detecting a status of a lens, electronic device and medium |
CN113313016A (zh) * | 2021-05-27 | 2021-08-27 | 苏州魔视智能科技有限公司 | 摄像头脏污识别方法、电子设备及车辆 |
CN113313016B (zh) * | 2021-05-27 | 2023-07-04 | 苏州魔视智能科技有限公司 | 摄像头脏污识别方法、电子设备及车辆 |
CN113643313A (zh) * | 2021-08-11 | 2021-11-12 | 深圳市天双科技有限公司 | 一种车载摄像头脏污动态检测方法 |
CN113643313B (zh) * | 2021-08-11 | 2023-09-29 | 深圳市天双科技有限公司 | 一种车载摄像头脏污动态检测方法 |
CN114040181A (zh) * | 2021-10-29 | 2022-02-11 | 中国铁塔股份有限公司盐城市分公司 | 一种全息显示系统及全息显示方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112215794B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112215794B (zh) | 一种双目adas摄像头脏污检测的方法及装置 | |
KR100814424B1 (ko) | 폐색영역 검출장치 및 검출방법 | |
CN108229475B (zh) | 车辆跟踪方法、系统、计算机设备及可读存储介质 | |
US7095892B2 (en) | Object-of-interest image capture | |
CN111340749B (zh) | 图像质量的检测方法、装置、设备及存储介质 | |
CN107292828B (zh) | 图像边缘的处理方法和装置 | |
CN110910421B (zh) | 基于分块表征和可变邻域聚类的弱小运动目标检测方法 | |
JP2021082316A5 (zh) | ||
CN111768450A (zh) | 基于散斑图的结构光相机行偏差的自动检测方法和装置 | |
CN107578424B (zh) | 一种基于时空分类的动态背景差分检测方法、系统及装置 | |
CN111489337A (zh) | 一种自动光学检测伪缺陷去除方法及系统 | |
CN111738033B (zh) | 基于平面分割的车辆行驶信息确定方法及装置、车载终端 | |
CN112261390B (zh) | 车载摄像设备及其图像优化装置和优化方法 | |
CN113256683B (zh) | 目标跟踪方法及相关设备 | |
CN112598743B (zh) | 一种单目视觉图像的位姿估算方法及相关装置 | |
CN111062415B (zh) | 基于对比差异的目标对象图像提取方法、系统及存储介质 | |
CN113052019A (zh) | 目标跟踪方法及装置、智能设备和计算机存储介质 | |
CN109101874B (zh) | 一种基于深度图像的图书馆机器人障碍识别方法 | |
CN111931745B (zh) | 车辆检测方法、装置、电子设备及存储介质 | |
JP7134780B2 (ja) | ステレオカメラ装置 | |
EP2517176A1 (en) | Method for regenerating the background of digital images of a video stream | |
JP3081660B2 (ja) | 距離検出方法 | |
CN111476821B (zh) | 基于在线学习的目标跟踪方法 | |
CN114757947B (zh) | 一种针对摄像机镜头的污损检测方法、装置和系统 | |
JP7337165B2 (ja) | デジタル画像シーケンスを用いた相対運動の決定方法 |
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 |