CN112261403A - 车载摄像头的脏污物检测装置及方法 - Google Patents

车载摄像头的脏污物检测装置及方法 Download PDF

Info

Publication number
CN112261403A
CN112261403A CN202011001333.8A CN202011001333A CN112261403A CN 112261403 A CN112261403 A CN 112261403A CN 202011001333 A CN202011001333 A CN 202011001333A CN 112261403 A CN112261403 A CN 112261403A
Authority
CN
China
Prior art keywords
actual
image
information entropy
light source
candidate region
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
Application number
CN202011001333.8A
Other languages
English (en)
Other versions
CN112261403B (zh
Inventor
罗小平
童文超
曾峰
石玉璞
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 Longhorn Automotive Electronic Equipment Co Ltd
Original Assignee
Shenzhen Longhorn Automotive Electronic Equipment 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 Longhorn Automotive Electronic Equipment Co Ltd filed Critical Shenzhen Longhorn Automotive Electronic Equipment Co Ltd
Priority to CN202011001333.8A priority Critical patent/CN112261403B/zh
Publication of CN112261403A publication Critical patent/CN112261403A/zh
Application granted granted Critical
Publication of CN112261403B publication Critical patent/CN112261403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种车载摄像头的脏污物检测装置及方法，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获得原始图像帧并等分为多个图像块；特征计算模块，计算原始图像帧的全局光源向量和图像块的子光源向量，计算图像块的实际空间域信息熵、实际信息熵矩阵和实际方差；区域筛选模块，计算子光源向量和全局光源向量的实际夹角，确定出第一候选区域，根据实际空间域信息熵、实际信息熵矩阵和实际方差确定第二候选区域；噪声计算模块，拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数；脏污物判断模块，计算第一实际差异值和第二实际差异值并判定出脏污物。本实施例能有效检测出各类脏污物。

Description

车载摄像头的脏污物检测装置及方法
技术领域
本发明实施例涉及车载摄像头的辅助清洁领域，尤其涉及一种车载摄像头的脏污物检测装置及方法。
背景技术
在机动车行车过程中，车载摄像头经常会被泥水等脏污物覆盖，而导致车载摄像头正常的影像采集功能受到影响。因此，需要相应的脏污物检测方法来识别和检测出脏污物以帮助用户维护车载摄像头。
现有的车载摄像头的脏污物检测方法主要包括两种：第一种方法是首先计算车载摄像头采集的图像在频域或空间域的信息熵特征，再将信息熵特征输入至预先训练的分类器进行分类检测；第二种则采用车载摄像头采集的视频流影像，并结合脏污物在视频流影像中的相似性以检测出脏污物。但是，脏污物基于形状分类可分为不定形块状和全覆盖，而基于透光性可分为半透性脏污物和不透性脏污物，其中，上述第一种方法对各类不定形块状或者面积较小的脏污物无法有效的检测，另外，基于训练的分类器需要采集大量的训练样本，而且针对某些特殊的样本的检测效果较差，而第二种方法则对于非刚体的脏污物或半透明的脏污物检测效果较差。因此，上述两种方式对车载摄像头表面的检测效果较差。
发明内容
本发明实施例要解决的技术问题在于，提供一种车载摄像头的脏污物检测装置，能有效检测出各类脏污物。
本发明实施例进一步要解决的技术问题在于，提供一种车载摄像头的脏污物检测方法，能有效检测出各类脏污物。
为了解决上述技术问题，本发明实施例提供以下技术方案：一种车载摄像头的脏污物检测装置，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原始图像帧，并将所述原始图像帧等分为预定数量的图像块；
特征计算模块，与所述预处理模块相连，用于计算获得所述原始图像帧的全局光源向量以及每个所述图像块的子光源向量和实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块的实际信息熵矩阵和实际方差；
区域筛选模块，与所述特征计算模块相连，用于归一化各个图像块的子光源向量，依次计算归一化后的图像块的所述子光源向量和所述全局光源向量的实际夹角，将所述实际夹角落在预定夹角筛选范围内的各个图像块根据相邻分布形态划分出至少一个第一候选区域，属于同一第一候选区域的图像块依次邻接而分属不同第一候选区域的图像块彼此分离，以及将所述实际空间域信息熵、实际信息熵矩阵和实际方差对应满足预定空间域信息熵阈值、预定信息熵矩阵阈值和预定方差阈值的各个图像块根据相邻分布形态划分出至少一个第二候选区域，属于同一第二候选区域的图像块依次邻接而分属不同第二候选区域的图像块彼此分离；
噪声计算模块，与所述区域筛选模块相连，用于分别提取出各个第一候选区域和第二候选区域对应的第一实际噪声图像和第二实际噪声图像，并根据所述第一实际噪声图像、第二实际噪声图像和预存的没有脏污物的参考噪声图像对应拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数；以及
脏污物判断模块，与所述噪声计算模块相连，用于分别计算各个所述第一实际概率密度函数、第二实际概率密度函数与参考概率密度函数的第一实际差异值和第二实际差异值，将所述第一实际差异值和第二实际差异值满足预定差异值对应的第一候选区域和第二候选区域判定为存在脏污物。
进一步的，所述特征计算模块包括：
光源向量计算单元，用于采用预存的光源估计模型计算出所述原始图像帧的全局光源向量和每个所述图像块的子光源向量；以及
图像特征计算单元，用于计算出每个所述图像块的实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块的实际信息熵矩阵和实际方差。
进一步的，所述区域筛选模块包括：
归一化单元，用于归一化各个图像块的子光源向量；
夹角计算及判断单元，用于依次计算归一化后的图像块的所述子光源向量和所述全局光源向量的实际夹角，将所述实际夹角落在预定夹角筛选范围内的各个图像块根据相邻分布形态划分出至少一个第一候选区域，属于同一第一候选区域的图像块依次邻接而分属不同第一候选区域的图像块彼此分离；以及
图像特征判断单元，用于从各个图像块中确定出至少一个第二候选区域，属于同一第二候选区域的图像块依次邻接而分属不同第二候选区域的图像块彼此分离，且组成各个第二候选区域的图像块的图像特征满足以下关系：所述实际空间域信息熵小于预定空间域信息熵；或者所述实际信息熵矩阵小于预定信息熵矩阵，同时所述实际方差小于预定方差。
进一步的，所述噪声计算模块包括：
参考图像预存单元，用于预存没有脏污物的参考噪声图像；
噪声图像提取单元，用于分别提取出各个第一候选区域和第二候选区域对应的第一实际噪声图像和第二实际噪声图像；以及
密度函数拟合单元，用于根据所述第一实际噪声图像、第二实际噪声图像和所述参考噪声图像对应拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数。
进一步的，所述参考噪声图像为多张没有脏污物的模板图像与所述模板图像平滑滤波后的处理图像的差值之和的平均值图像。
另一方面，为了解决上述技术问题，本发明实施例提供以下技术方案：一种车载摄像头的脏污物检测方法，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原始图像帧，并将所述原始图像帧等分为预定数量的图像块；
计算获得所述原始图像帧的全局光源向量以及每个所述图像块的子光源向量和实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块的实际信息熵矩阵和实际方差；归一化各个图像块的子光源向量，依次计算归一化后的图像块的所述子光源向量和所述全局光源向量的实际夹角，将所述实际夹角落在预定夹角筛选范围内的各个图像块根据相邻分布形态划分出至少一个第一候选区域，属于同一第一候选区域的图像块依次邻接而分属不同第一候选区域的图像块彼此分离，以及将所述实际空间域信息熵、实际信息熵矩阵和实际方差对应满足预定空间域信息熵阈值、预定信息熵矩阵阈值和预定方差阈值的各个图像块根据相邻分布形态划分出至少一个第二候选区域，属于同一第二候选区域的图像块依次邻接而分属不同第二候选区域的图像块彼此分离；
分别提取出各个第一候选区域和第二候选区域对应的第一实际噪声图像和第二实际噪声图像，并根据所述第一实际噪声图像、第二实际噪声图像和预存的没有脏污物的参考噪声图像对应拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数；以及
分别计算各个所述第一实际概率密度函数、第二实际概率密度函数与参考概率密度函数的第一实际差异值和第二实际差异值，将所述第一实际差异值和第二实际差异值满足预定差异值对应的第一候选区域和第二候选区域判定为存在脏污物。
进一步的，所述计算获得所述原始图像帧的全局光源向量以及每个所述图像块的子光源向量和实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块的实际信息熵矩阵和实际方差具体包括：
采用预存的光源估计模型计算出所述原始图像帧的全局光源向量和每个所述图像块的子光源向量；以及
计算出每个所述图像块的实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块的实际信息熵矩阵和实际方差。
进一步的，所述归一化各个图像块的子光源向量，依次计算归一化后的图像块的所述子光源向量和所述全局光源向量的实际夹角，将所述实际夹角落在预定夹角筛选范围内的各个图像块根据相邻分布形态划分出至少一个第一候选区域，属于同一第一候选区域的图像块依次邻接而分属不同第一候选区域的图像块彼此分离，以及将所述实际空间域信息熵、实际信息熵矩阵和实际方差对应满足预定空间域信息熵阈值、预定信息熵矩阵阈值和预定方差阈值的各个图像块根据相邻分布形态划分出至少一个第二候选区域，属于同一第二候选区域的图像块依次邻接而分属不同第二候选区域的图像块彼此分离具体包括：
归一化各个图像块的子光源向量；
依次计算归一化后的图像块的所述子光源向量和所述全局光源向量的实际夹角，将所述实际夹角落在预定夹角筛选范围内的各个图像块根据相邻分布形态划分出至少一个第一候选区域，属于同一第一候选区域的图像块依次邻接而分属不同第一候选区域的图像块彼此分离；以及从各个图像块中确定出至少一个第二候选区域，属于同一第二候选区域的图像块依次邻接而分属不同第二候选区域的图像块彼此分离，且组成各个第二候选区域的图像块的图像特征满足以下关系：所述实际空间域信息熵小于预定空间域信息熵；或者所述实际信息熵矩阵小于预定信息熵矩阵，同时所述实际方差小于预定方差。
进一步的，所述分别提取出各个第一候选区域和第二候选区域对应的第一实际噪声图像和第二实际噪声图像，并根据所述第一实际噪声图像、第二实际噪声图像和预存的没有脏污物的参考噪声图像对应拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数具体包括：
预存没有脏污物的参考噪声图像；
分别提取出各个第一候选区域和第二候选区域对应的第一实际噪声图像和第二实际噪声图像；以及
根据所述第一实际噪声图像、第二实际噪声图像和所述参考噪声图像对应拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数。
进一步的，所述参考噪声图像为多张没有脏污物的模板图像与所述模板图像平滑滤波后的处理图像的差值之和的平均值图像。
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：本发明实施例计算出原始图像帧的全局光源向量和每个所述图像块的子光源向量，以及原始图像帧的每个图像块的实际空间域信息熵、实际信息熵矩阵和实际方差，并通过归一化各个子光源向量后计算出子光源向量与全局光源向量的夹角，通过将各个实际参数与预定的标准参数比较确定出第一候选区域和第二候选区域，从而采用预存的没有脏污物的参考噪声图像对应拟合出第一实际概率密度函数和第二实际概率密度函数，确定出第一实际概率密度函数、第二实际概率密度函数与参考噪声图像的参考概率密度函数的第一实际差异值和第二实际差异值后，判断所述第一实际差异值和第二实际差异值是否满足预定差异值，从而确定各个第一候选区域和第二候选区域是否存在脏污物，对于不定形块状脏污物和全覆盖类型的脏污物，分别采用图像特征和光源估计的方式，对脏污物的检测效果更好。
附图说明
图1为本发明车载摄像头的脏污物检测装置一个可选实施例的原理框图。
图2为本发明车载摄像头的脏污物检测装置一个可选实施例的车载摄像头分别在有脏污物和没有脏污物时的成像光路图。
图3为本发明车载摄像头的脏污物检测装置一个可选实施例的原始图像帧的示意图。
图4为本发明车载摄像头的脏污物检测装置一个可选实施例特征计算模块的原理框图。
图5为本发明车载摄像头的脏污物检测装置一个可选实施例区域筛选模块的原理框图。
图6为本发明车载摄像头的脏污物检测装置一个可选实施例噪声计算模块的原理框图。
图7为本发明车载摄像头的脏污物检测方法一个可选实施例的步骤流程图。
图8为本发明车载摄像头的脏污物检测方法一个可选实施例步骤S2具体的流程图。
图9为本发明车载摄像头的脏污物检测方法一个可选实施例步骤S3具体的流程图。
图10为本发明车载摄像头的脏污物检测方法一个可选实施例步骤S4具体的流程图。
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所示，本发明一个可选实施例提供一种车载摄像头的脏污物检测装置1，包括：预处理模块10，与机动车的车载摄像头3相连，用于从所述车载摄像头3采集及传来的实时图像中逐帧提取获得原始图像帧A，并将所述原始图像帧A等分为预定数量的图像块a；特征计算模块12，与所述预处理模块10相连，用于计算获得所述原始图像帧A的全局光源向量以及每个所述图像块a的子光源向量和实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块a的实际信息熵矩阵和实际方差；
区域筛选模块14，与所述特征计算模块12相连，用于归一化各个图像块a的子光源向量，依次计算归一化后的图像块a的所述子光源向量和所述全局光源向量的实际夹角，将所述实际夹角落在预定夹角筛选范围内的各个图像块a根据相邻分布形态划分出至少一个第一候选区域，属于同一第一候选区域的图像块a依次邻接而分属不同第一候选区域的图像块a彼此分离，以及将所述实际空间域信息熵、实际信息熵矩阵和实际方差对应满足预定空间域信息熵阈值、预定信息熵矩阵阈值和预定方差阈值的各个图像块a根据相邻分布形态划分出至少一个第二候选区域，属于同一第二候选区域的图像块a依次邻接而分属不同第二候选区域的图像块a彼此分离；
噪声计算模块16，与所述区域筛选模块14相连，用于分别提取出各个第一候选区域和第二候选区域对应的第一实际噪声图像和第二实际噪声图像，并根据所述第一实际噪声图像、第二实际噪声图像和预存的没有脏污物的参考噪声图像对应拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数；以及
脏污物判断模块18，与所述噪声计算模块16相连，用于分别计算各个所述第一实际概率密度函数、第二实际概率密度函数与参考概率密度函数的第一实际差异值和第二实际差异值，将所述第一实际差异值和第二实际差异值满足预定差异值对应的第一候选区域和第二候选区域判定为存在脏污物。
本发明实施例计算出原始图像帧A的全局光源向量和每个所述图像块a的子光源向量，以及原始图像帧A的每个图像块a的实际空间域信息熵、实际信息熵矩阵和实际方差，并通过归一化各个子光源向量后计算出子光源向量与全局光源向量的夹角，通过将各个实际参数与预定的标准参数比较确定出第一候选区域和第二候选区域，从而采用预存的没有脏污物的参考噪声图像对应拟合出第一实际概率密度函数和第二实际概率密度函数，确定出第一实际概率密度函数、第二实际概率密度函数与参考噪声图像的参考概率密度函数的第一实际差异值和第二实际差异值后，判断所述第一实际差异值和第二实际差异值是否满足预定差异值，从而确定每个第一候选区域和第二候选区域是否存在脏污物，对于不定形块状脏污物和全覆盖类型的脏污物，分别采用图像特征和光源估计的方式，对脏污物的检测效果更好。
如图2所示，车载摄像头分别在有脏污物和没有脏污物时的成像光路图可知，在有脏污物和没有脏污物时，成像光线的光路必定存在对应的夹角；另外，如图3所示，可将原始图像帧A共分为m*n(m，n均为正整数，且m，n的取值根据原始图像帧A的大小合理的选择)个图像块a，并分别以对应的行数和列数命名相应的图像块a，图中所示阴影区域表示脏污物覆盖区域。
在本发明一个可选实施例中，如图4所示，所述特征计算模块12包括：
光源向量计算单元121，用于采用预存的光源估计模型计算出所述原始图像帧A的全局光源向量和每个所述图像块a的子光源向量；以及
图像特征计算单元123，用于计算出每个所述图像块a的实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块a的实际信息熵矩阵和实际方差。
本实施例通过采用光源向量计算单元121计算所述原始图像帧A的全局光源向量和每个所述图像块a的子光源向量，而图像特征计算单元123计算每个所述图像块a的实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块a的实际信息熵矩阵和实际方差，图像处理和数据运算效率更高，脏污物的识别效率也更高。
在具体实施时，所述光源估计模型可以采用明科夫斯基框架，具体计算模型为：
Figure BDA0002694426700000073
其中，Lc(ρ)表示光源c通道强度，ρ为大于等于1的常数，X为图像的二维坐标，k为常数，ec标准光源c通道的强度，其中c包含光源r、g、b通道，f为车载摄像头的彩色模型，通过上述计算模型可首先计算出原始图像帧A的全局光源向量L_global(Er，Eg，Eb)，其中Er、Eg和Eb分别表示全局光源向量在对应r、g、b通道的参数，再采用计算模型分别计算出每个图像块a的子光源向量Lmn＝emn_r,emn_g,emn_b)，其中emn_r、emn_g和emn_b分别表示第m行第n列的图像块a对应r、g、b通道的参数。
另外，在计算每个所述图像块a的实际空间域信息熵时，可采用以下空间域信息熵计算公式，Hmn＝∑i∑jpij*log(pij)，其中Hmn表示实际空间域信息熵，i表示像素的灰度值(0<＝i<＝255)，j表示邻域灰度均值(0<＝j<＝255)，pij表示特征二元组(i，j)出现的频数；再通过信息熵矩阵计算公式：
Figure BDA0002694426700000071
和方差计算公式：
Figure BDA0002694426700000072
分别计算实际信息熵矩阵Hmean和实际方差Hstd，其中，M，N分别表示矩阵的行数和列数。
在本发明又一个可选实施例中，如图5所示，所述区域筛选模块14包括：
归一化单元141，用于归一化各个图像块a的子光源向量；
夹角计算及判断单元143，用于依次计算归一化后的图像块a的所述子光源向量和所述全局光源向量的实际夹角，将所述实际夹角落在预定夹角筛选范围内的各个图像块a根据相邻分布形态划分出至少一个第一候选区域，属于同一第一候选区域的图像块a依次邻接而分属不同第一候选区域的图像块a彼此分离；以及
图像特征判断单元145，用于从各个图像块a中确定出至少一个第二候选区域，属于同一第二候选区域的图像块a依次邻接而分属不同第二候选区域的图像块a彼此分离，且组成各个第二候选区域的图像块a的图像特征满足以下关系：所述实际空间域信息熵小于预定空间域信息熵；或者所述实际信息熵矩阵小于预定信息熵矩阵，同时所述实际方差小于预定方差。
本实施例首先通过归一化单元141归一化各个图像块a的子光源向量，方便数据处理和计算，再由夹角计算及判断单元143计算归一化后的所述子光源向量和所述全局光源向量的实际夹角，再组合确定出第一候选区域，另由图像特征判断单元145从各个图像块a中组合确定出第二候选区域，判断过程明确，可有效的筛选出第一候选区域和第二候选区域。
在具体实施时，可首先归一化所有光源向量，再采用夹角余弦定理计算子光源向量与全局光源向量的实际夹角θ，当所述实际夹角θ>T，其中T表示预定夹角阈值(例如：在本发明实施例中可设定预定夹角阈值T的余弦值为0.52)时，将相对邻近的图像块a归类组合为第一候选区域，此处，可以理解的是，相对距离较远且满足预定夹角阈值的图像块a，可对应生成不同的第一候选区域。
另外，根据上述可知，可采用以下筛选公式确定出第二候选区域：
Hmean<T1||(Hstd<T2&&Hmean<T3)，其中，T1、T2和T3分别表示预定空间域信息熵、预定信息熵矩阵和预定方差，同样的，相对距离较远且满足上述图像特征的图像块，可对应生成不同的第二候选区域。
在本发明再一个可选实施例中，如图6所示，所述噪声计算模块16包括：
参考图像预存单元161，用于预存没有脏污物的参考噪声图像；
噪声图像提取单元163，用于分别提取出各个第一候选区域和第二候选区域对应的第一实际噪声图像和第二实际噪声图像；以及
密度函数拟合单元165，用于根据所述第一实际噪声图像、第二实际噪声图像和所述参考噪声图像对应拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数。
本实施例通过噪声图像提取单元163首先提取出对应第一实际噪声图像和第二实际噪声图像，再由密度函数拟合单元165拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数，分层次执行操作步骤，图像数据处理效率较高。
在具体实施时，可采用以下噪声图像提取公式：Inoise＝Icondinate-Ismooth，其中，Inoise分别表示第一实际噪声图像和第二实际噪声图像，Icondinate表示第一候选区域和第二候选区域的原始图像，Ismooth则表示对第一候选区域和第二候选区域的原始图像进行平滑滤波后的滤波图像。
接着，由于随机噪声的分布服从正态分布，因此，可采用以下拟合噪声分布的概率密度函数：
Figure BDA0002694426700000091
其中f(x)表示概率密度函数，μ表示噪声对数的均值，σ表示方差，x表示随机变量，采用上述公式可依次拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数。
最后，在具体实施时，可采用差异值计算公式：D＝dis(f(x),f(x)refer)，其中，f(x)refer表示参考概率密度函数，依次计算出第一实际差异值D1和第二实际差异值D2，通过将D1和D2与预定差异值DT比较即可确定出脏污物。
在本发明另一个可选实施例中，所述参考噪声图像为多张没有脏污物的模板图像与所述模板图像平滑滤波后的处理图像的差值之和的平均值图像。本实施例中，参考噪声图像采用上述的平均值图像，可针对各种不同类型的脏污物进行有效的识别，可有效的提升识别效果。
在具体实施时，可预先采集N张(N为正整数)没有脏污物图像样本，离线计算生成参考噪声图像，其中，计算模型为：
Figure BDA0002694426700000092
其中，Irefer表示参考噪声图像，Ii表示预先采集的第i张没有脏污物的模板图像，Iismooth表示第i张模板图像经过平滑滤波后的处理图像。
另一方面，如图7所示，本发明实施例提供一种车载摄像头的脏污物检测方法，包括以下步骤：
S1：从机动车的车载摄像头3采集及传来的实时图像中逐帧提取获得原始图像帧A，并将所述原始图像帧A等分为预定数量的图像块a；
S2：计算获得所述原始图像帧A的全局光源向量以及每个所述图像块a的子光源向量和实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块a的实际信息熵矩阵和实际方差；
S3：归一化各个图像块a的子光源向量，依次计算归一化后的图像块a的所述子光源向量和所述全局光源向量的实际夹角，将所述实际夹角落在预定夹角筛选范围内的各个图像块a根据相邻分布形态划分出至少一个第一候选区域，属于同一第一候选区域的图像块a依次邻接而分属不同第一候选区域的图像块a彼此分离，以及将所述实际空间域信息熵、实际信息熵矩阵和实际方差对应满足预定空间域信息熵阈值、预定信息熵矩阵阈值和预定方差阈值的各个图像块a根据相邻分布形态划分出至少一个第二候选区域，属于同一第二候选区域的图像块a依次邻接而分属不同第二候选区域的图像块a彼此分离；
S4：分别提取出各个第一候选区域和第二候选区域对应的第一实际噪声图像和第二实际噪声图像，并根据所述第一实际噪声图像、第二实际噪声图像和预存的没有脏污物的参考噪声图像对应拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数；以及
S5：分别计算所述第一实际概率密度函数、第二实际概率密度函数与参考概率密度函数的第一实际差异值和第二实际差异值，将所述第一实际差异值和第二实际差异值满足预定差异值对应的第一候选区域和第二候选区域判定为存在脏污物。
本发明实施例通过上述方法，计算出原始图像帧A的全局光源向量和每个所述图像块a的子光源向量，以及原始图像帧A的每个图像块a的实际空间域信息熵、实际信息熵矩阵和实际方差，并通过归一化各个子光源向量后计算出子光源向量与全局光源向量的夹角，通过将各个实际参数与预定的标准参数比较确定出第一候选区域和第二候选区域，从而采用预存的没有脏污物的参考噪声图像对应拟合出第一实际概率密度函数和第二实际概率密度函数，确定出第一实际概率密度函数、第二实际概率密度函数与参考噪声图像的参考概率密度函数的第一实际差异值和第二实际差异值后，判断所述第一实际差异值和第二实际差异值是否满足预定差异值，从而确定每个第一候选区域和第二候选区域是否存在脏污物，对于不定形块状脏污物和全覆盖类型的脏污物，分别采用图像特征和光源估计的方式，对脏污物的检测效果更好。
在本发明一个可选实施例中，如图8所示，所述步骤S2具体包括：
S21：采用预存的光源估计模型计算出所述原始图像帧A的全局光源向量和每个所述图像块a的子光源向量；以及
S22：计算出每个所述图像块a的实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块a的实际信息熵矩阵和实际方差。
本实施例通过上述方法，首先计算所述原始图像帧A的全局光源向量和每个所述图像块a的子光源向量，再计算每个所述图像块a的实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块a的实际信息熵矩阵和实际方差，图像处理和数据运算效率更高，脏污物的识别效率也更高。
在本发明又一个可选实施例中，如图9所示，所述步骤S3具体包括：
S31：归一化各个图像块a的子光源向量；
S32：依次计算归一化后的图像块a的所述子光源向量和所述全局光源向量的实际夹角，将所述实际夹角落在预定夹角筛选范围内的各个图像块a根据相邻分布形态划分出至少一个第一候选区域，属于同一第一候选区域的图像块a依次邻接而分属不同第一候选区域的图像块a彼此分离；以及
S33：从各个图像块a中确定出至少一个第二候选区域，属于同一第二候选区域的图像块a依次邻接而分属不同第二候选区域的图像块a彼此分离，且组成各个第二候选区域的图像块a的图像特征满足以下关系：所述实际空间域信息熵小于预定空间域信息熵；或者所述实际信息熵矩阵小于预定信息熵矩阵，同时所述实际方差小于预定方差。
本实施例通过上述方法，首先归一化各个图像块a的子光源向量，方便数据处理和计算，再计算归一化后的所述子光源向量和所述全局光源向量的实际夹角，组合确定出第一候选区域；另从各个图像块a中组合确定出第二候选区域，判断过程明确，可有效的筛选出第一候选区域和第二候选区域。
在本发明再一个可选实施例中，如图10所示，所述步骤S4具体包括：
S41：预存没有脏污物的参考噪声图像；
S42：分别提取出各个第一候选区域和第二候选区域对应的第一实际噪声图像和第二实际噪声图像；以及
S43：根据所述第一实际噪声图像、第二实际噪声图像和所述参考噪声图像对应拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数。
本实施例通过上述方法，首先提取出对应第一实际噪声图像和第二实际噪声图像，再拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数，分层次执行操作步骤，图像数据处理效率较高。
在本发明另一个可选实施例中，所述参考噪声图像为多张没有脏污物的模板图像与所述模板图像平滑滤波后的处理图像的差值之和的平均值图像。本实施例中，参考噪声图像采用上述的平均值图像，可针对各种不同类型的脏污物进行有效的识别，可有效的提升识别效果。
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)

1.一种车载摄像头的脏污物检测装置，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原始图像帧，并将所述原始图像帧等分为预定数量的图像块；
特征计算模块，与所述预处理模块相连，用于计算获得所述原始图像帧的全局光源向量以及每个所述图像块的子光源向量和实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块的实际信息熵矩阵和实际方差；
区域筛选模块，与所述特征计算模块相连，用于归一化各个图像块的子光源向量，依次计算归一化后的图像块的所述子光源向量和所述全局光源向量的实际夹角，将所述实际夹角落在预定夹角筛选范围内的各个图像块根据相邻分布形态划分出至少一个第一候选区域，属于同一第一候选区域的图像块依次邻接而分属不同第一候选区域的图像块彼此分离，以及将所述实际空间域信息熵、实际信息熵矩阵和实际方差对应满足预定空间域信息熵阈值、预定信息熵矩阵阈值和预定方差阈值的各个图像块根据相邻分布形态划分出至少一个第二候选区域，属于同一第二候选区域的图像块依次邻接而分属不同第二候选区域的图像块彼此分离；
噪声计算模块，与所述区域筛选模块相连，用于分别提取出各个第一候选区域和第二候选区域对应的第一实际噪声图像和第二实际噪声图像，并根据所述第一实际噪声图像、第二实际噪声图像和预存的没有脏污物的参考噪声图像对应拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数；以及
脏污物判断模块，与所述噪声计算模块相连，用于分别计算各个所述第一实际概率密度函数、第二实际概率密度函数与参考概率密度函数的第一实际差异值和第二实际差异值，将所述第一实际差异值和第二实际差异值满足预定差异值对应的第一候选区域和第二候选区域判定为存在脏污物。
2.如权利要求1所述的车载摄像头的脏污物检测装置，其特征在于，所述特征计算模块包括：
光源向量计算单元，用于采用预存的光源估计模型计算出所述原始图像帧的全局光源向量和每个所述图像块的子光源向量；以及
图像特征计算单元，用于计算出每个所述图像块的实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块的实际信息熵矩阵和实际方差。
3.如权利要求1所述的车载摄像头的脏污物检测装置，其特征在于，所述区域筛选模块包括：
归一化单元，用于归一化各个图像块的子光源向量；
夹角计算及判断单元，用于依次计算归一化后的图像块的所述子光源向量和所述全局光源向量的实际夹角，将所述实际夹角落在预定夹角筛选范围内的各个图像块根据相邻分布形态划分出至少一个第一候选区域，属于同一第一候选区域的图像块依次邻接而分属不同第一候选区域的图像块彼此分离；以及
图像特征判断单元，用于从各个图像块中确定出至少一个第二候选区域，属于同一第二候选区域的图像块依次邻接而分属不同第二候选区域的图像块彼此分离，且组成各个第二候选区域的图像块的图像特征满足以下关系：所述实际空间域信息熵小于预定空间域信息熵；或者
所述实际信息熵矩阵小于预定信息熵矩阵，同时所述实际方差小于预定方差。
4.如权利要求1所述的车载摄像头的脏污物检测装置，其特征在于，所述噪声计算模块包括：
参考图像预存单元，用于预存没有脏污物的参考噪声图像；
噪声图像提取单元，用于分别提取出各个第一候选区域和第二候选区域对应的第一实际噪声图像和第二实际噪声图像；以及
密度函数拟合单元，用于根据所述第一实际噪声图像、第二实际噪声图像和所述参考噪声图像对应拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数。
5.如权利要求1所述的车载摄像头的脏污物检测装置，其特征在于，所述参考噪声图像为多张没有脏污物的模板图像与所述模板图像平滑滤波后的处理图像的差值之和的平均值图像。
6.一种车载摄像头的脏污物检测方法，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原始图像帧，并将所述原始图像帧等分为预定数量的图像块；
计算获得所述原始图像帧的全局光源向量以及每个所述图像块的子光源向量和实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块的实际信息熵矩阵和实际方差；归一化各个图像块的子光源向量，依次计算归一化后的图像块的所述子光源向量和所述全局光源向量的实际夹角，将所述实际夹角落在预定夹角筛选范围内的各个图像块根据相邻分布形态划分出至少一个第一候选区域，属于同一第一候选区域的图像块依次邻接而分属不同第一候选区域的图像块彼此分离，以及将所述实际空间域信息熵、实际信息熵矩阵和实际方差对应满足预定空间域信息熵阈值、预定信息熵矩阵阈值和预定方差阈值的各个图像块根据相邻分布形态划分出至少一个第二候选区域，属于同一第二候选区域的图像块依次邻接而分属不同第二候选区域的图像块彼此分离；
分别提取出各个第一候选区域和第二候选区域对应的第一实际噪声图像和第二实际噪声图像，并根据所述第一实际噪声图像、第二实际噪声图像和预存的没有脏污物的参考噪声图像对应拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数；以及
分别计算各个所述第一实际概率密度函数、第二实际概率密度函数与参考概率密度函数的第一实际差异值和第二实际差异值，将所述第一实际差异值和第二实际差异值满足预定差异值对应的第一候选区域和第二候选区域判定为存在脏污物。
7.如权利要求6所述的车载摄像头的脏污物检测方法，其特征在于，所述计算获得所述原始图像帧的全局光源向量以及每个所述图像块的子光源向量和实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块的实际信息熵矩阵和实际方差具体包括：
采用预存的光源估计模型计算出所述原始图像帧的全局光源向量和每个所述图像块的子光源向量；以及
计算出每个所述图像块的实际空间域信息熵，再根据所述实际空间域信息熵对应计算出每个图像块的实际信息熵矩阵和实际方差。
8.如权利要求6所述的车载摄像头的脏污物检测方法，其特征在于，所述归一化各个图像块的子光源向量，依次计算归一化后的图像块的所述子光源向量和所述全局光源向量的实际夹角，将所述实际夹角落在预定夹角筛选范围内的各个图像块根据相邻分布形态划分出至少一个第一候选区域，属于同一第一候选区域的图像块依次邻接而分属不同第一候选区域的图像块彼此分离，以及将所述实际空间域信息熵、实际信息熵矩阵和实际方差对应满足预定空间域信息熵阈值、预定信息熵矩阵阈值和预定方差阈值的各个图像块根据相邻分布形态划分出至少一个第二候选区域，属于同一第二候选区域的图像块依次邻接而分属不同第二候选区域的图像块彼此分离具体包括：
归一化各个图像块的子光源向量；
依次计算归一化后的图像块的所述子光源向量和所述全局光源向量的实际夹角，将所述实际夹角落在预定夹角筛选范围内的各个图像块根据相邻分布形态划分出至少一个第一候选区域，属于同一第一候选区域的图像块依次邻接而分属不同第一候选区域的图像块彼此分离；以及
从各个图像块中确定出至少一个第二候选区域，属于同一第二候选区域的图像块依次邻接而分属不同第二候选区域的图像块彼此分离，且组成各个第二候选区域的图像块的图像特征满足以下关系：所述实际空间域信息熵小于预定空间域信息熵；或者所述实际信息熵矩阵小于预定信息熵矩阵，同时所述实际方差小于预定方差。
9.如权利要求6所述的车载摄像头的脏污物检测方法，其特征在于，所述分别提取出各个第一候选区域和第二候选区域对应的第一实际噪声图像和第二实际噪声图像，并根据所述第一实际噪声图像、第二实际噪声图像和预存的没有脏污物的参考噪声图像对应拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数具体包括：
预存没有脏污物的参考噪声图像；
分别提取出各个第一候选区域和第二候选区域对应的第一实际噪声图像和第二实际噪声图像；以及
根据所述第一实际噪声图像、第二实际噪声图像和所述参考噪声图像对应拟合出第一实际概率密度函数、第二实际概率密度函数和参考概率密度函数。
10.如权利要求6所述的车载摄像头的脏污物检测方法，其特征在于，所述参考噪声图像为多张没有脏污物的模板图像与所述模板图像平滑滤波后的处理图像的差值之和的平均值图像。
CN202011001333.8A 2020-09-22 2020-09-22 车载摄像头的脏污物检测装置及方法 Active CN112261403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011001333.8A CN112261403B (zh) 2020-09-22 2020-09-22 车载摄像头的脏污物检测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011001333.8A CN112261403B (zh) 2020-09-22 2020-09-22 车载摄像头的脏污物检测装置及方法

Publications (2)

Publication Number Publication Date
CN112261403A true CN112261403A (zh) 2021-01-22
CN112261403B CN112261403B (zh) 2022-06-28

Family

ID=74232818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011001333.8A Active CN112261403B (zh) 2020-09-22 2020-09-22 车载摄像头的脏污物检测装置及方法

Country Status (1)

Country Link
CN (1) CN112261403B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114589160A (zh) * 2022-01-25 2022-06-07 深圳大方智能科技有限公司 一种室内施工用摄像头防护方法
US20220327323A1 (en) * 2021-04-08 2022-10-13 Rivian Ip Holdings, Llc Systems and methods for determining camera blockage
CN116962662A (zh) * 2022-04-25 2023-10-27 瑞伟安知识产权控股有限公司 用于确定相机传感器的图像捕获退化的系统和方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104135660A (zh) * 2014-08-14 2014-11-05 广东光阵光电科技有限公司 一种摄像模组脏污检测方法及检测系统
JP2015070566A (ja) * 2013-09-30 2015-04-13 本田技研工業株式会社 カメラのレンズ汚れ検知装置
CN105405109A (zh) * 2015-11-16 2016-03-16 华北电力大学 一种基于带状背景建模的脏点检测方法
CN106231297A (zh) * 2016-08-29 2016-12-14 深圳天珑无线科技有限公司 摄像头的检测方法及装置
US20190164271A1 (en) * 2017-11-24 2019-05-30 Ficosa Adas, S.L.U. Determining clean or dirty captured images
CN110766679A (zh) * 2019-10-25 2020-02-07 普联技术有限公司 镜头脏污检测方法、装置及终端设备
CN110992327A (zh) * 2019-11-27 2020-04-10 北京达佳互联信息技术有限公司 镜头脏污状态的检测方法、装置、终端及存储介质
CN111277822A (zh) * 2017-04-08 2020-06-12 广东弘景光电科技股份有限公司 摄像模组镜头表面检测装置
CN111583169A (zh) * 2019-01-30 2020-08-25 杭州海康威视数字技术股份有限公司 一种车载相机镜头的污染处理方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015070566A (ja) * 2013-09-30 2015-04-13 本田技研工業株式会社 カメラのレンズ汚れ検知装置
CN104135660A (zh) * 2014-08-14 2014-11-05 广东光阵光电科技有限公司 一种摄像模组脏污检测方法及检测系统
CN105405109A (zh) * 2015-11-16 2016-03-16 华北电力大学 一种基于带状背景建模的脏点检测方法
CN106231297A (zh) * 2016-08-29 2016-12-14 深圳天珑无线科技有限公司 摄像头的检测方法及装置
CN111277822A (zh) * 2017-04-08 2020-06-12 广东弘景光电科技股份有限公司 摄像模组镜头表面检测装置
US20190164271A1 (en) * 2017-11-24 2019-05-30 Ficosa Adas, S.L.U. Determining clean or dirty captured images
CN111583169A (zh) * 2019-01-30 2020-08-25 杭州海康威视数字技术股份有限公司 一种车载相机镜头的污染处理方法及系统
CN110766679A (zh) * 2019-10-25 2020-02-07 普联技术有限公司 镜头脏污检测方法、装置及终端设备
CN110992327A (zh) * 2019-11-27 2020-04-10 北京达佳互联信息技术有限公司 镜头脏污状态的检测方法、装置、终端及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
全世红: "摄像模组解析力和脏污检测的研究与应用", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220327323A1 (en) * 2021-04-08 2022-10-13 Rivian Ip Holdings, Llc Systems and methods for determining camera blockage
US11954894B2 (en) * 2021-04-08 2024-04-09 Rivian Ip Holdings, Llc Systems and methods for determining camera blockage
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
CN114589160A (zh) * 2022-01-25 2022-06-07 深圳大方智能科技有限公司 一种室内施工用摄像头防护方法
CN116962662A (zh) * 2022-04-25 2023-10-27 瑞伟安知识产权控股有限公司 用于确定相机传感器的图像捕获退化的系统和方法

Also Published As

Publication number Publication date
CN112261403B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN112261403B (zh) 车载摄像头的脏污物检测装置及方法
Li et al. Multi-scale single image dehazing using Laplacian and Gaussian pyramids
KR101403876B1 (ko) 차량 번호판 인식 방법과 그 장치
CN102368821B (zh) 一种噪声强度自适应的视频去噪方法和系统
CN109215053B (zh) 一种无人机航拍视频中含暂停状态的运动车辆检测方法
CN110263595B (zh) 一种二维码检测方法及装置
CN109858438B (zh) 一种基于模型拟合的车道线检测方法
CN107665327B (zh) 一种车道线检测方法及装置
CN109117702B (zh) 目标车辆的检测与跟踪计数方法及系统
CN102306307B (zh) 一种彩色显微图像序列中固点噪声的定位方法
Agrawal et al. Distortion-free image dehazing by superpixels and ensemble neural network
CN110060221B (zh) 一种基于无人机航拍图像的桥梁车辆检测方法
Zhang et al. Focus and blurriness measure using reorganized DCT coefficients for an autofocus application
Wang A survey on IQA
CN111274964A (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
CN116596792A (zh) 一种面向智能船舶的内河雾天场景恢复方法、系统及设备
Babu et al. An efficient image dahazing using Googlenet based convolution neural networks
Soundrapandiyan et al. Adaptive pedestrian detection in infrared images using fuzzy enhancement and top-hat transform
CN106254723A (zh) 一种实时监测视频噪声干扰的方法
CN110287752B (zh) 一种点阵码检测方法及装置
Palacios-Enriquez et al. Sparse technique for images corrupted by mixed Gaussian-impulsive noise
CN104820972B (zh) 一种基于在轨分类统计的红外影像me噪声去除方法
CN116152758A (zh) 一种智能实时事故检测及车辆跟踪方法
CN111242051A (zh) 一种车辆识别优化方法、装置及存储介质
Suryawanshi et al. Study of effect of DCT domain steganography techniques in spatial domain for JPEG images steganalysis

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