CN112417952A - 一种车辆碰撞防控系统的环境视频信息可用性测评方法 - Google Patents
一种车辆碰撞防控系统的环境视频信息可用性测评方法 Download PDFInfo
- Publication number
- CN112417952A CN112417952A CN202011075862.2A CN202011075862A CN112417952A CN 112417952 A CN112417952 A CN 112417952A CN 202011075862 A CN202011075862 A CN 202011075862A CN 112417952 A CN112417952 A CN 112417952A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- scene
- video information
- outputting
- video
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
Abstract
本公开的车辆碰撞防控系统的环境视频信息可用性测评方法,利用视频采集设备采集环境视频信息,转换环境视频信息为RGB帧图像;将RGB帧图像输入到特征识别分类器中得到RGB帧图像的多维特征值;在多维特征值形成的高维空间内,利用超平面切分将高维空间区分为场景和场景失效状态,输出一组多维特征参数集;在每个高维空间封闭域内,利用训练采集的统计权重,将一组多维特征参数集量化为不同场景和场景失效状态的表征值;根据所述不同场景失效的表征值进行告警判定,将超过不同场景失效的表征值时进行告警输出。能够识别不同场景能见度下降和通过性下降的情况,视频采集失效情况、图像信息过暗的情况、视频图像失效画面等。
Description
技术领域
本公开属于本发明涉及汽车防碰撞安全技术领域,特别涉及一种车辆碰撞防控系统的环境视频信息可用性测评方法,适用于自动驾驶车辆、主动驾驶安全系统。
背景技术
图像信息已大量应用于无人驾驶车辆的感知控制系统、驾驶辅助系统的车辆碰撞防控系统中。并在障碍物类型识别和标志标线识别等方面发挥着重要作用。为主动驾驶安全和碰撞防控提供便利,为自动驾驶系统发展提供支撑。但众多案例警醒我们,失效的自动驾驶系统可能带来更大的事故。在车辆碰撞防控系统中,如未能按预期预警制动,或在非制动时异常制动导致后车追尾等。
多数自动驾驶系统中,障碍物或新的标志标线信息是作为新信息从视频设备中采集输入系统的,而无视频输入的情况,则会促使自动驾驶系统做出环境安全或无需新增控制动作的判断;或在输入视频信号不佳时,可靠性较低。因而在视频采集设备或环境条件不佳时,会造成自动驾驶系统严重的误判和漏判。目前自动驾驶和车辆防碰撞系统中,视频信息的重要性日趋提升,但是作为信息输入传感器,其自身的可靠性降低,将导致系统性失效的风险。
因此,在当前无安全提示或不确定信息是否属实,在识别到环境感知存在失效风险后,立刻通知驾驶员采取对应措施。
发明内容
有鉴于此,本公开提出了一种车辆碰撞防控系统的环境视频信息可用性测评方法,能够识别不同场景(雨、雪、雾、地面结冰等)能见度下降和通过性下降的情况,背光或过亮环境下视频采集失效情况、夜间或隧道中照明不足导致图像信息过暗的情况、视频采集设备故障、镜头脏,调焦不正等情况的失效画面等。
根据本公开的一方面,提出了一种车辆碰撞防控系统的环境视频信息可用性测评方法,所述方法包括:
利用视频采集设备采集环境视频信息,转换所述环境视频信息为RGB帧图像;
将所述RGB帧图像输入到特征识别分类器中,输出RGB帧图像的多维特征值;
在多维特征值形成的高维空间内,利用超平面切分将所述高维空间区分为场景和场景失效状态,输出一组多维特征参数集;
在每个高维空间封闭域内,利用训练采集的统计权重,将所述一组多维特征参数集量化为不同场景和场景失效状态的表征值;
根据所述不同场景失效的表征值进行告警判定,将超过不同场景失效的表征值时进行告警输出。
在一种可能的实现方式中,所述在多维特征值形成的高维空间内,利用超平面切分将所述高维空间区分为场景和场景失效状态,包括:
基于预先标记的训练样本在每个独立维度空间上进行聚类分析,利用最小损失值估计对应每个独立维度空间上的超平面切分参数;
将所述多维特征值输入到不同场景维度空间上聚类分析为多特征值的高维空间,利用超平面切分参数集将所述高维空间区分为场景和场景失效状态,并输出一组多维特征参数集。
在一种可能的实现方式中,所述特征识别分类器包括全图平均灰度、全图平均对比度、全图前20%对比度值平均值、全图平均HSB色度、全图高亮占比、全图过暗占比、车道线侵蚀延伸范围、车道线侵蚀延伸平均灰度。
本公开的车辆碰撞防控系统的环境视频信息可用性测评方法,利用视频采集设备采集环境视频信息,转换所述环境视频信息为RGB帧图像;将所述RGB 帧图像输入到特征识别分类器中,输出RGB帧图像的多维特征值;在多维特征值形成的高维空间内,利用超平面切分将所述高维空间区分为场景和场景失效状态,输出一组多维特征参数集;在每个高维空间封闭域内,利用训练采集的统计权重,将所述一组多维特征参数集量化为不同场景和场景失效状态的表征值;根据所述不同场景失效的表征值进行告警判定,将超过不同场景失效的表征值时进行告警输出。能够识别不同场景(雨、雪、雾、地面结冰等)能见度下降和通过性下降的情况,背光或过亮环境下视频采集失效情况、夜间或隧道中照明不足导致图像信息过暗的情况、视频采集设备故障、镜头脏,调焦不正等情况的失效画面等。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开一实施例的车辆碰撞防控系统的环境视频信息可用性测评系统框图;
图2示出根据本公开一实施例的车辆碰撞防控系统的环境视频信息可用性测评方法流程图;
图3示出根据本公开一实施例的车辆碰撞防控系统的环境视频信息可用性测评方法的分场景识别逻辑示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
本公开的车辆碰撞防控系统的环境视频信息可用性测评方法将采集到的视频流信息采样转换为帧图像RGB颜色空间表达,通过大量特征检测分类器获取特征参数集合,输入算法仓分场景进行高维判定,根据场景告警输出。使用方便、性能损耗低、易扩展等优点。
图1示出根据本公开一实施例的车辆碰撞防控系统的环境视频信息可用性测评系统框图。如图1所示,该系统是在现有无人驾驶撤了和碰撞预警装置配置的基础上扩展失效预警和处理单元即可,可以通过CAN收发器连接声光信号,也可以连接计算单元输出的声光信号。该系统可以包括视频采集设备(例如摄像机、相机、CMOS相机等)、其他感知传感器(例如加速度传感器、角度传感器等)、车载计算单元(例如车载CPU、或车载处理器)、失效预警和处置单元和控制单元。
图2示出根据本公开一实施例的车辆碰撞防控系统的环境视频信息可用性测评方法流程图。该方法可以应用于自动驾驶辅助、无人驾驶系统的视频自动检测方法机制。其能够自动定时调取或被动调取环境感知系统的视频信息输入,并进行判定输出反馈该视频输入的环境是否适宜于自动驾驶系统的图像输入及自身可靠性。如图2所示,该方法可以包括:
步骤S1:利用视频采集设备采集环境视频信息,转换所述环境视频信息为 RGB帧图像.
视频采集设备可以是摄像机、单目相机、双目相机或CMOS相机等,在此不做限定。
可以通过RGB视频转换器或视频转换芯片将环境视频信息转换为一帧一帧的RGB彩色图像。
步骤S2:将所述RGB帧图像输入到特征识别分类器中,输出RGB帧图像的多维特征值。
在一示例中,特征识别分类器可以包括全图平均灰度、全图平均对比度、全图前20%对比度值平均值、全图平均HSB色度、全图高亮占比、全图过暗占比、车道线侵蚀延伸范围、车道线侵蚀延伸平均灰度。
将RGB帧图像输入到上述特征识别分类器中,能够得到RGB帧图像的平均灰度、视平均对比度等特征值,各个特征值组合在一起形成RGB图像的多维特征值,用以检测视频信息的关键性指标,例如平均灰度、平均对比度、平均色度;主要中心区域(一般为道路)平均灰度、平均对比度、平均色度;前20%高对比区域平均对比度、前20%高亮区域平均亮度;全图特征值、3*3切块特征值、 9*9切块特征值;过亮区域占比、过暗区域占比等,以及环境视频图像的视频信号丢失、无视频信号、视频信号冻结、模糊、过亮、高光、过暗、局部遮挡、视频信号干扰(椒盐噪声、条纹、彩条、滚屏等)、失色等异常检测项。
步骤S3:在多维特征值形成的高维空间内,利用超平面切分将所述高维空间区分为场景和场景失效状态,输出一组多维特征参数集。
任何一个场景均包括场景正常和场景失效状态,场景正常时,视频采集设备采集的视频图像信息适宜于作为自动驾驶辅助系统或无人驾驶系统的环境感知信息输入,当场景状态时效时,视频采集设备采集的视频图像过亮、局部过亮、过暗、局部过暗、模糊等,不适于作为自动驾驶辅助系统或无人驾驶系统的环境感知信息输入。
例如,视频图像过亮或局部过亮时对应的场景失效状态包括:阳光强烈、沙漠、雪地等场景下导致的视频图像过亮;阳光直射、朝向问题导致的高光背光和视频图像局部过亮;相向行驶车辆远光灯直射导致的视频图像过亮;设备老化导致的过度增益,进而引发视频图像过亮。
视频图像过暗或局部过暗时对应的场景失效状态包括:隧道、夜间等场景下,光照不足导致的视频图像过暗;对向远光灯导致的视频图像异常灰度拉伸;摄像机增强不足导致的视频图像过暗、区分度不足导致的视频图像过暗或局部过暗。
视频图像模糊时对应的场景失效状态包括:大雾、雨雪等气象条件导致的视频图像模糊;对焦不正导致的视频图像画面模糊;镜头脏导致的视频图像模糊等视频图像模糊的情况。
视频设备损坏或链路故障导致的视频信号丢失和干扰时对应的场景失效状态包括:设备损坏导致的视频信号丢失;线路损坏导致的视频信号丢失;设备损坏导致的视频冻结;线路损坏导致的图像信息干扰等。
污泥、树叶等导致的视频遮挡场景失效状态,以及具有夜视模式的摄像机在夜间转黑白图像等。
当遇到上述场景失效状态时,环境视频信息不适宜作为自动驾驶辅助系统或无人驾驶系统的环境感知信息输入,应根据本公开的方法对相应场景的视频图像进行处理,对其视频信息进行可用性评测。
在一示例中,所述在多维特征值形成的高维空间内,利用超平面切分将所述高维空间区分为场景和场景失效状态,可以包括:
基于预先标记的训练样本在每个独立维度空间上进行聚类分析,利用最小损失值估计对应每个独立维度空间上的超平面切分参数;
将所述多维特征值输入到不同场景维度空间上聚类分析为多特征值的高维空间,利用超平面切分参数集将所述高维空间区分为场景和场景失效状态,并输出一组多维特征参数集。
上述具体的场景和场景失效状态可以根据预先标记的训练样本进行确定,例如在每个独立维度空间上(即每个场景状态下)利用现有的聚类分析算法进行确定,在此不作赘述。
如图3所示,以二维空间为例,区分不同场景和场景失效状态以获得最小的误判和漏判。该步骤S3输出的一组多维特征参数集,在使用过程中,可以利用阈值做线性加权减值得到不同场景的线性函数。
步骤S4:在每个高维空间封闭域内,利用训练采集的统计权重,将所述一组多维特征参数集量化为不同场景和场景失效状态的表征值。
根据步骤S3输出的一组多维特征参数集确定判定阈值区间,可以利用阈值做线性加权减值得到不同场景的线性函数,尽可能使用所有的训练样本和场景。在样训练本数量充足时,利用机器学习算法使场景正常状态训练样本和场景失效状态训练样本在训练函数、解析系数的过程中,获得尽可能大的区分度,即场景正常状态训练样本的函数值结果尽量小,场景失效状态训练样本的函数值尽量大。在训练样本数量不足时,人工做特征数值统计后,用逻辑判定对不同场景和场景失效状态的表征值按比例缩小、调试。根据该步骤能够得到每个失效状态的场景(异常场景)获得线性函数,将步骤S3输出的一组多维特征参数集量化输出一个不同场景和场景失效状态的表征值。
步骤S5:根据所述不同场景失效的表征值进行告警判定,将超过不同场景失效的表征值时进行告警输出。
将每一个RGB帧图像以及各个维度的特征值输入到对应场景的线性函数中,能够输出一个量化的数值,当该数值低于对应场景和场景失效状态的表征值时,说明该输入RGB帧图像存在特定异常,并进行告警输出。
应用示例:
当前实验车辆使用Jetson Tx2作为车载控制系统承载平台,其上运行Linux 操作系统。
将本公开的车辆碰撞防控系统中的环境视频信息可用性测评方法根据不同场景训练样本进行参数学习,获得训练样本参数集合,发布为动态链接库(.so 文件),供主动驾驶安全辅助系统(下简称系统)调用。
在主动驾驶安全辅助系统启动时,自动启动一次检测,对从摄像机输出中截取单帧图片进行判定,如未检测到任何异常,则自检成功,并保存本次启动自检帧;否则,输出告警。如果输出告警后,主动驾驶安全辅助系统外接行驶记录仪等显示设备,用户可根据现实设备信息对输出告警进行处置;如用户忽略告警,则保存为本次启动自检帧;否则进入主动驾驶安全辅助失效状态。
主动驾驶安全辅助系统正常运行状态下,将每30秒抽取一帧RGB图像进行对比分析,如果检测到常规单帧RGB图像异常,通过CanBus输出告警信号提示,包括:
判定摄像机是否正常获取到环境视频信号,如果未正常获取到环境视频信号,则输出环境视频信号丢失消息,并告警输出;
判断多帧RGB图像信息是否完全一致,如果不完全一致,则输出环境视频画面冻结消息,并告警输出;
判断RGB帧图像是否是黑白图像,如果是黑白图形,则输出环境视频黑白图像消息,并告警输出;
判断RGB帧图像是否图像过亮,否则输出环境视频图像过亮消息,并告警输出;
判断RGB帧图像是否局部过亮或出现背光状态,如果是局部过亮或出现背光状态,则输出环境视频图像过亮消息,并告警输出;
判断RGB帧图像图像是否过暗,如果为过暗状态,则输出环境视频图像过暗消息,并告警输出;
判断RGB帧图像图像是否包含环境视频图像信号干扰,如果包含环境视频图像信号干扰,则输出环境视频信号干扰,并告警输出;
检测RGB帧图像的抽样对比度是否过低、图像模糊和增益失衡,如果抽样对比度过低、图像模糊和增益失衡,则输出环境视频图像模糊消息,并告警输出。
处理单帧1920*1080RGB图像耗时平均约400ms,优化约30ms。如未检测到上述异常,将通过9*9网格与自检帧进行对比,若存在足够大的差异,更换自检帧,并清零遮挡计数;否则缓存差异较少的网格,使其遮挡计数加一,当局部网格遮挡计数器计数超限,局部网格计数器未超限,输出遮挡告警。
本公开的车辆碰撞防控系统的环境视频信息可用性测评方法,利用视频采集设备采集环境视频信息,转换所述环境视频信息为RGB帧图像;将所述RGB 帧图像输入到特征识别分类器中,输出RGB帧图像的多维特征值;在多维特征值形成的高维空间内,利用超平面切分将所述高维空间区分为场景和场景失效状态,输出一组多维特征参数集;在每个高维空间封闭域内,利用训练采集的统计权重,将所述一组多维特征参数集量化为不同场景和场景失效状态的表征值;根据所述不同场景失效的表征值进行告警判定,将超过不同场景失效的表征值时进行告警输出。能够识别不同场景(雨、雪、雾、地面结冰等)能见度下降和通过性下降的情况,背光或过亮环境下视频采集失效情况、夜间或隧道中照明不足导致图像信息过暗的情况、视频采集设备故障、镜头脏,调焦不正等情况的失效画面等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (3)
1.一种车辆碰撞防控系统的环境视频信息可用性测评方法,其特征在于,所述方法包括:
利用视频采集设备采集环境视频信息,转换所述环境视频信息为RGB帧图像;
将所述RGB帧图像输入到特征识别分类器中,输出RGB帧图像的多维特征值;
在多维特征值形成的高维空间内,利用超平面切分将所述高维空间区分为场景和场景失效状态,输出一组多维特征参数集;
在每个高维空间封闭域内,利用训练采集的统计权重,将所述一组多维特征参数集量化为不同场景和场景失效状态的表征值;
根据所述不同场景失效的表征值进行告警判定,将超过不同场景失效的表征值时进行告警输出。
2.根据权利要求1所述的环境视频信息可用性测评方法,其特征在于,所述在多维特征值形成的高维空间内,利用超平面切分将所述高维空间区分为场景和场景失效状态,包括:
基于预先标记的训练样本在每个独立维度空间上进行聚类分析,利用最小损失值估计对应每个独立维度空间上的超平面切分参数;
将所述多维特征值输入到不同场景维度空间上聚类分析为多特征值的高维空间,利用超平面切分参数集将所述高维空间区分为场景和场景失效状态,并输出一组多维特征参数集。
3.根据权利要求1所述的环境视频信息可用性测评方法,其特征在于,所述特征识别分类器包括全图平均灰度、全图平均对比度、全图前20%对比度值平均值、全图平均HSB色度、全图高亮占比、全图过暗占比、车道线侵蚀延伸范围、车道线侵蚀延伸平均灰度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011075862.2A CN112417952B (zh) | 2020-10-10 | 2020-10-10 | 一种车辆碰撞防控系统的环境视频信息可用性测评方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011075862.2A CN112417952B (zh) | 2020-10-10 | 2020-10-10 | 一种车辆碰撞防控系统的环境视频信息可用性测评方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112417952A true CN112417952A (zh) | 2021-02-26 |
CN112417952B CN112417952B (zh) | 2022-11-11 |
Family
ID=74855342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011075862.2A Active CN112417952B (zh) | 2020-10-10 | 2020-10-10 | 一种车辆碰撞防控系统的环境视频信息可用性测评方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417952B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113719433A (zh) * | 2021-06-15 | 2021-11-30 | 国家电投集团宁夏能源铝业中卫新能源有限公司 | 风电机组叶片结冰检测方法、装置、系统及存储介质 |
CN115225814A (zh) * | 2022-06-17 | 2022-10-21 | 苏州蓝博控制技术有限公司 | 摄像头组件及其视频处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2224357A1 (en) * | 2009-02-27 | 2010-09-01 | BRITISH TELECOMMUNICATIONS public limited company | Video segmentation |
CN103150903A (zh) * | 2013-02-07 | 2013-06-12 | 中国科学院自动化研究所 | 一种自适应学习的视频车辆检测方法 |
US20140032099A1 (en) * | 2012-07-30 | 2014-01-30 | Aleksandr Shtukater | Systems and methods for navigation |
CN106781697A (zh) * | 2017-01-07 | 2017-05-31 | 山东科技大学 | 车载式不良天气实时感知及防碰撞预警方法 |
CN107209856A (zh) * | 2015-02-11 | 2017-09-26 | 高通股份有限公司 | 环境场景状况检测 |
CN109703460A (zh) * | 2019-01-11 | 2019-05-03 | 合肥思艾汽车科技有限公司 | 多摄像头的复杂场景自适应车辆碰撞预警装置及预警方法 |
CN110619284A (zh) * | 2019-08-28 | 2019-12-27 | 腾讯科技(深圳)有限公司 | 一种视频场景划分方法、装置、设备及介质 |
US20200013148A1 (en) * | 2018-07-06 | 2020-01-09 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Detecting Motion Anomalies in Video |
CN111291631A (zh) * | 2020-01-17 | 2020-06-16 | 北京市商汤科技开发有限公司 | 视频分析方法及其相关的模型训练方法、设备、装置 |
-
2020
- 2020-10-10 CN CN202011075862.2A patent/CN112417952B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2224357A1 (en) * | 2009-02-27 | 2010-09-01 | BRITISH TELECOMMUNICATIONS public limited company | Video segmentation |
US20140032099A1 (en) * | 2012-07-30 | 2014-01-30 | Aleksandr Shtukater | Systems and methods for navigation |
CN103150903A (zh) * | 2013-02-07 | 2013-06-12 | 中国科学院自动化研究所 | 一种自适应学习的视频车辆检测方法 |
CN107209856A (zh) * | 2015-02-11 | 2017-09-26 | 高通股份有限公司 | 环境场景状况检测 |
CN106781697A (zh) * | 2017-01-07 | 2017-05-31 | 山东科技大学 | 车载式不良天气实时感知及防碰撞预警方法 |
US20200013148A1 (en) * | 2018-07-06 | 2020-01-09 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Detecting Motion Anomalies in Video |
CN109703460A (zh) * | 2019-01-11 | 2019-05-03 | 合肥思艾汽车科技有限公司 | 多摄像头的复杂场景自适应车辆碰撞预警装置及预警方法 |
CN110619284A (zh) * | 2019-08-28 | 2019-12-27 | 腾讯科技(深圳)有限公司 | 一种视频场景划分方法、装置、设备及介质 |
CN111291631A (zh) * | 2020-01-17 | 2020-06-16 | 北京市商汤科技开发有限公司 | 视频分析方法及其相关的模型训练方法、设备、装置 |
Non-Patent Citations (3)
Title |
---|
刘志强等: "基于智能图像分析的视频质量诊断系统关键技术研究", 《信息通信》 * |
刘敏: "雨雾低能见度环境下基于驾驶人精神负荷的驾驶稳定性状态识别研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
黄东军等: "视频场景切分算法研究", 《企业技术开发》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113719433A (zh) * | 2021-06-15 | 2021-11-30 | 国家电投集团宁夏能源铝业中卫新能源有限公司 | 风电机组叶片结冰检测方法、装置、系统及存储介质 |
CN115225814A (zh) * | 2022-06-17 | 2022-10-21 | 苏州蓝博控制技术有限公司 | 摄像头组件及其视频处理方法 |
CN115225814B (zh) * | 2022-06-17 | 2023-09-05 | 苏州蓝博控制技术有限公司 | 摄像头组件及其视频处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112417952B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9230180B2 (en) | Eyes-off-the-road classification with glasses classifier | |
JP2005515565A (ja) | 画像センサシステムにおける視界妨害物の識別方法および識別装置 | |
CN110544211B (zh) | 一种镜头付着物的检测方法、系统、终端和存储介质 | |
US10220782B2 (en) | Image analysis apparatus and image analysis method | |
US20080317356A1 (en) | Image monitoring system | |
CN112417952B (zh) | 一种车辆碰撞防控系统的环境视频信息可用性测评方法 | |
JP5019375B2 (ja) | 物体検出装置および物体検出方法 | |
US10583781B2 (en) | Driving assistance system and driving assistance method | |
CN111860120A (zh) | 车载相机自动遮挡检测方法和装置 | |
JP2001211466A (ja) | 自己診断機能を有する画像処理システム | |
WO2013034165A1 (en) | Method and camera assembly for detecting raindrops on a windscreen of a vehicle | |
DE102014100364B4 (de) | Verfahren zum Bestimmen, ob eine Augen-abseits-der-Straße-Bedingung vorliegt | |
KR20190047243A (ko) | 카메라 렌즈 오염 경고 장치 및 방법 | |
CN112598865B (zh) | 一种电缆线路防外力破坏的监控方法及系统 | |
CN110329156B (zh) | 车辆逆光盲区车前信息的识别方法及装置 | |
US8818093B2 (en) | Method and device for analyzing an image of an image recording device for a vehicle | |
CN110569732A (zh) | 一种基于驾驶员监控系统的安全带检测方法以及相应的设备 | |
WO2017077261A1 (en) | A monocular camera cognitive imaging system for a vehicle | |
KR100801989B1 (ko) | 번호판 인식 시스템,전처리 장치 및 방법 | |
CN110544232A (zh) | 一种镜头付着物的检测系统、终端和存储介质 | |
Vijay et al. | Design and integration of lane departure warning, adaptive headlight and wiper system for automobile safety | |
Chien et al. | An image based overexposed taillight detection method for frontal vehicle detection in night vision | |
JP2008028478A (ja) | 障害物検出システム、及び障害物検出方法 | |
CN114902282A (zh) | 用于有效感测碰撞威胁的系统和方法 | |
KR100853444B1 (ko) | 교통 사고의 발생 여부를 감지하는 방법 |
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 |