CN112598674A - 用于车辆的图像处理方法、装置及车辆 - Google Patents
用于车辆的图像处理方法、装置及车辆 Download PDFInfo
- Publication number
- CN112598674A CN112598674A CN202011410178.5A CN202011410178A CN112598674A CN 112598674 A CN112598674 A CN 112598674A CN 202011410178 A CN202011410178 A CN 202011410178A CN 112598674 A CN112598674 A CN 112598674A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- identified
- initial image
- actual
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 239000003086 colorant Substances 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000002829 reductive effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种用于车辆的图像处理方法、装置及车辆,其中,方法包括:采集包含待识别物在内的初始图像;对初始图像进行阈值分割,识别待识别物的实际颜色,确定实际颜色所处的阈值区间;分别将阈值区间内和阈值区间外的颜色设置为预设颜色,以识别待识别物在初始图像图像中的位置信息,并根据位置信息定位出待识别物在车辆所处三维空间坐标下的实际位置。由此,解决了目前目标定位受外界光线影响较大,导致定位准确性较差、定位效率低等问题。
Description
技术领域
本申请涉及自动驾驶技术领域,特别涉及一种用于车辆的图像处理方法、装置及车辆。
背景技术
在自动驾驶技术领域,在对物体进行识别前需要对物体进行定位,相关技术中,图像目标定位方法包括:对采集的图像数据进行灰度化处理后,结合目标对比度等因素进行图像分割处理,以通过灰度图像实现图像中的目标定位。
然而,相关技术的图像目标定位受外界光线影响较大,一旦光线不足,容易导致图像分割的实时性和准确性较差,从而直接导致目标定位准确性较差,降低目标定位的效率,亟待解决。
申请内容
本申请提供一种用于车辆的图像处理方法、装置及车辆,以解决目前目标定位受外界光线影响较大,导致定位准确性较差、定位效率低等问题。
本申请第一方面实施例提供一种用于车辆的图像处理方法,包括以下步骤:采集包含待识别物在内的初始图像;对所述初始图像进行阈值分割,识别所述待识别物的实际颜色,确定所述实际颜色所处的阈值区间;分别将所述阈值区间内和所述阈值区间外的颜色设置为预设颜色,以识别所述待识别物在所述初始图像图像中的位置信息,并根据所述位置信息定位出所述待识别物在车辆所处三维空间坐标下的实际位置。
可选地,在采集所述初始图像之后,还包括:对所述初始图像进行加权平均,得到滤波高斯噪声后的第一滤波图像;对所述第一滤波图像分析所述待识别物的形状和/或结构,得到形态学滤波后的第二滤波图像,以进行阈值分割。
进一步地,所述识别所述待识别物在所述初始图像图像中的位置信息,包括:提取所述初始图像的颜色特征图;根据所述待识别物实际颜色匹配颜色特征,以根据所述颜色特征在所述颜色特征图中的位置确定所述待识别物的位置信息。
进一步地,所述根据所述位置信息定位出所述待识别物在车辆所处三维空间坐标下的实际位置,包括:以所述初始图像图像的任意一点为原点建立图像坐标系;利用矩形轮廓框框取所述待识别物,并提取所述矩形轮廓框的中心点坐标,其中,所述位置信息为所述中心点坐标;通过通过空间转换矩阵将所述中心点坐标从所述图像坐标系转换到三维空间坐标,以确定所述待识别物的的实际位置。
可选地,所述阈值区间内设置的颜色与所述阈值区间外设置的颜色不同。
本申请第二方面实施例提供一种用于车辆的图像处理装置,包括:采集模块,用于采集包含待识别物在内的初始图像;阈值分割模块,用于对所述初始图像进行阈值分割,识别所述待识别物的实际颜色,确定所述实际颜色所处的阈值区间;定位模块,用于分别将所述阈值区间内和所述阈值区间外的颜色设置为预设颜色,以识别所述待识别物在所述初始图像图像中的位置信息,并根据所述位置信息定位出所述待识别物在车辆所处三维空间坐标下的实际位置。
可选地,还包括:预处理模块,用于在采集所述初始图像之后,对所述初始图像进行加权平均,得到滤波高斯噪声后的第一滤波图像,对所述第一滤波图像分析所述待识别物的形状和/或结构,得到形态学滤波后的第二滤波图像,以进行阈值分割。
进一步地,所述定位模块包括:第一提取单元,用于提取所述初始图像的颜色特征图;确定单元,用于根据所述待识别物实际颜色匹配颜色特征,以根据所述颜色特征在所述颜色特征图中的位置确定所述待识别物的位置信息。
进一步地,所述定位模块包括:建立单元,用于以所述初始图像图像的任意一点为原点建立图像坐标系;第二提取单元,用于利用矩形轮廓框框取所述待识别物,并提取所述矩形轮廓框的中心点坐标,其中,所述位置信息为所述中心点坐标;转换单元,用于通过通过空间转换矩阵将所述中心点坐标从所述图像坐标系转换到三维空间坐标,以确定所述待识别物的的实际位置。
可选地,所述阈值区间内设置的颜色与所述阈值区间外设置的颜色不同。
本申请第三方面实施例提供一种车辆,包括:上述实施例所述的用于车辆的图像处理装置。
根据待识别物的实际颜色提取实时阈值区间,通过阈值区间内外不同的颜色设置可以准确识别待识别物的位置,根据实际颜色实现阈值分割,可以有效降低外界光线的影响,可以提高分割的准确性和实时性,进而可以提高定位效率和精度,且也可以对不同颜色的识别物进行定位,适用性更强。由此,解决了目前目标定位受外界光线影响较大,导致定位准确性较差、定位效率低等问题。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的用于车辆的图像处理方法的流程图;
图2为根据本申请实施例提供的HSV空间的色彩模型示意图;
图3为根据本申请实施例提供的不同颜色的阈值区间划分测试效果示意图;
图4为根据本申请实施例提供的将阈值区间颜色置为黑色保留图像其余部分颜色的效果示意图;
图5为根据本申请实施例提供的空间点三维重建示意图;
图6为根据本申请实施例提供的用于车辆的图像处理方法的具体示例流程图;
图7为根据本申请实施例的用于车辆的图像处理装置的示例图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的用于车辆的图像处理方法、装置及车辆。针对上述背景技术中心提到的目前目标定位受外界光线影响较大,导致定位准确性较差、定位效率低的问题,本申请提供了一种用于车辆的图像处理方法,在该方法中,根据待识别物的实际颜色提取实时阈值区间,通过阈值区间内外不同的颜色设置可以准确识别待识别物的位置,根据实际颜色实现阈值分割,可以有效降低外界光线的影响,可以提高分割的准确性和实时性,进而可以提高定位效率和精度,且也可以对不同颜色的识别物进行定位,适用性更强。由此,解决了目前目标定位受外界光线影响较大,导致定位准确性较差、定位效率低等问题。
具体而言,图1为本申请实施例所提供的一种用于车辆的图像处理方法的流程示意图。
如图1所示,该用于车辆的图像处理方法包括以下步骤:
在步骤S101中,采集包含待识别物在内的初始图像。
需要说明的是,用于车辆的图像处理方法可以应用于计算机视觉、自动驾驶环境感知等领域,主要用于目标特征的定位,由于提高了定位的准确性,因此也直接提高了定位之后目标识别的效率。
在本实施例中,本申请实施例可以通过单目相机、双目相机等图像采集设备采集包含待识别物在内的图像,其中,待识别物可以为车牌、红绿灯等具有特定颜色的物体。
在一些实施例中,在采集初始图像之后,还包括:对初始图像进行加权平均,得到滤波高斯噪声后的第一滤波图像;对第一滤波图像分析待识别物的形状和/或结构,得到形态学滤波后的第二滤波图像,以进行阈值分割。
可以理解的是,本申请实施例可以在采集初始图像之后利用图像预处理的方法对图像进行预处理,从而可以使得待识别物的颜色特征清晰,边缘特征保留完整,有利于之后的阈值分割等操作。其中,第一滤波图像是通过高斯滤波处理方法处理初始图像得到的图像,第二滤波图像是通过形态学滤波处理方法处理第一滤波图像得到的图像,形态学滤波处理可以包括腐蚀、膨胀、开运算、闭运算等。
在步骤S102中,对初始图像进行阈值分割,识别待识别物的实际颜色,确定实际颜色所处的阈值区间。
需要说明的是,采集的初始图像为RGB(Red、Green、Blue,红、绿、蓝)格式,而HSV(Hue、Saturation、Value,色调、饱和度、明度)颜色空间按照人眼对色彩的感知原理构建,有利于图像的分割,因此在对初始图像进行阈值分割之前,可以将初始图像从RGB颜色空间转换到HSV颜色空间。其中,HSV由色调(H)、饱和度(S)和明度(V)3个分量构成,色调值可用分布在一个平面的色环表示,0~360°的每个角度代表一种颜色;饱和度(S)是色调与色环中心的灰度差异,饱和度越高,颜色越深,取值范围在0%~100%;明度(V)表示颜色明亮的程度。HSV色彩模型如图2所示,从倒立锥的顶点到底面色环中心,明度值由小变大。
可以理解的是,本申请实施例可以根据待识别物的实际颜色,提取实时阈值区间,在本实施例中,阈值分割的步骤如下:
(1)计算在HSV空间内像素点均值,计算公式如下:
其中,像素点的均值包括色调值均值、饱和度值均值和明度值均值,ht为待识别物的色调值均值,st为待识别物的饱和度均值,vt为明度值均值。
(2)利用OpenCV函数库内inRange函数,计算像素点均值与标准颜色模板之间的颜色距离,以根据颜色距离确定待识别物的实际颜色。其中,颜色距离就是在HSV空间上,两个色值的相近程度,可以用如图2所示的圆锥体内两个点的距离判断。
(3)分别调节H、S、V三分量的阈值区间,保留阈值范围内图像,阈值范围外的图像颜色设置为黑色,得出不同颜色对应的不同阈值范围,以确定不同颜色的阈值范围,其中,确定阈值范围的方式如下:
a.对于单通道数组,其处理方式为:
dst(I)=lowerb(I)0≤src(I)0≤upperb(I)0
b.对于双通道数组,其处理方式为:
dst(I)=lowerb(I)0≤src(I)0≤upperb(I)0∧lowerb(I)1≤src(I)1≤upperb(I)1
c.三通道及多通道(n通道)数组,可以此类推:
dst(I)=lowerb(I)0≤src(I)0≤upperb(I)0∧...∧lowerb(I)n≤src(I)n≤upperb(I)n
在得到不同颜色对应的阈值范围之后,当确定待识别物的实际颜色之后即可确定所处的阈值区间。本申请实施例可以通过像素值确定待识别物的实际颜色,颜色识别的更加准确,且受外界光线干扰较小,可以使得图像分割的精度更高,实时性更强。
例如,如表1所示,列举出5种常用颜色的HSV阈值区间,其余颜色可通过颜色的像素值,利用上述方法进行阈值区间划分并提取。测试效果如3所示。
表1
颜色类型 | H阈值区间[0,360] | S阈值区间[0,255] | V阈值区间[0,255] |
黄色 | [0,100] | [145,255] | [101,255] |
红色 | [331,360] | [0,255] | [0,255] |
绿色 | [70,165] | [160,255] | [0,255] |
蓝色 | [170,271] | [0,255] | [0,255] |
紫色 | [221,321] | [0,255] | [0,255] |
在步骤S103中,分别将阈值区间内和阈值区间外的颜色设置为预设颜色,以识别待识别物在初始图像图像中的位置信息,并根据位置信息定位出待识别物在车辆所处三维空间坐标下的实际位置。
可以理解的是,本申请实施例可以采用多种方式设置阈值区间内外的预设颜色,从而可以进行图像分割,将待识别物从初始图像图像中分割出来,由于阈值内外的特征可以显著的区分开来,因此可以提高图像分割的准确性,图像分割的更加精准、且实时性更强。其中,预设颜色可以根据实际情况进行设置,在此不做具体限定。
作为一种可能实现的方式,阈值区间内设置的颜色与阈值区间外设置的颜色不同。比如,当待识别物的颜色为纯色时,可以将阈值区间内可以设置为白色,阈值区间外可以设置为黑色,以通过阈值区间内外的颜色差区分将待识别物的图像与其他特征,从而实现准确的图像分割,提高分割的精度,且根据待识别物的实时颜色进行的分割,实时性更强。
作为另一种可能实现的方式,阈值区间内颜色设置为预设颜色,阈值区间外的颜色不变,从而可以将待识别物的颜色设置为预设颜色保留图像剩余部分的颜色,以区分待识别物与其他特征,便于快速准确的将待识别物图像分割出来。比如,如表2所示,可以在提取单颜色像素物体的同时,可以调节色调H的阈值上限,使得颜色区间逐层递减,将某种或者多种颜色像素值设置0,测试效果如图4所示。
表2
作为再一种可能实现的方式,阈值区间内颜色不变,阈值区间外的颜色设置为预设颜色,比如,当待识别物的颜色包括多种颜色时,可以将待识别物之外的区域设置为黑色,从而保留待识别物的颜色特征,从而可以快速准确的将将待识别物图像分割出来。
在一些实施例中,识别待识别物在初始图像图像中的位置信息,包括:提取初始图像的颜色特征图;根据待识别物实际颜色匹配颜色特征,以根据颜色特征在颜色特征图中的位置确定待识别物的位置信息。
其中,常用的特征匹配基元包括点、线、区域等显著特征,本申请实施例可以通过颜色特征实现分割图与初始图像之间的匹配。由于图像特征远远少于像素点数量,因此特征间的匹配度量随位置变化尖锐,容易找出准确的匹配位置,特征提取能大大减少噪声影响,对灰度变化、形变和遮挡有较强的适应力。
在一些实施例中,根据位置信息定位出待识别物在车辆所处三维空间坐标下的实际位置,包括:以初始图像图像的任意一点为原点建立图像坐标系;利用矩形轮廓框框取待识别物,并提取矩形轮廓框的中心点坐标,其中,位置信息为中心点坐标;通过通过空间转换矩阵将中心点坐标从图像坐标系转换到三维空间坐标,以确定待识别物的的实际位置。
可以理解的是,本申请实施例可以利用矩形轮廓框对待识别物进行框取,提取矩形轮廓框中心点的坐标,并通过空间转换矩阵将特征点从图像坐标系转换到三维坐标系中,得到三维空间坐标。
举例而言,本申请实施例可以利用双目视觉技术对空间点三维重建,对目标进行定位,如图5所示,包括:
(1)将双目视觉系统引申至双目视觉的空间点三维重建中,假设左相机三维坐标系为O-XYZ,图像坐标系为Ol-x1y1,焦距为fl;右摄像机三维坐标系为O1-XrYrZr,图像坐标系为Or-xryr,焦距为fr。则根据摄像机成像模型原理可以得到:
O-xyz坐标系与O1-xryrzr坐标系之间的位置关系借由空间转换矩阵Mlr表示:
对于O-XYZ坐标系中的空间点,两个相机的对应关系为:
则空间点三维坐标可以表示为:
因此,如果左右摄像机的参数可以通过摄像机标定获得、且已知焦距fr与fl、空间点的图像坐标,则测量点的三维空间坐标可以通过计算得到。由此对目标物体进行了定位。
根据本申请实施例提出的用于车辆的图像处理方法,根据待识别物的实际颜色提取实时阈值区间,通过阈值区间内外不同的颜色设置可以准确识别待识别物的位置,根据实际颜色实现阈值分割,可以有效降低外界光线的影响,可以提高分割的准确性和实时性,进而可以提高定位效率和精度,且也可以对不同颜色的识别物进行定位,适用性更强。
为了更加清楚地描述前述实施例中所述的车辆的图像处理方法的实现过程,下面将以一个具体实施例进行详细说明,以红绿灯为例,如图6所示,具体如下:
(1)采集红绿灯的初始图像,并对初始图像进行高斯滤波处理和形态学滤波处理,以使得待红绿灯的颜色特征清晰,边缘特征保留完整,有利于之后的阈值分割等操作
(2)在对红绿灯的初始图像进行阈值分割之前,将红绿灯的初始图像从RGB颜色空间转换到HSV颜色空间,然后进行阈值分割,阈值分割的步骤如下:
a、计算红绿灯在HSV颜色空间内的像素点的均值,并计算像素点的均值与标准颜色模板之间的颜色距离,从而可以得到红绿灯的当前颜色,比如红色或者绿色等。
b、根据红绿灯的当前颜色确定阈值区间,将阈值区间像素值设置为255(即白色),阈值区间外的像素值设置为0(即黑色),从而实现了红绿灯的图像分割。
c、在初步图像分割之后,可以利用开闭运算等处理方法填充微小的空,从而消除大范围得到噪音,降低杂色和噪音等影响因素对于图像分割的影响。
d、根据红绿灯当前颜色,分割出当前颜色区间内的特征,以实现红绿灯图像的再次分割,在噪音消除之后再次分割可以提高分割的准确性。
(3)在初始图像中提取特征,并建立初始图像与最后得到的分割图像之间的特征匹配对应关系,由于图像特征远远少于像素点数量,因此特征间的匹配度量随位置变化尖锐,容易找出准确的匹配位置,特征提取能大大减少噪声影响,对灰度变化、形变和遮挡有较强的适应力。
(4)利用矩形轮廓框对上一步提取的特征进行框取,提取矩形轮廓框中心点并显示在初始图像上。
(5)通过空间转换矩阵将特征点从图像坐标系转换到世界坐标系中,得到三维空间坐标,由此实现对红绿灯的定位。
根据本申请实施例提出的用于车辆的图像处理方法,根据待识别物的实际颜色提取实时阈值区间,通过阈值区间内外不同的颜色设置可以准确识别待识别物的位置,根据实际颜色实现阈值分割,可以有效降低外界光线的影响,可以提高分割的准确性和实时性,进而可以提高定位效率和精度,且也可以对不同颜色的识别物进行定位,适用性更强。
其次参照附图描述根据本申请实施例提出的用于车辆的图像处理装置。
图7是本申请实施例的用于车辆的图像处理装置的方框示意图。
如图7所示,该用于车辆的图像处理装置10包括:采集模块100、阈值分割模块200和定位模块300。
其中,采集模块100用于采集包含待识别物在内的初始图像;阈值分割模块200用于对初始图像进行阈值分割,识别待识别物的实际颜色,确定实际颜色所处的阈值区间;定位模块300用于分别将阈值区间内和阈值区间外的颜色设置为预设颜色,以识别待识别物在初始图像图像中的位置信息,并根据位置信息定位出待识别物在车辆所处三维空间坐标下的实际位置。
在一些实施例中,用于车辆的图像处理装置10还包括:预处理模块。其中,预处理模块用于在采集初始图像之后,对初始图像进行加权平均,得到滤波高斯噪声后的第一滤波图像,对第一滤波图像分析待识别物的形状和/或结构,得到形态学滤波后的第二滤波图像,以进行阈值分割。
在一些实施例中,定位模块300包括:第一提取单元和确定单元。其中,第一提取单元用于提取初始图像的颜色特征图;确定单元用于根据待识别物实际颜色匹配颜色特征,以根据颜色特征在颜色特征图中的位置确定待识别物的位置信息。
在一些实施例中,定位模块300包括:建立单元、第二提取单元和转换单元。其中,建立单元用于以初始图像图像的任意一点为原点建立图像坐标系;第二提取单元用于利用矩形轮廓框框取待识别物,并提取矩形轮廓框的中心点坐标,其中,位置信息为中心点坐标;转换单元用于通过通过空间转换矩阵将中心点坐标从图像坐标系转换到三维空间坐标,以确定待识别物的的实际位置。
在一些实施例中,阈值区间内设置的颜色与阈值区间外设置的颜色不同。
需要说明的是,前述对用于车辆的图像处理方法实施例的解释说明也适用于该实施例的用于车辆的图像处理装置,此处不再赘述。
根据本申请实施例提出的用于车辆的图像处理装置,根据待识别物的实际颜色提取实时阈值区间,通过阈值区间内外不同的颜色设置可以准确识别待识别物的位置,根据实际颜色实现阈值分割,可以有效降低外界光线的影响,可以提高分割的准确性和实时性,进而可以提高定位效率和精度,且也可以对不同颜色的识别物进行定位,适用性更强。
另外,本实施例还提供一种车辆,包括上述实施例的用于车辆的图像处理装置。根据本申请实施例提出的车辆,根据待识别物的实际颜色提取实时阈值区间,通过阈值区间内外不同的颜色设置可以准确识别待识别物的位置,根据实际颜色实现阈值分割,可以有效降低外界光线的影响,可以提高分割的准确性和实时性,进而可以提高定位效率和精度,且也可以对不同颜色的识别物进行定位,适用性更强。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种用于车辆的图像处理方法,其特征在于,包括以下步骤:
采集包含待识别物在内的初始图像;
对所述初始图像进行阈值分割,识别所述待识别物的实际颜色,确定所述实际颜色所处的阈值区间;以及
分别将所述阈值区间内和所述阈值区间外的颜色设置为预设颜色,以识别所述待识别物在所述初始图像图像中的位置信息,并根据所述位置信息定位出所述待识别物在车辆所处三维空间坐标下的实际位置。
2.根据权利要求1所述的方法,其特征在于,在采集所述初始图像之后,还包括:
对所述初始图像进行加权平均,得到滤波高斯噪声后的第一滤波图像;
对所述第一滤波图像分析所述待识别物的形状和/或结构,得到形态学滤波后的第二滤波图像,以进行阈值分割。
3.根据权利要求1所述的方法,其特征在于,所述识别所述待识别物在所述初始图像图像中的位置信息,包括:
提取所述初始图像的颜色特征图;
根据所述待识别物实际颜色匹配颜色特征,以根据所述颜色特征在所述颜色特征图中的位置确定所述待识别物的位置信息。
4.根据权利要求1所述的方法,其特征在于,所述根据所述位置信息定位出所述待识别物在车辆所处三维空间坐标下的实际位置,包括:
以所述初始图像图像的任意一点为原点建立图像坐标系;
利用矩形轮廓框框取所述待识别物,并提取所述矩形轮廓框的中心点坐标,其中,所述位置信息为所述中心点坐标;
通过通过空间转换矩阵将所述中心点坐标从所述图像坐标系转换到三维空间坐标,以确定所述待识别物的的实际位置。
5.根据权利要求1-4任意一项所述的方法,其特征在于,所述阈值区间内设置的颜色与所述阈值区间外设置的颜色不同。
6.一种用于车辆的图像处理装置,其特征在于,包括:
采集模块,用于采集包含待识别物在内的初始图像;
阈值分割模块,用于对所述初始图像进行阈值分割,识别所述待识别物的实际颜色,确定所述实际颜色所处的阈值区间;以及
定位模块,用于分别将所述阈值区间内和所述阈值区间外的颜色设置为预设颜色,以识别所述待识别物在所述初始图像图像中的位置信息,并根据所述位置信息定位出所述待识别物在车辆所处三维空间坐标下的实际位置。
7.根据权利要求6所述的装置,其特征在于,还包括:
预处理模块,用于在采集所述初始图像之后,对所述初始图像进行加权平均,得到滤波高斯噪声后的第一滤波图像,对所述第一滤波图像分析所述待识别物的形状和/或结构,得到形态学滤波后的第二滤波图像,以进行阈值分割。
8.根据权利要求6所述的装置,其特征在于,所述定位模块包括:
第一提取单元,用于提取所述初始图像的颜色特征图;
确定单元,用于根据所述待识别物实际颜色匹配颜色特征,以根据所述颜色特征在所述颜色特征图中的位置确定所述待识别物的位置信息。
9.根据权利要求6所述的装置,其特征在于,所述定位模块包括:
建立单元,用于以所述初始图像图像的任意一点为原点建立图像坐标系;
第二提取单元,用于利用矩形轮廓框框取所述待识别物,并提取所述矩形轮廓框的中心点坐标,其中,所述位置信息为所述中心点坐标;
转换单元,用于通过通过空间转换矩阵将所述中心点坐标从所述图像坐标系转换到三维空间坐标,以确定所述待识别物的的实际位置。
10.一种车辆,其特征在于,包括如权利要求6-9任一项所述的用于车辆的图像处理装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410178.5A CN112598674B (zh) | 2020-12-03 | 2020-12-03 | 用于车辆的图像处理方法、装置及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410178.5A CN112598674B (zh) | 2020-12-03 | 2020-12-03 | 用于车辆的图像处理方法、装置及车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598674A true CN112598674A (zh) | 2021-04-02 |
CN112598674B CN112598674B (zh) | 2024-05-14 |
Family
ID=75188564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011410178.5A Active CN112598674B (zh) | 2020-12-03 | 2020-12-03 | 用于车辆的图像处理方法、装置及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598674B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114783192A (zh) * | 2022-03-24 | 2022-07-22 | 杭州海康威视数字技术股份有限公司 | 一种信号灯色彩的处理方法及设备 |
CN117549938A (zh) * | 2023-12-13 | 2024-02-13 | 中国铁道科学研究院集团有限公司 | 用于记录列控车载设备灯位状态信息的智能诊断分析系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110102581A1 (en) * | 2008-08-05 | 2011-05-05 | Aisin Seiki Kabushiki Kaisha | Target position identifying apparatus |
CN106909937A (zh) * | 2017-02-09 | 2017-06-30 | 北京汽车集团有限公司 | 交通信号灯识别方法、车辆控制方法、装置及车辆 |
CN107103606A (zh) * | 2017-02-27 | 2017-08-29 | 口碑控股有限公司 | 一种图像识别方法及装置 |
US20190087674A1 (en) * | 2017-09-18 | 2019-03-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for detecting braking behavior of front vehicle of autonomous vehicle |
-
2020
- 2020-12-03 CN CN202011410178.5A patent/CN112598674B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110102581A1 (en) * | 2008-08-05 | 2011-05-05 | Aisin Seiki Kabushiki Kaisha | Target position identifying apparatus |
CN106909937A (zh) * | 2017-02-09 | 2017-06-30 | 北京汽车集团有限公司 | 交通信号灯识别方法、车辆控制方法、装置及车辆 |
CN107103606A (zh) * | 2017-02-27 | 2017-08-29 | 口碑控股有限公司 | 一种图像识别方法及装置 |
US20190087674A1 (en) * | 2017-09-18 | 2019-03-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for detecting braking behavior of front vehicle of autonomous vehicle |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114783192A (zh) * | 2022-03-24 | 2022-07-22 | 杭州海康威视数字技术股份有限公司 | 一种信号灯色彩的处理方法及设备 |
CN117549938A (zh) * | 2023-12-13 | 2024-02-13 | 中国铁道科学研究院集团有限公司 | 用于记录列控车载设备灯位状态信息的智能诊断分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112598674B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
US10592754B2 (en) | Shadow removing method for color image and application | |
CN103400150B (zh) | 一种基于移动平台进行道路边缘识别的方法及装置 | |
CN110322522B (zh) | 一种基于目标识别区域截取的车辆颜色识别方法 | |
CN108647664B (zh) | 一种基于环视图像的车道线检测方法 | |
CN111415363A (zh) | 一种图像边缘识别方法 | |
CN109034017A (zh) | 头部姿态估计方法及机器可读存储介质 | |
CN109584258B (zh) | 草地边界识别方法及应用其的智能割草装置 | |
CN110866932A (zh) | 多通道舌体边缘检测装置、方法及存储介质 | |
CN112598674B (zh) | 用于车辆的图像处理方法、装置及车辆 | |
CN107545550B (zh) | 细胞图像偏色校正方法 | |
CN107644538B (zh) | 交通信号灯的识别方法及装置 | |
CN111382658A (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
CN104866838B (zh) | 一种基于视觉的前方车辆自动检测方法 | |
CN110648336B (zh) | 一种舌质和舌苔的分割方法及装置 | |
CN116524196A (zh) | 一种基于图像识别技术的输电线智能检测系统 | |
CN111723805B (zh) | 一种信号灯的前景区域识别方法及相关装置 | |
CN109063564B (zh) | 一种目标变化检测方法 | |
CN107239761B (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
CN114170565A (zh) | 一种基于无人机航拍的图像对比方法、装置及终端设备 | |
CN116503821B (zh) | 基于点云数据和图像识别的道路标识识别方法及系统 | |
CN112184696B (zh) | 一种细胞核和细胞器计数及其面积计算方法与系统 | |
CN116758045B (zh) | 一种半导体发光二极管的表面缺陷检测方法及系统 | |
CN109800693B (zh) | 一种基于颜色通道混合特征的夜间车辆检测方法 | |
CN111105394B (zh) | 一种检测发光小球特征信息的方法及装置 |
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 | ||
GR01 | Patent grant |