CN113139526A - 一种基于OpenCV的停车泊位线识别方法 - Google Patents
一种基于OpenCV的停车泊位线识别方法 Download PDFInfo
- Publication number
- CN113139526A CN113139526A CN202110555361.2A CN202110555361A CN113139526A CN 113139526 A CN113139526 A CN 113139526A CN 202110555361 A CN202110555361 A CN 202110555361A CN 113139526 A CN113139526 A CN 113139526A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- parking space
- opencv
- parking
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003708 edge detection Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000000750 progressive effect Effects 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000004075 alteration Effects 0.000 abstract description 2
- 230000003631 expected effect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 230000004913 activation Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/30264—Parking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于OpenCV的停车泊位线识别方法，采取目标区域检测、目标区域优化以及目标轮廓提取的递进式流程，包括图像预处理，边缘检测，轮廓提取以及图像分割。本发明主要研究方向集中在泊位线的外轮廓标定，针对具有显著环境特征、色差和形状差别的图像进行轮廓分割，采用“停车泊位区域检测‑停车泊位区域图像处理‑停车泊位区域目标识别‑停车泊位区域轮廓标定”的递进式流程，尽可能的恢复目标区域特征要素，并选用K‑means算法对目标区域进行处理，采用多尺度分水岭算法对图像进行分割，最后采取Canny算法对图像边缘进行检测，并对最终“二值“泊位线进行层次优化，以达到识别停车泊位线的预期效果。
Description
技术领域
本发明属于车辆技术领域，具体涉及一种基于OpenCV的停车泊位线识别方法。
背景技术
随着汽车智能网联和高级辅助驾驶技术的快速发展，自动驾驶作为辅助驾驶技术的高级阶段，已经逐渐演变为未来交通出行的主流趋势。尤其自2019年以来，自动驾驶在汽车行业及互联网行业如雨后春笋般争相竞技。
现有技术公开了一种开启自动泊车的控制方法、装置及自动泊车系统，该开启自动泊车的控制方法包括：获取车辆的实时位置；将车辆的实时位置与预先存储的各个泊车位置进行比对，确定目标泊车位置；其中，预先存储的泊车位置的数量为至少两个，预先存储的各个泊车位置中包括目标泊车位置；根据目标泊车位置，确定车辆的实时位置与目标泊车位置的直线距离；当车辆的实时位置与目标泊车位置的直线距离小于预设直线距离时，控制车辆开启自动泊车。现有技术还公开了一种基于无人机的自动泊车系统及自动泊车方法，属于车辆领域。该自动泊车系统包括：车辆和与车辆通信连接的无人机，车辆用于在停车状态且接收到泊车指令时生成起飞指令；无人机用于接收到起飞指令时起飞，无人机包括：感知模块，用于采集无人机飞行路径上第一预设范围内的飞行探测信息；建图模块，与感知模块连接，用于根据飞行探测信息建立局部地图；路径规划单元，用于根据局部地图规划出至少一条泊车路径并发送至车辆，使得车辆根据泊车路径进行自动行驶和泊车，其中，泊车路径的起始点为局部地图的建图起始点。现有技术还公开了一种自动泊车方法，通过制定车辆的自动泊车功能系统，根据所述自动泊车功能系统判断所述车辆是否满足非期望状态下的自动泊车激活条件，若所述车辆满足非期望状态下的自动泊车激活条件，获取当前场景信息，根据所述当前场景信息选择目标激活策略作为自动泊车激活条件，在所述自动泊车激活条件下通过所述自动泊车功能系统进行自动泊车。但是，上述方法无法实现复杂环境下对二维图像即停车泊位线的提取及识别。
发明内容
本发明的目的就在于聚焦自动驾驶单一环节，针对自动泊车功能提供一种全新的基于目标区域轮廓—即停车泊位线的识别和获取方法，以解决在高噪声、弱边缘化等复杂环境条件下，对二维图像即停车泊位线的提取及识别的问题。
本发明的目的是通过以下技术方案实现的：
一种基于OpenCV的停车泊位线识别方法，其特征在于：采取目标区域检测、目标区域优化以及目标轮廓提取的递进式流程，包括以下步骤：
A、图像预处理，视频数据采集后获取停车区域停车泊位线图片，分别对图像进行形态学去噪、图像降噪及增强和二值化阈值处理；
B、边缘检测，主要检查每个像素的临域并对灰度变换率进行量化，确定方向和幅度；
C、轮廓提取，并获取边界点；
D、图像分割，将图像中的目标与背景区域进行分离，保证分离后的区域特征具有完整性且轮廓清晰，以获得清晰的停车泊位线。
进一步地，所述形态学去噪的具体步骤为：针对停车泊位线高噪声及可能存在严重色偏等问题，采取中值滤波算法和广义的色偏矫正算法对抓取的图像进行初期处理。
进一步地，所述图像降噪及增强的具体步骤为：对形态学去噪后的图像，需要进行两次腐蚀、两次膨胀操作，其中，腐蚀操作会腐蚀图像中白色像素，消除小斑点，膨胀操作将使剩余的白色像素扩张并重新增长回去，以达到形态学降噪效果。
进一步地，所述二值化阈值处理的具体步骤为：调用OpenCV的cv2.threshold函数，阈值设定为默认值，同时将灰度图中灰度值大于175的点统一置为255。
进一步地，所述步骤B具体包括以下步骤：
B1、Canny边缘检测：使用Canny边缘检测算法，从不同视觉图象中提取有用的结构信息并减少要处理的数据量；
B2、处理流程：高斯滤波器滤除噪声、Sobel算法计算像素梯度方向、进行非最大信号抑制以及确定真实和潜在边缘点；
进一步地，所述步骤C具体包括以下步骤：
C1、二值化图像轮廓提取：如果原图中有一点为黑，且它的8个相邻点都是黑色时，则该点为内部点，将该点删除，即可将内部点掏空，得到图像轮廓；
C2、“跟踪准则”获取边界点。
更进一步地，所述步骤C2具体包括以下步骤：
C21、从第一个边界点开始，定义初始的搜索方向为沿左上方；
C22、如果左上方的点是黑点，则为边界点，否则顺时针旋转45度，直到找到第一个黑点为止；
C23、然后把这个黑点作为新的边界点，在当前搜索方向的基础上逆时针旋转90度，继续同样方法搜索下一个边界点，直至返回最初边界点或找不到点为止。
进一步地，所述步骤D具体包括以下步骤：采用基于数据的图像分割方法，通过与用户之间简单的交互选定样本图像，为所选区域的前景与背景建立GMM模型，然后使用K-means聚类算法初始化GMM，得到分割能量权重，对图像进行分割处理。
与现有技术相比，本发明的有益效果是：
本发明提出一种全新的目标区域轮廓—即停车泊位线的识别和获取方法，主要研究方向集中在泊位线的外轮廓标定，针对具有显著环境特征、色差和形状差别的图像进行轮廓分割，采用“停车泊位区域检测-停车泊位区域图像处理-停车泊位区域目标识别-停车泊位区域轮廓标定”的递进式流程，尽可能的恢复目标区域特征要素，并选用K-means算法对目标区域进行处理，采用多尺度分水岭算法对图像进行分割，最后采取Canny算法对图像边缘进行检测，并对最终“二值“泊位线进行层次优化，以达到识别停车泊位线的预期效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1研究整体框架；
图2a-图2c图像预处理，图2a为原图，图2b为中值滤波处理，图2c-图2g为多种处理方式对比；
图3图像降噪及增强；
图4 Canny边缘检测处理流程；
图5轮廓提取；
图6跟踪准则；
图7a-图7f处理结果。
具体实施方式
下面结合实施例对本发明作进一步说明：
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
“倒车入库”作为现阶段汽车产业发展必有的功能性之一，如何识别“库”以及利用好“库”所传递的信息，则显得尤为重要。而图像作为获取信息的重要媒介，相对于文本、声音等其他信号包含更为庞杂的信息，从海量数据中寻找有用的信息，代价较高。在对这些信息进行分析时，通常会选择将图像分成若干个特定的、具有独特性质的区域。本发明提出一种全新的基于OpenCV的停车泊位线识别方法，采取“目标区域检测—目标区域优化—目标轮廓提取”的递进式流程，进行“库”的识别。
本发明采取“目标区域检测—目标区域优化—目标轮廓提取”的递进式流程。在图像预处理阶段，分别对图像进行形态学去噪、图像降噪及增强和二值化阈值处理；在边缘检测阶段，主要检查每个像素的临域并对灰度变换率进行量化，确定方向和幅度；在轮廓提取阶段，将预处理后的二值化图用findContours()函数进行轮廓提取；最终，将图像中的目标与背景区域进行分离，保证分离后的区域特征具有完整性且轮廓清晰，以获得清晰的停车泊位线。
A、图像预处理阶段：
A1、形态学去噪：针对停车泊位线高噪声及可能存在严重色偏等问题，采取中值滤波算法和广义的色偏矫正算法对抓取的图像进行初期处理,如图2所示；
A2、图像降噪及增强：对形态学去噪后的图像，需要进行两次腐蚀、两次膨胀操作，其中，腐蚀操作会腐蚀图像中白色像素，消除小斑点，膨胀操作将使剩余的白色像素扩张并重新增长回去，以达到形态学降噪效果，结果如图2a-图2g所示。
A3、二值化阈值处理：预处理最后一步是对图像进行二值化阈值处理，调用OpenCV的cv2.threshold函数，阈值设定为默认值，同时将灰度图中灰度值大于175的点统一置为255，结果如图3所示。
B、边缘检测阶段：
B1、Canny边缘检测：在边缘检测阶段，使用Canny边缘检测算法，从不同视觉图象中提取有用的结构信息并减少要处理的数据量；
B2、处理流程：高斯滤波器滤除噪声、Sobel算法计算像素梯度方向、进行非最大信号抑制以及确定真实和潜在边缘点；
C、轮廓提取
C1、二值化图像轮廓提取：如果原图中有一点为黑，且它的8个相邻点都是黑色时，则该点为内部点，将该点删除，即可将内部点掏空，得到图像轮廓；
C2、“跟踪准则”获取边界点：
C21、从第一个边界点开始，定义初始的搜索方向为沿左上方；
C22、如果左上方的点是黑点，则为边界点，否则顺时针旋转45度，直到找到第一个黑点为止；
C23、然后把这个黑点作为新的边界点，在当前搜索方向的基础上逆时针旋转90度，继续同样方法搜索下一个边界点，直至返回最初边界点或找不到点为止
D、图像分割：采用基于数据的图像分割方法，通过与用户之间简单的交互选定样本图像，为所选区域的前景与背景建立GMM模型，然后使用K-means聚类算法初始化GMM，得到分割能量权重，对图像进行分割处理。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种基于OpenCV的停车泊位线识别方法，其特征在于，采取目标区域检测、目标区域优化以及目标轮廓提取的递进式流程，包括以下步骤：
A、图像预处理，视频数据采集后获取停车区域停车泊位线图片，分别对图像进行形态学去噪、图像降噪及增强和二值化阈值处理；
B、边缘检测，主要检查每个像素的临域并对灰度变换率进行量化，确定方向和幅度；
C、轮廓提取，并获取边界点；
D、图像分割，将图像中的目标与背景区域进行分离，保证分离后的区域特征具有完整性且轮廓清晰，以获得清晰的停车泊位线。
2.根据权利要求1所述的一种基于OpenCV的停车泊位线识别方法，其特征在于，所述形态学去噪的具体步骤为：针对停车泊位线高噪声及可能存在严重色偏等问题，采取中值滤波算法和广义的色偏矫正算法对抓取的图像进行初期处理。
3.根据权利要求1所述的一种基于OpenCV的停车泊位线识别方法，其特征在于，所述图像降噪及增强的具体步骤为：对形态学去噪后的图像，需要进行两次腐蚀、两次膨胀操作，其中，腐蚀操作会腐蚀图像中白色像素，消除小斑点，膨胀操作将使剩余的白色像素扩张并重新增长回去，以达到形态学降噪效果。
4.根据权利要求1所述的一种基于OpenCV的停车泊位线识别方法，其特征在于，所述二值化阈值处理的具体步骤为：调用OpenCV的cv2.threshold函数，阈值设定为默认值，同时将灰度图中灰度值大于175的点统一置为255。
5.根据权利要求1所述的一种基于OpenCV的停车泊位线识别方法，其特征在于，所述步骤B具体包括以下步骤：
B1、Canny边缘检测：在边缘检测阶段，使用Canny边缘检测算法，从不同视觉图象中提取有用的结构信息并减少要处理的数据量；
B2、处理流程：高斯滤波器滤除噪声、Sobel算法计算像素梯度方向、进行非最大信号抑制以及确定真实和潜在边缘点。
6.根据权利要求1所述的一种基于OpenCV的停车泊位线识别方法，其特征在于，所述步骤C具体包括以下步骤：
C1、二值化图像轮廓提取：如果原图中有一点为黑，且它的8个相邻点都是黑色时，则该点为内部点，将该点删除，即可将内部点掏空，得到图像轮廓；
C2、“跟踪准则”获取边界点。
7.根据权利要求6所述的一种基于OpenCV的停车泊位线识别方法，其特征在于：所述步骤C2具体包括以下步骤：
C21、从第一个边界点开始，定义初始的搜索方向为沿左上方；
C22、如果左上方的点是黑点，则为边界点，否则顺时针旋转45度，直到找到第一个黑点为止；
C23、然后把这个黑点作为新的边界点，在当前搜索方向的基础上逆时针旋转90度，继续同样方法搜索下一个边界点，直至返回最初边界点或找不到点为止。
8.根据权利要求1所述的一种基于OpenCV的停车泊位线识别方法，其特征在于，所述步骤D具体包括以下步骤：采用基于数据的图像分割方法，通过与用户之间简单的交互选定样本图像，为所选区域的前景与背景建立GMM模型，然后使用K-means聚类算法初始化GMM，得到分割能量权重，对图像进行分割处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110555361.2A CN113139526A (zh) | 2021-05-21 | 2021-05-21 | 一种基于OpenCV的停车泊位线识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110555361.2A CN113139526A (zh) | 2021-05-21 | 2021-05-21 | 一种基于OpenCV的停车泊位线识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113139526A true CN113139526A (zh) | 2021-07-20 |
Family
ID=76817408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110555361.2A Pending CN113139526A (zh) | 2021-05-21 | 2021-05-21 | 一种基于OpenCV的停车泊位线识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113139526A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843687A (zh) * | 2023-09-01 | 2023-10-03 | 山东东方智光网络通信有限公司 | 一种通信光缆表面瑕疵检测方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
| 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 |
| CN109671092A (zh) * | 2018-11-10 | 2019-04-23 | 江苏网进科技股份有限公司 | 一种改进的Canny图像分割方法和系统 |
| CN109993991A (zh) * | 2018-11-30 | 2019-07-09 | 浙江工商大学 | 停车位状态检测方法及系统 |
| CN110008932A (zh) * | 2019-04-17 | 2019-07-12 | 四川九洲视讯科技有限责任公司 | 一种基于计算机视觉的车辆违章压线检测方法 |
| CN110097596A (zh) * | 2019-04-30 | 2019-08-06 | 湖北大学 | 一种基于opencv的目标检测系统 |
| CN110414355A (zh) * | 2019-06-27 | 2019-11-05 | 沈阳工业大学 | 基于视觉的右方位空停车位与泊车过程中车位线检测方法 |
| CN111047616A (zh) * | 2019-12-10 | 2020-04-21 | 中国人民解放军陆军勤务学院 | 一种遥感图像滑坡目标约束性主动轮廓特征提取方法 |
| CN112419250A (zh) * | 2020-11-13 | 2021-02-26 | 湖北工业大学 | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 |
| US20210099646A1 (en) * | 2019-09-29 | 2021-04-01 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and Apparatus for Detecting Subject, Electronic Device, and Computer Readable Storage Medium |
-
2021
- 2021-05-21 CN CN202110555361.2A patent/CN113139526A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
| 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 |
| CN109671092A (zh) * | 2018-11-10 | 2019-04-23 | 江苏网进科技股份有限公司 | 一种改进的Canny图像分割方法和系统 |
| CN109993991A (zh) * | 2018-11-30 | 2019-07-09 | 浙江工商大学 | 停车位状态检测方法及系统 |
| CN110008932A (zh) * | 2019-04-17 | 2019-07-12 | 四川九洲视讯科技有限责任公司 | 一种基于计算机视觉的车辆违章压线检测方法 |
| CN110097596A (zh) * | 2019-04-30 | 2019-08-06 | 湖北大学 | 一种基于opencv的目标检测系统 |
| CN110414355A (zh) * | 2019-06-27 | 2019-11-05 | 沈阳工业大学 | 基于视觉的右方位空停车位与泊车过程中车位线检测方法 |
| US20210099646A1 (en) * | 2019-09-29 | 2021-04-01 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and Apparatus for Detecting Subject, Electronic Device, and Computer Readable Storage Medium |
| CN111047616A (zh) * | 2019-12-10 | 2020-04-21 | 中国人民解放军陆军勤务学院 | 一种遥感图像滑坡目标约束性主动轮廓特征提取方法 |
| CN112419250A (zh) * | 2020-11-13 | 2021-02-26 | 湖北工业大学 | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843687A (zh) * | 2023-09-01 | 2023-10-03 | 山东东方智光网络通信有限公司 | 一种通信光缆表面瑕疵检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7231288B2 (en) | System to determine distance to a lead vehicle | |
| Wu et al. | Lane-mark extraction for automobiles under complex conditions | |
| CN110544211A (zh) | 一种镜头付着物的检测方法、系统、终端和存储介质 | |
| CN110532875B (zh) | 夜晚模式镜头付着物的检测系统、终端和存储介质 | |
| CN109146832B (zh) | 一种视频图像的拼接方法、装置、终端设备及存储介质 | |
| CN109858438B (zh) | 一种基于模型拟合的车道线检测方法 | |
| CN111860120A (zh) | 车载相机自动遮挡检测方法和装置 | |
| CN103093198A (zh) | 一种人群密度监测方法及装置 | |
| CN112580447B (zh) | 一种基于边缘二阶统计与融合的电力线检测方法 | |
| CN111027544A (zh) | 一种基于视觉显著性检测的mser车牌定位方法及系统 | |
| CN110544232A (zh) | 一种镜头付着物的检测系统、终端和存储介质 | |
| KR102393268B1 (ko) | 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치 및 방법 | |
| Ghahremannezhad et al. | Automatic road detection in traffic videos | |
| CN111563457A (zh) | 一种无人驾驶汽车的道路场景分割方法 | |
| CN113139526A (zh) | 一种基于OpenCV的停车泊位线识别方法 | |
| CN111178118B (zh) | 图像采集处理方法、装置及计算机可读存储介质 | |
| CN111274896A (zh) | 一种烟火识别算法 | |
| CN112084957B (zh) | 一种移动目标滞留检测方法及系统 | |
| CN107170004B (zh) | 一种无人车单目视觉定位中对匹配矩阵的图像匹配方法 | |
| KR20150146374A (ko) | 주변 환경 정보를 이용한 차선 인식 시스템 및 그 방법 | |
| CN112308801A (zh) | 基于大数据图像采集的道路交通追踪管理方法及系统 | |
| CN113450373A (zh) | 一种基于光学实况图像的运载火箭飞行过程特征事件实时判别方法 | |
| CN116486434A (zh) | 一种视频行人重识别方法、系统及相关装置 | |
| Yuan et al. | Day and night vehicle detection and counting in complex environment | |
| CN112734745B (zh) | 一种融合gis数据的无人机热红外影像供暖管道泄漏探测方法 |
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 |