CN113435230A - 异常区域的检测方法、装置、系统和计算机可读存储介质 - Google Patents
异常区域的检测方法、装置、系统和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113435230A CN113435230A CN202010207396.2A CN202010207396A CN113435230A CN 113435230 A CN113435230 A CN 113435230A CN 202010207396 A CN202010207396 A CN 202010207396A CN 113435230 A CN113435230 A CN 113435230A
- Authority
- CN
- China
- Prior art keywords
- image
- road
- abnormal
- hiding
- hidden
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 100
- 238000001514 detection method Methods 0.000 title claims description 33
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 17
- 230000002708 enhancing effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 5
- 230000002547 anomalous effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000149 penetrating effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本公开涉及一种异常区域的检测方法、装置、系统和计算机可读存储介质,涉及计算机技术领域。本公开的方法包括:响应于载体上的扫描天线阵列发出主动毫米波对扫描范围内道路进行扫描,接收主动毫米波的反射信号;根据反射信号,生成道路的图像;对道路的图像进行识别,确定道路中是否包含隐匿异常区域;其中,隐匿异常区域包括:隐匿道路边缘、隐匿凹陷区域、存在隐匿障碍物的区域中至少一项。
Description
技术领域
本公开涉及计算机技术领域,特别涉及一种异常区域的检测方法、装置、系统和计算机可读存储介质。
背景技术
随着人工智能技术的不断发展,无人驾驶、机器人等相关技术迅速发展。还出现一些辅助盲人等残障人士的智能导航设备。
在无人驾驶、机器人或智能导航等领域一般通过普通的光学图像识别行驶前方的障碍等异常区域,例如通过设置摄像头拍摄图像并进行识别。
发明内容
发明人发现:目前通过光学图像识别的方法只能识别表面的图像,无法识别隐匿异常区域,例如被遮挡的凹陷,道路边缘等。很容易造成自动驾驶车辆、机器人或人员的安全问题。
本公开所要解决的一个技术问题是:如何识别隐匿异常区域。
根据本公开的一些实施例,提供的一种异常区域的检测方法,包括:
响应于载体上的扫描天线阵列发出主动毫米波对扫描范围内道路进行扫描,接收主动毫米波的反射信号;根据反射信号,生成道路的图像;对道路的图像进行识别,确定道路中是否包含隐匿异常区域;其中,隐匿异常区域包括:隐匿道路边缘、隐匿凹陷区域、存在隐匿障碍物的区域中至少一项。
在一些实施例中,对道路图像进行识别,确定道路中是否包含隐匿异常区域包括:增强道路图像的对比度;去除图像中的噪声,得到预处理的图像;根据预处理的图像中的灰度值的变化,确定道路中是否包含隐匿异常区域。
在一些实施例中,增强道路图像的对比度包括:将道路图像中各个像素点的灰度值,采用隶属度函数由空域转换到模糊域,得到各个像素点的模糊隶属度;利用预设非线性函数对各个像素点的模糊隶属度进行增强处理;将增强处理后的各个像素点的模糊隶属度转换到空域,得到各个像素点增强后的灰度值;利用最大模糊熵准则求取目标与背景的分类点阈值。
在一些实施例中,根据预处理的图像中的灰度值的变化,确定道路中是否包含隐匿异常区域包括:根据预处理的图像中各个像素点的灰度值,确定各个像素点的灰度梯度;根据各个像素点的灰度梯度,确定道路中是否包含隐匿异常区域。
在一些实施例中,去除图像中的噪声,得到预处理的图像包括:根据分类点阈值确定图像中的背景;将图像中的背景去除;将去除背景后的图像利用自适应中值滤波算法去除图像中的噪声。
在一些实施例中,该方法还包括:在道路中包含隐匿异常区域的情况下,确定隐匿异常区域相对于载体的方位信息;发出提示信息,提示信息包括:隐匿异常区域相对于载体的方位信息。
在一些实施例中,载体可携带或可佩戴物品,或者机器人。
根据本公开的另一些实施例,提供的一种异常区域的检测装置,包括:接收模块,用于响应于载体上的扫描天线阵列发出主动毫米波对扫描范围内道路进行扫描,接收主动毫米波的反射信号;图像生成模块,用于根据反射信号,生成道路的图像;图像识别模块,用于对道路的图像进行识别,确定道路中是否包含隐匿异常区域;其中,隐匿异常区域包括:隐匿道路边缘、隐匿凹陷区域、存在隐匿障碍物的区域中至少一项。
在一些实施例中,图像识别模块用于增强道路图像的对比度;去除图像中的噪声,得到预处理的图像;根据预处理的图像中的灰度值的变化,确定道路中是否包含隐匿异常区域。
在一些实施例中,图像识别模块用于将道路图像中各个像素点的灰度值,采用隶属度函数由空域转换到模糊域,得到各个像素点的模糊隶属度;利用预设非线性函数对各个像素点的模糊隶属度进行增强处理;将增强处理后的各个像素点的模糊隶属度转换到空域,得到各个像素点增强后的灰度值;利用最大模糊熵准则求取目标与背景的分类点阈值。
在一些实施例中,图像识别模块用于根据预处理的图像中各个像素点的灰度值,确定各个像素点的灰度梯度;根据各个像素点的灰度梯度,确定道路中是否包含隐匿异常区域。
在一些实施例中,图像识别模块用于根据分类点阈值确定图像中的背景;将图像中的背景去除;将去除背景后的图像利用自适应中值滤波算法去除图像中的噪声。
在一些实施例中,还包括提示模块,用于在道路中包含隐匿异常区域的情况下,确定隐匿异常区域相对于载体的方位信息;发出提示信息,提示信息包括:隐匿异常区域相对于载体的方位信息。
在一些实施例中,载体可携带或可佩戴物品,或者机器人。
根据本公开的又一些实施例,提供的一种异常区域的检测装置,包括:处理器;以及耦接至处理器的存储器,用于存储指令,指令被处理器执行时,使处理器执行如前述任意实施例的异常区域的检测方法。
根据本公开的再一些实施例,提供的一种非瞬时性计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现前述任意实施例异常区域的检测方法的步骤。
根据本公开的又一些实施例,提供的一种异常区域的检测系统,包括:前述任意实施例的异常区域的检测装置;以及载体;载体上设置扫描天线阵列,扫描天线阵列用于发出主动毫米波对扫描范围内道路进行扫描并接收主动毫米波的反射信号,将主动毫米波的反射信号发送至异常区域的检测装置。
本公开中通过载体上的扫描天线阵列发出主动毫米波对扫描范围内道路进行扫描,得到主动毫米波的反射信号,基于反射信号可以形成道路的图像。由于主动毫米波穿透力强,可检测道路表面和隐匿的异常区域,因此形成的道路图像可以显示隐匿异常区域,进一步,对道路图像进行识别则可以识别出隐匿异常区域。本公开的方法应用于自动驾驶、机器人或智能导航等领域可以提高安全性。此外,采用小功率毫米波,安全无辐射,不会对人体造成伤害,部署成本低,应用范围广。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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的附图。
图1示出本公开的一些实施例的异常区域的检测方法的流程示意图。
图2示出本公开的另一些实施例的异常区域的检测方法的流程示意图。
图3示出本公开的一些实施例的异常区域的检测装置的结构示意图。
图4示出本公开的另一些实施例的异常区域的检测装置的结构示意图。
图5示出本公开的又一些实施例的异常区域的检测装置的结构示意图。
图6示出本公开的一些实施例的异常区域的检测系统的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开提出一种异常区域的检测方法,下面结合图1进行描述。
图1为本公开异常区域的检测方法一些实施例的流程图。如图1所示,该实施例的方法包括:步骤S102~S106。
在步骤S102,响应于载体上的扫描天线阵列发出主动毫米波对扫描范围内道路进行扫描,接收主动毫米波的反射信号。
载体例如为可携带或可佩戴物品,或者机器人(包括自动驾驶车辆等)。可携带或可佩戴的物品例如:眼镜,盲杖等。载体上可以配置可以发射主动毫米波的装置和扫描天线阵列。可以对前方预设区域范围的道路进行扫描,得到主动毫米波的反射信号。
在步骤S104中,根据反射信号,生成道路的图像。
可以根据主动毫米波与反射信号生成道路的图像,可以采用现有技术,在此不再赘述。
在步骤S106中,对道路的图像进行识别,确定道路中是否包含隐匿异常区域。
隐匿异常区域例如包括:隐匿道路边缘、隐匿凹陷区域、存在隐匿障碍物的区域中至少一项。道路的图像可以是灰度图。在一些实施例中,对道路图像进行识别,确定道路中是否包含隐匿异常区域包括:增强道路图像的对比度;去除图像中的噪声,得到预处理的图像;根据预处理的图像中的灰度值的变化,确定道路中是否包含隐匿异常区域。
在一些实施例中,可以采用最大模糊熵算法增强道路图像的对比度,强目标亮度,抑制背景区域噪声,改善图像对比度。
例如,将道路图像中各个像素点的灰度值,采用隶属度函数由空域转换到模糊域,得到各个像素点的模糊隶属度;利用预设非线性函数对各个像素点的模糊隶属度进行增强处理;将增强处理后的各个像素点的模糊隶属度转换到空域,得到各个像素点增强后的灰度值;利用最大模糊熵准则求取目标与背景的分类点阈值。采用预设多分段非线性函数在模糊熵中对阈值两侧的灰度进行非线性拉伸改善隶属度的动态范围,以此增强图像对比度。
在一些实施例中,去除图像中的噪声,得到预处理的图像包括:根据分类点阈值确定图像中的背景;将图像中的背景去除;将去除背景后的图像利用自适应中值滤波算法去除图像中的噪声。通过上述两步处理可以增强图像中目标区域(道路)的图像,去除背景和噪声。在现有的主动毫米波图像识别技术的基础上增加图像增强方法,通过最大模糊熵算法增强目标亮度,抑制背景区域噪声,改善图像对比度,再采用基于自适应中值滤波算法对图像进行降噪,有效提高后续图像识别的准确度。
在一些实施例中,根据预处理的图像中各个像素点的灰度值,确定各个像素点的灰度梯度;根据各个像素点的灰度梯度,确定道路中是否包含隐匿异常区域。
例如,可以采用KLT(Kanade-Lucas-Tomasi Tracking,角点跟踪算法)确定异常区域。例如,可以将经过预处理的图像分割成若干个小区块,计算区块内图像的灰度梯度。可以采用以下公式计算每个像素点x和y方向的灰度梯度。
其中,x,y表示坐标轴方向,t表示道路图像的生成时刻,I()表示灰度值。Ix(x,y,t),Iy(x,y,t)为图像灰度值的连续函数。再分析每个特征点的灰度。所谓特征点,是指包含像素点的局域窗口。该窗口在两个独立方向上有足够的灰度梯度。利用在凸凹不平/不连续的地方,其灰度值变化较为剧烈的特点,通过分析I(x,y,t)函数的梯度,即可识别出图像中的隐匿异常区域(如凹陷等)。异常区域(如凹陷或隐匿危险物等)边界的灰度值变化较为剧烈。通过检测灰度变化较大的区块,识别出危险区域及其边缘。
例如,可以采用以下公式计算每个像素点沿x和y方向的灰度梯度。
Ix(x,y)=I(x+1,y)-I(x-1,y) (3)
Iy(x,y)=I(x,y+1)-I(x,y-1) (4)
其中,Ix(x,y),Iy(x,y)表示像素点沿x和y方向的灰度梯度,I()表示灰度值。进一步,还可以计算沿45度方向和135度方向的灰度梯度,与上述公式类似。之后可以根据每个像素点的灰度梯度,计算每个像素点的梯度幅值M(x,y),计算整幅图像的平均梯度幅值J。进一步,计算各个像素点的梯度幅值M(x,y)与J的方差σ。利用J和σ生成阈值K,例如,K=J+σ,将梯度幅值M(x,y)大于K的像素点作为异常区域的边缘像素点。也可以将各个像素点的梯度幅值与预设值相比,将大于预设值的像素点作为异常区域的边缘像素点。识别隐匿异常区域还可以采用其他算法,例如各种角点检测或边缘检测算法,不限于所举示例。
上述实施例中,通过载体上的扫描天线阵列发出主动毫米波对扫描范围内道路进行扫描,得到主动毫米波的反射信号,基于反射信号可以形成道路的图像。由于主动毫米波穿透力强,可检测道路表面和隐匿的异常区域,因此形成的道路图像可以显示隐匿异常区域,进一步,对道路图像进行识别则可以识别出隐匿异常区域。上述实施例的方法应用于自动驾驶、机器人或智能导航等领域可以提高安全性。此外,采用小功率毫米波,安全无辐射,不会对人体造成伤害,部署成本低,应用范围广。
下面结合图2描述本公开异常区域的检测方法另一些实施例,
图2为本公开异常区域的检测方法另一些实施例的流程图。如图2所示,在步骤S106之后还包括:步骤S202~S204。
在步骤S202中,在道路中包含隐匿异常区域的情况下,确定隐匿异常区域相对于载体的方位信息。
根据道路图像中隐匿异常区域的位置,可以确定隐匿异常区域相对于载体的方位信息。该步骤为可选步骤。
在步骤S204中,发出提示信息。
提示信息例如包括:隐匿异常区域相对于载体的方位信息。可以通过语音等形式发出提示信息。
本公开的方法也适用于检测道路表面的异常区域,不限于检测隐匿异常区域。本公开的方案采用毫米波,穿透力强,可检测表面和内部的隐匿问题,辐射少和易部署,可广泛应用于日常生活各领域,作为新型图像识别终端,实现如道路检测,盲人辅助设备,安检等。与被动成像相比,主动毫米波成像系统检测深度更快,不受环境(如温度和阳光等)的影响。本方案将主动毫米波技术应用于民用图像识别领域,实现对将表面图像和隐匿图像的检测和识别,部署成本低,增加了识别系统的普遍适用性。
本公开还提供一种异常区域的检测装置,下面结合图3进行描述。
图3为本公开异常区域的检测装置的一些实施例的结构图。如图3所示,该实施例的异常区域的检测装置30包括:接收模块310,图像生成模块320,图像识别模块330。
接收模块310用于响应于载体上的扫描天线阵列发出主动毫米波对扫描范围内道路进行扫描,接收主动毫米波的反射信号。
在一些实施例中,载体可携带或可佩戴物品,或者机器人。
图像生成模块320用于根据反射信号,生成道路的图像。
图像识别模块330用于对道路的图像进行识别,确定道路中是否包含隐匿异常区域;其中,隐匿异常区域包括:隐匿道路边缘、隐匿凹陷区域、存在隐匿障碍物的区域中至少一项。
在一些实施例中,图像识别模块330用于增强道路图像的对比度;去除图像中的噪声,得到预处理的图像;根据预处理的图像中的灰度值的变化,确定道路中是否包含隐匿异常区域。
在一些实施例中,图像识别模块330用于将道路图像中各个像素点的灰度值,采用隶属度函数由空域转换到模糊域,得到各个像素点的模糊隶属度;利用预设非线性函数对各个像素点的模糊隶属度进行增强处理;将增强处理后的各个像素点的模糊隶属度转换到空域,得到各个像素点增强后的灰度值;利用最大模糊熵准则求取目标与背景的分类点阈值。
在一些实施例中,图像识别模块330用于根据预处理的图像中各个像素点的灰度值,确定各个像素点的灰度梯度;根据各个像素点的灰度梯度,确定道路中是否包含隐匿异常区域。
在一些实施例中,图像识别模块330用于根据分类点阈值确定图像中的背景;将图像中的背景去除;将去除背景后的图像利用自适应中值滤波算法去除图像中的噪声。
在一些实施例中,还包括提示模块340,用于在道路中包含隐匿异常区域的情况下,确定隐匿异常区域相对于载体的方位信息;发出提示信息,提示信息包括:隐匿异常区域相对于载体的方位信息。
本公开的实施例中的异常区域的检测装置可各由各种计算设备或计算机系统来实现,下面结合图4以及图5进行描述。
图4为本公开异常区域的检测装置的一些实施例的结构图。如图4所示,该实施例的异常区域的检测装置40包括:存储器410以及耦接至该存储器410的处理器420,处理器420被配置为基于存储在存储器410中的指令,执行本公开中任意一些实施例中的异常区域的检测方法。
其中,存储器410例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)、数据库以及其他程序等。
图5为本公开异常区域的检测装置的另一些实施例的结构图。如图5所示,该实施例的装置50包括:存储器510以及处理器520,分别与存储器410以及处理器420类似。还可以包括输入输出接口530、网络接口540、存储接口550等。这些接口530,540,550以及存储器510和处理器520之间例如可以通过总线560连接。其中,输入输出接口530为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口540为各种联网设备提供连接接口,例如可以连接到数据库服务器或者云端存储服务器等。存储接口550为SD卡、U盘等外置存储设备提供连接接口。
本公开还提供一种异常区域的检测系统,下面结合图6进行描述。
图6为本公开异常区域的检测系统的一些实施例的结构图。如图6所示,该实施例的异常区域的检测系统6包括:异常区域的检测装置30/40/50,载体62,载体62上设置扫描天线阵列622,扫描天线阵列622用于发出主动毫米波对扫描范围内道路进行扫描并接收主动毫米波的反射信号,将主动毫米波的反射信号发送至异常区域的检测装置30/40/50。
本领域内的技术人员应当明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (11)
1.一种异常区域的检测方法,包括:
响应于载体上的扫描天线阵列发出主动毫米波对扫描范围内道路进行扫描,接收所述主动毫米波的反射信号;
根据所述反射信号,生成所述道路的图像;
对所述道路的图像进行识别,确定道路中是否包含隐匿异常区域;其中,所述隐匿异常区域包括:隐匿道路边缘、隐匿凹陷区域、存在隐匿障碍物的区域中至少一项。
2.根据权利要求1所述的检测方法,其中,
所述对所述道路图像进行识别,确定道路中是否包含隐匿异常区域包括:
增强所述道路图像的对比度;
去除所述图像中的噪声,得到预处理的图像;
根据所述预处理的图像中的灰度值的变化,确定道路中是否包含隐匿异常区域。
3.根据权利要求2所述的检测方法,其中,
所述增强所述道路图像的对比度包括:
将所述道路图像中各个像素点的灰度值,采用隶属度函数由空域转换到模糊域,得到各个像素点的模糊隶属度;
利用预设非线性函数对各个像素点的模糊隶属度进行增强处理;
将增强处理后的各个像素点的模糊隶属度转换到空域,得到各个像素点增强后的灰度值;
利用最大模糊熵准则求取目标与背景的分类点阈值。
4.根据权利要求2所述的检测方法,其中,
所述根据所述预处理的图像中的灰度值的变化,确定道路中是否包含隐匿异常区域包括:
根据所述预处理的图像中各个像素点的灰度值,确定各个像素点的灰度梯度;
根据各个像素点的灰度梯度,确定道路中是否包含隐匿异常区域。
5.根据权利要求3所述的检测方法,其中,
所述去除所述图像中的噪声,得到预处理的图像包括:
根据所述分类点阈值确定所述图像中的背景;
将所述图像中的背景去除;
将去除背景后的图像利用自适应中值滤波算法去除图像中的噪声。
6.根据权利要求1所述的检测方法,还包括:
在道路中包含隐匿异常区域的情况下,确定所述隐匿异常区域相对于载体的方位信息;
发出提示信息,所述提示信息包括:所述隐匿异常区域相对于载体的方位信息。
7.根据权利要求1-6任一项所述的检测方法,其中,
所述载体可携带或可佩戴物品,或者机器人。
8.一种异常区域的检测装置,包括:
接收模块,用于响应于载体上的扫描天线阵列发出主动毫米波对扫描范围内道路进行扫描,接收所述主动毫米波的反射信号;
图像生成模块,用于根据所述反射信号,生成所述道路的图像;
图像识别模块,用于对所述道路的图像进行识别,确定道路中是否包含隐匿异常区域;其中,所述隐匿异常区域包括:隐匿道路边缘、隐匿凹陷区域、存在隐匿障碍物的区域中至少一项。
9.一种异常区域的检测装置,包括:
处理器;以及
耦接至所述处理器的存储器,用于存储指令,所述指令被所述处理器执行时,使所述处理器执行如权利要求1-7任一项所述的异常区域的检测方法。
10.一种非瞬时性计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现权利要求1-7所述异常区域的检测方法的步骤。
11.一种异常区域的检测系统,包括:权利要求8或9所述的异常区域的检测装置;以及载体;
所述载体上设置扫描天线阵列,所述扫描天线阵列用于发出主动毫米波对扫描范围内道路进行扫描并接收所述主动毫米波的反射信号,将所述主动毫米波的反射信号发送至所述异常区域的检测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010207396.2A CN113435230B (zh) | 2020-03-23 | 2020-03-23 | 异常区域的检测方法、装置、系统和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010207396.2A CN113435230B (zh) | 2020-03-23 | 2020-03-23 | 异常区域的检测方法、装置、系统和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435230A true CN113435230A (zh) | 2021-09-24 |
CN113435230B CN113435230B (zh) | 2024-03-15 |
Family
ID=77752455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010207396.2A Active CN113435230B (zh) | 2020-03-23 | 2020-03-23 | 异常区域的检测方法、装置、系统和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435230B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821512A (zh) * | 2022-06-22 | 2022-07-29 | 托伦斯半导体设备启东有限公司 | 一种基于计算机视觉的工作路面异常检测及路径优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508246A (zh) * | 2011-10-13 | 2012-06-20 | 吉林大学 | 车辆前方障碍物检测跟踪方法 |
US10127462B1 (en) * | 2017-05-09 | 2018-11-13 | Toyota Research Institute, Inc. | Systems and methods for detecting markers on a roadway |
US20180330615A1 (en) * | 2017-05-12 | 2018-11-15 | Toyota Jidosha Kabushiki Kaisha | Road obstacle detection device, method, and program |
CN109541601A (zh) * | 2018-11-16 | 2019-03-29 | 南京慧尔视防务科技有限公司 | 基于毫米波的障碍物识别系统及其检测方法 |
CN110060468A (zh) * | 2019-01-31 | 2019-07-26 | 厦门精益远达智能科技有限公司 | 基于毫米波雷达的异常路况的监测方法、装置和设备 |
EP3553570A1 (en) * | 2018-04-11 | 2019-10-16 | Tsinghua University | Millimeter wave scanning imaging system for scene monitoring and security inspection method |
-
2020
- 2020-03-23 CN CN202010207396.2A patent/CN113435230B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508246A (zh) * | 2011-10-13 | 2012-06-20 | 吉林大学 | 车辆前方障碍物检测跟踪方法 |
US10127462B1 (en) * | 2017-05-09 | 2018-11-13 | Toyota Research Institute, Inc. | Systems and methods for detecting markers on a roadway |
US20180330615A1 (en) * | 2017-05-12 | 2018-11-15 | Toyota Jidosha Kabushiki Kaisha | Road obstacle detection device, method, and program |
EP3553570A1 (en) * | 2018-04-11 | 2019-10-16 | Tsinghua University | Millimeter wave scanning imaging system for scene monitoring and security inspection method |
CN109541601A (zh) * | 2018-11-16 | 2019-03-29 | 南京慧尔视防务科技有限公司 | 基于毫米波的障碍物识别系统及其检测方法 |
CN110060468A (zh) * | 2019-01-31 | 2019-07-26 | 厦门精益远达智能科技有限公司 | 基于毫米波雷达的异常路况的监测方法、装置和设备 |
Non-Patent Citations (1)
Title |
---|
穆森;单海婧;周锦源;邱桂苹;: "一种被动毫米波图像中人体隐匿物品的检测方法", 科技资讯, no. 36, pages 1 - 2 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821512A (zh) * | 2022-06-22 | 2022-07-29 | 托伦斯半导体设备启东有限公司 | 一种基于计算机视觉的工作路面异常检测及路径优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113435230B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Budzan et al. | Fusion of 3D laser scanner and depth images for obstacle recognition in mobile applications | |
CN108303096B (zh) | 一种视觉辅助激光定位系统及方法 | |
Zhou et al. | Entropy distribution and coverage rate-based birth intensity estimation in GM-PHD filter for multi-target visual tracking | |
Altowaijri et al. | A privacy-preserving iot-based fire detector | |
Wang et al. | Clutter-adaptive infrared small target detection in infrared maritime scenarios | |
Jabri et al. | Moving vehicle detection using Haar-like, LBP and a machine learning Adaboost algorithm | |
CN111913177A (zh) | 对目标物探测方法、装置以及存储介质 | |
Othmane | Traffic surveillance system for vehicle detection using discrete wavelet transform | |
CN115496923A (zh) | 一种基于不确定性感知的多模态融合目标检测方法及装置 | |
CN113435230B (zh) | 异常区域的检测方法、装置、系统和计算机可读存储介质 | |
Nogueira et al. | SAR image segmentation based on unsupervised classification of log-cumulants estimates | |
Chan | Maritime filtering for images and videos | |
Hwang et al. | Vision-based vehicle detection and tracking algorithm design | |
Bi et al. | Machine vision | |
da Miranda Neto | Pearson's correlation coefficient: a more realistic threshold for applications on autonomous robotics | |
Nazib et al. | Object detection and tracking in night time video surveillance | |
US20210110218A1 (en) | Environment sensing method and device, control method and device, and vehicle | |
Vats et al. | An improved driver assistance system for detection of lane departure under urban and highway driving conditions | |
Son et al. | Optimized robot mapping and obstacle avoidance using stereo vision | |
Chaturvedi et al. | Real-time identification of driveable areas in a semistructured terrain for an autonomous ground vehicle | |
CN112712476A (zh) | 用于tof测距的去噪方法及装置、tof相机 | |
Shan et al. | Recognitions of collision avoidance for unmanned surface vessels with visible light camera using broad learning system | |
Henry et al. | Lane Detection and Distance Estimation Using Computer Vision Techniques | |
Chadha et al. | Satellite imagery-based Airbus ship localization and detection using deep learning-based approaches | |
Srivastava et al. | Lane detection using median filter Wiener filter and integrated Hough transform |
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 |