CN113780069A - 一种汇流场景下的车道线分离绘制方法及装置 - Google Patents
一种汇流场景下的车道线分离绘制方法及装置 Download PDFInfo
- Publication number
- CN113780069A CN113780069A CN202110868085.5A CN202110868085A CN113780069A CN 113780069 A CN113780069 A CN 113780069A CN 202110868085 A CN202110868085 A CN 202110868085A CN 113780069 A CN113780069 A CN 113780069A
- Authority
- CN
- China
- Prior art keywords
- central axis
- lane line
- lane
- points
- pixel coordinate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000000926 separation method Methods 0.000 title claims description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种汇流场景下的车道线分离绘制方法及装置,训练语义分割模型,输入原始图像,输出mask图,并根据车道线的灰度值标签提取二值化图;提取二值化图中车道线的轮廓点,构建每条车道线的像素坐标集合;根据每条车道线的像素坐标集合,提取车道线的中轴线点集,判断中轴线上的点是否都位于车道线轮廓内;将中轴线上不在车道线轮廓中的点的坐标分别进行左移和右移,直到左移或右移后的坐标位于车道线轮廓内;利用左移和右移后得到的点替换其对应的原中轴线中不在像素坐标集合中的点,根据替换后的中轴线点集将原汇流场景下的一条车道线中轴线分离成左右两条中轴线并进行绘制。本发明可有效解决汇流区域车道线粘连情况。
Description
技术领域
本发明涉及自动驾驶与高精度地图制作技术领域,具体涉及一种汇流场景下的车道线分离绘制方法及装置。
背景技术
在高精度地图制作领域,路面汇流场景下的车道线绘制主要基于语义分割的方法,这类方法可以对图像中的每个像素进行分类,进而输出图像的mask图。使用opencv工具的findContours函数就可以提取mask图中的每条车道线轮廓。但在导流带汇流区域,两条车道线会连通为一条,按照通常方法,提取车道线会造成失误。
发明内容
本发明针对现有技术中存在的技术问题,提供一种汇流场景下的车道线分离绘制方法及装置,可有效解决汇流区域车道线粘连情况。
本发明解决上述技术问题的技术方案如下:
一方面,本发明提供一种汇流场景下的车道线分离绘制方法,包括以下步骤:
S1,训练语义分割模型,输入原始图像,输出mask图,并根据车道线的灰度值标签提取二值化图;
S2,提取二值化图中车道线的轮廓点,构建每条车道线的像素坐标集合;
S3,根据每条车道线的像素坐标集合,提取车道线的中轴线点集,判断中轴线上的点是否都位于车道线轮廓内;若不是,则当前车道线属于汇流场景,执行步骤S4;
S4,将中轴线上不在车道线轮廓中的点的坐标分别进行左移和右移,直到左移或右移后的坐标位于车道线轮廓内;
S5,利用左移和右移后得到的点替换其对应的原中轴线中不在像素坐标集合中的点,根据替换后的中轴线点集将原汇流场景下的一条车道线中轴线分离成左右两条中轴线并进行绘制。
进一步的,步骤S1包括:
初始化语义分割模型;
标注训练数据集中的车道线;
使用标注后的训练数据集对所述语义分割模型进行多次训练、调参,直到所述语义分割模型满足要求;
将原始图像作为训练后的语义分割模型的输入,得到原始图像每个像素点的预测值,从而输出原始图像对应的mask图;
根据车道线的灰度值标签从所述mask图中提取车道线的二值化图。
进一步的,步骤S2,包括采用OpenCV工具提取二值化图中车道线的轮廓点,设置距离阈值,将小于距离阈值的相邻轮廓点归集为同一个像素坐标集合,进而构建每条车道线的像素坐标集合。
进一步的,所述中轴线的提取方法包括:
对于任一车道线的像素坐标集合,根据纵坐标y是否相同,将所述像素坐标集合划分为N个子集合;
在每个子集合中对横坐标取平均值x’,得到子集合对应的中轴线上点的坐标(x',y),则N个子集合对应的坐标构成中轴线的点集。
进一步的,所述车道线中轴线根据中轴线的点集采用最小二乘法进行拟合。
另一方面,本发明还提供一种汇流场景下的车道线分离绘制装置,包括:
语义分割模块,训练语义分割模型,输入原始图像,输出mask图,并根据车道线的灰度值标签提取二值化图;
轮廓提取模块,提取二值化图中车道线的轮廓点,构建每条车道线的像素坐标集合;
中轴线提取及判断模块,根据每条车道线的像素坐标集合,提取车道线的中轴线点集,判断中轴线上的点是否都位于车道线轮廓内;
坐标处理模块,将中轴线上不在车道线轮廓中的点的坐标分别进行左移和右移,直到左移或右移后的坐标位于车道线轮廓内;
绘制模块,利用左移和右移后得到的点替换其对应的原中轴线中不在像素坐标集合中的点,根据替换后的中轴线点集将原汇流场景下的一条车道线中轴线分离成左右两条中轴线并进行绘制。
进一步的,语义分割模块包括:
初始化模块,用于初始化语义分割模型;
标注模块,用于标注训练数据集中的车道线;
训练优化模块,用于使用标注后的训练数据集对所述语义分割模型进行多次训练、调参,直到所述语义分割模型满足要求;
预测模块,用于将原始图像作为训练后的语义分割模型的输入,得到原始图像每个像素点的预测值,从而输出原始图像对应的mask图;
提取模块,用于根据车道线的灰度值标签从所述mask图中提取车道线的二值化图。
进一步的,轮廓提取模块,采用OpenCV工具提取二值化图中车道线的轮廓点,设置距离阈值,将小于距离阈值的相邻轮廓点归集为同一个像素坐标集合,进而构建每条车道线的像素坐标集合。
进一步的,所述的根据每条车道线的像素坐标集合,提取车道线的中轴线点集,包括:
对于任一车道线的像素坐标集合,根据纵坐标y是否相同,将所述像素坐标集合划分为N个子集合;
在每个子集合中对横坐标取平均值x’,得到子集合对应的中轴线上点的坐标(x',y),则N个子集合对应的坐标构成中轴线的点集。
进一步的,所述车道线中轴线根据中轴线的点集采用最小二乘法进行拟合。
本发明的有益效果是:本发明的优势在于针对汇流场景下的车道线进行了较为精细的优化处理,使其准确的分离,并通过最小二乘法将汇流场景下的一条车道线拟合为两个独立的车道线。车道线是高精度地图和自动驾驶领域非常重要的要素,因此,准确的识别和矢量化车道线对于提升地图精度和自动驾驶决策至关重要。而本发明提出的用于汇流场景下的车道线分离绘制方法和装置,对汇流场景下的车道线进行了精细的优化,极大的提升了精度。
附图说明
图1为本发明实施例提供的汇流场景下的车道线分离绘制方法流程示意图;
图2为本发明实施例提供的汇流场景下的车道线分离绘制装置结构示意图;
图3为本发明实施例向语义分割模型中输入的原始图像;
图4为经过语义分割模型输出的mask图;
图5为车道线的二值化mask图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,本发明实施例提供一种汇流场景下的车道线分离绘制方法,包括以下步骤:
S1,训练语义分割模型,输入图3所示的原始图像,输出图4所示的mask图,并根据车道线的灰度值标签提取其二值化图,如图5所示。图5中V型的车道线即为汇流场景下的车道线。
具体的,S1,包括以下内容:
初始化语义分割模型;
标注训练数据集中的车道线;
使用标注后的训练数据集对所述语义分割模型进行多次训练、调参,直到所述语义分割模型满足要求;
将原始图像作为训练后的语义分割模型的输入,得到原始图像每个像素点的预测值,从而输出原始图像对应的mask图;
根据车道线的灰度值标签从所述mask图中提取车道线的二值化图。
S2,采用OpenCV工具提取二值化图中车道线的轮廓点。
设置距离阈值,将小于距离阈值的相邻轮廓点归集为同一个像素坐标集合,进而构建每条车道线的像素坐标集合。
S3,根据每条车道线的像素坐标集合,提取车道线的中轴线点集,判断中轴线上的点是否都位于车道线轮廓内;若是,则直接采用最小二乘法,利用n次多项式进行拟合;若不是,则当前车道线属于汇流场景的车道线,执行步骤S4。
所述中轴线的提取方法包括:
对于任一车道线的像素坐标集合,根据纵坐标y是否相同,将所述像素坐标集合划分为N个子集合;
在每个子集合中对横坐标取平均值x’,得到子集合对应的中轴线上点的坐标(x',y),则N个子集合对应的坐标构成中轴线的点集。
S4,将中轴线上不在车道线轮廓中的点的坐标分别进行左移和右移,直到左移或右移后的坐标位于车道线轮廓内;
S5,利用左移和右移后得到的点替换其对应的原中轴线中不在像素坐标集合中的点,根据替换后的中轴线点集将原汇流场景下的一条车道线中轴线分离成左右两条中轴线并进行绘制。这里根据中轴线的点集采用最小二乘法进行拟合,完成中轴线绘制。
本发明实施例基于上述方法,还提供一种汇流场景下的车道线分离绘制装置,其结构如图2所示,包括:语义分割模块、轮廓提取模块、中轴线提取及判断模块、坐标处理模块和绘制模块。
语义分割模块,训练语义分割模型,输入原始图像,输出mask图,并根据车道线的灰度值标签提取二值化图。
优选的,语义分割模块包括:
初始化模块,用于初始化语义分割模型;
标注模块,用于标注训练数据集中的车道线;
训练优化模块,用于使用标注后的训练数据集对所述语义分割模型进行多次训练、调参,直到所述语义分割模型满足要求;
预测模块,用于将原始图像作为训练后的语义分割模型的输入,得到原始图像每个像素点的预测值,从而输出原始图像对应的mask图;
提取模块,用于根据车道线的灰度值标签从所述mask图中提取车道线的二值化图。
轮廓提取模块,提取二值化图中车道线的轮廓点,构建每条车道线的像素坐标集合;具体的,采用OpenCV工具提取二值化图中车道线的轮廓点,设置距离阈值,将小于距离阈值的相邻轮廓点归集为同一个像素坐标集合,进而构建每条车道线的像素坐标集合。
中轴线提取及判断模块,根据每条车道线的像素坐标集合,提取车道线的中轴线点集,判断中轴线上的点是否都位于车道线轮廓内。
对于任一车道线的像素坐标集合,根据纵坐标y是否相同,将所述像素坐标集合划分为N个子集合;
在每个子集合中对横坐标取平均值x’,得到子集合对应的中轴线上点的坐标(x',y),则N个子集合对应的坐标构成中轴线的点集。
坐标处理模块,将中轴线上不在车道线轮廓中的点的坐标分别进行左移和右移,直到左移或右移后的坐标位于车道线轮廓内;
绘制模块,利用左移和右移后得到的点替换其对应的原中轴线中不在像素坐标集合中的点,根据替换后的中轴线点集将原汇流场景下的一条车道线中轴线分离成左右两条中轴线并进行绘制。根据中轴线的点集采用最小二乘法进行拟合。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种汇流场景下的车道线分离绘制方法,其特征在于,包括以下步骤:
S1,训练语义分割模型,输入原始图像,输出mask图,并根据车道线的灰度值标签提取二值化图;
S2,提取二值化图中车道线的轮廓点,构建每条车道线的像素坐标集合;
S3,根据每条车道线的像素坐标集合,提取车道线的中轴线点集,判断中轴线上的点是否都位于车道线轮廓内;若不是,则当前车道线属于汇流场景,执行步骤S4;
S4,将中轴线上不在车道线轮廓中的点的坐标分别进行左移和右移,直到左移或右移后的坐标位于车道线轮廓内;
S5,利用左移和右移后得到的点替换其对应的原中轴线中不在像素坐标集合中的点,根据替换后的中轴线点集将原汇流场景下的一条车道线中轴线分离成左右两条中轴线并进行绘制。
2.根据权利要求1所述的汇流场景下的车道线分离绘制方法,其特征在于,步骤S1包括:
初始化语义分割模型;
标注训练数据集中的车道线;
使用标注后的训练数据集对所述语义分割模型进行多次训练、调参,直到所述语义分割模型满足要求;
将原始图像作为训练后的语义分割模型的输入,得到原始图像每个像素点的预测值,从而输出原始图像对应的mask图;
根据车道线的灰度值标签从所述mask图中提取车道线的二值化图。
3.根据权利要求1所述的汇流场景下的车道线分离绘制方法,其特征在于,步骤S2,包括采用OpenCV工具提取二值化图中车道线的轮廓点,设置距离阈值,将小于距离阈值的相邻轮廓点归集为同一个像素坐标集合,进而构建每条车道线的像素坐标集合。
4.根据权利要求1所述的汇流场景下的车道线分离绘制方法,其特征在于,所述中轴线的提取方法包括:
对于任一车道线的像素坐标集合,根据纵坐标y是否相同,将所述像素坐标集合划分为N个子集合;
在每个子集合中对横坐标取平均值x’,得到子集合对应的中轴线上点的坐标(x',y),则N个子集合对应的坐标构成中轴线的点集。
5.根据权利要求1所述的汇流场景下的车道线分离绘制方法,其特征在于,所述车道线中轴线根据中轴线的点集采用最小二乘法进行拟合。
6.一种汇流场景下的车道线分离绘制装置,其特征在于,包括
语义分割模块,训练语义分割模型,输入原始图像,输出mask图,并根据车道线的灰度值标签提取二值化图;
轮廓提取模块,提取二值化图中车道线的轮廓点,构建每条车道线的像素坐标集合;
中轴线提取及判断模块,根据每条车道线的像素坐标集合,提取车道线的中轴线点集,判断中轴线上的点是否都位于车道线轮廓内;
坐标处理模块,将中轴线上不在车道线轮廓中的点的坐标分别进行左移和右移,直到左移或右移后的坐标位于车道线轮廓内;
绘制模块,利用左移和右移后得到的点替换其对应的原中轴线中不在像素坐标集合中的点,根据替换后的中轴线点集将原汇流场景下的一条车道线中轴线分离成左右两条中轴线并进行绘制。
7.根据权利要求6所述的汇流场景下的车道线分离绘制装置,其特征在于,语义分割模块包括:
初始化模块,用于初始化语义分割模型;
标注模块,用于标注训练数据集中的车道线;
训练优化模块,用于使用标注后的训练数据集对所述语义分割模型进行多次训练、调参,直到所述语义分割模型满足要求;
预测模块,用于将原始图像作为训练后的语义分割模型的输入,得到原始图像每个像素点的预测值,从而输出原始图像对应的mask图;
提取模块,用于根据车道线的灰度值标签从所述mask图中提取车道线的二值化图。
8.根据权利要求6所述的汇流场景下的车道线分离绘制装置,其特征在于,轮廓提取模块,采用OpenCV工具提取二值化图中车道线的轮廓点,设置距离阈值,将小于距离阈值的相邻轮廓点归集为同一个像素坐标集合,进而构建每条车道线的像素坐标集合。
9.根据权利要求6所述的汇流场景下的车道线分离绘制装置,其特征在于,所述的根据每条车道线的像素坐标集合,提取车道线的中轴线点集,包括:
对于任一车道线的像素坐标集合,根据纵坐标y是否相同,将所述像素坐标集合划分为N个子集合;
在每个子集合中对横坐标取平均值x’,得到子集合对应的中轴线上点的坐标(x',y),则N个子集合对应的坐标构成中轴线的点集。
10.根据权利要求6所述的汇流场景下的车道线分离绘制装置,其特征在于,所述车道线中轴线根据中轴线的点集采用最小二乘法进行拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110868085.5A CN113780069B (zh) | 2021-07-30 | 2021-07-30 | 一种汇流场景下的车道线分离绘制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110868085.5A CN113780069B (zh) | 2021-07-30 | 2021-07-30 | 一种汇流场景下的车道线分离绘制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780069A true CN113780069A (zh) | 2021-12-10 |
CN113780069B CN113780069B (zh) | 2024-02-20 |
Family
ID=78836510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110868085.5A Active CN113780069B (zh) | 2021-07-30 | 2021-07-30 | 一种汇流场景下的车道线分离绘制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780069B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332140A (zh) * | 2022-03-16 | 2022-04-12 | 北京文安智能技术股份有限公司 | 一种交通道路场景图像的处理方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140192195A1 (en) * | 2013-01-08 | 2014-07-10 | Pixart Imaging Inc. | Lane departure warning system, lane identification apparatus and related method thereof |
CN109583271A (zh) * | 2017-09-29 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 一种对车道线进行拟合的方法、装置及终端 |
CN109670376A (zh) * | 2017-10-13 | 2019-04-23 | 神州优车股份有限公司 | 车道线识别方法及系统 |
CN110363182A (zh) * | 2019-07-24 | 2019-10-22 | 北京信息科技大学 | 基于深度学习的车道线检测方法 |
CN110458083A (zh) * | 2019-08-05 | 2019-11-15 | 武汉中海庭数据技术有限公司 | 一种车道线矢量化方法、装置及存储介质 |
CN110569796A (zh) * | 2019-09-09 | 2019-12-13 | 南京东控智能交通研究院有限公司 | 一种车道线动态检测和车道分界线的拟合方法 |
CN111126327A (zh) * | 2019-12-30 | 2020-05-08 | 中国科学院自动化研究所 | 车道线检测方法、系统、车载系统及车辆 |
CN111179345A (zh) * | 2019-12-27 | 2020-05-19 | 大连海事大学 | 基于车载机器视觉的前方车辆越线违章行为自动检测方法及系统 |
CN111460921A (zh) * | 2020-03-13 | 2020-07-28 | 华南理工大学 | 一种基于多任务语义分割的车道线检测方法 |
CN112200884A (zh) * | 2020-09-08 | 2021-01-08 | 浙江大华技术股份有限公司 | 一种车道线的生成方法及装置 |
-
2021
- 2021-07-30 CN CN202110868085.5A patent/CN113780069B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140192195A1 (en) * | 2013-01-08 | 2014-07-10 | Pixart Imaging Inc. | Lane departure warning system, lane identification apparatus and related method thereof |
CN109583271A (zh) * | 2017-09-29 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 一种对车道线进行拟合的方法、装置及终端 |
CN109670376A (zh) * | 2017-10-13 | 2019-04-23 | 神州优车股份有限公司 | 车道线识别方法及系统 |
CN110363182A (zh) * | 2019-07-24 | 2019-10-22 | 北京信息科技大学 | 基于深度学习的车道线检测方法 |
CN110458083A (zh) * | 2019-08-05 | 2019-11-15 | 武汉中海庭数据技术有限公司 | 一种车道线矢量化方法、装置及存储介质 |
CN110569796A (zh) * | 2019-09-09 | 2019-12-13 | 南京东控智能交通研究院有限公司 | 一种车道线动态检测和车道分界线的拟合方法 |
CN111179345A (zh) * | 2019-12-27 | 2020-05-19 | 大连海事大学 | 基于车载机器视觉的前方车辆越线违章行为自动检测方法及系统 |
CN111126327A (zh) * | 2019-12-30 | 2020-05-08 | 中国科学院自动化研究所 | 车道线检测方法、系统、车载系统及车辆 |
CN111460921A (zh) * | 2020-03-13 | 2020-07-28 | 华南理工大学 | 一种基于多任务语义分割的车道线检测方法 |
CN112200884A (zh) * | 2020-09-08 | 2021-01-08 | 浙江大华技术股份有限公司 | 一种车道线的生成方法及装置 |
Non-Patent Citations (1)
Title |
---|
陈家凡: "基于机器视觉的车道线识别与预警", 中国优秀硕士论文电子期刊网 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332140A (zh) * | 2022-03-16 | 2022-04-12 | 北京文安智能技术股份有限公司 | 一种交通道路场景图像的处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113780069B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460921B (zh) | 一种基于多任务语义分割的车道线检测方法 | |
CN105160309B (zh) | 基于图像形态学分割及区域生长的三车道检测方法 | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
CN100565559C (zh) | 基于连通分量和支持向量机的图像文本定位方法和装置 | |
CN106845487A (zh) | 一种端到端的车牌识别方法 | |
CN110619327A (zh) | 一种复杂场景下基于深度学习的实时车牌识别方法 | |
CN105528588A (zh) | 一种车道线识别方法及装置 | |
CN105260699A (zh) | 一种车道线数据的处理方法及装置 | |
CN101751569B (zh) | 用于脱机手写维吾尔文单词的字符切分方法 | |
CN111008632B (zh) | 一种基于深度学习的车牌字符分割方法 | |
CN104598885A (zh) | 街景图像中的文字标牌检测与定位方法 | |
CN112825192B (zh) | 基于机器学习的对象辨识系统及其方法 | |
CN104200228A (zh) | 一种安全带识别方法与系统 | |
CN103268489A (zh) | 基于滑窗搜索的机动车号牌识别方法 | |
CN102663378A (zh) | 连笔手写字符的识别方法 | |
CN113158768A (zh) | 基于ResNeSt和自注意力蒸馏的智能车辆车道线检测方法 | |
CN111259796A (zh) | 一种基于图像几何特征的车道线检测方法 | |
CN103206957A (zh) | 车辆自主导航的车道线检测与跟踪方法 | |
CN106845482A (zh) | 一种车牌定位方法 | |
CN107609509A (zh) | 一种基于运动显著性区域检测的动作识别方法 | |
CN113780069A (zh) | 一种汇流场景下的车道线分离绘制方法及装置 | |
CN113139969A (zh) | 一种基于注意力机制的弱监督图像语义分割方法及系统 | |
CN112395953A (zh) | 一种道面异物检测系统 | |
CN101477065B (zh) | 基于缺陷边界值变化次数的ic缺陷分类方法 | |
CN104517127A (zh) | 一种基于Bag-of-features模型的自学习行人计数方法及装置 |
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 | ||
GR01 | Patent grant |