CN113780082A - 一种基于滑动窗口搜索的车道线检测方法 - Google Patents
一种基于滑动窗口搜索的车道线检测方法 Download PDFInfo
- Publication number
- CN113780082A CN113780082A CN202110910900.XA CN202110910900A CN113780082A CN 113780082 A CN113780082 A CN 113780082A CN 202110910900 A CN202110910900 A CN 202110910900A CN 113780082 A CN113780082 A CN 113780082A
- Authority
- CN
- China
- Prior art keywords
- sliding window
- lane line
- pixels
- image
- center
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012935 Averaging Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于滑动窗口搜索的车道线检测方法，其包括：建立含有同一场景的车道线数据集，并将其转化为灰度图，将同一场景的车道线灰度图叠加后平均以减少车辆等其他信息的干扰；将叠加后的灰度图利用固定阈值法进行二值化处理；统计图片下方的每一列上像素为255的点的个数，选取ROI作为初始滑动窗口的位置；从初始滑动窗口开始，统计每一滑动窗口内属于车道线的像素数量，对其进行直线拟合，根据得到的斜率计算下一个滑动窗口所在的位置直到整张图片搜索完毕；将图片中所有滑动窗口内的车道线像素进行直线拟合，提取车道线。本发明方法大大减少寻找行道线的计算量，同时由于能够获取足够多的点，在之后的直线拟合中也能获得较高的精度。
Description
技术领域
本发明属于人工智能领域中的图像识别技术领域，具体涉及一种基于滑动窗口搜索的车道线检测方法。
背景技术
道路上的行车秩序一直是交通部门管理的重点，而很多司机常常不注意遵守交通规则随意变道，极易发生交通事故。现阶段对于违法变道的检测仍然是处于人工检测的状态，效率低，耗时高并且检测准确率低。车道线检测作为判别违章变道的核心技术，其检测的精确度和高效性直接关乎其判别性能。因此提出一种能够根据视屏监控判别车道线的算法极为必要。
在传统的计算机视觉方法中，通常是将摄像头采集到的路面图像由彩色域图像转变为灰度值图像，并对图像进行滤波处理，除去图片中的无效区域，保留其中的路面道路信息以便减少计算量；再对处理后的图片进行边缘检测提取车道线，由于车道线的灰度值较大而路面灰度值较小，故而可以采用Canny算法通过梯度信息检测并提取出车道线的边缘点；在获取车道线边缘点图像后得到二值图像，运用Hough变换对二值图像进行处理得到霍夫矩阵，将霍夫矩阵中的两个局部最大值确定为一条车道线。该类传统方法计算量小性能稳定，但检测效果较差，难以满足检测的实际需求。
另一类方法是基于深度学习卷积神经网络的车道线检测方法，此类方法通过图像分割的方法将车道线从图像背景中分割出来。卷积神经网络通过大量的车道线数据学习车道线特征，其检测准确率往往较高。但深度学习的方法所涉及的参数量大，对计算机性能要求较高，检测速度较慢，同样难以满足检测的实际需要。
发明内容
针对现有技术中的不足与难题，本发明旨在提供一种切实可行、性能优良、环境适应性强的基于滑动窗口搜索的车道线检测方法，该方法针对存在车辆及其他噪声干扰的路况，该方法不仅能够有效减少道路中车辆的干扰，还可以有效提取图中的车道线信息。
本发明通过以下技术方案予以实现：
一种基于滑动窗口搜索的车道线检测方法，其包括以下步骤：
S1，建立含有同一场景的车道线数据集，并将其转化为灰度图，将同一场景的车道线灰度图叠加后平均以减少车辆等其他信息的干扰；
S2，根据灰度图的特性，将叠加后的灰度图利用固定阈值法进行二值化处理；
S3，统计图片下方的每一列灰度为255的像素数量，选取感兴趣区域(ROI)作为初始滑动窗口的位置；
S4，从初始滑动窗口开始，统计每一滑动窗口内属于车道线的像素数量，对其进行直线拟合，根据得到的斜率计算下一个滑动窗口所在的位置直到整张图片搜索完毕；将图片中所有滑动窗口内的车道线像素进行直线拟合，从而提取车道线。
进一步地，步骤S1中需要将同一场景下的彩色图片转换为灰度图片，其转换公式为：
Gray＝0.3R+0.59G+0.11B
式中，Gray为图片中像素的灰度值，R为红色基准色的像素值，G为绿色基准色的像素值，B为蓝色基准色的像素值；
对拥有大量处于同一个摄像头的照片的每一个像素点，使用如下公式来求其均值：
式中，N为输入图片的数量，Ii为图片中每个像素的灰度值，Pi为同一场景下的平均灰度值(0≤Pi≤255)。
进一步地，经步骤S1处理得到一张仅包含道路不变信息的图像，步骤S2对上述图像每一个像素点，使用如下公式操作二值化来获取粗糙的行道线区域：
进而获得包含行道线的二值化图像。
进一步地，步骤S3具体为：
对二值化图像进行分析，统计其中每一列中灰度为255的像素数量；
从图像左侧开始统计，在到达原图中间点时，数量最多的列即为左侧车道线的中心；
从图像右侧开始统计，在到达原图中间点时，数量最多的列即为右侧车道线的中心；
上述左右侧车道线的中心统计数据转化到折线图中，寻找折线图左右两侧的峰值，两侧峰值的x轴坐标即为初始滑动窗口的x轴坐标。
进一步地，步骤S4具体为：
左右两侧车道线中心的横坐标即为初始滑动窗口中心的x轴坐标，分别将其记为xleft_0，xright_0，将初始滑动窗口中心的y轴坐标分别记为yleft_0，yright_0，将滑动窗口的长和宽设为h，w，则
依次统计每一滑动窗口内属于车道线的像素数量，即Pi＝255的像素，将其进行直线拟合，滑动窗口中心的更新方式为：
yleft_i＝yleft_i-1+w
yright_i＝yright_i-1+w
式中，xleft_i，xright_i为Pi＝255的像素点对应滑动窗口中心的x轴坐标；yleft_i，yright_i为Pi＝255的像素点对应滑动窗口中心的y轴坐标；xleft_i-1，xright_i-1为上一个滑动窗口中心的x轴坐标；yleft_i-1，yright_i-1为上一个滑动窗口中心的y轴坐标；kleft_i-1，kright_i-1分别为上一个滑动窗口内车道线拟合的斜率；
依次更新左右两侧的滑动窗口直到搜索完整张图片，对左右两侧所有的滑动窗口内的车道线像素分别直线拟合则可以得到最终车道线。
与现有技术相比，本发明有益效果包括：
(1)本发明主要解决了现有技术无法有效检测车道线信息以及检测过程中附带无关信息干扰的问题，本发明所使用的像素叠加后平均的方法能有效减少车辆等其他无关信息的干扰，从而得到较为原始的车道线信息，通过迭代滑动窗口的位置得到完整的车道线信息并进行直线拟合得到最终车道线。
(2)本发明所提出的算法可以大大减少寻找行道线的计算量，同时由于能够获取足够多的点，在之后的直线拟合中也能获得较高的精度。
附图说明
图1为本发明流程图；
图2为实施例中像素叠加后平均的灰度图，其中(a)(b)(c)为同一场景下的原始图片，(d)是该场景下多张原始图片像素叠加平均的灰度图；
图3为实施例中经过固定阈值法处理的二值化图片；
图4为实施例中经统计图片下方的每一列上像素为255的点的个数所绘制的折线图；
图5为实施例中滑动窗口经过迭代后，最终的车道线拟合图。
具体实施方式
下面结合附图，对本发明作进一步地说明。
如图1的流程图所示，本发明一种基于滑动窗口搜索的车道线检测方法，步骤如下：
(1)建立含有同一场景的车道线数据集，并将其转化为灰度图，将同一场景的车道线灰度图叠加后平均以减少车辆等其他信息的干扰；
首先，需要将同一场景下的彩色图片转换为灰度图片，转换公式如下：
Gray＝0.3R+0.59G+0.11B
式中，Gray为图片中像素的灰度值，R为红色基准色的像素值，G为绿色基准色的像素值，B为蓝色基准色的像素值。
此外，对于车道线检测来说，由于车道线前的监控摄像头一般设立于固定的位置，因此其采集的图像具有局部不变的特征；在拥有大量处于同一个摄像头的照片之后，对于这些照片的每一个像素点，使用如下公式来求其均值：
式中，N为输入图片的数量，在这里N＝50，Ii为图片中每个像素的灰度值，Pi为同一场景下的平均灰度值(0≤Pi≤255)。
图2是像素叠加后平均的灰度图，其中(a)、(b)、(c)为同一场景下的原始图片，(d)是该场景下多张原始图片像素叠加平均的灰度图：如此操作之后，可大大减少车辆等无关信息的干扰，得到一张较为原始的车道线图片。
(2)根据灰度图的特性，将叠加后的灰度图利用固定阈值法进行二值化处理；
由于灰度图中中仍然存在各种其他非行道线的部分，同时均值后的图像往往还含有很多明显阴影需要去除。
车道线与其他区域相比，在灰度上有明显区别，因此设定一个灰度阈值来对图像进行过滤，即对于每一个像素点，使用如下公式操作二值化来获取粗糙的行道线区域：
式中，thres是设定的灰度阈值，结合实际情况，在这里thres＝150。
上述步骤后获得了如图3所示的包含行道线的二值化图像。
(3)统计图片下方的每一列上像素为255的点的个数，选取感兴趣区域(ROI)作为初始滑动窗口的位置；
对二值化图像进行分析，统计其中每一列中灰度为255的像素的数量，图4是统计图片下方的每一列上像素为255的点的个数所绘制的折线图；
从图像左侧开始统计，在到达原图中间点时，数量最多的列即为左侧车道线的中心；
从图像右侧开始统计，在到达原图中间点时，数量最多的列即为右侧车道线的中心。
上述左右侧车道线的中心统计数据转化到折线图中，即寻找折线图左右两侧的峰值，两侧峰值的x轴坐标即为初始滑动窗口的x轴坐标。
(4)从初始滑动窗口开始，统计每一滑动窗口内属于车道线的像素数量，对其进行直线拟合，根据得到的斜率计算下一个滑动窗口所在的位置直到整张图片搜索完毕。将图片中所有滑动窗口内的车道线像素进行直线拟合，从而提取车道线。
左右两侧车道线中心的横坐标即为初始滑动窗口中心的x轴坐标，分别将其记为xleft_0，xright_0，将初始滑动窗口中心的y轴坐标分别记为yleft_0，yright_0，将滑动窗口的长和宽设为h，w，图片的尺寸为H×W则
统计上一个滑动窗口内属于车道线的像素，即Pi＝255的像素，将其进行直线拟合，滑动窗口中心的更新方式为：
yleft_i＝yleft_i-1+w
yright_i＝yright_i-1+w
其中，xleft_i，xright_i为Pi＝255的像素点对应滑动窗口中心的x轴坐标；yleft_i，yright_i为Pi＝255的像素点对应滑动窗口中心的y轴坐标；xleft_i-1，xright_i-1为上一个滑动窗口中心的x轴坐标；yleft_i-1，yright_i-1为上一个滑动窗口中心的y轴坐标；kleft_i-1，kright_i-1分别为上一个滑动窗口内车道线拟合的斜率；
依次更新左右两侧的滑动窗口直到搜索完整张图片，对左右两侧所有的滑动窗口内的车道线像素分别直线拟合则可以得到最终车道线，图5是滑动窗口经过迭代后最终的车道线拟合图。
以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种基于滑动窗口搜索的车道线检测方法，其特征在于，所述检测方法包括以下步骤：
S1、建立含有同一场景的车道线数据集，并将其转化为灰度图，将同一场景的车道线灰度图叠加后平均以减少车辆等其他信息的干扰；
S2、根据灰度图的特性，将叠加后的灰度图利用固定阈值法进行二值化处理；
S3、统计经步骤S2处理后的图片下方每一列灰度为255的像素数量，选取感兴趣区域作为初始滑动窗口的位置；
S4、从初始滑动窗口开始，统计每一滑动窗口内属于车道线的像素数量，对其进行直线拟合，根据得到的斜率计算下一个滑动窗口所在的位置直到整张图片搜索完毕；将图片中所有滑动窗口内的车道线像素进行直线拟合，从而提取车道线。
2.根据权利要求1所述的一种基于滑动窗口搜索的车道线检测方法，其特征在于，所述步骤S3具体如下：
对二值化处理后的图像进行分析，统计图片下方每一列灰度为255的像素数量；
从图像左侧开始统计，在到达原图中间点时，数量最多的列即为左侧车道线的中心；
从图像右侧开始统计，在到达原图中间点时，数量最多的列即为右侧车道线的中心；
上述左右侧车道线的中心统计数据转化到折线图中，寻找折线图左右两侧的峰值，两侧峰值的x轴坐标即为初始滑动窗口的x轴坐标。
3.根据权利要求2所述的一种基于滑动窗口搜索的车道线检测方法，其特征在于，所述步骤S4具体包括：
左右两侧车道线中心的横坐标即为初始滑动窗口中心的x轴坐标，分别将其记为xleft_0，xright_0，将初始滑动窗口中心的y轴坐标分别记为yleft_0，yright_0，将滑动窗口的长和宽设为h，w，则
依次统计每一滑动窗口内属于车道线的像素数量，即Pi＝255的像素，将其进行直线拟合，滑动窗口中心的更新方式为：
yleft_i＝yleft_i-1+w
yright_i＝yright_i-1+w
式中，xleft_i，xright_i为Pi＝255的像素点对应滑动窗口中心的x轴坐标；yleft_i，yright_i为Pi＝255的像素点对应滑动窗口中心的y轴坐标；xleft_i-1，xright_i-1为上一个滑动窗口中心的x轴坐标；yleft_i-1，yright_i-1为上一个滑动窗口中心的y轴坐标；kleft_i-1，kright_i-1分别为上一个滑动窗口内车道线拟合的斜率；
依次更新左右两侧的滑动窗口直到搜索完整张图片，对左右两侧所有的滑动窗口内的车道线像素分别直线拟合则可以得到最终车道线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110910900.XA CN113780082A (zh) | 2021-08-10 | 2021-08-10 | 一种基于滑动窗口搜索的车道线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110910900.XA CN113780082A (zh) | 2021-08-10 | 2021-08-10 | 一种基于滑动窗口搜索的车道线检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113780082A true CN113780082A (zh) | 2021-12-10 |
Family
ID=78837231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110910900.XA Pending CN113780082A (zh) | 2021-08-10 | 2021-08-10 | 一种基于滑动窗口搜索的车道线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113780082A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103605953A (zh) * | 2013-10-31 | 2014-02-26 | 电子科技大学 | 基于滑窗搜索的车辆兴趣目标检测方法 |
| CN108038416A (zh) * | 2017-11-10 | 2018-05-15 | 智车优行科技（北京）有限公司 | 车道线检测方法及系统 |
| CN109325060A (zh) * | 2018-07-27 | 2019-02-12 | 山东大学 | 一种基于数据特征的时间序列流数据快速搜索方法 |
| CN110647850A (zh) * | 2019-09-27 | 2020-01-03 | 福建农林大学 | 一种基于逆透视原理的车道偏移自动测量方法 |
| WO2020048027A1 (zh) * | 2018-09-06 | 2020-03-12 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于动态感兴趣区域的鲁棒性车道线检测方法 |
| CN112800686A (zh) * | 2021-03-29 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种变压器dga在线监测数据异常模式判定方法 |
| CN112906583A (zh) * | 2021-02-25 | 2021-06-04 | 北京经纬恒润科技股份有限公司 | 一种车道线检测方法及装置 |
| CN112906616A (zh) * | 2021-03-08 | 2021-06-04 | 北京庆龙科技有限公司 | 一种车道线提取与生成方法 |
-
2021
- 2021-08-10 CN CN202110910900.XA patent/CN113780082A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103605953A (zh) * | 2013-10-31 | 2014-02-26 | 电子科技大学 | 基于滑窗搜索的车辆兴趣目标检测方法 |
| CN108038416A (zh) * | 2017-11-10 | 2018-05-15 | 智车优行科技（北京）有限公司 | 车道线检测方法及系统 |
| CN109325060A (zh) * | 2018-07-27 | 2019-02-12 | 山东大学 | 一种基于数据特征的时间序列流数据快速搜索方法 |
| WO2020048027A1 (zh) * | 2018-09-06 | 2020-03-12 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于动态感兴趣区域的鲁棒性车道线检测方法 |
| CN110647850A (zh) * | 2019-09-27 | 2020-01-03 | 福建农林大学 | 一种基于逆透视原理的车道偏移自动测量方法 |
| CN112906583A (zh) * | 2021-02-25 | 2021-06-04 | 北京经纬恒润科技股份有限公司 | 一种车道线检测方法及装置 |
| CN112906616A (zh) * | 2021-03-08 | 2021-06-04 | 北京庆龙科技有限公司 | 一种车道线提取与生成方法 |
| CN112800686A (zh) * | 2021-03-29 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种变压器dga在线监测数据异常模式判定方法 |
Non-Patent Citations (7)
| Title |
|---|
| K. DINAKARA: "Advanced lane detection technique for structural highway based computer vision algorithm", MATERIALS TODAY: PROCEEDINGS, vol. 45 * |
| 姚洪涛: "复杂道路条件下的车道线检测算法", 计算机应用, vol. 40, no. 2 * |
| 张晓光: "射线检测焊接缺陷的提取和自动识别", 国防工业出版社, pages: 50 * |
| 张浩: "基于车道线宽度特征的车道线识别", 南方论坛, no. 5, pages 46 - 49 * |
| 谭宏强;牛强;: "基于滑动窗口及局部特征的时间序列符号化方法", 计算机应用研究, no. 03 * |
| 郑帅帅: "基于滑动窗口与多帧平均的车道检测算法", 计算机应用与软件, vol. 37, no. 12, pages 145 - 149 * |
| 陈涵深: "基于多帧叠加和窗口搜索的快速车道检测", 计算机科学, vol. 45, no. 10, pages 255 - 260 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886896B (zh) | 一种蓝色车牌分割与矫正方法 | |
| CN101334836B (zh) | 一种融合色彩、尺寸和纹理特征的车牌定位方法 | |
| WO2022027931A1 (zh) | 基于视频图像的运动车辆前景检测方法 | |
| CN106683119B (zh) | 基于航拍视频图像的运动车辆检测方法 | |
| CN106815583B (zh) | 一种基于mser和swt相结合的夜间车辆车牌定位方法 | |
| CN110097522B (zh) | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 | |
| CN110866879A (zh) | 一种基于多密度雨纹感知的图像去雨方法 | |
| CN109948776A (zh) | 一种基于lbp的对抗网络模型图片标签生成方法 | |
| CN112200742A (zh) | 一种应用于边缘检测的滤波去噪方法 | |
| CN111985314B (zh) | 一种基于ViBe与改进LBP的烟雾检测方法 | |
| CN110969164A (zh) | 基于深度学习端对端的低照度成像车牌识别方法及装置 | |
| CN111539980A (zh) | 一种基于可见光的多目标追踪方法 | |
| CN111414938B (zh) | 一种板式换热器内气泡的目标检测方法 | |
| CN110245600A (zh) | 自适应起始快速笔画宽度无人机道路检测方法 | |
| CN114519694A (zh) | 基于深度学习的七段数码管液晶显示屏识别方法及系统 | |
| CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
| CN113128433A (zh) | 颜色迁移匹配特征的视频监控影像增强方法 | |
| CN109241865B (zh) | 一种弱对比度交通场景下的车辆检测分割算法 | |
| CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
| CN113780082A (zh) | 一种基于滑动窗口搜索的车道线检测方法 | |
| CN113449629B (zh) | 基于行车视频的车道线虚实识别装置、方法、设备及介质 | |
| Lin et al. | Locating license plate based on edge features of intensity and saturation subimages | |
| Singh | Texture-based real-time character extraction and recognition in natural images | |
| CN115035397A (zh) | 一种基于水下移动目标识别方法、装置 | |
| Yang et al. | A novel binarization approach for license plate |
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 |