CN113807293B - 减速带的检测方法、系统、设备及计算机可读存储介质 - Google Patents
减速带的检测方法、系统、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113807293B CN113807293B CN202111121839.7A CN202111121839A CN113807293B CN 113807293 B CN113807293 B CN 113807293B CN 202111121839 A CN202111121839 A CN 202111121839A CN 113807293 B CN113807293 B CN 113807293B
- Authority
- CN
- China
- Prior art keywords
- deceleration strip
- profile
- contour
- deflection angle
- deceleration
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 88
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010061274 Malocclusion Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种减速带的检测方法、系统、设备及计算机可读存储介质，所述减速带的检测方法包括：遍历语义分割图像，筛选出包含减速带语义元素的检测图像；于所述检测图像中提取减速带轮廓；校正减速带轮廓的偏转角度，并基于校正的偏转角度，对减速带轮廓进行分类；其中，减速带轮廓的类别包括基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓；在基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓中，查找属于同一减速带的减速带轮廓，并将属于同一减速带的减速带轮廓予以整合，以检测出减速带。本发明可以适应于不同的复杂场景，提高了各种场景的鲁棒性，实现精准定位减速带。
Description
技术领域
本发明属于图像处理技术领域，涉及一种检测方法和系统，特别是涉及一种减速带的检测方法、系统、设备及计算机可读存储介质。
背景技术
减速带作为一种重要的地面交通标志，对减少交通事故和道路管制有着重大意义。无人驾驶技术不断发展，其感知模块也必然绕不开减速带的检测和识别。目前的研究中大多都是传统的图像处理算法，深度学习算法较少。传统的方法大多基于一些特定特征(如几何形状)进行分割提取，复杂环境下的鲁棒性差，而卷积神经网络的特征提取能力强大，能够适应复杂的场景，有研究采用目标检测网络对减速带进行检测，但长条状的减速带检测较为困难，复杂场景(如光线较暗的停车场)容易漏检和误检，位置误差也较大。
因此，如何提供一种减速带的检测方法、系统、设备及计算机可读存储介质，以解决现有技术无法胜任不同复杂的场景，鲁棒性较差，容易漏检和误检，位置误差也较大等缺陷，实已成为本领域技术人员亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种减速带的检测方法、系统、设备及计算机可读存储介质，用于解决现有技术无法胜任不同复杂的场景，鲁棒性较差，容易漏检和误检，位置误差也较大的问题。
为实现上述目的及其他相关目的，本发明一方面提供一种减速带的检测方法，包括：遍历语义分割图像，筛选出包含减速带语义元素的检测图像；于所述检测图像中提取减速带轮廓；校正减速带轮廓的偏转角度，并基于校正的偏转角度，对所述减速带轮廓进行分类；其中，所述减速带轮廓的类别包括基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓；在所述基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓中，查找属于同一减速带的减速带轮廓，并将属于同一减速带的减速带轮廓予以整合，以检测出所述减速带。
于本发明的一实施例中，所述减速带的检测方法还包括：采集环视拼接图像，并将所述环视拼接图像输入预设语义分割网络，以获取所述语义分割图像。
于本发明的一实施例中，所述于所述检测图像中提取减速带轮廓包括于所述检测图像中去除干扰轮廓，保留符合要求的减速带轮廓；所述于所述检测图像中去除干扰轮廓，保留符合要求的减速带轮廓的步骤包括：于所述检测图像中查找所有轮廓，并计算各轮廓最小包围矩形框的面积；将所计算的各轮廓最小包围矩形框的面积与预设面积阈值进行比较，将面积小于预设面积阈值的轮廓定义为干扰轮廓，予以去除；将面积大于等于预设面积阈值的减速带轮廓予以保留。
于本发明的一实施例中，在校正减速带轮廓的偏转角度的步骤之前，所述减速带的检测方法还包括：遍历各个减速带轮廓，将各个减速带轮廓定义为目标轮廓，查找与之距离最近的另一减速带轮廓，并计算两者中心点的横坐标与纵坐标之间的距离，若两者中心点的横坐标之间的距离小于等于一距离阈值，两者中心点的纵坐标小于等于另一距离阈值时，则认为该目标轮廓及与之距离最近的另一减速带轮廓属于同一减速带。
于本发明的一实施例中，校正减速带轮廓的偏转角度的步骤包括：当目标轮廓与之距离最近的另一减速带轮廓的中心点的横坐标之间的距离大于等于纵坐标之间的距离，则判定与之距离最近的另一减速带轮廓位于所述目标轮廓的东西向，并判断该目标轮廓的偏转角度是否与位于其东西向的另一减速带轮廓相匹配；若是，则不操作，转入下一步骤；若否，则校正目标轮廓的偏转角度，使之与位于其东西向的另一减速带轮廓相匹配；当目标轮廓与之距离最近的另一减速带轮廓的中心点的横坐标之间的距离小于纵坐标之间的距离，则判定与之距离最近的另一减速带轮廓位于所述目标轮廓的南北向，并判断该目标轮廓的偏转角度是否与位于其南北向的另一减速带轮廓相匹配；若是，则不操作，转入下一步骤；若否，则校正目标轮廓的偏转角度，使之与位于其南北向的另一减速带轮廓相匹配。
于本发明的一实施例中，从校正的目标轮廓的偏转角度中挑选出最大偏转角度和最小偏转角度，判断最大偏转角度与最小偏转角度的角度偏差是否大于偏差阈值；若否，分类为基于Y坐标的减速带轮廓；若是，则基于减速带轮廓的偏置角度将减速带轮廓分类为基于X坐标的减速带轮廓及基于Y坐标的减速带轮廓。
于本发明的一实施例中，在所述基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓中，查找属于同一减速带的减速带轮廓，并将属于同一减速带的减速带轮廓予以整合，以检测出所述减速带的步骤包括：在基于X坐标的减速带轮廓中，判断基于X坐标的减速带轮廓的中心坐标X坐标的的最大值和最小值之间的差值是否超过预设差值；若是，则表示基于X坐标的减速带轮廓中存在多条平行减速带，则将减速带轮廓的中心坐标的X坐标与预设横坐标阈值进行比较，若大于等于所述预设横坐标阈值，则将X坐标大于等于所述预设横坐标阈值的减速带轮廓整合成一条大的减速带轮廓，并标示出其最小外接矩形；若小于所述预设横坐标阈值，则将X坐标小于所述预设横坐标阈值的减速带轮廓整合成另一条大的减速带轮廓并标示出其最小外接矩形；；在基于Y坐标的减速带轮廓中，判断基于Y坐标的减速带轮廓的中心坐标的最大值和最小值之间的差值是否超过另一预设差值；若是，则表示基于Y坐标的减速带轮廓中存在多条平行减速带，则将减速带轮廓的中心坐标的Y坐标与预设横坐标阈值进行比较，若大于等于所述预设纵坐标阈值，则表示相互平行的减速带无法整合；若小于所述预设纵坐标阈值，则表示表示相互平行的减速带可以整合在一起，并标示出整条减速带的最小外接矩形；若否，则表示基于Y坐标的减速带轮廓都属于同一减速带的减速带轮廓，并标示出整条减速带的最小外接矩形。
本发明另一方面提供一种减速带的检测系统，包括：预处理模块，用于遍历语义分割图像，筛选出包含减速带语义元素的检测图像；轮廓提取模块，用于于所述检测图像中提取减速带轮廓；校正分类模块，用于校正减速带轮廓的偏转角度，并基于校正的偏转角度，对所述减速带轮廓进行分类；其中，所述减速带轮廓的类别包括基于X坐标的减速带轮廓和基于Y坐标的减速带轮廓；检测模块，用于在所述基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓中，查找属于同一减速带的减速带轮廓，并将属于同一减速带的减速带轮廓予以整合，以检测出所述减速带。
本发明又一方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述减速带的检测方法。
本发明最后一方面提供一种减速带的检测设备，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述减速带的检测设备执行所述减速带的检测方法。
如上所述，本发明所述的减速带的检测方法、系统、设备及计算机可读存储介质，具有以下有益效果：
本发明所述减速带的检测方法、系统、设备及计算机可读存储介质考虑了多种场景，例如，单个或多个，垂直或平行，对语义分割结果的要求不高，除采用轮廓查找和最小外接矩形计算，其余计算量很小，可以适应于不同的复杂场景，提高了各种场景的鲁棒性，实现精准定位减速带。
附图说明
图1显示为本发明的减速带的检测方法于一实施例中的流程示意图。
图2显示为本发明的语义分割图像的示例图。
图3显示为本发明的包含减速带语义元素的检测图像的示例图。
图4显示为本发明的轮廓查找的示例图。
图5显示为本发明的减速带的检测方法中S15的流程示意图。
图6显示为本发明的减速带轮廓整合结果示例图。
图7显示为本发明的减速带的检测系统于一实施例中的原理机构示意图。
元件标号说明
7 减速带的检测系统
71 图像获取模块
72 预处理模块
73 轮廓提取模块
74 校正分类模块
75 检测模块
S11～S16 步骤
S151～S159 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明提供的减速带的检测方法、系统、设备及计算机可读存储介质的技术原理如下：
首先，基于语义分割图先提取出减速带语义信息后，通过轮廓查找算法得到所有轮廓的轮廓边界点集，以及各轮廓最小外接矩形，每个轮廓属性包含矩形的四个角点坐标以及矩形的偏转角度A(长边与图像x轴的夹角)，过滤掉面积很小的轮廓，去除干扰。
接着，通过轮廓偏转角分类，假定属于与水平夹角小于45°的减速带的轮廓矩形，它们的偏转角度也小于45°，属于与水平夹角大于45°的减速带的轮廓矩形，它们的偏转角度则应该大于45°，以此区分出属于不同减速带的各个轮廓。
最后，角度分类之后，继续判断是否存在相互平行的多减速带情况。小于45°的一类基于y坐标进行分类：如果这些轮廓框中心点y坐标的最大值和最小值相差超过预设阈值，则认为存在相互平行的不同减速带，然后基于y坐标对轮廓分类；大于45°的一类基于x坐标进行分类：如果这些轮廓框中心点x坐标的最大值和最小值相差超过预设阈值，则认为存在相互平行的不同减速带，然后基于x坐标对轮廓分类。分类结束把每一类的减速带轮廓整合为一个轮廓，得到相应整条减速带的最小外接矩形。
实施例一
本实施例提供一种减速带的检测方法，包括：
遍历语义分割图像，筛选出包含减速带语义元素的检测图像；
于所述检测图像中提取减速带轮廓；
校正减速带轮廓的偏转角度，并基于校正的偏转角度，对所述减速带轮廓进行分类；其中，所述减速带轮廓的类别包括基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓；
在所述基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓中，查找属于同一减速带的减速带轮廓，并将属于同一减速带的减速带轮廓予以整合，以检测出所述减速带。
以下将集合图示对本实施例所提供的减速带的检测方法进行详细描述。请参阅图1，显示为减速带的检测方法于一实施例中的流程示意图。如图1所示，所述减速带的检测方法具体包括以下步骤：
S11，采集环视拼接图像，并将所述环视拼接图像输入预设语义分割网络，以获取语义分割图像，如图2所示语义分割图像一示例图。
在本实施例中，所述环视拼接图像为图像采集设备，例如，自动驾驶汽车四路鱼眼摄像头所采集的图像再进行环视拼接而成的图像数据。
S12，遍历语义分割图像，在所述语义分割图像中根据RGB阈值提取减速带语义元素，筛选出包含减速带语义元素的检测图像，如图3所示检测图像。
S13，于所述检测图像中提取减速带轮廓。具体地，所述S13包括通过轮廓查找算法于所述检测图像中查找所有轮廓，并通过最小外接矩形算法去除干扰轮廓，保留符合要求的减速带轮廓，获取减速带轮廓的中心点坐标、高宽和偏转角度。请参阅图4，显示为轮廓查找的示例图。
具体地，将所计算的各轮廓最小包围矩形框的面积与预设面积阈值进行比较，将面积小于预设面积阈值的轮廓定义为干扰轮廓，予以去除；将面积大于等于预设面积阈值的减速带轮廓予以保留(符合要求的减速带轮廓为最小包围矩形框的面积大于等于预设面积阈值的减速带轮廓)。
在本实施例中，所述轮廓查找算法采用opencv的查找轮廓算法findContours。最小外接矩形算法采用opencv的最小外接矩形算法minAreaRect。在本发明中凡是可以实现轮廓查找，计算轮廓的最小外接矩形的方法均适用于本发明。
S14，遍历各个减速带轮廓，将各个减速带轮廓定义为目标轮廓，查找与之距离最近的另一减速带轮廓，并计算两者中心点的横坐标与纵坐标之间的距离，判断两者中心点的横坐标之间的距离是否小于等于一距离阈值，同时两者中心点的纵坐标小于等于另一距离阈值；若是，则认为该目标轮廓及与之距离最近的另一减速带轮廓属于同一减速带。若否，则认为该目标轮廓及与之距离最近的另一减速带轮廓属于两个不同的减速带，不操作。
在本实施例中，两者中心点的横坐标与纵坐标之间的距离可采用欧式距离。
S15，校正减速带轮廓的偏转角度，并基于校正的偏转角度，对所述减速带轮廓进行分类；其中，所述减速带轮廓的类别包括基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓。本实施例，基于减速带轮廓的偏转角度来对减速带轮廓进行分类，可以应对更复杂的减速带场景。
在本实施例中，由于地下停车场路口存在减速带互相垂直的场景，需要区分出属于不同减速带的各个轮廓。因为，趋向于平缓，呈东西向的减速带轮廓的偏置角度应在(0°，45°)范围内，趋向于垂直，呈南北向的减速带轮廓的偏置角度应在(45°，90°)范围内。
请参阅图5，显示为S15的流程示意图。如图5所示，所述S15包括：
S151，判断目标轮廓与之距离最近的另一减速带轮廓的中心点的横坐标X之间的距离是否大于等于纵坐标Y之间的距离；若是，则判定与之距离最近的另一减速带轮廓位于所述目标轮廓的东西向，并继续执行S152；若否，则执行S152’。
S152，判断该目标轮廓的偏转角度是否与位于其东西向的另一减速带轮廓相匹配；若是，则不校正偏置角度，转入分类为基于Y坐标的减速带轮廓的步骤，即S157；若否，则执行S153。
在本实施例中，判断该目标轮廓的偏转角度是否与位于其东西向的另一减速带轮廓相匹配的标准为目标轮廓的偏转角度应在(0°，45°)范围内。
S153，校正目标轮廓的偏转角度，使之与位于其东西向的另一减速带轮廓相匹配。
校正目标轮廓的偏转角度，使之与位于其东西向的另一减速带轮廓相匹配的步骤为：
将目标轮廓的偏转角度校正为90°减去原始的偏转角度，从而使其位于(0°，45°)范围内。
S152’，当目标轮廓与之距离最近的另一减速带轮廓的中心点的横坐标之间的距离小于纵坐标之间的距离，则判定与之距离最近的另一减速带轮廓位于所述目标轮廓的南北向，并继续判断该目标轮廓的偏转角度是否与位于其南北向的另一减速带轮廓相匹配，若否，则执行S154；若是，则不校正偏置角度，转入分类为基于X坐标的减速带轮廓，即S156中将减速带轮廓分类为基于X坐标的减速带轮廓。
在本实施例中，判断该目标轮廓的偏转角度是否与位于其南北向的另一减速带轮廓相匹配的标准为目标轮廓的偏转角度应在(45°，90°)范围内。
S154，校正目标轮廓的偏转角度，使之与位于其南北向的另一减速带轮廓相匹配。
校正目标轮廓的偏转角度，使之与位于其南北向的另一减速带轮廓相匹配的步骤包括：
将目标轮廓的偏转角度校正为90°减去原始的偏转角度，从而使其位于(45°，90°)范围内。
S155，从校正的目标轮廓的偏转角度中挑选出最大偏转角度和最小偏转角度，判断最大偏转角度与最小偏转角度的角度偏差是否大于偏差阈值；若是，执行S156；若否，则执行S157。
S156，基于减速带轮廓的偏置角度将减速带轮廓分类为基于X坐标的减速带轮廓及基于Y坐标的减速带轮廓。
具体地，将轮廓的偏置角度位于(45°，90°)范围内的减速带轮廓划分为基于X坐标的减速带轮廓；将轮廓的偏置角度位于(0°，45°)范围内的减速带轮廓划分基于Y坐标的减速带轮廓
S157，分类为将减速带轮廓基于Y坐标。
S16，在所述基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓中，查找属于同一减速带的减速带轮廓，并将属于同一减速带的减速带轮廓予以整合，以检测出所述减速带。
具体地，在基于X坐标的减速带轮廓中，判断基于X坐标的减速带轮廓的中心坐标的最大值和最小值之间的差值是否超过预设差值；若是，则表示基于X坐标的减速带轮廓中存在多条平行减速带，则将减速带轮廓的中心坐标的X坐标与预设横坐标阈值进行比较，若大于等于所述预设横坐标阈值，则将X坐标大于等于所述预设横坐标阈值的减速带轮廓整合成一条大的减速带轮廓，并标示出其最小外接矩形；若小于所述预设横坐标阈值，则将X坐标小于所述预设横坐标阈值的减速带轮廓整合成另一条大的减速带轮廓并标示出其最小外接矩形。请参阅图6，显示为减速带轮廓整合结果示例图。如图6所示，通过最小外接矩形的四个角点坐标可以使得自动驾驶汽车在行驶时准确实时检测出减速带位置，及时作出减速操作。
在基于Y坐标的减速带轮廓中，判断基于Y坐标的减速带轮廓的中心坐标的最大值和最小值之间的差值是否超过另一预设差值；若是，则表示基于Y坐标的减速带轮廓中存在多条平行减速带，则将减速带轮廓的中心坐标的Y坐标与预设横坐标阈值进行比较，若大于等于所述预设纵坐标阈值，则表示相互平行的减速带无法整合；若小于所述预设纵坐标阈值，则表示表示相互平行的减速带可以整合在一起，并标示出整条减速带的最小外接矩形；若否，则表示基于Y坐标的减速带轮廓都属于同一减速带的减速带轮廓，并标示出整条减速带的最小外接矩形。
本实施例所述减速带的检测方法考虑了多种场景，例如，单个或多个，垂直或平行，对语义分割结果的要求不高，除采用轮廓查找和最小外接矩形计算，其余计算量很小，可以适应于不同的复杂场景，提高了各种场景的鲁棒性，实现精准定位减速带。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的减速带的检测方法。
在任何可能的技术细节结合层面，本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本申请的各个方面。
实施例二
本实施例还提供一种减速带的检测系统，包括：
预处理模块，用于遍历语义分割图像，筛选出包含减速带语义元素的检测图像；
轮廓提取模块，用于于所述检测图像中提取减速带轮廓；
校正分类模块，用于校正减速带轮廓的偏转角度，并基于校正的偏转角度，对所述减速带轮廓进行分类；其中，所述减速带轮廓的类别包括基于X坐标的减速带轮廓和基于Y坐标的减速带轮廓；
检测模块，用于在所述基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓中，查找属于同一减速带的减速带轮廓，并将属于同一减速带的减速带轮廓予以整合，以检测出所述减速带。
请参阅图7，显示为减速带的检测系统于一实施例中的原理结构示意图。如图7所示，所述减速带的检测系统7包括：图像获取模块71、预处理模块72、轮廓提取模块73、校正分类模块74及检测模块75。
所述图像获取模块71用于采集环视拼接图像，并将所述环视拼接图像输入预设语义分割网络，以获取语义分割图像。
所述预处理模块72用于遍历语义分割图像，在所述语义分割图像中根据RGB阈值提取减速带语义元素，筛选出包含减速带语义元素的检测图像。
所述轮廓提取模块73用于于所述检测图像中提取减速带轮廓。
具体地，所述轮廓提取模块73通过轮廓查找算法于所述检测图像中查找所有轮廓，并通过最小外接矩形算法去除干扰轮廓，保留符合要求的减速带轮廓，获取减速带轮廓的中心点坐标、高宽和偏转角度。
具体地，所述轮廓提取模块73将所计算的各轮廓最小包围矩形框的面积与预设面积阈值进行比较，将面积小于预设面积阈值的轮廓定义为干扰轮廓，予以去除；将面积大于等于预设面积阈值的减速带轮廓予以保留(符合要求的减速带轮廓为最小包围矩形框的面积大于等于预设面积阈值的减速带轮廓)。
在校正偏转角度之前，所述校正分类模块74用于遍历各个减速带轮廓，将各个减速带轮廓定义为目标轮廓，查找与之距离最近的另一减速带轮廓，并计算两者中心点的横坐标与纵坐标之间的距离，判断两者中心点的横坐标之间的距离是否小于等于一距离阈值，同时两者中心点的纵坐标小于等于另一距离阈值；若是，则认为该目标轮廓及与之距离最近的另一减速带轮廓属于同一减速带。若否，则认为该目标轮廓及与之距离最近的另一减速带轮廓属于两个不同的减速带，不操作。
所述校正分类模块74用于校正减速带轮廓的偏转角度，并基于校正的偏转角度，对所述减速带轮廓进行分类；其中，所述减速带轮廓的类别包括基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓。
具体地，当目标轮廓与之距离最近的另一减速带轮廓的中心点的横坐标之间的距离大于等于纵坐标之间的距离，所述校正分类模块74则判定与之距离最近的另一减速带轮廓位于所述目标轮廓的东西向，并判断该目标轮廓的偏转角度是否与位于其东西向的另一减速带轮廓相匹配；若是，则不校正偏置角度，分类为基于Y坐标的减速带轮廓；若否，则校正目标轮廓的偏转角度，使之与位于其东西向的另一减速带轮廓相匹配；
当目标轮廓与之距离最近的另一减速带轮廓的中心点的横坐标之间的距离小于纵坐标之间的距离，所述校正分类模块74则判定与之距离最近的另一减速带轮廓位于所述目标轮廓的南北向，并判断该目标轮廓的偏转角度是否与位于其南北向的另一减速带轮廓相匹配；若是，则不校正偏置角度，分类为基于X坐标的减速带轮廓；若否，则校正目标轮廓的偏转角度，使之与位于其南北向的另一减速带轮廓相匹配。
所述校正分类模块74从校正的目标轮廓的偏转角度中挑选出最大偏转角度和最小偏转角度，判断最大偏转角度与最小偏转角度的角度偏差是否大于偏差阈值；若否，分类为基于Y坐标的减速带轮廓；若是，则基于减速带轮廓的偏置角度将减速带轮廓分类为基于X坐标的减速带轮廓及基于Y坐标的减速带轮廓。
所述检测模块75用于在所述基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓中，查找属于同一减速带的减速带轮廓，并将属于同一减速带的减速带轮廓予以整合，以检测出所述减速带。
具体地，所述检测模块75在基于X坐标的减速带轮廓中，判断基于X坐标的减速带轮廓的中心坐标的最大值和最小值之间的差值是否超过预设差值；若是，则表示基于X坐标的减速带轮廓中存在多条平行减速带，则将减速带轮廓的中心坐标的X坐标与预设横坐标阈值进行比较，若大于等于所述预设横坐标阈值，则将X坐标大于等于所述预设横坐标阈值的减速带轮廓整合成一条大的减速带轮廓，并标示出其最小外接矩形；若小于所述预设横坐标阈值，则将X坐标小于所述预设横坐标阈值的减速带轮廓整合成另一条大的减速带轮廓并标示出其最小外接矩形；若否，则表示基于X坐标的减速带轮廓都属于同一减速带的减速带轮廓，并标示出整条减速带的最小外接矩形。
所述检测模块75在基于Y坐标的减速带轮廓中，判断基于Y坐标的减速带轮廓的中心坐标的最大值和最小值之间的差值是否超过另一预设差值；若是，则表示基于Y坐标的减速带轮廓中存在多条平行减速带，则将减速带轮廓的中心坐标的Y坐标与预设横坐标阈值进行比较，若大于等于所述预设纵坐标阈值，则表示相互平行的减速带无法整合；若小于所述预设纵坐标阈值，则表示表示相互平行的减速带可以整合在一起，并标示出整条减速带的最小外接矩形；若否，则表示基于Y坐标的减速带轮廓都属于同一减速带的减速带轮廓，并标示出整条减速带的最小外接矩形。
需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现，也可以全部以硬件的形式实现，还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如：x模块可以为单独设立的处理元件，也可以集成在上述系统的某一个芯片中实现。此外，x模块也可以以程序代码的形式存储于上述系统的存储器中，由上述系统的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，一个或多个微处理器(Digital Singnal Processor，简称DSP)，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。这些模块可以集成在一起，以片上系统(System-on-a-chip，简称SOC)的形式实现。
实施例三
本实施例提供一种减速带的检测设备，所述减速带的检测设备包括：处理器、存储器、收发器、通信接口或/和系统总线；存储器和通信接口通过系统总线与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于和其他设备进行通信，处理器和收发器用于运行计算机程序，使减速带的检测设备执行如实施例一所述减速带的检测方法的各个步骤。在本实施例中，所述减速带的检测设备为自动驾驶汽车的车载终端。
上述提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明所述的减速带的检测方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明还提供一种减速带的检测系统，所述减速带的检测系统可以实现本发明所述的减速带的检测方法，但本发明所述的减速带的检测方法的实现装置包括但不限于本实施例列举的减速带的检测系统的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。
综上所述，本发明所述减速带的检测方法、系统、设备及计算机可读存储介质考虑了多种场景，例如，单个或多个，垂直或平行，对语义分割结果的要求不高，除采用轮廓查找和最小外接矩形计算，其余计算量很小，可以适应于不同的复杂场景，提高了各种场景的鲁棒性，实现精准定位减速带。本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种减速带的检测方法，其特征在于，包括：
遍历语义分割图像，筛选出包含减速带语义元素的检测图像；
于所述检测图像中去除干扰轮廓，保留符合要求的减速带轮廓；将各个减速带轮廓定义为目标轮廓；
校正减速带轮廓的偏转角度，并基于校正的偏转角度，对所述减速带轮廓进行分类；其中，所述减速带轮廓的类别包括基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓；
在基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓中，查找属于同一减速带的减速带轮廓，并将属于同一减速带的减速带轮廓予以整合，以检测出所述减速带；
校正减速带轮廓的偏转角度的步骤包括：
当目标轮廓与之距离最近的另一减速带轮廓的中心点的横坐标之间的距离大于等于纵坐标之间的距离，则判定与之距离最近的另一减速带轮廓位于所述目标轮廓的东西向，并判断该目标轮廓的偏转角度是否与位于其东西向的另一减速带轮廓相匹配；若是，则不校正偏转角度，转入分类为基于Y坐标的减速带轮廓的步骤；若否，则校正目标轮廓的偏转角度，使之与位于其东西向的另一减速带轮廓相匹配；
当目标轮廓与之距离最近的另一减速带轮廓的中心点的横坐标之间的距离小于纵坐标之间的距离，则判定与之距离最近的另一减速带轮廓位于所述目标轮廓的南北向，并判断该目标轮廓的偏转角度是否与位于其南北向的另一减速带轮廓相匹配；若是，则不校正偏转角度，转入分类为基于X坐标的减速带轮廓的步骤；若否，则校正目标轮廓的偏转角度，使之与位于其南北向的另一减速带轮廓相匹配。
2.根据权利要求1所述的减速带的检测方法，其特征在于，所述减速带的检测方法还包括：
采集环视拼接图像，并将所述环视拼接图像输入预设语义分割网络，以获取所述语义分割图像。
3.根据权利要求1所述的减速带的检测方法，其特征在于，于所述检测图像中去除干扰轮廓，保留符合要求的减速带轮廓的步骤包括：
于所述检测图像中查找所有轮廓，并计算各轮廓最小包围矩形框的面积；
将所计算的各轮廓最小包围矩形框的面积与预设面积阈值进行比较，将面积小于预设面积阈值的轮廓定义为干扰轮廓，予以去除；将面积大于等于预设面积阈值的减速带轮廓予以保留。
4.根据权利要求1所述的减速带的检测方法，其特征在于，在校正减速带轮廓的偏转角度的步骤之前，所述减速带的检测方法还包括：
遍历所述目标轮廓，查找与之距离最近的另一减速带轮廓，并计算两者中心点的横坐标与纵坐标之间的距离，若两者中心点的横坐标之间的距离小于等于一距离阈值，两者中心点的纵坐标小于等于另一距离阈值时，则认为该目标轮廓及与之距离最近的另一减速带轮廓属于同一减速带。
5.根据权利要求1所述的减速带的检测方法，其特征在于，基于校正的偏转角度，对所述减速带轮廓进行分类的步骤包括：
从校正的目标轮廓的偏转角度中挑选出最大偏转角度和最小偏转角度，判断最大偏转角度与最小偏转角度的角度偏差是否大于偏差阈值；若否，分类为基于Y坐标的减速带轮廓；若是，则基于减速带轮廓的偏置角度将减速带轮廓分类为基于X坐标的减速带轮廓及基于Y坐标的减速带轮廓。
6.根据权利要求5所述的减速带的检测方法，其特征在于，在所述基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓中，查找属于同一减速带的减速带轮廓，并将属于同一减速带的减速带轮廓予以整合，以检测出所述减速带的步骤包括：
在基于X坐标的减速带轮廓中，判断基于X坐标的减速带轮廓的中心坐标X坐标的最大值和最小值之间的差值是否超过预设差值；若是，则表示基于X坐标的减速带轮廓中存在多条平行减速带，则将减速带轮廓的中心坐标的X坐标与预设横坐标阈值进行比较，若大于等于所述预设横坐标阈值，则将X坐标大于等于所述预设横坐标阈值的减速带轮廓整合成一条大的减速带轮廓，并标示出其最小外接矩形；若小于所述预设横坐标阈值，则将X坐标小于所述预设横坐标阈值的减速带轮廓整合成另一条大的减速带轮廓并标示出其最小外接矩形；若否，则表示基于X坐标的减速带轮廓都属于同一减速带的减速带轮廓，并标示出整条减速带的最小外接矩形；
在基于Y坐标的减速带轮廓中，判断基于Y坐标的减速带轮廓的中心坐标Y坐标的最大值和最小值之间的差值是否超过另一预设差值；若是，则表示基于Y坐标的减速带轮廓中存在多条平行减速带，则将减速带轮廓的中心坐标的Y坐标与预设纵坐标阈值进行比较，若大于等于所述预设纵坐标阈值，则表示相互平行的减速带无法整合；若小于所述预设纵坐标阈值，则表示表示相互平行的减速带可以整合在一起，并标示出整条减速带的最小外接矩形；若否，则表示基于Y坐标的减速带轮廓都属于同一减速带的减速带轮廓，并标示出整条减速带的最小外接矩形。
7.一种减速带的检测系统，其特征在于，包括：
预处理模块，用于遍历语义分割图像，筛选出包含减速带语义元素的检测图像；
轮廓提取模块，用于于所述检测图像中去除干扰轮廓，保留符合要求的减速带轮廓；将各个减速带轮廓定义为目标轮廓；
校正分类模块，用于校正减速带轮廓的偏转角度，并基于校正的偏转角度，对所述减速带轮廓进行分类；其中，所述减速带轮廓的类别包括基于X坐标的减速带轮廓和基于Y坐标的减速带轮廓；
检测模块，用于在所述基于X坐标的减速带轮廓和/或基于Y坐标的减速带轮廓中，查找属于同一减速带的减速带轮廓，并将属于同一减速带的减速带轮廓予以整合，以检测出所述减速带；
校正减速带轮廓的偏转角度的步骤包括：
当目标轮廓与之距离最近的另一减速带轮廓的中心点的横坐标之间的距离大于等于纵坐标之间的距离，则判定与之距离最近的另一减速带轮廓位于所述目标轮廓的东西向，并判断该目标轮廓的偏转角度是否与位于其东西向的另一减速带轮廓相匹配；若是，则不校正偏转角度，转入分类为基于Y坐标的减速带轮廓的步骤；若否，则校正目标轮廓的偏转角度，使之与位于其东西向的另一减速带轮廓相匹配；
当目标轮廓与之距离最近的另一减速带轮廓的中心点的横坐标之间的距离小于纵坐标之间的距离，则判定与之距离最近的另一减速带轮廓位于所述目标轮廓的南北向，并判断该目标轮廓的偏转角度是否与位于其南北向的另一减速带轮廓相匹配；若是，则不校正偏转角度，转入分类为基于X坐标的减速带轮廓的步骤；若否，则校正目标轮廓的偏转角度，使之与位于其南北向的另一减速带轮廓相匹配。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至6中任一项所述减速带的检测方法。
9.一种减速带的检测设备，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述减速带的检测设备执行如权利要求1至6中任一项所述减速带的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111121839.7A CN113807293B (zh) | 2021-09-24 | 2021-09-24 | 减速带的检测方法、系统、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111121839.7A CN113807293B (zh) | 2021-09-24 | 2021-09-24 | 减速带的检测方法、系统、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113807293A CN113807293A (zh) | 2021-12-17 |
| CN113807293B true CN113807293B (zh) | 2024-02-09 |
Family
ID=78896707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111121839.7A Active CN113807293B (zh) | 2021-09-24 | 2021-09-24 | 减速带的检测方法、系统、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113807293B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895376A (zh) * | 2017-12-11 | 2018-04-10 | 福州大学 | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 |
| CN111144322A (zh) * | 2019-12-28 | 2020-05-12 | 广东拓斯达科技股份有限公司 | 一种分拣方法、装置、设备和存储介质 |
| CN111738040A (zh) * | 2019-06-25 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种减速带识别方法及系统 |
| CN112884764A (zh) * | 2021-03-24 | 2021-06-01 | 深圳前海微众银行股份有限公司 | 提取图像中地块的方法、装置、电子设备及存储介质 |
| CN112883948A (zh) * | 2021-05-06 | 2021-06-01 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种语义分割与边缘检测模型建立及护栏异常监测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10410353B2 (en) * | 2017-05-18 | 2019-09-10 | Mitsubishi Electric Research Laboratories, Inc. | Multi-label semantic boundary detection system |
-
2021
- 2021-09-24 CN CN202111121839.7A patent/CN113807293B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895376A (zh) * | 2017-12-11 | 2018-04-10 | 福州大学 | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 |
| CN111738040A (zh) * | 2019-06-25 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种减速带识别方法及系统 |
| CN111144322A (zh) * | 2019-12-28 | 2020-05-12 | 广东拓斯达科技股份有限公司 | 一种分拣方法、装置、设备和存储介质 |
| CN112884764A (zh) * | 2021-03-24 | 2021-06-01 | 深圳前海微众银行股份有限公司 | 提取图像中地块的方法、装置、电子设备及存储介质 |
| CN112883948A (zh) * | 2021-05-06 | 2021-06-01 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种语义分割与边缘检测模型建立及护栏异常监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孔倩倩 ; 赵辽英 ; 张莉 ; .基于图像轮廓分析的室内窗户检测.计算机与现代化.2018,(04),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113807293A (zh) | 2021-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10395377B2 (en) | Systems and methods for non-obstacle area detection | |
| EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| CN111444921A (zh) | 划痕缺陷检测方法、装置、计算设备和存储介质 | |
| Yuan et al. | Robust lane detection for complicated road environment based on normal map | |
| CN111382704B (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
| US9076242B2 (en) | Automatic correction of skew in natural images and video | |
| US20140003723A1 (en) | Text Detection Devices and Text Detection Methods | |
| KR20150112656A (ko) | 카메라 캘리브레이션 방법 및 그 장치 | |
| CN115049700A (zh) | 一种目标检测方法及装置 | |
| KR101997048B1 (ko) | 물류 관리를 위한 원거리 다수의 코드 인식 방법 및 이를 이용한 코드 인식 장치 | |
| Van Pham et al. | Front-view car detection and counting with occlusion in dense traffic flow | |
| CN111738033B (zh) | 基于平面分割的车辆行驶信息确定方法及装置、车载终端 | |
| CN113963330A (zh) | 障碍物检测方法、装置、电子设备及存储介质 | |
| Farag | A comprehensive real-time road-lanes tracking technique for autonomous driving | |
| CN112598922A (zh) | 车位检测方法、装置、设备及存储介质 | |
| CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
| WO2020001631A1 (zh) | 基于视觉摄像机的自阴影物体边缘识别方法、装置及车辆 | |
| CN112699711A (zh) | 车道线检测方法、装置、存储介质及电子设备 | |
| CN113807293B (zh) | 减速带的检测方法、系统、设备及计算机可读存储介质 | |
| CN116721396A (zh) | 车道线检测方法、设备及存储介质 | |
| CN108615025B (zh) | 家居环境下门识别定位方法、系统以及机器人 | |
| CN113449745B (zh) | 标定物图像中标记物的识别方法、装置、设备及可读介质 | |
| CN112101139B (zh) | 人形检测方法、装置、设备及存储介质 | |
| CN111765892B (zh) | 一种定位方法、装置、电子设备及计算机可读存储介质 | |
| CN111767751B (zh) | 二维码图像识别方法和装置 |
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 |