CN114758310A - 一种基于高速监控相机的车道线检测方法、系统及装置 - Google Patents
一种基于高速监控相机的车道线检测方法、系统及装置 Download PDFInfo
- Publication number
- CN114758310A CN114758310A CN202210659901.6A CN202210659901A CN114758310A CN 114758310 A CN114758310 A CN 114758310A CN 202210659901 A CN202210659901 A CN 202210659901A CN 114758310 A CN114758310 A CN 114758310A
- Authority
- CN
- China
- Prior art keywords
- lane line
- image
- training
- monitoring camera
- lane
- 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
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像识别技术领域，具体涉及一种基于高速监控相机的车道线检测方法、系统及装置，方法包括获取高速监控相机采集的图像信息；对所述图像信息进行去模糊处理，得到高分辨率图像；将所述高分辨率图像放入训练好的深度卷积神经网络，进行车道线检测，得到车道线的位置点；将得到的车道线的位置点形成车道线点集，得到车道线区域，在车道线区域中进行车道线拟合。本发明提供的一种基于高速监控相机的车道线检测方法、系统及装置，便于更好地提取车道线，建立车道线模型，进行车道线检测。
Description
技术领域
本发明涉及图像识别技术领域，具体涉及一种基于高速监控相机的车道线检测方法、系统及装置。
背景技术
近年来，随着城市的发展，机动车数量不断增加，各种交通违规违章现象也随之增多，例如应急车道占用、跨实线变道、逆向行驶等，这些违规行为的分析基础是车道线检测。现有的车道线检测主要是基于自动驾驶。
然而，高速公路上的监控相机拍摄的车道，不同于自动驾驶中行车记录仪拍摄的车道。首先，高速公路上高空监控相机对双向车道线均可拍到，但自动驾驶中行车记录仪一般只可拍摄到汽车行驶车道以及左右两侧的车道；其次，高空拍摄的车道线，远处亦有明显的分界，行车记录仪拍摄的车道线，远处汇聚于一点。
监控相机拍摄的车道线图像在低光照、雨雾、运动和欠采样等客观原因下，图像会有模糊现象，需要进行去模糊处理，但图像去模糊处理效果较差，提取车道线效果不好，就会影响车道线检测。
发明内容
本发明的目的是为克服上述技术的不足，提供一种基于高速监控相机的车道线检测方法、系统及装置，用于车道线的检测。
本发明解决其技术问题所采用的技术方案是：
第一方面，本发明提供了一种基于高速监控相机的车道线检测方法，包括：
获取高速监控相机采集的图像信息；
对所述图像信息进行去模糊处理，得到高分辨率图像；
将所述高分辨率图像放入训练好的深度卷积神经网络，进行车道线检测，得到车道线的位置点；
将得到的车道线的位置点形成车道线点集，得到车道线区域，在车道线区域中进行车道线拟合。
图像信息为高速监控相机拍摄的，高速指的是高速公路，高速上的监控相机一般安装在距离地面高度为5-10米，将其传输到电脑终端，在电脑终端对图像信息进行去模糊处理，从而得到高分辨率图像，经过去模糊处理的图像信息更有利于进行下一步的车道线检测，得到更好的检测效果。
优选的，所述去模糊处理通过DeblurGAN去模糊，基本步骤包括：
设定训练参数和预定损失函数，构建初始生成式对抗网络，所述生成式对抗网络包括生成器和判别网络；
采集训练样本集，所述训练样本集包括个体图像样本和对应的低分辨率图像；
将所述低分辨率图像输入所述生成器中，生成清晰图像；
通过所述判别网络衡量生成的清晰图像与所述个体图像样本的距离，以最小方差LSGAN作为损失函数，不断训练来调整优化训练参数，得到训练好的生成式对抗网络；
将所述低分辨率图像与所述清晰图像输入所述训练好的生成式对抗网络，将所述低分辨率图像与清晰图像反复迭代对抗，通过对抗形式重构出清晰的图像IS，从而达到去模糊的效果。
优选的，所述深度卷积神经网络的训练步骤包括：
设置训练参数和训练学习率，构建初始深度卷积神经网络，对初始深度卷积神经网络进行权值初始化，生成初始权重；
采集训练图像样本，将所述训练图像样本作为输入数据输入初始深度卷积神经网络，得到输出值；
将输出值与预设的目标值相比较，得到误差值，当误差值高于设定的目标值时，生成训练因子，通过训练因子对初始权重进行调整；直到误差值低于或等于设定的目标值时，结束训练，得到训练好的深度卷积神经网络。
优选的，所述车道线拟合的步骤包括：
获取大量高速监控相机采集的图像样本，所述图像样本包括车道线图像；
获取所述车道线图像中车道线的RGB图像信息；
对所述RGB图像进行标注，训练车道线检测模型；
将图像送进车道线检测模型，得到车道线位置点；
对所述RGB图像信息进行区域二值化处理，得到车道线区域；
在所述车道线区域中对得到的车道线位置点进行过滤，得到真正的位置点，对得到的真正的位置点进行车道线拟合。
优选的，所述区域二值化处理的步骤包括：
对所述RGB图像信息进行灰度化处理，得到灰度图像；
对所述灰度图像进行区域分隔，得到多个区域，获取每个区域的最佳动态阈值，区域中小于阈值的像素点的值，全部设置为0，其余像素点的值设置为255，从而得到二值化图像；
通过所述二值化图像将车道线分离出来，得到车道线区域。
第二方面，本发明提供了一种基于高速监控相机的车道线检测系统，包括：图像获取模块、图像处理模块、检测模块和拟合模块，
所述图像获取模块用于获取高速监控相机采集的图像信息，并将所述图像信息传输给所述图像处理模块；
所述图像处理模块对所述图像信息进行去模糊处理，得到高分辨率图像；
所述检测模块与所述图像处理模块相连，用于接收并对所述高分辨率图像进行车道线检测；
所述拟合模块与所述检测模块相连，用于将得到的车道线的位置点形成车道线点集，得到车道线区域，在车道线区域中进行车道线拟合。
第三方面，本发明提供了一种基于高速监控相机的车道线检测装置，包括：
存储器，用于存储一个或多个程序；
一个或多个处理器，所述处理器中执行一个或多个程序，使得所述处理器实现上述任一所述的车道线检测方法。
与现有技术相比，本发明的有益效果如下：
1.该基于高速监控相机的车道线检测方法，在对图像信息进行去模糊处理，得到高分辨率图像步骤中，针对图像信息进行去模糊处理，主要利用了DeblurGAN方法去模糊，使得图片处理得更加清晰，更易于识别出车道线。
2.该基于高速监控相机的车道线检测方法，在二值化处理的过程中，对灰度图像进行了区域分隔，获取了每个区域中的最佳动态阈值，根据阈值标记像素点，得到二值化图像，将车道线分离出来，得到车道线区域。
3.该基于高速监控相机的车道线检测系统，包括图像获取模块、图像处理模块、检测模块和拟合模块，设置的各个模块相互配合，便于更好地处理图像，进行车道线检测，并进行车道线拟合。
附图说明
图1为本发明实施例1提供的基于高速监控相机的车道线检测方法的流程图；
图2为本发明实施例1提供的基于高速监控相机的车道线检测方法中去模糊处理的流程图；
图3本发明实施例1提供的基于高速监控相机的车道线检测方法中深度卷积神经网络的训练的流程图；
图4本发明实施例1提供的基于高速监控相机的车道线检测方法中车道线拟合的流程图；
图5本发明实施例1提供的基于高速监控相机的车道线检测方法中二值化处理的流程图；
图6为本发明实施例1提供的基于高速监控相机的车道线检测系统的结构框图；
图7为本发明实施例1提供的基于高速监控相机的车道线检测装置的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。
参照图1，一种基于高速监控相机的车道线检测方法，包括：
S1.获取高速监控相机采集的图像信息；
具体的，高速指的是高速公路，高速上的监控相机一般安装在距离地面高度为5-10米，设置高速监控相机的参数并将其安置在高速公路上拍摄所需的图像信息，设置的参数包括对焦值、曝光值、感光值等，将高速监控相机与电脑终端通过网络连接，将拍摄的图像信息传输到电脑终端。
S2.对图像信息进行去模糊处理，得到高分辨率图像；
这些图像信息是因为低光照、雨雾、运动和欠采样等客观原因而造成的模糊，对这些图像信息进行去模糊处理,以增强图像清晰度；
参照图2，其中，去模糊处理通过DeblurGAN方法去模糊，基本步骤包括：
S21.设定训练参数和预定损失函数，构建初始生成式对抗网络，生成式对抗网络包括生成器和判别网络；
DeblurGAN采用生成器进行去模糊，在训练过程中引入判别网络通过对抗方式进行训练学习。
S22.采集训练样本集，所述训练样本集包括个体图像样本和对应的低分辨率图像；
S23.将所述低分辨率图像输入所述生成器中，生成清晰图像样本；
S24.通过判别网络衡量生成的清晰图像样本与个体图像样本的距离，以最小方差LSGAN作为损失函数，不断训练来调整优化训练参数，得到训练好的生成式对抗网络；
S25.将所述低分辨率图像与清晰图像输入所述训练好的生成式对抗网络，将所述低分辨率图像与清晰图像反复迭代对抗，通过对抗形式重构出清晰的图像IS，从而达到去模糊的效果。
S3.将所述高分辨率图像放入训练好的深度卷积神经网络，进行车道线检测，得到车道线的位置点；
参照图3，其中，深度卷积神经网络的训练步骤包括：
S31.设置训练参数和训练学习率，构建初始深度卷积神经网络；
S32.对初始深度卷积神经网络进行权值初始化，生成初始权重；
S33.采集训练图像样本，将所述训练图像样本作为输入数据输入初始深度卷积神经网络，得到输出值；
S34.将输出值与预设的目标值相比较，得到误差值，当误差值高于设定的目标值时，生成训练因子，通过训练因子对初始权重进行调整，直到误差值低于或等于设定的目标值时，结束训练，得到训练好的深度卷积神经网络。
整个模型的结构，基本可以分为三个部分：Backbone、Auxiliary、GroupClassification 。
Backbone部分采用了ResNet50，下采样到4X的部分作为最终的特征，这里其实是较为浅层的特征。
Auxiliary部分对三层浅层特征进行了融合和上采样，用来进行实例分割，其目的是在训练过程中增强视觉特征。
Group Classification即在全局特征上进行行索引来计算候选点，用于车道线候选点选择的部分。
S4.将得到的车道线的位置点形成车道线点集，得到车道线区域，在车道线区域中进行车道线拟合。
参照图4，其中，车道线拟合的步骤包括：
S41.获取大量高速监控相机采集的图像样本，图像样本包括车道线图像；
S42.获取车道线图像中车道线的RGB图像信息；
S43.对RGB图像进行标注，训练车道线检测模型；
S44.将包含车道线的高清图像送进车道线检测模型，得到车道线位置点；
S45.对所述RGB图像信息进行区域二值化处理，得到车道线区域；
区域二值化处理就是将RGB图像上的像素点的灰度值设置为0或255，也就是使得车道线图像呈现出明显的黑白效果的过程。
参照图5，具体的，区域二值化处理的步骤包括：
S451.对RGB图像信息进行灰度化处理，得到灰度图像；
灰度化就是让RGB图像信息中的每一个像素点都满足下面的关系：R=G=B，此时的这个值叫做灰度值。
基于如下公式对图像样本进行灰度化处理，得到灰度图像：
ImgGray=(R×299+G×587+B×114+500)/1000；
其中，ImgGray为处理后的灰度图像的灰度值，R为处理前的图像样本的红色通道值，G 为处理前的图像样本的绿色通道值，B为处理前的图像样本的蓝色通道值；
S452.对所述灰度图像进行区域分隔，得到多个区域，划分就是根据像素点的位置，具体的划分为21*21大小的滑动窗在图像上移动，每个区域包含窗内的点。
获取每个区域的最佳动态阈值，区域中小于阈值的像素点的值，全部设置为0，其余像素点的值设置为255，从而得到二值化图像；
最佳动态阈值的确定根据以下方法求取，具体的方法为：
计算灰度图像每个区域中所有像素点的灰度值的平均值avg；
（像素点1灰度值+...+像素点n灰度值）/ n = 像素点平均值avg；
然后，让每一个像素点与avg一一作比较，小于以及等于avg的像素点就为0（黑色），大于avg的像素点为255（白色），从而得到二值化图像；
S453.通过二值化图像将车道线分离出来，得到车道线区域；
通过设置不同的像素点值，得到二值化图像，可以很明确地区分出车道线，从而得到车道线区域。
S46.在车道线区域中对得到的车道线位置点进行过滤，得到真正的位置点，对得到的真正的位置点进行车道线拟合。
根据上述基于高速监控相机的车道线检测方法，本申请还公开了一种基于高速监控相机的车道线检测系统。
参照图6，一种基于高速监控相机的车道线检测系统，包括图像获取模块1、图像处理模块2、检测模块3和拟合模块4，图像获取模块1用于获取高速监控相机采集的图像信息，并将图像信息传输给图像处理模块2；图像处理模块2对图像信息进行去模糊处理，得到高分辨率图像；检测模块3与图像处理模块2相连，用于接收并对高分辨率图像进行车道线检测；拟合模块4与检测模块3相连，用于将得到的车道线的位置点形成车道线点集，得到车道线区域，在车道线区域中进行车道线拟合。
参照图7，一种基于高速监控相机的车道线检测装置，包括：
存储器6，用于存储一个或多个程序；
一个或多个处理器5，处理器5中用于运行存储器6中存储的程序，使得处理器5实现以上所述的车道线检测方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于高速监控相机的车道线检测方法，其特征在于，包括：
获取高速监控相机采集的图像信息；
对所述图像信息进行去模糊处理，得到高分辨率图像；
将所述高分辨率图像放入训练好的深度卷积神经网络，进行车道线检测，得到车道线的位置点；
将得到的车道线的位置点形成车道线点集，得到车道线区域，在车道线区域中进行车道线拟合。
2.根据权利要求1所述的一种基于高速监控相机的车道线检测方法，其特征在于，所述去模糊处理通过DeblurGAN方法去模糊，基本步骤包括：
设定训练参数和预定损失函数，构建初始生成式对抗网络，所述生成式对抗网络包括生成器和判别网络；
采集训练样本集，所述训练样本集包括个体图像样本和对应的低分辨率图像；
将所述低分辨率图像输入所述生成器中，生成清晰图像；
通过所述判别网络衡量生成的清晰图像与所述个体图像样本的距离，以最小方差LSGAN作为损失函数，不断训练来调整优化所述训练参数，得到训练好的生成式对抗网络；
将所述低分辨率图像与所述清晰图像输入所述训练好的生成式对抗网络，将所述低分辨率图像与清晰图像反复迭代对抗，通过对抗形式重构出清晰的图像IS，从而达到去模糊的效果。
3.根据权利要求1所述的一种基于高速监控相机的车道线检测方法，其特征在于，所述深度卷积神经网络的训练步骤包括：
设置训练参数和训练学习率，构建初始深度卷积神经网络，对初始深度卷积神经网络进行权值初始化，生成初始权重；
采集训练图像样本，将所述训练图像样本作为输入数据输入初始深度卷积神经网络，得到输出值；
将输出值与预设的目标值相比较，得到误差值，当误差值高于设定的目标值时，生成训练因子，通过训练因子对初始权重进行调整，直到误差值低于或等于设定的目标值时，结束训练，得到训练好的深度卷积神经网络。
4.根据权利要求3所述的一种基于高速监控相机的车道线检测方法，其特征在于，所述车道线拟合的步骤包括：
获取大量高速监控相机采集的图像样本，所述图像样本包括车道线图像；
获取所述车道线图像中车道线的RGB图像信息；
对所述RGB图像进行标注，训练车道线检测模型；
将包含车道线的高清图像送进车道线检测模型，得到车道线位置点；
对所述RGB图像信息进行区域二值化处理，得到车道线区域；
在车道线区域中对得到的车道线位置点进行过滤，得到真正的位置点，对得到的真正的位置点进行车道线拟合。
5.根据权利要求4所述的一种基于高速监控相机的车道线检测方法，其特征在于，所述区域二值化处理的步骤包括：
对所述RGB图像信息进行灰度化处理，得到灰度图像；
对所述灰度图像进行区域分隔，得到多个区域，获取每个区域的最佳动态阈值，区域中小于阈值的像素点的值，全部设置为0，其余像素点的值设置为255，从而得到二值化图像；
通过所述二值化图像将车道线分离出来，得到车道线区域。
6.一种基于高速监控相机的车道线检测系统，其特征在于，包括：图像获取模块、图像处理模块、检测模块和拟合模块，
所述图像获取模块用于获取高速监控相机采集的图像信息，并将所述图像信息传输给所述图像处理模块；
所述图像处理模块对所述图像信息进行去模糊处理，得到高分辨率图像；
所述检测模块与所述图像处理模块相连，用于接收并对所述高分辨率图像进行车道线检测，得到车道线的位置点；
所述拟合模块与所述检测模块相连，用于将得到的车道线的位置点形成车道线点集，得到车道线区域，在车道线区域中进行车道线拟合。
7.一种基于高速监控相机的车道线检测装置，其特征在于，包括：
存储器，用于存储一个或多个程序；
一个或多个处理器，所述处理器中执行一个或多个程序，使得所述处理器实现如权利要求1-6任一所述的车道线检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210659901.6A CN114758310B (zh) | 2022-06-13 | 2022-06-13 | 一种基于高速监控相机的车道线检测方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210659901.6A CN114758310B (zh) | 2022-06-13 | 2022-06-13 | 一种基于高速监控相机的车道线检测方法、系统及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114758310A true CN114758310A (zh) | 2022-07-15 |
| CN114758310B CN114758310B (zh) | 2022-10-28 |
Family
ID=82336341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210659901.6A Active CN114758310B (zh) | 2022-06-13 | 2022-06-13 | 一种基于高速监控相机的车道线检测方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114758310B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180225527A1 (en) * | 2015-08-03 | 2018-08-09 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus, storage medium and device for modeling lane line identification, and method, apparatus, storage medium and device for identifying lane line |
| CN109948552A (zh) * | 2019-03-20 | 2019-06-28 | 四川大学 | 一种复杂交通环境中的车道线检测的方法 |
| CN112381034A (zh) * | 2020-11-25 | 2021-02-19 | 上海眼控科技股份有限公司 | 一种车道线检测方法、装置、设备及存储介质 |
| CN112926354A (zh) * | 2019-12-05 | 2021-06-08 | 北京超星未来科技有限公司 | 一种基于深度学习的车道线检测方法及装置 |
| CN112926365A (zh) * | 2019-12-06 | 2021-06-08 | 广州汽车集团股份有限公司 | 一种车道线检测方法及其系统 |
| CN113947589A (zh) * | 2021-10-26 | 2022-01-18 | 北京理工大学 | 一种基于对抗生成网络的弹载图像去模糊方法 |
| CN114120284A (zh) * | 2021-11-30 | 2022-03-01 | 安徽百诚慧通科技有限公司 | 深度学习的高速公路车道结构化方法、存储介质及设备 |
| CN114581876A (zh) * | 2020-11-16 | 2022-06-03 | 天翼云科技有限公司 | 构建复杂场景下车道检测模型的方法和检测车道线方法 |
-
2022
- 2022-06-13 CN CN202210659901.6A patent/CN114758310B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180225527A1 (en) * | 2015-08-03 | 2018-08-09 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus, storage medium and device for modeling lane line identification, and method, apparatus, storage medium and device for identifying lane line |
| CN109948552A (zh) * | 2019-03-20 | 2019-06-28 | 四川大学 | 一种复杂交通环境中的车道线检测的方法 |
| CN112926354A (zh) * | 2019-12-05 | 2021-06-08 | 北京超星未来科技有限公司 | 一种基于深度学习的车道线检测方法及装置 |
| CN112926365A (zh) * | 2019-12-06 | 2021-06-08 | 广州汽车集团股份有限公司 | 一种车道线检测方法及其系统 |
| CN114581876A (zh) * | 2020-11-16 | 2022-06-03 | 天翼云科技有限公司 | 构建复杂场景下车道检测模型的方法和检测车道线方法 |
| CN112381034A (zh) * | 2020-11-25 | 2021-02-19 | 上海眼控科技股份有限公司 | 一种车道线检测方法、装置、设备及存储介质 |
| CN113947589A (zh) * | 2021-10-26 | 2022-01-18 | 北京理工大学 | 一种基于对抗生成网络的弹载图像去模糊方法 |
| CN114120284A (zh) * | 2021-11-30 | 2022-03-01 | 安徽百诚慧通科技有限公司 | 深度学习的高速公路车道结构化方法、存储介质及设备 |
Non-Patent Citations (1)
| Title |
|---|
| ZEQUN QIN 等: "Ultra Fast Structure-aware Deep Lane Detection", 《ARXIV:2004.11757V4 [CS.CV]》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114758310B (zh) | 2022-10-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460709B (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
| EP2959454B1 (en) | Method, system and software module for foreground extraction | |
| JP4429298B2 (ja) | 対象個数検出装置および対象個数検出方法 | |
| JP2016218760A (ja) | 物体検出システム、物体検出方法、ｐｏｉ情報作成システム、警告システム、及び誘導システム | |
| CN107665327B (zh) | 一种车道线检测方法及装置 | |
| CN106682665B (zh) | 一种基于计算机视觉的七段式数显仪表数字识别方法 | |
| CN109117838B (zh) | 应用于无人船感知系统的目标检测方法及装置 | |
| CN107133610B (zh) | 一种复杂路况下行车流量视觉检测与计数方法 | |
| CN107292214B (zh) | 车道偏离检测方法、装置及车辆 | |
| CN113034378A (zh) | 一种区分电动汽车与燃油汽车的方法 | |
| CN111881984A (zh) | 一种基于深度学习的目标检测方法和装置 | |
| CN112288701A (zh) | 一种智慧交通图像检测方法 | |
| CN111814773A (zh) | 一种划线车位识别方法及系统 | |
| CN115346197A (zh) | 一种基于双向视频流的驾驶员分心行为识别方法 | |
| CN114613006A (zh) | 一种远距离手势识别方法及装置 | |
| CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
| CN114758310B (zh) | 一种基于高速监控相机的车道线检测方法、系统及装置 | |
| CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
| JP4918615B2 (ja) | 対象個数検出装置および対象個数検出方法 | |
| CN117058232A (zh) | 一种改进YOLOv8模型的养殖鱼群中鱼类目标个体的位置检测方法 | |
| CN116152758A (zh) | 一种智能实时事故检测及车辆跟踪方法 | |
| CN114693556B (zh) | 一种高空抛物帧差法运动目标检测去拖影方法 | |
| CN110688876A (zh) | 一种基于视觉的车道线检测方法及装置 | |
| CN112785550B (zh) | 图像质量值确定方法、装置、存储介质及电子装置 | |
| JP4674920B2 (ja) | 対象個数検出装置および対象個数検出方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |