CN115035495A - 一种图像处理方法及装置 - Google Patents

一种图像处理方法及装置 Download PDF

Info

Publication number
CN115035495A
CN115035495A CN202210609887.9A CN202210609887A CN115035495A CN 115035495 A CN115035495 A CN 115035495A CN 202210609887 A CN202210609887 A CN 202210609887A CN 115035495 A CN115035495 A CN 115035495A
Authority
CN
China
Prior art keywords
road
area
image
target
road operation
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
Application number
CN202210609887.9A
Other languages
English (en)
Inventor
周永哲
吴忠人
陆晓栋
魏东东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202210609887.9A priority Critical patent/CN115035495A/zh
Publication of CN115035495A publication Critical patent/CN115035495A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30261—Obstacle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种图像处理方法及装置，用以实现道路作业区域的准确识别，从而提高道路交通安全，减少交通事故的发生。本申请提供的方法包括：获取图像采集设备对道路采集的图像，并根据所述图像进行运动目标和道路作业目标的识别跟踪，得到目标跟踪结果；其中，所述道路作业目标中包括静止目标；当所述目标跟踪结果中包括道路作业目标的信息，并且所述道路作业目标满足预设条件时，根据所述目标跟踪结果进行道路作业区域识别。

Description

一种图像处理方法及装置
技术领域
本申请涉及计算机视觉技术领域，尤其涉及一种图像处理方法及装置。
背景技术
随着国内道路交通建设的迅速发展，国内公路总里程将近500万公里，其中高速公路总里程也超过了14万公里，公路日常维护和公路交通管理都需要巨大的人员投入。而由于道路作业(勘测、施工、养护)导致的交通事故尤为突出，及时的发现道路作业，并进行监管显得尤为重要，规范道路作业，并及时同步给汽车驾驶人员能够极大提高道路作业安全度和交通安全。对道路作业的精准把控，对道路交通管理起到了重要的作用。
随着基于深度学习和机器学习的计算机视觉技术的发展，计算机视觉技术迅速在交通监控领域发展了起来。基于计算机视觉的道路作业识别的优势明显，不仅能减少成本，而且可以实时对道路作业进行监控与监管，比如作业时长、作业车道和作业区域是否会影响正常行车，对作业区域不规范的行为及时通知作业人员，及时纠正，减少交通事故的发生。
然而，道路作业场景如图1所示，由于道路作业警示标志物的布设存在缺失和不规范的情况，缺少明显道路作业标识，只有路锥可作为道路作业区域识别的辅助标识，这种现状造成了道路作业区域识别困难，无法准确识别前方道路施工区域。
发明内容
本申请实施例提供了一种图像处理方法及装置，用以实现道路作业区域的准确识别，从而提高道路交通安全，减少交通事故的发生。
本申请实施例提供的一种图像处理方法，包括：
获取图像采集设备对道路采集的图像，并根据所述图像进行运动目标和道路作业目标的识别跟踪，得到目标跟踪结果；其中，所述道路作业目标中包括静止目标；
当所述目标跟踪结果中包括道路作业目标的信息，并且所述道路作业目标满足预设条件时，根据所述目标跟踪结果进行道路作业区域识别。
通过该方法，获取图像采集设备对道路采集的图像，并根据所述图像进行运动目标和道路作业目标的识别跟踪，得到目标跟踪结果；其中，所述道路作业目标中包括静止目标；当所述目标跟踪结果中包括道路作业目标的信息，并且所述道路作业目标满足预设条件时，根据所述目标跟踪结果中的静止目标，进行道路作业区域识别，从而通过包括静止目标在内的目标跟踪结果，实现了道路作业区域的准确识别，提高了道路交通安全，减少了交通事故的发生。
在一些实施例中，根据所述目标跟踪结果进行道路作业区域识别，具体包括：
对所述图像进行网格化；
根据所述目标跟踪结果，对网格内的数值进行二值化；其中，将所述运动目标所处的网格置位为第一数值；将所述静止目标所处的网格置位为第二数值；
根据网格内的数值，确定道路作业区域。
由此，可以使得道路作业区域的确定更加便捷、准确、细致。
在一些实施例中，根据网格内的数值，确定道路作业区域，具体包括：
根据对所述图像的后续多帧图像目标跟踪结果，对所述网格内的数值进行更新；
利用更新后的网格内的数值，确定道路作业区域。
由此，可以实时更新网格内的数值，进而使得道路作业区域的确定进一步准确、细致，符合实际情况。
在一些实施例中，利用更新后的网格内的数值，确定道路作业区域，具体包括：
根据更新后的网格内的数值，确定连通域，并进行连通域编号；其中，任一连通域内网格的数值都为第二数值；
利用满足预设条件的连通域，确定道路作业区域。
由此，可以实现对连通域的筛选，将不太可能作为道路作业区域的网格区域去除，进一步提高了确定道路作业区域的准确性。
在一些实施例中，利用满足预设条件的连通域，确定道路作业区域，具体包括：
将满足预设条件的连通域内的网格坐标映射到所述图像上，得到与该连通域对应的所述图像上的区域的坐标；
根据所述区域的坐标，确定所述图像上的多边形区域，将该多边形区域作为道路作业区域，所述多边形区域覆盖与该连通域对应的所述图像上的区域。
由此，可以确定完整的多边形区域作为道路作业区域，该道路作业区域覆盖所有可能的道路作业目标，因此进一步提高了确定道路作业区域的准确性。
在一些实施例中，为了进一步提高确定道路作业区域的准确性，该方法还包括：
利用所述图像中的车道线，对所述道路作业区域进行修正。
在一些实施例中，利用所述图像中的车道线，对所述道路作业区域进行修正，具体包括：
根据所述目标跟踪结果中的道路作业标志物的位置信息，以及所述车道线的标记位置，确定所述道路作业标志物所在车道及其相邻车道；
将所述道路作业标志物所在车道及其相邻车道所处区域进行合并，形成候选作业车道区域；
将所述道路作业区域与所述候选作业车道区域共同覆盖的区域，作为修正后的道路作业区域。
本申请另一实施例提供了一种图像处理装置，其包括存储器和处理器，其中，所述存储器用于存储程序指令，所述处理器用于调用所述存储器中存储的程序指令，按照获得的程序执行上述任一种方法。
此外，根据实施例，例如提供了一种用于计算机的计算机程序产品，其包括软件代码部分，当所述产品在计算机上运行时，这些软件代码部分用于执行上述所定义的方法的步骤。该计算机程序产品可以包括在其上存储有软件代码部分的计算机可读介质。此外，该计算机程序产品可以通过上传过程、下载过程和推送过程中的至少一个经由网络直接加载到计算机的内部存储器中和/或发送。
本申请另一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行上述任一种方法。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域的普通技术人员来讲，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为道路作业场景示意图；
图2为本申请实施例提供的一种图像处理方法的流程示意图；
图3为本申请实施例提供的道路作业区域识别总流程示意图；
图4为本申请实施例提供的道路作业区域提取流程示意图；
图5a为本申请实施例提供的网格初始化示意图；
图5b为本申请实施例提供的将道路作业标志物中心点所处网格置位更新的示意图；
图5c为本申请实施例提供的将运动车辆中心点所处网格置位更新的示意图；
图6为本申请实施例提供的确定连通域的原理示意图；
图7为本申请实施例提供的利用凸包求解算法得到的多边形区域示意图；
图8为本申请实施例提供的修正道路作业区域流程示意图；
图9为本申请实施例提供的最终效果展示示意图；
图10为本申请实施例提供的一种图像处理装置的结构示意图；
图11为本申请实施例提供的另一种图像处理装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请实施例提供了一种图像处理方法及装置，用以实现道路作业区域的准确识别，从而提高道路交通安全，减少交通事故的发生。
其中，方法和装置是基于同一申请构思的，由于方法和装置解决问题的原理相似，因此装置和方法的实施可以相互参见，重复之处不再赘述。
本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下示例和实施例将只被理解为是说明性的示例。虽然本说明书可能在若干处提及“一”、“一个”或“一些”示例或实施例，但这并非意味着每个这种提及都与相同的示例或实施例有关，也并非意味着该特征仅适用于单个示例或实施例。不同实施例的单个特征也可以被组合以提供其他实施例。此外，如“包括”和“包含”的术语应被理解为并不将所描述的实施例限制为仅由已提及的那些特征组成；这种示例和实施例还可以包含并未具体提及的特征、结构、单元、模块等。
下面结合说明书附图对本申请各个实施例进行详细描述。需要说明的是，本申请实施例的展示顺序仅代表实施例的先后顺序，并不代表实施例所提供的技术方案的优劣。
本申请实施例通过背景分割和道路作业目标识别，确定道路作业区域，并通过车道线辅助精细化道路作业区域。
参见图2，本申请实施例提供的一种图像处理方法，包括：
S001、获取图像采集设备对道路采集的图像，并根据所述图像进行运动目标和道路作业目标的识别跟踪，得到目标跟踪结果；其中，所述道路作业目标中包括静止目标；
其中，道路采集图像中的运动目标，例如非道路作业目标，例如正常行驶的车辆等。
也就是说，本申请实施例中，对道路采集图像可以进行道路作业目标的跟踪，以及非道路作业目标(例如正常行驶的车辆等)的跟踪。
所述道路作业目标中包括的静止目标，例如道路作业标志物(警示牌、路锥、道路作业围栏)，当然，所述道路作业目标中也可以包括运动目标，例如作业人员和车辆。
S002、当所述目标跟踪结果中包括道路作业目标的信息，并且所述道路作业目标满足预设条件时，根据所述目标跟踪结果进行道路作业区域识别。
所述道路作业目标的信息，例如包括道路作业目标的坐标位置、目标类别、置信度等；
所述道路作业目标满足预设条件，例如所述道路作业目标的数量超过预设阈值。
在一些实施例中，根据所述目标跟踪结果进行道路作业区域识别，具体包括：
对所述图像进行网格化；
根据所述目标跟踪结果，对网格内的数值进行二值化；其中，将所述运动目标所处的网格置位为第一数值；将所述静止目标所处的网格置位为第二数值；
根据网格内的数值，确定道路作业区域。
其中，所述运动目标所处的网格，例如所述运动目标的跟踪框的中心点位置坐标对应的网格；
所述第一数值，例如是1；所述第二数值，例如是0。
在一些实施例中，除了将所述静止目标所处的网格置位为第二数值，另外，还可以进一步将所述静止目标所处的网格的上、下、左、右的相邻网格(如果存在相应网格)置位为第二数值。
在一些实施例中，根据网格内的数值，确定道路作业区域，具体包括：
根据所述图像后续多帧图像(可以是连续的，也可以是不连续的)的目标跟踪结果，对所述网格内的数值进行更新；
利用更新后的网格内的数值，确定道路作业区域。
当然本申请实施例中，也可以不对所述网格内的数值更新，仅利用一帧图像确定道路作业区域。
在一些实施例中，利用更新后的网格内的数值，确定道路作业区域，具体包括：
根据更新后的网格内的数值，确定连通域，并进行连通域编号；其中，任一连通域内网格的数值都为第二数值；
利用满足预设条件的连通域，确定道路作业区域。
所述满足预设条件的连通域，例如，连通域内的网格的数量超过预设阈值。
在一些实施例中，利用满足预设条件的连通域，确定道路作业区域，具体包括：
将满足预设条件的连通域内的网格坐标映射到所述图像上，得到与该连通域对应的所述图像上的区域的坐标；
根据所述区域的坐标，确定所述图像上的多边形区域，将该多边形区域作为道路作业区域，所述多边形区域覆盖与该连通域对应的所述图像上的区域。
例如，可以采用连通域边缘求解算法：凸包求解算法，根据所述区域的坐标，确定所述图像上的多边形区域。
在一些实施例中，该方法还包括：
利用所述图像中的车道线，对所述道路作业区域进行修正。
其中，所述车道线可以是人工标注或算法识别的。
在一些实施例中，利用所述图像中的车道线，对所述道路作业区域进行修正，具体包括：
根据所述目标跟踪结果中的道路作业标志物的位置信息，以及所述车道线的标记位置，确定所述道路作业标志物所在车道及其相邻车道；
将所述道路作业标志物所在车道及其相邻车道所处区域进行合并，形成候选作业车道区域；
将所述道路作业区域与所述候选作业车道区域共同覆盖的区域，即将所述道路作业区域与所述候选作业车道区域取交集，作为修正后的道路作业区域。
综上，本申请实施例提出了道路作业区域识别方案，下面给出一些具体的实施例的说明。
参见图3所示，为道路作业区域识别具体流程，具体实施方案步骤如下：
步骤S101、获取至少一帧道路采集图像。
例如，本步骤中获取的是高速路场景下的视频流，即包括多帧图像，下列步骤中针对每一帧图像进行处理。
在一些实施例中，本步骤进一步还可以包括确定图像的详细信息，例如帧率、分辨率。
针对每一帧图像：
步骤S102(可选步骤)、根据该图像上的道路场景，在该图像上绘制车道线。
其中，所述车道线的绘制有两种方式：一种是人工手动绘制，另一种是根据车道线识别算法(现有技术)，识别出图像中的车道线。
步骤S103、利用预先设置的跟踪算法(跟踪器，现有技术)对该图像进行目标跟踪，获取目标跟踪结果。
在一些实施例中，所述目标包括道路行人、车辆和道路作业目标；
在一些实施例中，所述道路作业目标主要包括道路作业车辆、身穿道路作业服的作业人员、道路作业标志物(警示牌、路锥、道路作业围栏)等。其中，道路作业车辆、身穿道路作业服的作业人员都可以视为运动目标，道路作业标志物(警示牌、路锥、道路作业围栏)可以视为静止目标。
在一些实施例中，所述目标跟踪结果主要包括目标在图像上的坐标信息、目标类别、目标的置信度等基本信息；
在一些实施例中，可以将每一目标的跟踪框(即外接矩形)的中心点坐标，作为该目标的坐标。
在一些实施例中，所述目标类别，例如：目标为行人、车辆、道路作业目标等类别。
在一些实施例中，所述目标的置信度，例如是用于进一步判断所识别的目标是否是真正的目标的置信度，例如若目标的置信度大于预设阈值，则认为该目标识别正确，是真正的目标，否则，认为识别错误。
步骤S104、判断该图像的目标跟踪结果中道路作业目标的数量是否大于预设阈值，若否，结束流程；若是，则执行步骤S105。
步骤S105、进行道路作业区域识别。
需要说明的是，本申请实施例中，可以利用一帧图像进行道路作业区域识别，也可以利用多帧图像进行道路作业区域识别。
利用一帧图像进行道路作业区域识别时，即当该图像的目标跟踪结果中道路作业目标的数量大于预设阈值时，直接利用该图像的目标跟踪结果，进行道路作业区域识别。
在一些实施例中，利用多帧图像进行道路作业区域识别时，例如当前帧图像的目标跟踪结果中道路作业目标的数量大于预设阈值时，利用该当前帧图像以及后续的连续多帧图像的目标跟踪结果，进行道路作业区域识别。此时，例如具体包括：
首先对该当前帧图像进行网格化，根据该图像的目标跟踪结果中的运动车辆检测框，对该图像中的运动前景进行网格标识，进而分割出静止背景，所述静止背景则可以初步认为是道路作业区域的候选区域；
然后，再结合该图像后续的连续多帧图像的道路作业目标的信息，实时更新道路作业区域的候选区域；
最后，可以通过边缘求解算法，例如，凸包求解算法，从更新后的候选区域中，识别出道路作业区域。
步骤S106(可选步骤)、根据步骤S102中绘制的该图像中的车道线，修正步骤S105中确定的道路作业区域。
其中，在步骤S105中，若采用多帧图像(这些图像都满足步骤S104的判断条件)进行道路作业区域识别，则关于道路作业区域的确定流程，如图4所示，具体如下：
步骤S201、将当前帧图像进行网格化。
例如，将图像分割成M*N个网格，M和N可以设置为固定常数，也可以根据图像分辨率(例如1920*1080)的变化动态调整，例如当前帧图像所用到的M和N的取值，和后续图像所用到的M和N的取值可以不同。
每个网格不要太大也不要太小，太大会影响精度，若网格划分的太小会增加计算量，影响算法运行速度。具体M和N的取值，可以根据实际需要而定，本申请不进行限制。
步骤S202、对网格内的数值进行二值化初始化。
对于进行道路作业区域识别所用到的多帧图像中的第一帧图像，对所有网格进行一次初始化，例如，若使用0进行网格初始化，则默认全图都是静止背景，若使用1进行网格初始化，则默认全图都是运动全景，例如图5a所示，也就是说，用0表示静止目标所处的网格，即静止背景，用1表示运动目标所处的网格，即运动前景。
对于进行道路作业区域识别所用到的多帧图像中的后续每一帧图像，根据该图像上新识别出的道路作业标志物(处于静止状态，新识别的道路作业标志物的ID和已经存在的道路作业标志物的ID不同)，并以该新检出的道路作业标志物的中心点所处网格，将该网格及其相邻网格(上、下、左、右)标志位置为0，例如图5b所示。
步骤S203、根据每帧目标跟踪结果对网格内数值进行更新，即实时更新道路作业区域的候选区域。
例如，当新检出的目标为运动车辆时，如图5c所示，则该目标的跟踪框中心点所在的网格的标志位置为1。从而，使得道路作业区域的候选区域更新为图5c所示的虚线框区域，即标志位为0的连续多个网格构成的区域。
步骤S204、连通域求解。
其中，所述连通域，即道路作业区域的候选区域。
本步骤主要是通过获取独立的一个或多个网格区域，从而确定道路作业区域的候选区域的编号以及区域数。
例如，参见图6，从第一行网格开始，逐行遍历网格的标志位，将标志位为0的网格为中心，与这个网格相邻(例如将上、下、左、右视为相邻)且标志位为0的网格，划为一个团簇，这个团簇即构成了一个连通域，并给出该连通域的标识(或序号)，例如，图6所示第一行的前两个网格的标志位为0，则这两个网格作为构成一个连通域，将该连通域标识为1，遍历求解出网格内标志位为0的网格所构成的连通域，从而最终确定各个连通域及其对应的序号标识。
具体地，如图6所示，图6中左侧图，例如是根据连续多帧图像的目标跟踪结果产生的网格标志位的结果，随着时间变化，车辆的位置也会发生变化，因此在网格中的相应位置标记为1。图6中的右侧图，是采用连通域求解算法算出的两个连通区域，分别用1和2标识出不同的连通域，图6中的右侧图中的网格中的数字，不再表示运动目标和静止目标，而是表示不同的连通域，从图6中的右侧图可见，此时运动目标所处网格中的数字置位0，表示不对该网格进行连通域计算。具体地：遍历图6中左侧图所示M*N的矩形网格，最终得到图6中的右侧图中虚线框所示的两个连通域，即1标识的连通域和2标识的连通域。
步骤S205(可选步骤)、对道路作业区域的候选区域进行筛选。
具体地，遍历步骤S204中求得的连通域，即连通域序号依次加一，将连通域内网格数>阈值的连通域最终视为道路作业区域的候选区域，执行步骤S206，否则判断下一个连通域内网格数是否大于阈值。
其中，连通域内网格数>阈值，说明这个连通域更有可能是道路作业区域，即若连通域太小就不认为是道路作业区域，例如阈值可以设置为3，那么对于由两个网格构成的连通域，则舍弃，不认为是道路作业区域，即图6中连通域1要被舍弃，而把连通域2继续作为道路作业区域的候选区域。
步骤S206、将道路作业区域的候选区域内各个网格坐标(网格框的四个顶点坐标)映射到图像上，从而获取图像中道路作业区域的候选区域坐标。
步骤S207、利用连通域边缘求解算法，根据步骤S206中确定的道路作业区域的候选区域坐标，确定图像上完全包含所述道路作业区域的候选区域的多边形区域。
例如，可以使用凸包求解算法，将道路作业区域的候选区域的每个网格四个顶点对应的图像坐标作为凸包算法的输入，求解出多边形区域。具体地，关于所述凸包算法，例如，任意给定二维平面上的点集，凸包就是将最外层的点连接起来构成的凸多边形，它包含点集里所有的点，通常使用Graham扫描法完成凸包求解，求解的结果如图7所示，最外侧的多边形覆盖了道路作业区域的候选区域，可以理解的是，多边形区域内的点，包括了道路作业区域的候选区域的每个网格四个顶点。
在一些实施例中，可以将上述确定的多边形区域作为最终确定的道路作业区域。
在一些实施例中，也可以对上述确定的多边形区域进行修正，例如上述关于根据车道线修正道路作业区域的步骤S106，具体流程如图8所示，例如包括：
步骤S301，根据目标跟踪结果中的道路作业标志物目标的跟踪结果(图像中的坐标位置信息)，和车道线(人工标记的或是算法自动识别的)的标记位置，确定所述道路作业标志物所在车道及其相邻车道。
例如，通过判断道路作业标志物目标的中心点坐标是否在某个车道区域内，确定道路作业标志物所在车道，然后通过该车道位置获取临近车道；
步骤S302，将道路作业标志物所在车道及其临近车道区域合并，形成候选作业车道区域；
步骤S303，遍历步骤S105求得的道路作业区域(即上述确定的多边形区域)，与步骤S302确定的候选作业车道区域取交集，得到一个或多个修正后的道路作业区域结果(即所述交集可能仅有一个区域，也可以有多个区域)，使得道路作业区域的确定更加精细化。
最终效果展示：
如图9所示，最终效果中展示的矩形框为最终确定的道路作业区域，由于道路上只摆放了单侧路锥，直接根据路锥无法获取完整的区域，而本申请可以更加精确地确定完整的道路作业区域。
下面介绍一下本申请实施例提供的设备或装置，其中与上述方法中所述的相同或相应的技术特征的解释或举例说明，后续不再赘述。
参见图10，本申请实施例提供的一种图像处理装置，包括：
存储器11，用于存储程序指令；
处理器12，用于调用所述存储器中存储的程序指令，按照获得的程序执行本申请实施例提供的所述的方法，具体处理过程参见上述方法部分的内容，此处不再赘述。
例如，参见图11，本申请实施例提供的图像处理装置，可以是终端侧的一种计算设备，该计算设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)等。该计算设备可以包括处理器600、存储器620等。
存储器620可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器提供存储器中存储的程序指令和数据。在本申请实施例中，存储器可以用于存储本申请实施例提供的任一所述方法的程序。
处理器600通过调用存储器存储的程序指令，处理器用于按照获得的程序指令执行本申请实施例提供的任一所述方法。
收发机610，用于在处理器600的控制下接收和发送数据。
其中，在图11中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器600代表的一个或多个处理器和存储器620代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机610可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。
在一些实施例中，还包括用户接口630，用户接口630可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器600负责管理总线架构和通常的处理，存储器620可以存储处理器600在执行操作时所使用的数据。
在一些实施例中，处理器600可以是CPU(中央处埋器)、ASIC(ApplicationSpecific Integrated Circuit，专用集成电路)、FPGA(Field－Programmable GateArray，现场可编程门阵列)或CPLD(Complex Programmable Logic Device，复杂可编程逻辑器件)。
本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中的任一所述方法。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请实施例提供了一种计算机可读存储介质，用于储存为上述本申请实施例提供的装置所用的计算机程序指令，其包含用于执行上述本申请实施例提供的任一方法的程序。所述计算机可读存储介质，可以是非暂时性计算机可读介质。
所述计算机可读存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
应当理解：
通信网络中的实体经由其往来传送流量的接入技术可以是任何合适的当前或未来技术，诸如可以使用WLAN(无线本地接入网络)、WiMAX(微波接入全球互操作性)、LTE、LTE-A、5G、蓝牙、红外等；另外，实施例还可以应用有线技术，例如，基于IP的接入技术，如有线网络或固定线路。
适合于被实现为软件代码或其一部分并使用处理器或处理功能运行的实施例是独立于软件代码的，并且可以使用任何已知或未来开发的编程语言来规定，诸如高级编程语言，诸如objective-C、C、C++、C#、Java、Python、Javascript、其他脚本语言等，或低级编程语言，诸如机器语言或汇编程序。
实施例的实现是独立于硬件的，并且可以使用任何已知或未来开发的硬件技术或其任何混合来实现，诸如微处理器或CPU(中央处理单元)、MOS(金属氧化物半导体)、CMOS(互补MOS)、BiMOS(双极MOS)、BiCMOS(双极CMOS)、ECL(发射极耦合逻辑)和/或TTL(晶体管-晶体管逻辑)。
实施例可以被实现为单独的设备、装置、单元、部件或功能，或者以分布式方式实现，例如，可以在处理中使用或共享一个或多个处理器或处理功能，或者可以在处理中使用和共享一个或多个处理段或处理部分，其中，一个物理处理器或多于一个的物理处理器可以被用于实现一个或多个专用于如所描述的特定处理的处理部分。
装置可以由半导体芯片、芯片组或包括这种芯片或芯片组的(硬件)模块来实现。
实施例还可以被实现为硬件和软件的任何组合，诸如ASIC(应用特定IC(集成电路))组件、FPGA(现场可编程门阵列)或CPLD(复杂可编程逻辑器件)组件或DSP(数字信号处理器)组件。
实施例还可以被实现为计算机程序产品，包括在其中体现计算机可读程序代码的计算机可用介质，该计算机可读程序代码适应于执行如实施例中所描述的过程，其中，该计算机可用介质可以是非暂时性介质。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种图像处理方法，其特征在于，包括：
获取图像采集设备对道路采集的图像，并根据所述图像进行运动目标和道路作业目标的识别跟踪，得到目标跟踪结果；其中，所述道路作业目标中包括静止目标；
当所述目标跟踪结果中包括道路作业目标的信息，并且所述道路作业目标满足预设条件时，根据所述目标跟踪结果进行道路作业区域识别。
2.根据权利要求1所述的方法，其特征在于，根据所述目标跟踪结果进行道路作业区域识别，具体包括：
对所述图像进行网格化；
根据所述目标跟踪结果，对网格内的数值进行二值化；其中，将所述运动目标所处的网格置位为第一数值；将所述静止目标所处的网格置位为第二数值；
根据网格内的数值，确定道路作业区域。
3.根据权利要求2所述的方法，其特征在于，根据网格内的数值，确定道路作业区域，具体包括：
根据对所述图像的后续多帧图像目标跟踪结果，对所述网格内的数值进行更新；
利用更新后的网格内的数值，确定道路作业区域。
4.根据权利要求3所述的方法，其特征在于，利用更新后的网格内的数值，确定道路作业区域，具体包括：
根据更新后的网格内的数值，确定连通域，并进行连通域编号；其中，任一连通域内网格的数值都为第二数值；
利用满足预设条件的连通域，确定道路作业区域。
5.根据权利要求4所述的方法，其特征在于，利用满足预设条件的连通域，确定道路作业区域，具体包括：
将满足预设条件的连通域内的网格坐标映射到所述图像上，得到与该连通域对应的所述图像上的区域的坐标；
根据所述区域的坐标，确定所述图像上的多边形区域，将该多边形区域作为道路作业区域，所述多边形区域覆盖与该连通域对应的所述图像上的区域。
6.根据权利要求5所述的方法，其特征在于，该方法还包括：
利用所述图像中的车道线，对所述道路作业区域进行修正。
7.根据权利要求6所述的方法，其特征在于，利用所述图像中的车道线，对所述道路作业区域进行修正，具体包括：
根据所述目标跟踪结果中的道路作业标志物的位置信息，以及所述车道线的标记位置，确定所述道路作业标志物所在车道及其相邻车道；
将所述道路作业标志物所在车道及其相邻车道所处区域进行合并，形成候选作业车道区域；
将所述道路作业区域与所述候选作业车道区域共同覆盖的区域，作为修正后的道路作业区域。
8.一种图像处理装置，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1至7任一项所述的方法。
9.一种用于计算机的计算机程序产品，其特征在于，包括软件代码部分，当所述产品在所述计算机上运行时，所述软件代码部分用于执行根据权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行权利要求1至7任一项所述的方法。
CN202210609887.9A 2022-05-31 2022-05-31 一种图像处理方法及装置 Pending CN115035495A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210609887.9A CN115035495A (zh) 2022-05-31 2022-05-31 一种图像处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210609887.9A CN115035495A (zh) 2022-05-31 2022-05-31 一种图像处理方法及装置

Publications (1)

Publication Number Publication Date
CN115035495A true CN115035495A (zh) 2022-09-09

Family

ID=83122887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210609887.9A Pending CN115035495A (zh) 2022-05-31 2022-05-31 一种图像处理方法及装置

Country Status (1)

Country Link
CN (1) CN115035495A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117093644A (zh) * 2023-10-19 2023-11-21 腾讯科技（深圳）有限公司 绿化数据处理方法、装置、设备及计算机可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117093644A (zh) * 2023-10-19 2023-11-21 腾讯科技（深圳）有限公司 绿化数据处理方法、装置、设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN108734105B (zh) 车道线检测方法、装置、存储介质和电子设备
CN111108538B (zh) 用于生成和/或更新数字地图的数字模型的系统
CN108877269B (zh) 一种交叉路口车辆状态检测及v2x广播方法
CN113379805A (zh) 一种交通节点的多信息资源融合处理方法
CN110991215B (zh) 车道线检测方法、装置、存储介质及电子设备
EP4089659A1 (en) Map updating method, apparatus and device
KR20210078530A (ko) 차선 속성 검출방법, 장치, 전자장치 및 가독 저장 매체
JP6850324B2 (ja) マルチモデルに基づく障害物分布シミュレーション方法、装置、端末及びプログラム
CN108550258B (zh) 车辆排队长度检测方法、装置、存储介质和电子设备
CN104422451A (zh) 一种道路识别方法及装置
CN112837542B (zh) 一种高速公路段交通量统计方法、装置、存储介质及终端
CN107977654B (zh) 一种道路区域检测方法、装置及终端
CN114037966A (zh) 高精地图特征提取方法、装置、介质及电子设备
JP7121454B2 (ja) 統計に基づく障害物位置シミュレーション方法、装置及び端末
EP4239596A1 (en) Method and apparatus for detecting drivable area, mobile device and storage medium
CN112818792A (zh) 车道线检测方法、装置、电子设备及计算机存储介质
JP7119197B2 (ja) 車線属性検出
CN113383283A (zh) 感知信息处理方法、装置、计算机设备和存储介质
CN115035495A (zh) 一种图像处理方法及装置
CN113297946A (zh) 一种监控盲区识别方法和识别系统
CN111695389B (zh) 一种车道线聚类方法及装置
CN113160272A (zh) 目标跟踪方法、装置、电子设备及存储介质
CN112418081A (zh) 一种空地联合快速勘察交通事故的方法及系统
CN111914671A (zh) 一种安全带检测方法、装置、电子设备及存储介质
CN113516765B (zh) 一种地图管理方法、地图管理装置及智能设备

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