CN115115840A - 一种轮胎结构形象痕迹自动识别比对方法 - Google Patents
一种轮胎结构形象痕迹自动识别比对方法 Download PDFInfo
- Publication number
- CN115115840A CN115115840A CN202110380322.3A CN202110380322A CN115115840A CN 115115840 A CN115115840 A CN 115115840A CN 202110380322 A CN202110380322 A CN 202110380322A CN 115115840 A CN115115840 A CN 115115840A
- Authority
- CN
- China
- Prior art keywords
- image
- theta
- similarity
- matching
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000000463 material Substances 0.000 claims abstract description 84
- 238000007689 inspection Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种轮胎结构形象痕迹自动识别比对方法,即便对于复杂的、不完整的现场痕迹的识别,也能够在嫌疑车辆轮胎花纹样本中找到与现场痕迹图像相似度最高的图形区域,对于有一部分畸变的现场轮胎痕迹也具备很好的识别效果。本专利技术方案中,通过对嫌疑对象花纹样本照预设的旋转角度作为步长进行旋转,得到变形后的嫌疑对象花纹样本,然后对现场痕迹检材和所有的嫌疑对象花纹样本的二值化矩阵的相似度进行计算,找到极值即可识别出现场痕迹检材中与嫌疑对象花纹样本最接近的图像区域。
Description
技术领域
本发明涉及痕迹检验鉴定技术领域,具体为一种轮胎结构形象痕迹自动识别比对方法。
背景技术
轮胎是车辆唯一与路面直接接触的部件,在很多涉车案件特别是交通事故现场,其在路面或人体上留下的痕迹是唯一能够识别认定肇事车辆的客观证据。轮胎痕迹的特征主要体现在其结构形象和物质成分两方面,在实践中现场勘查和检验鉴定人员主要以识别比较轮胎痕迹的结构形象为主,即对轮胎痕迹中的特征形状进行勾画和测量,并与嫌疑车辆的轮胎花纹进行比较,最后根据是否达到认定条件而做出鉴定意见。然而,随着轮胎工业的发展和轮胎性能要求的提升,单向(纵沟或横沟)花纹轮胎已经少见,取而代之的是结构越来越复杂的混合花纹,对这种花纹的手工测量比较难度大、耗时长。特别是由于路面不平整、人体易变形等多重因素,现场遗留的轮胎痕迹结构形象大多不规则、不完整,造成其特征很难被快速识别比对。
随着技术的发展,计算机图像识别技术已经在指纹比对、人脸识别等领域得到广泛应用,并开始延伸至轮胎花纹鉴别中。例如发明专利CN201810863222.4公开了一种提取轮胎花纹节距并计算重叠度的相似度评判方法;发明专利CN201911070811.8公开了一种提取轮胎花纹轮廓并计算汉明距离的相似度检测方法;发明专利CN109614868A公开了一种识别轮胎花纹图像中直线特征的方法和系统。然而现有技术中,对轮胎花纹比对的技术都是以识别花纹形状为前提,即采用边缘检测、轮廓提取、特征方程等手段将轮胎花纹特征数字化、结构化。这些方法对于完整的、规则的、结构单一的嫌疑车辆轮胎花纹样本具有很好的识别检索效率,对于不完整的、呈现一定畸变的、结构混杂的现场痕迹检材识别效果并不好。
发明内容
为了解决现有技术中,基于计算图像识别技术对不完整、有畸变、结构复杂的轮胎痕迹识别效果不好的问题,本发明提供一种轮胎结构形象痕迹自动识别比对方法,即便对于复杂的、不完整的现场痕迹的识别,也能够在嫌疑车辆轮胎花纹样本中找到与现场痕迹图像相似度最高的图形区域,对于有一部分畸变的现场轮胎痕迹也具备很好的识别效果。
本发明的技术方案是这样的:一种轮胎结构形象痕迹自动识别比对方法,其包括以下步骤:
S1:获取现场痕迹检材和嫌疑对象花纹样本的图像;
其特征在于,其还包括以下步骤:
S2:对所述现场痕迹检材、所述嫌疑对象花纹样本的痕迹图像进行预处理,分别得到检材二值化矩阵J、样本二值化矩阵Y;
S3:将所述检材二值化矩阵J按照预设的旋转角度作为步长进行旋转遍历,得到对应的所有的检材旋转矩阵J(θ);
S4:在所述检材旋转矩阵J(θ)中遍历,取出所有与所述样本二值化矩阵Y同阶的检材子矩阵J′(θ,x,y);
遍历计算所述样本二值化矩阵Y与所有的所述检材子矩阵J′(θ,x,y)的相似度,得到所有的相似度S(θ,x,y);
S5:在所述相似度S(θ,x,y)的值构成的曲线中,找出极值S″;
得到所述极值S″对应的配准值(θ″,x″,y″);
S6:将所述现场痕迹检材的图像顺时针旋转θ″度,得到检材旋转图;
S7:按照配准框的尺寸,从所述检材旋转图中的范围采集图像区域,记做配准图形;
所述配准图形即为所述现场痕迹检材花纹样本中,与所述嫌疑对象花纹样本最接近的图像区域;
其中,所述样本二值化矩阵Y为P×Q阶矩阵,则所述配准框的尺寸取值为:
所述配准框的列的范围为:第x″列~第(x″+P)列;
所述配准框的行的范围为:第y″行~第(y″+Q)行。
其进一步特征在于:
步骤S3中,所述检材二值化矩阵J与所述检材旋转矩阵J(θ)的对应关系为:
设:所述检材二值化矩阵J坐标为(m,n),所述检材旋转矩阵J(θ)的坐标为(m′,n′),则有:
其中,θ为预设的所述旋转角度,θ∈[0°,180°];
步骤S4中,计算相似度之前,对所述样本二值化矩阵Y与所有的所述检材子矩阵J′(θ,x,y)通过调节框对二者的尺寸进行调节,所述调节框的尺寸下限为轮胎单周期花纹块、或花纹沟槽所占区域的大小;
步骤S4中,所述相似度S(θ,x,y)的计算方法包括:平方差匹配、标准平方差匹配、相关匹配、标准相关匹配、相关系数匹配、标准相关系数匹配:
a1:基于平方差匹配方法计算S(θ,x,y)时:
S(θ,x,y)=∑[J'(θ,x,y)-Y]2;
a2:基于标准平方差匹配方法计算S(θ,x,y)时:
a3:基于相关匹配方法计算S(θ,x,y)时:
S(θ,x,y)=∑[J'(θ,x,y)·Y];
a4:基于标准相关匹配方法计算S(θ,x,y)时:
a5:基于相关系数匹配方法计算S(θ,x,y)时:
a6:基于标准相关系数匹配方法计算S(θ,x,y)时:
步骤S5中,所述极值S″的获取规则包括:
当所述相似度S(θ,x,y)的计算方法采用:平方差匹配、标准平方差配、相关匹配、标准相关匹配方法时,所述极值S″取极小值;
当所述相似度S(θ,x,y)的计算方法采用:相关系数匹配、标准相关系数匹配时,所述极值S″取极大值;
步骤S2中,所述预处理操作包括:图像缩放、图像增强、图像二值化;
步骤S5中,如果找不到所述极值,则表明所述现场痕迹检材中不存在任何与所述嫌疑对象花纹样本相似的图形区域,则停止本次识别比对;
如果找到多个极值,则使用严格极值点作为所述极值S″进行后续步骤;
步骤S5中,所述相似度S(θ,x,y)的值构成的曲线以相似度计算的次数为横坐标,以相似度S(θ,x,y)的值为纵坐标。
本发明提供的一种轮胎结构形象痕迹自动识别比对方法中,无需对轮胎花纹形状、尺寸、角度等特征参数进行提取,而是通过对嫌疑对象花纹样本照预设的旋转角度作为步长进行旋转,得到变形后的嫌疑对象花纹样本,然后对现场痕迹检材和所有的嫌疑对象花纹样本的二值化矩阵的相似度进行计算,找到极值即可识别出现场痕迹检材中与嫌疑对象花纹样本最接近的图像区域,确保本专利技术方案,对于不完整的、呈现一定畸变的、结构混杂的现场痕迹检材也能实现高效的识别;本专利技术方案中,通过配准框实现对区域特征匹配的识别,而不要求现场痕迹检材、嫌疑对象花纹样本的图形完全重叠,因此可以不受轮胎痕迹变形的影响,实现对于不完整的、呈现一定畸变的、结构混杂的现场痕迹检材也能实现高效的识别。
附图说明
图1为本专利中的自动识别比对方法的流程结构示意图;
图2为实施例中作为现场痕迹检材的车辆轮胎花纹拓印图像;
图3为实施例中作为嫌疑对象花纹样本的某事故现场路面上遗留的肇事车辆轮胎碾压印痕;
图4为对图2的现场痕迹检材进行预处理后得到的图像;
图5为对图3的嫌疑对象花纹样本进行图像预处理后得到的图像;
图6为实施例中的相似度遍历曲线;
图7为实施例中检材上配准框区域内轮胎花纹形状与嫌疑对象花纹样本的比对图;
具体实施方式
如图1所示,本发明提供的一种轮胎结构形象痕迹自动识别比对方法,其包括以下步骤。
S1:获取现场痕迹检材和嫌疑对象花纹样本的图像;具体实施时,基于现有的技术提取现场痕迹检材和嫌疑对象花纹样本,如:相机拍摄、扫描仪扫描、光谱成像提取等技术手段。
如图2所示,是实施例中获取的车辆轮胎花纹拓印(现场痕迹检材)图像,可以看出,该轮胎花纹为纵沟和横沟交织的混合花纹,纵向中心线两侧花纹块呈旋转对称。
如图3所示,是实施例中获取的某事故现场路面上遗留的肇事车辆轮胎碾压印痕(嫌疑对象花纹样本)图像,可以看出:该碾压印痕在水泥沥青路面表面,呈土黄色、类似鱼骨状,局部断续不完整(图3中标尺附近的图案)。
S2:对现场痕迹检材、嫌疑对象花纹样本的痕迹图像进行预处理,分别得到检材二值化矩阵J、样本二值化矩阵Y;预处理操作包括:图像缩放、图像增强、图像二值化,其中,图像增强操作包括:调整对比度和亮度、抽取特征颜色、边缘锐化等技术手段;预处理操作的目的是为了对现场痕迹检材、嫌疑对象花纹样本中的噪音数据进行去除,增强图像特征,便于后续图像识别计算得到更好的效果。
如图4所示,对图2的现场痕迹检材进行预处理后得到的图像。预处理方法为:根据图像中的比例尺,等比例调整图像大小至水平方向每厘米15个像素;调整对比度、亮度,并对图像进行锐化处理,使白色区域和黑色区域的边界清晰。
如图5所示,对图3的实施例中嫌疑对象花纹样本进行图像预处理后,得到的图像。预处理方法为:根据图像中的比例尺,等比例调整图像大小至水平方向每厘米15个像素;以土黄色为目标色对图像进行拾取,将选中区域转换为白色,其他区域转换为黑色,调整对比度、亮度,并对图像进行锐化处理,使白色区域和黑色区域的边界清晰,切除无有效信息的区域,只保留轮胎印痕所在中心区域。
S3:将检材二值化矩阵J按照预设的旋转角度作为步长进行旋转遍历,得到对应的所有的检材旋转矩阵J(θ);
检材二值化矩阵J与检材旋转矩阵J(θ)的对应关系为:
设:检材二值化矩阵J坐标为(m,n),检材旋转矩阵J(θ)的坐标为(m′,n′),则有:
其中,θ为预设的旋转角度,θ∈[0°,180°]。
将待比对图像转换为二值化矩阵,具体实施时的转换方法为:将图像中白色区域赋值为0,黑色区域赋值为1。转换后图4的现场痕迹检材图像对应的检材二值化矩阵J为479×371阶矩阵,即本实施例中,m=479,n=371;图5的嫌疑对象花纹样本图像对应的二值化矩阵为为316×169阶矩阵,即本实施例中,P=316,Q=169。
本实施例中,预设的旋转角度θ取值为1,即每次旋转角度的步长为1°;
将检材二值化矩阵J按照1°步长顺时针旋转,在0~180度范围内进行旋转操作,共计旋转180次,得到180个旋转矩阵。
S4:在检材旋转矩阵J(θ)中遍历,取出所有与样本二值化矩阵Y同阶的检材子矩阵J′(θ,x,y);
从检材二值化矩阵J及其所有旋转矩阵J(θ)中遍历切取所有与样本同阶的检材子矩阵,遍历切取方法是:以检材二值化矩阵J第1行第1列为起始点,每次移动一列进行列遍历;然后下移一行,每次移动一列进行列遍历……依次类推完成全部遍历,共计遍历取出(479-316)×(371-169)×180=5926680个检材子矩阵J′(θ,x,y)。
遍历计算样本二值化矩阵Y与所有检材子矩阵J′(θ,x,y)的相似度,得到相似度S(θ,x,y);
计算相似度之前,对样本二值化矩阵Y与所有检材子矩阵J′(θ,x,y)通过调节框对二者的尺寸进行调节,调节框的尺寸下限为现场痕迹检材中轮胎单周期花纹块、或花纹沟槽所占区域的大小;根据现场痕迹检材的花纹预设调节框,然后通过调节框对相似度比对之前的数据进行调整,确保能够计算得到更准确的相似度值,进而确保后续的计算准确率更高。调节框的最小尺寸是确保不会破坏轮胎的单周期的花纹特征,确保截取的图像区域包含有效的图像特征,进而确保计算结果的准确性。
相似度S(θ,x,y)的计算方法包括:平方差匹配、标准平方差匹配、相关匹配、标准相关匹配、相关系数匹配、标准相关系数匹配:
a1:基于平方差匹配方法计算S(θ,x,y)时:
S(θ,x,y)=∑[J'(θ,x,y)-Y]2;
a2:基于标准平方差匹配方法计算S(θ,x,y)时:
a3:基于相关匹配方法计算S(θ,x,y)时:
S(θ,x,y)=∑[J'(θ,x,y)·Y];
a4:基于标准相关匹配方法计算S(θ,x,y)时:
a5:基于相关系数匹配方法计算S(θ,x,y)时:
a6:基于标准相关系数匹配方法计算S(θ,x,y)时:
具体使用哪种方法计算相似度,可以根据具体的数据复杂度、精度要求进行选择。
S5:在相似度S(θ,x,y)的值构成的相似度遍历曲线中,找出极值S″;如图6所示,本专利中,以相似度计算的次数为横坐标,以相似度S(θ,x,y)的值为纵坐标,构建相似度遍历曲线;如:遍历计算相似度过程中,第200次计算相似度时,得到的S(θ,x,y)的值为6×108,则,在相似度遍历曲线中横坐标200对应的纵坐标即为6×108;构建相似度遍历曲线以找出极值,过程可视化,容易理解,同时如果存在周期性的相似度,可以很明确的看出变化趋势,能够提供给技术人员更丰富的信息。
根据相似度遍历曲线趋势可以得到极值;
得到极值S″对应的配准值(θ″,x″,y″);
极值S″的获取规则包括:
当相似度S(θ,x,y)的计算方法采用:平方差匹配、标准平方差配、相关匹配、标准相关匹配方法时,极值S″取极小值;
当相似度S(θ,x,y)的计算方法采用:相关系数匹配、标准相关系数匹配时,极值S″取极大值;
如果找不到极值,则表明现场痕迹检材中不存在任何与嫌疑对象花纹样本相似的图形区域,则停止本次识别比对;如果现场痕迹检材与嫌疑对象花纹样本完全不同,会出现相似度S(θ,x,y)构成的曲线为一个直线的情况,此时表明这两个图像完全没有相似的特征,无需进行后续比对。
如果找到多个极值,则使用严格极值点作为极值S″进行后续步骤;如果是针对指纹这一种没有周期特征的现场痕迹进行比对的时候,其构成的相似度S(θ,x,y)曲线只会出现一个极值,则使用这个极值进行后续计算即可;而对于轮胎花纹这一类会出现周期性的特征的图案,会根据特征周期性、图案的变形、畸变出现多个极值,此时找到那个极大值,即为相似度最高的图案区域,进行后续计算;同时,根据极值的出现情况,在找到最相似区域之外,基于相似度S(θ,x,y)曲线还能找到哪个周期中现场痕迹检材与嫌疑对象花纹样本最相似,即,基于本专利技术方案对现场痕迹检材进行分析,还能够提供范围更大的信息。
S6:将现场痕迹检材的图像顺时针旋转θ″度,得到检材旋转图。
S7:从检材旋转图中按照配准框的范围采集图像区域,记做配准图形,配准图形即为嫌疑对象花纹样本中,与嫌疑对象花纹样本最接近的图像区域;
其中,样本二值化矩阵Y为P×Q阶矩阵,则配准框的取值为:
配准框的列的范围为:第x″列~第(x″+P)列;
配准框的行的范围为:第y″行~第(y″+Q)行。
本实施例中,采用平方差匹配法计算每个检材子矩阵J′(θ,x,y)与样本二值化矩阵Y的相似度值,得到如图6所示的相似度遍历曲线;实际上的相似度遍历曲线是曲线图形,但图6中,因为计算次数过于庞大,对于横坐标压缩显示后显示为块状。从图6的曲线可以看出,检材子矩阵J′(θ,x,y)和样本二值化矩阵Y的相似度极小值S″为7.23458×108,出现在26741处;即,遍历切取的第26741个检材子矩阵与样本二值化矩阵Y最相似,此时对应的配准值(θ″,x″,y″)值为(1,163,172)。
据此将现场痕迹检材的原始图像顺时针旋转1°,配准框为:第168列至163+316=479列、第172行至172+169=341行区域。
对配准图形和嫌疑对象花纹样本的匹配性进行比较评价,即可得出现场痕迹检材、嫌疑对象花纹样本的结构形象是否相同的结论。
本实施例中,配准图形如图7所示,基于识别出的相似度最大的配准框内的图案,可以看出现场痕迹检材的配准框区域内的轮胎花纹形状与嫌疑对象花纹样本的轮胎花纹形状能够较好匹配,说明检材中存在和样本相同的轮胎花纹形状。
基于本专利技术方案,无需提取轮胎花纹形状、尺寸、角度等特征参数,只评价轮胎痕迹图像二值化矩阵之间的相似度,即可在现场痕迹检材中找到与嫌疑对象花纹样本最接近的图像区域;无需对极值设置阈值,简化了计算过程,提高了计算效率;基于本专利技术方案,即便嫌疑对象花纹样本中存在局部缺失,与现场痕迹检材的轮胎花纹并非完全重叠,但依然能够找出最佳匹配区域,即,本专利技术方案尤其适用于不完整的、呈现一定畸变的、结构混杂的图案的识别。
Claims (8)
1.一种轮胎结构形象痕迹自动识别比对方法,其包括以下步骤:
S1:获取现场痕迹检材和嫌疑对象花纹样本的图像;
其特征在于,其还包括以下步骤:
S2:对所述现场痕迹检材、所述嫌疑对象花纹样本的痕迹图像进行预处理,分别得到检材二值化矩阵J、样本二值化矩阵Y;
S3:将所述检材二值化矩阵J按照预设的旋转角度作为步长进行旋转遍历,得到对应的所有的检材旋转矩阵J(θ);
S4:在所述检材旋转矩阵J(θ)中遍历,取出所有与所述样本二值化矩阵Y同阶的检材子矩阵J′(θ,x,y);
遍历计算所述样本二值化矩阵Y与所有的所述检材子矩阵J′(θ,x,y)的相似度,得到所有的相似度S(θ,x,y);
S5:在所述相似度S(θ,x,y)的值构成的曲线中,找出极值S″;
得到所述极值S″对应的配准值(θ″,x″,y″);
S6:将所述现场痕迹检材的图像顺时针旋转θ″度,得到检材旋转图;
S7:按照配准框的尺寸,从所述检材旋转图中的范围采集图像区域,记做配准图形;
所述配准图形即为所述现场痕迹检材花纹样本中,与所述嫌疑对象花纹样本最接近的图像区域;
其中,所述样本二值化矩阵Y为P×Q阶矩阵,则所述配准框的尺寸取值为:
所述配准框的列的范围为:第x″列~第(x″+P)列;
所述配准框的行的范围为:第y″行~第(y″+Q)行。
3.根据权利要求1所述一种轮胎结构形象痕迹自动识别比对方法,其特征在于:步骤S4中,计算相似度之前,对所述样本二值化矩阵Y与所有的所述检材子矩阵J′(θ,x,y)通过调节框对二者的尺寸进行调节,所述调节框的尺寸下限为轮胎单周期花纹块、或花纹沟槽所占区域的大小。
4.根据权利要求1所述一种轮胎结构形象痕迹自动识别比对方法,其特征在于:步骤S4中,所述相似度S(θ,x,y)的计算方法包括:平方差匹配、标准平方差匹配、相关匹配、标准相关匹配、相关系数匹配、标准相关系数匹配:
a1:基于平方差匹配方法计算S(θ,x,y)时:
S(θ,x,y)=∑[J'(θ,x,y)-Y]2;
a2:基于标准平方差匹配方法计算S(θ,x,y)时:
a3:基于相关匹配方法计算S(θ,x,y)时:
S(θ,x,y)=∑[J'(θ,x,y)·Y];
a4:基于标准相关匹配方法计算S(θ,x,y)时:
a5:基于相关系数匹配方法计算S(θ,x,y)时:
a6:基于标准相关系数匹配方法计算S(θ,x,y)时:
5.根据权利要求4所述一种轮胎结构形象痕迹自动识别比对方法,其特征在于:步骤S5中,所述极值S″的获取规则包括:
当所述相似度S(θ,x,y)的计算方法采用:平方差匹配、标准平方差配、相关匹配、标准相关匹配方法时,所述极值S″取极小值;
当所述相似度S(θ,x,y)的计算方法采用:相关系数匹配、标准相关系数匹配时,所述极值S″取极大值。
6.根据权利要求1所述一种轮胎结构形象痕迹自动识别比对方法,其特征在于:步骤S2中,所述预处理操作包括:图像缩放、图像增强、图像二值化。
7.根据权利要求1所述一种轮胎结构形象痕迹自动识别比对方法,其特征在于:步骤S5中,如果找不到所述极值,则表明所述现场痕迹检材中不存在任何与所述嫌疑对象花纹样本相似的图形区域,则停止本次识别比对;
如果找到多个极值,则使用严格极值点作为所述极值S″进行后续步骤。
8.根据权利要求1所述一种轮胎结构形象痕迹自动识别比对方法,其特征在于:步骤S5中,所述相似度S(θ,x,y)的值构成的曲线以相似度计算的次数为横坐标,以相似度S(θ,x,y)的值为纵坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110380322.3A CN115115840A (zh) | 2021-04-09 | 2021-04-09 | 一种轮胎结构形象痕迹自动识别比对方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110380322.3A CN115115840A (zh) | 2021-04-09 | 2021-04-09 | 一种轮胎结构形象痕迹自动识别比对方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115840A true CN115115840A (zh) | 2022-09-27 |
Family
ID=83323513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110380322.3A Pending CN115115840A (zh) | 2021-04-09 | 2021-04-09 | 一种轮胎结构形象痕迹自动识别比对方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115840A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002228423A (ja) * | 2001-01-31 | 2002-08-14 | Matsushita Electric Ind Co Ltd | タイヤ検出方法および装置 |
US20030118233A1 (en) * | 2001-11-20 | 2003-06-26 | Andreas Olsson | Method and device for identifying objects in digital images |
WO2005111540A1 (ja) * | 2004-05-18 | 2005-11-24 | Bridgestone Corporation | タイヤ凹凸図形の検査方法、および、タイヤ凹凸図形検査装置 |
CN103955496A (zh) * | 2014-04-18 | 2014-07-30 | 大连恒锐科技股份有限公司 | 一种快速的现场轮胎痕迹花纹检索算法 |
US20170161572A1 (en) * | 2015-12-03 | 2017-06-08 | GM Global Technology Operations LLC | Vision-based wet road surface condition detection using tire tracks |
CN108694405A (zh) * | 2017-04-08 | 2018-10-23 | 钟少童 | 形体痕迹智能识别系统与方法 |
-
2021
- 2021-04-09 CN CN202110380322.3A patent/CN115115840A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002228423A (ja) * | 2001-01-31 | 2002-08-14 | Matsushita Electric Ind Co Ltd | タイヤ検出方法および装置 |
US20030118233A1 (en) * | 2001-11-20 | 2003-06-26 | Andreas Olsson | Method and device for identifying objects in digital images |
WO2005111540A1 (ja) * | 2004-05-18 | 2005-11-24 | Bridgestone Corporation | タイヤ凹凸図形の検査方法、および、タイヤ凹凸図形検査装置 |
CN103955496A (zh) * | 2014-04-18 | 2014-07-30 | 大连恒锐科技股份有限公司 | 一种快速的现场轮胎痕迹花纹检索算法 |
US20170161572A1 (en) * | 2015-12-03 | 2017-06-08 | GM Global Technology Operations LLC | Vision-based wet road surface condition detection using tire tracks |
CN108694405A (zh) * | 2017-04-08 | 2018-10-23 | 钟少童 | 形体痕迹智能识别系统与方法 |
Non-Patent Citations (3)
Title |
---|
刘颖;董海涛;樊安;: "轮胎痕迹图像检索现状与未来", 西安邮电大学学报, no. 04, 10 July 2018 (2018-07-10) * |
周奇智;杨炜;: "论交通事故轮胎痕迹鉴别嫌疑车辆", 计算机测量与控制, no. 04, 25 April 2019 (2019-04-25) * |
邹铁方等: "区间痕迹下汽车事故再现结果不确定性问题的求解策略", 《汽车工程》, vol. 39, no. 08, 31 December 2017 (2017-12-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
Akagic et al. | Pavement crack detection using Otsu thresholding for image segmentation | |
CN108982508B (zh) | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 | |
CN105488454B (zh) | 基于单目视觉的前方车辆检测与测距 | |
Oliveira et al. | Automatic road crack detection and characterization | |
US20200364849A1 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
CN111145161A (zh) | 一种路面裂缝数字图像处理和识别的方法 | |
CN111310558A (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN110210451B (zh) | 一种斑马线检测方法 | |
CN105740753A (zh) | 指纹识别方法及指纹识别系统 | |
CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN103914687A (zh) | 一种基于多通道和多阈值的矩形目标识别方法 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN103955496B (zh) | 一种快速的现场轮胎痕迹花纹检索算法 | |
CN109635733A (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN109635722B (zh) | 一种高分辨率遥感影像路口自动识别方法 | |
CN110516666B (zh) | 基于mser和isodata相结合的车牌定位方法 | |
CN108133211B (zh) | 一种基于移动终端视觉图像的检测配电柜的方法 | |
CN111882664A (zh) | 一种多窗口累计差分的裂缝提取方法 | |
CN113947583B (zh) | 基于深度学习二维时间序列图像的焊缝无损检测方法 | |
CN109815961B (zh) | 一种基于局部纹理二值模式的路面修补类病害检测方法 | |
CN1290049C (zh) | 强反射背景下粗糙纹理工件图像特征点自动提取方法 | |
CN107610094B (zh) | 基于椭球立体表征的裂缝三维检测方法 | |
CN111275687B (zh) | 一种基于连通区域标记的细粒度图像拼接检测方法 | |
CN115511775A (zh) | 一种基于语义分割的轻量型瓷砖表面缺陷检测方法 |
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 |