CN115272639B - 修复图像中车辆区域的方法、装置和计算机程序产品 - Google Patents

修复图像中车辆区域的方法、装置和计算机程序产品 Download PDF

Info

Publication number
CN115272639B
CN115272639B CN202211133753.0A CN202211133753A CN115272639B CN 115272639 B CN115272639 B CN 115272639B CN 202211133753 A CN202211133753 A CN 202211133753A CN 115272639 B CN115272639 B CN 115272639B
Authority
CN
China
Prior art keywords
vehicle
image
areas
scene
road surface
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
Application number
CN202211133753.0A
Other languages
English (en)
Other versions
CN115272639A (zh
Inventor
周松涛
覃伟
陈君
马万里
张军
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.)
Wuhan Tianjihang Information Technologies Inc ltd
Original Assignee
Wuhan Tianjihang Information Technologies Inc 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 Wuhan Tianjihang Information Technologies Inc ltd filed Critical Wuhan Tianjihang Information Technologies Inc ltd
Priority to CN202211133753.0A priority Critical patent/CN115272639B/zh
Publication of CN115272639A publication Critical patent/CN115272639A/zh
Application granted granted Critical
Publication of CN115272639B publication Critical patent/CN115272639B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明提供了一种修复图像中车辆区域的方法、装置和计算机程序产品，涉及修图技术领域，包括：根据呈现多个车辆区域分散在场景区域内的原图像生成车景掩膜图像，根据车景掩膜图像和场景区域批量化对多个车辆区域进行路面特征修复，适用于为二维图像或三维图像批量化、无差别修复大规模车辆区域，突破了专为三维网格模型修复停留移动车辆区域的局限性，无需面片分类，有助于提升简易性、高效性以及通用性。

Description

修复图像中车辆区域的方法、装置和计算机程序产品
技术领域
本发明涉及修图技术领域，具体而言，涉及一种修复图像中车辆区域的方法、装置和计算机程序产品。
背景技术
车辆经常出现在诸如停车场或城市主干道或高架桥等场景中，针对前述场景摄像，在图像中，展现出表征车辆的区域重合在表征车辆所处场景的区域内，为了简洁图像内容以供场景建模，将车辆区域还原成路面修复区域尤显重要。
目前，现有方法的技术思路是：根据一些影像参数识别每个三角面片在三维网格模型中的类别（可以简称为面片分类），仅针对分类为停留移动车辆的三角面进行路面的几何及纹理修复，达到路面还原效果，其中，三个参数分别记为nk、n1以及n2，nk表示与三维场景模型的某一三角面对应的影像集中包含的影像的数量，n1表示影像集中标记为车辆的影像的数量，n2表示标记为车辆的n1幅影像中出现车辆颜色的最大次数，类别可以是非车辆、未移动车辆、停留移动车辆以及未停留移动车辆中的任一种。
但是，现有方法专为三维网格模型修复停留移动车辆区域，面片分类极具复杂性，难以适用于为二维图像和三维图像中的任一种无差别修复大规模车辆区域。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题，为达上述目的，本发明提供一种修复图像中车辆区域的方法、装置和计算机程序产品。
第一方面，本发明提供一种修复图像中车辆区域的方法，包括：
根据呈现多个车辆区域分散在场景区域内的原图像生成车景掩膜图像；
根据所述车景掩膜图像和所述场景区域批量化对多个所述车辆区域进行路面特征修复。
可选地，所述根据所述车景掩膜图像和所述场景区域批量化对多个所述车辆区域进行路面特征修复包括：
根据所述车景掩膜图像同步地选定多个所述车辆区域并屏蔽所述场景区域，所述场景区域包括至少一个路面子区域，多个所述车辆区域分散在至少一个所述路面子区域内；
根据至少一个所述路面子区域分别在多个所述车辆区域填充路面纹理，当所述原图像为三维图像时，分别对经过填充得到的多个路面纹理修复区域进行纵深整平；
或者，当所述原图像为三维图像时，分别对多个所述车辆区域进行纵深整平后，根据至少一个所述路面子区域分别在多个所述车辆区域填充路面纹理。
可选地，所述分别对多个所述车辆区域进行纵深整平包括：
确定每个所述车辆区域与其所在的所述路面子区域重合的轮廓，分散在所述轮廓上的所有像素点各自为第一像素点，分散在所述轮廓以内的所有像素点各自为第二像素点；
将每个所述第二像素点所属的深度调整至与对应的基准线段持平或逼近，其中，所述基准线段基于与对应的所述第二像素点共线的两个所述第一像素点表示。
可选地，每个所述第二像素点经过调整的深度等于与对应的两个所述第一像素点适配的平均深度。
可选地，被填充在每个所述车辆区域的路面纹理通过预设纹理填补模型在多个所述路面子区域中确定。
可选地，所述车景掩膜图像通过预设图像识别模型对所述原图像进行分割及二值化得到
第二方面，本发明提供一种修复图像中车辆区域的装置，包括：
建图模块，用以根据呈现多个车辆区域分散在场景区域内的原图像生成车景掩膜图像；
修图模块，用以根据所述车景掩膜图像和所述场景区域批量化对多个所述车辆区域进行路面特征修复。
可选地，所述修图模块包括：
图像车景同步标识单元，用以根据所述车景掩膜图像同步地选定多个所述车辆区域并屏蔽所述场景区域，所述场景区域包括至少一个路面子区域，多个所述车辆区域分散在至少一个所述路面子区域内；
图像路面局部修复单元，用以根据至少一个所述路面子区域分别在多个所述车辆区域填充路面纹理，当所述原图像为三维图像时，分别对经过填充得到的多个路面纹理修复区域进行纵深整平；或者，当所述原图像为三维图像时，分别对多个所述车辆区域进行纵深整平后，根据至少一个所述路面子区域分别在多个所述车辆区域填充路面纹理。
可选地，所述图像路面局部修复单元具体用于：
确定每个所述车辆区域与其所在的所述路面子区域重合的轮廓，分散在所述轮廓上的所有像素点各自为第一像素点，分散在所述轮廓以内的所有像素点各自为第二像素点；
将每个所述第二像素点所属的深度调整至与对应的基准线段持平或逼近，其中，所述基准线段基于与对应的所述第二像素点共线的两个所述第一像素点表示。
第三方面，本发明提供一种计算机程序产品，其包括可被处理器执行的计算机程序，所述计算机程序被执行时，实现第一方面所述的修复图像中车辆区域的方法。
使用上述修复图像中车辆区域的方法、装置和计算机程序产品，针对原图像，依赖于原有的场景区域与适配的掩膜图像，使多个车辆区域还原成多个路面修复区域，适用于为二维图像或三维图批量化、无差别修复大规模车辆区域，突破了专为三维网格模型修复停留移动车辆区域的局限性，无需面片分类，有助于提升简易性、高效性以及通用性。
附图说明
图1为本发明实施例的一种修复图像中车辆区域的方法的流程示意图；
图2为本发明实施例的从原图像指向车景掩膜图的示意图；
图3与图4分别为对应于S2的两种实施方式的流程示意图；
图5为本发明实施例的原图像被选中多个车辆区域并屏蔽场景区域的示意图；
图6为本发明实施例的大规模车辆区域经过路面纹理填充后的示意图；
图7为本发明实施例的一个车辆区域沿着纵深方向剖面后的示意图。
具体实施方式
下面将参照附图详细描述本发明的实施例，描述涉及附图时，除非另有表示，不同附图中的相同附图标定表示相同或相似的要素。要说明的是，以下示例性实施例中所描述的实施方式并不代表本发明的所有实施方式。它们仅是与如权利要求书中所详述的、本发明公开的一些方面相一致的装置和方法的例子，本发明的范围并不局限于此。在不矛盾的前提下，本发明各个实施例中的特征可以相互组合。
此外，术语“第一”、“第二”仅用以描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“估计”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
参见图1，本发明一实施例的修复图像中车辆区域的方法，其包括：S1，根据呈现多个车辆区域分散在场景区域内的原图像生成车景掩膜图像；S2，根据车景掩膜图像和场景区域批量化对多个车辆区域进行路面特征修复。
在一些实施例中，城区往往更容易出现大量车辆分散在诸如城市主干道、高架桥以及露天停车场，大量车辆也可能分散在城际之间的高速公路上，针对这些情形摄像得到二维图像或三维图像作为原图像使用，或者，原图像也可以定义成三维网格模型被显示时的画面，本发明实施例不做限制。
使用上述修复图像中车辆区域的方法，针对原图像，依赖于原有的场景区域与适配的掩膜图像，使多个车辆区域还原成多个路面修复区域，适用于为二维图像或三维图批量化、无差别修复大规模车辆区域，突破了专为三维网格模型修复停留移动车辆区域的局限性，无需面片分类，有助于提升简易性、高效性以及通用性。
可选地，车景掩膜图像通过预设图像识别模型对原图像进行分割及二值化得到。
本发明实施例中，图2示出了原图像处在箭头以上以及车景掩膜图像处在箭头以下，原图像可以通过搭载无人机上的深度相机在城区出现大规模车辆分散在主要道路、分支道路和高架桥上的情形下拍照得到，在原图像中，车辆区域表达了处在路面上的车辆，场景区域表达了城区中未被大规模车辆占据的其他地方，车景掩膜图像与原图像尺寸（高度和宽度）相同在车景掩膜图像中，白色区域对应于车辆区域，黑色区域对应于场景区域，预设图像识别模型可以是预先训练例如Mask R-CNN模型或者Mask-SLAM等图像分割模型得到，以保证构建车景掩膜图像的准确性和效率。
可选地，参见图3及图4，S2包括S21至S24。
S21，根据车景掩膜图像同步地选定多个车辆区域并屏蔽场景区域，场景区域包括至少一个路面子区域，多个车辆区域分散在至少一个路面子区域内。
示例性地，在城区中，两条直线主道路分布在中央绿化带两侧，一条直线支道路与两条曲线支道路分别与位于中央绿化带一侧的直线主道路连通，一条腰形道路与位于中央绿化带另一侧的直线主道路被路侧绿化带及人行道隔离，17辆汽车分散在连通直线支道路的一条直线主道路上，在直线支道路以及远离直线支道路的另一条直线主道路上均没有车辆，2辆汽车分散在一条曲线支道路，1辆汽车在另一条曲线支道路上，5辆汽车分散在腰形道路上；相应地，参见图2，多个路面子区域分别表示一条腰形道路、一条直线支道路、两条曲线支道路以及两条直线主道路，17个车辆区域分散在对应的路面子区域一内，表示分散在连通直线支道路的直线主道路上的17辆汽车，4个车辆区域分散在对应的路面子区域二内，表示分散在同一曲线支道路上的2辆汽车，这是因为其中的各辆汽车高速行驶，捕捉车头和车位相较于车身的画面更清晰，1个车辆区域在对应的路面子区域三内，表示在另一曲线支道路的1辆汽车，4个车辆区域分散三对应的路面子区域四内，表示分散在腰形道路上的5辆汽车，这是因为其中的两辆汽车紧挨着，所以在原图像上呈现在同一车辆区域。
示例性地，参见图5，车景掩膜图像叠加在原图像上层，白色区域即为被选中的车辆区域，灰色区域即为被屏蔽的场景区域。
S22，检验原图像是否为三维图像，若是，则依次执行S23和S24，若否，则直接执行S24。
S23，分别对多个车辆区域进行纵深整平。
S24，根据至少一个路面子区域分别在多个车辆区域填充路面纹理。
或者，S22，根据至少一个路面子区域分别在多个车辆区域填充路面纹理，以形成一一对应的多个路面纹理修复区域；S23，检验原图像是否为二维图像，若是，则立即结束，若否，则执行完S24后结束；S24，分别对多个路面纹理修复区域进行纵深整平。
在一些实施例中，图像编辑类应用程序可以被例如笔记本电脑和智能手机等智能终端运行，以全自动或半自动执行S2，例如，可以显示便于用户浏览图像变化的界面，该界面包括图形控件，当用户针对该图像控件操作时，检测操作指令，响应于操作指令，检验原图像属于三维图像或者二维图像，例如，操作指令可以是诸如单击指令、双击指令和语音指令中的任一种，以增强交互性，有助于提升用户体验。
示例性地，大规模车辆区域被填充路面纹理后，原图像更新为图6示出的新图像。
在从S21时序地执行至S24过程中，在车景掩膜图像作用下，维持场景区域的几何结构与纹理不变，当原图像为二维图像时，被选中的每个车辆区域本身具有平整性，只需填充路面纹理，即可符合路面应有的纹理及平整要求，当原图像为三维图像时，被选中的每个车辆区域呈现突起的几何结构，既要填充路面纹理，还要整平纵深以扁平化几何结构，在整平纵深过程中，维持了车辆区域的高度和宽度均不变，区别于先抠图再平面补洞的修复方式，车辆区域并不会出现孔洞，更好地保留了几何特征，更好地契合于场景区域。
可选地，被填充在每个车辆区域的路面纹理通过预设纹理填补模型在多个路面子区域中确定，例如，在预设纹理填补模型处理过程中，针对任一车辆区域，从外圈向内圈遍历所有像素点，为每个像素点确定对应的矩形区域，在所有路面子区域中检测与矩形区域适配的纹理块，在位于矩形区域中心的像素点赋予处于被检测到的纹理块中心的像素点具有的路面纹理，相比于人工干预，兼顾了准确率和简易性。
可选地，S23或S24包括：在任一车辆区域或任一路面纹理修复区域确定重合于路面子区域的轮廓，分散在轮廓上的所有像素点各自为第一像素点，分散在轮廓以内的所有像素点各自为第二像素点，将每个第二像素点所属的深度调整至与对应的基准线段持平或逼近，便于为每个车辆区域快速地扁平化呈突起状的几何结构，其中，基准线段基于与对应的第二像素点共线的两个第一像素点表示。
示例性地，原图像所在的三维坐标系可以表示为XYZ，其中，X表示宽度方向，Y表示高度方向，Z表示纵深方向，参见图7，Z2表示一个第二像素点沿纵深方向Z的深度，Z11和Z12分别表示与具有深度Z2的第二像素点共线的两个第一像素点沿纵深方向Z的深度，分别具有深度Z11和Z12的两个第一像素点作为基准线段的两端点，可以沿纵深方向Z定位从具有深度Z2的第二像素点直达基准线段上的投影点，将该投影点应有的深度Z2 ˊ赋予对应的第二像素点，使Z2变成Z2 ˊ；其中，基准线段可以沿宽度方向X或者高度方向Y分布，也可以与宽度方向X和高度方向Y呈夹角分布，本发明实施例不做限制。
可选地，每个第二像素点经过调整的深度等于与对应的两个第一像素点适配的平均深度，例如，一平均深度可以表示为（Z11+Z12）/2。
在两个第一像素点之间的深度差为零情形下，第二像素点经过调整的深度与基准线段持平，在两个第一像素点之间的深度差大于零情形下，第二像素点经过调整的深度略高或略低于基准线段，相比于使第二像素点经过调整的深度等于Z2 ˊ的纵深整平方式，面对大量车辆区域，有助于提升准确率和自适应性。
本发明另一实施例的一种修复图像中车辆区域的装置，其包括：建图模块，用以根据呈现多个车辆区域分散在场景区域内的原图像生成车景掩膜图像；修图模块，用以根据车景掩膜图像和场景区域批量化对多个车辆区域进行路面特征修复。
可选地，修图模块包括：图像车景同步标识单元和图像路面局部修复单元。
图像车景同步标识单元，用以根据车景掩膜图像同步地选定多个车辆区域并屏蔽场景区域，场景区域包括至少一个路面子区域，多个车辆区域分散在至少一个路面子区域内。
图像路面局部修复单元，用以根据至少一个路面子区域分别在多个车辆区域填充路面纹理，当原图像为三维图像时，分别对经过填充得到的多个路面纹理修复区域进行纵深整平；或者，当原图像为三维图像时，分别对多个车辆区域进行纵深整平后，根据至少一个路面子区域分别在多个车辆区域填充路面纹理。
本发明另一实施例的计算机程序产品，其包括可被处理器执行的计算机程序，计算机程序被执行时，实现上述修复图像中车辆区域的方法。
在本申请实施例中，不限于计算机程序产品的具体形态，可以包括但限于：图像处理类软件/展示程序（demo）/小程序/程序类/宏等，也可以采用在一个或多个包含有计算机可用程序代码的计算机可读存储介质，还可以是计算设备存储并执行至少一条指令或至少一段计算机程序或代码集的计算设备，例如，服务器、笔记本电脑和智能手机等。
计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件，一个或多个计算机可执行组件可以是至少一个软件代码或其一部分，另外，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。
一般来说，用以实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载，任一存储介质可以是临时性的或非临时性的，可以包括但不限于电、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。
计算机可读存储介质可以是任何包含存储程序的有形介质，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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
该程序可以被指令执行系统、装置或者器件使用或者与其结合使用，以一种或多种程序设计语言或其组合来编写用以执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码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，连接到外部计算机（例如依据因特网服务提供商来通过因特网连接）。
上述修复图像中车辆区域的装置和计算机程序产品，可以参见上述修复图像中车辆区域的方法及其有益效果的具体描述，在此不再赘述。
尽管上面已经示出和描述了本发明的实施例，应当理解的是，上述实施例是示例性的，不能解释为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种修复图像中车辆区域的方法，其特征在于，包括：
根据呈现多个车辆区域分散在场景区域内的原图像生成车景掩膜图像；
根据所述车景掩膜图像和所述场景区域批量化对多个所述车辆区域进行路面特征修复；
其中，所述根据所述车景掩膜图像和所述场景区域批量化对多个所述车辆区域进行路面特征修复包括：
根据所述车景掩膜图像同步地选定多个所述车辆区域并屏蔽所述场景区域，所述场景区域包括至少一个路面子区域，多个所述车辆区域分散在至少一个所述路面子区域内；
根据至少一个所述路面子区域分别在多个所述车辆区域填充路面纹理，当所述原图像为三维图像时，分别对经过填充得到的多个路面纹理修复区域进行纵深整平；
或者，当所述原图像为三维图像时，分别对多个所述车辆区域进行纵深整平后，根据至少一个所述路面子区域分别在多个所述车辆区域填充路面纹理。
2.根据权利要求1所述的修复图像中车辆区域的方法，其特征在于，所述分别对多个所述车辆区域进行纵深整平包括：
确定每个所述车辆区域与其所在的所述路面子区域重合的轮廓，分散在所述轮廓上的所有像素点各自为第一像素点，分散在所述轮廓以内的所有像素点各自为第二像素点；
将每个所述第二像素点所属的深度调整至与对应的基准线段持平或逼近，其中，所述基准线段基于与对应的所述第二像素点共线的两个所述第一像素点表示。
3.根据权利要求2所述的修复图像中车辆区域的方法，其特征在于，每个所述第二像素点经过调整的深度等于与对应的两个所述第一像素点适配的平均深度。
4.根据权利要求1所述的修复图像中车辆区域的方法，其特征在于，被填充在每个所述车辆区域的路面纹理通过预设纹理填补模型在多个所述路面子区域中确定。
5.根据权利要求1-4任一项所述的修复图像中车辆区域的方法，其特征在于，所述车景掩膜图像通过预设图像识别模型对所述原图像进行分割及二值化得到。
6.一种修复图像中车辆区域的装置，其特征在于，包括：
建图模块，用以根据呈现多个车辆区域分散在场景区域内的原图像生成车景掩膜图像；
修图模块，用以根据所述车景掩膜图像和所述场景区域批量化对多个所述车辆区域进行路面特征修复；
其中，所述修图模块包括：
图像车景同步标识单元，用以根据所述车景掩膜图像同步地选定多个所述车辆区域并屏蔽所述场景区域，所述场景区域包括至少一个路面子区域，多个所述车辆区域分散在至少一个所述路面子区域内；
图像路面局部修复单元，用以根据至少一个所述路面子区域分别在多个所述车辆区域填充路面纹理，当所述原图像为三维图像时，分别对经过填充得到的多个路面纹理修复区域进行纵深整平；或者，当所述原图像为三维图像时，分别对多个所述车辆区域进行纵深整平后，根据至少一个所述路面子区域分别在多个所述车辆区域填充路面纹理。
7.根据权利要求6所述的修复图像中车辆区域的装置，其特征在于，所述图像路面局部修复单元具体用于：
确定每个所述车辆区域与其所在的所述路面子区域重合的轮廓，分散在所述轮廓上的所有像素点各自为第一像素点，分散在所述轮廓以内的所有像素点各自为第二像素点；
将每个所述第二像素点所属的深度调整至与对应的基准线段持平或逼近，其中，所述基准线段基于与对应的所述第二像素点共线的两个所述第一像素点表示。
8.一种计算机可读存储介质，其包括可被处理器执行的计算机程序，其特征在于，所述计算机程序被执行时，实现如权利要求1-5任一项所述的修复图像中车辆区域的方法。
CN202211133753.0A 2022-09-19 2022-09-19 修复图像中车辆区域的方法、装置和计算机程序产品 Active CN115272639B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211133753.0A CN115272639B (zh) 2022-09-19 2022-09-19 修复图像中车辆区域的方法、装置和计算机程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211133753.0A CN115272639B (zh) 2022-09-19 2022-09-19 修复图像中车辆区域的方法、装置和计算机程序产品

Publications (2)

Publication Number Publication Date
CN115272639A CN115272639A (zh) 2022-11-01
CN115272639B true CN115272639B (zh) 2022-12-23

Family

ID=83757675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211133753.0A Active CN115272639B (zh) 2022-09-19 2022-09-19 修复图像中车辆区域的方法、装置和计算机程序产品

Country Status (1)

Country Link
CN (1) CN115272639B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111696118A (zh) * 2020-05-25 2020-09-22 东南大学 动态场景下基于语义分割与图像修复的视觉回环检测方法
CN112884831A (zh) * 2021-02-02 2021-06-01 清华大学 一种基于概率掩膜提取室内停车场长期静态特征的方法
CN113330480A (zh) * 2019-02-11 2021-08-31 康蒂-特米克微电子有限公司 模块化图像修复方法
WO2022121031A1 (zh) * 2020-12-10 2022-06-16 广州广电运通金融电子股份有限公司 基于部分卷积和掩膜更新的指静脉图像修复方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11361574B2 (en) * 2019-10-23 2022-06-14 Bendix Commercial Vehicle Systems Llc System and method for monitoring for driver presence and position using a driver facing camera

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113330480A (zh) * 2019-02-11 2021-08-31 康蒂-特米克微电子有限公司 模块化图像修复方法
CN111696118A (zh) * 2020-05-25 2020-09-22 东南大学 动态场景下基于语义分割与图像修复的视觉回环检测方法
WO2022121031A1 (zh) * 2020-12-10 2022-06-16 广州广电运通金融电子股份有限公司 基于部分卷积和掩膜更新的指静脉图像修复方法
CN112884831A (zh) * 2021-02-02 2021-06-01 清华大学 一种基于概率掩膜提取室内停车场长期静态特征的方法

Also Published As

Publication number Publication date
CN115272639A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
US20210406561A1 (en) Systems and methods for lane detection
CN103814306B (zh) 深度测量质量增强
US11301981B2 (en) System of vehicle inspection and method thereof
CN112102489B (zh) 导航界面显示方法、装置、计算设备和存储介质
Zhang et al. Automatic object removal with obstructed façades completion using semantic segmentation and generative adversarial inpainting
JP7385942B2 (ja) コンテキストアウェアな意味的コンピュータ視覚技術を使用して公共基幹施設の異常を検出するシステム及び方法
KR20150046810A (ko) 영상 처리 방법 및 장치
CN111353957A (zh) 图像处理方法、装置、存储介质及电子设备
CN115272639B (zh) 修复图像中车辆区域的方法、装置和计算机程序产品
CN113160382B (zh) 基于隐式模板映射的单视图车辆重建方法和装置
CN117197296A (zh) 交通道路场景模拟方法、电子设备及存储介质
CN115793715B (zh) 一种无人机辅助飞行方法、系统、装置及存储介质
CN115468578B (zh) 路径规划方法、装置、电子设备和计算机可读介质
CN110705134A (zh) 行驶测试方法、装置、设备及计算机可读存储介质
Li et al. A fast fusion method for multi-videos with three-dimensional GIS scenes
Fan et al. Collaborative three-dimensional completion of color and depth in a specified area with superpixels
CN114742726A (zh) 盲区的检测方法、装置、电子设备及存储介质
CN104504677A (zh) 一种基于可变视角的图像生成方法
Wu et al. EMIE-MAP: Large-Scale Road Surface Reconstruction Based on Explicit Mesh and Implicit Encoding
CN114581876A (zh) 构建复杂场景下车道检测模型的方法和检测车道线方法
KR102605696B1 (ko) 정밀도로지도기반의 cctv 카메라 자세 및 객체 좌표 추정 방법 및 시스템
CN115546071B (zh) 一种适于图像恢复的数据处理方法和设备
KR102495954B1 (ko) 2d 이미지를 이용한 3d 모델 생성 방법, 3d 모델 생성 시스템 및 이를 위한 컴퓨터 프로그램
CN117315406B (zh) 一种样本图像处理方法、装置及设备
CN108875640B (zh) 一种端到端无监督场景可通行区域认知能力的测试方法

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