CN117456483B - 一种基于图像处理的智能交通行车安全警示方法及装置 - Google Patents
一种基于图像处理的智能交通行车安全警示方法及装置 Download PDFInfo
- Publication number
- CN117456483B CN117456483B CN202311801821.0A CN202311801821A CN117456483B CN 117456483 B CN117456483 B CN 117456483B CN 202311801821 A CN202311801821 A CN 202311801821A CN 117456483 B CN117456483 B CN 117456483B
- Authority
- CN
- China
- Prior art keywords
- image
- projection
- result
- processing
- warning
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000013139 quantization Methods 0.000 claims description 79
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000009466 transformation Effects 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 9
- 230000001131 transforming effect Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 238000003672 processing method Methods 0.000 description 7
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 241000023320 Luma <angiosperm> Species 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N9/00—Details of colour television systems
- H04N9/12—Picture reproducers
- H04N9/31—Projection devices for colour picture display, e.g. using electronic spatial light modulators [ESLM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Atmospheric Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理的智能交通行车安全警示方法及装置,该方法包括:采集车辆周围的环境图像,其中,环境图像为RGB格式图像;将RGB格式图像转换为YUV格式图像,对YUV格式图像进行去噪处理,并将去噪后的YUV格式图像转换为RGB格式图像,得到去噪后的环境图像;将去噪后的环境图像输入预先训练的投影区域识别模型进行识别,输出识别结果;根据识别结果进行投影,以形成警示标识;对警示标识进行识别验证,并根据验证结果对投影进行修正操作。通过本发明提供的方案,可以在车辆行驶过程中遇到突发状况时,快速发出警示信息帮助后方车辆迅速做出行驶反应,有效避免车辆事故的发生。
Description
技术领域
本发明属于智能交通技术领域,具体涉及一种基于图像处理的智能交通行车安全警示方法及装置。
背景技术
现有的汽车在车道上应急停车,抛锚或发生车祸时,通常有两种方式来设置警示信息提醒后方车辆:一种是通过警告开关打开汽车双闪警示灯,另一种是在车辆后方一定距离摆放三脚架标识。在车辆后方摆放三脚架标识,只能通过人工手段来摆放,同时存在摆放距离不够的缺点;尤其是在高速公路上,过往车辆速度快,存在人工摆放不及时和人身安全等隐患。
智能交通是指利用先进的信息和通信技术来提高交通系统的效率、可持续性和安全性的交通管理方式。基于图像处理的智能交通行车安全警示是智能交通系统中的一个重要组成部分,旨在提醒驾驶员注意交通安全并减少交通事故的发生。基于图像处理的智能交通行车安全警示系统可以提高驾驶员的警觉性,减少交通事故的发生,遇到突发状况时及时为后面车辆提供警示信息,为道路使用者提供更安全的交通环境。当车辆遇到突发状况时,如何利用智能交通技术对后方车辆进行及时、有效地警示仍然是目前亟待解决的问题。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于图像处理的智能交通行车安全警示方法及装置。本发明要解决的技术问题通过以下技术方案实现:
第一方面,本发明提供了一种基于图像处理的智能交通行车安全警示方法,包括:
采集车辆周围的环境图像,其中,所述环境图像为RGB格式图像;
将所述RGB格式图像转换为YUV格式图像,对所述YUV格式图像进行去噪处理,并将去噪后的YUV格式图像转换为RGB格式图像,得到去噪后的环境图像;
将所述去噪后的环境图像输入预先训练的投影区域识别模型进行识别,输出识别结果;其中,所述识别结果为优先投影区域标识图像、可投影区域标识图像或禁止投影区域标识图像中的至少一种;所述优先投影区域标识图像所对应的环境图像为优先投影区域,所述可投影区域标识图像所对应的环境图像为可投影区域,所述禁止投影区域标识图像所对应的环境图像为禁止投影区域;
当所述识别结果为优先投影区域标识图像或可投影区域标识图像时,控制投影模块在该优先投影区域标识图像对应的优先投影区域或该可投影区域标识图像对应的可投影区域投射包含警示信息的图像,所述包含警示信息的图像构成对后方车辆警示的警示标识;当所述识别结果为禁止投影区域标识图像时,则不进行投影,并重新采集车辆周围的环境图像;
对所述警示标识进行识别验证,并根据识别验证结果对所述投影进行修正操作。
进一步地,所述对所述YUV格式图像进行去噪处理,包括:
提取所述YUV格式图像中的Y分量图像、U分量图像和V分量图像;
对所述Y分量图像、所述U分量图像和所述V分量图像分别进行去噪处理;
将去噪处理后的Y分量图像、U分量图像和V分量图像合并。
进一步地,对所述Y分量图像进行去噪处理,包括:
针对Y分量图像的每一图像块进行从空域到频域的变换;
对变换结果采用量化矩阵进行量化处理,其中,所述量化矩阵中的量化系数,按照Z字型扫描的方向从左上到右下以等长的步进逐渐增大;
对量化处理结果进行小数点位处理;
对小数点位处理后的结果进行反量化;
对反量化后的结果进行从频域到空域的逆变换,得到去噪后的Y分量图像。
进一步地,对所述U分量图像和所述V分量图像进行去噪处理的方法相同,均包括:
对于每一图像块的水平维度和垂直维度,均进行从空域到频域的变换;
将变换得到的频域矩阵中绝对值小于预设值的交流分量系数设置为0,其中,所述预设值事先是根据大量样本数据进行实验,通过去噪效果评判后确定去噪效果较优的自然数;
对置0后的矩阵通过进行从频域到空域的逆变换,得到去噪后的图像块。
进一步地,所述预先训练的投影区域识别模型的训练方法包括:
根据投影区域参数信息将典型路况场景划分为投影区域和禁止投影区域;
对所述投影区域和所述禁止投影区域赋予不同的权重,标识出优先投影、可投影和禁止投影三种类别的图像;
将带有标识的三种类别的图像输入智能识别模型进行训练。
进一步地,所述当所述识别结果为优先投影区域标识图像或可投影区域标识图像时,控制投影模块在该优先投影区域标识图像对应的优先投影区域或该可投影区域标识图像对应的可投影区域投射包含警示信息的图像,包括:
根据优先投影区域标识图像或可投影区域标识图像的位置信息及投影模块的位置信息,计算所述投影模块的俯仰角和偏转角;
根据所述投影模块的俯仰角和偏转角调节所述投影模块对所述优先投影区域标识图像所对应的优先区域投射包含警示信息的图像,或对所述可投影区域图像所对应的可投影区域投射包含警示信息的图像。
进一步地,所述对所述警示标识进行识别验证,并根据识别验证结果对所述投影进行修正操作,包括:
采集所述警示标识的警示标识图像;
将所述警示标识图像输入投影标识识别模型进行识别,确定所述警示标识图像是否有畸变;
若识别结果为有畸变,则对所述投影进行投影角度调整、投影拉伸调整或投影缩放调整。
第二方面,本发明实施例还提供了一种基于图像处理的智能交通行车安全警示装置,包括:
图像采集模块,用于采集车辆周围的环境图像,其中,所述环境图像为RGB格式图像;
图像处理模块,用于将所述RGB格式图像转换为YUV格式图像,对所述YUV格式图像进行去噪处理,并将去噪后的YUV格式图像转换为RGB格式图像,得到去噪后的环境图像;
图像识别模块,用于将所述去噪后的环境图像输入预先训练的投影区域识别模型进行识别,输出识别结果;其中,所述识别结果为优先投影区域标识图像、可投影区域标识图像或禁止投影区域标识图像中的至少一种;所述优先投影区域标识图像所对应的环境图像为优先投影区域,所述可投影区域标识图像所对应的环境图像为可投影区域,所述禁止投影区域标识图像所对应的环境图像为禁止投影区域;
投影成像模块,用于当所述识别结果为优先投影区域标识图像或可投影区域标识图像时,在该优先投影区域标识图像对应的优先投影区域或该可投影区域标识图像对应的可投影区域投射包含警示信息的图像,所述包含警示信息的图像构成对后方车辆警示的警示标识;当所述识别结果为禁止投影区域标识图像时,则不进行投影,并启动所述图像采集模块重新采集车辆周围的环境图像;
投影修正模块,用于对所述警示标识进行识别验证,并根据识别验证结果对所述投影进行修正操作。
进一步地,所述对所述YUV格式图像进行去噪处理,包括:
提取所述YUV格式图像中的Y分量图像、U分量图像和V分量图像;
对所述Y分量图像、所述U分量图像和所述V分量图像分别进行去噪处理;
将去噪处理后的Y分量图像、U分量图像和V分量图像合并。
进一步地,对所述Y分量图像进行去噪处理,包括:
针对Y分量图像的每一图像块进行从空域到频域的变换;
对变换结果采用量化矩阵进行量化处理,其中,所述量化矩阵中的量化系数,按照Z字型扫描的方向从左上到右下以等长的步进逐渐增大;
对量化处理结果进行小数点位处理;
对小数点位处理后的结果进行反量化;
对反量化后的结果进行从频域到空域的逆变换,得到去噪后的Y分量图像。
与现有技术相比,本发明提供的基于图像处理的智能交通行车安全警示方法和装置,在车辆行驶过程中若出现突发状况,可以非常迅速且精准地在车辆周围环境中识别出优先投影的区域,并将相应的警示信息通过投影告知后方车辆,由于投影警示信息相对于现有的双闪警示灯以及摆放三脚架标识更为显著并具有更高的时效性,可以帮助后方车辆迅速做出行驶判断,有效避免车辆事故的发生。
附图说明
图1是本发明实施例提供的一种基于图像处理的智能交通行车安全警示方法的流程示意图;
图2是本发明实施例提供的一种图像处理方法的流程示意图;
图3是本发明实施例提供的一种对Y分量图像进行去噪处理的流程示意图;
图4是本发明实施例提供的一种投影区域识别模型的训练方法的流程示意图;
图5是本发明实施例提供的一种基于图像处理的智能交通行车安全警示装置的结构示意图。
实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
为了解决现有道路上行驶的汽车在遇到紧急停车时对后方车辆不能及时有效提醒,以及存在人身安全隐患等问题,本发明第一方面提供了一种基于图像处理的智能交通行车安全警示方法。如图1所示,本发明实施例提供的一种基于图像处理的智能交通行车安全警示方法,包括:
S1、采集车辆周围的环境图像,其中,环境图像为RGB格式图像。
通过车载摄像头等感知设备获取到车辆周围的环境图像信息,车辆周围的环境图像可以提供实时的环境感知信息,帮助车辆更好地理解周围的交通状况。本发明实施例获取车辆周围的环境图像的目的是为了在车辆有突发状况时通过采集的环境图像来识别可投影区域,并通过投影警示信息对后车及时形成警示。
需要说明的是,本发明实施例中的车辆突发状况包括车辆发生故障、车祸、紧急变道或遇到突发事故紧急刹车等情况。
S2、将RGB格式图像转换为YUV格式图像,对YUV格式图像进行去噪处理,并将去噪后的YUV格式图像转换为RGB格式图像,得到去噪后的环境图像。
由于在实际测试过程中发现,在采集车辆周围环境图像过程中,由于多种因素的影响,例如摄像头感光元件的噪声、环境光线变化、天气条件等,采集到的图像中可能存在各种类型的噪声。这些噪声会影响图像的清晰度、细节和对比度,降低图像的可读性和信息量。由于该环境图像要作为投影区域的识别图像,对后续进行警示标识的投影非常重要,因此对于发生突发状况的车辆来说,该环境图像的准确度对后续的警示的有效性至关重要。基于此,本发明在采集到环境图像后,并在将环境图像输入预先训练的投影区域识别模型进行识别之前,增加了对环境图像处理的步骤。
由于直接拍摄的图像为RGB格式图像,在RGB格式中,“R”(红色)、“G”(绿色)和“B”(蓝色)通道的值是直接表示颜色的,而在YUV格式中,“Y”表示明亮度(Luminance或Luma),也就是灰阶值,“U”和“V”表示的则是色度(Chrominance或Chroma),作用是描述影像色彩及饱和度,用于指定像素的颜色Y通道表示图像的亮度信息,也即,Y通道表示图像的亮度信息,U和V通道表示图像的色度信息。
由于人眼对亮度的感知更加敏感,而对色度的感知相对较弱,因此在进行图像处理时,可以更加专注于亮度通道的去噪,或者对亮度通道和色度通道采用不用力度的去噪方法。
作为一种实施方式,如图2所示,对YUV格式图像进行去噪处理,包括:
S21、提取YUV格式图像中的Y分量图像、U分量图像和V分量图像。
通过分离通道的方法将YUV格式图像分离为Y通道、U通道和V通道,将Y通道提取出来,即可得到Y分量图像;同样地,将U通道和V通道分别提取出来,即可得到U分量图像和V分量图像。这些分量图像包含了图像的亮度信息、色度信息,以便于根据需要分别对这些分量图像进行处理。
S22、对Y分量图像、U分量图像和V分量图像分别进行去噪处理。
示例性地,本发明实施例中对Y分量图像的去噪处理方法,如图3所示,包括步骤:
S221、对每一图像块进行从空域到频域的变换。
具体地,可以采用二维离散傅里叶变换(DFT)或快速傅里叶变换(FFT)算法,将每个图像块从空域表示转换为频域表示。通过将图像从像素域表示转换为频域表示,可以提取图像中的频域信息,实现对图像的频域操作,从而获得不同的图像效果或实现特定的图像处理任务。
每一图像块经频域变换后形成频域变换矩阵,以便进行后续的频域操作。
S222、对变换结果采用量化矩阵进行量化处理,其中,量化矩阵中的量化系数,按照Z字型扫描的方向从左上到右下以等长的步进逐渐增大。
本步骤中,采用量化矩阵对频域变换矩阵进行量化处理,具体包括:
将频域变换矩阵中和量化矩阵中相同位置的元素分别相除,各个位置的对应元素像素的结果即构成新的量化处理结果。
需要特别指出的是,本发明实施例中的量化矩阵有具体的要求,该量化矩阵中的量化系数,按照Z字型扫描的方向从左上到右下以等长的步进逐渐增大。
本发明实施例中量化矩阵的量化系数优选为按照Z字型扫描的方向从左上到右下以等长的步进逐渐增大,具体可以有两种不同的方式。一种是从左上角的第一个量化系数开始先纵向向下再向右上的方向依次扫描至最右下角;另一种是从左上角的第一个量化系数先横向向右再向左下的方向依次扫描至最右下角。这两种扫描的方式可以任意选择。
此外,本步骤中涉及的以等长的步进逐渐增大,是指量化系数按照Z字型扫描的方向从左上到右下递增的步长是相同的,比如,量化矩阵中第一横排量化系数为2,4,6,8,第二横排量化系数4,6,8,10,第三横排量化系数为6,8,10,12,第四横排量化系数为8,10,12,14;该量化矩阵的量化系数即为上述第二种扫描方式且以步长为2从左上到右下递增。
通过上述方法采用量化矩阵对频域变换矩阵进行量化处理后,得到的量化结果能够更大程度的保留原子像素矩阵中的图像信息,在结合后续的对量化处理结果进行小数点位处理,可以有效去除图像的噪声。
S223、对量化处理结果进行小数点位处理。
在量化处理过程中难免会引入量化误差,如果在量化后直接舍弃小数点位,会导致原始数据的一部分信息丢失。基于此,本发明实施例进一步通过对量化结果进行小数点位处理。
作为一种优选的实施方法,对量化处理结果进行小数点位处理的具体方法可以包括:
S2231、根据量化处理结果计算量化处理结果中每个像素的梯度的绝对值;
S2232、根据每个像素的梯度的绝对值计算所有像素的梯度绝对值的最大值;
S2233、根据不同区间划分的梯度绝对值的最大值与保留小数点位数之间的对应关系,确定梯度绝对值的最大值所对应的小数点位数;
S2234、根据确定的小数点位数对量化处理结果进行小数点位处理。
需要说明的是,上述步骤中涉及的梯度绝对值的最大值与保留小数点位数之间的对应关系,该对应关系可以预先通过实验确定。该实验所基于的原理是通过变换保留不同的小数位数的图像进行去噪实验,并计算去噪图像中所有像素的梯度绝对值的最大值,之后采用统一的评价标准评价降噪效果,根据降噪效果的好坏去确定所要保留的小数位数,从而建立起梯度绝对值的最大值与保留小数点位数之间的对应关系,并根据该对应关系直接确定所需保留的小数点位数。
本发明实施例通过对量化结果小数点位数处理,可以在一定程度上减小量化误差,让图像的像素值具有更多的变化范围,有助于保留更多的细节和减小信息损失,从而提高降噪算法的效果。
S224、对小数点位处理后的结果进行反量化。
具体地,本步骤中对小数点位处理后的结果进行反量化的方法为:将小数点位处理后的结果中的各数值乘以前述步骤的确定的量化矩阵中的量化系数。
S225、对反量化后的结果进行从频域到空域的逆变换,得到去噪后的图像块。
针对Y分量图像,采用上述量化系数按照Z字型扫描的方向从左上到右下以等长的步进逐渐增大的量化矩阵对Y分量图像进行量化处理,并结合小数点位处理方法对量化结果进行保留小数点位处理;在该去噪过程中,具体可以以四边形为图像块对Y分量图像进行遍历去噪,每一个四边形图像块均从水平频域变换和垂直频域变换两个维度进行量化矩阵和小数点位处理降噪,该方法相对于现有的滤波去噪方法,对亮度的去噪效果更好,能够更大程度的保留原子像素矩阵中的图像信息,减小量化误差,提高降噪的效果。
作为一种优选的实施方式,对U分量图像和V分量图像的去噪处理可以采用交流分量系数归零去噪法,该方法的原理是:将频域变换得到的频域值中部分交流分量系数的数值更改为0,由于频域值构成的矩阵中,交流分量系数相较于直流分量系数对图像能量的影响较小,将交流分量系数中影响更小的一部分修正为0,可以简便快速地去除噪声且不影响图像质量。
示例地,该方法可以包括:
S2251、对于每一图像块的水平维度和垂直维度,均进行从空域到频域的变换;
S2252、将变换得到的频域矩阵中绝对值小于预设值的交流分量系数设置为0,预设值事先是根据大量样本数据进行实验,通过去噪效果评判后确定去噪效果较优的自然数。预设值可以大于1,比如预设值为1.2,这样为0的交流分量系数会更多,去噪强度也更大;预设值也可以等于1或小于1,比如预设值为0.8,这样去噪力度稍微弱一些。具体地,预设值可以根据不同维度的去噪需求而设置不同。
S2253、对置0后的矩阵通过进行从频域到空域的逆变换,得到去噪后的图像块。
由于U分量图像和V分量图像代表的都是色度图像,因此U分量图像和V分量图像可以采用相同的交流分量系数归零去噪法,可以在保证图像质量的前提下,快速去除图像的噪声。此外,针对Y分量图像的量化矩阵和小数点位处理降噪方法与针对U分量图像和V分量图像的交流分量系数归零去噪法能够很好地适配,YUV图像整体降噪效果明显。
S23、将去噪处理后的Y分量图像、U分量图像和V分量图像合并。
由于采用不同的去噪处理方法对代表亮度的Y分量图像及代表色度的U分量图像和V分量图像分别进行了处理,将去噪处理后的Y分量图像、U分量图像和V分量图像合并,合并成YUV格式图像。为了方便后续的显示,还需将该去噪后的YUV格式图像转换为RGB格式图像,得到去噪后的环境图像。
通过对环境图像进行降噪处理,使得环境图像的细节更加清晰可见,有助于更准确地分析和理解环境图像内容;同时可以提高环境图像的对比度,使得环境图像中的目标物体与背景之间的区分度更高,更容易进行目标检测和识别;此外,如果在后续的图像处理和分析任务中使用噪声较多的图像,可能会导致处理结果的不准确性和误判。通过对环境图像进行降噪处理,可以降低后续处理误差的可能性,提高处理结果的准确性和可靠性。
S3、将去噪后的环境图像输入预先训练的投影区域识别模型进行识别,输出识别结果;其中,识别结果为优先投影区域标识图像、可投影区域标识图像或禁止投影区域标识图像中的至少一种;优先投影区域标识图像所对应的环境图像为优先投影区域,可投影区域标识图像所对应的环境图像为可投影区域,禁止投影区域标识图像所对应的环境图像为禁止投影区域。
投影区域识别模型是一种用于识别车辆周围环境中的投影区域的模型。在自动驾驶技术和智能交通系统中,投影区域通常指的是车辆周围的地面或其他平面上的阴影或光影区域。识别投影区域可以帮助车辆更好地理解周围环境并做出相应的决策。需要说明的是,本发明实施例中的投影区域可以包括车辆后方的地面、车辆两旁的地面,以及道路旁边可用于投影的区域。
本步骤中,需要对用于识别环境图像是否可投影的投影区域识别模型预先进行训练,训练的方法如图4所示,包括以下步骤:
S31、根据投影区域参数信息将典型路况场景划分为投影区域和禁止投影区域。
首先需要收集带有标注的车辆周围环境图像和对应的投影区域标签,这些图像可以通过车载摄像头或其他感知设备获取,并由人工进行标注。本步骤中的投影区域参数信息包括道路种类、路面状态、投影距离和投影角度,根据这些信息对图像进行标注。根据标注的信息将典型路况场景划分为投影区域和禁止投影区域。
S32、对投影区域和禁止投影区域赋予不同的权重,标识出优先投影、可投影和禁止投影三种类别的图像。
通过对训练数据进行标注,将投影区域和禁止投影区域分别标记为不同的类别。例如,可以将优先投影区域标记为类别1,可投影区域标记为类别2,禁止投影区域标记为类别3。可以使用权重调整策略,使模型更加关注优先投影区域并准确识别出各个类别的图像。
S33、将带有标识的三种类别的图像输入智能识别模型进行训练。
智能识别模型可以采用CNN卷积神经网络模型,通过输入带有三种标识的车辆周围环境图像,输出对应的优先投影、可投影和禁止投影标签信息。
本发明实施例通过将环境图像输入预先训练的投影区域识别模型进行识别,输出识别结果。即可以通过该识别结果获知车辆周围环境哪里是优先投影区域,哪里是可投影区域,哪里是禁止投影区域,以便于后续投影呈现更好的投影警示效果。
S4、当识别结果为优先投影区域标识图像或可投影区域标识图像时,控制投影模块在该优先投影区域标识图像对应的优先投影区域或该可投影区域标识图像对应的可投影区域投射包含警示信息的图像,包含警示信息的图像构成对后方车辆警示的警示标识;当识别结果为禁止投影区域标识图像时,则重新采集车辆周围的环境图像。
本步骤中当识别结果为优先投影区域标识图像或可投影区域标识图像时,控制投影模块在该优先投影区域标识图像对应的优先投影区域或该可投影区域标识图像对应的可投影区域投射包含警示信息的图像,具体包括:
S41、根据优先投影区域标识图像或可投影区域标识图像的位置信息及投影模块的位置信息,计算投影模块的俯仰角和偏转角;
S42、根据投影模块的俯仰角和偏转角调节投影模块对优先投影区域标识图像所对应的优先区域投射包含警示信息的图像,或对可投影区域图像所对应的可投影区域投射包含警示信息的图像。
需要说明的是, 本发明具体的投影形式可以根据实际需要和应用场景进行设计和配置。在投影警示标识时,可以根据需要选择合适的投影内容和形式。例如,可以投影交通标志、路况信息、车祸信息、紧急变道信息、行车警示或其他需要提醒的信息;投影的类型可以是预先对应设置的图片或文字,车辆驾驶者可以根据预先设置车辆的突发状况类型与需要投影的内容的对应关系选择对应的警示信息进行投影。示例性地,车辆驾驶者可以根据车辆行驶情况或故障情况在车辆上的操控屏幕上对应选择相应的投影内容,比如,车辆故障时,选择三角警示图案,则在车辆后方的地面或车辆周围的合适区域投影出三角警示图案,这样的投影可以非常快速地对后车进行警示,尤其是在高速路上遇到车辆故障时,能够非常迅速对后方高速行驶的车辆进行预警,既能帮助后车驾驶员快速做出判断和反应避免连环撞车事故的发生,又能避免故障车辆驾驶员下车去车辆后方手动放置三角警示牌时的人身危险。
S5、对警示标识进行识别验证,并根据识别验证结果对投影进行修正操作。
本步骤对警示标识进行识别验证,并根据识别验证结果对投影进行修正操作,具体包括:
S51、采集警示标识的警示标识图像。
本步骤可以通过车载摄像头拍摄前述所形成的警示标识的图像。
S52、将警示标识图像输入投影标识识别模型进行识别,确定警示标识图像是否有畸变。
由于道路环境复杂或投影的精度问题可能会造成投影的警示标识图像有所畸变,通过将拍摄的警示标识图像输入投影标识识别模型进行识别,可以确定警示标识图像是否有畸变。
这里的投影标识识别模型为通过标注有畸变或标准的警示标识图像样本预先训练的深度学习网络模型,深度学习网络模型可以为现有的CNN卷积神经网络,通过大量样本的训练使其具备识别投影标识是否有畸变的能力。
S53、若识别结果为有畸变,则对投影进行投影角度调整、投影拉伸调整或投影缩放调整。
需要说明的是,本发明实施例中对投影的矫正调整可以采用手动调整,但优先选用自动调整的方法,可以采用计算机视觉中的图像校正算法来实现。比如对角度的调整,可以使用图像旋转算法来自动调整投影的角度,具体地,可以通过检测投影图像中的直线或边缘,在图像上进行旋转操作,使直线或边缘与预期的水平或垂直方向对齐。对拉伸的调整,可以使用图像变形算法来自动调整投影图像的拉伸,具体地,可以通过检测投影图像中的特定标记或特征点,计算出图像在水平和垂直方向上的拉伸比例,然后对图像进行相应的变形操作,使得图像的比例恢复正常。对投影缩放的调整,可以使用图像缩放算法来自动调整投影图像的大小,具体地,可以通过检测投影图像中的边缘或特定区域,并计算出图像的缩放比例,然后对图像进行缩放操作,使得图像的大小符合标准图像大小。
通过对投影的警示标识图像进行校正,可以确保投影的显示质量和信息可靠性,帮助后面车辆更好地理解警示车辆的突发状况并及时做出正确的决策。
通过本发明实施例提供的上述基于图像处理的智能交通行车安全警示方法,在车辆行驶过程中若出现突发状况,可以非常迅速地在车辆周围环境中识别出优先投影的区域,并将相应的警示信息通过投影告知后方车辆,由于投影警示信息相对于现有的双闪警示灯以及摆放三脚架标识更为显著并具有更高的时效性,可以帮助后方车辆迅速做出行驶判断,有效避免车辆事故的发生。
另一方面,如图5所示,本发明实施例还提供了一种基于图像处理的智能交通行车安全警示装置,包括:
图像采集模块100,用于采集车辆周围的环境图像,其中,环境图像为RGB格式图像。
图像处理模块200,用于将RGB格式图像转换为YUV格式图像,对YUV格式图像进行去噪处理,并将去噪后的YUV格式图像转换为RGB格式图像,得到去噪后的环境图像。
图像识别模块300,用于将去噪后的环境图像输入预先训练的投影区域识别模型进行识别,输出识别结果;其中,识别结果为优先投影区域标识图像、可投影区域标识图像或禁止投影区域标识图像中的至少一种;优先投影区域标识图像所对应的环境图像为优先投影区域,可投影区域标识图像所对应的环境图像为可投影区域,禁止投影区域标识图像所对应的环境图像为禁止投影区域。
投影成像模块400,用于当识别结果为优先投影区域标识图像或可投影区域标识图像时,在该优先投影区域标识图像对应的优先投影区域或该可投影区域标识图像对应的可投影区域投射包含警示信息的图像,包含警示信息的图像构成对后方车辆警示的警示标识;当识别结果为禁止投影区域标识图像时,则不进行投影,并启动图像采集模块重新采集车辆周围的环境图像。
投影修正模块500,用于对警示标识进行识别验证,并根据识别验证结果对投影进行修正操作。
其中,图像处理模块用于执行以下图像处理方法:
提取YUV格式图像中的Y分量图像、U分量图像和V分量图像;
对Y分量图像、U分量图像和V分量图像分别进行去噪处理;
将去噪处理后的Y分量图像、U分量图像和V分量图像合并。
进一步地,对Y分量图像进行去噪处理,包括:
针对Y分量图像的每一图像块进行从空域到频域的变换;
对变换结果采用量化矩阵进行量化处理,其中,量化矩阵中的量化系数,按照Z字型扫描的方向从左上到右下以等长的步进逐渐增大;
对量化处理结果进行小数点位处理;
对小数点位处理后的结果进行反量化;
对反量化后的结果进行从频域到空域的逆变换,得到去噪后的Y分量图像。
上述图像处理模块中,对Y分量图像的去噪处理方法,对U分量图像和V分量图像的去噪处理方法分别与上述第一方面的基于图像处理的智能交通行车安全警示方法中对应的方法相同,且具有相同的技术效果,在此不再赘述。
基于同样的发明构思,本发明实施例提供的基于图像处理的智能交通行车安全警示装置各模块实现的具体功能以及所采用的具体技术手段与上述实施例提供的基于图像处理的智能交通行车安全警示方法相同,可以达到相同的效果,在此不再赘述。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (6)
1.一种基于图像处理的智能交通行车安全警示方法,其特征在于,包括:
采集车辆周围的环境图像,其中,所述环境图像为RGB格式图像;
将所述RGB格式图像转换为YUV格式图像,对所述YUV格式图像进行去噪处理,并将去噪后的YUV格式图像转换为RGB格式图像,得到去噪后的环境图像;
将所述去噪后的环境图像输入预先训练的投影区域识别模型进行识别,输出识别结果;其中,所述识别结果为优先投影区域标识图像、可投影区域标识图像或禁止投影区域标识图像中的至少一种;所述优先投影区域标识图像所对应的环境图像为优先投影区域,所述可投影区域标识图像所对应的环境图像为可投影区域,所述禁止投影区域标识图像所对应的环境图像为禁止投影区域;
当所述识别结果为优先投影区域标识图像或可投影区域标识图像时,控制投影模块在该优先投影区域标识图像对应的优先投影区域或该可投影区域标识图像对应的可投影区域投射包含警示信息的图像,所述包含警示信息的图像构成对后方车辆警示的警示标识;当所述识别结果为禁止投影区域标识图像时,则不进行投影,并重新采集车辆周围的环境图像;
对所述警示标识进行识别验证,并根据识别验证结果对所述投影进行修正操作;
其中,所述对所述YUV格式图像进行去噪处理,包括:
提取所述YUV格式图像中的Y分量图像、U分量图像和V分量图像;
对所述Y分量图像、所述U分量图像和所述V分量图像分别进行去噪处理;
将去噪处理后的Y分量图像、U分量图像和V分量图像合并;
所述对所述Y分量图像进行去噪处理,包括:
针对Y分量图像的每一图像块进行从空域到频域的变换;
对变换结果采用量化矩阵进行量化处理,其中,所述量化矩阵中的量化系数,按照Z字型扫描的方向从左上到右下以等长的步进逐渐增大;
对量化处理结果进行小数点位处理,具体包括:根据量化处理结果计算量化处理结果中每个像素的梯度的绝对值;根据每个像素的梯度的绝对值计算所有像素的梯度绝对值的最大值;根据不同区间划分的梯度绝对值的最大值与保留小数点位数之间的对应关系,确定梯度绝对值的最大值所对应的小数点位数;根据确定的小数点位数对量化处理结果进行小数点位处理;
对小数点位处理后的结果进行反量化;
对反量化后的结果进行从频域到空域的逆变换,得到去噪后的Y分量图像。
2.根据权利要求1所述的基于图像处理的智能交通行车安全警示方法,其特征在于,对所述U分量图像和所述V分量图像进行去噪处理的方法相同,均包括:
对于每一图像块的水平维度和垂直维度,均进行从空域到频域的变换;
将变换得到的频域矩阵中绝对值小于预设值的交流分量系数设置为0,其中,所述预设值事先是根据大量样本数据进行实验,通过去噪效果评判后确定去噪效果较优的自然数;
对置0后的矩阵通过进行从频域到空域的逆变换,得到去噪后的图像块。
3.根据权利要求1所述的基于图像处理的智能交通行车安全警示方法,其特征在于,所述预先训练的投影区域识别模型的训练方法包括:
根据投影区域参数信息将典型路况场景划分为投影区域和禁止投影区域;
对所述投影区域和所述禁止投影区域赋予不同的权重,标识出优先投影、可投影和禁止投影三种类别的图像;
将带有标识的三种类别的图像输入智能识别模型进行训练。
4.根据权利要求1所述的基于图像处理的智能交通行车安全警示方法,其特征在于,所述当所述识别结果为优先投影区域标识图像或可投影区域标识图像时,控制投影模块在该优先投影区域标识图像对应的优先投影区域或该可投影区域标识图像对应的可投影区域投射包含警示信息的图像,包括:
根据优先投影区域标识图像或可投影区域标识图像的位置信息及所述投影模块的位置信息,计算所述投影模块的俯仰角和偏转角;
根据所述投影模块的俯仰角和偏转角调节所述投影模块对所述优先投影区域标识图像所对应的优先区域投射包含警示信息的图像,或对所述可投影区域图像所对应的可投影区域投射包含警示信息的图像。
5.根据权利要求1所述的基于图像处理的智能交通行车安全警示方法,其特征在于,所述对所述警示标识进行识别验证,并根据识别验证结果对所述投影进行修正操作,包括:
采集所述警示标识的警示标识图像;
将所述警示标识图像输入投影标识识别模型进行识别,确定所述警示标识图像是否有畸变;
若识别结果为有畸变,则对所述投影进行投影角度调整、投影拉伸调整或投影缩放调整。
6.一种基于图像处理的智能交通行车安全警示装置,其特征在于,包括:
图像采集模块,用于采集车辆周围的环境图像,其中,所述环境图像为RGB格式图像;
图像处理模块,用于将所述RGB格式图像转换为YUV格式图像,对所述YUV格式图像进行去噪处理,并将去噪后的YUV格式图像转换为RGB格式图像,得到去噪后的环境图像;
图像识别模块,用于将所述去噪后的环境图像输入预先训练的投影区域识别模型进行识别,输出识别结果;其中,所述识别结果为优先投影区域标识图像、可投影区域标识图像或禁止投影区域标识图像中的至少一种;所述优先投影区域标识图像所对应的环境图像为优先投影区域,所述可投影区域标识图像所对应的环境图像为可投影区域,所述禁止投影区域标识图像所对应的环境图像为禁止投影区域;
投影成像模块,用于当所述识别结果为优先投影区域标识图像或可投影区域标识图像时,在该优先投影区域标识图像对应的优先投影区域或该可投影区域标识图像对应的可投影区域投射包含警示信息的图像,所述包含警示信息的图像构成对后方车辆警示的警示标识;当所述识别结果为禁止投影区域标识图像时,则不进行投影,并启动所述图像采集模块重新采集车辆周围的环境图像;
投影修正模块,用于对所述警示标识进行识别验证,并根据识别验证结果对所述投影进行修正操作;
其中,所述对所述YUV格式图像进行去噪处理,包括:
提取所述YUV格式图像中的Y分量图像、U分量图像和V分量图像;
对所述Y分量图像、所述U分量图像和所述V分量图像分别进行去噪处理;
将去噪处理后的Y分量图像、U分量图像和V分量图像合并;
对所述Y分量图像进行去噪处理,包括:
针对Y分量图像的每一图像块进行从空域到频域的变换;
对变换结果采用量化矩阵进行量化处理,其中,所述量化矩阵中的量化系数,按照Z字型扫描的方向从左上到右下以等长的步进逐渐增大;
对量化处理结果进行小数点位处理,具体包括:根据量化处理结果计算量化处理结果中每个像素的梯度的绝对值;根据每个像素的梯度的绝对值计算所有像素的梯度绝对值的最大值;根据不同区间划分的梯度绝对值的最大值与保留小数点位数之间的对应关系,确定梯度绝对值的最大值所对应的小数点位数;根据确定的小数点位数对量化处理结果进行小数点位处理;
对小数点位处理后的结果进行反量化;
对反量化后的结果进行从频域到空域的逆变换,得到去噪后的Y分量图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311801821.0A CN117456483B (zh) | 2023-12-26 | 2023-12-26 | 一种基于图像处理的智能交通行车安全警示方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311801821.0A CN117456483B (zh) | 2023-12-26 | 2023-12-26 | 一种基于图像处理的智能交通行车安全警示方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117456483A CN117456483A (zh) | 2024-01-26 |
CN117456483B true CN117456483B (zh) | 2024-03-08 |
Family
ID=89593379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311801821.0A Active CN117456483B (zh) | 2023-12-26 | 2023-12-26 | 一种基于图像处理的智能交通行车安全警示方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117456483B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114228610A (zh) * | 2021-12-29 | 2022-03-25 | 马瑞利汽车零部件(芜湖)有限公司 | 汽车车顶安全警示方法及系统与车辆 |
CN114245091A (zh) * | 2022-01-27 | 2022-03-25 | 美的集团(上海)有限公司 | 投影位置修正方法、投影定位方法及控制装置、机器人 |
CN115107641A (zh) * | 2021-03-18 | 2022-09-27 | 华为技术有限公司 | 灯光投影装置、方法及存储介质 |
CN115205825A (zh) * | 2022-07-15 | 2022-10-18 | 宜宾学院 | 基于改进yolov5的行车视频序列图像检测识别交通标志方法 |
DE102021003853A1 (de) * | 2021-07-27 | 2023-02-02 | Dirk-Carsten Kurz | Einrichtung zur optischen und/oder akustischen Warnung von anderen Verkehrsteilnehmern, insbesondere von Fußgängern und Fahrradfahrern, beim Abbiegevorgang von Fahrzeugen im öffentlichen und nichtöffentlichen Strassenverkehr |
CN116631208A (zh) * | 2023-04-20 | 2023-08-22 | 马瑞利汽车零部件(芜湖)有限公司 | 立体虚拟影像自适应交互系统及方法 |
-
2023
- 2023-12-26 CN CN202311801821.0A patent/CN117456483B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115107641A (zh) * | 2021-03-18 | 2022-09-27 | 华为技术有限公司 | 灯光投影装置、方法及存储介质 |
DE102021003853A1 (de) * | 2021-07-27 | 2023-02-02 | Dirk-Carsten Kurz | Einrichtung zur optischen und/oder akustischen Warnung von anderen Verkehrsteilnehmern, insbesondere von Fußgängern und Fahrradfahrern, beim Abbiegevorgang von Fahrzeugen im öffentlichen und nichtöffentlichen Strassenverkehr |
CN114228610A (zh) * | 2021-12-29 | 2022-03-25 | 马瑞利汽车零部件(芜湖)有限公司 | 汽车车顶安全警示方法及系统与车辆 |
CN114245091A (zh) * | 2022-01-27 | 2022-03-25 | 美的集团(上海)有限公司 | 投影位置修正方法、投影定位方法及控制装置、机器人 |
CN115205825A (zh) * | 2022-07-15 | 2022-10-18 | 宜宾学院 | 基于改进yolov5的行车视频序列图像检测识别交通标志方法 |
CN116631208A (zh) * | 2023-04-20 | 2023-08-22 | 马瑞利汽车零部件(芜湖)有限公司 | 立体虚拟影像自适应交互系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117456483A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106919915B (zh) | 基于adas系统的地图道路标记及道路质量采集装置及方法 | |
WO2017028587A1 (zh) | 车辆监控的方法和装置、处理器、图像采集设备 | |
CN102364496B (zh) | 一种基于图像分析的汽车车牌自动识别方法及系统 | |
CN103824081B (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
CN104732227A (zh) | 一种基于清晰度和亮度评估的车牌快速定位方法 | |
CN106023623A (zh) | 基于机器视觉的车载交通信号与标志的识别及预警方法 | |
CN106128115A (zh) | 一种基于双摄像机检测道路交通信息的融合方法 | |
JP2010205160A (ja) | 速度規制標識認識結果の通知方法 | |
JP2011216051A (ja) | 信号灯識別プログラムおよび信号灯識別装置 | |
US9569676B2 (en) | Computer implemented system and method for extracting and recognizing alphanumeric characters from traffic signs | |
CN108973918B (zh) | 一种实现车辆盲区监测的装置及方法 | |
CN107480683A (zh) | 一种图像处理方法及装置 | |
CN106803073B (zh) | 基于立体视觉目标的辅助驾驶系统及方法 | |
CN108734123B (zh) | 高速公路标志识别方法、电子设备、存储介质及系统 | |
CN113792600B (zh) | 一种基于深度学习的视频抽帧方法和系统 | |
CN106874897A (zh) | 一种车牌识别方法和装置 | |
CN117456483B (zh) | 一种基于图像处理的智能交通行车安全警示方法及装置 | |
KR20200005282A (ko) | 미러리스 자동차의 측방 영상 처리 장치 및 방법 | |
KR101651061B1 (ko) | 차선인식 방법 및 장치 | |
CN110688979A (zh) | 违法车辆追踪方法及装置 | |
CN109584604A (zh) | 一种服务区检测车位疏密度的智慧灯杆及方法 | |
JPS6378299A (ja) | 画像処理技術を用いた信号認識装置を有する自動車 | |
CN113065399A (zh) | 基于车载平台的交通标识识别系统 | |
CN114022450A (zh) | 一种用于车辆全景环视测试的拼接效果判断方法 |
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 |