CN102479327A - 目标识别***，以及用于汽车的障碍识别***和方法 - Google Patents

目标识别***，以及用于汽车的障碍识别***和方法 Download PDF

Info

Publication number
CN102479327A
CN102479327A CN2011100459803A CN201110045980A CN102479327A CN 102479327 A CN102479327 A CN 102479327A CN 2011100459803 A CN2011100459803 A CN 2011100459803A CN 201110045980 A CN201110045980 A CN 201110045980A CN 102479327 A CN102479327 A CN 102479327A
Authority
CN
China
Prior art keywords
vehicle
image
zone
value
roi
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
Application number
CN2011100459803A
Other languages
English (en)
Other versions
CN102479327B (zh
Inventor
李泓锡
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.)
Hyundai Mobis Co Ltd
Original Assignee
Hyundai Mobis 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 Hyundai Mobis Co Ltd filed Critical Hyundai Mobis Co Ltd
Publication of CN102479327A publication Critical patent/CN102479327A/zh
Application granted granted Critical
Publication of CN102479327B publication Critical patent/CN102479327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/58—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
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种目标识别***，所述目标识别***在源图像的ROI中识别目标。所述目标识别***包括图像变换单元和ROI检测单元。所述图像变化单元接收所述源图像，并将所述目标改变成表示为边缘线的边缘图像。所述ROI检测单元将所述边缘图像分割成多个区域，对各个区域，将包含在每个区域中的边缘线的边缘成分值的总和与预定的阈值比较，将所述边缘成分值的总和大于所述阈值的区域作为ROI从所述多个区域中检测出来。

Description

目标识别***,以及用于汽车的障碍识别***和方法
技术领域
本发明涉及目标识别***和用于车辆的障碍识别***和方法，更具体的，涉及目标识别***，其使用图像处理技术识别包含在图像中的目标，以及用于车辆的障碍识别***和方法。
背景技术
目标识别算法应用在各种领域，例如用户认证***，车辆障碍识别***，安全***以及人机交互技术(HRI)。最近，目标识别算法被嵌入到硬件中并被实施为嵌入式***从而只执行具体的功能。这里，所述嵌入式***是一个大***的一部分，是一个执行具体任务的包含硬件和软件具体应用***。
然而，对处理器而言所述目标识别算法需要过多的操作处理量。例如，所述目标识别算法包括扫描输入图像的全部区域至具有确定尺寸的寻找窗的操作，所述扫描操作需要过多的操作处理量。由于过多的操作处理量，处理图像需要的存储器被增加。此外，过多的操作处理量和增加的存储器是影响所述目标识别算法在例如嵌入式***的硬件中执行的因素。
发明内容
相应的，本发明提供一种目标识别***，其在目标识别的图像处理操作中不需要过多的操作处理量。
本发明还提供一种使用所述目标识别***的用于车辆的障碍识别***。
本发明还提供一种用于车辆的障碍识别方法，其在目标识别的图像处理操作中不需要过多的操作处理量。
在一方面，一种目标识别***，其识别源图像中的感兴趣区域(Region OfInterest，ROI)中的目标，所述目标识别***包括：图像变换单元，其接收所述源图像，并将所述目标变换成表示为边缘线的边缘图像；以及ROI检测单元，其将所述边缘图像分割成多个区域，对各个区域，将包含在每个区域中的边缘线的边缘成分值的总和与预定的阈值比较，将所述边缘成分值的总和大于所述阈值的区域作为ROI从所述多个区域中检测出来。
在另一方面，用于车辆的障碍识别***，包括：图像摄取单元，其包含在车辆内，并产生源图像，所述源图像通过摄取车辆行驶时前方或后方的景象获得；边缘图像产生单元，其接收所述源图像，并产生边缘图像，所述边缘图像将包含在源图像内的目标表示为边缘线；感兴趣区域(ROI)检测单元，其将所述边缘图像分割成多个区域；对各个区域，计算所述边缘线的边缘成分值的总和；将边缘成分值的总和与预定的阈值比较；对每个区域，基于比较结果从所述区域中检测出ROI；以及图像分析单元，其通过具有确定尺寸的模块单元扫描所述检测到的ROI以分析在所述检测到的ROI中是否存在障碍。
另一方面，用于车辆的障碍识别***，包括：图像摄取单元，其包含在车辆内，并产生源图像，所述源图像通过摄取车辆行驶时前方或后方的景象获得；边缘图像产生单元，其接收所述源图像，并产生边缘图像，所述边缘图像将包含在源图像内的目标表示为边缘线；感兴趣区域(ROI)检测单元，其根据所述车辆的速度值将所述边缘图像分割成多个预定数量的区域；对各个区域，计算所述边缘线的边缘成分值的总和；对每个区域，将边缘成分值的总和与预定的阈值比较；对每个区域，基于比较结果从所述区域中检测出ROI；以及图像分析单元，其通过具有确定尺寸的模块单元扫描所述检测到的ROI以分析在所述检测到的ROI中是否存在障碍。
另一方面，用于车辆的障碍识别方法，其使用具有确定尺寸的模块单元扫描从源图像中检测出的感兴趣的区域(ROI)以识别障碍，所述障碍识别方法包括：产生边缘图像，边缘图像将包含在源图像中的目标表示为边缘线；根据车辆的速度值将所述边缘图像分割成预定数量的区域；以及计算存在于每个分割区域中的边缘线的边缘成分值的总和，将边缘成分值的总和与预定的阈值比较；对每个区域，基于比较结果从所述区域中检测出ROI。
其他的特征和情况从下面详细的说明，附图和权利要求中将变得清楚。
附图说明
图1是显示了根据本发明示例性实施方式的用于车辆的障碍识别***的框图。
图2显示了源图像的例子，所述源图像由图1中的图像摄取单元摄取。
图3显示了边缘图像的例子，所述边缘图像由图1中的边缘图像产生单元产生。
图4是显示了图1中的ROI检测单元的内部结构的示例性实施方式的框图。
图5和图6显示了边缘图像的例子，所述边缘图像由图4中的图像分割器分割。
图7是显示了图1中的ROI检测单元的内部构造的另一示例性实施方式的框图。
图8是显示了根据本发明示例性实施方式的障碍识别方法的流程图。
具体实施方式
下面，示例性实施方式将结合附图进行详细的说明。在附图和详细的说明中，除非另有说明，否则相同的附图标记表示相同的元件，特征和结构。这些元件的相对尺寸和描写可能由于清楚、说明和方便的目的而被夸大。下面的详细说明提供来帮助读者对这里描述的方法，装置和/或***有一个清楚的理解。相应的，可以使本领域技术人员想起所述方法，装置和/或***的各种变化，改进和等同。另外，为了清楚和简明的目的公知功能和结构的描述可能被省略。
本发明分析由成像装置，例如照相机提供的源图像，并基于所述分析结果大大地改进了包括在源图像内的障碍的检测性能。
对此，本发明只对源图像的整个区域的一部分执行目标检测操作，不像现有方法中的那样，从源图像的整个区域中检测例如障碍的目标。
在详细说明本发明的示例性实施方式之前，为了理解的目的，下面将说明一个例子，其中根据本发明示例性实施方式的目标识别***被应用在车辆上，并被用作障碍识别装置以识别例如相邻车辆或行人的障碍。考虑到这些应用的例子，在附图中，术语“目标识别***”可以用术语“用于车辆的障碍识别***”代替。
然而，根据本发明示例性实施方式的目标识别***不限于用于车辆的障碍识别装置。相反，在下述说明中应当理解，根据本发明的示例性实施方式的目标识别***可以应用到目标识别的各种图像处理技术中，例如用于用户认证***，安全***和人机交互技术(HRI)。
在下列说明中，当确定相关公知的功能和结构的说明对本发明的重点而言不必要时，这种描述将被省略。类似的附图标记指代类似的元件。图4中的边缘值收集器和图7中的比较器用相同的附图标记表示。
图1是显示了根据本发明示例性实施方式的用于车辆的障碍识别***100的框图。图2显示了源图像的例子，所述源图像由图1中的图像摄取单元摄取。图3显示了边缘图像的例子，所述边缘图像由图1中的边缘图像产生单元产生。在图2中，作为指示源图像的水平长度的变量‘i’是在水平方向上象素的数量，作为指示源图像的垂直长度的变量‘j’是在垂直方向上象素的数量。在图3中，作为指示边缘图像的水平长度的变量‘i’是在水平方向上象素的数量，作为指示边缘图像的垂直长度的变量‘j’是在垂直方向上象素的数量。
参见图1，根据本发明示例性实施方式的用于车辆的障碍识别***100检测例如车辆或行人的障碍(或目标)。总之，障碍识别***100设定源图像的整个区域的部分区域作为感兴趣区域(Region Of Interest，ROI)，并只对设定的感兴趣区域执行扫描操作。
所述障碍识别***100将分析的目标区域限制在源图像的整个区域的部分区域上，从而图像处理目标从源图像的整个区域减少到部分区域。因此，处理器的运行处理量减少，进而，图像处理操作需要的存储器容量也被减少。对此，障碍识别***100包括图像摄取单元110，边缘图像产生单元120，和ROI检测单元130，以及图像分析单元140。
所述图像摄取单元110是例如红外照相机的成像装置，并被布置在车辆的具***置上。图像摄取单元110产生源图像S-IM，其通过摄取行驶中的车辆的前方和/或后方的景像获得。
边缘图像产生单元120从所述图像摄取单元110接收所述源图像S-IM。所述边缘图像产生单元120产生边缘图像EG-IM，其将源图像S-IM内的障碍(例如车辆或行人)表示为边缘线。为此，所述边缘图像产生单元120使用边缘检测技术产生边缘图像EG-IM。所述边缘检测技术是一种算法，其使用边缘算子检测边缘成分值，所述边缘成分值构成了包含在源图像S-IM中的障碍的边缘线。这里，构成所述边缘线的任意象素和与所述任意象素相邻的象素被指定，所述边缘成分值指的是任意象素的灰度水平值(或灰度值)和相邻象素的灰度水平值之间的不连续的值。所述不连续的值可以定义为任意象素的灰度水平值和相邻象素的灰度水平值之间的差值或任意象素的灰度水平值和相邻象素的灰度水平值之间的变化率的数值。
所述不连续的值可以用边缘算子来检测，作为边缘算子，例如，他们可以是同类算子，差分算子，微分算子，边界梯度算子，拉普拉斯算子，和高斯的拉普拉斯(LOG)算子。
在从源图像S-IM检测边缘线(或边缘成分值)的操作中，源图像S-IM的噪音可能被检测为边缘线(或边缘成分值)。因此，边缘图像产生单元120将图2中的源图像S-IM改变成中间图像，其由目标的边缘线构成，随后，其将所述被改变的中间图像二进制化，以最终产生图3中所示的二进制化的边缘图像EG-IM，其中噪音已经被消除。例如，所述边缘图像产生单元120将构成所述障碍(或目标)的边缘线的象素给出0至255的灰度水平值，将除构成所述障碍(或目标)的边缘线的象素之外的象素给出0的灰度水平值(或0的二进制字节)。结果，如图3所示，所述边缘图像产生单元120最终产生具有包含黑灰度水平和白灰度水平的灰度值的二进制边缘图像EG-IM。
所述ROI检测单元130将从所述边缘图像产生单元120输入的边缘图像EG-IM的全部区域分割成多个区域。所述ROI检测单元从这些分割后的区域中选择满足具体条件(下面将说明)区域ROI，并将选择的区域作为感兴趣的区域检测。对应于被检测的ROI的ROI的图像ROI-IM被提供到图像分析单元140。所述ROI检测单元130将在下面进行详述。
图像分析单元140接收来自所述ROI检测单元130的ROI图像ROI-IM，并按计划扫描所述ROI图像ROI-IM的整个区域，所述计划从左到右移动具有一个象素的确定尺寸的寻找窗。当寻找窗的运动从所述ROI图像ROI-IM的左上部抵达所述ROI图像ROI-IM的右下部使，一个扫描循环完成。
当一个循环的扫描操作完成时，所述图像分析单元140将ROI图像的尺寸按比例缩减并重复所述扫描操作。在所述重复扫描操作中图像分析操作被执行。由于这样的扫描操作是被重复的操作，同时控制图像的尺寸，其需要非常多的数据处理量和较大的存储容量。
然而，在本发明的示例性实施方式中，所述扫描操作只对所述边缘图像EG-IM的整个区域中满足具体条件的部分区域执行，而不是扫描所述边缘图像EG-IM的整个区域。
图4是显示了图1中的ROI检测单元的内部结构的示例性实施方式的框图。图5和图6显示了边缘图像的例子，所述边缘图像由图4中的图像分割器分割。
参见图4，所述ROI检测单元130将所述边缘图像EG-IM的全部区域的一部分作为ROI进行检测，并包括区域分割器132，边缘值收集器134和比较器136。
区域分割器132将所述边缘图像EG-IM的全部区域分割成多个区域。所述图像分割器132将所述边缘图像EG-IM的全部区域在水平方向上分割成n(n为等于或大于2的自然数)等份从而分割成多个区域。
当源图像中存在障碍时，所述源图像通过摄取车辆前方或后方的景象获得，其在所述边缘图像EG-IM的全部区域中的水平方向上被处理。在本发明的示例性实施方式中，因此，所述边缘图像的全部区域被在水平方向上分割成n(n为等于或大于2的自然数)等份，以增加边缘图像中目标的检测成功率和分割效率。
如图3所示，当所述边缘图像EG-IM的全部尺寸是“i*j”时，分割后的区域的尺寸是“i*(j/n)”。这里，作为边缘图像的水平长度的“i”是水平方向上象素的数量，作为边缘图像的垂直长度的“j”是垂直方向上象素的数量。“n”是变量，其确定在水平方向上分割的区域的数量，为2至5的自然数。变量“n”可以由***设计者改变。
图5和图6显示了由图像分割器132分割的边缘图像的例子。图5说明了被分成2等份的边缘图像的全部区域，其中变量“n”设定为2。图6说明了被分成3等份的边缘图像的全部区域，其中变量“n”设定为3。
再参见图4，所述边缘值收集器134计算边缘线的边缘成分值的总和，边缘线包含在由分割器132分割的每个区域中。边缘成分值的总和表示为下列等式(1)。
CETvalue＝∑Edge(i，j)        .......(1)
随后，边缘值收集器134对每个区域对所述计算出的CET值微分并搜集所述计算出的CET值，并将所述搜集到的CET值提供到比较器136。
比较器136将每个区域的所述从边缘值收集器134送来的CET值和预定阈值(TH)比较。这里，阈值(TH)是一个预测值，其基于***设计者收集到的静态信息来计算。所述阈值(TH)可以根据被分割区域的数量而不同。例如，当如图5所述边缘图像被分割成2等份时阈值可以设定为大于当如图6所述边缘图像被分割成3等份时阈值。相反，当如图5所述边缘图像被分割成2等份时阈值可以设定为小于当如图6所述边缘图像被分割成3等份时阈值。
基于每个区域的比较结果，比较器136将CET值大于阈值(TH)的区域作为ROI检测。例如，如图5所示，当边缘图像被作为2等份分割成第一区域R1和第二区域R2时，第一区域R1的CET值小于所述阈值(TH)，因为在第一区域R1中没有障碍，因此，第一区域R1从ROI中排除。另一方面，由于第2区域R2中存在例如车辆的障碍，第二区域R2的CET值大于所述阈值(TH)，从而第二区域R2检测为ROI。与此类似，第四和第五区域R4和R5被检测为ROI，而第三区域R3不是。
随后，由比较器136检测的所述ROI被送到图像分析单元140。所述图像分析单元140只对由比较器136输入的ROI进行扫描操作，从而提高了整个图像处理速度。
图7是一方框图，其显示了图1中的ROI检测单元的内部构造的另一示例性实施方式。
参见图7，根据本发明另一示例性实施方式的ROI检测单元130具有不同于图6中的ROI检测单元的功能在于其根据车辆的速度值将所述边缘图像的全部区域分割成预定的数量。
具体地，根据本发明另一实施方式的ROI检测单元130包括区域分割器132A，边缘值收集器134，以及比较器136。所述区域分割器132A从车辆***200接收速度值，并根据接收到的速度值适应性地控制边缘图像的全部区域中被分割区域的数量。
随着车速的增加，边缘图像的全部区域中的障碍率增加。也就是说，随着车速的增加，在整个区域中不感兴趣的区域的率减少。
当不考虑车速而将所述边缘图像的全部区域分割成相等部分时，要确定为ROI的区域被确定为不感兴趣的区域，如此，在ROI的检测操作中可能发生检测错误。
例如，在***设计者已经确定设计的情况下，如图5中的边缘图像被分成2等份，在用户的车辆以80km/h行驶时分割后的边缘图像的第二区域R2中存在障碍，从而根据比较器136的比较操作第二区域R2可以被检测为ROI。
即使在用户的车辆加速到大于100km/h时，由于车速的增加，前方行驶的障碍车辆的尺寸在边缘图像的全部区域中出现的比率增加。因此，表示障碍车辆的边缘线的部分可能甚至被显示在第一区域R1中。在这种情况下，当第一区域R1的CET值小于作为图4中边缘值收集器134的计算结果的预定阈值(FH)时，将第一区域R1从ROI中排除的检测误差可能发生。相应地，当车辆速度增加时，需要精确地分析边缘图像的全部区域。
根据本发明另一示例性实施方式的ROI检测单元130的区域分割器132A从车辆***200实时接收车辆的速度值(V)，当所述接收到的车辆速度值(V)增加时，所述区域分割器132a增加所述边缘图像的全部区域中的被分割的区域的数量。
也就是，如上所述，当边缘图像的全部尺寸是“i*j”而通过在水平方向上分割所述边缘图像产生的每个区域的尺寸是“i*(j/n)”时，所述区域分割器132A与所述车辆的速度值(V)成比例地增加所述变量“n”，并分割所述边缘图像的全部区域。图6的说明将应用到在根据车辆的速度值(V)分割所述边缘图像后执行的操作中。
图8是显示了根据本发明示例性实施方式的障碍识别方法的流程图。
参见图8，在操作S410中，所述障碍识别方法产生源图像，源图像通过位于车辆中的成像装置摄取车辆前部或后部的图像获得。
在操作S420中，所述障碍识别方法使用边缘检测技术产生边缘图像，将源图像中的障碍(或目标)表示为边缘线。
在操作S430中，所述障碍识别方法执行将所述边缘图像的全部区域分割的操作。在所述分割操作中，所述边缘图像可以被分割成n等份，其中“n”可以被设定为2至5的自然数。在S430操作后，为了便于理解，将‘n’假定为2，即，边缘图像的全部区域被分成2等份，进一步的，为了方便，被分割的区域分别用上部区域(图5中的R1)和下部区域(图5中的R2)表示。
在操作S440中，所述障碍识别方法计算包括在上部区域R1中的边缘线的边缘成分值的总和(以下指的是第一CET值)，包括在下部区域R2中的边缘线的边缘成分值的总和(以下指的是第二CET值)。
在操作S450中，所述障碍识别方法将所述第一和第二CET值与预定的阈值(TH)进行比较。当所述第一CET值小于所述阈值(TH)时，在操作S460中与第一CET值对应的上部区域被排除在ROI之外，并且在操作S450中，所述障碍识别方法比较所述第二CET值和所述阈值(TH)。在操作S460中当所述第二CET值大于所述阈值时，在操作S470中与所述第二CET值对应的下部区域的图像被检测为ROI。
随后，图像分析操作，例如扫描操作只对已经被检测为ROI的下部区域执行。
根据本发明的示例性实施方式，识别目标的图像处理操作只对源图像的部分区域执行，而不像现有的方法中图像处理操作对源图像的全部区域执行。相应的，处理器的操作处理量减少，用于图像处理操作所需要的存储器容量降低。当根据本发明的***和方法实施到例如嵌入式***的硬件中时，可以确保优良的处理性能而不降低处理速度。
上面已经描述了多个示例性的实施方式。然而，应当理解，可以进行各种改进。例如，如果所述的技术被以不同的顺序实施和/或，如果所述***中的元件，结构，装置，或电路被以不同的方式组合和/或由其他元件或他们的等同物替代，则可以获得合适的结果。相应的，其他的实施方案也在下列权利要求的范围内。

Claims (18)

1.一种目标识别***，其识别源图像中的ROI中的目标，其特征在于，所述目标识别***包括：
图像变换单元，其接收所述源图像，并将所述目标变换成表示为边缘线的边缘图像；以及
ROI检测单元，其将所述边缘图像分割成多个区域，对各个区域，将包含在每个区域中的边缘线的边缘成分值的总和与预定的阈值比较，将所述边缘成分值的总和大于所述阈值的区域作为ROI从所述多个区域中检测出来。
2.如权利要求1所述的目标识别***，其特征在于，所述ROI检测单元将所述边缘图像的全部区域分割成n等份，其中“n”是等于或大于2的自然数，进而分割成多个区域。
3.如权利要求2所述的目标识别***，其特征在于，所述“n”等于或小于6。
4.一种用于车辆的障碍识别***，其特征在于，包括：
图像摄取单元，其包含在车辆内，并产生源图像，所述源图像通过摄取车辆行驶时前方或后方的景象获得；
边缘图像产生单元，其接收所述源图像，并产生边缘图像，所述边缘图像将包含在源图像内的目标表示为边缘线；
ROI检测单元，其将所述边缘图像分割成多个区域；对各个区域，计算所述边缘线的边缘成分值的总和；将边缘成分值的总和与预定的阈值比较；以及，对每个区域，基于比较结果从所述区域中检测出ROI；以及
图像分析单元，其通过具有确定尺寸的模块单元扫描所述检测到的ROI以分析在所述检测到的ROI中是否存在障碍。
5.如权利要求4所述的用于车辆的障碍识别***，其特征在于，所述ROI检测单元包括：
图像分割器，其将所述边缘图像在水平方向上分成所述多个部分；
边缘值收集器，其计算包含在每个所述区域中的边缘线的边缘成分值的总和，并对每个区域收集所述计算到的边缘成分值的总和；
比较器，其接收所述预定的阈值，对每个区域将所述边缘线的边缘成分值的总和与所述阈值相比较，并将所述边缘成分值的总和大于所述阈值的区域作为ROI从所述多个区域中检测出来。
6.如权利要求5所述的用于车辆的障碍识别***，其特征在于，当所述边缘图像的全部尺寸是“i*j”时，其中“i”是水平方向上象素的数量，“j”是垂直方向上象素的数量，
每个区域的尺寸是“i*(j/n)”，其中“n”是从2到6的自然数。
7.如权利要求4所述的用于车辆的障碍识别***，其特征在于，所述边缘图像产生单元将所述源图像变换成中间图像，所述中间图像由目标的边缘线构成，并将所述变换的中间图像二进制化以产生具有灰度的边缘图像。
8.如权利要求4所述的用于车辆的障碍识别***，其特征在于，所述边缘成分值是构成所述边缘线的象素的灰度值。
9.一种用于车辆的障碍识别***，其特征在于，包括：
图像摄取单元，其包含在车辆内，并产生源图像，所述源图像通过摄取车辆行驶时前方或后方的景象获得；
边缘图像产生单元，其接收所述源图像，并产生边缘图像，所述边缘图像将包含在源图像内的目标表示为边缘线；
ROI检测单元，其根据所述车辆的速度值将所述边缘图像分割成多个预定数量的区域；对各个区域，计算所述边缘线的边缘成分值的总和；对每个区域，将边缘成分值的总和与预定的阈值比较；对每个区域，基于比较结果从所述区域中检测出ROI；以及
图像分析单元，其通过具有确定尺寸的模块单元扫描所述检测到的ROI以分析在所述检测到的ROI中是否存在障碍。
10.如权利要求9所述的用于车辆的障碍识别***，其特征在于，所述ROI检测单元包括：
图像分割器，其从车辆***接收所述车辆的速度值，并根据接收到的所述车辆的速度值将所述边缘图像分割成预定数量的区域；
边缘值收集器，其计算包含在每个所述区域中的边缘线的边缘成分值的总和，并对每个区域收集所述计算到的边缘成分值的总和；
比较器，其对每个区域将所述边缘线的边缘成分值的总和与所述阈值相比较，并将所述边缘成分值的总和大于所述阈值的区域作为ROI从所述多个区域中检测出来。
11.如权利要求10所述的用于车辆的障碍识别***，其特征在于，所述图像分割器以控制器局域网通讯的方式从所述车辆***中接收所述车辆的速度值。
12.如权利要求10所述的用于车辆的障碍识别***，其特征在于，所述图像分割器根据所述车辆的速度值将所述边缘图像在水平方向上以预定的尺寸分割成n等份，其中“n”是等于或大于2的自然数。
13.如权利要求10所述的用于车辆的障碍识别***，其特征在于，当所述边缘图像的全部尺寸是“i*j”时，其中“i”是水平方向上象素的数量，“j”是垂直方向上象素的数量，
每个区域的尺寸是“i*(j/n)”，其中“n”是从2到6的自然数。
14.如权利要求13所述的用于车辆的障碍识别***，其特征在于，所述“n”随着车辆的速度的增加而增加。
15.如权利要求9所述的用于车辆的障碍识别***，其特征在于，所述边缘图像产生单元，所述ROI检测单元和所述图像分析单元以芯片的形式被模块化。
16.一种用于车辆的障碍识别方法，其特征在于，使用具有确定尺寸的模块单元扫描从源图像中检测出的ROI以识别障碍，所述障碍识别方法包括：
产生边缘图像，边缘图像将包含在源图像中的目标表示为边缘线；
根据车辆的速度值将所述边缘图像分割成预定数量的区域；以及
计算存在于每个分割后的区域中的边缘线的边缘成分值的总和，将边缘成分值的总和与预定的阈值比较；对每个区域，基于比较结果从所述区域中检测出ROI。
17.如权利要求16所述的用于车辆的障碍识别方法，其特征在于，所述边缘图像被在水平方向上分割。
18.如权利要求16所述的用于车辆的障碍识别方法，其特征在于，随着车辆速度值的增加，所述预定数量增加。
CN201110045980.3A 2010-11-23 2011-02-25 目标识别***，以及用于汽车的障碍识别***和方法 Active CN102479327B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020100116980A KR101240469B1 (ko) 2010-11-23 2010-11-23 객체 인식 시스템, 차량용 장애물 인식 시스템 및 차량용 장애물 인식 방법
KR10-2010-0116980 2010-11-23

Publications (2)

Publication Number Publication Date
CN102479327A true CN102479327A (zh) 2012-05-30
CN102479327B CN102479327B (zh) 2017-03-01

Family

ID=46064023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110045980.3A Active CN102479327B (zh) 2010-11-23 2011-02-25 目标识别***，以及用于汽车的障碍识别***和方法

Country Status (3)

Country Link
US (1) US8848055B2 (zh)
KR (1) KR101240469B1 (zh)
CN (1) CN102479327B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778600A (zh) * 2012-10-25 2014-05-07 北京三星通信技术研究有限公司 图像处理***
CN103786645A (zh) * 2012-10-30 2014-05-14 现代摩比斯株式会社 侧方影像提供装置及包括其的车辆
CN106485194A (zh) * 2015-08-28 2017-03-08 现代自动车株式会社 目标识别装置、具有目标识别装置的车辆及其控制方法
CN109493292A (zh) * 2018-10-29 2019-03-19 平高集团有限公司 基于电力设备红外测温图像的增强处理方法和装置

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8605949B2 (en) * 2011-11-30 2013-12-10 GM Global Technology Operations LLC Vehicle-based imaging system function diagnosis and validation
US9076034B2 (en) * 2012-12-07 2015-07-07 Analog Devices, Inc. Object localization using vertical symmetry
US9129161B2 (en) * 2013-05-31 2015-09-08 Toyota Jidosha Kabushiki Kaisha Computationally efficient scene classification
WO2016076449A1 (en) * 2014-11-11 2016-05-19 Movon Corporation Method and system for detecting an approaching obstacle based on image recognition
KR101641647B1 (ko) * 2014-12-24 2016-07-22 전자부품연구원 저사양 영상 기기에서의 실시간 영상 인식 방법
US9818197B2 (en) * 2015-05-29 2017-11-14 Datalogic Ip Tech S.R.L. System and method for reading machine readable codes in transportation and logistic applications
JP7078587B2 (ja) * 2019-09-30 2022-05-31 本田技研工業株式会社 走行支援システム、走行支援方法およびプログラム
KR20210072504A (ko) 2019-12-09 2021-06-17 삼성전자주식회사 뉴럴 네트워크 시스템 및 이의 동작 방법
US11891067B2 (en) * 2019-12-11 2024-02-06 Electronics And Telecommunications Research Institute Vehicle control apparatus and operating method thereof
CN111361557B (zh) * 2020-02-13 2022-12-16 江苏大学 一种重型卡车转弯时对于碰撞事故发生的预警方法
US20220057225A1 (en) * 2020-08-18 2022-02-24 International Business Machines Corporation Landmark determination
KR102474726B1 (ko) * 2020-12-14 2022-12-06 주식회사 유라코퍼레이션 후측방 접근차량 경고 시스템 및 방법
US11981326B2 (en) * 2021-03-24 2024-05-14 Ford Global Technologies, Llc Object identification with thermal imaging
CN113313013B (zh) * 2021-05-26 2023-04-07 国网电力科学研究院武汉南瑞有限责任公司 一种基于红外图像处理技术的变压器套管目标检测方法
CN115953665B (zh) * 2023-03-09 2023-06-02 武汉人工智能研究院 一种目标检测方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6834232B1 (en) * 2003-07-30 2004-12-21 Ford Global Technologies, Llc Dual disimilar sensing object detection and targeting system
US20050226508A1 (en) * 2004-03-29 2005-10-13 Fuji Photo Film Co., Ltd. Image recognition system, image recognition method, and machine readable medium storing thereon an image recognition program
US20070255480A1 (en) * 2006-04-21 2007-11-01 Southall John B Apparatus and method for object detection and tracking and roadway awareness using stereo cameras
US7421095B2 (en) * 2004-05-19 2008-09-02 Honda Motor Co., Ltd. Traffic lane marking line recognition system for vehicle
CN101470806A (zh) * 2007-12-27 2009-07-01 东软集团股份有限公司 车灯检测方法和装置、感兴趣区域分割方法和装置
CN101675442A (zh) * 2007-05-25 2010-03-17 爱信艾达株式会社 车道确定装置、车道确定方法及使用该装置的导航设备
US20100164976A1 (en) * 2008-12-26 2010-07-01 Won-Hee Choe Image processing apparatus and method

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6130706A (en) * 1998-03-25 2000-10-10 Lucent Technologies Inc. Process for determining vehicle dynamics
JP4720383B2 (ja) * 2005-09-01 2011-07-13 トヨタ自動車株式会社 車両制御装置
JP5041170B2 (ja) 2008-09-12 2012-10-03 トヨタ自動車株式会社 画像処理装置
JP4655242B2 (ja) 2008-09-30 2011-03-23 マツダ株式会社 車両用画像処理装置
CA2712576C (en) * 2009-08-11 2012-04-10 Certusview Technologies, Llc Systems and methods for complex event processing of vehicle-related information

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6834232B1 (en) * 2003-07-30 2004-12-21 Ford Global Technologies, Llc Dual disimilar sensing object detection and targeting system
US20050226508A1 (en) * 2004-03-29 2005-10-13 Fuji Photo Film Co., Ltd. Image recognition system, image recognition method, and machine readable medium storing thereon an image recognition program
US7421095B2 (en) * 2004-05-19 2008-09-02 Honda Motor Co., Ltd. Traffic lane marking line recognition system for vehicle
US20070255480A1 (en) * 2006-04-21 2007-11-01 Southall John B Apparatus and method for object detection and tracking and roadway awareness using stereo cameras
CN101675442A (zh) * 2007-05-25 2010-03-17 爱信艾达株式会社 车道确定装置、车道确定方法及使用该装置的导航设备
CN101470806A (zh) * 2007-12-27 2009-07-01 东软集团股份有限公司 车灯检测方法和装置、感兴趣区域分割方法和装置
US20100164976A1 (en) * 2008-12-26 2010-07-01 Won-Hee Choe Image processing apparatus and method

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778600A (zh) * 2012-10-25 2014-05-07 北京三星通信技术研究有限公司 图像处理***
CN103778600B (zh) * 2012-10-25 2019-02-19 北京三星通信技术研究有限公司 图像处理***
CN103786645A (zh) * 2012-10-30 2014-05-14 现代摩比斯株式会社 侧方影像提供装置及包括其的车辆
CN106485194A (zh) * 2015-08-28 2017-03-08 现代自动车株式会社 目标识别装置、具有目标识别装置的车辆及其控制方法
CN106485194B (zh) * 2015-08-28 2021-11-16 现代自动车株式会社 目标识别装置、具有目标识别装置的车辆及其控制方法
CN109493292A (zh) * 2018-10-29 2019-03-19 平高集团有限公司 基于电力设备红外测温图像的增强处理方法和装置

Also Published As

Publication number Publication date
US8848055B2 (en) 2014-09-30
KR101240469B1 (ko) 2013-03-11
CN102479327B (zh) 2017-03-01
KR20120055306A (ko) 2012-05-31
US20120127309A1 (en) 2012-05-24

Similar Documents

Publication Publication Date Title
CN102479327A (zh) 目标识别***，以及用于汽车的障碍识别***和方法
Teoh et al. Symmetry-based monocular vehicle detection system
CN109446917B (zh) 一种基于级联霍夫变换的消失点检测方法
CN103826102A (zh) 一种运动目标的识别方法、装置
Pena-Gonzalez et al. Computer vision based real-time vehicle tracking and classification system
Cui et al. Abnormal event detection in traffic video surveillance based on local features
CN110610150A (zh) 一种目标运动物体的跟踪方法、装置、计算设备和介质
CN111507145A (zh) 嵌入式车载环视***库位障碍物检测方法、***及装置
Selver et al. Camera based driver support system for rail extraction using 2-D Gabor wavelet decompositions and morphological analysis
CN101369312B (zh) 检测图像中交叉口的方法和设备
CN111402293A (zh) 面向智能交通的一种车辆跟踪方法及装置
CN111814773A (zh) 一种划线车位识别方法及***
KR101333459B1 (ko) 차선 인식 방법 및 장치
WO2018143277A1 (ja) 画像特徴量出力装置、画像認識装置、画像特徴量出力プログラム、及び画像認識プログラム
JP2013069045A (ja) 画像認識装置、画像認識方法および画像認識プログラム
CN111177878B (zh) 衍生仿真场景筛选方法、装置和终端
Kodeeswari et al. Lane line detection in real time based on morphological operations for driver assistance system
CN108288041B (zh) 一种行人目标错检去除的预处理方法
CN202771439U (zh) 基于matlab交通标志自动识别装置
AU2021102692A4 (en) A multidirectional feature fusion network-based system for efficient object detection
Sanberg et al. Asteroids: A stixel tracking extrapolation-based relevant obstacle impact detection system
CN115100650A (zh) 基于多重高斯模型的高速公路异常场景去噪及识别方法、装置
CN113657277A (zh) 一种车辆被遮挡状态判断***及方法
Ogawa et al. Onboard evolutionary risk recognition system for automobiles—Toward the risk map system
Srivastava et al. Lane detection using median filter Wiener filter and integrated Hough transform

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant