CN103902985B - 一种基于roi的强鲁棒性实时车道侦测算法 - Google Patents
一种基于roi的强鲁棒性实时车道侦测算法 Download PDFInfo
- Publication number
- CN103902985B CN103902985B CN201410148832.8A CN201410148832A CN103902985B CN 103902985 B CN103902985 B CN 103902985B CN 201410148832 A CN201410148832 A CN 201410148832A CN 103902985 B CN103902985 B CN 103902985B
- Authority
- CN
- China
- Prior art keywords
- image
- lane line
- real
- roi
- line information
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于ROI的强鲁棒性实时车道侦测算法,为了实现弯道检测,将影像分离成上下两部分,并分别称为近景区域和远景区域,分别用Hough及双曲线对模型进行求解。在整张影像主要采用横向梯度算子进行过滤,以提高计算速度实现实时侦测的目的,并采用滑动ROI窗口策略对车道边界图进行梯度方向角的区域统计,剔除异常梯度方向角的边界噪音,以保证车道检测的正确率;在远景区域中采用的双曲线对模型中,主要承接近景模型中的参数作为初始参数,并最终通过搜索策略来最终确定K参数,实现弯道部分的检测。此算法在较为复杂的路况及环境中具有较好的鲁棒性能,能够实时的提供车道咨询信息。
Description
技术领域
本发明涉及行车用安全侦测领域,具体涉及一种基于ROI的强鲁棒性实时车道侦测算法。
背景技术
最近,ITS变的流行起来,因为人们更多的关注车辆安全方面。有很多关于ITS的基于视觉的研究课题,包括障碍探测、行人避让、车道线偏离警示、防碰撞等。在这些具有挑战性的任务里,车道线检测是ITS最重要的部分之一。这项技术的主体是通过一些特性从复杂的环境中分离出车道线资讯;然而,绝大多数的已经存在的车道线检测技术对恶劣天气及树林阴影的影响很敏感。车道线检测是智能交通***(ITS)里的一个重要组成部分,提出了一种在复杂环境下的弯道检测***,例如:树荫、复杂路况、路上有路标。
当前的研究已经用不同的技术实现了车道线的检测,例如:基于颜色的算法、基于边缘的算法、基于柱状图的算法、基于视角转换的算法、基于模型的算法。然而,基于颜色的算法用只用了一个全局的阈值或特定的颜色信息去提取车道线标示,但这可能在有阴影或者天气不好的时候收到影响。对于基于边缘的算法,难点在于消除噪音边缘。尽管有文献提出算法详细讨论了整个问题,但是还存着很多不足。对于基于柱状的算法,他们仅仅能在车前没有其它车辆及其路标的时候才能运行。基于视角转换的算法,难点在于矫正摄像头,并且这种算法在斜坡及有风的情况下没有效率。基于模型的算法用模型代替车道线,它对于噪音较多及车道线资讯消失的时候具有更好的鲁棒性。为了接收更为可靠的模型参数,应用更好的噪音剔除算法。
发明内容
为了解决上述问题,本发明提供了一种基于ROI的强鲁棒性实时车道侦测算法,首先侦测第一张影像以提取自适应阈值,随后运用带有自适应阈值的横向梯度算子对车道线资讯过滤并用模糊所搜策略修补车道线资讯,考虑到Hough运算量,需要排除车道线杂讯及冗余资讯,采用了基于滑动ROI及影像关联的方法提取有效车道线;随后,在近景区域内采用快速查表的Hough转换方法对直道进行搜索运算并显示;在远景区域内运用双曲线对模型并承接Hough运算的结果计算双曲线对参数,同时采用搜索策略确定K参数数值,拟合出弯道车道,最后输出显示整体车道。这种方法能够在存在树林阴影、其它车道标识、其它车辆等复杂情况下精确提取车道线信息。
为了达到上述目的,本发明是通过以下技术方案实现的:
本发明提供了一种基于ROI的强鲁棒性实时车道侦测算法,所述算法具体包括以下步骤,步骤一、首先侦测第一张影像以提取初始自适应阈值;
步骤二、并在摄取的影像上建立坐标系,左上角为原点,横向为x轴,纵向为y轴;靠近影像底部的部分称为近景区域,远离的部分称为远景区域;
步骤三、采用带有自适应阈值的横向梯度算子对影像灰度图进行车道线资讯过滤,首先进行车道资讯提取:在进行车道边缘检测之前将RGB图像转换成灰阶图,从RGB模型转成灰阶图的公式为:;其中R,G,B为数值分布在[0,255]的分量;然后采用横向梯度算子的遮罩的方式进行车道线侦测,阈值采用自适应阈值,其遮罩为:
步骤四、开设ROI提取有效车道资讯:
步骤4.1影像的梯度值及其方向表示为:
其中,和分别代表横向及纵向上的梯度,其运算遮罩如下所示:
步骤4.2 将范围设置为,并将其量化为180个角度,即每一个角度为,计算方向角,若不在内,则被当做噪音车道线资讯并消除;
步骤4.3 利用保留的像素点进行初步hough转换,初步确定车道线资讯,并沿初步车道线资讯设置若干个具有一定ROI范围的滑动的窗口,并对逐个滑动窗口执行步骤4.2,分析排除可能是车道线以外的孤立杂讯;
步骤4.4 从第二张影像开始,采用车道线资讯在前后张影像中位移动量小的特性,将本张影像与前数张影像进行比对,提取最有效的车道线信息以便减少后续直线车道拟合中Hough转换的运算量;
步骤五、直道及弯道拟合:
(1)直道拟合
在影像近景区域采用Hough对直线车道进行拟合,其公式如下:
拟合采用Hough转换方法,具体步骤如下:
a)首先建立、各角度及的数据库表,用于Hough转换搜查,以减少运算量;
b)获得车道线资讯图E及数据集S,,其中m为车道线资讯像素点个数;
c)设置作为初始搜寻点,作为d)参数计算,并设置计算器,随后按行计算下一个点;
d)若当前满足,则,设置,直到;
e)保留最大及E,直线拟合完毕;
(2)弯道拟合
在影像远景区域,采用双曲线对模型,其数学表达式为:
其中,为地平线在像平面中的纵坐标,K、和为弯道参数;
根据Hough空间中直线的标准型有:
对比可得出:,,,
各参数可均由直线Hough转换部分计算得出,设置 ,若拟合曲线点与滑动窗口中心点满足(单位为pixel),则;
(3)输出整体实时车道线:将步骤(1)和步骤(2)所得直线车道和弯曲车道结合并显示,输出整体的实时车道线;
步骤六、计算各滑动窗口参数并获取自适应阈值:从第二张影像开始,根据滑动窗口作为影像子区域开设ROI范围,并以此范围对转换后的灰阶图利用Otsu的方法进行自适应阈值提取,公式表达为:
其中t为所求自适应阈值,为第i个背景比列,为第i个背景均值,为第i个物体比例,为第i个物体均值,为第i个影像子区域图像均值,i为滑动窗口个数,参数计算公式如下:
其中,为第i个滑动窗口里灰阶数值为k的像素点的比例,为第i个滑动窗口灰阶数值为k的像素点个数,为第i个滑动窗口中像素点总个数;
阈值操作为:
其中,Bin(x,y)为影像点,f(x,y)为原有像素点的对应坐标;
步骤七,从第二张影像开始,每张影像首先执行步骤六,然后执行步骤三至步骤五,实时输出整体车道线。
本发明的进一步改进在于:所述算法还包括:在步骤三中对运用横向梯度算子过滤后的车道线资讯进行模糊搜索修补策略,模糊搜索修补策略所采用的遮罩为:
以当前影像车道线资讯数据集为,前一张为,若A、B、C都不为零,D、E其中有一个不为零且则更新。
作为一种基于ROI的强鲁棒性实时车道侦测算法,本发明具有以下一些有益效果:
1.实现了在嵌入式***上的车道线的实时性侦测,运算量相比于目前绝大多数算法有了显著的提高。
2.鲁棒性能强,在复杂的道路环境,例如:树荫、路标、车流多、弯道等情况下具有极强的稳定性能,且在雨天及夜间等天气环境下也具有同样的稳定新能。
3.算法不拘泥于目前主流算法,采用对处理器负载较小的算法,大大较低了处理器的能耗,使得整个***精简且稳定。
本发明提供的在复杂环境下的实时直弯道检测算法,在复杂的路况及环境中具有较好的鲁棒性,能够实时提供车道资讯信息。
附图说明
图1 ***整体算法流程图
图2 自适应阈值算法流程图
图3 承载算法的嵌入式***结构图
具体实施方式
为了加深对本实用新型的理解,下面将结合附图和实施例对本实用新型作进一步详细描述,该实施例仅用于解释本实用新型,并不对本实用新型的保护范围构成限定。
如图1-3所示,本实施例提供了一种基于ROI的强鲁棒性实时车道侦测算法,所述算法具体包括以下步骤:
步骤一、首先侦测第一张影像以提取初始自适应阈值;
步骤二、并在摄取的影像上建立坐标系,左上角为原点,横向为x轴,纵向为y轴;靠近影像底部的部分称为近景区域,远离的部分称为远景区域;由于在实际过程中车道线只会出现在一定的区域范围内,在此,我们只处理影像的一部分,以减少运算量。在近景区域内,在随后的步骤中会进行Hough搜索运算,并画出直线车道;在远景区域内,会参考Hough运算的参数并搜索K参数数值,以画出弯道车道。
步骤三、采用带有自适应阈值的横向梯度算子对影像灰度图进行车道线资讯过滤,在进行车道边缘检测之前,需要先将RGB图像转换成灰阶图,车道标线通常是白色、黄色或者红色,以便和路面形成鲜明的对比,为了保存车道标线的这一特性,从RGB模型转成灰阶图的采用公式为:;其中R,G,B为数值分布在[0,255]的分量;
边缘检测的性能对于***而言是重要的,算法必须要在恶劣的天气和较差的环境下具有鲁棒性,能把潜在的车道线讯息保留下来;同时由于此算法是运用在嵌入式***中,所以算法不能占用过多的运算量,以免对实时性产生影响。不采用canny算法的原因是其对处理器的负载过大,在此采用称成为横向梯度算子的遮罩的方式进行车道线侦测,阈值采用自适应阈值,其遮罩为:
为获取最大量的车道线资讯,提高***鲁棒性,对运用横向梯度算子过滤后的车道线资讯进行模糊搜索修补策略,模糊搜索修补策略所采用的遮罩为:
以当前影像车道线资讯数据集为,前一张为,若A、B、C都不为零,D、E其中有一个不为零且则更新。
步骤四、开设ROI提取有效车道资讯:
步骤4.1影像的梯度值及其方向表示为:
其中,和分别代表横向及纵向上的梯度,其运算遮罩如下所示:
步骤4.2将范围设置为,并将其量化为180个角度,即每一个角度为,计算方向角,若不在内,则被当做噪音车道线咨询并消除;
步骤4.3 利用保留的像素点进行初步hough转换,初步确定车道线资讯,并沿初步车道线资讯设置若干个具有一定ROI范围的滑动的窗口,并对逐个滑动窗口执行步骤4.2,分析排除可能是车道线以外的孤立杂讯;
步骤4.4 从第二张影像开始,采用车道线咨询在前后张影像中位移动量小的特性,将本张影像与前数张影像进行比对,提取最有效的车道线信息以便减少后续直线车道拟合中Hough转换的运算量;
步骤五、直道及弯道拟合:
(1)直道拟合
在影像近景区域采用Hough对直线车道进行拟合,其公式如下:
拟合采用Hough转换方法,具体步骤如下:
a)首先建立、各角度及的数据库表,用于Hough转换搜查,以减少运算量;
b)获得车道线资讯图E及数据集S,,其中m为车道线资讯像素点个数;
c)设置作为初始搜寻点,作为d)参数计算,并设置计算器,随后按行计算下一个点;
d) 若当前满足,则,设置,直到;
e)保留最大及E,直线拟合完毕;
(2)弯道拟合
在影像远景区域,采用双曲线对模型,其数学表达式为:
其中,为地平线在像平面中的纵坐标,K、和为弯道参数;
根据Hough空间中直线的标准型有:
对比可得出:,,,
各参数可均由直线Hough转换部分计算得出,设置 ,若拟合曲线点与滑动窗口中心点满足(单位为pixel),则;
(3)输出整体实时车道线:将步骤(1)和步骤(2)所得直线车道和弯曲车道结合并显示,输出整体的实时车道线;
步骤六、计算各滑动窗口参数并获取自适应阈值:从第二张影像开始,根据滑动窗口作为影像子区域开设ROI范围,并以此范围对转换后的灰阶图利用Otsu的方法进行自适应阈值提取,公式表达为:
其中t为所求自适应阈值,为第i个背景比列,为第i个背景均值,为第i个物体比例,为第i个物体均值,为第i个影像子区域图像均值,i为滑动窗口个数,参数计算公式如下:
其中,为第i个滑动窗口里灰阶数值为k的像素点的比例,为第i个滑动窗口灰阶数值为k的像素点个数,为第i个滑动窗口中像素点总个数;
阈值操作为:
其中,Bin(x,y)为影像点,f(x,y)为原有像素点的对应坐标;
步骤七,从第二张影像开始,每张影像首先执行步骤六,然后执行步骤三至步骤五,实时输出整体车道线。
本实施例是一种在复杂环境下的实时直弯道检测方法,首先采用带有自适应阈值的横向梯度算子对影像灰度图进行车道线资讯过滤,并采用模糊搜索策略修补过滤后的车道线资讯,提高***鲁棒性及车道检测的正确率;然后采用滑动ROI窗口策略统计车道边界资讯图梯度方向角,剔除异常梯度方向角的边界噪音资讯,同时关联前后张影像车道线资讯,减少冗余车道线边界资讯,以减少Hough转换运算量。直线车道部分提出一种快速查表的Hough转换方法,用于直线侦测;弯道部分采用双曲线对模型,其参数初始值承接于直线车道部分,并通过搜索策略最终确定其K参数,实现弯道部分的侦测。此算法在复杂的路况及环境中具有较好的鲁棒性,能够实时提供车道资讯信息。
Claims (2)
1.一种基于ROI的强鲁棒性实时车道侦测算法,其特征在于:所述算法具体包括以下步骤:
步骤一、首先侦测第一张影像以提取初始自适应阈值;
步骤二、并在摄取的影像上建立坐标系,左上角为原点,横向为x轴,纵向为y轴;靠近影像底部的部分称为近景区域,远离的部分称为远景区域;
步骤三、采用带有自适应阈值的横向梯度算子对影像灰度图进行车道线资讯过滤,首先进行车道资讯提取:在进行车道边缘检测之前将RGB图像转换成灰阶图,从RGB模型转成灰阶图的公式为:;其中R,G,B为数值分布在[0,255]的分量;然后采用横向梯度算子的遮罩的方式进行车道线侦测,阈值采用自适应阈值,其遮罩为:
步骤四、开设ROI提取有效车道资讯:
步骤4.1影像的梯度值及其方向表示为:
其中,和分别代表横向及纵向上的梯度,其运算遮罩如下所示:
步骤4.2 将范围设置为,并将其量化为180个角度,即每一个角度为,计算方向角,若不在内,则被当做噪音车道线资讯并消除;
步骤4.3 利用保留的像素点进行初步hough转换,初步确定车道线资讯,并沿初步车道线资讯设置若干个具有一定ROI范围的滑动的窗口,并对逐个滑动窗口执行步骤4.2,分析排除可能是车道线以外的孤立杂讯;
步骤4.4 从第二张影像开始,采用车道线资讯在前后张影像中位移动量小的特性,将本张影像与前数张影像进行比对,提取最有效的车道线信息以便减少后续直线车道拟合中Hough转换的运算量;
步骤五、直道及弯道拟合:
(1)直道拟合
在影像近景区域采用Hough对直线车道进行拟合,其公式如下:
拟合采用Hough转换方法,具体步骤如下:
a)首先建立、各角度及的数据库表,用于Hough转换搜查,以减少运算量;
b)获得车道线资讯图E及数据集S,,其中m为车道线资讯像素点个数;
c)设置作为初始搜寻点,作为d)参数计算,并设置计算器,随后按行计算下一个点;
d)若当前满足,则,设置,直到;
e)保留最大及E,直线拟合完毕;
(2)弯道拟合
在影像远景区域,采用双曲线对模型,其数学表达式为:
其中,为地平线在像平面中的纵坐标,K、和为弯道参数;
根据Hough空间中直线的标准型有:
对比可得出:,,,
各参数可均由直线Hough转换部分计算得出,设置 ,若拟合曲线点与滑动窗口中心点满足(单位为pixel),则;
(3)输出整体实时车道线:将步骤(1)和步骤(2)所得直线车道和弯曲车道结合并显示,输出整体的实时车道线;
步骤六、计算各滑动窗口参数并获取自适应阈值:从第二张影像开始,根据滑动窗口作为影像子区域开设ROI范围,并以此范围对转换后的灰阶图利用Otsu的方法进行自适应阈值提取,公式表达为:
其中t为所求自适应阈值,为第i个背景比列,为第i个背景均值,为第i个物体比例,为第i个物体均值,为第i个影像子区域图像均值,i为滑动窗口个数,参数计算公式如下:
其中,为第i个滑动窗口里灰阶数值为k的像素点的比例,为第i个滑动窗口灰阶数值为k的像素点个数,为第i个滑动窗口中像素点总个数;
阈值操作为:
其中,Bin(x,y)为影像点,f(x,y)为原有像素点的对应坐标;
步骤七,从第二张影像开始,每张影像首先执行步骤六,然后执行步骤三至步骤五,实时输出整体车道线。
2.根据权利要求1所述的一种基于ROI的强鲁棒性实时车道侦测算法,其特征在于:所述算法还包括:在步骤三中对运用横向梯度算子过滤后的车道线资讯进行模糊搜索修补策略,模糊搜索修补策略所采用的遮罩为:
以当前影像车道线资讯数据集为,前一张为,若A、B、C都不为零,D、E其中有一个不为零且则更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410148832.8A CN103902985B (zh) | 2014-04-15 | 2014-04-15 | 一种基于roi的强鲁棒性实时车道侦测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410148832.8A CN103902985B (zh) | 2014-04-15 | 2014-04-15 | 一种基于roi的强鲁棒性实时车道侦测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103902985A CN103902985A (zh) | 2014-07-02 |
CN103902985B true CN103902985B (zh) | 2017-02-15 |
Family
ID=50994297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410148832.8A Active CN103902985B (zh) | 2014-04-15 | 2014-04-15 | 一种基于roi的强鲁棒性实时车道侦测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103902985B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353373B (zh) * | 2015-12-16 | 2018-04-20 | 武汉大学 | 一种基于Hough变换探地雷达目标提取方法和装置 |
CN106778668B (zh) * | 2016-12-30 | 2019-08-09 | 明见(厦门)技术有限公司 | 一种联合ransac和cnn的鲁棒的车道线检测方法 |
CN107180228A (zh) * | 2017-05-02 | 2017-09-19 | 开易(北京)科技有限公司 | 一种用于车道线检测的梯度增强转换方法及*** |
CN107392139B (zh) * | 2017-07-18 | 2020-10-20 | 海信集团有限公司 | 一种基于霍夫变换的车道线检测方法及终端设备 |
CN107590438A (zh) * | 2017-08-16 | 2018-01-16 | 中国地质大学(武汉) | 一种智能辅助驾驶方法及*** |
CN109543493B (zh) * | 2017-09-22 | 2020-11-20 | 杭州海康威视数字技术股份有限公司 | 一种车道线的检测方法、装置及电子设备 |
CN107901907B (zh) * | 2017-09-30 | 2019-12-20 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于色块统计的车道线检测方法 |
CN108830165A (zh) * | 2018-05-22 | 2018-11-16 | 南通职业大学 | 一种考虑前车干扰的车道线检测方法 |
CN109087326A (zh) * | 2018-09-18 | 2018-12-25 | 辽宁工业大学 | 基于局部自适应的Otsu算法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5835028A (en) * | 1997-05-05 | 1998-11-10 | Bender; Lee | Lane marker position sensor and alarm |
CN101639983A (zh) * | 2009-08-21 | 2010-02-03 | 任雪梅 | 一种基于图像信息熵的多车道车流量检测方法 |
CN101826257A (zh) * | 2010-03-29 | 2010-09-08 | 北京市公安局公安交通管理局 | 机动车道通行状况实时检测法 |
CN103366584A (zh) * | 2013-06-20 | 2013-10-23 | 银江股份有限公司 | 基于实时交通流检测的自适应潮汐车道控制方法 |
CN103617412A (zh) * | 2013-10-31 | 2014-03-05 | 电子科技大学 | 实时车道线检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4162618B2 (ja) * | 2004-03-12 | 2008-10-08 | 株式会社豊田中央研究所 | 車線境界判定装置 |
-
2014
- 2014-04-15 CN CN201410148832.8A patent/CN103902985B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5835028A (en) * | 1997-05-05 | 1998-11-10 | Bender; Lee | Lane marker position sensor and alarm |
CN101639983A (zh) * | 2009-08-21 | 2010-02-03 | 任雪梅 | 一种基于图像信息熵的多车道车流量检测方法 |
CN101826257A (zh) * | 2010-03-29 | 2010-09-08 | 北京市公安局公安交通管理局 | 机动车道通行状况实时检测法 |
CN103366584A (zh) * | 2013-06-20 | 2013-10-23 | 银江股份有限公司 | 基于实时交通流检测的自适应潮汐车道控制方法 |
CN103617412A (zh) * | 2013-10-31 | 2014-03-05 | 电子科技大学 | 实时车道线检测方法 |
Non-Patent Citations (1)
Title |
---|
基于线性抛物线模型的车道检测与跟踪方法;洪敏等;《长江大学学报(自然科学版)》;20130305;第10卷(第7期);第53-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103902985A (zh) | 2014-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103902985B (zh) | 一种基于roi的强鲁棒性实时车道侦测算法 | |
CN104008387B (zh) | 一种基于特征点分段线性拟合的车道线检测方法 | |
CN105678285B (zh) | 一种自适应的道路鸟瞰图变换方法和道路车道检测方法 | |
CN105261020B (zh) | 一种快速车道线检测方法 | |
CN107330376B (zh) | 一种车道线识别方法及*** | |
CN105426864B (zh) | 一种基于等距边缘点匹配的多车道线检测方法 | |
CN104392212B (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
Kong et al. | General road detection from a single image | |
CN103500322B (zh) | 基于低空航拍图像的车道线自动识别方法 | |
CN103077617B (zh) | 基于计算机视觉的人行横道智能交通灯监管***及方法 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN102982304B (zh) | 利用偏光图像检测车辆位置的方法和*** | |
CN107025432A (zh) | 一种高效的车道线检测跟踪方法及*** | |
CN101980245B (zh) | 一种基于自适应模板匹配的客流统计方法 | |
CN104766046A (zh) | 一种利用交通标识颜色及形状特征进行检测与识别算法 | |
CN104029680A (zh) | 基于单目摄像头的车道偏离预警***及方法 | |
CN104156731A (zh) | 基于人工神经网络的车牌识别***与方法 | |
CN105404857A (zh) | 一种基于红外的夜间智能车前方行人检测方法 | |
CN103324930A (zh) | 一种基于灰度直方图二值化的车牌字符分割方法 | |
CN105528609A (zh) | 一种基于字符位置的车牌定位方法 | |
CN103793708A (zh) | 一种基于仿射校正的多尺度车牌精准定位方法 | |
CN102999749A (zh) | 基于人脸检测的安全带违章事件智能检测方法 | |
CN107705301A (zh) | 一种基于无人机航拍公路图像的公路标线破损检测方法 | |
CN105117726A (zh) | 基于多特征区域累积的车牌定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |