CN103927526A - 一种基于高斯差分多尺度边缘融合的车辆检测方法 - Google Patents
一种基于高斯差分多尺度边缘融合的车辆检测方法 Download PDFInfo
- Publication number
- CN103927526A CN103927526A CN201410181851.0A CN201410181851A CN103927526A CN 103927526 A CN103927526 A CN 103927526A CN 201410181851 A CN201410181851 A CN 201410181851A CN 103927526 A CN103927526 A CN 103927526A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- difference
- gaussian
- scale
- 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
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于高斯差分多尺度边缘融合的车辆检测方法,首先对图像进行高斯尺度变换,得到四幅相邻尺度的高斯图像。然后对这四个尺度相邻的高斯图像进行相邻尺度图像之间差分运算,得到三个不同尺度的高斯差分图像并对其采用Sobel算子进行边缘检测,再进行尺度向上搜索的边缘融合,得到尽可能多的车辆边缘信息同时去除大量背景边缘,再对融合的边缘图像进行膨胀、闭运算、孔洞填充等一系列形态学操作,得到代表车辆的连通域图像,最后根据连通域的位置信息在原图像中确定出车辆所在位置的外界矩形,实现车辆检测。本发明对多尺度图像进行处理,降低了算法复杂度,减少了计算量,能有效提高车辆检测的效率,得到较好的检测结果。
Description
技术领域
本发明属于视频检测领域,具体涉及一种基于高斯差分多尺度边缘融合的车辆检测方法。
背景技术
运动目标检测是计算机视觉及图像模式识别的一项关键技术。基于视觉的车辆检测技术是智能交通图像处理的研究热点,在智能交通领域有着广泛的应用,如车辆辅助驾驶***,交通参数统计***等。
基于计算机视觉的车辆检测方法大致可分为三类:基于模型,基于神经网络学习,基于特征的方法。基于模型的检测方法将检测到的候选车辆区域与计算机数据库中预先建立的车辆模型进行匹配从而检测车辆,但该方法的缺点在于完全依赖于对所有不同种类车辆进行几何建模,这是很难实现的。
基于学习的的检测方法通过使用样本对神经网络进行训练,用训练好的网络进行车辆识别,该方法经常用于验证其他方法的检测结果。基于特征的方法通过检测车辆的局部特征如对称部件(车轮、头灯、尾灯等)、边缘和阴影等,从而定位车辆。该方法的优点在于使用车辆在大多数环境下都可辨别的特征来检测车辆,适用于雨雪天甚至夜间的车辆检测问题。通过检测车轮实现车辆检测的方法容易受到车辆行驶姿态、遮挡等问题的影响,而通过检测车灯的方法也被夜间场景中的路灯及城市灯光所干扰,影响检测结果。而基于边缘检测(包括车辆阴影检测)的车辆检测方法由于背景边缘(如车道线、栏杆、树木等)的存在导致检测结果的不准确,因此,如何最大限度地检测出车辆边缘同时抑制背影边缘,成为提高该方法检测准确率的关键问题。
发明内容
本发明的目的在于克服现有技术中的问题,提供一种基于高斯差分多尺度边缘融合的车辆检测方法,该方法降低了算法复杂度,减少了计算量,得到较好的检测结果,有效地提高了检测效率。
为了实现上述目的,本发明采取如下的技术解决方案予以实现:
步骤一,采集某路段交通视频,对视频中的一幅图像灰度化并进行高斯金字塔多尺度变换,利用四个相邻尺度参数的高斯核与图像进行卷积运算,得到四幅相邻尺度的高斯图像Gl,其中l表示四个相邻尺度,l=1,2,3,4;
步骤二,对这四幅相邻尺度的高斯图像Gl进行相邻尺度图像差分运算,得到三幅相邻尺度的高斯差分图像Dl,三幅高斯差分图像的尺度分别为:σ,2×σ,2×2×σ;其中l=1,2,3,σ为平滑参数;
步骤三,对步骤二得到的三幅高斯差分图像Dl采用Sobel算子进行边缘检测,计算差分图像中每个像素点在水平、垂直两个方向上的梯度幅值,并设置阈值T1,保留梯度幅值大于T1的像素点,此像素点为边缘点并设其灰度值为255,否则设为0,得到对应三个相邻尺度的边缘检测二值图El,其中l=1,2,3;
步骤四,对对应三个不同尺度的三幅二值边缘图El进行多尺度边缘融合,其中,l=1,2,3,具体步骤为:
(1)在四个相邻尺度l下搜索三幅相邻尺度的高斯差分图像Dl的边缘图像El中的每一个边缘像素,由于相邻尺度间的边缘位移不超过1,在尺度为l-1的差分高斯图像Dl-1的边缘图像中搜索相应的面积为3×3的区域,该区域中出现的所有边缘点均标记为边缘点,得到候选边缘图像;
(2)l=l-1;若l>1则跳转至步骤(1),否则执行步骤(3);
(3)l=1时,边缘图像El则为融合后的边缘图像;
步骤五,对步骤四得到的融合后的边缘图像采用膨胀模板进行形态学处理,设定阈值T2,连接像素间距小于阈值T2的边缘点或线,得到连续边缘;再进行形态学闭运算,弥合边缘图像的孔洞和裂缝,得到进一步闭合的边缘图像;最后经过图像填充将闭合区域的内部空洞填充,形成完整的连通区域;
步骤六,对连通区域进行标记,计算每一个连通区域的面积,设置面积阈值T3,剔除面积小于面积阈值T3的连通域;根据连通域坐标确定各连通域的最小外接矩形的坐标,最后在原始灰度图像中显示出来,完成对车辆的检测。
所述步骤一中尺度由平滑参数σ和平滑参数k共同决定,k由参数s决定,并且k=2^(1/S),S+3=N,其中N为高斯金字塔每一层中的高斯图片数,取N=4,S=1,σ=0.5,k=2,则四个相邻尺度分别为σ,kσ,2kσ,3kσ。
所述步骤三中Sobel算子水平方向的模板为(-1,0,1;-2,0,2;-1,0,1),垂直方向模板为(-1,-2,-1;0,0,0;1,2,1),阈值T1由最大类间方差法获得。
所述步骤五中膨胀模板尺寸为3×3,形态闭运算模板尺寸为8×8,T2取值范围为1~8,并且以像素为单位。
所述步骤六中面积阈值的设置过程为:对标记的n个连通域的面积进行排序,将最大连通域面积的1/4作为面积阈值。
与现有技术相比,本发明具有的有益效果:本发明公开了一种基于高斯差分多尺度边缘融合的车辆检测方法,首先利用四个相邻尺度参数的高斯核与图像进行卷积运算,得到四幅相邻尺度的高斯图像。然后对这四个相邻尺度的高斯图像进行差分,得到三个相邻尺度的高斯差分图像并对其采用Sobel算子进行边缘检测。然后对检测得到的三幅不同尺度的边缘图像进行尺度向上搜索的边缘融合,得到尽可能多的车辆边缘信息同时去除大量背景边缘。再对融合的边缘图像进行膨胀、闭运算、孔洞填充等一系列形态学操作,得到代表车辆的连通域图像。最后根据连通域的位置信息在原图像中确定出车辆所在位置的外界矩形,实现车辆检测。本发明对非采样的多尺度图像进行处理,避免了图像插值运算造成的边缘信息缺失或出现伪边缘;采用多尺度边缘图像向上搜索融合的方法在得到更多边缘信息的同时抑制背景边缘。该方法降低了算法复杂度,减少了计算量,能有效提高车辆检测的效率,得到较好的检测结果。
附图说明
图1是待检测的灰度图像;
图2~4是三个相邻尺度的高斯差分图像;
图5是Sobel算子模板;
图6是尺度1下的边缘检测结果;
图7是融合后的边缘图像;
图8为形态学闭操作得到的连通域图像;
图9为经孔洞填充后得到的完整连通域图像;
图10为代表车辆的连通域图像;
图11为雨天车辆检测结果。
图12为晴天车辆检测结果。
图13为高斯差分多尺度边缘融合的车辆检测算法过程示意图。
具体实施方式
本发明给出一种基于高斯差分多尺度边缘融合的车辆检测方法,对一幅大小为W×H车辆图像在多尺度下进行边缘检测,经多尺度融合后的边缘位置信息来确定车辆位置,从而实现车辆检测。
下面结合附图对本发明进行详细说明,参见图13,本发明的方法具体采用以下几个步骤实现:
步骤一,采集某路段交通视频,在视频中采集一幅大小为517×363的车辆图像I,对其灰度化得到灰度图形,再进行高斯金字塔多尺度变换。利用相邻尺度参数的四个高斯核G与图像I进行卷积运算,得到四幅相邻尺度的非采样高斯图像Gl(l=1,2,3,4),其中l表示四个相邻尺度。
尺度由平滑参数σ和平滑参数k共同决定,而平滑参数k由参数s决定。k=2^(1/S),S+3=N,其中N为高斯金字塔每一层中的高斯图片数(根据Lowe论文),本发明中取N=4,S=1,σ=0.5,k=2,取σ=0.5,S=1,k=2,四个相邻尺度分别为σ,kσ,2kσ,3kσ,即σ,2×σ,2×2×σ,3×2×σ。
步骤二,对这四幅未经下采样的大小相同,尺度不同的高斯图像Gl(l=1,2,3,4)进行相邻尺度图像差分运算,得到三幅相邻尺度的高斯差分图像Dl,其中,l=1,2,3和三幅高斯差分图像的尺度分别为:σ,2×σ,2×2×σ。
步骤三,对步骤二得到的三幅高斯差分图像Dl分别采用Sobel算子进行边缘检测。Sobel算子通过计算差分图像中每个像素点在水平、垂直两个方向上的梯度幅值,采用最大类间方差(OTSU)法设置阈值T1,保留梯度幅值大于T1的像素点为边缘点并设置为1,否则置为0,得到对应三个不同尺度的边缘检测图El(l=1,2,3)。
Sobel算子水平方向的模板为(-1,0,1;-2,0,2;-1,0,1),垂直方向模板为(-1,-2,-1;0,0,0;1,2,1)。
步骤四,对三幅边缘检测图像El(l=1,2,3)进行多尺度边缘融合,步骤为:
(1)在尺度l下搜索差分高斯图像Dl的边缘图像El中的每一个边缘像素,由于相邻尺度间的边缘位移不超过1,在尺度为l-1的差分高斯图像Dl-1的边缘图像中搜索相应的面积为3×3的区域,该区域中出现的所有边缘点均标记为边缘点,得到候选边缘图像;
(2)l=l-1;若l>1则跳转至步骤(1),否则执行步骤(3);
(3)l=1时,边缘图像El即为融合后得到的边缘图像。
步骤五,对步骤四得到的边缘图像采用膨胀模板进行形态学处理,称为线条扩充处理,连接像素间距小于阈值T2的边缘点或线,得到连续边缘。再进行形态学闭运算,弥合边缘图像的孔洞和裂缝,得到进一步闭合的边缘图像。最后经过图像填充将闭合区域的内部空洞填充起来,形成完整的连通区域。
其中,膨胀模板尺寸为3×3,形态闭运算模板尺寸为8×8,T2=1~8(以像素为单位)。
步骤六,对连通区域进行标记并计算每一个连通区域的面积,设置面积阈值T3,小于面积阈值T3的连通域视为背景区域而被剔除。根据连通域坐标确定各连通域的最小外接矩形的坐标,最后在原始灰度图像中显示出来,完成对车辆的检测。
其中,面积阈值T3的设置:对标记的N个连通域的面积进行排序,取最大连通域面积的1/4作为面积阈值。
以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡是在本申请方案基础上做的同等变换均落入本发明的保护范围。
实施例:
采集一幅大小为517×363雨天交通图像的灰度化得到灰度图,如图1所示,选取尺度参数σ=0.5,k=2,用尺度分别为σ,2×σ,2×2×σ,3×2×σ的四个高斯核分别与灰度图进行卷积运算,得到四个相邻尺度的非采样高斯模糊图像。
对四个相邻尺度的未经下采样的大小相同而尺度不同的高斯模糊图像进行相邻尺度差分运算得到三幅相邻尺度的高斯差分图像,即尺度1与尺度2的高斯图像差分得到尺度为的高斯差分图,图尺度2与尺度3的高斯图像差分得到尺度为的差分图,尺度3与尺度4的高斯图像差分得到尺度为的差分图。高斯差分图如图2~4所示。
利用如图5所示的水平方向模板(-1,0,1;-2,0,2;-1,0,1),垂直方向模板(-1,-2,-1;0,0,0;1,2,1)的Sobel算子对三幅高斯差分图进行边缘检测,得到三幅相邻尺度的边缘检测图,尺度1的边缘图如图6所示。以尺度3边缘图中的每一个边缘点为中心,在尺度2的边缘图中对其3×3邻域进行搜索,保留邻域内的边缘点,至搜索结束,得到第一次融合后的边缘图。对此边缘图中的每一个边缘点,在尺度为1的边缘图中继续进行上述同样操作,得到最终的边缘融合图像,如图7所示。
取T2=3,对边缘融合图像以3×3模板进行形态学膨胀,再以8×8模板进行形态学闭运算,得到边缘闭合的连通域,如图8所示。对图8进行图像填充,弥合连通域中的孔洞,得到完整的连通域图像(如图9所示)。
对图9进行连通域标记(标记结果为16),计算每一个连通域的面积并按从大到小顺序排序,以最大连通域面积的1/4为阈值(本例中为2300),剔除面积小于阈值的连通域,得到的连通域图像(如图10所示)视为车辆所在位置。在图1中相应位置画出连通域外接矩形,得到雨天车辆检测结果,如图11所示。图12为对另一场景(晴天)采用本发明处理得到的检测结果。
从图11和12可以看出,按照上述方法进行车辆检测,实现了较好的检测结果。本实例表明,本发明的方案算法简单,减少了计算量,同时实现了较好的车辆检测。
本发明公开了一种基于高斯差分多尺度边缘融合的车辆检测方法,首先利用四个相邻尺度参数的高斯核与图像进行卷积运算,得到四幅相邻尺度的高斯图像。然后对这四个相邻尺度的高斯图像进行差分,得到三个相邻尺度的高斯差分图像并对其采用Sobel算子进行边缘检测。然后对检测得到的三幅相邻尺度的边缘图像进行尺度向上搜索的边缘融合,得到尽可能多的车辆边缘信息同时去除大量背景边缘。再对融合的边缘图像进行膨胀、闭运算、孔洞填充等一系列形态学操作,得到代表车辆的连通域图像。最后根据连通域的位置信息在原图像中确定出车辆所在位置的外界矩形,实现车辆检测。本发明对非采样的多尺度图像进行处理,避免了图像插值运算造成的边缘信息缺失或出现伪边缘;采用多尺度边缘图像向上搜索融合的方法在得到更多边缘信息的同时抑制背景边缘。该方法降低了算法复杂度,减少了计算量,能有效提高车辆检测的效率,得到较好的检测结果。
Claims (5)
1.一种基于高斯差分多尺度边缘融合的车辆检测方法,其特征在于,包括以下步骤:
步骤一,采集某路段交通视频,对视频中的一幅图像灰度化得到原始灰度图像,再进行高斯金字塔多尺度变换,利用四个相邻尺度参数的高斯核与图像进行卷积运算,得到四幅相邻尺度的高斯图像Gl,其中l表示四个相邻尺度,l=1,2,3,4;
步骤二,对这四幅相邻尺度的高斯图像Gl进行相邻尺度图像差分运算,得到三幅相邻尺度的高斯差分图像Dl,三幅高斯差分图像的尺度分别为:σ,2×σ,2×2×σ;其中l=1,2,3,σ为平滑参数;
步骤三,对步骤二得到的三幅高斯差分图像Dl采用Sobel算子进行边缘检测,计算差分图像中每个像素点在水平、垂直两个方向上的梯度幅值,并设置阈值T1,保留梯度幅值大于阈值T1的像素点,此像素点为边缘点并设其灰度值为255,否则设为0,得到对应三个相邻尺度的边缘检测二值图El,其中l=1,2,3;
步骤四,对对应三个不同尺度的三幅二值边缘图El进行多尺度边缘融合,其中,l=1,2,3,具体步骤为:
(1)在四个相邻尺度l下搜索三幅相邻尺度的高斯差分图像Dl的边缘图像El中的每一个边缘像素,由于相邻尺度间的边缘位移不超过1,在尺度为l-1的差分高斯图像Dl-1的边缘图像中搜索相应的面积为3×3的区域,该区域中出现的所有边缘点均标记为边缘点,得到候选边缘图像;
(2)l=l-1;若l>1则跳转至步骤(1),否则执行步骤(3);
(3)l=1时,边缘图像El则为融合后的边缘图像;
步骤五,对步骤四得到的融合后的边缘图像采用膨胀模板进行形态学处理,设定阈值T2,连接像素间距小于阈值T2的边缘点或线,得到连续边缘;再进行形态学闭运算,弥合边缘图像的孔洞和裂缝,得到进一步闭合的边缘图像;最后经过图像填充将闭合区域的内部空洞填充,形成完整的连通区域;
步骤六,对连通区域进行标记,计算每一个连通区域的面积,设置面积阈值T3,剔除面积小于面积阈值T3的连通域;根据连通域坐标确定各连通域的最小外接矩形的坐标,最后在原始灰度图像中显示出来,完成对车辆的检测。
2.根据权利要求1所述的一种基于高斯差分多尺度边缘融合的车辆检测方法,其特征在于,所述步骤一中尺度由平滑参数σ和平滑参数k共同决定,k由参数s决定,并且k=2^(1/S),S+3=N,其中N为高斯金字塔每一层中的高斯图片数,取N=4,S=1,σ=0.5,k=2,则四个相邻尺度分别为σ,kσ,2kσ,3kσ。
3.根据权利要求1所述的一种基于高斯差分多尺度边缘融合的车辆检测方法,其特征在于,所述步骤三中Sobel算子水平方向的模板为(-1,0,1;-2,0,2;-1,0,1),垂直方向模板为(-1,-2,-1;0,0,0;1,2,1),阈值T1由最大类间方差法获得。
4.根据权利要求1所述的一种基于高斯差分多尺度边缘融合的车辆检测方法,其特征在于,所述步骤五中膨胀模板尺寸为3×3,形态闭运算模板尺寸为8×8,T2取值范围为1~8,并且以像素为单位。
5.根据权利要求1所述的一种基于高斯差分多尺度边缘融合的车辆检测方法,其特征在于,所述步骤六中面积阈值的设置过程为:对标记的n个连通域的面积进行排序,将最大连通域面积的1/4作为面积阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410181851.0A CN103927526B (zh) | 2014-04-30 | 2014-04-30 | 一种基于高斯差分多尺度边缘融合的车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410181851.0A CN103927526B (zh) | 2014-04-30 | 2014-04-30 | 一种基于高斯差分多尺度边缘融合的车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927526A true CN103927526A (zh) | 2014-07-16 |
CN103927526B CN103927526B (zh) | 2017-02-15 |
Family
ID=51145742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410181851.0A Active CN103927526B (zh) | 2014-04-30 | 2014-04-30 | 一种基于高斯差分多尺度边缘融合的车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927526B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598906A (zh) * | 2015-03-04 | 2015-05-06 | 西安工业大学 | 车辆外轮廓检测方法及其装置 |
CN105956532A (zh) * | 2016-04-25 | 2016-09-21 | 大连理工大学 | 一种基于多尺度卷积神经网络的交通场景分类方法 |
CN107240111A (zh) * | 2017-06-14 | 2017-10-10 | 郑州天迈科技股份有限公司 | 边沿连通分割客流统计方法 |
CN107492110A (zh) * | 2017-07-31 | 2017-12-19 | 腾讯科技(深圳)有限公司 | 一种图像边缘检测方法、装置和存储介质 |
CN107730521A (zh) * | 2017-04-29 | 2018-02-23 | 安徽慧视金瞳科技有限公司 | 一种图像中屋脊型边缘的快速检测方法 |
CN108596931A (zh) * | 2018-05-11 | 2018-09-28 | 浙江大学 | 一种基于Canny算子的噪声鲁棒轮毂边缘检测算法 |
CN108629781A (zh) * | 2018-04-24 | 2018-10-09 | 成都品果科技有限公司 | 一种头发绘制方法 |
CN108830169A (zh) * | 2018-05-24 | 2018-11-16 | 中国农业大学 | 增氧机工作状态的检测方法和*** |
CN108957530A (zh) * | 2018-05-23 | 2018-12-07 | 电子科技大学 | 一种基于地震相干体切片的裂缝自动检测方法 |
CN109242884A (zh) * | 2018-08-14 | 2019-01-18 | 西安电子科技大学 | 基于JCFNet网络的遥感视频目标跟踪方法 |
CN109389617A (zh) * | 2018-08-27 | 2019-02-26 | 深圳大学 | 一种基于片上异构***的运动目标识别与追踪方法及*** |
CN109543487A (zh) * | 2018-11-22 | 2019-03-29 | 福州图腾易讯信息技术有限公司 | 一种基于条码边缘分割的自动感应触发方法及其*** |
CN109559299A (zh) * | 2018-11-19 | 2019-04-02 | 常州大学 | 一种双果重叠果实的分离方法 |
CN109741406A (zh) * | 2019-01-03 | 2019-05-10 | 广州广电银通金融电子科技有限公司 | 一种监控场景下的车身颜色识别方法 |
CN109784322A (zh) * | 2019-01-04 | 2019-05-21 | 平安科技(深圳)有限公司 | 一种基于图像处理的vin码识别方法、设备及介质 |
CN109886312A (zh) * | 2019-01-28 | 2019-06-14 | 同济大学 | 一种基于多层特征融合神经网络模型的桥梁车辆车轮检测方法 |
CN111324145A (zh) * | 2020-02-28 | 2020-06-23 | 厦门理工学院 | 一种无人机自主着陆方法、装置、设备及存储介质 |
CN111353446A (zh) * | 2020-03-05 | 2020-06-30 | 广智微芯(扬州)有限公司 | 一种车道线检测方法及*** |
CN111626304A (zh) * | 2020-05-20 | 2020-09-04 | 中国科学院新疆理化技术研究所 | 一种基于机器视觉的颜色特征提取方法及其应用 |
CN111915496A (zh) * | 2019-05-08 | 2020-11-10 | 北京字节跳动网络技术有限公司 | 一种图像处理方法、装置及存储介质 |
CN112329677A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于特征融合的遥感图像河道目标检测方法和装置 |
CN112520524A (zh) * | 2021-01-13 | 2021-03-19 | 大连理工大学 | 一种基于手势识别技术的智能电梯控制交互装置及控制方法 |
CN112819843A (zh) * | 2021-01-20 | 2021-05-18 | 上海大学 | 一种夜间电力线的提取方法及*** |
CN113269800A (zh) * | 2021-05-25 | 2021-08-17 | 华能海南发电股份有限公司澄迈光伏电站 | 一种太阳能光伏组件红外图像分割方法 |
CN114494318A (zh) * | 2022-02-17 | 2022-05-13 | 天津市眼科医院 | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 |
CN114972276A (zh) * | 2022-06-05 | 2022-08-30 | 长沙烽铭智能科技有限公司 | 一种车辆自动驾驶距离判断算法 |
CN115775250A (zh) * | 2023-02-13 | 2023-03-10 | 惠州威尔高电子有限公司 | 基于数字图像分析的金手指电路板缺陷快速检测*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520894A (zh) * | 2009-02-18 | 2009-09-02 | 上海大学 | 基于区域显著性的显著对象提取方法 |
US20100266183A1 (en) * | 2007-12-10 | 2010-10-21 | Agfa Healthcare Nv | Method of Generating a Multiscale Contrast Enhanced IMage |
CN102289806A (zh) * | 2011-06-21 | 2011-12-21 | 北京航空航天大学 | 一种利用多尺度形态学特征的图像清晰度度量方法 |
CN103714538A (zh) * | 2013-12-20 | 2014-04-09 | 中联重科股份有限公司 | 道路边缘检测方法、装置及车辆 |
-
2014
- 2014-04-30 CN CN201410181851.0A patent/CN103927526B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100266183A1 (en) * | 2007-12-10 | 2010-10-21 | Agfa Healthcare Nv | Method of Generating a Multiscale Contrast Enhanced IMage |
CN101520894A (zh) * | 2009-02-18 | 2009-09-02 | 上海大学 | 基于区域显著性的显著对象提取方法 |
CN102289806A (zh) * | 2011-06-21 | 2011-12-21 | 北京航空航天大学 | 一种利用多尺度形态学特征的图像清晰度度量方法 |
CN103714538A (zh) * | 2013-12-20 | 2014-04-09 | 中联重科股份有限公司 | 道路边缘检测方法、装置及车辆 |
Non-Patent Citations (1)
Title |
---|
刘立: "基于多尺度特征的图像匹配与目标定位研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598906A (zh) * | 2015-03-04 | 2015-05-06 | 西安工业大学 | 车辆外轮廓检测方法及其装置 |
CN104598906B (zh) * | 2015-03-04 | 2017-08-22 | 西安工业大学 | 车辆外轮廓检测方法及其装置 |
CN105956532A (zh) * | 2016-04-25 | 2016-09-21 | 大连理工大学 | 一种基于多尺度卷积神经网络的交通场景分类方法 |
CN105956532B (zh) * | 2016-04-25 | 2019-05-21 | 大连理工大学 | 一种基于多尺度卷积神经网络的交通场景分类方法 |
CN107730521A (zh) * | 2017-04-29 | 2018-02-23 | 安徽慧视金瞳科技有限公司 | 一种图像中屋脊型边缘的快速检测方法 |
CN107730521B (zh) * | 2017-04-29 | 2020-11-03 | 安徽慧视金瞳科技有限公司 | 一种图像中屋脊型边缘的快速检测方法 |
CN107240111A (zh) * | 2017-06-14 | 2017-10-10 | 郑州天迈科技股份有限公司 | 边沿连通分割客流统计方法 |
CN107492110A (zh) * | 2017-07-31 | 2017-12-19 | 腾讯科技(深圳)有限公司 | 一种图像边缘检测方法、装置和存储介质 |
CN108629781B (zh) * | 2018-04-24 | 2022-04-22 | 成都品果科技有限公司 | 一种头发绘制方法 |
CN108629781A (zh) * | 2018-04-24 | 2018-10-09 | 成都品果科技有限公司 | 一种头发绘制方法 |
CN108596931A (zh) * | 2018-05-11 | 2018-09-28 | 浙江大学 | 一种基于Canny算子的噪声鲁棒轮毂边缘检测算法 |
CN108957530A (zh) * | 2018-05-23 | 2018-12-07 | 电子科技大学 | 一种基于地震相干体切片的裂缝自动检测方法 |
CN108957530B (zh) * | 2018-05-23 | 2019-08-23 | 电子科技大学 | 一种基于地震相干体切片的裂缝自动检测方法 |
CN108830169A (zh) * | 2018-05-24 | 2018-11-16 | 中国农业大学 | 增氧机工作状态的检测方法和*** |
CN108830169B (zh) * | 2018-05-24 | 2020-10-09 | 中国农业大学 | 增氧机工作状态的检测方法和*** |
CN109242884B (zh) * | 2018-08-14 | 2020-11-20 | 西安电子科技大学 | 基于JCFNet网络的遥感视频目标跟踪方法 |
CN109242884A (zh) * | 2018-08-14 | 2019-01-18 | 西安电子科技大学 | 基于JCFNet网络的遥感视频目标跟踪方法 |
CN109389617A (zh) * | 2018-08-27 | 2019-02-26 | 深圳大学 | 一种基于片上异构***的运动目标识别与追踪方法及*** |
CN109559299A (zh) * | 2018-11-19 | 2019-04-02 | 常州大学 | 一种双果重叠果实的分离方法 |
CN109559299B (zh) * | 2018-11-19 | 2023-07-25 | 常州大学 | 一种双果重叠果实的分离方法 |
CN109543487B (zh) * | 2018-11-22 | 2022-04-01 | 福州图腾易讯信息技术有限公司 | 一种基于条码边缘分割的自动感应触发方法及其*** |
CN109543487A (zh) * | 2018-11-22 | 2019-03-29 | 福州图腾易讯信息技术有限公司 | 一种基于条码边缘分割的自动感应触发方法及其*** |
CN109741406A (zh) * | 2019-01-03 | 2019-05-10 | 广州广电银通金融电子科技有限公司 | 一种监控场景下的车身颜色识别方法 |
CN109784322A (zh) * | 2019-01-04 | 2019-05-21 | 平安科技(深圳)有限公司 | 一种基于图像处理的vin码识别方法、设备及介质 |
CN109886312B (zh) * | 2019-01-28 | 2023-06-06 | 同济大学 | 一种基于多层特征融合神经网络模型的桥梁车辆车轮检测方法 |
CN109886312A (zh) * | 2019-01-28 | 2019-06-14 | 同济大学 | 一种基于多层特征融合神经网络模型的桥梁车辆车轮检测方法 |
CN111915496A (zh) * | 2019-05-08 | 2020-11-10 | 北京字节跳动网络技术有限公司 | 一种图像处理方法、装置及存储介质 |
CN111915496B (zh) * | 2019-05-08 | 2024-04-23 | 北京字节跳动网络技术有限公司 | 一种图像处理方法、装置及存储介质 |
CN111324145B (zh) * | 2020-02-28 | 2022-08-16 | 厦门理工学院 | 一种无人机自主着陆方法、装置、设备及存储介质 |
CN111324145A (zh) * | 2020-02-28 | 2020-06-23 | 厦门理工学院 | 一种无人机自主着陆方法、装置、设备及存储介质 |
CN111353446A (zh) * | 2020-03-05 | 2020-06-30 | 广智微芯(扬州)有限公司 | 一种车道线检测方法及*** |
CN111626304A (zh) * | 2020-05-20 | 2020-09-04 | 中国科学院新疆理化技术研究所 | 一种基于机器视觉的颜色特征提取方法及其应用 |
CN111626304B (zh) * | 2020-05-20 | 2023-08-04 | 中国科学院新疆理化技术研究所 | 一种基于机器视觉的颜色特征提取方法及其应用 |
CN112329677B (zh) * | 2020-11-12 | 2024-02-02 | 北京环境特性研究所 | 基于特征融合的遥感图像河道目标检测方法和装置 |
CN112329677A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于特征融合的遥感图像河道目标检测方法和装置 |
CN112520524A (zh) * | 2021-01-13 | 2021-03-19 | 大连理工大学 | 一种基于手势识别技术的智能电梯控制交互装置及控制方法 |
CN112819843A (zh) * | 2021-01-20 | 2021-05-18 | 上海大学 | 一种夜间电力线的提取方法及*** |
CN113269800A (zh) * | 2021-05-25 | 2021-08-17 | 华能海南发电股份有限公司澄迈光伏电站 | 一种太阳能光伏组件红外图像分割方法 |
CN114494318A (zh) * | 2022-02-17 | 2022-05-13 | 天津市眼科医院 | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 |
CN114972276A (zh) * | 2022-06-05 | 2022-08-30 | 长沙烽铭智能科技有限公司 | 一种车辆自动驾驶距离判断算法 |
CN115775250A (zh) * | 2023-02-13 | 2023-03-10 | 惠州威尔高电子有限公司 | 基于数字图像分析的金手指电路板缺陷快速检测*** |
Also Published As
Publication number | Publication date |
---|---|
CN103927526B (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927526B (zh) | 一种基于高斯差分多尺度边缘融合的车辆检测方法 | |
CN107507167B (zh) | 一种基于点云平面轮廓匹配的货物托盘检测方法及*** | |
CN106951879B (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
Gong et al. | The recognition and tracking of traffic lights based on color segmentation and camshift for intelligent vehicles | |
CN103559791B (zh) | 一种融合雷达和ccd摄像机信号的车辆检测方法 | |
Hautière et al. | Real-time disparity contrast combination for onboard estimation of the visibility distance | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
Gomez et al. | Traffic lights detection and state estimation using hidden markov models | |
CN102509098B (zh) | 一种鱼眼图像车辆识别方法 | |
Huang et al. | Vehicle detection and inter-vehicle distance estimation using single-lens video camera on urban/suburb roads | |
CN105488454A (zh) | 基于单目视觉的前方车辆检测与测距 | |
EP2549457A1 (en) | Vehicle-mounting vehicle-surroundings recognition apparatus and vehicle-mounting vehicle-surroundings recognition system | |
CN102419820A (zh) | 一种快速检测视频与图像中汽车车标的方法 | |
CN103593981B (zh) | 一种基于视频的车型识别方法 | |
CN104239867A (zh) | 车牌定位方法及*** | |
WO2015147764A1 (en) | A method for vehicle recognition, measurement of relative speed and distance with a single camera | |
Liu et al. | ROI perspective transform based road marking detection and recognition | |
CN109190483B (zh) | 一种基于视觉的车道线检测方法 | |
CN104766344B (zh) | 基于运动边缘提取器的车辆检测方法 | |
CN107909047A (zh) | 一种汽车及其应用的车道检测方法及*** | |
CN103942560A (zh) | 一种智能交通监控***中的高分辨率视频车辆检测方法 | |
CN105426868A (zh) | 一种基于自适应感兴趣区域的车道检测方法 | |
CN105069441A (zh) | 一种基于背景更新与粒子群算法的运动车辆检测方法 | |
CN113837094A (zh) | 基于全色高分遥感图像的路况快捷分析方法 | |
CN103914829B (zh) | 一种含噪图像边缘检测方法 |
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 |