CN106340031A - 一种检测运动物体的方法和装置 - Google Patents
一种检测运动物体的方法和装置 Download PDFInfo
- Publication number
- CN106340031A CN106340031A CN201511001426.XA CN201511001426A CN106340031A CN 106340031 A CN106340031 A CN 106340031A CN 201511001426 A CN201511001426 A CN 201511001426A CN 106340031 A CN106340031 A CN 106340031A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- road surface
- moving object
- carried out
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 230000033001 locomotion Effects 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 abstract description 2
- 238000007670 refining Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000009394 selective breeding Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种检测运动物体的方法和装置。本发明的方法通过重用视频编码中产生的运动矢量来进行运动物体检测,能实时地检测出与自身车辆相对速度较大的运动物体。该方法采用了视频编码中图块的思想,用视频编码过程中产生的运动矢量替代光流,使用基于图块的空间约束条件进行运动物体检测。在进行运动物体检测之前,对图像进行路面识别,缩小了后续进行运动物体检测的区域。基于图块的空间约束方法,将不满足空间约束条件的图块标记为运动图块,之后对运动图块进行筛选,聚类得到初始的运动物体。最后再对初始的运动物体进行细化,得到最终的检测结果。
Description
技术领域
本发明涉及检测运动物体的方法和装置,具体地说,涉及利用视频编码中的运动矢量来检测运动车辆的方法和装置。
背景技术
车辆检测技术是智能交通中一个很重要的环节。随着汽车保有量的增加,面对越来越复杂的交通环境,发生交通事故的几率大幅上升。交通事故给国家和人民造成了重大的损失。为了减少悲剧的发生,越来越多的人力物力投入到了汽车驾驶辅助***的研究中。通过借助一些科技的手段,感知司机所处的交通环境,并将信息以视频或音频的形式传递给司机,帮助他做出正确的判断,减少事故的发生。
车辆检测技术一直是智能交通领域的研究热点,近年来也取得了不少的成果。
车辆检测可以借助雷达、激光雷达和机器视觉等进行。基于雷达或是激光雷达的方法,通过发出一种连续的调频信号,信号到达运动物体物后被反射回来,发送端对接收到的信号进行解调和频率分析,找到运动物体。基于视觉的方法主要使用两种摄像头进行图像采集:单目摄像头和双目摄像头。双目摄像头能反映场景的深度信息,但安装和校准比较麻烦,而且价格也相对较贵。单目摄像头价格便宜,但不能体现场景的深度信息。基于视觉的车辆检测方法主要分为两大类:基于外部特征和基于运动的方法。基于外部特征的方法主要利用车辆的外形特征,如对称性,直线,阴影等,当然也可以使用统计学习的方法,提取一些常见的特征,如HOG,Haar,Gabor等特征,再利用机器学习的方法进行车辆检测。这类算速度快,能满足实时性的要求,但由于车辆在运动过程中可能存在遮挡,场景光线易变化,不同视觉角度产生不同形态等,这类方法往往不具有鲁棒性。基于统计学习的方法需要采集大量的样本进行训练,而且对不同类型的运动物体,需要训练不同的分类器,这类方法比较复杂。基于运动的车辆检测方法,主要是利用光流、视差图等信息来进行检测,这类方法的优点是能适用于多种场景,但计算太复杂,需要很好的硬件资源,方法才能达到实时性。
本发明要解决的主要技术问题是,提供可供驾驶辅助***使用的基于机器视觉的运动物体检测方法,运动物体可不限于汽车,也不限于其视觉角度。该方法利用视频编码中运动矢量,具有实时性,且具有一定的鲁棒性,而且同时具备实时录影功能。
本发明利用运动矢量代替光流用于运动物体检测。由于光流的计算是一个很费时的过程,特别是计算稠密光流,因此用运动矢量代替光流后,既节省资源,又节约时间,保障了方法的实时性。
本发明将视频编码中分块的思想应用到运动物体检测中。基于像素点运动该物体计算量大,很难达到实时性,由于图像在空间上具有相似性,对非边缘区域,像素与它领域内的像素的灰度值和颜色值差异都不会太大,因此以图块为单位进行运动物体检测并不会影响检测效果,同时可以减少计算量。
发明内容
本发明提供了一种检测运动物体的方法,其包括:
(1)拍摄路面图像的序列,并产生运动矢量信息;
(2)对图像进行路面检测,识别出路面区域;
(3)对图像进行分块,去除路面区域,得到非路面区域;
(4)根据运动矢量信息,识别出非路面区域的运动图块;
(5)对非路面区域再细分为相对慢速及相对快速区域;
(6)对相对快速区域的运动图块进行过滤、聚类(cluster),得到相对快速运动物体;
(7)对相对慢速区域的图像进行过滤、聚类,得到目标运动物体。
优选地,在上述方法中,所述的路面检测使用以图块为基本单位的区域生长方法。
优选地,在上述方法中,所述的路面检测使用颜色直方图的平均值和标准差作为区域生长过程中的主要信息。
优选地,在上述方法中,所述的路面检测只对图像的下半部分进行。
优选地,在上述方法中,其中所述对非路面区域再细分为相对慢速及相对快速区域是根据运动矢量的大小进行的。
优选地,在上述方法中,其中所述对相对快速区域的运动图块进行过滤是使用大小、位置和方向约束进行的。
优选地,在上述方法中,其中所述对相对快速区域的运动图块进行过滤之后的聚类,方法是将平面视差残余矢量PPMV的大小、方向和距离与特定的阈值比较。
优选地,在上述方法中,其中所述对相对慢速区域的运动图块进行过滤之后的聚类,其方法是透过路面检测时找出路面最暗的灰度值然后用该灰度值形成二值图像,再用Sobel过滤器获得水平和垂直梯度图像后,用二值图像和水平梯度图像来定位相对低速物体的位置。
优选地,在上述方法中,其中在对相对慢速区域的运动目标检测成功之后,进入目标跟踪模式。
本发明还提供了一种用于检测运动物体的装置,其包括:
摄像机,配置为拍摄图像序列;
处理器,配置为对图像进行路面检测,识别出路面区域;对图像进行分块,去除路面区域,得到非路面区域;根据运动矢量信息,识别出非路面区域的运动图块;对运动图块进行过滤、聚类和细化,得到运动物体。
优选地,上述装置还包括显示器,用于显示图像序列,并标明检测到的目标运动物体。
优选地,上述装置还包括传感器,用于得到车辆在行进过程中的车速、加速度及摄像机的动态参数。
优选地,上述摄像机的动态参数为摄像机的俯仰角、横摆角。
优选地,上述装置还包括对外部装置连接的介面,用于把检测讯息对外发送,接收外部车辆信号例如车速、雨刷(wiper)、刹车信号,或者接收外部指令例如功能开关。
附图说明
图1是基于运动的运动车辆检测方法示意图。
图2显示对非路面区域的相对慢速区域和相对快速区域的处理,其中图2-1显示了由相机捕获的典型图像(图2-1a),以及经转换得到的灰度图像(图2-1b);图2-2和图2-3显示了对相对慢速区域的处理;图2-4显示了对相对快速区域的处理。
图3是车辆追踪流程图。
图4显示了对目标车辆的追踪。
具体实施方式
下面结合附图对本发明进行详细说明。
本发明提供的检测运动物体的方法可以用图1所示的流程图表示,该方法主要包括以下步骤:
一.获得运动矢量信息
本发明采用的是分辨率为640×480的单目摄像头(也可以采用其他分辨率)。摄像头安装在汽车的挡风玻璃上,为了得到准确的运动补偿结果,摄像头上还安装一个六轴传感器,用于得到摄像头在行进过程中的加速度及其他相关动态参数,如摄像机的俯仰角、横摆角等。车速则利用汽车自带的速度传感器,或透过通讯介面获得。
对摄像头采集到的视频进行编码,存储编码过程中产生的运动矢量信息(图2)。
本发明采用H.264/AVC视频标准或其他基于图块的视频编码技术(例如HEVC),可以根据图像的复杂程度来选择适当的图块的大小。在各运动矢量中图块的大小最好一致。视频的帧率为30fps或以上,即两帧之间的时间间隔为33ms或以下。
在视频编码中,为了降低码率,主要采用了帧内和帧间预测模式,只有采用帧间预测时,才会产生运动矢量。H.264/AVC视频标准允许每个被捕获的图像被编码为I帧、P帧、B帧。在本发明中,为了确保P帧中的每一个图块都有运动矢量,设置编码模式为帧间预测。
通过已知的方法可以补偿车辆的自身运动,例如先进驾驶者辅助***(Advanced Driver Assistance Systems,简称ADAS)所用的方法。
二.路面检测
对输入图像进行路面检测,得到一副路面图(图3)。
由于路面不断变化,路面检测的难度很大,需要处理路面出现不同物体的多种情况,也需要尽量避免由于阴影和反光形成的不同照明情况下造成的路面识别错误。此外,路面识别的方法必须是高效的,以便实时进行。
本发明使用的是以图块为基本单位的区域生长方法。通常情况下,路面只会出现在图像的下半部分,所以实际上进行区域生长时,在图像的下半部分进行即可。区域生长过程中,使用的是图块的颜色直方图的均值和方差信息,而不是简单的灰度信息或颜色信息,减轻了光照变化等因素对检测结果的影响。
路面检测使用的是新的基于图块的区域生长方法。选择图像底部的适当的图块作为种子。通过比较相邻图块之间的平均值和标准差,使基于图块的区域围绕种子图块生长。当无法生成更多的图块时,停止路面检测。具体步骤如下:
1.建立路面颜色模型
从多个图像中的路面上选取若干个图块,制备路面颜色模型。用公式(7.1)和(7.2)来计算各图块的平均值和标准差(σ),其中(x,y)是图块的起始坐标,R(u,v)、G(u,v)、B(u,v)是在(u,v)处的像素的红、绿、蓝色通道的强度,Hist(i)是三个颜色通道的平均和等于i的像素的数目。人工选择在不同路面上的光线强度不同的一组图像,每个图像中路面上的图块也是从紧靠车辆前方的图像的底部区域人工选取的。不要选择带有路面标志的图块。
从一组图像中取得总共大约2500个样本,建立一个将与一定范围的σ相关联的表格。当最初选择用于区域生长的路面时,用此表格作为颜色模型。对每一款摄像头,此步骤只进行一次。所获得的颜色模型会贮存在***内使用。
2.路面区域生长的种子图块
当捕获了实时图像后,评估靠近图像底部的图块的和σ。这是因为当车辆运行时,该区域是最不可能具有移动物体的区域。有些图块可能会受到路面标志的影响。如果或σ超出了颜色模型限定的数值,则沿着同一行(row)再选另一图块,以便再次评估和σ,直至新图块的和σ满足颜色模型的要求。
3.路面区域生长
在图像底部一行选择大小为16×16的图块,之后存储该图块的平均值和标准差(σ)的数值。由于路的表面通常具有均匀的颜色和弱纹理,路面区域的某一个图块的和σ应当与其相邻的图块的和σ接近。
当在靠近图像底部的一行图块中识别出具有平均值和标准差σi的图块Bi是路面区域图块之后,也会计算与图块Bi相邻的八个图块的平均值和标准差σk,其中k表示八个图块中的一个。当满足以下(7.3)和(7.4)式时,相邻图块Bk被识别为路面区域图块,公式中的b和c是预先设定的阈值:
||Ak-Ai||<b (7.3)
||σk-σi||<c (7.4)
通过比较识别出的路面区域图块和与它们相邻的图块,可以采用区域生长方法来使路面区域进一步″生长″。
4.路面区域生长后的改善
由于在进行比较时,和σ的数值不满足(7.3)和(7.4)式,路面的某些图块会被路面区域生长方法排除,出现″空洞″。因此需要后处理来填充″空洞″,从而改善所检测的路面区域。
三.得到非路面区域
将输入划分成一定大小的图块,结合路面图,得到需要进行后续处理非路面区域,从而减少检测运动物体时需要处理的图像区域。
四.标记出运动图块
靠近扩展的焦点(Focus of Expansion,FOE,见图2-1(b))的运动矢量以及相对慢速移动物体的运动矢量可能非常小。由于H.264/AVC编码器的精度有限,小的运动矢量并不准确。因此,需要其他方法来检测相对慢速的移动物体。
根据运动矢量(MV)的大小(amplitude),将非路面区域分为相对慢速区域和相对快速区域。
1.相对慢速物体的目标区域(相对慢速区域)
由于具有相对慢速移动物体的区域的运动矢量较小,因此可以选择运动矢量较小的区域作为相对慢速物体的目标区域。此外,为了简化处理程序,可以通过检测路面区域进一步减小目标区域,也可以将目标区域限制为FOE以下的区域。
图2-1(a)显示了由相机捕获的典型图像,已被转换为灰度图像。由于扩展的焦点(FOE)的上方通常是天空或移动车辆的上部,因此可以被忽略图2-1(b)。
图2-2(a)显示了用上文″路面检测″部分描述的方法检测到的路面区域图罩(mask)。图2-2(b)显示了运动矢量大于阈值qm的图罩,其中的白色区域是运动矢量大于qm的区域。图2-2(c)是将(a)和(b)的图罩组合后,再去除FOE以上部分得到的目标区域。在进行相对慢速移动物体检测时,不考虑其中的白色图块。
用上述方法得到的目标区域仍有一部分是可以去除的,如图2-3(a)中圆圈部分所示。去除的方法是记录图像中每一列白色图块的最大y坐标和最小y坐标。如果某一列中某个图块位于最大和最小坐标之间,则将该图块标记为白色,表示该图块可被忽略。这样处理过的目标区域如图2-3(b)所示。
显然,用上述方法得到的用于检测相对慢速车辆的区域远远小于原始图像,从而可以显着缩短检测时间。
2.相对快速物体的目标区域(相对快速区域)
检测相对快速物体的目标区域的方法与上文中检测相对慢速物体的目标区域的方法类似,包括路面检测(图2-4(a))和制作运动矢量大于或等于阈值qm的图罩(图2-4(b)),将二者组合后得到(图2-4(c))。
五.识别目标运动车辆
1.对相对快速区域的运动图块进行过滤,然后进行聚类
(1)过滤
过滤是使用大小、位置和方向约束进行的。
约束考虑的是相邻两帧之间的关系。如果当前帧的一个点的屏幕坐标为(x2,y2),该点在前一帧中的相应坐标为(x1G,y1G),则平面视差残余矢量(PPMV)(μx,μy)可以表示为:
μx=x1G-x1 (0.1)
μy=y1G-y1 (0.2)
约束条件1:大小
使用平面视差残余;其中坐标为(x,y)的宏块的平面视差残余的大小超过了特定阈值μmin(x,y)。
约束条件2:位置
可以在图像中设定一个警告区(alert zone),则在经过时间T后如果PPMV进入该区,则相关的物体被认为进入了危险区,其PPMV接受进一步处理。
约束条件3:方向
PPMV指向扩展的焦点(FOE)的物体与车辆自身平行移动,或属于静止物体。它们可能是与车辆自身平行行驶的相对慢速的车辆,或者是路面上的静止物体。无论怎样,都应当排除指向FOE的PPMV。这是因为目标区域(ROI)已排除了相对慢速车辆产生的较小PPMV的物体,这些较小PPMV很可能属于静止物体。
如果PPMV的斜率和指向FOE的点的斜率小于阈值mthres,则可排除点(x,y)处的PPMV。
(2)聚类
通过将PPMV的大小、方向和距离与特定的阈值比较,可以对其聚类。
用上述方法鉴别出的聚类形成模块。在新的帧中搜索类似的模块。搜索最佳匹配的起始位置是根据平均运动矢量的大小和方向确定的。所储存的来自最后一帧的模块和搜索窗口中的候选模块之间的绝对差值之和(sum of absolute difference,SAD)表示潜在的匹配。如果绝对差值之和是在预定的阈值内,并且在搜索窗口中发现局部最小值,则表示模块成功地匹配。当发现了匹配时,则认为检测到移动物体。储存前一帧与当前匹配帧之间模块的位移作为下一帧的搜索窗口的起始位置的参考。
2.对相对慢速区域的运动图块进行过滤,然后进行聚类
采用上文所述的约束条件对慢速区域的运动图块进行过滤,然后进行聚类。
对相对慢速区域的运动图块进行聚类的方法是透过路面检测时找出路面最暗的灰度值然后用该灰度值形成二值图像,在用Sobel过滤器(filter)获得水平和垂直梯度图像后,用二值图像和水平梯度图像来定位相对低速物体的位置。
3.跟踪目标
在对相对慢速区域的运动目标检测成功后,进入目标跟踪模式。
由于待测车辆的移动相对较慢,相隔若干帧时它们的大小和位置也不会有很大改变,因此,为了减少计算量,可以在检测时跳过几帧,而不会影响检测结果。
此外,为了减少计算量,还可以采用本发明的的追踪算法。由于待测车辆的起始位置可以从检测过程得知,因此在追踪时可以在合理大小的搜索窗口中检查某些相对待测车辆的位置不发生改变的特征。此算法的流程见图3.
通过检测相对慢速车辆可以识别出由(左,顶)至(右,底)围出的矩形屏幕中的车辆,捕获一张新的图像,将其转换为灰度图像。用于寻找水平和垂直梯度的Sobel内核(kernels)如下所示:
其中(a)是用于寻找水平梯度的Sobel内核,(b)是用于寻找垂直梯度的Sobel内核。根据上述Sobel内核可以生成水平和垂直梯度图像。由于追踪时只利用围出的矩形附近的区域,Sobel内核只适用于(左-2ex,顶-2ey)至(右+2ex,底+2ey)之内的区域,其中ex和ey分别是沿屏幕x坐标和y坐标扩展的像素数。
随后,用垂直梯度图像计算(左,底-ey)至(右,底+ey)矩阵内的水平投影。式(9.4)中的S(y)是特定边界内各y坐标的水平投影值:
用式(9.5)可以找到边界内各y坐标的梯度。比较边界内的SG(y)可以找到最大梯度SGMAX(y)。
SG(y)=S(y+1)+S(y+2)-S(y-1)-S(y-2) (9.5)
类似地,用水平梯度图像在(左-ex,(顶+底)/2)至(左+ex,底)矩形内计算左侧的水平轮廓投影。
式(9.6)中的SG(x)是特定边界内各x坐标的垂直轮廓投影值。
该公式实质上是沿着y轴数值减小的方向垂直地累计强度。这样有利于减少垂直方向不连续带来的影响。最大值SGMAX(x)可以简单地通过比较SG(x)的值而获得。
右侧的水平轮廓投影类似于左侧。区别在于将边界改为(右-ex,(顶+底)/2)至(右+ex,底)。
将SGMAX(x)和SGMAX(y)与预定的阈值比较,如果它们在允许的范围内,则表明对车辆的追踪是成功的。随后,更新围出的矩形,用于下一帧中,从而实现连续的车辆追踪(图4)。
以上内容是结合具体的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 (14)
1.一种检测运动物体的方法,其包括:
(1)拍摄路面图像的序列,并产生运动矢量信息;
(2)对图像进行路面检测,识别出路面区域;
(3)对图像进行分块,去除路面区域,得到非路面区域;
(4)根据运动矢量信息,识别出非路面区域的运动图块;
(5)对非路面区域再细分为相对慢速及相对快速区域;
(6)对相对快速区域的运动图块进行过滤、聚类,得到相对快速运动物体;
(7)对相对慢速区域的图像进行过滤、聚类,得到目标运动物体。
2.权利要求1的方法,其中所述的路面检测使用以图块为基本单位的区域生长方法。
3.权利要求1的方法,其中所述的路面检测使用颜色直方图的平均值和标准差作为区域生长过程中的主要信息。
4.权利要求1的方法,其中所述的路面检测只对图像的下半部分进行。
5.权利要求1的方法,其中所述对非路面区域再细分为相对慢速及相对快速区域是根据运动矢量的大小进行的。
6.权利要求1的方法,其中所述对相对快速区域的运动图块进行过滤是使用大小、位置和方向约束进行的。
7.权利要求1的方法,其中所述对相对快速区域的运动图块进行过滤之后的聚类,方法是将平面视差残余矢量PPMV的大小、方向和距离与特定的阈值比较。
8.权利要求1的方法,其中所述对相对慢速区域的运动图块进行过滤之后的聚类,其方法是透过路面检测时找出路面最暗的灰度值然后用该灰度值形成二值图像,再用Sobel过滤器获得水平和垂直梯度图像后,用二值图像和水平梯度图像来定位相对低速物体的位置。
9.权利要求1的方法,其中在对相对慢速区域的运动目标检测成功之后,进入目标跟踪模式。
10.一种用于检测运动物体的装置,其包括:
摄像机,配置为拍摄图像序列;
处理器,配置为对图像进行路面检测,识别出路面区域;对图像进行分块,去除路面区域,得到非路面区域;根据运动矢量信息,识别出非路面区域的运动图块;对非路面区域再细分为相对慢速及相对快速区域;对相对快速区域的运动图块进行过滤、聚类,得到相对快速运动物体;对相对慢速区域的图像进行过滤、聚类,得到目标运动物体。
11.权利要求10的装置,其还包括显示器,用于显示图像序列,并标明检测到的目标运动物体。
12.权利要求10的装置,其还包括传感器,用于得到车辆在行进过程中的车速、加速度及摄像机的动态参数。
13.权利要求12的装置,其中所述摄像机的动态参数为摄像机的俯仰角、横摆角。
14.权利要求10的装置,其还包括对外部装置连接的介面。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
HK15106442.4 | 2015-07-07 | ||
HK15106442.4A HK1203289A2 (zh) | 2015-07-07 | 2015-07-07 | 種檢測運動物體的方法和裝置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106340031A true CN106340031A (zh) | 2017-01-18 |
Family
ID=54326703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511001426.XA Pending CN106340031A (zh) | 2015-07-07 | 2015-12-28 | 一种检测运动物体的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106340031A (zh) |
HK (1) | HK1203289A2 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106713920A (zh) * | 2017-02-22 | 2017-05-24 | 珠海全志科技股份有限公司 | 基于视频编码器的移动侦测方法及装置 |
CN107404653A (zh) * | 2017-05-23 | 2017-11-28 | 南京邮电大学 | 一种hevc码流的停车事件快速检测方法 |
CN109426807A (zh) * | 2017-08-22 | 2019-03-05 | 罗伯特·博世有限公司 | 用于估计车辆的自身运动的方法和设备 |
CN110832568A (zh) * | 2017-07-05 | 2020-02-21 | 歌乐株式会社 | 车辆用外界识别装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1960491A (zh) * | 2006-09-21 | 2007-05-09 | 上海大学 | 基于h.264压缩域运动对象实时分割方法 |
CN101231755A (zh) * | 2007-01-25 | 2008-07-30 | 上海遥薇实业有限公司 | 运动目标跟踪及数量统计方法 |
CN101494757A (zh) * | 2009-01-23 | 2009-07-29 | 上海广电(集团)有限公司中央研究院 | 一种基于时空域混合信息的运动估计方法 |
CN101853510A (zh) * | 2010-04-20 | 2010-10-06 | 上海大学 | 基于时空域的运动感知模型提取方法 |
CN103733607A (zh) * | 2011-08-10 | 2014-04-16 | 富士胶片株式会社 | 用于检测运动物体的装置和方法 |
-
2015
- 2015-07-07 HK HK15106442.4A patent/HK1203289A2/zh not_active IP Right Cessation
- 2015-12-28 CN CN201511001426.XA patent/CN106340031A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1960491A (zh) * | 2006-09-21 | 2007-05-09 | 上海大学 | 基于h.264压缩域运动对象实时分割方法 |
CN101231755A (zh) * | 2007-01-25 | 2008-07-30 | 上海遥薇实业有限公司 | 运动目标跟踪及数量统计方法 |
CN101494757A (zh) * | 2009-01-23 | 2009-07-29 | 上海广电(集团)有限公司中央研究院 | 一种基于时空域混合信息的运动估计方法 |
CN101853510A (zh) * | 2010-04-20 | 2010-10-06 | 上海大学 | 基于时空域的运动感知模型提取方法 |
CN103733607A (zh) * | 2011-08-10 | 2014-04-16 | 富士胶片株式会社 | 用于检测运动物体的装置和方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106713920A (zh) * | 2017-02-22 | 2017-05-24 | 珠海全志科技股份有限公司 | 基于视频编码器的移动侦测方法及装置 |
CN107404653A (zh) * | 2017-05-23 | 2017-11-28 | 南京邮电大学 | 一种hevc码流的停车事件快速检测方法 |
CN107404653B (zh) * | 2017-05-23 | 2019-10-18 | 南京邮电大学 | 一种hevc码流的停车事件快速检测方法 |
CN110832568A (zh) * | 2017-07-05 | 2020-02-21 | 歌乐株式会社 | 车辆用外界识别装置 |
CN110832568B (zh) * | 2017-07-05 | 2022-03-25 | 歌乐株式会社 | 车辆用外界识别装置 |
CN109426807A (zh) * | 2017-08-22 | 2019-03-05 | 罗伯特·博世有限公司 | 用于估计车辆的自身运动的方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
HK1203289A2 (zh) | 2015-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709436B (zh) | 面向轨道交通全景监控的跨摄像头可疑行人目标跟踪*** | |
CN101950350B (zh) | 使用分级方法的畅通路径检测 | |
CN102682292B (zh) | 基于单目视觉的道路边缘检测及粗定位方法 | |
CN105550665B (zh) | 一种基于双目视觉的无人驾驶汽车可通区域检测方法 | |
CN101656023B (zh) | 一种视频监视模式下的室内停车场管理方法 | |
CN105005778B (zh) | 一种基于视觉背景提取的高速公路车辆检测方法 | |
Siogkas et al. | Traffic lights detection in adverse conditions using color, symmetry and spatiotemporal information | |
US5937079A (en) | Method for stereo image object detection | |
CN101030256B (zh) | 车辆图像分割方法和装置 | |
CN107316488B (zh) | 信号灯的识别方法、装置和*** | |
CN107330373A (zh) | 一种基于视频的违章停车监控*** | |
DE102009048892A1 (de) | Pixelbasierte strukturreiche Detektion eines freien Pfads | |
DE102009050492A1 (de) | Detektion eines freien Pfads unter Verwendung eines segmentierungsbasierten Verfahrens | |
DE102009048699A1 (de) | Pixelbasierte Detektion einer nicht vorhandenen Struktur eines freien Pfads | |
CN109919026B (zh) | 一种水面无人艇局部路径规划方法 | |
CN112204614B (zh) | 来自非固定相机的视频中的运动分割 | |
CN106340031A (zh) | 一种检测运动物体的方法和装置 | |
CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
CN101369312B (zh) | 检测图像中交叉口的方法和设备 | |
CN108509900A (zh) | 交通标志检测和识别方法、***及存储介质 | |
CN107506753B (zh) | 一种面向动态视频监控的多车辆跟踪方法 | |
CN106803073B (zh) | 基于立体视觉目标的辅助驾驶***及方法 | |
FAN et al. | Robust lane detection and tracking based on machine vision | |
CN110414425A (zh) | 一种基于灭点检测的宽度自适应车道线检测方法及*** | |
JP2004086417A (ja) | 横断歩道等における歩行者検出方法及び同装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170118 |
|
WD01 | Invention patent application deemed withdrawn after publication |