CN106372618A - 一种基于svm与遗传算法的道路提取方法及*** - Google Patents
一种基于svm与遗传算法的道路提取方法及*** Download PDFInfo
- Publication number
- CN106372618A CN106372618A CN201610834791.7A CN201610834791A CN106372618A CN 106372618 A CN106372618 A CN 106372618A CN 201610834791 A CN201610834791 A CN 201610834791A CN 106372618 A CN106372618 A CN 106372618A
- Authority
- CN
- China
- Prior art keywords
- picture
- road
- training
- module
- svm
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于SVM与遗传算法的道路提取方法及***,属于图片中的道路提取技术领域。本发明的方法包括如下步骤:将每个图片通过遗传算法找到一个合适的阀值;用阀值分割的方法来分割图片中的道路和非道路;判断是否识别出道路,如果是,输出处理好的图片,结束;根据训练类别:道路和非道路,训练数据;将图片进行SVM分类;输出处理好的图片。本发明还提供了一种实现上述方法的***。本发明的有益效果为:采用SVM和遗传算法相结合的道路提取的方法,该方法提高了道路提取的图片种类,同时提高了道路识别的准确度;既解决了使用机器学习算法训练集的局限性问题,又提高了提取道路的速度。
Description
技术领域
本发明涉及图片中的道路提取技术,尤其涉及一种基于SVM与遗传算法的道路提取方法及***。
背景技术
传统方法的道路提取包括如下:
(1)基于数学形态学的方法
基本的形态运算是腐蚀和膨胀,二值形态膨胀与腐蚀可转化为集合的逻辑运算,算法简单,适于并行处理,且易于硬件实现,适于对二值图像进行图像分割,细化,抽取骨架,边缘提取,形状分析。
具体流程为:第一步是用5*5的二维的中值滤波器,然后通过自适应的阈值分割的方法将图片转换成二值图片;用开闭操作来处理剩下的一些噪声;最后用细化操作来得到路网的图片。
然而这种方法对于特定的图片识别的效果很好,但是对于视频帧而言,识别效果并不是很好。视频帧中虽然有很多是类似的图片,但是一旦跨越大的场景来讲,这种方法就不适合了。
(2)霍夫变换的方法
霍夫变换是图像处理中从图像中识别几何形状的基本方法之一,应用很广泛,也有很多改进算法。
霍夫变换的优势是检测直线,其原理:一条直线在图像中是一系列离散点的集合,通过一个直线的离散极坐标公式,可以表达出直线的离散点几何等式如下:
x*cosθ+y*sinθ=r
其中角度theta指r与x轴之间的夹角,r为到直线几何垂直距离。任何在直线上点,x,y都可以表达,其中r,theta是常量。
然而在实现的图像处理领域,图像的像素坐标P(x,y)是已知的,而r,theta则是要寻找的变量。如果能绘制每个(r,theta)值根据像素点坐标P(x,y)值的话,那么就从图像笛卡尔坐标***转换到极坐标霍夫空间***,这种从点到曲线的变换称为直线的霍夫变换。变换通过量化霍夫参数空间为有限个值间隔等分或者累加格子。当霍夫变换算法开始,每个像素坐标点P(x,y)被转换到(r,theta)的曲线点上面,累加到对应的格子数据点,当一个波峰出现时候,说明有直线存在。
(3)P参数分割的方法
当目标与背景的直方图分布有一定重叠时,两个波峰之间的波谷很不明显。若采用全局,效果很差。如果预先知道目标占整个图像的比例P,可以采用P参数法。P参数法具体步骤如下:假设预先知道目标占整个图像的比例为P,且目标偏暗,背景偏亮:
a).计算图像的直方图分布P(t),t=0,1,.....255;
b).计算阈值T,使其满足最小。
这里P参数分割的原理:选择一些不同的道路区域,然后计算所选择部分的平均灰度值。如果像素强度小于这个值,该像素值就被设置为0,否则该像素值就属于道路的像素。p值分割找到一定的阈值来提取道路。在使用该方法时,选择了几个不同的道路区域,并计算选定部分的平均灰度值。如果一个像素的强度小于这个值,像素被设置为零,否则为表示道路的一个像素。p值法得到处理后的图像后,需要进一步的完善,利用图像处理功能。开操作符可以作为一个很好的方法来去除小噪声。之后,可以使用形态学操作提取道路网。
对于道路信息的提取,由于视频场景的不单一、不一致性,用上述纯数字图像处理的方法肯定是不能通用的,纯数字图像处理针对于特定的场景有效,但是针对于普遍的场景来说,提取的效果并没有那么显著。
发明内容
为解决现有技术中的问题,本发明提供一种基于SVM与遗传算法的道路提取方法,还提供了一种实现上述方法的***。
本发明的基于SVM与遗传算法的道路提取方法包括如下步骤:
S1:将每个图片通过遗传算法找到一个合适的阀值;
S2:用阀值分割的方法来分割图片中的道路和非道路;
S3:判断是否识别出道路,如果是,执行步骤S6,如果否,执行步骤S4;
S4:根据训练类别:道路和非道路,训练数据;
S5:将图片进行SVM分类;
S6:输出处理好的图片。
本发明作进一步改进,在步骤S3中,如果识别出道路,在执行步骤S6前,还包括判断步骤A:判断识别的道路是否有障碍物,如果是,根据训练类别:道路和障碍物,训练数据,再将识别出道路的图片进行SVM分类,然后执行步骤S6,如果否,直接执行步骤S6。
本发明作进一步改进,在步骤S1中,所述图片为无人机拍摄的视频的视频帧。
本发明作进一步改进,在步骤S6执行后,还包括视频合成步骤B:将输出处理好的图片也就是视频帧合成视频,结束。
本发明作进一步改进,在步骤S1中,所述遗传算法包括如下步骤:
S11:随机初始化种群,设置进化代数N;
S12:计算个体的适应度;
S13:按适应度选择配对的个体;
S14:交叉产生新的个体,然后将新的个体加入到群体;
S15:设置概率和条件,如果满足条件,则个体按照该概率变异,如果不满足条件,则执行步骤S12;
S16:当群体最大适应度连续多代不变或者进化了N代,终止进化。
本发明作进一步改进,所述遗传算法的目标函数和计算适应度的适应函数由线性度CL和邻近度PR所决定,线性度和邻近度定义如下:
CL=1/[(tanA)2+(tanB)2+(tanC)2],(α+βR)≥T1
PR=L2/(2πR2)≥T2
其中,L为两直线线段中较短直线段的长度,R为两直线段间最短距离,A和B分别为两直线段与R的夹角,C为两直线段之间的夹角,a和β为实验中待定的常数,T1、T2为特定的门限,在试验中确定。
本发明作进一步改进,在步骤S5中,所述SVM分类的包括如下步骤:
S51:开始,输入要处理的图片;
S52:将图片分割成若干小块;
S53:将小块按照训练类别分别放在不同的文件夹;
S54:将需要提取的训练类别作为正例,其他训练类别小块作为反例;
S55:训练带有核函数的支持向量机,得到SVM模型;
S56:将图片中的正例标记输出,结束。
本发明还提供了一种实现上述方法的***,包括阀值计算模块:用来将每个图片通过遗传算法找到一个合适的阀值;图片分割模块:用阀值分割的方法来分割图片中的道路和非道路;第一判断模块:用于判断是否识别出道路,如果是,执行输出模块,如果否,执行训练数据模块;训练数据模块:用于根据训练类别:道路和非道路,训练数据;SVM分类模块:用于将图片进行SVM分类;输出模块:用于输出处理好的图片,。
本发明作进一步改进,在第一判断模块执行后,如果识别出道路,在执行输出模块之前,还包括第二判断模块:用于判断识别的道路是否有障碍,如果是,根据训练类别:道路和障碍物,训练数据,再将识别出道路的图片进行SVM分类,然后执行输出模块,如果否,直接执行输出模块。
本发明作进一步改进,在阀值计算模块中,所述图片为无人机拍摄的视频的视频帧,在输出模块执行后,还包括视频合成模块,用来将输出处理好的图片也就是视频帧合成视频。
与现有技术相比,本发明的有益效果是:采用SVM和遗传算法相结合的道路提取的方法,该方法提高了道路提取的图片种类,同时提高了道路识别的准确度;既解决了使用机器学习算法训练集的局限性问题,又提高了提取道路的速度;本发明结合了图像处理技术和机器学习技术,能够有效区分道路与非道路,道路与障碍物,提高了道路识别的速度和准确率。
附图说明
图1为本发明方法流程图;
图2为SVM分类方法流程图;
图3为训练的图片实例;
图4为图3上的小块经SVM分类道路类别的文件;
图5为图3上的小块经SVM分类非道路类别的文件;
图6为图3经过SVM分类后的效果图;
图7为图3经过本发明分类后的效果图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
如图1所示,本发明的基于SVM与遗传算法的道路提取方法包括如下步骤:
S1:将每个图片通过遗传算法找到一个合适的阀值;
S2:用阀值分割的方法来分割图片中的道路和非道路;
S3:分割后的情况中,如果没有建筑等障碍物则表示阈值分割出的道路已经成功,作为成功帧直接输出,因此需要判断,判断是否识别出道路,如果是,执行步骤S6,如果否,执行步骤S4;
S4:根据训练类别:道路和非道路,训练数据;
S5:得到SVM模型然后进行分割,将图片进行SVM分类,其中,SVM(Support VectorMachine)为支持向量机;
S6:输出处理好的图片。
其中,在步骤S1中,本例的图片数据来源于无人机拍摄的视频的视频帧。通过无人机拍摄的视频,首先将视频分帧处理,分成一个个的视频帧,再对每个视频帧进行道路提取。在步骤S6执行后,还包括视频合成步骤B:将输出处理好的图片也就是视频帧合成视频,然后结束。
为了提供道路提取中的精确度,在步骤S3中,如果识别出道路,在执行步骤S6前,还包括判断步骤A:判断识别的道路是否有障碍物,如果是,根据训练类别:道路和障碍物,训练数据,则通过训练障碍物和道路得到SVM模型进行进一步的优化分割,然后执行步骤S6,如果否,直接执行步骤S6。
本例在步骤S1中,所述遗传算法包括如下步骤:
S11:随机初始化种群,设置进化代数N;
S12:计算个体的适应度;
S13:按适应度选择配对的个体;
S14:交叉产生新的个体,然后将新的个体加入到群体;
S15:设置概率和条件,如果满足条件,则个体按照该概率变异,如果不满足条件,则执行步骤S12;
S16:当群体最大适应度连续多代不变或者进化了N代,终止进化。
遗传算法是一种针对于原始最优化问题,找到精确或近似的解决方案的技术。一般情况下,遗传算法是启发式的,是能够找到全局的解决方案。
本例的具体算法如下:
算法中,目标函数和计算适应度的适应函数由线性度CL和邻近度PR所决定,线性度和邻近度定义如下:
CL=1/[(tanA)2+(tanB)2+(tanC)2],(α+βR)≥T1
PR=L2/(2πR2)≥T2
其中,L为两直线线段中较短直线段的长度,R为两直线段间最短距离,A和B分别为两直线段与R的夹角,C为两直线段之间的夹角,a和β为实验中待定的常数,T1、T2为特定的门限,在试验中确定。
在每一代群体中,具有较大适应度的一半个体被选择保留下来,从这些个体中两两配对进行亮点交叉运算,产生两个新的个体,群体中总个体数不变。为防止算法进入局部最优解,以m%的概率对每一个体中的基因位进行变异运算,产生新的个体。若群体最大适应度连续15代不变或进化了N代,则终止进化。其中获最大适应度的个体即为全局最优解,若该最优解大于一定的门限T2,则可认可为与当前公路种子相连的多个公路片段。若获得的最优公路片段中,按距离当前公路片段由远到近的顺序考虑,较远的公路片段离当前公路种子最短距离为D,该距离中若存在最优公路片段,其间最长的片段长度为L,则根据以下准则可将他们连起来:
准则一:D<T3
准则二:L/D<T4
其中,T3和T4也是实验过程中的一个门限,根据实验中的值来进行确定。在满足准则一,或不满足准则二的情况下,可以将所考虑的公路片段连接起来,作为新的公路片段种子。
在本例方法的具体实施过程中,我们先通过遗传算法找到图中一个合适的阈值,通过阈值分割,将道路和背景粗略的分开,同时对于有些和道路像素值很接近的区域,即障碍点,我们通过SVM来一部分样本,然后分离开来。
此外,由于阈值分割也存在这一定的局限,尽管遗传算法找到的是一个全局的最优阈值,但是当图片整体的像素值很接近时,阈值分割也存在着局限性,因此这种像素值相近的图片也需要通过SVM来进行训练,然后提取。
本例中SVM由Cortes和Vapnik在1995年提出。该方法可以克服多层神经网络的缺点。SVM的主要思想:针对线性可分情况,比较简单;对于线性不可分的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
为了能够得到全局最优解,该算法将问题转化成为二次规划(QP)。将样本映射到高维,然后使用核函数。
随着核的概念被提出,如线性核函数,多项式核函数、径向基函数(RBF)核和Sigmoid核函数。由于线性内核可以看作RBF核函数的一种特殊情况,可以说有三种不同类别的内核,分别表示如下:
多项式核函数:K(x,y)=<φ(x),φ(y)>=(1+<x,y>)d
RBF:
Sigmoid核函数:K(x,y)=tanh[ν(<x,y>)+c]
x和y是已经分类好的模型向量,内核被看作是一种广义内积。在RBF核函数,径向函数的每个中心对应一个支持向量和它的重量是通过适当的算法固定。Sigmoid核函数内核包含一个隐藏层的多层感知器与,隐藏层节点由算法来确定。本例使用多项式核函数。
为了便于SVM的训练,对于训练集的选择,首先将图片分割成很多小块,然后把只有路的小块拿出来当作正例,完全不是路的小块作为负例;测试集就是这张图片以及类似的图片。用各种各样的小块图片去训练模型,最后能够提取视频中的道路。
在开始SVM之前,应该有一个预训练的模型。在训练中,应该有2组样本,一个用于道路,另一个用于非道路。如图3所示,显示的示例图像,人工选择出哪些是道路哪些是非道路,本例中,虚线框部分是道路的分割图片,实线框部分是非道路的分割图片,图4是保存下来的道路文件,如5是保存下来的非道路的文件。然后,采用支持向量机预训练模型,采用多项式核,设置度为1。之后,预测类的新的输入数据,根据预训练的模型,而后者被设置为0,所以可以删除非道路区域。
如图2所示,本例在步骤S5中,所述SVM分类的具体包括如下步骤:
S51:开始,输入要处理的图片;
S52:将图片分割成若干像素值为16*16dpi的小块;
S53:将小块中只有道路的小块分出来放到一个文件夹,非道路的小块分出来放在另一个文件夹;
S54:将道路的小块作为正例,非道路的小块作为反例;
S55:训练带有核函数的支持向量机,得到SVM模型;
S56:将图片中的正例标记输出,结束。
从结果上,单独采用SVM分类法进行道路提取的结果如图6所示,大部分的块区域被转换为黑色和仍然有些块和散斑噪声存在于图像,但是有些非道路区域也被当做道路区域提取了出来。采用SVM和遗传算法相结合的道路提取结果如图7所示,道路被准确得提取了出来。
通过对比可以看出,本发明的方法提高了道路提取的图片种类,同时提高了道路识别的准确度;本发明既解决了单纯图像阀值分割和使用机器学习算法训练集的局限性问题,又提高了提取道路的速度;同时结合图像处理技术和机器学习技术,能够有效区分道路与非道路,道路与障碍物,提高了道路识别的速度和准确率。
此外,本发明还提供了一种实现上述方法的***,包括阀值计算模块:用来将每个图片通过遗传算法找到一个合适的阀值;图片分割模块:用阀值分割的方法来分割图片中的道路和非道路;第一判断模块:用于判断是否识别出道路,如果是,执行输出模块,如果否,执行训练数据模块;训练数据模块:用于根据训练类别:道路和非道路,训练数据;SVM分类模块:用于将图片进行SVM分类;输出模块:用于输出处理好的图片,。
本例在第一判断模块执行后,如果识别出道路,在执行输出模块之前,还包括第二判断模块:用于判断识别的道路是否有障碍,如果是,根据训练类别:道路和障碍物,训练数据,再将识别出道路的图片进行SVM分类,然后执行输出模块,如果否,直接执行输出模块。
优选地,本例在阀值计算模块中,所述图片为无人机拍摄的视频的视频帧,在输出模块执行后,还包括视频合成模块,用来将输出处理好的图片也就是视频帧合成视频。
以上所述之具体实施方式为本发明的较佳实施方式,并非以此限定本发明的具体实施范围,本发明的范围包括并不限于本具体实施方式,凡依照本发明所作的等效变化均在本发明的保护范围内。
Claims (10)
1.一种基于SVM与遗传算法的道路提取方法,其特征在于包括如下步骤:
S1:将每个图片通过遗传算法找到一个合适的阀值;
S2:用阀值分割的方法来分割图片中的道路和非道路;
S3:判断是否识别出道路,如果是,执行步骤S6,如果否,执行步骤S4;
S4:根据训练类别:道路和非道路,训练数据;
S5:将图片进行SVM分类;
S6:输出处理好的图片。
2.根据权利要求1所述的道路提取方法,其特征在于:在步骤S3中,如果识别出道路,在执行步骤S6前,还包括判断步骤A:判断识别的道路是否有障碍物,如果是,根据训练类别:道路和障碍物,训练数据,再将识别出道路的图片进行SVM分类,然后执行步骤S6,如果否,直接执行步骤S6。
3.根据权利要求1所述的道路提取方法,其特征在于:在步骤S1中,所述图片为无人机拍摄的视频的视频帧。
4.根据权利要求3所述的道路提取方法,其特征在于:在步骤S6执行后,还包括视频合成步骤:将输出处理好的图片也就是视频帧合成视频,结束。
5.根据权利要求1所述的道路提取方法,其特征在于:在步骤S1中,所述遗传算法包括如下步骤:
S11:随机初始化种群,设置进化代数N;
S12:计算个体的适应度;
S13:按适应度选择配对的个体;
S14:交叉产生新的个体,然后将新的个体加入到群体;
S15:设置概率和条件,如果满足条件,则个体按照该概率变异,如果不满足条件,则执行步骤S12;
S16:当群体最大适应度连续多代不变或者进化了N代,终止进化。
6.根据权利要求5所述的道路提取方法,其特征在于:所述遗传算法的目标函数和计算适应度的适应函数由线性度CL和邻近度PR所决定,线性度和邻近度定义如下:
CL=1/[(tanA)2+(tanB)2+(tanC)2],(α+βR)≥T1
PR=L2/(2πR2)≥T2
其中,L为两直线线段中较短直线段的长度,R为两直线段间最短距离,A和B分别为两直线段与R的夹角,C为两直线段之间的夹角,a和β为实验中待定的常数,T1、T2为特定的门限,在试验中确定。
7.根据权利要求1所述的道路提取方法,其特征在于:在步骤S5中,所述SVM分类的包括如下步骤:
S51:开始,输入要处理的图片;
S52:将图片分割成若干小块;
S53:将小块按照训练类别分别放在不同的文件夹;
S54:将需要提取的训练类别作为正例,其他训练类别小块作为反例;
S55:训练带有核函数的支持向量机,得到SVM模型;
S56:将图片中的正例标记输出,结束。
8.一种实现权利要求1-7任一项所述道路提取方法的***,其特征在于包括:
阀值计算模块:用来将每个图片通过遗传算法找到一个合适的阀值;
图片分割模块:用阀值分割的方法来分割图片中的道路和非道路;
第一判断模块:用于判断是否识别出道路,如果是,执行输出模块,如果否,执行训练数据模块;
训练数据模块:用于根据训练类别:道路和非道路,训练数据;
SVM分类模块:用于将图片进行SVM分类;
输出模块:用于输出处理好的图片。
9.根据权利要求8所述的***,其特征在于:在第一判断模块执行后,如果识别出道路,在执行输出模块之前,还包括第二判断模块:用于判断识别的道路是否有障碍,如果是,根据训练类别:道路和障碍物,训练数据,再将识别出道路的图片进行SVM分类,然后执行输出模块,如果否,直接执行输出模块。
10.根据权利要求8所述的***,其特征在于:在阀值计算模块中,所述图片为无人机拍摄的视频的视频帧,在输出模块执行后,还包括视频合成模块,用来将输出处理好的图片也就是视频帧合成视频。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610834791.7A CN106372618A (zh) | 2016-09-20 | 2016-09-20 | 一种基于svm与遗传算法的道路提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610834791.7A CN106372618A (zh) | 2016-09-20 | 2016-09-20 | 一种基于svm与遗传算法的道路提取方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106372618A true CN106372618A (zh) | 2017-02-01 |
Family
ID=57897221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610834791.7A Pending CN106372618A (zh) | 2016-09-20 | 2016-09-20 | 一种基于svm与遗传算法的道路提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106372618A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971170A (zh) * | 2017-04-07 | 2017-07-21 | 西北工业大学 | 一种基于遗传算法利用一维距离像进行目标识别的方法 |
CN108345875A (zh) * | 2018-04-08 | 2018-07-31 | 北京初速度科技有限公司 | 可行驶区域检测模型训练方法、检测方法和装置 |
CN108513641A (zh) * | 2017-05-08 | 2018-09-07 | 深圳市大疆创新科技有限公司 | 无人机拍摄控制方法、无人机拍摄方法、控制终端、无人机控制装置和无人机 |
CN110809767A (zh) * | 2017-07-06 | 2020-02-18 | 华为技术有限公司 | 高级辅助驾驶***和方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073848A (zh) * | 2010-12-31 | 2011-05-25 | 深圳市永达电子股份有限公司 | 一种基于智能优化的道路识别***与方法 |
CN103914698A (zh) * | 2014-03-27 | 2014-07-09 | 北京科技大学 | 一种基于视频的道路障碍物识别分类方法 |
-
2016
- 2016-09-20 CN CN201610834791.7A patent/CN106372618A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073848A (zh) * | 2010-12-31 | 2011-05-25 | 深圳市永达电子股份有限公司 | 一种基于智能优化的道路识别***与方法 |
CN103914698A (zh) * | 2014-03-27 | 2014-07-09 | 北京科技大学 | 一种基于视频的道路障碍物识别分类方法 |
Non-Patent Citations (7)
Title |
---|
BYOUNG-KI JEON ET AL.: "Road detection in spaceborne SAR images using a genetic algorithm", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
R. HUBER ET AL.: "Road extraction from high-resolution airborne SAR using operator fusion", 《IGARSS 2001》 * |
杜明芳 等: "自主移动机器人自适应室外道路检测", 《中国图象图形学报》 * |
汪夕明: "遥感影像道路提取方法研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
沈照庆 等: "基于支持向量机的高光谱遥感影像道路提取", 《长安大学学报》 * |
胥亚: "中高分辨率遥感影像道路提取技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
邰晓雷: "遥感图像道路信息提取研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971170A (zh) * | 2017-04-07 | 2017-07-21 | 西北工业大学 | 一种基于遗传算法利用一维距离像进行目标识别的方法 |
CN108513641A (zh) * | 2017-05-08 | 2018-09-07 | 深圳市大疆创新科技有限公司 | 无人机拍摄控制方法、无人机拍摄方法、控制终端、无人机控制装置和无人机 |
US11290692B2 (en) | 2017-05-08 | 2022-03-29 | SZ DJI Technology Co., Ltd. | Unmanned aerial vehicle imaging control method, unmanned aerial vehicle imaging method, control terminal, unmanned aerial vehicle control device, and unmanned aerial vehicle |
US11722647B2 (en) | 2017-05-08 | 2023-08-08 | SZ DJI Technology Co., Ltd. | Unmanned aerial vehicle imaging control method, unmanned aerial vehicle imaging method, control terminal, unmanned aerial vehicle control device, and unmanned aerial vehicle |
CN110809767A (zh) * | 2017-07-06 | 2020-02-18 | 华为技术有限公司 | 高级辅助驾驶***和方法 |
CN110809767B (zh) * | 2017-07-06 | 2022-09-09 | 华为技术有限公司 | 高级辅助驾驶***和方法 |
CN108345875A (zh) * | 2018-04-08 | 2018-07-31 | 北京初速度科技有限公司 | 可行驶区域检测模型训练方法、检测方法和装置 |
CN108345875B (zh) * | 2018-04-08 | 2020-08-18 | 北京初速度科技有限公司 | 可行驶区域检测模型训练方法、检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hridayami et al. | Fish species recognition using VGG16 deep convolutional neural network | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN109902806A (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
Sun et al. | Automatic multi-fault recognition in TFDS based on convolutional neural network | |
CN106096602A (zh) | 一种基于卷积神经网络的中文车牌识别方法 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN105718889A (zh) | 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法 | |
CN101893704A (zh) | 一种基于粗糙集的雷达辐射源信号识别方法 | |
CN106372618A (zh) | 一种基于svm与遗传算法的道路提取方法及*** | |
CN105046259B (zh) | 基于多特征融合的日冕物质抛射检测方法 | |
CN106296709B (zh) | 一种基于粒子群及模糊均值聚类的细胞图像分割方法 | |
CN107679453A (zh) | 基于支持向量机的天气雷达电磁干扰回波识别方法 | |
CN104156945A (zh) | 基于多目标粒子群算法的灰度图像分割方法 | |
Dudi et al. | Optimized threshold-based convolutional neural network for plant leaf classification: a challenge towards untrained data | |
Liu et al. | A image segmentation algorithm based on differential evolution particle swarm optimization fuzzy c-means clustering | |
CN106023159A (zh) | 设施蔬菜叶部病斑图像分割方法及*** | |
CN116721414A (zh) | 一种医学图像细胞分割与跟踪方法 | |
Zeng et al. | Steel sheet defect detection based on deep learning method | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
CN113537173B (zh) | 一种基于面部补丁映射的人脸图像真伪识别方法 | |
CN113657414B (zh) | 一种物体识别方法 | |
Mouna et al. | A vehicle detection approach using deep learning network | |
CN108665479A (zh) | 基于压缩域多尺度特征tld的红外目标跟踪方法 | |
Sikand et al. | Using Classifier with Gated Recurrent Unit-Sigmoid Perceptron, Order to Get the Right Bird Species Detection |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170201 |
|
RJ01 | Rejection of invention patent application after publication |