CN107945174A - 基于视频的高速路段能见度测算方法 - Google Patents

基于视频的高速路段能见度测算方法 Download PDF

Info

Publication number
CN107945174A
CN107945174A CN201711314039.0A CN201711314039A CN107945174A CN 107945174 A CN107945174 A CN 107945174A CN 201711314039 A CN201711314039 A CN 201711314039A CN 107945174 A CN107945174 A CN 107945174A
Authority
CN
China
Prior art keywords
trusted area
fastlink
video
measuring method
visibility
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
Application number
CN201711314039.0A
Other languages
English (en)
Inventor
顾正熙
史琦玮
顾俊
丁林峰
肖宇
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.)
Jiaxing Zhicheng Four Mdt Infotech Ltd
Original Assignee
Jiaxing Zhicheng Four Mdt Infotech 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 Jiaxing Zhicheng Four Mdt Infotech Ltd filed Critical Jiaxing Zhicheng Four Mdt Infotech Ltd
Priority to CN201711314039.0A priority Critical patent/CN107945174A/zh
Publication of CN107945174A publication Critical patent/CN107945174A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • 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
    • G06T2207/30181—Earth observation
    • G06T2207/30192—Weather; Meteorology

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于视频的高速路段能见度测算方法。步骤S1：摄像机抓拍高速路段待测区域的图像信息，并且选取关键帧作为后续识别计算的初始图像数据。步骤S2：根据预置的可信区域特征模板在初始图像数据中选定第一可信区域组。步骤S3：利用图像识别技术生成第一可信区域组的特征值，并且对于上述第一可信区域组的特征值进行二次修正以生成第二可信区域组。步骤S4：将第二可信区域组与预置的可信区域特征模板相比较，选取第二可信区域组中与预置的可信区域特征模板最相近的最佳可信区域。本发明公开的基于视频的高速路段能见度测算方法，精准选取可信区域，提高抗干扰能力，在测算过程中规避车辆、障碍物造成的不利影响。

Description

基于视频的高速路段能见度测算方法
技术领域
本发明属于交通检测技术领域，具体涉及一种基于视频的高速路段能见度测算方法。
背景技术
申请号为201610227754.X，主题名称为基于暗通道先验与最小图像熵的交通雾霾能见度检测方法的发明专利申请，该发明专利申请公开的基于暗通道先验和深度学习的高速公路雾天能见度检测方法，在误差允许的范围内具有较好的检测精度。
值得注意的是，上述发明专利申请公开的能见度检测方法，具有一定局限性，具体体现在难以实现可信区域的景群精准选取。在实际操作中，通常将高速道路车道虚实线的实现长度作为可信区域的目标，这也是计算能见度的关键一步。上述发明专利申请公开的可信区域的设置圈定，是在摄像机固定和无其他障碍物的情况下实现的，不具有实际操作可行性。
在真正高速路段，尤其在车流密集的情况下，摄像机拍摄位置和角度时常发生改变，不利于设定可信区域的目标物检测，使得目标物检测与实际不符或者误差远超过允许范围，导致最终检测结果不可信，也难以投入实际到实际应用中。
发明内容
本发明针对现有技术的状况，针对上述技术问题，提供一种。
本发明采用以下技术方案，所述基于视频的高速路段能见度测算方法包括以下步骤：
步骤S1：摄像机抓拍高速路段待测区域的图像信息，并且选取关键帧作为后续识别计算的初始图像数据；
步骤S2：根据预置的可信区域特征模板在初始图像数据中选定第一可信区域组；
步骤S3：通过图像识别生成第一可信区域组的特征值，并且对于上述第一可信区域组的特征值进行二次修正以生成第二可信区域组；
步骤S4：将第二可信区域组与预置的可信区域特征模板相比较，选取第二可信区域组中与预置的可信区域特征模板最相近的最佳可信区域。
根据上述技术方案，在步骤S2中，预置的可信区域特征模板包括车道线斜率、车道线像素、车道线长度。
根据上述技术方案，在步骤S4中，预置的可信区域特征模板还包括车道实线和车道虚线的长度比。
根据上述技术方案，所述基于视频的高速路段能见度测算方法还包括步骤S5，步骤S5位于步骤S4之后：
步骤S5：获取最佳可信区域中车道线两端的t1和t2，根据深度信息计算公式得出消光系数β。
根据上述技术方案，所述基于视频的高速路段能见度测算方法还包括步骤S6，步骤S6位于步骤S5之后：
步骤S6：根据能见度公式V＝3/β，计算得到能见度距离V。
根据上述技术方案，在步骤S1中，还包括步骤S11和步骤S12：
步骤S11：将关键帧切分为互为对称的上半幅和下半幅；
步骤S12：将关键帧的下半幅作为后续识别计算的初始图像数据。
根据上述技术方案，在步骤S3中，图像识别包括透视与反透视、边缘检测和霍夫变换。
根据上述技术方案，所述基于视频的高速路段能见度测算方法还包括步骤S7，步骤S7位于步骤S6之后：
步骤S7：根据最佳可信区域修正预置的可信区域特征模板。
本发明公开的基于视频的高速路段能见度测算方法，其有益效果在于，精准选取可信区域，提高抗干扰能力，在测算过程中规避车辆、障碍物造成的不利影响。
附图说明
图1是本发明优选实施例的流程示意图。
图2是本发明优选实施例的流程步骤图。
具体实施方式
本发明公开了一种基于视频的高速路段能见度测算方法，下面结合优选实施例，对本发明的具体实施方式作进一步描述。
参见附图的图1和图2，分别示出了所述基于视频的高速路段能见度测算方法的具体流程。优选地，所述基于视频的高速路段能见度测算方法包括以下步骤：
步骤S1：摄像机抓拍高速路段待测区域的图像信息，并且选取关键帧作为后续识别计算的初始图像数据；
步骤S2：根据预置的可信区域特征模板在初始图像数据中选定第一可信区域组；
步骤S3：通过图像识别生成第一可信区域组的特征值，并且对于上述第一可信区域组的特征值进行二次修正以生成第二可信区域组；
步骤S4：将第二可信区域组与预置的可信区域特征模板相比较，选取第二可信区域组中与预置的可信区域特征模板最相近的最佳可信区域。
其中，在步骤S1中，还包括步骤S11和步骤S12：
步骤S11：将关键帧切分为互为对称的上半幅和下半幅；
步骤S12：将关键帧的下半幅作为后续识别计算的初始图像数据。
其中，在步骤S2中，预置的可信区域特征模板包括车道线斜率、车道线像素、车道线长度。
其中，在步骤S3中，图像识别包括透视与反透视、边缘检测和霍夫变换。
其中，在步骤S4中，预置的可信区域特征模板还包括车道实线和车道虚线的长度比。
进一步地，所述基于视频的高速路段能见度测算方法还包括步骤S5，步骤S5位于步骤S4之后：
步骤S5：获取最佳可信区域中车道线两端的t1和t2，根据深度信息计算公式得出消光系数β。
进一步地，所述基于视频的高速路段能见度测算方法还包括步骤S6，步骤S6位于步骤S5之后：
步骤S6：根据能见度公式V＝3/β，计算得到能见度距离V。
进一步地，所述基于视频的高速路段能见度测算方法还包括步骤S7，步骤S7位于步骤S6之后：
步骤S7：根据最佳可信区域修正预置的可信区域特征模板，以便提高后续识别计算的匹配度。
其中，根据暗通道先验理论(Dark Channel Prior)的大气透射率计算公式：其中，I(x)为输入图像，A为天空亮度，A主要用图像中最亮的0.1％点的均值代替，t(x)为大气透射率。
对于本领域的技术人员而言，依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。

Claims (8)

1.一种基于视频的高速路段能见度测算方法，其特征在于，包括以下步骤：
步骤S1：摄像机抓拍高速路段待测区域的图像信息，并且选取关键帧作为后续识别计算的初始图像数据；
步骤S2：根据预置的可信区域特征模板在初始图像数据中选定第一可信区域组；
步骤S3：通过图像识别生成第一可信区域组的特征值，并且对于上述第一可信区域组的特征值进行二次修正以生成第二可信区域组；
步骤S4：将第二可信区域组与预置的可信区域特征模板相比较，选取第二可信区域组中与预置的可信区域特征模板最相近的最佳可信区域。
2.根据权利要求1所述的基于视频的高速路段能见度测算方法，其特征在于，在步骤S2中，预置的可信区域特征模板包括车道线斜率、车道线像素、车道线长度。
3.根据权利要求2所述的基于视频的高速路段能见度测算方法，其特征在于，在步骤S4中，预置的可信区域特征模板还包括车道实线和车道虚线的长度比。
4.根据权利要求1所述的基于视频的高速路段能见度测算方法，其特征在于，所述基于视频的高速路段能见度测算方法还包括步骤S5，步骤S5位于步骤S4之后：
步骤S5：获取最佳可信区域中车道线两端的t1和t2，根据深度信息计算公式得出消光系数β。
5.根据权利要求4所述的基于视频的高速路段能见度测算方法，其特征在于，
所述基于视频的高速路段能见度测算方法还包括步骤S6，步骤S6位于步骤S5之后：
步骤S6：根据能见度公式V＝3/β，计算得到能见度距离V。
6.根据权利要求1所述的基于视频的高速路段能见度测算方法，其特征在于，在步骤S1中，还包括步骤S11和步骤S12：
步骤S11：将关键帧切分为互为对称的上半幅和下半幅；
步骤S12：将关键帧的下半幅作为后续识别计算的初始图像数据。
7.根据权利要求1所述的基于视频的高速路段能见度测算方法，其特征在于，在步骤S3中，图像识别包括透视与反透视、边缘检测和霍夫变换。
8.根据权利要求5所述的基于视频的高速路段能见度测算方法，其特征在于，所述基于视频的高速路段能见度测算方法还包括步骤S7，步骤S7位于步骤S6之后：
步骤S7：根据最佳可信区域修正预置的可信区域特征模板。
CN201711314039.0A 2017-12-12 2017-12-12 基于视频的高速路段能见度测算方法 Pending CN107945174A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711314039.0A CN107945174A (zh) 2017-12-12 2017-12-12 基于视频的高速路段能见度测算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711314039.0A CN107945174A (zh) 2017-12-12 2017-12-12 基于视频的高速路段能见度测算方法

Publications (1)

Publication Number Publication Date
CN107945174A true CN107945174A (zh) 2018-04-20

Family

ID=61945625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711314039.0A Pending CN107945174A (zh) 2017-12-12 2017-12-12 基于视频的高速路段能见度测算方法

Country Status (1)

Country Link
CN (1) CN107945174A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826412A (zh) * 2019-10-10 2020-02-21 江苏理工学院 高速公路能见度检测***和方法
CN111476761A (zh) * 2020-03-18 2020-07-31 河北科技大学 一种基于***辨识的能见度测量方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2050644A1 (fr) * 2007-10-18 2009-04-22 Renault S.A.S. Procedes de mesure de la distance de visibilite d'un conducteur de vehicule automobile et de calcul d'une consigne de vitesse du vehicule, et systemes pour leur mise en oeuvre
CN105931220A (zh) * 2016-04-13 2016-09-07 南京邮电大学 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2050644A1 (fr) * 2007-10-18 2009-04-22 Renault S.A.S. Procedes de mesure de la distance de visibilite d'un conducteur de vehicule automobile et de calcul d'une consigne de vitesse du vehicule, et systemes pour leur mise en oeuvre
CN105931220A (zh) * 2016-04-13 2016-09-07 南京邮电大学 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王雷: "一种基于双曲线模型的车道线跟踪检测算法设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826412A (zh) * 2019-10-10 2020-02-21 江苏理工学院 高速公路能见度检测***和方法
CN111476761A (zh) * 2020-03-18 2020-07-31 河北科技大学 一种基于***辨识的能见度测量方法及***
CN111476761B (zh) * 2020-03-18 2023-07-21 河北科技大学 一种基于***辨识的能见度测量方法及***

Similar Documents

Publication Publication Date Title
US11398097B2 (en) Target detection method based on fusion of prior positioning of millimeter-wave radar and visual feature
US10970566B2 (en) Lane line detection method and apparatus
US10896626B2 (en) Method, computer readable storage medium and electronic equipment for analyzing driving behavior
Son et al. Real-time illumination invariant lane detection for lane departure warning system
CN105931220B (zh) 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法
US9576367B2 (en) Object detection method and device
CN103488976B (zh) 一种基于智能驾驶中停止线实时检测的距离测量的方法
Bertozzi et al. Pedestrian detection in infrared images
Hautière et al. Real-time disparity contrast combination for onboard estimation of the visibility distance
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
CN109299674B (zh) 一种基于车灯的隧道违章变道检测方法
Mu et al. Lane detection based on object segmentation and piecewise fitting
CN112215306B (zh) 一种基于单目视觉与毫米波雷达融合的目标检测方法
CN108280450A (zh) 一种基于车道线的高速公路路面检测方法
US20130141520A1 (en) Lane tracking system
US20200160561A1 (en) Vehicle-mounted camera pose estimation method, apparatus, and system, and electronic device
CN104036246B (zh) 一种基于多特征融合及多态均值的车道线定位方法
KR101240499B1 (ko) 실시간 차선 인식 및 차량 검출 장치 및 방법
CN103577809B (zh) 一种基于智能驾驶的地面交通标志实时检测的方法
Liu et al. Development of a vision-based driver assistance system with lane departure warning and forward collision warning functions
CN105678287B (zh) 一种基于脊度量的车道线检测方法
US10235579B2 (en) Vanishing point correction apparatus and method
US8559727B1 (en) Temporal coherence in clear path detection
US8331623B2 (en) Method for tracking and processing image
EP2492868A1 (en) Far-infrared pedestrian detection device

Legal Events

Date Code Title Description
PB01 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: 20180420

RJ01 Rejection of invention patent application after publication