CN108182383A - 一种车窗检测的方法及设备 - Google Patents
一种车窗检测的方法及设备 Download PDFInfo
- Publication number
- CN108182383A CN108182383A CN201711285415.8A CN201711285415A CN108182383A CN 108182383 A CN108182383 A CN 108182383A CN 201711285415 A CN201711285415 A CN 201711285415A CN 108182383 A CN108182383 A CN 108182383A
- Authority
- CN
- China
- Prior art keywords
- image
- window
- matching degree
- point
- detected
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种车窗检测的方法及设备,用于解决现有技术中车窗检测效果较差的技术问题。该方法包括:确定车辆图像中的车窗候选区域,对所述车窗候选区域进行划分获得至少两个待检测图像;将所述至少两个待检测图像中每个待检测图像与至少一个车窗模板图像进行匹配,确定每个待检测图像对应的匹配度最高的车窗模板图像;其中,每个车窗模板图像为包含至少一个车窗角点及多个匹配点的灰度图,所述多个匹配点用于表征所述至少一个车窗角点的边缘线;根据确定的匹配度最高的车窗模板图像定位所述至少两个待检测区域中的车窗角点,并根据定位的车窗角点确定所述车辆图像中车窗的位置。
Description
技术领域
本发明涉及交通领域,特别涉及一种车窗检测的方法及设备。
背景技术
随着交通运输的发展,车辆的规模日益增大,交通控管变得更加复杂、繁重。为了更加高效、准确地监控和管理城市交通,智能交通监控技术应运而生。其中,车窗定位是其中一个比较新的研究方向,车窗的大小和位置为车型识别、安全带检测、年检标识检测、车前摆件检测等问题提供非常重要的特征信息,是车辆识别***中的关键技术
目前,常用的车窗检测方法主要有两种:
第一种是基于颜色差异的车窗检测方法,由于玻璃的透光性和吸光性,其大部分像素的饱和度和亮度都比较低,利用车窗和车身颜色特征可对车窗区域进行分割,但基于颜色差异的车窗检测方法,该方法对车身颜色与车窗颜色特征有明显区别的检测效果较好,对车身和车窗颜色特征差异不大的效果很不好;
第二种是基于直线特性的车窗检测方法,首先进行水平边缘检测,结合hough变换进行直线连接并检测车窗的上下水平边界。其次,运用数学形态学去除小的短枝,最后,在结合积分投影方法检测车窗两侧边界。由于车身上线条较多,因此基于直线特性的车窗检测方法容易造成误检,准确率也较低。
综上可知,现有技术中对车辆车窗的检测效果较差。
发明内容
本发明实施例提供一种车窗检测的方法及设备,用于解决现有技术中车窗检测效果较差的技术问题。
第一方面,本发明实施例提供一种车窗检测的方法,包括以下步骤:
确定车辆图像中的车窗候选区域,对所述车窗候选区域进行划分获得至少两个待检测图像;
将所述至少两个待检测图像中每个待检测图像与至少一个车窗模板图像进行匹配,确定每个待检测图像对应的匹配度最高的车窗模板图像;其中,每个车窗模板图像为包含至少一个车窗角点及多个匹配点的灰度图,所述多个匹配点用于表征所述至少一个车窗角点的边缘线;
根据确定的匹配度最高的车窗模板图像定位所述至少两个待检测区域中的车窗角点,并根据定位的车窗角点确定所述车辆图像中车窗的位置。
可选的,在将所述至少两个待检测图像中每个待检测图像与至少一个车窗模板图像进行匹配之前,所述方法还包括:
对包含至少一个车窗角点的车窗图像进行灰度处理,获得所述车窗图像对应的车窗模板图像;
确定所述车窗模板图像中所述至少一个车窗角点对应的边缘线上的边缘点的特征参数;其中,所述特征参数用于表征边缘点在所述车窗模板图像中的位置坐标的梯度幅值;
根据所述特征参数,确定所述边缘点中梯度幅值大于阈值幅值的多个边缘点为所述车窗模板图像的多个匹配点。
可选的,在根据所述特征参数,确定所述边缘点中梯度幅值大于阈值幅值的多个边缘点为车窗模板图像的多个匹配点之后,所述方法还包括:
根据每个匹配点在所述车窗模板图像中第一梯度幅值,及在所述车窗图像中的第二梯度幅值,计算所述每个匹配点对应的匹配参数;其中,所述匹配参数用于指示在相应匹配点时,所述车窗模板图像与所述车窗图像的匹配度;
根据匹配参数所表征的匹配度的高低设置所述多个匹配点的权值;
按照所述多个匹配点的权值大小对所述多个匹配点进行排序,确定所述多个匹配点的排列顺序;其中,权值与匹配参数所表征的匹配度成反比。
可选的,将所述至少两个待检测图像中每个待检测图像与至少一个车窗模板图像进行匹配,确定每个待检测图像对应的匹配度最高的车窗模板图像,包括:
确定所述至少一个车窗模板图像中每个车窗模板图像包括的多个匹配点的排列顺序;
将所述至少一个车窗模板图像中每个车窗模板图像的多个匹配点按照相应的排列顺序与所述至少两个待检测图像中相应的待检测图像进行匹配,记录每个车窗模板图像与相应的待检测图像之间的匹配度;
确定所述至少两个待检测图像中每个待检测图像对应的匹配度最高的车窗模板图像。
可选的,将所述至少一个车窗模板图像中每个车窗模板图像的多个匹配点按照排列顺序与所述至少两个待检测图像中相应的待检测图像进行匹配,记录每个车窗模板图像与相应的待检测图像之间的匹配度,包括:
将所述至少一个车窗模板图像中每个车窗模板图像在相应的待检测图像中进行N次遍历,N小于等于待检测图像中像素点的数量,N为正整数;
在执行所述N次遍历中的第k次遍历时,确定所述多个匹配点中每个匹配点在车窗模板图像中的第一梯度幅值及所述每个匹配点在待检测图像中的第二梯度幅值,并根据所述第一梯度幅值与所述第二梯度幅值,按照所述多个匹配点的排列顺序依次计算并累计所述多个匹配点中每个匹配点的匹配度,确定所述第k次遍历对应的第k个累计匹配度,k取1至N的整数;
记录所述N次遍历的N个累计匹配度中最大的累计匹配度,并将所述最大的累计匹配度作为当前车窗模板图像与所述待检测图像之间的匹配度。
可选的,在根据所述第一梯度幅值与所述第二梯度幅值,按照所述多个匹配点的排列顺序依次计算并累计所述多个匹配点中每个匹配点的匹配度的同时,所述方法还包括:
获得当前累计的匹配度;其中,所述当前累计的匹配度为所述第i次遍历中,在对所述多个匹配点中的至少两个匹配点进行匹配后所累计的匹配度;
若确定所述当前累计的匹配度小于预设阈值,结束所述第k次遍历;所述预设阈值与已匹配的匹配点的数量及最小匹配阈值相关;
将所述当前累计的匹配度确定为所述第k次遍历对应的第k个累计匹配度。
可选的,根据确定的匹配度最高的车窗模板图像,定位所述至少两个待检测区域中的车窗角点,并根据定位的车窗角点确定所述车辆图像中车窗的位置,包括:
根据确定的匹配度最高的车窗模板图像在相应的待检测图像中的第一坐标位置,及所述匹配度最高的车窗模板图像中车窗角点的第二坐标位置,确定所述至少两个待检测区域中每个待检测区域包括的车窗角点的角点坐标;
将确定的所述角点坐标映射到所述车辆图像中,连接映射在所述车辆图像中的所述角点坐标;
确定所述角点坐标连接所形成的区域位置为所述车窗的位置。
第二方面,本发明实施例提供一种车窗检测设备,包括:
处理模块,用于确定车辆图像中的车窗候选区域,对所述车窗候选区域进行划分获得至少两个待检测图像;
匹配模块,用于将所述至少两个待检测图像中每个待检测图像与至少一个车窗模板图像进行匹配,确定每个待检测图像对应的匹配度最高的车窗模板图像;其中,每个车窗模板图像为包含至少一个车窗角点及多个匹配点的灰度图,所述多个匹配点用于表征所述至少一个车窗角点的边缘线;
定位模块,用于根据确定的匹配度最高的车窗模板图像定位所述至少两个待检测区域中的车窗角点,并根据定位的车窗角点确定所述车辆图像中车窗的位置。
可选的,所述车窗检测设备还包括:
第一获取模块,用于在将所述至少两个待检测图像中每个待检测图像与至少一个车窗模板图像进行匹配之前,对包含至少一个车窗角点的车窗图像进行灰度处理,获得所述车窗图像对应的车窗模板图像;
第一确定模块,用于确定所述车窗模板图像中所述至少一个车窗角点对应的边缘线上的边缘点的特征参数;其中,所述特征参数用于表征边缘点在所述车窗模板图像中的位置坐标的梯度幅值;
第二确定模块,用于根据所述特征参数,确定所述边缘点中梯度幅值大于阈值幅值的多个边缘点为所述车窗模板图像的多个匹配点。
可选的,所述第二确定模块还用于:
在根据所述特征参数,确定所述边缘点中梯度幅值大于阈值幅值的多个边缘点为车窗模板图像的多个匹配点之后,根据每个匹配点在所述车窗模板图像中第一梯度幅值,及在所述车窗图像中的第二梯度幅值,计算所述每个匹配点对应的匹配参数;其中,所述匹配参数用于指示在相应匹配点时,所述车窗模板图像与所述车窗图像的匹配度;
根据匹配参数所表征的匹配度的高低设置所述多个匹配点的权值;
按照所述多个匹配点的权值大小对所述多个匹配点进行排序,确定所述多个匹配点的排列顺序;其中,权值与匹配参数所表征的匹配度成反比。
可选的,所述匹配模块用于:
确定所述至少一个车窗模板图像中每个车窗模板图像包括的多个匹配点的排列顺序;
将所述至少一个车窗模板图像中每个车窗模板图像的多个匹配点按照相应的排列顺序与所述至少两个待检测图像中相应的待检测图像进行匹配,记录每个车窗模板图像与相应的待检测图像之间的匹配度;
确定所述至少两个待检测图像中每个待检测图像对应的匹配度最高的车窗模板图像。
可选的,所述匹配模块用于:
将所述至少一个车窗模板图像中每个车窗模板图像在相应的待检测图像中进行N次遍历,N小于等于待检测图像中像素点的数量,N为正整数;
在执行所述N次遍历中的第k次遍历时,确定所述多个匹配点中每个匹配点在车窗模板图像中的第一梯度幅值及所述每个匹配点在待检测图像中的第二梯度幅值,并根据所述第一梯度幅值与所述第二梯度幅值,按照所述多个匹配点的排列顺序依次计算并累计所述多个匹配点中每个匹配点的匹配度,确定所述第k次遍历对应的第k个累计匹配度,k取1至N的整数;
记录所述N次遍历的N个累计匹配度中最大的累计匹配度,并将所述最大的累计匹配度作为当前车窗模板图像与所述待检测图像之间的匹配度。
可选的,所述车窗检测设备还包括:
第二获取模块,用于在所述匹配模块根据所述第一梯度幅值与所述第二梯度幅值,按照所述多个匹配点的排列顺序依次计算并累计所述多个匹配点中每个匹配点的匹配度的同时,用于获得当前累计的匹配度;其中,所述当前累计的匹配度为所述第i次遍历中,在对所述多个匹配点中的至少两个匹配点进行匹配后所累计的匹配度;
所述匹配模块还用于:若确定所述当前累计的匹配度小于预设阈值,结束所述第k次遍历;所述预设阈值与已匹配的匹配点的数量及最小匹配阈值相关,并将所述当前累计的匹配度确定为所述第k次遍历对应的第k个累计匹配度。
可选的,所述定位模块用于:
根据确定的匹配度最高的车窗模板图像在相应的待检测图像中的第一坐标位置,及所述匹配度最高的车窗模板图像中车窗角点的第二坐标位置,确定所述至少两个待检测区域中每个待检测区域包括的车窗角点的角点坐标;
将确定的所述角点坐标映射到所述车辆图像中,连接映射在所述车辆图像中的所述角点坐标;
确定所述角点坐标连接所形成的区域位置为所述车窗的位置。
第三方面,本发明实施例提供一种计算机装置,所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如第一方面所述方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述指令在计算机上运行时,使得计算机执行如第一方面所述的方法。
本发明实施例中,由于车窗模板图像为包含至少一个车窗角点及多个匹配点的灰度图,且多个匹配点可表征至少一个车窗角点的边缘线,因此,通过将待检测图像分别与相应的车窗模板图像进行匹配,确定每个待检测图像对应的匹配度最高的车窗模板图像,即可根据匹配度最高的车窗模板图像定位相应待检测图像中的车窗角点,进而根据确定的车窗角点即可确定车辆图像中的车窗位置,实现通过对车窗角点的边缘线的检测来提高对车窗检测的精准度。
附图说明
图1为本发明实施例中车窗模板图像的示意图;
图2为本发明实施例中车窗检测的方法的流程图;
图3为本发明实施例中定位角点的连接示意图;
图4为本发明实施例中车窗检测设备的模块结构图;
图5为本发明实施例中计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
首先,对本发明实施例中的部分用语进行解释说明,以便于本领域技术人员理解。
1)梯度幅值,是一个矢量。在本发明实施例中,梯度幅值可以是指在通过索贝尔算子(Sobel operator)进行边缘检测时,图像的任何一点使用此算子,对应产生的灰度矢量。其中,Sobel算子根据像素点上下、左右邻点灰度加权差,在边缘处达到极值这一现象检测边缘。
在实际应用中,Sobel算子包含两组3×3的矩阵,分别为横向及纵向,将之与图像作平面卷积,即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像,Gx及Gy分别代表横向及纵向边缘检测的图像灰度值,则图像的每一个像素点的灰度大小可表示为:
2)车窗模板图像,可以是通过对包含车窗角点的图像进行处理获得的灰度图像。通常来说,一个车窗包括4个车窗角点,相应的可以设置4个车窗模板图像,即每个车窗模板图像可以包含一个车窗角点及其对应边缘线。
例如,本发明实施例中提供的几种车窗模板图像如图1中标号为a-d的4个图示,其中,图示a和图示b分别为对应车窗的左上角角点和右上角角点的模板图像,图示c和图示d分别为对应车窗的左下角角点和右下角角点的模板图像,模板图像中的黑色区域部分即为车窗部分,标出的黑/白圆点即为车窗角点。
当然,本发明实施例中一个车窗模板图像中也可以包括两个车窗角点,例如车窗的左上角角点和右上角角点,此处不再一一示例。
3)本发明实施例中,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本发明实施例作进一步详细描述。
实施例一
图2为本发明实施例提供一种车窗检测的方法,该方法可以应用在相应的检测设备中,例如应用在智能交通监控***中的检测设备中。该方法的过程可以描述如下:
S11:确定车辆图像中的车窗候选区域,对车窗候选区域进行划分获得至少两个待检测图像。
本发明实施例中,车辆图像可以是检测设备采集的图像。在采集车辆图像后,可以用车辆检测算法在车辆图像中确定车辆的区域,再基于车辆的区域估计车窗区域的大致位置,该位置即可作为车窗候选区域。
获得车窗候选区域后,可对其进行分块,获得相应的待检测图像。例如,可将车窗候选区域划分为上下/左右2块,此时,车窗候选区域对应2个待检测图像;或者,也可将车窗候选区域划分为4块,此时,车窗候选区域对应4个待检测图像。
S12:将至少两个待检测图像中每个待检测图像与至少一个车窗模板图像进行匹配,确定每个待检测图像对应的匹配度最高的车窗模板图像;其中,每个车窗模板图像为包含至少一个车窗角点及多个匹配点的灰度图,多个匹配点用于表征至少一个车窗角点的边缘线。
本发明实施例中,在S12之前,可以根据现有的车窗类型选择并创建多个车窗模板图像,即通过对选取的包含至少一个车窗角点的车窗图像进行灰度处理,获得车窗图像对应的车窗模板图像,创建的部分车窗模板图像可以如图1所示。
当然,在实际应用中还可以根据可能出现的车窗类型,增加相应的模板图像。各车窗模板图像均为灰度图,最多只包括三种灰度值,有利于减少干扰信息而只保留主要的特征信息,降低后续模板匹配时的计算量。
同时,本发明实施例中,在选取相应的图像创建模板图像时,充分考虑了车窗角点周围的信息,例如,图1中图示a和图示b中白色部分代表的是车顶部分,增加这一块可以有效地减少误检,提高对车窗角点的边缘线的识别。在实际应用中,模板图像的创建是比较关键的一步,如果模板选取得不好,会直接影响到结果,太过简单,容易误检,太过复杂又容易漏检。
本发明实施例中,在创建车窗模板图像后,还可以进一步确定车窗模板图像中至少一个车窗角点对应的边缘线上的边缘点的特征参数,这些特征参数用于表征边缘点在车窗模板图像中的位置坐标的梯度幅值。
通过Sobel算子进行边缘检测,获得模板图像在x和y方向上的梯度图,进而计算边缘点的梯度幅值(M),即:其中,GxT代表像素坐标在x方向上的梯度图,GyT代表像素坐标在y方向上的梯度图。
进而,可以根据梯度幅度确定边缘点中的优选匹配点,例如可将边缘点中梯度幅值大于等于阈值T及邻域点梯度幅值的边缘点作为车窗模板图像中优选的多个匹配点。
进一步,在确定车窗模板图像中优选的多个匹配点后,还可以将车窗模板图像与相应的原车窗图像进行对应,确定每个匹配点在车窗模板图像中第一梯度幅值,及在车窗图像中的第二梯度幅值,并计算每个匹配点的匹配参数,该匹配参数用于指示在相应匹配点时,车窗模板图像与车窗图像的匹配度。本文中可将匹配参数称为匹配得分。
也就是说,在小样本集上,可将模板图像上的每一个匹配点看成是一个子模板,分别进行模板匹配,将匹配得分进行累计。单个匹配点的匹配得分计算公式如下:
其中,mi表示多个匹配点中的第i个匹配点的匹配得分,(u,v)为模板图像在车窗图像中的坐标,GxS、GyS分别为模板图像在车窗图像上的梯度,GxT、GyT分别为模板图像在x方向和y方向上的梯度图。
然后根据多个匹配点中每个匹配点的匹配得分,可对多个匹配点中每个匹配点设置相应的权重,设置权重的原则是:累计的得分越大分配给该匹配点的权重越小。进而,可按照每个匹配点的权重对多个匹配点进行排序,例如按照权重从大到小的顺序进行排序,获得多个匹配点的排列顺序。该排列顺序可以表征车窗模板图像中表征边缘线的匹配点在匹配过程中的重要程度,例如越独特的地方的匹配点的权重较大,重要程度越高。
那么,在S12中将每个待检测图像与至少一个车窗模板图像进行匹配时,可以获取至少一个车窗模板图像中每个车窗模板图像包括的多个匹配点的排列顺序。也就是说,在将一个待检测图像与选取的至少一个车窗模板图像进行匹配时,可获取当前车窗模板图像中包含的多个匹配点的排列顺序。
进而,可将当前车窗模板图像的多个匹配点按照相应的排列顺序与该相应的待检测图像进行匹配,并记录每个车窗模板图像与相应的待检测图像之间的匹配度。
具体来说,在基于多个匹配点将待检测图像和车窗模板图像进行匹配时,可将至当前车窗模板图像在待检测图像中按照像素点坐标进行多次遍历,遍历的次数可以小于等于待检测图像中像素点的数量。
在每次遍历过程中,可以基于多个匹配点来进行匹配,例如,若当前车窗模板图像包括n个匹配点,那么可以根据n个匹配点的排列顺序来进行当前次遍历中的匹配。
此时,可以按照排列顺序,确定多个匹配点中每个匹配点在车窗模板图像中的第一梯度幅值及每个匹配点在待检测图像中的第二梯度幅值,并根据第一梯度幅值与第二梯度幅值计算并累计n个匹配点中每个匹配点的匹配度,确定当前次遍历所对应的累计匹配度,即累计匹配度的计算公式为:
其中,n为边缘点总数,λi为每个匹配点的权重,(u,v)为模板图像上的基准点(例如左上角第一个像素点)在待检测图像中对应的坐标,(Xi,Yi)为第i个匹配点在模板图像中的坐标,(u+Xi,v+Yi)为第i个匹配点在待检测图像中对应的坐标。当S(u,v)为1时,表明车窗模板图像和待检测图像完全相同。
本发明另一实施例中,在一次遍历中对匹配度进行累计的同时,还可以对当前累计的匹配度进行判断,该当前累计的匹配度可以是当前次遍历中,在对多个匹配点中的至少两个匹配点进行匹配后所累计的匹配度。例如,在按照n个匹配点的排流顺序进行计算和累计时,当前累计的匹配度可以是从第1个匹配点累计到第j个匹配点的得分。
如果确定当前累计的匹配度小于预设阈值,可以结束当前次的遍历,该预设阈值也可以是已匹配的匹配点的数量及最小匹配阈值相关。例如,如果计算到n个匹配点中的第j个点时,当前累计的匹配度Sj满足:Sj<Tsmin+Sum(j)-1,其中,λi为第j个匹配点的权重,则停止当前次的遍历匹配,并将当前累计的匹配度作为当前次遍历的匹配度,进而进入下一次的遍历。
因此,本发明实施例中,在模板匹配阶段只对模板图像中对应的匹配点进行梯度计算和匹配计算,及按照匹配点的权重从大到小的顺序依次计算,结合提前停止计算条件,极大地减少了计算量。
实际应用中,在一次遍历结束后,还可以根据匹配总得分来设置不同的搜索步长。该搜索步长包括横向步长和纵向步长。例如,若当前遍历的总得分(即总匹配度)大于阈值1,则可设置横向步长为1,纵向步长为1;若总得分位于阈值1和2之间,则设置横向步长为2,纵向步长为1;若总得分小于阈值2的设置为横向步长为2,纵向步长为2。
那么,后续在待检测图中遍历时可以按照该搜索步长来选择相应的像素点进行遍历,而无需将车窗模板图像的基准点与待检测图像中的每一个像素点对齐进行遍历,有助于降低算法的复杂度,同时提高匹配效率。
如此,最终可以获得N次遍历对应的N个累计匹配度,并将N个累计匹配度中最大的累计匹配度作为当前车窗模板图像与待检测图像之间的匹配度。
在实际应用中,若确定最大的累积匹配度对应的匹配得分小于最小匹配阈值Tsmin,则可以更换模板重新匹配计算,最终选择得分最大的结果。
S13:根据确定的匹配度最高的车窗模板图像定位至少两个待检测区域中的车窗角点,并根据定位的车窗角点确定车辆图像中车窗的位置。
在确定每个待检测模块对应的匹配度最高的车窗模板后,可以确定匹配度最高的车窗模板图像在相应的待检测图像中的第一坐标位置,及该匹配度最高的车窗模板图像中车窗角点的第二坐标位置,进而根据该第一坐标位置和第二坐标位置即可确定至少两个待检测区域中每个待检测区域包括的车窗角点的角点坐标。通过将确定的角点坐标映射到车辆图像中,即可确定车窗角点在车辆图像中的位置。
例如,若以模板图像的左上角第一个像素点(基准点)在待检测图像中对应的坐标为(a,b),(x,y)为车窗角点在模板图像中相对于基准点的角点坐标,则该车窗角点在待检测图像中对应的坐标即为(a+x,b+y),从而可以定位出待检测图像中的车窗角点的位置。
实际应用中,在定位出至少两个待检测图像中全部的车窗角点后,还可以判断车窗角点的数量是否为大于等于4,若车窗角点的数量不足4个,则可以认为车窗检测失败。若车窗数量等于4,则可将车窗角点映射到车辆图像中。
进一步,连接映射在车辆图像中的角点坐标,并判断连接的角点坐标所形成的四边形是否为规则形状,例如四边形的形状是否近似于梯形,若为梯形,则认为该检测结果可靠,便可将车辆图像中的该区域位置确定为车窗的位置。
如果多变形的形状不接近梯形,则可以根据梯形的特点将可能定位不准的点找出来并进行点的位置估计。
例如,若根据定位角点连接形成的四边形如图3所示,其中,I、C、H、G为其中,AB和DC近似平行,∠ADC和∠BCD是一个锐角,其角度较大概率处于角度范围[70°,85°]内,∠DAB和∠CBA均为钝角且两个角的角度大小差不多,例如可能均位于角度范围[95°,110°]内,DE和FC的长度相似。
通常来说,在采用本发明实施例中的车窗检测方法,同时出现两个及以上的错误结果的可能性较小,例如出现G、H、I等情况。但如果出现,那么在对不准确的角点进行修正时,首先根据上下两条线平行特点推测结果不可靠,然后根据角度大小及车身倾斜可能性小的特点,可以推测结果ABD的可靠性较高,G、H、I点不可靠,进而,根据梯形左上角大小与右上角大小相同,或左下角大小和右下角大小相同的特点可以估计出真实位置C,则ABCD所形成的区域位置即为车辆图像中的车窗位置。
本发明实施例中,利用基于边缘的模板匹配方法,对车窗角点进行精确定位,在存在部分遮挡、非线性光照变化的情况下依然有较高定位准确率,
实施例二
基于同一发明构思,本发明实施例还提供一种车窗检测设备,该车窗检测设备可以执行实施例一中车窗检测的方法。如图4所示,该设备包括处理模块21、匹配模块22和定位模块23。
处理模块21,用于确定车辆图像中的车窗候选区域,对所述车窗候选区域进行划分获得至少两个待检测图像;
匹配模块22,用于将所述至少两个待检测图像中每个待检测图像与至少一个车窗模板图像进行匹配,确定每个待检测图像对应的匹配度最高的车窗模板图像;其中,每个车窗模板图像为包含至少一个车窗角点及多个匹配点的灰度图,所述多个匹配点用于表征所述至少一个车窗角点的边缘线;
定位模块23还用于根据确定的匹配度最高的车窗模板图像定位所述至少两个待检测区域中的车窗角点,并根据定位的车窗角点确定所述车辆图像中车窗的位置。
可选的,所述车窗检测设备还包括:
第一获取模块,用于在将所述至少两个待检测图像中每个待检测图像与至少一个车窗模板图像进行匹配之前,对包含至少一个车窗角点的车窗图像进行灰度处理,获得所述车窗图像对应的车窗模板图像;
第一确定模块,用于确定所述车窗模板图像中所述至少一个车窗角点对应的边缘线上的边缘点的特征参数;其中,所述特征参数用于表征边缘点在所述车窗模板图像中的位置坐标的梯度幅值;
第二确定模块,用于根据所述特征参数,确定所述边缘点中梯度幅值大于阈值幅值的多个边缘点为所述车窗模板图像的多个匹配点。
可选的,所述第二确定模块还用于:
在根据所述特征参数,确定所述边缘点中梯度幅值大于阈值幅值的多个边缘点为车窗模板图像的多个匹配点之后,根据每个匹配点在所述车窗模板图像中第一梯度幅值,及在所述车窗图像中的第二梯度幅值,计算所述每个匹配点对应的匹配参数;其中,所述匹配参数用于指示在相应匹配点时,所述车窗模板图像与所述车窗图像的匹配度;
根据匹配参数所表征的匹配度的高低设置所述多个匹配点的权值;
按照所述多个匹配点的权值大小对所述多个匹配点进行排序,确定所述多个匹配点的排列顺序;其中,权值与匹配参数所表征的匹配度成反比。
可选的,所述匹配模块22可以用于:
确定所述至少一个车窗模板图像中每个车窗模板图像包括的多个匹配点的排列顺序;
将所述至少一个车窗模板图像中每个车窗模板图像的多个匹配点按照相应的排列顺序与所述至少两个待检测图像中相应的待检测图像进行匹配,记录每个车窗模板图像与相应的待检测图像之间的匹配度;
确定所述至少两个待检测图像中每个待检测图像对应的匹配度最高的车窗模板图像。
可选的,所述匹配模块22可以用于:
将所述至少一个车窗模板图像中每个车窗模板图像在相应的待检测图像中进行N次遍历,N小于等于待检测图像中像素点的数量,N为正整数;
在执行所述N次遍历中的第k次遍历时,确定所述多个匹配点中每个匹配点在车窗模板图像中的第一梯度幅值及所述每个匹配点在待检测图像中的第二梯度幅值,并根据所述第一梯度幅值与所述第二梯度幅值,按照所述多个匹配点的排列顺序依次计算并累计所述多个匹配点中每个匹配点的匹配度,确定所述第k次遍历对应的第k个累计匹配度,k取1至N的整数;
记录所述N次遍历的N个累计匹配度中最大的累计匹配度,并将所述最大的累计匹配度作为当前车窗模板图像与所述待检测图像之间的匹配度。
可选的,所述车窗检测设备还包括:
第二获取模块,用于在所述匹配模块根据所述第一梯度幅值与所述第二梯度幅值,按照所述多个匹配点的排列顺序依次计算并累计所述多个匹配点中每个匹配点的匹配度的同时,用于获得当前累计的匹配度;其中,所述当前累计的匹配度为所述第i次遍历中,在对所述多个匹配点中的至少两个匹配点进行匹配后所累计的匹配度;
所述匹配模块22还用于:若确定所述当前累计的匹配度小于预设阈值,结束所述第k次遍历;所述预设阈值与已匹配的匹配点的数量及最小匹配阈值相关,并将所述当前累计的匹配度确定为所述第k次遍历对应的第k个累计匹配度。
可选的,所述定位模块23可用于:
根据确定的匹配度最高的车窗模板图像在相应的待检测图像中的第一坐标位置,及所述匹配度最高的车窗模板图像中车窗角点的第二坐标位置,确定所述至少两个待检测区域中每个待检测区域包括的车窗角点的角点坐标;
将确定的所述角点坐标映射到所述车辆图像中,连接映射在所述车辆图像中的所述角点坐标;
确定所述角点坐标连接所形成的区域位置为所述车窗的位置。
实施例三
本发明实施例中还提供一种计算机装置,其结构如图5所示,该计算机装置包括处理器31和存储器32,其中,处理器31用于执行存储器32中存储的计算机程序时实现本发明实施例一中提供的车窗检测的方法的步骤。
可选的,处理器31具体可以是中央处理器、特定应用集成电路(ApplicationSpecific Integrated Circuit,ASIC),可以是一个或多个用于控制程序执行的集成电路,可以是使用现场可编程门阵列(Field Programmable Gate Array,FPGA)开发的硬件电路,可以是基带处理器。
可选的,处理器31可以包括至少一个处理核。
可选的,电子设备还包括存储器32,存储器32可以包括只读存储器(Read OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)和磁盘存储器。存储器32用于存储处理器31运行时所需的数据。存储器32的数量为一个或多个。
实施例四
本发明实施例中还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,当计算机指令指令在计算机上运行时可以实现如本发明实施一例提供的车窗检测的方法的步骤。
在本发明实施例中,应该理解到,所揭露车窗检测的方法及设备,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性或其它的形式。
在本发明实施例中的各功能单元可以集成在一个处理单元中,或者各个单元也可以均是独立的物理模块。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备,例如可以是个人计算机,服务器,或者网络设备等,或处理器(Processor)执行本发明各个实施例的方法的全部或部分步骤。而前述的存储介质包括:通用串行总线闪存盘(Universal Serial Bus flash drive,USB)、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用于对本发明的技术方案进行了详细介绍,但以上实施例的说明只是用于帮助理解本发明实施例的方法,不应理解为对本发明实施例的限制。本技术领域的技术人员可轻易想到的变化或替换,都应涵盖在本发明实施例的保护范围之内。
Claims (16)
1.一种车窗检测的方法,其特征在于,包括:
确定车辆图像中的车窗候选区域,对所述车窗候选区域进行划分获得至少两个待检测图像;
将所述至少两个待检测图像中每个待检测图像与至少一个车窗模板图像进行匹配,确定每个待检测图像对应的匹配度最高的车窗模板图像;其中,每个车窗模板图像为包含至少一个车窗角点及多个匹配点的灰度图,所述多个匹配点用于表征所述至少一个车窗角点的边缘线;
根据确定的匹配度最高的车窗模板图像定位所述至少两个待检测区域中的车窗角点,并根据定位的车窗角点确定所述车辆图像中车窗的位置。
2.如权利要求1所述的方法,其特征在于,在将所述至少两个待检测图像中每个待检测图像与至少一个车窗模板图像进行匹配之前,所述方法还包括:
对包含至少一个车窗角点的车窗图像进行灰度处理,获得所述车窗图像对应的车窗模板图像;
确定所述车窗模板图像中所述至少一个车窗角点对应的边缘线上的边缘点的特征参数;其中,所述特征参数用于表征边缘点在所述车窗模板图像中的位置坐标的梯度幅值;
根据所述特征参数,确定所述边缘点中梯度幅值大于阈值幅值的多个边缘点为所述车窗模板图像的多个匹配点。
3.如权利要求2所述的方法,其特征在于,在根据所述特征参数,确定所述边缘点中梯度幅值大于阈值幅值的多个边缘点为车窗模板图像的多个匹配点之后,所述方法还包括:
根据每个匹配点在所述车窗模板图像中第一梯度幅值,及在所述车窗图像中的第二梯度幅值,计算所述每个匹配点对应的匹配参数;其中,所述匹配参数用于指示在相应匹配点时,所述车窗模板图像与所述车窗图像的匹配度;
根据匹配参数所表征的匹配度的高低设置所述多个匹配点的权值;
按照所述多个匹配点的权值大小对所述多个匹配点进行排序,确定所述多个匹配点的排列顺序;其中,权值与匹配参数所表征的匹配度成反比。
4.如权利要求3所述的方法,其特征在于,将所述至少两个待检测图像中每个待检测图像与至少一个车窗模板图像进行匹配,确定每个待检测图像对应的匹配度最高的车窗模板图像,包括:
确定所述至少一个车窗模板图像中每个车窗模板图像包括的多个匹配点的排列顺序;
将所述至少一个车窗模板图像中每个车窗模板图像的多个匹配点按照相应的排列顺序与所述至少两个待检测图像中相应的待检测图像进行匹配,记录每个车窗模板图像与相应的待检测图像之间的匹配度;
确定所述至少两个待检测图像中每个待检测图像对应的匹配度最高的车窗模板图像。
5.如权利要求4所述的方法,其特征在于,将所述至少一个车窗模板图像中每个车窗模板图像的多个匹配点按照排列顺序与所述至少两个待检测图像中相应的待检测图像进行匹配,记录每个车窗模板图像与相应的待检测图像之间的匹配度,包括:
将所述至少一个车窗模板图像中每个车窗模板图像在相应的待检测图像中进行N次遍历,N小于等于待检测图像中像素点的数量,N为正整数;
在执行所述N次遍历中的第k次遍历时,确定所述多个匹配点中每个匹配点在车窗模板图像中的第一梯度幅值及所述每个匹配点在待检测图像中的第二梯度幅值,并根据所述第一梯度幅值与所述第二梯度幅值,按照所述多个匹配点的排列顺序依次计算并累计所述多个匹配点中每个匹配点的匹配度,确定所述第k次遍历对应的第k个累计匹配度,k取1至N的整数;
记录所述N次遍历的N个累计匹配度中最大的累计匹配度,并将所述最大的累计匹配度作为当前车窗模板图像与所述待检测图像之间的匹配度。
6.如权利要求5所述的方法,其特征在于,在根据所述第一梯度幅值与所述第二梯度幅值,按照所述多个匹配点的排列顺序依次计算并累计所述多个匹配点中每个匹配点的匹配度的同时,所述方法还包括:
获得当前累计的匹配度;其中,所述当前累计的匹配度为所述第i次遍历中,在对所述多个匹配点中的至少两个匹配点进行匹配后所累计的匹配度;
若确定所述当前累计的匹配度小于预设阈值,结束所述第k次遍历;所述预设阈值与已匹配的匹配点的数量及最小匹配阈值相关;
将所述当前累计的匹配度确定为所述第k次遍历对应的第k个累计匹配度。
7.如权利要求1-6任一权项所述的方法,其特征在于,根据确定的匹配度最高的车窗模板图像,定位所述至少两个待检测区域中的车窗角点,并根据定位的车窗角点确定所述车辆图像中车窗的位置,包括:
根据确定的匹配度最高的车窗模板图像在相应的待检测图像中的第一坐标位置,及所述匹配度最高的车窗模板图像中车窗角点的第二坐标位置,确定所述至少两个待检测区域中每个待检测区域包括的车窗角点的角点坐标;
将确定的所述角点坐标映射到所述车辆图像中,连接映射在所述车辆图像中的所述角点坐标;
确定所述角点坐标连接所形成的区域位置为所述车窗的位置。
8.一种车窗检测设备,其特征在于,包括:
处理模块,用于确定车辆图像中的车窗候选区域,对所述车窗候选区域进行划分获得至少两个待检测图像;
匹配模块,用于将所述至少两个待检测图像中每个待检测图像与至少一个车窗模板图像进行匹配,确定每个待检测图像对应的匹配度最高的车窗模板图像;其中,每个车窗模板图像为包含至少一个车窗角点及多个匹配点的灰度图,所述多个匹配点用于表征所述至少一个车窗角点的边缘线;
定位模块,用于根据确定的匹配度最高的车窗模板图像定位所述至少两个待检测区域中的车窗角点,并根据定位的车窗角点确定所述车辆图像中车窗的位置。
9.如权利要求8所述的设备,其特征在于,所述车窗检测设备还包括:
第一获取模块,用于在将所述至少两个待检测图像中每个待检测图像与至少一个车窗模板图像进行匹配之前,对包含至少一个车窗角点的车窗图像进行灰度处理,获得所述车窗图像对应的车窗模板图像;
第一确定模块,用于确定所述车窗模板图像中所述至少一个车窗角点对应的边缘线上的边缘点的特征参数;其中,所述特征参数用于表征边缘点在所述车窗模板图像中的位置坐标的梯度幅值;
第二确定模块,用于根据所述特征参数,确定所述边缘点中梯度幅值大于阈值幅值的多个边缘点为所述车窗模板图像的多个匹配点。
10.如权利要求9所述的设备,其特征在于,所述第二确定模块还用于:
在根据所述特征参数,确定所述边缘点中梯度幅值大于阈值幅值的多个边缘点为车窗模板图像的多个匹配点之后,根据每个匹配点在所述车窗模板图像中第一梯度幅值,及在所述车窗图像中的第二梯度幅值,计算所述每个匹配点对应的匹配参数;其中,所述匹配参数用于指示在相应匹配点时,所述车窗模板图像与所述车窗图像的匹配度;
根据匹配参数所表征的匹配度的高低设置所述多个匹配点的权值;
按照所述多个匹配点的权值大小对所述多个匹配点进行排序,确定所述多个匹配点的排列顺序;其中,权值与匹配参数所表征的匹配度成反比。
11.如权利要求10所述的设备,其特征在于,所述匹配模块用于:
确定所述至少一个车窗模板图像中每个车窗模板图像包括的多个匹配点的排列顺序;
将所述至少一个车窗模板图像中每个车窗模板图像的多个匹配点按照相应的排列顺序与所述至少两个待检测图像中相应的待检测图像进行匹配,记录每个车窗模板图像与相应的待检测图像之间的匹配度;
确定所述至少两个待检测图像中每个待检测图像对应的匹配度最高的车窗模板图像。
12.如权利要求11所述的设备,其特征在于,所述匹配模块用于:
将所述至少一个车窗模板图像中每个车窗模板图像在相应的待检测图像中进行N次遍历,N小于等于待检测图像中像素点的数量,N为正整数;
在执行所述N次遍历中的第k次遍历时,确定所述多个匹配点中每个匹配点在车窗模板图像中的第一梯度幅值及所述每个匹配点在待检测图像中的第二梯度幅值,并根据所述第一梯度幅值与所述第二梯度幅值,按照所述多个匹配点的排列顺序依次计算并累计所述多个匹配点中每个匹配点的匹配度,确定所述第k次遍历对应的第k个累计匹配度,k取1至N的整数;
记录所述N次遍历的N个累计匹配度中最大的累计匹配度,并将所述最大的累计匹配度作为当前车窗模板图像与所述待检测图像之间的匹配度。
13.如权利要求12所述的设备,其特征在于,所述车窗检测设备还包括:
第二获取模块,用于在所述匹配模块根据所述第一梯度幅值与所述第二梯度幅值,按照所述多个匹配点的排列顺序依次计算并累计所述多个匹配点中每个匹配点的匹配度的同时,用于获得当前累计的匹配度;其中,所述当前累计的匹配度为所述第i次遍历中,在对所述多个匹配点中的至少两个匹配点进行匹配后所累计的匹配度;
所述匹配模块还用于:若确定所述当前累计的匹配度小于预设阈值,结束所述第k次遍历;所述预设阈值与已匹配的匹配点的数量及最小匹配阈值相关,并将所述当前累计的匹配度确定为所述第k次遍历对应的第k个累计匹配度。
14.如权利要求8-13任一权项所述的设备,其特征在于,所述定位模块用于:
根据确定的匹配度最高的车窗模板图像在相应的待检测图像中的第一坐标位置,及所述匹配度最高的车窗模板图像中车窗角点的第二坐标位置,确定所述至少两个待检测区域中每个待检测区域包括的车窗角点的角点坐标;
将确定的所述角点坐标映射到所述车辆图像中,连接映射在所述车辆图像中的所述角点坐标;
确定所述角点坐标连接所形成的区域位置为所述车窗的位置。
15.一种计算机装置,其特征在于,所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一权项所述方法。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-7中任一权项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711285415.8A CN108182383B (zh) | 2017-12-07 | 2017-12-07 | 一种车窗检测的方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711285415.8A CN108182383B (zh) | 2017-12-07 | 2017-12-07 | 一种车窗检测的方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108182383A true CN108182383A (zh) | 2018-06-19 |
CN108182383B CN108182383B (zh) | 2021-07-20 |
Family
ID=62545852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711285415.8A Active CN108182383B (zh) | 2017-12-07 | 2017-12-07 | 一种车窗检测的方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182383B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190639A (zh) * | 2018-08-16 | 2019-01-11 | 新智数字科技有限公司 | 一种车辆颜色识别方法、装置及*** |
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 |
CN110245674A (zh) * | 2018-11-23 | 2019-09-17 | 浙江大华技术股份有限公司 | 模板匹配方法、装置、设备及计算机存储介质 |
CN110866949A (zh) * | 2019-11-15 | 2020-03-06 | 广东利元亨智能装备股份有限公司 | 中心点定位方法、装置、电子设备和存储介质 |
CN111724335A (zh) * | 2019-03-21 | 2020-09-29 | 深圳中科飞测科技有限公司 | 检测方法及检测*** |
CN111738232A (zh) * | 2020-08-06 | 2020-10-02 | 深圳须弥云图空间科技有限公司 | 一种标记桩基的方法和装置 |
CN111986169A (zh) * | 2020-08-12 | 2020-11-24 | 深圳华芯信息技术股份有限公司 | 门窗检测方法、***、终端以及介质 |
CN113466233A (zh) * | 2020-03-31 | 2021-10-01 | 北京配天技术有限公司 | 视觉检测方法、视觉检测装置及计算机存储介质 |
CN113686562A (zh) * | 2021-08-26 | 2021-11-23 | 浙江吉利控股集团有限公司 | 一种车门下线检测方法及装置 |
CN114998424A (zh) * | 2022-08-04 | 2022-09-02 | 中国第一汽车股份有限公司 | 车窗的位置确定方法、装置和车辆 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150003741A1 (en) * | 2013-07-01 | 2015-01-01 | Here Global B.V. | Occlusion Resistant Image Template Matching Using Distance Transform |
CN106548147A (zh) * | 2016-11-02 | 2017-03-29 | 南京鑫和汇通电子科技有限公司 | 一种快速的噪声鲁棒性图像异物检测方法及teds*** |
-
2017
- 2017-12-07 CN CN201711285415.8A patent/CN108182383B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150003741A1 (en) * | 2013-07-01 | 2015-01-01 | Here Global B.V. | Occlusion Resistant Image Template Matching Using Distance Transform |
CN106548147A (zh) * | 2016-11-02 | 2017-03-29 | 南京鑫和汇通电子科技有限公司 | 一种快速的噪声鲁棒性图像异物检测方法及teds*** |
Non-Patent Citations (2)
Title |
---|
唐红强: "基于GRM模板匹配算法的车型和车系识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王刚等: "加权模板匹配的二值化阈值不敏感性研究", 《计算机技术与发展》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190639A (zh) * | 2018-08-16 | 2019-01-11 | 新智数字科技有限公司 | 一种车辆颜色识别方法、装置及*** |
CN110245674B (zh) * | 2018-11-23 | 2023-09-15 | 浙江大华技术股份有限公司 | 模板匹配方法、装置、设备及计算机存储介质 |
CN110245674A (zh) * | 2018-11-23 | 2019-09-17 | 浙江大华技术股份有限公司 | 模板匹配方法、装置、设备及计算机存储介质 |
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 |
CN111724335A (zh) * | 2019-03-21 | 2020-09-29 | 深圳中科飞测科技有限公司 | 检测方法及检测*** |
CN110866949A (zh) * | 2019-11-15 | 2020-03-06 | 广东利元亨智能装备股份有限公司 | 中心点定位方法、装置、电子设备和存储介质 |
CN113466233A (zh) * | 2020-03-31 | 2021-10-01 | 北京配天技术有限公司 | 视觉检测方法、视觉检测装置及计算机存储介质 |
CN111738232A (zh) * | 2020-08-06 | 2020-10-02 | 深圳须弥云图空间科技有限公司 | 一种标记桩基的方法和装置 |
CN111738232B (zh) * | 2020-08-06 | 2020-12-15 | 深圳须弥云图空间科技有限公司 | 一种标记桩基的方法和装置 |
CN111986169A (zh) * | 2020-08-12 | 2020-11-24 | 深圳华芯信息技术股份有限公司 | 门窗检测方法、***、终端以及介质 |
CN113686562A (zh) * | 2021-08-26 | 2021-11-23 | 浙江吉利控股集团有限公司 | 一种车门下线检测方法及装置 |
CN113686562B (zh) * | 2021-08-26 | 2024-03-12 | 浙江吉利控股集团有限公司 | 一种车门下线检测方法及装置 |
CN114998424A (zh) * | 2022-08-04 | 2022-09-02 | 中国第一汽车股份有限公司 | 车窗的位置确定方法、装置和车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN108182383B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182383A (zh) | 一种车窗检测的方法及设备 | |
CN111091105B (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
RU2708422C1 (ru) | Способ и система управления банкоматами | |
Romeo et al. | Crop row detection in maize fields inspired on the human visual perception | |
CN106683076B (zh) | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 | |
CN108229386A (zh) | 用于检测车道线的方法、装置和介质 | |
CN112883820B (zh) | 基于激光雷达点云的道路目标3d检测方法及*** | |
CN108428248B (zh) | 车窗定位方法、***、设备及存储介质 | |
CN106446150A (zh) | 一种车辆精确检索的方法及装置 | |
CN105005981B (zh) | 基于多尺度的光条中心提取方法及装置 | |
CN102804231A (zh) | 三维场景的分段平面重建 | |
CN109584300A (zh) | 一种确定车头朝向角度的方法及装置 | |
CN109685142A (zh) | 一种图像匹配方法及装置 | |
CN108413891A (zh) | 车损测量方法与装置 | |
CN106845341A (zh) | 一种基于虚拟号牌的无牌车辆识别方法 | |
CN111767960A (zh) | 一种应用于图像三维重建的图像匹配方法及*** | |
CN106558051A (zh) | 一种改进的从单幅图像检测道路的方法 | |
CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN106530271A (zh) | 一种红外图像显著性检测方法 | |
CN112991374B (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
CN104599288A (zh) | 一种基于肤色模板的特征跟踪方法及装置 | |
CN107341781A (zh) | 基于改进相位一致性特征矢量底图匹配的sar影像校正方法 | |
CN110490839A (zh) | 一种检测高速公路中损坏区域的方法、装置及计算机设备 | |
CN107264570A (zh) | 钢轨光带分布检测装置与方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |