CN109740532A - 一种基于圆环道路的路径识别及中线优化方法 - Google Patents
一种基于圆环道路的路径识别及中线优化方法 Download PDFInfo
- Publication number
- CN109740532A CN109740532A CN201811653805.0A CN201811653805A CN109740532A CN 109740532 A CN109740532 A CN 109740532A CN 201811653805 A CN201811653805 A CN 201811653805A CN 109740532 A CN109740532 A CN 109740532A
- Authority
- CN
- China
- Prior art keywords
- road
- point
- sideline
- annulus
- line
- 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
本发明公开了一种基于圆环道路的路径识别及中线优化方法,包括如下步骤:步骤S1,获取圆环道路的灰度图像;步骤S2,采用大津算法选取最佳阈值,得到最佳像素点为0xff或者为0x00的二值化图像;步骤S3,对二值化图像采用边缘寻线法确定图像道路边线;步骤S4,提取二值化图像中道路的边线特征,判定是否为圆环,若为圆环,则对边线采用一次线性插值法优化,得到优化后的二次边线,从而得到第一次道路中心线;步骤S5,将第一次道路中心线进行优化,获得第二次道路中心线,即最终的道路中心线。本发明对圆环道路图像特征进行识别比对,能准确识别圆环道路,本方法中准确高效的道路路径识别对无人驾驶的发展具有深远的意义。
Description
技术领域
本发明属于模式识别技术领域,具体涉及一种基于圆环道路的路径识别及中线优化方法。
背景技术
近年来,无人驾驶已经被社会所广泛关注。在无人驾驶中,道路的路径识别又是一个非常重要的部分。而现有技术中在无人驾驶过程中经过圆环道路时由于算法的不足,无人驾驶很容易由于路况判断不准确出现交通事故,因此在基于路径识别的图像中,需要对大量数据进行计算和分析。
发明内容
本发明的目的在于克服现有技术的不足,提供了一种基于圆环道路的路径识别及中线优化方法,能够准确高效的识别圆环和对中心线进行优化,从而得到更好的中心线路径。
为解决上述技术问题,本发明提供了一种基于圆环道路的路径识别及中线优化方法,其特征是,包括如下步骤:
步骤S1,获取圆环道路的灰度图像;
步骤S2,采用大津算法选取最佳阈值,得到最佳像素点为0xff或者为0x00的二值化图像;
步骤S3,对二值化图像采用边缘寻线法确定道路图像边线;
步骤S4,提取二值化图像中道路的边线特征,判定道路是否为圆环,若为圆环,则对道路边线采用一次线性插值法优化,得到优化后的二次道路边线,从而得到第一次道路中心线;
步骤S5,将第一次道路中心线进行优化,获得第二次道路中心线,即最终的道路中心线。
进一步地,在步骤S2中选取最佳阈值的过程为:
记M=256单通道灰度等级,Sum=像素总数,
背景像素占比其中N1为背景像素个数;
前景像素占比式中,N2为前像素个数;
背景的平均灰度值
式中,Pi为概率,C1为像素背景;
前景的平均灰度值
式中,Pi为概率,C2为像素前景;
综上可得,0-M灰度区间的灰度累加值u=u1*ω1+u2*ω2,
则类间方差
g=ω1*(u-u1)2+ω2*(u-u2)2=ω1*ω2*(u1-u2)2,
取类间方差g最大,此时的灰度值即为最佳阈值。
优先地,在步骤S3中用边缘寻线法确定道路图像边线的过程为:
从道路的二值化图像的第d行开始,初始d=1,由整个的二值化图像的左边缘向中间依次判定是否出现0xff到0x00的跳变,如若有则将表示找到的道路的二值化图像的第d行的边线跳变点视为左边线的起始点,记为a1;由整个的二值化图像的右边缘向中间依次判定是否出现0xff到0x00的跳变,如若有则将找到的道路的二值化图像的第d行的边线跳变点视为右边线的起始点,记为b1;如若在道路的二值化图像的第d行未能成功找到a1,b1,则道路的二值化图像的第d行数值增加1即d=d+1,由道路的二值化图像的第d行的左边缘和右边缘分别向中间依次判定是否出现0xff到0x00的跳变,重复本步骤直至找到a1,b1;
设定范围x,在a1±x范围内找寻下一行的跳变点记作a2,然后在a2±x的范围内寻找下一行的跳变点记作a3,以此类推在an±x中直至找到所有的跳变点an,n为正整数,所有的跳变点an连线即为左边线;在b1±x范围内找寻下一行的跳变点记作b2,然后在b2±x的范围内寻找下一行的跳变点记作b3,以此类推直至在所有的bn±x中找到所有的跳变点bn,n为正整数,所有的跳变点bn连线即为右边线,记第i左边线的坐标为(i,Li),记第i右边线的坐标为(i,Ri);
在得到所有的边线后,对左边线和右边线进行优化,如若某一行左边线存在与相邻两行左边线之间边线点纵坐标相距大于定值e,则视为该行边线出现噪点,此时取该行边线的相邻两行左边线点纵坐标平均值作为该行边线点,即为道路图像左边线;如若某一行右边线存在与相邻两行右边线之间边线点纵坐标相距大于定值e,则视为该行边线出现噪点,此时取该行边线的相邻两行右边线点纵坐标平均值作为该行边线点,即为道路图像右边线。
优先地,在步骤S4中判定圆环的过程是:
过程1,取步骤S3中二值化图像的下半部分的边线,将所有边线的坐标取平均值得到一条线段;通过普通最小二乘法得到一条线段的斜率,按照此斜率将一条线段延长得到一条新的直线,坐标记为(i,Mi),将新的直线作为圆环初步鉴定线,此鉴定线需满足:
Li<Mi<Ri
若鉴定线出现相邻两行的像素跳变则视为找到圆环,记该点为Ring;
过程2,在找到点Ring的基础上通过边缘寻线法,列向扫描得到一条新的边沿线,记坐标为(Yj,),当纵坐标取最大值时,记录该点为R(Ymax,jmax),检验该边线特征,如果该边线满足条件:
则判定为圆环;
过程3,如若判定为圆环,则需要对圆环的道路边线部分进行优化处理,分别找到整个图像道路左边线的拐点A和右边线的拐点B,拐点A和拐点B即左边线无极值点和右边线无极值点,若在整个图像道路的左边线和右边线分别找到多个无极值点,则取左右边线最靠近圆环部分的两个无极值点,分别视为拐点A和拐点B;将拐点A与过程2中点R利用一次线性插值法连接作为新的边线,未连接的边线不变,同理连接点B和点R,得到优化后的二次边线,进而得到第一次道路中心线。
过程4,在圆环出口时,补线过程重复上述过程3。
优先地,在过程3中连接拐点A、拐点B与过程2中的点R的过程是:
设A(x1,y1),R(Ymax,jmax),插值点(x,y),则插值算法为:
同理连接拐点B与点R
优先地,在步骤S5中,道路中心线通过普通最小二乘法优化,最终的道路中心线为计算公式为:
。
优先地,二值化图像的下半部分的边线即摄像头所在的相邻的左右侧道路的部分图像,取等同于图像1/4高度长的部分。
有益效果:
本发明对圆环道路图像特征进行识别和比对,能准确识别圆环道路,解决了无人驾驶过程中圆环道路为多发事故点的问题,本发明方法准确高效的道路路径识别对无人驾驶的发展具有深远的意义,对无人驾驶这项技术领域作出了突出的贡献;本发明采用一次线性插值算法对圆环道路图像边线进行二次处理,有效的优化了中线路径。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明基于二值化图像,提供了一种基于圆环道路的路径识别及中线优化方法,其特征是,包括如下步骤:
步骤S1,获取圆环道路的灰度图像;
步骤S2,采用大津算法选取最佳阈值,得到最佳像素点为0xff或者为0x00的二值化图像;
步骤S3,对二值化图像采用边缘寻线法确定道路图像边线;
步骤S4,提取二值化图像中道路的边线特征,判定道路是否为圆环,若为圆环,则对道路边线采用一次线性插值法优化,得到优化后的二次道路边线,从而得到第一次道路中心线;
步骤S5,将第一次道路中心线进行优化,获得第二次道路中心线,即最终的道路中心线。
进一步地,在步骤S2中选取最佳阈值的过程为:
记M=256单通道灰度等级,Sum=像素总数,
背景像素占比其中N1为背景像素个数;
前景像素占比式中,N2为前像素个数;
背景的平均灰度值
式中,Pi为概率,C1为像素背景;
前景的平均灰度值
式中,Pi为概率,C2为像素前景;
综上可得,0-M灰度区间的灰度累加值u=u1*ω1+u2*ω2,
则类间方差
g=ω1*(u-u1)2+ω2*(u-u2)2=ω1*ω2*(u1-u2)2,
取类间方差g最大,此时的灰度值即为最佳阈值。
进一步地,在步骤S3中用边缘寻线法确定道路图像边线的过程为:
从道路的二值化图像的第d行开始,初始d=1,由整个的二值化图像的左边缘向中间依次判定是否出现0xff到0x00的跳变,如若有则将表示找到的道路的二值化图像的第d行的边线跳变点视为左边线的起始点,记为a1;由整个的二值化图像的右边缘向中间依次判定是否出现0xff到0x00的跳变,如若有则将找到的道路的二值化图像的第d行的边线跳变点视为右边线的起始点,记为b1;如若在道路的二值化图像的第d行未能成功找到a1,b1,则道路的二值化图像的第d行数值增加1即d=d+1,由道路的二值化图像的第d行的左边缘和右边缘分别向中间依次判定是否出现0xff到0x00的跳变,重复本步骤直至找到a1,b1;
设定范围x,在a1±x范围内找寻下一行的跳变点记作a2,然后在a2±x的范围内寻找下一行的跳变点记作a3,以此类推在an±x中直至找到所有的跳变点an,n为正整数,所有的跳变点an连线即为左边线;在b1±x范围内找寻下一行的跳变点记作b2,然后在b2±x的范围内寻找下一行的跳变点记作b3,以此类推直至在所有的bn±x中找到所有的跳变点bn,n为正整数,所有的跳变点bn连线即为右边线,记第i左边线的坐标为(i,Li),记第i右边线的坐标为(i,Ri);
在得到所有的边线后,对左边线和右边线进行优化,如若某一行左边线存在与相邻两行左边线之间边线点纵坐标相距大于定值e,则视为该行边线出现噪点,此时取该行边线的相邻两行左边线点纵坐标平均值作为该行边线点,即为道路图像左边线;如若某一行右边线存在与相邻两行右边线之间边线点纵坐标相距大于定值e,则视为该行边线出现噪点,此时取该行边线的相邻两行右边线点纵坐标平均值作为该行边线点,即为道路图像右边线。
进一步地,在步骤S4中判定圆环的过程是:
过程1,取步骤S3中二值化图像的下半部分的边线,将所有边线的坐标取平均值得到一条线段;通过普通最小二乘法得到一条线段的斜率,按照此斜率将一条线段延长得到一条新的直线,坐标记为(i,Mi),将新的直线作为圆环初步鉴定线,此鉴定线需满足:
Li<Mi<Ri
若鉴定线出现相邻两行的像素跳变则视为找到圆环,记该点为Ring;
过程2,在找到点Ring的基础上通过边缘寻线法,列向扫描得到一条新的边沿线,记坐标为(Yj,),当纵坐标取最大值时,记录该点为R(Ymax,jmax),检验该边线特征,如果该边线满足条件:
则判定为圆环;
过程3,如若判定为圆环,则需要对圆环的道路边线部分进行优化处理,分别找到整个图像道路左边线的拐点A和右边线的拐点B,拐点A和拐点B即左边线无极值点和右边线无极值点,若在整个图像道路的左边线和右边线分别找到多个无极值点,则取左右边线最靠近圆环部分的两个无极值点,分别视为拐点A和拐点B;将拐点A与过程2中点R利用一次线性插值法连接作为新的边线,未连接的边线不变,同理连接点B和点R,得到优化后的二次边线,进而得到第一次道路中心线。
过程4,在圆环出口时,补线过程重复上述过程3。
进一步地,在过程3中连接拐点A、拐点B与过程2中的点R的过程是:
设A(x1,y1),R(Ymax,jmax),插值点(x,y),则插值算法为:
同理连接拐点B与点R
进一步地,在步骤S5中,道路中心线通过普通最小二乘法优化,最终的道路中心线为计算公式为:
。
进一步地,二值化图像的下半部分的边线即摄像头所在的相邻的左右侧道路的部分图像,取等同于图像1/4高度长的部分。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种基于圆环道路的路径识别及中线优化方法,其特征是,包括如下步骤:
步骤S1,获取圆环道路的灰度图像;
步骤S2,采用大津算法选取最佳阈值,得到最佳像素点为0xff或者为0x00的二值化图像;
步骤S3,对二值化图像采用边缘寻线法确定道路图像边线;
步骤S4,提取二值化图像中道路的边线特征,判定道路是否为圆环,若为圆环,则对道路边线采用一次线性插值法优化,得到优化后的二次道路边线,从而得到第一次道路中心线;
步骤S5,将第一次道路中心线进行优化,获得第二次道路中心线,即最终的道路中心线。
2.根据权利要求1所述的一种基于圆环道路的路径识别及中线优化方法,其特征是,在步骤S2中选取最佳阈值的过程为:
记M=256单通道灰度等级,Sum=像素总数,
背景像素占比其中N1为背景像素个数;
前景像素占比式中,N2为前像素个数;
背景的平均灰度值
式中,Pi为概率,C1为像素背景;
前景的平均灰度值
式中,Pi为概率,C2为像素前景;
综上可得,0-M灰度区间的灰度累加值u=u1*ω1+u2*ω2,
则类间方差
g=ω1*(u-u1)2+ω2*(u-u2)2=ω1*ω2*(u1-u2)2,
取类间方差g最大,此时的灰度值即为最佳阈值。
3.根据权利要求1所述的一种基于圆环道路的路径识别及中线优化方法,其特征是,在步骤S3中用边缘寻线法确定道路图像边线的过程为:
从道路的二值化图像的第d行开始,初始d=1,由整个的二值化图像的左边缘向中间依次判定是否出现0xff到0x00的跳变,如若有则将表示找到的道路的二值化图像的第d行的边线跳变点视为左边线的起始点,记为a1;由整个的二值化图像的右边缘向中间依次判定是否出现0xff到0x00的跳变,如若有则将找到的道路的二值化图像的第d行的边线跳变点视为右边线的起始点,记为b1;如若在道路的二值化图像的第d行未能成功找到a1,b1,则道路的二值化图像的第d行数值增加1即d=d+1,由道路的二值化图像的第d行的左边缘和右边缘分别向中间依次判定是否出现0xff到0x00的跳变,重复本步骤直至找到a1,b1;
设定范围x,在a1±x范围内找寻下一行的跳变点记作a2,然后在a2±x的范围内寻找下一行的跳变点记作a3,以此类推在an±x中直至找到所有的跳变点an,n为正整数,所有的跳变点an连线即为左边线;在b1±x范围内找寻下一行的跳变点记作b2,然后在b2±x的范围内寻找下一行的跳变点记作b3,以此类推直至在所有的bn±x中找到所有的跳变点bn,n为正整数,所有的跳变点bn连线即为右边线,记第i左边线的坐标为(i,Li),记第i右边线的坐标为(i,Ri);
在得到所有的边线后,对左边线和右边线进行优化,如若某一行左边线存在与相邻两行左边线之间边线点纵坐标相距大于定值e,则视为该行边线出现噪点,此时取该行边线的相邻两行左边线点纵坐标平均值作为该行边线点,即为道路图像左边线;如若某一行右边线存在与相邻两行右边线之间边线点纵坐标相距大于定值e,则视为该行边线出现噪点,此时取该行边线的相邻两行右边线点纵坐标平均值作为该行边线点,即为道路图像右边线。
4.根据权利要求3所述的一种基于圆环道路的路径识别及中线优化方法,其特征是,在步骤S4中判定圆环的过程是:
过程1,取步骤S3中二值化图像的下半部分的边线,将所有边线的坐标取平均值得到一条线段;通过普通最小二乘法得到一条线段的斜率,按照此斜率将一条线段延长得到一条新的直线,坐标记为(i,Mi),将新的直线作为圆环初步鉴定线,此鉴定线需满足:
Li<Mi<Ri
若鉴定线出现相邻两行的像素跳变则视为找到圆环,记该点为Ring;
过程2,在找到点Ring的基础上通过边缘寻线法,列向扫描得到一条新的边沿线,记坐标为(Yj,j),当纵坐标取最大值时,记录该点为R(Ymax,jmax),检验该边线特征,如果该边线满足条件:
则判定为圆环;
过程3,如若判定为圆环,则需要对圆环的道路边线部分进行优化处理,分别找到整个图像道路左边线的拐点A和右边线的拐点B,拐点A和拐点B即左边线无极值点和右边线无极值点,若在整个图像道路的左边线和右边线分别找到多个无极值点,则取左右边线最靠近圆环部分的两个无极值点,分别视为拐点A和拐点B;将拐点A与过程2中点R利用一次线性插值法连接作为新的边线,未连接的边线不变,同理连接点B和点R,得到优化后的二次边线,进而得到第一次道路中心线。
过程4,在圆环出口时,补线过程重复上述过程3。
5.根据权利要求4所述的一种基于圆环道路的路径识别及中线优化方法,其特征是,在过程3中连接拐点A、拐点B与过程2中的点R的过程是:
设A(x1,y1),R(Ymax,jmax),插值点(x,y),则插值算法为:
同理连接拐点B与点R。
6.根据权利要求1所述的一种基于圆环道路的路径识别及中线优化方法,其特征是,在步骤S5中,道路中心线通过普通最小二乘法优化,最终的道路中心线为计算公式为:
7.根据权利要求4所述的一种基于圆环道路的路径识别及中线优化方法,其特征是,二值化图像的下半部分的边线即摄像头所在的相邻的左右侧道路的部分图像,取等同于图像1/4高度长的部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811653805.0A CN109740532B (zh) | 2018-12-29 | 2018-12-29 | 一种基于圆环道路的路径识别及中线优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811653805.0A CN109740532B (zh) | 2018-12-29 | 2018-12-29 | 一种基于圆环道路的路径识别及中线优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740532A true CN109740532A (zh) | 2019-05-10 |
CN109740532B CN109740532B (zh) | 2022-09-16 |
Family
ID=66363104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811653805.0A Active CN109740532B (zh) | 2018-12-29 | 2018-12-29 | 一种基于圆环道路的路径识别及中线优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740532B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322457A (zh) * | 2019-07-09 | 2019-10-11 | 中国大恒(集团)有限公司北京图像视觉技术分公司 | 一种2d与3d视觉结合的拆垛方法 |
CN110320919A (zh) * | 2019-07-31 | 2019-10-11 | 河海大学常州校区 | 一种未知地理环境中的巡回机器人路径优化方法 |
CN111731324A (zh) * | 2020-05-29 | 2020-10-02 | 徐帅 | 一种基于视觉引导agv智能车的控制方法及*** |
CN111813117A (zh) * | 2020-07-09 | 2020-10-23 | 北京布科思科技有限公司 | 一种机器人巡线优先导航方法、装置和设备 |
CN113450335A (zh) * | 2021-06-30 | 2021-09-28 | 湖南三一华源机械有限公司 | 一种路沿检测方法、路沿检测装置及路面施工车辆 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1928892A (zh) * | 2006-09-20 | 2007-03-14 | 王枚 | 一种车牌定位识别、车标定位识别及车型识别的方法及装置 |
CN107067536A (zh) * | 2017-04-27 | 2017-08-18 | 深圳怡化电脑股份有限公司 | 一种图像边界确定方法、装置、设备和存储介质 |
CN107943061A (zh) * | 2018-01-09 | 2018-04-20 | 辽宁工业大学 | 一种基于机器视觉的模型汽车自动驾驶实验装置及方法 |
CN109033932A (zh) * | 2018-05-23 | 2018-12-18 | 华南师范大学 | 一种赛道识别方法、识别***、智能车巡迹方法及巡迹*** |
-
2018
- 2018-12-29 CN CN201811653805.0A patent/CN109740532B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1928892A (zh) * | 2006-09-20 | 2007-03-14 | 王枚 | 一种车牌定位识别、车标定位识别及车型识别的方法及装置 |
CN107067536A (zh) * | 2017-04-27 | 2017-08-18 | 深圳怡化电脑股份有限公司 | 一种图像边界确定方法、装置、设备和存储介质 |
CN107943061A (zh) * | 2018-01-09 | 2018-04-20 | 辽宁工业大学 | 一种基于机器视觉的模型汽车自动驾驶实验装置及方法 |
CN109033932A (zh) * | 2018-05-23 | 2018-12-18 | 华南师范大学 | 一种赛道识别方法、识别***、智能车巡迹方法及巡迹*** |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322457A (zh) * | 2019-07-09 | 2019-10-11 | 中国大恒(集团)有限公司北京图像视觉技术分公司 | 一种2d与3d视觉结合的拆垛方法 |
CN110322457B (zh) * | 2019-07-09 | 2021-05-14 | 中国大恒(集团)有限公司北京图像视觉技术分公司 | 一种2d与3d视觉结合的拆垛方法 |
CN110320919A (zh) * | 2019-07-31 | 2019-10-11 | 河海大学常州校区 | 一种未知地理环境中的巡回机器人路径优化方法 |
CN110320919B (zh) * | 2019-07-31 | 2022-05-20 | 河海大学常州校区 | 一种未知地理环境中的巡回机器人路径优化方法 |
CN111731324A (zh) * | 2020-05-29 | 2020-10-02 | 徐帅 | 一种基于视觉引导agv智能车的控制方法及*** |
CN111813117A (zh) * | 2020-07-09 | 2020-10-23 | 北京布科思科技有限公司 | 一种机器人巡线优先导航方法、装置和设备 |
CN111813117B (zh) * | 2020-07-09 | 2023-09-01 | 北京布科思科技有限公司 | 一种机器人巡线优先导航方法、装置和设备 |
CN113450335A (zh) * | 2021-06-30 | 2021-09-28 | 湖南三一华源机械有限公司 | 一种路沿检测方法、路沿检测装置及路面施工车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN109740532B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740532A (zh) | 一种基于圆环道路的路径识别及中线优化方法 | |
US8280165B2 (en) | System and method for segmenting foreground and background in a video | |
CN107578035B (zh) | 基于超像素-多色彩空间的人体轮廓提取方法 | |
CN107945185B (zh) | 基于宽残差金字塔池化网络的图像分割方法及*** | |
CN100590644C (zh) | 点线结合的指纹识别方法 | |
US20200286239A1 (en) | Iterative method for salient foreground detection and multi-object segmentation | |
CN110874844A (zh) | 线段检测方法、装置和设备 | |
CN102222226B (zh) | 一种基于先验分析的迭代式车牌字符分割方法 | |
CN111047603B (zh) | 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法 | |
CN102750708A (zh) | 基于快速鲁棒特征匹配的仿射运动目标跟踪算法 | |
CN103177260B (zh) | 一种彩色图像边界提取方法 | |
CN110245600B (zh) | 自适应起始快速笔画宽度无人机道路检测方法 | |
CN117058137B (zh) | 一种夹胶玻璃生产质量视觉检测方法 | |
CN105225281A (zh) | 一种车辆检测方法 | |
CN104537663B (zh) | 一种图像抖动的快速校正方法 | |
CN107273884A (zh) | 一种基于移动终端摄像头的车辆牌照识别方法 | |
CN111008608A (zh) | 一种基于深度学习的夜间车辆检测方法 | |
CN109101985A (zh) | 一种基于自适应邻域测试的图像误匹配点对剔除方法 | |
CN104217411B (zh) | 一种不规则破碎单面图像快速拼接方法 | |
CN103577814A (zh) | 用于运动模糊虹膜识别的加权比对方法 | |
CN109658511B (zh) | 一种基于影像的相邻帧间姿态信息的计算方法及相关装置 | |
CN111161300A (zh) | 一种基于改进大津法的Nilback的图像分割方法 | |
CN106780355A (zh) | 一种遥感图像增强方法 | |
Kanungo et al. | Parallel genetic algorithm based adaptive thresholding for image segmentation under uneven lighting conditions | |
CN101707721A (zh) | 基于模糊推理的自适应空域差错掩盖方法 |
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 |