CN109960978A - 基于图像分层技术的车辆检测***及装置 - Google Patents
基于图像分层技术的车辆检测***及装置 Download PDFInfo
- Publication number
- CN109960978A CN109960978A CN201711417080.0A CN201711417080A CN109960978A CN 109960978 A CN109960978 A CN 109960978A CN 201711417080 A CN201711417080 A CN 201711417080A CN 109960978 A CN109960978 A CN 109960978A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- target vehicle
- candidate
- region containing
- 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
- 238000005516 engineering process Methods 0.000 title claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 3
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 abstract description 9
- 238000000926 separation method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 12
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- 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
-
- 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
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
基于图像分层技术的车辆检测***及装置,属于车辆识别检测领域,技术要点:预处理模块,基于图像分层的显著性预处理,得到筛选后的含有目标车辆的候选区域;修正模块,对含有目标车辆的候选目标区域进行边界修正;判断模块,将修正后的含有目标车辆的候选区域送给分类器进行精确判断;处理模块,根据多帧联合机制与图像去重合机制处理后得到最终的目标车辆区域,效果:本发明提出一种基于图像分层技术的车辆检测方法,利用逐层剥离的手段将阴影与道路、车辆与阴影逐步剥离开,然后再进行车辆边界的修正,并精确检测的方法。
Description
技术领域
本发明属于车辆识别检测领域,涉及一种基于对比度与显著性分析的车辆检测方法、***及装置。
背景技术
作为FCW(前方碰撞预警,FrontCollisionWarning)中重要的一环,基于视觉传感器的移动车辆检测成为众多同行研究的焦点之一。传统的基于视觉传感器的移动车辆检测技术主要应用在高速公路上或城市快道上,这些道路背景干净,干扰比较少,基本不受城市高楼等的阴影影响,所以整体的检测效果比较理想。而在普通道路上,由于车辆在道路上行驶的过程中,容易受到周围高楼的投影影响或马路两侧树木阴影的影响,以及其他物体的干扰,导致车辆检测效果出现很大程度的滑坡,检出率降低而虚警增高。
发明内容
为了解决上述问题,本发明提出如下方案:一种基于图像分层技术的车辆检测***,存储有多条指令,所述指令适于处理器加载并执行:
基于图像分层的显著性预处理,得到筛选后的含有目标车辆的候选区域;
对含有目标车辆的候选目标区域进行边界修正;
将修正后的含有目标车辆的候选区域送给分类器进行精确判断;根据多帧联合机制与图像去重合机制处理后得到最终的目标车辆区域。
有益效果:本发明提出一种基于图像分层技术的车辆检测方法,利用逐层剥离的手段将阴影与道路、车辆与阴影逐步剥离开,然后再进行车辆边界的修正,并精确检测的方法。
附图说明
图1车辆检测总体流程图;
图2基于图像分层技术的目标区域确定流程图。
具体实施方式
如图(1)所示,本发明使用经过采样的图像Y通道信息进行车辆目标的检测。首先经过基于图像分层的显著性分析来进行预处理,得到筛选后的含有目标车辆的候选区域;然后,对含有目标车辆的候选目标区域进行边界修正;之后,将修正后的含有目标车辆的候选区域送给分类器进行精确判断;之后,根据多帧联合机制与图像去重合机制处理后得到最终的目标车辆区域。
(一)基于图像分层的显著性预处理
首先,本发明遍历图像统计输入图像各个像素的频率并记录像素最大最小值。
然后,对计算每个像素值到其他像素值的距离之和(这里使用欧式距离,但不限于欧式距离),作为衡量该点像素对比度的一种度量。
下一步,利用前面的各个像素点的距离之和(这里使用欧式距离,但不限于欧式距离)取一定的指数运算,作为该点的显著性特征值。这里所取的指数值与需检测的目标物体在图像中的对比度强烈程度有关,故此需要具体问题具体设定。
从而在这一步得到了整幅图像的显著性分析图像。在遍历图像的过程中,将显著性特征值的最大值与最小值记录下来;
然后,本发明对上一步中的显著性分析图像进行均值滤波,以增强其边缘部分。此步的均值滤波可以具有方向倾斜,比如想增强水平方向边缘,可以使用3*1的均值滤波模板。
再然后,计算距离之和的变化幅度,即使用上面的最大值-最小值,将原始图像映射到0-255的范围内;同时,将特征图像也映射到0-255的范围内;
下一步,将用显著性分析图减去拉伸图像,得到突出的目标图像,该目标图像既可以认为是分离出来的第一层图像。由于其是由背景图像中分离出来的包含目标物体的子背景图像,所以我们又称之为第二背景图像。那么下面本发明将从第二背景图像中,将目标物体分离出来;同时,将子背景图像映射到0-255的范围内,得到拉伸的子背景图像;
进一步,使用拉伸后的子背景图像减去前面的显著性图,得到二次分层后的目标图像;
对上面目标图像进行二值化即可获得突出了的显著性对象的二值图像。
(二)对含有目标车辆的候选目标区域进行边界修正
根据前面的处理结果,可以将二值化的图中中长度满足要求的候选线作为目标车辆的底边候选线,然后以底边候选线的长作为边长画正方形候选区域,对各个矩形候选区域进行边界检查,不符合的矩形候选区域需要要去除。
然后,对底边进行上浮与左右扩充操作,与原底边形成一个感兴趣区域
对上面新的感兴趣区域进行尺度判断。
如果尺度小于等于最小宽度(预先设定在抽样图像中可以分辨车辆的最小宽度),则需要将感兴趣区域映射返回到原图像中,在原图像的感兴趣区域中求取竖直方向的sobel梯度;否则直接在抽样图像中求取感兴趣区域的竖直sobel梯度;
下一步,将sobel梯度图投影到水平方向得到GGY图;
然后,根据竖直梯度计算车两侧,此处调节默认车的两侧即左右边界在候选区域的左右二分之一区域内,否则该方法无效。
所以该方法是基于前面的底边界定的具有一定程度的准确性的前提下进行的。
根据竖直梯度计算车的左右边界时,首先将前面计算得到的竖直梯度求取绝对值,然后求得的绝对值投影到水平方向;
之后,在水平方向的左右各1/2区域内求取邻域内的最大值并返回最大值的坐标,将最大值的坐标定为左右边界的候选之一;
由于,求得的最大值未必就是车的左右边界,因而在前面求得的最大值的某个极小的邻域内将前面的梯度绝对值在水平方向的投影置零;
然后,再在水平方向的左右各1/2区域内求取邻域内的最大值并返回最大值的坐标,将最大值的坐标定为左右边界的候选之一;
这样左右边界各有两个候选坐标,下面需要从中选出置信度相对高的候选坐标;
(一)对左右边界的候选坐标进行过滤
在前面确定了车辆左右边界的候选坐标后,根据底边的长度是否满足大于阈值,决定是否回到原图进行下面操作;
取宽度的1/5作为临时高度,取宽度的1/3作为临时高度,在左侧候选坐标A的左侧取这样一个临时区域LA1,在左侧候选坐标A的右侧取这样一个临时区域,将两个区域做差LA1-LA2然后求和,将最后的和Sum_LA作为左侧候选坐标A的可信度分数;
同理,取宽度的1/5作为临时高度,取宽度的1/3作为临时高度,在左侧候选坐标B的左侧取这样一个临时区域LB1,在左侧候选坐标B的右侧取这样一个临时区域,将两个区域做差LB1-LB2然后求和,将最后的和Sum_LB作为左侧候选坐标A的可信度分数;取Sum_LA与Sum_LB中最大值对应的候选坐标作为左侧坐标;
类似的,取宽度的1/5作为临时高度,取宽度的1/3作为临时高度,在右侧侧候选坐标A的左侧取这样一个临时区域RA1,在右侧候选坐标A的右侧取这样一个临时区域,将两个区域做差RA1-RA2然后求和,将最后的和Sum_RA作为右侧候选坐标A的可信度分数;
同理,取宽度的1/5作为临时高度,取宽度的1/3作为临时高度,在右侧候选坐标B的左侧取这样一个临时区域LB1,在右侧候选坐标B的右侧取这样一个临时区域,
将两个区域做差LB1-LB2然后求和,将最后的和Sum_LB作为右侧候选坐标A的可信度分数;取Sum_RA与Sum_RB中最大值对应的候选坐标作为右侧坐标;
(三)将修正后的目标候选区域进行精确判断
将(二)中确定的修正后的目标区域送给分类器进行判断(此处分类器可以是Adaboost、SVM、CNN等,但不局限于此),将判断为“是车辆”的目标区域送给去重合模块;
(四)多帧联合与去重合
根据当前帧前面的多帧图像在一定邻域范围内一直有检测目标车辆的结果,当前帧在该邻域内也产生一定的候选窗口,同样送给上面的分类器进行判断。将判断为“是车辆”的目标区域送给去重合模块。
去重合模块在汇总了所有的目标区域后,对其进行是否重合的判定,然后对有重合区域的目标区域进行置信度判定,将置信度高的目标区域留下,置信度低的目标窗口去除。
最后,输出目标窗口区域坐标,完成车辆检测。
1、本发明利用分层的显著性分析手段,将车辆与周围环境的对比度逐步反映出来,通过阴影区域与背景区域的分离,阴影区域与目标车辆的分离,逐步实现复杂背景中,目标车辆与背景图像的分离,解决了复杂背景中车辆与背景难以分离的难题,同时也逐步的过滤掉许多干扰,进而在一定程度上降低了虚警。
2、本发明基于相对准确的车辆底边信息,根据车辆底边扩充区域内的竖直方向梯度在水平方向上的投影,利用其峰值变化特性求出车辆左右边界的候选区域,方法计算量小,可靠性高,可以相对快速准确地获取车辆坐标边界信息;
3、本发明当前帧检测出来的目标车辆区域与之前多帧联合检测出来的候选目标区域都进行分类器判别,并利用窗口去重合机制去除有重叠区域的目标区域,提高了车辆的检出率,同时在一定程度上抑制了虚警。
本发明利用显著性分析的手段将目标车辆突出,利用显著性图像与拉伸图像都是对原始图像在一定程度的对比度拉伸的特性,通过将距离和进行一定程度的指数运算,在一定程度增强局部对比度后,对拉伸图像做差,从而抑制背景信息的方法。本发明利用分层的显著性分析手段确定出候选目标区域,然后通过梯度幅值与对比度分析等手段修正车辆边界,并进行精确检测的方法。
一种基于图像分层技术的车辆检测***,存储有多条指令,所述指令适于处理器加载并执行:基于图像分层的显著性预处理,得到筛选后的含有目标车辆的候选区域;对含有目标车辆的候选目标区域进行边界修正;将修正后的含有目标车辆的候选区域送给分类器进行精确判断;根据多帧联合机制与图像去重合机制处理后得到最终的目标车辆区域。
一种基于图像分层技术的车辆检测装置,包括:预处理模块,基于图像分层的显著性预处理,得到筛选后的含有目标车辆的候选区域;修正模块,对含有目标车辆的候选目标区域进行边界修正;判断模块,将修正后的含有目标车辆的候选区域送给分类器进行精确判断;处理模块,根据多帧联合机制与图像去重合机制处理后得到最终的目标车辆区域。
基于图像分层的显著性预处理的步骤是:
遍历图像统计输入图像各个像素的频率并记录像素最大最小值;
对计算每个像素值到其他像素值的距离之和作为衡量该点像素对比度的一种度量。
使用各个像素点的距离之和取指数运算,作为该点的显著性特征值;得到整幅图像的显著性分析图像;
在遍历图像的过程中,将显著性特征值的最大值与最小值记录下来;
对显著性分析图像进行均值滤波以增强其边缘部分。
计算距离之和的变化幅度,使用上面的最大值-最小值,将原始图像映射到0-255的范围内;同时,将特征图像也映射到0-255的范围内;
用显著性分析图减去拉伸图像,得到突出的目标图像,该目标图像是分离出来的第一层图像,由背景图像中分离出来的包含目标物体的子背景图像为第二背景图像,从第二背景图像中,将目标物体分离出来;同时,将子背景图像映射到0-255的范围内,得到拉伸的子背景图像;
使用拉伸后的子背景图像减去前面的显著性图,得到二次分层后的目标图;
对目标图像进行二值化获得突出的显著性对象的二值图像。
所述均值滤波具有方向倾斜,为增强水平方向边缘,使用3*1的均值滤波模板。
Claims (2)
1.一种基于图像分层技术的车辆检测***,其特征在于,存储有多条指令,所述指令适于处理器加载并执行:
基于图像分层的显著性预处理,得到筛选后的含有目标车辆的候选区域;
对含有目标车辆的候选目标区域进行边界修正;
将修正后的含有目标车辆的候选区域送给分类器进行精确判断;根据多帧联合机制与图像去重合机制处理后得到最终的目标车辆区域。
2.一种基于图像分层技术的车辆检测装置,其特征在于,包括:
预处理模块,基于图像分层的显著性预处理,得到筛选后的含有目标车辆的候选区域;
修正模块,对含有目标车辆的候选目标区域进行边界修正;
判断模块,将修正后的含有目标车辆的候选区域送给分类器进行精确判断;
处理模块,根据多帧联合机制与图像去重合机制处理后得到最终的目标车辆区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711417080.0A CN109960978A (zh) | 2017-12-25 | 2017-12-25 | 基于图像分层技术的车辆检测***及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711417080.0A CN109960978A (zh) | 2017-12-25 | 2017-12-25 | 基于图像分层技术的车辆检测***及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109960978A true CN109960978A (zh) | 2019-07-02 |
Family
ID=67020646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711417080.0A Pending CN109960978A (zh) | 2017-12-25 | 2017-12-25 | 基于图像分层技术的车辆检测***及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109960978A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114375467A (zh) * | 2019-07-29 | 2022-04-19 | 伟摩有限责任公司 | 紧急车辆的检测 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1085456A2 (en) * | 1999-09-15 | 2001-03-21 | Siemens Corporate Research, Inc. | Character segmentation method for vehicle license plate recognition |
DE102006012914A1 (de) * | 2005-03-15 | 2006-09-21 | Visteon Global Technologies, Inc., Van Buren Township | System und Verfahren zur Bestimmung des Abstands zu einem vorausfahrenden Fahrzeug |
CN103310213A (zh) * | 2012-03-07 | 2013-09-18 | 株式会社理光 | 车辆检测方法和装置 |
US20140254922A1 (en) * | 2013-03-11 | 2014-09-11 | Microsoft Corporation | Salient Object Detection in Images via Saliency |
CN104050479A (zh) * | 2014-06-03 | 2014-09-17 | 北京航天福道高技术股份有限公司 | 遥感图像中汽车阴影、车窗的干扰消除以及汽车识别方法 |
CN104951817A (zh) * | 2014-03-24 | 2015-09-30 | 丰田自动车株式会社 | 边界检测装置和边界检测方法 |
CA2948226A1 (en) * | 2014-06-30 | 2016-01-07 | Ventana Medical Systems, Inc. | Detecting edges of a nucleus using image analysis |
CN106951898A (zh) * | 2017-03-15 | 2017-07-14 | 纵目科技(上海)股份有限公司 | 一种车辆候选区域推荐方法及***、电子设备 |
CN108629226A (zh) * | 2017-03-15 | 2018-10-09 | 纵目科技(上海)股份有限公司 | 一种基于图像分层技术的车辆检测方法及*** |
-
2017
- 2017-12-25 CN CN201711417080.0A patent/CN109960978A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1085456A2 (en) * | 1999-09-15 | 2001-03-21 | Siemens Corporate Research, Inc. | Character segmentation method for vehicle license plate recognition |
DE102006012914A1 (de) * | 2005-03-15 | 2006-09-21 | Visteon Global Technologies, Inc., Van Buren Township | System und Verfahren zur Bestimmung des Abstands zu einem vorausfahrenden Fahrzeug |
CN103310213A (zh) * | 2012-03-07 | 2013-09-18 | 株式会社理光 | 车辆检测方法和装置 |
US20140254922A1 (en) * | 2013-03-11 | 2014-09-11 | Microsoft Corporation | Salient Object Detection in Images via Saliency |
CN104951817A (zh) * | 2014-03-24 | 2015-09-30 | 丰田自动车株式会社 | 边界检测装置和边界检测方法 |
CN104050479A (zh) * | 2014-06-03 | 2014-09-17 | 北京航天福道高技术股份有限公司 | 遥感图像中汽车阴影、车窗的干扰消除以及汽车识别方法 |
CA2948226A1 (en) * | 2014-06-30 | 2016-01-07 | Ventana Medical Systems, Inc. | Detecting edges of a nucleus using image analysis |
CN106951898A (zh) * | 2017-03-15 | 2017-07-14 | 纵目科技(上海)股份有限公司 | 一种车辆候选区域推荐方法及***、电子设备 |
CN108629226A (zh) * | 2017-03-15 | 2018-10-09 | 纵目科技(上海)股份有限公司 | 一种基于图像分层技术的车辆检测方法及*** |
Non-Patent Citations (5)
Title |
---|
TIANTIAN WANG ET AL.: "Vehicle Recognition Based on Saliency Detection and Color Histogram", 《THE 27TH CHINESE CONTROL AND DECISION CONFERENCE(2015 CCDC)》, pages 2532 - 2535 * |
YANJUN LIU ET AL.: "Vehicle detection in high resolution satellite images with joint-layer deep convolutional neural networks", 《 2016 23RD INTERNATIONAL CONFERENCE ON MECHATRONICS AND MACHINE VISION IN PRACTICE (M2VIP)》, 23 January 2017 (2017-01-23), pages 1 - 6 * |
刘沈雯: "基于视频的车辆速度监测***设计及算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2012, no. 08, pages 140 - 347 * |
王海 等: "弱监督分层深度学习的车辆识别算法", 《数据采集与处理》, vol. 31, no. 6, 31 December 2016 (2016-12-31), pages 1141 - 1147 * |
齐楠楠 等: "基于视觉显著性和目标置信度的红外车辆检测技术", 《红外与激光工程》, vol. 46, no. 6, pages 1 - 9 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114375467A (zh) * | 2019-07-29 | 2022-04-19 | 伟摩有限责任公司 | 紧急车辆的检测 |
US20220130133A1 (en) | 2019-07-29 | 2022-04-28 | Waymo Llc | Detection of emergency vehicles |
CN114375467B (zh) * | 2019-07-29 | 2023-07-11 | 伟摩有限责任公司 | 用于检测紧急车辆的***和方法 |
US11727692B2 (en) | 2019-07-29 | 2023-08-15 | Waymo Llc | Detection of emergency vehicles |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460984B (zh) | 一种基于关键点与梯度均衡损失的全局车道线检测方法 | |
CN103927526B (zh) | 一种基于高斯差分多尺度边缘融合的车辆检测方法 | |
CN107463890B (zh) | 一种基于单目前视相机的前车检测与跟踪方法 | |
CN105654067A (zh) | 一种车辆检测方法及装置 | |
CN105260749B (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
CN104517095B (zh) | 一种基于深度图像的人头分割方法 | |
CN107491756B (zh) | 基于交通标牌与地面标志的车道转向信息识别方法 | |
CN113076871A (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
CN103745196B (zh) | 广义行人检测方法和装置 | |
CN109949593A (zh) | 一种基于路口先验知识的交通信号灯识别方法及*** | |
CN104123529A (zh) | 人手检测方法及*** | |
CN103544491A (zh) | 一种面向复杂背景的光学字符识别方法及装置 | |
CN107944403A (zh) | 一种图像中的行人属性检测方法及装置 | |
CN104537689A (zh) | 基于局部对比显著性联合特征的目标跟踪方法 | |
CN104599288A (zh) | 一种基于肤色模板的特征跟踪方法及装置 | |
CN106778540A (zh) | 停车检测准确的基于双层背景的停车事件检测方法 | |
CN105469057A (zh) | 一种基于hough直线检测和投影的车窗检测方法 | |
CN109961637A (zh) | 基于多子图融合与显著性分析的车辆检测装置及*** | |
CN106683125A (zh) | 一种基于2d/3d模态切换的rgb‑d图像配准方法 | |
CN108629225A (zh) | 一种基于多幅子图与图像显著性分析的车辆检测方法 | |
CN109960978A (zh) | 基于图像分层技术的车辆检测***及装置 | |
CN109961420A (zh) | 基于多子图融合与显著性分析的车辆检测方法 | |
CN101430789A (zh) | 基于Fast Slant Stack变换的图像边缘检测方法 | |
CN108629226A (zh) | 一种基于图像分层技术的车辆检测方法及*** | |
CN108256444B (zh) | 一种用于车载视觉***的目标检测方法 |
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 |