CN111047615B - 基于图像的直线检测方法、装置以及电子设备 - Google Patents
基于图像的直线检测方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN111047615B CN111047615B CN201911252848.2A CN201911252848A CN111047615B CN 111047615 B CN111047615 B CN 111047615B CN 201911252848 A CN201911252848 A CN 201911252848A CN 111047615 B CN111047615 B CN 111047615B
- Authority
- CN
- China
- Prior art keywords
- line segment
- straight line
- point
- edge
- edge points
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 36
- 239000006185 dispersion Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000003708 edge detection Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提出一种基于图像的直线检测方法、装置以及电子设备,其中,方法包括:通过获取检测图像,从检测图像的各像素点中,确定多个边缘点,对多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的,对多条初始直线段合并,得到检测图像中的目标直线线段。该方法通过对检测图像中各像素点中确定的多个边缘点进行拟合,得到多条初始直线段,进而对多条初始直线段进行合并得到检测图像中的目标直线段,由于不需要对图像中各像素点进行重复处理,因此能够快速的检测出图像中的直线段,从而提高了图像中的直线检测速度。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种基于图像的直线检测方法、装置以及电子设备。
背景技术
直线段是计算机视觉中应用较为广泛的一种图像特征,在立体视觉、机器人导航、自动驾驶中,直线检测中可以提供现实场景中的建筑物直线边缘、车道线、物体直线边缘等,有非常广泛的应用。现有的直线检测方法主要有两种:一种是对图像进行处理获取显著边界点的集合,然后在点的集合中进行拟合找到直线段,如霍夫变换(Hough Transform);另一种是对图像处理获取图像的边缘段集合,然后在边缘段集合中找到是直线段的边缘段,如直线段检测算法(Line Segment Detector,简称LSD)。
但是,现有的直线检测方法存在处理时间长,不适合在终端设备等需要实时处理的场景使用。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
本申请第一方面实施例提出了一种基于图像的直线检测方法,包括:
获取检测图像;
从所述检测图像的各像素点中,确定多个边缘点;
对所述多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的;
对所述多条初始直线段合并,得到所述检测图像中的目标直线线段。
作为本申请实施例的第一种可能的实现方式,所述对所述多个边缘点拟合,得到多条初始直线段,包括:
根据所述多个边缘点中梯度方向相似的边缘点,确定多个集合;其中,同一集合中的边缘点梯度方向相似;
对每一个集合,对相应集合中的边缘点拟合,得到一条初始直线段。
作为本申请实施例的第二种可能的实现方式,所述根据所述多个边缘点中梯度方向相似的边缘点,确定多个集合,包括:
从未添加到任一集合的边缘点中确定初始的参考点;
查询与所述参考点之间梯度方向差值小于角度阈值,且与所述参考点相邻的边缘点;
将查询到的边缘点和所述参考点添加至同一集合中;
若所述同一集合中各边缘点的梯度方向离散程度小于或等于设定离散程度,则将所述查询到的边缘点作为更新的参考点,以重复执行查询与所述参考点之间梯度方向差值小于角度阈值,且与所述参考点相邻的边缘点,将查询到的边缘点和所述参考点添加至相应集合中的步骤,直至相应集合中各边缘点的梯度方向离散程度大于所述设定离散程度。
作为本申请实施例的第三种可能的实现方式,所述从未添加到任一集合的边缘点中确定初始的参考点,包括:
在未添加到任一集合的边缘点中,将梯度值最大的边缘点作为所述初始的参考点。
作为本申请实施例的第四种可能的实现方式,所述对所述多条初始直线段合并,得到所述检测图像中的目标直线线段,包括:
从所述多条初始直线段中,确定初始的参考线段;
在与所述参考线段延伸方向一致的初始线段中,确定与所述参考线段之间的距离小于距离阈值的邻近线段;
将所述邻近线段与所述参考线段合并,以得到所述目标直线段。
作为本申请实施例的第五种可能的实现方式,所述将所述邻近线段与所述参考线段合并,以得到所述目标直线段,包括:
对拟合形成所述邻近线段的各边缘点,以及拟合形成所述参考线段的各边缘点再次拟合;
若再次拟合的误差满足误差阈值,则将再次拟合得到的直线段作为更新的参考线段,重复执行从与所述参考线段延伸方向一致的初始线段中,确定与所述参考线段之间的距离小于距离阈值的邻近线段,将所述邻近线段与所述参考线段合并的步骤;
若再次拟合的误差不满足所述误差阈值,将再次拟合得到的直线段作为所述目标直线段。
作为本申请实施例的第六种可能的实现方式,所述从多条初始直线段中,确定初始的参考线段,包括:
将所述多条初始直线段中长度最长的初始直线段作为所述初始的参考线段。
作为本申请实施例的第七种可能的实现方式,所述将所述邻近线段与所述参考线段合并之前,还包括:
对拟合得到所述邻近线段的各边缘点,获取梯度值的离散程度和/或梯度角的离散程度;
确定所述梯度值的离散程度和/或所述梯度方向的离散程度小于相应设定阈值。
作为本申请实施例的第八种可能的实现方式,所述从所述检测图像的各像素点中,确定多个边缘点,包括:
根据所述检测图像中各像素点的梯度值和相邻像素点的像素值,从各像素点中确定多个边缘点。
作为本申请实施例的第九种可能的实现方式,所述根据所述检测图像中各像素点的梯度值和相邻像素点的像素值,从各像素点中确定多个边缘点,包括:
针对每一个像素点,若梯度值大于第一阈值,则查询在梯度方向上与相应像素点相邻的第一相邻像素点;
若相应像素点与所述第一相邻像素点的像素值之差大于第二阈值,则确定相应像素点为所述边缘点。
作为本申请实施例的第十种可能的实现方式,所述从所述检测图像的各像素点中,确定多个边缘点之后,还包括:
针对每一个边缘点,查询在梯度方向上与相应边缘点相邻的第二相邻像素点;
若相应边缘点与所述第二相邻像素点的梯度值之差大于第三阈值,则保留相应的边缘点;
若相应边缘点与所述第二相邻像素点的梯度值之差小于或等于所述第三阈值,则筛选掉相应的边缘点。
本申请实施例的基于图像的直线检测方法,通过获取检测图像,从检测图像的各像素点中,确定多个边缘点,对多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的,对多条初始直线段合并,得到检测图像中的目标直线线段。该方法通过对检测图像中各像素点中确定的多个边缘点进行拟合,得到多条初始直线段,进而对多条初始直线段进行合并得到检测图像中的目标直线段,由于不需要对图像中各像素点进行重复处理,因此能够快速的检测出图像中的直线段,从而提高了图像中的直线检测速度。
本申请第二方面实施例提出了一种基于图像的直线检测装置,包括:
获取模块,用于获取检测图像;
确定模块,用于从所述检测图像的各像素点中,确定多个边缘点;
拟合模块,用于对所述多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的;
合并模块,用于对所述多条初始直线段合并,得到所述检测图像中的目标直线线段。
本申请实施例的基于图像的直线检测装置,通过获取检测图像,从检测图像的各像素点中,确定多个边缘点,对多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的,对多条初始直线段合并,得到检测图像中的目标直线线段。该方法通过对检测图像中各像素点中确定的多个边缘点进行拟合,得到多条初始直线段,进而对多条初始直线段进行合并得到检测图像中的目标直线段,由于不需要对图像中各像素点进行重复处理,因此能够快速的检测出图像中的直线段,从而提高了图像中的直线检测速度。
为达上述目的,本申请第三方面实施例提出了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如上述实施例中所述的直线检测方法。
为了实现上述目的,本申请第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例中所述的直线检测方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例所提供的一种基于图像的直线检测方法的流程示意图;
图2为本申请实施例所提供的一种基于图像的直线检测方法的示例图;
图3为本申请实施例所提供的另一种基于图像的直线检测方法的示例图;
图4为本申请实施例所提供的另一种基于图像的直线检测方法的流程示意图;
图5为本申请实施例所提供的又一种基于图像的直线检测方法的流程示意图;
图6为本申请实施例所提供的一种基于图像的直线检测装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
现有的直线段检测方法存在处理时间长,而且对图像中噪声敏感的缺点,不适合在终端设备等需要实时处理且噪声较多的场景使用。如Hough Transform是通过在已检测出的点集合中,基于统计学规律,使用随机组合点集来找到直线峰值,该检测方法对图像中噪声造成的部分边界不连续有较强的鲁棒性,但是由于对图像中随机点集进行计算时,会存在许多重复性的计算,计算量非常大,从而导致处理时间较长。又如LSD是基于图像中像素点的梯度大小与方向,通过生长法获取图像中具有相同特性的区域,进而细化得到直线段特征,但是图像噪声会影响像素点的梯度方向,继而影响直线检测精度。
针对上述技术问题,本申请提出了一种基于图像的直线检测方法,通过获取检测图像,从所述检测图像的各像素点中,确定多个边缘点,对多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的,对多条初始直线段合并,得到检测图像中的目标直线线段。
下面参考附图描述本申请实施例的基于图像的直线检测方法、装置以及电子设备。
图1为本申请实施例所提供的一种基于图像的直线检测方法的流程示意图。
本申请实施例以该基于图像的直线检测方法被配置于基于图像的直线检测装置中来举例说明,该基于图像的直线检测装置可以应用于任一计算机设备中,以使该计算机设备可以执行直线检测功能。
其中,计算机设备可以为个人电脑(Personal Computer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作***的硬件设备。
如图1所示,该基于图像的直线检测方法包括以下步骤:
步骤101,获取检测图像。
本申请实施例中,检测图像为原始图像经过灰度化后的灰度图像,其中,原始图像,可以为电子设备的摄像装置响应于用户的拍摄操作拍摄得到的图像,也可以为电子设备的存储器中存储的图像,也可以是从服务器端下载的图像,等等,在此不做限制。
需要说明的是,原始图像为彩色图像,每一个像素是由红、绿、蓝三个分量来表示的。为了对原始图像进行处理,通常将彩色的原始图像转换为计算机能够处理的灰度图像。本申请中,检测图像为经过处理后的灰度图像(亦称单色图像),每个像素的亮度用一个整数来表示,通常数值范围在0到255之间,0表示纯黑、255表示纯白,而其它表示灰色。
本申请实施例中,将原始图像转换为灰度图像的方法,不限于平均法、最大最小平均法、加权平均法、二值图像法,等等。
步骤102,从检测图像的各像素点中,确定多个边缘点。
本申请实施例中,获取到检测图像后,可以对检测图像进行边缘检测,以从检测图像的各像素点中确定多个边缘点。边缘检测的算法主要是基于图像强度的一阶和二阶导数,但是导数通常对噪声很敏感,因此首先要对检测图像进行滤波,以去除检测图像中的噪声。其中,常见的滤波方法有高斯滤波,即采用离散化的高斯函数产生一组归一化的高斯核,然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和。对检测图像进行高斯滤波时的高斯核半径可根据检测图像的尺寸调整,例如,高斯核半径可以设置为5。
其中,高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。高斯滤波通过高斯核对图像的逐个像素进行卷积,从而得到每个像素的值。在卷积的过程中,利用周围像素的值,将距离作为权重计算卷积核中心位置的像素。高斯滤波的具体操作是:用一个大小为2*N+1的模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
由此,通过对检测图像进行高斯滤波,避免了图像的噪声影响各像素点的梯度方向,继而影响直线段检测精度的技术问题,从而提高了直线段的检测精度。
本申请实施例中的边缘检测方法,包括但不限于canny边缘检测方法、prewitt边缘检测方法,等等。
本申请实施例中,像素点的梯度值为各像素点与相邻像素点之间的灰度差值。像素点的梯度角用于指示像素点与相邻像素点之间的灰度变化率。像素点的梯度方向为像素点与相邻像素点之间的灰度变化率最大的方向。
下面结合图2对像素点的梯度值、梯度角以及梯度方向进行详细介绍。
作为一种示例,如图2所示,可以通过Sobel算子具体解释检测图像中各像素点的梯度值、梯度角以及梯度方向。其中,Sobel算子是像素图像边缘检测中最重要的算子之一,在机器学习、数字媒体、计算机视觉等信息科技领域起着举足轻重的作用。在技术上,它是一个离散的一阶差分算子,用来计算图像亮度函数的一阶梯度之近似值。在图像的任何一点使用此算子,将会产生该点对应的梯度矢量或是其法矢量。
如图2所示,对于像素点A,用Sobel算子首先计算出Gx,Gy,然后计算出梯度角θ=arctan(Gy/Gx),梯度方向即检测图像中灰度增大的方向。如图2所示,灰度值增加的方向梯度角大,像素点A的梯度方向为像素点A与其8邻域点的梯度角最大的方向。
作为一种可能的实现方式,可以根据检测图像中各像素点的梯度值和相邻像素点的像素值,从检测图像的各像素点中确定多个边缘点。具体地,针对检测图像的每一个像素点,将各像素点的梯度值和第一阈值进行比较,在一种可能的情况下,若某一像素点的梯度值大于第一阈值,则查询在梯度方向上与相应像素点相邻的第一相邻像素点;若相应像素点与第一相邻像素点的像素值之差大于第二阈值,则确定相应像素点为边缘点。
作为一种示例,以第一相邻像素点为各像素点8邻域内的各像素点为例,针对检测图像中的每一个像素点,若梯度值大于第一阈值,则将相应像素点的梯度值与8邻域内像素点点的梯度值进行差值计算,若在其梯度方向上与8邻域内像素点的梯度值的差值均大于第二阈值,则确定相应像素点为边缘点。
需要说明的是,从增强处理后的检测图像的各像素点中确定多个边缘点时,可能会将一些噪点确定为边缘点,因此,需要进一步的对各边缘点进行筛选,以筛选掉图像中的噪点,从而有利于提高直线段检测的精确度。
本申请实施例中,从各像素点中确定多个边缘点之后,针对每一个边缘点,查询在梯度方向上与相应边缘点相邻的第二相邻像素点,若相应边缘点与第二相邻像素点的梯度值之差大于第三阈值,则保留相应的边缘点,若相应边缘点与第二相邻像素点的梯度值之差小于或等于第三阈值,则筛选掉相应的边缘点。由此,通过对边缘点的筛选,以筛选掉图像中的噪点,从而有利于提高直线检测方法的识别率。
作为一种示例,如图3所示,根据图3左侧的检测图像中各像素点的梯度值和像素值,可以从各像素点中确定如图3右侧图像中的多个边缘点。
步骤103,对多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的。
本申请实施例中,从检测图像的各像素点中确定出多个边缘点之后,由于多个边缘点为多个离散的点,需要对多个边缘点进行拟合,以得到多条初始直线段。
需要说明的是,每一条初始直线段可以是对梯度方向相似的边缘点拟合得到的。具体地,从检测图像的各像素点中确定多个边缘点后,将多个边缘点中梯度方向相似的边缘点,确定为一个集合。进而,可以将多个边缘点划分为多个集合。其中,同一集合中的边缘点梯度方向相似。针对各个集合,对相应集合中的边缘点拟合,得到各初始直线段。
步骤104,对多条初始直线段合并,得到检测图像中的目标直线线段。
本申请实施例中,由于图像中噪声的影响,可能存在检测图像中边缘线段被切断,导致图像边缘不连续。因此,需对多个边缘点拟合得到的多条初始直线段进行合并,以得到检测图像中的目标直线线段。
本申请实施例的基于图像的直线检测方法,通过获取检测图像,从检测图像的各像素点中确定多个边缘点,对多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的,对多条初始直线段合并,得到检测图像中的目标直线线段。该方法通过对检测图像中各像素点中确定的多个边缘点进行拟合,得到多条初始直线段,进而对多条初始直线段进行合并得到检测图像中的目标直线段,可以提高对图像中噪声的鲁棒性;由于不需要对图像中各像素点进行重复处理,因此能够快速的检测出图像中的直线段,从而提高了图像中的直线检测速度。
在上述实施例的基础上,在上述步骤103中,对多个边缘点拟合,得到各初始直线段时,还可以首先根据多个边缘点中梯度方向相似的边缘点,确定多个集合,进而,针对每一个集合,对相应集合中的边缘点拟合,得到一条初始直线段。下面结合图4对上述过程进行详细介绍,图4为本申请实施例提供的另一种基于图像的直线检测方法的流程示意图。
如图4所示,该基于图像的直线检测方法可以包括以下步骤:
步骤201,根据多个边缘点中梯度方向相似的边缘点,确定多个集合;其中,同一集合中的边缘点梯度方向相似。
本申请实施例中,从检测图像的各像素点中确定多个边缘点后,将边缘点梯度方向相似的边缘点,划分到同一个集合中,以得到多个集合。
作为一种可能的实现方式,针对多个边缘点,从未添加到任一集合的边缘点中确定一边缘点为初始的参考点,查询与参考点之间梯度方向差值小于角度阈值,且与参考点相邻的边缘点,将查询到的边缘点和参考点添加至同一集合中。
本申请实施例中,从各像素点中确定多个边缘点后,可以根据各边缘点的梯度值大小对各边缘点进行排序,在未添加到任一集合的边缘点中,可以将梯度值最大的边缘点作为初始的参考点。与参考点相邻的边缘点,可以为初始的参考点8邻域内的边缘点,即参考点的上、下、左、右、左上、右上、左下、右下的8个点。
例如,可以计算参考点的梯度方向与8邻域内的各边缘点的梯度方向之间的差值,假设参考点的上方和左上方的边缘点与参考点之间的梯度方向差值小于角度阈值,此时,可以将上方和左上方的边缘点与参考点一起添加至同一集合中。
本申请实施例中,若同一集合中各边缘点的梯度方向离散程度小于或等于设定离散程度,则将查询到的边缘点作为更新的参考点,以重复执行查询与参考点之间梯度方向差值小于角度阈值,且与参考点相邻的边缘点,将查询到的边缘点和参考点添加至相应集合中的步骤,直至相应集合中各边缘点的梯度角离散程度大于设定离散程度。
步骤202,对每一个集合,对相应集合中的边缘点拟合,得到一条初始直线段。
本申请实施例中,根据多个边缘点中梯度方向相似的边缘点,确定多个集合后,对每一个集合中的多个边缘点进行拟合,以得到一条初始直线段。
本申请实施例中,对每一个集合中的多个边缘点进行拟合,就是把每一个集合中的多个边缘点,用一条直线段连接起来,以得到一条初始直线段。
本申请实施例的基于图像的直线检测方法,通过根据多个边缘点中梯度方向相似的边缘点,确定多个集合;其中,同一集合中的边缘点梯度方向相似,对每一个集合,对相应集合中的边缘点拟合,得到一条初始直线段。由此,通过对每一个集合中的边缘点进行拟合,得到相应集合的初始直线段,实现了对离散的边缘点进行结合的操作。
在上述实施例的基础上,在上述步骤104中,对多条初始直线段合并,得到检测图像中的目标直线线段时,还可以从多条初始直线段中,确定初始的参考线段,在与参考线段延伸方向一致的初始线段中,确定与参考线段之间的距离小于距离阈值的邻近线段,进而,将邻近线段与参考线段合并,以得到目标直线段。下面结合图5对上述过程进行详细介绍,
图5为本申请实施例提供的又一种基于图像的直线检测方法的流程示意图。
如图5所示,上述步骤104,还可以包括以下步骤:
步骤301,从多条初始直线段中,确定初始的参考线段。
本申请实施例中,对每一个集合中的多个边缘点拟合,得到多条初始直线段后,可以从多条初始直线段中,确定初始的参考线段。
作为一种可能的实现方式,对每一个集合中的多个边缘点拟合,得到多条初始直线段后,可以对各初始直线段进行长度检测,以根据检测得到的各初始直线段的长度信息对多条初始直线段进行排序,以将多条初始直线段中长度最长的初始直线段作为初始的参考线段。
可以理解为,对多条初始直线段合并的优先级与各初始直线段的长度呈正相关关系,也就说,优先合并长度最长的初始直线段。因此,本申请中将多条初始直线段中长度最长的初始直线段作为初始的参考线段。
举例来说,假设根据多个边缘点中梯度方向相似的边缘点,可以确定4个集合,对每一个集合中的多个边缘点进行拟合,得到4条初始直线段,对4条初始直线段进行长度检测后,可以将长度最长的初始直线,作为初始的参考线段。
步骤302,在与参考线段延伸方向一致的初始线段中,确定与参考线段之间的距离小于距离阈值的邻近线段。
本申请实施例中,从多条初始直线段中,确定初始的参考线段后,再根据各条初始直线段的延伸方向,以得到与参考线段延伸方向一致的初始线段。进一步的,在与参考线段延伸方向一致的初始线段中,确定与参考线段之间的距离小于距离阈值的邻近线段。
作为一种可能的实现方式,可以在初始的参考线段的延伸方向上进行扫描,得到与初始的参考线段的延伸方向一致的且梯度大小和梯度方向满足阈值条件的初始线段。进一步的,计算满足阈值条件的初始线段与初始的参考线段之间的距离以及方向夹角,将与参考线段之间的距离小于距离阈值并且满足夹角阈值范围的初始线段作为邻近线段。
需要说明的是,邻近的线段可以为多条,可以将邻近线段作为一个线段集合。
步骤303,将邻近线段与参考线段合并,以得到目标直线段。
本申请实施例中,确定初始参考线段,以及与参考线段之间的距离小于距离阈值的邻近线段之后,将邻近线段与参考线段进行合并,以得到目标直线段。
作为一种可能的实现方式,确定初始参考线段,以及与参考线段之间的距离小于距离阈值的邻近线段之后,将邻近线段与参考线段进行拟合,获取拟合得到的直线的平均误差和最大误差,将满足误差阈值的合并结果作为新的参考线段,以对拟合形成邻近线段的各边缘点,以及拟合形成参考线段的各边缘点再次拟合,进而判断再次拟合得到的直线段是否满足误差阈值,以确定是否将再次拟合得到的直线段作为目标直线段。
需要说明的是,在将邻近线段与参考线段合并之前,对拟合得到邻近线段的各边缘点,获取梯度值的离散程度和/或梯度角的离散程度,确定各边缘点梯度值的离散程度和/或梯度方向的离散程度小于相应设定阈值时,才可以进一步对拟合形成参考线段的各边缘点再次拟合。
作为一种可能的情况,若再次拟合的误差满足误差阈值,则将再次拟合得到的直线段作为更新的参考线段,重复执行从与参考线段延伸方向一致的初始线段中,确定与参考线段之间的距离小于距离阈值的邻近线段,将邻近线段与参考线段合并的步骤。直至多次拟合的误差不满足误差阈值时,将拟合得到的直线段作为目标直线段。
作为另一种可能的情况,若再次拟合的误差不满足误差阈值,则直接将再次拟合得到的直线段作为目标直线段。
本申请实施例的基于图像的直线检测方法,通过从多条初始直线段中,确定初始的参考线段,在与参考线段延伸方向一致的初始线段中,确定与参考线段之间的距离小于距离阈值的邻近线段,将邻近线段与参考线段合并,以得到目标直线段。该方法通过将参考线段与邻近线段合并,从而得到更加精确的目标直线段,避免了由于图像的噪声导致检测到的直线不连续的情况,提高了直线检测的精度。
为了实现上述实施例,本申请还提出一种基于图像的直线检测装置。
图6为本申请实施例提供的一种基于图像的直线检测装置的结构示意图。
如图6所示,该基于图像的直线检测装置600,可以包括:获取模块610、确定模块620、拟合模块630以及合并模块640。
获取模块610,用于获取检测图像。
确定模块620,用于从检测图像的各像素点中,确定多个边缘点。
拟合模块630,用于对多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的。
合并模块640,用于对多条初始直线段合并,得到检测图像中的目标直线线段。
作为一种可能的情况,拟合模块630,还可以包括:
确定单元,用于根据多个边缘点中梯度方向相似的边缘点,确定多个集合;其中,同一集合中的边缘点梯度方向相似,
拟合单元,用于对每一个集合,对相应集合中的边缘点拟合,得到一条初始直线段。
作为另一种可能的情况,确定单元,还可以用于:
从未添加到任一集合的边缘点中确定初始的参考点;
查询与参考点之间梯度方向差值小于角度阈值,且与参考点相邻的边缘点;
将查询到的边缘点和参考点添加至同一集合中;
若同一集合中各边缘点的梯度方向离散程度小于或等于设定离散程度,则将查询到的边缘点作为更新的参考点,以重复执行查询与参考点之间梯度方向差值小于角度阈值,且与参考点相邻的边缘点,将查询到的边缘点和参考点添加至相应集合中的步骤,直至相应集合中各边缘点的梯度方向离散程度大于设定离散程度。
作为另一种可能的情况,确定单元,还可以用于:
在未添加到任一集合的边缘点中,将梯度值最大的边缘点作为初始的参考点。
作为另一种可能的情况,合并模块640,还可以用于:
从多条初始直线段中,确定初始的参考线段;
在与参考线段延伸方向一致的初始线段中,确定与参考线段之间的距离小于距离阈值的邻近线段;
将邻近线段与参考线段合并,以得到目标直线段。
作为另一种可能的情况,合并模块640,还可以用于:
对拟合形成邻近线段的各边缘点,以及拟合形成参考线段的各边缘点再次拟合;
若再次拟合的误差满足误差阈值,则将再次拟合得到的直线段作为更新的参考线段,重复执行从与参考线段延伸方向一致的初始线段中,确定与参考线段之间的距离小于距离阈值的邻近线段,将邻近线段与参考线段合并的步骤;
若再次拟合的误差不满足误差阈值,将再次拟合得到的直线段作为目标直线段。
作为另一种可能的情况,合并模块640,还可以用于:
将多条初始直线段中长度最长的初始直线段作为初始的参考线段。
作为另一种可能的情况,合并模块640,还可以用于:
对拟合得到邻近线段的各边缘点,获取梯度值的离散程度和/或梯度角的离散程度;
确定梯度值的离散程度和/或梯度方向的离散程度小于相应设定阈值。
作为另一种可能的情况,确定模块620,还可以包括:
确定单元,用于根据检测图像中各像素点的梯度值和相邻像素点的像素值,从各像素点中确定多个边缘点。
作为另一种可能的情况,确定单元,还可以用于:
针对每一个像素点,若梯度值大于第一阈值,则查询在梯度方向上与相应像素点相邻的第一相邻像素点;
若相应像素点与第一相邻像素点的像素值之差大于第二阈值,则确定相应像素点为边缘点。
作为另一种可能的情况,该基于图像的直线检测装置600,还可以包括:
查询模块,用于针对每一个边缘点,查询在梯度方向上与相应边缘点相邻的第二相邻像素点。
保留模块,用于若相应边缘点与第二相邻像素点的梯度值之差大于第三阈值,则保留相应的边缘点。
筛选模块,用于若相应边缘点与第二相邻像素点的梯度值之差小于或等于第三阈值,则筛选掉相应的边缘点。
需要说明的是,前述对基于图像的直线检测方法实施例的解释说明也适用于该实施例的基于图像的直线检测装置,此处不再赘述。
本申请实施例的基于图像的直线检测装置,通过获取检测图像,从检测图像的各像素点中确定多个边缘点,对多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的,对多条初始直线段合并,得到检测图像中的目标直线线段。该方法通过对检测图像中各像素点中确定的多个边缘点进行拟合,得到多条初始直线段,进而对多条初始直线段进行合并得到检测图像中的目标直线段,可以提高对图像中噪声的鲁棒性;由于不需要对图像中各像素点进行重复处理,因此能够快速的检测出图像中的直线段,从而提高了图像中的直线检测速度。
为了实现上述实施例,本申请还提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如上述实施例中所述的直线检测方法。
为了实现上述实施例,本申请还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例中所述的直线检测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种基于图像的直线检测方法,其特征在于,所述方法包括:
获取检测图像;
从所述检测图像的各像素点中,确定多个边缘点;
对所述多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的;
对所述多条初始直线段合并,得到所述检测图像中的目标直线线段;
所述对所述多个边缘点拟合,得到多条初始直线段,包括:
根据所述多个边缘点中梯度方向相似的边缘点,确定多个集合;其中,同一集合中的边缘点梯度方向相似;
对每一个集合,对相应集合中的边缘点拟合,得到一条初始直线段;
所述根据所述多个边缘点中梯度方向相似的边缘点,确定多个集合,包括:
从未添加到任一集合的边缘点中确定初始的参考点;
查询与所述参考点之间梯度方向差值小于角度阈值,且与所述参考点相邻的边缘点;
将查询到的边缘点和所述参考点添加至同一集合中;
若所述同一集合中各边缘点的梯度方向离散程度小于或等于设定离散程度,则将所述查询到的边缘点作为更新的参考点,以重复执行查询与所述参考点之间梯度方向差值小于角度阈值,且与所述参考点相邻的边缘点,将查询到的边缘点和所述参考点添加至相应集合中的步骤,直至相应集合中各边缘点的梯度方向离散程度大于所述设定离散程度。
2.根据权利要求1所述的直线检测方法,其特征在于,所述从未添加到任一集合的边缘点中确定初始的参考点,包括:
在未添加到任一集合的边缘点中,将梯度值最大的边缘点作为所述初始的参考点。
3.根据权利要求1所述的直线检测方法,其特征在于,所述对所述多条初始直线段合并,得到所述检测图像中的目标直线线段,包括:
从所述多条初始直线段中,确定初始的参考线段;
在与所述参考线段延伸方向一致的初始线段中,确定与所述参考线段之间的距离小于距离阈值的邻近线段;
将所述邻近线段与所述参考线段合并,以得到所述目标直线段。
4.根据权利要求3所述的直线检测方法,其特征在于,所述将所述邻近线段与所述参考线段合并,以得到所述目标直线段,包括:
对拟合形成所述邻近线段的各边缘点,以及拟合形成所述参考线段的各边缘点再次拟合;
若再次拟合的误差满足误差阈值,则将再次拟合得到的直线段作为更新的参考线段,重复执行从与所述参考线段延伸方向一致的初始线段中,确定与所述参考线段之间的距离小于距离阈值的邻近线段,将所述邻近线段与所述参考线段合并的步骤;
若再次拟合的误差不满足所述误差阈值,将再次拟合得到的直线段作为所述目标直线段。
5.根据权利要求3所述的直线检测方法,其特征在于,所述从多条初始直线段中,确定初始的参考线段,包括:
将所述多条初始直线段中长度最长的初始直线段作为所述初始的参考线段。
6.根据权利要求3所述的直线检测方法,其特征在于,所述将所述邻近线段与所述参考线段合并之前,还包括:
对拟合得到所述邻近线段的各边缘点,获取梯度值的离散程度和/或梯度方向的离散程度;
确定所述梯度值的离散程度和/或所述梯度方向的离散程度小于相应设定阈值。
7.根据权利要求1-6任一项所述的直线检测方法,其特征在于,所述从所述检测图像的各像素点中,确定多个边缘点,包括:
根据所述检测图像中各像素点的梯度值和相邻像素点的像素值,从各像素点中确定多个边缘点。
8.根据权利要求7所述的直线检测方法,其特征在于,所述根据所述检测图像中各像素点的梯度值和相邻像素点的像素值,从各像素点中确定多个边缘点,包括:
针对每一个像素点,若梯度值大于第一阈值,则查询在梯度方向上与相应像素点相邻的第一相邻像素点;
若相应像素点与所述第一相邻像素点的像素值之差大于第二阈值,则确定相应像素点为所述边缘点。
9.根据权利要求1-7任一项所述的直线检测方法,其特征在于,所述从所述检测图像的各像素点中,确定多个边缘点之后,还包括:
针对每一个边缘点,查询在梯度方向上与相应边缘点相邻的第二相邻像素点;
若相应边缘点与所述第二相邻像素点的梯度值之差大于第三阈值,则保留相应的边缘点;
若相应边缘点与所述第二相邻像素点的梯度值之差小于或等于所述第三阈值,则筛选掉相应的边缘点。
10.一种基于图像的直线检测装置,其特征在于,所述装置包括:
获取模块,用于获取检测图像;
确定模块,用于从所述检测图像的各像素点中,确定多个边缘点;
拟合模块,用于对所述多个边缘点拟合,得到多条初始直线段;其中,每一条初始直线段是对梯度方向相似的边缘点拟合得到的;
合并模块,用于对所述多条初始直线段合并,得到所述检测图像中的目标直线线段;
所述拟合模块包括确定单元和拟合单元,
所述确定单元用于根据所述多个边缘点中梯度方向相似的边缘点,确定多个集合;其中,同一集合中的边缘点梯度方向相似;
所述拟合单元用于对每一个集合,对相应集合中的边缘点拟合,得到一条初始直线段;
所述确定单元还用于从未添加到任一集合的边缘点中确定初始的参考点;查询与所述参考点之间梯度方向差值小于角度阈值,且与所述参考点相邻的边缘点;将查询到的边缘点和所述参考点添加至同一集合中;若所述同一集合中各边缘点的梯度方向离散程度小于或等于设定离散程度,则将所述查询到的边缘点作为更新的参考点,以重复执行查询与所述参考点之间梯度方向差值小于角度阈值,且与所述参考点相邻的边缘点,将查询到的边缘点和所述参考点添加至相应集合中的步骤,直至相应集合中各边缘点的梯度方向离散程度大于所述设定离散程度。
11.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-9中任一所述的直线检测方法。
12.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-9中任一所述的直线检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252848.2A CN111047615B (zh) | 2019-12-09 | 2019-12-09 | 基于图像的直线检测方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252848.2A CN111047615B (zh) | 2019-12-09 | 2019-12-09 | 基于图像的直线检测方法、装置以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047615A CN111047615A (zh) | 2020-04-21 |
CN111047615B true CN111047615B (zh) | 2024-02-02 |
Family
ID=70235303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911252848.2A Active CN111047615B (zh) | 2019-12-09 | 2019-12-09 | 基于图像的直线检测方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047615B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257717B (zh) * | 2020-12-22 | 2021-03-30 | 之江实验室 | 一种针对未矫正图像的直线、椭圆和交点识别定位方法 |
CN112634235A (zh) * | 2020-12-24 | 2021-04-09 | 深圳艾灵网络有限公司 | 产品图像的边界检测方法和电子设备 |
CN114581890B (zh) * | 2022-03-24 | 2023-03-10 | 北京百度网讯科技有限公司 | 确定车道线的方法、装置、电子设备和存储介质 |
CN114972769B (zh) * | 2022-06-17 | 2023-07-28 | 北京百度网讯科技有限公司 | 图像处理方法、三维地图生成方法、装置、设备及介质 |
CN115330826B (zh) * | 2022-08-11 | 2024-02-20 | 创新奇智(青岛)科技有限公司 | 直线检测方法、装置、电子设备及计算机可读存储介质 |
CN116416268B (zh) * | 2023-06-09 | 2023-08-18 | 浙江双元科技股份有限公司 | 基于递归二分法的锂电池极片边缘位置检测方法及装置 |
CN117094996B (zh) * | 2023-10-18 | 2024-02-23 | 广州市大湾区虚拟现实研究院 | 基于fpga和lsd算法的直线检测***及其控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663395A (zh) * | 2012-03-05 | 2012-09-12 | 西北工业大学 | 基于自适应多尺度快速离散Beamlet变换的直线检测方法 |
CN105930800A (zh) * | 2016-04-21 | 2016-09-07 | 北京智芯原动科技有限公司 | 一种车道线检测方法及装置 |
CN106127778A (zh) * | 2016-06-27 | 2016-11-16 | 安徽慧视金瞳科技有限公司 | 一种用于投影交互***的直线检测方法 |
CN107423737A (zh) * | 2017-05-03 | 2017-12-01 | 武汉东智科技股份有限公司 | 异物遮挡的视频质量诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9934578B2 (en) * | 2016-08-15 | 2018-04-03 | Macau University Of Science And Technology | Method for edge detection |
-
2019
- 2019-12-09 CN CN201911252848.2A patent/CN111047615B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663395A (zh) * | 2012-03-05 | 2012-09-12 | 西北工业大学 | 基于自适应多尺度快速离散Beamlet变换的直线检测方法 |
CN105930800A (zh) * | 2016-04-21 | 2016-09-07 | 北京智芯原动科技有限公司 | 一种车道线检测方法及装置 |
CN106127778A (zh) * | 2016-06-27 | 2016-11-16 | 安徽慧视金瞳科技有限公司 | 一种用于投影交互***的直线检测方法 |
CN107423737A (zh) * | 2017-05-03 | 2017-12-01 | 武汉东智科技股份有限公司 | 异物遮挡的视频质量诊断方法 |
Non-Patent Citations (1)
Title |
---|
于新瑞 等.数字图像直线特征的亚像素位置检测.《光学技术》.2004,第138-141页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111047615A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047615B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN110378945B (zh) | 深度图处理方法、装置和电子设备 | |
CN107679520B (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
US9818301B2 (en) | Lane correction system, lane correction apparatus and method of correcting lane | |
US6658150B2 (en) | Image recognition system | |
CN110378946B (zh) | 深度图处理方法、装置以及电子设备 | |
CN107748882B (zh) | 一种车道线检测方法及装置 | |
CN111080542B (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN109447117B (zh) | 双层车牌识别方法、装置、计算机设备及存储介质 | |
US11170487B2 (en) | Adhered substance detection apparatus | |
US20200160085A1 (en) | Convolutional neutral network identification efficiency increasing method and related convolutional neutral network identification efficiency increasing device | |
US20160283806A1 (en) | Method and device for detecting elliptical structures in an image | |
CN114127784A (zh) | 用于生成相机流的掩模的方法、计算机程序产品和计算机可读介质 | |
CN111091507A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN112597846A (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN110188640B (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
CN111563517A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
US10970592B2 (en) | Adhering substance detection apparatus and adhering substance detection method | |
US11037266B2 (en) | Attached substance detection device and attached substance detection method | |
CN110765875B (zh) | 交通目标的边界检测方法、设备及装置 | |
CN111311610A (zh) | 图像分割的方法及终端设备 | |
CN113111883B (zh) | 车牌检测方法、电子设备及存储介质 | |
JP2004062519A (ja) | レーンマーク検出装置 |
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 |