CN112651269B - 一种快速检测夜间前方同向车辆方法 - Google Patents
一种快速检测夜间前方同向车辆方法 Download PDFInfo
- Publication number
- CN112651269B CN112651269B CN201910966947.0A CN201910966947A CN112651269B CN 112651269 B CN112651269 B CN 112651269B CN 201910966947 A CN201910966947 A CN 201910966947A CN 112651269 B CN112651269 B CN 112651269B
- Authority
- CN
- China
- Prior art keywords
- point
- pixel
- pixel point
- pixel points
- processed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 125000001475 halogen functional group Chemical group 0.000 claims abstract description 24
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010668 complexation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种快速检测夜间前方同向车辆方法,通过确定车辆可能存在区域,在此区域内根据颜色信息识别尾灯光晕范围,在光晕范围内根据灰度值识别尾灯,通过识别车牌,确定各个尾灯对,最终计算车辆坐标位置。本发明解决了目前检测算法中存在的图像处理耗时长,准确度不高,不能满足实时性和准确性要求等问题。
Description
技术领域
本发明涉及数字图像处理领域,具体涉及一种快速检测夜间前方同向车辆方法。
背景技术
由于夜间照明条件较差,出现紧急情况时,驾驶员来不及反应,极易发生交通事故。近些年,随着智能驾驶的快速发展,各种辅助驾驶功能层出不穷,提高了夜间驾驶的安全性和舒适性。辅助驾驶***中包含三大部分,检测部分,处理部分和执行部分。其中,如何在夜间检测前方同向车辆是辅助驾驶***中的一大难点。
目前识别方法主要分为两类,一类是根据前方车辆部分明显特征进行识别,另一类根据前方车辆总体特征进行识别。
第一类方法多采用识别尾灯的方法,因为夜间前方车辆最明显的特征就是尾灯发出的红色光。目前有基于根据HSV颜色空间识别尾灯,但是转换公式复杂,计算耗时;有根据形状和光源配对识别前方车辆尾灯,但是现在尾灯的造型设计多样,一体式尾灯的使用使得配对方法失效。
第二类方法多采用车辆模型的检测方法,通过对不同的夜间车辆特征进行权重的定义,对大量的正负样本的不同特征进行权重的训练学习,再通过分类方法来决定是否为车辆。但是该方法对建立的模型有一定的依赖性,计算量较大,并且在处于比较复杂拥挤的交通环境下适应性较低。还有基于机器学习的方法实现车辆检测,主要依据分类模型训练实现车辆检测,此方法需要建立大量样本库,以满足种类,形状都相差较大的不同车辆检测,导致样本库的数目会极其巨大,样本库的建立存在困难。
发明内容
本发明采用第一类识别方法,通过识别尾灯和车牌位置确定车辆坐标位置。由于尾灯的高亮度,在摄像头采集的图片上实际显示为白色,而尾灯光晕为红色,基于此本发明提出一种快速检测夜间前方同向车辆方法,通过确定尾灯光晕范围,识别尾灯,通过识别车牌,确定各个尾灯对,最终计算车辆坐标位置。区别于其他检测方法对整幅图像进行处理,本方法先确定车辆可能存在区域,在此区域内根据颜色信息识别尾灯光晕范围,在光晕范围内根据灰度值识别尾灯,确定车辆坐标位置。本发明解决了目前检测算法中存在的图像处理耗时长,准确度不高,不能满足实时性和准确性要求等问题。
一种快速检测夜间前方同向车辆方法,包括以下步骤:
步骤1:采集车辆前方道路交通图像,图像以RGB格式存储;
步骤2:划分车辆可能存在区域(此区域由摄像头本身参数及实际安装位置实验确定),在此区域内根据公式2R-G-B计算所有像素点颜色信息,得到图像P1,根据公式2B-R-G计算所有像素点颜色信息,得到图像P2;
进一步,所述划分车辆可能存在区域公式具体如下:
式中x,y是车灯可能存在区域像素点的水平坐标和垂直坐标,x1是水平坐标起始点,x2是水平坐标截止点,y1是垂直坐标起始点,y2是垂直坐标截止点。
步骤3:计算步骤2得到图像P1和P2的划分阈值分别为T1和T2,P1中高于阈值T1的像素点为尾灯光晕像素点,低于阈值T1的像素点为背景像素点,P2中高于阈值T2的像素点为车牌像素点,低于阈值T2的像素点为背景像素点;
进一步,所述图像的划分阈值T由最大类间方差法确定,类间方差g计算公式具体如下:
g=ω0×ω1×(μ0-μ1)2
式中,ω0为前景像素点数占整幅图像的比例,μ0为其平均灰度;ω1为背景像素点数占整幅图像的比例,μ1为其平均灰度。采用遍历的方法得到使类间方差g最大的阈值T,即为所求。
步骤4:采用密度聚类算法,识别图像P1中尾灯光晕区域;
进一步,所述密度聚类算法采用八连通聚类,具体流程如下所示:
步骤4.1:任意选取P1中一个没有被处理的尾灯光晕像素点PI作为核心点,标记为已处理;
步骤4.2:对PI的ε邻域内的所有像素点进行判断,判断是否是尾灯光晕像素点;
步骤4.3:若是,执行步骤4.4,若都不是,一类聚类结束,执行步骤4.5;
步骤4.4:将此像素点和像素点PI合并成一类,标记此像素点已处理,并将此像素点作为核心点,转到步骤4.2;
步骤4.5:判断P1中所有光晕像素点是否都已处理,若是,结束聚类,若不是,转到步骤4.1;
进一步,所述PI的ε邻域指像素点上,下,左,右,左上,右上,左下,右下八个像素点;
步骤5:计算原图像像素点灰度值,得到灰度图像P3;
进一步,所述像素点的灰度值计算公式如下:
Gray=(R+G<<1+B)>>2
式中,R,G,B是像素点红、绿、蓝三个通道的值。
步骤6:在灰度图像P3中,在步骤4求出的尾灯光晕范围内,判断像素点灰度值,灰度值大于230,判定为尾灯像素点,灰度值低于230判定为背景像素点;
步骤7:采用密度聚类算法,识别图像P3中尾灯区域;
进一步,所述密度聚类算法采用八连通聚类,具体流程如下:
步骤7.1:任意选取P3中一个没有被处理的尾灯像素点PI’作为核心点,标记为已处理;
步骤7.2:对PI’的ε邻域内的所有像素点进行判断,判断是否是尾灯像素点;
步骤7.3:若是,执行步骤7.4,若都不是,一类聚类结束,执行步骤7.5;
步骤7.4:将此像素点和像素点PI’合并成一类,标记此像素点已处理,并将此像素点作为核心点,转到步骤7.2;
步骤7.5:判断P3中所有尾灯像素点是否都已处理,若是,结束聚类,若不是,转到步骤7.1;
进一步,所述PI’的ε邻域指像素点上,下,左,右,左上,右上,左下,右下八个像素点;
步骤8:采用密度聚类算法,识别图像P2中车牌区域;
进一步,所述密度聚类算法采用八连通聚类,具体流程如下:
步骤8.1:任意选取P2中一个没有被处理的尾灯光晕像素点PI”作为核心点,标记为已处理;
步骤8.2:对PI”的ε邻域内的所有像素点进行判断,判断是否是车牌像素点;
步骤8.3:若是,执行步骤8.4,若都不是,一类聚类结束,执行步骤8.5;
步骤8.4:将此像素点和像素点PI”合并成一类,标记此像素点已处理,并将此像素点作为核心点,转到步骤8.2;
步骤8.5:判断P2中所有车牌像素点是否都已处理,若是,结束聚类,若不是,转到步骤8.1;
进一步,所述PI”的ε邻域指像素点上,下,左,右,左上,右上,左下,右下八个像素点;
步骤9:根据尾灯与尾灯,尾灯和车牌的几何关系,确定尾灯对,完成车辆识别。
进一步,所述尾灯与尾灯的几何关系是指同一车辆的尾灯在图像中的垂直方向相差范围不大,判定公式如下:
Y2-Y5≥k(Y6-Y1)
式中k是垂直方向尾灯投影重合系数;
进一步,所述尾灯和车牌的几何关系是指同一车辆的车牌在水平方向处于两个尾灯中间,判定公式如下:
式中m1,m2是尾灯对和车牌的对称系数上下限。
本发明的有益效果是:
划分车辆可能存在区域,不再需要对整幅图像进行处理,减少了处理量,提高识别速度。通过公式2R-G-B和2B-G-R计算所有像素点颜色信息,并运用最大类间方差法得出划分阈值T,能够根据不同道路条件自适应区分尾灯光晕范围,车牌范围和背景范围;根据像素点灰度值识别出光晕范围内的尾灯,处理过程简单,对CPU要求较低,识别速度很快;通过识别出来的车牌确定尾灯对,提高识别准确性。
附图说明
图1是本发明所述的检测流程图。
图2是本发明所述的车辆可能存在区域划分。
图3是根据几何规则进行尾灯配对图。
具体实施方式
下面结合附图对本发明作进一步的说明。
如图1所示,一种快速检测夜间前方同向车辆方法,具体步骤如下:
步骤1:采集车辆前方道路交通图像,图像以RGB格式存储;
步骤2:如图2所示,划分车辆可能存在区域(此区域由摄像头本身参数及实际安装位置实验确定),在此区域内根据公式2R-G-B计算所有像素点颜色信息,得到图像P1,根据公式2B-R-G计算所有像素点颜色信息,得到图像P2;
进一步,所述划分车辆可能存在区域公式具体如下:
式中x,y是车灯可能存在区域像素点的水平坐标和垂直坐标,x1是水平坐标起始点,x2是水平坐标截止点,y1是垂直坐标起始点,y2是垂直坐标截止点。
步骤3:计算步骤2得到图像P1和P2的划分阈值分别为T1和T2,P1中高于阈值T1的像素点为尾灯光晕像素点,低于阈值T1的像素点为背景像素点,P2中高于阈值T2的像素点为车牌像素点,低于阈值T2的像素点为背景像素点;
进一步,所述图像的划分阈值T由最大类间方差法确定,类间方差g计算公式具体如下:
g=ω0×ω1×(μ0-μ1)2
式中,ω0为前景像素点数占整幅图像的比例,μ0为其平均灰度;ω1为背景像素点数占整幅图像的比例,μ1为其平均灰度。采用遍历的方法得到使类间方差g最大的阈值T,即为所求。
步骤4:采用密度聚类算法,识别图像P1中尾灯光晕区域;
进一步,所述密度聚类算法采用八连通聚类,具体流程如下所示:
步骤4.1:任意选取P1中一个没有被处理的尾灯光晕像素点PI作为核心点,标记为已处理;
步骤4.2:对PI的ε邻域内的所有像素点进行判断,判断是否是尾灯光晕像素点;
步骤4.3:若是,执行步骤4.4,若都不是,一类聚类结束,执行步骤4.5;
步骤4.4:将此像素点和像素点PI合并成一类,标记此像素点已处理,并将此像素点作为核心点,转到步骤4.2;
步骤4.5:判断P1中所有光晕像素点是否都已处理,若是,结束聚类,若不是,转到步骤4.1;
进一步,所述PI的ε邻域指像素点上下左右,左上,右上,左下,右下八个像素点;
步骤5:计算原图像像素点灰度值,得到灰度图像P3;
进一步,所述像素点的灰度值计算公式如下:
Gray=(R+G<<1+B)>>2
式中,R,G,B是像素点红、绿、蓝三个通道的值。
步骤6:在灰度图像P3中,在步骤4求出的尾灯光晕范围内,判断像素点灰度值,灰度值大于230,判定为尾灯像素点,灰度值低于230判定为背景像素点;
步骤7:采用密度聚类算法,识别图像P3中尾灯区域;
进一步,所述密度聚类算法采用八连通聚类,具体流程如下:
步骤7.1:任意选取P3中一个没有被处理的尾灯像素点PI’作为核心点,标记为已处理;
步骤7.2:对PI’的ε邻域内的所有像素点进行判断,判断是否是尾灯像素点;
步骤7.3:若是,执行步骤7.4,若都不是,一类聚类结束,执行步骤7.5;
步骤7.4:将此像素点和像素点PI’合并成一类,标记此像素点已处理,并将此像素点作为核心点,转到步骤7.2;
步骤7.5:判断P1中所有尾灯像素点是否都已处理,若是,结束聚类,若不是,转到步骤7.1;
进一步,所述PI’的ε邻域指像素点上下左右,左上,右上,左下,右下八个像素点;
步骤8:采用密度聚类算法,识别图像P2中车牌区域;
进一步,所述密度聚类算法采用八连通聚类,具体流程如下:
步骤8.1:任意选取P2中一个没有被处理的尾灯光晕像素点PI”作为核心点,标记为已处理;
步骤8.2:对PI”的ε邻域内的所有像素点进行判断,判断是否是车牌像素点;
步骤8.3:若是,执行步骤8.4,若都不是,一类聚类结束,执行步骤8.5;
步骤8.4:将此像素点和像素点PI”合并成一类,标记此像素点已处理,并将此像素点作为核心点,转到步骤8.2;
步骤8.5:判断P2中所有车牌像素点是否都已处理,若是,结束聚类,若不是,转到步骤8.1;
进一步,所述PI”的ε邻域指像素点上下左右,左上,右上,左下,右下八个像素点;
步骤9:如图3所示,根据尾灯与尾灯,尾灯和车牌的几何关系,确定尾灯对,完成车辆识别。
进一步,所述尾灯与尾灯的几何关系是指同一车辆的尾灯在图像中的垂直方向相差范围不大,判定公式如下:
Y2-Y5≥k(Y6-Y1)
式中k是垂直方向尾灯投影重合系数;
进一步,所述尾灯和车牌的几何关系是指同一车辆的车牌在水平方向处于两个尾灯中间,判定公式如下:
式中m1,m2是尾灯对和车牌的对称系数上下限。
Claims (12)
1.一种快速检测夜间前方同向车辆方法,其特征在于,包括以下步骤:
步骤1:采集车辆前方道路交通图像,图像以RGB格式存储;步骤2:划分车辆可能存在区域,此区域由摄像头本身参数及实际安装位置实验确定,在此区域内根据公式2R-G-B计算所有像素点颜色信息,得到图像P1,根据公式2B-R-G计算所有像素点颜色信息,得到图像P2;步骤3:计算步骤2得到图像P1和P2的划分阈值分别为T1和T2,P1中高于阈值T1的像素点为尾灯光晕像素点,低于阈值T1的像素点为背景像素点,P2中高于阈值T2的像素点为车牌像素点,低于阈值T2的像素点为背景像素点;步骤4:采用密度聚类算法,识别图像P1中尾灯光晕区域;步骤5:计算原图像像素点灰度值,得到灰度图像P3;步骤6:在灰度图像P3中,在步骤4求出的尾灯光晕范围内,判断像素点灰度值,灰度值大于230,判定为尾灯像素点,灰度值低于230判定为背景像素点;步骤7:采用密度聚类算法,识别图像P3中尾灯区域;步骤8:采用密度聚类算法,识别图像P2中车牌区域;步骤9:根据尾灯与尾灯,尾灯和车牌的几何关系,确定尾灯对,完成车辆识别。
2.根据权利要求1所述的一种快速检测夜间前方同向车辆方法,其特征在于,所述划分车辆可能存在区域公式具体如下:
式中x,y是车灯可能存在区域像素点的水平坐标和垂直坐标,x1是水平坐标起始点,x2是水平坐标截止点,y1是垂直坐标起始点,y2是垂直坐标截止点。
3.根据权利要求1所述的一种快速检测夜间前方同向车辆方法,其特征在于,所述图像的划分阈值T由最大类间方差法确定,类间方差g计算公式具体如下:
g=ω0×ω1×(μ0-μ1)2
式中,ω0为前景像素点数占整幅图像的比例,μ0为其平均灰度;ω1为背景像素点数占整幅图像的比例,μ1为其平均灰度,采用遍历的方法得到使类间方差g最大的阈值T,即为所求。
4.根据权利要求1所述的一种快速检测夜间前方同向车辆方法,其特征在于,所述步骤4中密度聚类算法采用八连通聚类,具体流程如下所示:
步骤4.1:任意选取P1中一个没有被处理的尾灯光晕像素点PI作为核心点,标记为已处理;
步骤4.2:对PI的ε邻域内的所有像素点进行判断,判断是否是尾灯光晕像素点;
步骤4.3:若是,执行步骤4.4,若都不是,一类聚类结束,执行步骤4.5;
步骤4.4:将此像素点和像素点PI合并成一类,标记此像素点已处理,并将此像素点作为核心点,转到步骤4.2;
步骤4.5:判断P1中所有光晕像素点是否都已处理,若是,结束聚类,若不是,转到步骤4.1。
5.根据权利要求4所述的一种快速检测夜间前方同向车辆方法,其特征在于,所述PI的ε邻域指像素点上,下,左,右,左上,右上,左下,右下八个像素点。
6.根据权利要求1所述的一种快速检测夜间前方同向车辆方法,其特征在于,所述像素点的灰度值计算公式如下:
Gray=(R+G<<1+B)>>2
式中,R,G,B是像素点红、绿、蓝三个通道的值。
7.根据权利要求1所述的一种快速检测夜间前方同向车辆方法,其特征在于,所述步骤7密度聚类算法采用八连通聚类,具体流程如下:
步骤7.1:任意选取P3中一个没有被处理的尾灯像素点PI’作为核心点,标记为已处理;
步骤7.2:对PI’的ε邻域内的所有像素点进行判断,判断是否是尾灯像素点;
步骤7.3:若是,执行步骤7.4,若都不是,一类聚类结束,执行步骤7.5;
步骤7.4:将此像素点和像素点PI’合并成一类,标记此像素点已处理,并将此像素点作为核心点,转到步骤7.2;
步骤7.5:判断P3中所有尾灯像素点是否都已处理,若是,结束聚类,若不是,转到步骤7.1。
8.根据权利要求7所述的一种快速检测夜间前方同向车辆方法,其特征在于,所述PI’的ε邻域指像素点上,下,左,右,左上,右上,左下,右下八个像素点。
9.根据权利要求1所述的一种快速检测夜间前方同向车辆方法,其特征在于,所述步骤8密度聚类算法采用八连通聚类,具体流程如下:
步骤8.1:任意选取P2中一个没有被处理的尾灯光晕像素点PI”作为核心点,标记为已处理;
步骤8.2:对PI”的ε邻域内的所有像素点进行判断,判断是否是车牌像素点;
步骤8.3:若是,执行步骤8.4,若都不是,一类聚类结束,执行步骤8.5;
步骤8.4:将此像素点和像素点PI”合并成一类,标记此像素点已处理,并将此像素点作为核心点,转到步骤8.2;
步骤8.5:判断P2中所有车牌像素点是否都已处理,若是,结束聚类,若不是,转到步骤8.1。
10.根据权利要求9所述的一种快速检测夜间前方同向车辆方法,其特征在于,所述PI”的ε邻域指像素点上,下,左,右,左上,右上,左下,右下八个像素点。
11.根据权利要求1所述的一种快速检测夜间前方同向车辆方法,其特征在于,所述尾灯与尾灯的几何关系是指同一车辆的尾灯在图像中的垂直方向相差范围不大,判定公式如下:
Y2-Y5≥k(Y6-Y1)
式中,k是垂直方向尾灯投影重合系数,X,Y是车灯可能存在区域像素点的水平坐标和垂直坐标,Y1是左车灯垂直坐标起始点,Y2是左车灯垂直坐标截止点,Y5是右车灯垂直坐标起始点,Y6是右车灯垂直坐标截止点。
12.根据权利要求1所述的一种快速检测夜间前方同向车辆方法,其特征在于,所述尾灯和车牌的几何关系是指同一车辆的车牌在水平方向处于两个尾灯中间,判定公式如下:
式中,m1,m2是尾灯对和车牌的对称系数上下限,X1是左车灯水平坐标起始点,X2是左车灯水平坐标截止点,X3是车牌水平坐标起始点,X4是车牌水平坐标截止点,X5是右车灯水平坐标起始点,X6是右车灯水平坐标截止点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966947.0A CN112651269B (zh) | 2019-10-12 | 2019-10-12 | 一种快速检测夜间前方同向车辆方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910966947.0A CN112651269B (zh) | 2019-10-12 | 2019-10-12 | 一种快速检测夜间前方同向车辆方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651269A CN112651269A (zh) | 2021-04-13 |
CN112651269B true CN112651269B (zh) | 2024-05-24 |
Family
ID=75343659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910966947.0A Active CN112651269B (zh) | 2019-10-12 | 2019-10-12 | 一种快速检测夜间前方同向车辆方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651269B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272352B (zh) * | 2022-09-30 | 2022-12-13 | 南通垣益新材料科技有限公司 | 基于计算机视觉的货物装卸装置自动调节方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194129A (zh) * | 2011-05-13 | 2011-09-21 | 南京大学 | 基于车型聚类的交通流参数视频检测方法 |
CN102682455A (zh) * | 2012-05-10 | 2012-09-19 | 天津工业大学 | 一种基于单目视觉的前方车辆检测方法 |
CN103020948A (zh) * | 2011-09-28 | 2013-04-03 | 中国航天科工集团第二研究院二○七所 | 智能车载防撞预警***中的夜间图像特征提取方法 |
CN106295528A (zh) * | 2016-08-01 | 2017-01-04 | 长安大学 | 一种基于多部件空间位置关系gmm建模的车辆检测方法 |
CN107316002A (zh) * | 2017-06-02 | 2017-11-03 | 武汉理工大学 | 一种基于主动学习的夜间前方车辆识别方法 |
CN107480646A (zh) * | 2017-08-22 | 2017-12-15 | 北京工业大学 | 一种基于双目视觉的车载视频异常运动检测方法 |
CN108037505A (zh) * | 2017-12-08 | 2018-05-15 | 吉林大学 | 一种夜间前方车辆检测方法及*** |
CN108229249A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种夜间前方车辆检测方法 |
CN108312957A (zh) * | 2018-01-23 | 2018-07-24 | 江苏大学 | 一种基于道路信息的自适应车辆弯道照明***及方法 |
CN108764108A (zh) * | 2018-05-22 | 2018-11-06 | 湖北省专用汽车研究院 | 一种基于贝叶斯统计决策的前车检测方法 |
CN109237425A (zh) * | 2017-04-28 | 2019-01-18 | 常州通宝光电股份有限公司 | 汽车led远近光一体大灯 |
CN110033516A (zh) * | 2019-04-16 | 2019-07-19 | 重庆交通大学 | 基于双目相机图像采集识别的针片状颗粒含量检测方法 |
CN110084111A (zh) * | 2019-03-19 | 2019-08-02 | 江苏大学 | 一种应用于自适应远光灯的快速夜间车辆检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI302879B (en) * | 2006-05-12 | 2008-11-11 | Univ Nat Chiao Tung | Real-time nighttime vehicle detection and recognition system based on computer vision |
WO2019161300A1 (en) * | 2018-02-18 | 2019-08-22 | Nvidia Corporation | Detecting objects and determining confidence scores |
-
2019
- 2019-10-12 CN CN201910966947.0A patent/CN112651269B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194129A (zh) * | 2011-05-13 | 2011-09-21 | 南京大学 | 基于车型聚类的交通流参数视频检测方法 |
CN103020948A (zh) * | 2011-09-28 | 2013-04-03 | 中国航天科工集团第二研究院二○七所 | 智能车载防撞预警***中的夜间图像特征提取方法 |
CN102682455A (zh) * | 2012-05-10 | 2012-09-19 | 天津工业大学 | 一种基于单目视觉的前方车辆检测方法 |
CN106295528A (zh) * | 2016-08-01 | 2017-01-04 | 长安大学 | 一种基于多部件空间位置关系gmm建模的车辆检测方法 |
CN108229249A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种夜间前方车辆检测方法 |
CN109237425A (zh) * | 2017-04-28 | 2019-01-18 | 常州通宝光电股份有限公司 | 汽车led远近光一体大灯 |
CN107316002A (zh) * | 2017-06-02 | 2017-11-03 | 武汉理工大学 | 一种基于主动学习的夜间前方车辆识别方法 |
CN107480646A (zh) * | 2017-08-22 | 2017-12-15 | 北京工业大学 | 一种基于双目视觉的车载视频异常运动检测方法 |
CN108037505A (zh) * | 2017-12-08 | 2018-05-15 | 吉林大学 | 一种夜间前方车辆检测方法及*** |
CN108312957A (zh) * | 2018-01-23 | 2018-07-24 | 江苏大学 | 一种基于道路信息的自适应车辆弯道照明***及方法 |
CN108764108A (zh) * | 2018-05-22 | 2018-11-06 | 湖北省专用汽车研究院 | 一种基于贝叶斯统计决策的前车检测方法 |
CN110084111A (zh) * | 2019-03-19 | 2019-08-02 | 江苏大学 | 一种应用于自适应远光灯的快速夜间车辆检测方法 |
CN110033516A (zh) * | 2019-04-16 | 2019-07-19 | 重庆交通大学 | 基于双目相机图像采集识别的针片状颗粒含量检测方法 |
Non-Patent Citations (6)
Title |
---|
3D Otsu Moving Vehicle Detection Method Based on Steepest Ascent;Shangwan Chen等;《2013 International Conference on Computational and Information Sciences》;20131024;1040-1043 * |
Anomaly detection using DBSCAN clustering technique for traffic video surveillance;R. Ranjith等;《2015 Seventh International Conference on Advanced Computing (ICoAC)》;20160908;1-6 * |
LED汽车灯具结构优化设计;刘国学等;《汽车电器》;20180131(第01期);30-32 * |
基于图论的复杂交通环境下车辆检测方法;苏帅等;《北京交通大学学报》;20171031;第41卷(第5期);66-72 * |
基于多结构特征提取和轨迹跟踪的车辆远光识别;苏金亚等;《电子测量与仪器学报》;20181015(第10期);103-110 * |
复杂光照环境下的车辆检测方法;裴明涛等;《北京理工大学学报》;20160415(第04期);393-398 * |
Also Published As
Publication number | Publication date |
---|---|
CN112651269A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103345766B (zh) | 一种信号灯识别方法及装置 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN110688907B (zh) | 基于夜间道路光源识别物体的方法及装置 | |
JP5820843B2 (ja) | 周囲環境判定装置 | |
JP4863951B2 (ja) | 信号機認識装置 | |
JP5981550B2 (ja) | 立体物検出装置および立体物検出方法 | |
WO2014017434A1 (ja) | 画像処理装置 | |
CN103927548B (zh) | 一种新的避免车辆碰撞的刹车行为检测方法 | |
CN105913041A (zh) | 一种基于预先标定的信号灯识别方法 | |
CN110084111B (zh) | 一种应用于自适应远光灯的快速夜间车辆检测方法 | |
CN109948552B (zh) | 一种复杂交通环境中的车道线检测的方法 | |
JP6034923B1 (ja) | 車外環境認識装置 | |
JP6227898B2 (ja) | 画像処理装置 | |
CN104050447A (zh) | 一种交通信号灯识别方法和装置 | |
CN108357418A (zh) | 一种基于尾灯识别的前车驾驶意图分析方法 | |
CN107644538A (zh) | 交通信号灯的识别方法及装置 | |
CN109447093B (zh) | 基于yuv图像的车尾灯检测方法 | |
CN107025796A (zh) | 汽车辅助驾驶视觉预警***及其预警方法 | |
CN112651269B (zh) | 一种快速检测夜间前方同向车辆方法 | |
CN102169583A (zh) | 基于车窗定位的车辆遮挡检测与分割方法 | |
CN106803064B (zh) | 一种交通灯快速识别方法 | |
CN109800693B (zh) | 一种基于颜色通道混合特征的夜间车辆检测方法 | |
KR101237374B1 (ko) | 신호등 판별용 영상 처리 방법 | |
CN113743226B (zh) | 一种日间前车灯语识别及预警方法及*** | |
JP4119041B2 (ja) | 色情報を用いた車両検出装置 |
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 |