JP7156120B2 - 物体認識装置 - Google Patents
物体認識装置 Download PDFInfo
- Publication number
- JP7156120B2 JP7156120B2 JP2019055128A JP2019055128A JP7156120B2 JP 7156120 B2 JP7156120 B2 JP 7156120B2 JP 2019055128 A JP2019055128 A JP 2019055128A JP 2019055128 A JP2019055128 A JP 2019055128A JP 7156120 B2 JP7156120 B2 JP 7156120B2
- Authority
- JP
- Japan
- Prior art keywords
- recognition
- calculated
- calculation unit
- luminance
- unit
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Description
この明細書における開示は、画像から特定の物体を認識する物体認識装置に関する。
従来、撮像画像に含まれる被写体が何であるかを認識する認識技術として、輝度や色等の特徴量を用いた画像処理により被写体を認識する技術がある。具体的には、画像内の複数領域における輝度のヒストグラム(度数分布)の一種である勾配方向ヒストグラム(HOG:Histograms of Oriented Gradients)を用いて物体検出を行う技術が提案されている。勾配方向ヒストグラムは、対象となる画像を複数の領域に分割し、この各領域について輝度の勾配強度および勾配方向を算出し、これらの輝度の勾配強度および勾配方向に基づいて作成される。
特許文献1に記載の技術では、画像における複数の領域について勾配方向ヒストグラムを算出する。加えて、物体の認識精度を向上するために、複数の勾配方向ヒストグラムの階級のうち、特定の2つの領域に係る勾配方向ヒストグラムの特定の階級の値の差分値を算出する。対象となる画像を分割した各領域について算出した勾配方向ヒストグラムと、この差分値に基づいて物体を認識している。
勾配方向ヒストグラムの勾配強度の度数は、画像サイズが大きいほど大きくなるので、画像サイズによって変わる値である。したがって単に差分値を算出すると画像サイズの影響を受けることになる。そこで特許文献1では、画像の縮小処理によって一律の画像サイズに縮小する前処理を行って、その後に差分値を算出している。したがって特許文献1に記載の技術では前処理が必要であり、処理負荷が高いという問題がある。
そこで、開示される目的は前述の問題点を鑑みてなされたものであり、処理負荷を抑制しつつ、物体を認識することができる物体認識装置を提供することを目的とする。
本開示は前述の目的を達成するために以下の技術的手段を採用する。
ここに開示された物体認識装置は、画像から特定の対象物体(110)を認識する物体認識装置(10)であって、画像中において、対象物体が存在する可能性が高い認識対象領域(41)を推定する領域推定部(31)と、認識対象領域を複数領域に分割した分割領域(42)のそれぞれにおいて、輝度の勾配強度および輝度の勾配方向を算出し、算出した輝度の勾配方向に対する輝度の勾配強度の度数分布を分割領域毎に算出する第1算出部(51)と、
第1算出部で算出された複数の度数分布のうち、少なくとも2つの領域の度数分布の階級から2つの階級を選ぶ場合の全ての組み合わせで2つの階級の度数の比を算出する第2算出部(52)と、第1算出部が算出した度数分布と第2算出部が算出した比とを用いて認識対象領域に対象物体が含まれるか否かを判断する対象認識部(33)と、を含む物体認識装置である。
第1算出部で算出された複数の度数分布のうち、少なくとも2つの領域の度数分布の階級から2つの階級を選ぶ場合の全ての組み合わせで2つの階級の度数の比を算出する第2算出部(52)と、第1算出部が算出した度数分布と第2算出部が算出した比とを用いて認識対象領域に対象物体が含まれるか否かを判断する対象認識部(33)と、を含む物体認識装置である。
このような物体認識装置に従えば、第1算出部が算出した度数分布と第2算出部が算出した階級の度数の比とを用いて、認識対象領域に対象物体が含まれるか否かを対象認識部よって判断している。分割領域および認識対象領域における輝度の勾配方向の階級ごとの輝度の勾配強度は、認識対象領域に含まれている対象物体の特徴を表している。したがって、階級の度数の比も対象物体の有無を判断するパラメータとなる。よって、分割領域および認識対象領域における輝度の勾配方向の階級ごとの輝度の勾配強度だけでなく、階級の度数の比も用いることで対象物体の有無を精度よく判断することができる。
また階級の度数の比は領域の画像サイズに依存しない。したがって画像サイズを一律に調整するために画像サイズを縮小する処理が不要となる。よって、画像サイズの調整に起因する処理負荷を抑制することができる。
なお、前述の各手段の括弧内の符号は、後述する実施形態に記載の具体的手段との対応関係を示す一例である。
(第1実施形態)
本開示の第1実施形態に関して、図1~図3を用いて説明する。図1は、本開示に係る物体認識装置10を備える車載システム100の概略的な構成の一例を示す図である。車載システム100は、自車両に搭載されており、物体認識装置10、カメラ11および車両制御部12を備えている。
本開示の第1実施形態に関して、図1~図3を用いて説明する。図1は、本開示に係る物体認識装置10を備える車載システム100の概略的な構成の一例を示す図である。車載システム100は、自車両に搭載されており、物体認識装置10、カメラ11および車両制御部12を備えている。
カメラ11は、車室内などに設置されて、自車両の前方を撮像する。このカメラ11は、単眼カメラであっても、ステレオカメラであってもよい。カメラ11は、撮像した画像を通信ネットワーク13に出力する。
物体認識装置10は、カメラ11および車両制御部12のそれぞれと自車両内に構築されている通信ネットワーク13を介して相互通信可能に接続されている。物体認識装置10は、カメラ11が撮像する画像に基づいて、自車両の周辺に存在する物体の種別、たとえば車両110である否かを特定するECU(Electronic Control Unit:電子制御装置)である。物体認識装置10は、構成要素として、入出力部21、演算部22および記憶部23を備える。演算部22は、入出力部21および記憶部23のそれぞれと相互通信可能に接続されている。
入出力部21は、物体認識装置10が通信ネットワーク13に接続する他の装置と相互通信するためのインターフェースとして機能する回路モジュールである。入出力部21は、たとえばカメラ11から出力された画像データを取得して、演算部22に提供する。また、演算部22から入力されたデータを所定の外部デバイス、たとえば車両制御部12に出力する。
記憶部23は、物体の種別を識別するためのデータである検出辞書を記憶している記憶装置である。検出辞書については別途後述する。記憶部23は、例えばハードディスクドライブやソリッドステートドライブ等といった書き換え可能であって且つ不揮発性の記憶媒体を用いて実現されている。記憶部23は、演算部22によってデータの読み出し及び書き込みが可能に構成されている。
演算部22は、種々の演算処理を実行する構成であって、コンピュータとして構成されている。演算部22は、CPU、RAM、フラッシュメモリ、I/O、及びこれらの構成を接続するバスラインなどを備える。フラッシュメモリには、演算部22が実行するプログラム等が格納されている。
なお、演算部22は、CPUの代わりに、GPUやMPUを用いて実現されていても良い。さらにCPUやGPU、MPUを組合せて実現されていてもよい。また、演算部22が実行するプログラムは、非遷移的実体的記録媒体(non- transitory tangible storage medium)に格納されていればよく、その具体的な格納媒体は、フラッシュメモリに限定されない。
車両制御部12は、物体認識装置10での物体の認識結果に基づいて自車両の加減速制御および操舵制御を行うことにより、運転席の乗員よる運転操作の補助または代行を行うECUである。車両制御部12は、物体認識装置10の認識結果を利用する構成であれば運転操作の補助または代行する制御に限るものではなく、エンジン制御など他の制御も実施する。また物体認識装置10の認識結果は、自動運転に限らず、多様なアプリケーションで利用することができる。
次に、演算部22の具体的な物体認識処理に関して説明する。演算部22は、CPUが物体認識プログラムを実行することによって物体認識処理を実行する。演算部22は、物体認識処理を実行することで、図1に示す種々の機能ブロックに対応する機能を提供する。演算部22は、機能ブロックとして領域推定部31、特徴抽出部32および対象認識部33を備える。これらの種々の機能ブロックの一部又は全部は、ハードウェアとして実現されていても良い。
領域推定部31は、カメラ11が撮像した画像中において、対象物体である他の車両110が存在する可能性が高い認識対象領域41を推定する。領域推定部31は、自車両の後方画像中または前方画像中において、他の車両110が存在するであろう矩形状の認識対象領域41を特定する。領域推定部31は、具体的には、他の車両110の後方形状がカメラ11が撮像した画像中に存在する可能性が高い認識対象領域41を推定する。領域推定部31は、たとえばエッジ検出によって車両110の後方形状に類似する物体を検出し、図2に示すように、検出した物体を内包するように矩形状の認識対象領域41を推定する。領域推定部31は、推定した認識対象領域41を特徴抽出部32に出力する。
特徴抽出部32は、認識対象領域41から画像の特徴を抽出し、抽出した特徴を対象認識部33に出力する。特徴抽出部32は、機能ブロックとして第1算出部51、第2算出部52および第3算出部53を備える。第1算出部51は、領域推定部31が特定した認識対象領域41と、認識対象領域41を複数領域に分割した分割領域42のそれぞれにおいて、輝度の勾配強度および輝度の勾配方向を算出し、算出した輝度の勾配方向に対する勾配強度の度数分布を認識対象領域41と分割領域42のそれぞれにおいて算出する。分割領域42は、図2に示すように、認識対象領域41を縦に3つ、かつ横に3つに等分割した9分割の領域である。
輝度の勾配方向に対する勾配強度の度数分布は、輝度のヒストグラム(度数分布)の一種であり、勾配方向ヒストグラム(HOG:Histograms of Oriented Gradients)と呼ばれる。したがって第1算出部51は、対象領域におけるHOGを算出する。HOGは、図3に示すように、認識対象領域41および各分割領域42について輝度の勾配強度および勾配方向を算出し、これらの輝度の勾配強度および勾配方向に基づいて作成される。
次に、HOGの算出について具体的に説明する。カメラ11によって撮像された画像は、マトリクス状に配置された複数の画素の集合体である。したがって認識対象領域41および分割領域42も同様に、マトリクス状に配置された複数の画素の集合体である。ここで輝度の勾配方向は、対象となる画素の輝度の勾配方向を示す値である。輝度の勾配強度は、対象となる画素の輝度の勾配強度を示す値である。
たとえば特定の画素である第1画素について、輝度の勾配方向および勾配強度を算出する場合には、第1画素の水平方向(x方向)および垂直方向(y方向)に隣接する4つの画素を用いる。最初に、第1画素に隣接する4つの画素の輝度成分(Y成分)が抽出される。たとえば第1画素の座標をZ(x,y)とする場合に、第1画素の輝度成分をP(x,y)とする。そしてたとえば、第1画素の右隣の画素の輝度成分をP(x+1,y)とし、第1画素の左隣の画素の輝度成分をP(x-1,y)とし、第1画素の上隣の画素の輝度成分をP(x,y+1)とし、第1画素の下隣の画素の輝度成分をP(x,y-1)とする。この場合に、第1画素における輝度の勾配方向θ(x,y)は、式(1)を用いて算出される。また、第1画素における輝度の勾配強度I(x,y)は、式(2)を用いて算出される。
図3に示すように、分割領域42に含まれる全ての画素について算出された輝度の勾配方向θ(x,y)および輝度の勾配強度I(x,y)に基づいて作成されるヒストグラムを示す。図3に示すヒストグラムがHOGであり、横軸は輝度の勾配方向を示す軸であり、縦軸は輝度の勾配強度の頻度を示す軸である。
この例では、輝度の勾配方向の範囲(0~180度までの区間)について、1区間の範囲を22.5度として、8区間の角度領域を定義する。そして、算出された輝度の勾配方向θ(x,y)に対する輝度の勾配強度I(x,y)のヒストグラムを作成する。すなわち、算出された輝度の勾配方向θ(x,y)が8階級に量子化されたもの横軸とし、この量子化された輝度の勾配方向θ(x,y)に対する輝度の勾配強度I(x,y)の合計値が縦軸とするヒストグラム(度数分布)が算出される。したがって各階級の度数は、輝度の勾配強度I(x,y)の合計値となる。これにより、図3に示すヒストグラムが作成される。このように、分割領域42についてヒストグラムを算出する場合には、例えば、分割領域42における左上隅の第1画素から右下隅の最終の画素までのラスター順に演算が行われる。HOGを算出することによって、輝度勾配が強い区間を把握することができる。これにより、HOGの算出対象である分割領域42のエッジ強度分布を容易に把握することができる。
このように算出されたHOGは、認識対象領域41の特徴量として用いられる。具体的には、認識対象領域41と9個の分割領域42でHOGを算出するので、10領域×8区間で80個の勾配強度I(x,y)の合計値が抽出される。抽出された80個の勾配強度I(x,y)の合計値が認識対象領域41の特徴であるので、80個の特徴(すなわち80個の輝度の勾配強度)が認識対象領域41から抽出される。
第2算出部52は、第1算出部51で算出された複数の領域のHOGのうち、少なくとも2つの領域のHOGの階級から2つの階級を選ぶ場合の全ての組み合わせで2つの階級の度数の比を算出する。第2算出部52は、本実施形態では第1算出部51で算出された全ての領域のHOGから2つの階級を選ぶ場合の全ての組み合わせで2つの階級の度数の比を算出する。具体的には、第1算出部51で80個の輝度の勾配強度の合計値が算出されるが、この80個から2つの階級の度数を選ぶ場合の組み合わせで、度数の比を算出する。第2算出部52における特徴は、2つの階級の度数の比、すなわち2つの輝度の勾配強度の合計値の比である。度数の比を算出する組み合わせは、80個から2つ選ぶ場合の数であり、この場合の数が第2算出部52によって抽出される特徴数となる。よって特徴数は、80C2で表せるので、第2算出部52によって認識対象領域41から3160個の特徴が抽出される。
第3算出部53は、認識対象領域41の縦と横の比および認識対象領域41の領域面積を算出する。これによって2個の特徴が抽出される。認識対象領域41の縦横比は、車両110の全体を検出できている場合と、車両110の荷台などの一部だけを検出している場合との識別に使う特徴として用いられる。また認識対象領域41の領域面積は、対象領域の大きさで識別に使う特徴が切り替わるので、識別に用いる特徴を切り替えるために用いられる。
本実施形態では、特徴抽出部32は、前述の特徴、すなわち80個の勾配方向毎の勾配強度、勾配強度の比、認識対象領域41の縦横比および領域面積を抽出しているがこのような特徴に限るものではない。たとえば、他の特徴として、正規化した勾配方向ヒストグラムを特徴として用いてもよい。正規化する方法として、たとえば各領域において、8方向の輝度の勾配強度の総合計で、各勾配方向における輝度を徐することで算出される。これによって80個の特徴が抽出される。正規化することによって、認識対象領域41の大きさに依らない共通した特徴を抽出することができる。なお、上記特徴を正規化しても、上記特徴の数は、画像の画素数よりは十分に少ない。したがって、上記特徴を正規化する場合の演算負荷は、画像サイズを縮小する場合の演算負荷よりも少なくなる。
対象認識部33は、第1算出部51が算出した度数分布、第2算出部52が算出した階級の度数の比、および第3算出部53が算出した縦横比および面積を用いて認識対象領域41に対象物体が含まれるか否かを判断する判断処理を実施する。したがって対象認識部33は、第1算出部51が算出した80個の特徴、第2算出部52が算出した3160個の特徴、および第3算出部53が算出した2個の特徴の合計である3242個の特徴を用いて認識対象領域41に他の車両110の後方形状が含まれるか否かを判断する。そして対象認識部33は、判断結果を他の装置、たとえば車両制御部12に出力する。
対象認識部33は、判断結果として、例えば、撮像画像における他の車両110の位置および大きさと、それが車両110であるか否かの度合いを表すスコアとが出力される。スコアについて具体的には、対象認識部33は、記憶部23に記憶されている検出辞書を用いてスコアを算出する。検出辞書は、判断処理を行うための判断情報である。
検出辞書の各値は、ランダムフォレストモデルなどの機械学習アルゴリズムにより学習されたものである。他の車両110の後方形状が含まれる画像および他の車両110の後方形状が含まれない画像を多数集めて車両110の後方形状の特有のパターンを学習することにより、判断処理に用いられる検出辞書を作成することができる。
ランダムフォレストモデルは、複数の決定木を含み、ランダムフォレストモデルを用いて車両らしさを示すスコアが算出される。スコアが高くなるほど、車両110である可能性が高くなる。決定木は、識別木とも称される。
検出辞書には、たとえば認識対象領域41から抽出された特徴と、スコアと閾値とが互いに関連付けて記憶されている。たとえば、所定の特徴を用いて判断する場合、その特徴を判断するための固有の閾値が設定されている。
各決定木では、特徴抽出部32で抽出された特徴を順次用い、その特徴に対して検出辞書に記憶されている閾値とを比較し、比較した結果に基いてスコアを算出する。たとえば特徴の値が閾値よりも大きい場合は、車の可能性が高いとしてスコアを増加させ、閾値よりも大きくない場合は、車の可能性が低いとしてスコアを減少させる。
各決定木では、閾値の比較結果によって次に進む決定木が予め設定されており、最後の決定木まで閾値と比較する処理を繰り返す。そして各決定木において算出されたスコアは、最終的にスコアが計算される。そして最終決定したスコアと所定の閾値とを比較して、車両110であるか否かを判断する。
以上説明したように本実施形態の物体認識装置10に従えば、第1算出部51が算出した度数分布と第2算出部52が算出した階級の度数の比とを用いて、認識対象領域41に対象物体が含まれるか否かを判断している。分割領域42および認識対象領域41における輝度の勾配方向の階級ごとの輝度の勾配強度は、認識対象領域41に含まれている対象物体の特徴を表している。したがって、階級の度数の比も対象物体の有無を判断するパラメータとなる。よって、分割領域42および認識対象領域41における輝度の勾配方向の階級ごとの輝度の勾配強度だけでなく、階級の度数の比も用いることで対象物体の有無を精度よく判断することができる。
階級の度数の比は領域の画像サイズに依存しない。したがって画像サイズを一律に調整するために画像サイズを縮小する処理が不要となる。よって、画像サイズの調整に起因する処理負荷を抑制することができる。
また本実施形態では、第2算出部52は、第1算出部51で算出された全ての領域の度数分布から2つの階級を選ぶ場合の全ての組み合わせで2つの階級の度数の比を算出する。これによって第2算出部52で算出される特徴数が増加するので、より対象物体の有無を高精度に判断することができる。また特徴数は増加するが比を演算するだけなので、演算負荷は画像サイズを調整する処理に比べたら小さい。したがって処理の増加を抑制しつつ、特徴数を増加させることができる。
さらに本実施形態では、領域推定部31は、車両110の後方形状を映す画像中において、車両110が存在する矩形状の認識対象領域41を特定している。分割領域42は、矩形状の認識対象領域41を縦に3つ、かつ横に3つに分割した9分割の領域である。これによって四隅の部分に車両110の後方形状の特徴である角部分が配置される可能性が高くなり、四隅を除く部分と検出される勾配方向ヒストグラムの差異が顕著になりやすくなる。
また本実施形態では、第3算出部53が算出した縦横比をさらに用いて、認識対象領域41に対象物体が含まれるか否かを判断している。認識対象領域41の縦横比は、車両110の後方形状を表す特徴の1つである。認識対象領域41が、たとえば横長の長方形状であると、車両110の後方形状でない可能性が高い。このような縦横比を用いることで、認識精度を向上することができる。
(その他の実施形態)
以上、本開示の好ましい実施形態について説明したが、本開示は前述した実施形態に何ら制限されることなく、本開示の主旨を逸脱しない範囲において種々変形して実施することが可能である。
以上、本開示の好ましい実施形態について説明したが、本開示は前述した実施形態に何ら制限されることなく、本開示の主旨を逸脱しない範囲において種々変形して実施することが可能である。
前述の実施形態の構成は、あくまで例示であって、本開示の範囲はこれらの記載の範囲に限定されるものではない。本開示の範囲は、特許請求の範囲の記載によって示され、さらに特許請求の範囲の記載と均等の意味及び範囲内での全ての変更を含むものである。
前述の第1実施形態では、特定の対象物体は車両110であったが車両110に限るものではなく、他の物体、たとえば人物であってもよく、ガードレールおよび信号機などの道路上に固定されている物体であってもよい。また対象物体は、車両110の後方形状に限るものではなく、車両110の側方形状であってもよく、車両110の前方形状あってもよく、方向を限定しない構成であってもよい。
前述の第1実施形態では、認識対象領域41は9つに分割しているが、9つに限るものではなく、2つ以上に分割であればよい。たとえば4分割や16分割であってもよい。
前述の第1実施形態では、全ての領域の度数分布から2つの階級を選ぶ場合の全ての組み合わせで2つの階級の度数の比を算出しているが、全ての領域に限るものではなく、少なくとも2つの領域あればよい。
前述の第1実施形態では、第1算出部51は、認識対象領域41と、認識対象領域41を複数領域に分割した分割領域42のそれぞれにおいてHOGを算出しているが、認識対象領域41においてHOGを算出せずに、分割領域42だけHOGを算出してもよい。
前述の第1実施形態では、機械学習アルゴリズムとして、ランダムフォレストを用いているがこのようなアルゴリズムに限るものではない。対象認識部33は、例えば、アダブースト(AdaBoost)、k近似法、SVM(support vector machine)、等の他の機械学習アルゴリズムを採用することもできる。
前述の第1実施形態において、物体認識装置10によって実現されていた機能は、前述のものとは異なるハードウェアおよびソフトウェア、またはこれらの組み合わせによって実現してもよい。物体認識装置10は、たとえば他の制御装置と通信し、他の制御装置が処理の一部または全部を実行してもよい。物体認識装置10が電子回路によって実現される場合、それは多数の論理回路を含むデジタル回路、またはアナログ回路によって実現することができる。
前述の第1実施形態では、勾配強度I(x,y)の合計値が縦軸となるヒストグラムを作成したが、強度の大小関係なく、すなわちI(x,y)=1として、勾配方向θ(x,y)毎の単純な頻度を縦軸としたヒストグラムでもよい。これによって勾配強度を算出する演算負荷を軽減することができる。
10…物体認識装置 11…カメラ 12…車両制御部 13…通信ネットワーク
21…入出力部 22…演算部 23…記憶部 31…領域推定部
32…特徴抽出部 33…対象認識部 41…認識対象領域 42…分割領域
51…第1算出部 52…第2算出部 53…第3算出部 100…車載システム
110…車両(対象物体)
21…入出力部 22…演算部 23…記憶部 31…領域推定部
32…特徴抽出部 33…対象認識部 41…認識対象領域 42…分割領域
51…第1算出部 52…第2算出部 53…第3算出部 100…車載システム
110…車両(対象物体)
Claims (4)
- 画像から特定の対象物体(110)を認識する物体認識装置(10)であって、
画像中において、前記対象物体が存在する可能性が高い認識対象領域(41)を推定する領域推定部(31)と、
前記認識対象領域を複数領域に分割した分割領域(42)のそれぞれにおいて、輝度の勾配強度および輝度の勾配方向を算出し、算出した輝度の勾配方向に対する輝度の勾配強度の度数分布を前記分割領域毎に算出する第1算出部(51)と、
前記第1算出部で算出された複数の度数分布のうち、少なくとも2つの領域の度数分布の階級から2つの階級を選ぶ場合の全ての組み合わせで2つの階級の度数の比を算出する第2算出部(52)と、
前記第1算出部が算出した度数分布と前記第2算出部が算出した比とを用いて前記認識対象領域に前記対象物体が含まれるか否かを判断する対象認識部(33)と、を含む物体認識装置。 - 前記第2算出部は、前記第1算出部で算出された全ての領域の度数分布から2つの階級を選ぶ場合の全ての組み合わせで2つの階級の比を算出する請求項1に記載の物体認識装置。
- 前記対象物体は、車両であり、
前記領域推定部は、前記車両の後方画像中または前方画像中において、前記車両が存在する矩形状の前記認識対象領域を特定し、
前記分割領域は、前記認識対象領域を縦に3つ、かつ横に3つに分割した9分割の領域である請求項1または2に記載の物体認識装置。 - 前記認識対象領域の縦と横の比を算出する第3算出部(53)をさらに含み、
前記対象認識部は、前記第3算出部が算出した縦横比をさらに用いて、前記認識対象領域に前記対象物体が含まれるか否かを判断する請求項3に記載の物体認識装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019055128A JP7156120B2 (ja) | 2019-03-22 | 2019-03-22 | 物体認識装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019055128A JP7156120B2 (ja) | 2019-03-22 | 2019-03-22 | 物体認識装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020155021A JP2020155021A (ja) | 2020-09-24 |
JP7156120B2 true JP7156120B2 (ja) | 2022-10-19 |
Family
ID=72559367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019055128A Active JP7156120B2 (ja) | 2019-03-22 | 2019-03-22 | 物体認識装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7156120B2 (ja) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008293446A (ja) | 2007-05-28 | 2008-12-04 | Chubu Electric Power Co Inc | 移動体識別装置、移動体識別プログラム |
JP2011096081A (ja) | 2009-10-30 | 2011-05-12 | Fujitsu Ltd | 画像処理方法及び装置並びにプログラム |
JP2012084140A (ja) | 2010-09-30 | 2012-04-26 | Toshiba Corp | 映像解析方法およびシステム |
JP2012138077A (ja) | 2010-12-08 | 2012-07-19 | Ricoh Co Ltd | 車両識別装置 |
JP2013131213A (ja) | 2011-11-24 | 2013-07-04 | Toyota Central R&D Labs Inc | 対象物識別装置、学習サンプル作成装置、及びプログラム |
JP2013161126A (ja) | 2012-02-01 | 2013-08-19 | Honda Elesys Co Ltd | 画像認識装置、画像認識方法および画像認識プログラム |
JP2014010544A (ja) | 2012-06-28 | 2014-01-20 | Kyushu Institute Of Technology | 画像特徴抽出及び画像処理のためのシステム、方法及びプログラム |
JP2016186702A (ja) | 2015-03-27 | 2016-10-27 | 富士重工業株式会社 | 車外環境認識装置 |
-
2019
- 2019-03-22 JP JP2019055128A patent/JP7156120B2/ja active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008293446A (ja) | 2007-05-28 | 2008-12-04 | Chubu Electric Power Co Inc | 移動体識別装置、移動体識別プログラム |
JP2011096081A (ja) | 2009-10-30 | 2011-05-12 | Fujitsu Ltd | 画像処理方法及び装置並びにプログラム |
JP2012084140A (ja) | 2010-09-30 | 2012-04-26 | Toshiba Corp | 映像解析方法およびシステム |
JP2012138077A (ja) | 2010-12-08 | 2012-07-19 | Ricoh Co Ltd | 車両識別装置 |
JP2013131213A (ja) | 2011-11-24 | 2013-07-04 | Toyota Central R&D Labs Inc | 対象物識別装置、学習サンプル作成装置、及びプログラム |
JP2013161126A (ja) | 2012-02-01 | 2013-08-19 | Honda Elesys Co Ltd | 画像認識装置、画像認識方法および画像認識プログラム |
JP2014010544A (ja) | 2012-06-28 | 2014-01-20 | Kyushu Institute Of Technology | 画像特徴抽出及び画像処理のためのシステム、方法及びプログラム |
JP2016186702A (ja) | 2015-03-27 | 2016-10-27 | 富士重工業株式会社 | 車外環境認識装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2020155021A (ja) | 2020-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8391555B2 (en) | Lane recognition apparatus for vehicle, vehicle thereof, and lane recognition program for vehicle | |
WO2018040756A1 (zh) | 一种车身颜色识别的方法及装置 | |
US10043090B2 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
KR101848019B1 (ko) | 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치 | |
US11288833B2 (en) | Distance estimation apparatus and operating method thereof | |
CN111178245A (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
JP5950441B2 (ja) | 画像認識装置、画像認識方法および画像認識プログラム | |
US11270133B2 (en) | Object detection device, object detection method, and computer-readable recording medium | |
US9087263B2 (en) | Vision based pedestrian and cyclist detection method | |
KR101483742B1 (ko) | 지능형 차량의 차선 검출방법 | |
CN107004137B (zh) | 用于目标检测的***和方法 | |
CN112052782A (zh) | 基于环视的停车位识别方法、装置、设备及存储介质 | |
US20110142345A1 (en) | Apparatus and method for recognizing image | |
Lee et al. | Traffic light detection and recognition based on Haar-like features | |
EP2256691B1 (en) | Image processing device for vehicle and image processing program | |
US20210090260A1 (en) | Deposit detection device and deposit detection method | |
JP2020135616A (ja) | 物体検出装置 | |
JP7156120B2 (ja) | 物体認識装置 | |
CN103870837B (zh) | 一种检测待检测区域内是否存在车辆的方法和装置 | |
JP2013164643A (ja) | 画像認識装置、画像認識方法および画像認識プログラム | |
CN110321828B (zh) | 一种基于双目摄像机和车底阴影的前方车辆检测方法 | |
US20200211194A1 (en) | Attached object detection apparatus | |
JP7298426B2 (ja) | 物体検出装置 | |
CN110287786B (zh) | 基于人工智能防干扰的车辆信息识别方法及装置 | |
JP7201211B2 (ja) | 物体検出方法及び物体検出装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210716 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220906 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220919 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7156120 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |