前车检测——对称性检测

依据对称性特征对障碍物进行检测,依照一般定性的分析方法,我们只能知道障碍物是否是对称的,但是在这里仅仅利用对称性的定性分析是不够的,必须能够用数学的形式对其进行定量的描述,下面将对称性的定量分析进行了介绍。本文利用连续对称的概念,建立了定量的方法来度量对称性。图像中的一行灰度数据可视为水平像素坐标的一维函数g(x),(我们不需要知道函数是什么,因为我们最终计算只是用这个函数值,这个类似于核函数的感觉)。

任何函数都可以写成一个偶函数和奇函数之和的形式, 

 

 

奇偶函数的重要性:

 

奇偶函数的能量函数如下:

 

 

再对偶函数做如下的归一化处理,如下,使其均值为0

 

 

利用能量函数定义对称性的测量值如下:

 

对称性测量值为(-11)区间内的任意数,S=1表示完全对称,S=0表示不对称,S=-1表示反对称,测度 与参数 是一一对应的。

需要把上面的公式要实现为代码,图像中的一行灰度数据可视为水平像素坐标的一维函数g(x)。

前车一般是水平对称性较强,所以可以把检测到的疑似前车的矩形roi的一列灰度数据分别累加,作为g(u)。

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
深度学习在车道线检测中的应用已经取得了显著的成果。车道标记检测不仅可以提供相关道路信息,辅助车辆定位和前车检测,还可以提供更好的环境理解,为可能发生的危险状况做好准备。相比于传统的车道检测方法,车道标记检测可以更全面地感知整个视野内的车道标记,而不仅仅关注当前行车道。 深度学习方法在车道线检测中的网络架构和优化目标方面有着广泛的研究。基于深度学习的方法可以通过卷积神经网络(CNN)和递归神经网络(RNN)等模型,在欧几里得数据和顺序数据上取得了巨大的成功。此外,贝叶斯深度学习也引起了很多关注,可以直接在各种非欧几里得数据结构上进行监督学习。 车道线检测面临着光照、遮挡和磨损等挑战。为了克服这些挑战,现有方法可以分为基于手工特征提取和基于深度学习的方法。前者通常包括预处理、特征抽取和曲线拟合三个步骤,其中使用了颜色空间转换、均值滤波、定向可控滤波、SIFT、Canny、霍夫变换等技术。后者则通过深度学习网络自动学习特征和模式,克服了传统方法中需要手动设计特征的限制。 总结来说,深度学习在车道线检测中的应用已经取得了重要的突破,通过自动学习特征和模式,深度学习方法能够提供更准确、鲁棒和全面的车道线检测结果,为自动驾驶和智能交通系统的发展做出了重要贡献。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [深度学习——车道线检测](https://blog.csdn.net/qq_31329259/article/details/125289715)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [车道标记检测中的深度学习:综述(Deep Learning in Lane Marking Detection: A Survey)](https://blog.csdn.net/weixin_43726913/article/details/116831648)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小帆别吃糖

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值