JPH08202877A - 画像認識装置 - Google Patents
画像認識装置Info
- Publication number
- JPH08202877A JPH08202877A JP7014006A JP1400695A JPH08202877A JP H08202877 A JPH08202877 A JP H08202877A JP 7014006 A JP7014006 A JP 7014006A JP 1400695 A JP1400695 A JP 1400695A JP H08202877 A JPH08202877 A JP H08202877A
- Authority
- JP
- Japan
- Prior art keywords
- image
- learning
- white line
- output
- correlation
- 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
Landscapes
- Image Analysis (AREA)
Abstract
(57)【要約】
【目的】 種々の条件下で得られた画像から路面の白線
を認識する。 【構成】 基準画像記憶手段２に予め記憶された基準画
像を用いて演算手段３のニューラルネットワークを学習
する。学習済みのニューラルネットワークを用いて画像
撮像手段１で得られた画像を処理し、基準画像との相関
を演算する。
を認識する。 【構成】 基準画像記憶手段２に予め記憶された基準画
像を用いて演算手段３のニューラルネットワークを学習
する。学習済みのニューラルネットワークを用いて画像
撮像手段１で得られた画像を処理し、基準画像との相関
を演算する。
Description
【０００１】
【産業上の利用分野】本発明は画像認識装置、特にニュ
ーラルネットワーク（以下、ＮＮと称する）を用いた装
置に関する。
ーラルネットワーク（以下、ＮＮと称する）を用いた装
置に関する。
【０００２】
【従来の技術】従来より、車両運転者の負担を軽減する
ための装置が各種提案されており、究極的なものとして
は走路形状を認識して自動操舵を行う自動運転装置があ
る。走路形状を認識する方法としては、画像処理により
走路を認識する方法や電磁誘導方式などが提案されてい
るが、この中でも特に路面の白線を画像処理により認識
する方法は既存の白線をそのまま利用できる利点がある
ため、実現に向け鋭意研究、開発が行われている。
ための装置が各種提案されており、究極的なものとして
は走路形状を認識して自動操舵を行う自動運転装置があ
る。走路形状を認識する方法としては、画像処理により
走路を認識する方法や電磁誘導方式などが提案されてい
るが、この中でも特に路面の白線を画像処理により認識
する方法は既存の白線をそのまま利用できる利点がある
ため、実現に向け鋭意研究、開発が行われている。
【０００３】例えば、特開平６−１１９５９３号公報に
は、カメラにより得た画像をフレームメモリに記憶し、
所定のサーチウィンドウ毎にメモリから読み出して所定
のテンプレートを比較し相関演算を行う装置が提案され
ている。テンプレートとの相関の高い位置が白線位置で
あり、サーチウィンドウを車両に近い側から遠い側に向
けて順次移動させつつ同様の相関演算を行い、連続した
白線位置を検出する。
は、カメラにより得た画像をフレームメモリに記憶し、
所定のサーチウィンドウ毎にメモリから読み出して所定
のテンプレートを比較し相関演算を行う装置が提案され
ている。テンプレートとの相関の高い位置が白線位置で
あり、サーチウィンドウを車両に近い側から遠い側に向
けて順次移動させつつ同様の相関演算を行い、連続した
白線位置を検出する。
【０００４】
【発明が解決しようとする課題】しかしながら、テンプ
レートを用いた差分和に基づく相関法では、白線などの
対象物体の形状変化や輝度変化に対する柔軟性、応答性
に欠け、これらの影響による相関量の低下が著しいとい
う問題があった。
レートを用いた差分和に基づく相関法では、白線などの
対象物体の形状変化や輝度変化に対する柔軟性、応答性
に欠け、これらの影響による相関量の低下が著しいとい
う問題があった。
【０００５】もちろん、このような問題に対し予め複数
のテンプレートを用意して複数回の相関演算を行う、あ
るいは対象物体の変化に応じてテンプレートを順次最新
のものに更新する、処理対象画像の輝度正規化を行った
後に相関演算を行う、等のアプローチが考えられるが、
処理の複雑化を招いて処理時間が増大してしまう問題が
新たに生じる。特に、車両に搭載してリアルタイムで白
線検出を行う場合、迅速性が高度に要求されるため、こ
のような処理時間の増大は無視できない。
のテンプレートを用意して複数回の相関演算を行う、あ
るいは対象物体の変化に応じてテンプレートを順次最新
のものに更新する、処理対象画像の輝度正規化を行った
後に相関演算を行う、等のアプローチが考えられるが、
処理の複雑化を招いて処理時間が増大してしまう問題が
新たに生じる。特に、車両に搭載してリアルタイムで白
線検出を行う場合、迅速性が高度に要求されるため、こ
のような処理時間の増大は無視できない。
【０００６】本発明は上記従来技術の有する課題に鑑み
なされたものであり、白線等の対象物体が形状や輝度の
点で種々変化していても、迅速かつ確実に取得画像から
認識できる画像認識装置を提供することにある。
なされたものであり、白線等の対象物体が形状や輝度の
点で種々変化していても、迅速かつ確実に取得画像から
認識できる画像認識装置を提供することにある。
【０００７】
【課題を解決するための手段】上記目的を達成するため
に、請求項１記載の画像認識装置は、車両周囲画像を撮
像する画像撮像手段と、予め用意された代表的な基準画
像を記憶する記憶手段と、前記画像撮像手段で得られた
画像の所定領域内の画像と前記基準画像の相関を、前記
基準画像を用いて学習したＮＮで演算する演算手段とを
有することを特徴とする。
に、請求項１記載の画像認識装置は、車両周囲画像を撮
像する画像撮像手段と、予め用意された代表的な基準画
像を記憶する記憶手段と、前記画像撮像手段で得られた
画像の所定領域内の画像と前記基準画像の相関を、前記
基準画像を用いて学習したＮＮで演算する演算手段とを
有することを特徴とする。
【０００８】また、上記目的を達成するために、請求項
２記載の画像認識装置は、請求項１記載の画像認識装置
において、前記画像撮像手段での撮像条件に応じて前記
基準画像は複数用意され、前記演算手段は前記複数の基
準画像を用いて追加学習したＮＮを用いて相関を演算す
ることを特徴とする。
２記載の画像認識装置は、請求項１記載の画像認識装置
において、前記画像撮像手段での撮像条件に応じて前記
基準画像は複数用意され、前記演算手段は前記複数の基
準画像を用いて追加学習したＮＮを用いて相関を演算す
ることを特徴とする。
【０００９】
【作用】請求項１記載の画像認識装置では、汎化能力に
優れたＮＮを用いて基準画像と撮像画像との相関演算を
行う。ＮＮの学習は、認識すべき物体の基準画像を用い
て行われ、これにより種々の条件下で得られた画像から
複雑な処理を追加することなく確実に対象物体を認識す
ることができる。
優れたＮＮを用いて基準画像と撮像画像との相関演算を
行う。ＮＮの学習は、認識すべき物体の基準画像を用い
て行われ、これにより種々の条件下で得られた画像から
複雑な処理を追加することなく確実に対象物体を認識す
ることができる。
【００１０】請求項２記載の画像認識装置では、ＮＮの
追加学習能力を巧みに利用し、基準画像を複数用意して
ＮＮの追加学習を行う。この追加学習により、ＮＮの汎
化能力が拡大し、より厳しい条件下での撮像画像に対し
ても確実に対象物体を認識できる。
追加学習能力を巧みに利用し、基準画像を複数用意して
ＮＮの追加学習を行う。この追加学習により、ＮＮの汎
化能力が拡大し、より厳しい条件下での撮像画像に対し
ても確実に対象物体を認識できる。
【００１１】
【実施例】以下、図面に基づき本発明の実施例について
路面の白線を認識する場合を例にとり説明する。
路面の白線を認識する場合を例にとり説明する。
【００１２】図１には本実施例の概念構成図が示されて
いる。車両に画像撮像手段１が設けられ、画像撮像手段
１により路面の白線を含む車両前方画像を撮像する。ま
た、基準画像記憶手段２が設けられ、予め定められた基
準画像がパターンとして記憶されている。基準画像はＮ
Ｎから構成される演算手段３に入力され、パターン学習
手段４によりＮＮの学習が行われる。この学習は、基準
画像パターンがＮＮの入力層に入力された場合に出力層
から所定値（例えば１．０）が出力されるようにＮＮを
構成する各ニューロンの重みを決定することにより行わ
れるが、その詳細は後述する。基準画像を用いた学習さ
れたＮＮに対し、画像撮像手段１で撮像された画像（処
理対象画像）が入力され、ＮＮを用いて処理されて相関
値が出力される。この相関値は、従来の差分和による相
関値に対応するものであり、この相関値の位置による変
化に基づいて白線などの対象物体が検出される。
いる。車両に画像撮像手段１が設けられ、画像撮像手段
１により路面の白線を含む車両前方画像を撮像する。ま
た、基準画像記憶手段２が設けられ、予め定められた基
準画像がパターンとして記憶されている。基準画像はＮ
Ｎから構成される演算手段３に入力され、パターン学習
手段４によりＮＮの学習が行われる。この学習は、基準
画像パターンがＮＮの入力層に入力された場合に出力層
から所定値（例えば１．０）が出力されるようにＮＮを
構成する各ニューロンの重みを決定することにより行わ
れるが、その詳細は後述する。基準画像を用いた学習さ
れたＮＮに対し、画像撮像手段１で撮像された画像（処
理対象画像）が入力され、ＮＮを用いて処理されて相関
値が出力される。この相関値は、従来の差分和による相
関値に対応するものであり、この相関値の位置による変
化に基づいて白線などの対象物体が検出される。
【００１３】また、パターン学習手段４は、撮像条件に
応じて追加学習が必要な場合には基準画像記憶手段２に
記憶された複数の基準画像を用いてＮＮの追加学習を行
い、入力した撮像画像の相関値を演算する。なお、追加
学習とは、基準画像が２個（それぞれ基準画像Ｉ、ＩＩ
とする）存在する場合には、まず基準画像Ｉを用いてＮ
Ｎを学習し、学習済みのＮＮに対してさらに基準画像Ｉ
Ｉを用いて学習することをいい、基準画像Ｉ及びＩＩを
同時にＮＮの入力層に入力して学習を行うことを意味す
るものではない。
応じて追加学習が必要な場合には基準画像記憶手段２に
記憶された複数の基準画像を用いてＮＮの追加学習を行
い、入力した撮像画像の相関値を演算する。なお、追加
学習とは、基準画像が２個（それぞれ基準画像Ｉ、ＩＩ
とする）存在する場合には、まず基準画像Ｉを用いてＮ
Ｎを学習し、学習済みのＮＮに対してさらに基準画像Ｉ
Ｉを用いて学習することをいい、基準画像Ｉ及びＩＩを
同時にＮＮの入力層に入力して学習を行うことを意味す
るものではない。
【００１４】図２には本実施例の具体的な構成ブロック
図が示されている。画像撮像手段１としてはＣＣＤカメ
ラ１０が車両に設けられ、車両前方画像を撮像する。得
られた前方画像はＡ／Ｄコンバータ１２に出力され、デ
ジタル信号に変換されてビデオＲＡＭ１４に格納され
る。本実施例では撮像画像は５１２×５１２画素から構
成され、Ａ／Ｄコンバータ１２では各画素は８ビットの
２５６階調にデジタル化される。
図が示されている。画像撮像手段１としてはＣＣＤカメ
ラ１０が車両に設けられ、車両前方画像を撮像する。得
られた前方画像はＡ／Ｄコンバータ１２に出力され、デ
ジタル信号に変換されてビデオＲＡＭ１４に格納され
る。本実施例では撮像画像は５１２×５１２画素から構
成され、Ａ／Ｄコンバータ１２では各画素は８ビットの
２５６階調にデジタル化される。
【００１５】一方、予め用意される８×８画素の基準画
像はメインＲＡＭ１８内に格納され、この基準画像がＮ
Ｎをハード的に構成する演算手段３としてのＤＳＰ（デ
ジタルシグナルプロセッサ）１６に供給される。ＤＳＰ
１６では、基準画像がＮＮの入力層に入力された時に出
力層から所定値が出力されるようにＮＮを構成する各ニ
ューロンの重みをユーザＲＯＭに格納されているＮＮ用
ソフトウエアに従って学習により決定する。従って、こ
のユーザＲＯＭ２２がパターン学習手段４を構成するこ
とになる。なお、使用されるＮＮモデルはパーセプトロ
ン型ＮＮである。
像はメインＲＡＭ１８内に格納され、この基準画像がＮ
Ｎをハード的に構成する演算手段３としてのＤＳＰ（デ
ジタルシグナルプロセッサ）１６に供給される。ＤＳＰ
１６では、基準画像がＮＮの入力層に入力された時に出
力層から所定値が出力されるようにＮＮを構成する各ニ
ューロンの重みをユーザＲＯＭに格納されているＮＮ用
ソフトウエアに従って学習により決定する。従って、こ
のユーザＲＯＭ２２がパターン学習手段４を構成するこ
とになる。なお、使用されるＮＮモデルはパーセプトロ
ン型ＮＮである。
【００１６】学習が終了した後、ビデオＲＡＭ１４に格
納された画像のなかの所定領域の画像が所定の順序で読
み出され、ＤＳＰ１６に供給される。ＤＳＰ１６は入力
された画像と学習済みのＮＮを用いて演算を行い、演算
結果をメインＲＡＭ１８に出力する。ＤＳＰ１６に順次
供給される画像は基準画像の大きさに対応した８×８画
素の画像である。所定領域内の全ての画像について演算
が行われた後、ＤＳＰ１６はメインＲＡＭ１８に格納さ
れている演算結果から白線位置を決定し、撮像画像とと
もにビデオＲＡＭ２４に格納する。ビデオＲＡＭ２４に
格納されたデータはＤ／Ａコンバータ２６でアナログ信
号に変換され、ビデオディスプレイ２８に出力され、撮
像画像とともに白線位置が画面上に表示される。
納された画像のなかの所定領域の画像が所定の順序で読
み出され、ＤＳＰ１６に供給される。ＤＳＰ１６は入力
された画像と学習済みのＮＮを用いて演算を行い、演算
結果をメインＲＡＭ１８に出力する。ＤＳＰ１６に順次
供給される画像は基準画像の大きさに対応した８×８画
素の画像である。所定領域内の全ての画像について演算
が行われた後、ＤＳＰ１６はメインＲＡＭ１８に格納さ
れている演算結果から白線位置を決定し、撮像画像とと
もにビデオＲＡＭ２４に格納する。ビデオＲＡＭ２４に
格納されたデータはＤ／Ａコンバータ２６でアナログ信
号に変換され、ビデオディスプレイ２８に出力され、撮
像画像とともに白線位置が画面上に表示される。
【００１７】ここで、ＤＳＰ１６で構成されるＮＮの入
力ノード数は、８×８画素の入力画像の各画素に１ノー
ドを割り当てるため６４個に設定され、中間ノード数は
２〜３２の範囲で設定して最適値を求める構成とし、出
力ノード数は後述する２種類の学習法に応じて１個また
は２個としている。
力ノード数は、８×８画素の入力画像の各画素に１ノー
ドを割り当てるため６４個に設定され、中間ノード数は
２〜３２の範囲で設定して最適値を求める構成とし、出
力ノード数は後述する２種類の学習法に応じて１個また
は２個としている。
【００１８】図３にはビデオＲＡＭ１４に格納された撮
像画像の中の所定領域であるサーチエリア及びＮＮを構
成するＤＳＰ１６に順次入力される入力画像が示されて
いる。サーチエリアは８×Ｌ画素から構成され、入力画
素は上述したように８×８画素である。この入力画像が
図において順次１画素ずつ横にずれていき、各位置毎に
ＤＳＰ１６でＮＮによる演算が実行される。
像画像の中の所定領域であるサーチエリア及びＮＮを構
成するＤＳＰ１６に順次入力される入力画像が示されて
いる。サーチエリアは８×Ｌ画素から構成され、入力画
素は上述したように８×８画素である。この入力画像が
図において順次１画素ずつ横にずれていき、各位置毎に
ＤＳＰ１６でＮＮによる演算が実行される。
【００１９】このようにしてサーチエリア内の全ての画
像がＤＳＰ１６に入力されると、サーチエリア内の全て
の位置に対してＮＮ出力が得られ、結局位置の関数とし
てＮＮ出力が得られることになる。
像がＤＳＰ１６に入力されると、サーチエリア内の全て
の位置に対してＮＮ出力が得られ、結局位置の関数とし
てＮＮ出力が得られることになる。
【００２０】図４にはこのようなＮＮ出力の一例が示さ
れており、各画像位置Ｘに対してＮＮ出力、すなわち入
力画像と基準画像との相関値が示されている。この関係
は、ちょうど従来の差分和による相関値に対応するもの
である。従って、このグラフの絶対値及び傾きから、ど
の位置が最も相関が高く白線位置であるかを特定するこ
とができる。
れており、各画像位置Ｘに対してＮＮ出力、すなわち入
力画像と基準画像との相関値が示されている。この関係
は、ちょうど従来の差分和による相関値に対応するもの
である。従って、このグラフの絶対値及び傾きから、ど
の位置が最も相関が高く白線位置であるかを特定するこ
とができる。
【００２１】図５にはＮＮを学習させる際に用いられる
白線位置が示されており、標準的な白線の左側エッジ部
分である。この部分の画像を基準画像としてＮＮに入力
することにより、標準的な白線左エッジの輝度パターン
を学習させるのである。なお、エッジ部分のパターンを
学習させるのは白線の幅に依存しない認識を行わせるた
めであり、また、輝度分布を反転させることにより容易
に白線右側のエッジの認識に拡張することができる。
白線位置が示されており、標準的な白線の左側エッジ部
分である。この部分の画像を基準画像としてＮＮに入力
することにより、標準的な白線左エッジの輝度パターン
を学習させるのである。なお、エッジ部分のパターンを
学習させるのは白線の幅に依存しない認識を行わせるた
めであり、また、輝度分布を反転させることにより容易
に白線右側のエッジの認識に拡張することができる。
【００２２】＜ＮＮの学習方法＞ここで、ＮＮの学習方
法について説明する。本実施例においてＮＮを学習させ
る目的は、代表的な基準画像パターンをＮＮに学習させ
ることにより、ＮＮ自体の汎化能力により種々の撮像条
件下での白線候補位置認識を可能とすることである。そ
こで、本実施例では、以下の２つの方法で学習を行って
いる。
法について説明する。本実施例においてＮＮを学習させ
る目的は、代表的な基準画像パターンをＮＮに学習させ
ることにより、ＮＮ自体の汎化能力により種々の撮像条
件下での白線候補位置認識を可能とすることである。そ
こで、本実施例では、以下の２つの方法で学習を行って
いる。
【００２３】（１）昼間晴天時の基準画像パターンを学
習させる学習法Ｉ （２）昼間曇天時の基準画像パターンを（１）のパター
ンに追加して学習させる学習法ＩＩ。
習させる学習法Ｉ （２）昼間曇天時の基準画像パターンを（１）のパター
ンに追加して学習させる学習法ＩＩ。
【００２４】図６には、学習法Ｉで用いられる基準画像
パターンが示されている。学習法Ｉでは、基準画像パタ
ーンとして（ａ）、（ｂ）、（ｃ）の３つが用意され、
（ｂ）が昼間晴天時の白線左エッジ部の基準画像に相当
する。そして、学習法はパターン（ｂ）に対し出力１、
パターン（ａ）、（ｃ）に対し出力０となるように学習
する。また、図７には学習法ＩＩで用いられる基準画像
パターンが示されている。基準画像パターンとして
（ａ）、（ｂ）、（ｃ）、（ｄ）の４つが用意され、
（ａ）、（ｂ）、（ｄ）は学習法Ｉと同一であり、新た
に付加されたパターン（ｃ）が昼間曇天時の白線左エッ
ジ部の基準画像に相当する。そして、ＮＮの出力ノード
数を２とし、パターン（ａ）、（ｄ）に対し出力００、
パターン（ｂ）に対し出力１０、パターン（ｃ）に対し
出力０１となるように学習する。
パターンが示されている。学習法Ｉでは、基準画像パタ
ーンとして（ａ）、（ｂ）、（ｃ）の３つが用意され、
（ｂ）が昼間晴天時の白線左エッジ部の基準画像に相当
する。そして、学習法はパターン（ｂ）に対し出力１、
パターン（ａ）、（ｃ）に対し出力０となるように学習
する。また、図７には学習法ＩＩで用いられる基準画像
パターンが示されている。基準画像パターンとして
（ａ）、（ｂ）、（ｃ）、（ｄ）の４つが用意され、
（ａ）、（ｂ）、（ｄ）は学習法Ｉと同一であり、新た
に付加されたパターン（ｃ）が昼間曇天時の白線左エッ
ジ部の基準画像に相当する。そして、ＮＮの出力ノード
数を２とし、パターン（ａ）、（ｄ）に対し出力００、
パターン（ｂ）に対し出力１０、パターン（ｃ）に対し
出力０１となるように学習する。
【００２５】図８（Ａ）及び（Ｂ）には、それぞれ学習
法Ｉのパターン（ｂ）及び学習法ＩＩのパターン（ｃ）
で使われる入力画像の実際の輝度分布の一例が示されて
いる。上述したように輝度は０〜２５５で表され、ＮＮ
の学習はこれらの値を２５５で割り、０〜１の範囲へと
正規化した値を用いて行われる。なお、学習法Ｉ、ＩＩ
のパターン（ａ）は全て０で表され、学習法Ｉのパター
ン（ｃ）及び学習法ＩＩのパターン（ｄ）は全て２５５
（正規化した場合は１）で表される。
法Ｉのパターン（ｂ）及び学習法ＩＩのパターン（ｃ）
で使われる入力画像の実際の輝度分布の一例が示されて
いる。上述したように輝度は０〜２５５で表され、ＮＮ
の学習はこれらの値を２５５で割り、０〜１の範囲へと
正規化した値を用いて行われる。なお、学習法Ｉ、ＩＩ
のパターン（ａ）は全て０で表され、学習法Ｉのパター
ン（ｃ）及び学習法ＩＩのパターン（ｄ）は全て２５５
（正規化した場合は１）で表される。
【００２６】図９には、ＤＳＰ１６がＮＮソフトウェア
に基づき実行するＮＮの学習フローチャートが示されて
いる。この学習アルゴリズムはバックプロパゲーション
（ＢＰ）法による。まず、結合係数とオフセットを乱数
を用いて初期化し（Ｓ１０１）、学習パターンをセット
する（Ｓ１０２）。すなわち、図６及び図７に示された
入力パターンとそれに対応する出力パターンを設定す
る。学習法Ｉでは、学習パターンは３組であり、学習法
ＩＩでは４組である。次に、中間層ユニットの出力計算
及び出力層ユニットの出力計算を行う（Ｓ１０３、Ｓ１
０４）。この計算は、ｋ層第ｉユニットへの入力をｉk
i 、出力をＯk i 、（ｋ−１）層の第ｉユニットからｋ
層の第ｊユニットへの重みをＷk.k-1 ijとすると、
に基づき実行するＮＮの学習フローチャートが示されて
いる。この学習アルゴリズムはバックプロパゲーション
（ＢＰ）法による。まず、結合係数とオフセットを乱数
を用いて初期化し（Ｓ１０１）、学習パターンをセット
する（Ｓ１０２）。すなわち、図６及び図７に示された
入力パターンとそれに対応する出力パターンを設定す
る。学習法Ｉでは、学習パターンは３組であり、学習法
ＩＩでは４組である。次に、中間層ユニットの出力計算
及び出力層ユニットの出力計算を行う（Ｓ１０３、Ｓ１
０４）。この計算は、ｋ層第ｉユニットへの入力をｉk
i 、出力をＯk i 、（ｋ−１）層の第ｉユニットからｋ
層の第ｊユニットへの重みをＷk.k-1 ijとすると、
【数１】ｉk j ＝Σ（Ｗk-1,k ijＯk-1 i ）、Ｏk i ＝
ｆ（ｉk i ） 但し、Ｑをオフセットとして
ｆ（ｉk i ） 但し、Ｑをオフセットとして
【数２】ｆ（ｘ）＝１／｛１＋ｅｘｐ（−ｘ＋Ｑ）｝ である。
【００２７】出力層ユニットの出力計算が終了した後そ
の誤差を計算し、さらに中間層ユニットの誤差を計算す
る（Ｓ１０５、Ｓ１０６）。この誤差計算は、提示した
出力パターンｍの第ｉ要素をｔm i 、実際にＮＮが出力
した出力パターンｍの第ｉ要素をＯm i とすると、
の誤差を計算し、さらに中間層ユニットの誤差を計算す
る（Ｓ１０５、Ｓ１０６）。この誤差計算は、提示した
出力パターンｍの第ｉ要素をｔm i 、実際にＮＮが出力
した出力パターンｍの第ｉ要素をＯm i とすると、
【数３】Ｅ＝Σ｛１／２・Σ（ｔm i −Ｏm i ）2 } により行われる。そして、この誤差Ｅの値に応じて中間
層と出力層間の結合係数及び出力層ユニットのオフセッ
トの更新を行い（Ｓ１０７）、さらに入力層と中間層間
の結合係数及び中間層ユニットのオフセットの更新を行
う（Ｓ１０８）。このようにして１組の入出力パターン
での学習が終了した後、次の入出力パターンでの学習を
行う（Ｓ１０９、Ｓ１１０）。全てのパターンでの学習
が終了した後（学習法Ｉでは３組、学習法ＩＩでは４組
である）、学習繰り返し回数を順次インクリメントして
いき（Ｓ１１１）、所定の繰り返し回数に達するまでこ
れらの処理を繰り返す（Ｓ１１２）。
層と出力層間の結合係数及び出力層ユニットのオフセッ
トの更新を行い（Ｓ１０７）、さらに入力層と中間層間
の結合係数及び中間層ユニットのオフセットの更新を行
う（Ｓ１０８）。このようにして１組の入出力パターン
での学習が終了した後、次の入出力パターンでの学習を
行う（Ｓ１０９、Ｓ１１０）。全てのパターンでの学習
が終了した後（学習法Ｉでは３組、学習法ＩＩでは４組
である）、学習繰り返し回数を順次インクリメントして
いき（Ｓ１１１）、所定の繰り返し回数に達するまでこ
れらの処理を繰り返す（Ｓ１１２）。
【００２８】なお、学習法Ｉあるいは学習法ＩＩのいず
れを用いるかは適宜選択可能とすることができ、好条件
の場合には学習法Ｉを選択し、比較的条件の厳しい場合
には学習ＩＩを選択することができる。または、予め学
習法Ｉで学習したものと学習法ＩＩで学習したものの２
種類用意しておき、まず学習法１で学習したもので画像
認識を行い、良好な結果が得られなかった場合に、次に
学習法ＩＩで学習したもので画像認識を行う２段階処理
も考えられる。
れを用いるかは適宜選択可能とすることができ、好条件
の場合には学習法Ｉを選択し、比較的条件の厳しい場合
には学習ＩＩを選択することができる。または、予め学
習法Ｉで学習したものと学習法ＩＩで学習したものの２
種類用意しておき、まず学習法１で学習したもので画像
認識を行い、良好な結果が得られなかった場合に、次に
学習法ＩＩで学習したもので画像認識を行う２段階処理
も考えられる。
【００２９】＜白線認識＞以上のようにしてＮＮの学習
が完了すると、実際にＣＣＤカメラ１０で得られた画像
の評価に移行する。図１０には、学習が完了したＤＳＰ
１６での白線認識処理フローチャートが示されている。
なお、図１０は学習法Ｉあるいは学習法ＩＩのいずれか
の方法で学習した場合の処理フローチャートである。ま
ず、図３に示すように画像内にサーチエリアを設定し
（Ｓ２０１）、入力画像エリアの位置Ｘをリセットした
後（Ｓ２０２）、ＮＮの６４個の入力ノードへ８×８画
像の各画素を入力する（Ｓ２０３）。ＮＮ（実際にはＤ
ＳＰ１６）では、入力層、中間層、出力層を経て計算が
行われ、最終的に１個の出力層から０〜１の間の数値が
出力される（Ｓ２０４）。もちろん、入力画像パターン
が図６（ａ）、（ｃ）に近い場合には出力値は０近傍と
なり、入力画像パターンが図６（ｂ）に近い場合には出
力値は１近傍になる。以下同様にしてサーチエリア内で
入力画像を順次移動して計算を繰り返し、入力画像位置
ｘがサーチエリアの終端（右端）に達した場合には（Ｓ
２０５）、ＤＳＰ１６は、位置ｘの関数として求められ
たＮＮ出力値が最大、つまり最も１に近い値となる位置
Ｘを求める（Ｓ２０６）。
が完了すると、実際にＣＣＤカメラ１０で得られた画像
の評価に移行する。図１０には、学習が完了したＤＳＰ
１６での白線認識処理フローチャートが示されている。
なお、図１０は学習法Ｉあるいは学習法ＩＩのいずれか
の方法で学習した場合の処理フローチャートである。ま
ず、図３に示すように画像内にサーチエリアを設定し
（Ｓ２０１）、入力画像エリアの位置Ｘをリセットした
後（Ｓ２０２）、ＮＮの６４個の入力ノードへ８×８画
像の各画素を入力する（Ｓ２０３）。ＮＮ（実際にはＤ
ＳＰ１６）では、入力層、中間層、出力層を経て計算が
行われ、最終的に１個の出力層から０〜１の間の数値が
出力される（Ｓ２０４）。もちろん、入力画像パターン
が図６（ａ）、（ｃ）に近い場合には出力値は０近傍と
なり、入力画像パターンが図６（ｂ）に近い場合には出
力値は１近傍になる。以下同様にしてサーチエリア内で
入力画像を順次移動して計算を繰り返し、入力画像位置
ｘがサーチエリアの終端（右端）に達した場合には（Ｓ
２０５）、ＤＳＰ１６は、位置ｘの関数として求められ
たＮＮ出力値が最大、つまり最も１に近い値となる位置
Ｘを求める（Ｓ２０６）。
【００３０】そして、位置ＸにおけるＮＮ出力値が所定
値ａより大きいか否か、及びその近傍におけるＮＮの変
化率（グラフの傾き）の絶対値が所定値ｂより大きいか
否かを判定し（Ｓ２０７）、いずれも大きい場合には、
最も相関の強い位置はＸであるとして位置Ｘに白線があ
ると判定する（Ｓ２０８）。一方、ＮＮ出力値が所定値
以下、あるいは変化率が所定値以下である場合には、相
関が十分強くないとして白線はないと判定する（Ｓ２０
９）。
値ａより大きいか否か、及びその近傍におけるＮＮの変
化率（グラフの傾き）の絶対値が所定値ｂより大きいか
否かを判定し（Ｓ２０７）、いずれも大きい場合には、
最も相関の強い位置はＸであるとして位置Ｘに白線があ
ると判定する（Ｓ２０８）。一方、ＮＮ出力値が所定値
以下、あるいは変化率が所定値以下である場合には、相
関が十分強くないとして白線はないと判定する（Ｓ２０
９）。
【００３１】なお、学習法ＩＩを用いる場合には、出力
ノードが２個であるので、Ｓ２０６では２個の出力値の
内、値の大きい方をその位置ｘにおけるＮＮ出力値とす
る。また、学習法Ｉ及び学習法ＩＩをともに用いる場合
には、まず学習法Ｉで学習したものでＮＮ出力を計算
し、Ｓ２０７でＮＮ出力値が所定値以下、あるいは変化
率が所定値以下であると判定された場合に学習法ＩＩで
学習したもので再びＮＮ出力を計算し、Ｓ２０７の判定
を行う。その結果、位置ＸにおけるＮＮ出力値が所定値
ａより大きく、その近傍におけるＮＮの変化率（グラフ
の傾き）の絶対値が所定値より大きい場合には、最も相
関の強い位置はＸであるとして位置Ｘに白線があると判
定し、そうでない場合には白線はないと判定すればよ
い。
ノードが２個であるので、Ｓ２０６では２個の出力値の
内、値の大きい方をその位置ｘにおけるＮＮ出力値とす
る。また、学習法Ｉ及び学習法ＩＩをともに用いる場合
には、まず学習法Ｉで学習したものでＮＮ出力を計算
し、Ｓ２０７でＮＮ出力値が所定値以下、あるいは変化
率が所定値以下であると判定された場合に学習法ＩＩで
学習したもので再びＮＮ出力を計算し、Ｓ２０７の判定
を行う。その結果、位置ＸにおけるＮＮ出力値が所定値
ａより大きく、その近傍におけるＮＮの変化率（グラフ
の傾き）の絶対値が所定値より大きい場合には、最も相
関の強い位置はＸであるとして位置Ｘに白線があると判
定し、そうでない場合には白線はないと判定すればよ
い。
【００３２】図１１乃至図１５には、本実施例で白線認
識を試みた５個の画像の輝度分布が示されている。各図
において、横軸は画像内の横位置、縦軸は画面上方から
２００ビットの位置における画像断層の輝度（０〜２５
５）を示している。図１１は白線の一部に歩道橋の影が
存在する場合の画像であり、影が存在する領域では路面
と白線間の輝度差は小さく、白線内の輝度は一定で、白
線のエッジは明確であるという特徴を有する。図１２は
トンネル内の画像であり、路面と白線間の輝度差は小さ
く、白線内の輝度は一定で、白線のエッジはやや不明確
であるという特徴を有する。図１３は白線かすれの画像
であり、路面と白線間の輝度差は小さく、白線内の輝度
は一定でなく、白線のエッジはやや不明確であるという
特徴を有する。図１４は雨天の場合の画像であり、路面
と白線間の輝度差は小さく、白線内の輝度は一定でな
く、白線のエッジはやや不明確であるという特徴を有す
る。図１５は夜間の画像であり、路面と白線間の輝度差
は大きく、白線内の輝度は一定でなく、白線のエッジは
不明確であるという特徴を有する。
識を試みた５個の画像の輝度分布が示されている。各図
において、横軸は画像内の横位置、縦軸は画面上方から
２００ビットの位置における画像断層の輝度（０〜２５
５）を示している。図１１は白線の一部に歩道橋の影が
存在する場合の画像であり、影が存在する領域では路面
と白線間の輝度差は小さく、白線内の輝度は一定で、白
線のエッジは明確であるという特徴を有する。図１２は
トンネル内の画像であり、路面と白線間の輝度差は小さ
く、白線内の輝度は一定で、白線のエッジはやや不明確
であるという特徴を有する。図１３は白線かすれの画像
であり、路面と白線間の輝度差は小さく、白線内の輝度
は一定でなく、白線のエッジはやや不明確であるという
特徴を有する。図１４は雨天の場合の画像であり、路面
と白線間の輝度差は小さく、白線内の輝度は一定でな
く、白線のエッジはやや不明確であるという特徴を有す
る。図１５は夜間の画像であり、路面と白線間の輝度差
は大きく、白線内の輝度は一定でなく、白線のエッジは
不明確であるという特徴を有する。
【００３３】図１６乃至図２１には、これらの図で示さ
れる輝度分布を有する各画像を入力した場合の、ＤＳＰ
１６の処理結果（ＮＮ出力値）である。なお、図１６は
標準的（晴天で影がなく、白線かすれもない）時の画像
を入力した場合の学習法Ｉによる処理結果であり、横軸
は位置ｘ，縦軸は０〜１のＮＮ出力値（相関量）を表し
ている。また、図１７が図１１の画像を入力した場合の
ＮＮ出力値であり、学習法Ｉで学習した場合の値であ
る。図１８は図１２の画像を入力した場合のＮＮ出力値
であり、学習法ＩＩで学習した場合の値である。学習法
ＩＩとしたのは、学習法Ｉでは良好な結果が得られなか
ったからである。図１９は図１３の画像を入力した場合
のＮＮ出力値であり、学習法ＩＩで学習した場合の値で
ある。図２０は図１４の画像を入力した場合のＮＮ出力
値であり、学習法ＩＩで学習した場合の値である。図２
１は図１５の画像を入力した場合のＮＮ出力値であり、
学習法Ｉで学習した場合の値である。なお、各図におい
て、比較のため従来のテンプレートを用いた差分和によ
る相関演算法により得られる相関量も示している。従来
の差分演算に比べ、ＮＮによる相関量は大きく、かつ、
鋭いピークを示していることがわかる。
れる輝度分布を有する各画像を入力した場合の、ＤＳＰ
１６の処理結果（ＮＮ出力値）である。なお、図１６は
標準的（晴天で影がなく、白線かすれもない）時の画像
を入力した場合の学習法Ｉによる処理結果であり、横軸
は位置ｘ，縦軸は０〜１のＮＮ出力値（相関量）を表し
ている。また、図１７が図１１の画像を入力した場合の
ＮＮ出力値であり、学習法Ｉで学習した場合の値であ
る。図１８は図１２の画像を入力した場合のＮＮ出力値
であり、学習法ＩＩで学習した場合の値である。学習法
ＩＩとしたのは、学習法Ｉでは良好な結果が得られなか
ったからである。図１９は図１３の画像を入力した場合
のＮＮ出力値であり、学習法ＩＩで学習した場合の値で
ある。図２０は図１４の画像を入力した場合のＮＮ出力
値であり、学習法ＩＩで学習した場合の値である。図２
１は図１５の画像を入力した場合のＮＮ出力値であり、
学習法Ｉで学習した場合の値である。なお、各図におい
て、比較のため従来のテンプレートを用いた差分和によ
る相関演算法により得られる相関量も示している。従来
の差分演算に比べ、ＮＮによる相関量は大きく、かつ、
鋭いピークを示していることがわかる。
【００３４】＜評価＞図１６乃至図２１の各画像処理結
果を評価すべく、以下のような基準を用いた。（１）Ｎ
Ｎによる処理 （ａ）白線以外の位置でのＮＮ出力が０．５以上または
白線位置でのＮＮ出力が０．５以下の場合：評価Ｘ （ｂ）白線以外の位置でのＮＮ出力が０．５以下、か
つ、白線位置でのＮＮ出力が０．５〜０．８：評価△ （ｃ）白線以外の位置でのＮＮ出力が０．５以下、か
つ、白線位置でのＮＮ出力が０．８以上：評価○ （２）従来のテンプレートを用いた差分和による処理 白線位置での相関量及び相関グラフの傾きを基準として
ＮＮの場合と同様に評価した。
果を評価すべく、以下のような基準を用いた。（１）Ｎ
Ｎによる処理 （ａ）白線以外の位置でのＮＮ出力が０．５以上または
白線位置でのＮＮ出力が０．５以下の場合：評価Ｘ （ｂ）白線以外の位置でのＮＮ出力が０．５以下、か
つ、白線位置でのＮＮ出力が０．５〜０．８：評価△ （ｃ）白線以外の位置でのＮＮ出力が０．５以下、か
つ、白線位置でのＮＮ出力が０．８以上：評価○ （２）従来のテンプレートを用いた差分和による処理 白線位置での相関量及び相関グラフの傾きを基準として
ＮＮの場合と同様に評価した。
【００３５】図２２には、このような基準に基づき評価
した結果が示されている。画像番号１〜６はそれぞれ図
１６〜図２１に対応するものである。なお、図において
ＮＮ学習法Ｉ及びＩＩにおける「２」「３２」は中間層
のノード数を表している。これらの結果から、ＮＮを用
いた処理方法では従来方法に比べ白線と路面間での出力
差が明確に現れ、十分な白線認識が行えることが分か
る。
した結果が示されている。画像番号１〜６はそれぞれ図
１６〜図２１に対応するものである。なお、図において
ＮＮ学習法Ｉ及びＩＩにおける「２」「３２」は中間層
のノード数を表している。これらの結果から、ＮＮを用
いた処理方法では従来方法に比べ白線と路面間での出力
差が明確に現れ、十分な白線認識が行えることが分か
る。
【００３６】なお、白線と路面間の輝度差が認識能力に
与える影響は大きく、差の小さな画像番号３、４、５
（図１８、図１９、図２０に相当）では上述したように
学習法Ｉでは十分な認識結果を得ることはできなかっ
た。また、中間層のノード数を変化させても、認識結果
には大きな差はなく、いずれの場合も同等の認識結果が
得られた。
与える影響は大きく、差の小さな画像番号３、４、５
（図１８、図１９、図２０に相当）では上述したように
学習法Ｉでは十分な認識結果を得ることはできなかっ
た。また、中間層のノード数を変化させても、認識結果
には大きな差はなく、いずれの場合も同等の認識結果が
得られた。
【００３７】このように、本実施例では、ＮＮを用いて
撮像画像を処理することにより、従来の差分和による相
関演算法では白線を認識することができないような状況
下でも、容易にかつ迅速に白線を認識することができ
る。特に、ＮＮには追加学習能力があるため、より条件
の厳しい画像の場合には、新たな白線輝度変化パターン
を基準画像として追加学習することにより、容易に対応
可能となる利点がある。また、追加学習はいわゆるオフ
ライン処理で行われる（実際の画像処理に先立って別個
に行われる）ため、認識処理する実時間も増加すること
はない。
撮像画像を処理することにより、従来の差分和による相
関演算法では白線を認識することができないような状況
下でも、容易にかつ迅速に白線を認識することができ
る。特に、ＮＮには追加学習能力があるため、より条件
の厳しい画像の場合には、新たな白線輝度変化パターン
を基準画像として追加学習することにより、容易に対応
可能となる利点がある。また、追加学習はいわゆるオフ
ライン処理で行われる（実際の画像処理に先立って別個
に行われる）ため、認識処理する実時間も増加すること
はない。
【００３８】なお、上記実施例では画像内の白線を認識
する場合を例示したが、本発明はこれに限定されるもの
ではなく、例えば車両周囲に存在する他の車両のエッジ
部を検出する、あるいは路面に存在する標識を認識する
等の応用が考えられる。他の車両のエッジ部を認識する
場合には、基準画像として標準的なエッジ画像パターン
を用いてＮＮを学習させておく必要があることは言うま
でもない。
する場合を例示したが、本発明はこれに限定されるもの
ではなく、例えば車両周囲に存在する他の車両のエッジ
部を検出する、あるいは路面に存在する標識を認識する
等の応用が考えられる。他の車両のエッジ部を認識する
場合には、基準画像として標準的なエッジ画像パターン
を用いてＮＮを学習させておく必要があることは言うま
でもない。
【００３９】
【発明の効果】以上説明したように、請求項１乃至請求
項２記載の画像認識装置によれば、種々の条件下で得ら
れた撮像画像から、白線等の所望の対象物を迅速かつ確
実に認識することができる。
項２記載の画像認識装置によれば、種々の条件下で得ら
れた撮像画像から、白線等の所望の対象物を迅速かつ確
実に認識することができる。
【００４０】特に、請求項２記載の画像認識装置によれ
ば、ＮＮの追加学習により、より条件の厳しい画像に対
しても、認識処理時間を増大させることなく容易に対応
することが可能となる。
ば、ＮＮの追加学習により、より条件の厳しい画像に対
しても、認識処理時間を増大させることなく容易に対応
することが可能となる。
【図１】 本発明の実施例の概念構成図である。
【図２】 同実施例の構成ブロック図である。
【図３】 同実施例のサーチエリア説明図である。
【図４】 同実施例のＮＮによる相関量演算の説明図で
ある。
ある。
【図５】 同実施例のＮＮの学習位置説明図である。
【図６】 同実施例の学習法Ｉの基準画像パターン説明
図である。
図である。
【図７】 同実施例の学習法ＩＩの基準画像パターン説
明図である。
明図である。
【図８】 同実施例の基準パターンの輝度分布説明図で
ある。
ある。
【図９】 同実施例のＮＮ学習フローチャートである。
【図１０】 同実施例のＮＮによる白線認識フローチャ
ートである。
ートである。
【図１１】 同実施例の歩道橋影の画像輝度分布図であ
る。
る。
【図１２】 同実施例のトンネル内の画像輝度分布図で
ある。
ある。
【図１３】 同実施例の白線かすれの画像輝度分布図で
ある。
ある。
【図１４】 同実施例の雨天の画像輝度分布図である。
【図１５】 同実施例の夜間の画像輝度分布図である。
【図１６】 同実施例の晴天時の相関量説明図である。
【図１７】 同実施例の歩道橋影の相関量説明図であ
る。
る。
【図１８】 同実施例のトンネル内の相関量説明図であ
る。
る。
【図１９】 同実施例の白線かすれの相関量説明図であ
る。
る。
【図２０】 同実施例の雨天の相関量説明図である。
【図２１】 同実施例の夜間の相関量説明図である。
【図２２】 同実施例の評価結果を示す表図である。
１０ ＣＣＤカメラ、１２ Ａ／Ｄコンバータ、１４
ビデオＲＡＭ、１６ＤＳＰ、１８ メインＲＡＭ、２０
システムＲＯＭ、２２ ユーザＲＯＭ、２４ ビデＲ
ＡＭ、２６ Ｄ／Ａコンバータ、２８ ビデオディスプ
レイ。
ビデオＲＡＭ、１６ＤＳＰ、１８ メインＲＡＭ、２０
システムＲＯＭ、２２ ユーザＲＯＭ、２４ ビデＲ
ＡＭ、２６ Ｄ／Ａコンバータ、２８ ビデオディスプ
レイ。
Claims (2)
- 【請求項１】 車両周囲画像を撮像する画像撮像手段
と、 予め用意された代表的な基準画像を記憶する記憶手段
と、 前記画像撮像手段で得られた画像の所定領域内の画像と
前記基準画像の相関を、前記基準画像を用いて学習した
ニューラルネットワークで演算する演算手段と、 を有
することを特徴とする画像認識装置。 - 【請求項２】 請求項１記載の画像認識装置において、 前記画像撮像手段での撮像条件に応じて前記基準画像は
複数用意され、 前記演算手段は前記複数の基準画像を用いて追加学習し
たニューラルネットワークを用いて相関を演算すること
を特徴とする画像認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7014006A JPH08202877A (ja) | 1995-01-31 | 1995-01-31 | 画像認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7014006A JPH08202877A (ja) | 1995-01-31 | 1995-01-31 | 画像認識装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08202877A true JPH08202877A (ja) | 1996-08-09 |
Family
ID=11849135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7014006A Pending JPH08202877A (ja) | 1995-01-31 | 1995-01-31 | 画像認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08202877A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006309605A (ja) * | 2005-04-28 | 2006-11-09 | Honda Motor Co Ltd | 車両、画像処理システム、画像処理方法、及び画像処理プログラム |
| US9802599B2 (en) | 2016-03-08 | 2017-10-31 | Ford Global Technologies, Llc | Vehicle lane placement |
| JP2018523875A (ja) * | 2015-08-03 | 2018-08-23 | バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド | 車線認識のモデリング方法、装置、記憶媒体及び機器、並びに車線の認識方法、装置、記憶媒体及び機器 |
| JP2020003400A (ja) * | 2018-06-29 | 2020-01-09 | 国立大学法人金沢大学 | 横方向位置推定装置及び横方向位置推定方法 |
| JP2020534600A (ja) * | 2017-09-22 | 2020-11-26 | コンティネンタル・テーベス・アクチエンゲゼルシヤフト・ウント・コンパニー・オッフェネ・ハンデルスゲゼルシヤフト | 車線認識方法および装置、運転支援システムならびに車両 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04274935A (ja) * | 1991-02-28 | 1992-09-30 | Toyota Central Res & Dev Lab Inc | 車両の操作量決定装置 |
| JPH0554196A (ja) * | 1991-08-22 | 1993-03-05 | Amano Corp | ナンバープレート認識装置 |
| JPH0650738A (ja) * | 1992-07-31 | 1994-02-25 | Toyota Motor Corp | 画像輪郭線検出装置 |
| JPH0660300A (ja) * | 1992-08-04 | 1994-03-04 | Takata Kk | 神経回路網による衝突予防予測システム |
| JPH06119593A (ja) * | 1992-10-05 | 1994-04-28 | Toyota Motor Corp | ガイドライン検出装置 |
-
1995
- 1995-01-31 JP JP7014006A patent/JPH08202877A/ja active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04274935A (ja) * | 1991-02-28 | 1992-09-30 | Toyota Central Res & Dev Lab Inc | 車両の操作量決定装置 |
| JPH0554196A (ja) * | 1991-08-22 | 1993-03-05 | Amano Corp | ナンバープレート認識装置 |
| JPH0650738A (ja) * | 1992-07-31 | 1994-02-25 | Toyota Motor Corp | 画像輪郭線検出装置 |
| JPH0660300A (ja) * | 1992-08-04 | 1994-03-04 | Takata Kk | 神経回路網による衝突予防予測システム |
| JPH06119593A (ja) * | 1992-10-05 | 1994-04-28 | Toyota Motor Corp | ガイドライン検出装置 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006309605A (ja) * | 2005-04-28 | 2006-11-09 | Honda Motor Co Ltd | 車両、画像処理システム、画像処理方法、及び画像処理プログラム |
| WO2006117951A1 (ja) * | 2005-04-28 | 2006-11-09 | Honda Motor Co., Ltd. | 車両、画像処理システム、画像処理方法、画像処理プログラム、画像処理システムの構成方法、およびサーバ |
| US8107683B2 (en) | 2005-04-28 | 2012-01-31 | Honda Motor Co., Ltd. | Method and system for in-vehicle image processing |
| JP2018523875A (ja) * | 2015-08-03 | 2018-08-23 | バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド | 車線認識のモデリング方法、装置、記憶媒体及び機器、並びに車線の認識方法、装置、記憶媒体及び機器 |
| US10699134B2 (en) | 2015-08-03 | 2020-06-30 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus, storage medium and device for modeling lane line identification, and method, apparatus, storage medium and device for identifying lane line |
| US9802599B2 (en) | 2016-03-08 | 2017-10-31 | Ford Global Technologies, Llc | Vehicle lane placement |
| JP2020534600A (ja) * | 2017-09-22 | 2020-11-26 | コンティネンタル・テーベス・アクチエンゲゼルシヤフト・ウント・コンパニー・オッフェネ・ハンデルスゲゼルシヤフト | 車線認識方法および装置、運転支援システムならびに車両 |
| JP2020003400A (ja) * | 2018-06-29 | 2020-01-09 | 国立大学法人金沢大学 | 横方向位置推定装置及び横方向位置推定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0626655A2 (en) | Vehicle recognition apparatus | |
| JPH10512694A (ja) | 連続画像内での物体の移動を検知する方法及び装置 | |
| JP7092615B2 (ja) | 影検出装置、影検出方法、影検出プログラム、学習装置、学習方法、及び学習プログラム | |
| JP2000293696A (ja) | 画像認識装置 | |
| JP2001082955A (ja) | ステレオ画像の位置ずれ調整装置 | |
| CN110378837A (zh) | 基于鱼眼摄像头的目标检测方法、装置和存储介质 | |
| CN115797225A (zh) | 一种水下地形测量用无人船采集图像增强方法 | |
| CN113327206B (zh) | 基于人工智能的输电线智能巡检系统的图像模糊处理方法 | |
| JP2003051017A (ja) | 白線検出装置 | |
| US20030107653A1 (en) | Method and apparatus for object recognition | |
| CN110717935A (zh) | 一种基于图像特征信息的图像匹配方法，装置与系统 | |
| CN113255553A (zh) | 一种基于振动信息监督的可持续学习方法 | |
| CN114549337A (zh) | 一种恶劣天气下车辆智能检测方法、系统、设备及介质 | |
| JP2010244207A (ja) | 移動物体追跡装置、移動物体追跡方法および移動物体追跡プログラム | |
| CN112819710B (zh) | 基于人工智能的无人机果冻效应自适应补偿方法及系统 | |
| JPH09282452A (ja) | 監視装置 | |
| CN109784216A (zh) | 基于概率图的车载热成像行人检测RoIs提取方法 | |
| JPH08202877A (ja) | 画像認識装置 | |
| Pandian et al. | Object identification from dark/blurred image using WBWM and Gaussian pyramid techniques | |
| CN110473244B (zh) | 立体匹配优化方法、装置、计算机设备和存储介质 | |
| CN110717910B (zh) | 基于卷积神经网络的ct图像目标检测方法及ct扫描仪 | |
| CN116092126B (zh) | 一种基于图像自适应增强的动物目标检测方法及系统 | |
| JP4130601B2 (ja) | 対象物認識装置および対象物認識方法 | |
| CN115100083B (zh) | 一种车载影像的图像亮度自适应调节方法 | |
| JP2004208209A (ja) | 移動体監視装置および移動体監視方法 |