CN102076531A - 车辆畅通路径检测 - Google Patents
车辆畅通路径检测 Download PDFInfo
- Publication number
- CN102076531A CN102076531A CN2009801242325A CN200980124232A CN102076531A CN 102076531 A CN102076531 A CN 102076531A CN 2009801242325 A CN2009801242325 A CN 2009801242325A CN 200980124232 A CN200980124232 A CN 200980124232A CN 102076531 A CN102076531 A CN 102076531A
- Authority
- CN
- China
- Prior art keywords
- image
- fritter
- clear path
- ground
- vehicle
- 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.)
- Granted
Links
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种使用照相机来进行车辆畅通路径检测的方法,包括:用所述照相机成像车辆前面的地面区域,以产生地面图像;以及分析所述地面图像以拟定没有限制车辆行驶的物体的畅通路径。
Description
技术领域
本发明涉及机动车辆的自动或半自动控制。
背景技术
该部分的内容仅提供与本发明有关的背景信息,且可能不构成现有技术。
自主驾驶***和半自主驾驶***使用关于道路和其它驾驶状况的输入来自动地控制节气门和转向机构。对使车辆在其上操作的畅通路径(clear path)的准确估计和预计对用于车辆操作的控制机构成功替换人类头脑是关键的。
道路状况可能是复杂的。在车辆的正常操作下,人操作者每分钟进行数百次的观察并基于所感知的道路状况来调节车辆操作。感知道路状况的一个方面是在路面中和路面附近的物体的环境中感知道路并导航通过任何物体的畅通路径。用技术来替换人类感知必须包括一些手段来准确地感知物体并在这些物体周围继续有效地导航。
用于感知物体的技术手段包括来自于视觉照相机和雷达成像的数据。照相机将辐射形式的视觉图像(例如,光图案或红外符号)转换为能够被研究的数据格式。一种这样的数据格式包括象素化图像,其中,所感知的情景分成一系列象素。雷达成像使用发送器产生的无线电波来估计发送器前面存在的形状和物体。能够分析反映这些形状和物体的波的图案且能够估计物体的位置。
一旦已经产生关于车辆前面地面的数据,所述数据就必须被分析以根据数据估计物体的存在。已知关于比较象素之间的差别研究象素的方法,例如识别象素中的线和形状以及模式识别,其中,处理器可以寻找可识别形状以便估计所述形状代表的物体。通过使用照相机和雷达成像***,能够寻找车辆前面的地面或路面可能需要避免的物体的存在。然而,仅仅辨识要避免的潜在物体并未完成分析。任何自主***的重要组成包括如何处理和管理所感知的地面数据中被辨识的潜在物体,以形成在其中操作车辆的畅通路径。
一种形成在其中操作车辆的畅通路径的已知方法是编目和临时辨识所有感知的物体且按照所辨识的物体的位置和特性来形成畅通路径。图像可被处理以根据其形式和与路面的关系来辨识和分类物体。虽然该方法能够有效地形成畅通路径,但是它需要大量的处理能力,从而需要将视觉图像中的不同物体识别和分开,例如,在沿道路侧面的树和朝路边行走的行人之间进行区分。这种方法对于处理复杂情况可能是缓慢或无效率的,或者可能需要笨重而昂贵的设备来提供所需处理容量。
发明内容
一种使用照相机来进行车辆畅通路径检测的方法,包括:用所述照相机成像车辆前面的地面区域,以产生地面图像;以及分析所述地面图像以拟定没有限制车辆行驶的物体的畅通路径,包括重复地辨识地面图像的组成小块,从所述组成小块提取特征,以及基于所述特征将所述组成小块分类。
附图说明
现在将参考附图通过示例的方式来描述一个或多个实施例,在附图中:
图1示出了配备有根据本发明的照相机和雷达成像***的车辆的示例性设置;
图2示出了根据本发明的确定用于自主驾驶的畅通路径的已知方法;
图3示出了使用根据本发明的图像概率分析来确定畅通路径的示例性方法;
图4示出了根据本发明的分析图像的示例性方法;
图5示出了根据本发明的通过调整单个阈值来限定分类误差的示例性方法;
图6A、6B和6C示出了根据本发明的通过计算绝对图像强度差来示意性地确定图像差;
图7示出了根据本发明的将特征分类为畅通路径的一部分和被检测物体的示例性方法,同时作为图像分析的方法;
图8还示出了根据本发明的将特征分类为畅通路径的一部分和被检测物体的示例性方法,同时作为图像分析的方法;和
图9示出了根据本发明的通过概率分析来分析图像的示例性过程。
具体实施方式
现在参考附图,其中所述视图仅仅是为了图示某些示例性实施例而不是为了限制于此,图1示出了根据本发明的位于车辆100前面并指向车辆100前面的地面的照相机110的示例性设置。照相机110与控制模块120通信,控制模块120包含逻辑以处理来自于照相机110的输入。车辆100也可配备有雷达成像***130,在存在时,雷达成像***也与控制模块120通信。本领域普通技术人员应当理解,除了使用照相机110和雷达成像***之外或者替代使用照相机110和雷达成像***,车辆100可以使用多种方法来辨识道路状况,包括GPS信息、来自于与车辆100通信的其它车辆的信息、关于具体路面的历史数据、生物信息(例如,读取驾驶员的视觉焦点的***)、或其它类似***。用于分析道路数据并增强视觉图像的分析的装置的具体设置和使用并不旨在限于本文公开的示例性实施例。
如前文所述,图2示出了根据本发明的确定用于自主驾驶的畅通路径的已知方法。产生与车辆100前面的路面相对应的图像10。通过各种方法之一,物体40A、40B和40C在图像10内被辨识,且每个物体根据滤波和训练后的物体特性被归类和分类。每个物体的单独处理可能是计算量大的,且需要昂贵和笨重的设备来处理计算负荷。算法处理关于路面和物体40的所有可用信息以估计车辆100可用的畅通路径。畅通路径的确定取决于所辨识的物体40的具体分类和特性。
图3示出了根据本发明的确定用于自主或半自主驾驶的畅通路径的示例性方法。图像10示出为包括地面20、地平线30和物体40。图像10由照相机110收集且表示车辆100前面的道路环境。地面20表示基于可能存在的物体在没有任何鉴别力的情况下自由行驶的所有可用路径的区域。图3的方法通过假定所有地面20都是畅通的开始,且然后使用可用数据来取消不畅通的地面20部分,从而确定地面20上的畅通路径。与将每个物体40分类的图2方法相比,图3的方法而是分析地面20并试图从可用数据限定可表示物体40的一些可检测异常限制地面20部分或者使地面20部分不畅通的概率。这种集中于地面20而不是物体40避免了与管理物体检测有关的复杂计算任务。独立物体的单独分类和跟踪是不必要的,因为独立物体40被简单地一起分组作为对地面20的总体一致限制的一部分。地面20(如上所述描述为在没有鉴别力的情况下自由行驶的所有路径)减去由发现为不畅通的区域对地面20施加的限制,限定了畅通路径50(在图3中示出为虚线内的区域)或者具有车辆100自由行驶的一定阈值概率的区域。
对地面20产生不畅通限制的物体40可呈现许多形式。例如,物体40可表示分离物体,例如停止的汽车、行人或者道路障碍,或者物体40也可以表示指示道路边缘的表面图案的较不明显的变化,例如路侧路边、副索(grass line)或者覆盖路面的水。物体40也可以包括与地面20有关的平坦道路的不存在,例如在道路中有大洞时可能检测到的那样。物体40也可以包括与道路在高度上没有任何限定变化但是对该道路区段具有明显的畅通路径暗示(例如表示车道标记的路面上的粉刷图案)的标识符。本文公开的方法,通过不试图辨识物体40而仅仅在图像10中从地面20和靠近地面的任何物获取视觉线索,评估畅通与不畅通的概率并针对任何物体40的存在调节车辆100的控制。
优选地,控制模块120是通用数字计算机,通用数字计算机通常包括:微处理器或中央处理单元;存储介质,所述存储介质包括非易失性存储器(包括只读存储器(ROM)和电子可编程只读存储器(EPROM))、随机存取存储器(RAM);高速时钟;模数(A/D)和数模(D/A)电路;输入/输出电路和装置(I/O)以及合适的信号调节和缓冲电路。控制模块120具有一组控制算法,所述控制算法包括存储在非易失性存储器中且被执行提供控制模块期望相应功能的常驻程序指令和标定值。所述算法通常在预定循环期间被执行,使得每个算法每个循环至少执行一次。所述算法由中央处理单元执行,并且可操作以监测来自前述感测装置的输入以及执行控制和诊断程序从而用预定标定值控制致动器的操作。在持续进行的车辆操作期间,循环通常以规则间隔例如每3.125、6.25、12.5、25和100毫秒被执行。替代性地,算法可响应于事件发生而被执行。
控制模块120执行存储在其中的算法代码以监测相关的设备(例如照相机110和雷达成像***130)并执行由控制模块内执行的分析所表示的指令或数据传输。控制模块120可包括借助于本领域已知且在本文未描述的手段来致动自主驾驶控制的算法和机构,或者控制模块120可简单地提供信息给独立的自主驾驶***。取决于与控制模块结合使用的具体实施例,控制模块120适合于根据需要从其它***和操作者接收输入信号。
照相机110是能够将光、红外线或其它电磁(EM)辐射形式的视觉输入转换成能够便于分析的数据格式(例如,象素化图像)的本领域熟知的装置。雷达成像装置130是本领域熟知的装置,包括:能够发送无线电波或其它EM辐射的发送器;能够感测从发送器前面的物体被反射回到接收器的发送波的接收器装置;和将所感测的波转换成能够分析的数据格式(例如,指示从反射该波的物体的示例性距离和角度)的装置。
自动分析二维(2D)图像的许多方法是可行的。图像10分析由控制模块120内的算法执行。图4示出了根据本发明可应用于分析图像10的一种示例性方法。该方法将图像10细分并辨识地面20的子图像或小块60以用于分析,从小块60提取特征或者分析可用视觉信息以辨识小块内的任何感兴趣或区别特征,且依照特征分析根据成为畅通路径的概率将小块分类。具有大于一定阈值概率的小块分类为畅通的,且小块的汇集可用于组合图像内的畅通路径。
小块60,作为图像10的子图像,可通过任何已知的手段被辨识,例如图像10的随机搜索或密集搜索。替代性地,从一些其它信息源(例如雷达成像***130)可获得的关于物体40存在性的信息可用于辨识小块以分析要描述物体40的图像10部分。图像10可需要许多小块60来分析整个图像。此外,多个叠置小块或具有不同尺寸的小块可用于充分分析含有感兴趣信息的图像10区域。例如,小的小块60可用于分析道路上的小点;然而,可能需要大的小块60来分析一系列点,所述点孤立地可能似乎是不感兴趣的但是在整个系列的情况下可能指示感兴趣物体40。此外,应用于具体区域的小块分辨率可基于可用信息调节,例如,更多小块应用于认为存在物体40的图像10区域。许多方案或策略可用来限定用于分析的小块60,且本发明不打算限制为本文公开的具体实施例。
一旦已经辨识用于分析的小块60,控制模块120通过应用滤波器以从小块提取特征来处理小块。此外,控制模块120可执行在车辆位置环境中的小块位置的分析。所使用的滤波器可采用许多形式。用来提取特征的滤波算法通常搜索数据中用于特性模式的可用视觉信息,通过线取向、线位置、颜色、角点特性、其它视觉属性和学习属性来限定特征。学习属性可通过车辆内的机器学习算法来学习,但通常被离线编程且可根据试验、根据经验、通过预测、通过建模或足以准确地训练区分属性的其它技术来产生。
一旦小块60中的特征已经被提取,小块就基于特征分类以确定小块是畅通路径的概率。概率分析是本领域已知的过程,通过概率分析产生存在特定状况的概率值或置信度。应用于本发明,分类包括概率分析以确定小块是否表示畅通路径或者该小块中的地面20是否受物体40限制。在示例性实施例中,通过应用用示例性道路状况的数据库训练并与所检测物体相互作用的分类器或者算法来进行分类。这些分类器允许控制模块120产生小块60的畅通路径比例概率值,从而在0和1之间量化在小块内辨识的特征不表示将抑制车辆100自由行驶的限制性物体40的置信度。可以设定阈值置信度,从而限定用于将小块定义为畅通路径所需要的畅通路径概率,例如通过以下逻辑:
置信度=畅通路径概率(i) (1)
如果 置信度>0.5,则小块=畅通路径
在该具体示例性实施例中,选择50%或0.5的置信度作为阈值置信度。该数值可根据试验、根据经验、通过预测、通过建模或足以准确地评估小块的畅通路径特性的其它技术来产生。
如上所述,概率分析可在一个示例性实施例中通过将训练后的分类器应用于从小块提取的特征来执行。一种方法使用训练图像集合来演绎地分析特征。在该训练阶段,区别特征从原始特征集合选择,区别特征由本领域已知的方法限定,例如Haar小波、Gabor小波和Leung-and-Malik滤波器组。此外,基于每个特征的最小分类误差(根据错误接受率(FAR)和错误拒绝率(FRR)的求和计算)的2D图像位置信息可通过如图5所示调整单个阈值来使用。该分类误差可以通过以下表达式描述:
分类误差(i)=FARi+FRRi (2)
来自于训练后的分类器的信息用于分类或加权指示畅通路径或不畅通路径的特征,具体分类取决于对训练数据的比较的强度。如果特征是小块内的唯一特征,特征分类可直接应用于小块。对辨识到多个特征的小块的分类可采用多种形式,包括小块由所包括的最能表示小块不畅通的特征限定或者小块由其中包括的所有特征的加权求和来限定。
上述方法可以用于检查独立图像10并基于图像10中包含的视觉信息来估计畅通路径50。在车辆沿道路行驶时,该方法可以一定间隔重复,以考虑新信息并将所拟定的畅通路径扩展到车辆新位置前面一定范围。间隔的选择必须用足够的频率来更新图像10,以给车辆100准确地提供要驾驶的畅通路径。然而,间隔也可以被选择成某些最小值,以充分控制车辆而且不过度地加重对控制模块120施加的计算负荷。
畅通路径检测可以通过上述单个图像10完成。然而,处理速度和精度可以通过增加在接近原始图像的时间获得的第二图像来改进,例如来自于流动视频削波的顺序图像。第二图像允许与第一图像直接比较,且提供关于车辆前进和所检测物体的移动的更新信息。而且,照相机110的视角变化允许进行与第一图像不同的特征分析:可能在第一图像中未清楚示出或者不明显的特征可在不同的照相机角度显示,更明显地突出,或者已经自第一图像移动,从而允许分类算法有附加的机会来限定特征。
处理与原始图像10相关的第二图像可通过计算图像差进行。如果兴趣点(例如,由雷达辨识的特征)的图像差不是0,那么该点可辨识为体现新信息。图像差等于0的点可以从分析中排除且可以节省计算资源。确定图像差的方法包括绝对图像强度差和车辆运动补偿图像差。
通过计算绝对图像强度差来确定图像差可用于收集两个图像之间的信息。绝对图像强度差的一种方法包括确定原始图像和第二图像之间的等同图像特性以补偿图像之间的车辆运动,叠置图像,并注意图像之间强度的任何显著变化。对图像之间的表示某些区域中图像强度的变化的比较包含新信息。没有显示强度变化的区域或小块可在分析中不作强调,而可集中于显示强度上有清楚变化的区域,使用前述方法来分析任一或两个所捕获图像上的小块。
图6A、6B和6C示出了根据本发明的通过计算绝对图像强度差来示例性地确定图像差。图6A示出了原始图像。图6B示出了从原始图像变化的第二图像。具体地,所示圆形已经向左移动。如图6C所示的两个图像的比较(表示绝对图像强度差比较的结果的输出)辨识出已经从第一图像到第二图像变暗的一个区域和已经从第一图像到第二图像变亮的另一个区域。比较分析产生了由于移动或视角变化引起的一些变化可能在图像中该区域中获得的信息。由此,绝对图像强度差可用于分析一对顺序图像以辨识可能不畅通路径。
类似地,通过计算车辆运动补偿图像差来确定图像差可用于在两个图像之间收集信息。已知计算车辆运动补偿图像差的多种方法。车辆运动补偿图像差的一种示例性方法包括分析同时作为畅通路径的固定部分和检测物体的潜在物体。对从两个类别同时辨识的与潜在物体相对应的特征进行概率分析,且可以例如通过以下逻辑比较所述分类:
置信度(i)=畅通路径概率(i)-检测物体概率(i) (3)
如果 置信度>0,则小块=畅通路径
在该具体示例性比较中,如果置信度(i)大于0,那么包含该特征的小块分类为畅通路径。如果置信度(i)小于或等于0,那么包含该特征的小块分类为不畅通路径或受限制。然而,可选择用于置信度水平的不同值以将小块分类为畅通路径。例如,试验可显示,错误肯定值很可能大于错误否定值,从而可引入一些因子或偏差。
图7示出了根据本发明的将特征同时分类为上述畅通路径的一部分和检测物体的一种方法。图10包括物体40、梯形投影70和矩形投影80。该方法采用将物体40作为地面上的平坦物体投影到投影70内的假定,以对将特征分类为畅通路径的一部分进行试验。该方法也采用将物体40作为竖直物体投影到矩形投影80内的假定,以对将特征分类为检测物体进行试验。图8示出了在两个图像之间收集的数据中作出的比较,以根据本发明评估物体40的性质。在时间t1时照相机110从物体40观察并获得第一图像形式的数据。如果物体40是实际检测物体,那么在时间t1时由照相机110观察的物体40的轮廓将对应于点90A。如果物体40是与地面20在相同平面的平坦物体,那么在时间t1时由照相机110观察的物体40的轮廓将对应于点90B。在时间t1和t2之间,照相机110移动一定距离。在时间t2捕获第二图像,且关于物体40的信息可以通过应用寻找第二图像中物体的可视属性与第一图像进行比较的算法来进行试验。如果物体40是从地面20向上延伸的实际检测物体,那么在时间t2时物体40的轮廓将在点90C被观察。如果物体40是与地面20在相同平面的平坦物体,那么在时间t2时物体40的轮廓将在点90B被观察。通过车辆运动补偿图像差获得的比较可借助于基于点90的观察值应用分类器而直接分配置信度,或者比较可简单地指向显示变化的区域作为兴趣点。对作为平坦物体和作为实际检测物体两种分类的物体进行试验,允许包括物体40的区域被辨识以用于通过如上所述分析小块进一步分析,或者直接产生畅通路径概率和检测物体概率,以用于例如在如上述逻辑表达式(2)进行比较。
从第二图像分析可获得的信息可附加地通过整合关于车辆运动的信息(例如速度和偏航速率)来改进。关于车辆运动的信息可从多个源获得,包括车辆速度计、防抱死制动机构、和GPS位置***。算法可使用该车辆移动信息,例如与图7和8所述的投影结合,以基于来自于第一图像的数据和在图像之间车辆的测量移动来投影平躺在地面上的特征应当在第二图像中存在的角度。
用于比较的图像数量不需要限制为两个。可以多次迭接执行多个图像分析,物体在多个循环内被跟踪和比较。如上所述,通过使用图像差分析可获得计算效率,以辨识兴趣点并将具有0差的区域从随后分析中排除。这种效率可用于多次迭接中,例如,仅在第一图像和第二图像之间辨识的兴趣点将在获得的第三和第四图像中被分析。在一些点,新的图像集合将需要被比较以确保示出了0差的区域没有任何变化,例如,撞击到先前畅通路径上的运动物体。使用图像差分析和集中分析(排除被辨识为具有0变化的区域)将根据应用而不同,且可在不同操作状况之间不同,例如车辆速度或感知的操作环境。图像差分析和集中分析的具体使用可采用多种不同实施例,且本发明不打算限于本文描述的具体实施例。
图9示出了根据本发明的分析来自于照相机的输入以确定畅通路径概率的示例性过程200。在步骤202,产生图像形式的照相机输入。在步骤204,从图像选择用于分析的小块。步骤206表示可用于处理小块的滤波器或滤波器组。在步骤208,通过应用可从步骤206获得的滤波器和应用其它算法对选定的小块进行特征提取。步骤210包括分类器训练过程。如上所述,用来产生概率值的分类器或逻辑最初被离线训练。训练可基于模糊逻辑、神经网络或本领域已知的其它学习机制任选地在车辆中继续。这些训练后的分类器在步骤212中被使用,以对步骤208提取的特征进行概率分析且产生小块的概率值。该概率值表示选定小块畅通的置信度。在步骤214,在步骤212中产生的概率值与阈值概率值进行比较。如果概率值大于阈值,那么在步骤218,所述小块被辨识为畅通路径。如果概率值不大于阈值,那么所述小块被辨识为不畅通路径。如上所述,过程200可以许多方式重复或迭接,借助于选择和分析不同小块重复地分析同一图像,且辨识的小块可被跟踪和针对多个顺序图像上的变化进行分析。
如上所述,控制模块120可包括借助于本领域已知且在本文未描述的手段来致动自主驾驶控制的算法和机制,或者控制模块120可简单地提供信息给独立的自主驾驶***。对感知物体的反应可以不同,且包括但不限于转向变化、节气门变化、制动响应、以及车辆对操作者的报警和停止控制。
本发明已经描述了某些优选实施例及其变型。在阅读和理解说明书之后可以想到进一步的变型和变化。因而,本发明不打算限于作为设想用于实施本发明的最佳模式所公开的具体实施例,本发明将包括落入所附权利要求范围内的所有实施例。
Claims (16)
1.一种使用照相机来进行车辆畅通路径检测的方法,包括:
用所述照相机成像所述车辆前面的地面区域,以产生地面图像;以及
分析所述地面图像以拟定没有限制所述车辆行驶的物体的畅通路径,包括:
重复地辨识所述地面图像的组成小块;
从所述组成小块提取特征;以及
基于所述特征将所述组成小块分类。
2.根据权利要求1所述的方法,其中,提取特征包括基于对所述组成小块滤波来进行特征识别。
3.根据权利要求1所述的方法,其中,分类包括:
确定小块畅通路径概率,所述小块畅通路径概率描述所述特征不是限制所述车辆行驶的物体的比例置信度;
将所述小块畅通路径概率与阈值畅通路径置信度进行比较;
如果所述小块畅通路径概率大于所述阈值畅通路径置信度,那么指定所述组成小块是畅通的;以及
如果所述小块畅通路径概率不大于所述阈值畅通路径置信度,那么指定所述组成小块不是畅通的。
4.根据权利要求3所述的方法,其中,确定小块畅通路径概率包括:
使用已训练的分类器数据库来将所述特征与训练模型类比;以及
将畅通路径权重分配给所述特征。
5.根据权利要求3所述的方法,其中,所述阈值畅通路径置信度是大致0.5。
6.根据权利要求1所述的方法,其中,辨识所述组成小块包括用雷达成像***来辨识潜在物体。
7.根据权利要求1所述的方法,其中,辨识所述组成小块包括:
成像所述车辆前面的第二地面区域以产生第二地面图像;
将所述第二地面图像与所述地面图像进行比较;以及
基于所述比较限定组成小块。
8.根据权利要求7所述的方法,其中,将所述第二地面图像与所述地面图像进行比较包括:
将所述第二地面图像与所述地面图像进行参照;
通过绝对图像强度差来产生图像差;以及
集中于所述图像差的显示图像强度变化的区域。
9.根据权利要求7所述的方法,其中,将所述第二地面图像与所述地面图像进行比较包括:
将所述第二地面图像与所述地面图像进行参照;
产生图像差,包括车辆运动补偿图像差;以及
集中于所述图像差的显示相应特性变化的区域。
10.一种使用照相机来进行车辆畅通路径检测的方法,包括:
用所述照相机成像所述车辆前面的第一地面区域,以产生第一地面图像;
用所述照相机成像所述车辆前面的第二地面区域,以产生第二地面图像;以及
分析所述第一和第二地面图像以拟定没有限制所述车辆行驶的物体的畅通路径,包括:
辨识所述第一地面图像的与辨识潜在物体相对应的组成小块;
通过车辆运动补偿图像差将所述第二地面图像与所述第一地面图像进行比较;
基于所述比较产生畅通路径概率和检测物体概率;
如果所述畅通路径概率大于所述检测物体概率,那么将所述小块分类为畅通的;以及
如果所述畅通路径概率不大于所述检测物体概率,那么将所述小块分类为不畅通的。
11.一种用于车辆畅通路径检测的设备,包括:
照相机,所述照相机配置成产生象素化图像;以及
控制模块,所述控制模块分析所述象素化图像并通过以下步骤产生畅通路径输出:
重复地辨识所述象素化图像的组成小块;
从所述小块提取特征;以及
基于所述特征将所述小块分类。
12.根据权利要求11所述的设备,还包括:
雷达成像装置,所述雷达成像装置产生与所述车辆前面的物体相对应的数据;以及
其中,所述控制模块基于所述数据辨识所述组成小块。
13.根据权利要求11所述的设备,其中,所述控制模块通过基于对所述小块滤波应用特征识别来从所述小块提取所述特征。
14.根据权利要求11所述的设备,其中,所述控制模块通过以下步骤来分类所述小块:
将所述特征与训练分类器进行比较;
基于所述比较将畅通路径概率分配给所述小块;
如果所述畅通路径概率大于阈值置信度,那么指定所述小块是畅通的;以及
如果所述畅通路径概率不大于阈值置信度,那么指定所述小块不是畅通的。
15.根据权利要求11所述的设备,还包括:
所述照相机配置成产生第二象素化图像;以及
其中,所述控制模块:
通过应用绝对图像强度差比较将所述象素化图像与所述第二象素化图像进行比较;
在所述比较内将潜在物体辨识为显示变化的任何区域;以及
使用所述潜在物体来辨识所述组成小块。
16.根据权利要求11所述的设备,还包括:
所述照相机配置成产生第二象素化图像;以及
其中,所述控制模块:
通过应用车辆运动补偿图像比较将所述象素化图像与所述第二象素化图像进行比较;
在所述比较内将潜在物体辨识为显示变化的任何区域;以及
使用所述潜在物体来辨识所述组成小块。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/108,581 US8917904B2 (en) | 2008-04-24 | 2008-04-24 | Vehicle clear path detection |
US12/108581 | 2008-04-24 | ||
US12/108,581 | 2008-04-24 | ||
PCT/US2009/041327 WO2009132054A2 (en) | 2008-04-24 | 2009-04-22 | Vehicle clear path detection |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102076531A true CN102076531A (zh) | 2011-05-25 |
CN102076531B CN102076531B (zh) | 2013-03-27 |
Family
ID=41215066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009801242325A Expired - Fee Related CN102076531B (zh) | 2008-04-24 | 2009-04-22 | 车辆畅通路径检测 |
Country Status (4)
Country | Link |
---|---|
US (1) | US8917904B2 (zh) |
CN (1) | CN102076531B (zh) |
DE (1) | DE112009000949T5 (zh) |
WO (1) | WO2009132054A2 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176185A (zh) * | 2011-12-26 | 2013-06-26 | 上海汽车集团股份有限公司 | 用于检测道路障碍物的方法及*** |
CN103366155A (zh) * | 2012-04-09 | 2013-10-23 | 通用汽车环球科技运作有限责任公司 | 通畅路径检测中的时间相干性 |
CN104276174A (zh) * | 2013-07-03 | 2015-01-14 | 沃尔沃汽车公司 | 用于自动回避道路不平整部分的车辆***、车辆和方法 |
CN106167045A (zh) * | 2015-05-21 | 2016-11-30 | Lg电子株式会社 | 驾驶人员辅助装置及其控制方法 |
CN107430817A (zh) * | 2015-03-03 | 2017-12-01 | 日本先锋公司 | 路径搜索装置、控制方法、程序及存储介质 |
CN108496178A (zh) * | 2016-01-05 | 2018-09-04 | 御眼视觉技术有限公司 | 用于估计未来路径的***和方法 |
CN109466548A (zh) * | 2017-09-07 | 2019-03-15 | 通用汽车环球科技运作有限责任公司 | 用于自主车辆操作的地面参照确定 |
CN112686831A (zh) * | 2019-10-17 | 2021-04-20 | 神讯电脑(昆山)有限公司 | 基于人工神经网络的物件表面型态的检测方法 |
Families Citing this family (109)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008145545A1 (de) * | 2007-05-25 | 2008-12-04 | Continental Teves Ag & Co. Ohg | Verfahren und vorrichtung zur erkennung von verkehrsrelevanten informationen |
US8611585B2 (en) * | 2008-04-24 | 2013-12-17 | GM Global Technology Operations LLC | Clear path detection using patch approach |
US8332134B2 (en) * | 2008-04-24 | 2012-12-11 | GM Global Technology Operations LLC | Three-dimensional LIDAR-based clear path detection |
US8421859B2 (en) * | 2008-04-24 | 2013-04-16 | GM Global Technology Operations LLC | Clear path detection using a hierachical approach |
US8452053B2 (en) * | 2008-04-24 | 2013-05-28 | GM Global Technology Operations LLC | Pixel-based texture-rich clear path detection |
US8699754B2 (en) * | 2008-04-24 | 2014-04-15 | GM Global Technology Operations LLC | Clear path detection through road modeling |
US8428305B2 (en) * | 2008-04-24 | 2013-04-23 | GM Global Technology Operations LLC | Method for detecting a clear path through topographical variation analysis |
US8890951B2 (en) * | 2008-04-24 | 2014-11-18 | GM Global Technology Operations LLC | Clear path detection with patch smoothing approach |
US8670592B2 (en) * | 2008-04-24 | 2014-03-11 | GM Global Technology Operations LLC | Clear path detection using segmentation-based method |
US8803966B2 (en) * | 2008-04-24 | 2014-08-12 | GM Global Technology Operations LLC | Clear path detection using an example-based approach |
US8487991B2 (en) * | 2008-04-24 | 2013-07-16 | GM Global Technology Operations LLC | Clear path detection using a vanishing point |
US8605947B2 (en) * | 2008-04-24 | 2013-12-10 | GM Global Technology Operations LLC | Method for detecting a clear path of travel for a vehicle enhanced by object detection |
US8634593B2 (en) * | 2008-04-24 | 2014-01-21 | GM Global Technology Operations LLC | Pixel-based texture-less clear path detection |
US8751154B2 (en) | 2008-04-24 | 2014-06-10 | GM Global Technology Operations LLC | Enhanced clear path detection in the presence of traffic infrastructure indicator |
US8478493B2 (en) | 2008-09-11 | 2013-07-02 | Deere & Company | High integrity perception program |
US20100063652A1 (en) * | 2008-09-11 | 2010-03-11 | Noel Wayne Anderson | Garment for Use Near Autonomous Machines |
US8224500B2 (en) | 2008-09-11 | 2012-07-17 | Deere & Company | Distributed knowledge base program for vehicular localization and work-site management |
US8818567B2 (en) | 2008-09-11 | 2014-08-26 | Deere & Company | High integrity perception for machine localization and safeguarding |
US9188980B2 (en) | 2008-09-11 | 2015-11-17 | Deere & Company | Vehicle with high integrity perception system |
US9235214B2 (en) * | 2008-09-11 | 2016-01-12 | Deere & Company | Distributed knowledge base method for vehicular localization and work-site management |
US9026315B2 (en) | 2010-10-13 | 2015-05-05 | Deere & Company | Apparatus for machine coordination which maintains line-of-site contact |
US8989972B2 (en) | 2008-09-11 | 2015-03-24 | Deere & Company | Leader-follower fully-autonomous vehicle with operator on side |
US8392065B2 (en) * | 2008-09-11 | 2013-03-05 | Deere & Company | Leader-follower semi-autonomous vehicle with operator on side |
US8229618B2 (en) * | 2008-09-11 | 2012-07-24 | Deere & Company | Leader-follower fully autonomous vehicle with operator on side |
US8195358B2 (en) | 2008-09-11 | 2012-06-05 | Deere & Company | Multi-vehicle high integrity perception |
US8195342B2 (en) * | 2008-09-11 | 2012-06-05 | Deere & Company | Distributed knowledge base for vehicular localization and work-site management |
US8912978B2 (en) * | 2009-04-02 | 2014-12-16 | GM Global Technology Operations LLC | Dynamic vehicle system information on full windshield head-up display |
US8350724B2 (en) * | 2009-04-02 | 2013-01-08 | GM Global Technology Operations LLC | Rear parking assist on full rear-window head-up display |
US8629784B2 (en) | 2009-04-02 | 2014-01-14 | GM Global Technology Operations LLC | Peripheral salient feature enhancement on full-windshield head-up display |
US8344894B2 (en) * | 2009-04-02 | 2013-01-01 | GM Global Technology Operations LLC | Driver drowsy alert on full-windshield head-up display |
US8317329B2 (en) * | 2009-04-02 | 2012-11-27 | GM Global Technology Operations LLC | Infotainment display on full-windshield head-up display |
US8427395B2 (en) * | 2009-04-02 | 2013-04-23 | GM Global Technology Operations LLC | Full-windshield hud enhancement: pixelated field of view limited architecture |
US8384532B2 (en) * | 2009-04-02 | 2013-02-26 | GM Global Technology Operations LLC | Lane of travel on windshield head-up display |
US8358224B2 (en) * | 2009-04-02 | 2013-01-22 | GM Global Technology Operations LLC | Point of interest location marking on full windshield head-up display |
US8072686B2 (en) * | 2009-04-02 | 2011-12-06 | GM Global Technology Operations LLC | UV laser beamlett on full-windshield head-up display |
US8629903B2 (en) * | 2009-04-02 | 2014-01-14 | GM Global Technology Operations LLC | Enhanced vision system full-windshield HUD |
US8704653B2 (en) * | 2009-04-02 | 2014-04-22 | GM Global Technology Operations LLC | Enhanced road vision on full windshield head-up display |
US8395529B2 (en) | 2009-04-02 | 2013-03-12 | GM Global Technology Operations LLC | Traffic infrastructure indicator on head-up display |
US8547298B2 (en) * | 2009-04-02 | 2013-10-01 | GM Global Technology Operations LLC | Continuation of exterior view on interior pillars and surfaces |
US8330673B2 (en) * | 2009-04-02 | 2012-12-11 | GM Global Technology Operations LLC | Scan loop optimization of vector projection display |
US8482486B2 (en) | 2009-04-02 | 2013-07-09 | GM Global Technology Operations LLC | Rear view mirror on full-windshield head-up display |
US8269652B2 (en) * | 2009-04-02 | 2012-09-18 | GM Global Technology Operations LLC | Vehicle-to-vehicle communicator on full-windshield head-up display |
US20100253595A1 (en) * | 2009-04-02 | 2010-10-07 | Gm Global Technology Operations, Inc. | Virtual controls and displays by laser projection |
US7924146B2 (en) * | 2009-04-02 | 2011-04-12 | GM Global Technology Operations LLC | Daytime pedestrian detection on full-windscreen head-up display |
US8817090B2 (en) * | 2009-04-02 | 2014-08-26 | GM Global Technology Operations LLC | Luminance uniformity compensation of vector projection display |
US8384531B2 (en) * | 2009-04-02 | 2013-02-26 | GM Global Technology Operations LLC | Recommended following distance on full-windshield head-up display |
US8830141B2 (en) * | 2009-04-02 | 2014-09-09 | GM Global Technology Operations LLC | Full-windshield head-up display enhancement: anti-reflective glass hard coat |
US8564502B2 (en) * | 2009-04-02 | 2013-10-22 | GM Global Technology Operations LLC | Distortion and perspective correction of vector projection display |
US8164543B2 (en) * | 2009-05-18 | 2012-04-24 | GM Global Technology Operations LLC | Night vision on full windshield head-up display |
US8977489B2 (en) * | 2009-05-18 | 2015-03-10 | GM Global Technology Operations LLC | Turn by turn graphical navigation on full windshield head-up display |
FR2947657B1 (fr) * | 2009-07-06 | 2016-05-27 | Valeo Vision | Procede de detection d'un obstacle pour vehicule automobile |
FR2947656B1 (fr) * | 2009-07-06 | 2016-05-27 | Valeo Vision | Procede de detection d'un obstacle pour vehicule automobile |
US8606430B2 (en) | 2010-10-08 | 2013-12-10 | GM Global Technology Operations LLC | External presentation of information on full glass display |
US8098170B1 (en) | 2010-10-08 | 2012-01-17 | GM Global Technology Operations LLC | Full-windshield head-up display interface for social networking |
US8514099B2 (en) | 2010-10-13 | 2013-08-20 | GM Global Technology Operations LLC | Vehicle threat identification on full windshield head-up display |
US8773535B2 (en) * | 2010-12-08 | 2014-07-08 | GM Global Technology Operations LLC | Adaptation for clear path detection using reliable local model updating |
US8681222B2 (en) * | 2010-12-08 | 2014-03-25 | GM Global Technology Operations LLC | Adaptation for clear path detection with additional classifiers |
US8098171B1 (en) | 2010-12-28 | 2012-01-17 | GM Global Technology Operations LLC | Traffic visibility in poor viewing conditions on full windshield head-up display |
US8686872B2 (en) | 2010-12-29 | 2014-04-01 | GM Global Technology Operations LLC | Roadway condition warning on full windshield head-up display |
US8924150B2 (en) | 2010-12-29 | 2014-12-30 | GM Global Technology Operations LLC | Vehicle operation and control system for autonomous vehicles on full windshield display |
US8633979B2 (en) | 2010-12-29 | 2014-01-21 | GM Global Technology Operations LLC | Augmented road scene illustrator system on full windshield head-up display |
US8605011B2 (en) | 2010-12-29 | 2013-12-10 | GM Global Technology Operations LLC | Virtual viewfinder on full windshield head-up display |
US9008904B2 (en) | 2010-12-30 | 2015-04-14 | GM Global Technology Operations LLC | Graphical vehicle command system for autonomous vehicles on full windshield head-up display |
US9057874B2 (en) | 2010-12-30 | 2015-06-16 | GM Global Technology Operations LLC | Virtual cursor for road scene object selection on full windshield head-up display |
US8692739B2 (en) | 2011-09-22 | 2014-04-08 | GM Global Technology Operations LLC | Dynamic information presentation on full windshield head-up display |
US8514101B2 (en) | 2011-12-02 | 2013-08-20 | GM Global Technology Operations LLC | Driving maneuver assist on full windshield head-up display |
US8818708B2 (en) * | 2011-12-02 | 2014-08-26 | GM Global Technology Operations LLC | Optimum driving path on full windshield display |
US8781170B2 (en) | 2011-12-06 | 2014-07-15 | GM Global Technology Operations LLC | Vehicle ghosting on full windshield display |
US9443429B2 (en) | 2012-01-24 | 2016-09-13 | GM Global Technology Operations LLC | Optimum gaze location on full windscreen display |
USD735214S1 (en) * | 2012-11-30 | 2015-07-28 | Google Inc. | Display screen or portion thereof with graphical user interface |
US9547805B1 (en) * | 2013-01-22 | 2017-01-17 | The Boeing Company | Systems and methods for identifying roads in images |
US8676431B1 (en) | 2013-03-12 | 2014-03-18 | Google Inc. | User interface for displaying object-based indications in an autonomous driving system |
USD750663S1 (en) | 2013-03-12 | 2016-03-01 | Google Inc. | Display screen or a portion thereof with graphical user interface |
USD754189S1 (en) | 2013-03-13 | 2016-04-19 | Google Inc. | Display screen or portion thereof with graphical user interface |
USD754190S1 (en) | 2013-03-13 | 2016-04-19 | Google Inc. | Display screen or portion thereof with graphical user interface |
US9164281B2 (en) | 2013-03-15 | 2015-10-20 | Honda Motor Co., Ltd. | Volumetric heads-up display with dynamic focal plane |
US10215583B2 (en) | 2013-03-15 | 2019-02-26 | Honda Motor Co., Ltd. | Multi-level navigation monitoring and control |
US9378644B2 (en) | 2013-03-15 | 2016-06-28 | Honda Motor Co., Ltd. | System and method for warning a driver of a potential rear end collision |
US9251715B2 (en) | 2013-03-15 | 2016-02-02 | Honda Motor Co., Ltd. | Driver training system using heads-up display augmented reality graphics elements |
US9393870B2 (en) | 2013-03-15 | 2016-07-19 | Honda Motor Co., Ltd. | Volumetric heads-up display with dynamic focal plane |
US9747898B2 (en) | 2013-03-15 | 2017-08-29 | Honda Motor Co., Ltd. | Interpretation of ambiguous vehicle instructions |
US10339711B2 (en) | 2013-03-15 | 2019-07-02 | Honda Motor Co., Ltd. | System and method for providing augmented reality based directions based on verbal and gestural cues |
US9098752B2 (en) * | 2013-08-09 | 2015-08-04 | GM Global Technology Operations LLC | Vehicle path assessment |
CN103488973B (zh) * | 2013-09-12 | 2017-10-20 | 上海依图网络科技有限公司 | 基于图像的车辆品牌识别方法和*** |
US10308167B2 (en) * | 2013-10-09 | 2019-06-04 | Magna Closures Inc. | Control of display for vehicle window |
US9139202B2 (en) | 2014-01-21 | 2015-09-22 | Elwha Llc | Vehicle collision management responsive to adverse circumstances in an avoidance path |
US9199642B2 (en) | 2014-01-21 | 2015-12-01 | Elwha Llc | Vehicle collision management responsive to traction conditions in an avoidance path |
US10422649B2 (en) * | 2014-02-24 | 2019-09-24 | Ford Global Technologies, Llc | Autonomous driving sensing system and method |
JP6645074B2 (ja) * | 2015-08-25 | 2020-02-12 | 株式会社Ihi | 支障物検知システム |
US10121082B2 (en) | 2015-10-07 | 2018-11-06 | Honda Motor Co., Ltd. | System and method for providing laser camera fusion for identifying and tracking a traffic participant |
CN106915301B (zh) * | 2015-12-28 | 2019-07-23 | 上海中科深江电动车辆有限公司 | 告警保护装置及防止电动车辆底盘电池包触地被撞的方法 |
JP6975945B2 (ja) * | 2016-02-24 | 2021-12-01 | パナソニックIpマネジメント株式会社 | 判定装置、判定方法、プログラムおよびプログラムを記録した記録媒体 |
DE102016207436A1 (de) | 2016-04-29 | 2017-11-02 | Ford Global Technologies, Llc | System und Verfahren zum Steuern- und/oder Regeln eines Lenksystems eines Fahrzeugs sowie Fahrzeug |
US10366310B2 (en) * | 2016-09-12 | 2019-07-30 | Aptiv Technologies Limited | Enhanced camera object detection for automated vehicles |
RU2728836C2 (ru) | 2016-10-28 | 2020-07-31 | Ппг Индастриз Огайо, Инк. | Покрытия для увеличения расстояния обнаружения до объекта, обнаруживаемого с помощью электромагнитного излучения ближнего инфракрасного диапазона |
US10372128B2 (en) * | 2016-11-21 | 2019-08-06 | Ford Global Technologies, Llc | Sinkhole detection systems and methods |
US10309778B2 (en) * | 2016-12-30 | 2019-06-04 | DeepMap Inc. | Visual odometry and pairwise alignment for determining a position of an autonomous vehicle |
US9989835B1 (en) | 2017-02-09 | 2018-06-05 | Cnh Industrial America Llc | System and method for mounting a camera on a work vehicle |
DE102017211887A1 (de) * | 2017-07-12 | 2019-01-17 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Lokalisieren und automatisierten Betreiben eines Fahrzeugs |
US10216189B1 (en) | 2017-08-23 | 2019-02-26 | Uber Technologies, Inc. | Systems and methods for prioritizing object prediction for autonomous vehicles |
US10788831B2 (en) * | 2017-10-06 | 2020-09-29 | Wipro Limited | Method and device for identifying center of a path for navigation of autonomous vehicles |
US10650553B2 (en) * | 2017-12-27 | 2020-05-12 | Intel IP Corporation | Method of image processing and image processing device |
US11050933B2 (en) * | 2018-04-27 | 2021-06-29 | Continenal Automotive Systems, Inc. | Device and method for determining a center of a trailer tow coupler |
US11561329B2 (en) | 2019-01-07 | 2023-01-24 | Ppg Industries Ohio, Inc. | Near infrared control coating, articles formed therefrom, and methods of making the same |
JP6913716B2 (ja) * | 2019-07-17 | 2021-08-04 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、及びプログラム |
US11320830B2 (en) | 2019-10-28 | 2022-05-03 | Deere & Company | Probabilistic decision support for obstacle detection and classification in a working area |
DE102019219389B4 (de) * | 2019-12-11 | 2022-09-29 | Volkswagen Aktiengesellschaft | Verfahren, Computerprogramm und Vorrichtung zum Reduzieren von zu erwartenden Einschränkungen einer Sensorik eines Fortbewegungsmittels durch Umgebungseinflüsse beim Betrieb des Fortbewegungsmittels |
CN111967525A (zh) * | 2020-08-20 | 2020-11-20 | 广州小鹏汽车科技有限公司 | 一种数据处理的方法及装置、服务器、存储介质 |
CN114047757B (zh) * | 2021-11-05 | 2023-05-19 | 季华实验室 | 一种多agv路径评估规划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003189291A (ja) * | 2001-12-18 | 2003-07-04 | Denso Corp | 車両周辺画像処理装置及び記録媒体 |
KR20050069060A (ko) * | 2003-12-30 | 2005-07-05 | 현대자동차주식회사 | 차량 추돌 방지 시스템 |
US20060213714A1 (en) * | 2005-03-22 | 2006-09-28 | Takata Corporation | Object detection system, protection system, and vehicle |
DE102006047131A1 (de) * | 2006-10-05 | 2008-04-10 | Robert Bosch Gmbh | Verfahren zum automatischen Steuern eines Fahrzeugs |
US20080164985A1 (en) * | 2007-01-10 | 2008-07-10 | Omron Corporation | Detection device, method and program thereof |
Family Cites Families (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5172315A (en) | 1988-08-10 | 1992-12-15 | Honda Giken Kogyo Kabushiki Kaisha | Automatic travelling apparatus and method |
US5307419A (en) | 1990-11-30 | 1994-04-26 | Honda Giken Kogyo Kabushiki Kaisha | Control device of an autonomously moving body and evaluation method for data thereof |
US6711278B1 (en) | 1998-09-10 | 2004-03-23 | Microsoft Corporation | Tracking semantic objects in vector image sequences |
DE19926559A1 (de) | 1999-06-11 | 2000-12-21 | Daimler Chrysler Ag | Verfahren und Vorrichtung zur Detektion von Objekten im Umfeld eines Straßenfahrzeugs bis in große Entfernung |
CA2395257C (en) * | 1999-12-29 | 2013-04-16 | Geospan Corporation | Any aspect passive volumetric image processing method |
JP3603737B2 (ja) * | 2000-03-30 | 2004-12-22 | 日本電気株式会社 | 移動体追尾方法及びその装置 |
DE10059900A1 (de) | 2000-12-01 | 2002-06-13 | Daimler Chrysler Ag | Darstellung von bildhafter Umgebungsinformation |
US6766053B2 (en) * | 2000-12-15 | 2004-07-20 | Xerox Corporation | Method and apparatus for classifying images and/or image regions based on texture information |
US6728608B2 (en) * | 2002-08-23 | 2004-04-27 | Applied Perception, Inc. | System and method for the creation of a terrain density model |
KR100446636B1 (ko) | 2002-11-21 | 2004-09-04 | 삼성전자주식회사 | 이동체의 움직임 및 이동체 전방에 위치한 물체의 3차원정보 측정 기능을 구비한 이동체 및 그 방법 |
US7764808B2 (en) * | 2003-03-24 | 2010-07-27 | Siemens Corporation | System and method for vehicle detection and tracking |
KR100488739B1 (ko) | 2003-07-10 | 2005-05-11 | 현대자동차주식회사 | 차량용 멀티유저 시트 기억장치 |
KR100708922B1 (ko) * | 2003-07-11 | 2007-04-17 | 도요다 지도샤 가부시끼가이샤 | 충돌-대응 차량 제어시스템 |
JP4043416B2 (ja) * | 2003-07-30 | 2008-02-06 | オリンパス株式会社 | 安全移動支援装置 |
US7376262B2 (en) | 2003-08-04 | 2008-05-20 | American Gnc Corporation | Method of three dimensional positioning using feature matching |
US7508979B2 (en) * | 2003-11-21 | 2009-03-24 | Siemens Corporate Research, Inc. | System and method for detecting an occupant and head pose using stereo detectors |
US20100013615A1 (en) * | 2004-03-31 | 2010-01-21 | Carnegie Mellon University | Obstacle detection having enhanced classification |
KR20060002138A (ko) | 2004-07-01 | 2006-01-09 | 주식회사 하이닉스반도체 | 반도체 소자의 제조방법 |
DE102004047130B4 (de) | 2004-09-27 | 2012-07-26 | Andreas Stopp | Umgebungsmodellierung für autonome mobile Systeme |
DE102006060893A1 (de) | 2006-05-12 | 2007-11-15 | Adc Automotive Distance Control Systems Gmbh | Vorrichtung und Verfahren zum Bestimmen eines Freiraums vor einem Fahrzeug |
DE102006039832B9 (de) | 2006-08-25 | 2010-06-10 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zum Auffinden und Unterscheiden von Personen, Tieren oder Fahrzeugen mittels automatischer Bildüberwachung digitaler oder digitalisierter Bilder |
DE102006046843A1 (de) | 2006-10-02 | 2008-04-03 | Robert Bosch Gmbh | Verfahren zur Erkennung eines Umfelds |
DE102006058308A1 (de) | 2006-12-11 | 2008-06-12 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Erfassen eines Hindernisses in einem Umgebungsbereich eines Kraftfahrzeugs und Kraftfahrzeug |
DE102006061390B4 (de) | 2006-12-23 | 2019-05-16 | Volkswagen Ag | Umfelderfassungssystem und Umfelderfassungsverfahren eines Kraftfahrzeugs |
US8487991B2 (en) | 2008-04-24 | 2013-07-16 | GM Global Technology Operations LLC | Clear path detection using a vanishing point |
US8670592B2 (en) | 2008-04-24 | 2014-03-11 | GM Global Technology Operations LLC | Clear path detection using segmentation-based method |
US8890951B2 (en) | 2008-04-24 | 2014-11-18 | GM Global Technology Operations LLC | Clear path detection with patch smoothing approach |
US8421859B2 (en) | 2008-04-24 | 2013-04-16 | GM Global Technology Operations LLC | Clear path detection using a hierachical approach |
US8332134B2 (en) | 2008-04-24 | 2012-12-11 | GM Global Technology Operations LLC | Three-dimensional LIDAR-based clear path detection |
US8699754B2 (en) | 2008-04-24 | 2014-04-15 | GM Global Technology Operations LLC | Clear path detection through road modeling |
US8452053B2 (en) | 2008-04-24 | 2013-05-28 | GM Global Technology Operations LLC | Pixel-based texture-rich clear path detection |
US8751154B2 (en) | 2008-04-24 | 2014-06-10 | GM Global Technology Operations LLC | Enhanced clear path detection in the presence of traffic infrastructure indicator |
US8634593B2 (en) | 2008-04-24 | 2014-01-21 | GM Global Technology Operations LLC | Pixel-based texture-less clear path detection |
US8428305B2 (en) | 2008-04-24 | 2013-04-23 | GM Global Technology Operations LLC | Method for detecting a clear path through topographical variation analysis |
US8605947B2 (en) | 2008-04-24 | 2013-12-10 | GM Global Technology Operations LLC | Method for detecting a clear path of travel for a vehicle enhanced by object detection |
US8611585B2 (en) | 2008-04-24 | 2013-12-17 | GM Global Technology Operations LLC | Clear path detection using patch approach |
US8803966B2 (en) | 2008-04-24 | 2014-08-12 | GM Global Technology Operations LLC | Clear path detection using an example-based approach |
US8099213B2 (en) | 2008-07-18 | 2012-01-17 | GM Global Technology Operations LLC | Road-edge detection |
US8126642B2 (en) * | 2008-10-24 | 2012-02-28 | Gray & Company, Inc. | Control and systems for autonomously driven vehicles |
-
2008
- 2008-04-24 US US12/108,581 patent/US8917904B2/en not_active Expired - Fee Related
-
2009
- 2009-04-22 CN CN2009801242325A patent/CN102076531B/zh not_active Expired - Fee Related
- 2009-04-22 DE DE112009000949T patent/DE112009000949T5/de not_active Withdrawn
- 2009-04-22 WO PCT/US2009/041327 patent/WO2009132054A2/en active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003189291A (ja) * | 2001-12-18 | 2003-07-04 | Denso Corp | 車両周辺画像処理装置及び記録媒体 |
KR20050069060A (ko) * | 2003-12-30 | 2005-07-05 | 현대자동차주식회사 | 차량 추돌 방지 시스템 |
US20060213714A1 (en) * | 2005-03-22 | 2006-09-28 | Takata Corporation | Object detection system, protection system, and vehicle |
DE102006047131A1 (de) * | 2006-10-05 | 2008-04-10 | Robert Bosch Gmbh | Verfahren zum automatischen Steuern eines Fahrzeugs |
US20080164985A1 (en) * | 2007-01-10 | 2008-07-10 | Omron Corporation | Detection device, method and program thereof |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176185A (zh) * | 2011-12-26 | 2013-06-26 | 上海汽车集团股份有限公司 | 用于检测道路障碍物的方法及*** |
CN103176185B (zh) * | 2011-12-26 | 2015-01-21 | 上海汽车集团股份有限公司 | 用于检测道路障碍物的方法及*** |
CN103366155A (zh) * | 2012-04-09 | 2013-10-23 | 通用汽车环球科技运作有限责任公司 | 通畅路径检测中的时间相干性 |
CN103366155B (zh) * | 2012-04-09 | 2016-11-09 | 通用汽车环球科技运作有限责任公司 | 通畅路径检测中的时间相干性 |
CN104276174A (zh) * | 2013-07-03 | 2015-01-14 | 沃尔沃汽车公司 | 用于自动回避道路不平整部分的车辆***、车辆和方法 |
CN104276174B (zh) * | 2013-07-03 | 2018-01-26 | 沃尔沃汽车公司 | 用于自动回避道路不平整部分的车辆***、车辆和方法 |
CN107430817A (zh) * | 2015-03-03 | 2017-12-01 | 日本先锋公司 | 路径搜索装置、控制方法、程序及存储介质 |
CN107430817B (zh) * | 2015-03-03 | 2021-07-13 | 日本先锋公司 | 路径搜索装置、控制方法及非暂时性计算机可读介质 |
CN106167045A (zh) * | 2015-05-21 | 2016-11-30 | Lg电子株式会社 | 驾驶人员辅助装置及其控制方法 |
CN106167045B (zh) * | 2015-05-21 | 2020-02-07 | Lg电子株式会社 | 驾驶人员辅助装置及其控制方法 |
CN108496178A (zh) * | 2016-01-05 | 2018-09-04 | 御眼视觉技术有限公司 | 用于估计未来路径的***和方法 |
CN108496178B (zh) * | 2016-01-05 | 2023-08-08 | 御眼视觉技术有限公司 | 用于估计未来路径的***和方法 |
CN109466548A (zh) * | 2017-09-07 | 2019-03-15 | 通用汽车环球科技运作有限责任公司 | 用于自主车辆操作的地面参照确定 |
CN109466548B (zh) * | 2017-09-07 | 2022-03-22 | 通用汽车环球科技运作有限责任公司 | 用于自主车辆操作的地面参照确定 |
CN112686831A (zh) * | 2019-10-17 | 2021-04-20 | 神讯电脑(昆山)有限公司 | 基于人工神经网络的物件表面型态的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20090268946A1 (en) | 2009-10-29 |
CN102076531B (zh) | 2013-03-27 |
WO2009132054A2 (en) | 2009-10-29 |
WO2009132054A3 (en) | 2009-12-17 |
US8917904B2 (en) | 2014-12-23 |
DE112009000949T5 (de) | 2011-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102076531B (zh) | 车辆畅通路径检测 | |
CN101900567B (zh) | 基于像素的无纹理畅通路径检测 | |
CN101900566B (zh) | 基于像素的纹理丰富畅通路径检测 | |
CN101900562B (zh) | 采用基于分割方法的畅通路径检测 | |
CN101950350B (zh) | 使用分级方法的畅通路径检测 | |
US8487991B2 (en) | Clear path detection using a vanishing point | |
CN101963509B (zh) | 通过地形变化分析来检测畅通路径的方法 | |
US9852357B2 (en) | Clear path detection using an example-based approach | |
CN108780154A (zh) | 3d点云的处理方法 | |
EP3032454A1 (en) | Method and system for adaptive ray based scene analysis of semantic traffic spaces and vehicle equipped with such system | |
CN111274886B (zh) | 一种基于深度学习的行人闯红灯违法行为分析方法及*** | |
CN110263692A (zh) | 大场景下集装箱开关门状态识别方法 | |
WO2020007589A1 (en) | Training a deep convolutional neural network for individual routes | |
CN111553321A (zh) | 一种流动商贩目标检测模型、检测方法及其管理方法 | |
Börcs et al. | A model-based approach for fast vehicle detection in continuously streamed urban LIDAR point clouds | |
CN116872961A (zh) | 用于智能驾驶车辆的控制*** | |
He et al. | Real-time pedestrian warning system on highway using deep learning methods | |
EP3786845A1 (en) | Difficulty-adaptive training for machine learning modules | |
CN116206286A (zh) | 高速路况下的障碍物检测方法、装置、设备和介质 | |
CN113917453A (zh) | 一种基于雷达和视频的多传感器融合方法 | |
Kalist et al. | A Novel Lanemark Identification System using Kalman Filtration Logic and Image Processing Principles | |
CN116541715B (zh) | 目标检测方法、模型的训练方法、目标检测***及装置 | |
Prakash et al. | Enhancing traffic sign recognition (TSR) by classifying deep learning models to promote road safety | |
Zaheer et al. | Detection and Recognition of Vehicle’s Headlights Types for Surveillance Using Deep Neural Networks | |
Li | A novel drive-through vehicle profiling system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130327 |
|
CF01 | Termination of patent right due to non-payment of annual fee |