CN106845547B - 一种基于摄像头的智能汽车定位与道路标识识别***及方法 - Google Patents
一种基于摄像头的智能汽车定位与道路标识识别***及方法 Download PDFInfo
- Publication number
- CN106845547B CN106845547B CN201710051078.XA CN201710051078A CN106845547B CN 106845547 B CN106845547 B CN 106845547B CN 201710051078 A CN201710051078 A CN 201710051078A CN 106845547 B CN106845547 B CN 106845547B
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- module
- road
- data processing
- 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
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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
-
- 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
- G06V2201/09—Recognition of logos
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于摄像头的智能汽车定位与道路标识识别***,包括图像采集模块、FPGA核心控制编码模块和数据处理模块,所述图像采集模块与FPGA核心控制编码模块,FPGA核心控制编码模块与数据处理模块相连;所述图像采集模块用于对车辆周围图像信息进行采集;所述FPGA核心控制编码模块用于对图像采集模块所采集的信息进行无损压缩,并将压缩后的视频传输至数据处理模块;数据处理模块对视频进行分割形成图像帧,对图像帧中的目标区域进行提取,并对车辆、行人及道路标识信息分别进行识别;根据目标的物理特性,判断目标与本车的距离。本发明***结构紧凑,可适应各种类型的车辆,可根据相应的视频信息进一步深度开发,可扩展性强。
Description
技术领域
本发明属于智能汽车技术领域,涉及一种基于摄像头的智能汽车定位与道路标识识别***及方法。
背景技术
智能汽车一个重点就是环境感知问题,而图像传感器是智能汽车获取环境信息的重要手段。传统智能汽车携带大量各类传感器,这些传感器数据是控制智能汽车的信息来源。其中,激光雷达是最为重要的传感器之一。如谷歌智能车即是采用激光雷达对周边环境进行感知,从而为车辆控制提供充足的位置信息。激光雷达存在探测性能好、抗干扰能力强等优点。其对车辆周围信息的感知与检测以及车辆周边障碍物的发现有着较好的使用效果。如谷歌智能车能够绘制车辆周边的3D地图,供车辆进行避障、转弯、变道等操作。但激光雷达也存在许多不足之处。首先激光雷达价钱较为昂贵,其价格普遍高达数万元甚至数十万元。这使得采用激光雷达的智能车改装成本过于昂贵。且采用激光雷达的智能车感知***对于道路标识的感知也存在相应的问题。由于激光雷达主要针对测量距离进行设计,采用激光雷达的智能车***无法通过雷达本身对图像信息进行感知。故若需要获得道路标识信息,则必须额外增加摄像头对专门永远道路标识识别。此举不但将增加感知硬件设备的成本,还会大幅提高***的计算量,增加***的计算功耗。激光雷达本生的驱动程序以及计算***对计算能力要求也较高。由于激光雷达信息具有庞大的信息流,要处理这种规模的信息要求计算能力更强的计算平台,例如64线3D激光雷达每秒产生一百三十万笔侦测资料,处理这样的数据车载对于处理器、内存、计算GPU都有很高的要求,否则难以保证计算的实时性。由于计算实时性难以得到保证,现在智能车的计算***往往采用一些估计方法,这使得智能车只能以降低车速的方式来变相提高安全系数。此外激光雷达的红外线波受气候影响较大,在不同天气状态下,检测距离的精度易受影响。
发明内容
有鉴于此,本发明的目的是提供一种基于摄像头的智能汽车定位与道路标识识别***及方法。
本发明的目的之一是通过以下技术方案来实现的,一种基于摄像头的智能汽车定位与道路标识识别***,包括图像采集模块、FPGA核心控制编码模块和数据处理模块,所述图像采集模块与FPGA核心控制编码模块,FPGA核心控制编码模块与数据处理模块相连;所述图像采集模块用于对车辆周围图像信息进行采集;所述FPGA核心控制编码模块用于对图像采集模块所采集的信息进行无损压缩,并将压缩后的视频传输至数据处理模块;数据处理模块对视频进行分割形成图像帧,在数据处理模块中,对图像帧中的目标区域进行提取,并对车辆、行人及道路标识信息分别进行识别并提取车辆、行人及道路标识的位置信息;根据目标的物理特性,判断目标与本车的距离。
进一步,采用深度神经网络的方法对图像帧中的目标区域进行提取。
进一步,采用卷积神经网络对对车辆、行人及道路标识信息分别进行识别。
本发明的目的之二是通过以下技术方案来实现的,一种基于摄像头的智能汽车定位与道路标识识别方法,包括以下步骤:
S1采用图像采集模块对视频信息进行采集;
S2采用FPGA核心控制编码模块对图像采集模块所采集的信息进行无损压缩,并将压缩后的视频传输至数据处理模块;
S3数据处理模块对视频进行分割,对图像中目标区域进行提取,并对道路标识进行识别;
S4根据目标的物理特性,判断目标与本车的距离。
进一步,道路标识的识别包括以下步骤:
S51根据道路标识图像库,预先在数据处理模块中对深度神经网络进行学习,并将其导入车载存储模块中;
S52采用深度学习方法学习提取图像中目标区域信息特征,获取交通标志图像中的位置信息;
S53利用深度神经网络快速提取目标区域,提取目标特征信息;并通过预先存储在存储模块中的模型,实时识别目标的种类,对各类交通道路标识进行识别。
进一步,判断目标与本车的距离的方法包括以下步骤:
S51根据历史道路视频信息,在数据处理模块中,预先对深度神经网络进行学习,并将其导入车载存储模块之中;
S52根据深度神经网络的方法识别对图像中的目标进行识别分离;
S53调用预先学习的模型,采用深度神经网络的方法对道路障碍物进行识别,识别车辆、行人、车道的信息;
S54根据车道宽度、车辆与摄像头角度、车辆尺寸、道路行人信息对智能车位置信息进行计算。
由于采用了上述技术方案,本发明具有如下的优点:
(1)采用该方法可以充分利用视频信息量丰富的特点,对道路重要信息能够一次性充分采集,提升了车辆对道路信息采集的信息量。
(2)采用全新的目标识别算法方式,解决了算法复杂度高,实时性差的缺点,结合并行计算的相关方法进一步提高了***的实时性,达到了视频信息实时处理的效果。
(3)本发明***结构紧凑,可适应各种类型的车辆,可根据相应的视频信息进一步深度开发,可扩展性强。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明所述智能汽车感知***的结构图;
图2为本发明所述智能汽车感知目标识别的***流程图。
具体实施方式
以下将结合附图,对本发明的优选实施例进行详细的描述;应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
如图1所示,一种基于摄像头的智能汽车定位与道路标识识别***,包括图像采集模块、FPGA核心控制编码模块和数据处理模块,所述图像采集模块与FPGA核心控制编码模块,FPGA核心控制编码模块与数据处理模块相连;所述图像采集模块用于对车辆周围图像信息进行采集;所述FPGA核心控制编码模块用于对图像采集模块所采集的信息进行无损压缩,并将压缩后的视频传输至数据处理模块;数据处理模块对视频进行分割形成图像帧,在数据处理模块中,采用深度神经网络对图像帧中的目标区域进行提取,采用卷积神经网络对车辆、行人及道路标识信息分别进行识别并提取车辆、行人及道路标识的位置信息;根据目标的物理特性,判断目标与本车的距离。
本发明采用该方法可以充分利用视频信息量丰富的特点,对道路重要信息能够一次性充分采集,提升了车辆对道路信息采集的信息量;采用全新的目标识别算法方式,解决了算法复杂度高,实时性差的缺点,结合并行计算的相关方法进一步提高了***的实时性,达到了视频信息实时处理的效果。
如图2所示,一种基于摄像头的智能汽车定位与道路标识识别方法,包括以下步骤:
(1)使用车载摄像头历史交通视频数据、交通标志数据、文字数据对车预设的卷积神经网络结构(CNN)进行预训练,得到相应的深度神经网络模型。
(2)在数据处理模块上构建对应的卷积神经网络结构,并导入训练后的神经网络参数。
(3)采用FPGA对摄像头参数进行初始设置。
(4)打开摄像头,采集视频信息1秒。
(5)根据摄像头视频信息亮度、对比度、边缘强度信息通过信息熵、对比度算子、sobel算子进行初步计算。
(6)根据识别算法对于边缘强度、亮度、对比度的要求通过FPGA控制板完成对摄像头的ISO,锐度进行相应的配置。
(7)采用图像采集模块对视频信息进行采集;
(8)采用FPGA核心控制编码模块对图像采集模块所采集的信息进行无损压缩,并将压缩后的视频传输至数据处理模块;
(9)数据处理模块对视频进行分割;
(10)使用深度神经网络(DNN)根据目标与背景信息的边缘差别,对目标区域,并记录目标坐标;
(11)根据目标坐标与摄像头的位置关系,对目标性质进行初步划分,将目标划分为道路目标与交通标识;
(12)根据初步目标划分的结果,对道路目标,对行人、车辆与车道进行识别;
(13)根据车辆、行人数目与道路宽度估计道路拥堵程度作为控制依据;
(14)根据车辆、行人在摄像头中所占像素点数目估计车辆与本车位置关系;
(15)根据车辆信息类型计算车辆与本车详细位置关系(包括本车与目标车的距离),为车辆实时控制提供依据;
(16)此外对于被识别到的道路周边信息,将进行筛选,分辨其是否为道路标志牌信息;
(17)若为道路标志牌信息,则需识别其标志种类;
(18)对于记录道路地质,限速等信息的道路标志,采用基于深度学习的光学字符识别识别数字或文字信息;
(19)根据道路标志信息对道路行驶控制提供信息;
(20)对全部视频信息存入存储模块用以备份;
(21)对视频识别后的全部识别信息与备份信息全部一并存入存储模块之中进行备份;
在本发明中,道路标识的识别包括以下步骤:
S51根据道路标识图像库,预先在数据处理模块中对深度神经网络进行学习,并将其导入车载存储模块中;
S52采用深度学习方法学习提取图像中目标区域信息特征,获取交通标志图像中的位置信息;
S53利用深度神经网络快速提取目标区域,提取目标特征信息;并通过预先存储在存储模块中的模型,实时识别目标的种类,对各类交通道路标识进行识别。
在本发明中,判断目标与本车的距离的方法包括以下步骤:
S51根据历史道路视频信息,在数据处理模块中,预先对深度神经网络进行学习,并将其导入车载存储模块之中;
S52根据深度神经网络的方法识别对图像中的目标进行识别分离;
S53调用预先学习的模型,采用深度神经网络的方法对道路障碍物进行识别,识别车辆、行人、车道的信息;
S54根据车道宽度、车辆与摄像头角度、车辆尺寸、道路行人信息对智能车位置信息进行计算。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (2)
1.一种基于摄像头的智能汽车定位与道路标识识别方法,其特征在于:该方法在基于摄像头的智能汽车定位与道路标识识别的***上执行,其中,所述***包括图像采集模块、FPGA核心控制编码模块和数据处理模块,所述图像采集模块与FPGA核心控制编码模块相连,FPGA核心控制编码模块与数据处理模块相连;
所述图像采集模块用于对车辆周围图像信息进行采集;
所述FPGA核心控制编码模块用于对图像采集模块所采集的信息进行无损压缩,并将压缩后的视频传输至数据处理模块;数据处理模块对视频进行分割形成图像帧,在数据处理模块中,采用深度神经网络的方法对图像帧中的目标区域进行提取,采用卷积神经网络对车辆、行人及道路标识信息分别进行识别,并提取车辆、行人及道路标识的位置信息,根据目标的物理特性,判断目标与本车的距离;
所述基于摄像头的智能汽车定位与道路标识识别方法具体包括以下步骤:
(1)使用车载摄像头历史交通视频数据、交通标志数据、文字数据对车预设的卷积神经网络结构进行预训练,得到相应的深度神经网络模型;
(2)在数据处理模块上构建对应的卷积神经网络结构,并导入训练后的神经网络参数;
(3)采用FPGA对摄像头参数进行初始设置;
(4)打开摄像头,采集视频信息1秒;
(5)根据摄像头视频信息亮度、对比度、边缘强度信息通过信息熵、对比度算子、sobel算子进行初步计算;
(6)根据识别算法对于边缘强度、亮度、对比度的要求通过FPGA控制板完成对摄像头的ISO,锐度进行相应的配置;
(7)采用图像采集模块对视频信息进行采集;
(8)采用FPGA核心控制编码模块对图像采集模块所采集的信息进行无损压缩,并将压缩后的视频传输至数据处理模块;
(9)数据处理模块对视频进行分割;
(10)使用深度神经网络根据目标与背景信息的边缘差别,识别目标区域,并记录目标坐标;
(11)根据目标坐标与摄像头的位置关系,对目标性质进行初步划分,将目标划分为道路目标与交通标识;
(12)根据初步目标划分的结果,对道路目标,对行人、车辆与车道进行识别;
(13)根据车辆、行人数目与道路宽度估计道路拥堵程度作为控制依据;
(14)根据车辆、行人在摄像头中所占像素点数目估计车辆与本车位置关系;
(15)根据车辆信息类型计算车辆与本车详细位置关系,为车辆实时控制提供依据;
(16)此外对于被识别到的道路周边信息,将进行筛选,分辨其是否为道路标志牌信息;
(17)若为道路标志牌信息,则需识别其标志种类;
(18)对于记录道路地质、限速信息的道路标志,采用基于深度学习的光学字符识别识别数字或文字信息;
(19)根据道路标志信息对道路行驶控制提供信息;
(20)将全部视频信息存入存储模块用以备份;
(21)将视频识别后的全部识别信息与备份信息全部一并存入存储模块之中进行备份;
其中,判断目标与本车的距离包括以下步骤:
S51根据历史道路视频信息,在数据处理模块中,预先对深度神经网络进行学习,并将其导入车载存储模块之中;
S52根据深度神经网络的方法识别对图像中的目标进行识别分离;
S53调用预先学习的模型,采用深度神经网络的方法对道路障碍物进行识别,识别车辆、行人、车道的信息;
S54根据车道宽度、车辆与摄像头角度、车辆尺寸、道路行人信息对智能车位置信息进行计算。
2.根据权利要求1所述的基于摄像头的智能汽车定位与道路标识识别方法,其特征在于:道路标识识别包括以下步骤:根据道路标识图像库,预先在数据处理模块中对深度神经网络进行学习,并将其导入车载存储模块中;采用深度学习方法学习提取图像中目标区域信息特征,获取交通标志图像中的位置信息;利用深度神经网络快速提取目标区域,提取目标特征信息;并通过预先存储在存储模块中的模型,实时识别目标的种类,对各类交通道路标识进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710051078.XA CN106845547B (zh) | 2017-01-23 | 2017-01-23 | 一种基于摄像头的智能汽车定位与道路标识识别***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710051078.XA CN106845547B (zh) | 2017-01-23 | 2017-01-23 | 一种基于摄像头的智能汽车定位与道路标识识别***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845547A CN106845547A (zh) | 2017-06-13 |
CN106845547B true CN106845547B (zh) | 2018-08-14 |
Family
ID=59120373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710051078.XA Active CN106845547B (zh) | 2017-01-23 | 2017-01-23 | 一种基于摄像头的智能汽车定位与道路标识识别***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845547B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203761B (zh) * | 2017-06-15 | 2019-09-17 | 厦门大学 | 基于高分辨率卫星影像的道路宽度估计方法 |
CN109145680B (zh) * | 2017-06-16 | 2022-05-27 | 阿波罗智能技术(北京)有限公司 | 一种获取障碍物信息的方法、装置、设备和计算机存储介质 |
CN107609472A (zh) * | 2017-08-04 | 2018-01-19 | 湖南星云智能科技有限公司 | 一种基于车载双摄像头的无人驾驶汽车机器视觉*** |
CN107703936A (zh) * | 2017-09-22 | 2018-02-16 | 南京轻力舟智能科技有限公司 | 基于卷积神经网络的自动导航小车***及小车定位方法 |
CN107677287A (zh) * | 2017-09-22 | 2018-02-09 | 南京轻力舟智能科技有限公司 | 基于卷积神经网络的自动导航小车***及小车循线方法 |
CN109784125A (zh) * | 2017-11-10 | 2019-05-21 | 福州瑞芯微电子股份有限公司 | 深度学习网络处理装置、方法及图像处理单元 |
CN107885214A (zh) * | 2017-11-22 | 2018-04-06 | 济南浪潮高新科技投资发展有限公司 | 一种基于fpga的加速自动驾驶视觉感知的方法及装置 |
CN108388641B (zh) * | 2018-02-27 | 2022-02-01 | 广东方纬科技有限公司 | 一种基于深度学习的交通设施地图生成方法与*** |
CN108764470B (zh) * | 2018-05-18 | 2021-08-31 | 中国科学院计算技术研究所 | 一种人工神经网络运算的处理方法 |
CN108898697A (zh) * | 2018-07-25 | 2018-11-27 | 广东工业大学 | 一种路面特征获取方法及相关装置 |
CN111028534B (zh) * | 2018-10-09 | 2022-04-26 | 杭州海康威视数字技术股份有限公司 | 一种泊车位检测方法及装置 |
CN109508710A (zh) * | 2018-10-23 | 2019-03-22 | 东华大学 | 基于改进YOLOv3网络的无人车夜间环境感知方法 |
CN109446973B (zh) * | 2018-10-24 | 2021-01-22 | 中车株洲电力机车研究所有限公司 | 一种基于深度神经网络图像识别的车辆定位方法 |
WO2020093351A1 (en) * | 2018-11-09 | 2020-05-14 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying a road feature |
CN113246858B (zh) * | 2019-02-27 | 2023-05-19 | 百度在线网络技术(北京)有限公司 | 车辆行驶状态图像生成方法、设备和*** |
CN110648360B (zh) * | 2019-09-30 | 2023-08-01 | 的卢技术有限公司 | 一种基于车载摄像头避让他方车辆的方法及*** |
CN112896160B (zh) * | 2019-12-02 | 2022-10-11 | 华为技术有限公司 | 交通标志信息获取方法及相关设备 |
CN113079342A (zh) * | 2020-01-03 | 2021-07-06 | 深圳市春盛海科技有限公司 | 基于高分辨率影像装置的目标追踪方法及*** |
CN111268634B (zh) * | 2020-02-13 | 2021-07-13 | 芜湖启迪睿视信息技术有限公司 | 一种基于行人跟踪的加油枪定位方法 |
CN111439259B (zh) * | 2020-03-23 | 2020-11-27 | 成都睿芯行科技有限公司 | 基于端到端卷积神经网络的农业园场景车道偏移预警控制方法及*** |
CN111750891B (zh) * | 2020-08-04 | 2022-07-12 | 上海擎感智能科技有限公司 | 用于信息处理的方法、计算设备和计算机存储介质 |
CN112019808A (zh) * | 2020-08-07 | 2020-12-01 | 华东师范大学 | 一种基于MPSoC的车载实时视频信息智能识别装置 |
CN113246991B (zh) * | 2021-06-29 | 2021-11-30 | 新石器慧通(北京)科技有限公司 | 用于无人车的远程驾驶端的数据传输方法和装置 |
CN113989763B (zh) * | 2021-12-30 | 2022-04-15 | 江西省云眼大视界科技有限公司 | 一种视频结构化分析方法和分析*** |
CN114240816A (zh) * | 2022-02-24 | 2022-03-25 | 魔门塔(苏州)科技有限公司 | 道路环境感知方法、装置、存储介质、电子设备及车辆 |
CN115100895A (zh) * | 2022-06-20 | 2022-09-23 | 合肥湛达智能科技有限公司 | 一种基于高精度地图的网联汽车通信优化方法 |
CN115056784B (zh) * | 2022-07-04 | 2023-12-05 | 小米汽车科技有限公司 | 车辆控制方法、装置、车辆、存储介质及芯片 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103465857A (zh) * | 2013-09-17 | 2013-12-25 | 上海羽视澄蓝信息科技有限公司 | 一种基于手机的汽车主动安全的预警方法 |
CN105512646A (zh) * | 2016-01-19 | 2016-04-20 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778786B (zh) * | 2013-12-17 | 2016-04-27 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于显著车辆部件模型的交通违章检测方法 |
-
2017
- 2017-01-23 CN CN201710051078.XA patent/CN106845547B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103465857A (zh) * | 2013-09-17 | 2013-12-25 | 上海羽视澄蓝信息科技有限公司 | 一种基于手机的汽车主动安全的预警方法 |
CN105512646A (zh) * | 2016-01-19 | 2016-04-20 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN106845547A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845547B (zh) | 一种基于摄像头的智能汽车定位与道路标识识别***及方法 | |
US10943355B2 (en) | Systems and methods for detecting an object velocity | |
CN110163904B (zh) | 对象标注方法、移动控制方法、装置、设备及存储介质 | |
Possatti et al. | Traffic light recognition using deep learning and prior maps for autonomous cars | |
JP7052663B2 (ja) | 物体検出装置、物体検出方法及び物体検出用コンピュータプログラム | |
US20230014874A1 (en) | Obstacle detection method and apparatus, computer device, and storage medium | |
US10817731B2 (en) | Image-based pedestrian detection | |
US10540554B2 (en) | Real-time detection of traffic situation | |
US11488392B2 (en) | Vehicle system and method for detecting objects and object distance | |
US10229332B2 (en) | Method and apparatus for recognizing obstacle of vehicle | |
WO2020094033A1 (en) | Method and system for converting point cloud data for use with 2d convolutional neural networks | |
US9092695B1 (en) | High-accuracy real-time road sign detection from images | |
SE541962C2 (en) | Method and apparatus for detecting vehicle contour based on point cloud data | |
CN104378582A (zh) | 一种基于ptz摄像机巡航的智能视频分析***及方法 | |
CN108446622A (zh) | 目标物体的检测跟踪方法及装置、终端 | |
CN111856963A (zh) | 一种基于车载环视***的泊车仿真方法及装置 | |
US20210149408A1 (en) | Generating Depth From Camera Images and Known Depth Data Using Neural Networks | |
CN114359181B (zh) | 一种基于图像和点云的智慧交通目标融合检测方法及*** | |
WO2021223116A1 (zh) | 感知地图生成方法、装置、计算机设备和存储介质 | |
CN110992424B (zh) | 基于双目视觉的定位方法和*** | |
CN112654998B (zh) | 一种车道线检测方法和装置 | |
CN114802261B (zh) | 泊车控制方法、障碍物识别模型训练方法、装置 | |
CN115830265A (zh) | 一种基于激光雷达的自动驾驶运动障碍物分割方法 | |
CN112613434A (zh) | 道路目标检测方法、装置及存储介质 | |
Wu et al. | Design and implementation of vehicle speed estimation using road marking-based perspective transformation |
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 |