CN108594244A - 基于立体视觉和激光雷达的障碍物识别迁移学习方法 - Google Patents
基于立体视觉和激光雷达的障碍物识别迁移学习方法 Download PDFInfo
- Publication number
- CN108594244A CN108594244A CN201810398129.0A CN201810398129A CN108594244A CN 108594244 A CN108594244 A CN 108594244A CN 201810398129 A CN201810398129 A CN 201810398129A CN 108594244 A CN108594244 A CN 108594244A
- Authority
- CN
- China
- Prior art keywords
- coordinate
- laser radar
- barrier
- under
- coordinate system
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明提供一种基于立体视觉和激光雷达的障碍物识别迁移学习方法,第一步,根据双目摄像头识别出的障碍物制作样本数据;在此过程中,将障碍物相对于双目摄像头坐标系的坐标偏移到车辆坐标系下,得到障碍物中心相对于车辆坐标系的障碍物中心坐标点;提取描述障碍物的关键点,获得关键点相对于障碍物中心坐标点的坐标形成坐标集;将障碍物中心坐标点和坐标集映射到激光雷达坐标系;将激光雷达坐标系下的坐标集连接在一起,重现障碍物的轮廓;对障碍物重现轮廓内的数据点集进行提取并打标签,制作成激光雷达深度学习样本数据;第二步,激光雷达应用该样本数据进行深度学习,在深度学习之后,激光雷达不需要摄像头辅助也能高效、准确地识别出障碍物。
Description
技术领域
本发明涉及无人驾驶车辆技术领域,更为具体地,涉及一种基于立体视觉和激光雷达的障碍物识别迁移学习方法。
背景技术
当前,新一轮科技变革方兴未艾,由此引发全球制造业向“智能制造”全面转型升级的趋势日益明显,这一深刻变革投射到汽车领域,体现为智能相关技术正逐渐成为研究热点,受到高度关注。
在智能化技术方面,各国智能化技术发展以提高出行安全和行车效率为主要目的,以传感技术、信息处理、通信技术、智能控制为核心,车路、车车协同***和高度自动驾驶成为现阶段各国发展的重点。
人工智能是未来的发展趋势,在深度学习领域,计算机视觉能够准确识别各种物体,即使在障碍物特征不足或有遮挡的情况下,通过深度学习算法,计算机依然能准确识别出障碍物,其中一个主要原因是有大量的照片提供给深度学习算法进行学习,通过学习大量样本数据,能够显著提高识别鲁棒性。目前也有采用激光雷达进行深度学习来识别障碍物的方法,虽然其受光照影响较小,但由于激光雷达样本数据较难获得,故目前基于激光雷达深度学习算法识别障碍物的算法准确率不高。
由于手机、相机等设备普及率较高,基于视觉的深度学习算法获得样本数据主要通过网络、开源的图片数据库(ImageNet等)等公众途径。但对于激光雷达来说,设备价格昂贵,且数据较难处理,很难通过公众途径获得可用的数据集,要获得可用的激光雷达数据集,一般要运用特定算法对激光雷达发出的三维点云进行精细分类及目标提取,较为繁琐,后期数据处理量较大。
在申请号为201710283453.3的专利中提出了一种“基于单目视觉与激光雷达融合的道路可行驶区域检测方法”,主要论述了基于单目视觉与激光雷达融合的道路可行驶区域检测方法,但在车辆上需要两种传感器同时工作,校准繁琐、成本提高,经济性不好。
申请号为201510127482.1的专利提出了“一种基于车载双目相机的前方道路行人快速测距方法”,主要论述了现有的基于双目视觉的行人检测测距方法中存在的计算速度慢、测距不够准确的问题,利用道路柱状模型加快检测速度,利用多特征点匹配提高道路场景中行人距离测量的准确性,但不可忽视的是,视觉检测受光照影响显著。
综上所述,现有基于激光雷达深度学习识别障碍物的算法存在以下问题:
1、基于激光雷达的深度学习算法准确率有待提高;
2、激光雷达数据集数量少;
3、获取可用的激光雷达数据集较为繁琐;
4、视觉检测受光照影响大,采用视觉与激光雷达融合的方案提高检测鲁棒性则存在校准繁琐、成本提高等问题,经济性不好。
发明内容
鉴于上述问题,本发明的目的是提供一种基于立体视觉和激光雷达的障碍物识别迁移学习方法,以解决上述背景技术所指出的问题。
本发明提供的基于立体视觉和激光雷达的无人驾驶车辆障碍物识别方法,在无人驾驶试验车辆上安装有双目摄像头和激光雷达,该识别方法包括:
步骤S1:利用所述双目摄像头对障碍物进行识别,获取所述障碍物相对于所述双目摄像头坐标系下的坐标点;
步骤S2:将障碍物相对于双目摄像头坐标系下的坐标点偏移到车辆坐标系下,获得障碍物的中心相对于车辆坐标系的坐标点;
步骤S3:选取足以描述障碍物轮廓的关键点,以获得选取的关键点相对于障碍物中心坐标点的坐标,形成坐标集;
步骤S4:将障碍物中心坐标点通过控制器传输给激光雷达数据处理程序,推算出该坐标点在激光雷达坐标系下的坐标;
步骤S5:将坐标集通过控制器传输给激光雷达数据处理程序,使坐标集在激光雷达坐标系下围绕着障碍物中心坐标点的坐标散布开,获得坐标集在激光雷达坐标系下的所有坐标;
步骤S6:将激光雷达坐标系下坐标集的所有坐标连接,在激光雷达坐标系下重现障碍物的轮廓;
步骤S7:提取激光雷达坐标系下障碍物重现轮廓内的数据点集,将坐标集携带的障碍物标签赋值给数据点集;
步骤S8:根据赋值后的数据点集制作激光雷达深度学习样本数据;
步骤S9:利用激光雷达深度学习算法对激光雷达深度学习样本数据进行训练,得到训练完的模型。
利用上述本发明的基于立体视觉和激光雷达的障碍物识别迁移学习方法,能够快速、广泛地获取激光雷达深度学习算法所需的样本数据,解决了激光雷达数据样本获取困难的问题,提高激光雷达识别的准确率,为激光雷达在无人驾驶车辆、智能机器人等领域的应用拓宽了渠道。
附图说明
通过参考以下结合附图的说明,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1为根据本发明实施例的基于立体视觉和激光雷达的障碍物识别迁移学习方法的流程示意图。
具体实施方式
在下面的描述中,出于说明的目的,为了提供对一个或多个实施例的全面理解,阐述了许多具体细节。然而,很明显,也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中,为了便于描述一个或多个实施例,公知的结构和设备以方框图的形式示出。
为了解决基于激光雷达的深度学习算法数据样本稀少的问题,本发明将双目摄像头识别出的障碍物结果告知激光雷达,激光雷达将该障碍物结果样本处理后进行深度学习,深度学习之后的激光雷达算法在不需要摄像头辅助的情况下能够高效、准确地识别出障碍物。
本发明提供一种基于立体视觉和激光雷达的障碍物识别迁移学习方法。
如图1所示,本发明提供的基于立体视觉和激光雷达的障碍物识别迁移学习方法,包括:
步骤S1:利用双目摄像头对障碍物进行识别,得到障碍物标签,获取障碍物相对于双目摄像头坐标系的坐标点。
双目摄像头具有两个摄像头,两个摄像头可联合使用,也可单独使用,在本发明中,为节省计算机资源,调用其中一个摄像头的数据做深度学习算法,能够利用该摄像头识别出图像中的障碍物,并对其打标签;再利用另外一个摄像头的数据做双目匹配,得到视差图,从而计算出深度信息。
经过以上步骤,可以得到障碍物的深度信息,进而可以得到已打标签的障碍物相对于双目摄像头坐标系的坐标。
步骤S2:将障碍物相对于双目摄像头坐标系的坐标点偏移到车辆坐标系下,获得障碍物的中心相对于车辆坐标系的坐标点A。
坐标点A用于描述障碍物的位置。
步骤S3:选取足以描述障碍物轮廓的关键点,以获得选取的关键点相对于障碍物中心坐标点的坐标,形成坐标集B。
坐标集B中每个关键点的坐标都是相对于障碍物位置坐标点A的,需要说明的是,坐标集B包含了双目摄像头识别结果中的障碍物标签,即障碍物是人、车等等。
为了缩小障碍物的检测范围,在获得障碍物的中心相对于车辆坐标系的坐标点之后,将障碍物框选出来,在框选范围内进一步提取障碍物的关键点,根据障碍物的大小、形状复杂程度提取出能够描述障碍物形状轮廓的关键点,得到这些关键点相对于坐标点A的坐标。
在提取障碍物的关键点的过程中,首先搜寻到坐标点A,找到对应的障碍物;随后对选框内的障碍物进行轮廓提取,在提取的障碍物轮廓上选取关键点,关键点选取与轮廓的曲率、形状复杂程度等因素有关,为将障碍物描述清楚,曲率越大、形状越复杂的部位选取的点应该越多,选取的关键点是非均匀的,接下来对选取的关键点进行坐标提取,在图片特征中,每一个关键特征点相对于坐标点A的坐标是确定的。
步骤S4:将坐标点A通过控制器传输给激光雷达,推算出坐标点A在激光雷达坐标系下的坐标。
激光雷达根据数据处理算法推算出坐标点A在激光雷达坐标系下的坐标,即为将障碍物坐标映射到激光雷达坐标系下。
由于激光雷达相对于车辆中心点的位置已知,故可由此推算出坐标点A在激光雷达坐标系下的位置,即先将坐标点A偏移到车辆坐标系下,再根据激光雷达与车辆中心点的位置关系,推导出车辆坐标系下A点的坐标,由激光雷达相对于车辆中心点的位置偏差可以进一步将A点坐标偏移到激光雷达坐标系下。
步骤S5:将坐标集B通过控制器传输给激光雷达,使坐标集B在激光雷达坐标系下围绕着A坐标点的坐标散布开,获得坐标集B在激光雷达坐标系下的所有坐标。
由于坐标集B相对于坐标点A的位置是固定的,故坐标集B可以迅速在坐标点A周围散布开。
步骤S6:将激光雷达坐标系下的坐标集B的所有坐标连接,在激光雷达坐标系下重现障碍物的轮廓。
步骤S7:提取激光雷达坐标系下重现的障碍物轮廓内的数据点集D,将坐标集B携带的障碍物标签赋值给数据点集D。
在轮廓之内的激光雷达数据点就是本发明需要的数据点集D,此时将坐标集B携带的障碍物标签赋值给数据点集D,为数据点集D打标签。
步骤S8:根据赋值后的数据点集D制作激光雷达深度学习样本数据。
赋值后的数据点集D是一个具有障碍物属性且包含激光雷达数据的数据包,数据包会实时输出,每识别到一个障碍物就会对其进行输出,它包含了各个时刻不同形态的障碍物特征D1[...]、D2[...]、D3[...]…,这些特征数据可以保存为各种形式的数据类型(视样本数据需求而定),采用此种形式即可得到激光雷达深度学习需求的原始样本数据。
障碍物标签一直在流动,将障碍物的标签与数据绑定在一起,最后输出样本数据时直接给样本数据打上标签,不用人工手动打标签,以提高效率。
步骤S9:利用激光雷达深度学习算法对激光雷达深度学习样本数据进行训练,得到训练完的模型。
将完成训练后的激光雷达单独安装到无人驾驶车辆上,不需要摄像头的辅助便可利用激光雷达快速准确地识别障碍物。
以此,激光雷达可以快速获得足够多的训练样本,激光雷达深度学习算法可以利用这些样本数据进行训练,以提高激光雷达检测障碍物的准确率,且不受光照等天气因素影响。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (2)
1.一种基于立体视觉和激光雷达的障碍物识别迁移学习方法,在无人驾驶车辆上安装有双目摄像头和激光雷达,该识别方法包括:
步骤S1:利用所述双目摄像头对障碍物进行识别,获取所述障碍物相对于双目摄像头坐标系下的坐标点;
步骤S2:将所述障碍物相对于所述双目摄像头坐标系下的坐标点偏移到车辆坐标系下,获得所述障碍物的中心相对于所述车辆坐标系的坐标点;
步骤S3:选取足以描述所述障碍物轮廓的关键点,以获得选取的关键点相对于所述坐标点的坐标,形成坐标集;
步骤S4:将所述坐标点通过控制器传输给所述激光雷达,推算出所述坐标点在激光雷达坐标系下的坐标;
步骤S5:将所述坐标集通过所述控制器传输给所述激光雷达,使所述坐标集在所述激光雷达坐标系下围绕着所述坐标点的坐标散布开,获得所述坐标集在所述激光雷达坐标系下的所有坐标;
步骤S6:将所述激光雷达坐标系下的坐标集的所有坐标连接,在所述激光雷达坐标系下重现所述障碍物的轮廓;
步骤S7:提取所述激光雷达坐标系下的所述障碍物重现轮廓内的数据点集,将所述坐标集携带的障碍物标签赋值给所述数据点集;
步骤S8:根据赋值后的数据点集制作激光雷达深度学习样本数据;
步骤S9:利用激光雷达深度学习算法对所述激光雷达深度学习样本数据进行训练,得到训练完的模型。
2.根据权利要求1所述的基于立体视觉和激光雷达的障碍物识别迁移学习方法,其中,在获得所述障碍物的中心相对于所述车辆坐标系的坐标点之后,将所述障碍物框出,在所述框出的范围内选取足以描述所述障碍物轮廓的关键点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810398129.0A CN108594244B (zh) | 2018-04-28 | 2018-04-28 | 基于立体视觉和激光雷达的障碍物识别迁移学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810398129.0A CN108594244B (zh) | 2018-04-28 | 2018-04-28 | 基于立体视觉和激光雷达的障碍物识别迁移学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108594244A true CN108594244A (zh) | 2018-09-28 |
CN108594244B CN108594244B (zh) | 2021-05-11 |
Family
ID=63610494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810398129.0A Expired - Fee Related CN108594244B (zh) | 2018-04-28 | 2018-04-28 | 基于立体视觉和激光雷达的障碍物识别迁移学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108594244B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614889A (zh) * | 2018-11-23 | 2019-04-12 | 华为技术有限公司 | 对象检测方法、相关设备及计算机存储介质 |
CN109634279A (zh) * | 2018-12-17 | 2019-04-16 | 武汉科技大学 | 基于激光雷达与单目视觉的物体定位方法 |
CN109657628A (zh) * | 2018-12-24 | 2019-04-19 | 驭势(上海)汽车科技有限公司 | 一种用于确定车辆的可行驶区域的方法与设备 |
CN109785400A (zh) * | 2018-11-20 | 2019-05-21 | 广东智媒云图科技股份有限公司 | 一种剪影图像制作方法、装置、电子设备及存储介质 |
CN110058264A (zh) * | 2019-04-22 | 2019-07-26 | 福州大学 | 一种基于深度学习的实时检测及识别障碍物的方法 |
CN111578940A (zh) * | 2020-04-24 | 2020-08-25 | 哈尔滨工业大学 | 一种基于跨传感器迁移学习的室内单目导航方法及*** |
CN114359861A (zh) * | 2021-12-20 | 2022-04-15 | 浙江天尚元科技有限公司 | 基于视觉和激光雷达的智能车辆障碍物识别深度学习方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006078310A2 (en) * | 2004-06-25 | 2006-07-27 | Digitalglobe, Inc. | Method and apparatus for determining a location associated with an image |
CN102508246A (zh) * | 2011-10-13 | 2012-06-20 | 吉林大学 | 车辆前方障碍物检测跟踪方法 |
CN103559791A (zh) * | 2013-10-31 | 2014-02-05 | 北京联合大学 | 一种融合雷达和ccd摄像机信号的车辆检测方法 |
CN104574376A (zh) * | 2014-12-24 | 2015-04-29 | 重庆大学 | 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法 |
CN104573646A (zh) * | 2014-12-29 | 2015-04-29 | 长安大学 | 基于激光雷达和双目相机的车前行人检测方法及*** |
KR20170048029A (ko) * | 2015-10-26 | 2017-05-08 | 현대오토에버 주식회사 | 딥 러닝 기반 도로 정보 제공 방법 및 장치 |
CN106874886A (zh) * | 2017-03-10 | 2017-06-20 | 南京沃杨机械科技有限公司 | 用于农机无人驾驶的多传感器融合的农田环境感知方法 |
CN107607953A (zh) * | 2017-06-01 | 2018-01-19 | 王玲 | 一种侧向车辆防碰撞***及其方法 |
-
2018
- 2018-04-28 CN CN201810398129.0A patent/CN108594244B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006078310A2 (en) * | 2004-06-25 | 2006-07-27 | Digitalglobe, Inc. | Method and apparatus for determining a location associated with an image |
CN102508246A (zh) * | 2011-10-13 | 2012-06-20 | 吉林大学 | 车辆前方障碍物检测跟踪方法 |
CN103559791A (zh) * | 2013-10-31 | 2014-02-05 | 北京联合大学 | 一种融合雷达和ccd摄像机信号的车辆检测方法 |
CN104574376A (zh) * | 2014-12-24 | 2015-04-29 | 重庆大学 | 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法 |
CN104573646A (zh) * | 2014-12-29 | 2015-04-29 | 长安大学 | 基于激光雷达和双目相机的车前行人检测方法及*** |
KR20170048029A (ko) * | 2015-10-26 | 2017-05-08 | 현대오토에버 주식회사 | 딥 러닝 기반 도로 정보 제공 방법 및 장치 |
CN106874886A (zh) * | 2017-03-10 | 2017-06-20 | 南京沃杨机械科技有限公司 | 用于农机无人驾驶的多传感器融合的农田环境感知方法 |
CN107607953A (zh) * | 2017-06-01 | 2018-01-19 | 王玲 | 一种侧向车辆防碰撞***及其方法 |
Non-Patent Citations (4)
Title |
---|
MA YY 等: "Transfer learning used to analyze the dynamic evolution of the dust aerosol", 《JOURNAL OF QUANTITATIVE SPECTROSCOPY & RADIATIVE TRANSFER》 * |
PAZ LM 等: "A Variational Approach to Online Road and Path Segmentation with Monocular Vision", 《2015 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)》 * |
蔡英凤 等: "视觉车辆识别迁移学习算法", 《东南大学学报(自然科学版)》 * |
陆峰 等: "基于信息融合的智能车障碍物检测方法", 《计算机应用》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785400A (zh) * | 2018-11-20 | 2019-05-21 | 广东智媒云图科技股份有限公司 | 一种剪影图像制作方法、装置、电子设备及存储介质 |
CN109785400B (zh) * | 2018-11-20 | 2023-08-04 | 广东智媒云图科技股份有限公司 | 一种剪影图像制作方法、装置、电子设备及存储介质 |
WO2020103427A1 (zh) * | 2018-11-23 | 2020-05-28 | 华为技术有限公司 | 对象检测方法、相关设备及计算机存储介质 |
CN109614889A (zh) * | 2018-11-23 | 2019-04-12 | 华为技术有限公司 | 对象检测方法、相关设备及计算机存储介质 |
CN109614889B (zh) * | 2018-11-23 | 2020-09-18 | 华为技术有限公司 | 对象检测方法、相关设备及计算机存储介质 |
CN109634279B (zh) * | 2018-12-17 | 2022-08-12 | 瞿卫新 | 基于激光雷达与单目视觉的物体定位方法 |
CN109634279A (zh) * | 2018-12-17 | 2019-04-16 | 武汉科技大学 | 基于激光雷达与单目视觉的物体定位方法 |
CN109657628A (zh) * | 2018-12-24 | 2019-04-19 | 驭势(上海)汽车科技有限公司 | 一种用于确定车辆的可行驶区域的方法与设备 |
CN110058264A (zh) * | 2019-04-22 | 2019-07-26 | 福州大学 | 一种基于深度学习的实时检测及识别障碍物的方法 |
CN111578940A (zh) * | 2020-04-24 | 2020-08-25 | 哈尔滨工业大学 | 一种基于跨传感器迁移学习的室内单目导航方法及*** |
CN111578940B (zh) * | 2020-04-24 | 2021-05-11 | 哈尔滨工业大学 | 一种基于跨传感器迁移学习的室内单目导航方法及*** |
CN114359861A (zh) * | 2021-12-20 | 2022-04-15 | 浙江天尚元科技有限公司 | 基于视觉和激光雷达的智能车辆障碍物识别深度学习方法 |
CN114359861B (zh) * | 2021-12-20 | 2024-07-02 | 尚元智行(宁波)科技有限公司 | 基于视觉和激光雷达的智能车辆障碍物识别深度学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108594244B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108594244A (zh) | 基于立体视觉和激光雷达的障碍物识别迁移学习方法 | |
CN110069986B (zh) | 一种基于混合模型的交通信号灯识别方法及*** | |
CN101929867B (zh) | 使用道路模型的畅通路径检测 | |
US9652980B2 (en) | Enhanced clear path detection in the presence of traffic infrastructure indicator | |
CN102208036B (zh) | 车辆位置检测*** | |
CN101900562B (zh) | 采用基于分割方法的畅通路径检测 | |
CN101963509B (zh) | 通过地形变化分析来检测畅通路径的方法 | |
CN108303103A (zh) | 目标车道的确定方法和装置 | |
CN112991791B (zh) | 交通信息识别和智能行驶方法、装置、设备及存储介质 | |
CN104298971A (zh) | 一种3d点云数据中的目标识别方法 | |
CN110516633B (zh) | 一种基于深度学习的车道线检测方法及*** | |
CN108388641A (zh) | 一种基于深度学习的交通设施地图生成方法与*** | |
CN106530794A (zh) | 行车道路的自动识别和校准方法及*** | |
CN107016362B (zh) | 基于车辆前挡风玻璃粘贴标志的车辆重识别方法和*** | |
CN108877267A (zh) | 一种基于车载单目相机的交叉路口检测方法 | |
CN113989784A (zh) | 一种基于车载激光点云的道路场景类型识别方法及*** | |
CN107389084A (zh) | 行车路径规划方法及存储介质 | |
CN106778548A (zh) | 用于检测障碍物的方法和装置 | |
CN106767854A (zh) | 移动设备、车库地图形成方法及*** | |
WO2022021982A1 (zh) | 可行驶区域判定的方法、智能驾驶***和智能汽车 | |
CN109515439A (zh) | 自动驾驶控制方法、装置、***及存储介质 | |
CN112861748A (zh) | 一种自动驾驶中的红绿灯检测***及方法 | |
CN113538585B (zh) | 基于无人机的高精度多目标智能识别定位追踪方法及*** | |
CN117671617A (zh) | 一种集装箱港口环境下的实时车道识别方法 | |
CN114881241A (zh) | 基于深度学习的车道线检测方法、装置及自动驾驶方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210511 |
|
CF01 | Termination of patent right due to non-payment of annual fee |