CN110332929A - 车载行人定位***及方法 - Google Patents

车载行人定位***及方法 Download PDF

Info

Publication number
CN110332929A
CN110332929A CN201910619114.7A CN201910619114A CN110332929A CN 110332929 A CN110332929 A CN 110332929A CN 201910619114 A CN201910619114 A CN 201910619114A CN 110332929 A CN110332929 A CN 110332929A
Authority
CN
China
Prior art keywords
pedestrian
module
vehicle
coordinate
video image
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
Application number
CN201910619114.7A
Other languages
English (en)
Inventor
钱久超
邵华青
刘强
朱肖光
陈俊泓
阳展韬
程宇豪
刘佩林
应忍冬
耿相铭
文飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201910619114.7A priority Critical patent/CN110332929A/zh
Publication of CN110332929A publication Critical patent/CN110332929A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种车载行人定位***及方法，该方法包括：根据预设的采样周期获取包含行人的视频图像；通过训练好的神经网络获取所述视频图像中的行人坐标；根据所述视频图像获取图片视差，并根据图片视差与深度值的关系，以及所述视频图像中的行人坐标预估行人相对车辆的距离；获取车辆的实时位置信息；将车辆的实时位置信息转换为本地坐标系下的坐标值，并结合所述行人相对车辆的距离，得到行人的GPS坐标信息；根据行人的GPS坐标信息，在地图上实时显示车辆和行人的位置。本发明简洁易行，对设备、环境的依赖较少，且可以实时的输出车辆及行人在地图上的位置。

Description

车载行人定位***及方法
技术领域
本发明涉及图像处理技术领域，具体地，涉及车载行人定位***及方法。
背景技术
急速成型的汽车社会让智能交通逐渐成为一个热点问题，利用人工智能技术实现自动驾驶、驾驶预判、交通调度，保护行人安全等成为汽车领域中新的技术发展趋势。根据如今应用于车载行人技术的不同设备、不同精确度，目前有如下几种具有代表性的技术：基于GPS和高精度地图的车载行人定位、基于惯性导航技术的车载行人定位、基于激光雷达技术的车载定位，以及基于机器视觉的车载行人定位等等。
由于道路环境具有遮挡较多、光线变化较大、环境复杂多变等现实的特点，车载行人定位技术的实施难点较大，目前的技术仍存在较大的应用瓶颈。上述几种的车载行人定位方式要么对设备的安装布置要求较高，要么需要大量的运算或者需要消耗额外的时间及硬件，要么定位的精度不高。比如基于激光雷达技术的车载行人定位技术需要布置昂贵的激光雷达设备，这阻碍了设施大规模投入应用；再比如基于惯性导航技术的车载行人定位技术的定位误差会随着时间的推进而累积，只适用于较短的时间内的定位。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种车载行人定位***及方法。
第一方面，本发明提供一种车载行人定位***，包括：
数据输入模块，用于根据预设的采样周期获取包含行人的视频图像；
行人检测模块，用于通过训练好的神经网络获取所述视频图像中的行人坐标；
深度估计模块，用于根据所述视频图像获取图片视差，并根据图片视差与深度值的关系，以及所述视频图像中的行人坐标预估行人相对车辆的距离；
GPS获取模块，用于获取车辆的实时位置信息；
坐标转换模块，用于将车辆的实时位置信息转换为本地坐标系下的坐标值，并结合所述行人相对车辆的距离，得到行人的GPS坐标信息；
地图映射模块，用于根据行人的GPS坐标信息，在地图上实时显示车辆和行人的位置。
可选地，所述数据输入模块包括：安装在车辆上的摄像头采集模块，所述摄像头采集模块按照预设的采样间隔采集包含行人的视频图像。
可选地，所述行人检测模块包括：图像重构模块、神经网络模块和行人检测输出模块；其中，
所述图像重构模块将数据输入模块发送的视频图像进行预处理，得到预处理之后的图像；
所述神经网络模块将预处理后的图像进行特征提取及边界框的提取，并对边界框进行筛选之后，得到行人的边界框坐标；
所述行人检测输出模块将行人的边界框坐标发送给深度估计模块。
可选地，所述深度估计模块包括：视差计算模块、距离估计模块、相对距离估计模块、距离输出模块；其中，
所述视差计算模块根据数据输入模块发送的视频图像输入得到图片视差；
所述距离估计模块根据图片视差与深度之间的比例关系，得到图片的深度值；
所述相对距离估计模块将行人检测输出模块与距离估计模块的输出结果相结合，得到行人相对于车辆的距离；
所述距离输出模块将行人相对于车辆的距离发送给坐标转换模块。
可选地，坐标转换模块包括：正转换模块、坐标计算模块、反转换模块、坐标输出模块；其中，
所述正转换模块将GPS获取模块将车辆的实时位置信息转换为本地坐标系下的坐标值；
所述坐标计算模块将正转换模块所得的坐标值与行人相对于车辆的距离转换为行人在本地坐标系下的坐标；
所述反转换模块将行人在本地坐标系下的坐标转换为GPS下的坐标，得到行人的GPS坐标信息。
可选地，所述地图映射模块具体用于：
通过http协议访问服务端的地图，并在所述地图上实时显示车辆与行人的位置。
第二方面，本发明提供一种车载行人定位方法，应用在如第一方面中任一项所述的车载行人定位***中，所述方法包括：
根据预设的采样周期获取包含行人的视频图像；
通过训练好的神经网络获取所述视频图像中的行人坐标；
根据所述视频图像获取图片视差，并根据图片视差与深度值的关系，以及所述视频图像中的行人坐标预估行人相对车辆的距离；
获取车辆的实时位置信息；
将车辆的实时位置信息转换为本地坐标系下的坐标值，并结合所述行人相对车辆的距离，得到行人的GPS坐标信息；
根据行人的GPS坐标信息，在地图上实时显示车辆和行人的位置。
与现有技术相比，本发明具有如下的有益效果：
本发明提供的车载行人定位***及方法，简洁易行，对设备、环境的依赖较少，且可以实时的输出车辆及行人在地图上的位置；解决了传统定位方法设备复杂昂贵、可拓展性差、准确度低、受遮挡明显等缺点。并且可实现一帧中多行人的定位，只需一次遍历即可提取画面中所有行人的位置，显著提升了行人搜索速度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明提供的车载行人定位***的结构原理图；
图2为行人检测的结构原理图；
图3为深度估计的结构原理图；
图4为坐标转换的结构原理图；
图5为地图映射的网络结构图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
图1为本发明提供的车载行人定位***的结构原理图；如图1所示，本发明中的***可以包括：数据输入模块100、行人检测模块200、深度估计模块300、GPS获取模块400、坐标转换模块500、地图映射模块600。
在一种可选的实施方式中，数据输入模块100可以是安装在车辆上的摄像头采集模块，该摄像头采集模块通过USB线与其他模块通信连接(也可以采用无线方式与其他模块通信连接)。摄像头采集模块用于根据预设的采样周期拍摄视频图像，并将该视频图像发送给其他模块。具体地，根据实验测试结果克制，每20帧进行一次抽取，可同时满足***的实时性与实际应用中的受检率。可选地，摄像头采集模块也可以通过无线路由器的网线与其他模块通信连接，以实现视频图像的传输。在具体实施时，也可以预先布设局域网，以使得摄像头采集模块和其他模块处于无线连接状态。
在一种可选的实施方式中，行人检测模块200可以包括：图像重构模块201、神经网络模块202和行人检测输出模块203。具体地，如图2所示，图像重构模块201将数据输入模块100发送的视频图像进行预处理(如去噪、矫正等)，输出能够使用神经网络进行计算的图片格式；神经网络模块202将预处理后的图像进行特征提取及边界框的提取，之后对边界框进行筛选之后，得到较为准确的行人边界框坐标；行人检测输出模块203将行人的边界框坐标发送给深度估计模块300。行人检测模块200能够实现道路中行人的随时检测：每当摄像头中出现行人时便可将其坐标输出。
在一种可选的实施方式中，深度估计模块300可以包括：视差计算模块301、距离估计模块302、相对距离估计模块303、距离输出模块304。具体地，如图3所示，深度估计模块300首先利用视差与深度值之间的关系及双目重构的原理，训练出卷积神经网络的参数(即图3中的视差计算模块301)。视差计算模块301根据数据输入模块100发送的视频图像输入得到图片视差；距离估计模块302根据视差与深度之间的比例关系得到整张图片的深度值；相对距离估计模块303将行人检测输出模块203与距离估计模块302结合，得到行人相对于车辆的距离ΔXΔYΔZ；距离输出模块304将相对距离估计模块303所得的深度信息ΔXΔYΔZ输出至下一模块。深度估计模块300为无监督学习且只需输入单目图像便可得到深度图像，训练简单且避免了深度信息采集的误差。
在一种可选的实施方式中，GPS获取模块400通过车载GPS设备获取车辆的实时GPS信息，并将车辆的实时GPS信息发送给坐标转换模块500。目前大部分商用车辆中均可自带GPS获取设备且目前已知的众多车载摄像头也包含GPS获取设备，因此GPS获取模块400基本不会增加设备和算法的复杂度。
在一种可选的实施方式中，坐标转换模块500可以包括：正转换模块501、坐标计算模块502、反转换模块503、坐标输出模块504。具体地，如图4所示，坐标转换模块500主要利用坐标系之间的矩阵转换关系来实现。正转换模块501将GPS获取模块400得到的车辆GPS信息xyz转换为车辆在本地坐标系下的坐标XYZ；坐标计算模块502将正转换模块501所得的坐标XYZ与距离输出模块304的坐标信息ΔXΔYΔZ相叠加，得到行人在本地坐标系下的坐标X1Y1Z1；反转换模块503将坐标计算模块502得到的本地坐标系下的坐标转换为GPS坐标x1y1z1；坐标输出模块504将行人的GPS坐标信息输出。
在一种可选的实施方式中，如图5所示，地图映射模块600与GPS获取模块400及坐标输出模块504通信连接，通过http协议去访问服务端的地图，并在地图上实时显示车辆与行人的位置。
本发明通过行人检测的方式获取行人的图像位置信息，利用深度估计的方式获得图像的相对距离信息，将行人的图像位置信息与图像的相对距离信息相结合可得到行人的相对距离信息，再利用坐标变换的方式实现世界地图中的行人定位将基于深度学习的行人检测与深度估计算法与车载行人定位相结合；从而可利用普通的USB摄像头进行行人检测、行人测距，以得到行人的相对坐标信息，再通过坐标的转换来实现道路中行人的定位。本发明的整体设备简单且算法的可迁移性强，适用于任何摄像设备及道路场景；且该算法的稳定性强，受设备因素的影响较小。另外，本发明经济适用，能够满足大规模地运用。
本发明还提供了车载行人定位方法，该方法应用于上述的车载行人定位***中；所述方法可以包括：
步骤1：数据输入模块100通过单个车载USB摄像头拍摄道路场景。
步骤2：行人检测模块200通过深度学习方式，检测出道路场景中的行人。
具体地，首先按照一定间隔抽取视频帧，并检测视频帧中所包含的行人，最后输出行人边界框的四角坐标信息。
步骤3：通过深度学习的方法估计道路场景中行人的相对距离。
具体地，首先采取与行人检测模块200相同的间隔抽取视频帧，并对整张视频帧进行深度估计并保存相对深度结果。然后，将行人检测模块200中所获得的行人四角坐标信息与相对深度估计结果相结合，得到行人与车辆的相对距离。
步骤4：通过GPS获取设备得到车辆的实时GPS信息。
具体地，将实时输入的车辆GPS信息转换成本地坐标系下的坐标，将该坐标与深度估计模块300得到的行人相对距离结合得到本地坐标系下的行人坐标，最后将本地坐标系下的行人坐标反变换得到行人的GPS信息。
步骤5：通过http协议去访问服务端的地图，并在地图上实时显示车辆与行人的位置。
本发明中，利用普通USB摄像头即可实现道路中的行人检测与行人定位，并能将结果实时显示在电子地图上。该发明解决了以往算法的精度问题、设备复杂问题等。首先通过深度学习算法实现道路行人的检测并将行人的位置坐标输出，同时通过深度学习算法得到图像的深度信息并将行人与车辆的相对坐标输出，之后利用车辆GPS信息及坐标转换得到行人的世界坐标并显示在地图上。本发明能够实时地检测道路中的行人并较为准确地得到行人在的世界坐标。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的***及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (7)

1.一种车载行人定位***，其特征在于，包括：
数据输入模块，用于根据预设的采样周期获取包含行人的视频图像；
行人检测模块，用于通过训练好的神经网络获取所述视频图像中的行人坐标；
深度估计模块，用于根据所述视频图像获取图片视差，并根据图片视差与深度值的关系，以及所述视频图像中的行人坐标预估行人相对车辆的距离；
GPS获取模块，用于获取车辆的实时位置信息；
坐标转换模块，用于将车辆的实时位置信息转换为本地坐标系下的坐标值，并结合所述行人相对车辆的距离，得到行人的GPS坐标信息；
地图映射模块，用于根据行人的GPS坐标信息，在地图上实时显示车辆和行人的位置。
2.根据权利要求1所述的车载行人定位***，其特征在于，所述数据输入模块包括：安装在车辆上的摄像头采集模块，所述摄像头采集模块按照预设的采样间隔采集包含行人的视频图像。
3.根据权利要求1所述的车载行人定位***，其特征在于，所述行人检测模块包括：图像重构模块、神经网络模块和行人检测输出模块；其中，
所述图像重构模块将数据输入模块发送的视频图像进行预处理，得到预处理之后的图像；
所述神经网络模块将预处理后的图像进行特征提取及边界框的提取，并对边界框进行筛选之后，得到行人的边界框坐标；
所述行人检测输出模块将行人的边界框坐标发送给深度估计模块。
4.根据权利要求1所述的车载行人定位***，其特征在于，所述深度估计模块包括：视差计算模块、距离估计模块、相对距离估计模块、距离输出模块；其中，
所述视差计算模块根据数据输入模块发送的视频图像输入得到图片视差；
所述距离估计模块根据图片视差与深度之间的比例关系，得到图片的深度值；
所述相对距离估计模块将行人检测输出模块与距离估计模块的输出结果相结合，得到行人相对于车辆的距离；
所述距离输出模块将行人相对于车辆的距离发送给坐标转换模块。
5.根据权利要求1所述的车载行人定位***，其特征在于，坐标转换模块包括：正转换模块、坐标计算模块、反转换模块、坐标输出模块；其中，
所述正转换模块将GPS获取模块将车辆的实时位置信息转换为本地坐标系下的坐标值；
所述坐标计算模块将正转换模块所得的坐标值与行人相对于车辆的距离转换为行人在本地坐标系下的坐标；
所述反转换模块将行人在本地坐标系下的坐标转换为GPS下的坐标，得到行人的GPS坐标信息。
6.根据权利要求1所述的车载行人定位***，其特征在于，所述地图映射模块具体用于：
通过http协议访问服务端的地图，并在所述地图上实时显示车辆与行人的位置。
7.一种车载行人定位方法，其特征在于，应用在如权利要求1-6中任一项所述的车载行人定位***中，所述方法包括：
根据预设的采样周期获取包含行人的视频图像；
通过训练好的神经网络获取所述视频图像中的行人坐标；
根据所述视频图像获取图片视差，并根据图片视差与深度值的关系，以及所述视频图像中的行人坐标预估行人相对车辆的距离；
获取车辆的实时位置信息；
将车辆的实时位置信息转换为本地坐标系下的坐标值，并结合所述行人相对车辆的距离，得到行人的GPS坐标信息；
根据行人的GPS坐标信息，在地图上实时显示车辆和行人的位置。
CN201910619114.7A 2019-07-10 2019-07-10 车载行人定位***及方法 Pending CN110332929A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910619114.7A CN110332929A (zh) 2019-07-10 2019-07-10 车载行人定位***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910619114.7A CN110332929A (zh) 2019-07-10 2019-07-10 车载行人定位***及方法

Publications (1)

Publication Number Publication Date
CN110332929A true CN110332929A (zh) 2019-10-15

Family

ID=68145260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910619114.7A Pending CN110332929A (zh) 2019-07-10 2019-07-10 车载行人定位***及方法

Country Status (1)

Country Link
CN (1) CN110332929A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028544A (zh) * 2019-12-06 2020-04-17 无锡物联网创新中心有限公司 一种v2v技术和车载多传感器融合的行人预警***
CN112926415A (zh) * 2021-02-05 2021-06-08 西安电子科技大学 一种行人避让***和行人监测方法
CN113959398A (zh) * 2021-10-09 2022-01-21 广东汇天航空航天科技有限公司 基于视觉的测距方法、装置、可行驶设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005258941A (ja) * 2004-03-12 2005-09-22 Toyota Central Res & Dev Lab Inc 障害物検出装置
US20170206426A1 (en) * 2016-01-15 2017-07-20 Ford Global Technologies, Llc Pedestrian Detection With Saliency Maps
CN107133570A (zh) * 2017-04-07 2017-09-05 武汉睿智视讯科技有限公司 一种车辆/行人检测方法及***
KR20170139906A (ko) * 2016-06-10 2017-12-20 현대자동차주식회사 초음파 센서를 이용한 장애물 맵 관리 장치 및 그 방법
US20180059679A1 (en) * 2016-09-01 2018-03-01 Ford Global Technologies, Llc Depth map estimation with stereo images
CN108596081A (zh) * 2018-04-23 2018-09-28 吉林大学 一种基于雷达和摄像机融合的车辆行人探测方法
CN109657638A (zh) * 2018-12-28 2019-04-19 百度在线网络技术（北京）有限公司 障碍物定位方法、装置和终端
CN109753901A (zh) * 2018-12-21 2019-05-14 上海交通大学 基于行人识别的室内行人寻迹方法、装置、计算机设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005258941A (ja) * 2004-03-12 2005-09-22 Toyota Central Res & Dev Lab Inc 障害物検出装置
US20170206426A1 (en) * 2016-01-15 2017-07-20 Ford Global Technologies, Llc Pedestrian Detection With Saliency Maps
KR20170139906A (ko) * 2016-06-10 2017-12-20 현대자동차주식회사 초음파 센서를 이용한 장애물 맵 관리 장치 및 그 방법
US20180059679A1 (en) * 2016-09-01 2018-03-01 Ford Global Technologies, Llc Depth map estimation with stereo images
CN107133570A (zh) * 2017-04-07 2017-09-05 武汉睿智视讯科技有限公司 一种车辆/行人检测方法及***
CN108596081A (zh) * 2018-04-23 2018-09-28 吉林大学 一种基于雷达和摄像机融合的车辆行人探测方法
CN109753901A (zh) * 2018-12-21 2019-05-14 上海交通大学 基于行人识别的室内行人寻迹方法、装置、计算机设备及存储介质
CN109657638A (zh) * 2018-12-28 2019-04-19 百度在线网络技术（北京）有限公司 障碍物定位方法、装置和终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙秉义等: "基于深度学习的高分辨率遥感图像车辆检测", 《东华大学学报(自然科学版)》 *
林付春等: "基于深度学习的智能辅助驾驶***设计", 《贵州大学学报(自然科学版)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028544A (zh) * 2019-12-06 2020-04-17 无锡物联网创新中心有限公司 一种v2v技术和车载多传感器融合的行人预警***
CN112926415A (zh) * 2021-02-05 2021-06-08 西安电子科技大学 一种行人避让***和行人监测方法
CN113959398A (zh) * 2021-10-09 2022-01-21 广东汇天航空航天科技有限公司 基于视觉的测距方法、装置、可行驶设备及存储介质
CN113959398B (zh) * 2021-10-09 2024-04-12 广东汇天航空航天科技有限公司 基于视觉的测距方法、装置、可行驶设备及存储介质

Similar Documents

Publication Publication Date Title
CN103236160B (zh) 基于视频图像处理技术的路网交通状态监测***
CN110332929A (zh) 车载行人定位***及方法
CN110264416A (zh) 稀疏点云分割方法及装置
CN108256439A (zh) 一种基于循环生成式对抗网络的行人图像生成方法及***
CN113362247B (zh) 一种激光融合多目相机的语义实景三维重建方法及***
CN107545538B (zh) 一种基于无人机的全景图像拼接方法及装置
CN110443898A (zh) 一种基于深度学习的ar智能终端目标识别***及方法
CN110516633B (zh) 一种基于深度学习的车道线检测方法及***
CN111179345A (zh) 基于车载机器视觉的前方车辆越线违章行为自动检测方法及***
CN109917419B (zh) 一种基于激光雷达与图像的深度填充密集***及方法
CN106652448A (zh) 基于视频处理技术的公路交通状态监测***
CN105023013B (zh) 基于局部标准差和Radon变换的目标检测方法
CN112418084B (zh) 一种基于点云时序信息融合的三维目标检测方法
CN110858414A (zh) 图像处理方法、装置、可读存储介质与增强现实***
CN109584299B (zh) 一种定位方法、定位装置、终端及存储介质
CN110009675A (zh) 生成视差图的方法、装置、介质及设备
CN109758756A (zh) 基于3d相机的体操视频分析方法及***
CN107830869A (zh) 用于车辆的信息输出方法和装置
CN117876608B (zh) 三维图像重建方法、装置、计算机设备及存储介质
CN117218246A (zh) 图像生成模型的训练方法、装置、电子设备及存储介质
CN110097600A (zh) 用于识别交通标志牌的方法及装置
CN113326769A (zh) 高精地图生成方法、装置、设备及存储介质
CN112926415A (zh) 一种行人避让***和行人监测方法
CN103903269B (zh) 球机监控视频的结构化描述方法和***
CN115482257A (zh) 一种融合深度学习特征光流与双目视觉的运动估计方法

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