CN110517349A - 一种基于单目视觉和几何约束的3d车辆目标检测方法 - Google Patents

一种基于单目视觉和几何约束的3d车辆目标检测方法 Download PDF

Info

Publication number
CN110517349A
CN110517349A CN201910684070.6A CN201910684070A CN110517349A CN 110517349 A CN110517349 A CN 110517349A CN 201910684070 A CN201910684070 A CN 201910684070A CN 110517349 A CN110517349 A CN 110517349A
Authority
CN
China
Prior art keywords
vehicle
target detection
camera
bounding box
target
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
CN201910684070.6A
Other languages
English (en)
Inventor
赵洋
程洪
王威
汪玲
闻龙
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910684070.6A priority Critical patent/CN110517349A/zh
Publication of CN110517349A publication Critical patent/CN110517349A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于单目视觉和几何约束的3D车辆目标检测方法：2D目标检测步骤：通过对摄像头视频每一帧图像进行目标检测，获得车辆2D边界框和车辆类型；车辆观测角度获取步骤：通过卷积神经网络获取车辆观测角度；横纵坐标获取步骤：通过S2获取的车辆观测角度、目标车辆的长宽高、相机内外参数和目标车辆姿态参数，获得3D目标车辆边界框在图像中投影点的横纵坐标。3D边框绘制步骤：通过对检测到的车辆长宽高和车辆姿态信息你绘制3D边界框。本发明通过结合2D目标检测，观察角度和车辆类型等信息，提出了一种3D车辆目标检测方法，并最终给出车辆的3D边界框和姿态信息。

Description

一种基于单目视觉和几何约束的3D车辆目标检测方法
技术领域
本发明涉及无人驾驶目标检测技术领域，尤其涉及一种基于单目视觉和几何约束的3D 车辆目标检测方法。
背景技术
目前许多基于视觉的2D车辆目标检测算法虽然检测速度较快，但其无法较为准确地提供车辆的姿态和尺寸信息。仅仅使用2D目标检测会丢失很多重要的几何特征；而大部分3D车辆目标检测方法又都是基于LiDAR提供的深度信息。基于视觉的3D目标检测可以提供比LiDAR 更为低成本的3D目标检测方案，然而目前许多基于视觉的3D车辆目标检测方法需要复杂的神经网络和先验模型，很难在小型平台部署或者实现较快的检测速度。因此，本专利提出的一个基于单目视觉的3D车辆目标检测方法，能够在小型或低计算能力的平台上实现车辆3D 目标检测，即给出车辆的2D、3D边界框和车辆类型等信息。
发明内容
本发明的目的在于，针对上述问题，提出一种基于单目视觉和几何约束的3D车辆目标检测方法。
一种基于单目视觉和几何约束的3D车辆目标检测方法，包括如下步骤：
图像获取：通过车载单目摄像头获取目标车辆的帧图像；
2D目标检测：设计并训练2D目标检测网络，获得图像中目标车辆的车辆类型与2D边界框的四个顶点坐标(xmin,ymin,xmax,ymax)；
观察角度获取：设计并训练观察角度估计网络，获得目标车辆的观察角度；
3D边界框绘制：根据车辆类型、观察角度、2D边界框信息及摄像头内外参数，获得3D 目标车辆边界框在图像中投影点的横纵坐标，绘制3D边界框并输出车辆姿态信息。
根据权利要求1所述的一种基于单目视觉和几何约束的3D车辆目标检测方法，所述观察角度通过利用卷积神经网络来获取，网络训练使用自制的观察角度数据集，数据集中每张样本图片大小为64*64像素，样本标签为此样本车辆的观察角度。
根据权利要求1所述的一种基于单目视觉和几何约束的3D车辆目标检测方法，所述2D 目标检测通过YOLO、SSD和RetinaNet的一种或多种深度学习目标来检测，网络的权重由focal loss、GIoU loss的一种或者多种损失函数情况下经过训练得出。
根据权利要求1所述的一种基于单目视觉和几何约束的3D车辆目标检测方法，所述车载摄像头的相机坐标系设置X轴正方向为车辆正右方，Y轴正方向为车辆正下方，Z轴正方向为车辆正前方。
根据权利要求1所述的一种基于单目视觉和几何约束的3D车辆目标检测方法，所述3D 边界框绘制包括如下子步骤：
S1:通过查表获取车辆长宽高和相机内外参数；
S2:根据查表及车载摄像头的相机坐标系获取车辆底面中心在车载单目摄像头Y轴方向平移距离值ty；
S3:计算车辆3D边界框在图像中投影点的横纵坐标；
S4:查表得到的车辆的l,w,h和相机内外参来表示出车辆3D边界框在图像中投影点的横纵坐标,求出(tx,tz,ry)，其中tx表示目标车辆与车载摄像头的左右方向的距离，tz表示目标车辆与车载摄像头的前后方向的距离，ry表示目标车头绕车载摄像头Y轴旋转的角度；
S5:输出车辆姿态信息(l,w,h,tx,ty,,tz,ry)，进行3D边框绘制。
本实发明的有益效果：本发明在2D目标检测的结果(边界框位置，目标类型)下只增加一个观察参数就实现了3D边界框估计。不必像其他3D目标检测算法要根据6-9个自由度参数才可以得出边界框；不仅减小了3D目标检测网络的复杂度和计算量，还减小了数据集制作的减小了3D目标检测网络的复杂度和计算量，还减小了数据集制作的难度。
附图说明
图1是不同观察角下车辆的3D边界框与2D边界框的关系示意图；
图2是观察角度alpha、2D边界框和3D边界框的投影的关系示意图；
图3是车载相机的相机坐标系定义图；
图4是本发明的3D车辆目标检测方法的执行过程流程图；
图5是采用KITTI数据集和实际校园道路视频截图的测试效果
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
本实施例中，一种基于FPGA的车道线实时检测方法，包括如下步骤：
S1：2D目标检测步骤：***的输入为车载单目摄像头视频流中的每一帧图像，即图像中的车辆为自车前方车辆。每一帧图像作为2D目标检测的输入。2D目标检测网络输出为“车辆类型(如小汽车、卡车、中型客车、大型客车等)，描述2D边界框的四个顶点坐标(xmin,ymin, xmax,ymax)”
S2：车辆观测角度获取步骤：观察角度估计网络为卷积神经网络，其输入为2D目标检测结果中边界框内的图像(经过Resize到64*64像素)，输出为观察角度(其范围可以为 -180°～180°，也可以为0-1、其他角度制、弧度制等形式)。网络训练使用自制的观察角度数据集，数据集中每张样本图片大小为64*64像素，样本标签为此样本车辆的观察角度。
S3：车辆的姿态信息(l,w,h,tx,ty,tz,ry)获取包括如下子步骤：
S31：根据观察角度把3D与2D边界框的对应关系分为四种情形，获得横坐标xmid，四种情形如图1中四张子图所示。确定目标车3D边界框与2D边界框的关系为图1中的四种情形之一后，根据图2所示投影关系、第S2步得出的观察角度alpha和车辆的长宽l,w，可得出图1(a)中点3、图1(b)中点4、图1(c)中点1或图1(d)中点2在图像中的横坐标xmid；
S32：获得含有车辆姿态未知数(tx,tz,ry)的3D边界框角点在图像中投影的坐标，其中车载相机的相机坐标系X,Y,Z三轴方向与汽车的关系如图3；
由2D目标检测获得的车辆类型，根据车辆类型，查找预先制作的车辆类型与车辆尺寸表得到此车型的近似长宽高l,w,h(单位为米)及车辆底面中心在车载相机Y轴方向平移距离值ty，同时设定车辆姿态的未知数为(tx,tz,ry)，即表示(与车载摄像头的左右方向的距离，前后方向的距离，车头绕车载摄像头Y轴旋转的角度)，使用这未知数(tx,tz,ry)、查表得到的车辆的l,w,h和相机内外参来表示出车辆3D边界框在图像中投影点的横纵坐标。以图1第三张图的情况为例，三个关键点的坐标为
点4横坐标:
点1横坐标:
点1纵坐标:
其中，(x0,y0)为相机的主点位置像，(tx,ty,tz)为3D边界框的底面中心分别在车载相机X,Y,Z轴三个方向上平移的距离(单位为米)，(fx,fy)为由相机内参获得的摄像头的焦距值；
S33：以图1(c)的情形为例,联立式(1-1)、(1-2)、(1-3)和(xmax,ymax,xmid)，获得三个方程，如式(1-4)。解方程组，获得(tx,tz,ry)：
S34：图1中的其他三种情形的处理方法，对于图1第一张图的情况，联立方程的组点为点3的横、纵坐标和点2的横坐标，对于图1第二张图的情况，联立方程组的点为点4的横、纵坐标和点1的横坐标，对于图1第四张图的情况，联立方程组的点为点2的横、纵坐标和点3的横坐标。
S4：3D边框绘制步骤，获得一帧图像中所有待检测车辆的姿态信息(l,w,h,tx,ty,tz,ry)后，并绘制2D/3D边界框。整个3D车辆目标检测方法的执行过程流程图如图4所示。图五第一张图同向驶去车辆在摄像头左前方、对向驶来车辆在摄像头左前方、同向驶去车辆在摄像头右前方；第二张图为同向驶去车辆在摄像头左前方、对向驶来车辆在摄像头左前方；第三张图为同向驶去车辆在摄像头左前方、同向驶去车辆在摄像头右前方；第四张图为同向驶去车辆在摄像头左前方、同向驶去车辆在摄像头右前方。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于单目视觉和几何约束的3D车辆目标检测方法，其特征在于，包括如下步骤：
图像获取：通过车载单目摄像头获取目标车辆的帧图像；
2D目标检测：设计并训练2D目标检测网络，获得图像中目标车辆的车辆类型与2D边界框的四个顶点坐标（x min, y min, x max , y max）；
观察角度获取：设计并训练观察角度估计网络，获得目标车辆的观察角度；
3D边界框绘制：根据车辆类型、观察角度、2D边界框信息及摄像头内外参数，获得3D目标车辆边界框在图像中投影点的横纵坐标，绘制3D边界框并输出车辆姿态信息。
2.根据权利要求1所述的一种基于单目视觉和几何约束的3D车辆目标检测方法，其特征在于，所述观察角度通过利用卷积神经网络来获取，网络训练使用自制的观察角度数据集，数据集中每张样本图片大小为64*64像素，样本标签为此样本车辆的观察角度。
3.根据权利要求1所述的一种基于单目视觉和几何约束的3D车辆目标检测方法，其特征在于，所述2D目标检测通过YOLO、SSD和RetinaNet的一种或多种深度学习目标来检测，网络的权重由focal loss、GIoU loss的一种或者多种损失函数情况下经过训练得出。
4.根据权利要求1所述的一种基于单目视觉和几何约束的3D车辆目标检测方法，其特征在于，所述车载摄像头的相机坐标系设置 X轴正方向为车辆正右方，Y轴正方向为车辆正下方，Z轴正方向为车辆正前方。
5.根据权利要求1所述的一种基于单目视觉和几何约束的3D车辆目标检测方法，其特征在于，所述3D边界框绘制包括如下子步骤：
S1:通过查表获取车辆长宽高和相机内外参数；
S2:根据查表及车载摄像头的相机坐标系获取车辆底面中心在车载单目摄像头Y轴方向平移距离值ty；
S3: 计算车辆3D边界框在图像中投影点的横纵坐标；
S4: 查表得到的车辆的l, w, h和相机内外参来表示出车辆3D边界框在图像中投影点的横纵坐标,求出(tx, tz, ry)，其中tx表示目标车辆与车载摄像头的左右方向的距离，tz表示目标车辆与车载摄像头的前后方向的距离，ry表示目标车头绕车载摄像头Y轴旋转的角度；
S5:输出车辆姿态信息(l, w, h, tx, ty tz, ry) ，进行3D边框绘制。
CN201910684070.6A 2019-07-26 2019-07-26 一种基于单目视觉和几何约束的3d车辆目标检测方法 Pending CN110517349A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910684070.6A CN110517349A (zh) 2019-07-26 2019-07-26 一种基于单目视觉和几何约束的3d车辆目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910684070.6A CN110517349A (zh) 2019-07-26 2019-07-26 一种基于单目视觉和几何约束的3d车辆目标检测方法

Publications (1)

Publication Number Publication Date
CN110517349A true CN110517349A (zh) 2019-11-29

Family

ID=68623637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910684070.6A Pending CN110517349A (zh) 2019-07-26 2019-07-26 一种基于单目视觉和几何约束的3d车辆目标检测方法

Country Status (1)

Country Link
CN (1) CN110517349A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111369617A (zh) * 2019-12-31 2020-07-03 浙江大学 一种基于卷积神经网络的单目视图的3d目标检测方法
CN111563525A (zh) * 2020-03-25 2020-08-21 北京航空航天大学 一种基于YOLOv3-Tiny的运动目标检测方法
CN111680556A (zh) * 2020-04-29 2020-09-18 平安国际智慧城市科技股份有限公司 交通卡口车辆类型的识别方法、装置、设备及存储介质
CN112016532A (zh) * 2020-10-22 2020-12-01 腾讯科技（深圳）有限公司 一种车辆检测方法和装置
CN112183241A (zh) * 2020-09-11 2021-01-05 北京罗克维尔斯科技有限公司 基于单目图像的目标检测方法和装置
US20210209341A1 (en) * 2020-05-15 2021-07-08 Beijing Baidu Netcom Science And Technology Co., Ltd. Three-dimensional object detection method, electronic device and readable storage medium
CN113128434A (zh) * 2021-04-27 2021-07-16 南京大学 一种对单目rgb图像进行3d目标检测的方法
CN113191329A (zh) * 2021-05-26 2021-07-30 超级视线科技有限公司 一种基于单目视觉图片的车辆泊位匹配方法及***
CN113435318A (zh) * 2021-06-25 2021-09-24 上海商汤临港智能科技有限公司 神经网络训练、图像检测、行驶控制方法及装置
CN113793413A (zh) * 2021-08-13 2021-12-14 北京迈格威科技有限公司 三维重建方法、装置、电子设备及存储介质
CN114387202A (zh) * 2021-06-25 2022-04-22 南京交通职业技术学院 一种基于车端点云与图像融合的3d目标检测方法
WO2022246767A1 (zh) * 2021-05-27 2022-12-01 华为技术有限公司 一种目标车辆转向意图的确定方法及装置
EP4105820A4 (en) * 2020-03-06 2023-07-26 Huawei Technologies Co., Ltd. METHOD AND DEVICE FOR ACQUIRING 3D INFORMATION OF A VEHICLE
CN116645649A (zh) * 2023-07-27 2023-08-25 深圳魔视智能科技有限公司 车辆位姿及尺寸估计方法、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107256633A (zh) * 2017-05-09 2017-10-17 西安理工大学 一种基于单目摄像头三维估计的车型分类方法
CN107407730A (zh) * 2015-03-06 2017-11-28 高通股份有限公司 自主车辆的实时占用地图创建***
CN108759667A (zh) * 2018-05-29 2018-11-06 福州大学 车载摄像头下基于单目视觉与图像分割的前车测距方法
CN108898628A (zh) * 2018-06-21 2018-11-27 北京纵目安驰智能科技有限公司 基于单目的车辆三维目标姿态估计方法、***、终端和存储介质
CN109241856A (zh) * 2018-08-13 2019-01-18 浙江零跑科技有限公司 一种单目车载视觉***立体目标检测方法
CN109544633A (zh) * 2017-09-22 2019-03-29 华为技术有限公司 目标测距方法、装置及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107407730A (zh) * 2015-03-06 2017-11-28 高通股份有限公司 自主车辆的实时占用地图创建***
CN107256633A (zh) * 2017-05-09 2017-10-17 西安理工大学 一种基于单目摄像头三维估计的车型分类方法
CN109544633A (zh) * 2017-09-22 2019-03-29 华为技术有限公司 目标测距方法、装置及设备
CN108759667A (zh) * 2018-05-29 2018-11-06 福州大学 车载摄像头下基于单目视觉与图像分割的前车测距方法
CN108898628A (zh) * 2018-06-21 2018-11-27 北京纵目安驰智能科技有限公司 基于单目的车辆三维目标姿态估计方法、***、终端和存储介质
CN109241856A (zh) * 2018-08-13 2019-01-18 浙江零跑科技有限公司 一种单目车载视觉***立体目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ARSALAN MOUSAVIAN等: ""3D Bounding Box Estimation Using Deep Learning and Geometry"", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111369617A (zh) * 2019-12-31 2020-07-03 浙江大学 一种基于卷积神经网络的单目视图的3d目标检测方法
CN111369617B (zh) * 2019-12-31 2022-06-21 浙江大学 一种基于卷积神经网络的单目视图的3d目标检测方法
EP4105820A4 (en) * 2020-03-06 2023-07-26 Huawei Technologies Co., Ltd. METHOD AND DEVICE FOR ACQUIRING 3D INFORMATION OF A VEHICLE
CN111563525A (zh) * 2020-03-25 2020-08-21 北京航空航天大学 一种基于YOLOv3-Tiny的运动目标检测方法
CN111680556A (zh) * 2020-04-29 2020-09-18 平安国际智慧城市科技股份有限公司 交通卡口车辆类型的识别方法、装置、设备及存储介质
CN111680556B (zh) * 2020-04-29 2024-06-07 平安国际智慧城市科技股份有限公司 交通卡口车辆类型的识别方法、装置、设备及存储介质
WO2021217924A1 (zh) * 2020-04-29 2021-11-04 平安国际智慧城市科技股份有限公司 交通卡口车辆类型的识别方法、装置、设备及存储介质
US20210209341A1 (en) * 2020-05-15 2021-07-08 Beijing Baidu Netcom Science And Technology Co., Ltd. Three-dimensional object detection method, electronic device and readable storage medium
US11587338B2 (en) * 2020-05-15 2023-02-21 Beijing Baidu Netcom Science And Technology Co., Ltd. Three-dimensional object detection method, electronic device and readable storage medium
WO2022053015A1 (zh) * 2020-09-11 2022-03-17 北京罗克维尔斯科技有限公司 基于单目图像的目标检测方法和装置
CN112183241A (zh) * 2020-09-11 2021-01-05 北京罗克维尔斯科技有限公司 基于单目图像的目标检测方法和装置
CN112016532B (zh) * 2020-10-22 2021-02-05 腾讯科技（深圳）有限公司 一种车辆检测方法和装置
CN112016532A (zh) * 2020-10-22 2020-12-01 腾讯科技（深圳）有限公司 一种车辆检测方法和装置
CN113128434A (zh) * 2021-04-27 2021-07-16 南京大学 一种对单目rgb图像进行3d目标检测的方法
CN113128434B (zh) * 2021-04-27 2023-11-21 南京大学 一种对单目rgb图像进行3d目标检测的方法
CN113191329A (zh) * 2021-05-26 2021-07-30 超级视线科技有限公司 一种基于单目视觉图片的车辆泊位匹配方法及***
WO2022246767A1 (zh) * 2021-05-27 2022-12-01 华为技术有限公司 一种目标车辆转向意图的确定方法及装置
CN114387202A (zh) * 2021-06-25 2022-04-22 南京交通职业技术学院 一种基于车端点云与图像融合的3d目标检测方法
CN113435318A (zh) * 2021-06-25 2021-09-24 上海商汤临港智能科技有限公司 神经网络训练、图像检测、行驶控制方法及装置
CN113793413A (zh) * 2021-08-13 2021-12-14 北京迈格威科技有限公司 三维重建方法、装置、电子设备及存储介质
CN116645649A (zh) * 2023-07-27 2023-08-25 深圳魔视智能科技有限公司 车辆位姿及尺寸估计方法、设备及存储介质
CN116645649B (zh) * 2023-07-27 2023-12-08 深圳魔视智能科技有限公司 车辆位姿及尺寸估计方法、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110517349A (zh) 一种基于单目视觉和几何约束的3d车辆目标检测方法
CN108759667B (zh) 车载摄像头下基于单目视觉与图像分割的前车测距方法
CN111429514B (zh) 一种融合多帧时序点云的激光雷达3d实时目标检测方法
CN110223348B (zh) 基于rgb-d相机的机器人场景自适应位姿估计方法
CN108638999B (zh) 一种基于360度环视输入的防碰撞预警***及方法
CN106156723B (zh) 一种基于视觉的路口精定位方法
CN110032949A (zh) 一种基于轻量化卷积神经网络的目标检测与定位方法
CN109636771B (zh) 基于图像处理的飞行目标检测方法及***
CN107633220A (zh) 一种基于卷积神经网络的车辆前方目标识别方法
CN113506318B (zh) 一种车载边缘场景下的三维目标感知方法
CN108805906A (zh) 一种基于深度图的运动障碍物检测及定位方法
CN109685732A (zh) 一种基于边界捕捉的深度图像高精度修复方法
CN110969064B (zh) 一种基于单目视觉的图像检测方法、装置及存储设备
CN105225230A (zh) 一种识别前景目标对象的方法及装置
CN107677274A (zh) 基于双目视觉的无人机自主着陆导航信息实时解算方法
CN108009494A (zh) 一种基于无人机的道路交叉口车辆跟踪方法
CN111735445A (zh) 融合单目视觉与imu的煤矿巷道巡检机器人***及导航方法
CN112101160B (zh) 一种面向自动驾驶场景的双目语义slam方法
CN115082881A (zh) 目标检测方法、存储介质、电子设备及车辆
CN113537047A (zh) 障碍物检测方法、装置、交通工具及存储介质
CN105976324A (zh) 一种车载图像拼接方法
CN105300390A (zh) 障碍物体运动轨迹的确定方法及装置
CN111462241A (zh) 一种基于单目视觉的目标定位方法
Yang et al. Vision-based intelligent vehicle road recognition and obstacle detection method
Zheng et al. A robust strategy for roadside cooperative perception based on multi-sensor fusion

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