CN111091077B - 一种基于图像相关性和模板匹配的车速检测方法 - Google Patents
一种基于图像相关性和模板匹配的车速检测方法 Download PDFInfo
- Publication number
- CN111091077B CN111091077B CN201911218678.6A CN201911218678A CN111091077B CN 111091077 B CN111091077 B CN 111091077B CN 201911218678 A CN201911218678 A CN 201911218678A CN 111091077 B CN111091077 B CN 111091077B
- Authority
- CN
- China
- Prior art keywords
- frame
- speed
- matching
- vehicle
- template
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000005314 correlation function Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像相关性和模板匹配的车速检测方法,属于图像处理领域,包括:对待检测车辆行驶视频进行逐帧读取;将第一帧图像作为原始帧,裁剪原始帧的部分图片作为匹配模板,将原始帧的下一帧图片作为目标帧,将匹配模板和目标帧先后进行灰度化和二值化处理;通过模板匹配,选择匹配模板与目标帧的最佳匹配点;根据最佳匹配点所在位置和模板匹配起始位置,得到原始帧到目标帧的像素偏移量,根据该偏移量和帧间间隔时间,得到像素移动速度;将像素移动速度转换为以地面为参照物的车辆行驶速度。本发明将测速过程转换为图像处理过程,提高了测速结果的准确度;通过将图像转换为二值图后进行相关性计算,有效提高了图像处理的速度。
Description
技术领域
本发明属于图像处理技术领域,更具体地,涉及一种基于图像相关性和模板匹配的车速检测方法。
背景技术
近年来,汽车技术开始进入无人驾驶发展的新纪元,无人驾驶或智能辅助驾驶技术能有效避免人工驾驶带来的疲劳驾驶、醉驾、违章等危险驾驶行为,减少车祸的发生,提高汽车安全性,并可以通过智能算法对行车路径进行优化,缓解交通拥堵,进而降低环境污染和降低运输成本,是未来汽车发展的关键技术,而车速的测量决定了无人驾驶操控的精确性,是其中的关键部分。
目前的汽车测速方法主要有车轮转速测量法、GPS车辆位置信息测速法和根据车载惯性测量装置测速法等。根据轮速测速时,时速表是根据变速箱输出轴给出的单位转速脉冲来计算时速,此种情况存在打滑情况,且当车轮周长因气压等因素发生变化时,存在测量误差;根据GPS信息测速的装置在GPS信号屏蔽区域,将导致信号缺失,或因网络问题存在信号延时,会导致无法测速或者测速结果无法准确获得等情况,同时GPS信息存在定位精度较低的问题,影响测速的准确性;根据车载惯性测量装置进行测速的***,其原理是将测得的加速度积分成速度,积分过程会累加偏差,而惯性测量装置存在严重的漂移问题。
综上所述,现有的测速方法均存在测速结果不准确的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于图像相关性和模板匹配的车速检测方法,其目的在于解决现有汽车测速方法均存在测速结果准确度低的技术问题。
为实现上述目的,本发明提供了一种基于图像相关性和模板匹配的车速检测方法,包括:
(1)对待检测车辆行驶视频进行逐帧读取,并将第一帧图像作为原始帧;
(2)裁剪所述原始帧的部分图片作为匹配模板,将所述原始帧的下一帧图像作为目标帧,并将所述匹配模板和目标帧先后进行灰度化和二值化处理;
(3)将二值化后的匹配模板和目标帧进行模板匹配,选择匹配模板与目标帧的最佳匹配点;
(4)根据最佳匹配点所在位置和模板匹配起始位置,得到原始帧到目标帧的像素偏移量,根据所述偏移量和原始帧与目标帧的间隔时间,得到帧间像素移动的速度大小和方向;
(5)将计算得到的帧间像素移动速度转换为以地面为参照物的车辆行驶速度,并将所述目标帧作为新的原始帧;
(6)重复步骤(2)-(5),直至全部帧图像计算完成。
进一步地,所述待检测车辆行驶视频由安装在待检测车辆上的车载摄像头拍摄得到。
进一步地,步骤(2)所述裁剪所述原始帧的部分图片作为匹配模板,具体为,裁剪所述原始帧的中央三分之一部分作为匹配模板。
进一步地,步骤(2)所述将所述匹配模板和目标帧先后进行灰度化和二值化,具体为,采用高斯权重均值法自适应阈值对灰度化后的匹配模板和目标帧进行二值化。
进一步地,步骤(3)具体包括,
(3.1)将匹配模板的第一行第一列的像素与目标帧同位置像素重合;
(3.2)由相关性函数计算两者重合处的相关性系数,得到相关性矩阵的第一个元素;
(3.3)将匹配模板按照设定方向在目标帧中遍历,计算匹配模板与目标帧在各个遍历位置处的相关性系数,得到多维相关性矩阵;
(3.4)将相关性矩阵中峰值元素对应的位置,作为匹配模板与目标帧的最佳匹配点。
进一步地,所述相关性函数表示为:
其中,N为匹配模板像素个数,x′,y′为匹配模板的坐标,x,y为目标帧的坐标;T(x′,y′)表示二值化后的匹配模板,I(x,y)表示二值化后的目标帧,R(x,y)表示相关性函数,—表示非运算,表示异或操作。
进一步地,步骤(4)所述帧间像素移动速度的大小和方向计算方法具体包括;通过公式计算帧间像素在横坐标上的速度;通过公式计算帧间像素在纵坐标上的速度;通过公式angle=argtan(Vx′/Vy′)计算帧间像素移动速度的方向;其中,FI表示原始帧与目标帧间隔时间;Δx,Δy分别表示原始帧到目标帧在x轴、y轴上的像素偏移量。
进一步地,步骤(6)将计算得到的像素移动速度转换为以地面为参照物的车辆行驶速度,具体为:通过公式计算车辆在横坐标上的速度;通过公式计算车辆在纵坐标上的速度;通过公式计算车辆行驶速度的大小;通过公式angle=argtan(Vx/Vy)计算车辆行驶速度的方向;
其中,Vx代表车辆在横坐标上的速度;Vy代表车辆在纵坐标上的速度;V代表车辆速度大小;angle代表车辆速度方向;PU表示车载摄像机距地距离;Ag表示车载摄像机身与地面夹角;C表示标定系数。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明方法,利用图像匹配的方法找出匹配模板从原始帧到目标帧移动的距离,再利用图像坐标和世界坐标的相互转换,计算出两帧图像中车辆移动的实际距离,将测速过程转换为图像处理过程,相比现有汽车速度测量方法无需积分或GPS信号,可以避免积分误差和GPS信号缺失造成的测速失败问题,同时解决了因车轮打滑导致的车轮转速与汽车实际速度不符的问题,有效提高了车速测量结果的准确度。
(2)本发明将匹配模板和目标模板灰度化处理后,进行高斯权重均值法自适应阈值二值化,然后用二值图进行模板匹配,将大量的计算转换成二值处理,大大减少了计算量,提高了运算速度,让计算得到的车速信息更加具备实时性;同时可最大限度的保留图像特征,有效避免由于光照不均匀导致的图像失配。
附图说明
图1是本发明方法实施例的整体流程示意图;
图2是本发明方法车载摄像机的安装示意图;
图3是本发明方法实施例中原始帧和匹配模板以及目标帧;
图4(a)-图4(c)分别是本发明方法实施例中目标帧、目标帧的灰度图以及目标帧的二值图;
图5是本发明方法实施例中匹配模板的移动方式示意图;
图6是本发明方法实施例中速度参数显示图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参考图1,本发明提供了一种基于图像相关性和模板匹配的车速检测方法,包括:
(1)对待检测车辆行驶视频进行逐帧读取,并将第一帧图像作为原始帧;
具体地,如图2所示,待检测车辆行驶视频由安装在待检测车辆上的车载摄像头拍摄得到,同时标定摄像机距地距离PU,以及车载摄像机身与地面夹角Ag,以便后续将测速过程转换成图像处理过程。本发明实施例载入汽车在草地行驶的视频,视频时长为3s,帧数FN为72帧,图片大小为(960,544),摄像机距地距离PU=0.6m,Ag=60°。
(2)裁剪原始帧的部分图片作为匹配模板,将原始帧的下一帧图片作为目标帧,并将匹配模板和目标帧先后进行灰度化和二值化处理;
如图3所示,本发明实施例裁剪原始帧的中央三分之一部分作为匹配模板,以利于后续的模板匹配过程,此时匹配模板左上角像素点在原始帧中的位置为(m/3,n/3),其中,m为行像素数,n为列像素数。本发明实施例中匹配模板左上角点位置为(320,181)。
本发明将读取的图像首先灰度化,然后采用高斯权重均值法自适应阈值对灰度化后的匹配模板和目标帧进行二值化,根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值,不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值,可最大限度的保留图像特征,有效避免由于光照不均匀导致的图像失配。以目标帧为例,其处理前,灰度处理后、二值化处理后的结果分别如图4(a)-4(c)所示。
(3)将二值化后的匹配模板和目标帧进行模板匹配,选择匹配模板与目标帧的最佳匹配点;
本发明将传统的基于彩图或者灰度图进行的模板匹配过程,转换为基于二值图进行的极性相关运算,用异或运算代替乘除运算,提高了运算速度。步骤(3)具体包括,
(3.1)将匹配模板的第一行第一列的像素与目标帧同位置像素重合;
(3.2)由相关性函数计算两者重合处的相关性系数,得到相关性矩阵的第一个元素;本发明采用的相关性函数表示为:
其中,N为匹配模板像素个数,x′,y′为匹配模板的坐标,x,y为目标帧的坐标;T(x′,y′)表示二值化后的匹配模板,I(x,y)表示二值化后的目标帧,R(x,y)表示相关性函数,—表示非运算,表示异或操作。
(3.3)将匹配模板按照设定方向在目标帧中遍历,计算匹配模板与目标帧在各个遍历位置处的相关性系数,得到多维相关性矩阵;
如图5所示,本发明实施例从目标帧的左上角开始,将匹配模板向右下方移动,得到维数为(2m/3+1,2n/+1)的相关性系数矩阵。
(3.4)将相关性矩阵中峰值元素对应的位置,作为匹配模板与目标帧的最佳匹配点。
(4)根据最佳匹配点所在位置和模板匹配起始位置,得到原始帧到目标帧的像素偏移量,根据偏移量和原始帧与目标帧的间隔时间,得到像素移动的速度大小和方向;
具体地,本发明实施例得到的相关性矩阵中峰值元素的位置为(321,179),模板匹配的起始位置为匹配模板的左上角点(320,181),根据上述两个位置计算原始帧到目标帧间像素偏移量:
Δx=n/3-(xpeak+1)=1.33
Δy=m/3-(ypeak+1)=-2.0
其中,Δx,Δy分别表示原始帧到目标帧在x轴、y轴上的偏移量;(xpeak,ypeak)为峰值元素位置。
从而帧间像素移动速度大小可表示为:帧间像素移动速度的方向可表示为:angle=argtan(Vx′/Vy′);其中,FI表示原始帧与目标帧间隔时间,FI=FN/t,FN为视频帧数,t为视频时长,本发明实施例中FI为0.041667s。
(5)将计算得到的帧间像素移动速度转换为以地面为参照物的车辆行驶速度,并将目标帧作为新的原始帧。
帧间像素移动速度大小转换为车辆行驶速度的公式为:
其中,Vx代表车辆在横坐标上的速度;Vy代表车辆在纵坐标上的速度;V代表车辆速度大小;PU表示车载摄像机距地距离;Ag表示车载摄像机身与地面夹角;C表示标定系数,本发明实施例取3750;
(6)重复步骤(2)-(5),直至全部帧图像计算完成,得到车辆在行驶视频对应时间内的行驶速度。
如图6所示,本发明实施例将速度的大小和方向信息通过添加文本的方式在视频左上角显示;在视频中央添加一个箭头,箭头方向由角度信息控制。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于图像相关性和模板匹配的车速检测方法,其特征在于,包括:
(1)对待检测车辆行驶视频进行逐帧读取,并将第一帧图像作为原始帧;
(2)裁剪所述原始帧的部分图片作为匹配模板,将所述原始帧的下一帧图像作为目标帧,并将所述匹配模板和目标帧先后进行灰度化和二值化处理;其中,将所述匹配模板和目标帧先后进行灰度化和二值化,具体为,对匹配模板和目标帧进行灰度化;采用高斯权重均值法自适应阈值对灰度化后的匹配模板和目标帧进行二值化,根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值;
(3)将二值化后的匹配模板和目标帧进行模板匹配,选择匹配模板与目标帧的最佳匹配点;步骤(3)具体包括,
(3.1)将匹配模板的第一行第一列的像素与目标帧同位置像素重合;
(3.2)由相关性函数计算两者重合处的相关性系数,得到相关性矩阵的第一个元素;
(3.3)将匹配模板按照设定方向在目标帧中遍历,计算匹配模板与目标帧在各个遍历位置处的相关性系数,得到多维相关性矩阵;
(3.4)将相关性矩阵中峰值元素对应的位置,作为匹配模板与目标帧的最佳匹配点;其中,所述相关性函数表示为:
其中,N为匹配模板像素个数,x′,y′为匹配模板的坐标,x,y为目标帧的坐标;T(x′,y′)表示二值化后的匹配模板,I(x,y)表示二值化后的目标帧,R(x,y)表示相关性函数,—表示非运算,⊕表示异或操作;
(4)根据最佳匹配点所在位置和模板匹配起始位置,得到原始帧到目标帧的像素偏移量,根据所述偏移量和原始帧与目标帧的间隔时间,得到帧间像素移动的速度大小和方向;步骤(4)所述帧间像素移动速度的大小和方向计算方法具体包括;通过公式计算帧间像素在横坐标上的速度;通过公式计算帧间像素在纵坐标上的速度;通过公式angle=argtan(V′x/V′y)计算帧间像素移动速度的方向;其中,FI表示原始帧与目标帧间隔时间;△x,△y分别表示原始帧到目标帧在x轴、y轴上的像素偏移量;
(5)将计算得到的帧间像素移动速度转换为以地面为参照物的车辆行驶速度,并将所述目标帧作为新的原始帧;将计算得到的帧间像素移动速度转换为以地面为参照物的车辆行驶速度,具体为:通过公式计算车辆在横坐标上的速度;通过公式计算车辆在纵坐标上的速度;通过公式计算车辆行驶速度的大小;通过公式angle=argtan(Vx/Vy)计算车辆行驶速度的方向;
其中,Vx代表车辆在横坐标上的速度;Vy代表车辆在纵坐标上的速度;V代表车辆速度大小;angle代表车辆速度方向;PU表示车载摄像机距地距离;Ag表示车载摄像机身与地面夹角;C表示标定系数;
(6)重复步骤(2)-(5),直至全部帧图像计算完成。
2.根据权利要求1所述的一种基于图像相关性和模板匹配的车速检测方法,其特征在于,所述待检测车辆行驶视频由安装在待检测车辆上的车载摄像头拍摄得到。
3.根据权利要求1或2所述的一种基于图像相关性和模板匹配的车速检测方法,其特征在于,步骤(2)所述裁剪所述原始帧的部分图片作为匹配模板,具体为,裁剪所述原始帧的中央三分之一部分作为匹配模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911218678.6A CN111091077B (zh) | 2019-12-03 | 2019-12-03 | 一种基于图像相关性和模板匹配的车速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911218678.6A CN111091077B (zh) | 2019-12-03 | 2019-12-03 | 一种基于图像相关性和模板匹配的车速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091077A CN111091077A (zh) | 2020-05-01 |
CN111091077B true CN111091077B (zh) | 2022-11-11 |
Family
ID=70394157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911218678.6A Active CN111091077B (zh) | 2019-12-03 | 2019-12-03 | 一种基于图像相关性和模板匹配的车速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091077B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364835B (zh) * | 2020-12-09 | 2023-08-11 | 武汉轻工大学 | 视频信息取帧方法、装置、设备及存储介质 |
CN113253293B (zh) * | 2021-06-03 | 2021-09-21 | 中国人民解放军国防科技大学 | 一种激光点云畸变的消除方法和计算机可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101190789B1 (ko) * | 2010-12-30 | 2012-10-11 | 주식회사 와이즈오토모티브 | 차량의 거리 측정 장치 및 방법 |
CN103686083B (zh) * | 2013-12-09 | 2017-01-11 | 北京理工大学 | 一种基于车载传感器视频流匹配的实时测速方法 |
CN105844666B (zh) * | 2016-03-25 | 2019-07-12 | 深圳大学 | 一种基于单摄像头视频序列匹配的车辆测速方法及其*** |
CN106204634B (zh) * | 2016-06-22 | 2019-07-09 | 广东警官学院 | 一种通过监控视频或车载摄像头测量汽车速度的方法 |
CN108470352A (zh) * | 2017-02-23 | 2018-08-31 | 南宁市富久信息技术有限公司 | 车载自主测速方法 |
-
2019
- 2019-12-03 CN CN201911218678.6A patent/CN111091077B/zh active Active
Non-Patent Citations (2)
Title |
---|
一种网格划分的点数据DFT域盲水印算法;张黎明;《兰州交通大学学报》;20150831;964-968 * |
基于序列图像匹配的车载自主测速方法;刘红亮;《***工程与电子技术》;20150430;964-968 * |
Also Published As
Publication number | Publication date |
---|---|
CN111091077A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200041284A1 (en) | Map road marking and road quality collecting apparatus and method based on adas system | |
US9292750B2 (en) | Method and apparatus for detecting traffic monitoring video | |
CN110738121A (zh) | 一种前方车辆检测方法及检测*** | |
CN110765909B (zh) | 基于车载摄像头辅助分布式驱动电动汽车路面估计方法 | |
Wu et al. | An algorithm for automatic vehicle speed detection using video camera | |
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*** | |
CN111247525A (zh) | 一种车道检测方法、装置及车道检测设备、移动平台 | |
CN111091077B (zh) | 一种基于图像相关性和模板匹配的车速检测方法 | |
CN114758504B (zh) | 一种基于滤波校正的网联车超速预警方法及*** | |
CN113689483B (zh) | 一种基于单目摄像头和激光雷达的测距方法 | |
CN112986964B (zh) | 基于噪声邻域密度的光子计数激光点云自适应去噪方法 | |
CN115034324B (zh) | 一种多传感器融合感知效能增强方法 | |
CN113917487A (zh) | 基于激光雷达的封闭道路路沿和可行驶区域检测方法 | |
CN114495064A (zh) | 一种基于单目深度估计的车辆周围障碍物预警方法 | |
CN116168028B (zh) | 低可见度下基于边缘滤波的高铁原始图像处理方法和*** | |
CN107832788B (zh) | 一种基于单目视觉和车牌识别的车距测量方法 | |
CN113034378A (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN106803066B (zh) | 一种基于Hough变换的车辆偏航角确定方法 | |
CN116068507A (zh) | 车载传感器中的对准验证 | |
CN117115415B (zh) | 基于大数据分析的图像标记处理方法和*** | |
CN113643232A (zh) | 一种基于双目相机和卷积神经网络的路面坑槽自动检测方法 | |
CN111353481A (zh) | 基于激光点云与视频图像的道路障碍物识别方法 | |
CN116740657A (zh) | 一种基于相似三角形的目标检测以及测距方法 | |
CN114495038A (zh) | 一种自动驾驶检测标注数据的后处理方法 | |
CN111539279A (zh) | 道路限高高度检测方法、装置、设备及存储介质 |
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 |