CN111260539A - 鱼眼图目标识别方法及其*** - Google Patents

鱼眼图目标识别方法及其*** Download PDF

Info

Publication number
CN111260539A
CN111260539A CN202010029771.9A CN202010029771A CN111260539A CN 111260539 A CN111260539 A CN 111260539A CN 202010029771 A CN202010029771 A CN 202010029771A CN 111260539 A CN111260539 A CN 111260539A
Authority
CN
China
Prior art keywords
coordinates
fisheye
latitude
diagram
longitude
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
Application number
CN202010029771.9A
Other languages
English (en)
Other versions
CN111260539B (zh
Inventor
袁施薇
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.)
Motovis Technology Shanghai Co ltd
Original Assignee
Motovis Technology Shanghai Co ltd
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 Motovis Technology Shanghai Co ltd filed Critical Motovis Technology Shanghai Co ltd
Priority to CN202010029771.9A priority Critical patent/CN111260539B/zh
Publication of CN111260539A publication Critical patent/CN111260539A/zh
Application granted granted Critical
Publication of CN111260539B publication Critical patent/CN111260539B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G06T3/047—Fisheye or wide-angle transformations
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

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

Abstract

一种鱼眼图目标识别方法，包括：通过等距柱状投影方法获得待目标识别的鱼眼图的等距柱面展开图以及该等距柱面展开图上任意一个点的坐标与所述鱼眼图上对应点的坐标之间的转换关系；通过预训练的用于识别所述目标的识别模型对所述等距柱面展开图进行识别，得到所述目标在等距柱面展开图上的识别框坐标；通过上述转换关系将所述识别框坐标转换为所述鱼眼图上的识别框坐标。本发明检测精准度高，不用重新采集畸变数据进行模型训练。

Description

鱼眼图目标识别方法及其***
技术领域
本发明涉及无人驾驶技术领域，尤其涉及一种鱼眼图目标识别方法及其***。
背景技术
近年来，自动驾驶和辅助驾驶的应用越来越广泛，摄像头以其获取信息丰富和价格相对低廉，常被用来获取车辆周围信息，来进行避障、路径规划等功能。实际使用中，需要尽可能多地获取汽车周围的环境以减少盲区，往往会选择视场角更大的鱼眼相机进行汽车周围场景的获取。这种广角镜头得到的鱼眼图片畸变比较大，同一目标在不同的角度，除了大小变化较大之外，其形状在不同的视角也会有很大的不同，在相机正前方畸变较小，而在相机两边往往会有不同形状的扭曲。使用现有的方法进行目标识别以及定位测距等任务，会造成一定的难度，例如对于目标检测，需要模型学***躺，其接地点也会非常模糊，这对于后续的测距任务也会造成一定的麻烦。
发明内容
基于此，针对上述技术问题，提供一种鱼眼图目标识别方法及其***。
为解决上述技术问题，本发明采用如下技术方案：
一种鱼眼图目标识别方法，包括：
通过等距柱状投影方法获得待目标识别的鱼眼图的等距柱面展开图以及该等距柱面展开图上任意一个点的坐标与所述鱼眼图上对应点的坐标之间的转换关系；
通过预训练的用于识别所述目标的识别模型对所述等距柱面展开图进行识别，得到所述目标在等距柱面展开图上的识别框坐标；
通过上述转换关系将所述识别框坐标转换为所述鱼眼图上的识别框坐标。
获得所述转换关系进一步包括：
a、将等距柱面展开图上点的坐标(m，n)转换为经纬度：
Figure BDA0002363839850000021
Figure BDA0002363839850000022
其中，longitude表示经度，latitude表示纬度，re表示
Figure BDA0002363839850000023
fov表示视场角，We，He表示想要获得的柱状图的像素值，We＝He：
b、将经纬度转换为成像单位球面的坐标px，pv，pz：
px＝cos(latitude)cos(longitude)
py＝cos(latitude)sin(longitude)
pz＝sin(latitude)；
c、将成像单位球面的坐标px，pv，pz转换为球坐标系的坐标
Figure BDA0002363839850000024
θ.
Figure BDA0002363839850000025
Figure BDA0002363839850000026
d、将球坐标系的坐标
Figure BDA0002363839850000027
θ转换为鱼眼图上的坐标(i，j)：
Figure BDA0002363839850000028
Figure BDA0002363839850000029
其中，函数f表示
Figure BDA00023638398500000210
映射到入射光线到鱼眼相机成像平面光心的径向距离，该函数f的参数由鱼眼相机标定得到，Wf以及Hf由鱼眼相机标定得到，分别表示鱼眼相机投影中心到图片中心的偏移像素。
所述预训练进一步包括通过包含无畸变目标的图片对深度学习检测模型进行训练。
所述深度学习检测模型采用faster rcnn模型、yolo系列模型或ssd模型
本方案还包括将所述鱼眼图上的识别框坐标转换为鱼眼相机坐标系下的坐标。
本方案还涉及一种鱼眼图目标识别***，包括存储模块，所述存储模块包括由处理器加载并执行的多条指令：
通过等距柱状投影方法获得待目标识别的鱼眼图的等距柱面展开图以及该等距柱面展开图上任意一个点的坐标与所述鱼眼图上对应点的坐标之间的转换关系；
通过预训练的用于识别所述目标的识别模型对所述等距柱面展开图进行识别，得到所述目标在等距柱面展开图上的识别框坐标；
通过上述转换关系将所述识别框坐标转换为所述鱼眼图上的识别框坐标。
获得所述转换关系进一步包括：
a、将等距柱面展开图上点的坐标(m，n)转换为经纬度：
Figure BDA0002363839850000031
Figure BDA0002363839850000032
其中，longitude表示经度，latitude表示纬度，re表示
Figure BDA0002363839850000033
fov表示视场角，We，He表示想要获得的柱状图的像素值，We＝He；
b、将经纬度转换为成像单位球面的坐标px，pv，pz：
px＝cos(latitude)cos(longitude)
py＝cos(latitude)sin(longitude)
pz＝sin(latitude)；
c、将成像单位球面的坐标px，pv，pz转换为球坐标系的坐标
Figure BDA0002363839850000034
θ.
Figure BDA0002363839850000035
Figure BDA0002363839850000036
d、将球坐标系的坐标
Figure BDA0002363839850000037
θ转换为鱼眼图上的坐标(i，j)：
Figure BDA0002363839850000038
Figure BDA0002363839850000039
其中.函数f表示
Figure BDA00023638398500000310
映射到入射光线到鱼眼相机成像平面光心的径向距离，该函数f的参数由鱼眼相机标定得到，Wf以及Hf由鱼眼相机标定得到，分别表示鱼眼相机投影中心到图片中心的偏移像素。
所述预训练进一步包括通过包含无畸变目标的图片对深度学习检测模型进行训练。
所述深度学习检测模型采用faster rcnn模型、yolo系列模型或ssd模型。
本方案还包括将所述鱼眼图上的识别框坐标转换为鱼眼相机坐标系下的坐标。
本发明将鱼眼图转换成柱状图，再对柱状图进行目标识别，与直接在鱼眼图上进行识别相比，目标没有大量畸变，特征学习比较容易，检测精准度高，目标识别结果是直立的，便于后续接地点的检测和使用，不用重新采集畸变数据进行模型训练，可以使用现有的无畸变目标识别模型。
附图说明
下面结合附图和具体实施方式对本发明进行详细说明：
图1为本发明的流程图；
图2为190度广角镜拍摄的鱼眼图；
图3为图2对应的柱状图。
具体实施方式
如图1所示，一种鱼眼图目标识别方法，包括：
S101、通过等距柱状投影方法获得待目标识别的鱼眼图的等距柱面展开图以及该等距柱面展开图上任意一个点的坐标与鱼眼图上对应点的坐标之间的转换关系。
图2为190度广角镜拍摄的鱼眼图，可以观察到两边行人畸变较大，行人向两边倾斜，这对于检测以及后续定位都会有较大问题。图3为通过S101步骤得到的柱状图，可以观察到行人基本直立，外形与平面图中的行人接近。
具体地，获得转换关系包括如下步骤：
a、将等距柱面展开图上点的坐标(m，n)转换为经纬度：
Figure BDA0002363839850000041
Figure BDA0002363839850000042
其中，longitude表示经度，latitude表示纬度，re表示
Figure BDA0002363839850000043
fov表示视场角，We，He表示想要获得的柱状图的像素值，We＝He；
b、将经纬度转换为成像单位球面的坐标px，pv，pz：
px＝cos(latitude)cos(longitude)
py＝cos(latitude)sin(longitude)
pz＝sin(latitude)；
c、将成像单位球面的坐标px，pv，pz转换为球坐标系的坐标
Figure BDA0002363839850000051
θ.
Figure BDA0002363839850000052
Figure BDA0002363839850000053
d、将球坐标系的坐标
Figure BDA0002363839850000054
θ转换为鱼眼图上的坐标(i，j)：
Figure BDA0002363839850000055
Figure BDA0002363839850000056
其中，函数f表示
Figure BDA0002363839850000057
映射到入射光线到鱼眼相机成像平面光心的径向距离，可以使用多项式函数进行拟合，如十四阶多项式，该函数f的参数由鱼眼相机标定得到(参数是指多项式前的系数，可以使用标定板等形状明确的物体来进行标定)，Wf以及Hf由鱼眼相机标定得到，分别表示鱼眼相机投影中心到图片中心的偏移像素。
S102、通过预训练的用于识别上述目标的识别模型对上述等距柱面展开图进行识别，得到上述目标在等距柱面展开图上的识别框坐标。
其中，识别框坐标包含识别框所有角点的坐标。
在本实施例中，通过包含无畸变目标的图片对深度学习检测模型进行训练，深度学习检测模型采用faster rcnn模型、yolo系列模型或ssd模型。可以使用鱼眼图前视无畸变的图片进行模型训练。
S103、通过步骤S101中得到的转换关系将识别框坐标转换为鱼眼图上的识别框坐标。
S104、将鱼眼图上的识别框坐标转换为鱼眼相机坐标系下的坐标。
鱼眼图上的坐标指的是像素坐标，相机坐标系是现实生活中的空间坐标，本步骤的目的是为了便于后续在定位和测距时使用。
具体地，通过如下公式进行坐标转换：
Figure BDA0002363839850000058
Figure BDA0002363839850000059
其中，f-1为函数f的逆变换，该函数可以使用多项式进行拟合，如五阶多项式。
本发明还涉及一种鱼眼图目标识别***，包括存储模块，所述存储模块包括由处理器加载并执行的多条指令：
S101、通过等距柱状投影方法获得待目标识别的鱼眼图的等距柱面展开图以及该等距柱面展开图上任意一个点的坐标与鱼眼图上对应点的坐标之间的转换关系。
图2为190度广角镜拍摄的鱼眼图，可以观察到两边行人畸变较大，行人向两边倾斜，这对于检测以及后续定位都会有较大问题。图3为通过S101步骤得到的柱状图，可以观察到行人基本直立，外形与平面图中的行人接近。
具体地，获得转换关系包括如下步骤：
a、将等距柱面展开图上点的坐标(m，n)转换为经纬度：
Figure BDA0002363839850000061
Figure BDA0002363839850000062
其中，longitude表示经度，latitude表示纬度，re表示
Figure BDA0002363839850000063
fov表示视场角，We，He表示想要获得的柱状图的像素值，We＝He；
b、将经纬度转换为成像单位球面的坐标px，pv，pz：
px＝cos(latitude)cos(longitude)
py，＝cos(latitude)sin(longitude)
pz＝sin(latitude)；
c、将成像单位球面的坐标px，pv，pz转换为球坐标系的坐标
Figure BDA0002363839850000064
θ.
Figure BDA0002363839850000065
Figure BDA0002363839850000066
d、将球坐标系的坐标
Figure BDA0002363839850000067
θ转换为鱼眼图上的坐标(i，j)：
Figure BDA0002363839850000068
Figure BDA0002363839850000069
其中，函数f表示
Figure BDA00023638398500000610
映射到入射光线到鱼眼相机成像平面光心的径向距离，可以使用多项式函数进行拟合，如十四阶多项式，该函数f的参数由鱼眼相机标定得到(参数是指多项式前的系数，可以使用标定板等形状明确的物体来进行标定)，Wf以及Hf由鱼眼相机标定得到，分别表示鱼眼相机投影中心到图片中心的偏移像素。
S102、通过预训练的用于识别上述目标的识别模型对上述等距柱面展开图进行识别，得到上述目标在等距柱面展开图上的识别框坐标。
其中，识别框坐标包含识别框所有角点的坐标。
在本实施例中，通过包含无畸变目标的图片对深度学习检测模型进行训练，深度学习检测模型采用faster rcnn模型、yolo系列模型或ssd模型。可以使用鱼眼图前视无畸变的图片进行模型训练。
S103、通过步骤S101中得到的转换关系将识别框坐标转换为鱼眼图上的识别框坐标。
S104、将鱼眼图上的识别框坐标转换为鱼眼相机坐标系下的坐标。
鱼眼图上的坐标指的是像素坐标，相机坐标系是现实生活中的空间坐标，本步骤的目的是为了便于后续在定位和测距时使用。
具体地，通过如下公式进行坐标转换：
Figure BDA0002363839850000071
Figure BDA0002363839850000072
其中，f-1为函数f的逆变换，该函数可以使用多项式进行拟合，如五阶多项式。
本发明将鱼眼图转换成柱状图，再对柱状图进行目标识别，与直接在鱼眼图上进行识别相比，目标没有大量畸变，特征学习比较容易，检测精准度高，目标识别结果是直立的，便于后续接地点的检测和使用，不用重新采集畸变数据进行模型训练，可以使用现有的无畸变目标识别模型。
但是，本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (10)

1.一种鱼眼图目标识别方法，其特征在于，包括：
通过等距柱状投影方法获得待目标识别的鱼眼图的等距柱面展开图以及该等距柱面展开图上任意一个点的坐标与所述鱼眼图上对应点的坐标之间的转换关系；
通过预训练的用于识别所述目标的识别模型对所述等距柱面展开图进行识别，得到所述目标在等距柱面展开图上的识别框坐标；
通过上述转换关系将所述识别框坐标转换为所述鱼眼图上的识别框坐标。
2.根据权利要求1所述的一种鱼眼图目标识别方法，其特征在于，获得所述转换关系进一步包括：
a、将等距柱面展开图上点的坐标(m,n)转换为经纬度：
Figure FDA0002363839840000011
Figure FDA0002363839840000012
其中，longitude表示经度，latitude表示纬度，re表示
Figure FDA0002363839840000013
fov表示视场角，We，He表示想要获得的柱状图的像素值，We＝He；
b、将经纬度转换为成像单位球面的坐标px，pv，pz：
px＝cos(latitude)cos(longitude)
py＝cos(latitude)sin(longitude)
pz＝sin(latitude)；
c、将成像单位球面的坐标px，pv，pz转换为球坐标系的坐标
Figure FDA0002363839840000014
θ　：
Figure FDA0002363839840000015
Figure FDA0002363839840000016
d、将球坐标系的坐标
Figure FDA0002363839840000017
θ转换为鱼眼图上的坐标(i,j)：
Figure FDA0002363839840000018
Figure FDA0002363839840000019
其中，函数f表示
Figure FDA00023638398400000110
映射到入射光线到鱼眼相机成像平面光心的径向距离,该函数f的参数由鱼眼相机标定得到，Wf以及Hf由鱼眼相机标定得到，分别表示鱼眼相机投影中心到图片中心的偏移像素。
3.根据权利要求2所述的一种鱼眼图目标识别方法，其特征在于，所述预训练进一步包括通过包含无畸变目标的图片对深度学习检测模型进行训练。
4.根据权利要求2或3所述的一种鱼眼图目标识别方法，其特征在于，所述深度学习检测模型采用faster rcnn模型、yolo系列模型或ssd模型。
5.根据权利要求4所述的一种鱼眼图目标识别方法，其特征在于，还包括将所述鱼眼图上的识别框坐标转换为鱼眼相机坐标系下的坐标。
6.一种鱼眼图目标识别***，其特征在于，包括存储模块，所述存储模块包括由处理器加载并执行的多条指令：
通过等距柱状投影方法获得待目标识别的鱼眼图的等距柱面展开图以及该等距柱面展开图上任意一个点的坐标与所述鱼眼图上对应点的坐标之间的转换关系；
通过预训练的用于识别所述目标的识别模型对所述等距柱面展开图进行识别，得到所述目标在等距柱面展开图上的识别框坐标；
通过上述转换关系将所述识别框坐标转换为所述鱼眼图上的识别框坐标。
7.根据权利要求6所述的一种鱼眼图目标识别***，其特征在于，获得所述转换关系进一步包括：
a、将等距柱面展开图上点的坐标(m,n)转换为经纬度：
Figure FDA0002363839840000021
Figure FDA0002363839840000022
其中，longitude表示经度，latitude表示纬度，re表示
Figure FDA0002363839840000023
fov表示视场角，We，He表示想要获得的柱状图的像素值，We＝He；
b、将经纬度转换为成像单位球面的坐标px，pv，pz：
px＝cos(latitude)cos(longitude)
py＝cos(latitude)sin(longitude)
pz＝sin(latitude)；
c、将成像单位球面的坐标px，pv，pz转换为球坐标系的坐标
Figure FDA0002363839840000031
θ：：
Figure FDA0002363839840000032
Figure FDA0002363839840000033
d、将球坐标系的坐标
Figure FDA0002363839840000034
转换为鱼眼图上的坐标(i,j)：
Figure FDA0002363839840000035
Figure FDA0002363839840000036
其中，函数f表示
Figure FDA0002363839840000037
映射到入射光线到鱼眼相机成像平面光心的径向距离,该函数f的参数由鱼眼相机标定得到，Wf以及Hf由鱼眼相机标定得到，分别表示鱼眼相机投影中心到图片中心的偏移像素。
8.根据权利要求6或7所述的一种鱼眼图目标识别***，其特征在于，所述预训练进一步包括通过包含无畸变目标的图片对深度学习检测模型进行训练。
9.根据权利要求8所述的一种鱼眼图目标识别***，其特征在于，所述深度学习检测模型采用faster rcnn模型、yolo系列模型或ssd模型。
10.根据权利要求9所述的一种鱼眼图目标识别***，其特征在于，还包括将所述鱼眼图上的识别框坐标转换为鱼眼相机坐标系下的坐标。
CN202010029771.9A 2020-01-13 2020-01-13 鱼眼图目标识别方法及其*** Active CN111260539B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010029771.9A CN111260539B (zh) 2020-01-13 2020-01-13 鱼眼图目标识别方法及其***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010029771.9A CN111260539B (zh) 2020-01-13 2020-01-13 鱼眼图目标识别方法及其***

Publications (2)

Publication Number Publication Date
CN111260539A true CN111260539A (zh) 2020-06-09
CN111260539B CN111260539B (zh) 2023-05-12

Family

ID=70948667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010029771.9A Active CN111260539B (zh) 2020-01-13 2020-01-13 鱼眼图目标识别方法及其***

Country Status (1)

Country Link
CN (1) CN111260539B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723801A (zh) * 2020-06-26 2020-09-29 南京甄视智能科技有限公司 鱼眼相机图片中目标检测矫正的方法与***
CN112529006A (zh) * 2020-12-18 2021-03-19 平安科技（深圳）有限公司 全景图片的检测方法、装置、终端及存储介质
CN113888645A (zh) * 2021-09-29 2022-01-04 上海商汤临港智能科技有限公司 一种行驶设备、计算机视觉处理方法、装置和电子设备
WO2022000862A1 (zh) * 2020-06-29 2022-01-06 苏州科达科技股份有限公司 鱼眼图像中的对象检测方法、装置及存储介质
CN114462622A (zh) * 2022-02-07 2022-05-10 舵敏智能科技(苏州)有限公司 一种用于众包数据的深度学习模型部署与训练方法
WO2022126374A1 (zh) * 2020-12-15 2022-06-23 深圳市大疆创新科技有限公司 图像标注方法、装置、电子设备及计算机可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005293038A (ja) * 2004-03-31 2005-10-20 Denso It Laboratory Inc 物体検知装置
US20100053325A1 (en) * 2008-09-03 2010-03-04 Dai Nippon Printing Co., Ltd. Image converter
CN105678729A (zh) * 2016-02-24 2016-06-15 段梦凡 鱼眼镜头全景图像拼接方法
CN106357976A (zh) * 2016-08-30 2017-01-25 深圳市保千里电子有限公司 一种全方位全景图像生成的方法和装置
CN106815805A (zh) * 2017-01-17 2017-06-09 湖南优象科技有限公司 基于Bayer图像的快速畸变校正方法
CN107845056A (zh) * 2016-09-21 2018-03-27 西安英诺视通信息技术有限公司 基于柱面模型的鱼眼图像全景生成方法
CN108470379A (zh) * 2017-02-23 2018-08-31 株式会社理光 三维图像融合方法和装置
US20190014260A1 (en) * 2017-07-04 2019-01-10 Shanghai Xiaoyi Technology Co., Ltd. Method and device for generating a panoramic image

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005293038A (ja) * 2004-03-31 2005-10-20 Denso It Laboratory Inc 物体検知装置
US20100053325A1 (en) * 2008-09-03 2010-03-04 Dai Nippon Printing Co., Ltd. Image converter
CN105678729A (zh) * 2016-02-24 2016-06-15 段梦凡 鱼眼镜头全景图像拼接方法
CN106357976A (zh) * 2016-08-30 2017-01-25 深圳市保千里电子有限公司 一种全方位全景图像生成的方法和装置
CN107845056A (zh) * 2016-09-21 2018-03-27 西安英诺视通信息技术有限公司 基于柱面模型的鱼眼图像全景生成方法
CN106815805A (zh) * 2017-01-17 2017-06-09 湖南优象科技有限公司 基于Bayer图像的快速畸变校正方法
CN108470379A (zh) * 2017-02-23 2018-08-31 株式会社理光 三维图像融合方法和装置
US20190014260A1 (en) * 2017-07-04 2019-01-10 Shanghai Xiaoyi Technology Co., Ltd. Method and device for generating a panoramic image

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
丁理想: "基于特征匹配的双鱼眼图像全景拼接方法研究" *
周辉;罗飞;李慧娟;冯炳枢;: "基于柱面模型的鱼眼影像校正方法的研究" *
潘飞宏: "基于双目鱼眼图的全景图像自动生成关键技术研究" *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723801A (zh) * 2020-06-26 2020-09-29 南京甄视智能科技有限公司 鱼眼相机图片中目标检测矫正的方法与***
WO2022000862A1 (zh) * 2020-06-29 2022-01-06 苏州科达科技股份有限公司 鱼眼图像中的对象检测方法、装置及存储介质
WO2022126374A1 (zh) * 2020-12-15 2022-06-23 深圳市大疆创新科技有限公司 图像标注方法、装置、电子设备及计算机可读存储介质
CN112529006A (zh) * 2020-12-18 2021-03-19 平安科技（深圳）有限公司 全景图片的检测方法、装置、终端及存储介质
WO2022126921A1 (zh) * 2020-12-18 2022-06-23 平安科技（深圳）有限公司 全景图片的检测方法、装置、终端及存储介质
CN112529006B (zh) * 2020-12-18 2023-12-22 平安科技（深圳）有限公司 全景图片的检测方法、装置、终端及存储介质
CN113888645A (zh) * 2021-09-29 2022-01-04 上海商汤临港智能科技有限公司 一种行驶设备、计算机视觉处理方法、装置和电子设备
CN114462622A (zh) * 2022-02-07 2022-05-10 舵敏智能科技(苏州)有限公司 一种用于众包数据的深度学习模型部署与训练方法
CN114462622B (zh) * 2022-02-07 2023-04-07 舵敏智能科技(苏州)有限公司 一种用于众包数据的深度学习模型部署与训练方法

Also Published As

Publication number Publication date
CN111260539B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN111260539B (zh) 鱼眼图目标识别方法及其***
CN108805934B (zh) 一种车载摄像机的外部参数标定方法及装置
CN107577988B (zh) 实现侧方车辆定位的方法、装置及存储介质、程序产品
CN107703528B (zh) 自动驾驶中结合低精度gps的视觉定位方法及***
CN109035320B (zh) 基于单目视觉的深度提取方法
CN110889829B (zh) 一种基于鱼眼镜头的单目测距方法
US9536306B2 (en) Vehicle vision system
US20130322697A1 (en) Speed Calculation of a Moving Object based on Image Data
CN109741241B (zh) 鱼眼图像的处理方法、装置、设备和存储介质
CN112257539B (zh) 车辆与车道线的位置关系检测方法、***和存储介质
CN111738071B (zh) 一种基于单目摄像机的运动变化的逆透视变换方法
CN112348752B (zh) 一种基于平行约束的车道线消失点补偿方法及装置
CN110750153A (zh) 一种无人驾驶车辆的动态虚拟化装置
CN112529957A (zh) 确定摄像设备位姿的方法和装置、存储介质、电子设备
CN114413958A (zh) 无人物流车的单目视觉测距测速方法
CN114979956A (zh) 一种无人机航拍地面目标定位方法及***
CN114119682A (zh) 一种激光点云和图像配准方法及配准***
CN114792343B (zh) 图像获取设备的标定方法、获取图像数据的方法、装置
CN112364793A (zh) 基于长短焦多相机车辆环境下的目标检测和融合方法
CN106991415A (zh) 用于车载鱼眼相机的图像处理方法和装置
WO2022133986A1 (en) Accuracy estimation method and system
CN113421300B (zh) 确定鱼眼相机图像中物体实际位置的方法及装置
CN113112551B (zh) 相机参数的确定方法、装置、路侧设备和云控平台
CN113378606A (zh) 一种标注信息确定方法、装置及***
CN114693807A (zh) 一种输电线路图像与点云的映射数据重构方法及***

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