CN111507145A - 嵌入式车载环视***库位障碍物检测方法、***及装置 - Google Patents
嵌入式车载环视***库位障碍物检测方法、***及装置 Download PDFInfo
- Publication number
- CN111507145A CN111507145A CN201910101880.4A CN201910101880A CN111507145A CN 111507145 A CN111507145 A CN 111507145A CN 201910101880 A CN201910101880 A CN 201910101880A CN 111507145 A CN111507145 A CN 111507145A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- image
- obstacles
- vehicle
- training
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种嵌入式车载环视***库位障碍物实时检测方法,通过车载环视***采集车辆周围的环视图像,在所述环视图像中查找库位。然后利用通过训练得到的机器学习粗识别模型对所述库位进行障碍物扫描,并将扫描得到的所述障碍物结果进行聚类,给出所述障碍物最可能出现的候选框,最后通过训练得到的轻量级卷积神经网络从所述候选框中识别出所述障碍物的类别。本申请方法因为运算量较小,可在嵌入式车载处理器中完成。同时还具备较强的环境适应能力,具备在多场景下均能准确识别库位障碍物的能力。
Description
技术领域
本申请涉及车辆领域,尤其涉及一种辅助驾驶的嵌入式车载环视***库位障碍物实时检测方法,以及执行上述方法的目标检测***和目标检测装置。
背景技术
嵌入式车载环视***通过在车辆四周安装多个相机,并采用嵌入式车载处理器对得到的多路视频进行图像处理,为驾驶员提供车辆周边的视野,从而提高驾驶的安全性。在车辆倒车过程中,车载环视***通常用于提供库位图像,并对库位内的障碍物进行检测识别,实时反馈检测区域是否存在障碍物以及障碍物类别和具***置的检测***,提供车位是否可用于泊车的具体信息。库位的障碍物主要包括停车牌,雪糕筒,地锁等。
由于嵌入式车载处理器的计算资源有限,因此在对障碍物进行实时检测的过程中用于障碍物识别的模型运算量不宜过大,以免影响车载处理器的响应速度。同时由于库位在不同环境下其在车载环视***中的表现形式存在较大差异,因此要在不同场景下均能实时对库位内障碍物进行有效识别存在一定的难度。
发明内容
本申请提出一种环境适应能力较高的嵌入式车载环视***库位障碍物实时检测方法,具体包括如下技术方案:
一种嵌入式车载环视***库位障碍物实时检测方法,包括以下步骤:
通过车载环视***采集车辆周围的环视图像;
在所述环视图像中查找库位;
通过训练得到的机器学习粗识别模型对所述库位进行障碍物扫描;
将扫描得到的所述障碍物结果进行聚类,给出所述障碍物最可能出现的候选框;
通过训练得到的轻量级卷积神经网络从所述候选框中识别出所述障碍物的类别。
本申请嵌入式车载环视***库位障碍物实时检测方法,在环视图像中查找到库位之后,利用机器学习粗识别模型对库位区域内进行障碍物扫描,过滤掉无用的背景信息,将可能的障碍物图像进行聚类并给出最可能出现的候选框,最后通过训练得到的轻量级卷积神经网络来对障碍物进行具体的精识别,确定障碍物的类型。因为机器学习粗识别模型的过滤步骤,使得轻量级卷积神经网络在对障碍物进行精识别的过程中省去了大部分的运算量,只对可能存在障碍物的图像区域进行精识别过程。因而本申请嵌入式车载环视***库位障碍物实时检测方法可以对库位内的障碍物快速反应,同时因为运算量较小,适用于嵌入式车载处理器中完成全部计算工作,对车载处理器的资源占用较小。
其中,所述通过训练得到的机器学习粗识别模型对所述库位进行障碍物扫描,包括:
以目标尺寸来滑动窗口并判别背景图像和障碍物图像;
将多个所述背景图像分为多组;
基于一个所述障碍物图像与多组所述背景图像训练对应形成多个分类器;
将多个所述障碍物对应得到的多个所述分类器级联以获得所述机器学习粗识别模型。
通过滑动窗口判别背景图像和障碍物图像,并将背景图像分组与障碍物图像训练形成多个分类器,可以使得单个障碍物图像对应学习得到多个分类器,进而提高本申请嵌入式车载环视***库位障碍物实时检测方法的场景适应能力。
其中,所述将多个所述障碍物对应得到的多个所述分类器级联以获得所述机器学习粗识别模型后,还包括:
利用两级分类器将所述障碍物图像和所述背景图像分别识别为正样本和负样本;
将所述环视图像中扫描获得的全部所述正样本确定为所述障碍物的扫描结果。
将障碍物图像识别为正样本,将背景图像识别为负样本,可以将多余的背景图像进行过滤,简化后续对障碍物精识别的计算量。
其中,所述以目标尺寸来滑动窗口并判别背景图像和障碍物图像,包括:
基于全局坐标系判断所述障碍物的距离;
基于所述障碍物的距离调整所述目标尺寸的窗口大小。
根据车辆相对于障碍物的距离来调整窗口大小,以保证窗口与障碍物的匹配,可以最小化障碍物图像并去除噪音干扰。
其中,所述将扫描得到的所述障碍物结果进行聚类,给出所述障碍物最可能出现的候选框,包括:
找到所述机器学习粗识别模型响应最密集的前几个簇;
对所述障碍物进行聚类;
给出所述障碍物最可能出现的候选框。
基于响应密集度来对障碍物进行聚类,可以提高候选框的准确率,缩小后续精识别的计算范围。
其中,所述通过训练得到的轻量级卷积神经网络从所述候选框中识别出所述障碍物的类别,包括:
基于所述背景图像和所述障碍物图像训练得到轻量级卷积神经网络;
提取每个所述候选框中的特征信息;
将所述特征信息代入所述轻量级卷积神经网络,计算所述候选框中的障碍物所对应的各个障碍物类别的置信度;
识别所述置信度最高的类别作为所述障碍物的类别。
通过训练得到轻量级卷积神经网络,基于障碍物的特征信息来对障碍物进行识别并判定置信度,在缩小精识别模型体积的前提下提高障碍物的识别准确度。
其中,所述基于所述背景图像和所述障碍物图像训练得到轻量级卷积神经网络,包括:
基于一个所述障碍物图像与多组所述背景图像训练对应形成多个分类器;
对所述障碍物图像提取特征信息;
基于所述特征信息反复迭代至满足识别条件;
基于所述识别条件确定特征信息和所述分类器的阈值。
利用训练得到的分类器来反复迭代,得到障碍物类别所对应的特征信息和分类器的阈值,强化轻量级卷积神经网络的识别能力。
其中,所述识别所述置信度最高的类别作为所述障碍物的类别,包括:
当所述置信度达到所述分类器阈值时,输出所述障碍物的类别;
当所述置信度未达到所述分类器阈值时,识别为无障碍物。
基于分类器阈值来输出障碍物类别,可以对机器学习粗识别模型因为精度不高而漏捡的背景图像进行过滤筛选,避免从背景图像中识别到错误的障碍物。
本申请涉及一种嵌入式车载环视***库位障碍物实时检测***,包括:
视频采集模块,通过车载环视***采集车辆周围的环视图像;
库位识别模块,用于在所述环视图像中查找库位;
机器学习粗识别模块,用于通过训练得到的机器学习粗识别模型对所述库位进行障碍物扫描;
聚类模块,用于将扫描得到的所述障碍物结果进行聚类,给出所述障碍物最可能出现的候选框;
深度学习精识别模块,用于通过训练得到的轻量级卷积神经网络从所述候选框中识别出所述障碍物的类别。
本申请嵌入式车载环视***库位障碍物实时检测***通过各个模块之间的配合工作,可以实施上述的嵌入式车载环视***库位障碍物实时检测方法,从而在车辆行驶或倒车的过程中,实现对库位区域内的障碍物检测识别,辅助驾驶员泊车。因为本申请嵌入式车载环视***库位障碍物实时检测***在优化算法后能够有效控制运算量,能够在车载处理器上运行,并具有可靠的实时性和准确性,满足日常使用需求。
其中,所述视频采集模块中的摄像头或车载相机采用具有夜视功能的摄像头或相机。
具有夜视功能的摄像头或相机可以提高本申请环视***库位障碍物实时检测***的环境兼容能力。
本申请还涉及一种嵌入式车载环视***库位障碍物实时检测装置,包括处理器、输入设备、输出设备和存储装置,所述处理器、输入设备、输出设备和存储装置相互连接,其中,所述存储装置用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述的嵌入式车载环视***库位障碍物实时检测方法。
本申请嵌入式车载环视***库位障碍物实时检测装置通过车载处理器调用存储装置的程序,可以执行上述的嵌入式车载环视***库位障碍物实时检测方法,从而在车辆行驶或倒车的过程中,实现对库位区域内的障碍物检测识别,辅助驾驶员泊车。因为本申请嵌入式车载环视***库位障碍物实时检测装置在优化算法后能够有效控制运算量,能够使得车载处理器在运行时具有可靠的实时性和准确性,满足日常使用需求。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍。
图1是本申请所述嵌入式车载环视***库位障碍物实时检测方法的流程图;
图2是本申请所述嵌入式车载环视***库位障碍物实时检测方法的逻辑图;
图3是本申请所述嵌入式车载环视***库位障碍物实时检测方法中步骤S30的子步骤流程图;
图4是本申请所述嵌入式车载环视***库位障碍物实时检测方法中步骤S31的子步骤流程图;
图5是本申请所述嵌入式车载环视***库位障碍物实时检测方法中步骤S40的子步骤流程图;
图6是本申请所述嵌入式车载环视***库位障碍物实时检测方法中步骤S50的子步骤流程图;
图7是本申请所述嵌入式车载环视***库位障碍物实时检测方法中步骤S51的子步骤流程图;
图8是本申请所述嵌入式车载环视***库位障碍物实时检测方法中步骤S514的子步骤流程图;
图9是本申请实施例提供的一种嵌入式车载环视***库位障碍物实时检测***的示意图;
图10是本申请实施例提供的一种嵌入式车载环视***库位障碍物实时检测装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本申请保护的范围。
请参阅图1所示的嵌入式车载环视***库位障碍物实时检测方法,以及图2所示的嵌入式车载环视***库位障碍物实时检测的逻辑图。在本申请实施例中,所述嵌入式车载环视***库位障碍物实时检测方法至少包括以下步骤:
S10、通过车载环视***采集车辆周围的环视图像;
具体的,车辆上安装有车载环视***。该车载环视***包括有设于车辆四周的摄像头或车载相机等,车载环视***中的摄像头或车载相机的总数量一般不小于4个。4个摄像头或车载相机通常分别布置于车辆的前、后、左、右四个方向,摄像头或车载相机还多采用如鱼眼相机为例的广角相机,以使得至少4个相机各自采集到的环视图像在相互拼接后形成环绕车辆周围的环视图像。各个相机的环视图像就是连续的静态图像的序列。车载处理器在获得各个相机的视频图像后,通过滤波、去噪和数据格式转换等处理,利用各个相机的标定参数对视频图像进行标定、畸变校正、投影变换等,在通过提取特征信息进行融合拼接,得到车辆周围的环视图像。同时,为了拓展车载环视***的环境适应能力,摄像头或车载相机还可以采用具有夜视功能的摄像头或相机。
S20、在所述环视图像中查找库位;
具体的,车载处理器对环视图像进行扫描,查找出环视图像中的库位。车载处理器中预存有车辆的外形轮廓尺寸,如长宽高等。后续在环视图像中查找可容纳该外形轮廓尺寸的所有空间区域,以作为库位区域带入后续步骤进行障碍物扫描识别。可以理解的,在环视图像中可能存在多个库位区域,对于本申请嵌入式车载环视***库位障碍物实时检测方法,可以将所有可能的库位区域都纳入实时检测障碍物的范畴,也可以根据车辆的位置、倒车方向以及库位区域的大小等参数来预测驾驶员最有可能停驻的库位区域,并针对该库位区域进行实时的障碍物检测,以节约计算资源,提高本方法的实时性。
S30、通过训练得到的机器学习粗识别模型对所述库位进行障碍物扫描;
具体的,通过训练得到的机器学习粗识别模型,从环视图像中提取出库位区域的图像,并对该库位区域进行扫描以检测是否存在障碍物。机器学习粗识别模型训练过程中针对不同障碍物在不同库位类型,以及不同库位类型在不同天气、光照条件下对该障碍物的图像表现形式进行预分组,并根据该预分组来对扫描得到的障碍物的图像进行粗识别。当依据该预分组对各个障碍物在不同场景下的表现形式具有识别成功率之后,机器学习粗识别模型可以对库位区域的图像进行有效的障碍物扫描和检测工作。本步骤的作用在于对库位区域的图像中查找是否存在障碍物,在训练过程中机器学习粗识别模型具备较高的场景适应能力之后,可以得到可靠性较高的障碍物粗识别结果。
同时,车载处理器在通过机器学习粗识别模型判断是否存在障碍物的过程中,针对机器学习粗识别模型内对障碍物的判断,会存在一个或多个针对该障碍物响应较为密集的预分组。可以理解的,对障碍物响应越密集的预分组,其最终障碍物识别结果为该类型障碍物的可能性越大。即机器学习粗识别模型会根据对库位区域的扫描的同时对库位区域内的各个障碍物进行粗识别,根据各个障碍物所匹配到的表现形式以及匹配的响应密集度,来对各个障碍物匹配结果更频繁的预分组类别进行排序。因此在本步骤中,可以利用机器学习粗识别模型获得库位区域内是否存在障碍物,以及该障碍物对应障碍物预分组响应密集度的障碍物类别的排序。
S40、将扫描得到的所述障碍物结果进行聚类,给出所述障碍物最可能出现的候选框;
具体的,在得到库位区域内的各个障碍物扫描结果,以及每一个障碍物所对应的障碍物类别响应密集度排序之后,可以根据响应密集度的排序结果,对每一个障碍物可能隶属的障碍物类别进行聚类。同时,确定到机器学习粗识别模型产生响应的密集度较高的画面框作为候选框,即根据机器学习粗识别模型对障碍物的扫描结果确定出障碍物的画面框以及可能的障碍物类别。
S50、通过训练得到的轻量级卷积神经网络从所述候选框中识别出所述障碍物的类别。
具体的,机器学习粗识别的识别结果不是足够的可信,机器学习粗识别模型主要用于剔除无用的背景区域,提供障碍物可能存在的候选区域给后续的精分类步骤。精分类过程中对于候选区域再次进行识别,确认机器学习粗识别模型判断为障碍物图像的区域具体为背景或者障碍物目标。通过训练得到的轻量级卷积神经网络,基于障碍物的画面框以及可能的障碍物类别,对候选框中的障碍物进行特征提取,并将提取到的特征与该障碍物的障碍物类别聚类进行匹配分析。轻量级卷积神经网络的训练与机器学习粗识别模型的训练是基于同一训练框架进行的。即针对不同障碍物在不同库位类型,以及不同库位类型在不同天气、光照条件下对该障碍物的图像表现形式进行预分组,并根据该预分组来对障碍物的特征进行分析,从而得到该类别障碍物所对应的特征详细。由此,基于轻量级卷积神经网络对候选框内的障碍物进行精识别后,可以得到候选框内的障碍物与障碍物类别聚类中各个类别的障碍物的匹配程度。当候选框内的障碍物特征与轻量级卷积神经网络中某一障碍物类别的特征匹配达到一定高度后,可以将该障碍物识别为对应类别的障碍物并输出,最终得到库位区域内所有障碍物的类别检测结果。
本申请嵌入式车载环视***库位障碍物实时检测方法在车辆泊车的过程中,可以基于车载环视***获得的车辆周围环视图像基础上,从环视图像中识别到库位。然后通过训练获得的机器学习粗识别模型对库位区域内的图像进行扫描,查找该库位区域内的障碍物情况。根据障碍物扫描的结果,可以对库位区域内的障碍物确定到其在视频图像中的区域和可能隶属的障碍物类别。最后通过轻量级卷积神经网络对障碍物进行精识别,从而确定到该障碍物的具体类别,以辅助驾驶员在泊车过程中对库位区域内的障碍物得到警示,避免因视觉盲区或注意力分散而没有发现障碍物,造成车辆以及障碍物的损坏。相较于现有技术大多采用手工设计的特征来进行障碍物识别,克服了手工设计特征能针对的定制场景数量较少,难于满足实际应用中的场景变化多变情况,使得手工设计特征泛化能力较差的缺陷,本申请嵌入式车载环视***库位障碍物实时检测方法基于机器学习训练,可根据不同场景的实际样本,通过机器学习训练提取区障碍物的特征,学习出来的模型识别特征泛化能力更好。
本申请嵌入式车载环视***库位障碍物实时检测方法在训练得到机器学习粗识别模型和轻量级卷积神经网络的过程中,针对不同的障碍物在不同库位类型、不同天气、不同光照的条件下的表现形式不同,来针对性的训练机器学习粗识别模型和轻量级卷积神经网络,使得机器学习粗识别模型和轻量级卷积神经网络能够获得更好的环境适应能力,在不同场景下对障碍物都能进行准确的识别检测。另一方面,本申请方法通过机器学习粗识别模型对库位区域内的图像进行扫描,可以在库位区域的图像中进行障碍物的筛选,查找是否存在障碍物。并在查找障碍物的过程中,对障碍物的具***置、可能的类别进行粗筛选,进而减少后续轻量级卷积神经网络在对障碍物进行精识别的过程中的计算量。由此,本申请嵌入式车载环视***库位障碍物实时检测方法得以在计算资源有限的车载处理器中完成,同时获得较高的识别速度和准确性,满足日常驾驶的需要。
请参见图3的实施例,图3是图1所示嵌入式车载环视***库位障碍物实时检测方法中步骤S30的子步骤的流程图。在本申请实施例中,通过训练得到的机器学习粗识别模型对所述库位进行障碍物扫描,包括:
S31、以目标尺寸来滑动窗口并判别背景图像和障碍物图像;
具体的,在环视图像中确定到库位区域的图像后,车载处理器以目标尺寸设定滑动窗口,并驱动滑动窗口在库位区域的图像中滑动识别障碍物。目标尺寸可以理解为库位区域的图像尺寸。依据车辆与库位的距离不同,在环视图像中库位区域的大小存在差异。而因为障碍物相对于库位区域的大小相对稳定,因此在获得库位区域的图像大小尺寸之后,可以确定到扫描障碍物所需要的滑动窗口的尺寸。
车载处理器在确定到滑动窗口的尺寸后,驱动滑动窗口在库位区域的视频图像中逐格滑动。滑动窗口在一次扫描的过程中不会改变尺寸大小,因此对于库位区域中占比较大的背景图像,其在滑动窗口中的表现形式趋于一致。滑动窗口可以依据表现形式一致且数量较大的扫描图像定义为背景图像。反之,在滑动窗口扫描到障碍物时,障碍物在滑动窗口中的表现形式会与背景图像存在差异。本实施例中基于障碍物图像和背景图像在库位区域中的差异,来对障碍物图像和背景图像进行区分。由于背景图像作为扫描结果,不需要在背景图像中识别障碍物,因此在识别出背景图像和障碍物图像之后,可以在障碍物识别的过程中排除库位区域内的大部分扫描结果,简化精识别的计算量。
S32、将多个所述背景图像分为多组;
要训练得到机器学习粗识别模型,需要针对不同的库位类型、以及不同的天气、不同光照条件等环境信息共同构建模型框架。为此,背景图像也需要与障碍物图像一样,进行采集和分类,并纳入机器学习粗识别模型中来,以明确该场景下的障碍物与该场景下背景的对应关系。可以理解的,因为滑动窗口扫描得到的背景图像大多趋于一致,因此若将扫描获得的全部背景图像与障碍物建立对应关系,所得到的模型数据过于庞大。因此,只需要对获得的多个背景图像进行分组,提取其中一部分背景图像与障碍物建立对应关系即可。
S33、基于一个所述障碍物图像与多组所述背景图像训练对应形成多个分类器;
具体的,本步骤中使得障碍物图像与背景图像产生关联。接上一步骤中对背景图像进行的分组,将一个障碍物图像与多组背景图像纳入训练框架中进行训练。具体将该障碍物图像与各组背景图像分别进行特征提取,然后进行训练,每组背景图像都能跟该障碍物产生一个分类器。由此该障碍物也获得了多个分别对应多组背景图像的分类器。可以理解的,在本步骤中对分类器进行训练时,可以将该障碍物在多场景下、多库位类型、多光照条件以及多天气环境下的不同视频图像均纳入训练框架中进行训练,从而得到该障碍物对应不同场景、多库位类型、多光照条件以及多天气环境下的各种分类器,有助于本申请嵌入式车载环视***库位障碍物实时检测方法在各种场景下对障碍物的有效识别。进一步,本方法还可以将每一次对库位区域中障碍物的实时检测结果进行保存,不断更新分类器的种类或熟练度,提升识别准确度。
S34、将多个所述障碍物对应得到的多个所述分类器级联以获得所述机器学习粗识别模型。
具体的,在多个障碍物对应得到更多分类器结果之后,将所有分类器进行级联以获得机器学习粗识别模型。也即机器学习粗识别模型是由多级分类器串联构成的,其中每一级分类器是从上述步骤中分出来的每组背景图像和障碍物图像通过机器学习训练而获得的。此处的级联是指将训练的多个分类器一级一级串在一起,进行联合判断,以达到快速识别背景图像和障碍物图像的目的,加快机器学习粗识别模型的识别效率。
一种实施例,所述将多个所述障碍物对应得到的多个所述分类器级联以获得所述机器学习粗识别模型后,本申请嵌入式车载环视***库位障碍物实时检测方法还包括:
S35、利用两级分类器将所述障碍物图像和所述背景图像分别识别为正样本和负样本;
具体的,在上述步骤中得到的分类器可以作为两级分类器,将识别出的障碍物图像归入正样本,将识别出的背景图像归入负样本,以配合车载处理器的机器语言对背景图像和障碍物图像进行进一步的处理。例如基于简单特征拟合不同场景下的正负样本数据分布,可以明确粗分类器在机器学习粗识别模型中的学习目标,使得分类器能够学习到区分该场景模式下的特征。
S36、将所述环视图像中扫描获得的全部所述正样本确定为所述障碍物的扫描结果。
具体的,本申请嵌入式车载环视***库位障碍物实时检测方法将库位区域内扫描识别到的所有正样本全部提取,并作为机器学习粗识别模型的粗识别结果,将可能的障碍物正样本全部送入后续步骤中进行聚类和精识别,从而查找出障碍物的具体类别。而作为负样本的背景图像,因为没有障碍物需要代入到后续识别的步骤中,则可以直接舍去,节约计算资源。
请参见图4的实施例,图4是图3所示步骤S31所述以目标尺寸来滑动窗口并判别背景图像和障碍物图像的子步骤的流程图。在本申请实施例中,包括:
S311、基于全局坐标系判断所述障碍物的距离;
S312、基于所述障碍物的距离调整所述目标尺寸的窗口大小。
具体的,上述提到,依据车辆与库位的距离不同,在环视图像中库位区域的大小存在差异。而因为障碍物相对于库位区域的大小相对稳定,因此在获得库位区域的图像大小尺寸之后,可以确定到扫描障碍物所需要的滑动窗口的尺寸。车辆在倒车或行进的过程中,库位区域的大小在视频图像中处于变化状态,基于这个变化,车载处理器首先判断到库位区域与车辆之间的距离,即判断出障碍物与车辆的距离,然后基于该距离来调整目标尺寸的窗口大小,以使得扫描窗口的大小能够匹配到障碍物的目标尺寸,提高对障碍物识别的精确度。
请参见图5的实施例,图5是图1所示嵌入式车载环视***库位障碍物实时检测方法中步骤S40的子步骤的流程图。在本申请实施例中,将扫描得到的所述障碍物结果进行聚类,给出所述障碍物最可能出现的候选框,包括:
S41、找到所述机器学习粗识别模型响应最密集的前几个簇;
具体的,机器学习粗识别模型可以理解为允许正样本的通过并抑制负样本的滤波器。该滤波器由多级分类器串联构成,每一级分类器均由一组负样本和正样本通过学习训练而来。在机器学习粗识别模型对障碍物图像进行识别过滤的过程中,因为机器学习粗识别模型过滤负样本并通过正样本的滤波特性,使得车辆在相对库位区域由远及近的滑动识别的过程中,会对存在正样本的地方形成密集响应的区域。在利用多级分类器过滤的过程中,对障碍物图像的表征识别经过分布形成蔟,响应最密集的前几个蔟可以对应到障碍物图像可能的前几种类型。可以理解的,在此过程中,机器学习粗识别模型对背景区域可能有误识别,但背景图像会受到极大的抑制,其分布呈现零星分布的状态,因此通过簇来对过滤过程进行提取,可以更准确的对背景图像进行过滤,只保留障碍物可能被识别为的几个类别再进入后续计算分析,进一步节约运算资源。
S42、对所述障碍物进行聚类;
具体的,基于对正样本的密集响应形成的前几个蔟,车载处理器可以根据各个蔟的分布情况,以及密集响应的区域等信息来对障碍物图像进行聚类,找到该障碍物图像可能出现的几组类别。
S43、给出所述障碍物最可能出现的候选框。
具体的,在确定到障碍物图像可能出现的几组类别之后,车载处理器根据几组类别的特征,来给出障碍物最可能出现的候选框。该候选框应能将确定到的几组类别障碍物特征均包括,同时在包括这些特征的基础上实现候选框的最小化,以便于后续精识别过程中减少推理次数。
请参见图6的实施例,图6是图1所示嵌入式车载环视***库位障碍物实时检测方法中步骤S50的子步骤的流程图。在本申请实施例中,所述通过训练得到的轻量级卷积神经网络从所述候选框中识别出所述障碍物的类别,包括:
S51、基于所述背景图像和所述障碍物图像训练得到轻量级卷积神经网络;
具体的,轻量级卷积神经网络也是通过深度学习框架训练得到的。在训练阶段,机器学习粗分类模型注重于将障碍物图像与各场景下的背景图像进行结合训练,从而达到从各场景中于库位区域内查找到可能的障碍物图像的目的。轻量级卷积神经网络作为精分类器则更注重在障碍物图像中进行特征提取,并根据不同种类障碍物在障碍物图像中的表现差异,来对实现将障碍物图像中的障碍物进行准确分类识别的目的。轻量级卷积神经网络的参数是通过深度学习框架不断的前向传播与反向传播运算去自动的调整的,通过大量的训练自动提取障碍物的特征,进行不同种类障碍物的区别,进而精确识别机器学习粗分类模型给出的候选框是否为障碍物或者背景。
S52、提取每个所述候选框中的特征信息;
具体的,轻量级卷积神经网络训练时提取的特征包括低纬度的局部目标边、角、线,以及颜色等轮廓特征,和高纬度的全局特征。在前述步骤中针对筛选出的障碍物最可能出现的候选框,轻量级卷积神经网络对各个候选框中的特征进行提取,获得候选框中的特征信息。
S53、将所述特征信息代入所述轻量级卷积神经网络,计算所述候选框中的障碍物所对应的各个障碍物类别的置信度;
具体的,轻量级卷积神经网络在从候选框中提取到特征信息后,基于该特征信息计算该候选框中的障碍物所对应各个障碍物类别的置信度。在训练阶段,轻量级卷积神经网络通过深度学习框架不断的前向传播与反向传播运算而自动调整各种类障碍物所对应的置信度参数,由此得到的模型参数已经能够很好的区分障碍物正样本和背景负样本。因此在对候选框中障碍物的识别阶段,轻量级卷积只需要进行前向传播计算就能得到输入候选框中障碍物的的类别和置信度信息。
S54、识别所述置信度最高的类别作为所述障碍物的类别。
具体的,一个障碍物因为环境或视角等参数的影响,其对应到的障碍物类别可能有多个,且多个障碍物类别各自有与该障碍物对应的置信度值。本申请方法的识别结果实际是以轻量级卷积神经网络前向传播的推理计算结果为依据,模型会输出候选框中障碍物对应每个类别的对应障碍物的置信度,并选择置信度最高的类别作为该障碍物实际的类别来进行识别并输出的。
请参见图7的实施例,图7是图6所示通过训练得到的轻量级卷积神经网络从所述候选框中识别出所述障碍物的类别中步骤S51的子步骤的流程图。在本申请实施例中,所述基于所述背景图像和所述障碍物图像训练得到轻量级卷积神经网络,包括:
S511、基于一个所述障碍物图像与多组所述背景图像训练对应形成多个分类器;
具体的,采用类似上述S33的步骤,将一个障碍物图像与多组背景图像纳入训练框架中进行训练,形成多个分类器。由此该障碍物也获得了多个分别对应多组背景图像的分类器。轻量级卷积神经网络可以根据障碍物精识别的需求而训练独立的分类器,也可以直接提取训练框架中机器学习粗识别模型中的分类器来进行训练。轻量级卷积神经网络同样可以将每一次对库位区域中障碍物的实时检测结果进行保存,不断更新分类器的种类或熟练度,提升识别准确度。
S512、对所述障碍物图像提取特征信息;
具体的,在各个分类器中,将其对应的障碍物图像进行特征信息提取。具体提取的特征信息包括低纬度的局部目标边、角、线,以及颜色等轮廓特征,和高纬度的全局特征。特征信息用于计算该障碍物类别在障碍物图像中所对应的置信度。
S513、基于所述特征信息反复迭代至满足识别条件;
具体的,根据障碍物的种类不同,其在障碍物图像中所表现的特征信息会出现差异。轻量级卷积神经网络的参数是通过深度学习框架不断的前向传播与反向传播运算去自动的调整的,通过大量的训练自动提取障碍物的特征,进行不同种类障碍物的区别,进而精确识别机器学习粗分类模型给出的候选框是否为障碍物或者背景。
S514、基于所述识别条件确定特征信息和所述分类器的阈值。
具体的,轻量级卷积神经网络通过训练,对不同种类的障碍物确定到其区别于其它障碍物的特征信息,以及基于该特征信息所确定到的针对该障碍物的置信度阈值。障碍物的特征信息不限于一个特征,可以是通过多个特征组合形成的特征信息,从而经过多特征的融合来提高轻量级卷积神经网络对障碍物的识别能力。进一步,该特征信息的提取和训练通常在同一个障碍物对应的分类器中完成,因此该障碍物的置信度阈值也可以描述为该分类器的阈值。
进一步的,请参见图8,图8是图7所示基于所述背景图像和所述障碍物图像训练得到轻量级卷积神经网络中步骤S514的子步骤的流程图。在本申请实施例中,所述识别所述置信度最高的类别作为所述障碍物的类别,包括:
S5141、当所述置信度达到所述分类器阈值时,输出所述障碍物的类别;
S5142、当所述置信度未达到所述分类器阈值时,识别为无障碍物。
具体的,因为机器学习粗识别模型中对正负样本的判定可能存在不准确的情况。在一些情况下,背景图像也可能因为环境因素等原因被识别为障碍物图像,从而被代入到候选框中进行障碍物的精识别步骤。而通过轻量级卷积神经网络的精识别过程,被误认为可能存在障碍物的背景图像不能提供足够的特征信息,进而无法获得超过分类器阈值的置信度计算结果。此时,轻量级卷积神经网络可以对置信度未达到其对应分类器阈值的候选框判定为无障碍物存在,即该候选框中的障碍物图像实际为背景图像。只有在候选框中的障碍物图像特征信息达到其对应分类器阈值的情况下,轻量级卷积神经网络才输出该分类器对应的障碍物类别,以此提高本申请嵌入式车载环视***库位障碍物实时检测方法的准确率。
请参看图9,图9为本申请涉及的一种嵌入式车载环视***库位障碍物实时检测***100,该***具体包括:
视频采集模块101,同于通过车载环视***采集车辆周围的环视图像;
库位识别模块102,用于在所述环视图像中查找库位;
机器学习粗识别模块103,用于通过训练得到的机器学习粗识别模型对所述库位进行障碍物扫描;
聚类模块104,用于将扫描得到的所述障碍物结果进行聚类,给出所述障碍物最可能出现的候选框;
深度学习精识别模块105,用于通过训练得到的轻量级卷积神经网络从所述候选框中识别出所述障碍物的类别。
可以理解的,本申请嵌入式车载环视***库位障碍物实时检测***100可用于执行上述的嵌入式车载环视***库位障碍物实时检测方法。具体的,视频采集模块101利用车载环视***中各相机来采集车辆周围的环视图像,然后由库位识别模块102从环视图像中识别出库位区域。机器学习粗识别模块103对识别的库位区域进行障碍物查找,再由聚类模块104对查找结果进行聚类,给出障碍物可能出现的候选框。最后,由深度学习精识别模块105通过训练得到的轻量级卷积神经网络对候选框中的障碍物进行精识别,确定到该障碍物的具体类别。
本申请嵌入式车载环视***库位障碍物实时检测***100通过各模块联合工作之后,可以在车辆倒车或行车过程中通过车载环视***对库位区域内的障碍物进行实时检测,并准确识别出该障碍物的类型,由此辅助驾驶员判断该库位是否满足泊车条件。本申请嵌入式车载环视***库位障碍物实时检测***100具有较高的准确性,以及泛化能力。可以在不同场景、不同库位以及不同光照等条件下准确识别出障碍物的类别。同时,本申请嵌入式车载环视***库位障碍物实时检测***100还通过训练得到的机器学习粗识别模块103、聚类模块104、深度学习精识别模块105配合工作简化***的运算量,适宜于在嵌入式车载处理器上运行。
一种可选的实施例,机器学习粗识别模块103还用于通过训练得到的机器学习粗识别模型对所述库位进行障碍物扫描时,以目标尺寸来滑动窗口并判别背景图像和障碍物图像;
机器学习粗识别模块103还用于将多个所述背景图像分为多组;
机器学习粗识别模块103还用于基于一个所述障碍物图像与多组所述背景图像训练对应形成多个分类器;
机器学习粗识别模块103还用于将多个所述障碍物对应得到的多个所述分类器级联以获得所述机器学习粗识别模型。
一种可选的实施例,机器学习粗识别模块103还用于将多个所述障碍物对应得到的多个所述分类器级联以获得所述机器学习粗识别模型后,利用两级分类器将所述障碍物图像和所述背景图像分别识别为正样本和负样本;
机器学习粗识别模块103还用于将所述环视图像中扫描获得的全部所述正样本确定为所述障碍物的扫描结果。
一种可选的实施例,机器学习粗识别模块103在以目标尺寸来滑动窗口并判别背景图像和障碍物图像时,基于全局坐标系判断所述障碍物的距离;
机器学习粗识别模块103还用于基于所述障碍物的距离调整所述目标尺寸的窗口大小。
一种可选的实施例,聚类模块104还用于将扫描得到的所述障碍物结果进行聚类,给出所述障碍物最可能出现的候选框时,找到所述机器学习粗识别模型响应最密集的前几个簇;
聚类模块104还用于对所述障碍物进行聚类;
聚类模块104还用于给出所述障碍物最可能出现的候选框。
一种可选的实施例,深度学习精识别模块105用于通过训练得到的轻量级卷积神经网络从所述候选框中识别出所述障碍物的类别时,基于所述背景图像和所述障碍物图像训练得到轻量级卷积神经网络;
深度学习精识别模块105还用于提取每个所述候选框中的特征信息;
深度学习精识别模块105还用于将所述特征信息代入所述轻量级卷积神经网络计算所述候选框中的障碍物所对应各个障碍物类别的置信度;
深度学习精识别模块105还用于识别所述置信度最高的类别作为所述障碍物的类别。
一种可选的实施例,深度学习精识别模块105用于基于所述背景图像和所述障碍物图像训练得到轻量级卷积神经网络时,基于一个所述障碍物图像与多组所述背景图像训练对应形成多个分类器;
深度学习精识别模块105还用于对所述障碍物图像提取特征信息;
深度学习精识别模块105还用于基于所述特征信息反复迭代至满足识别条件;
深度学习精识别模块105还用于基于所述识别条件确定特征信息和所述分类器的阈值。
一种可选的实施例,深度学习精识别模块105用于识别所述置信度最高的类别作为所述障碍物的类别时,当所述置信度达到所述分类器阈值时,输出所述障碍物的类别;
深度学习精识别模块105还用于当所述置信度未达到所述分类器阈值时,识别为无障碍物。
一种可选的实施例,视频采集模块101中的摄像头或车载相机可以采用具有夜视功能的摄像头或相机,从而使得本申请嵌入式车载环视***库位障碍物实时检测***100在夜间也能进行有效的库位障碍物实时检测,拓宽本申请嵌入式车载环视***库位障碍物实时检测***100的环境适应能力。
需要说明的是,图9中的各个操作的实现还可以对应参照上述的方法实施例的相应描述。
本申请还涉及一种嵌入式车载环视***库位障碍物实时检测装置200,请参见图10,包括处理器201、输入设备202、输出设备203和存储装置,所述处理器201、输入设备202、输出设备203和存储装置204相互连接,其中,所述存储装置204用于存储计算机程序,所述计算机程序包括程序指令,所述处理器201被配置用于调用所述程序指令,执行上述的在线标定方法。
具体的,处理器201调用存储装置204中存储的程序指令,执行以下操作:
通过车载环视***采集车辆周围的环视图像;
在所述环视图像中查找库位;
通过训练得到的机器学习粗识别模型对所述库位进行障碍物扫描;
将扫描得到的所述障碍物结果进行聚类,给出所述障碍物最可能出现的候选框;
通过训练得到的轻量级卷积神经网络从所述候选框中识别出所述障碍物的类别。
存储装置204可以包括易失性存储装置(volatile memory),例如随机存取存储装置(random-access memory,RAM);存储装置204也可以包括非易失性存储装置(non-volatile memory),例如快闪存储装置(flash memory),固态硬盘(solid-state drive,SSD)等;存储装置204还可以包括上述种类的存储装置的组合。
处理器201可以是中央处理器(central processing unit,CPU)。该处理器201还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在一种实施方式中,处理器201调用存储装置204存储的程序指令,在通过训练得到的机器学习粗识别模型对所述库位进行障碍物扫描时,执行以下操作:
以目标尺寸来滑动窗口并判别背景图像和障碍物图像;
将多个所述背景图像分为多组;
基于一个所述障碍物图像与多组所述背景图像训练对应形成多个分类器;
将多个所述障碍物对应得到的多个所述分类器级联以获得所述机器学习粗识别模型。
在一种实施方式中,处理器201调用存储装置204存储的程序指令,在将多个所述障碍物对应得到的多个所述分类器级联以获得所述机器学习粗识别模型后,执行以下操作:
利用两级分类器将所述障碍物图像和所述背景图像分别识别为正样本和负样本;
将所述环视图像中扫描获得的全部所述正样本确定为所述障碍物的扫描结果。
在一种实施方式中,处理器201调用存储装置204存储的程序指令,在以目标尺寸来滑动窗口并判别背景图像和障碍物图像时,执行以下操作:
基于全局坐标系判断所述障碍物的距离;
基于所述障碍物的距离调整所述目标尺寸的窗口大小。
在一种实施方式中,处理器201调用存储装置204存储的程序指令,在将扫描得到的所述障碍物结果进行聚类,给出所述障碍物最可能出现的候选框时,执行以下操作:
找到所述机器学习粗识别模型响应最密集的前几个簇;
对所述障碍物进行聚类;
给出所述障碍物最可能出现的候选框。
在一种实施方式中,处理器201调用存储装置204存储的程序指令,在通过训练得到的轻量级卷积神经网络从所述候选框中识别出所述障碍物的类别时,执行以下操作:
基于所述背景图像和所述障碍物图像训练得到轻量级卷积神经网络;
提取每个所述候选框中的特征信息;
将所述特征信息代入所述轻量级卷积神经网络计算所述候选框中的障碍物所对应各个障碍物类别的置信度;
识别所述置信度最高的类别作为所述障碍物的类别。
在一种实施方式中,处理器201调用存储装置204存储的程序指令,在基于所述背景图像和所述障碍物图像训练得到轻量级卷积神经网络时,执行以下操作:
基于一个所述障碍物图像与多组所述背景图像训练对应形成多个分类器;
对所述障碍物图像提取特征信息;
基于所述特征信息反复迭代至满足识别条件;
基于所述识别条件确定特征信息和所述分类器的阈值。
在一种实施方式中,处理器201调用存储装置204存储的程序指令,在识别所述置信度最高的类别作为所述障碍物的类别时,执行以下操作:
当所述置信度达到所述分类器阈值时,输出所述障碍物的类别;
当所述置信度未达到所述分类器阈值时,识别为无障碍物。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述的实施方式,并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等,均应包含在该技术方案的保护范围之内。
Claims (11)
1.一种嵌入式车载环视***库位障碍物实时检测方法,其特征在于,包括以下步骤:
通过车载环视***采集车辆周围的环视图像;
在所述环视图像中查找库位;
通过训练得到的机器学习粗识别模型对所述库位进行障碍物扫描;
将得到的所述障碍物扫描结果进行聚类,给出所述障碍物最可能出现的候选框;
通过训练得到的轻量级卷积神经网络从所述候选框中识别出所述障碍物的类别。
2.根据权利要求1所述的方法,其特征在于,所述通过训练得到的机器学习粗识别模型对所述库位进行障碍物扫描,包括:
以目标尺寸来滑动窗口并判别背景图像和障碍物图像;
将多个所述背景图像分为多组;
基于一个所述障碍物图像与多组所述背景图像训练对应形成多个分类器;
将多个所述障碍物对应得到的多个所述分类器级联以获得所述机器学习粗识别模型。
3.根据权利要求2所述的方法,其特征在于,所述将多个所述障碍物对应得到的多个所述分类器级联以获得所述机器学习粗识别模型后,还包括:
利用两级分类器将所述障碍物图像和所述背景图像分别识别为正样本和负样本;
将所述环视图像中扫描获得的全部所述正样本确定为所述障碍物的扫描结果。
4.根据权利要求2所述的方法,其特征在于,所述以目标尺寸来滑动窗口并判别背景图像和障碍物图像,包括:
基于全局坐标系判断所述障碍物的距离;
基于所述障碍物的距离调整所述目标尺寸的窗口大小。
5.根据权利要求1所述的方法,其特征在于,所述将扫描得到的所述障碍物结果进行聚类,给出所述障碍物最可能出现的候选框,包括:
找到所述机器学习粗识别模型响应最密集的前几个簇;
对所述障碍物进行聚类;
给出所述障碍物最可能出现的候选框。
6.根据权利要求1所述的方法,其特征在于,所述通过训练得到的轻量级卷积神经网络从所述候选框中识别出所述障碍物的类别,包括:
基于所述背景图像和所述障碍物图像训练得到轻量级卷积神经网络;
提取每个所述候选框中的特征信息;
将所述特征信息代入所述轻量级卷积神经网络,计算所述候选框中的障碍物所对应的各个障碍物类别的置信度;
识别所述置信度最高的类别作为所述障碍物的类别。
7.根据权利要求6所述的方法,其特征在于,所述基于所述背景图像和所述障碍物图像训练得到轻量级卷积神经网络,包括:
基于一个所述障碍物图像与多组所述背景图像训练对应形成多个分类器;
对所述障碍物图像提取特征信息;
基于所述特征信息反复迭代至满足识别条件;
基于所述识别条件确定特征信息和所述分类器的阈值。
8.根据权利要求7所述的方法,其特征在于,所述识别所述置信度最高的类别作为所述障碍物的类别,包括:
当所述置信度达到所述分类器阈值时,输出所述障碍物的类别;
当所述置信度未达到所述分类器阈值时,识别为无障碍物。
9.一种嵌入式车载环视***库位障碍物实时检测***,其特征在于,包括:
视频采集模块,通过车载环视***采集车辆周围的环视图像;
库位识别模块,用于在所述环视图像中查找库位;
机器学习粗识别模块,用于通过训练得到的机器学习粗识别模型对所述库位进行障碍物扫描;
聚类模块,用于将扫描得到的所述障碍物结果进行聚类,给出所述障碍物最可能出现的候选框;
深度学习精识别模块,用于通过训练得到的轻量级卷积神经网络从所述候选框中识别出所述障碍物的类别。
10.根据权利要求9所述的***,其特征在于,所述视频采集模块中的摄像头或车载相机采用具有夜视功能的摄像头或相机。
11.一种嵌入式车载环视***库位障碍物实时检测装置,其特征在于,包括处理器、输入设备、输出设备和存储装置,所述处理器、输入设备、输出设备和存储装置相互连接,其中,所述存储装置用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-8中任一项所述的嵌入式车载环视***库位障碍物实时检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910101880.4A CN111507145A (zh) | 2019-01-31 | 2019-01-31 | 嵌入式车载环视***库位障碍物检测方法、***及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910101880.4A CN111507145A (zh) | 2019-01-31 | 2019-01-31 | 嵌入式车载环视***库位障碍物检测方法、***及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507145A true CN111507145A (zh) | 2020-08-07 |
Family
ID=71874028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910101880.4A Withdrawn CN111507145A (zh) | 2019-01-31 | 2019-01-31 | 嵌入式车载环视***库位障碍物检测方法、***及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507145A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200064A (zh) * | 2020-09-30 | 2021-01-08 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN112348827A (zh) * | 2020-10-26 | 2021-02-09 | 罗子尧 | 一种基于聚类算法的vr游戏***和方法 |
CN112418003A (zh) * | 2020-11-05 | 2021-02-26 | 湖南中联重科智能高空作业机械有限公司 | 工作平台障碍物识别方法、***及防撞方法、*** |
CN113264037A (zh) * | 2021-06-18 | 2021-08-17 | 安徽江淮汽车集团股份有限公司 | 应用于自动泊车的障碍物识别方法 |
CN113297939A (zh) * | 2021-05-17 | 2021-08-24 | 深圳市优必选科技股份有限公司 | 障碍物检测方法、***、终端设备及存储介质 |
CN114495056A (zh) * | 2022-01-14 | 2022-05-13 | 广州小鹏自动驾驶科技有限公司 | 停车场柱子检测方法、检测装置、车辆及存储介质 |
CN116363631A (zh) * | 2023-05-19 | 2023-06-30 | 小米汽车科技有限公司 | 三维目标检测方法、装置及车辆 |
WO2024009081A1 (en) * | 2022-07-04 | 2024-01-11 | Opteran Technologies Limited | Method of parsing an environment of an agent in a multi-dimensional space |
-
2019
- 2019-01-31 CN CN201910101880.4A patent/CN111507145A/zh not_active Withdrawn
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200064A (zh) * | 2020-09-30 | 2021-01-08 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN112348827A (zh) * | 2020-10-26 | 2021-02-09 | 罗子尧 | 一种基于聚类算法的vr游戏***和方法 |
CN112418003A (zh) * | 2020-11-05 | 2021-02-26 | 湖南中联重科智能高空作业机械有限公司 | 工作平台障碍物识别方法、***及防撞方法、*** |
CN112418003B (zh) * | 2020-11-05 | 2023-09-29 | 湖南中联重科智能高空作业机械有限公司 | 工作平台障碍物识别方法、***及防撞方法、*** |
CN113297939A (zh) * | 2021-05-17 | 2021-08-24 | 深圳市优必选科技股份有限公司 | 障碍物检测方法、***、终端设备及存储介质 |
CN113297939B (zh) * | 2021-05-17 | 2024-04-16 | 深圳市优必选科技股份有限公司 | 障碍物检测方法、***、终端设备及存储介质 |
CN113264037A (zh) * | 2021-06-18 | 2021-08-17 | 安徽江淮汽车集团股份有限公司 | 应用于自动泊车的障碍物识别方法 |
CN114495056A (zh) * | 2022-01-14 | 2022-05-13 | 广州小鹏自动驾驶科技有限公司 | 停车场柱子检测方法、检测装置、车辆及存储介质 |
WO2024009081A1 (en) * | 2022-07-04 | 2024-01-11 | Opteran Technologies Limited | Method of parsing an environment of an agent in a multi-dimensional space |
CN116363631A (zh) * | 2023-05-19 | 2023-06-30 | 小米汽车科技有限公司 | 三维目标检测方法、装置及车辆 |
CN116363631B (zh) * | 2023-05-19 | 2023-09-05 | 小米汽车科技有限公司 | 三维目标检测方法、装置及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507145A (zh) | 嵌入式车载环视***库位障碍物检测方法、***及装置 | |
CN109460709B (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
CN108830199B (zh) | 识别交通灯信号的方法、装置、可读介质及电子设备 | |
US7724962B2 (en) | Context adaptive approach in vehicle detection under various visibility conditions | |
JP6819996B2 (ja) | 交通信号認識方法および交通信号認識装置 | |
CN110119726B (zh) | 一种基于YOLOv3模型的车辆品牌多角度识别方法 | |
Kim et al. | Deep traffic light detection for self-driving cars from a large-scale dataset | |
CN101900567A (zh) | 基于像素的无纹理畅通路径检测 | |
CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
Maldonado-Bascon et al. | Traffic sign recognition system for inventory purposes | |
CN112818853B (zh) | 一种交通要素识别方法、装置、设备及储存介质 | |
CN111461221A (zh) | 一种面向自动驾驶的多源传感器融合目标检测方法和*** | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
Biswas et al. | Detection and classification of speed limit traffic signs | |
CN111046741A (zh) | 车道线识别的方法和装置 | |
CN115620393A (zh) | 一种面向自动驾驶的细粒度行人行为识别方法及*** | |
Ghahremannezhad et al. | Automatic road detection in traffic videos | |
Fusek et al. | Adaboost for parking lot occupation detection | |
KR101236223B1 (ko) | 차선 검출 방법 | |
Helala et al. | Road boundary detection in challenging scenarios | |
Suryakala et al. | Vision based vehicle/pedestrian detection in traffic surveillance system | |
CN112669615B (zh) | 一种基于摄像头的停车位检测方法和*** | |
CN116912763A (zh) | 一种融合步态人脸模态的多行人重识别方法 | |
CN108256444B (zh) | 一种用于车载视觉***的目标检测方法 | |
Bhupathi et al. | An augmented sliding window technique to improve detection of curved lanes in autonomous vehicles |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200807 |