CN111553945A - 一种车辆定位方法 - Google Patents

一种车辆定位方法 Download PDF

Info

Publication number
CN111553945A
CN111553945A CN202010286946.4A CN202010286946A CN111553945A CN 111553945 A CN111553945 A CN 111553945A CN 202010286946 A CN202010286946 A CN 202010286946A CN 111553945 A CN111553945 A CN 111553945A
Authority
CN
China
Prior art keywords
target
historical
feature points
image
optimal
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
CN202010286946.4A
Other languages
English (en)
Other versions
CN111553945B (zh
Inventor
罗文�
熊禹
吴祖亮
冼伯明
刘丽云
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.)
Dongfeng Liuzhou Motor Co Ltd
Original Assignee
Dongfeng Liuzhou Motor 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 Dongfeng Liuzhou Motor Co Ltd filed Critical Dongfeng Liuzhou Motor Co Ltd
Priority to CN202010286946.4A priority Critical patent/CN111553945B/zh
Publication of CN111553945A publication Critical patent/CN111553945A/zh
Application granted granted Critical
Publication of CN111553945B publication Critical patent/CN111553945B/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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种车辆定位方法，包括：获取目标车辆的前方环境图像；通过像素分离技术对所述前方环境图像中的暗点特征和亮点特征进行分离，得到含有初选特征点的目标分离图像；对所述目标分离图像中的初选特征点进行筛选，根据预设的特征标签确定目标最优特征点；通过深度学习算法对含有所述目标最优特征点的图像帧进行处理，得到目标最优特征点所对应的分类信息；根据阶距计算公式对所述目标最优特征点的领域重心进行计算，得到目标最优特征点方向；根据目标最优特征点所对应的分类信息在预先建立的定位地图上进行匹配处理，结合所述目标最优特征点方向确定目标车辆的定位位置。

Description

一种车辆定位方法
技术领域
本发明涉及车辆定位技术领域，尤其涉及一种车辆定位方法。
背景技术
对车辆实时定位的准确性对于自动驾驶代客泊车的行车安全至关重要。现有的一种自动驾驶代客泊车车辆定位采用的是：在无人驾驶的汽车上安装导航接收装置，在车辆行驶的一定范围内安装基站，通过卫星和基站把车辆定位信息传送给接收装置，以实现车辆的实时定位。然而实际应用中，一方面，在隧道、地下停车场等场景定位效果差，通过卫星和基站车辆定位精度低，对车辆位姿信息描述不够准确，另一方面，移动基站安装不方便且成本较高，不利于自动驾驶代客泊车车辆的大范围应用。
因此，目前市面上亟需一种车辆定位策略，可以精确地获取车辆的位姿信息，并对车辆进行精确定位，以提高车辆自动驾驶的泊车效率。
发明内容
本发明提供了一种车辆定位方法，可以精确地获取车辆的位姿信息，并对车辆进行精确定位，以提高车辆自动驾驶的泊车效率。
为了解决上述技术问题，本发明实施例提供了一种车辆定位方法，包括：
获取目标车辆的前方环境图像；
通过像素分离技术对所述前方环境图像中的暗点特征和亮点特征进行分离，得到含有初选特征点的目标分离图像；
对所述目标分离图像中的初选特征点进行筛选，根据预设的特征标签确定目标最优特征点；
通过深度学习算法对含有所述目标最优特征点的图像帧进行处理，得到目标最优特征点所对应的分类信息；
根据阶距计算公式对所述目标最优特征点的领域重心进行计算，得到目标最优特征点方向；
根据目标最优特征点所对应的分类信息在预先建立的定位地图上进行匹配处理，结合所述目标最优特征点方向确定目标车辆的定位位置。
作为优选方案，所述定位地图的建立步骤，包括：
获取历史环境图像；
通过像素分离技术对所述历史环境图像中的暗点特征和亮点特征进行分离，得到含有初选特征点的历史分离图像；
对所述历史分离图像中的初选特征点进行筛选，根据预设的特征标签确定历史最优特征点；
通过深度学习算法对含有所述历史最优特征点的图像帧进行处理，得到历史最优特征点所对应的分类信息；
对含有分类信息的图像帧进行储存，得到定位地图。
作为优选方案，在所述得到定位地图之后，还包括：对新增加的图像帧在定位地图中搜索匹配实现闭环检测，通过光束平差法对定位地图中的误差进行修正，以实现更新地图。
作为优选方案，所述获取历史环境图像的步骤中，包括：对所述历史环境图像进行标定和滤波处理，以对历史环境图像进行优化。
作为优选方案，所述通过深度学习算法对含有所述历史最优特征点的图像帧进行处理，得到历史最优特征点所对应的分类信息的步骤中，包括：
通过深度学习算法对含有所述历史最优特征点的图像帧进行卷积处理，得到历史特征图；
对所述历史特征图进行区域生成网络处理，得到历史最优特征点所对应的分类信息。
作为优选方案，所述通过深度学习算法对含有所述历史最优特征点的图像帧进行卷积处理，得到历史特征图的步骤中，包括：
对含有所述历史最优特征点的图像帧通过卷积层、线性修正层、池化层进行卷积处理，得到历史特征图。
作为优选方案，所述获取目标车辆的前方环境图像的步骤中，包括：对所述前方环境图像进行标定和滤波处理，以对前方环境图像进行优化。
作为优选方案，所述通过深度学习算法对含有所述目标最优特征点的图像帧进行处理，得到目标最优特征点所对应的分类信息的步骤中，包括：
通过深度学习算法对含有所述目标最优特征点的图像帧进行卷积处理，得到目标特征图；
对所述目标特征图进行区域生成网络处理，得到目标最优特征点所对应的分类信息。
作为优选方案，所述通过深度学习算法对含有所述目标最优特征点的图像帧进行卷积处理，得到目标特征图的步骤中，包括：
对含有所述目标最优特征点的图像帧通过卷积层、线性修正层、池化层进行卷积处理，得到目标特征图。
相比于现有技术，本发明实施例具有如下有益效果：
1、通过对前方环境图像帧进行像素分离，经过筛选并结合特征标签获得最优特征点，根据最优特征点的分类信息在预先建立的定位地图中匹配相应的位置，再结合最优特征点方向可以精确地获取车辆的位姿信息，并对车辆进行精确定位，以提高车辆自动驾驶的泊车效率。
2、采用了深度学习算法，通过引入深度学习分类描述环境中的目标，使得车辆能很好的利用环境中丰富的语义信息，结合深度学习的分类识别优势能极大的提高车辆定位的能力。
3、可以充分利用了深度学习分类在语义识别上的优势，并结合特征点方向提供的空间关系，能极大的提升车辆的定位能力。
附图说明
图1：为本发明车辆定位方法的一种实施例的流程示意图；
图2：为本发明定位地图的建立过程的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
请参照图1，是本发明提供的车辆定位方法的一种实施例的流程示意图，该方法包括步骤101至步骤106，各步骤具体如下：
步骤101，获取目标车辆的前方环境图像。
在优选实施例中，步骤101包括：对所述前方环境图像进行标定和滤波处理，以对前方环境图像进行优化。
其中，需要说明的是，前方环境图像的数据获取方法和途径可以有多种，而在本实施例中，可以在车辆上固定一个单目摄像头，以及设置用于接收和处理单目摄像头信息的处理器，处理器可以将所述单目摄像头经过标定及滤波得到车辆前方环境图像帧。
其中，更具体的技术方案还可以是：所述单目摄像头为可见光感知摄像头；所述标定是通过棋盘法以纠正摄像头畸变参数，所述滤波是通过高斯滤波以消除噪声，所述图像帧是可见光感知车辆前方环境图像信息。
步骤102，通过像素分离技术对所述前方环境图像中的暗点特征和亮点特征进行分离，得到含有初选特征点的目标分离图像。
具体地，像素分离的计算式是：
Figure BDA0002448878000000041
式中x∈(p-δ,p+δ)，d为暗点(darker)，s为相似点(similar)，b为亮点(brighter)，t为阈值，p为中心点，δ为中心周围点，Ip为中心点的像素值，Ix为中心周围点的像素值，定义像素分离后的特征点为初选特征点。
步骤103，对所述目标分离图像中的初选特征点进行筛选，根据预设的特征标签确定目标最优特征点。
其中，筛选的计算式是：
Figure BDA0002448878000000051
其中，(2n+1)(2m+1)表示以x(i，j)为中心的窗口，mij为局部均值，xkl为窗口内的某点，v代表区域方差，对比初选关键点在窗口内与局部方差的大小，即在邻域内只保留最大局部方差的关键点为优质关键点。
其中，最优特征点由优质关键点与特征标签组成。所述特征标签为在停车场内的重要节点如路口、私家车位、进出口灯地方贴上特征标签，特征标签需要与背景呈现较高的对比度。
步骤104，通过深度学习算法对含有所述目标最优特征点的图像帧进行处理，得到目标最优特征点所对应的分类信息。
在本实施例中，步骤104具体包括步骤1041和步骤1042：
步骤1041，通过深度学习算法对含有所述目标最优特征点的图像帧进行卷积处理，得到目标特征图；具体地，对含有所述目标最优特征点的图像帧通过卷积层、线性修正层、池化层进行卷积处理，得到目标特征图。
具体地，基于深度学习(DL)的分类，首先标记了最优特征点的图像帧经过6个卷积层，6个线性修正层，2个池化层，得到特征图(F)。
所述卷积层的计算式为：
Figure BDA0002448878000000052
式中
Figure BDA0002448878000000053
为当前迭代层输入的局部特征，i为输入局部特征中的第i个，j为输入局部特征的个数，Mj为最初输入到神经网络的局部特征，l为层数，
Figure BDA0002448878000000054
为上一迭代层输入的局部特征，
Figure BDA0002448878000000055
为卷积核矩阵，
Figure BDA0002448878000000056
为偏置矩阵；
所述线性修正层的计算式为：
f(x)＝max(0，x) (5)；
式中通过增加激活函数，以增加网络的非线性分割能力；
所述池化层的计算式为：
Figure BDA0002448878000000061
式中
Figure BDA0002448878000000062
为当前迭代层输入的局部特征，down()为一个下局部特征采样函数。
步骤1042，对所述目标特征图进行区域生成网络处理，得到目标最优特征点所对应的分类信息。
具体地，设定原始窗口A＝(Ax，Ay，Aw，Ah)，且最优特征点为原始窗口的中心，其中(Ax,Ay)表示原始窗口的起始点，(Aw，Ah)表示原始窗口的宽与高，有最终的分类窗口G＝(Gx,Gy,Gw,Gh)，(Gx,Gy)表示分类窗口的起始点，(Gw,Gh)表示分类窗口的宽与高，通过平移及缩放使得原始窗口以逼近分类窗口。
其中，平移的计算式为：
Gx＝Awdx(P)+Ax (7)；
Gy＝Ahdy(P)+Ay (8)；
其中，缩放的计算式为：
Figure BDA0002448878000000063
最终得到平移量(dx(P),dy(P))及尺度因子(dw(P),dh(P))，即
Figure BDA0002448878000000064
Figure BDA0002448878000000065
目标函数的计算式为：
Figure BDA0002448878000000066
式中F(P)为标记的特征图中组成的特征向量，w为需要学习的参数，d(P)为得到的预测值，其中#对应x，y，w，h，为了让预测值最小，损失函数的计算式为：
Figure BDA0002448878000000067
最后，得到最终优化学***移量及尺度因子，将最终的分类窗口映射回原图像帧，得到最终的分类结果。
步骤105，根据阶距计算公式对所述目标最优特征点的领域重心进行计算，得到目标最优特征点方向。
具体地，特征点方向是特征点领域内的重心与特征点的偏移向量，其领域(n,m)范围内阶距计算式是：
Hnm＝∑x，yxnymI(x,y) (13)；
式中Hnm表示领域(n,m)的阶距，I(x,y)表示图像帧，则特征点领域0阶距为：∑x，yI(x，y)，特征点领域1阶距为：∑x，yxI(x，y)、∑x,yyI(x,y)，则该特征点领域在x方向上的偏重，即该特征点领域的重心x坐标为
Figure BDA0002448878000000072
该特征点领域在y方向上的偏重，即该特征点领域的重心y坐标为
Figure BDA0002448878000000073
即特征点领域的重心为
Figure BDA0002448878000000074
则可以求出特征点方向为arctan(H01，H10)。
步骤106，根据目标最优特征点所对应的分类信息在预先建立的定位地图上进行匹配处理，结合所述目标最优特征点方向确定目标车辆的定位位置。
具体地，首先对图像帧中的最优特征点及其对应的分类信息与地图信息在不同的空间位置上进行快速匹配，通过匹配特征点满足极线约束关系并且分类结果相同就可以建立几何关系，结合特征点方向即可得到摄像头的实时位姿信息，最终得到车辆定位。
实施例2
请参照图2，是本发明实施例1中关于定位地图的建立过程的流程示意图，该方法包括步骤201至步骤205，各步骤具体如下：
步骤201，获取历史环境图像。
在优选实施例中，步骤201包括：对所述历史环境图像进行标定和滤波处理，以对历史环境图像进行优化。
其中，步骤201中获取数据的方式与步骤101相同，在车辆上固定一个单目摄像头，以及设置用于接收和处理单目摄像头信息的处理器，处理器可以将所述单目摄像头经过标定及滤波得到车辆前方环境图像帧。其中，更具体的技术方案还可以是：所述单目摄像头为可见光感知摄像头；所述标定是通过棋盘法以纠正摄像头畸变参数，所述滤波是通过高斯滤波以消除噪声，所述图像帧是可见光感知车辆前方环境图像信息。
步骤202，通过像素分离技术对所述历史环境图像中的暗点特征和亮点特征进行分离，得到含有初选特征点的历史分离图像。其中，步骤202中像素分离的方式与步骤102相同。
步骤203，对所述历史分离图像中的初选特征点进行筛选，根据预设的特征标签确定历史最优特征点。其中，步骤203中的具体执行过程和算法与步骤103相同。
步骤204，通过深度学习算法对含有所述历史最优特征点的图像帧进行处理，得到历史最优特征点所对应的分类信息；其中，步骤204中的具体执行过程和算法与步骤104相同。
在本实施例中，步骤204具体为：
通过深度学习算法对含有所述历史最优特征点的图像帧进行卷积处理，得到历史特征图；具体地，对含有所述历史最优特征点的图像帧通过卷积层、线性修正层、池化层进行卷积处理，得到历史特征图。
对所述历史特征图进行区域生成网络处理，得到历史最优特征点所对应的分类信息。
步骤205，对含有分类信息的图像帧进行储存，得到定位地图。
具体地，首先判断当前图像帧中存在分类结果，且距离前一关键帧之间间隔15帧，则认为当前图像帧为关键帧，通过不断的储存关键帧，从而构建环境地图信息获得初始化地图。
在另一实施例中，对上述实施例2进行改进，在所述得到定位地图之后，还包括：步骤206，对新增加的图像帧在定位地图中搜索匹配实现闭环检测，通过光束平差法对定位地图中的误差进行修正，以实现更新地图。
其中，闭环检测是指从起点一直绘制地图至终点，形成闭环，通过判定得出关键帧，通过不断的储存关键帧，从而构建环境地图信息获得初始化地图，对新增加的关键帧在已建立的地图中搜索匹配实现闭环检测。
优化更新：通过光束平差法不断对误差进行修正，以实现更新地图。
光束平差法：
Figure BDA0002448878000000091
其中，n表示该关键帧内关键点的个数，m表示关键帧的个数，xij为当前关键点，Q(aj，bi)为初始化地图后的关键点，vij判定当前关键点是否与初始化地图关键点存在映射，有则vij＝1，否则vij＝0，d(x，y)为欧氏距离。
通过光束平差法，对当前关键帧与初始化地图进行对比实现误差修正，不断更新地图。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种车辆定位方法，其特征在于，包括：
获取目标车辆的前方环境图像；
通过像素分离技术对所述前方环境图像中的暗点特征和亮点特征进行分离，得到含有初选特征点的目标分离图像；
对所述目标分离图像中的初选特征点进行筛选，根据预设的特征标签确定目标最优特征点；
通过深度学习算法对含有所述目标最优特征点的图像帧进行处理，得到目标最优特征点所对应的分类信息；
根据阶距计算公式对所述目标最优特征点的领域重心进行计算，得到目标最优特征点方向；
根据目标最优特征点所对应的分类信息在预先建立的定位地图上进行匹配处理，结合所述目标最优特征点方向确定目标车辆的定位位置。
2.如权利要求1所述的车辆定位方法，其特征在于，所述定位地图的建立步骤，包括：
获取历史环境图像；
通过像素分离技术对所述历史环境图像中的暗点特征和亮点特征进行分离，得到含有初选特征点的历史分离图像；
对所述历史分离图像中的初选特征点进行筛选，根据预设的特征标签确定历史最优特征点；
通过深度学习算法对含有所述历史最优特征点的图像帧进行处理，得到历史最优特征点所对应的分类信息；
对含有分类信息的图像帧进行储存，得到定位地图。
3.如权利要求2所述的车辆定位方法，其特征在于，在所述得到定位地图之后，还包括：对新增加的图像帧在定位地图中搜索匹配实现闭环检测，通过光束平差法对定位地图中的误差进行修正，以实现更新地图。
4.如权利要求2所述的车辆定位方法，其特征在于，所述获取历史环境图像的步骤中，包括：对所述历史环境图像进行标定和滤波处理，以对历史环境图像进行优化。
5.如权利要求2所述的车辆定位方法，其特征在于，所述通过深度学习算法对含有所述历史最优特征点的图像帧进行处理，得到历史最优特征点所对应的分类信息的步骤中，包括：
通过深度学习算法对含有所述历史最优特征点的图像帧进行卷积处理，得到历史特征图；
对所述历史特征图进行区域生成网络处理，得到历史最优特征点所对应的分类信息。
6.如权利要求5所述的车辆定位方法，其特征在于，所述通过深度学习算法对含有所述历史最优特征点的图像帧进行卷积处理，得到历史特征图的步骤中，包括：
对含有所述历史最优特征点的图像帧通过卷积层、线性修正层、池化层进行卷积处理，得到历史特征图。
7.如权利要求1所述的车辆定位方法，其特征在于，所述获取目标车辆的前方环境图像的步骤中，包括：对所述前方环境图像进行标定和滤波处理，以对前方环境图像进行优化。
8.如权利要求1所述的车辆定位方法，其特征在于，所述通过深度学习算法对含有所述目标最优特征点的图像帧进行处理，得到目标最优特征点所对应的分类信息的步骤中，包括：
通过深度学习算法对含有所述目标最优特征点的图像帧进行卷积处理，得到目标特征图；
对所述目标特征图进行区域生成网络处理，得到目标最优特征点所对应的分类信息。
9.如权利要求8所述的车辆定位方法，其特征在于，所述通过深度学习算法对含有所述目标最优特征点的图像帧进行卷积处理，得到目标特征图的步骤中，包括：
对含有所述目标最优特征点的图像帧通过卷积层、线性修正层、池化层进行卷积处理，得到目标特征图。
CN202010286946.4A 2020-04-13 2020-04-13 一种车辆定位方法 Active CN111553945B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010286946.4A CN111553945B (zh) 2020-04-13 2020-04-13 一种车辆定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010286946.4A CN111553945B (zh) 2020-04-13 2020-04-13 一种车辆定位方法

Publications (2)

Publication Number Publication Date
CN111553945A true CN111553945A (zh) 2020-08-18
CN111553945B CN111553945B (zh) 2023-08-11

Family

ID=72005763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010286946.4A Active CN111553945B (zh) 2020-04-13 2020-04-13 一种车辆定位方法

Country Status (1)

Country Link
CN (1) CN111553945B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111811522A (zh) * 2020-09-01 2020-10-23 中国人民解放军国防科技大学 无人车自主导航方法、装置、计算机设备和存储介质
CN112284402A (zh) * 2020-10-15 2021-01-29 广州小鹏自动驾驶科技有限公司 一种车辆定位的方法和装置
CN112801048A (zh) * 2021-03-25 2021-05-14 苏州科达科技股份有限公司 最优目标图像的识别方法、装置、设备及存储介质
CN112925000A (zh) * 2021-01-25 2021-06-08 东南大学 基于可见光通信和惯性导航的隧道环境下车辆定位方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180149487A1 (en) * 2016-11-26 2018-05-31 Thinkware Corporation Image processing apparatus, image processing method, computer program and computer readable recording medium
CN108106627A (zh) * 2017-12-20 2018-06-01 清华大学 一种基于特征点在线动态标定的单目视觉车辆定位方法
CN109074085A (zh) * 2018-07-26 2018-12-21 深圳前海达闼云端智能科技有限公司 一种自主定位和地图建立方法、装置和机器人
CN109186586A (zh) * 2018-08-23 2019-01-11 北京理工大学 一种面向动态泊车环境的同时定位及混合地图构建方法
CN109631855A (zh) * 2019-01-25 2019-04-16 西安电子科技大学 基于orb-slam的高精度车辆定位方法
CN110243370A (zh) * 2019-05-16 2019-09-17 西安理工大学 一种基于深度学习的室内环境三维语义地图构建方法
CN110794828A (zh) * 2019-10-08 2020-02-14 福瑞泰克智能***有限公司 一种融合语义信息的路标定位方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180149487A1 (en) * 2016-11-26 2018-05-31 Thinkware Corporation Image processing apparatus, image processing method, computer program and computer readable recording medium
CN108106627A (zh) * 2017-12-20 2018-06-01 清华大学 一种基于特征点在线动态标定的单目视觉车辆定位方法
CN109074085A (zh) * 2018-07-26 2018-12-21 深圳前海达闼云端智能科技有限公司 一种自主定位和地图建立方法、装置和机器人
CN109186586A (zh) * 2018-08-23 2019-01-11 北京理工大学 一种面向动态泊车环境的同时定位及混合地图构建方法
CN109631855A (zh) * 2019-01-25 2019-04-16 西安电子科技大学 基于orb-slam的高精度车辆定位方法
CN110243370A (zh) * 2019-05-16 2019-09-17 西安理工大学 一种基于深度学习的室内环境三维语义地图构建方法
CN110794828A (zh) * 2019-10-08 2020-02-14 福瑞泰克智能***有限公司 一种融合语义信息的路标定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
柳杨, vol. 1, 北京邮电大学出版社, pages: 43 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111811522A (zh) * 2020-09-01 2020-10-23 中国人民解放军国防科技大学 无人车自主导航方法、装置、计算机设备和存储介质
CN112284402A (zh) * 2020-10-15 2021-01-29 广州小鹏自动驾驶科技有限公司 一种车辆定位的方法和装置
CN112284402B (zh) * 2020-10-15 2021-12-07 广州小鹏自动驾驶科技有限公司 一种车辆定位的方法和装置
CN112925000A (zh) * 2021-01-25 2021-06-08 东南大学 基于可见光通信和惯性导航的隧道环境下车辆定位方法
CN112801048A (zh) * 2021-03-25 2021-05-14 苏州科达科技股份有限公司 最优目标图像的识别方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111553945B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN111553945B (zh) 一种车辆定位方法
CN108802785B (zh) 基于高精度矢量地图和单目视觉传感器的车辆自定位方法
EP3735675B1 (en) Image annotation
CN112417926B (zh) 车位识别方法、装置、计算机设备及可读存储介质
CN113313763B (zh) 一种基于神经网络的单目相机位姿优化方法及装置
Berrio et al. Camera-LIDAR integration: Probabilistic sensor fusion for semantic mapping
CN113903011B (zh) 一种适用于室内停车场的语义地图构建及定位方法
Jang et al. Road lane semantic segmentation for high definition map
CN111738032B (zh) 一种车辆行驶信息确定方法及装置、车载终端
CN112164117A (zh) 一种基于Kinect相机的V-SLAM位姿估算方法
CN111652896A (zh) 惯导辅助陨石坑由粗到精检测方法
CN110176022B (zh) 一种基于视频检测的隧道全景监控***及方法
CN111738033B (zh) 基于平面分割的车辆行驶信息确定方法及装置、车载终端
CN113223044A (zh) 一种结合特征聚合和注意力机制的红外视频目标检测方法
CN112767546A (zh) 移动机器人基于双目图像的视觉地图生成方法
CN115471749A (zh) 地外探测无监督学习的多视角多尺度目标识别方法及***
CN113781563A (zh) 一种基于深度学习的移动机器人回环检测方法
CN117671299A (zh) 一种回环检测方法、装置、设备及存储介质
Jin et al. Road curvature estimation using a new lane detection method
CN109815812B (zh) 一种基于水平边缘信息累积的车辆下底边定位方法
CN113838072B (zh) 一种高动态星图图像分割方法
CN113327192B (zh) 一种通过三维测量技术测算汽车行驶速度的方法
CN115690711A (zh) 一种目标检测方法、装置及智能车辆
CN114926332A (zh) 基于无人机母车的无人机全景图像拼接方法
CN114022563A (zh) 一种用于自动驾驶的动态障碍物检测方法

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
GR01 Patent grant
GR01 Patent grant