CN111723778A - 基于MobileNet-SSD的车辆测距***及方法 - Google Patents
基于MobileNet-SSD的车辆测距***及方法 Download PDFInfo
- Publication number
- CN111723778A CN111723778A CN202010647265.6A CN202010647265A CN111723778A CN 111723778 A CN111723778 A CN 111723778A CN 202010647265 A CN202010647265 A CN 202010647265A CN 111723778 A CN111723778 A CN 111723778A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- module
- image
- detection
- mobilenet
- 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
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
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- G06T7/85—Stereo camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
基于MobileNet‑SSD的车辆测距***及方法,涉及智能汽车。***包括标定模块、图像采集模块、检测模块、判断模块、预估模块、跟踪模块、立体匹配模块和测距模块。方法:构建双目视觉***,并对双目视觉进行标定;双目摄像头同步采集左、右目图像;进行目标车辆检测,判断是否检测出首帧车辆;进一步确定车辆区域的坐标;对左、右目图像车辆区域点进行SGBM立体匹配;计算区域点视差,求出目标物与当前车辆的区域平均距离。检测过程包括HSV车辆阴影检测和MobileNet‑SSD车辆检测算法,并结合车辆跟踪算法,提高目标车辆区域获取的速度和准确度,简化图像识别过程,而且提高了检测效果,实现实时高效的测距方法。
Description
技术领域
本发明涉及智能汽车,特别是涉及一种基于MobileNet-SSD的车辆测距***及方法。
背景技术
视觉在智能驾驶辅助***中起着起来越重要的作用,其能积极地提醒驾驶人或辅助控制车辆,从而防止发生事故,提高车辆的安全性能。车辆视觉测距是智能辅助驾驶***的重要研究内容之一,其能够有效检测与跟踪前方车辆并进行测距,进而为驾驶人或智能辅助驾驶***提供判断依据,为安全行驶提供重要的保障。
中国专利公布号CN108108667A申请公开了一种基于窄基线双目视觉的前方车辆快速测距方法,该方法包括了:车道线区域、车道线检测、车道线区域、车辆识别、确定车辆区域和车辆测距,仍需多个***配合才能完成车辆定位、识别和测距,其计算实时性相对不好且准确度较低。黄泽宇(黄泽宇,祝永新,田犁,等.基于立体视觉的无人车测距***设计[J].现代制造工程,2019(09):113-117.)设计了一套基于立体视觉的无人车测距***,此***仅对匹配算法进行改进优化,虽然满足实时性和精度要求,但是目标特征检测简单且定位不精准,实用性不好。
针对目前车辆测距的方法,目前迫切需要一种稳定、准确度高、实时性好的测距方法。鉴于此,本发明采用双目视觉测距的方法并结合多种最新技术,充分协调和发挥它们作用,有效提高了车辆的测距性能。
发明内容
本发明的目的是为了克服现有技术存在的上述难点问题,提供稳定、准确度高、实时性好的一种基于MobileNet-SSD的车辆测距***。
本发明的另一目的是提供基于结合车辆检测和车辆跟踪算法并与预估算法相互协调来实现目标车辆区域的确定并测距,可有效利用车辆检测和车辆跟踪算法的优点,实现准确且高效的基于MobileNet-SSD的车辆测距方法。
所述基于MobileNet-SSD的车辆测距***包括标定模块、图像采集模块、检测模块、第一判断模块、第二判断模块、预估模块、跟踪模块、立体匹配模块和测距模块;标定模块、图像采集模块、检测模块依次连接,所述检测模块的输出端接第一判断模块,第一判断模块的输出端分别与第二判断模块和跟踪模块连接;立体匹配模块的输入端接跟踪模块和预估模块的输出端,立体匹配模块的输出端接测距模块。
所述标定模块用于对双目***的两个摄像头进行标定,得到合适的双目摄像头参数;
所述图像采集模块用于为双目摄像头实时采集车辆前方的图像;
所述检测模块用于根据HSV颜色特性检测车底候选区域,并通过MobileNet-SSD进一步检测车底区域,确定首帧车辆区域;
所述第一判断模块用于判断是否检测出首帧图像,若否,则将信号接第二判断模块的输入端继续进行车辆检测,若是,则将信号输出至跟踪模块进行DeepSort目标车辆跟踪;
所述第二判断模块用于判断哪目检测出车辆,而选择另一目图像进行车辆区域预估;
所述预估模块用于根据上一帧图像的距离信息对车辆区域预估;
所述跟踪模块用于根据第一判断模块的结果选择一目图像进行DeepSort目标车辆跟踪确定最终车辆区域;
所述立体匹配模块用于对左、右目图像车辆区域点进行SGBM立体匹配;
所述立体匹配模块的输出端接测距模块,测距模块用于计算区域平均车距并得到最终车距。
所述基于MobileNet-SSD的车辆测距方法,包括以下步骤:
步骤1:构建双目视觉***,并对双目视觉进行标定,建立相机图像像素位置与场景点位置之间的关系;
步骤2:双目摄像头同步采集左、右目图像;
步骤3:对左、右目图像进行目标车辆检测,确定首帧车辆区域;
步骤4:判断是否检测出首帧车辆,若否,则继续进行车辆检测,若是,则进行DeepSort目标车辆跟踪;若左、右目图像都检测出车辆,以左目检测为主,对左目进行目标跟踪,右目图像进行车辆区域预估;
步骤5:根据MobileNet-SSD网络所确定的首帧车辆坐标区域,通过DeepSort目标车辆追踪的方法进一步确定车辆区域的坐标;
步骤6:判断是否左目检图像测出车辆,若否,则对左目图像车辆区域进行预估,得到左目图像车辆区域预估坐标;若是,则对右目图像车辆区域进行预估,得到右目图像车辆区域预估坐标;
步骤7:对左、右目图像车辆区域点进行SGBM立体匹配;
步骤8:根据视差原理计算区域点视差,求出目标物与当前车辆的区域平均距离。
在步骤3中,所述对左、右目图像进行目标车辆检测,确定首帧车辆区域的具体步骤包括:
(1)从双目相机采集的待测图像,对于每一帧RGB图像转换为HSV图像,利用HSV图像颜色特性定义阴影判别公式用于检测车底阴影,采用基于HSV颜色特性的阴影检测算法分割出所有车底阴影区域,若满足阴影判别公式,则判断像素点为阴影像素点,否则判断像素点为非阴影像素点,得到预选车辆ROI预选区域,确定可能存在车辆的图像;
(2)建立正、负样本数据集,正样本数据为不同条件下车辆图像,如不同天气、光照、车辆的情形,同时标注图像中车辆区域和非车辆区域;负样本为不包含车辆的交通场景图像,如含有路标、树木、建筑物、广告牌等交通场景,消除环境对目标检测的干扰。
(3)搭建MobileNet-SSD车辆检测模型,将正、负样本数据集输入MobileNet-SSD模型进行训练,得到训练好的稳定的MobileNet-SSD最终车辆检测模型;
(4)将可能存在车辆的图像在线输入训练好的MobileNet-SSD最终车辆检测模型,剔除非车底阴影区,检测出真正车底阴影区,即获得首帧车辆区域信息。
与现有技术相比,本发明的优点在于:
本发明车辆检测的过程包括HSV车辆阴影检测和MobileNet-SSD车辆检测算法,并结合车辆跟踪算法,提高了目标车辆区域获取的速度和准确度,利用双目相机的特性,对另一目图像采用预估算法实现目标车辆区域的确定,不仅简化图像识别过程,而且提高了检测效果,实现实时高效的测距方法。
附图说明
图1为本发明车辆测距方法流程图;
图2为本发明车辆检测算法流程图;
图3为本发明MobileNet-SSD车辆检测网络结构图;
图4为本发明车辆测距***结构图。
具体实施方式
以下实施例将结合各附图,对本发明的方法做进一步详细描述。
如图1所示是本发明车辆测距方法流程图,本发明实施例包括以下步骤:
步骤1:构建双目视觉***,并对双目视觉进行标定,获得内部参数、外部参数和畸变系数,建立相机图像像素位置与场景点位置之间的关系。
步骤2:双目摄像头同步采集左、右目图像。
步骤3:对左、右目图像进行目标车辆检测,确定首帧车辆区域。如图2所示是本发明车辆检测算法流程图,其步骤如下:
第一步:从双目相机采集的待测图像,采用基于HSV颜色特性的阴影检测算法分割出所有车底阴影区域,得到车辆ROI预选图像,从而确定可能存在车辆的图像。其具体步骤如下:
(1)对于每一帧RGB图像转换为HSV图像;
(2)利用HSV颜色特性检测车底阴影,由于V分量对阴影的影响较大,所以排除V分量的作用,而提取H和S分量的作用。定义如***影判别公式:
式中,Hc、Sc为当前处理祯图像的H、S分量值,Hb、Sb为背景图像的H、S分量值,Tsl、Tsh、Thl、Thh表示分割阈值,分割阈值由Otsu自动阈值分割算法获得;
(3)如果满足阴影判别公式,则判断像素点为阴影像素点,否则为非阴影像素点,从而得到预选车辆ROI区域。
但是实际的道路环境复杂,会受到路标、树木、建筑物和广告牌等干扰,因此预选车辆ROI区域存在大量的误检信息,所以仍需进一步进行检测。鉴于SSD网络兼顾目标识别速度和精度,而利用MobileNet网络与SSD网络相结合的MobileNet-SSD网络的压缩了大量参数和计算量,有着速度更快的优势,所以采用MobileNet-SSD网络进一步检测。
第二步:建立正、负样本数据集,正样本数据集为不同条件下车辆图像,如不同天气、光照、车辆的情形,同时标注图像中车辆区域和非车辆区域;负样本数据集为不包含车辆的交通场景图像,如含有路标、树木、建筑物、广告牌等交通场景,消除环境对目标检测的干扰。
第三步:训练MobileNet-SSD车辆检测网络模型,得到稳定的网络模型;其具体步骤如下:
(1)如图3所示为本发明MobileNet-SSD车辆检测网络结构图,将SSD的特征提取网络VGG16替换为去掉全局平均池化、全连接层和Softmax层的MobileNet特征提取网络,并在MobileNet网络后面增加八个卷积层以提高特征提取能力,从Conv11、Conv13、Conv14_2、Conv15_2、Conv16_2和Conv17_2六个卷积层产生不同大小的特征图以实现多尺度的检测,最后通过非极大值抑制过滤过度重合的结果,得到最终的输出;
(2)将正、负样本数据集输入MobileNet-SSD模型进行训练,得到训练好的MobileNet-SSD最终车辆检测模型。
第四步:将可能存在车辆的图像在线输入训练好的MobileNet-SSD模型,剔除非车底阴影区,检测出真正车底阴影区,获得首帧车辆区域信息。
步骤4:判断是否检测出首帧车辆,若否,则继续进行车辆检测,若是,则进行DeepSort目标车辆跟踪。若左、右目图像都检测出车辆,以左目检测为主,对左目进行目标跟踪,右目图像进行车辆区域预估。
步骤5:根据MobileNet-SSD所确定的首帧车辆坐标区域,通过DeepSort目标车辆追踪的方法进一步确定车辆区域的坐标(xi,yi,wi,hi),实时获得车辆区域的边框坐标信息,即在图像上显示一个框住车辆的矩形框。xi,yi坐标表示车辆区域左上角坐标相对图像的位置,wi,hi为车辆区域的宽度和高度,其中左目车辆跟踪时i=l,右目车辆跟踪时i=r。
步骤6:判断是否左目检测出车辆。
若否,则对左目车辆区域进行预估,设图像车辆区域的坐标为(xi,yl),双目摄像头的是在同一y平面的,所以yl=yr,其中xl:
式中,b为基线长度,f为摄像头焦距,z为上一帧前方车辆离摄像头的距离,目标物宽度:wl=wr,目标物高度:hl=hr,得到预估车辆区域坐标(xl,yl,wl,hl)。
若是,则对右目车辆区域进行预估。设图像车辆区域的坐标为(xr,yr),双目摄像头的是在同一y平面的,所以yr=yl,其中xr:
目标物宽度:wr=wl,目标物高度:hr=hl,得到预估车辆区域坐标(xr,yr,wr,hr)。
步骤7:对左、右目图像车辆区域点进行SGBM立体匹配,获得车辆区域匹配特征点总数为n个。
步骤8:根据视差原理计算区域点视差,求出目标物与当前车辆的区域平均距离:
其中平均视差:
图4给出了本发明车辆测距***结构图,其***框架如下:
标定模块对双目***的两个摄像头进行标定,得到合适的双目摄像头参数。
图像采集模块为双目摄像头实时采集车辆前方的图像。
检测模块首先根据HSV颜色特性检测车底候选区域,其次通过MobileNet-SSD进一步检测车底区域,确定首帧车辆区域;第一判断模块判断是否检测出首帧图像,若否,则继续进行车辆检测,若是,则进行DeepSort目标车辆跟踪,若左、右目图像都检测出车辆,以左目检测为主,对左目进行目标跟踪;跟踪模块根据第一判断模块的结果选择一目图像进行DeepSort目标车辆跟踪确定最终车辆区域;第二判断模块判断哪目检测出车辆,而选择另一目图像进行车辆区域预估;预估模块根据上一帧图像的距离信息对车辆区域预估。
立体匹配模块对左、右目图像车辆区域点进行SGBM立体匹配。
测距模块根据双目视觉视差原理,计算区域平均车距,得到最终车距。
以上内容是结合优选技术方案对本发明所做的进一步详细说明,不能认定发明的具体实施仅限于这些说明。对本发明所属技术领域的普通技术人员来说,在不脱离本发明的构思的前提下,还可以做出简单的推演及替换,都应当视为本发明的保护范围。
Claims (3)
1.基于MobileNet-SSD的车辆测距***,其特征在于包括标定模块、图像采集模块、检测模块、第一判断模块、第二判断模块、预估模块、跟踪模块、立体匹配模块和测距模块;标定模块、图像采集模块、检测模块依次连接,所述检测模块的输出端接第一判断模块,第一判断模块的输出端分别与第二判断模块和跟踪模块连接;立体匹配模块的输入端接跟踪模块和预估模块的输出端,立体匹配模块的输出端接测距模块;
所述标定模块用于对双目***的两个摄像头进行标定,得到合适的双目摄像头参数;
所述图像采集模块用于为双目摄像头实时采集车辆前方的图像;
所述检测模块用于根据HSV颜色特性检测车底候选区域,并通过MobileNet-SSD进一步检测车底区域,确定首帧车辆区域;
所述第一判断模块用于判断是否检测出首帧图像,若否,则将信号接第二判断模块的输入端继续进行车辆检测,若是,则将信号输出至跟踪模块进行DeepSort目标车辆跟踪;
所述第二判断模块用于判断哪目检测出车辆,而选择另一目图像进行车辆区域预估;
所述预估模块用于根据上一帧图像的距离信息对车辆区域预估;
所述跟踪模块用于根据第一判断模块的结果选择一目图像进行DeepSort目标车辆跟踪确定最终车辆区域;
所述立体匹配模块用于对左、右目图像车辆区域点进行SGBM立体匹配;
所述立体匹配模块的输出端接测距模块,测距模块用于计算区域平均车距并得到最终车距。
2.所述基于MobileNet-SSD的车辆测距方法,其特征在于包括以下步骤:
步骤1:构建双目视觉***,并对双目视觉进行标定,建立相机图像像素位置与场景点位置之间的关系;
步骤2:双目摄像头同步采集左、右目图像;
步骤3:对左、右目图像进行目标车辆检测,确定首帧车辆区域;
步骤4:判断是否检测出首帧车辆,若否,则继续进行车辆检测,若是,则进行DeepSort目标车辆跟踪;若左、右目图像都检测出车辆,以左目检测为主,对左目进行目标跟踪,右目图像进行车辆区域预估;
步骤5:根据MobileNet-SSD网络所确定的首帧车辆坐标区域,通过DeepSort目标车辆追踪的方法进一步确定车辆区域的坐标;
步骤6:判断是否左目检图像测出车辆,若否,则对左目图像车辆区域进行预估,得到左目图像车辆区域预估坐标;若是,则对右目图像车辆区域进行预估,得到右目图像车辆区域预估坐标;
步骤7:对左、右目图像车辆区域点进行SGBM立体匹配;
步骤8:根据视差原理计算区域点视差,求出目标物与当前车辆的区域平均距离。
3.如权利要求2所述基于MobileNet-SSD的车辆测距方法,其特征在于在步骤3中,所述对左、右目图像进行目标车辆检测,确定首帧车辆区域的具体步骤包括:
(1)从双目相机采集的待测图像,对于每一帧RGB图像转换为HSV图像,利用HSV图像颜色特性定义阴影判别公式用于检测车底阴影,采用基于HSV颜色特性的阴影检测算法分割出所有车底阴影区域,若满足阴影判别公式,则判断像素点为阴影像素点,否则判断像素点为非阴影像素点,得到预选车辆ROI预选区域,确定可能存在车辆的图像;
(2)建立正、负样本数据集,正样本数据为不同条件下车辆图像,如不同天气、光照、车辆的情形,同时标注图像中车辆区域和非车辆区域;负样本为不包含车辆的交通场景图像,如含有路标、树木、建筑物、广告牌等交通场景,消除环境对目标检测的干扰;
(3)搭建MobileNet-SSD车辆检测模型,将正、负样本数据集输入MobileNet-SSD模型进行训练,得到训练好的稳定的MobileNet-SSD最终车辆检测模型;
(4)将可能存在车辆的图像在线输入训练好的MobileNet-SSD最终车辆检测模型,剔除非车底阴影区,检测出真正车底阴影区,即获得首帧车辆区域信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010647265.6A CN111723778B (zh) | 2020-07-07 | 2020-07-07 | 基于MobileNet-SSD的车辆测距***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010647265.6A CN111723778B (zh) | 2020-07-07 | 2020-07-07 | 基于MobileNet-SSD的车辆测距***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723778A true CN111723778A (zh) | 2020-09-29 |
CN111723778B CN111723778B (zh) | 2022-07-19 |
Family
ID=72573854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010647265.6A Active CN111723778B (zh) | 2020-07-07 | 2020-07-07 | 基于MobileNet-SSD的车辆测距***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723778B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733924A (zh) * | 2021-01-04 | 2021-04-30 | 哈尔滨工业大学 | 一种多贴片元器件检测方法 |
CN113343891A (zh) * | 2021-06-24 | 2021-09-03 | 深圳市起点人工智能科技有限公司 | 一种孩子踢被的检测装置和检测方法 |
CN113506027A (zh) * | 2021-07-27 | 2021-10-15 | 北京工商大学 | 基于学生视觉注意及教师行为的课程质量评估与提升方法 |
CN114046796A (zh) * | 2021-11-04 | 2022-02-15 | 南京理工大学 | 一种智能轮椅自主行走算法、装置及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886079A (zh) * | 2018-12-29 | 2019-06-14 | 杭州电子科技大学 | 一种车辆检测与跟踪方法 |
CN110231013A (zh) * | 2019-05-08 | 2019-09-13 | 哈尔滨理工大学 | 一种基于双目视觉的车前行人检测与人车距离获取方法 |
CN110322702A (zh) * | 2019-07-08 | 2019-10-11 | 中原工学院 | 一种基于双目立体视觉***的车辆智能测速方法 |
WO2020103427A1 (zh) * | 2018-11-23 | 2020-05-28 | 华为技术有限公司 | 对象检测方法、相关设备及计算机存储介质 |
-
2020
- 2020-07-07 CN CN202010647265.6A patent/CN111723778B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020103427A1 (zh) * | 2018-11-23 | 2020-05-28 | 华为技术有限公司 | 对象检测方法、相关设备及计算机存储介质 |
CN109886079A (zh) * | 2018-12-29 | 2019-06-14 | 杭州电子科技大学 | 一种车辆检测与跟踪方法 |
CN110231013A (zh) * | 2019-05-08 | 2019-09-13 | 哈尔滨理工大学 | 一种基于双目视觉的车前行人检测与人车距离获取方法 |
CN110322702A (zh) * | 2019-07-08 | 2019-10-11 | 中原工学院 | 一种基于双目立体视觉***的车辆智能测速方法 |
Non-Patent Citations (4)
Title |
---|
L.YANG ET AL.: "Vehicle Speed Measurement Based on Binocular Stereovision System", 《IEEE ACCESS》 * |
Z.HAN ET AL.: "Design of Intelligent Road Recognition and Warning System for Vehicles Based on Binocular Vision", 《IEEE ACCESS》 * |
宋子豪等: "汽车双目立体视觉的目标测距及识别研究", 《武汉理工大学学报》 * |
许小伟等: "一种虚拟场景车辆检测与测距方法", 《河南科技大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733924A (zh) * | 2021-01-04 | 2021-04-30 | 哈尔滨工业大学 | 一种多贴片元器件检测方法 |
CN113343891A (zh) * | 2021-06-24 | 2021-09-03 | 深圳市起点人工智能科技有限公司 | 一种孩子踢被的检测装置和检测方法 |
CN113506027A (zh) * | 2021-07-27 | 2021-10-15 | 北京工商大学 | 基于学生视觉注意及教师行为的课程质量评估与提升方法 |
CN114046796A (zh) * | 2021-11-04 | 2022-02-15 | 南京理工大学 | 一种智能轮椅自主行走算法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111723778B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN111723778B (zh) | 基于MobileNet-SSD的车辆测距***及方法 | |
CN111951305B (zh) | 一种基于视觉和激光雷达的目标检测和运动状态估计方法 | |
CN107738612B (zh) | 基于全景视觉辅助***的自动泊车停车位检测与识别*** | |
CN105711597B (zh) | 前方局部行驶环境感知***及方法 | |
CN111553252B (zh) | 一种基于深度学习及u-v视差算法的道路行人自动识别定位方法 | |
CN115032651B (zh) | 一种基于激光雷达与机器视觉融合的目标检测方法 | |
Geiger et al. | Are we ready for autonomous driving? the kitti vision benchmark suite | |
CN105300403B (zh) | 一种基于双目视觉的车辆里程计算法 | |
CN110942449A (zh) | 一种基于激光与视觉融合的车辆检测方法 | |
CN108230392A (zh) | 一种基于imu的视觉障碍物检测虚警剔除方法 | |
CN113903011B (zh) | 一种适用于室内停车场的语义地图构建及定位方法 | |
CN104318561A (zh) | 基于双目立体视觉与光流融合的车辆运动信息检测方法 | |
CN110717445B (zh) | 一种用于自动驾驶的前车距离跟踪***与方法 | |
CN113223045B (zh) | 基于动态物体语义分割的视觉与imu传感器融合定位*** | |
CN108645375B (zh) | 一种用于车载双目***快速车辆测距优化方法 | |
CN113029185B (zh) | 众包式高精度地图更新中道路标线变化检测方法及*** | |
CN113920183A (zh) | 基于单目视觉的车前障碍物测距方法 | |
KR20130053980A (ko) | 영상 데이터 융합 기반의 장애물체 검출 방법 및 장치 | |
CN112991369A (zh) | 基于双目视觉的行驶车辆外廓尺寸检测方法 | |
CN113487631B (zh) | 基于lego-loam的可调式大角度探测感知及控制方法 | |
JP4032843B2 (ja) | 監視システムおよび監視方法、当該監視システムにおける距離補正装置および距離補正方法 | |
CN114120283A (zh) | 一种道路场景三维语义分割中未知障碍物的判别方法 | |
WO2024114119A1 (zh) | 一种基于双目相机引导的传感器融合方法 | |
CN114719873B (zh) | 一种低成本精细地图自动生成方法、装置及可读介质 |
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 |