CN111985378A - 道路目标的检测方法、装置、设备及车辆 - Google Patents
道路目标的检测方法、装置、设备及车辆 Download PDFInfo
- Publication number
- CN111985378A CN111985378A CN202010814018.0A CN202010814018A CN111985378A CN 111985378 A CN111985378 A CN 111985378A CN 202010814018 A CN202010814018 A CN 202010814018A CN 111985378 A CN111985378 A CN 111985378A
- Authority
- CN
- China
- Prior art keywords
- target
- road
- road scene
- vehicle
- detector
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 16
- 238000007477 logistic regression Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 240000004050 Pentaglottis sempervirens Species 0.000 description 1
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V20/50—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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种道路目标的检测方法、装置、设备及车辆。包括:对采集的道路图像数据进行分析,获得车辆当前所处的目标道路场景类别;根据所述目标道路场景类别确定目标检测器;基于所述目标检测器对激光点云数据进行处理,获得目标障碍物。本发明实施例提供的道路目标的检测方法,根据车辆当前所处的道路场景类别选择对应的检测器,以对激光点云数据进行处理,既可以满足对检测速度的要求,也可以保证检测的精度。
Description
技术领域
本发明实施例涉及无人驾驶技术领域,尤其涉及一种道路目标的检测方法、装置、设备及车辆。
背景技术
自动驾驶技术正处于起步阶段,安全问题是实现自动驾驶要面对的首要难题,纷杂的道路环境和较高的行驶速度使得自动驾驶对检测算法的精度和实时性有极高的要求。现在主流的激光雷达点云检测器大致分为一阶段和二阶段检测器,一阶段检测器具有处理速度快、效率高、实时性好的优点,但是检测精度较二阶段检测器稍差;二阶段检测器的检测精度更高,但是实时性较一阶段差。
发明内容
本发明实施例提供一种道路目标的检测方法、装置、设备及车辆,根据道路的实际场景选择检测器进行检测,既可以满足对检测速度的要求,也可以保证检测的精度。
第一方面,本发明实施例提供了一种道路目标的检测方法,包括:
对采集的道路图像数据进行分析,获得车辆当前所处的目标道路场景类别;
根据所述目标道路场景类别确定目标检测器;
基于所述目标检测器对激光点云数据进行处理,获得目标障碍物。
进一步地,对采集的道路图像数据进行分析,获得车辆当前所处的道路场景类别,包括:
将采集的道路图像数据输入道路场景分类器,输出车辆当前所处的多个道路场景类别的概率;
将概率最大的道路场景类别确定为目标道路场景类别。
进一步地,所述道路场景分类器包括卷积层、池化层、全连接及逻辑回归函数;将采集的道路图像数据输入道路场景分类器,输出车辆当前所处的多个道路场景类别的概率,包括:
将采集的道路图像数据输入卷积层和池化层进行特征提取;
将提取到的特征输入所述全连接层进行加权求和;
将加权求和所得的值输入所述逻辑回归函数,获得车辆当前所处的多个道路场景类别的概率。
进一步地,根据所述目标道路场景类别确定目标检测器,包括:
若目标道路场景为简单道路场景,则确定的目标检测器为一阶段检测器;
若目标道路场景为复杂道路场景,则确定的目标检测器为二阶段检测器。
进一步地,在获得目标障碍物之后,还包括:
将所述目标障碍物的信息发送至决策控制模块,以对车辆进行控制。
第二方面,本发明实施例还提供了一种道路目标的检测装置,包括:
目标道路场景类别获取模块,用于对采集的道路图像数据进行分析,获得车辆当前所处的目标道路场景类别;
目标检测器确定模块,用于根据所述目标道路场景类别确定目标检测器;
目标障碍物获取模块,用于基于所述目标检测器对激光点云数据进行处理,获得目标障碍物。
进一步地,所述目标道路场景类别获取模块,还用于:将采集的道路图像数据输入道路场景分类器,输出车辆当前所处的多个道路场景类别的概率;
将概率最大的道路场景类别确定为目标道路场景类别。
进一步地,所述目标道路场景类别获取模块,还用于:
将采集的道路图像数据输入卷积层和池化层进行特征提取;
将提取到的特征输入所述全连接层进行加权求和;
将加权求和所得的值输入所述逻辑回归函数,获得车辆当前所处的多个道路场景类别的概率。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例所述的道路目标的检测方法。
第四方面,本发明实施例还提供了一种车辆,包括车辆侧向避障装置,所述车辆侧向避障装置用于实现如本发明实施例所述的道路目标的检测方法。
本发明实施例公开的道路目标的检测方法、装置、设备及车辆,首先对采集的道路图像数据进行分析,获得车辆当前所处的目标道路场景类别,然后根据目标道路场景类别确定目标检测器,最后基于目标检测器对激光点云数据进行处理,获得目标障碍物。本发明实施例提供的道路目标的检测方法,根据车辆当前所处的道路场景类别选择对应的检测器,以对激光点云数据进行处理,既可以满足对检测速度的要求,也可以保证检测的精度。
附图说明
图1是本发明实施例一中的一种道路目标的检测方法的流程图;
图2是本发明实施例一中的一种道路场景分类器的原理图;
图3是本发明实施例一中的一种一阶段检测器的原理图;
图4是本发明实施例一中的一种二阶段检测器的原理图;
图5是本发明实施例二中的一种道路目标的检测装置的结构示意图;
图6是本发明实施例三中的一种计算机设备的结构示意图;
图7是本发明实施例四中的一种车辆的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种道路目标的检测方法的流程图,本实施例可适用于对车辆周围的目标进行识别的情况,该方法可以由道路目标的检测装置来执行,如图1所示,该方法具体包括如下步骤:
步骤110,对采集的道路图像数据进行分析,获得车辆当前所处的目标道路场景类别。
其中,道路图像数据可以由车载摄像头进行采集。道路场景类别可以包括简单道路场景(如:高速公路场景)和复杂道路场景(如:城市道路场景)。
具体的,对采集的道路图像数据进行分析,获得车辆当前所处的道路场景类别的方式可以是:将采集的道路图像数据输入道路场景分类器,输出车辆当前所处的多个道路场景类别的概率;将概率最大的道路场景类别确定为目标道路场景类别。
其中,道路场景分类器可以是训练好的神经网络。道路场景分类器的输入为道路图像数据,输出为各个道路场景类别以及各道路场景类别的概率。
本实施例中,道路场景分类器包括卷积层、池化层、全连接及逻辑回归函数。其中,逻辑回归函数可以是softmax函数。图2是本实施例中的一种道路场景分类器的原理图,如图2所示,道路场景分类器包括两个卷积层、两个池化层、两个全连接层和一个softmax函数。
具体的,将采集的道路图像数据输入道路场景分类器,输出车辆当前所处的多个道路场景类别的概率的过程可以是:将采集的道路图像数据输入卷积层和池化层进行特征提取;将提取到的特征输入全连接层进行加权求和;将加权求和所得的值输入逻辑回归函数,获得车辆当前所处的多个道路场景类别的概率。最后将概率最大的道路场景类别确定为目标道路场景类别。
步骤120,根据目标道路场景类别确定目标检测器。
具体的,根据目标道路场景类别确定目标检测器的方式可以是:若目标道路场景为简单道路场景,则确定的目标检测器为一阶段检测器;若目标道路场景为复杂道路场景,则确定的目标检测器为二阶段检测器。
其中,一阶段检测器的原理对数据直接进行回归计算,可以采用YOLO、SSD、SECOND及YOLO3D等算法实现。二阶段分类器的原理可以是先生成一系列的候选框,在通过卷积神经网络进行分类,常见的算法有R-CNN、FastR-CNN、Faster R-CNN、AVOD等。
示例性的,图3为本实施例中的一种一阶段检测器的原理图,该一阶段检测器为一个SECOND网络,如图3所示,首先根据激光点云数据获得体素特征和坐标,然后将体素特征和坐标依次输入体素特征提取器、稀疏卷积层及区域建议网络,最后进行分类、边框回归及方向分级。
示例性的,图4为本实施例中的一种二阶段检测器的原理图,该二阶段检测器为多视图目标检测网络(Aggregate View Object Detection network,AVOD)。AVOD中的RPN结构致力于将图像和鸟瞰图特征图中全分辨率的特征要素作为输入,允许较小尺寸目标产生高召回率。
步骤130,基于目标检测器对激光点云数据进行处理,获得目标障碍物。
当目标道路场景为简单道路场景时,确定的目标检测器为一阶段检测器,则采用一阶段检测器对激光点云数据进行处理。当目标道路场景为复杂道路场景时,确定的目标检测器为二阶段检测器,则采用二阶段检测器对激光点云数据进行处理。
可选的,在获得目标障碍物之后,还包括如下步骤:将目标障碍物的信息发送至决策控制模块,以对车辆进行控制。
本发明实施例的技术方案,首先对采集的道路图像数据进行分析,获得车辆当前所处的目标道路场景类别,然后根据目标道路场景类别确定目标检测器,最后基于目标检测器对激光点云数据进行处理,获得目标障碍物。本发明实施例提供的道路目标的检测方法,根据车辆当前所处的道路场景类别选择对应的检测器,以对激光点云数据进行处理,既可以满足对检测速度的要求,也可以保证检测的精度。
实施例二
图5为本发明实施例二提供的一种道路目标的检测装置的结构示意图。如图5所示,该装置包括:目标道路场景类别获取模块210,目标检测器确定模块220和目标障碍物获取模块230。
目标道路场景类别获取模块210,用于对采集的道路图像数据进行分析,获得车辆当前所处的目标道路场景类别;
目标检测器确定模块220,用于根据目标道路场景类别确定目标检测器;
目标障碍物获取模块230,用于基于目标检测器对激光点云数据进行处理,获得目标障碍物。
可选的,目标道路场景类别获取模块210,还用于:将采集的道路图像数据输入道路场景分类器,输出车辆当前所处的多个道路场景类别的概率;
将概率最大的道路场景类别确定为目标道路场景类别。
可选的,目标道路场景类别获取模块210,还用于:
将采集的道路图像数据输入卷积层和池化层进行特征提取;
将提取到的特征输入全连接层进行加权求和;
将加权求和所得的值输入逻辑回归函数,获得车辆当前所处的多个道路场景类别的概率。
可选的,目标检测器确定模块220,还用于:
若目标道路场景为简单道路场景,则确定的目标检测器为一阶段检测器;
若目标道路场景为复杂道路场景,则确定的目标检测器为二阶段检测器。
可选的,还包括:车辆控制模块,用于:
将目标障碍物的信息发送至决策控制模块,以对车辆进行控制。
上述装置可执行本发明前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明前述所有实施例所提供的方法。
实施例三
图6为本发明实施例三提供的一种计算机设备的结构示意图。图6示出了适于用来实现本发明实施方式的计算机设备312的框图。图6显示的计算机设备312仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。设备312是典型的道路目标的检测功能的计算设备。
如图6所示,计算机设备312以通用计算设备的形式表现。计算机设备312的组件可以包括但不限于:一个或者多个处理器316,存储装置328,连接不同***组件(包括存储装置328和处理器316)的总线318。
总线318表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及***组件互连(Peripheral Component Interconnect,PCI)总线。
计算机设备312典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备312访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置328可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(Random Access Memory,RAM)330和/或高速缓存存储器332。计算机设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***334可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块326的程序336,可以存储在例如存储装置328中,这样的程序模块326包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信,还可与一个或者多个使得用户能与该计算机设备312交互的设备通信,和/或与使得该计算机设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口322进行。并且,计算机设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(Local AreaNetwork,LAN),广域网Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器320通过总线318与计算机设备312的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备312使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks,RAID)***、磁带驱动器以及数据备份存储***等。
处理器316通过运行存储在存储装置328中的程序,从而执行各种功能应用以及数据处理,例如实现本发明上述实施例所提供的道路目标的检测方法。
实施例四
图7是本发明实施例四提供的一种车辆的结构示意图,如图7所示,该车辆包括本发明实施例的道路目标的检测装置,该装置包括:目标道路场景类别获取模块,用于对采集的道路图像数据进行分析,获得车辆当前所处的目标道路场景类别;目标检测器确定模块,用于根据所述目标道路场景类别确定目标检测器;目标障碍物获取模块,用于基于所述目标检测器对激光点云数据进行处理,获得目标障碍物。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种道路目标的检测方法,其特征在于,包括:
对采集的道路图像数据进行分析,获得车辆当前所处的目标道路场景类别;
根据所述目标道路场景类别确定目标检测器;
基于所述目标检测器对激光点云数据进行处理,获得目标障碍物。
2.根据权利要求1所述的方法,其特征在于,对采集的道路图像数据进行分析,获得车辆当前所处的道路场景类别,包括:
将采集的道路图像数据输入道路场景分类器,输出车辆当前所处的多个道路场景类别的概率;
将概率最大的道路场景类别确定为目标道路场景类别。
3.根据权利要求2所述的方法,其特征在于,所述道路场景分类器包括卷积层、池化层、全连接及逻辑回归函数;将采集的道路图像数据输入道路场景分类器,输出车辆当前所处的多个道路场景类别的概率,包括:
将采集的道路图像数据输入卷积层和池化层进行特征提取;
将提取到的特征输入所述全连接层进行加权求和;
将加权求和所得的值输入所述逻辑回归函数,获得车辆当前所处的多个道路场景类别的概率。
4.根据权利要求1所述的方法,其特征在于,根据所述目标道路场景类别确定目标检测器,包括:
若目标道路场景为简单道路场景,则确定的目标检测器为一阶段检测器;
若目标道路场景为复杂道路场景,则确定的目标检测器为二阶段检测器。
5.根据权利要求1所述的方法,其特征在于,在获得目标障碍物之后,还包括:
将所述目标障碍物的信息发送至决策控制模块,以对车辆进行控制。
6.一种道路目标的检测装置,其特征在于,包括:
目标道路场景类别获取模块,用于对采集的道路图像数据进行分析,获得车辆当前所处的目标道路场景类别;
目标检测器确定模块,用于根据所述目标道路场景类别确定目标检测器;
目标障碍物获取模块,用于基于所述目标检测器对激光点云数据进行处理,获得目标障碍物。
7.根据权利要求6所述的装置,其特征在于,所述目标道路场景类别获取模块,还用于:将采集的道路图像数据输入道路场景分类器,输出车辆当前所处的多个道路场景类别的概率;将概率最大的道路场景类别确定为目标道路场景类别。
8.根据权利要求7所述的装置,其特征在于,所述道路场景分类器包括卷积层、池化层、全连接及逻辑回归函数;所述目标道路场景类别获取模块,还用于:将采集的道路图像数据输入卷积层和池化层进行特征提取;
将提取到的特征输入所述全连接层进行加权求和;
将加权求和所得的值输入所述逻辑回归函数,获得车辆当前所处的多个道路场景类别的概率。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5任一所述的道路目标的检测方法。
10.一种车辆,其特征在于,包括车辆侧向避障装置,所述车辆侧向避障装置用于实现如权利要求1-5任一所述的道路目标的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010814018.0A CN111985378A (zh) | 2020-08-13 | 2020-08-13 | 道路目标的检测方法、装置、设备及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010814018.0A CN111985378A (zh) | 2020-08-13 | 2020-08-13 | 道路目标的检测方法、装置、设备及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111985378A true CN111985378A (zh) | 2020-11-24 |
Family
ID=73434285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010814018.0A Pending CN111985378A (zh) | 2020-08-13 | 2020-08-13 | 道路目标的检测方法、装置、设备及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985378A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080089557A1 (en) * | 2005-05-10 | 2008-04-17 | Olympus Corporation | Image processing apparatus, image processing method, and computer program product |
CN104658152A (zh) * | 2015-02-15 | 2015-05-27 | 西安交通大学 | 一种基于视频的运动物体入侵报警方法 |
CN105488534A (zh) * | 2015-12-04 | 2016-04-13 | 中国科学院深圳先进技术研究院 | 交通场景深度解析方法、装置及*** |
US20160335892A1 (en) * | 2014-03-10 | 2016-11-17 | Hitachi Automotive Systems, Ltd. | System for Avoiding Collision with Multiple Moving Bodies |
CN106772434A (zh) * | 2016-11-18 | 2017-05-31 | 北京联合大学 | 一种基于TegraX1雷达数据的无人车障碍物检测方法 |
CN106951847A (zh) * | 2017-03-13 | 2017-07-14 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、设备及存储介质 |
CN107609602A (zh) * | 2017-09-28 | 2018-01-19 | 吉林大学 | 一种基于卷积神经网络的驾驶场景分类方法 |
CN109145680A (zh) * | 2017-06-16 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 一种获取障碍物信息的方法、装置、设备和计算机存储介质 |
CN109993082A (zh) * | 2019-03-20 | 2019-07-09 | 上海理工大学 | 卷积神经网络道路场景分类与道路分割方法 |
CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
CN110598586A (zh) * | 2019-08-27 | 2019-12-20 | 电子科技大学 | 一种目标检测方法及*** |
CN110852255A (zh) * | 2019-11-08 | 2020-02-28 | 福州大学 | 一种基于u型特征金字塔的交通目标检测方法 |
CN110879994A (zh) * | 2019-12-02 | 2020-03-13 | 中国科学院自动化研究所 | 基于形状注意力机制的三维目测检测方法、***、装置 |
CN111079586A (zh) * | 2019-12-03 | 2020-04-28 | 西安电子科技大学 | 基于深度学习与双目摄像的自动驾驶目标检测***及方法 |
CN111126278A (zh) * | 2019-12-24 | 2020-05-08 | 北京邮电大学 | 针对少类别场景的目标检测模型优化与加速的方法 |
-
2020
- 2020-08-13 CN CN202010814018.0A patent/CN111985378A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080089557A1 (en) * | 2005-05-10 | 2008-04-17 | Olympus Corporation | Image processing apparatus, image processing method, and computer program product |
US20160335892A1 (en) * | 2014-03-10 | 2016-11-17 | Hitachi Automotive Systems, Ltd. | System for Avoiding Collision with Multiple Moving Bodies |
CN104658152A (zh) * | 2015-02-15 | 2015-05-27 | 西安交通大学 | 一种基于视频的运动物体入侵报警方法 |
CN105488534A (zh) * | 2015-12-04 | 2016-04-13 | 中国科学院深圳先进技术研究院 | 交通场景深度解析方法、装置及*** |
CN106772434A (zh) * | 2016-11-18 | 2017-05-31 | 北京联合大学 | 一种基于TegraX1雷达数据的无人车障碍物检测方法 |
CN106951847A (zh) * | 2017-03-13 | 2017-07-14 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、设备及存储介质 |
CN109145680A (zh) * | 2017-06-16 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 一种获取障碍物信息的方法、装置、设备和计算机存储介质 |
CN107609602A (zh) * | 2017-09-28 | 2018-01-19 | 吉林大学 | 一种基于卷积神经网络的驾驶场景分类方法 |
CN109993082A (zh) * | 2019-03-20 | 2019-07-09 | 上海理工大学 | 卷积神经网络道路场景分类与道路分割方法 |
CN110264468A (zh) * | 2019-08-14 | 2019-09-20 | 长沙智能驾驶研究院有限公司 | 点云数据标注、分割模型确定、目标检测方法及相关设备 |
CN110598586A (zh) * | 2019-08-27 | 2019-12-20 | 电子科技大学 | 一种目标检测方法及*** |
CN110852255A (zh) * | 2019-11-08 | 2020-02-28 | 福州大学 | 一种基于u型特征金字塔的交通目标检测方法 |
CN110879994A (zh) * | 2019-12-02 | 2020-03-13 | 中国科学院自动化研究所 | 基于形状注意力机制的三维目测检测方法、***、装置 |
CN111079586A (zh) * | 2019-12-03 | 2020-04-28 | 西安电子科技大学 | 基于深度学习与双目摄像的自动驾驶目标检测***及方法 |
CN111126278A (zh) * | 2019-12-24 | 2020-05-08 | 北京邮电大学 | 针对少类别场景的目标检测模型优化与加速的方法 |
Non-Patent Citations (3)
Title |
---|
ALEX_SHEN97: "目标检测中One-stage的检测算法", 《HTTPS://BLOG.CSDN.NET/SHENTANYUE/ARTICLE/DETAILS/84860600》 * |
王强 等: "基于场景匹配与可重构技术的自适应道路检测", 《传感器与微***》 * |
王玉金 等: "车载视觉感知***中障碍检测方法研究", 《科学技术与工程》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084292B (zh) | 基于DenseNet和多尺度特征融合的目标检测方法 | |
CN110991311B (zh) | 一种基于密集连接深度网络的目标检测方法 | |
CN110796686B (zh) | 目标跟踪方法及设备、存储装置 | |
US9443320B1 (en) | Multi-object tracking with generic object proposals | |
KR102073162B1 (ko) | 딥러닝 기반의 소형 물체 검출 기법 | |
CN111461145B (zh) | 一种基于卷积神经网络进行目标检测的方法 | |
CN112711034B (zh) | 物体检测方法、装置及设备 | |
EP4211651A1 (en) | Efficient three-dimensional object detection from point clouds | |
WO2022206414A1 (zh) | 三维目标检测方法及装置 | |
Gluhaković et al. | Vehicle detection in the autonomous vehicle environment for potential collision warning | |
CN113168558A (zh) | 用于图像数据的语义分割的方法、人工神经网络、设备、计算机程序和机器可读存储介质 | |
CN115345905A (zh) | 目标对象跟踪方法、装置、终端及存储介质 | |
Faisal et al. | Object detection and distance measurement using AI | |
CN117218622A (zh) | 路况检测方法、电子设备及存储介质 | |
CN112835063B (zh) | 物体动静属性的确定方法、装置、设备及存储介质 | |
CN111985378A (zh) | 道路目标的检测方法、装置、设备及车辆 | |
Abozeid et al. | An Efficient Indoor Localization Based on Deep Attention Learning Model. | |
CN111338336B (zh) | 一种自动驾驶方法及装置 | |
CN116868239A (zh) | 静态占用跟踪 | |
CN113658222A (zh) | 一种车辆检测跟踪方法及装置 | |
Priya et al. | Vehicle Detection in Autonomous Vehicles Using Computer Vision Check for updates | |
Vellaidurai et al. | A novel oyolov5 model for vehicle detection and classification in adverse weather conditions | |
Yuan et al. | Multiple object detection and tracking from drone videos based on GM-YOLO and multi-tracker | |
US20230386222A1 (en) | Method for detecting three-dimensional objects in roadway and electronic device | |
Furundzic et al. | Dataset Evaluation Method for Vehicle Detection Using TensorFlow Object Detection API |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201124 |
|
RJ01 | Rejection of invention patent application after publication |