CN112669218A - 一种平面360度全景图像拼接方法及装置 - Google Patents
一种平面360度全景图像拼接方法及装置 Download PDFInfo
- Publication number
- CN112669218A CN112669218A CN202110081278.6A CN202110081278A CN112669218A CN 112669218 A CN112669218 A CN 112669218A CN 202110081278 A CN202110081278 A CN 202110081278A CN 112669218 A CN112669218 A CN 112669218A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- splicing
- verification
- similarity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012795 verification Methods 0.000 claims abstract description 47
- 238000013507 mapping Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000011176 pooling Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004138 cluster model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像拼接领域，提供一种平面360度全景图像拼接方法及装置，用于解决图像拼接处图像质量低的问题。本发明提供的平面360度全景图像拼接方法，包括：获取车辆四周的图像，每个所述图像中均包含标定物；分别提取所述拼接处的图像和所述校验图像的特征；计算所述拼接处的图像和所述校验图像的相对应的图像特征相似距离；判断所述拼接处的图像和所述校验图像的相似度，若相似度超过阈值，则拼接完成。提高了图像拼接的质量，尤其是提高了拼接处的图像质量，尤其适用于车身较长的货车的全景图像拼接。
Description
技术领域
本发明涉及图像拼接领域，具体涉及平面360度全景图像拼接方法。
背景技术
全景影像***的应用，通过在安装在汽车的前后左右等方位安装摄像头拍摄汽车周边的影像，并在汽车内部的显示屏上进行汽车周边的影像的显示，全景影像***的设置为驾驶员获知汽车周边的状况带来便利，避免无法看到汽车的视角盲区的状况所带来的风险，可辅助驾驶员在汽车停下或倒车时获知汽车周边的状况，从而为驾驶员带来更好的驾驶体验。
但现有的全景图像都是拼接产生的，拼接处的图像质量一般较差。尤其是货车的车身较长，一般没有针对货车的全景图像产品。
发明内容
本发明解决的技术问题为图像拼接处图像质量低的问题，提供平面360度全景图像拼接方法。
为了解决上述技术问题，本发明提供的技术方案为：
一种平面360度全景图像拼接方法，包括：
获取车辆前方和后方的图像，并获取车辆两侧的图像，从车辆两侧获取的图像不少于两张，每个所述图像中均包含标定物；
将车辆四周的图像拼接后，得到全景图像，根据所述全景图像获取拼接处的图像；
通过摄像头获取拼接处的实际图像，作为校验图像；
分别提取所述拼接处的图像和所述校验图像的特征；
计算所述拼接处的图像和所述校验图像的相对应的图像特征相似距离；
根据所述拼接处的图像和所述校验图像的特征相似距离判断所述拼接处的图像和所述校验图像的相似度，若相似度超过阈值，则拼接完成；若相似度低于阈值，调整摄像头参数，重复上述步骤，至相似度超过阈值。
为了拼接的图像更加真实，进行图像标定；在标定时，获取的图像内具有标定物，标定物同周围环境有明显的区别；对拼接产生的图形进行特征提取后，与实际的拼接处图形进行比对，二者的相似度满足要求即可完成图像拼接。
提高了图像拼接的质量，尤其是提高了拼接处的图像质量。
优选地，计算所述拼接处的图像和所述校验图像的相对应的图像特征相似距离的方法包括：
将所述拼接处的图像和所述校验图像分别切割为多个子图像后，提取子图像的特征；
所述子图像拥有n个像素点，计算像素点a的颜色值f（a），f（a）=
，其中a∈（0，n]，x为颜色值，其值为整数，x∈（0，256]，
为隶属函数，
∈[0，1]；
计算以像素点a为中心的区域的颜色平均值Y（a），Y（a）=
，a表示计算的像素点，b表示区域内像素点的个数；
计算所述拼接处的图像和所述校验图像在像素点a的特征相似距离ra（C，D）, ra（C，D）=|fC(a)-fD(a)|，其中fC(a)为所述拼接处的图像在像素点a的颜色值，fD(a)为所述校验图像在像素点a的颜色值。
优选地，计算所述拼接处的图像和所述校验图像的特征相似距离的方法包括：
优选地，将所述拼接处的图像和所述校验图像分别切割为多个子图像后，将子图像输入卷积神经网络，所述卷积神经网络为训练好的视觉几何群模型，去掉改卷积神经网络的全连接层和softmax层；
将子图像进行归一化处理，输入卷积神经网络进行前向运算；
提取神经网络中所有池化层的输出，作为深度特征映射图；
将每个池化层中提取来的深度特征映射图叠加，其中每个像素得到一个高纬特征向量，维数为该池化层提取的深度特征映射图的个数，对于这些特征向量，利用主成分分析进行降维。特征提取后进行降维，可以有效地减少计算量。
优选地，利用主成分分析进行降维后，将降维得到的所有特征映射图进行双线性差值，重置到原输入图像大小，得到降维后的深度特征。提取出的特征映射到原图上，进行特征距离计算时，可以有效的降低计算量，提高计算效率。
一种平面360度全景图像拼接装置，包括：
第一图像获取模块，所述第一图像获取模块获取车辆前方和后方的图像，并获取车辆两侧的图像，从车辆两侧获取的图像不少于两张，每个所述图像中均包含标定物，；
拼接模块，所述拼接模块将车辆四周的图像拼接后，得到全景图像，根据所述全景图像获取拼接处的图像；
第二图像获取模块，所述第二图像获取模块通过摄像头获取拼接处的实际图像，作为校验图像；
特征提取模块，所述特征提取模块分别提取所述拼接处的图像和所述校验图像的特征；
计算模块，所述计算模块计算所述拼接处的图像和所述校验图像的相对应的图像特征相似距离；
判断模块，所述判断模块根据所述拼接处的图像和所述校验图像的特征相似距离判断所述拼接处的图像和所述校验图像的相似度，若相似度超过阈值，则拼接完成；若相似度低于阈值，调整摄像头参数，重复上述步骤，至相似度超过阈值。
优选地，所述计算模块计算所述拼接处的图像和所述校验图像的相对应的图像特征相似距离的方法包括：
将所述拼接处的图像和所述校验图像分别切割为多个子图像后，提取子图像的特征；
所述子图像拥有n个像素点，计算像素点a的颜色值f（a），
，其中a∈（0，n]，x为颜色值，其值为整数，x∈（0，256]，
为隶属函数，
∈[0，1]；
计算以像素点a为中心的区域的颜色平均值Y（a），Y（a）=
，a表示计算的像素点，b表示区域内像素点的个数；
计算所述拼接处的图像和所述校验图像在像素点a的特征相似距离ra（C，D）, ra（C，D）=|fC(a)-fD(a)|，其中fC(a)为所述拼接处的图像在像素点a的颜色值，fD(a)为所述校验图像在像素点a的颜色值。
优选地，所述计算模块计算所述拼接处的图像和所述校验图像的特征相似距离的方法包括：
Ra（C，D）=
。
优选地，所述特征提取模块将所述拼接处的图像和所述校验图像分别切割为多个子图像后，将子图像输入卷积神经网络，采用的所述卷积神经网络为训练好的视觉几何群模型，去掉改卷积神经网络的全连接层和softmax层；
将子图像进行归一化处理，输入卷积神经网络进行前向运算；
提取神经网络中所有池化层的输出，作为深度特征映射图；
将每个池化层中提取来的深度特征映射图叠加，其中每个像素得到一个高纬特征向量，维数为该池化层提取的深度特征映射图的个数，对于这些特征向量，利用主成分分析进行降维。
优选地，利用主成分分析进行降维后，将降维得到的所有特征映射图进行双线性差值，重置到原输入图像大小，得到降维后的深度特征。
与现有技术相比，本发明具有的有益效果为：提高了图像拼接的质量，尤其是提高了拼接处的图像质量。
附图说明
图1为平面360度全景图像拼接方法的示意图。
图2为平面360度全景图像拼接装置的示意图。
具体实施方式
以下实施列是对本发明的进一步说明，不是对本发明的限制。
一种平面360度全景图像拼接方法，在本申请的一些实施例中，包括：
S100.获取车辆前方和后方的图像，并获取车辆两侧的图像，从车辆两侧获取的图像不少于两张，每个所述图像中均包含标定物；
在本申请的一些实施例中，共有6个摄像头，获取了车前、车后、车左、车右图像，车左两个图像，车右两个图像，车两侧的图像与。
在本申请的一些实施例中，所述拼接方法还包括：S200.将车辆四周的图像拼接后，得到全景图像，根据所述全景图像获取拼接处的图像；
拼接处的图像为车前、车左与车上方图像的拼接处。
在本申请的一些实施例中，所述拼接方法还包括：S300.通过摄像头获取拼接处的实际图像，作为校验图像；
校验图像为通过摄像头另外获取的，与车前、车左拼接的图像对应的实际图像。
在本申请的一些实施例中，所述拼接方法还包括：S400.分别提取所述拼接处的图像和所述校验图像的特征；
在本申请的一些实施例中，S400具体为：
S401.将所述拼接处的图像和所述校验图像分别切割为多个子图像后，提取子图像的特征，所述卷积神经网络为训练好的视觉几何群模型，去掉改卷积神经网络的全连接层和softmax层；
S402.将子图像进行归一化处理，输入卷积神经网络进行前向运算；
S403.提取神经网络中所有池化层的输出，作为深度特征映射图；
S404.将每个池化层中提取来的深度特征映射图叠加，其中每个像素得到一个高纬特征向量，维数为该池化层提取的深度特征映射图的个数，对于这些特征向量，利用主成分分析进行降维。
在本申请的一些实施例中，S405.利用主成分分析进行降维后，将降维得到的所有特征映射图进行双线性差值，重置到原输入图像大小，得到降维后的深度特征。
特征提取后进行降维，可以有效地减少计算量。提取出的特征映射到原图上，进行特征距离计算时，可以有效的降低计算量，提高计算效率。
在本申请的一些实施例中，所述拼接方法还包括：
S500. 计算所述拼接处的图像和所述校验图像的相对应的图像特征相似距离。
在本申请的一些实施例中，计算所述拼接处的图像和所述校验图像的相对应的图像特征相似距离的方法包括：根据S405中的重置后的原输入图像；
S501.所述子图像拥有n个像素点，计算像素点a的颜色值f（a），f（a）=
，其中a∈（0，n]，x为颜色值，其值为整数，x∈（0，256]，
为隶属函数，
∈[0，1]；
S502.计算以像素点a为中心的区域的颜色平均值Y（a），Y（a）=
，a表示计算的像素点，b表示区域内像素点的个数；
S503.计算所述拼接处的图像和所述校验图像在像素点a的特征相似距离ra（C，D）, ra（C，D）=|fC(a)-fD(a)|，其中fC(a)为所述拼接处的图像在像素点a的颜色值，fD(a)为所述校验图像在像素点a的颜色值。
在本申请的一些实施例中，所述拼接方法还包括：S504.根据子图像的特征相似距离，计算所述拼接处的图像和所述校验图像的特征相似距离。
在本申请的一些实施例中，计算所述拼接处的图像和所述校验图像的特征相似距离的方法包括：
Ra（C，D）=
。
计算依据的特征时经过神经网络提取的特征对应的子图像。在包含标定物的图像中，主要是包含标定物的图像区域。
由于对神经网络提取的特征进行了降维，计算量大幅降低。
在本申请的一些实施例中，所述拼接方法还包括：
S600.根据所述拼接处的图像和所述校验图像的特征相似距离判断所述拼接处的图像和所述校验图像的相似度，若相似度超过阈值，则拼接完成；若相似度低于阈值，调整摄像头参数，重复上述步骤，至相似度超过阈值。
为了拼接的图像更加真实，进行图像标定；在标定时，获取的图像内具有标定物，标定物同周围环境有明显的区别；对拼接产生的图形进行特征提取后，与实际的拼接处图形进行比对，二者的相似度满足要求即可完成图像拼接。
提高了图像拼接的质量，尤其是提高了拼接处的图像质量。
一种平面360度全景图像凭借装置，包括：
第一图像获取模块100，所述第一图像获取模块100获取车辆前方和后方的图像，并获取车辆两侧的图像，从车辆两侧获取的图像不少于两张，每个所述图像中均包含标定物，；
拼接模块200，所述拼接模块200将车辆四周的图像拼接后，得到全景图像，根据所述全景图像获取拼接处的图像；
第二图像获取模块300，所述第二图像获取模块300通过摄像头获取拼接处的实际图像，作为校验图像；
特征提取模块400，所述特征提取模块400分别提取所述拼接处的图像和所述校验图像的特征；
计算模块500，所述计算模块500计算所述拼接处的图像和所述校验图像的相对应的图像特征相似距离；
判断模块600，所述判断模块600根据所述拼接处的图像和所述校验图像的特征相似距离判断所述拼接处的图像和所述校验图像的相似度，若相似度超过阈值，则拼接完成；若相似度低于阈值，调整摄像头参数，重复上述步骤，至相似度超过阈值。
在本申请的一些实施例中，所述计算模块500计算所述拼接处的图像和所述校验图像的相对应的图像特征相似距离的方法包括：
将所述拼接处的图像和所述校验图像分别切割为多个子图像后，提取子图像的特征；
所述子图像拥有n个像素点，计算像素点a的颜色值f（a），f（a）=
，其中a∈（0，n]，x为颜色值，其值为整数，x∈（0，256]，
为隶属函数，
∈[0，1]；
计算以像素点a为中心的区域的颜色平均值Y（a），Y（a）=
，a表示计算的像素点，b表示区域内像素点的个数；
计算所述拼接处的图像和所述校验图像在像素点a的特征相似距离ra（C，D）, ra（C，D）=|fC(a)-fD(a)|，其中fC(a)为所述拼接处的图像在像素点a的颜色值，fD(a)为所述校验图像在像素点a的颜色值。
在本申请的一些实施例中，所述计算模块500计算所述拼接处的图像和所述校验图像的特征相似距离的方法包括：
Ra（C，D）=
。
在本申请的一些实施例中，所述特征提取模块400将所述拼接处的图像和所述校验图像分别切割为多个子图像后，将子图像输入卷积神经网络，采用的所述卷积神经网络为训练好的视觉几何群模型，去掉改卷积神经网络的全连接层和softmax层；
将子图像进行归一化处理，输入卷积神经网络进行前向运算；
提取神经网络中所有池化层的输出，作为深度特征映射图；
将每个池化层中提取来的深度特征映射图叠加，其中每个像素得到一个高纬特征向量，维数为该池化层提取的深度特征映射图的个数，对于这些特征向量，利用主成分分析进行降维。
在本申请的一些实施例中，利用主成分分析进行降维后，将降维得到的所有特征映射图进行双线性差值，重置到原输入图像大小，得到降维后的深度特征。
上列详细说明是针对本发明可行实施例的具体说明，以上实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。
Claims (10)
1.一种平面360度全景图像拼接方法，其特征在于，包括：
获取车辆前方和后方的图像，并获取车辆两侧的图像，从车辆两侧获取的图像不少于两张，每个所述图像中均包含标定物，；
将车辆四周的图像拼接后，得到全景图像，根据所述全景图像获取拼接处的图像；
通过摄像头获取拼接处的实际图像，作为校验图像；
分别提取所述拼接处的图像和所述校验图像的特征；
计算所述拼接处的图像和所述校验图像的相对应的图像特征相似距离；
根据所述拼接处的图像和所述校验图像的特征相似距离判断所述拼接处的图像和所述校验图像的相似度，若相似度超过阈值，则拼接完成；若相似度低于阈值，调整摄像头参数，重复上述步骤，至相似度超过阈值。
2.根据权利要求1所述的平面360度全景图像拼接方法，其特征在于，计算所述拼接处的图像和所述校验图像的相对应的图像特征相似距离的方法包括：
将所述拼接处的图像和所述校验图像分别切割为多个子图像后，提取子图像的特征；
所述子图像拥有n个像素点，计算像素点a的颜色值f（a），f（a）=
，其中a∈（0，n]，x为颜色值，其值为整数，x∈（0，256]，
为隶属函数，
∈[0，1]；
计算以像素点a为中心的区域的颜色平均值Y（a），Y（a）=
，a表示计算的像素点，b表示区域内像素点的个数；
计算所述拼接处的图像和所述校验图像在像素点a的特征相似距离ra（C，D）, ra（C，D）=|fC(a)-fD(a)|，其中fC(a)为所述拼接处的图像在像素点a的颜色值，fD(a)为所述校验图像在像素点a的颜色值。
3.根据权利要求1所述的平面360度全景图像拼接方法，其特征在于，计算所述拼接处的图像和所述校验图像的特征相似距离的方法包括：
Ra（C，D）=
。
4.根据权利要求2所述的平面360度全景图像拼接方法，其特征在于，将所述拼接处的图像和所述校验图像分别切割为多个子图像后，将子图像输入卷积神经网络，所述卷积神经网络为训练好的视觉几何群模型，去掉改卷积神经网络的全连接层和softmax层；
将子图像进行归一化处理，输入卷积神经网络进行前向运算；
提取神经网络中所有池化层的输出，作为深度特征映射图；
将每个池化层中提取来的深度特征映射图叠加，其中每个像素得到一个高纬特征向量，维数为该池化层提取的深度特征映射图的个数，对于这些特征向量，利用主成分分析进行降维。
5.根据权利要求1所述的平面360度全景图像拼接方法，其特征在于，利用主成分分析进行降维后，将降维得到的所有特征映射图进行双线性差值，重置到原输入图像大小，得到降维后的深度特征。
6.一种平面360度全景图像拼接装置，其特征在于，包括：
第一图像获取模块，所述第一图像获取模块获取车辆前方和后方的图像，并获取车辆两侧的图像，从车辆两侧获取的图像不少于两张，每个所述图像中均包含标定物，；
拼接模块，所述拼接模块将车辆四周的图像拼接后，得到全景图像，根据所述全景图像获取拼接处的图像；
第二图像获取模块，所述第二图像获取模块通过摄像头获取拼接处的实际图像，作为校验图像；
特征提取模块，所述特征提取模块分别提取所述拼接处的图像和所述校验图像的特征；
计算模块，所述计算模块计算所述拼接处的图像和所述校验图像的相对应的图像特征相似距离；
判断模块，所述判断模块根据所述拼接处的图像和所述校验图像的特征相似距离判断所述拼接处的图像和所述校验图像的相似度，若相似度超过阈值，则拼接完成；若相似度低于阈值，调整摄像头参数，重复上述步骤，至相似度超过阈值。
7.根据权利要求6所述的平面360度全景图像拼接装置，其特征在于，所述计算模块计算所述拼接处的图像和所述校验图像的相对应的图像特征相似距离的方法包括：
将所述拼接处的图像和所述校验图像分别切割为多个子图像后，提取子图像的特征；
所述子图像拥有n个像素点，计算像素点a的颜色值f（a），f（a）=
，其中a∈（0，n]，x为颜色值，其值为整数，x∈（0，256]，
为隶属函数，
∈[0，1]；
计算以像素点a为中心的区域的颜色平均值Y（a），Y（a）=
，a表示计算的像素点，b表示区域内像素点的个数；
计算所述拼接处的图像和所述校验图像在像素点a的特征相似距离ra（C，D）, ra（C，D）=|fC(a)-fD(a)|，其中fC(a)为所述拼接处的图像在像素点a的颜色值，fD(a)为所述校验图像在像素点a的颜色值。
8.根据权利要求6所述的平面360度全景图像拼接装置，其特征在于，所述计算模块计算所述拼接处的图像和所述校验图像的特征相似距离的方法包括：
9.根据权利要求6所述的平面360度全景图像拼接装置，其特征在于，所述特征提取模块将所述拼接处的图像和所述校验图像分别切割为多个子图像后，将子图像输入卷积神经网络，采用的所述卷积神经网络为训练好的视觉几何群模型，去掉改卷积神经网络的全连接层和softmax层；
将子图像进行归一化处理，输入卷积神经网络进行前向运算；
提取神经网络中所有池化层的输出，作为深度特征映射图；
将每个池化层中提取来的深度特征映射图叠加，其中每个像素得到一个高纬特征向量，维数为该池化层提取的深度特征映射图的个数，对于这些特征向量，利用主成分分析进行降维。
10.根据权利要求6所述的平面360度全景图像拼接装置，其特征在于，利用主成分分析进行降维后，将降维得到的所有特征映射图进行双线性差值，重置到原输入图像大小，得到降维后的深度特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110081278.6A CN112669218A (zh) | 2021-01-21 | 2021-01-21 | 一种平面360度全景图像拼接方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110081278.6A CN112669218A (zh) | 2021-01-21 | 2021-01-21 | 一种平面360度全景图像拼接方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112669218A true CN112669218A (zh) | 2021-04-16 |
Family
ID=75414038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110081278.6A Pending CN112669218A (zh) | 2021-01-21 | 2021-01-21 | 一种平面360度全景图像拼接方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112669218A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100014780A1 (en) * | 2008-07-16 | 2010-01-21 | Kalayeh Hooshmand M | Image stitching and related method therefor |
| CN103714349A (zh) * | 2014-01-09 | 2014-04-09 | 成都淞幸科技有限责任公司 | 一种基于颜色和纹理特征的图像识别方法 |
| CN106034202A (zh) * | 2015-03-10 | 2016-10-19 | 杭州海康威视数字技术股份有限公司 | 视频拼接摄像头的调整方法及其装置 |
| CN107154022A (zh) * | 2017-05-10 | 2017-09-12 | 北京理工大学 | 一种适用于拖车的动态全景拼接方法 |
| CN107844795A (zh) * | 2017-11-18 | 2018-03-27 | 中国人民解放军陆军工程大学 | 基于主成分分析的卷积神经网络特征提取方法 |
-
2021
- 2021-01-21 CN CN202110081278.6A patent/CN112669218A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100014780A1 (en) * | 2008-07-16 | 2010-01-21 | Kalayeh Hooshmand M | Image stitching and related method therefor |
| CN103714349A (zh) * | 2014-01-09 | 2014-04-09 | 成都淞幸科技有限责任公司 | 一种基于颜色和纹理特征的图像识别方法 |
| CN106034202A (zh) * | 2015-03-10 | 2016-10-19 | 杭州海康威视数字技术股份有限公司 | 视频拼接摄像头的调整方法及其装置 |
| CN107154022A (zh) * | 2017-05-10 | 2017-09-12 | 北京理工大学 | 一种适用于拖车的动态全景拼接方法 |
| CN107844795A (zh) * | 2017-11-18 | 2018-03-27 | 中国人民解放军陆军工程大学 | 基于主成分分析的卷积神经网络特征提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563415B (zh) | 一种基于双目视觉的三维目标检测***及方法 | |
| US9589326B2 (en) | Depth image processing apparatus and method based on camera pose conversion | |
| JP2019106159A (ja) | 知的地形特定のための方法及び装置、車両搭載端末、並びに車両 | |
| CN104835136B (zh) | 通过迭代插值和扭曲生成深度图的***和方法 | |
| CN110636263B (zh) | 全景环视图生成方法、车载设备及车载*** | |
| DE102013223039A1 (de) | Vorrichtung und Verfahren zum Bereitstellen eines AVM-Bildes | |
| CN103231708A (zh) | 一种基于双目视觉的智能车辆避障方法 | |
| CN111768332B (zh) | 一种车载环视实时3d全景图像的拼接方法及图形采集装置 | |
| US11380111B2 (en) | Image colorization for vehicular camera images | |
| 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 | |
| KR20170111504A (ko) | Avm 시스템 어라운드 영상 정합성 평가방법 및 장치 | |
| CN112598066A (zh) | 一种基于机器视觉的轻量化道路路面检测方法及*** | |
| CN107944350B (zh) | 一种基于外观和几何信息融合的单目视觉道路识别方法 | |
| CN116434088A (zh) | 基于无人机航拍图像的车道线检测及车道辅助保持方法 | |
| CN113191952A (zh) | 一种360度全景环视设备拼接图像评价方法 | |
| CN115936995A (zh) | 一种车辆四路鱼眼摄像头全景拼接方法 | |
| CN113971715A (zh) | 基于深度学习的三维脸部重建的*** | |
| CN117218457B (zh) | 一种基于双层二维归一化流的自监督工业异常检测方法 | |
| CN114677329A (zh) | 基于移动边缘计算的坑洞边缘图像目标检测*** | |
| CN112669218A (zh) | 一种平面360度全景图像拼接方法及装置 | |
| US20210224554A1 (en) | Image processing apparatus, vehicle, control method for information processing apparatus, storage medium, information processing server, and information processing method for recognizing a target within a captured image | |
| CN109708655A (zh) | 导航方法、装置、车辆及计算机可读存储介质 | |
| CN112669219A (zh) | 一种立体360度全景图像拼接方法及装置 | |
| JP2019128153A (ja) | 距離算出装置及び車両制御装置 | |
| CN116403186A (zh) | 基于FPN Swin Transformer与Pointnet++ 的自动驾驶三维目标检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |
|
| RJ01 | Rejection of invention patent application after publication |