CN113243017A - 确定图像数据是否在图像分析软件被配置以分析的预定范围内 - Google Patents

确定图像数据是否在图像分析软件被配置以分析的预定范围内 Download PDF

Info

Publication number
CN113243017A
CN113243017A CN201980087127.2A CN201980087127A CN113243017A CN 113243017 A CN113243017 A CN 113243017A CN 201980087127 A CN201980087127 A CN 201980087127A CN 113243017 A CN113243017 A CN 113243017A
Authority
CN
China
Prior art keywords
image data
prediction
value associated
confidence value
analysis software
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
Application number
CN201980087127.2A
Other languages
English (en)
Inventor
K·金尼
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN113243017A publication Critical patent/CN113243017A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Electromagnetism (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种用于确定图像数据是否在图像分析软件被配置以分析的预定范围内的***。该***包括相机和电子处理器。该电子处理器被配置成从相机接收图像数据，并且生成关于图像数据的预测以及与该预测相关联的置信度值。该电子处理器还被配置成使用扰动值扰动图像数据，并且生成关于受扰动的图像数据的预测以及与该预测相关联的置信度值。该电子处理器被进一步配置成比较置信度值，并且当与关于图像数据的预测相关联的置信度值和与关于图像数据的预测相关联的置信度值之间的差异小于预定阈值时，禁用车辆的自主功能。

Description

确定图像数据是否在图像分析软件被配置以分析的预定范 围内
相关申请
本申请要求于2018年12月31日提交的美国临时专利申请第62/786,590号的优先权，其全部内容由此通过引用并入本文。
发明内容
图像传感器是自主和部分自主驾驶***中的重要组件。然而，在一些情况下，来自图像传感器的图像数据可能会被错误地分析。例如，在诸如恶劣的天气条件（例如，下雨）、弱光和来自太阳的直射光之类的情况下，图像分析软件可能会错误地生成关于图像中对象的存在、图像中对象的位置、图像中道路标记的存在、图像中道路标记的位置，或上述各项的组合的预测。图像分析软件在一些情况下做出错误确定的原因是因为图像分析软件没有被配置成分析在这些情况下获得的图像数据。因此，在一些实施例中，当在图像分析软件未被配置以分析的情况下获得从相机接收到的图像数据时，忽略该图像数据是合期望的。在一些实施例中，当在图像分析软件未被配置以分析的情况下获得从相机接收到的图像数据时，禁用车辆的至少一些自主功能是合期望的。本文中的实施例描述了一种用于检测接收到的图像数据是否是在图像分析软件未被配置以分析的情况下获得的方法和***。
一个实施例提供了一种用于确定图像数据是否在图像分析软件被配置以分析的预定范围内的***。该***包括相机和电子处理器。该电子处理器被配置成从相机接收图像数据，并且使用图像分析软件生成关于图像数据的预测以及与关于图像数据的预测相关联的置信度值。该电子处理器还被配置成使用扰动值扰动图像数据，并且使用图像分析软件生成关于受扰动的图像数据的预测以及与关于受扰动的图像数据的预测相关联的置信度值。该电子处理器被进一步配置成将与关于受扰动的图像数据的预测相关联的置信度值和与关于图像数据的预测相关联的置信度值进行比较，以及当与关于图像数据的预测相关联的置信度值和与关于图像数据的预测相关联的置信度值之间的差异小于预定阈值时，禁用车辆的自主功能。
另一个实施例提供了一种确定图像数据是否在图像分析软件被配置以分析的预定范围内的方法。该方法包括：利用电子处理器，从相机接收图像数据；以及使用图像分析软件，生成关于图像数据的预测和与关于图像数据的预测相关联的置信度值。该方法还包括：使用扰动值扰动图像数据，并且使用图像分析软件，生成关于受扰动的图像数据的预测以及与关于受扰动的图像数据的预测相关联的置信度值。该方法进一步包括：利用电子处理器，将与关于受扰动的图像数据的预测相关联的置信度值和与关于图像数据的预测相关联的置信度值进行比较。该方法还包括：当与关于图像数据的预测相关联的置信度值和与关于图像数据的预测相关联的置信度值之间的差异小于预定阈值时，使用来自替代传感器的数据来生成预测以控制车辆的自主功能。
通过考虑详细描述和附图，其他的方面、特征和实施例将变得显而易见。
附图说明
图1是根据一些实施例的用于确定图像数据是否在图像分析软件被配置以分析的预定范围内的***的框图。
图2是根据一些实施例的图1的***的电子控制器的框图。
图3是根据一些实施例的使用用于确定图像数据是否在图像分析软件被配置以分析的预定范围内的图1的***的方法的流程图。
具体实施方式
在详细解释任何实施例之前，要理解到，本公开不意图将其应用限制于在以下描述中阐述或在以下附图中图示的构造和组件布置的细节。实施例能够具有其他配置，并且能够以各种方式实践或执行。
多个基于硬件和软件的设备，以及多个不同结构的组件可以用来实现各种实施例。此外，实施例可以包括硬件、软件和电子组件或模块，出于讨论的目的，可以将它们图示和描述为好像大多数组件仅以硬件实现一样。然而，本领域普通技术人员基于对本详细说明的阅读将意识到，在至少一个实施例中，本发明的基于电子的方面可以以可由一个或多个处理器执行的软件（例如，存储在非暂时性计算机可读介质上的软件）实现。例如，说明书中描述的“控制单元”和“控制器”可以包括一个或多个电子处理器、一个或多个包括非暂时性计算机可读介质的存储器模块、一个或多个输入/输出接口、一个或多个专用集成电路(ASIC)，以及连接各种组件的各种连接（例如，***总线）。
图1图示了用于确定图像数据是否在图像分析软件被配置以分析的预定范围内的***100。***100包括车辆105。车辆105虽然被图示为四轮车辆，但可以涵盖各种类型和设计的车辆。例如，车辆105可以是汽车、摩托车、卡车、公共汽车、半拖拉机等等。在所图示的示例中，车辆105包括电子控制器110、相机115、转向***120、加速器125和制动器130。车辆105的组件可以具有各种构造，并且可以使用各种通信类型和协议。
电子控制器110可以经由各种有线或无线连接与相机115、转向***120、加速器125和制动器130通信连接。例如，在一些实施例中，电子控制器110经由专用线直接耦合到车辆105的上面列出的组件中的每一个。在其他实施例中，电子控制器110经由诸如车辆通信总线（例如，控制器局域网(CAN)总线）或无线连接之类的共享通信链路通信耦合到一个或多个组件。
车辆105的每一个组件可以使用各种通信协议与电子控制器110通信。图1中图示的实施例仅提供车辆105的组件和连接的一个示例。然而，这些组件和连接可以以与本文中说明和描述的方式不同的其他方式来构造。例如，应当理解，电子控制器110可以包括一个或多个相机，而不是图1中图示的单个相机115，并且包括在车辆105中的相机可以安装在车辆105的内部和外部上的不同位置处。
图2是车辆105的电子控制器110的框图。电子控制器110包括：向电子控制器110内的组件和模块提供电力、操作控制和保护的多个电气和电子组件。电子控制器110除了别的之外包括电子处理器200（诸如可编程电子微处理器、微控制器或类似设备）、存储器205（例如，非暂时性机器可读存储器）和输入/输出接口210。电子处理器200通信连接到存储器205和输入/输出接口210。电子处理器200与存储器205和输入/输出接口210协作，其被配置成除了别的之外实现本文中描述的方法。
如下文将进一步详细描述的，存储器205包括：计算机可执行指令（或软件），用于除了别的之外确定图像数据是否在图像分析软件被训练以分析的（在某种情况下获得的）预定范围内。在图2中图示的示例中，存储器205包括：图像分析软件215，其包括卷积神经网络(CNN) 220（或更广泛地是机器学习软件）和自主功能软件225。CNN 220被训练成进行与对从相机115接收到的图像数据中的对象、道路标记、道路标志等等进行检测和分类有关的预测。自主功能软件225依赖于由图像分析软件215（例如，CNN 220）使用来自相机115的图像数据做出的预测，以通过控制转向***120、加速器125和制动器130除了别的之外向车辆105提供自主功能。自主功能软件225可以是例如自动巡航控制(ACC)、自动制动***、自动停车***等等。应当理解到，存储器205可以包括比图2中图示的软件组件更多、更少或不同的软件组件。虽然在本文中被描述为包括CNN，但是应当注意，图像分析软件215可以包括不同类型的机器学习软件，例如，决策树或贝叶斯网络。在一些实施例中，图像分析软件215可以不包括机器学习软件。
电子控制器110可以在几个独立控制器（例如，可编程电子控制器）中实现，每个独立控制器被配置成实行特定功能或子功能。附加地，电子控制器110可以包含子模块，这些子模块包括附加的电子处理器、存储器或专用集成电路(ASIC)，用于处置输入/输出功能、信号的处理和下面列出的方法的应用。在其他实施例中，电子控制器110包括附加的、更少的或不同的组件。
图3图示了用于确定图像数据是否在图像分析软件被配置以分析的预定范围内的方法300的示例。方法300由执行图像分析软件215的电子处理器200实行。应当理解到，虽然下面根据被训练成分析图像数据的CNN来描述示例方法300，但是方法300更一般地适用于被配置成分析图像数据的图像分析软件。在步骤305处，电子处理器200从相机115接收图像数据。在步骤310处，电子处理器200计算特定于CNN 220和接收到的图像数据的扰动值。扰动值是当被添加到图像数据时会更改图像数据、有效地在图像数据中产生噪声的值。电子处理器200使用CNN 220的成本函数的梯度来计算扰动值。在一些实施例中，成本函数被定义为
Figure DEST_PATH_IMAGE001
，其中x是输入图像数据，y是图像数据的可能分类，并且
Figure 58804DEST_PATH_IMAGE002
是CNN 220中包括的权重值。扰动值被确定为确定成本函数
Figure DEST_PATH_IMAGE003
的梯度的符号(正或负)乘以权重
Figure 116890DEST_PATH_IMAGE004
的结果。在步骤315处，使用扰动值来扰动图像数据（将扰动值添加到图像数据的每个像素）。在步骤320处，电子处理器200执行CNN 220来生成对受扰动的图像数据的预测（将受扰动的图像数据分类为多个类别之一）。例如，CNN 220可以确定车辆105右侧的车道标记是实线还是虚线。当电子处理器200生成预测时，该预测与置信度值相关联。置信度值表示预测正确的可能性。
在步骤325处，电子处理器200还执行CNN 220以生成关于图像数据的预测（将图像数据分类为多个类别之一），并且确定与关于图像数据的预测相关联的置信度值。应当注意到，虽然步骤325在图3中被图示为与步骤310-320并行实行，但在一些实施例中，这些步骤可以顺序实行。
在步骤330处，电子处理器200将与基于受扰动的图像数据做出的预测相关联的置信度值和与基于未受扰动的图像数据做出的预测相关联的置信度值进行比较。在步骤335处，当置信度值之间的差异小于预定阈值时，电子处理器200确定从相机115接收到的图像数据位于CNN 220被训练以分析的预定范围之外。当从相机115接收到的图像数据位于CNN220被训练以分析的预定范围之外时，电子处理器200确定由CNN 220做出的预测是不可靠的。在一些实施例中，当从相机115接收到的图像数据位于CNN 220被训练以分析的预定范围之外，并且自主功能软件225依赖于由CNN 220生成的预测时，电子处理器200禁用由自主功能软件225控制的车辆105的自主功能。
在其他实施例中，当从相机115接收到的图像数据位于CNN 220被训练以分析的预定范围之外时，不是禁用自主功能软件225，而是电子处理器200忽略（无视）来自相机115的图像数据。在电子处理器200忽略来自相机115的图像数据的情况下，电子处理器200使用来自替代传感器的数据以利用CNN 220（或其他类型的软件）生成预测，并且执行自主功能软件225的自主功能。来自替代传感器的数据的示例包括：来自其他相机的图像数据、或来自诸如雷达传感器、LIDAR传感器、超声波传感器等等的传感器的数据。
应当理解到，图像分析软件215可以包括多于一个CNN，并且每个CNN可以被训练成检测接收到的图像数据中的不同内容。例如，一个CNN可以被训练成检测道路标记（例如，车道标记），而另一个CNN被训练成检测诸如人、动物和车辆之类的对象。在一些实施例中，当图像数据被确定为在CNN被训练以分析的预定范围之外时，无论自主功能软件225是否依赖于CNN基于图像数据做出的预测，都禁用由自主功能软件225控制的自主功能。
在前述说明书中，已经描述了具体实施例。然而，本领域普通技术人员领会到，在不脱离如所附权利要求中阐述的本发明的范围的情况下，可以进行各种修改和改变。因此，说明书和附图被认为是说明性的而非限制性的，并且所有这些修改都意图被包括在本教导的范围内。
在本文档中，诸如第一和第二、顶部和底部等等的关系术语可以单独用于将一个实体或动作与另一个实体或动作区分开来，而不必要求或暗示这样的实体或动作之间的任何实际的这种关系或次序。术语“包括（comprises）”、“包括（comprising）”、“具有（has）”、“具有（having）”、“包括（includes）”、“包括（including）”、“包含（contains）”、“包含（containing）”或其任何其他变体意图涵盖非排他性的包括，诸如包括、具有、包括、包含元素列表的过程、方法、物品或装置不仅包括那些元素，而是还可以包括未明确列出或者是这种过程、方法、物品或装置固有的其他元素。以“包括……一个”、“具有……一个”、“包括……一个”或“含有……一个”开头的元素在没有更多约束的情况下不排除在包括、具有、包括、包含该元素的过程、方法、物品或装置中存在附加的相同元素。除非本文中另行明确陈述，否则术语“一”和“一个”被定义为一个或多个。术语“大体上”、“基本上”、“近似”、“大约”或其任何其他版本被定义为接近本领域普通技术人员所理解的，并且在一个非限制性实施例中，该术语被定义为在10%以内，在另一个实施例中在5%以内，在另一个实施例中在1%以内，并且在另一个实施例中在0.5%以内。本文中使用的术语“耦合”被定义为连接，尽管不一定是直接连接也不一定是机械连接。以某种方式“配置”的设备或结构至少以这种方式配置，但也可以以未列出的方式配置。
在所附权利要求中阐述了各种特征、优点和实施例。

Claims (14)

1.一种用于确定图像数据是否在图像分析软件被配置以分析的预定范围内的***，所述***包括：
相机；以及
电子处理器，所述电子处理器被配置成：
从相机接收图像数据；
使用图像分析软件，生成关于图像数据的预测以及与关于图像数据的预测相关联的置信度值；
使用扰动值扰动图像数据；
使用图像分析软件，生成关于受扰动的图像数据的预测以及与关于受扰动的图像数据的预测相关联的置信度值；
将与关于受扰动的图像数据的预测相关联的置信度值和与关于图像数据的预测相关联的置信度值进行比较；以及
当与关于图像数据的预测相关联的置信度值和与关于图像数据的预测相关联的置信度值之间的差异小于预定阈值时，禁用车辆的自主功能。
2.根据权利要求1所述的***，其中，被禁用的自主功能依赖于关于图像数据的预测。
3.根据权利要求1所述的***，其中，所述图像分析软件包括被训练成分析图像数据的机器学习软件。
4.根据权利要求3所述的***，其中，所述机器学习软件包括卷积神经网络。
5.根据权利要求4所述的***，其中，所述电子处理器被配置成计算扰动值。
6.根据权利要求5所述的***，其中，所述电子处理器被配置成通过以下方式计算所述扰动值
确定卷积神经网络的成本函数的梯度的符号；以及
用所述符号乘以权重。
7.根据权利要求1所述的***，其中，由图像分析软件生成的预测涉及对图像数据中的对象、道路标志和道路标记进行检测和分类。
8.一种确定图像数据是否在图像分析软件被配置以分析的预定范围内的方法，所述方法包括：
利用电子处理器，从相机接收图像数据；
使用图像分析软件，生成关于图像数据的预测以及与关于图像数据的预测相关联的置信度值；
使用扰动值扰动图像数据；
使用图像分析软件，生成关于受扰动的图像数据的预测以及与关于受扰动的图像数据的预测相关联的置信度值；
利用电子处理器，将与关于受扰动的图像数据的预测相关联的置信度值和与关于图像数据的预测相关联的置信度值进行比较；以及
当与关于图像数据的预测相关联的置信度值和与关于图像数据的预测相关联的置信度值之间的差异小于预定阈值时，使用来自替代传感器的数据来生成预测以控制车辆的自主功能。
9.根据权利要求8所述的方法，所述方法进一步包括：当与关于图像数据的预测相关联的置信度值和与关于图像数据的预测相关联的置信度值之间的差异小于预定阈值时，忽略来自相机的图像数据。
10.根据权利要求8所述的方法，其中，所述图像分析软件包括被训练成分析图像数据的机器学习软件。
11.根据权利要求10所述的方法，其中，所述机器学习软件包括卷积神经网络。
12.根据权利要求11所述的方法，所述方法进一步包括计算扰动值。
13.根据权利要求12所述的方法，其中，计算扰动值包括：确定卷积神经网络的成本函数的梯度的符号；以及
用所述符号乘以权重。
14.根据权利要求8所述的方法，其中，由图像分析软件生成的预测涉及对图像数据中的对象、道路标志和道路标记进行检测和分类。
CN201980087127.2A 2018-12-31 2019-12-20 确定图像数据是否在图像分析软件被配置以分析的预定范围内 Pending CN113243017A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862786590P 2018-12-31 2018-12-31
US62/786590 2018-12-31
US16/286,191 US20200210788A1 (en) 2018-12-31 2019-02-26 Determining whether image data is within a predetermined range that image analysis software is configured to analyze
US16/286191 2019-09-26
PCT/EP2019/086774 WO2020141121A1 (en) 2018-12-31 2019-12-20 Determining whether image data is within a predetermined range that image analysis software is configured to analyze

Publications (1)

Publication Number Publication Date
CN113243017A true CN113243017A (zh) 2021-08-10

Family

ID=71124060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980087127.2A Pending CN113243017A (zh) 2018-12-31 2019-12-20 确定图像数据是否在图像分析软件被配置以分析的预定范围内

Country Status (6)

Country Link
US (1) US20200210788A1 (zh)
EP (1) EP3906500A1 (zh)
JP (1) JP7216210B2 (zh)
KR (1) KR20210107022A (zh)
CN (1) CN113243017A (zh)
WO (1) WO2020141121A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220078588A1 (en) * 2020-09-06 2022-03-10 Autotalks Ltd. Method and apparatus for two-wheeler safety based on vehicular communications
US11897453B2 (en) * 2020-12-28 2024-02-13 Continental Automotive Systems, Inc. Parking spot detection reinforced by scene classification

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6052293B2 (ja) 2012-10-17 2016-12-27 富士通株式会社 画像処理装置、画像処理プログラムおよび画像処理方法
US10235629B2 (en) * 2015-06-05 2019-03-19 Southwest Research Institute Sensor data confidence estimation based on statistical analysis
JP6657034B2 (ja) 2015-07-29 2020-03-04 ヤマハ発動機株式会社 異常画像検出装置、異常画像検出装置を備えた画像処理システムおよび画像処理システムを搭載した車両
US10427645B2 (en) 2016-10-06 2019-10-01 Ford Global Technologies, Llc Multi-sensor precipitation-classification apparatus and method
JP6857728B2 (ja) 2016-11-22 2021-04-14 アマゾン テクノロジーズ インコーポレイテッド 制御されていない交差点及び制御されている交差点を自律的に走行する方法
US10296828B2 (en) * 2017-04-05 2019-05-21 Here Global B.V. Learning a similarity measure for vision-based localization on a high definition (HD) map

Also Published As

Publication number Publication date
US20200210788A1 (en) 2020-07-02
JP2022515288A (ja) 2022-02-17
WO2020141121A1 (en) 2020-07-09
JP7216210B2 (ja) 2023-01-31
EP3906500A1 (en) 2021-11-10
KR20210107022A (ko) 2021-08-31

Similar Documents

Publication Publication Date Title
CN106537180B (zh) 用于用针对行人的主动制动的摄影机输入缓解雷达传感器限制的方法
US10140531B2 (en) Detection of brake lights of preceding vehicles for adaptation of an initiation of active safety mechanisms
US8638990B2 (en) Stop line recognition device
US10489664B2 (en) Image processing device, device control system, and computer-readable storage medium
US9262693B2 (en) Object detection apparatus
US10983521B2 (en) Vehicle controller, vehicle control method, and non-transitory storage medium storing vehicle control program
GB2558777A (en) Vehicle collision avoidance
US20150120160A1 (en) Method and device for detecting a braking situation
US10916134B2 (en) Systems and methods for responding to a vehicle parked on shoulder of the road
US10482332B2 (en) Pedestrian determining apparatus for determining whether an object is a pedestrian crossing ahead of an own vehicle
CN105593700A (zh) 带有入口匝道检测的自适应巡航控制
US11361554B2 (en) Performing object and activity recognition based on data from a camera and a radar sensor
US11657621B2 (en) Method for generating control settings for a motor vehicle
EP4016500A1 (en) Motion-characteristic based object classification for automated vehicle
CN113243017A (zh) 确定图像数据是否在图像分析软件被配置以分析的预定范围内
US11726176B2 (en) Annotation of radar-profiles of objects
TW201721608A (zh) 障礙物分類可靠度量化之方法
US10442430B2 (en) Collision avoidance assistance device
CN113743356A (zh) 数据的采集方法、装置和电子设备
KR102298869B1 (ko) 차량 충돌 방지 장치 및 그 방법
JP6332045B2 (ja) 障害物識別装置、及び障害物識別システム
US20230311858A1 (en) Systems and methods for combining detected objects
KR102601353B1 (ko) 초음파 센서의 높이 보상장치 및 그 방법
CN114981139A (zh) 用于管控车辆的管控方法和管控装置

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