CN113920183A - 基于单目视觉的车前障碍物测距方法 - Google Patents
基于单目视觉的车前障碍物测距方法 Download PDFInfo
- Publication number
- CN113920183A CN113920183A CN202111232087.1A CN202111232087A CN113920183A CN 113920183 A CN113920183 A CN 113920183A CN 202111232087 A CN202111232087 A CN 202111232087A CN 113920183 A CN113920183 A CN 113920183A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- vehicle
- image
- coordinates
- matrix
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C3/00—Measuring distances in line of sight; Optical rangefinders
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
- Measurement Of Optical Distance (AREA)
Abstract
本发明公开了一种基于单目视觉的车前障碍物测距方法,利用目标检测算法识别车辆前方图像中的障碍物,并获得障碍物的图像级坐标,再利用预先构建的图像位置信息与实际位置信息的映射关系矩阵,得到障碍物在真实世界的坐标,即可以得到该障碍物与车辆的距离数据。其中对于映射关系矩阵的构造,进一步可以设置并采集障碍物的图像数据集,利用目标检测算法提取障碍物图像坐标,并实地测量以车后轴中心点为原点的世界坐标系下障碍物的坐标,构造二者映射矩阵并经拟合优化,得到该映射关系矩阵。本发明有效解决了视觉测距成本高、结构复杂、实时性差及精确度低的问题,在高效且准确地检测出目标距离信息的同时,也避免了多目测距的匹配问题。
Description
技术领域
本发明涉及智能车辆辅助控制领域,尤其涉及一种基于单目视觉的车前障碍物测距方法。
背景技术
随着国内交通领域的快速发展,基于计算机视觉的智能车辆辅助***逐渐成为各汽车制造厂商和科研机构中的研究热点,智能汽车辅助***是一个集环境感知、规划决策、自动驾驶等多种功能于一体的综合***。而物体间的距离是汽车了解周围环境和做出决策的关键信息,但是在图像成像的过程中因为缺失深度信息,无法直接从图像中获取物体的深度信息。因此出现了许多基于测距的传感器和测距技术,如:毫米波雷达测距、激光雷达测距、超声波测距、深度相机测距等。虽然专用的测距传感器在测距精度上高于视觉测距技术,但视觉测距因为其成本低,依然得到了更为广泛地应用。
从图像处理与模式识别发展起来的计算机视觉,主要目的就是让计算机通过图像和图像序列识别与认知三维世界,最终实现利用计算机对于三维世界的理解来实现人的视觉***的功能。视觉测距兼顾了精确度、实时性、适应性和成本等多个方面。
目前常用的测距方法包括基于运动信息的障碍区检测技术,基于立体视觉和激光雷达的检测技术,以及多传感器融合的检测***,但是单纯采用计算机视觉技术完成检测和测距的方法较为少见,其中之一是立体视觉检测方法,该方法利用人类双目视差感知距离的方法,实现三维信息感知,即基于三角测量的方法,运用摄像机对同一物体从不同位置成像,进而从视差中恢复距离。目前视觉测距算法中的双目立体测距,是通过特征点匹配来获得景深信息,但是耗费时间长、实时性差,并且相机安装复杂、价格昂贵,难适应量产需求。基于立体视觉的测距方法关键是在场景中的物体在左右图像中产生的一对共轭点之间的匹配问题,常用的匹配算法包括模板匹配法,特征匹配法和频率域匹配法,但是在三维投影为二维图像的过程中存在噪音与畸变,深度和不可见部分的信息缺失想,同一物体在不同视角下存在较为明显的不同,以及角度问题引发物体遮挡带来的特征信息丢失等问题,都极大的增加了图像配准的难度。
因此行业内又提出三目配准的方法,即同时摄取物体的三幅图像,从而增加景物的信息量和配准约束条件,简化配准问题;但是也因此大大增加测距***的成本,安装和图像同步采集难度也增加,不具备适用性。
而单目视觉则相对应上述方式具有价格低廉、结构简单,且不需要数据融合以及实时性强的特点。
发明内容
鉴于上述,本发明旨在提供一种基于单目视觉的车前障碍物测距方法,以低成本便于推广实施为基础,解决相机参数优化及减小检测精度误差的问题。
本发明采用的技术方案如下:
一种基于单目视觉的车前障碍物测距方法,其中包括:
实车获得包含障碍物在内的图像数据;
利用目标检测算法获得障碍物的边界框,并基于边界框获取障碍物的像素坐标;
利用预设的单一性矩阵构建出映射矩阵,所述映射矩阵表征障碍物基于图像的像素坐标以及基于世界坐标系的实际坐标之间的映射关系;
根据障碍物的所述像素坐标以及所述映射矩阵,输出障碍物在真实世界的位置数据。
在其中至少一种可能的实现方式中,所述构建出映射矩阵包括:构造训练数据集。
在其中至少一种可能的实现方式中,所述构造训练数据集包括:
以车辆后轴中心点为原点构造世界坐标系;
基于世界坐标系,设置若干个位于车辆前方的障碍物,并获得障碍物的世界坐标;
利用车载前置摄像头采集带有障碍物的正视图像,构建训练数据集。
在其中至少一种可能的实现方式中,所述获得障碍物的世界坐标包括:
在车头前部中心位置设定前置点,并测量前置点至车辆后轴中心点的间距;
以前置点为坐标原点建立参考坐标系,并沿车辆前方的横向方向均匀标记若干个第一参考点,以及沿车辆前方的纵向方向均匀标记出若干个第二参考点;
在第一参考点与第二参考点范围内设定障碍物,并测得障碍物在所述参考坐标系下的坐标信息;
将所述间距作为所述坐标信息中Y轴的补偿值,确定出障碍物基于所述世界坐标系的世界坐标。
在其中至少一种可能的实现方式中,所述构造训练数据集还包括:获取正视图像中的障碍物的像素坐标。
在其中至少一种可能的实现方式中,所述获取正视图像中的障碍物的像素坐标包括:采用投影法获取障碍物在正视图像中的像素坐标。
在其中至少一种可能的实现方式中,所述采用投影法获取障碍物在正视图像中的像素坐标包括:
利用目标检测算法获得正视图像中的物体的边界框;
选取边界框中的物体与地面的接触点以表征障碍物,并将所述接触点的像素坐标作为障碍物在正视图像中的像素坐标。
在其中至少一种可能的实现方式中,所述利用预设的单一性矩阵构建出映射矩阵还包括:基于opencv的单一性矩阵函数求取得到映射矩阵,并对所述映射矩阵进行优化。
在其中至少一种可能的实现方式中,所述对所述映射矩阵进行优化包括:通过matlab对所述映射矩阵进行拟合优化。
本发明的主要设计构思在于,利用目标检测算法识别车辆前方图像中的障碍物,并获得障碍物的图像级坐标,再利用预先构建的图像位置信息与实际位置信息的映射关系矩阵,得到障碍物在真实世界的坐标,即可以得到该障碍物与车辆的距离数据。其中对于映射关系矩阵的构造,进一步可以设置并采集障碍物的图像数据集,利用目标检测算法提取障碍物图像坐标,并实地测量以车后轴中心点为原点的世界坐标系下障碍物的坐标,构造二者映射矩阵并经拟合优化,得到该映射关系矩阵。本发明有效解决了视觉测距成本高、结构复杂、实时性差及精确度低的问题,在高效且准确地检测出目标距离信息的同时,也避免了多目测距的匹配问题。
附图说明
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步描述,其中:
图1为本发明实施例提供的基于单目视觉的车前障碍物测距方法的流程图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明提出了一种基于单目视觉的车前障碍物测距方法的实施例,具体来说,如图1所示,其中包括:
步骤S1、实车获得包含障碍物在内的图像数据;
步骤S2、利用目标检测算法(可以包括YOLO,如YOLOv3)获得障碍物的边界框(bounding box),并基于边界框获取障碍物的像素坐标;优选地,还可以利用YOLO算法提取到物体识别置信度以及物体种类等信息;
需说明的是,采用包含YOLOv3算法在内的目标检测算法,其优势在于,YOLOv3采用Darknet53作为backbone,Darknet53大量使用类似于ResNet的残差跳层连接,从而可以加深网络的深度,特征提取可以提取出更高层的语义特征,并且为了降低池化带来的梯度负面效果,该算法鲁棒性和泛化能力都十分出色,可以有效获取目标障碍物的坐标、种类等信息。
步骤S3、利用预设的单一性矩阵构建出映射矩阵,所述映射矩阵表征障碍物基于图像的像素坐标以及基于世界坐标系的实际坐标之间的映射关系;
步骤S4、根据障碍物的所述像素坐标以及所述映射矩阵,输出障碍物在真实世界的位置数据。
进一步地,所述构建出映射矩阵包括:构造训练数据集。
进一步地,所述构造训练数据集包括:
以车辆后轴中心点为世界坐标系原点,在世界坐标系内设置若干障碍物,并获得障碍物的世界坐标;
利用车载前置摄像头采集带有障碍物的正视图像,构建训练数据集。
进一步地,所述构造训练数据集还包括:获取正视图像中的障碍物的像素坐标。
进一步地,所述获取正视图像中的障碍物的像素坐标包括:采用投影法获取障碍物在正视图像中的像素坐标。
进一步地,所述采用投影法获取障碍物在正视图像中的像素坐标包括:利用目标检测算法获得正视图像中的物体的边界框;选取边界框中的物体与地面的接触点以表征障碍物,并将所述接触点的像素坐标作为障碍物在正视图像中的像素坐标。
进一步地,所述利用预设的单一性矩阵构建出映射矩阵还包括:基于opencv的单一性矩阵函数求取得到映射矩阵(例如3*3矩阵),并对所述映射矩阵进行优化。
进一步地,所述对所述映射矩阵进行优化包括:通过matlab对所述映射矩阵进行拟合优化。
进一步地,所述获得障碍物的世界坐标包括:
在车头前部中心位置设定前置点,测量前置点至车辆后轴中心点的间距;
以前置点为坐标原点建立参考坐标系,并沿车辆前方的横向方向均匀标记若干个第一参考点,以及沿车辆前方的纵向方向均匀标记出若干个第二参考点;
在第一参考点与第二参考点范围内设定障碍物,并测得障碍物在所述参考坐标系下的坐标信息;
将所述间距作为所述坐标信息中Y轴的补偿值,并确定出障碍物基于所述世界坐标系的世界坐标。
具体来说,前述以车辆后轴中心点为坐标系原点建立的世界坐标系,对于障碍物在Y轴方向上的测量较为不易(测量车辆后轴中心至设定的若干个障碍物的纵轴距离较难操作),由此,进一步地,本发明提出了障碍物测量优化方案,同时基于此,当实车采集障碍物图像数据时,还可以保证其特征更为明显且不会造成bounding box的误差过大,具体过程可参考如下:
(1)以车辆的后轴心作为原点构建世界坐标系,并在车头中心位置预设前置点O,测量得到前置点O与车辆后轴中心点的距离,记作L0;
(2)以O点为坐标原点建立参考坐标系,并沿车辆前方的横向方向(如在参考坐标系原点左右10米长度内)均匀标记出若干个第一参考点(10个);以及沿车辆前方的纵向方向(如在参考坐标系原点前方30米长度内)均匀标记出若干个第二参考点(10个);
(3)这样,如果在第一参考点与第二参考点范围内任意位置设定一点P,可以获得点P在参考坐标系下的坐标(xp,yp),基于此,则点P在以车辆后轴中心作为原点的真实世界坐标系中的坐标便可以得到(xp,yp+L0)。
基于此,结合前文提及的利用预设的单一性矩阵构建映射矩阵,举例来说,利用opencv的单一性矩阵求得一个3*3矩阵:
其中,右侧x,y为图像坐标系的像素坐标,左侧则是真实世界的实际坐标,通过前文提及的图像检测方式,得到障碍物(可以是前文提及的参考点)在图像坐标系内的像素坐标,通过前文提及的实车测量方式得到障碍物在真实世界的实际坐标,由两组坐标数据便可以计算出由图像平面到地面平面的单一矩阵,从而建立了两组坐标的对应关系;该过程可尽量多设定障碍物,测取多组数据,并结合matlab拟合优化变换矩阵,避免过拟合和拟合误差较大,由此便可以提高模型的输出精度。
进一步地,关于获得障碍物在图像中的像素坐标,由于设定的障碍物本身具有体积,其在图像中不仅仅是一个像素点,因此,在利用前述目标检测算法获得障碍物的bounding box后,优选选取障碍物与地面相接触的点的像素坐标表征该障碍物,并且可以理解地,选取的障碍物体积越小,能够观测出明显的特征。也即是说,可以采用投影原理标定出在图像中的障碍物的位置信息。
综上所述,本发明的主要设计构思在于,利用目标检测算法识别车辆前方图像中的障碍物,并获得障碍物的图像级坐标,再利用预先构建的图像位置信息与实际位置信息的映射关系矩阵,得到障碍物在真实世界的坐标,即可以得到该障碍物与车辆的距离数据。其中对于映射关系矩阵的构造,进一步可以设置并采集障碍物的图像数据集,利用目标检测算法提取障碍物图像坐标,并实地测量以车后轴中心点为原点的世界坐标系下障碍物的坐标,构造二者映射矩阵并经拟合优化,得到该映射关系矩阵。本发明有效解决了视觉测距成本高、结构复杂、实时性差及精确度低的问题,在高效且准确地检测出目标距离信息的同时,也避免了多目测距的匹配问题。
本发明实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,但以上仅为本发明的较佳实施例,需要言明的是,上述实施例及其优选方式所涉及的技术特征,本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下,合理地组合搭配成多种等效方案;因此,本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (9)
1.一种基于单目视觉的车前障碍物测距方法,其特征在于,包括:
实车获得包含障碍物在内的图像数据;
利用目标检测算法获得障碍物的边界框,并基于边界框获取障碍物的像素坐标;
利用预设的单一性矩阵构建出映射矩阵,所述映射矩阵表征障碍物基于图像的像素坐标以及基于世界坐标系的实际坐标之间的映射关系;
根据障碍物的所述像素坐标以及所述映射矩阵,输出障碍物在真实世界的位置数据。
2.根据权利要求1所述的基于单目视觉的车前障碍物测距方法,其特征在于,所述构建出映射矩阵包括:构造训练数据集。
3.根据权利要求2所述的基于单目视觉的车前障碍物测距方法,其特征在于,所述构造训练数据集包括:
以车辆后轴中心点为原点构造世界坐标系;
基于世界坐标系,设置若干个位于车辆前方的障碍物,并获得障碍物的世界坐标;
利用车载前置摄像头采集带有障碍物的正视图像,构建训练数据集。
4.根据权利要求3所述的基于单目视觉的车前障碍物测距方法,其特征在于,所述获得障碍物的世界坐标包括:
在车头前部中心位置设定前置点,并测量前置点至车辆后轴中心点的间距;
以前置点为坐标原点建立参考坐标系,并沿车辆前方的横向方向均匀标记若干个第一参考点,以及沿车辆前方的纵向方向均匀标记出若干个第二参考点;
在第一参考点与第二参考点范围内设定障碍物,并测得障碍物在所述参考坐标系下的坐标信息;
将所述间距作为所述坐标信息中Y轴的补偿值,确定出障碍物基于所述世界坐标系的世界坐标。
5.根据权利要求3所述的基于单目视觉的车前障碍物测距方法,其特征在于,所述构造训练数据集还包括:获取正视图像中的障碍物的像素坐标。
6.根据权利要求5所述的基于单目视觉的车前障碍物测距方法,其特征在于,所述获取正视图像中的障碍物的像素坐标包括:采用投影法获取障碍物在正视图像中的像素坐标。
7.根据权利要求6所述的基于单目视觉的车前障碍物测距方法,其特征在于,所述采用投影法获取障碍物在正视图像中的像素坐标包括:
利用目标检测算法获得正视图像中的物体的边界框;
选取边界框中的物体与地面的接触点以表征障碍物,并将所述接触点的像素坐标作为障碍物在正视图像中的像素坐标。
8.根据权利要求1所述的基于单目视觉的车前障碍物测距方法,其特征在于,所述利用预设的单一性矩阵构建出映射矩阵还包括:基于opencv的单一性矩阵函数求取得到映射矩阵,并对所述映射矩阵进行优化。
9.根据权利要求8所述的基于单目视觉的车前障碍物测距方法,其特征在于,所述对所述映射矩阵进行优化包括:通过matlab对所述映射矩阵进行拟合优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111232087.1A CN113920183A (zh) | 2021-10-22 | 2021-10-22 | 基于单目视觉的车前障碍物测距方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111232087.1A CN113920183A (zh) | 2021-10-22 | 2021-10-22 | 基于单目视觉的车前障碍物测距方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113920183A true CN113920183A (zh) | 2022-01-11 |
Family
ID=79242518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111232087.1A Pending CN113920183A (zh) | 2021-10-22 | 2021-10-22 | 基于单目视觉的车前障碍物测距方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920183A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503491A (zh) * | 2023-06-26 | 2023-07-28 | 安徽大学 | 一种基于相机标定和视觉的机器狗障碍物测距和避障方法 |
CN116681778A (zh) * | 2023-06-06 | 2023-09-01 | 固安信通信号技术股份有限公司 | 一种基于单目相机的距离测量方法 |
WO2023185250A1 (zh) * | 2022-03-28 | 2023-10-05 | 杭州萤石软件有限公司 | 一种障碍物测距方法、移动机器人、设备及介质 |
WO2024061079A1 (zh) * | 2022-09-22 | 2024-03-28 | 虹软科技股份有限公司 | 单目视觉定位方法、装置、存储介质和电子设备 |
CN117858297A (zh) * | 2024-03-07 | 2024-04-09 | 永林电子股份有限公司 | 一种基于可控led阵列的距离感应控制方法 |
-
2021
- 2021-10-22 CN CN202111232087.1A patent/CN113920183A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023185250A1 (zh) * | 2022-03-28 | 2023-10-05 | 杭州萤石软件有限公司 | 一种障碍物测距方法、移动机器人、设备及介质 |
WO2024061079A1 (zh) * | 2022-09-22 | 2024-03-28 | 虹软科技股份有限公司 | 单目视觉定位方法、装置、存储介质和电子设备 |
CN116681778A (zh) * | 2023-06-06 | 2023-09-01 | 固安信通信号技术股份有限公司 | 一种基于单目相机的距离测量方法 |
CN116681778B (zh) * | 2023-06-06 | 2024-01-09 | 固安信通信号技术股份有限公司 | 一种基于单目相机的距离测量方法 |
CN116503491A (zh) * | 2023-06-26 | 2023-07-28 | 安徽大学 | 一种基于相机标定和视觉的机器狗障碍物测距和避障方法 |
CN117858297A (zh) * | 2024-03-07 | 2024-04-09 | 永林电子股份有限公司 | 一种基于可控led阵列的距离感应控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113920183A (zh) | 基于单目视觉的车前障碍物测距方法 | |
CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN110832275B (zh) | 基于双目图像更新高分辨率地图的***和方法 | |
CN106650708B (zh) | 一种自动驾驶障碍物视觉检测方法与*** | |
JP5926228B2 (ja) | 自律車両用の奥行き検知方法及びシステム | |
CN115032651B (zh) | 一种基于激光雷达与机器视觉融合的目标检测方法 | |
KR100513055B1 (ko) | 변이지도 및 깊이지도의 융합을 통한 3차원 장면 모델생성 장치 및 그 방법 | |
CN109410264B (zh) | 一种基于激光点云与图像融合的前方车辆距离测量方法 | |
CN109263637B (zh) | 一种碰撞预测的方法及装置 | |
CN105069804B (zh) | 基于智能手机的三维模型扫描重建方法 | |
CN110288659B (zh) | 一种基于双目视觉的深度成像及信息获取方法 | |
CN111723778B (zh) | 基于MobileNet-SSD的车辆测距***及方法 | |
CN113205604A (zh) | 一种基于摄像机和激光雷达的可行区域检测方法 | |
KR101076406B1 (ko) | 장애물체 위치 및 속도 추정 장치 및 방법 | |
CN113643345A (zh) | 一种基于双光融合的多目道路智能识别方法 | |
KR20170014916A (ko) | 단일 카메라와 gps를 이용한 영상 내 객체의 좌표 산출 방법 | |
CN106709432B (zh) | 基于双目立体视觉的人头检测计数方法 | |
CN117115336A (zh) | 一种基于遥感立体影像的点云重建方法 | |
CN115909025A (zh) | 一种小天体表面采样点地形视觉自主检测识别方法 | |
CN113838111A (zh) | 一种道路纹理特征检测方法、装置与自动驾驶*** | |
CN108090930A (zh) | 基于双目立体相机的障碍物视觉检测***及方法 | |
Sato et al. | Efficient hundreds-baseline stereo by counting interest points for moving omni-directional multi-camera system | |
JP2022513830A (ja) | 道路の表面上の対象体を検出してモデル化する方法 | |
CN110068308B (zh) | 一种基于多目相机的测距方法及测距*** |
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 |