CN118279542A - 一种图像数据分析处理*** - Google Patents
一种图像数据分析处理*** Download PDFInfo
- Publication number
- CN118279542A CN118279542A CN202410694524.9A CN202410694524A CN118279542A CN 118279542 A CN118279542 A CN 118279542A CN 202410694524 A CN202410694524 A CN 202410694524A CN 118279542 A CN118279542 A CN 118279542A
- Authority
- CN
- China
- Prior art keywords
- image
- exposure
- obstacle
- coordinate system
- camera
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 17
- 238000003384 imaging method Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种图像数据分析处理***，涉及图像数据处理领域，包括用于通过传感器实时的采集车辆前方的障碍物数据的数据采集模块、用于对障碍物的坐标进行转换的坐标转化模块、用于校准相机坐标系中的点坐标转化为图像坐标系下的点坐标时可能发生的径向畸变和切向畸变的畸变校准模块、用于对障碍物数据进行处理的数据处理模块以及用于检测增强后的障碍物图像中的障碍物的自动避障模块。通过设置有雨天图像增强单元，使得本***可在雨天的复杂环境下对相机所获取的低质量图像，通过采用多个不同数值的尺度参数，并对结果加权平均，从而改善雨天状态下的障碍物图像质量。
Description
技术领域
本发明涉及图像数据处理领域，更具体地说，它涉及一种图像数据分析处理***。
背景技术
随着现代车辆工业的不断发展，车辆的智能化发展迅速，各种智能汽车被不断推出，随之兴起的辅助驾驶甚至是智能驾驶日益成为智能汽车的一项重要能力，环境感知作为智能汽车实现自动驾驶的前提，是智能驾驶环境感知、路径规划和决策控制三大核心模块中最基础的模块。同时环境感知模块能否准确获取到环境中的各种信息，其直接关系到智能驾驶功能最重要的安全性问题，也是决定搭载智能驾驶功能的智能汽车能否实际参与到交通中的关键。
其中基于图像的环境感知主要是通过相机采集图像进行目标检测，从而获取环境中的物体信息。通过相机采集图像，可以获取环境中障碍物丰富的纹理和颜色信息从而进行目标检测，并可以获取交通标志中丰富的语义特征，同时由于相机成本低，因此相机在智能驾驶车辆环境感知***中被广泛运用，相机内部COMS传感器捕获到进入相机的反射光线从而记录下障碍物的颜色和纹理信息，因为相机是接受外界反射光线从而获取到图像，因此相机获取的图像质量容易受到外界环境的影响。
相机在雨天环境下获取的图像由于受到前挡风玻璃上雨滴与环境中雨滴影响，使得相机获取的图像质量受到较大影响，依照传统的图像数据处理技术，不能够有效的降低雨天环境中雨滴对图像质量的影响，这就极大的增加了智能驾驶的危险性，因此急需改进。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种图像数据分析处理***。
为实现上述目的，本发明提供了如下技术方案：
一种图像数据分析处理***，其特征在于，包括：
数据采集模块，用于通过传感器实时的采集车辆前方的障碍物数据；
坐标转化模块，用于对障碍物的坐标进行转换；
数据处理模块，用于对障碍物数据进行处理，以得到增强后的障碍物图像；
所述数据处理模块包括雨天图像增强单元，所述雨天图像增强单元用于对障碍物图像数据进行处理以改善雨天状态下的障碍物图像质量，通过公式1-1来实现雨天状态下的障碍物图像增强，具体为：
1-1；
其中：表示多尺度Retinex算法所输出的图像，表示经过色
彩恢复后的失真修复图像；
1-2；
其中表示第i个通道的恢复系数，用来调节通道的比例从而弥补图像色彩失真，为增益常数，表示非线性强度，表示原图像；
1-3；
其中，，为高斯函数，拥有n个尺度参数，为第个高斯函
数对应的权重并且所有权重满足，表示原图像，⊙代表卷积操作；
自动避障模块，用于检测增强后的障碍物图像中的障碍物，以便于汽车自动避障。
优选地，所述数据采集模块中所使用的传感器为相机。
优选地，所述障碍物数据包括障碍物图像数据。
优选地，所述坐标转化模块对障碍物的坐标进行转换的步骤如下：
建立相机坐标系、图像坐标系以及像素坐标系，其
中，所述相机坐标系的单位为米，为相机坐标系的原点表示为相机的光心，轴为相机
右侧，轴为相机前方，轴为相机的正上方；图像坐标系的单位为毫米，为图像坐标
系的原点表示图像的几何中心，轴指向右侧，轴垂直指向地面；像素坐标系的单位为单
个像素，为像素坐标系的原点表示图像的左上角，轴指向相机右侧，轴方向垂直指
向地面；
将相机坐标系中的点坐标转化为图像坐标系下的点坐标；
将图像坐标系下的点坐标转化为像素坐标系下的点坐标。
优选地，将相机坐标系中的点坐标转化为图像坐标系下的点坐标，具体为：
以相机坐标系中的任意一点 为例，点在图像坐标系下的坐标为，其转换公式为：
2-1；
其中f为相机的焦距。
优选地，将图像坐标系下的点坐标转化为像素坐标系下的点坐标，通过公式2-2实现，具体为：
2-2；
其中，f为相机的焦距，表示每个像素在图像坐标系中的x轴的实际物理尺寸，表示每个像素在图像坐标系中的y轴的实际物理尺寸，为点在像素坐标系下在轴
的坐标，为点在像素坐标系下在轴的坐标。
优选地，所述图像数据分析处理***还包括畸变校准模块，用于校准相机坐标系中的点坐标转化为图像坐标系下的点坐标时可能发生的径向畸变和切向畸变，所述畸变校准模块对径向畸变进行校准通过公式3-1实现，具体为：
， 3-1；
其中、和为径向畸变系数，，为径向畸变校准后点在
理想成像平面上的位置，为径向畸变校准前点在原始成像平面上的位置；
所述畸变校准模块对切向畸变进行校准通过公式3-2实现，具体为：
， 3-2；
其中和为切向畸变系数，表示图像点在水平方向的偏移量，表示图像
点在垂直方向的偏移量，为切向畸变校准后点在理想成像平面上的位置，。
优选地，所述数据处理模块还包括夜晚图像增强单元，所述夜晚图像增强单元用于对障碍物图像数据进行处理以改善夜晚状态下的障碍物图像质量，所述夜晚图像增强单元包括：
多曝光采样器单元，用于确定需要的障碍物曝光图像数量以及每幅待融合障碍物
曝光图像的曝光比，所述多曝光采样器单元的输出为一组曝光比，其中n表示为
障碍物曝光图像数量；
多曝光生成器单元，用于使用相机响应模型和指定的曝光比来生成多曝光图像，
具体为使用相机响应模型寻找合适的亮度变换函数g并和多曝光采样器单元输出的曝光比共同作用，将输入图像T映射为多曝光图像，其公式如下：
4-1；
其中为映射的曝光图像数量，表示亮度变化函数，为多曝光采样器单元
（4021）输出的曝光比，T为输入图像，为多曝光图像。
优选地，所述夜晚图像增强单元还包括：
多曝光评估器单元，用于在融合时确定每幅图像的权重矩阵，具体为当多曝光评估器单元接收到多曝光生成器单元生成的曝光图像后，对每一张曝光图像的像素进行评估并根据每一张曝光图像的像素曝光好坏赋予每一张曝光图像不同的权重，曝光好的赋予权重大，曝光差的赋予权重小，每一张曝光图像输出一个权重矩阵，通过公式5-1对原图像对应的所有曝光图像的权重矩阵进行归一化，公式如下：
Ø 5-1；
其中Ø表示基于像素的除法，表示归一化前的权重矩阵，表示归一化后的权
重矩阵，表示映射的曝光图像的总数量。
多曝光组合器单元，用于根据权重矩阵将生成的图像融合为最终的输出图像，具体为将所有的曝光图像与其相对应的权重矩阵相乘并相加从而得到最终的输出图像，其公式如下：
5-2；
其中，R表示增强图像，c表示颜色通道的索引，表示在颜色通道索引下的增强
图像，表示输入颜色通道索引下的曝光图像，n表示输入颜色通道索引下曝光图像的总
数量。
优选地，所述自动避障模块采用YOLOv5目标检测算法对增强后的障碍物图像中的障碍物目标进行检测。
与现有技术相比，本发明具备以下有益效果：
通过设置有雨天图像增强单元，使得本***可在雨天的复杂环境下对相机所获取的低质量图像，通过采用多个不同数值的尺度参数，并对结果加权平均，从而改善雨天状态下的障碍物图像质量。
附图说明
为了更清楚的说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为一种图像数据分析处理***的结构示意图。
图2为数据处理模块的组成图。
图3为夜晚图像增强单元的组成图。
图4为坐标转化模块对障碍物的坐标进行转换的流程图。
图5为雨天图像增强的原图（第一行）和对比效果图（第二行）。
图6为夜晚图像增强的原图（第一行）和对比效果图（第二行）。
图中：1、数据采集模块；2、坐标转化模块；3、畸变校准模块；4、数据处理模块；401、雨天图像增强单元；402、夜晚图像增强单元；4021、多曝光采样器单元；4022、多曝光生成器单元；4023、多曝光评估器单元；4024、多曝光组合器单元；5、自动避障模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1至图6，一种图像数据分析处理***，包括：
数据采集模块1，用于通过传感器实时的采集车辆前方的障碍物数据；
需要说明的是，所述数据采集模块1中所使用的传感器为相机，所述障碍物数据为障碍物图像数据。
坐标转化模块2，用于对障碍物的坐标进行转换，具体包括以下步骤：
S1、建立相机坐标系、图像坐标系以及像素坐标系；
需要说明的是，所述相机坐标系的单位为米，为相机坐标系的原点表示为相机
的光心，轴为相机右侧，轴为相机前方，轴为相机的正上方；图像坐标系的单位为毫
米，为图像坐标系的原点表示图像的几何中心，轴指向右侧，轴垂直指向地面；像素
坐标系的单位为单个像素，为像素坐标系的原点表示图像的左上角，轴指向相机右
侧，轴方向垂直指向地面；
S2、将相机坐标系中的点坐标转化为图像坐标系下的点坐标；
需要说明的是，将相机坐标系中的点坐标转化为图像坐标系下的点坐标，具体为：
以相机坐标系中的任意一点 为例，点在图像坐标系下的坐标为，其转换公式为：
2-1；
其中f为相机的焦距。
S3、将图像坐标系下的点坐标转化为像素坐标系下的点坐标；
需要说明的是，将图像坐标系下的点坐标转化为像素坐标系下的点坐标，通过公式2-2实现，具体为：
2-2；
其中，f为相机的焦距，表示每个像素在图像坐标系中的x轴的实际物理尺寸，表示每个像素在图像坐标系中的y轴的实际物理尺寸，为点在像素坐标系下在轴
的坐标，为点在像素坐标系下在轴的坐标。
畸变校准模块3，用于校准相机坐标系中的点坐标转化为图像坐标系下的点坐标时可能发生的径向畸变和切向畸变，所述畸变校准模块3对径向畸变进行校准通过公式3-1实现，具体为：
， 3-1；
其中、和为径向畸变系数，，为径向畸变校准后点在
理想成像平面上的位置，为径向畸变校准前点在原始成像平面上的位置；
所述畸变校准模块（3）对切向畸变进行校准通过公式3-2实现，具体为：
， 3-2；
其中和为切向畸变系数，表示图像点在水平方向的偏移量，表示图像
点在垂直方向的偏移量，为切向畸变校准后点在理想成像平面上的位置，；
需要说明的是，通过设置有畸变校准模块3进而对相机中的透镜由于制造精度和组装工艺的误差所产生畸变进行校准，从而避免了图像出现失真，进而有利于后续对障碍物图像进行增强。
数据处理模块4，用于对障碍物数据进行处理，以得到增强后的障碍物图像；
所述数据处理模块4包括雨天图像增强单元401，所述雨天图像增强单元401用于对障碍物图像数据进行处理以改善雨天状态下的障碍物图像质量，通过公式1-1来实现雨天状态下的障碍物图像增强，具体为：
1-1；
其中：表示多尺度Retinex算法所输出的图像，表示经过色
彩恢复后的失真修复图像；
1-2；
其中表示第i个通道的恢复系数，用来调节通道的比例从而弥补图像色彩失真，为增益常数，表示非线性强度，表示原图像；
1-3；
其中，，R、G、B分别代表红色、绿色和蓝色通道，它们共同构成了RGB颜
色模型，为高斯函数，拥有n个尺度参数，为第个高斯函数对应的权重并且所
有权重满足，表示原图像，⊙代表卷积操作。
需要说明的是，通过设置有雨天图像增强单元401，使得本***可在雨天的复杂环境下对相机所获取的低质量图像，通过采用多个不同数值的尺度参数，并对结果加权平均，从而改善雨天状态下的障碍物图像质量。
所述数据处理模块4还包括夜晚图像增强单元402，所述夜晚图像增强单元402用于对障碍物图像数据进行处理以改善夜晚状态下的障碍物图像质量，所述夜晚图像增强单元402包括：
多曝光采样器单元4021，用于确定需要的障碍物曝光图像数量以及每幅待融合障
碍物曝光图像的曝光比，所述多曝光采样器单元4021的输出为一组曝光比，其
中n表示为障碍物曝光图像数量；
多曝光生成器单元4022，用于使用相机响应模型和指定的曝光比来生成多曝光图
像，具体为使用相机响应模型寻找合适的亮度变换函数g并和多曝光采样器单元4021输出
的曝光比共同作用，将输入图像T映射为多曝光图像，其公式如下：
4-1；
其中为映射的曝光图像数量，表示亮度变化函数，为多曝光采样器单元
（4021）输出的曝光比，T为输入图像，为多曝光图像。
多曝光评估器单元4023，用于在融合时确定每幅图像的权重矩阵，具体为当多曝光评估器单元4023接收到多曝光生成器单元4022生成的曝光图像后，对每一张曝光图像的像素进行评估并根据每一张曝光图像的像素曝光好坏赋予每一张曝光图像不同的权重，曝光好的赋予权重大，曝光差的赋予权重小，每一张曝光图像输出一个权重矩阵，通过公式5-1对原图像对应的所有曝光图像的权重矩阵进行归一化，公式如下：
Ø 5-1；
其中Ø表示基于像素的除法，表示归一化前的权重矩阵，表示归一化后的权
重矩阵，表示映射的曝光图像的总数量。
多曝光组合器单元4024，用于根据权重矩阵将生成的图像融合为最终的输出图像，具体为将所有的曝光图像与其相对应的权重矩阵相乘并相加从而得到最终的输出图像，其公式如下：
5-2；
其中，R表示增强图像，c表示颜色通道的索引，表示在颜色通道索引下的增强
图像，表示输入颜色通道索引下的曝光图像，n表示输入颜色通道索引下曝光图像的总
数量。
需要说明的是，通过设置有夜晚图像增强单元402，使得本***可在夜晚环境下对相机所获取的低质量图像，通过对低光照图像进行低光增强和局部高光压制进而改善图像质量。
自动避障模块5，用于检测增强后的障碍物图像中的障碍物，以便于汽车自动避障；
所述自动避障模块5采用YOLOv5目标检测算法对增强后的障碍物图像中的障碍物目标进行检测。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种图像数据分析处理***，其特征在于，包括：
数据采集模块（1），用于通过传感器实时的采集车辆前方的障碍物数据；
坐标转化模块（2），用于对障碍物的坐标进行转换；
数据处理模块（4），用于对障碍物数据进行处理，以得到增强后的障碍物图像；
所述数据处理模块（4）包括雨天图像增强单元（401），所述雨天图像增强单元（401）用于对障碍物图像数据进行处理以改善雨天状态下的障碍物图像质量，通过公式1-1来实现雨天状态下的障碍物图像增强，具体为：
1-1；
其中：表示多尺度Retinex算法所输出的图像，表示经过色彩恢复后的失真修复图像；
1-2；
其中表示第i个通道的恢复系数，用来调节通道的比例从而弥补图像色彩失真，为增益常数，表示非线性强度，表示原图像；
1-3；
其中，，为高斯函数，拥有n个尺度参数，为第个高斯函数对应的权重并且所有权重满足，表示原图像，⊙代表卷积操作；
自动避障模块（5），用于检测增强后的障碍物图像中的障碍物，以便于汽车自动避障。
2.根据权利要求1所述的图像数据分析处理***，其特征在于，所述数据采集模块（1）中所使用的传感器为相机。
3.根据权利要求2所述的图像数据分析处理***，其特征在于，所述障碍物数据包括障碍物图像数据。
4.根据权利要求3所述的图像数据分析处理***，其特征在于，所述坐标转化模块（2）对障碍物的坐标进行转换的步骤如下：
建立相机坐标系、图像坐标系以及像素坐标系，其中，所述相机坐标系的单位为米，为相机坐标系的原点表示为相机的光心，轴为相机右侧，轴为相机前方，轴为相机的正上方；图像坐标系的单位为毫米，为图像坐标系的原点表示图像的几何中心，轴指向右侧，轴垂直指向地面；像素坐标系的单位为单个像素，为像素坐标系的原点表示图像的左上角，轴指向相机右侧，轴方向垂直指向地面；
S2、将相机坐标系中的点坐标转化为图像坐标系下的点坐标；
S3、将图像坐标系下的点坐标转化为像素坐标系下的点坐标。
5.根据权利要求4所述的图像数据分析处理***，其特征在于，将相机坐标系中的点坐标转化为图像坐标系下的点坐标，具体为：
以相机坐标系中的任意一点 为例，点在图像坐标系下的坐标为，其转换公式为：
2-1；
其中f为相机的焦距。
6.根据权利要求5所述的图像数据分析处理***，其特征在于，将图像坐标系下的点坐标转化为像素坐标系下的点坐标，通过公式2-2实现，具体为：
2-2；
其中，f为相机的焦距，表示每个像素在图像坐标系中的x轴的实际物理尺寸，表示每个像素在图像坐标系中的y轴的实际物理尺寸，为点在像素坐标系下在轴的坐标，为点在像素坐标系下在轴的坐标。
7.根据权利要求6所述的图像数据分析处理***，其特征在于，所述图像数据分析处理***还包括畸变校准模块（3），用于校准相机坐标系中的点坐标转化为图像坐标系下的点坐标时可能发生的径向畸变和切向畸变，所述畸变校准模块（3）对径向畸变进行校准通过公式3-1实现，具体为：
， 3-1；
其中、和为径向畸变系数，，为径向畸变校准后点在理想成像平面上的位置，为径向畸变校准前点在原始成像平面上的位置；
所述畸变校准模块（3）对切向畸变进行校准通过公式3-2实现，具体为：
， 3-2；
其中和为切向畸变系数，表示图像点在水平方向的偏移量，表示图像点在垂直方向的偏移量，为切向畸变校准后点在理想成像平面上的位置，。
8.根据权利要求7所述的图像数据分析处理***，其特征在于，所述数据处理模块（4）还包括夜晚图像增强单元（402），所述夜晚图像增强单元（402）用于对障碍物图像数据进行处理以改善夜晚状态下的障碍物图像质量，所述夜晚图像增强单元（402）包括：
多曝光采样器单元（4021），用于确定需要的障碍物曝光图像数量以及每幅待融合障碍物曝光图像的曝光比，所述多曝光采样器单元（4021）的输出为一组曝光比，其中n表示为障碍物曝光图像数量；
多曝光生成器单元（4022），用于使用相机响应模型和指定的曝光比来生成多曝光图像，具体为使用相机响应模型寻找合适的亮度变换函数g并和多曝光采样器单元（4021）输出的曝光比共同作用，将输入图像T映射为多曝光图像，其公式如下：
4-1；
其中为映射的曝光图像数量，表示亮度变化函数，为多曝光采样器单元（4021）输出的曝光比，T为输入图像，为多曝光图像。
9.根据权利要求8所述的图像数据分析处理***，其特征在于，所述夜晚图像增强单元（402）还包括：
多曝光评估器单元（4023），用于在融合时确定每幅图像的权重矩阵，具体为当多曝光评估器单元（4023）接收到多曝光生成器单元（4022）生成的曝光图像后，对每一张曝光图像的像素进行评估并根据每一张曝光图像的像素曝光好坏赋予每一张曝光图像不同的权重，曝光好的赋予权重大，曝光差的赋予权重小，每一张曝光图像输出一个权重矩阵，通过公式5-1对原图像对应的所有曝光图像的权重矩阵进行归一化，公式如下：
Ø 5-1；
其中Ø表示基于像素的除法，表示归一化前的权重矩阵，表示归一化后的权重矩阵，表示映射的曝光图像的总数量；
多曝光组合器单元（4024），用于根据权重矩阵将生成的图像融合为最终的输出图像，具体为将所有的曝光图像与其相对应的权重矩阵相乘并相加从而得到最终的输出图像，其公式如下：
5-2；
其中，R表示增强图像，c表示颜色通道的索引，表示在颜色通道索引下的增强图像，表示输入颜色通道索引下的曝光图像，n表示输入颜色通道索引下曝光图像的总数量。
10.根据权利要求9所述的图像数据分析处理***，其特征在于，所述自动避障模块（5）采用YOLOv5目标检测算法对增强后的障碍物图像中的障碍物目标进行检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410694524.9A CN118279542A (zh) | 2024-05-31 | 2024-05-31 | 一种图像数据分析处理*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410694524.9A CN118279542A (zh) | 2024-05-31 | 2024-05-31 | 一种图像数据分析处理*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118279542A true CN118279542A (zh) | 2024-07-02 |
Family
ID=91645472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410694524.9A Pending CN118279542A (zh) | 2024-05-31 | 2024-05-31 | 一种图像数据分析处理*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118279542A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060111841A1 (en) * | 2004-11-19 | 2006-05-25 | Jiun-Yuan Tseng | Method and apparatus for obstacle avoidance with camera vision |
| CN101549683A (zh) * | 2009-04-23 | 2009-10-07 | 上海交通大学 | 自动识别道路深坑与障碍物的车辆智能方法 |
| CN103231708A (zh) * | 2013-04-12 | 2013-08-07 | 安徽工业大学 | 一种基于双目视觉的智能车辆避障方法 |
| CN103411536A (zh) * | 2013-08-23 | 2013-11-27 | 西安应用光学研究所 | 基于双目立体视觉的驾驶辅助障碍物检测方法 |
| CN107194884A (zh) * | 2017-04-18 | 2017-09-22 | 天津大学 | 一种具有不同曝光值的多幅ldr图像获取方法 |
| CN107833184A (zh) * | 2017-10-12 | 2018-03-23 | 北京大学深圳研究生院 | 一种基于多曝光生成再融合框架的图像增强方法 |
| CN111897349A (zh) * | 2020-07-08 | 2020-11-06 | 南京工程学院 | 一种基于双目视觉的水下机器人自主避障方法 |
| CN115376108A (zh) * | 2022-09-07 | 2022-11-22 | 南京邮电大学 | 一种复杂天气下障碍物检测方法及装置 |
| CN116051649A (zh) * | 2022-12-08 | 2023-05-02 | 河南科技大学 | 一种结合深度学习与双目视觉的道路障碍物测距方法 |
| CN116413725A (zh) * | 2023-03-29 | 2023-07-11 | 盐城工学院 | 一种基于摄像头与毫米波雷达数据融合的障碍物检测方法 |
| CN117036464A (zh) * | 2023-07-27 | 2023-11-10 | 浙江工业大学 | 基于实例分割技术的单目视觉引导agv避障测距方法和装置 |
-
2024
- 2024-05-31 CN CN202410694524.9A patent/CN118279542A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060111841A1 (en) * | 2004-11-19 | 2006-05-25 | Jiun-Yuan Tseng | Method and apparatus for obstacle avoidance with camera vision |
| CN101549683A (zh) * | 2009-04-23 | 2009-10-07 | 上海交通大学 | 自动识别道路深坑与障碍物的车辆智能方法 |
| CN103231708A (zh) * | 2013-04-12 | 2013-08-07 | 安徽工业大学 | 一种基于双目视觉的智能车辆避障方法 |
| CN103411536A (zh) * | 2013-08-23 | 2013-11-27 | 西安应用光学研究所 | 基于双目立体视觉的驾驶辅助障碍物检测方法 |
| CN107194884A (zh) * | 2017-04-18 | 2017-09-22 | 天津大学 | 一种具有不同曝光值的多幅ldr图像获取方法 |
| CN107833184A (zh) * | 2017-10-12 | 2018-03-23 | 北京大学深圳研究生院 | 一种基于多曝光生成再融合框架的图像增强方法 |
| CN111897349A (zh) * | 2020-07-08 | 2020-11-06 | 南京工程学院 | 一种基于双目视觉的水下机器人自主避障方法 |
| CN115376108A (zh) * | 2022-09-07 | 2022-11-22 | 南京邮电大学 | 一种复杂天气下障碍物检测方法及装置 |
| CN116051649A (zh) * | 2022-12-08 | 2023-05-02 | 河南科技大学 | 一种结合深度学习与双目视觉的道路障碍物测距方法 |
| CN116413725A (zh) * | 2023-03-29 | 2023-07-11 | 盐城工学院 | 一种基于摄像头与毫米波雷达数据融合的障碍物检测方法 |
| CN117036464A (zh) * | 2023-07-27 | 2023-11-10 | 浙江工业大学 | 基于实例分割技术的单目视觉引导agv避障测距方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 付丽霞;任玉洁;张勇;毛剑琳;: "基于改进平滑A~*算法的移动机器人路径规划", 计算机仿真, no. 08, 15 August 2020 (2020-08-15) * |
| 黄兴;应群伟;: "应用激光雷达与相机信息融合的障碍物识别", 计算机测量与控制, no. 01, 25 January 2020 (2020-01-25) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018076732A1 (zh) | 红外图像和可见光图像融合的方法及装置 | |
| CN100515041C (zh) | 自动曝光控制方法及自动曝光补偿装置 | |
| US8755634B2 (en) | Obstacle detection device and method and obstacle detection system | |
| CN111965636A (zh) | 一种基于毫米波雷达和视觉融合的夜间目标检测方法 | |
| US8077199B2 (en) | Target position identifying apparatus | |
| CN111967498A (zh) | 基于毫米波雷达和视觉融合的夜间目标检测和跟踪方法 | |
| CN102844788A (zh) | 图像处理装置及使用该图像处理装置的图像拾取装置 | |
| CN101819024B (zh) | 一种基于机器视觉的二维位移检测方法 | |
| WO2021008052A1 (zh) | 3d摄影模组镜头精度的标定方法、装置及设备 | |
| CN114898125B (zh) | 基于光场成像技术的轮轴识别方法、***及存储介质 | |
| CN104581100A (zh) | 色彩滤镜阵列和图像处理方法 | |
| CN114979500B (zh) | 图像处理方法、图像处理装置、电子设备及可读存储介质 | |
| CN106067937A (zh) | 镜头模块阵列、图像感测装置与数字缩放图像融合方法 | |
| CN111028187A (zh) | 一种光线自适应的机载双光图像侦察装置及方法 | |
| CN118279542A (zh) | 一种图像数据分析处理*** | |
| CN115931142A (zh) | 一种比色测温黑体标定方法 | |
| CN112562008B (zh) | 一种局部双目视觉测量中的靶标点匹配方法 | |
| CN204392456U (zh) | 色彩滤镜阵列 | |
| CN114331826A (zh) | 一种基于畸变拉伸因子的鱼眼图像快速校正方法 | |
| CN114463192A (zh) | 一种基于深度学习的红外视频畸变校正的方法 | |
| CN106646677A (zh) | 一种雨量探测方法及装置 | |
| JP6561479B2 (ja) | 色シェーディング補正が可能な撮像装置 | |
| US20240089608A1 (en) | Dynamic image generating method and dynamic image sensor thereof | |
| CN109903216A (zh) | 基于fpga平台实现定位图像点阵提取***及方法 | |
| WO2020195515A1 (ja) | 撮像装置及び画像処理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |