CN103177584B - 一种基于枚举试探的车速检测方法 - Google Patents
一种基于枚举试探的车速检测方法 Download PDFInfo
- Publication number
- CN103177584B CN103177584B CN201310045928.7A CN201310045928A CN103177584B CN 103177584 B CN103177584 B CN 103177584B CN 201310045928 A CN201310045928 A CN 201310045928A CN 103177584 B CN103177584 B CN 103177584B
- Authority
- CN
- China
- Prior art keywords
- gray
- vehicle
- value
- speed
- point
- 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.)
- Expired - Fee Related
Links
Landscapes
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于枚举试探的车速检测方法,通过在图像上划出三条车道线,手动标记不少于三对特征点,建立映射表,划定跟踪区域,构建一幅背景图像,然后采用当前帧和背景图像做差分的方法进行目标识别,利用比率法寻找特征点,最后再利用枚举试探的方法计算车速。本发明的车速检测方法,能够实时、精确的检测出在途车辆的速度,配合智能交通系统的其他应用可迅速得到违章车辆的全面信息,不受环境限制。适用于智能交通管理中对车速的监测,减少交通事故的发生,具有广阔的应用前景。
Description
技术领域
本发明属于视频检测领域,具体涉及一种基于枚举试探的车速检测方法。
背景技术
目前,在我国交通运输过程中普遍存在着车辆超速行驶的现象,这种行为不但易对驾驶者造成伤害,还会对路边的行人或者其他车辆产生威胁,由此引发的交通事故屡见不鲜,给社会和人们的生命财产安全造成极大的危害。如何准确、高效的检测出在途车辆的行驶速度已经成为交通管理部门亟待解决的一个重要问题。
传统的车速检测方法有雷达测速、激光测速、红外测速、超声波测速和环形线圈检测等。这些方法在使用中都有一定的局限性,主要体现在:一,测量精度有限;二,发现车辆超速行驶时不能提供违章车辆的汽车类型和车牌号码等全面的交通信息,无法对违章车辆做出及时处理;三,设备易损坏,维护费用高。
发明内容
针对现有技术的不足和缺陷,本发明的目的在于,提供一种实时、精确的车速检测方法,通过对采集到的交通视频进行处理,利用枚举试探的方法得出车辆的精确速度。
为了实现上述任务,本发明采用如下技术方案予以实现:
一种基于枚举试探的车速检测方法,该方法按照以下步骤进行:
步骤一,图像预处理:将采集到的交通视频处理成720×228像素大小的灰度图像,在图像上画出三条车道线,选择其中任意相邻的两条车道线手动标记不少于三对特征点,这三对特征点取车道虚线的端点,然后建立图像像素到路面实际距离的映射关系,即映射表;
步骤二,划定跟踪区域:在视频图像中,依据给定目标车尾点的位置,沿着车辆行驶的方向向前寻找m行,向左扩展n个像素,向右扩展n-1个像素,形成一个2×m×n的跟踪区域,并以跟踪区域内车尾点所在的直线作为车辆行驶的轨迹线,其中:
所述的m取90,所述的n取8;
步骤三,采用帧差法提取投影数据,车辆运动使图像的灰度值发生变化,从而帧差法就可以很好的检测出车辆的运动情况,对划定的跟踪区域,连续跟踪10帧,因为视频的采集速度为25帧/秒,相邻两帧图像间的灰度差别不大,所以在利用帧差法提取投影数据时采用隔1帧相减的方法,即第M+2帧与第M帧做减法,提取8个投影序列,灰度值数据存储在数组Gray[M][N]中,计算公式为:
式中:
M表示连续跟踪的帧数,M=0,1...6,7;
N表示依据给定车尾点之后向前寻找的行数,N=0,1...88,89;
gray表示选定的跟踪区域中像素点的灰度值;
步骤四,利用比率法寻找特征点:将步骤三中提取的8个投影序列中的第一个序列的90个灰度值相加,取和值的1/20作为寻找特征点的阈值,将图像中的噪声影响分散,降低图像噪声对特征点选取的影响,然后从第一个投影值开始依次向后叠加,当叠加的值达到上述的寻找特征点的阈值,此时所在的点就作为特征点;
步骤五,利用枚举试探的方法计算车速:依据步骤二中所标定的车尾点求得的速度能够代表整辆车的行驶速度,以步骤四中得到的特征点对应的实际距离作为目标车辆的初始位置,枚举一系列速度值赋给车辆,连续跟踪8帧,得到8个距离值,反查映射表及数组Gray[M][N]得到这8个距离值在投影序列中对应的灰度值,与步骤四中得到的特征点对应的投影序列灰度值作比较,最接近的一组灰度值所对应的速度即为目标车辆的实际速度,具体计算过程分为粗调和细调两个部分:
计算前先将步骤四中找到的特征点的值转化成实际路面上的距离值,步骤四中找到的特征点是一个以给定车尾点为零点的像素行,将这个像素行值转换成像素坐标点,查找映射表得到这个像素点对应的实际路面距离值,即目标车辆的初始位置S0;
(1)粗调,给目标车辆一个初始速度5km/h,以5km/h为间隔依次增加,根据实际车速的范围设定一组速度值:5km/h、10km/h、15km/h、20km/h……170km/h、175km/h、180km/h,共36个速度值,将这36个速度值,依次带入公式
sij=vitj+s0(i=0,1……34,35;j=0,1……6,7)
式中:
sij表示车辆在其轨迹线上的实际距离值,单位:m;
s0表示车辆的初始位置,单位:m;
vi表示速度值,单位:m/s;
tj表示跟踪时间,即0.04s的j倍,单位:s,
带入8个跟踪时间值tj就会得到8个sij值,通过反查映射表可以得到sij在跟踪区域里对应的行值,查找数组Gray[M][N],其中:M=j,N为sij在跟踪区域里对应的行值,得到这些行值在投影序列中对应的灰度值,用gij表示,其中:gi0即步骤四中得到的特征点对应的投影序列灰度值,将这8个灰度值的和记为sum,平均值记为average,则有:
sum=gi0+gi1+...+gi7
average=sum/8
对sum和average作一个换算,具体方法为:
differsub=|gi0-average|+|gi1-average|+...|gi7-average|
sumsub=sum-differsub
即可得到36个速度,36个sumsub值,找出最大的sumsub所对应的速度就是所求的速度,记为p;
(2)细调,细调的方法与粗调一致,区别仅在于其设定的速度间隔不同,在粗调得到的速度p的基础上,细调过程以1km/h为速度间隔依次增加速度值,再给车辆赋一组速度值:
(p-15),(p-14),……,(p-1),p,(p+1),……(p+14),
共30个速度值,将这30个速度值依次带入公式
sij=vitj+s0(i=0,1,……29;j=0,1……7)中;
重复上述调节过程,最终得到车辆的精确速度。
本发明的基于枚举试探法的车速检测方法,与现有技术相比,能够实时、精确的检测出在途车辆的速度,配合智能交通系统的其他应用可迅速得到违章车辆的全面信息,不受环境限制。适用于智能交通管理中对车速的监测,减少交通事故的发生,具有广阔的应用前景。
附图说明
图1为依像素行划定跟踪区域,跟踪区域中过车尾点的直线表示车尾轨迹线。
图2为连续跟踪的从第358帧到第367帧共10帧的图像序列,图中(a)~(j)依次为第358帧~367帧图像。
图3为跟踪区域序列。
图4为用帧差法提取的目标投影数据。
图5为用比率法寻找的特征点及特征点行值。
以下结合附图和实施例对本发明的内容作进一步详细说明。
具体实施方式
本实施例给出一种基于枚举试探的车速检测方法,通过图像预处理、划定跟踪区域、帧差法提取投影数据、利用比率法寻找特征点、利用枚举试探的方法计算车速,并对车速进行粗调和细调,最后得到准确的车速。
需要说明的是本实施例中的映射表采用发明专利“一种线性模型下的摄像机几何标定方法”(公开(公告)号:CN102222332A)中所述的摄像机几何标定方法得到。
本实施例的方法具体采用以下步骤实现:
步骤一,图像预处理:将采集到的交通视频处理成720×228像素大小的灰度图像,在图像上画出三条车道线,选择其中任意相邻的两条车道线手动标记不少于三对特征点,这三对特征点取车道虚线的端点,然后建立图像像素到路面实际距离的映射关系,即映射表;
步骤二,划定跟踪区域:在视频图像中,依据给定目标车尾点的位置,沿着车辆行驶的方向向前寻找m行,向左扩展n个像素,向右扩展n-1个像素,形成一个2×m×n的跟踪区域,并以跟踪区域内车尾点所在的直线作为车辆行驶的轨迹线,其中:
所述的m取90,所述的n取8;
步骤三,采用帧差法提取投影数据,车辆运动使图像的灰度值发生变化,从而帧差法就可以很好的检测出车辆的运动情况,对划定的跟踪区域,连续跟踪10帧,因为视频的采集速度为25帧/秒,相邻两帧图像间的灰度差别不大,所以在利用帧差法提取投影数据时采用隔1帧相减的方法,即第M+2
帧与第M帧做减法,提取8个投影序列,灰度值数据存储在数组Gray[M][N]中,计算公式为:
式中:
M表示连续跟踪的帧数,M=0,1...6,7;
N表示依据给定车尾点之后向前寻找的行数,N=0,1...88,89;
gray表示选定的跟踪区域中像素点的灰度值;
步骤四,利用比率法寻找特征点:将步骤三中提取的8个投影序列中的第一个序列的90个灰度值相加,取和值的1/20作为寻找特征点的阈值,将图像中的噪声影响分散,降低图像噪声对特征点选取的影响,然后从第一个投影值开始依次向后叠加,当叠加的值达到上述的寻找特征点的阈值,此时所在的点就作为特征点;
步骤五,利用枚举试探的方法计算车速:依据步骤二中所标定的车尾点求得的速度能够代表整辆车的行驶速度,以步骤四中得到的特征点对应的实际距离作为目标车辆的初始位置,枚举一系列速度值赋给车辆,连续跟踪8帧,得到8个距离值,反查映射表及数组Gray[M][N]得到这8个距离值在投影序列中对应的灰度值,与步骤四中得到的特征点对应的投影序列灰度值作比较,最接近的一组灰度值所对应的速度即为目标车辆的实际速度,具体计算过程分为粗调和细调两个部分:
计算前先将步骤四中找到的特征点的值转化成实际路面上的距离值,步骤四中找到的特征点是一个以给定车尾点为零点的像素行,将这个像素行值转换成像素坐标点,查找映射表得到这个像素点对应的实际路面距离值,即目标车辆的初始位置S0;
(1)粗调,给目标车辆一个初始速度5km/h,以5km/h为间隔依次增加,根据实际车速的范围设定一组速度值:5km/h、10km/h、15km/h、20km/h……170km/h、175km/h、180km/h,共36个速度值,将这36个速度值,依次带入公式
sij=vitj+s0(i=0,1……34,35;j=0,1……6,7)
式中:
sij表示车辆在其轨迹线上的实际距离值,单位:m;
s0表示车辆的初始位置,单位:m;
vi表示速度值,单位:m/s;
tj表示跟踪时间,即0.04s的j倍,单位:s;
带入8个跟踪时间值tj就会得到8个sij值,通过反查映射表可以得到sij在跟踪区域里对应的行值,查找数组Gray[M][N],其中:M=j,N为sij在跟踪区域里对应的行值,得到这些行值在投影序列中对应的灰度值,用gij表示,其中:gi0即步骤四中得到的特征点对应的投影序列灰度值,将这8个灰度值的和记为sum,平均值记为average,则有:
sum=gi0+gi1+...+gi7
average=sum/8
对sum和average作一个换算,具体方法为:
differsub=|gi0-average|+|gi1-average|+...|gi7-average|
sumsub=sum-differsub
即可得到36个速度,36个sumsub值,找出最大的sumsub所对应的速度就是所求的速度,记为p;
(2)细调,细调的方法与粗调一致,区别仅在于其设定的速度间隔不同,在粗调得到的速度p的基础上,细调过程以1km/h为速度间隔依次增加速度值,再给车辆赋一组速度值:
(p-15),(p-14),……,(p-1),p,(p+1),……(p+14),
共30个速度值,将这30个速度值依次带入公式
sij=vitj+s0(i=0,1,……29;j=0,1……7)中;
重复上述调节过程,最终得到车辆的精确速度。
以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例:
实施例中处理过程中视频的采样频率是25帧每秒,帧图像大小为720×288,如图2所示,是采集到的交通视频信号中的一段,选择一辆目标车辆,遵从上述技术方案对图像进行处理,获取目标车辆的速度。
第一步,在测试路段正上方约10米处架设摄像机,摄像机与电脑相连,采集到的视频数据能够及时传输到控制中心电脑上。在视频图像上手动画出三条车道线,并选择其中任意相邻的两条车道线标记特征点,计算机将自动计算出图像像素和路面实际距离间的映射关系,即映射表。
第二步,选择目标车辆,标定车尾点,划定跟踪区域,如图1所示。连续跟踪10帧,如图3所示为跟踪区域序列,得到目标车辆的行驶轨迹,如图2所示。
第三步,对第二步得到的跟踪区域,用帧差法提取其投影序列,如图4所示,并对第一个投影序列用比率法寻找特征点。
第四步,将第三步找到的特征点对应的实际距离作为目标车辆的初始位置,根据事先设计好的程序,按照粗调和细调的过程试探出车辆的实际速度,并将最终计算出的特征点显示到序列图上,如图5所示。
由以上方法可得车辆的速度为51.75km/h,
实验中用雷达枪检测此辆车的实际行驶速度为51km/h.
实验中设计的车速检测方法获得的结果和雷达抢检测的结果非常接近,因此本发明的枚举试探的车速检测方法能够达到应用的需要。
Claims (1)
1.一种基于枚举试探的车速检测方法,其特征在于,该方法按照以下步骤进行:
步骤一,图像预处理:将采集到的交通视频处理成720×228像素大小的灰度图像,在图像上画出三条车道线,选择其中任意相邻的两条车道线手动标记不少于三对特征点,这三对特征点取车道虚线的端点,建立图像像素到路面实际距离的映射关系,即映射表;
步骤二,划定跟踪区域:在视频图像中,依据给定目标车尾点的位置,沿着车辆行驶的方向向前寻找m行,向左扩展n个像素,向右扩展n-1个像素,形成一个2×m×n的跟踪区域,并以跟踪区域内车尾点所在的直线作为车辆行驶的轨迹线,其中:
所述的m取90,所述的n取8;
步骤三,采用帧差法提取投影数据,车辆运动使图像的灰度值发生变化,从而帧差法就可以很好的检测出车辆的运动情况,对划定的跟踪区域,连续跟踪10帧,因为视频的采集速度为25帧/秒,相邻两帧图像间的灰度差别不大,所以在利用帧差法提取投影数据时采用隔1帧相减的方法,即第M+2帧与第M帧做减法,提取8个投影序列,灰度值数据存储在数组Gray[M][N]中,计算公式为:
式中:
M表示连续跟踪的帧数,M=0,1...6,7;
N表示依据给定车尾点之后向前寻找的行数,N=0,1...88,89;
gray表示选定的跟踪区域中像素点的灰度值;
步骤四,利用比率法寻找特征点:将步骤三中提取的8个投影序列中的第一个序列的90个灰度值相加,取和值的1/20作为寻找特征点的阈值,将图像中的噪声影响分散,降低图像噪声对特征点选取的影响,然后从第一个投影值开始依次向后叠加,当叠加的值达到上述的寻找特征点的阈值,此时所在的点就作为特征点;
步骤五,利用枚举试探的方法计算车速:依据步骤二中所标定的车尾点求得的速度能够代表整辆车的行驶速度,以步骤四中得到的特征点对应的实际距离作为目标车辆的初始位置,枚举一系列速度值赋给车辆,连续跟踪8帧,得到8个距离值,反查映射表及数组Gray[M][N]得到这8个距离值在投影序列中对应的灰度值,与步骤四中得到的特征点对应的投影序列灰度值作比较,最接近的一组灰度值所对应的速度即为目标车辆的实际速度,具体计算过程分为粗调和细调两个部分:
计算前先将步骤四中找到的特征点的值转化成实际路面上的距离值,步骤四中找到的特征点是一个以给定车尾点为零点的像素行,将这个像素行值转换成像素坐标点,查找映射表得到这个像素点对应的实际路面距离值,即目标车辆的初始位置S0;
(1)粗调:给目标车辆一个初始速度5km/h,以5km/h为间隔依次增加,根据实际车速的范围设定一组速度值:5km/h、10km/h、15km/h、20km/h……170km/h、175km/h、180km/h,共36个速度值,将这36个速度值,依次带入公式
sij=vitj+s0(i=0,1……34,35;j=0,1……6,7)
式中:
sij表示车辆在其轨迹线上的实际距离值,单位:m;
s0表示车辆的初始位置,单位:m;
vi表示速度值,单位:m/s;
tj表示跟踪时间,即0.04s的j倍,单位:s;
带入8个跟踪时间值tj就会得到8个sij值,通过反查映射表可以得到sij在跟踪区域里对应的行值,查找数组Gray[M][N],其中:M=j,N为sij在跟踪区域里对应的行值,得到这些行值在投影序列中对应的灰度值,用gij表示,其中:gi0即步骤四中得到的特征点对应的投影序列灰度值,将这8个灰度值的和记为sum,平均值记为average,则有:
sum=gi0+gi1+...+gi7
average=sum/8
对sum和average作一个换算,具体方法为:
differsub=|gi0-average|+|gi1-average|+...|gi7-average|
sumsub=sum-differsub
即可得到36个速度,36个sumsub值,找出最大的sumsub所对应的速度就是所求的速度,记为p;
(2)细调:细调的方法与粗调一致,区别仅在于其设定的速度间隔不同,在粗调得到的速度p的基础上,细调过程以1km/h为速度间隔依次增加速度值,再给车辆赋一组速度值:
(p-15),(p-14),……,(p-1),p,(p+1),……(p+14),
共30个速度值,将这30个速度值依次带入公式
sij=vitj+s0(i=0,1,……29;j=0,1……7)中;
重复上述调节过程,最终得到车辆的精确速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310045928.7A CN103177584B (zh) | 2013-02-05 | 2013-02-05 | 一种基于枚举试探的车速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310045928.7A CN103177584B (zh) | 2013-02-05 | 2013-02-05 | 一种基于枚举试探的车速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103177584A CN103177584A (zh) | 2013-06-26 |
CN103177584B true CN103177584B (zh) | 2014-10-08 |
Family
ID=48637405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310045928.7A Expired - Fee Related CN103177584B (zh) | 2013-02-05 | 2013-02-05 | 一种基于枚举试探的车速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103177584B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504912A (zh) * | 2014-12-31 | 2015-04-08 | 长安大学 | 一种基于三维水平逆投影面的车速检测方法 |
CN105405299A (zh) * | 2015-12-17 | 2016-03-16 | 天津中安视通科技有限公司 | 一种视频测速系统的控制方法 |
CN107462741B (zh) * | 2017-07-26 | 2019-12-31 | 武汉船用机械有限责任公司 | 一种运动物体速度及加速度测量装置 |
CN109580979B (zh) * | 2018-06-12 | 2021-02-09 | 苏州市职业大学 | 基于视频处理的车速实时测量方法 |
CN109431681B (zh) * | 2018-09-25 | 2023-12-19 | 吉林大学 | 一种检测睡眠质量的智能眼罩及其检测方法 |
CN109345576B (zh) * | 2018-09-30 | 2022-09-06 | 西南政法大学 | 车辆行驶速度鉴定方法及系统 |
CN111985266B (zh) * | 2019-05-21 | 2024-06-07 | 顺丰科技有限公司 | 尺度图确定方法、装置、设备及存储介质 |
CN110533714A (zh) * | 2019-08-21 | 2019-12-03 | 合肥晌玥科技有限公司 | 基于图像处理技术检测目标物体最大内接圆的方法和系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622895A (zh) * | 2012-03-23 | 2012-08-01 | 长安大学 | 一种基于视频的车辆速度检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3629935B2 (ja) * | 1998-01-27 | 2005-03-16 | オムロン株式会社 | 移動体の速度計測方法およびその方法を用いた速度計測装置 |
JP4668754B2 (ja) * | 2005-09-30 | 2011-04-13 | 三菱電機株式会社 | 交通流計測装置 |
-
2013
- 2013-02-05 CN CN201310045928.7A patent/CN103177584B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622895A (zh) * | 2012-03-23 | 2012-08-01 | 长安大学 | 一种基于视频的车辆速度检测方法 |
Non-Patent Citations (7)
Title |
---|
JP特开2007-94919A 2007.04.12 |
JP特开平11-211738A 1999.08.06 |
一种基于车辆运动轨迹的车速估算方法;彭亚芳等;《计算机与数字工程》;20081130;第36卷(第11期);都137-139页 * |
利用图像识别的车速测量系统;黄丹丹等;《计算机辅助设计与图形学学报》;20050630;第17卷(第6期);第1258-1262页 * |
彭亚芳等.一种基于车辆运动轨迹的车速估算方法.《计算机与数字工程》.2008,第36卷(第11期),都137-139页. |
郭玲等.基于单目序列图像的运动目标跟踪.《华南理工大学学报(自然科学版)》.2012,第40卷(第3期),第94-98页. * |
黄丹丹等.利用图像识别的车速测量系统.《计算机辅助设计与图形学学报》.2005,第17卷(第6期),第1258-1262页. |
Also Published As
Publication number | Publication date |
---|---|
CN103177584A (zh) | 2013-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103177584B (zh) | 一种基于枚举试探的车速检测方法 | |
CN104793202B (zh) | 多雷达成像传感器的对象融合系统 | |
CN106671974B (zh) | 一种用于智能泊车系统的车位检测方法 | |
CN103065151B (zh) | 一种基于深度信息的车辆识别方法 | |
CN103853155B (zh) | 智能车路口通行方法及系统 | |
CN103236191B (zh) | 一种基于视频的高速公路匝道车辆并入安全预警方法 | |
CN103324913B (zh) | 一种基于形状特征和轨迹分析的行人事件检测方法 | |
CN103761889B (zh) | 一种防追尾碰撞的前方车辆有效目标确定方法 | |
CN104021676A (zh) | 基于车辆动态视频特征的车辆定位及车速测量方法 | |
CN104608766A (zh) | 智能车利用泊车记忆棒自动泊车的方法及系统 | |
CN106240458A (zh) | 一种基于车载双目相机的车辆前方碰撞预警方法 | |
CN103456172A (zh) | 一种基于视频的交通参数测量方法 | |
CN104637059A (zh) | 基于毫米波雷达和机器视觉的夜间前方车辆检测方法 | |
CN111524365B (zh) | 一种利用多地磁传感器进行车型分类的方法 | |
CN103150908B (zh) | 一种基于视频的平均车速检测方法 | |
CN205209441U (zh) | 一种车辆轴距自动测量装置 | |
CN104050818A (zh) | 基于目标跟踪和特征点匹配的运动车辆测速方法 | |
CN102914290A (zh) | 地铁限界检测系统及其检测方法 | |
CN103236158B (zh) | 一种基于视频的交通事故实时预警方法 | |
CN105243876A (zh) | 一种用于互通立交的交通冲突严重性分析方法 | |
Xu et al. | Real-time obstacle detection over rails using deep convolutional neural network | |
CN103499337A (zh) | 一种基于立式标靶的车载单目摄像头测距测高装置 | |
CN104569998A (zh) | 基于激光雷达的车辆安全行驶区域的检测方法及装置 | |
CN103472824A (zh) | 一种基于摄像头的自动导航车的导航系统及方法 | |
CN103150550B (zh) | 一种基于运动轨迹分析的道路行人事件检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141008 Termination date: 20220205 |
|
CF01 | Termination of patent right due to non-payment of annual fee |