CN105046225B - 一种基于车尾检测的车距检测方法 - Google Patents
一种基于车尾检测的车距检测方法 Download PDFInfo
- Publication number
- CN105046225B CN105046225B CN201510419504.1A CN201510419504A CN105046225B CN 105046225 B CN105046225 B CN 105046225B CN 201510419504 A CN201510419504 A CN 201510419504A CN 105046225 B CN105046225 B CN 105046225B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- tailstock
- image
- distance
- away
- 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.)
- Active
Links
Classifications
-
- 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
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于车尾检测的车距检测方法,包括获取车尾检测分类器和目标位置深度表;基于获取的车尾检测分类器以及图像中车尾位置距图像下边界的距离,定位前方目标车辆;根据上一帧图像中目标车辆的车尾位置,预测当前帧图像中目标车辆的车尾位置;获得当前帧图像中目标车辆距图像下边界的距离,基于获取的目标位置深度表,查表获得目标车辆距车载摄像机的实际距离;将目标车辆距车载摄像机的实际距离减去车载摄像机距本车车头的距离,得到目标车辆距本车车头的距离。本发明采用机器视觉学习算法,精确定位前车位置,基于目标跟踪技术进行车辆的重复定位,基于线性插值算法进行目标位置深度表的标定;算法速度更快,车距检测更精确。
Description
技术领域
本发明涉及安全驾驶技术领域,具体是一种基于车尾检测的车距检测方法。
背景技术
日常的机动车驾驶中,与前车保持足够的车距是避免追尾事故的最有效方式。而对于车距的判断,主要是通过驾驶员的经验目测获得,这种方式存在严重不足:首先,驾驶员的坐姿和视角的不同,目测的结果会存在较大偏差,尤其是在高速公路上,由于车速过快,根本无法目测获得较准确的车距;其次,长时间驾车往往会使驾驶员注意力不集中,易忽视与前车的车距或者车距判断存在较大误差,进而引发交通事故。
近年来,出现了一些车距检测技术,主要有以下几类:
(1)基于物理测距技术,该类技术主要通过发射和接收超声波或者红外激光线,获得与前面车辆的距离。这种技术存在较多不足:设备成本高,远距离测量误差较大,易受前方障碍物影响而造成误检,多个车辆同时使用时会存在彼此干扰。
(2)基于视频处理技术,如中国专利申请CN104392629A公开了一种检测车距的方法和装置,中国专利CN101941438B公开了一种安全车距智能检控装置与方法,该类技术主要通过视频图像处理技术,在视频每一帧图像上,获取与前方车辆相关的特征,依据景深映射表或者三维测量技术,获取与前车的车距。这种方法的优势是成本低、主动测量、适应性广,其缺点是算法较复杂,定位前方车辆不精确,车距计算结果误差较大。
发明内容
本发明的目的在于提供一种算法速度更快、车距检测更精确的基于车尾检测的车距检测方法
本发明的技术方案为:
一种基于车尾检测的车距检测方法,包括以下步骤:
(1)获取车尾检测分类器和目标位置深度表,所述目标位置深度表用于记录目标距车载摄像机的实际距离与车载摄像机采集的图像中目标位置距图像下边界的距离之间的对应关系;
(2)判断是否需要重新检测定位前方目标车辆,若是,则执行步骤(3),若否,则执行步骤(4);
(3)基于获取的车尾检测分类器以及图像中车尾位置距图像下边界的距离,定位前方目标车辆;
(4)跟踪前方目标车辆的车尾,即根据上一帧图像中目标车辆的车尾位置,预测当前帧图像中目标车辆的车尾位置;
(5)获得当前帧图像中目标车辆的车尾位置距图像下边界的距离,作为当前帧图像中目标车辆距图像下边界的距离,基于获取的目标位置深度表,查表获得目标车辆距车载摄像机的实际距离;
(6)将所述目标车辆距车载摄像机的实际距离减去车载摄像机距本车车头的距离,即得到目标车辆距本车车头的距离。
所述的基于车尾检测的车距检测方法,步骤(1)中,所述获取车尾检测分类器,包括:
a、收集车尾图像作为训练正样本;
b、基于haar特征和adaboost学习算法训练车尾检测分类器文件。
所述的基于车尾检测的车距检测方法,步骤(1)中,所述获取目标位置深度表,包括:
a、在车辆正前方,每隔一段距离分别放置一个白色的长方形纸板,使用车载摄像机采集所有长方形纸板的图像;
b、计算图像中每个长方形纸板位置距图像下边界的距离;
c、将每一个长方形纸板距车载摄像机的实际距离和图像中每一个长方形纸板位置距图像下边界的距离代入以下公式,得到对应的比例关系系数:
其中,ΔZi表示第i个长方形纸板距车载摄像机的实际距离,ΔDi表示图像中第i个长方形纸板位置距图像下边界的距离,Wi表示对应的比例关系系数;
d、采用以下线性插值公式,获取图像中每一个目标位置距图像下边界的距离对应的比例关系系数:
其中,Wj表示图像中第j个目标位置距图像下边界的距离Dj对应的比例关系系数,Wi0表示图像中距离第j个目标位置最近的上面那个长方形纸板位置距图像下边界的距离Di0对应的比例关系系数,Wi1表示图像中距离第j个目标位置最近的下面那个长方形纸板位置距图像下边界的距离Di1对应的比例关系系数;
e、根据Zj=Wj*Dj,计算出图像中每一个目标位置距图像下边界的距离Dj对应的目标距车载摄像机的实际距离Zj,将对应关系保存在目标位置深度表中。
所述的基于车尾检测的车距检测方法,步骤(3),包括:
a、基于获取的车尾检测分类器,检测前方车道是否存在车辆;
b、判断获得的车辆是否位于当前车道,若是,视为有效车辆,若否,视为无效车辆;
c、如果仅存在一个有效车辆,则将其作为目标车辆;如果存在多个有效车辆,则选择图像中车尾位置距图像下边界距离最小的有效车辆作为最终的目标车辆。
所述的基于车尾检测的车距检测方法,步骤(4)中,所述根据上一帧图像中目标车辆的车尾位置,预测当前帧图像中目标车辆的车尾位置,包括:
a、在上一帧图像中目标车辆的车尾位置矩形区域内,按照固定步长选择样本点;
b、对样本点进行跟踪,基于光流法,预测每一个样本点在当前帧图像中的位置;
c、按照以下公式,获取正确跟踪的样本点:
其中,Δxi、Δyi分别表示相对于上一帧图像,当前帧图像中每一个样本点的单方向运动量,t表示预设的运动量阈值;
d、按照以下公式,计算目标车辆的车尾运动量:
其中,n表示所有正确跟踪的样本点数量,Δx、Δy分别表示目标车辆的车尾单方向运动量。
e、在上一帧图像中目标车辆的车尾位置矩形区域的基础上,叠加所述目标车辆的车尾运动量,即得到当前帧图像中目标车辆的车尾位置。
所述的基于车尾检测的车距检测方法,步骤(5)中,所述获得当前帧图像中目标车辆的车尾位置距图像下边界的距离,包括:
a、按照以下公式,选择当前帧图像中目标车辆的车尾特征矩形区域:
其中,(rect.x,rect.y)表示当前帧图像中目标车辆的车尾特征矩形区域rect的左上角坐标,(tect_p.x,rect_p.y)表示预测得到的当前帧图像中目标车辆的车尾位置矩形区域rect_p的左上角坐标,rect.width、rect.height分别表示rect的宽度、高度,rect_p.width、rect_p.height分别表示rect_p的宽度、高度;
b、利用以下水平边缘检测核算子式,获取当前帧图像中目标车辆的车尾特征矩形区域的水平边缘特征图:
其中,K表示水平边缘检测核算子式;
c、对所述水平边缘特征图进行二值化处理,获取二值水平边缘特征图;
d、对所述二值水平边缘特征图进行形态学运算,获取水平边缘连通区域,并基于长度特征去除干扰连通区域;
e、选择最下方的水平边缘连通区域进行直线拟合,将得到的水平边缘线作为当前帧图像中目标车辆的车尾参考位置线;
f、将所述参考位置线上各个点距图像下边界的距离平均值作为当前帧图像中目标车辆的车尾位置距图像下边界的距离。
所述的基于车尾检测的车距检测方法,还包括:当所述目标车辆距本车车头的距离小于预设的安全距离时,进行语音报警。
由上述技术方案可知,本发明采用机器视觉学习算法,精确定位前车位置,基于目标跟踪技术进行车辆的重复定位,基于线性插值算法进行目标位置深度表的标定;与现有方法相比,算法速度更快,车距检测更精确。
附图说明
图1是本发明的方法流程图;
图2是车尾检测分类器的训练正样本图像;
图3是车尾检测效果图;
图4是车尾特征矩形区域图像;
图5是车尾区域的水平边缘线检测效果图;
图6是车尾的参考位置线效果图。
具体实施方式
下面结合附图和具体实施例进一步说明本发明。
如图1所示,一种基于车尾检测的车距检测方法,包括以下步骤:
S1、判断是否需要初始化系统参数,如果需要,进入步骤S2,否则,进入步骤S3。
S2、初始化系统参数,系统参数包括车尾检测分类器和目标位置深度表,具体标定步骤如下:
S21、获取车尾检测分类器,具体步骤如下:
S211、收集车辆尾部图像作为训练正样本,包括常见品牌、不同车距的车辆尾部图像,如图2所示;
S212、基于haar特征和adaboost学习算法,训练车辆尾部分类器文件。
S22、获取目标位置深度表:
根据摄像机的成像原理可知,当物体距离摄像机越远,其成像在图像中的位置就会距离图像下边界越远,同时,由于设备本身的生产误差和图像采集时的不确定误差,会使得这种对应关系变成一种非线性映射关系,常规方法无法获取精确的标定值,因此,我们根据“black box”理论,把这种非线性映射关系表示为下式:
ΔZ=W*ΔD
其中,W为未知的“black box”变量,ΔZ为物体距摄像机的实际距离,ΔD为图像中物体位置距图像下边界的像素距离,即图像中物体位置的偏移量。
此时,标定的过程变成了在已知目标距摄像机的实际距离ΔZ和图像中目标位置的偏移量ΔD的情况下,获取对应的比例关系系数W,具体步骤如下:
S221、在车辆正前方,每隔5米分别放置一个白色的窄长方形纸板,使用车载摄像机采集所有长方形纸板的图像。
S222、计算图像中每个长方形纸板位置距图像下边界的距离,即是图像中每个长方形纸板位置的偏移量。
S223、把每一个长方形纸板距车载摄像机的实际距离和图像中每一个长方形纸板位置的偏移量代入ΔZi=Wi*ΔDi,得到对应的“black box”变量值Wi,其中i=1,2,3,…,n。
S224、依据目标实际距离、图像中目标位置的偏移量和“black box”变量之间的对应关系,通过以下线性插值理论式,获取图像中每一个目标位置的偏移量对应的比例关系系数:
其中,Wj为图像中当前目标位置的偏移量对应的比例关系系数,Wi0、Wi1为图像中距离当前目标位置最近的上下两个长方形纸板位置的偏移量对应的比例关系系数,Dj为图像中当前目标位置的偏移量,Di0为图像中距离当前目标位置最近的上面那个长方形纸板位置的偏移量,D为图像中距离当前目标位置最近的上下两个长方形纸板位置的偏移量之差。
S225、根据Zj=Wj*Dj,计算出图像中每一个位置的偏移量对应的实际距离,将对应关系保存在目标位置深度表中。
S3、判断是否需要检测前方车辆,如果需要,进入步骤S4,否则,进入步骤S5。
S4、检测前方车辆,判断当前车道的正前方是否存在目标车辆,效果如图3所示,具体步骤如下:
S41、基于步骤S2获得的车尾检测分类器,检测前方车道是否存在车辆;
S42、判断获得的车辆是否位于当前车道,如果不在,视为无效车辆,如果在,视为有效车辆;
S43、如果仅存在一个有效车辆,则将其作为目标车辆;如果存在多个有效车辆,选择其在图像中的位置距图像下边界距离最小的有效车辆作为最终的目标车辆。
S5、跟踪前方目标车辆,根据上一帧图像中的车辆尾部位置,预测车尾在当前帧图像中的位置,避免每一帧图像都进行重复的车尾检测定位,具体步骤如下:
S51、选择跟踪样本点,主要方法是在上一帧图像的车尾位置有效矩形区域内,按照固定步长,进行均匀点采样。
S52、对样本点进行跟踪,主要基于光流法,预测每一个样本点在当前帧图像中的位置。
S53、按照以下公式,获取正确跟踪的样本点:
其中,Δxi、Δyi分别是每一个样本点的单方向运动量,t表示预设的运动量阈值。
S54、按照以下公式,计算车辆尾部的运动量:
其中,n表示所有正确跟踪的样本点数量,Δx、Δy分别是车辆尾部的单方向运动量。
S55、获得车辆尾部在当前帧图像中的位置,具体方法是在上一帧图像的车辆尾部位置矩形区域基础上,通过叠加步骤S54获得的车辆尾部运动量获得。
S6、获得目标车辆的偏移量,主要是获得当前帧图像中车辆尾部位置距图像下边界的距离,由于不同车辆的尾部形状不统一,所以选择车辆尾部的最下方边缘线或者车辆与地面的接触线作为参考位置线,计算车尾距图像下边界的距离,可以极大提高测量的准确性,具体步骤如下:
S61、按照以下公式,选择车尾特征矩形区域,如图4所示:
其中,(rect.x,rect.y)、(rect_p.x,rect_p.y)分别表示车尾特征矩形区域rect、车辆尾部在当前帧图像中预测的位置矩形区域rect_p的左上角坐标,rect.width、rect.height分别表示rect的宽度、高度,rect_p.width、rect_p.height分别表示rect_p的宽度、高度。
S62、按照以下边缘检测核算子式,进行车尾的水平边缘线检测,效果如图5所示:
S63、形态学运算,去除较短的干扰区域。
S64、选择最下方的水平边缘线,作为车尾的参考位置线,如图6所示。
S65、在参考位置线上,计算每个点距图像下边界距离的平均值作为目标车辆的偏移量。
S7、获得目标车辆的实际距离,具体步骤如下:
S71、依据步骤S65获得的目标车辆的偏移量,按照步骤S22获得的目标位置深度表,查表获得相应的深度,即是前方目标车辆距车载摄像机的距离。
S72、校正目标车辆距离,因为车载摄像机一般都是放在车辆内部,步骤S71获得的目标车辆距离包含了本车车头距车载摄像机的距离,因此,按照以下公式,获得最终的本车车头距前车车尾的距离Z:
Z=Zall-Zcar
其中,Zall是车载摄像机距前车的距离,Zcar是车载摄像机距本车车头的距离。
S8、语音报警,根据事先设置的安全距离,如果实际的车距小于安全距离,语音报警,提醒驾驶员及时调整车距,安全驾驶。
以上所述实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (6)
1.一种基于车尾检测的车距检测方法,其特征在于,包括以下步骤:
(1)获取车尾检测分类器和目标位置深度表,所述目标位置深度表用于记录目标距车载摄像机的实际距离与车载摄像机采集的图像中目标位置距图像下边界的距离之间的对应关系;
(2)判断是否需要重新检测定位前方目标车辆,若是,则执行步骤(3),若否,则执行步骤(4);
(3)基于获取的车尾检测分类器以及图像中车尾位置距图像下边界的距离,定位前方目标车辆;
(4)跟踪前方目标车辆的车尾,即根据上一帧图像中目标车辆的车尾位置,预测当前帧图像中目标车辆的车尾位置;
(5)获得当前帧图像中目标车辆的车尾位置距图像下边界的距离,基于获取的目标位置深度表,查表获得目标车辆距车载摄像机的实际距离;
(6)将所述目标车辆距车载摄像机的实际距离减去车载摄像机距本车车头的距离,即得到目标车辆距本车车头的距离;
步骤(1)中,所述获取目标位置深度表,包括:
a、在车辆正前方,每隔一段距离分别放置一个白色的长方形纸板,使用车载摄像机采集所有长方形纸板的图像;
b、计算图像中每个长方形纸板位置距图像下边界的距离;
c、将每一个长方形纸板距车载摄像机的实际距离和图像中每一个长方形纸板位置距图像下边界的距离代入以下公式,得到对应的比例关系系数:
其中,ΔZi表示第i个长方形纸板距车载摄像机的实际距离,ΔDi表示图像中第i个长方形纸板位置距图像下边界的距离,Wi表示对应的比例关系系数;
d、采用以下线性插值公式,获取图像中每一个目标位置距图像下边界的距离对应的比例关系系数:
其中,Wj表示图像中第j个目标位置距图像下边界的距离Dj对应的比例关系系数,Wi0表示图像中距离第j个目标位置最近的上面那个长方形纸板位置距图像下边界的距离Di0对应的比例关系系数,Wi1表示图像中距离第j个目标位置最近的下面那个长方形纸板位置距图像下边界的距离Di1对应的比例关系系数;
e、根据Zj=Wj*Dj,计算出图像中每一个目标位置距图像下边界的距离Dj对应的目标距车载摄像机的实际距离Zj,将对应关系保存在目标位置深度表中。
2.根据权利要求1所述的基于车尾检测的车距检测方法,其特征在于,步骤(1)中,所述获取车尾检测分类器,包括:
a、收集车尾图像作为训练正样本;
b、基于haar特征和adaboost学习算法训练车尾检测分类器文件。
3.根据权利要求1所述的基于车尾检测的车距检测方法,其特征在于,步骤(3),包括:
a、基于获取的车尾检测分类器,检测前方车道是否存在车辆;
b、判断获得的车辆是否位于当前车道,若是,视为有效车辆,若否,视为无效车辆;
c、如果仅存在一个有效车辆,则将其作为目标车辆;如果存在多个有效车辆,则选择图像中车尾位置距图像下边界距离最小的有效车辆作为最终的目标车辆。
4.根据权利要求1所述的基于车尾检测的车距检测方法,其特征在于,步骤(4)中,所述根据上一帧图像中目标车辆的车尾位置,预测当前帧图像中目标车辆的车尾位置,包括:
a、在上一帧图像中目标车辆的车尾位置矩形区域内,按照固定步长选择样本点;
b、对样本点进行跟踪,基于光流法,预测每一个样本点在当前帧图像中的位置;
c、按照以下公式,获取正确跟踪的样本点:
其中,Δxi、Δyi分别表示相对于上一帧图像,当前帧图像中每一个样本点的单方向运动量,t表示预设的运动量阈值;
d、按照以下公式,计算目标车辆的车尾运动量:
其中,n表示所有正确跟踪的样本点数量,Δx、Δy分别表示目标车辆的车尾单方向运动量;
e、在上一帧图像中目标车辆的车尾位置矩形区域的基础上,叠加所述目标车辆的车尾运动量,即得到当前帧图像中目标车辆的车尾位置。
5.根据权利要求1所述的基于车尾检测的车距检测方法,其特征在于,步骤(5)中,所述获得当前帧图像中目标车辆的车尾位置距图像下边界的距离,包括:
a、按照以下公式,选择当前帧图像中目标车辆的车尾特征矩形区域:
其中,(rect.x,rect.y)表示当前帧图像中目标车辆的车尾特征矩形区域rect的左上角坐标,(rect_p.x,rect_p.y)表示预测得到的当前帧图像中目标车辆的车尾位置矩形区域rect_p的左上角坐标,rect.width、rect.height分别表示rect的宽度、高度,rect_p.width、rect_p.height分别表示rect_p的宽度、高度;
b、利用以下水平边缘检测核算子式,获取当前帧图像中目标车辆的车尾特征矩形区域的水平边缘特征图:
其中,K表示水平边缘检测核算子式;
c、对所述水平边缘特征图进行二值化处理,获取二值水平边缘特征图;
d、对所述二值水平边缘特征图进行形态学运算,获取水平边缘连通区域,并基于长度特征去除干扰连通区域;
e、选择最下方的水平边缘连通区域进行直线拟合,将得到的水平边缘线作为当前帧图像中目标车辆的车尾参考位置线;
f、将所述参考位置线上各个点距图像下边界的距离平均值作为当前帧图像中目标车辆的车尾位置距图像下边界的距离。
6.根据权利要求1所述的基于车尾检测的车距检测方法,其特征在于,还包括:当所述目标车辆距本车车头的距离小于预设的安全距离时,进行语音报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510419504.1A CN105046225B (zh) | 2015-07-14 | 2015-07-14 | 一种基于车尾检测的车距检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510419504.1A CN105046225B (zh) | 2015-07-14 | 2015-07-14 | 一种基于车尾检测的车距检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105046225A CN105046225A (zh) | 2015-11-11 |
CN105046225B true CN105046225B (zh) | 2018-09-18 |
Family
ID=54452754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510419504.1A Active CN105046225B (zh) | 2015-07-14 | 2015-07-14 | 一种基于车尾检测的车距检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105046225B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740797A (zh) * | 2016-01-27 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于图像处理的异常车辆的检测方法 |
CN106183979B (zh) * | 2016-07-07 | 2017-12-12 | 广州鹰瞰信息科技有限公司 | 一种根据车距对车辆进行提醒的方法和装置 |
CN108932453B (zh) * | 2017-05-23 | 2021-04-09 | 杭州海康威视数字技术股份有限公司 | 一种车辆备胎检测方法及装置 |
CN110197104B (zh) * | 2018-02-27 | 2022-03-29 | 杭州海康威视数字技术股份有限公司 | 基于车辆的测距方法及装置 |
CN108416798B (zh) * | 2018-03-05 | 2019-07-12 | 山东大学 | 一种基于光流的车辆距离估计方法 |
CN110414357B (zh) * | 2019-06-28 | 2023-04-07 | 上海工程技术大学 | 一种基于车辆类型识别的前方车辆定位方法 |
CN112434657A (zh) * | 2020-11-20 | 2021-03-02 | 上海眼控科技股份有限公司 | 飘散运载物检测方法、设备、程序及计算机可读介质 |
CN115257739A (zh) * | 2022-09-30 | 2022-11-01 | 南通艾美瑞智能制造有限公司 | 一种自适应速度调节的前车跟随方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101131321A (zh) * | 2007-09-28 | 2008-02-27 | 深圳先进技术研究院 | 一种实时测量安全车距用于汽车防撞预警的方法及装置 |
CN101234601A (zh) * | 2007-01-30 | 2008-08-06 | 南京理工大学 | 基于单目视觉的汽车巡航控制方法及其实现系统 |
US8108119B2 (en) * | 2006-04-21 | 2012-01-31 | Sri International | Apparatus and method for object detection and tracking and roadway awareness using stereo cameras |
-
2015
- 2015-07-14 CN CN201510419504.1A patent/CN105046225B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8108119B2 (en) * | 2006-04-21 | 2012-01-31 | Sri International | Apparatus and method for object detection and tracking and roadway awareness using stereo cameras |
CN101234601A (zh) * | 2007-01-30 | 2008-08-06 | 南京理工大学 | 基于单目视觉的汽车巡航控制方法及其实现系统 |
CN101131321A (zh) * | 2007-09-28 | 2008-02-27 | 深圳先进技术研究院 | 一种实时测量安全车距用于汽车防撞预警的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105046225A (zh) | 2015-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046225B (zh) | 一种基于车尾检测的车距检测方法 | |
CN105070098B (zh) | 一种基于车牌位置的车距检测方法 | |
CN107272021B (zh) | 使用雷达和视觉定义的图像检测区域的对象检测 | |
JP4233723B2 (ja) | 障害物検出装置、障害物検出方法、及び障害物検出プログラムを記録した記録媒体 | |
US9349057B2 (en) | Three-dimensional object detection device | |
CN107462223B (zh) | 一种公路转弯前行车视距自动测量装置及测量方法 | |
KR102027405B1 (ko) | 이동 물체 인식기 | |
US7103213B2 (en) | Method and apparatus for classifying an object | |
CN107750364A (zh) | 使用稳定的坐标系的道路垂直轮廓检测 | |
CN104751151B (zh) | 一种实时多车道识别及跟踪方法 | |
CN105182320A (zh) | 一种基于深度测量的车距检测方法 | |
JP4714104B2 (ja) | 物体傾き検出装置 | |
EP2256690B1 (en) | Object motion detection system based on combining 3D warping techniques and a proper object motion detection | |
CN104129389A (zh) | 一种有效判别车辆行驶状态的方法及其装置 | |
CN111829484B (zh) | 基于视觉的目标距离测算方法 | |
CN103196418A (zh) | 一种弯道车距测量方法 | |
JP6315308B2 (ja) | 制御用対象物識別装置、移動体機器制御システム及び制御用対象物認識用プログラム | |
Liu et al. | Development of a vision-based driver assistance system with lane departure warning and forward collision warning functions | |
Wei et al. | Research on lane detection and tracking algorithm based on improved hough transform | |
CN102646274A (zh) | 车道边界检测装置以及车道边界检测方法 | |
Lion et al. | Smart speed bump detection and estimation with kinect | |
CN113221739B (zh) | 基于单目视觉的车距测量方法 | |
JP2005157731A (ja) | 車線認識装置および車線認識方法 | |
JP2012252501A (ja) | 走行路認識装置及び走行路認識用プログラム | |
US20220153259A1 (en) | Autonomous parking systems and methods for vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |