CN107808140B - 一种基于图像融合的单目视觉道路识别算法 - Google Patents

一种基于图像融合的单目视觉道路识别算法 Download PDF

Info

Publication number
CN107808140B
CN107808140B CN201711086343.4A CN201711086343A CN107808140B CN 107808140 B CN107808140 B CN 107808140B CN 201711086343 A CN201711086343 A CN 201711086343A CN 107808140 B CN107808140 B CN 107808140B
Authority
CN
China
Prior art keywords
image
conditional random
random field
road
layer
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
Application number
CN201711086343.4A
Other languages
English (en)
Other versions
CN107808140A (zh
Inventor
陈剑
贾丙西
王麒
张凯祥
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201711086343.4A priority Critical patent/CN107808140B/zh
Publication of CN107808140A publication Critical patent/CN107808140A/zh
Application granted granted Critical
Publication of CN107808140B publication Critical patent/CN107808140B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像融合的单目视觉道路识别算法。针对原始图像和光照不变图像用两个输入通道的卷积神经网络进行处理，处理中对图像信息进行融合，从而得到图像中的每个像素点为道路区域的概率值；然后构造条件随机场，以条件随机场中每一个节点表示图像中的像素点，对条件随机场中的节点进行分割，从而得到整个图像的道路识别结果。本发明消除了复杂光照和阴影对道路识别的影响，从而提高了道路识别的精确性和鲁棒性。

Description

一种基于图像融合的单目视觉道路识别算法
技术领域
本发明属于计算机视觉的领域，涉及了一种基于图像融合的单目视觉道路 识别算法。
背景技术
随着计算机技术的迅速发展，计算机视觉被广泛应用于机器人、智能车辆 的环境感知任务，如道路识别、障碍物识别等。但是，在室外环境下，视觉算 法的效果受到复杂的环境因素的影响，如光照条件、阴影等都直接影响物体在 图像中的外观形状，进而增加了识别任务的难度，也增加了视觉识别算法的复 杂度。
在以往的研究中，道路识别的算法分为基于几何结构和基于图像外观的方 法。基于几何结构的方法一般利用立体相机拍摄得到场景的多视角图像，从而 得到场景的深度信息，再利用道路边缘的不连续性来分割出道路区域。如在(M. Wu,S.K.Lam,T.Srikanthan.Nonparametrictechnique based high-speed road surface detection.IEEETransactions on Intelligent Transportation Systems,2015,16(2), 874–884)中，基于u视差和v视差图来分割道路区域，从而道路区域可以方便 地在不连续位置被分割出来。在(F.Oniga,S.Nedevschi.Processing dense stereo data using elevation maps:Roadsurface,traffic isle,and obstacledetection.IEEE Transactions on VehicularTechnology,2010,59(3),1172–1182)中，图像被分割成 了方格，并且每个方格使用其中最大的高度值来表示。然后根据高度的分布将 其分类成道路和非道路区域。但是，这些方法的效果依赖于立体匹配的质量， 而实时地生成精确、稠密的视差图是比较困难的，尤其是对于弱纹理和重复纹 理的区域。另外，为了提高测量精度，往往需要更长的基线，但是此时就需要 搜索更大的空间来找到对应点，并且存在更多的误匹配，限制了系统的灵活性。 基于图像外观的方法利用图像中的像素颜色(J.Alvarez,T.Gevers,Y.LeCun, A.Lopez.Roadscenesegmentation from a single image.European Conference on Computer Vision,2012,376–389)、纹理(P.Wu,C.Chang,C.H.Lin.Lane-mark extraction forautomobilesunder complex conditions.Pattern Recognition.2014, 47(8),2756–2767)等外观信息。基于颜色的方法一般将像素根据道路颜色模型 进行分类，但是由于道路外观受到各种环境因素的影响，道路检测很大程度上 依赖于道路模型的泛化程度。一般的，道路区域周围围绕着特定的纹理信息， 如结构化道路上的车道线(X.Du,K.K.Tan.Vision-basedapproach towards laneline detection and vehicle localization.MachineVisionand Applications,2015, 27(2),175–191)和非结构化道路上的边缘(P.Moghadam,StarzykS., W.S.Wijesoma.Fast vanishing-point detection inunstructuredenvironments.IEE E Transactions on ImageProcessing.2012,21(1),497–500)。相比于基于几何结构的 算法，基于图像外观的算法具有更好的灵活性，但是对于光照变化等复杂场景 的鲁棒性较差。
发明内容
为了克服以往技术的不足，针对室外复杂光照的场景，本发明提出了一种 基于图像融合的单目视觉道路识别算法。
本发明采用的技术方案是包括以下步骤：
1)针对原始图像和光照不变图像用两个输入通道的卷积神经网络进行处理， 处理中对图像信息进行融合，从而得到图像中的每个像素点为道路区域的概率 值；
2)然后构造条件随机场，以条件随机场中每一个节点表示图像中的像素点， 对条件随机场中的节点进行分割，从而得到整个图像中各个像素点的道路识别 结果，保证道路识别的准确度和平滑度。
所述的卷积神经网络中，针对原始图像和光照不变图像分别各设计有一个 输入通道，两个输入通道的网络结构相同。
本发明同时利用原始图像以及其对应的光照不变图像，从而去除图像中的 阴影效果，提高道路识别的鲁棒性。
原始图像是由安装在汽车上的摄像机拍摄汽车前方道路的RGB彩色图像。
光照不变图像是由原始图像采用申请日为2017.6.6、申请号为 201710418872.3、发明名称为《一种光照不变的图像颜色空间变换方法》的中国 专利申请中发明内容处所记载的技术方案处理获得的。
所述步骤1)中，原始图像和光照不变图像分别输入到两个输入通道中，中 间经融合处理形成一个通道，具体为：
1.1)如图1所示，本发明中所述的卷积神经网络包括编码部分和解码部分 的两部分，其中，编码部分根据图像信息(是指图像像素点的RGB值)提取出 特征，解码部分根据特征解析出每个像素点为道路区域的概率。
卷积神经网络的编码部分包括结构相同的四层，每层均包括依次处理进行 的卷积(Conv)、归一化(BN)、非线性映射(ReLU)和池化(Pooling)， 每层对图像进行编码序列操作，在第一层和第二层之间设有融合层，先对原始 图像和光照不变图像分别经编码部分的第一层进行编码序列操作处理后获得各 自的特征，然后通过第一层和第二层之间的融合层将两个图像的特征进行合并， 然后再依次经第二层、第三层和第四层进行编码序列操作处理，第二层、第三 层和第四层均对上一层的处理结果进行进一步处理，最终解码获得特征；
卷积神经网络的解码部分包括结构相同的四层，每层均包括依次处理进行 的卷积转置(Convt)、归一化(BN)、非线性映射(ReLU)，每层对图像进 行编码序列操作，对卷积神经网络的编码部分获得的特征依次经四层进行解码 序列操作，得到解码结果；
1.2)将解码结果再依次经过全连接层(convc层)和Sigmoid函数进行处理， 得到每个像素点为道路区域的概率。
所述的条件随机场由势能函数描述，势能函数包括两部分，一部分是每个 节点的相似度势能函数，另一部分是相邻节点之间的平滑度势能函数。
所述步骤2)具体为：
2.1)构造以下公式表示的条件随机场的势能函数：
Figure BDA0001460178050000031
E(ri)＝Eu(ri)+γEp(ri)
其中，E(R)表示整个条件随机场的势能函数，条件随机场的尺寸与原始图 像一致，条件随机场中各每个节点与原图像中的像素点一一对应，原始图像中 第i个像素点对应条件随机场中的第i个节点，R表示条件随机场的取值结果； ri表示第i个节点的取值，ri取值只能为0或1，分别对应表示条件随机场的第i 个节点属于非道路或道路；E(ri)表示第i个节点处的势能函数，N表示像素点的 总数；Eu(ri)为第i个节点处的相似度势能函数，Ep(ri)为第i个节点处的平滑 度势能函数，γ为调节相似度势能和平滑度势能之间的权重参数；
所述的相似度势能函数Eu(ri)利用对应像素点为道路区域的概率值进行计 算，具体为：
Eu(ri)＝-log u(pi，ri)
u(pi，1)＝P(pi)，u(pi，O)＝l-P(pi)
其中，u(pi，ri)为条件随机场第i个节点的取值结果为ri的先验概率，u(pi， 1)表示条件随机场第i个节点的ri取值结果为1的先验概率，u(pi，0)表示条件随 机场第i个节点的ri取值结果为0的先验概率，P(pi)为卷积神经网络的输出中第 i个像素点pi为道路区域的概率；
所述的平滑度势能函数Ep(ri)由两像素点之间的梯度值计算，具体为：
Figure BDA0001460178050000041
其中，ri和rj分别表示第i个节点i第j个节点的取值，edge(pj)表示像素点p 和像素点pj之间的像素梯度值，β为调节两个像素点之间的颜色差异的权重参数；
2.2)以整幅图像的总势能E(R)最小为优化目标，用图割算法(Graph Cut)求 解，得到整幅图像中像素点是否为道路区域的结果R。
本发明的有益效果是：
本发明方法充分利用了原始图像和光照不变图像中的图像信息，设计了卷 积神经网络进行融合得到每个像素点成为道路区域的概率值，从而克服了复杂 光照对道路检测的影响。构造了条件随机场描述整个场景图像，综合考虑了像 素点的外观信息和道路分割的平滑度，从而得到精确和鲁棒的检测结果。
附图说明
图1是本发明中卷积神经网络的结构图。
图2是本发明的实施例中使用条件随机场与不使用条件随机场的结果对比。
图3是本发明的实施例中道路识别的结果。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明的实施例如下：
1)针对原始图像和光照不变图像用两个输入通道的卷积神经网络进行处理， 处理中对图像信息进行融合，从而得到图像中的每个像素点为道路区域的概率 值；
1.1)中所述的卷积神经网络包括编码部分和解码部分的两部分；
卷积神经网络的编码部分包括结构相同的四层，每层均包括依次处理进行 的卷积(Conv)、归一化(BN)、非线性映射(ReLU)和池化(Pooling)， 在第一层和第二层之间设有融合层(Concat)，先对原始图像和光照不变图像分别 经编码部分的第一层进行编码序列操作处理后获得各自的特征，然后通过第一 层和第二层之间的融合层将两个图像的特征进行合并，然后再依次经第二层、 第三层和第四层进行编码序列操作处理，最终解码获得特征；
卷积神经网络的解码部分包括结构相同的四层，每层均包括依次处理进行 的卷积转置(Convt)、归一化(BN)、非线性映射(ReLU)，对卷积神经网 络的编码部分获得的特征依次经四层进行解码序列操作，得到解码结果；
1.2)将解码结果再依次经过全连接层(convc层)和Sigmoid函数进行处理， 得到每个像素点为道路区域的概率。
卷积神经的网络每层的具体的结构和参数如下表1：
表1
Figure BDA0001460178050000051
2)然后构造条件随机场，以条件随机场中每一个节点对应图像中的像素点， 对条件随机场中的节点进行分割，从而得到整个图像的道路识别结果。
2.1)利用对应像素点为道路区域的概率值进行计算相似度势能函数Eu(ri)：
Eu(ri)＝-log u(pi，ri)
u(pi，1)＝P(pi)，u(pi，0)＝1-P(pi)
由两像素点之间的梯度值计算平滑度势能函数Ep(ri)：
Figure BDA0001460178050000052
2.2)构造出条件随机场的势能函数：
Figure BDA0001460178050000061
E(ri)＝Eu(ri)+γEp(ri)
以整幅图像的总势能E(R)最小为优化目标，用图割算法进行求解，得到整 幅图像中像素点是否为道路区域的结果R。
本实施例的结果如图2、3所示。
图2上是未经条件随机场的优化的结果，图2下是经过条件随机场的优化。 对比可以发现，条件随机场可使分隔结果更为精确。由于构造的条件随机场的 势能函数包含了相似度势能和平滑度势能，最终结果更加平滑，而且道路区域 与非道路区域的分割边界趋向于色彩剧烈变化的地方，这也更符合道路与非道 路区域外观色彩大多不同的事实。由此从图2中可以看出由于道路外观的复杂 性，只利用卷积神经网络进行识别会造成一定程度的误检和漏检，在加入条件 随机场的优化后，可以得到更加精确的识别记过。
在图3中，展示了在不同光照条件和场景下的光照不变图像和道路识别结 果。图3中第三列显示了检测到的道路区域，在将算法运算的结果显示成图像 时为了更清楚地显示道路区域，对相对应的原始图像做了以下渲染：将结果为 道路区域的像素点的灰度值减少200，将非道路区域的像素点的灰度值增加50。 图3的第1行所展示的环境具有道路区域较为简单，但在道路上有巨大的阴影 的情况，通过对比光照不变图像与原图像，可以看出光照不变图像中道路区域 中树的阴影被消除。图3第2行展示了道路区域比较复杂的城市中的路口的情 况，检测到的道路区域也比较准确。
由此从图3中可见在各种复杂光照条件下的道路识别结果。从结果中可以 看出道路识别的精确性。

Claims (4)

1.一种基于图像融合的单目视觉道路识别方法，其特征在于：
1)针对原始图像和光照不变图像用两个输入通道的卷积神经网络进行处理，处理中对图像信息进行融合，从而得到图像中的每个像素点为道路区域的概率值；
所述步骤1)中，原始图像和光照不变图像分别输入到两个输入通道中，中间经融合处理形成一个通道，具体为：
1.1)所述的卷积神经网络包括编码部分和解码部分的两部分，卷积神经网络的编码部分包括结构相同的四层，每层均包括依次处理进行的卷积、归一化、非线性映射和池化，在第一层和第二层之间设有融合层，先对原始图像和光照不变图像分别经编码部分的第一层进行编码序列操作处理后获得各自的特征，然后通过第一层和第二层之间的融合层将两个图像的特征进行合并，然后再依次经第二层、第三层和第四层进行编码序列操作处理，最终解码获得特征；
卷积神经网络的解码部分包括结构相同的四层，每层均包括依次处理进行的卷积转置、归一化、非线性映射，对卷积神经网络的编码部分获得的特征依次经四层进行解码序列操作，得到解码结果；
1.2)将解码结果再依次经过全连接层和Sigmoid函数进行处理，得到每个像素点为道路区域的概率；
2)然后构造条件随机场，以条件随机场中每一个节点表示图像中的像素点，对条件随机场中的节点进行分割，从而得到整个图像的道路识别结果。
2.根据权利要求1所述的一种基于图像融合的单目视觉道路识别方法，其特征在于：所述的卷积神经网络中，针对原始图像和光照不变图像分别各设计有一个输入通道，两个输入通道的网络结构相同。
3.根据权利要求1所述的一种基于图像融合的单目视觉道路识别方法，其特征在于：所述的条件随机场由势能函数描述，势能函数包括两部分，一部分是每个节点的相似度势能函数，另一部分是相邻节点之间的平滑度势能函数。
4.根据权利要求1所述的一种基于图像融合的单目视觉道路识别方法，其特征在于：所述步骤2)具体为：
2.1)构造以下公式表示的条件随机场的势能函数：
Figure FDA0002487697280000011
E(ri)＝Eu(ri)+γEp(ri)
其中，E(R)表示整个条件随机场的势能函数，条件随机场的尺寸与原始图像一致，条件随机场中各每个节点与原图像中的像素点一一对应，原始图像中第i个像素点对应条件随机场中的第i个节点，R表示条件随机场的取值结果；ri表示第i个节点的取值，ri取值只能为0或1，分别对应表示条件随机场的第i个节点属于非道路或道路；E(ri)表示第i个节点处的势能函数，N表示像素点的总数；Eu(ri)为第i个节点处的相似度势能函数，Ep(ri)为第i个节点处的平滑度势能函数，γ为调节相似度势能和平滑度势能之间的权重参数；
所述的相似度势能函数Eu(ri)利用对应像素点为道路区域的概率值进行计算，具体为：
Eu(ri)＝-log u(pi，ri)
u(pi，1)＝P(pi)，u(pi，0)＝1-P(pi)
其中，u(pi，ri)为条件随机场第i个节点的取值结果为ri的先验概率，u(pi，1)表示条件随机场第i个节点的ri取值结果为1的先验概率，u(pi，0)表示条件随机场第i个节点的ri取值结果为0的先验概率，P(pi)为卷积神经网络的输出中第i个像素点pi为道路区域的概率；
所述的平滑度势能函数Ep(ri)由两像素点之间的梯度值计算，具体为：
Figure FDA0002487697280000021
其中，ri和rj分别表示第i个节点i第j个节点的取值，edge(pj)表示像素点pi和像素点pj之间的像素梯度值，β为调节两个像素点之间的颜色差异的权重参数；
2.2)以整幅图像的总势能E(R)最小为优化目标，用图割算法求解，得到整幅图像中像素点是否为道路区域的结果R。
CN201711086343.4A 2017-11-07 2017-11-07 一种基于图像融合的单目视觉道路识别算法 Active CN107808140B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711086343.4A CN107808140B (zh) 2017-11-07 2017-11-07 一种基于图像融合的单目视觉道路识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711086343.4A CN107808140B (zh) 2017-11-07 2017-11-07 一种基于图像融合的单目视觉道路识别算法

Publications (2)

Publication Number Publication Date
CN107808140A CN107808140A (zh) 2018-03-16
CN107808140B true CN107808140B (zh) 2020-07-31

Family

ID=61591076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711086343.4A Active CN107808140B (zh) 2017-11-07 2017-11-07 一种基于图像融合的单目视觉道路识别算法

Country Status (1)

Country Link
CN (1) CN107808140B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108664969B (zh) * 2018-04-28 2022-04-19 西安电子科技大学 基于条件随机场的路标识别方法
CN108876805B (zh) * 2018-06-20 2021-07-27 长安大学 一种端对端无监督场景可通行区域认知与理解方法
CN109523617B (zh) * 2018-10-15 2022-10-18 中山大学 一种基于单目摄像机的光照估计方法
CN110796003B (zh) * 2019-09-24 2022-04-26 成都旷视金智科技有限公司 车道线检测方法、装置及电子设备
CN117115381B (zh) * 2023-10-24 2024-02-09 腾讯科技（深圳）有限公司 数据处理方法和装置、存储介质及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682292A (zh) * 2012-05-10 2012-09-19 清华大学 基于单目视觉的道路边缘检测及粗定位方法
CN105989334A (zh) * 2015-02-12 2016-10-05 中国科学院西安光学精密机械研究所 基于单目视觉的道路检测方法
CN106295607A (zh) * 2016-08-19 2017-01-04 北京奇虎科技有限公司 道路识别方法及装置
CN106971544A (zh) * 2017-05-15 2017-07-21 安徽大学 一种直接利用静态图像来检测车辆拥堵的方法
CN106997466A (zh) * 2017-04-12 2017-08-01 百度在线网络技术（北京）有限公司 用于检测道路的方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2115662B1 (en) * 2007-02-28 2010-06-23 Fotonation Vision Limited Separating directional lighting variability in statistical face modelling based on texture space decomposition

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682292A (zh) * 2012-05-10 2012-09-19 清华大学 基于单目视觉的道路边缘检测及粗定位方法
CN105989334A (zh) * 2015-02-12 2016-10-05 中国科学院西安光学精密机械研究所 基于单目视觉的道路检测方法
CN106295607A (zh) * 2016-08-19 2017-01-04 北京奇虎科技有限公司 道路识别方法及装置
CN106997466A (zh) * 2017-04-12 2017-08-01 百度在线网络技术（北京）有限公司 用于检测道路的方法和装置
CN106971544A (zh) * 2017-05-15 2017-07-21 安徽大学 一种直接利用静态图像来检测车辆拥堵的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A novel hierarchical approach for multispectral palmprint recognition;Hong D etc;《Neurocomputing》;20150303;全文 *
基于单目视觉的场景理解算法研究;沈红杰;《中国优秀硕士学位论文全文数据库》;20160815;全文 *

Also Published As

Publication number Publication date
CN107808140A (zh) 2018-03-16

Similar Documents

Publication Publication Date Title
CN107808140B (zh) 一种基于图像融合的单目视觉道路识别算法
CN111062905B (zh) 一种基于显著图增强的红外和可见光融合方法
CN107274419B (zh) 一种基于全局先验和局部上下文的深度学习显著性检测方法
CN109753913B (zh) 计算高效的多模式视频语义分割方法
CN110084850B (zh) 一种基于图像语义分割的动态场景视觉定位方法
Correal et al. Automatic expert system for 3D terrain reconstruction based on stereo vision and histogram matching
CN110688905B (zh) 一种基于关键帧的三维物体检测与跟踪方法
CN110866879B (zh) 一种基于多密度雨纹感知的图像去雨方法
CN113159043B (zh) 基于语义信息的特征点匹配方法及系统
CN110706269B (zh) 一种基于双目视觉slam的动态场景密集建模方法
CN111160291B (zh) 基于深度信息与cnn的人眼检测方法
Fácil et al. Single-view and multi-view depth fusion
CN103914820A (zh) 一种基于图像分层增强的图像去雾方法及系统
CN112651423A (zh) 一种智能视觉系统
CN111768415A (zh) 一种无量化池化的图像实例分割方法
CN116091372B (zh) 基于层分离和重参数的红外和可见光图像融合方法
US20230394829A1 (en) Methods, systems, and computer-readable storage mediums for detecting a state of a signal light
CN112731436A (zh) 基于点云上采样的多模态数据融合可行驶区域检测方法
CN113538569A (zh) 一种弱纹理物体位姿估计方法和系统
CN115116132B (zh) 一种物联网边缘服务环境下深度感知的人体行为分析方法
Burlacu et al. Obstacle detection in stereo sequences using multiple representations of the disparity map
CN115035172A (zh) 基于置信度分级及级间融合增强的深度估计方法及系统
CN111161219B (zh) 一种适用于阴影环境的鲁棒单目视觉slam方法
CN116958393A (zh) 一种增量式图像渲染方法及装置
CN111062384A (zh) 一种基于深度学习的车窗精确定位方法

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
GR01 Patent grant
GR01 Patent grant