CN107861510A - 一种智能车辆驾驶系统 - Google Patents
一种智能车辆驾驶系统 Download PDFInfo
- Publication number
- CN107861510A CN107861510A CN201711060259.5A CN201711060259A CN107861510A CN 107861510 A CN107861510 A CN 107861510A CN 201711060259 A CN201711060259 A CN 201711060259A CN 107861510 A CN107861510 A CN 107861510A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- result
- submodule
- subsystem
- 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.)
- Withdrawn
Links
- 230000006698 induction Effects 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 65
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种智能车辆驾驶系统,包括感应子系统、路径规划子系统、导航子系统和行驶控制子系统,所述感应子系统用于识别车辆周围图像,所述路径规划子系统用于根据车辆周围情况对车辆进行路径规划,所述导航子系统用于获取车辆的位置信息,并根据规划的路径和车辆的位置信息生成导航数据,所述行驶控制子系统用于根据导航数据对车辆进行控制。本发明的有益效果为:提供了一种智能车辆驾驶系统,提高了车辆驾驶无人化和智能化水平。
Description
技术领域
本发明涉及智能驾驶技术领域,具体涉及一种智能车辆驾驶系统。
背景技术
无人驾驶车辆是汽车未来发展方向之一,将来无人驾驶车辆或将成为人们生活中最安全的交通工具。因此,智能化车辆驾驶系统倍受关注。如何提高车辆智能化水平,成为摆在人们面前的难题。
发明内容
针对上述问题,本发明旨在提供一种智能车辆驾驶系统。
本发明的目的采用以下技术方案来实现:
提供了一种智能车辆驾驶系统,包括感应子系统、路径规划子系统、导航子系统和行驶控制子系统,所述感应子系统用于识别车辆周围图像,所述路径规划子系统用于根据车辆周围情况对车辆进行路径规划,所述导航子系统用于获取车辆的位置信息,并根据规划的路径和车辆的位置信息生成导航数据,所述行驶控制子系统用于根据导航数据对车辆进行控制。
本发明的有益效果为:提供了一种智能车辆驾驶系统,提高了车辆驾驶无人化和智能化水平。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明的结构示意图;
附图标记:
感应子系统1、路径规划子系统2、导航子系统3、行驶控制子系统4。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例的一种智能车辆驾驶系统,包括感应子系统1、路径规划子系统2、导航子系统3和行驶控制子系统4,所述感应子系统1用于识别车辆周围图像,所述路径规划子系统2用于根据车辆周围情况对车辆进行路径规划,所述导航子系统3用于获取车辆的位置信息,并根据规划的路径和车辆的位置信息生成导航数据,所述行驶控制子系统4用于根据导航数据对车辆进行控制。
本优选实施例提供了一种智能车辆驾驶系统,提高了车辆驾驶无人化和智能化水平。
优选的,所述导航子系统3通过GPS芯片获取车辆的位置信息。
本优选实施例获取了准确的车辆位置信息。
优选的,所述感应子系统1包括第一图像采集模块、第二预处理模块、第三初步分割模块,第四再次分割模块、第五分割评价模块和第六识别模块,所述第一图像采集模块通过摄像头获取车辆周围图像,所述第二预处理模块用于对车辆周围图像进行去噪,所述第三初步分割模块用于对去噪后的图像进行初步分割,得到初步分割结果,所述第四再次分割模块用于根据初步分割结果对图像进行二次分割,得到最终分割结果,所述第五分割评价模块用于根据最终分割结果对分割效果进行评价,所述第六识别模块根据分割结果对图像进行识别。
本优选实施例通过对图像进行初步分割和二次分割,实现了图像的快速准确的分割,通过对分割结果进行评价,保证了图像分割的准确性,为后续图像准确识别奠定了基础。
优选的,所述第一图像采集模块采用高清摄像头获取车辆周围图像。
本优选实施例获取了清晰的车辆周围图像,有助于提高智能驾驶水平。
优选的,所述第三初步分割模块包括第一平滑子模块和第二初步分割子模块,所述第一平滑子模块用于对去噪后的图像进行平滑处理,所述第二初步分割子模块用于对平滑处理后的图像进行初步分割:
所述第一平滑子模块用于对去噪后的图像进行平滑处理,具体为:采用核函数EH(g1,g2)对图像进行平滑处理,得到图像的密度极大值点,所述核函数为:
在式子里,r表示图像像素x的二维空间位置坐标,xs表示图像像素x的三维色彩特征向量,g1为核函数的半径,代表空域的核大小,g2为色彩特征空间的半径,代表值域的核大小;
所述第二初步分割子模块用于对平滑处理后的图像进行初步分割,具体为:图像中在同一个密度极大值点收敛的像素点划分为同一类,并把类的标号赋予类之内的所有点,若是分割之后的某个类的点的个数小于M,则将该类合并到相邻区域,得到图像的初步分割结果;所述划分标准为:所述在同一个密度极大值点收敛的像素点为空间域中距离小于g1或色彩特征空间中距离小于g2的像素点。
本优选实施例采用第三初步分割模块对图像进行初步分割,将图像分为较多的小区域,目标物体分割较细致,边界信息得到了有效的保留;通过对分割参数进行调整,获取了理想的初步分割结果。
优选的,所述第四再次分割模块包括一次处理子模块、二次处理子模块和综合处理子模块,所述一次处理子模块用于根据初步分割结果获取图像的一次处理结果,所述二次处理子模块用于根据初步分割结果获取图像的二次处理结果,所述综合处理子模块用于根据一次处理结果和二次处理结果得到图像的最终分割结果。
所述一次处理子模块用于根据初步分割结果获取图像的一次处理结果,具体为:将经过初步分割后图像被划分为n个区域,Qi表示初步分割后图像的第i个区域,i=1,2,…,n,每个区域对应的颜色向量用YWQi表示:YWQi=(x1i,x2i,x3i);
在式子里,x1i,x2i,x3i分别表示第i个区域内所有像素对应的红色、绿色、蓝色颜色分量的平均值;
将每个区域对应的颜色向量看作一个簇,采用下式计算簇之间的第一距离因子,
在式子里,LGij表示第i个簇和第j个簇之间的第一距离因子;
设定第一合并阈值,对第一距离因子小于第一合并阈值的簇进行合并,计算最终簇的数目,得到图像的一次处理结果。
所述二次处理子模块用于根据初步分割结果获取图像的二次处理结果,具体为:将经过初步分割后图像被划分为n个区域,Qi表示初步分割后图像的第i个区域,i=1,2,…,n,每个区域对应的灰度值用HQi表示,HQi表示第i个区域内所有像素对应的灰度值的平均值;
将每个区域对应的灰度值看作一个簇,采用下式计算簇之间的第二距离因子:
在式子里,ZCij表示第i个簇和第j个簇之间的第二距离因子;
设定第二合并阈值,对第二距离因子小于第二合并阈值的簇进行合并,计算最终簇的数目,得到图像的二次处理结果;
所述综合处理子模块用于根据一次处理结果和二次处理结果得到图像的最终分割结果,具体为:将一次处理结果和二次处理结果中簇的数目少的处理结果作为图像的最终分割结果。
本优选实施例第四再次分割模块实现了图像的快速准确分割,具体的,采用初步分割结果作为基础,大大减少了计算量,节约了时间,在处理图像数据时,选取了图像的两种颜色特征空间,提高了后续图像分割的可靠性,通过第一距离因子和第二距离因子对簇进行合并,获得了理想的处理结果,从而获取了理想的最终分割结果。
给定出发地点,驾驶使用本发明智能车辆驾驶系统的汽车,选取5个目的地,分别为目的地1、目的地2、目的地3、目的地4、目的地5,对驾驶时间和驾驶员满意度进行统计,同驾驶普通车辆相比,产生的有益效果如下表所示:
驾驶时间缩短 | 驾驶员满意度提高 | |
目的地1 | 29% | 30% |
目的地2 | 27% | 26% |
目的地3 | 26% | 25% |
目的地4 | 25% | 24% |
目的地5 | 24% | 26% |
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (7)
1.一种智能车辆驾驶系统,其特征在于,包括感应子系统、路径规划子系统、导航子系统和行驶控制子系统,所述感应子系统用于识别车辆周围图像,所述路径规划子系统用于根据车辆周围情况对车辆进行路径规划,所述导航子系统用于获取车辆的位置信息,并根据规划的路径和车辆的位置信息生成导航数据,所述行驶控制子系统用于根据导航数据对车辆进行控制。
2.根据权利要求1所述的智能车辆驾驶系统,其特征在于,所述导航子系统通过GPS芯片获取车辆的位置信息。
3.根据权利要求2所述的智能车辆驾驶系统,其特征在于,所述感应子系统包括第一图像采集模块、第二预处理模块、第三初步分割模块,第四再次分割模块、第五分割评价模块和第六识别模块,所述第一图像采集模块通过摄像头获取车辆周围图像,所述第二预处理模块用于对车辆周围图像进行去噪,所述第三初步分割模块用于对去噪后的图像进行初步分割,得到初步分割结果,所述第四再次分割模块用于根据初步分割结果对图像进行二次分割,得到最终分割结果,所述第五分割评价模块用于根据最终分割结果对分割效果进行评价,所述第六识别模块根据分割结果对图像进行识别。
4.根据权利要求3所述的智能车辆驾驶系统,其特征在于,所述第一图像采集模块采用高清摄像头获取车辆周围图像。
5.根据权利要求4所述的智能车辆驾驶系统,其特征在于,所述第三初步分割模块包括第一平滑子模块和第二初步分割子模块,所述第一平滑子模块用于对去噪后的图像进行平滑处理,所述第二初步分割子模块用于对平滑处理后的图像进行初步分割:
所述第一平滑子模块用于对去噪后的图像进行平滑处理,具体为:采用核函数EH(g1,g2)对图像进行平滑处理,得到图像的密度极大值点,所述核函数为:
在式子里,xr表示图像像素x的二维空间位置坐标,xs表示图像像素x的三维色彩特征向量,g1为核函数的半径,代表空域的核大小,g2为色彩特征空间的半径,代表值域的核大小;
所述第二初步分割子模块用于对平滑处理后的图像进行初步分割,具体为:图像中在同一个密度极大值点收敛的像素点划分为同一类,并把类的标号赋予类之内的所有点,若是分割之后的某个类的点的个数小于M,则将该类合并到相邻区域,得到图像的初步分割结果;所述划分标准为:所述在同一个密度极大值点收敛的像素点为空间域中距离小于g1或色彩特征空间中距离小于g2的像素点。
6.根据权利要求5所述的智能车辆驾驶系统,其特征在于,所述第四再次分割模块包括一次处理子模块、二次处理子模块和综合处理子模块,所述一次处理子模块用于根据初步分割结果获取图像的一次处理结果,所述二次处理子模块用于根据初步分割结果获取图像的二次处理结果,所述综合处理子模块用于根据一次处理结果和二次处理结果得到图像的最终分割结果;
所述一次处理子模块用于根据初步分割结果获取图像的一次处理结果,具体为:将经过初步分割后图像被划分为n个区域,Qi表示初步分割后图像的第i个区域,i=1,2,…,n,每个区域对应的颜色向量用表示:
在式子里,x1i,x2i,x3i分别表示第i个区域内所有像素对应的红色、绿色、蓝色颜色分量的平均值;
将每个区域对应的颜色向量看作一个簇,采用下式计算簇之间的第一距离因子,
在式子里,LGij表示第i个簇和第j个簇之间的第一距离因子;
设定第一合并阈值,对第一距离因子小于第一合并阈值的簇进行合并,计算最终簇的数目,得到图像的一次处理结果。
7.根据权利要求6所述的智能车辆驾驶系统,其特征在于,所述二次处理子模块用于根据初步分割结果获取图像的二次处理结果,具体为:将经过初步分割后图像被划分为n个区域,Qi表示初步分割后图像的第i个区域,i=1,2,…,n,每个区域对应的灰度值用表示,表示第i个区域内所有像素对应的灰度值的平均值;
将每个区域对应的灰度值看作一个簇,采用下式计算簇之间的第二距离因子:
在式子里,ZCij表示第i个簇和第j个簇之间的第二距离因子;
设定第二合并阈值,对第二距离因子小于第二合并阈值的簇进行合并,计算最终簇的数目,得到图像的二次处理结果;
所述综合处理子模块用于根据一次处理结果和二次处理结果得到图像的最终分割结果,具体为:将一次处理结果和二次处理结果中簇的数目少的处理结果作为图像的最终分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711060259.5A CN107861510A (zh) | 2017-11-01 | 2017-11-01 | 一种智能车辆驾驶系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711060259.5A CN107861510A (zh) | 2017-11-01 | 2017-11-01 | 一种智能车辆驾驶系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107861510A true CN107861510A (zh) | 2018-03-30 |
Family
ID=61696531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711060259.5A Withdrawn CN107861510A (zh) | 2017-11-01 | 2017-11-01 | 一种智能车辆驾驶系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107861510A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765348A (zh) * | 2018-05-30 | 2018-11-06 | 深圳凯达通光电科技有限公司 | 一种无人驾驶汽车 |
CN108873901A (zh) * | 2018-06-27 | 2018-11-23 | 深圳市创艺工业技术有限公司 | 一种无人驾驶系统 |
CN108955699A (zh) * | 2018-07-21 | 2018-12-07 | 许晓山 | 一种车载导航系统 |
WO2020034722A1 (zh) * | 2018-08-13 | 2020-02-20 | 东南大学 | 一种基于车牌角点特征的道路救援装备正方位拖牵诱导方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118073A (zh) * | 2015-08-19 | 2015-12-02 | 南京理工大学 | 基于Xtion摄像机的人体头部目标识别方法 |
CN105243864A (zh) * | 2015-10-30 | 2016-01-13 | 桂林市腾瑞电子科技有限公司 | 一种无人驾驶车辆的智能控制系统 |
CN105930819A (zh) * | 2016-05-06 | 2016-09-07 | 西安交通大学 | 基于单目视觉和gps组合导航系统的实时城区交通灯识别系统 |
CN105957377A (zh) * | 2016-05-03 | 2016-09-21 | 北京新能源汽车股份有限公司 | 基于无人驾驶电动汽车的智能交通控制系统和方法 |
JP2017052053A (ja) * | 2015-09-10 | 2017-03-16 | 株式会社Ihiエアロスペース | 無人車両における遠隔操縦用画像の作製方法、及び無人車両の遠隔操縦システム |
CN106737561A (zh) * | 2017-03-24 | 2017-05-31 | 宋伟杭 | 一种具有智能通讯的无人驾驶车以及方法 |
US9689686B1 (en) * | 2015-09-25 | 2017-06-27 | Amazon Technologies, Inc. | Detecting of navigation data spoofing based on image data |
CN106970619A (zh) * | 2017-04-12 | 2017-07-21 | 深圳市赛亿科技开发有限公司 | 一种无人驾驶车辆的智能控制系统及控制方法 |
WO2017136602A1 (en) * | 2016-02-04 | 2017-08-10 | Proxy Technologies, Inc. | Unmanned vehicles, systems, apparatus and methods for controlling unmanned vehicles |
-
2017
- 2017-11-01 CN CN201711060259.5A patent/CN107861510A/zh not_active Withdrawn
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118073A (zh) * | 2015-08-19 | 2015-12-02 | 南京理工大学 | 基于Xtion摄像机的人体头部目标识别方法 |
JP2017052053A (ja) * | 2015-09-10 | 2017-03-16 | 株式会社Ihiエアロスペース | 無人車両における遠隔操縦用画像の作製方法、及び無人車両の遠隔操縦システム |
US9689686B1 (en) * | 2015-09-25 | 2017-06-27 | Amazon Technologies, Inc. | Detecting of navigation data spoofing based on image data |
CN105243864A (zh) * | 2015-10-30 | 2016-01-13 | 桂林市腾瑞电子科技有限公司 | 一种无人驾驶车辆的智能控制系统 |
WO2017136602A1 (en) * | 2016-02-04 | 2017-08-10 | Proxy Technologies, Inc. | Unmanned vehicles, systems, apparatus and methods for controlling unmanned vehicles |
CN105957377A (zh) * | 2016-05-03 | 2016-09-21 | 北京新能源汽车股份有限公司 | 基于无人驾驶电动汽车的智能交通控制系统和方法 |
CN105930819A (zh) * | 2016-05-06 | 2016-09-07 | 西安交通大学 | 基于单目视觉和gps组合导航系统的实时城区交通灯识别系统 |
CN106737561A (zh) * | 2017-03-24 | 2017-05-31 | 宋伟杭 | 一种具有智能通讯的无人驾驶车以及方法 |
CN106970619A (zh) * | 2017-04-12 | 2017-07-21 | 深圳市赛亿科技开发有限公司 | 一种无人驾驶车辆的智能控制系统及控制方法 |
Non-Patent Citations (1)
Title |
---|
王新华等: "微计算机信息", 《微计算机信息》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765348A (zh) * | 2018-05-30 | 2018-11-06 | 深圳凯达通光电科技有限公司 | 一种无人驾驶汽车 |
CN108873901A (zh) * | 2018-06-27 | 2018-11-23 | 深圳市创艺工业技术有限公司 | 一种无人驾驶系统 |
CN108955699A (zh) * | 2018-07-21 | 2018-12-07 | 许晓山 | 一种车载导航系统 |
WO2020034722A1 (zh) * | 2018-08-13 | 2020-02-20 | 东南大学 | 一种基于车牌角点特征的道路救援装备正方位拖牵诱导方法 |
US11367215B2 (en) | 2018-08-13 | 2022-06-21 | Southeast University | Positive azimuth towing guidance method for road rescue equipment based on license plate corner features |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210390329A1 (en) | Image processing method, device, movable platform, unmanned aerial vehicle, and storage medium | |
CN107861510A (zh) | 一种智能车辆驾驶系统 | |
CN106156723B (zh) | 一种基于视觉的路口精定位方法 | |
Chougule et al. | Reliable multilane detection and classification by utilizing cnn as a regression network | |
US20160252905A1 (en) | Real-time active emergency vehicle detection | |
CN108830171B (zh) | 一种基于深度学习的智能物流仓库引导线视觉检测方法 | |
CN109101932B (zh) | 基于目标检测的多任务及临近信息融合的深度学习方法 | |
CN107218927B (zh) | 一种基于tof相机的货物托盘检测系统和方法 | |
CN108334881A (zh) | 一种基于深度学习的车牌识别方法 | |
JP2020119523A (ja) | 疑似3dバウンディングボックスを検出する方法及びこれを利用した装置 | |
Ji et al. | Integrating visual selective attention model with HOG features for traffic light detection and recognition | |
Mistry et al. | Survey: Vision based road detection techniques | |
CN106767854A (zh) | 移动设备、车库地图形成方法及系统 | |
CN109341692A (zh) | 一种沿线导航方法及机器人 | |
CN103996031A (zh) | 一种自适应阈值分割的车道线检测系统及其方法 | |
CN111079675A (zh) | 基于目标检测与目标跟踪的行驶行为分析方法 | |
Xu et al. | Road lane modeling based on RANSAC algorithm and hyperbolic model | |
Liu et al. | Dloam: Real-time and robust lidar slam system based on cnn in dynamic urban environments | |
Zhang et al. | Road marking segmentation based on siamese attention module and maximum stable external region | |
CN114898321A (zh) | 道路可行驶区域检测方法、装置、设备、介质及系统 | |
CN107797556B (zh) | 一种利用巡维机器人实现服务器启停的方法 | |
US11904843B2 (en) | Autonomous parking systems and methods for vehicles | |
CN106295546A (zh) | 一种基于视频的交通标志检测与识别方法 | |
CN110727269B (zh) | 车辆控制方法及相关产品 | |
Giosan et al. | Superpixel-based obstacle segmentation from dense stereo urban traffic scenarios using intensity, depth and optical flow information |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180330 |