CN108592876A - 基于激光扫描成像原理的隧道外观病害检测机器人 - Google Patents
基于激光扫描成像原理的隧道外观病害检测机器人 Download PDFInfo
- Publication number
- CN108592876A CN108592876A CN201810373102.6A CN201810373102A CN108592876A CN 108592876 A CN108592876 A CN 108592876A CN 201810373102 A CN201810373102 A CN 201810373102A CN 108592876 A CN108592876 A CN 108592876A
- Authority
- CN
- China
- Prior art keywords
- laser
- image
- tunnel
- pixel
- onboard system
- 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
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C7/00—Tracing profiles
- G01C7/06—Tracing profiles of cavities, e.g. tunnels
Abstract
本发明涉及基于激光扫描成像原理的隧道外观病害检测机器人,属于隧道检测领域。该机器人包括激光扫描仪和车载系统;激光扫描仪设置在车载系统上;激光扫描仪在车载系统行进过程中沿隧道360°旋转,激光测距仪在扫描头的扫描过程中自发自收脉冲信号,获得螺旋形的点云数据,量测隧道横断面轮廓;在获得点云数据后,采用E.Level阀值滤波对激光成像中灰度值图像中的噪声点进行消除;在经过噪声点消除之后,进行几何校正;通过人工介入病害标识的方法,依次在检测成果平面图像上完成对整个隧道病害的标记,完成检测报告,形成断面检测报告。
Description
技术领域
本发明属于隧道检测领域,涉及基于激光扫描成像原理的隧道外观病害检测机器人。
背景技术
目前,针对隧道内部复杂的环境,几乎是通过人工方式,根据施工经验,对隧道断面进行评估。这种方式判断误差较大,对施工的安全性无法保障。
发明内容
有鉴于此,本发明的目的在于提供基于激光扫描成像原理的隧道外观病害检测机器人,
为达到上述目的,本发明提供如下技术方案:
基于激光扫描成像原理的隧道外观病害检测机器人,包括激光扫描仪和车载系统;
所述激光扫描仪设置在车载系统上;激光扫描仪在车载系统行进过程中沿隧道360°旋转,激光测距仪在扫描头的扫描过程中自发自收脉冲信号,获得螺旋形的点云数据,量测隧道横断面轮廓;
在获得点云数据后,采用E.Level阀值滤波对激光成像中灰度值图像中的噪声点进行消除;
在经过噪声点消除之后,进行几何校正;
通过人工介入病害标识的方法,依次在检测成果平面图像上完成对整个隧道病害的标记,完成检测报告,形成断面检测报告。
进一步,所述激光测距仪在扫描头的扫描过程中自发自收脉冲信号,获得螺旋形的点云数据具体为:
激光束对目标进行照射,目标的反射回波经光电成像探测器接收,通过信号处理获取目标的反射强度信息、目标至探测器的距离和速度信息,进而获得区别于背景的目标强度图像、距离图像和多普勒速度;
激光成像原理所采集得到的数据本质是激光反射点的反射强度信息,是以电子信号的形式返回到信号采集装置中;然后,通过设置ViS-divisor阀值通过计算将电子信号转化为计算机程序可识别灰度值;灰度值是指在灰度图像中每个像素点的数值,用以表示黑白图像中点的颜色深度,范围一般从0到255,白色为255,黑色为0,中间的数字从小到大表示由黑到白的过渡色,其数据类型为8位无符号整数的int8,放大后的图像为矩阵排列的不同灰度颜色的“小方块”,通过这些“小方块”的矩阵排列来成图。
通过VIS-divisor阀值的设置,以求在计算后滤除结果数据在[0,255]以外的灰度值,剔除数据异常点,保留有效数值,在结合数据采集时得到的每个像素的的位置信息,得到灰度图像矩阵,从而完成表观图像。
进一步,所述采用E.Level阀值滤波对激光成像中灰度值图像中的噪声点进行消除具体为:灰度值为0到255范围内的数值,TS3使用中通滤波器的方式,分别定义高阀值A与低阀值B,将每个像素点的灰度值使用于该中通滤波器中,如若灰度值在A与B之间,则视之为有效点将其保留,反之则剔除。
进一步,所述几何校正具体为:
1)车载系统速度校正
当车载系统行进速度过快时,造成同样距离内采集得到测线数量减少,如若需要在同样单位距离内通过后处理获得相同数量的测线,则需要采用插值算法对其进行插值计算;
插值法是利用函数f(x)在某区间中已知的若干点的函数值,作出适当的特定函数,在区间的其他点上用这特定函数的值作为函数f(x)的近似值;
2)车载系统前进线位校正
当车载系统行驶于某一直线时,激光扫描仪与边墙的距离固定不变,扫描区域为一个扇形,与边墙的距离为扇形直径,在直径恒定的情况下,扇形圆弧的长度与角度成正比,而角度等于角速度乘以时间,TS3角速度为300Hz,在同一时间内,如果距离不变,探头扫过的测线长度保持不变,表示该段距离内像素点密度恒定;
当行驶过程为非直线时,会改变扫描探头与边墙的距离,当距离增大时,扫描时间不变也就是角度不变的情况下,探头扫过的测线长度会增大,但像素点数量因为正比于扫描时间,像素点数量并没有增加,用相同数量的像素点去覆盖更长的测线,造成像素点密度的增大,为消除影响,则预先选取以标准剖面,用其套用所有测线所得断面的各位置像素点密度,使得结果标准化归一化。
进一步,所述形成断面检测报告具体为:
检测成果以平面图像的形式显示隧道内部表面的情况,该图像为激光点云的形式获得,每个像素点的大小固定,图像能放大缩小并观察细部细节情况,通过人工介入病害标识的方法,依次在平面图像上完成对整个隧道病害的标记,完成检测报告。
本发明的有益效果在于:本发明能够简单有效地测量隧道断面的大小和位置,形成断面检测报告。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明运作示意图;
图2为256灰度图像放大示意图;
图3为前进速度影响扫描质量原理示意图;
图4为非直线前进影响扫描质量原理示意图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
(1)数据获得
数据的获得通过扫描头的旋转配合车载系统的行进获得螺旋形的点云数据,如图1所示。激光扫描仪在扫描过程中自发自收脉冲信号,通过扫描头沿隧道360度旋转,让数据形成点云。
总的来说,该激光成像点云的是激光束对目标进行照射,目标的反射回波经光电成像探测器接收,通过信号处理获取目标的反射强度信息、目标至探测器的距离和速度信息,进而获得区别于背景的目标强度图像、距离图像和多普勒(速度)。与合成孔径、毫米波、红外、可见光等其他成像探测模式相比,激光成像探测具有显著特点:①抗电磁干扰能力强,且对地物和背景有极强的抑制能力,不像红外和可见光成像那样易受环境温度及阳光变化的影响;②抗隐身能力强,能穿透一定的遮蔽物、伪装和掩体,并可对散射截面很小的目标尤其是红外隐身目标进行有效探测;③具有高的距离、角度和速度分辨率,能同时获得目标的多种图像(如距离像、强度像、距离-角度像等),图像信息量丰富,自动目标识别算法大为简化,目标区分能力突出,易于判别目标类型,特别是目标的易损部位。
因此,激光成像原理所采集得到的数据本质是激光反射点的反射强度信息。该数据是以电子信号的形式返回到信号采集装置中。然后,通过设置ViS-divisor阀值通过计算将电子信号转化为计算机程序可识别灰度值。灰度值是指在灰度图像中每个像素点的数值,用以表示黑白图像中点的颜色深度,范围一般从0到255,白色为255,黑色为0,中间的数字从小到大表示由黑到白的过渡色,其数据类型一般为8位无符号整数的(int8),这就是人们经常提到的256灰度图像。如图2所示,放大后的图像其实为矩阵排列的不同灰度颜色的“小方块”,通过这些“小方块”的矩阵排列来成图。
通过VIS-divisor阀值的设置,以求在计算后滤除结果数据在[0,255]以外的灰度值,剔除数据异常点,保留有效数值,在结合数据采集时得到的每个像素的的位置信息,得到灰度图像矩阵,从而完成表观图像。
(2)坏点剔除
由于隧道内部的环境复杂,很多因素都会对扫描所得到的数据进行干扰,使得结果中的数据点会发生畸变,产生不符合真实距离的激光成像结果。因此本发明中采用E.Level阀值滤波对激光成像中灰度值图像中的噪声点进行消除。具体算法为:灰度值为0到255范围内的数值,所以TS3使用中通滤波器的方式,分别定义高阀值A与低阀值B,将每个像素点的灰度值使用于该中通滤波器中,如若灰度值在A与B之间,则视之为有效点将其保留,反之则剔除。
(3)几何校正
机器人在业扫描工作需要车载系统以匀速直线的方式前进,但在实际工作过程中,偶尔会出现非匀速前进的情况,或者非直线的情况,以上两者均会造成最终结果图像的失真,因此需要在此时进行校正。
1)运载速度校正
车载系统的前进速度为影响测量精度的重要因素之一。如果在某一段前进过程中汽车速度突然加快,会使得隧道纵向的信息密度降低,而在数据处理时如果仍然按照应有的像素点密度对像素点进行均匀分布,结果图像会产生“被挤压过”的效果,如图3所示。例如原本3米长度的图像,会被视为只有1米长,这对最后病害的位置、范围、损害程度等信息的判读都会造成负面的影响。
为了校正此影响,则需借助在现场喷写的里程桩号。通过对实际里程桩号的确定,可以人为的强行规定某一个位置为多少里程处,这样就可以一定程度上消除数据处理时对图片的“挤压”或“拉伸”。当车载系统行进速度过快时,造成同样距离内采集得到测线数量减少,因此如若我们需要在同样单位距离内通过后处理获得相同数量的测线,则需要采用插值算法对其进行插值计算。
插值法又称“内插法”,是利用函数f(x)在某区间中已知的若干点的函数值,作出适当的特定函数,在区间的其他点上用这特定函数的值作为函数f(x)的近似值,这种方法称为插值法。如果这特定函数是多项式,就称它为插值多项式。其中插值的种类很多,最为常用的有拉格朗日插值、牛顿插值、埃尔米特插值、分段插值、样条插值。
2)运载前进线位校正
车载系统的非直线前进同样会造成结果图像的失真。当车载系统行驶于某一直线时,扫描探头与边墙的距离固定不变,犹如一个扇形,距离为扇形直径,在直径恒定的情况下,扇形圆弧的长度与角度成正比,而角度等于角速度乘以时间,TS3角速度为300Hz,因此在同一时间内,如果距离不变,探头扫过的测线长度应保持不变,表示该段距离内像素点密度恒定。而当行驶过程为非直线时,势必会改变扫描探头与边墙的距离,当距离增大时,扫描时间不变也就是角度不变的情况下,探头扫过的测线长度会增大,但像素点数量因为正比于扫描时间,所以像素点数量并没有增加,用相同数量的像素点去覆盖更长的测线,造成了像素点密度的增大,使得结果图像在这一段的精度有所改变。而最后同样因为数据处理时像素点的均匀分布,会让像素点进行偏移,从而让结果图像失真。要消除此类影响,则需预先选取以标准剖面,用其套用所有测线所得断面的各位置像素点密度,使得结果标准化归一化,从而一定程度上消除此影响,如图4所示。
该标准化的过程同样适用的是插值法。此处所涉及的插值主要为图像插值。图像插值是图像处理的重要内容之一,普遍应用于军事、航空、医学、通讯、气象、遥感、动画制作和电影合成等领域。图像插值就是利用已知邻近像素点的灰度值来产生未知像素点的灰度值,以便由原始图像再生出具有更高分辨率的图像。从硬件上着手实现图像的缩放,可以获得较高的图像质量,但一般对硬件的改进将需要付出较昂贵的代价,而从软件方面改进,采用插值技术实现数字图像的分辨率变换则很有意义。传统的插值方法侧重于图像的平滑,从而取得更好的视觉效果。但这类方法在保持图像平滑的同时,常常导致图像的边缘模糊。而图像的边缘信息是影响视觉效果的重要因素,同时也是目标识别与跟踪、图像匹配、图像配准等图像处理问题的关键因素。因此,基于边缘的插值技术成为近年来研究的热点。同样是为了保持图像的边缘信息,近年来又出现了一些基于区域一致性的图像插值方法。
总的来说插值是在不生成新的像素的情况下对原图像的像素重新分布,从而来改变像素数量的一种方法。在图像放大过程中,像素也相应地增加,增加的过程就是“插值”发生作用的过程,“插值”程序自动选择信息较好的像素作为增加、弥补空白像素的空间,而并非只使用临近的像素,所以在放大图像时,图像看上去会比较平滑、干净。不过需要说明的是插值并不能增加图像信息,尽管图像尺寸变大,但效果也相对要模糊些。
(4)相关应用范围
检测成果为展布图,以平面图像的形式显示隧道内部表面的情况,该图像为激光点云的形式获得,因为每个像素点的大小固定,因此图像可以随意的放大缩小并观察细部细节情况,通过人工介入病害标识的方法,可以依次在平面图像上完成对整个隧道病害的标记,完成检测报告。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (5)
1.基于激光扫描成像原理的隧道外观病害检测机器人,其特征在于:包括激光扫描仪和车载系统;
所述激光扫描仪设置在车载系统上;激光扫描仪在车载系统行进过程中沿隧道360°旋转,激光测距仪在扫描头的扫描过程中自发自收脉冲信号,获得螺旋形的点云数据,量测隧道横断面轮廓;
在获得点云数据后,采用E.Level阀值滤波对激光成像中灰度值图像中的噪声点进行消除;
在经过噪声点消除之后,进行几何校正;
通过人工介入病害标识的方法,依次在检测成果平面图像上完成对整个隧道病害的标记,完成检测报告,形成断面检测报告。
2.根据权利要求1所述的基于激光扫描成像原理的隧道外观病害检测机器人,其特征在于:所述激光测距仪在扫描头的扫描过程中自发自收脉冲信号,获得螺旋形的点云数据具体为:
激光束对目标进行照射,目标的反射回波经光电成像探测器接收,通过信号处理获取目标的反射强度信息、目标至探测器的距离和速度信息,进而获得区别于背景的目标强度图像、距离图像和多普勒速度;
激光成像原理所采集得到的数据本质是激光反射点的反射强度信息,是以电子信号的形式返回到信号采集装置中;然后,通过设置ViS-divisor阀值通过计算将电子信号转化为计算机程序可识别灰度值;灰度值是指在灰度图像中每个像素点的数值,用以表示黑白图像中点的颜色深度,范围一般从0到255,白色为255,黑色为0,中间的数字从小到大表示由黑到白的过渡色,其数据类型为8位无符号整数的int8,放大后的图像为矩阵排列的不同灰度颜色的“小方块”,通过这些“小方块”的矩阵排列来成图;
通过VIS-divisor阀值的设置,以求在计算后滤除结果数据在[0,255]以外的灰度值,剔除数据异常点,保留有效数值,在结合数据采集时得到的每个像素的的位置信息,得到灰度图像矩阵,从而完成表观图像。
3.根据权利要求1所述的基于激光扫描成像原理的隧道外观病害检测机器人,其特征在于:所述采用E.Level阀值滤波对激光成像中灰度值图像中的噪声点进行消除具体为:灰度值为0到255范围内的数值,TS3使用中通滤波器的方式,分别定义高阀值A与低阀值B,将每个像素点的灰度值使用于该中通滤波器中,如若灰度值在A与B之间,则视之为有效点将其保留,反之则剔除。
4.根据权利要求1所述的基于激光扫描成像原理的隧道外观病害检测机器人,其特征在于:所述几何校正具体为:
1)车载系统速度校正
当车载系统行进速度过快时,造成同样距离内采集得到测线数量减少,如若需要在同样单位距离内通过后处理获得相同数量的测线,则需要采用插值算法对其进行插值计算;
插值法是利用函数f(x)在某区间中已知的若干点的函数值,作出适当的特定函数,在区间的其他点上用这特定函数的值作为函数f(x)的近似值;
2)车载系统前进线位校正
当车载系统行驶于某一直线时,激光扫描仪与边墙的距离固定不变,扫描区域为一个扇形,与边墙的距离为扇形直径,在直径恒定的情况下,扇形圆弧的长度与角度成正比,而角度等于角速度乘以时间,激光扫描头的角速度为300Hz,在同一时间内,如果距离不变,探头扫过的测线长度保持不变,表示该段距离内像素点密度恒定;
当行驶过程为非直线时,会改变扫描探头与边墙的距离,当距离增大时,扫描时间不变也就是角度不变的情况下,探头扫过的测线长度会增大,但像素点数量因为正比于扫描时间,像素点数量并没有增加,用相同数量的像素点去覆盖更长的测线,造成像素点密度的增大,为消除影响,则预先选取以标准剖面,用其套用所有测线所得断面的各位置像素点密度,使得结果标准化归一化。
5.根据权利要求1所述的基于激光扫描成像原理的隧道外观病害检测机器人,其特征在于:所述形成断面检测报告具体为:
检测成果以平面图像的形式显示隧道内部表面的情况,该图像为激光点云的形式获得,每个像素点的大小固定,图像能放大缩小并观察细部细节情况,通过人工介入病害标识的方法,依次在平面图像上完成对整个隧道病害的标记,完成检测报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810373102.6A CN108592876A (zh) | 2018-04-24 | 2018-04-24 | 基于激光扫描成像原理的隧道外观病害检测机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810373102.6A CN108592876A (zh) | 2018-04-24 | 2018-04-24 | 基于激光扫描成像原理的隧道外观病害检测机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108592876A true CN108592876A (zh) | 2018-09-28 |
Family
ID=63614340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810373102.6A Pending CN108592876A (zh) | 2018-04-24 | 2018-04-24 | 基于激光扫描成像原理的隧道外观病害检测机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108592876A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097504A (zh) * | 2019-05-13 | 2019-08-06 | 招商局重庆交通科研设计院有限公司 | 一种用于隧道巡检机器人的图像视觉采集系统 |
CN110397473A (zh) * | 2019-07-26 | 2019-11-01 | 辽宁工程技术大学 | 一种移动式巷道全断面监测设备及其方法 |
CN110887460A (zh) * | 2019-11-22 | 2020-03-17 | 武汉纵横天地空间信息技术有限公司 | 一种基于激光扫描仪和里程计的隧道变形监测方法及系统 |
CN110986878A (zh) * | 2019-12-03 | 2020-04-10 | 中铁第一勘察设计院集团有限公司 | 基于移动测量系统自动化提取铁轨断面的方法 |
CN110986877A (zh) * | 2019-12-03 | 2020-04-10 | 中铁第一勘察设计院集团有限公司 | 基于高精度车载激光移动测量系统铁路工程限界检测方法 |
CN111402171A (zh) * | 2020-03-24 | 2020-07-10 | 上海勃发空间信息技术有限公司 | 一种基于隧道通用断面的点云投影纠正方法 |
CN112487521A (zh) * | 2020-11-03 | 2021-03-12 | 重庆大学 | 一种基于点云的隧道改建工程bim建模方法及系统 |
CN113074694A (zh) * | 2021-03-31 | 2021-07-06 | 中煤科工集团重庆研究院有限公司 | 用于隧道断面变形的自动监测装置 |
CN113960049A (zh) * | 2021-10-19 | 2022-01-21 | 中南大学 | 一种隧道表面病害检测装置及检测方法 |
CN115294527A (zh) * | 2022-08-09 | 2022-11-04 | 中铁隧道局集团有限公司 | 一种基于计算机视觉的地铁隧道破损检测方法 |
CN115816465A (zh) * | 2023-01-06 | 2023-03-21 | 山东大学 | 用于隧道检测的地质雷达测线选取与随动控制方法及系统 |
-
2018
- 2018-04-24 CN CN201810373102.6A patent/CN108592876A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097504A (zh) * | 2019-05-13 | 2019-08-06 | 招商局重庆交通科研设计院有限公司 | 一种用于隧道巡检机器人的图像视觉采集系统 |
CN110397473B (zh) * | 2019-07-26 | 2020-10-13 | 辽宁工程技术大学 | 一种移动式巷道全断面监测设备及其方法 |
CN110397473A (zh) * | 2019-07-26 | 2019-11-01 | 辽宁工程技术大学 | 一种移动式巷道全断面监测设备及其方法 |
CN110887460A (zh) * | 2019-11-22 | 2020-03-17 | 武汉纵横天地空间信息技术有限公司 | 一种基于激光扫描仪和里程计的隧道变形监测方法及系统 |
CN110986878A (zh) * | 2019-12-03 | 2020-04-10 | 中铁第一勘察设计院集团有限公司 | 基于移动测量系统自动化提取铁轨断面的方法 |
CN110986877A (zh) * | 2019-12-03 | 2020-04-10 | 中铁第一勘察设计院集团有限公司 | 基于高精度车载激光移动测量系统铁路工程限界检测方法 |
CN110986878B (zh) * | 2019-12-03 | 2021-09-24 | 中铁第一勘察设计院集团有限公司 | 基于移动测量系统自动化提取铁轨断面的方法 |
CN110986877B (zh) * | 2019-12-03 | 2021-09-24 | 中铁第一勘察设计院集团有限公司 | 基于高精度车载激光移动测量系统铁路工程限界检测方法 |
CN111402171A (zh) * | 2020-03-24 | 2020-07-10 | 上海勃发空间信息技术有限公司 | 一种基于隧道通用断面的点云投影纠正方法 |
CN112487521A (zh) * | 2020-11-03 | 2021-03-12 | 重庆大学 | 一种基于点云的隧道改建工程bim建模方法及系统 |
CN113074694A (zh) * | 2021-03-31 | 2021-07-06 | 中煤科工集团重庆研究院有限公司 | 用于隧道断面变形的自动监测装置 |
CN113960049A (zh) * | 2021-10-19 | 2022-01-21 | 中南大学 | 一种隧道表面病害检测装置及检测方法 |
CN115294527A (zh) * | 2022-08-09 | 2022-11-04 | 中铁隧道局集团有限公司 | 一种基于计算机视觉的地铁隧道破损检测方法 |
CN115294527B (zh) * | 2022-08-09 | 2023-05-16 | 中铁隧道局集团有限公司 | 一种基于计算机视觉的地铁隧道破损检测方法 |
CN115816465A (zh) * | 2023-01-06 | 2023-03-21 | 山东大学 | 用于隧道检测的地质雷达测线选取与随动控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108592876A (zh) | 基于激光扫描成像原理的隧道外观病害检测机器人 | |
CN109459750B (zh) | 一种毫米波雷达与深度学习视觉融合的前方多车辆跟踪方法 | |
CN102494675B (zh) | 一种运动目标特征高速视觉捕捉方法 | |
CN106128121B (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
CN113689483B (zh) | 一种基于单目摄像头和激光雷达的测距方法 | |
CN109446917A (zh) | 一种基于级联霍夫变换的消失点检测方法 | |
WO2013124056A1 (de) | Vorrichtung zur berührungslosen temperaturmessung und temperaturmessverfahren | |
CN115113206B (zh) | 井下有轨车辅助驾驶的行人与障碍物检测方法 | |
CN114280611A (zh) | 一种融合毫米波雷达与摄像头的路侧感知方法 | |
DE102018132805A1 (de) | Verfahren für eine verbesserte Objekterfassung | |
EP1787847A2 (de) | Fahrerassistenzsystem mit Abstandserfassung | |
CN116978009A (zh) | 基于4d毫米波雷达的动态物体滤除方法 | |
Lion et al. | Smart speed bump detection and estimation with kinect | |
CN105184792A (zh) | 一种圆锯片磨损量在线测量方法 | |
WO2020191978A1 (zh) | Sar成像方法及其成像系统 | |
CN108983194B (zh) | 一种基于地面监视雷达系统的目标提取及凝聚方法 | |
CN112836707B (zh) | 一种isar图像空中目标长度特征提取方法 | |
Moroni et al. | Underwater scene understanding by optical and acoustic data integration | |
CN111680537A (zh) | 一种基于激光红外复合的目标检测方法及系统 | |
CN116794650A (zh) | 一种毫米波雷达与摄像头数据融合的目标检测方法和装置 | |
CN115965847A (zh) | 交叉视角下多模态特征融合的三维目标检测方法和系统 | |
CN113091693B (zh) | 一种基于图像超分辨率技术的单目视觉长程测距方法 | |
CN111191534B (zh) | 一种模糊航空图像中的道路提取方法 | |
CN109061593B (zh) | 一种基于地面监视雷达谱数据的目标提取方法 | |
WO2023165815A1 (de) | Fusion von mit einem aktiven messprinzip gewonnenen roh-messdaten und bildern zu einer repräsentation mit tiefen- und/oder abstandsinformation |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |