CN109522847A - 一种基于深度图的轨道和道路障碍物检测方法 - Google Patents
一种基于深度图的轨道和道路障碍物检测方法 Download PDFInfo
- Publication number
- CN109522847A CN109522847A CN201811382822.5A CN201811382822A CN109522847A CN 109522847 A CN109522847 A CN 109522847A CN 201811382822 A CN201811382822 A CN 201811382822A CN 109522847 A CN109522847 A CN 109522847A
- Authority
- CN
- China
- Prior art keywords
- barrier
- image
- track
- camera
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 14
- 230000004888 barrier function Effects 0.000 claims abstract description 65
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 208000010877 cognitive disease Diseases 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 16
- 238000001914 filtration Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000034303 cell budding Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000000109 continuous material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000020061 kirsch Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度图的轨道和道路障碍物检测方法,包括步骤:A.通过双目或多目照相机获得车辆前方的图像;B.通过照相机捕捉路轨信息或者车载信号系统判断轨道类型;C.将获取到的图像进行实施序列分析,并针对轨道类型及道路信息对背景进行处理,将图像预处理后检测出图像边缘;D.通过捕捉图像边缘特征、形状特征、以及图像上多障碍物的相对位置特征对车辆前方障碍物进行分割,并通过极线定理和匹配算法依次对各个障碍物在照相机所拍摄的图像进行搜索,寻找障碍物对应特征及对应特征点,从而确定障碍物的特征;E.计算出障碍物与车辆的距离。本发明能够较为准确的识别障碍物,并且具备一定的预警功能,能够同时保证准确性和预警功能。
Description
技术领域
本发明属于交通领域,特别涉及一种基于深度图的轨道和道路障碍物检测方法。
背景技术
国内主流障碍物探测技术尚处在萌芽阶段,图像识别技术在轨道交通领域的运用比较少见,同时在城市交通的运用也尚处于研发阶段。现在主要的障碍物探测技术包括雷达探测方法,以及安装在列车前端的转向机构上的接触式障碍物检测方法。但是雷达探测方法的稳定性不好,特别是在过弯道的情况下更是容易影响到准确性。而安装在转向机构上的障碍物探测装置,主要是通过触碰的机械方式进行探测,探测距离短,并不具备预警能力。而其余障碍物检测技术,其鲁棒性和准确性不高,在多个障碍物的识别过程中容易受到干扰。
随着机器学习和人工智能的发展,以及照相机技术的发展,如何实现机器视觉也成为了智能交通领域的一个迫切的需求。因此,本发明从人眼的双目出发,发明了运用双目或多目照相机实现检测障碍物,并探测障碍物深度。
发明内容
本发明的目的在于,针对上述现有技术的不足,提供一种基于深度图的轨道和道路障碍物检测方法,能够判断障碍物是否存在,检测障碍物的距离,为控制中心判断是否实施制动或紧急制动提供依据。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于深度图的轨道和道路障碍物检测方法,其特点包括以下步骤:
步骤A.通过安装在轨道车辆车头的双目或多目照相机获得车辆前方的图像;
步骤B.通过照相机捕捉路轨信息或者车载信号系统判断轨道类型;
步骤C.将获取到的图像进行实施序列分析,并针对轨道类型对背景进行处理,将图像预处理后检测出图像边缘;
步骤D.通过捕捉图像边缘特征、形状特征、以及图像上多障碍物的相对位置特征对车辆前方障碍物进行分割,并通过极线定理和匹配算法依次对各个障碍物对照相机的所拍摄图像进行搜索,寻找障碍物对应特征及对应特征点,从而确定障碍物的特征。
进一步地,还包括步骤E.通过比对照相机所拍摄图像的边缘特征点或特征点所在的线段的位置,运用三角形原理和立体匹配原理,计算出障碍物与车辆的距离。
进一步地,还包括步骤F.在照相机所拍摄图像上,通过比对相同深度的轨道和障碍物,判断障碍物在道路上的实际大小;当障碍物的实际大小超过30cm*30cm*30cm时,对轨道车辆进行减速;当障碍物的实际大小超过60cm*60cm*60cm时,对轨道车辆采取紧急制动。
本发明采取深度图像技术,从人眼对障碍物识别的原理出发,通过安装在轨道车辆上的照相机结合双目算法或立体匹配算法,获取对应像素点,并利用三角形原理计算出障碍物距轨道车辆的距离,形成深度图像。最后在控制主板,通过深度图来判断是否实施制动或紧急制动,从而实现轨道车辆的提前预警和安全性提升的要求,提升无人驾驶的安全性。
本发明能够较为准确的识别障碍物,并且具备一定的预警功能,与现行的检测方法相比,能够同时保证准确性和预警功能。
附图说明
图1为双目相机检测障碍物距离原理图。
图2为外极限约束原理图。
图3为障碍物深度图。
具体实施方式
本发明的原理准备如下:
障碍物检测算法:
在轨道车辆上,将照相机安装在车辆端部位置。
如图1所示,
障碍物距离轨道车辆的距离是D,因此我们可以通过相似三角形来计算出障碍物的距离D。根据相似三角形,以及图像成像原理,所以我们可以得出(D-F)/D=PlPr/B,PlPr的长度可以通过照相机的拍摄图来计算,F是焦距。已知Pl是障碍物在左侧图像上的位置,Pr是障碍物在右侧图像上的位置D=PlPr+WlPl+WrPr,又因为WlPl=KlPl-WlKl,WrPr=Wrkr-krPr。所以B=PlPr+KlPl-WlKl+Wrkr-krPr=PlPr+Ll-Lr。根据相似三角形PPlPr和POlOr,可以列出如下公式:
B*(D-F)=D*(B-Ll+Lr)
BF=DLl-DLr
D=BF/(Ll-Lr)
Kl:左侧相机成像的最左侧点
Kr:右侧相机成像的最右侧点
Wl:左侧相机成像的中心点
Wr:右侧相机成像的中心点
Ol:左侧相机所在位置
Or:右侧相机所在位置
所以障碍物距离可以通过焦距、两个照相机的距离,以及障碍物在两个照相机所拍摄出的图像位置来确定。
这是模仿人眼的位置和方位来判断距离,即使处在任意位置和方位,可以通过极线定理来判断障碍物距离。
考虑到两台照相机能够捕捉的信息不够充分,可以通过增加照相机的数量来提高精度和适用范围,从而实现更好的立体化视觉效果。
匹配原理:
前文论述了如何计算障碍物的距离,下文将论述如何发现障碍物。
前提和约束:
(1)外极限约束
对于两幅从不同角度获取同一张图,传统的搜索方式是,在一幅图上选择一个特征点,这将变成一个二维搜索问题,对于计算而言,太过繁琐,因此我们在这里简化,利用外极限约束来简化。根据几何原理,一幅图像的特征点一定在另一个图的外极限上,如图2所示。
其中P1,P2,P3……表示极线上的各点。
通过将二维搜索问题转变为一维搜索问题,从而减少计算量。
(2)一致性约束。
考虑到光照强度的影响,一般要对图像进行规范化处理,从而避免因为光强的不均匀造成的影响。
(3)唯一性约束
考虑到轨道上的障碍物足够大才能够对轨道车辆造成影响,而且一般对轨道交通车辆造成危害的障碍物不可能形状、位置、方位都完全相同,所以可以满足唯一性约束。
(4)连续性约束
障碍物表面一般十分光滑,其色差一般不会有急剧变化,满足连续性约束。
边缘匹配:
在满足以上四个约束下,可以对照相机所拍摄图像进行预处理,通过两种方式进行预处理,一种是将图像转化为二值图,另一种是通过RGB模型捕捉图像的像素信息。
进一步,需要提取边缘来进行边缘检测,目前比较成熟的方法是通过一阶导数和二阶导数来描述并判断数据亮度的变化。一阶导数用于计算数据亮度的梯度,二阶导数用于计算亮度梯度的变化率,目前用于检测的算子包括:一阶:Kirsch算子,Sobel算子等二阶:Canny算子,Laplacian算子等。较为成熟的算子包括Sobel算子和Canny算子。
考虑到障碍物边缘具有较为明显色差变化,其边缘处也与周围的色差表面方向不连续物质属性变化,照明强度等因素造成的色差变化提取障碍物边缘并通过滤波消除噪音。
Sobel算子一般使用窗格滤波或高斯滤波,一般选择5*5滤波窗格。
令5*5窗格的矩阵为W,一种可以选择的滤波如下所示:
1 4 7 4 1
4 14 24 14 4
7 24 41 24 7
4 14 24 14 4
1 4 7 4 1
对应图像窗格滤波B=1/257*W*A。
即可对图像进行预处理,并选取门限值进行边缘判定,因而边缘点具备较为显著的光强梯度变化和色差变化,可以通过门限值找到边缘。
如有提高冗余性的需求,可以采用多照相机进行分析,从而更加精确的判断障碍物,以及障碍物的距离。
双目匹配
由于物体在双目相机的拍摄下所呈现的图像,其边缘及图像的形状特征不会有剧烈变化,即使在某些部分有较大变化,也可通过对整体的对比,以及物体相对位置匹配同一障碍物,因此可以通过边缘或者相对位置分割各个障碍物,并匹配在不同图片上相同障碍物。
立体匹配
通过设置三目或多目相机,每两个相机进行双目匹配。由于多目相机具备更广阔的视角,可以弥补双目相机在视角上存在的遮挡,噪音抑制不完全等问题,从而完整的匹配整个立体空间图,对整个图像扫描,找到每一点对应的深度特征,实现空间立体的匹配并显示深度。
深度图像的形成
通过安装在车辆上的双目或深度相机来获取道路图像信息,根据边缘色差的条件提取边缘,并综合边缘特征,形状特征及相对位置特征分割障碍物,并将各个障碍物依次在两张或多张图上选取出来,最终通过双目匹配或多目匹配找出图像中对应的障碍物。对于各个障碍物,在一张图片中找到每个障碍物的一个点或一条线,在其余图像中找到相应的点。考虑到边缘特征点无法完全反应深度特征,可以找到两个边缘特征点连成线段,描述整个线段上的对应点的深度信息,根据相似三角形原理,计算出对应点的距离,或者是对应线上每个点的距离信息并选取最大距离作为障碍物的距离,从而实现探测障碍物,并得到障碍物的距离。最后将此障碍物提取出来,描绘其颜色,通过颜色的深浅,蓝色到红色的渐进,或者直接在图像上显示距离来描述障碍物到车辆的距离,其示意图将如下图3所示。
如图3所示,障碍物1(正方形),障碍物2(圆球),在两张图的形状并无变化,考虑到交通上的障碍物在两个照相机上的形状不会有显著变化,因此本发明是可行的。而当使用多个照相机拍摄时,可以捕捉到更多的信息,并且可以扩大视角,提升精确性。
车道线,轨道识别与障碍物比对
对于轨道车辆,需要识别轨道,对于城市车辆需要识别车道线,考虑到要同步检验直线和曲线的轨迹,因此考虑使用构建二值图像模型或HSV色彩空间。
轨道车辆
轨道车辆要求识别钢轨,将图像预处理转化为二值图和HSV色彩空间,简化图像色彩特征。采用Canny边缘检测或OSTU设置阈值分割,进一步简化图像特征。根据经验设置像素点的阈值亮度值[X-ΔX,X+ΔX],将图像中在此阈值内的亮度值的像素标记。根据轨道的特征诸如连续性条件,轨道的形状大小设置滤波,选取出轨道,并对可能被障碍物遮挡住的轨道等轨道不连续处进行处理,根据特征补全轨道。
在直线条件下,可采用霍夫直线检测强化检测效果,根据障碍物所在位置及轨道,找到基于此轨道平面的动态包络线,车辆限界,设备限界或者建筑限界,并判断障碍物是否侵入。
识别轨道后,由于轨距已知,可以通过轨距作为参考系,通过比对相同深度(相同距离)的轨道和障碍物,根据成像原理,算出实际面积计算出障碍物的大小。
城市车辆
城市轨道车辆比较简单,可以按照轨道车辆处理。城市无轨车辆较为复杂,需要识别车道线,其处理也是基于二值图和HSV色彩空间,并采用算子简化图像特征,可采用多滤波综合检测方式,简化图像特征,考虑到车道线并不连续,因此可以考虑用对车道线进行连续性处理,根据线路特征,将相邻车道线进行连接,从而转化为类轨道车辆。公路交通按照侵占路权作为判断依据,通过判断是否侵入车道作为依据,以及wiedemann99驾驶模型参考,实施牵引和制动等方式规避障碍物。
识别车道线后,由于车道线距已知,可以通过车道线距离作为参考系,通过比对相同深度(相同距离)的轨道和障碍物,根据成像原理,算出实际面积计算出障碍物的大小。
本发明具体步骤如下:
步骤A.采集实时图像,通过安装在城市车辆车头的双目或多目或深度照相机获得车辆前方的图像;采用超远焦距、光学防抖照相机。
步骤B.判断轨道或车道线类型,通过照相机捕捉路轨信息或者车载信号系统判断轨道或车道线是否为类直线或弯道;以此为基础,为运用三角形原理和立体匹配原理来建立深度图来描述轨道的远近特征做准备。
步骤C.图像预处理,将获取到的图像进行实施序列分析,并针对轨道或车道线类型对背景进行处理,可通过迭代最佳阈值或者OSTU大律法等方法将其转换为二值图,或者通过奈奎斯特采样定理提取RGB参数,通过降噪,滤波等方式强化边缘特征,最大限度消除周边环境的影响,再通过图像上的色差,综合运用Kirsch算子,Sobel算子或Canny算子来检测边缘的存在。
步骤D.判断障碍物,通过捕捉图像边缘特征、形状特征、以及图像上多障碍物的相对位置对车辆前方障碍物进行分割,并通过极线定理和匹配算法依次对各个障碍物对照相机的所拍摄图像进行搜索,寻找障碍物对应特征及对应特征点,从而确定障碍物的特征。
步骤E.判断距离,通过比对照相机所拍摄图像的边缘特征点或特征点所在的线段的位置,运用三角形原理和立体匹配原理,计算出障碍物与车辆的距离。
步骤F.深度图的形成以及采用的措施,在照相机所拍摄图像上,通过比对相同深度(相同距离)的轨道/车道线和障碍物,判断障碍物在道路上的实际大小(可通过比对在此深度下的车辆限界面积与障碍物的重叠面积,然后根据成像原理,算出实际面积);由实际经验知道,当障碍物的实际大小超过30cm*30cm*30cm时,认为会影响轨车辆的正常通行,控制中心将对车辆进行减速;当障碍物的实际大小超过60cm*60cm*60cm时,认为障碍物将有造成车辆脱轨或产生重大交通事故的可能,控制中心将对轨道车辆采取紧急制动。在城市无轨交通中,根据wiedemann99驾驶行为模型进行牵引与制动等方案。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是局限性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护范围之内。
Claims (3)
1.一种基于深度图的轨道和道路障碍物检测方法,其特征在于,包括以下步骤:
步骤A.通过安装在轨道车辆车头的双目或多目照相机获得车辆前方的图像;
步骤B.通过照相机捕捉路轨及道路信息或者车载信号系统判断轨道类型;
步骤C.将获取到的图像进行实施序列分析,并针对轨道类型对背景进行处理,将图像预处理后检测出图像边缘;
步骤D.通过捕捉图像边缘特征、形状特征、以及图像上多障碍物的相对位置特征对车辆前方障碍物进行分割,并通过极线定理和匹配算法依次对各个障碍物在照相机所拍摄的图像进行搜索,寻找障碍物对应特征及对应特征点,从而确定障碍物的特征。
2.如权利要求1所述的基于深度图的轨道和道路障碍物检测方法,其特征在于,还包括,
步骤E.通过比对照相机所拍摄图像的边缘特征点或特征点所在的线段的位置,运用三角形原理和立体匹配原理,计算出障碍物与车辆的距离。
3.如权利要求2所述的基于深度图的轨道和道路障碍物检测方法,其特征在于,还包括,
步骤F.在照相机所拍摄图像上,通过比对相同深度的轨道和障碍物,判断障碍物在道路上的实际大小;当障碍物的实际大小超过30cm*30cm*30cm时,对轨道车辆进行减速;当障碍物的实际大小超过60cm*60cm*60cm时,对轨道车辆采取紧急制动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811382822.5A CN109522847A (zh) | 2018-11-20 | 2018-11-20 | 一种基于深度图的轨道和道路障碍物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811382822.5A CN109522847A (zh) | 2018-11-20 | 2018-11-20 | 一种基于深度图的轨道和道路障碍物检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109522847A true CN109522847A (zh) | 2019-03-26 |
Family
ID=65778323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811382822.5A Pending CN109522847A (zh) | 2018-11-20 | 2018-11-20 | 一种基于深度图的轨道和道路障碍物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522847A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111207687A (zh) * | 2020-01-15 | 2020-05-29 | 中车株洲电力机车有限公司 | 一种轨道车辆的限界检测方法、装置及系统 |
CN111626169A (zh) * | 2020-05-20 | 2020-09-04 | 中铁二院工程集团有限责任公司 | 一种基于图像的铁路危险落石尺寸判断方法 |
CN111880166A (zh) * | 2018-05-03 | 2020-11-03 | 联发科技股份有限公司 | 物体检测方法及装置 |
CN112163446A (zh) * | 2020-08-12 | 2021-01-01 | 浙江吉利汽车研究院有限公司 | 一种障碍物检测方法、装置、电子设备及存储介质 |
CN112488056A (zh) * | 2020-12-17 | 2021-03-12 | 上海媒智科技有限公司 | 一种基于计算机视觉的直线轨道异物入侵检测方法及装置 |
CN112669242A (zh) * | 2021-03-16 | 2021-04-16 | 四川大学 | 基于改进图像增强算法与生成对抗网络的夜景复原方法 |
CN112800890A (zh) * | 2021-01-18 | 2021-05-14 | 上海大学 | 一种基于表面法向量的道路障碍检测方法 |
CN113128091A (zh) * | 2021-04-22 | 2021-07-16 | 西南交通大学 | 一种抑制车线耦合共振的高速铁路轨道模态设计方法 |
CN113298727A (zh) * | 2021-05-17 | 2021-08-24 | 中国矿业大学 | 一种基于多标识线的井下辅助运输车辆导航系统与方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679707A (zh) * | 2013-11-26 | 2014-03-26 | 西安交通大学 | 基于双目相机视差图的道路障碍物检测系统及检测方法 |
CN103955920A (zh) * | 2014-04-14 | 2014-07-30 | 桂林电子科技大学 | 基于三维点云分割的双目视觉障碍物检测方法 |
CN104331910A (zh) * | 2014-11-24 | 2015-02-04 | 沈阳建筑大学 | 一种基于机器视觉的轨道障碍物检测系统 |
CN105678787A (zh) * | 2016-02-03 | 2016-06-15 | 西南交通大学 | 一种基于双目鱼眼摄像头的载重货车行驶障碍物检测及跟踪方法 |
-
2018
- 2018-11-20 CN CN201811382822.5A patent/CN109522847A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679707A (zh) * | 2013-11-26 | 2014-03-26 | 西安交通大学 | 基于双目相机视差图的道路障碍物检测系统及检测方法 |
CN103955920A (zh) * | 2014-04-14 | 2014-07-30 | 桂林电子科技大学 | 基于三维点云分割的双目视觉障碍物检测方法 |
CN104331910A (zh) * | 2014-11-24 | 2015-02-04 | 沈阳建筑大学 | 一种基于机器视觉的轨道障碍物检测系统 |
CN105678787A (zh) * | 2016-02-03 | 2016-06-15 | 西南交通大学 | 一种基于双目鱼眼摄像头的载重货车行驶障碍物检测及跟踪方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111880166A (zh) * | 2018-05-03 | 2020-11-03 | 联发科技股份有限公司 | 物体检测方法及装置 |
CN111207687A (zh) * | 2020-01-15 | 2020-05-29 | 中车株洲电力机车有限公司 | 一种轨道车辆的限界检测方法、装置及系统 |
CN111626169A (zh) * | 2020-05-20 | 2020-09-04 | 中铁二院工程集团有限责任公司 | 一种基于图像的铁路危险落石尺寸判断方法 |
CN112163446A (zh) * | 2020-08-12 | 2021-01-01 | 浙江吉利汽车研究院有限公司 | 一种障碍物检测方法、装置、电子设备及存储介质 |
CN112163446B (zh) * | 2020-08-12 | 2023-04-28 | 浙江吉利汽车研究院有限公司 | 一种障碍物检测方法、装置、电子设备及存储介质 |
CN112488056A (zh) * | 2020-12-17 | 2021-03-12 | 上海媒智科技有限公司 | 一种基于计算机视觉的直线轨道异物入侵检测方法及装置 |
CN112800890A (zh) * | 2021-01-18 | 2021-05-14 | 上海大学 | 一种基于表面法向量的道路障碍检测方法 |
CN112669242A (zh) * | 2021-03-16 | 2021-04-16 | 四川大学 | 基于改进图像增强算法与生成对抗网络的夜景复原方法 |
CN113128091A (zh) * | 2021-04-22 | 2021-07-16 | 西南交通大学 | 一种抑制车线耦合共振的高速铁路轨道模态设计方法 |
CN113298727A (zh) * | 2021-05-17 | 2021-08-24 | 中国矿业大学 | 一种基于多标识线的井下辅助运输车辆导航系统与方法 |
CN113298727B (zh) * | 2021-05-17 | 2023-08-18 | 中国矿业大学 | 一种基于多标识线的井下辅助运输车辆导航系统与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522847A (zh) | 一种基于深度图的轨道和道路障碍物检测方法 | |
CN107738612B (zh) | 基于全景视觉辅助系统的自动泊车停车位检测与识别系统 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN105426864B (zh) | 一种基于等距边缘点匹配的多车道线检测方法 | |
CN102682292B (zh) | 基于单目视觉的道路边缘检测及粗定位方法 | |
CN104331910B (zh) | 一种基于机器视觉的轨道障碍物检测系统 | |
CN103065470B (zh) | 基于单目多检测面的机器视觉的车辆闯红灯行为检测装置 | |
CN107025432B (zh) | 一种高效的车道线检测跟踪方法及系统 | |
CN104021388B (zh) | 基于双目视觉的倒车障碍物自动检测及预警方法 | |
CN101030256B (zh) | 车辆图像分割方法和装置 | |
CN108615358A (zh) | 一种道路拥堵检测方法及装置 | |
US20150195496A1 (en) | Three-dimensional object detection device, and three-dimensional object detection method | |
CN102509089B (zh) | 逐行扫描识别斑马线及测量斑马线距离的方法 | |
CN107274678B (zh) | 一种基于Kinect的夜间车流量统计及车型识别方法 | |
CN104902261B (zh) | 用于低清晰度视频流中的路面识别的装置和方法 | |
CN108805065A (zh) | 一种基于几何特征改进的车道线检测方法 | |
CN107256636A (zh) | 一种融合激光扫描与视频技术的交通流获取方法 | |
CN103559703A (zh) | 基于双目视觉的起重机障碍物监测及预警方法及系统 | |
CN108764108A (zh) | 一种基于贝叶斯统计决策的前车检测方法 | |
CN107389084A (zh) | 行车路径规划方法及存储介质 | |
KR20110001427A (ko) | 관심영역 추출에 의한 차선 고속검출 방법 | |
CN111461088A (zh) | 一种基于图像处理与目标识别的轨道交通避障系统 | |
KR101224027B1 (ko) | 영상의 장면 정보를 이용한 전방 차량 검출 방법 | |
CN104463935A (zh) | 一种用于交通事故还原的车道重建方法和系统 | |
CN103164958B (zh) | 车辆监控方法及系统 |
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 |
Application publication date: 20190326 |
|
RJ01 | Rejection of invention patent application after publication |