CN109559334A - 基于卡尔曼滤波器的车道线追踪方法 - Google Patents
基于卡尔曼滤波器的车道线追踪方法 Download PDFInfo
- Publication number
- CN109559334A CN109559334A CN201811403829.0A CN201811403829A CN109559334A CN 109559334 A CN109559334 A CN 109559334A CN 201811403829 A CN201811403829 A CN 201811403829A CN 109559334 A CN109559334 A CN 109559334A
- Authority
- CN
- China
- Prior art keywords
- lane line
- lane
- value
- kalman filter
- moment
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
- 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
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于卡尔曼滤波器的车道线追踪方法,包括:计数器初始化;输入k时刻Hough变换检测得到的车道线;将k时刻的车道线逐一地与k‑1时刻的车道线进行匹配,分别计算两个时刻参数的偏差;匹配计数器进行更新;当直线匹配数不小于计数器时,启动Kalman滤波器对车道线进行追踪;否则不进行追踪;追踪10帧车道线后,重新检测更新直线库。本发明解决了复杂环境中的一帧或几帧图像车道线漏检或检测不到的问题,提出了用估计值代替检测值的方法,增加了车道线检测的稳定性,当若干帧图像车道线检测失败时,仍然可以用估计值代替检测值输出,车道线检测的方法鲁棒性强,检测结果准确,提高了行车安全性。
Description
技术领域
本发明属于车辆工程技术领域,具体涉及一种基于卡尔曼滤波器的车道线追踪方法。
背景技术
在车道线检测过程中,车载相机拍摄获取的车道线视频或图像序列是随时间连续变化的。现有技术的基于单帧图像车道线追踪算法将面临许多挑战,比如复杂多变的道路环境、车道线曲率过大及噪声等。此外,车道线特征稀少、车道线缺损或遮挡、变换车道都可能导致检测失败。在车道线检测过程中,复杂多变的道路环境、车道线特征稀少、车道线缺损或被遮盖等原因容易造成一帧或几帧图像检测失败,导致检测失败,车道线检测算法鲁棒性不强。现有技术的车道线追踪方法容易出现检测失败的问题,且检测结果不准确,不能很好地满足实际应用的需要,现在亟待研发一种能够克服上述技术缺陷的新的车道线追踪方法。
发明内容
针对上述现有技术中存在的问题,本发明的目的在于提供一种可避免出现上述技术缺陷的基于卡尔曼滤波器的车道线追踪方法。
为了实现上述发明目的,本发明提供的技术方案如下:
一种基于卡尔曼滤波器的车道线追踪方法,包括:
步骤(1)计数器初始化。
步骤(2)输入k时刻Hough变换检测得到的车道线;
步骤(3)将k时刻的车道线逐一地与k-1时刻的车道线进行匹配,分别计算两个时刻参数的偏差;
步骤(4)匹配计数器进行更新;若偏差小于阈值,则匹配成功,Kalman滤波器输出的估计直线代替被匹配的直线,并且相应的计数器加1;反之则匹配不成功,计数器减1,当计数器小于0时,计数器置零;
步骤(5)当直线匹配数不小于计数器时,启动Kalman滤波器对车道线进行追踪;否则不进行追踪;
步骤(6)追踪10帧车道线后,重新检测更新直线库。
进一步地,所述方法还包括:步骤(7)循环执行步骤(2)至步骤(6)。
进一步地,所述Hough变换实现步骤包括:
1)建立一个(ρ,θ)空间的二维数组H(ρ,θ),充当累加器;
2)遍历M行N列数字图像上所有的像素点(yi,xi),1≤yi≤M,1≤xi≤N,令θ等于θ轴上允许的细分值,通过公式ρ=xicosθ+yisinθ计算出相应的ρ值,并将其进一步四舍五入为最接近的ρ轴上允许的单元值,相应的累加器单元(ρ,θ)处增加一个增量;
3)求出累加器中最大的nH个值,其位置(ρh,θh),1≤h≤nH就是直线模型下对应车道标志线的参数;其中,ρ表示原点到直线的距离,称为极距;θ表示以顺时针为正时直线的法线与x轴正半轴成的夹角;
4)选取Hough变换矩阵中最大的三个峰值点,取出峰值点处对应的(ρ,θ)值,对车道标志线进行拟合。
进一步地,在所述步骤(5)中,Kalman滤波器方程包括:
时间更新方程:
量测更新方程:
其中是用k-1时刻预测出k时刻的值,是对应的协方差,AT是A的转置矩阵,Kk是k时刻Kalman滤波器增益,是Kalman滤波器输出的k时刻的估计值,Zk是k时刻的观测值,I为单位矩阵,Q为系统噪声协方差,R为观测噪声。
进一步地,Kalman滤波器初值设定:
N=1,表示一帧图像,用来计算每帧图像的噪声;Q=[0,0,0,0],R=1,H=[1,0],W=sqrt(Q)*randn(2,N),V=sqrt(R)*randn(2,N),A=[1,1;0,1],I=eye(2)。
进一步地,用状态向量Xk表示每帧图像中检测到的车道线状态,Xk=[ρk,θk]T;
车道线更新方程:
Xk=AXk-1+Wk
观测方程:
Zk=HXk+Vk
其中Xk是k时刻车道线的状态值,A为Kalman滤波器的状态转移矩阵,H为测量矩阵,Wk为系统噪声,Vk为观测噪声,在此假设Wk、Vk均是高斯白噪声,且不随系统状态变化而变化。
进一步地,在Kalman滤波器对车道线追踪过程中,不断对观测值进行更新,将每帧图像车道线检测得到的值作为观测值输入Kalman滤波器进行迭代;在Kalman滤波器迭代过程中进行修正,通过将检测值和Kalman估计值进行比较,设定一阈值,当误差小于此阈值,则视检测值有效,否则认为检测值无效。
本发明提供的基于卡尔曼滤波器的车道线追踪方法,解决了复杂环境中的一帧或几帧图像车道线漏检或检测不到的问题,提出了用估计值代替检测值的方法,增加了车道线检测的稳定性,当若干帧图像车道线检测失败时,仍然可以用估计值代替检测值输出,车道线检测的方法鲁棒性强,检测结果准确,提高了行车安全性,可以很好地满足实际应用的需要。
附图说明
图1为本发明的流程图;
图2为极径和极角的几何意义示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图和具体实施例对本发明做进一步说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的基于卡尔曼滤波器的车道线追踪方法,在车道线追踪过程中用状态向量Xk表示每帧图像中检测到的车道线状态,Xk=[ρk,θk]T。
车道线更新方程:
Xk=AXk-1+Wk (1)
观测方程:
Zk=HXk+Vk (2)
其中Xk是k时刻车道线的状态值,A为Kalman滤波器的状态转移矩阵,H为测量矩阵,Wk为系统噪声,Vk为观测噪声,在此假设Wk、Vk均是高斯白噪声,且不随系统状态变化而变化。
Kalman滤波器包括时间更新和量测更新两个重要部分。时间更新用来向前一步估计当前状态向量和状态向量协方差的取值,完成对状态向量的预估。量测更新基于状态向量估计值与最新测量值,通过残差计算,完成对状态向量的校正。通过“预估—校正—预估”的循环过程,Kalman滤波器实现对状态向量的递推估计。Kalman滤波过程如下:
时间更新方程:
量测更新方程:
其中是用k-1时刻预测出k时刻的值,是对应的协方差,AT是A的转置矩阵,Kk是k时刻Kalman滤波器增益,是Kalman滤波器输出的k时刻的估计值,Zk是k时刻的观测值,I为单位矩阵,Q为系统噪声协方差,R为观测噪声。
Kalman滤波器初值设定:
N=1,表示一帧图像,用来计算每帧图像的噪声。Q=[0,0,0,0],R=1,H=[1,0],W=sqrt(Q)*randn(2,N),V=sqrt(R)*randn(2,N),A=[1,1;0,1],I=eye(2)。
在Kalman滤波器对车道线追踪过程中,为了得到车道线的估计值,需要不断的对观测值进行更新,将每帧图像车道线检测得到的值作为观测值输入Kalman滤波器进行迭代。为了达到追踪估计的准确性,防止因噪声干扰出现车道线检测错误对整个系统产生影响,在Kalman滤波器迭代过程中需要对此进行修正,通过将检测值和Kalman估计值进行比较,设定一阈值,当误差小于此阈值,则视检测值有效,否则认为检测值无效,由于相邻的两帧车道线在图像中的位置不会发生突变,因此可以输出前一时刻的估计值作为当前车道线的状态值。
如图1所示,一种基于卡尔曼滤波器的车道线追踪方法,包括以下步骤:
步骤(1)计数器DTcount初始化,其中DTcount用来计算准确检测到车道线的次数;
步骤(2)输入k时刻Hough变换检测得到的车道线[(ρik,θik)],i=1,2,3,4;
Hough变换具体实现步骤如下:
1)建立一个(ρ,θ)空间的二维数组H(ρ,θ),充当累加器;
2)遍历M行N列数字图像上所有的像素点(yi,xi),1≤yi≤M,1≤xi≤N,令θ等于θ轴上允许的细分值,通过公式ρ=xicosθ+yisinθ计算出相应的ρ值,并将其进一步四舍五入为最接近的ρ轴上允许的单元值,相应的累加器单元(ρ,θ)处增加一个增量;
3)求出累加器中最大的nH个值,其位置(ρh,θh),1≤h≤nH就是直线模型下对应车道标志线的参数;
其中,ρ表示原点到直线的距离,又称极距或极径;θ表示以顺时针为正时直线的法线与x轴正半轴成的夹角,又称极角;参数ρ和θ的几何意义如图2所示,其中,
(ρmin,ρmax)和(θmin,θmax)分别是ρ和θ对应的取值范围。在本实施例中,取-90°≤θ≤90°,-Dmax≤ρ≤Dmax,Dmax是图像中两个角之间的最远距离。
4)选取Hough变换矩阵中最大的三个峰值点,取出峰值点处对应的(ρ,θ)值,对车道标志线进行拟合。
步骤(3)将k时刻的车道线逐一地与k-1时刻的车道线进行匹配,分别计算两个时刻的参数ρ和θ的偏差。
用状态向量Xk表示每帧图像中检测到的车道线状态,Xk=[ρk,θk]T。
车道线更新方程:
Xk=AXk-1+Wk
观测方程:
Zk=HXk+Vk
其中Xk是k时刻车道线的状态值,A为Kalman滤波器的状态转移矩阵,H为测量矩阵,Wk为系统噪声,Vk为观测噪声,在此假设Wk、Vk均是高斯白噪声,且不随系统状态变化而变化。
步骤(4)匹配计数器DTcount进行更新;设定阈值,若偏差小于阈值,则匹配成功,Kalman滤波器输出的估计直线代替被匹配的直线,并且相应的计数器DTcount加1;反之则匹配不成功,计数器减1,当计数器小于0时,计数器置零。
步骤(5)Kalman滤波器对车道线进行追踪,代入Kalman滤波器方程(3)-(7)。当直线匹配数不小于DTcount时(本实施例取3)时,即当连续3幅图像均检测出同一条车道线时,启动Kalman滤波器对车道线进行追踪;否则不进行追踪。
步骤(6)追踪10帧车道线后输出10帧图像,重新检测更新直线库。
步骤(7)循环执行步骤(2)至步骤(6)。
利用本发明的方法追踪车道线的实验数据如下:
实验数据表明本发明的方法对车道线的追踪是高效、精确的。
本发明提供的基于卡尔曼滤波器的车道线追踪方法,解决了复杂环境中的一帧或几帧图像车道线漏检或检测不到的问题,提出了用估计值代替检测值的方法,增加了车道线检测的稳定性,当若干帧图像车道线检测失败时,仍然可以用估计值代替检测值输出,车道线检测的方法鲁棒性强,检测结果准确,提高了行车安全性,可以很好地满足实际应用的需要。
以上所述实施例仅表达了本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于卡尔曼滤波器的车道线追踪方法,其特征在于,基于卡尔曼滤波器进行车道线追踪。
2.根据权利要求1所述的基于卡尔曼滤波的车道线追踪方法,其特征在于,所述方法包括:
步骤(1)计数器初始化;
步骤(2)输入k时刻Hough变换检测得到的车道线;
步骤(3)将k时刻的车道线逐一地与k-1时刻的车道线进行匹配,分别计算两个时刻参数的偏差;
步骤(4)匹配计数器进行更新;若偏差小于阈值,则匹配成功,Kalman滤波器输出的估计直线代替被匹配的直线,并且相应的计数器加1;反之则匹配不成功,计数器减1,当计数器小于0时,计数器置零;
步骤(5)当直线匹配数不小于计数器时,启动Kalman滤波器对车道线进行追踪;否则不进行追踪;
步骤(6)追踪10帧车道线后,重新检测更新直线库。
3.根据权利要求1-2所述的基于卡尔曼滤波的车道线追踪方法,其特征在于,所述方法还包括:步骤(7)循环执行步骤(2)至步骤(6)。
4.根据权利要求1-3所述的基于卡尔曼滤波的车道线追踪方法,其特征在于,所述Hough变换实现步骤包括:
1)建立一个(ρ,θ)空间的二维数组H(ρ,θ),充当累加器;
2)遍历M行N列数字图像上所有的像素点(yi,xi),1≤yi≤M,1≤xi≤N,令θ等于θ轴上允许的细分值,通过公式ρ=xicosθ+yisinθ计算出相应的ρ值,并将其进一步四舍五入为最接近的ρ轴上允许的单元值,相应的累加器单元(ρ,θ)处增加一个增量;
3)求出累加器中最大的nH个值,其位置(ρh,θh),1≤h≤nH就是直线模型下对应车道标志线的参数;其中,ρ表示原点到直线的距离,称为极距;θ表示以顺时针为正时直线的法线与x轴正半轴成的夹角;
4)选取Hough变换矩阵中最大的三个峰值点,取出峰值点处对应的(ρ,θ)值,对车道标志线进行拟合。
5.根据权利要求1-4所述的基于卡尔曼滤波的车道线追踪方法,其特征在于,在所述步骤(5)中,Kalman滤波器方程包括:
时间更新方程:
量测更新方程:
其中是用k-1时刻预测出k时刻的值,是对应的协方差,AT是A的转置矩阵,Kk是k时刻Kalman滤波器增益,是Kalman滤波器输出的k时刻的估计值,Zk是k时刻的观测值,I为单位矩阵,Q为系统噪声协方差,R为观测噪声。
6.根据权利要求1-5所述的基于卡尔曼滤波的车道线追踪方法,其特征在于,Kalman滤波器初值设定:
N=1,表示一帧图像,用来计算每帧图像的噪声;Q=[0,0,0,0],R=1,H=[1,0],W=sqrt(Q)*randn(2,N),V=sqrt(R)*randn(2,N),A=[1,1;0,1],I=eye(2)。
7.根据权利要求1-6所述的基于卡尔曼滤波的车道线追踪方法,其特征在于,用状态向量Xk表示每帧图像中检测到的车道线状态,Xk=[ρk,θk]T;
车道线更新方程:
Xk=AXk-1+Wk
观测方程:
Zk=HXk+Vk
其中Xk是k时刻车道线的状态值,A为Kalman滤波器的状态转移矩阵,H为测量矩阵,Wk为系统噪声,Vk为观测噪声,在此假设Wk、Vk均是高斯白噪声,且不随系统状态变化而变化。
8.根据权利要求1-7所述的基于卡尔曼滤波的车道线追踪方法,其特征在于,在Kalman滤波器对车道线追踪过程中,不断对观测值进行更新,将每帧图像车道线检测得到的值作为观测值输入Kalman滤波器进行迭代;在Kalman滤波器迭代过程中进行修正,通过将检测值和Kalman估计值进行比较,设定一阈值,当误差小于此阈值,则视检测值有效,否则认为检测值无效。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811403829.0A CN109559334A (zh) | 2018-11-23 | 2018-11-23 | 基于卡尔曼滤波器的车道线追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811403829.0A CN109559334A (zh) | 2018-11-23 | 2018-11-23 | 基于卡尔曼滤波器的车道线追踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109559334A true CN109559334A (zh) | 2019-04-02 |
Family
ID=65866899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811403829.0A Pending CN109559334A (zh) | 2018-11-23 | 2018-11-23 | 基于卡尔曼滤波器的车道线追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109559334A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334674A (zh) * | 2019-07-10 | 2019-10-15 | 哈尔滨理工大学 | 一种平面自由体轨迹识别跟踪及预测方法 |
CN110503009A (zh) * | 2019-07-31 | 2019-11-26 | 华为技术有限公司 | 车道线跟踪方法及相关产品 |
CN110595490A (zh) * | 2019-09-24 | 2019-12-20 | 百度在线网络技术(北京)有限公司 | 车道线感知数据的预处理方法、装置、设备和介质 |
CN112987560A (zh) * | 2021-04-19 | 2021-06-18 | 长沙智能驾驶研究院有限公司 | 滤波器控制方法、装置、设备及计算机存储介质 |
CN114046785A (zh) * | 2021-11-10 | 2022-02-15 | 广东微电科技有限公司 | 磁探测信号线性噪声滤波方法及系统、计算机可读存储介质、磁导航传感器、agv小车 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020042668A1 (en) * | 2000-10-02 | 2002-04-11 | Nissan Motor Co., Ltd. | Lane recognition apparatus for vehicle |
CN102360499A (zh) * | 2011-06-30 | 2012-02-22 | 电子科技大学 | 一种基于卡尔曼滤波器组的多车道线追踪方法 |
CN104318258A (zh) * | 2014-09-29 | 2015-01-28 | 南京邮电大学 | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 |
CN104751151A (zh) * | 2015-04-28 | 2015-07-01 | 苏州安智汽车零部件有限公司 | 一种实时多车道识别及跟踪方法 |
-
2018
- 2018-11-23 CN CN201811403829.0A patent/CN109559334A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020042668A1 (en) * | 2000-10-02 | 2002-04-11 | Nissan Motor Co., Ltd. | Lane recognition apparatus for vehicle |
CN102360499A (zh) * | 2011-06-30 | 2012-02-22 | 电子科技大学 | 一种基于卡尔曼滤波器组的多车道线追踪方法 |
CN104318258A (zh) * | 2014-09-29 | 2015-01-28 | 南京邮电大学 | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 |
CN104751151A (zh) * | 2015-04-28 | 2015-07-01 | 苏州安智汽车零部件有限公司 | 一种实时多车道识别及跟踪方法 |
Non-Patent Citations (2)
Title |
---|
李亭亭: "基于光照不变性的车道线检测与跟踪算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
郭笙听等: "结合Hough变换与Kalman滤波的车道线检测方法", 《中国计量大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334674A (zh) * | 2019-07-10 | 2019-10-15 | 哈尔滨理工大学 | 一种平面自由体轨迹识别跟踪及预测方法 |
CN110503009A (zh) * | 2019-07-31 | 2019-11-26 | 华为技术有限公司 | 车道线跟踪方法及相关产品 |
CN110503009B (zh) * | 2019-07-31 | 2023-06-06 | 华为技术有限公司 | 车道线跟踪方法及相关产品 |
CN110595490A (zh) * | 2019-09-24 | 2019-12-20 | 百度在线网络技术(北京)有限公司 | 车道线感知数据的预处理方法、装置、设备和介质 |
CN110595490B (zh) * | 2019-09-24 | 2021-12-14 | 百度在线网络技术(北京)有限公司 | 车道线感知数据的预处理方法、装置、设备和介质 |
CN112987560A (zh) * | 2021-04-19 | 2021-06-18 | 长沙智能驾驶研究院有限公司 | 滤波器控制方法、装置、设备及计算机存储介质 |
CN112987560B (zh) * | 2021-04-19 | 2021-09-10 | 长沙智能驾驶研究院有限公司 | 滤波器控制方法、装置、设备及计算机存储介质 |
CN114046785A (zh) * | 2021-11-10 | 2022-02-15 | 广东微电科技有限公司 | 磁探测信号线性噪声滤波方法及系统、计算机可读存储介质、磁导航传感器、agv小车 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109559334A (zh) | 基于卡尔曼滤波器的车道线追踪方法 | |
CN102207441B (zh) | 一种静态接触角和动态接触角的自动检测方法 | |
CN111028277B (zh) | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 | |
CN108510530B (zh) | 一种三维点云匹配方法及其系统 | |
CN108955718B (zh) | 一种视觉里程计及其定位方法、机器人以及存储介质 | |
CN102750697B (zh) | 一种参数标定方法及装置 | |
CN109523595B (zh) | 一种建筑工程直线棱角间距视觉测量方法 | |
CN104657711B (zh) | 一种鲁棒的指针式仪表读数自动识别方法 | |
CN104899609B (zh) | 一种基于图像配准的机械式表计识别方法 | |
CN103258328B (zh) | 一种宽视场镜头的畸变中心定位方法 | |
CN107300382B (zh) | 一种用于水下机器人的单目视觉定位方法 | |
CN111210477A (zh) | 一种运动目标的定位方法及系统 | |
CN103455797A (zh) | 航拍视频中运动小目标的检测与跟踪方法 | |
CA2883054C (en) | Method of and system for calculation and consolidation of flight parameters of an aircraft | |
He et al. | A value recognition algorithm for pointer meter based on improved Mask-RCNN | |
CN107066806A (zh) | 航迹关联方法及装置 | |
CN103903263A (zh) | 基于Ladybug全景相机图像的360度全方位测距算法 | |
CN111723821A (zh) | 一种电厂仪表图像的检测识别方法及装置 | |
CN102779333A (zh) | 一种基于卡尔曼滤波的光学影像复原方法 | |
CN111189403B (zh) | 一种隧道变形的监测方法、装置及计算机可读存储介质 | |
CN113223064B (zh) | 一种视觉惯性里程计尺度的估计方法和装置 | |
CN101894369B (zh) | 从图像序列中计算摄像机焦距的实时方法 | |
CN113554712A (zh) | 自动驾驶车辆的配准方法、装置、电子设备和车辆 | |
CN105046691A (zh) | 一种基于正交消失点的相机自标定方法 | |
CN106485739B (zh) | 一种基于l2距离的点集配准方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190402 |
|
RJ01 | Rejection of invention patent application after publication |