CN109760688A - 路段信息确定方法、装置、车辆及计算机可读存储介质 - Google Patents
路段信息确定方法、装置、车辆及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109760688A CN109760688A CN201811637219.7A CN201811637219A CN109760688A CN 109760688 A CN109760688 A CN 109760688A CN 201811637219 A CN201811637219 A CN 201811637219A CN 109760688 A CN109760688 A CN 109760688A
- Authority
- CN
- China
- Prior art keywords
- vector
- vehicle
- image
- threedimensional model
- angle
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 256
- 230000005484 gravity Effects 0.000 claims abstract description 22
- 241000208340 Araliaceae Species 0.000 claims description 15
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 15
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 15
- 235000008434 ginseng Nutrition 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 12
- 239000011159 matrix material Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06T7/579—Depth or shape recovery from multiple images from motion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/076—Slope angle of the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo or light sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30241—Trajectory
-
- 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
Abstract
本发明实施例提供一种路段信息确定方法、装置、车辆及计算机可读存储介质。该方法应用于车辆,车辆上设置有摄像头,该方法包括:在行车过程中,调用摄像头获得M张图像;其中,M为大于或等于2的整数;根据M张图像,进行三维重建,以得到三维模型;确定三维模型中的第一向量;其中,第一向量用于表征三维模型的重力方向;根据M个空间位置和第一向量,确定车辆所处路段的路段信息;其中,M个空间位置为在M个时刻,摄像头的中心在三维模型中的空间位置,M个时刻为摄像头拍摄M张图像的时刻;路段信息包括坡类型和/或坡度。可见,与现有技术相比,本发明实施例能够改善车辆的控制效果,提高行车安全性。
Description
技术领域
本发明实施例涉及车辆工程技术领域,尤其涉及一种路段信息确定方法、装置、车辆及计算机可读存储介质。
背景技术
随着车辆工程技术领域的迅速发展,车辆的使用越来越普遍,车辆已经成为了人们日常生活中的重要交通工具之一。
目前,自动驾驶技术在车辆中的应用非常广泛。一般而言,车辆既可能处于平直路段,也可能处于上坡路段和下坡路段。然而,在使用自动驾驶技术的行车过程中,车辆往往无法检测出自身是否在上下坡以及具体的坡度,这样,车辆将无法根据所处路段的实际情况,针对性地对自身进行控制,因此,车辆的控制效果较差。
发明内容
本发明实施例提供一种路段信息确定方法、装置、车辆及计算机可读存储介质,以解决车辆的控制效果差的问题。
为了解决上述技术问题,本发明是这样实现的:
第一方面,本发明实施例提供一种路段信息确定方法,应用于车辆,所述车辆上设置有摄像头,所述方法包括:
在行车过程中,调用所述摄像头获得M张图像;其中,M为大于或等于2的整数;
根据所述M张图像,进行三维重建,以得到三维模型;
确定所述三维模型中的第一向量;其中,所述第一向量用于表征所述三维模型的重力方向;
根据M个空间位置和所述第一向量,确定所述车辆所处路段的路段信息;其中,所述M个空间位置为在M个时刻,所述摄像头的中心在所述三维模型中的空间位置,所述M个时刻为所述摄像头拍摄所述M张图像的时刻;所述路段信息包括坡类型和/或坡度。
第二方面,本发明实施例提供一种路段信息确定装置,应用于车辆,所述车辆上设置有摄像头,所述装置包括:
第一获得模块,用于在行车过程中,调用所述摄像头获得M张图像;其中,M为大于或等于2的整数;
第二获得模块,用于根据所述M张图像,进行三维重建,以得到三维模型;
第一确定模块,用于确定所述三维模型中的第一向量;其中,所述第一向量用于表征所述三维模型的重力方向;
第二确定模块,用于根据M个空间位置和所述第一向量,确定所述车辆所处路段的路段信息;其中,所述M个空间位置为在M个时刻,所述摄像头的中心在所述三维模型中的空间位置,所述M个时刻为所述摄像头拍摄所述M张图像的时刻;所述路段信息包括坡类型和/或坡度。
第三方面,本发明实施例提供一种车辆,包括处理器,存储器,存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述的路段信息确定方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的路段信息确定方法的步骤。
本发明实施例中,在行车过程中,车辆可以调用摄像头获得M张图像,并根据M张图像进行三维重建,以得到三维模型。接下来,根据三维模型中用于表征重力方向的第一向量,以及M张图像对应的M个空间位置,车辆能够确定出自身所处路段的路段信息,以根据路段信息进行车辆控制;其中,路段信息包括坡类型和/或坡度。可见,本发明实施例中,通过行车过程中拍摄的M张图像,车辆能够检测出自身是否在上下坡及具体的坡度,以为车辆的控制提供参考信息,车辆能够根据该参考信息针对性地对自身进行控制,例如针对性地调整油门刹车等参数,因此,与现有技术相比,本发明实施例能够改善车辆的控制效果,提高行车安全性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的路段信息确定方法的流程图之一;
图2是图像1中的像素点a1与图像2中的像素点a2的关系示意图;
图3是本发明实施例提供的路段信息确定方法的流程图之二;
图4是本发明实施例提供的路段信息确定方法的流程图之三;
图5是M个空间位置的分布示意图;
图6是本发明实施例提供的路段信息确定装置的结构框图;
图7是本发明实施例提供的车辆的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
下面首先对本发明实施例提供的路段信息确定方法进行说明。
参见图1,图中示出了本发明实施例提供的路段信息确定方法的流程图之一。如图1所示,该方法应用于车辆(例如智能汽车),车辆上设置有摄像头,该方法包括如下步骤:
步骤101,在行车过程中,调用摄像头获得M张图像;其中,M为大于或等于2的整数。
具体地,M可以为8、10、20、30或者其他整数,在此不再一一列举。
在步骤101中,车辆可以调用摄像头连续拍摄M张图像;或者,车辆可以调用摄像头拍摄视频,并从所拍摄的视频中提取出连续的M张图像。为了便于领域技术人员理解本方案,本发明的各实施例中均以车辆调用摄像头连续拍摄M张图像的情况为例进行说明。
步骤102,根据M张图像,进行三维重建,以得到三维模型。
假设车辆当前处于停车场,那么,在步骤102中,根据M张图像,车辆可以对停车场进行三维重建,以得到三维模型;其中,三维模型中包括描述停车场的稀疏点云,以及每张图像的拍摄位置。下面对进行三维重建,得到三维模型的过程进行介绍。
一般而言,在采用摄像头进行图像拍摄时,世界坐标系中的点A(X,Y,Z,1)可以投影到图像坐标系中的点a(x,y,1),在不考虑畸变的情况下,这两个点之间的关系可以用下述的公式(1)进行表示。
a=K[R|t]A (1)
其中,K属于摄像头的内参,其具体为摄像头的内参矩阵,主要表示焦距;R和t属于摄像头的外参,R表示当前图像相对于参考图像的旋转矩阵,t表示当前图像相对于参考图像的平移矩阵。
这样,由下述的公式(2)可知,从世界坐标系投影到图像坐标系的过程可以用投影矩阵P来进行表示。
P=K[R|t] (2)
对于M张图像中的任意两张图像而言,其包括对应世界坐标系中的同一点的像素点。如图2所示,假设M张图像中包括图像1(即image1)和图像2(即image2),且图像1中的像素点a1和图像2中的像素点a2都对应世界坐标系中的点A,结合上述的公式(2),可以得到下述的公式(3)和公式(4)。
其中,F为基础矩阵(具体为3×3的矩阵),K2为图像2对应的内参矩阵,R2为图像2对应的旋转矩阵,K1为图像1对应的内参矩阵,t2为图像2对应的平移矩阵。
需要指出的是,由于图像1和图像2使用同一摄像头拍摄得到,可以认为K1等于K2,此时,K1和K2均为K;由于图像1和图像2的拍摄位置不同,所以图像1和图像2对应不同的外参,即R1和R2不相等,t1和t2不相等。只要计算出基础矩阵F,就可以通过分解F的方法得到图像1和图像2分别对应的K、R和t,即得到K、R1、t1、R2和t2。
具体地,为了计算出F,首先可以提取图像1和图像2中的特征点(例如sfit特征点),并对特征点进行匹配,以得到若干特征点对(例如上千个特征点对);其中,每个特征点对中包括图像1中的一个特征点和图像2中的一个特征点,每个特征点对中的两个特征点对应世界坐标系中的同一个点;sfit的英文全称为Scale-invariant feature transform,sfit的中文意思为尺度不变特征变换。接下来,根据若干特征点对和上述的公式(3),可以得到一组由若干个等式组成的方程组。在等式数量远大于所求未知数个数的情况下,使用随机最小二乘法可以求出组成F的9个元素,这时,通过计算成功得到了F。
在得到F之后,即可得到K、R1、t1、R2和t2。对于图像1而言,其所对应的摄像头视线方向可以用R1(3,:)T来进行表示,其所对应的摄像头中心位置s1可以用-R1 Tt1来进行表示;其中,R1(3,:)T是指R1这个3×3的矩阵的第三列的转置。类似地,对于图像2而言,其所对应的摄像头视线方向可以用R2(3,:)T来进行表示,其所对应的摄像头中心位置s2可以用-R2 Tt2来进行表示;其中,R2(3,:)T是指R2这个3×3的矩阵的第三列的转置。结合图2,计算线段s1a1所在直线和线段s2a2所在直线的交点即可得到三维坐标系中的点A。
需要说明的是,上述过程仅是以图像1和图像2为例进行说明,针对M张图像中的其余图像的计算过程参照上述说明即可,在此不再赘述。这样,本发明实施例中,摄像头的内参和外参可以认为是采用SFM算法(其是一种基于各种收集到的无序图片进行三维重建的离线算法)计算得到的,最终,车辆通过计算得到的摄像头的内参,每张图像对应的摄像头的外参,以及三维坐标系中的多个点可以共同组成三维模型。
需要指出的是,三维重建的过程也可以考虑畸变,这时,在建立世界坐标系中的点与图像坐标系中的点的关系之前,可以先将图像坐标系中的点的坐标由无畸变参数转换为有畸变参数,然后再进行使用。
步骤103,确定三维模型中的第一向量;其中,第一向量用于表征三维模型的重力方向。
在步骤103中,车辆可以根据M张图像中的所有图像,确定三维模型中的第一向量;或者,车辆可以仅根据M张图像中的部分图像,确定三维模型中的第一向量。
步骤104,根据M个空间位置和第一向量,确定车辆所处路段的路段信息;其中,M个空间位置为在M个时刻,摄像头的中心在三维模型中的空间位置,M个时刻为摄像头拍摄M张图像的时刻;路段信息包括坡类型和/或坡度。
具体地,本发明实施例中的坡类型可以分为三种,分别为类型1、类型2和类型3;其中,坡类型为类型1用于表示车辆所处路段为上坡路段,坡类型为类型2用于表示车辆所处路段为下坡路段,坡类型为类型3用于表示车辆所处路段为平直路段。
需要指出的是,步骤103中能够得到每张图像对应的摄像头中心位置,每一摄像头中心位置即为一空间位置,这样即可确定出M个空间位置,根据M个空间位置可以得到摄像头的运动轨迹。由于摄像头一直固定在车辆上,摄像头的运动轨迹即为车辆的运动轨迹。又由于行车过程中车辆始终紧贴地面,车辆的运动轨迹和第一向量的角度关系与车辆所处路段是否为上下坡路段,以及具体坡度紧密关联,因此,根据M个空间位置和第一向量,能够确定出车车辆所处路段的路段信息。
本发明实施例中,在行车过程中,车辆可以调用摄像头获得M张图像,并根据M张图像进行三维重建,以得到三维模型。接下来,根据三维模型中用于表征重力方向的第一向量,以及M张图像对应的M个空间位置,车辆能够确定出自身所处路段的路段信息,以根据路段信息进行车辆控制;其中,路段信息包括坡类型和/或坡度。可见,本发明实施例中,通过行车过程中拍摄的M张图像,车辆能够检测出自身是否在上下坡及具体的坡度,以为车辆的控制提供参考信息,车辆能够根据该参考信息针对性地对自身进行控制,例如针对性地调整油门刹车等参数,因此,与现有技术相比,本发明实施例能够改善车辆的控制效果,提高行车安全性。
参见图3,图中示出了本发明实施例提供的路段信息确定方法的流程图之二。图3所示实施例与图1所示实施例的主要区别在于:提供了确定三维模型中的第一向量的具体方式。如图3所示,该方法包括如下步骤:
步骤301,在行车过程中,调用摄像头获得M张图像;其中,M为大于或等于2的整数。
步骤302,根据M张图像,进行三维重建,以得到三维模型。
其中,步骤301至步骤302的具体实施过程参照对步骤101至步骤102的说明即可,在此不再赘述。
步骤303,确定每张图像中的第二向量,以得到M个第二向量;其中,任一图像中的第二向量用于表征任一图像的重力方向。
这里,M个第二向量与M张图像之间为一一对应的关系。
在一种实施方式中,步骤303,可以包括:
针对每张图像,确定图像中平行的竖直线的交点,并根据交点,确定图像中的第二向量。
一般而言,每张图像中都会存在人工建筑,人工建筑多为直线组成,图像中的竖直线可以认为是重力的方向,且在投影空间中,平行的竖直线相交的位置仅与竖直线的方向相关。这样,针对M张图像中的每张图像,车辆可以根据平行线消失点的相关定理,计算图像中平行的竖直线的交点,假设该交点的坐标为(xm,ym),则车辆确定出的第二向量的坐标可以为(xm,ym,1)。
可见,通过这种实施方式,车辆能够非常便捷地确定出每张图像中的第二向量。
步骤304,根据M个第二向量,确定三维模型中的第一向量。
在一种实施方式中,三维模型中包括摄像头的内参,以及每张图像对应的,摄像头的外参;
根据M个第二向量,确定三维模型中的第一向量,包括:
针对每张图像,根据内参、相应外参,以及相应第二向量,计算三维模型中的第三向量,以得到M个第三向量;
根据M个第三向量,确定三维模型中的第一向量。
这里,针对每张图像,可以根据下面的公式(5)计算第三向量。
Y=RTK-1y (5)
其中,Y为三维模型中的第三向量,R为图像对应的,摄像头的旋转矩阵,K为摄像头的内参矩阵,y为图像中的第二向量。
可见,这种实施方式中,通过将每张图像中的第二向量映射至三维模型,能够得到M个第三向量,根据M个第三向量即可确定出第一向量,因此,确定第三向量的过程实施起来非常便捷。
步骤305,根据M个空间位置和第一向量,确定车辆所处路段的路段信息;其中,M个空间位置为在M个时刻,摄像头的中心在三维模型中的空间位置,M个时刻为摄像头拍摄M张图像的时刻;路段信息包括坡类型和/或坡度。
其中,步骤305的具体实施过程参照对步骤104的说明即可,在此不再赘述。
本发明实施例中,在行车过程中,车辆可以调用摄像头获得M张图像,并根据M张图像进行三维重建,以得到三维模型。接下来,车辆可以确定M张图像对应的M个第二向量,并根据M个向量,确定三维模型中的第一向量。之后,根据第一向量,以及M张图像对应的M个空间位置,车辆能够确定出自身所处路段的路段信息,以根据路段信息进行车辆控制;其中,路段信息包括坡类型和/或坡度。可见,本发明实施例中,通过行车过程中拍摄的M张图像,车辆能够得到用于确定路段信息的第一向量,并据此检测出自身是否在上下坡及具体的坡度,以为车辆的控制提供参考信息,车辆能够根据该参考信息针对性地对自身进行控制,因此,与现有技术相比,本发明实施例能够改善车辆的控制效果,提高行车安全性。
可选地,根据M个第三向量,确定三维模型中的第一向量,包括:
针对每个第三向量,确定向量组,以得到M个向量组;其中,任一向量对应的向量组中包括:与任一向量的角度差异小于预设角度的其余第三向量;
从M个向量组中选择所包括第三向量的数量最多的目标向量组;
计算目标向量组对应的第三向量,以及目标向量组中的所有第三向量的平均向量,并将平均向量作为三维模型中的第一向量。
这里,任意两个向量的角度差异是指这两个向的角度的绝对值。预设角度可以为2度、3度、4度或者5度,当然,预设角度取值并不局限于此,具体可以根据实际情况来确定,本发明实施例对此不做任何限定。
假设M的取值为10,那么,车辆能够确定出与10张图像对应的10个第三向量,这10个第三向量可以为向量β1至向量β10。接下来,车辆可以针对向量β1至向量β10中的每一向量,分别确定一个向量组,以得到10个向量组;其中,β1对应的向量组中包括:β2至β10中,与β1的角度差异小于预设角度的向量;β2对应的向量组中包括:β1,以及β3至β10中,与β2的角度差异小于预设角度的向量;其他向量对应的在向量组中包括的元素依此类推,在此不再赘述。
在得到10个向量组之后,车辆可以比较各向量组中包括的向量个数的多少。假设β5对应的向量组中的向量个数最多,具体为6个,这6个向量分别为β1、β2、β4、β6、β7和β8,那么,车辆接下来可以计算β1、β2、β4、β6、β7、β8以及β5的平均向量,并将得到的平均向量作为三维模型中的第一向量。
可见,本发明实施例中,通过向量组的确定操作和目标向量组的选择操作,能够筛除掉M个第三向量中的部分第三向量,以根据角度较为接近的若干个第三向量,确定出能够准确地表征三维模型的重力方向的第一向量,从而保证最终确定出的路段信息的准确度。
参见图4,图中示出了本发明实施例提供的路段信息确定方法的流程图之三。图4所示实施例与图1所示实施例的主要区别在于:提供了根据M个空间位置和第一向量,确定车辆所处路段的路段信息的具体方式。如图4所示,该方法包括如下步骤:
步骤401,在行车过程中,调用摄像头获得M张图像;其中,M为大于或等于2的整数。
步骤402,根据M张图像,进行三维重建,以得到三维模型。
步骤403,确定三维模型中的第一向量;其中,第一向量用于表征三维模型的重力方向。
其中,步骤401至步骤403的具体实施过程参照对步骤101至步骤103的说明即可,在此不再赘述。
步骤404,针对M个空间位置中的任意两个相邻空间位置,确定由前一空间位置指向后一空间位置的第四向量,以得到M-1个第四向量;其中,M个空间位置为在M个时刻,摄像头的中心在三维模型中的空间位置,M个时刻为摄像头拍摄M张图像的时刻。
具体地,如图5所示,M个空间位置可以依次为w1、w2、w3、……、wm,那么,在步骤404中,车辆可以确定出由w1指向w2的第四向量,由w2指向w3的第四向量,……,以及由wm-1指向wm的第四向量。
步骤405,针对每个第四向量,计算其与第一向量的角度,以得到M-1个角度。
这里,M-1个第四向量与M-1个角度之间为一一对应的关系。具体地,如图5所示,第一向量可以用σ来表示,车辆可以分别针对步骤404中确定出的每个第四向量,计算其与σ的角度。
步骤406,根据M-1个角度,确定车辆所处路段的路段信息;其中,路段信息包括坡类型和/或坡度。
可选地,步骤406,包括:
对M-1个角度进行统计去噪;
计算M-1个角度经统计去噪后的剩余角度的平均角度;
根据平均角度,确定车辆所处路段的路段信息。
假设M的取值为10,那么,在步骤405中,车辆能够得到9个角度,接下来,车辆可以对这9个角度进行统计去噪处理。举例而言,车辆可以先计算这9个角度的平均角度,然后将这9个角度分别与计算出的平均角度进行比较。如果这9个角度中的某一角度与计算出的平均角度的角度差异超过设定角度,则丢弃该角度。
假设经统计去噪,总共从上述的9个角度中丢弃了3个角度,即剩余6个角度,车辆接下来可以计算剩余6个角度的平均角度,并根据剩余6个角度的平均角度,确定车辆所处路段的路段信息。
假设剩余6个角度的平均角度大于90度(例如图5中所示的情况),则可以认为车辆所处路段的坡类型为类型1,即车辆处于上坡路段;假设剩余6个角度的平均角度小于90度,则可以认为车辆所处路段的坡类型为类型2,即车辆处于下坡路段。另外,这6个角度的平均角度与坡度之间存在几何关系,具体地,当该平均角度为60度时,车辆所处路段的坡度为60度的余角,即30度。
采用这种实施方式时,确定路段信息依据的是M-1个角度经统计去噪后的剩余角度的平均角度,故确定路段信息所依据的信息的准确度能够得到较好的保证。
需要指出的是,步骤406的具体实施方式并不局限于此。举例而言,车辆也可以不进行统计去噪,而直接根据步骤405中得到的M-1个角度的平均角度,确定车辆所处路段的路段信息。
本发明实施例中,在行车过程中,车辆可以调用摄像头获得M张图像,并根据M张图像进行三维重建,以得到三维模型。接下来,车辆可以确定三维模型中用于表征重力方向的第一向量以及M张图像对应的M个空间位置。之后,根据M个空间位置,车辆可以得到M-1个角度,并根据M-1个角度,确定出自身所处路段的路段信息,以根据路段信息进行车辆控制;其中,路段信息包括坡类型和/或坡度。可见,本发明实施例中,通过行车过程中拍摄的M张图像,车辆能够基于角度信息,检测出自身是否在上下坡及具体的坡度,以为车辆的控制提供参考信息,车辆能够根据该参考信息针对性地对自身进行控制,例如针对性地调整油门刹车等参数,因此,与现有技术相比,本发明实施例能够改善车辆的控制效果,提高行车安全性。
综上,采用本发明实施例中的路段信息确定方法,可以有以下有益效果:(1)只需要连续的M张图像即可计算出车辆行驶时通过的三维模型,并计算出每张图像对应的摄像头朝向及摄像头中心位置;(2)不需要标定摄像头就能够判定出三维模型中的重力方向,并估算出车辆旋转、平移等姿态的变化(根据摄像头朝向和摄像头中心位置的变化);(3)能够计算出前向路面是否为上下坡并计算出坡度,为之后的车辆控制提供参考信息,以改善车辆的控制效果,提高行车安全性。
下面对本发明实施例提供的路段信息确定装置进行说明。
参见图6,图中示出了本发明实施例提供的路段信息确定装置600的结构框图。如图6所示,路段信息确定装置600应用于车辆,车辆上设置有摄像头,路段信息确定装置600包括:
第一获得模块601,用于在行车过程中,调用摄像头获得M张图像;其中,M为大于或等于2的整数;
第二获得模块602,用于根据M张图像,进行三维重建,以得到三维模型;
第一确定模块603,用于确定三维模型中的第一向量;其中,第一向量用于表征三维模型的重力方向;
第二确定模块604,用于根据M个空间位置和第一向量,确定车辆所处路段的路段信息;其中,M个空间位置为在M个时刻,摄像头的中心在三维模型中的空间位置,M个时刻为摄像头拍摄M张图像的时刻;路段信息包括坡类型和/或坡度。
可选地,第一确定模块603,包括:
第一获得子模块,用于确定每张图像中的第二向量,以得到M个第二向量;其中,任一图像中的第二向量用于表征任一图像的重力方向;
第一确定子模块,用于根据M个第二向量,确定三维模型中的第一向量。
可选地,第一获得子模块,具体用于:
针对每张图像,确定图像中平行的竖直线的交点,并根据交点,确定图像中的第二向量。
可选地,三维模型中包括摄像头的内参,以及每张图像对应的,摄像头的外参;
第一确定子模块,包括:
获得单元,用于针对每张图像,根据内参、相应外参,以及相应第二向量,计算三维模型中的第三向量,以得到M个第三向量;
第一确定单元,用于根据M个第三向量,确定三维模型中的第一向量。
可选地,第一确定单元,包括:
获得子单元,用于针对每个第三向量,确定向量组,以得到M个向量组;其中,任一向量对应的向量组中包括:与任一向量的角度差异小于预设角度的其余第三向量;
选择子单元,用于从M个向量组中选择所包括第三向量的数量最多的目标向量组;
确定子单元,用于计算目标向量组对应的第三向量,以及目标向量组中的所有第三向量的平均向量,并将平均向量作为三维模型中的第一向量。
可选地,第二确定模块604,包括:
第二获得子模块,用于针对M个空间位置中的任意两个相邻空间位置,确定由前一空间位置指向后一空间位置的第四向量,以得到M-1个第四向量;
第三获得子模块,用于针对每个第四向量,计算其与第一向量的角度,以得到M-1个角度;
第二确定子模块,用于根据M-1个角度,确定车辆所处路段的路段信息。
可选地,第二确定子模块,包括:
统计去噪单元,用于对M-1个角度进行统计去噪;
计算单元,用于计算M-1个角度经统计去噪后的剩余角度的平均角度;
第二确定单元,用于根据平均角度,确定车辆所处路段的路段信息。
本发明实施例中,在行车过程中,车辆可以调用摄像头获得M张图像,并根据M张图像进行三维重建,以得到三维模型。接下来,根据三维模型中用于表征重力方向的第一向量,以及M张图像对应的M个空间位置,车辆能够确定出自身所处路段的路段信息,以根据路段信息进行车辆控制;其中,路段信息包括坡类型和/或坡度。可见,本发明实施例中,通过行车过程中拍摄的M张图像,车辆能够检测出自身是否在上下坡及具体的坡度,以为车辆的控制提供参考信息,车辆能够根据该参考信息针对性地对自身进行控制,例如针对性地调整油门刹车等参数,因此,与现有技术相比,本发明实施例能够改善车辆的控制效果,提高行车安全性。
参见图7,图中示出了本发明实施例提供的车辆700的结构示意图。如图7所示,车辆700包括:处理器701、存储器703、用户接口704和总线接口。
车辆700上设置有摄像头;处理器701,用于读取存储器703中的程序,执行下列过程:
在行车过程中,调用摄像头获得M张图像;其中,M为大于或等于2的整数;
根据M张图像,进行三维重建,以得到三维模型;
确定三维模型中的第一向量;其中,第一向量用于表征三维模型的重力方向;
根据M个空间位置和第一向量,确定车辆所处路段的路段信息;其中,M个空间位置为在M个时刻,摄像头的中心在三维模型中的空间位置,M个时刻为摄像头拍摄M张图像的时刻;路段信息包括坡类型和/或坡度。
在图7中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器701代表的一个或多个处理器和存储器703代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。针对不同的用户设备,用户接口704还可以是能够外接内接需要设备的接口,连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器701负责管理总线架构和通常的处理,存储器703可以存储处理器701在执行操作时所使用的数据。
可选地,处理器701,具体用于:
确定每张图像中的第二向量,以得到M个第二向量;其中,任一图像中的第二向量用于表征任一图像的重力方向;
根据M个第二向量,确定三维模型中的第一向量。
可选地,处理器701,具体用于:
针对每张图像,确定图像中平行的竖直线的交点,并根据交点,确定图像中的第二向量。
可选地,三维模型中包括摄像头的内参,以及每张图像对应的,摄像头的外参;
处理器701,具体用于:
针对每张图像,根据内参、相应外参,以及相应第二向量,计算三维模型中的第三向量,以得到M个第三向量;
根据M个第三向量,确定三维模型中的第一向量。
可选地,处理器701,具体用于:
针对每个第三向量,确定向量组,以得到M个向量组;其中,任一向量对应的向量组中包括:与任一向量的角度差异小于预设角度的其余第三向量;
从M个向量组中选择所包括第三向量的数量最多的目标向量组;
计算目标向量组对应的第三向量,以及目标向量组中的所有第三向量的平均向量,并将平均向量作为三维模型中的第一向量。
可选地,处理器701,具体用于:
针对M个空间位置中的任意两个相邻空间位置,确定由前一空间位置指向后一空间位置的第四向量,以得到M-1个第四向量;
针对每个第四向量,计算其与第一向量的角度,以得到M-1个角度;
根据M-1个角度,确定车辆所处路段的路段信息。
可选地,处理器701,具体用于:
对M-1个角度进行统计去噪;
计算M-1个角度经统计去噪后的剩余角度的平均角度;
根据平均角度,确定车辆所处路段的路段信息。
本发明实施例中,在行车过程中,车辆700可以调用摄像头获得M张图像,并根据M张图像进行三维重建,以得到三维模型。接下来,根据三维模型中用于表征重力方向的第一向量,以及M张图像对应的M个空间位置,车辆700能够确定出自身所处路段的路段信息,以根据路段信息进行车辆700控制;其中,路段信息包括坡类型和/或坡度。可见,本发明实施例中,通过行车过程中拍摄的M张图像,车辆700能够检测出自身是否在上下坡及具体的坡度,以为车辆700的控制提供参考信息,车辆700能够根据该参考信息针对性地对自身进行控制,例如针对性地调整油门刹车等参数,因此,与现有技术相比,本发明实施例能够改善车辆700的控制效果,提高行车安全性。
本发明实施例还提供一种车辆,包括处理器701,存储器703,存储在存储器703上并可在所述处理器701上运行的计算机程序,该计算机程序被处理器701执行时实现上述路段信息确定方法实施例中的各个过程且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器701执行时实现上述路段信息确定方法实施例中的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁碟或者光盘等。
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,而不是限制性的,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,均属于本发明的保护之内。
Claims (16)
1.一种路段信息确定方法,其特征在于,应用于车辆,所述车辆上设置有摄像头,所述方法包括:
在行车过程中,调用所述摄像头获得M张图像;其中,M为大于或等于2的整数;
根据所述M张图像,进行三维重建,以得到三维模型;
确定所述三维模型中的第一向量;其中,所述第一向量用于表征所述三维模型的重力方向;
根据M个空间位置和所述第一向量,确定所述车辆所处路段的路段信息;其中,所述M个空间位置为在M个时刻,所述摄像头的中心在所述三维模型中的空间位置,所述M个时刻为所述摄像头拍摄所述M张图像的时刻;所述路段信息包括坡类型和/或坡度。
2.根据权利要求1所述的方法,其特征在于,所述确定所述三维模型中的第一向量,包括:
确定每张图像中的第二向量,以得到M个第二向量;其中,任一图像中的第二向量用于表征所述任一图像的重力方向;
根据所述M个第二向量,确定所述三维模型中的第一向量。
3.根据权利要求2所述的方法,其特征在于,所述确定每张图像中的第二向量,包括:
针对每张图像,确定图像中平行的竖直线的交点,并根据所述交点,确定图像中的第二向量。
4.根据权利要求2所述的方法,其特征在于,所述三维模型中包括所述摄像头的内参,以及每张图像对应的,所述摄像头的外参;
所述根据所述M个第二向量,确定所述三维模型中的第一向量,包括:
针对每张图像,根据所述内参、相应外参,以及相应第二向量,计算所述三维模型中的第三向量,以得到M个第三向量;
根据所述M个第三向量,确定所述三维模型中的第一向量。
5.根据权利要求4所述的方法,其特征在于,所述根据所述M个第三向量,确定所述三维模型中的第一向量,包括:
针对每个第三向量,确定向量组,以得到M个向量组;其中,任一向量对应的向量组中包括:与所述任一向量的角度差异小于预设角度的其余第三向量;
从所述M个向量组中选择所包括第三向量的数量最多的目标向量组;
计算所述目标向量组对应的第三向量,以及所述目标向量组中的所有第三向量的平均向量,并将所述平均向量作为所述三维模型中的第一向量。
6.根据权利要求1所述的方法,其特征在于,所述根据M个空间位置和所述第一向量,确定所述车辆所处路段的路段信息,包括:
针对M个空间位置中的任意两个相邻空间位置,确定由前一空间位置指向后一空间位置的第四向量,以得到M-1个第四向量;
针对每个第四向量,计算其与所述第一向量的角度,以得到M-1个角度;
根据所述M-1个角度,确定所述车辆所处路段的路段信息。
7.根据权利要求6所述的方法,其特征在于,所述根据所述M-1个角度,确定所述车辆所处路段的路段信息,包括:
对所述M-1个角度进行统计去噪;
计算所述M-1个角度经统计去噪后的剩余角度的平均角度;
根据所述平均角度,确定所述车辆所处路段的路段信息。
8.一种路段信息确定装置,其特征在于,应用于车辆,所述车辆上设置有摄像头,所述装置包括:
第一获得模块,用于在行车过程中,调用所述摄像头获得M张图像;其中,M为大于或等于2的整数;
第二获得模块,用于根据所述M张图像,进行三维重建,以得到三维模型;
第一确定模块,用于确定所述三维模型中的第一向量;其中,所述第一向量用于表征所述三维模型的重力方向;
第二确定模块,用于根据M个空间位置和所述第一向量,确定所述车辆所处路段的路段信息;其中,所述M个空间位置为在M个时刻,所述摄像头的中心在所述三维模型中的空间位置,所述M个时刻为所述摄像头拍摄所述M张图像的时刻;所述路段信息包括坡类型和/或坡度。
9.根据权利要求8所述的装置,其特征在于,所述第一确定模块,包括:
第一获得子模块,用于确定每张图像中的第二向量,以得到M个第二向量;其中,任一图像中的第二向量用于表征所述任一图像的重力方向;
第一确定子模块,用于根据所述M个第二向量,确定所述三维模型中的第一向量。
10.根据权利要求9所述的装置,其特征在于,所述第一获得子模块,具体用于:
针对每张图像,确定图像中平行的竖直线的交点,并根据所述交点,确定图像中的第二向量。
11.根据权利要求9所述的装置,其特征在于,所述三维模型中包括所述摄像头的内参,以及每张图像对应的,所述摄像头的外参;
所述第一确定子模块,包括:
获得单元,用于针对每张图像,根据所述内参、相应外参,以及相应第二向量,计算所述三维模型中的第三向量,以得到M个第三向量;
第一确定单元,用于根据所述M个第三向量,确定所述三维模型中的第一向量。
12.根据权利要求11所述的装置,其特征在于,所述第一确定单元,包括:
获得子单元,用于针对每个第三向量,确定向量组,以得到M个向量组;其中,任一向量对应的向量组中包括:与所述任一向量的角度差异小于预设角度的其余第三向量;
选择子单元,用于从所述M个向量组中选择所包括第三向量的数量最多的目标向量组;
确定子单元,用于计算所述目标向量组对应的第三向量,以及所述目标向量组中的所有第三向量的平均向量,并将所述平均向量作为所述三维模型中的第一向量。
13.根据权利要求8所述的装置,其特征在于,所述第二确定模块,包括:
第二获得子模块,用于针对M个空间位置中的任意两个相邻空间位置,确定由前一空间位置指向后一空间位置的第四向量,以得到M-1个第四向量;
第三获得子模块,用于针对每个第四向量,计算其与所述第一向量的角度,以得到M-1个角度;
第二确定子模块,用于根据所述M-1个角度,确定所述车辆所处路段的路段信息。
14.根据权利要求13所述的装置,其特征在于,所述第二确定子模块,包括:
统计去噪单元,用于对所述M-1个角度进行统计去噪;
计算单元,用于计算所述M-1个角度经统计去噪后的剩余角度的平均角度;
第二确定单元,用于根据所述平均角度,确定所述车辆所处路段的路段信息。
15.一种车辆,其特征在于,包括处理器,存储器,存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的路段信息确定方法的步骤。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的路段信息确定方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811637219.7A CN109760688B (zh) | 2018-12-29 | 2018-12-29 | 路段信息确定方法、装置、车辆及计算机可读存储介质 |
EP19219344.9A EP3675041B1 (en) | 2018-12-29 | 2019-12-23 | Method and apparatus for determining road information, and vehicle |
US16/729,324 US11106921B2 (en) | 2018-12-29 | 2019-12-28 | Method and apparatus for determining road information, and vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811637219.7A CN109760688B (zh) | 2018-12-29 | 2018-12-29 | 路段信息确定方法、装置、车辆及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109760688A true CN109760688A (zh) | 2019-05-17 |
CN109760688B CN109760688B (zh) | 2020-07-28 |
Family
ID=66453054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811637219.7A Active CN109760688B (zh) | 2018-12-29 | 2018-12-29 | 路段信息确定方法、装置、车辆及计算机可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11106921B2 (zh) |
EP (1) | EP3675041B1 (zh) |
CN (1) | CN109760688B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211420A (zh) * | 2019-06-25 | 2019-09-06 | 重庆长安汽车股份有限公司 | 判断当前场景是否为停车场的方法、系统及计算机可读存储介质 |
CN114155391A (zh) * | 2022-01-30 | 2022-03-08 | 浙江口碑网络技术有限公司 | 轨迹处理方法、装置及计算机设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645483B (zh) * | 2023-07-25 | 2023-10-20 | 航天宏图信息技术股份有限公司 | 车道线级别道路三维模型的构建方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103231708A (zh) * | 2013-04-12 | 2013-08-07 | 安徽工业大学 | 一种基于双目视觉的智能车辆避障方法 |
CN105303554A (zh) * | 2015-09-16 | 2016-02-03 | 东软集团股份有限公司 | 一种图像特征点的3d重建方法和装置 |
US20160098858A1 (en) * | 2014-10-03 | 2016-04-07 | Samsung Electronics Co., Ltd. | 3-dimensional model generation using edges |
CN106197374A (zh) * | 2016-08-15 | 2016-12-07 | 临沂大学 | 汽车车体偏斜角度测量方法 |
WO2016195647A1 (en) * | 2015-05-30 | 2016-12-08 | Leia Inc. | Vehicle monitoring system |
CN106394555A (zh) * | 2016-08-29 | 2017-02-15 | 无锡卓信信息科技股份有限公司 | 基于3d摄像头的无人驾驶汽车避障系统及方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5094658B2 (ja) * | 2008-09-19 | 2012-12-12 | 日立オートモティブシステムズ株式会社 | 走行環境認識装置 |
JP2013092820A (ja) * | 2011-10-24 | 2013-05-16 | Toshiba Alpine Automotive Technology Corp | 距離推定装置 |
DE102011118171A1 (de) * | 2011-11-10 | 2013-05-16 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zur Schätzung einer Fahrbahnebene und zur Klassifikation von 3D-Punkten |
WO2015177648A1 (en) * | 2014-05-14 | 2015-11-26 | Ofer Springer | Systems and methods for curb detection and pedestrian hazard assessment |
US10318826B2 (en) * | 2016-10-07 | 2019-06-11 | Ford Global Technologies, Llc | Rear obstacle detection and distance estimation |
JP6741646B2 (ja) * | 2017-12-25 | 2020-08-19 | 株式会社Subaru | 車外環境認識装置 |
-
2018
- 2018-12-29 CN CN201811637219.7A patent/CN109760688B/zh active Active
-
2019
- 2019-12-23 EP EP19219344.9A patent/EP3675041B1/en active Active
- 2019-12-28 US US16/729,324 patent/US11106921B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103231708A (zh) * | 2013-04-12 | 2013-08-07 | 安徽工业大学 | 一种基于双目视觉的智能车辆避障方法 |
US20160098858A1 (en) * | 2014-10-03 | 2016-04-07 | Samsung Electronics Co., Ltd. | 3-dimensional model generation using edges |
WO2016195647A1 (en) * | 2015-05-30 | 2016-12-08 | Leia Inc. | Vehicle monitoring system |
CN105303554A (zh) * | 2015-09-16 | 2016-02-03 | 东软集团股份有限公司 | 一种图像特征点的3d重建方法和装置 |
CN106197374A (zh) * | 2016-08-15 | 2016-12-07 | 临沂大学 | 汽车车体偏斜角度测量方法 |
CN106394555A (zh) * | 2016-08-29 | 2017-02-15 | 无锡卓信信息科技股份有限公司 | 基于3d摄像头的无人驾驶汽车避障系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211420A (zh) * | 2019-06-25 | 2019-09-06 | 重庆长安汽车股份有限公司 | 判断当前场景是否为停车场的方法、系统及计算机可读存储介质 |
CN110211420B (zh) * | 2019-06-25 | 2021-11-30 | 重庆长安汽车股份有限公司 | 判断当前场景是否为停车场的方法、系统及计算机可读存储介质 |
CN114155391A (zh) * | 2022-01-30 | 2022-03-08 | 浙江口碑网络技术有限公司 | 轨迹处理方法、装置及计算机设备 |
CN114155391B (zh) * | 2022-01-30 | 2022-08-19 | 浙江口碑网络技术有限公司 | 轨迹处理方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
US20200210716A1 (en) | 2020-07-02 |
EP3675041A1 (en) | 2020-07-01 |
CN109760688B (zh) | 2020-07-28 |
EP3675041B1 (en) | 2023-08-09 |
US11106921B2 (en) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190371003A1 (en) | Monocular vision tracking method, apparatus and non-volatile computer-readable storage medium | |
CN107679537B (zh) | 一种基于轮廓点orb特征匹配的无纹理空间目标姿态估计算法 | |
CN109816704A (zh) | 物体的三维信息获取方法和装置 | |
CN109242903A (zh) | 三维数据的生成方法、装置、设备及存储介质 | |
CN109760688A (zh) | 路段信息确定方法、装置、车辆及计算机可读存储介质 | |
CN110070598B (zh) | 用于3d扫描重建的移动终端及其进行3d扫描重建方法 | |
CN109300159A (zh) | 位置检测方法、装置、设备、存储介质及车辆 | |
CN107169494B (zh) | 基于手持终端的车牌图像分割校正方法 | |
CN105608421B (zh) | 一种人体动作的识别方法及装置 | |
CN106709899A (zh) | 双摄像头相对位置计算方法、装置和设备 | |
CN105551020B (zh) | 一种检测目标物尺寸的方法及装置 | |
CN110189400B (zh) | 一种三维重建方法、三维重建系统、移动终端及存储装置 | |
CN108537214B (zh) | 一种室内语义地图的自动化构建方法 | |
CN111091023B (zh) | 一种车辆检测方法、装置及电子设备 | |
CN114862973B (zh) | 基于固定点位的空间定位方法、装置、设备及存储介质 | |
CN110337674A (zh) | 三维重建方法、装置、设备及存储介质 | |
CN106778660B (zh) | 一种人脸姿态校正方法及装置 | |
CN106887043A (zh) | 三维建模外点去除的方法、装置及三维建模的方法 | |
JP7368924B2 (ja) | 勾配方向ヒストグラムの演算のためのハードウェアアクセレレータ | |
WO2024012333A1 (zh) | 位姿估计方法及相关模型的训练方法、装置、电子设备、计算机可读介质和计算机程序产品 | |
CN107369132A (zh) | 获取虚拟现实设备图像畸变规律的方法、系统及终端设备 | |
CN114998773A (zh) | 适用于无人机系统航拍图像的特征误匹配剔除方法及系统 | |
CN115830135A (zh) | 一种图像处理方法、装置及电子设备 | |
CN109829401A (zh) | 基于双拍摄设备的交通标志识别方法及装置 | |
CN107844803B (zh) | 一种图片比对的方法和装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211015 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Patentee after: Apollo Intelligent Technology (Beijing) Co.,Ltd. Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing Patentee before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. |