CN109859489A - 一种车距估计方法、装置、车载设备及存储介质 - Google Patents
一种车距估计方法、装置、车载设备及存储介质 Download PDFInfo
- Publication number
- CN109859489A CN109859489A CN201910090472.3A CN201910090472A CN109859489A CN 109859489 A CN109859489 A CN 109859489A CN 201910090472 A CN201910090472 A CN 201910090472A CN 109859489 A CN109859489 A CN 109859489A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- width
- width information
- image
- 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
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例涉及一种车距估计方法、装置、车载设备及存储介质,本发明实施例通过对图像中的车辆进行分类,基于不同类别确定不同车辆的实际宽度,并且确定图像中车辆的边缘信息,进而确定车辆在图像中的成像宽度,从而基于实际宽度和成像宽度可估计车辆的距离。本发明实施例不采用摄像头在车内的高度作为基础参考长度,而是采用车辆的实际宽度作为基础参考长度,车辆的实际宽度的值大于摄像头在车内的高度的值,因此,本实施例增加了基础参考长度,在同等误差精度要求下能够估计得更远。在同等距离下,估计的更为准确。
Description
技术领域
本发明实施例涉及车辆自动驾驶技术领域,具体涉及一种车距估计方法、装置、车载设备及存储介质。
背景技术
随着自动驾驶技术的发展,自动驾驶车辆对于周围其他车辆的车距估计是必不可少的需求。自动驾驶车辆对周围环境进行感知使用的感知传感器包括图像传感器和雷达,其中,图像传感器例如为摄像头,雷达又包括:毫米波雷达、超声波雷达以及激光雷达等。
目前,基于图像的车距估计方法,通常为垂直方向的三角估算方法,估算原理近似小孔成像原理。具体地,假设路面水平,找到目标车辆在图像中的下边缘,通过相似三角形估算目标车辆与本车之间的距离。可见,目前的车距估计方法至少存在以下问题:
(1)需要假设路面水平以及摄像头视线与路面平行。但在实际场景中存在引起误差的情况,例如,路面有坡度弯曲、路面有凹凸以及路面有减速带等。路面有坡度弯曲导致地面非水平,路面有凹凸以及减速带会引起车辆颠簸,使得摄像头上下抖动,导致最终估算的车距准确性较低。
(2)需要垂直方向的基础参考长度进行相似三角形估算,基础参考长度为摄像头在车内的高度。由于摄像头的分辨率固定,像素带来的误差随距离的增加而增大,且摄像头在车内的高度有限,因此,通过相似三角形估算的准确距离会因为基础参考长度为高度而相对有限。如果有更长的基础参考长度,就能在同等距上估计的更准,而在同等估计准确度下估计的更远。
(3)需要目标车辆在图像中的下边缘不被遮挡。但在实际场景中通常存在多个目标车辆,较远处的目标车辆可能被较近处的目标车辆遮挡,因此,只能估算较近处没有被遮挡的目标车辆的距离。
上述对问题的发现过程的描述,仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
为了解决现有技术存在的至少一个问题,本发明的至少一个实施例提供了一种车距估计方法、装置、车载设备及存储介质。
第一方面,本发明实施例提出一种车距估计方法,所述方法包括:
获取图像传感器采集的图像信息;
确定所述图像信息中车辆的类型信息以及边缘信息;
基于所述类型信息,确定所述车辆的第一宽度信息;
基于所述边缘信息,确定所述车辆的第二宽度信息;
基于所述第一宽度信息以及所述第二宽度信息,估计所述车辆的距离。
在一些实施例中,所述确定所述图像信息中车辆的类型信息以及边缘信息,包括:
基于识别网络分别识别所述图像信息中车辆的类型信息和边缘信息。
在一些实施例中,所述识别网络基于标注数据训练神经网络得到,其中,所述标注数据包括标注图像,所述标注图像中车辆的类型和边缘均为已知信息。
在一些实施例中,所述基于所述类型信息,确定所述车辆的第一宽度信息,包括:
基于预设对应关系,确定所述第一宽度信息为所述类型信息对应的宽度信息,其中,所述预设对应关系为类型信息与宽度信息之间的映射关系。
在一些实施例中,所述车辆的第二宽度信息为所述车辆在图像中的成像宽度信息。
在一些实施例中,所述基于所述第一宽度信息以及所述第二宽度信息,估计所述车辆的距离,包括:
确定所述第一宽度信息和所述第二宽度信息之间的比例;
基于所述比例和所述图像传感器的内参数,估计所述车辆的距离。
在一些实施例中,所述图像传感器的内参数包括:焦距。
第二方面,本发明实施例还提出一种车距估计装置,所述装置包括:
获取单元,用于获取图像传感器采集的图像信息;
第一确定单元,用于确定所述图像信息中车辆的类型信息以及边缘信息;
第二确定单元,用于基于所述类型信息,确定所述车辆的第一宽度信息;
第三确定单元,用于基于所述边缘信息,确定所述车辆的第二宽度信息;
估计单元,用于基于所述第一宽度信息以及所述第二宽度信息,估计所述车辆的距离。
第三方面,本发明实施例还提出一种车载设备,包括:
处理器和存储器;
所述处理器和存储器通过总线系统耦合在一起;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如第一方面所述方法的步骤。
第四方面,本发明实施例还提出一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如第一方面所述方法的步骤。
可见,本发明实施例的至少一个实施例中,通过对图像中的车辆进行分类,基于不同类别确定不同车辆的实际宽度,并且确定图像中车辆的边缘信息,可确定车辆在图像中的成像宽度,从而基于实际宽度和成像宽度可估计车辆的距离。不采用摄像头在车内的高度作为基础参考长度,而是采用车辆的实际宽度作为基础参考长度,车辆的实际宽度的值大于摄像头在车内的高度的值,因此,本实施例增加了基础参考长度,在同等误差精度要求下能够估计得更远。在同等距离下,估计的更为准确。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例或现有技术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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种车载设备的结构示意图;
图2为本发明实施例提供的一种车距估计方法流程图;
图3为本发明实施例提供的一种车距估计装置框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
图1是本发明实施例提供的一种车载设备的结构示意图。
图1所示的车载设备包括:至少一个处理器101和至少一个存储器102。车载设备中的各个组件通过总线系统103耦合在一起。可理解,总线系统103用于实现这些组件之间的连接通信。总线系统103除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但为了清楚说明起见,在图1中将各种总线都标为总线系统103。
可以理解,本实施例中的存储器102可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-OnlyMemory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleDataRateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本文描述的存储器102旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器102存储了如下的元素,可执行单元或者数据结构,或者他们的子集,或者他们的扩展集:操作系统1021和应用程序1022。
其中,操作系统1021,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序1022,包含各种应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1022中。
在本发明实施例中,处理器101通过调用存储器102存储的程序或指令,具体的,可以是应用程序1022中存储的程序或指令,处理器101用于执行车距估计方法各实施例的步骤,例如可包括以下步骤一至步骤五:
步骤一、获取图像传感器采集的图像信息。
步骤二、确定所述图像信息中车辆的类型信息以及边缘信息。
步骤三、基于所述类型信息,确定所述车辆的第一宽度信息。
步骤四、基于所述边缘信息,确定所述车辆的第二宽度信息。
步骤五、基于所述第一宽度信息以及所述第二宽度信息,估计所述车辆的距离。
本发明实施例通过对图像中的车辆进行分类,基于不同类别确定不同车辆的实际宽度,并且确定图像中车辆的边缘信息,进而确定车辆在图像中的成像宽度,从而基于实际宽度和成像宽度可估计车辆的距离。本发明实施例不采用摄像头在车内的高度作为基础参考长度,而是采用车辆的实际宽度作为基础参考长度,车辆的实际宽度的值大于摄像头在车内的高度的值,因此,本实施例增加了基础参考长度,提高了车距估计的准确性。
上述本发明实施例揭示的方法可以应用于处理器101中,或者由处理器101实现。处理器101可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102,处理器101读取存储器102中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
可以理解的是,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,方法实施例的步骤之间除非存在明确的先后顺序,否则执行顺序可任意调整。所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图2为本发明实施例提供的一种车距估计方法流程图。该方法的执行主体为车载设备。
如图2所示,本实施例公开的车距估计方法可包括以下步骤201至205:
201、获取图像传感器采集的图像信息。
202、确定图像信息中车辆的类型信息以及边缘信息。
203、基于类型信息,确定车辆的第一宽度信息。
204、基于边缘信息,确定车辆的第二宽度信息。
205、基于第一宽度信息以及第二宽度信息,估计车辆的距离。
在一些实施例中,图像传感器例如为摄像头,车辆上可安装多个摄像头,例如前向摄像头、侧向摄像头和后向摄像头,分别采集车辆周围不同方向的图像信息。
在一些实施例中,可预先基于车身长度、乘坐人数、车身宽度、车辆外观、车辆特征等车辆属性信息中的一种或多种确定车辆的类型。
在一些实施例中,以车身长度和乘坐人数为例,车辆的类型包括:大型车、中型车、小型车和微型车,其中,大型车的车身长度大于等于6米或乘坐人数大于等于20人;中型车的车身长度小于6米,乘坐人数大于9人且小于20人;小型车的车身长度小于6米,乘坐人数小于等于9人;微型车长小于等于3.5米。
以小型车为例,不同车辆厂家生产的小型车的宽度可能不同,因此,可以将不同小型车的宽度求均值(或者其他有效值),该均值(或者其他有效值)作为小型车估计的车辆宽度。
在一些实施例中,以车辆外观为例,车辆外观与车辆实际宽度具有近似正态分布的特性。通过对不同的车辆外观进行分类,得到至少两个车辆外观类别。每个车辆外观类别对应一个车辆类型,实现基于车辆外观确定车辆的类型。
以一个车辆外观类别为例,该车辆外观类别包括的所有车辆外观,分别对应一个车辆实际宽度,因此,可确定车辆实际宽度的均值(或者其他有效值),该均值(或者其他有效值)作为该车辆外观类别估计的车辆宽度。
在一些实施例中,不同车辆具备不同的车辆标志信息,例如,不同品牌的车辆会有不同的品牌标志,相同品牌下不同类型的车辆在车后会有不同的标志。
在一些实施例中,在获取图像信息后,可从图像信息中识别车辆的类型,识别方式例如包括但不限于通过神经网络进行识别。
在一些实施例中,确定图像信息中车辆的边缘信息,有多种实现方式,一种方式为:使用边缘检测算法检测图像信息中的车辆边缘,得到车辆的边缘信息。另一种方式为:检测车辆外接框,得到车辆的边缘信息。本领域技术人员还可以采用其他方式确定图像中车辆的边缘信息。
在一些实施例中,在确定车辆的类型信息后,即可确定车辆的第一宽度信息,也即车辆的实际宽度信息。本实施例中,车辆类型与车辆的实际宽度之间的映射关系是预先确定的,例如,每个车辆外观类别对应一个车辆类型,且每个车辆外观类别可估计一个车辆实际宽度,因此,车辆类型与车辆的实际宽度存在映射关系。
因此,在确定车辆的类型信息后,查找该映射关系,可确定车辆的实际宽度信息车辆的类型信息对应的宽度信息。
在一些实施例中,在确定车辆的边缘信息后,即可确定车辆的第二宽度信息,也即车辆在图像中的成像宽度信息。具体地,可采用距离计算方式,基于车辆在图像中的边缘信息计算得到车辆在图像中的成像宽度信息。
在一些实施例中,确定图像信息中车辆的类型信息以及边缘信息,可包括:基于识别网络分别识别图像信息中车辆的类型信息和边缘信息。
识别网络基于标注数据训练神经网络得到,其中,标注数据包括至少一张标注图像,标注图像中车辆的类型和边缘均为已知信息。
在一些实施例中,识别网络是预先使用标注数据训练神经网络模型得到的神经网络。在获取图像信息后,将图像信息输入到识别网络,识别网络的输出即为图像中车辆的类型和边缘。
在一些实施例中,基于识别网络分别识别图像信息中车辆的类型信息和边缘信息,具体为:基于第一识别网络识别图像信息中车辆的类型信息;基于第二识别网络识别图像信息中车辆的边缘信息。
其中,第一识别网络的输入为图像信息,输出为类型信息;第二识别网络的输入为图像信息,输出为边缘信息。第一识别网络和第二识别网络均为神经网络,通过预先训练神经网络模型得到。
第一识别网络是预先使用不同车辆类型的标注图像训练神经网络模型得到的神经网络,该神经网络专用于识别图像中车辆类型。在获取图像信息后,将图像信息输入到神经网络,神经网络的输出即为图像中车辆的类型。
第二识别网络是预先使用已标注车辆边缘信息的图像训练神经网络模型得到的神经网络,该神经网络专用于识别图像中车辆的边缘信息。在获取图像信息后,将图像信息输入到神经网络,神经网络的输出即为图像中车辆的边缘信息。
在一些实施例中,在确定车辆的实际宽度信息和车辆在图像中的成像宽度信息后,可估计车辆的距离,具体包括以下(1)和(2):
(1)确定第一宽度信息和第二宽度信息之间的比例;其中,第一宽度信息即为车辆的实际宽度信息,第二宽度信息即为车辆在图像中的成像宽度信息。
(2)基于所述比例和图像传感器的内参数,估计车辆的距离。
图像传感器成像的过程实际是将真实的三维空间中的三维点映射到成像平面(二维空间)过程,可以简单的使用小孔成像模型来描述该过程。
考虑到图像传感器的内参数是影响实际物体在胶片上成像的因素,内参数例如包括焦距和畸变参数,畸变参数包括径向畸变系数和切向畸变系数。因此,在确定第一宽度信息和第二宽度信息之间的比例后,基于比例和内参数估计车辆的距离。
在一些实施例中,基于比例和图像传感器的焦距,估计车辆的距离,具体地,可通过下式估计车辆的距离:
Z=F×W/Xw
其中,Z为估计的距离,F为图像传感器的焦距,W为第一宽度信息,Xw为第二宽度信息。
图像传感器的焦距通过图像传感器标定或其他获取图像传感器焦距的方式得到,图像传感器的焦距作为一个固定值,在标定之后可以一直相对稳定的使用。
本实施例中,通过对图像中的车辆进行分类,基于不同类别确定不同车辆的实际宽度,并且确定图像中车辆的边缘信息,可确定车辆在图像中的成像宽度,从而基于实际宽度和成像宽度可估计车辆的距离。不采用摄像头在车内的高度作为基础参考长度,而是采用车辆的实际宽度作为基础参考长度,相比现有技术为垂直方向的三角估算方法,本实施例为水平方向的三角估计方法。车辆的实际宽度的值大于摄像头在车内的高度的值,因此,本实施例增加了基础参考长度,在同等误差精度要求下能够估计得更远。在同等距离下,估计的更为准确。
另外,由于本实施例中不采用摄像头在车内的高度作为基础参考长度,而是采用车辆的实际宽度作为基础参考长度,因此,无需假设路面水平以及摄像头视线与路面平行。即使路面有坡度弯曲导致地面非水平、路面有凹凸以及路面有减速带引起车辆颠簸使摄像头上下抖动,本实施例的车距估计结果的准确性高于现有技术得到的车距估计结果,鲁棒性更好,实用性提高。
此外,本实施例中,即使图像中的车辆被遮挡,也能够完成该车辆的距离的估计,相比现有技术,能够估计更远距离被遮挡的车辆的距离,为车辆路径规划提供更多路况有效信息。
如图3所示,本实施例公开一种车距估计装置,可包括以下单元:获取单元31、第一确定单元32、第二确定单元33、第三确定单元34以及估计单元35。具体说明如下:
获取单元31,用于获取图像传感器采集的图像信息;
第一确定单元32,用于确定所述图像信息中车辆的类型信息以及边缘信息;
第二确定单元33,用于基于所述类型信息,确定所述车辆的第一宽度信息;
第三确定单元34,用于基于所述边缘信息,确定所述车辆的第二宽度信息;
估计单元35,用于基于所述第一宽度信息以及所述第二宽度信息,估计所述车辆的距离。
在一些实施例中,所述第一确定单元32,用于基于识别网络分别识别所述图像信息中车辆的类型信息和边缘信息。
在一些实施例中,所述识别网络基于标注数据训练神经网络得到,其中,所述标注数据包括标注图像,所述标注图像中车辆的类型和边缘均为已知信息。
在一些实施例中,所述第二确定单元33,用于基于预设对应关系,确定所述第一宽度信息为所述类型信息对应的宽度信息,其中,所述预设对应关系为类型信息与宽度信息之间的映射关系。
在一些实施例中,所述车辆的第二宽度信息为所述车辆在图像中的成像宽度信息。
在一些实施例中,所述估计单元35,用于:
确定所述第一宽度信息和所述第二宽度信息之间的比例;
基于所述比例和所述图像传感器的内参数,估计所述车辆的距离。
在一些实施例中,所述图像传感器的内参数包括:焦距。
以上实施例公开的车距估计装置能够实现以上各方法实施例公开的车距估计方法的流程,为避免重复,在此不再赘述。
本发明实施例还提出一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如车距估计方法各实施例的步骤,例如可包括以下步骤一至步骤五:
步骤一、获取图像传感器采集的图像信息。
步骤二、确定所述图像信息中车辆的类型信息以及边缘信息。
步骤三、基于所述类型信息,确定所述车辆的第一宽度信息。
步骤四、基于所述边缘信息,确定所述车辆的第二宽度信息。
步骤五、基于所述第一宽度信息以及所述第二宽度信息,估计所述车辆的距离。
本发明实施例通过对图像中的车辆进行分类,基于不同类别确定不同车辆的实际宽度,并且确定图像中车辆的边缘信息,进而确定车辆在图像中的成像宽度,从而基于实际宽度和成像宽度可估计车辆的距离。本发明实施例不采用摄像头在车内的高度作为基础参考长度,而是采用车辆的实际宽度作为基础参考长度,车辆的实际宽度的值大于摄像头在车内的高度的值,因此,本实施例增加了基础参考长度,提高了车距估计的准确性。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种车距估计方法,其特征在于,所述方法包括:
获取图像传感器采集的图像信息;
确定所述图像信息中车辆的类型信息以及边缘信息;
基于所述类型信息,确定所述车辆的第一宽度信息;
基于所述边缘信息,确定所述车辆的第二宽度信息;
基于所述第一宽度信息以及所述第二宽度信息,估计所述车辆的距离。
2.根据权利要求1所述的方法,其特征在于,所述确定所述图像信息中车辆的类型信息以及边缘信息,包括:
基于识别网络分别识别所述图像信息中车辆的类型信息和边缘信息。
3.根据权利要求2所述的方法,其特征在于,所述识别网络基于标注数据训练神经网络得到,其中,所述标注数据包括标注图像,所述标注图像中车辆的类型和边缘均为已知信息。
4.根据权利要求1所述的方法,其特征在于,所述基于所述类型信息,确定所述车辆的第一宽度信息,包括:
基于预设对应关系,确定所述第一宽度信息为所述类型信息对应的宽度信息,其中,所述预设对应关系为类型信息与宽度信息之间的映射关系。
5.根据权利要求1所述的方法,其特征在于,所述车辆的第二宽度信息为所述车辆在图像中的成像宽度信息。
6.根据权利要求1所述的方法,其特征在于,所述基于所述第一宽度信息以及所述第二宽度信息,估计所述车辆的距离,包括:
确定所述第一宽度信息和所述第二宽度信息之间的比例;
基于所述比例和所述图像传感器的内参数,估计所述车辆的距离。
7.根据权利要求6所述的方法,其特征在于,所述图像传感器的内参数包括:焦距。
8.一种车距估计装置,其特征在于,所述装置包括:
获取单元,用于获取图像传感器采集的图像信息;
第一确定单元,用于确定所述图像信息中车辆的类型信息以及边缘信息;
第二确定单元,用于基于所述类型信息,确定所述车辆的第一宽度信息;
第三确定单元,用于基于所述边缘信息,确定所述车辆的第二宽度信息;
估计单元,用于基于所述第一宽度信息以及所述第二宽度信息,估计所述车辆的距离。
9.一种车载设备,其特征在于,包括:
处理器和存储器;
所述处理器和存储器通过总线系统耦合在一起;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910090472.3A CN109859489A (zh) | 2019-01-30 | 2019-01-30 | 一种车距估计方法、装置、车载设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910090472.3A CN109859489A (zh) | 2019-01-30 | 2019-01-30 | 一种车距估计方法、装置、车载设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109859489A true CN109859489A (zh) | 2019-06-07 |
Family
ID=66896846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910090472.3A Pending CN109859489A (zh) | 2019-01-30 | 2019-01-30 | 一种车距估计方法、装置、车载设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859489A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472571A (zh) * | 2019-08-14 | 2019-11-19 | 广州小鹏汽车科技有限公司 | 一种车距确定方法、装置和车辆 |
CN112489086A (zh) * | 2020-12-11 | 2021-03-12 | 北京澎思科技有限公司 | 目标跟踪方法、目标跟踪装置、电子设备及存储介质 |
CN117553695A (zh) * | 2024-01-11 | 2024-02-13 | 摩斯智联科技有限公司 | 基于宽高比抑制噪声计算车辆高度的方法、装置及计算机存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1904549A (zh) * | 2005-07-27 | 2007-01-31 | 现代奥途纳特株式会社 | 通告车辆安全距离的设备和方法 |
CN1975327A (zh) * | 2006-12-19 | 2007-06-06 | 北京中星微电子有限公司 | 一种车距检测方法及装置 |
CN101441073A (zh) * | 2007-11-23 | 2009-05-27 | 佛山市顺德区顺达电脑厂有限公司 | 车距侦测装置与方法 |
CN104392629A (zh) * | 2014-11-07 | 2015-03-04 | 深圳市中天安驰有限责任公司 | 检测车距的方法和装置 |
CN106295459A (zh) * | 2015-05-11 | 2017-01-04 | 青岛若贝电子有限公司 | 基于机器视觉和级联分类器的车辆检测和预警方法 |
CN107356916A (zh) * | 2017-06-21 | 2017-11-17 | 海信集团有限公司 | 车距检测方法及装置、电子设备、计算机可读存储介质 |
CN108759667A (zh) * | 2018-05-29 | 2018-11-06 | 福州大学 | 车载摄像头下基于单目视觉与图像分割的前车测距方法 |
CN109101934A (zh) * | 2018-08-20 | 2018-12-28 | 广东数相智能科技有限公司 | 车型识别方法、装置与计算机可读存储介质 |
-
2019
- 2019-01-30 CN CN201910090472.3A patent/CN109859489A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1904549A (zh) * | 2005-07-27 | 2007-01-31 | 现代奥途纳特株式会社 | 通告车辆安全距离的设备和方法 |
CN1975327A (zh) * | 2006-12-19 | 2007-06-06 | 北京中星微电子有限公司 | 一种车距检测方法及装置 |
CN101441073A (zh) * | 2007-11-23 | 2009-05-27 | 佛山市顺德区顺达电脑厂有限公司 | 车距侦测装置与方法 |
CN104392629A (zh) * | 2014-11-07 | 2015-03-04 | 深圳市中天安驰有限责任公司 | 检测车距的方法和装置 |
CN106295459A (zh) * | 2015-05-11 | 2017-01-04 | 青岛若贝电子有限公司 | 基于机器视觉和级联分类器的车辆检测和预警方法 |
CN107356916A (zh) * | 2017-06-21 | 2017-11-17 | 海信集团有限公司 | 车距检测方法及装置、电子设备、计算机可读存储介质 |
CN108759667A (zh) * | 2018-05-29 | 2018-11-06 | 福州大学 | 车载摄像头下基于单目视觉与图像分割的前车测距方法 |
CN109101934A (zh) * | 2018-08-20 | 2018-12-28 | 广东数相智能科技有限公司 | 车型识别方法、装置与计算机可读存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472571A (zh) * | 2019-08-14 | 2019-11-19 | 广州小鹏汽车科技有限公司 | 一种车距确定方法、装置和车辆 |
CN112489086A (zh) * | 2020-12-11 | 2021-03-12 | 北京澎思科技有限公司 | 目标跟踪方法、目标跟踪装置、电子设备及存储介质 |
CN117553695A (zh) * | 2024-01-11 | 2024-02-13 | 摩斯智联科技有限公司 | 基于宽高比抑制噪声计算车辆高度的方法、装置及计算机存储介质 |
CN117553695B (zh) * | 2024-01-11 | 2024-05-03 | 摩斯智联科技有限公司 | 计算车辆高度的方法、装置及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875766B (zh) | 图像处理的方法、装置、系统及计算机存储介质 | |
CN106952308B (zh) | 运动物体的位置确定方法及系统 | |
CN110988912B (zh) | 自动驾驶车辆的道路目标与距离检测方法、系统、装置 | |
US8212812B2 (en) | Active shape model for vehicle modeling and re-identification | |
CA2958832C (en) | Method and axle-counting device for contact-free axle counting of a vehicle and axle-counting system for road traffic | |
CN105049784B (zh) | 用于基于图像的视距估计的方法和设备 | |
JP7196412B2 (ja) | 物体認識装置、及び、物体認識方法 | |
CN109859489A (zh) | 一种车距估计方法、装置、车载设备及存储介质 | |
US8885049B2 (en) | Method and device for determining calibration parameters of a camera | |
CN110415555B (zh) | 一种基于深度学习的有效划线车位识别方法和系统 | |
CN105979165A (zh) | 虚化照片生成方法、装置和移动终端 | |
CN110297232A (zh) | 基于计算机视觉的单目测距方法、装置及电子设备 | |
US7561732B1 (en) | Method and apparatus for three-dimensional shape estimation using constrained disparity propagation | |
KR102229220B1 (ko) | 다수의 차량을 통한 센서 퓨전, v2x 통신 가능한 애플리케이션을 이용한 협업 주행을 위해 주변에 위치하는 카메라 각각에 대응되는 각각의 객체 검출기에 의해 검출되는 객체 검출 정보를 통합하는 방법 및 장치 | |
CN107633703A (zh) | 一种行车记录仪及其前向防撞预警方法 | |
CN108509891A (zh) | 图像标注方法、装置、存储介质及电子设备 | |
JP2000517452A (ja) | 視認の方法 | |
CN109959919A (zh) | 汽车及单目摄像头测距方法、装置 | |
CN111274862A (zh) | 用于产生车辆的周围环境的标签对象的设备和方法 | |
JP2021033510A (ja) | 運転支援装置 | |
CN114022417A (zh) | 一种基于车辆有向包围盒的违停管理方法及系统 | |
Yoshida et al. | Time-of-flight sensor depth enhancement for automotive exhaust gas | |
US9183748B2 (en) | Apparatus for determining available parking space and method thereof | |
CN107356916B (zh) | 车距检测方法及装置、电子设备、计算机可读存储介质 | |
CN115578441B (zh) | 基于深度学习的车辆侧面图像拼接和车辆尺寸测量方法 |
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: 20190607 |
|
RJ01 | Rejection of invention patent application after publication |