CN109885056A - 一种基于单目摄像头和毫米波雷达融合的多场景挑选方法 - Google Patents
一种基于单目摄像头和毫米波雷达融合的多场景挑选方法 Download PDFInfo
- Publication number
- CN109885056A CN109885056A CN201910171844.5A CN201910171844A CN109885056A CN 109885056 A CN109885056 A CN 109885056A CN 201910171844 A CN201910171844 A CN 201910171844A CN 109885056 A CN109885056 A CN 109885056A
- Authority
- CN
- China
- Prior art keywords
- radar
- data
- barrier
- camera
- millimetre
- 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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于单目摄像头和毫米波雷达融合的多场景挑选方法，所述挑选方法包括原始数据解析预处理、多线程数据同步接收和应对不同场景的目标障碍物挑选。本发明的优点在于：本发明基于单目摄像头和毫米波雷达融合的多场景挑选方法，能够有效解决摄像头障碍物和雷达障碍物在不同情况下的目标筛选和决策问题，降低障碍物的误检和漏检概率，通过融合决策算法，准确而有效的选择目标。
Description
技术领域
本发明属于毫米雷达和摄像头之间的融合技术领域，特别涉及一种基于单目摄像头和毫米波雷达融合的多场景挑选方法。
背景技术
随着人工智能和大数据时代的到来，智能驾驶技术得到空前的发展，对智能驾驶重要环节的环境感知技术提出了更高的要求。智能汽车环境感知系统方案主要有两种：其一是通过车顶上的360度扫描式激光雷达生产3D街景地图技术，以激光雷达传感器技术为核心实现智能汽车环境感知系统功能；其二是通过多传感器数据融合技术，该技术是源于传统汽车生产厂商对先进驾驶辅助系统的研究，技术方案是通过毫米波雷达和相机等低成本的环境感知传感器，实现感知车辆周围的环境信息。
虽然采用激光雷达方案能够减少算法的复杂性，但由于其价格高昂，所以量产的智能驾驶系统开发项目都是采用传感器数据融合这种低成本的方案，其中以毫米波雷达和摄像头使用居多。
毫米波雷达探测距离远，检测精度高，可以追踪汽车的行驶速度以及方位。毫米波雷达的探测距离一般在150m-250m之间，有的高性能毫米波雷达探测距离甚至能达到300m，可以满足汽车在高速运动时探测较大范围的需求。而摄像头在车道线检测、对障碍物进行识别及分类、交通标志的识别等方面具有独特的优势。
发明内容
本发明要解决的技术问题是提供一种基于单目摄像头和毫米波雷达融合的多场景挑选方法，以解决摄像头障碍物和雷达障碍物在不同情况下的目标筛选和决策问题，降低障碍物的误检和漏检概率，通过融合决策算法，准确而有效的选择目标。
为解决上述技术问题，本发明的技术方案为：一种基于单目摄像头和毫米波雷达融合的多场景挑选方法，其创新点在于：所述挑选方法包括原始数据解析预处理、多线程数据同步接收和应对不同场景的目标障碍物挑选。
进一步地，所述原始数据解析预处理为结合雷达的数据类型，数据置信区间，及特殊错误数据处理，对雷达检测到的目标障碍物原始数据进行预处理，筛选有效的目标障碍物信息，并根据其纵向距离和横向距离进行障碍物优先级排序；同时，对摄像头的目标障碍物也同样进行一个优先级的排序。
进一步地，所述原始数据解析预处理包括如下步骤：
步骤1：通过车辆CAN总线技术获取长距离毫米波雷达和单目摄像头检测到的障碍物信息原始数据；
步骤2：实现坐标转换统一和筛选本车道内的障碍物信息数据；
步骤3：对障碍物数据根据纵向距离排序和时域滤波处理；
步骤4：输出经过数据预处理算法后纵向距离离自车最近目标物的信息数据。
进一步地，所述毫米波雷达检测障碍物时，首先根据障碍物类型，对毫米波雷达的障碍物做一个筛选，将类型为点的障碍物过滤。
进一步地，所述多线程数据同步接收为同时使用一个线程接收并处理摄像头数据，一个线程接收并处理雷达数据，在主程序中做数据的筛选，决策和输出。
进一步地，所述多线程数据同步接收为同时使用一个线程接收并处理摄像头数据，一个线程接收并处理雷达数据，在主程序中做数据的输出；并在两个线程的基础上再开一个线程做数据的筛选和决策。
进一步地，所述场景为晴天模式时，目标障碍物挑选为：对于摄像头的数据，根据相对纵向距离和相对横向距离依次排序，选出离本车最接近的三到五个目标障碍物，依次遍历雷达障碍物信息，寻找同一时刻下与摄像头筛选的目标纵向距离与横向距离相匹配的障碍物；如果寻找成功，则将雷达与摄像头的相对距离和速度信息进行加权融合，即将雷达检测到的该横向，纵向距离，速度信息赋值给匹配成功的障碍物，并输出障碍物的信息；如果摄像头和雷达的数据有部分匹配，有部分不匹配的，则继续将障碍物信息保留；等全部遍历完雷达数据以后，再对融合处理过后的障碍物进行排序，挑选出离本车最近的一个或两个障碍物，作为后续功能的主要目标。
进一步地，所述场景为雨天或者夜间模式时，目标障碍物挑选为：对于摄像头的数据，根据相对纵向距离和相对横向距离依次排序，选出离本车最接近的三到五个目标障碍物，依次遍历雷达障碍物信息，寻找同一时刻下与摄像头筛选的目标纵向距离与横向距离相匹配的障碍物；如果寻找成功，则将雷达与摄像头的相对距离和速度信息进行加权融合，即将雷达检测到的该横向，纵向距离，速度信息赋值给匹配成功的障碍物，并输出障碍物的信息；如果摄像头和雷达的数据有部分匹配，有部分不匹配的，则继续将障碍物信息保留；同时，将雷达监测到的所有数据进行排序，筛选出前三个最危险的目标，等全部遍历完雷达数据以后，然后将雷达监测筛选出的前三个最危险目标和摄像头雷达融合过后的目标一同考虑，选出离本车最近的一个或两个障碍物；雷达筛选的危险障碍物与已融合的障碍物有信息重复时，则去除重复信息。
进一步地，将摄像头与雷达检测的障碍物横纵向距离匹配，当摄像头判断所检测的障碍物为行人时，再判断雷达检测的障碍物类型，如果也判断为行人，则将摄像头和雷达的信息加权融合输出，如雷达检测不是行人，则只将摄像头信息输出；当摄像头判断所检测的障碍物不是行人时，再判断雷达检测的障碍物类型，如果雷达判断为行人，则需要对雷达检测的障碍物其他信息，以进一步判断障碍物是否为行人，如果雷达也判断不是行人，则说明障碍物不是行人，通过以上对检测到的行人信息基于摄像头和雷达的检测特点做数据加权融合处理，以保证目标行人的物理信息相对准确可信。
进一步地，所述障碍物其他信息包括目标长度、宽度或横截面。
本发明的优点在于：
（1）本发明基于单目摄像头和毫米波雷达融合的多场景挑选方法，能够有效解决摄像头障碍物和雷达障碍物在不同情况下的目标筛选和决策问题，降低障碍物的误检和漏检概率，通过融合决策算法，准确而有效的选择目标；
（2）本发明基于单目摄像头和毫米波雷达融合的多场景挑选方法，与现有技术相比，目前使用的摄像头和雷达障碍物数据匹配的方式，是将摄像头和雷达所接收到的数据全部进行匹配运算，考虑到毫米波雷达一般情况下可以检测到至少几十个障碍物，如果全部进行遍历的话，往往会导致内存不够，或者是程序遍历时间太长，运行速度太慢，后面检测到的数据已经接收到了，但是前面的数据还没有被处理的情况；而本发明首先根据雷达检测到的障碍物类型和错误数据的排查，以及数据置信区间的选择，筛选出可用的目标障碍物信息，以便后续对数据进行分析和处理；
（3）本发明基于单目摄像头和毫米波雷达融合的多场景挑选方法，与现有技术相比，目前多采用单一算法应对不同场景下的感知融合处理，对于目标筛选或者是程序运行效率来说处理数据的结果并非是最优的；而本发明针对不同的道路环境、不同的障碍物类型、不同的天气类型，自动调整目标障碍物的挑选逻辑和融合权重，这样既可以保证在当前情况下，降低障碍物的误检和漏检概率，又可以保证数据处理方式是相对最优的。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于单目摄像头和毫米波雷达融合的多场景挑选方法中单目摄像头的数据预处理逻辑图。
图2为本发明基于单目摄像头和毫米波雷达融合的多场景挑选方法中毫米波雷达的数据预处理逻辑图。
图3为本发明基于单目摄像头和毫米波雷达融合的多场景挑选方法中多场景感知融合目标挑选算法逻辑图。
图4为本发明基于单目摄像头和毫米波雷达融合的多场景挑选方法中行人检测模式下融合算法逻辑图。
具体实施方式
下面的实施例可以使本专业的技术人员更全面地理解本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例
本实施例基于单目摄像头和毫米波雷达融合的多场景挑选方法，该挑选方法包括原始数据解析预处理、多线程数据同步接收和应对不同场景的目标障碍物挑选。
实施例中，原始数据解析预处理为结合雷达的数据类型，数据置信区间，及特殊错误数据处理，对雷达检测到的目标障碍物原始数据进行预处理，筛选有效的目标障碍物信息，并根据其纵向距离和横向距离进行障碍物优先级排序；同时，对摄像头的目标障碍物也同样进行一个优先级的排序；具体地，原始数据解析预处理，如图1和2所示，包括如下步骤：
步骤1：通过车辆CAN总线技术获取长距离毫米波雷达和单目摄像头检测到的障碍物信息原始数据；
步骤2：实现坐标转换统一和筛选本车道内的障碍物信息数据；
步骤3：对障碍物数据根据纵向距离排序和时域滤波处理；
步骤4：输出经过数据预处理算法后纵向距离离自车最近目标物的信息数据；横向距离设置在-2m到+2m之间，纵向距离按照从远到近依次排序；障碍物信息主要提取障碍物的坐标，宽度，长度，横纵向距离，以及相对车速。
如图2所示，毫米波雷达检测障碍物时，首先根据障碍物类型，对毫米波雷达的障碍物做一个筛选，将类型为点的障碍物过滤。
实施例中，多线程数据同步接收为同时使用一个线程接收并处理摄像头数据，一个线程接收并处理雷达数据，在主程序中做数据的筛选，决策和输出；或为同时使用一个线程接收并处理摄像头数据，一个线程接收并处理雷达数据，在主程序中做数据的输出；并在两个线程的基础上再开一个线程做数据的筛选和决策。
实施例中，应对不同场景的目标障碍物挑选，针对不同的道路环境、不同的障碍物类型、不同的天气类型，自动调整目标障碍物的挑选逻辑和融合权重；该算法决策模式的切换可以使得摄像头和毫米波雷达之间更好的互补，融合后的目标障碍物数据更准确，更值得信任。
场景为晴天模式时，如图3所示，目标障碍物挑选为：对于摄像头的数据，根据相对纵向距离和相对横向距离依次排序，选出离本车最接近的三到五个目标障碍物，依次遍历雷达障碍物信息，寻找同一时刻下与摄像头筛选的目标纵向距离与横向距离相匹配的障碍物；如果寻找成功，则将雷达与摄像头的相对距离和速度信息进行加权融合，即将雷达检测到的该横向，纵向距离，速度信息赋值给匹配成功的障碍物，并输出障碍物的信息；如果摄像头和雷达的数据有部分匹配，有部分不匹配的，则继续将障碍物信息保留；等全部遍历完雷达数据以后，再对融合处理过后的障碍物进行排序，挑选出离本车最近的一个或两个障碍物，作为后续功能的主要目标。
场景为雨天或者夜间模式时，如图3所示，目标障碍物挑选为：对于摄像头的数据，根据相对纵向距离和相对横向距离依次排序，选出离本车最接近的三到五个目标障碍物，依次遍历雷达障碍物信息，寻找同一时刻下与摄像头筛选的目标纵向距离与横向距离相匹配的障碍物；如果寻找成功，则将雷达与摄像头的相对距离和速度信息进行加权融合，即将雷达检测到的该横向，纵向距离，速度信息赋值给匹配成功的障碍物，并输出障碍物的信息；如果摄像头和雷达的数据有部分匹配，有部分不匹配的，则继续将障碍物信息保留；同时，将雷达监测到的所有数据进行排序，筛选出前三个最危险的目标，等全部遍历完雷达数据以后，然后将雷达监测筛选出的前三个最危险目标和摄像头雷达融合过后的目标一同考虑，选出离本车最近的一个或两个障碍物；雷达筛选的危险障碍物与已融合的障碍物有信息重复时，则去除重复信息。
场景为行人检测模式时，如图4所示，目标障碍物挑选为：将摄像头与雷达检测的障碍物横纵向距离匹配，当摄像头判断所检测的障碍物为行人时，再判断雷达检测的障碍物类型，如果也判断为行人，则将摄像头和雷达的信息加权融合输出，如雷达检测不是行人，则只将摄像头信息输出；当摄像头判断所检测的障碍物不是行人时，再判断雷达检测的障碍物类型，如果雷达判断为行人，则需要对雷达检测的障碍物其他信息，例如目标长度、宽度、横截面等，以进一步判断障碍物是否为行人，如果雷达也判断不是行人，则说明障碍物不是行人，通过以上对检测到的行人信息基于摄像头和雷达的检测特点做数据加权融合处理，以保证目标行人的物理信息相对准确可信。
以上显示和描述了本发明的基本原理和主要特征以及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于单目摄像头和毫米波雷达融合的多场景挑选方法，其特征在于：所述挑选方法包括原始数据解析预处理、多线程数据同步接收和应对不同场景的目标障碍物挑选。
2.根据权利要求1所述的基于单目摄像头和毫米波雷达融合的多场景挑选方法，其特征在于：所述原始数据解析预处理为结合雷达的数据类型，数据置信区间，及特殊错误数据处理，对雷达检测到的目标障碍物原始数据进行预处理，筛选有效的目标障碍物信息，并根据其纵向距离和横向距离进行障碍物优先级排序；同时，对摄像头的目标障碍物也同样进行一个优先级的排序。
3.根据权利要求2所述的基于单目摄像头和毫米波雷达融合的多场景挑选方法，其特征在于：所述原始数据解析预处理包括如下步骤：
步骤1：通过车辆CAN总线技术获取长距离毫米波雷达和单目摄像头检测到的障碍物信息原始数据；
步骤2：实现坐标转换统一和筛选本车道内的障碍物信息数据；
步骤3：对障碍物数据根据纵向距离排序和时域滤波处理；
步骤4：输出经过数据预处理算法后纵向距离离自车最近目标物的信息数据。
4.根据权利要求3所述的基于单目摄像头和毫米波雷达融合的多场景挑选方法，其特征在于：所述毫米波雷达检测障碍物时，首先根据障碍物类型，对毫米波雷达的障碍物做一个筛选，将类型为点的障碍物过滤。
5.根据权利要求1所述的基于单目摄像头和毫米波雷达融合的多场景挑选方法，其特征在于：所述多线程数据同步接收为同时使用一个线程接收并处理摄像头数据，一个线程接收并处理雷达数据，在主程序中做数据的筛选，决策和输出。
6.根据权利要求1所述的基于单目摄像头和毫米波雷达融合的多场景挑选方法，其特征在于：所述多线程数据同步接收为同时使用一个线程接收并处理摄像头数据，一个线程接收并处理雷达数据，在主程序中做数据的输出；并在两个线程的基础上再开一个线程做数据的筛选和决策。
7.根据权利要求1所述的基于单目摄像头和毫米波雷达融合的多场景挑选方法，其特征在于：所述场景为晴天模式时，目标障碍物挑选为：对于摄像头的数据，根据相对纵向距离和相对横向距离依次排序，选出离本车最接近的三到五个目标障碍物，依次遍历雷达障碍物信息，寻找同一时刻下与摄像头筛选的目标纵向距离与横向距离相匹配的障碍物；如果寻找成功，则将雷达与摄像头的相对距离和速度信息进行加权融合，即将雷达检测到的该横向，纵向距离，速度信息赋值给匹配成功的障碍物，并输出障碍物的信息；如果摄像头和雷达的数据有部分匹配，有部分不匹配的，则继续将障碍物信息保留；等全部遍历完雷达数据以后，再对融合处理过后的障碍物进行排序，挑选出离本车最近的一个或两个障碍物，作为后续功能的主要目标。
8.根据权利要求1所述的基于单目摄像头和毫米波雷达融合的多场景挑选方法，其特征在于：所述场景为雨天或者夜间模式时，目标障碍物挑选为：对于摄像头的数据，根据相对纵向距离和相对横向距离依次排序，选出离本车最接近的三到五个目标障碍物，依次遍历雷达障碍物信息，寻找同一时刻下与摄像头筛选的目标纵向距离与横向距离相匹配的障碍物；如果寻找成功，则将雷达与摄像头的相对距离和速度信息进行加权融合，即将雷达检测到的该横向，纵向距离，速度信息赋值给匹配成功的障碍物，并输出障碍物的信息；如果摄像头和雷达的数据有部分匹配，有部分不匹配的，则继续将障碍物信息保留；同时，将雷达监测到的所有数据进行排序，筛选出前三个最危险的目标，等全部遍历完雷达数据以后，然后将雷达监测筛选出的前三个最危险目标和摄像头雷达融合过后的目标一同考虑，选出离本车最近的一个或两个障碍物；雷达筛选的危险障碍物与已融合的障碍物有信息重复时，则去除重复信息。
9.根据权利要求1所述的基于单目摄像头和毫米波雷达融合的多场景挑选方法，其特征在于：将摄像头与雷达检测的障碍物横纵向距离匹配，当摄像头判断所检测的障碍物为行人时，再判断雷达检测的障碍物类型，如果也判断为行人，则将摄像头和雷达的信息加权融合输出，如雷达检测不是行人，则只将摄像头信息输出；当摄像头判断所检测的障碍物不是行人时，再判断雷达检测的障碍物类型，如果雷达判断为行人，则需要对雷达检测的障碍物其他信息，以进一步判断障碍物是否为行人，如果雷达也判断不是行人，则说明障碍物不是行人，通过以上对检测到的行人信息基于摄像头和雷达的检测特点做数据加权融合处理，以保证目标行人的物理信息相对准确可信。
10.根据权利要求1所述的基于单目摄像头和毫米波雷达融合的多场景挑选方法，其特征在于：所述障碍物其他信息包括目标长度、宽度或横截面。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910171844.5A CN109885056A (zh) | 2019-03-07 | 2019-03-07 | 一种基于单目摄像头和毫米波雷达融合的多场景挑选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910171844.5A CN109885056A (zh) | 2019-03-07 | 2019-03-07 | 一种基于单目摄像头和毫米波雷达融合的多场景挑选方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109885056A true CN109885056A (zh) | 2019-06-14 |
Family
ID=66931186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910171844.5A Pending CN109885056A (zh) | 2019-03-07 | 2019-03-07 | 一种基于单目摄像头和毫米波雷达融合的多场景挑选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109885056A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110371136A (zh) * | 2019-06-25 | 2019-10-25 | 天津大学 | 一种用于无人驾驶设备避障时速度控制的方法 |
| CN110850413A (zh) * | 2019-11-26 | 2020-02-28 | 奇瑞汽车股份有限公司 | 一种汽车前方障碍物检测方法和系统 |
| CN110929796A (zh) * | 2019-11-28 | 2020-03-27 | 重庆长安汽车股份有限公司 | 基于多源传感器决策层数据融合方法、系统及存储介质 |
| CN111191697A (zh) * | 2019-12-21 | 2020-05-22 | 武汉光庭信息技术股份有限公司 | 基于传感器融合的adas道路测试验证优化方法和装置 |
| CN111695619A (zh) * | 2020-06-05 | 2020-09-22 | 中国第一汽车股份有限公司 | 一种多传感器目标融合方法、装置、车辆及存储介质 |
| CN112162275A (zh) * | 2020-09-29 | 2021-01-01 | 安徽江淮汽车集团股份有限公司 | 目标物识别方法、装置、设备及存储介质 |
| CN112560972A (zh) * | 2020-12-21 | 2021-03-26 | 北京航空航天大学 | 基于毫米波雷达先验定位和视觉特征融合的目标检测方法 |
| CN113093178A (zh) * | 2021-04-21 | 2021-07-09 | 中国第一汽车股份有限公司 | 一种障碍物目标检测方法、装置、域控制器及车辆 |
| WO2021259260A1 (zh) * | 2020-06-24 | 2021-12-30 | 中国第一汽车股份有限公司 | 一种制动等级的评估方法、装置、车辆和存储介质 |
| CN114608556A (zh) * | 2022-03-01 | 2022-06-10 | 浙江吉利控股集团有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN117022264A (zh) * | 2023-10-09 | 2023-11-10 | 广州市德赛西威智慧交通技术有限公司 | 基于雷视融合的障碍物检测方法及装置 |
| CN112162275B (zh) * | 2020-09-29 | 2024-05-14 | 安徽江淮汽车集团股份有限公司 | 目标物识别方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102508246A (zh) * | 2011-10-13 | 2012-06-20 | 吉林大学 | 车辆前方障碍物检测跟踪方法 |
| CN104573646A (zh) * | 2014-12-29 | 2015-04-29 | 长安大学 | 基于激光雷达和双目相机的车前行人检测方法及系统 |
| CN104965202A (zh) * | 2015-06-18 | 2015-10-07 | 奇瑞汽车股份有限公司 | 障碍物探测方法和装置 |
| CN105109484A (zh) * | 2015-08-21 | 2015-12-02 | 奇瑞汽车股份有限公司 | 目标障碍物体确定方法及装置 |
| CN106908783A (zh) * | 2017-02-23 | 2017-06-30 | 苏州大学 | 基于多传感器信息融合的障碍物检测方法 |
-
2019
- 2019-03-07 CN CN201910171844.5A patent/CN109885056A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102508246A (zh) * | 2011-10-13 | 2012-06-20 | 吉林大学 | 车辆前方障碍物检测跟踪方法 |
| CN104573646A (zh) * | 2014-12-29 | 2015-04-29 | 长安大学 | 基于激光雷达和双目相机的车前行人检测方法及系统 |
| CN104965202A (zh) * | 2015-06-18 | 2015-10-07 | 奇瑞汽车股份有限公司 | 障碍物探测方法和装置 |
| CN105109484A (zh) * | 2015-08-21 | 2015-12-02 | 奇瑞汽车股份有限公司 | 目标障碍物体确定方法及装置 |
| CN106908783A (zh) * | 2017-02-23 | 2017-06-30 | 苏州大学 | 基于多传感器信息融合的障碍物检测方法 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110371136A (zh) * | 2019-06-25 | 2019-10-25 | 天津大学 | 一种用于无人驾驶设备避障时速度控制的方法 |
| CN110850413A (zh) * | 2019-11-26 | 2020-02-28 | 奇瑞汽车股份有限公司 | 一种汽车前方障碍物检测方法和系统 |
| CN110929796A (zh) * | 2019-11-28 | 2020-03-27 | 重庆长安汽车股份有限公司 | 基于多源传感器决策层数据融合方法、系统及存储介质 |
| CN111191697B (zh) * | 2019-12-21 | 2023-04-28 | 武汉光庭信息技术股份有限公司 | 基于传感器融合的adas道路测试验证优化方法和装置 |
| CN111191697A (zh) * | 2019-12-21 | 2020-05-22 | 武汉光庭信息技术股份有限公司 | 基于传感器融合的adas道路测试验证优化方法和装置 |
| CN111695619A (zh) * | 2020-06-05 | 2020-09-22 | 中国第一汽车股份有限公司 | 一种多传感器目标融合方法、装置、车辆及存储介质 |
| WO2021259260A1 (zh) * | 2020-06-24 | 2021-12-30 | 中国第一汽车股份有限公司 | 一种制动等级的评估方法、装置、车辆和存储介质 |
| CN112162275A (zh) * | 2020-09-29 | 2021-01-01 | 安徽江淮汽车集团股份有限公司 | 目标物识别方法、装置、设备及存储介质 |
| CN112162275B (zh) * | 2020-09-29 | 2024-05-14 | 安徽江淮汽车集团股份有限公司 | 目标物识别方法、装置、设备及存储介质 |
| CN112560972A (zh) * | 2020-12-21 | 2021-03-26 | 北京航空航天大学 | 基于毫米波雷达先验定位和视觉特征融合的目标检测方法 |
| CN112560972B (zh) * | 2020-12-21 | 2021-10-08 | 北京航空航天大学 | 基于毫米波雷达先验定位和视觉特征融合的目标检测方法 |
| US11398097B2 (en) | 2020-12-21 | 2022-07-26 | Beihang University | Target detection method based on fusion of prior positioning of millimeter-wave radar and visual feature |
| CN113093178A (zh) * | 2021-04-21 | 2021-07-09 | 中国第一汽车股份有限公司 | 一种障碍物目标检测方法、装置、域控制器及车辆 |
| CN114608556A (zh) * | 2022-03-01 | 2022-06-10 | 浙江吉利控股集团有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN117022264A (zh) * | 2023-10-09 | 2023-11-10 | 广州市德赛西威智慧交通技术有限公司 | 基于雷视融合的障碍物检测方法及装置 |
| CN117022264B (zh) * | 2023-10-09 | 2024-02-02 | 广州市德赛西威智慧交通技术有限公司 | 基于雷视融合的障碍物检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109885056A (zh) | 一种基于单目摄像头和毫米波雷达融合的多场景挑选方法 | |
| CN110532896B (zh) | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 | |
| CN107609522B (zh) | 一种基于激光雷达和机器视觉的信息融合车辆检测系统 | |
| CN108230254B (zh) | 一种自适应场景切换的高速交通全车道线自动检测方法 | |
| Coifman et al. | A real-time computer vision system for vehicle tracking and traffic surveillance | |
| JP6571545B2 (ja) | 物体検出装置および物体検出方法 | |
| CN110068818A (zh) | 通过雷达和图像采集设备进行交通路口车辆及行人检测的工作方法 | |
| CN106428000A (zh) | 一种车辆速度控制装置和方法 | |
| CN111382768A (zh) | 多传感器数据融合方法和装置 | |
| KR101752858B1 (ko) | 레이더 기반 고 정밀 돌발상황 검지 시스템 | |
| CN105513349A (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
| CN112017437A (zh) | 路口交通信息感知控制系统和方法 | |
| CN111025295A (zh) | 一种基于岸基雷达的多船协同感知数据融合系统及方法 | |
| CN103345842A (zh) | 一种道路车辆分型系统及方法 | |
| CN112036471B (zh) | 一种基于毫米波雷达的多人跟踪方法 | |
| CN110095770A (zh) | 车辆周边目标物的检测方法 | |
| JP2002099986A (ja) | ミリ波レーダによる走行車両検出方法 | |
| CN111582130A (zh) | 一种基于多源异构信息的交通行为感知融合系统及方法 | |
| Wang et al. | A roadside camera-radar sensing fusion system for intelligent transportation | |
| CN109443374A (zh) | 车道线融合系统及其融合方法 | |
| CN112130153A (zh) | 基于毫米波雷达和摄像头实现无人驾驶汽车边缘检测方法 | |
| CN103559502A (zh) | 一种基于自适应聚类分析的行人检测系统及方法 | |
| CN114559933A (zh) | 基于车路协同的无人驾驶车辆紧急避险感知与决策系统 | |
| CN109816003A (zh) | 一种基于改进hog-lbp特征的智能车辆前方多目标分类方法 | |
| CN106405539A (zh) | 车辆雷达系统以及用于去除一非感兴趣目标的方法 |
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 |