CN109975794B - 一种利用高光谱成像测距模型进行智能制造系统检测及控制的方法 - Google Patents
一种利用高光谱成像测距模型进行智能制造系统检测及控制的方法 Download PDFInfo
- Publication number
- CN109975794B CN109975794B CN201910249077.5A CN201910249077A CN109975794B CN 109975794 B CN109975794 B CN 109975794B CN 201910249077 A CN201910249077 A CN 201910249077A CN 109975794 B CN109975794 B CN 109975794B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- spectral image
- road
- front vehicle
- hyperspectral
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 27
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims abstract description 70
- 238000001228 spectrum Methods 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 21
- 238000003384 imaging method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 241000228740 Procrustes Species 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/12—Systems for determining distance or velocity not using reflection or reradiation using electromagnetic waves other than radio waves
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种利用高光谱成像测距模型进行智能制造系统检测及控制的方法，包括如下步骤：在自动驾驶车辆前端安装高光谱成像仪，对车辆驾驶方向道路信息进行主动监测；对所述道路光谱图像进行区域分割，对每一个区域分别提取灰度值；基于主动形状模型ASM对所述道路光谱图像进行前车定位；以及几何变换的图像变换理论，构建高光谱成像测距模型；将所述前车在所述道路光谱图像的位置数据导入所述高光谱成像测距模型中，计算所述自动驾驶车辆与所述前车之间的实际车距值；比较所述实际车距值与车载系统预设的安全车距阈值大小；本发明方法简单易操作，能够较快速地确定出自动驾驶车辆与前车之间的车距值，适于在自动驾驶领域中普及使用。
Description
技术领域
本发明涉及自动驾驶控制领域，特别地，涉及一种利用高光谱成像测距模型进行智能制造系统检测及控制的方法。
背景技术
当汽车处于自动驾驶模式时，现有的大多通过摄像机捕获前方道路图像信息，再对图像进行一系列预处理，如图像灰度化、灰度变换、中值滤波、去噪、边缘检测等图像处理手段，识别出前方车辆信息，再对获取的多帧图像进行匹配，完成对车距的确定以及根据前方车辆的位置；然而，由于车载摄像机获得的是彩色的道路图像，而彩色图像包含的信息量巨大，除了车道信息外，还包括有天空、道路交通标志牌、阴影、前方障碍物等非车道信息，这些干扰信息都会给成像系统的处理单元对车道信息的准确提取造成一定的困难，致使上述图像预处理会大大延迟成像系统的处理速度，另外，还需要对多帧图像进行匹配检测，也会导致耗时过长，不利于自动驾驶的实时性控制调整，给自动驾驶带来潜在的安全隐患。
发明内容
本发明的目的在于提供一种利用高光谱成像测距模型进行智能制造系统检测及控制的方法，涉及一种基于高光谱成像测距模型的车距检测与控制方法，通过高光谱成像仪的高质量成像，有效减少光谱图像的干扰成分，并提高车距检测的实时性，具有较高的通用性，可显著提高自动驾驶的安全性能。
本发明解决以上技术问题的技术方案是：
一种利用高光谱成像测距模型进行智能制造系统检测及控制的方法，所述方法包括如下步骤：
步骤1：在自动驾驶车辆前端安装高光谱成像仪，对车辆驾驶方向道路信息进行主动监测，实时采集车辆前方高分辨率道路光谱图像，所述道路光谱图像空间表示为W＝{u,v}，其中(u,v)表示所述道路光谱图像的像素坐标，其中，u表示水平方向的像素，v竖直方向的像素。
步骤2：对所述道路光谱图像进行区域分割，对每一个区域分别提取灰度值，根据各区域灰度值分布，判断所述道路光谱图像中是否有前车光谱信息，若有，进行步骤3；若没有，所述高光谱成像仪继续采集并获取下一帧道路光谱图像；
步骤3：基于主动形状模型ASM对所述道路光谱图像进行前车定位，根据定位区域的像素点位置及所述道路光谱图像的大小，确定所述前车在所述道路光谱图像的位置数据；
步骤4：基于所述高光谱成像仪构建三维坐标系，以及几何变换的图像变换理论，构建高光谱成像测距模型；
步骤5：将所述前车在所述道路光谱图像的位置数据导入所述高光谱成像测距模型中，利用所述前车在所述道路光谱图像的位置数据转换为所述自动驾驶车辆与所述前车之间的实际车距值；
步骤6：比较所述实际车距值与车载系统预设的安全车距阈值大小，若所述实际车距值小于所述安全阈值，则控制系统判断所述自动驾驶车辆与前车车距偏离安全距离，当前车速过高，所述控制系统自动控制降低车速；若所述实际车距值大于所述安全阈值，则控制系统判断所述自动驾驶车辆与前车车距处于安全距离范围，当前车速正常，并控制所述自动驾驶车辆保持当前车速，所述高光谱成像仪继续采集并获取下一帧道路光谱图像。
优选地，所述步骤3中的定位区域为所述前车尾部区域，基于主动形状模型ASM对所述道路光谱图像进行前车尾部区域的定位，具体包括以下步骤：
步骤3.1：搜集n张含有前车尾部区域的样本图片进行ASM模型训练；
步骤3.2：对于每个训练样本图片中的前车尾部结构，手动标定k个关键特征点，所述特征点可从保险杠、车牌、后车窗特征区域中选取，组成形状向量aiai，并表示为：
其中，
表示第i个训练样本图片上的第j个特征点的坐标；
步骤3.3：采用Procrustes方法对所述n个形状向量进行归一化或对齐操作，以消除样本图片中前车尾部由于不同角度、距离远近、姿态变换造成的非形状干扰；
步骤3.4：将对齐后的形状向量进行PCA处理，即先计算所述n个形状向量的平均形状向量
基于所述平均形状向量
利用公式(3)计算所述n个形状向量的协方差矩阵φ：
求解所述协方差矩阵φ的特征值，并将其按从大到小依次排序；
步骤3.5：计算第i个训练样本图片上的第j个特征点的n个局部纹理gi1,gi2,…,gin，求其均值
以及方差Si，就得到该特征点构建的局部特征：
在每次ASM模型训练的迭代过程中，一个特征点的新的特征g与其训练好的局部特征之间的相似性度量用马氏距离来表示：
以上步骤完成ASM模型的样本训练，为获得所述前车尾部区域在所述道路光谱图像中的位置信息，需继续进行ASM模型的搜索，步骤如下：
步骤3.6：对所述ASM模型中的样本平均形状进行放射变换和参数调整处理，即以其中心逆时针旋转θ角度，再缩放s，然后平移Xc，得到初始ASM模型X＝M(s,θ)[ai]+Xc；
步骤3.7：将所述高光谱成像仪实时获取的道路光谱图像导入所述初始ASM模型中，所述初始ASM模型自动选取训练用的特征点，进行前车尾部区域的模型搜索，并计算所述前车尾部区域每个特征点的新位置，使搜索到的最终形状中的特征点和相对应的真实特征点最为接近，从而定位出所述前车尾部区域在所述道路光谱图像中的位置。
优选地，所述步骤4中构建高光谱成像测距模型，具体步骤如下：
步骤4.1：以所述高光谱成像仪所在位置为圆心，构建三维坐标系I＝{x,y,z}，其中x轴表示车辆前进方向，y轴与z轴分别为水平方向与竖直方向；
步骤4.2：对所述高光谱成像仪进行成像逆分析，基于光的射线原理，得出所述道路光谱图像空间W＝{u,v}中任一像素点(u,v)在现实三维空间中的水平成像角度α(u)：
其中，参数γ表示所述高光谱成像仪的孔径张角，参数M表示所述道路光谱图像在水平方向上的像素值，参数
表示所述高光谱成像仪的中心轴与所述三维坐标系I的标准轴之间的夹角，当所述高光谱成像仪垂向放置时，参数
步骤4.3：结合所述高光谱成像仪的离地高度，获得图像空间W＝{u,v}与三维坐标系I＝{x,y,z}之间的几何映射关系，并按下式计算所述道路光谱图像空间W＝{u,v}中任一像素点(u,v)与所述高光谱成像仪之间的直线距离：
其中，h为高光谱成像仪的离地高度。
优选地，所述步骤5中利用所述前车在所述道路光谱图像的位置数据转换为所述自动驾驶车辆与所述前车之间的实际车距值，具体是通过将经过ASM模型搜索后的实时道路光谱图像所获得的前车尾部区域在所述道路光谱图像中的坐标值(u,v)代入公式(8)，求解所述前车尾部区域不同像素点与所述高光谱成像仪之间的直线距离，从而获得所述自动驾驶车辆与所述前车之间的实际车距值。
本发明与现有技术相比，其显著优点为：
1)将高光谱成像仪应用于自动驾驶的车距检测领域，为自动驾驶提供高分辨率的光谱图像，通过对光谱图像的光谱信息提取，快速获知前方是否出现车辆，提高了自动驾驶过程中的信息处理速度；
2)创新性地将自动形状ASM模型应用于自动驾驶的车距检测，通过ASM模型的样本训练与实时图像搜索，准确定位出道路光谱图像中的前车尾部区域，避免了传统的通过图像预处理等方式排除前车定位过程中的干扰，提高了图像处理的实时性及准确度；
3)以几何变换的图像变换理论，构建高光谱成像测距模型，结合所述高光谱成像仪的离地高度，获得图像空间W＝{u,v}与三维坐标系I＝{x,y,z}之间的几何映射关系，从而可快速计算自动驾驶车辆与前车的车距，便于车辆控制系统对车距信息的及时反馈，为自动驾驶提供了更高的安全保障。
附图说明
图1是本发明方法的流程示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
结合图1，一种利用高光谱成像测距模型进行智能制造系统检测及控制的方法，包括如下步骤：
步骤1：在自动驾驶车辆前端安装高光谱成像仪，对车辆驾驶方向道路信息进行主动监测，实时采集车辆前方高分辨率道路光谱图像，所述道路光谱图像空间表示为W＝{u,v}，其中(u,v)表示所述道路光谱图像的像素坐标，其中，u表示水平方向的像素，v竖直方向的像素；
步骤2：对所述道路光谱图像进行区域分割，对每一个区域分别提取灰度值，根据各区域灰度值分布，判断所述道路光谱图像中是否有前车光谱信息，若有，进行步骤3；若没有，所述高光谱成像仪继续采集并获取下一帧道路光谱图像；
步骤3：基于主动形状模型ASM对所述道路光谱图像进行前车定位，根据定位区域的像素点位置及所述道路光谱图像的大小，确定所述前车在所述道路光谱图像的位置数据；
步骤4：基于所述高光谱成像仪构建三维坐标系，以及几何变换的图像变换理论，构建高光谱成像测距模型；
步骤5：将所述前车在所述道路光谱图像的位置数据导入所述高光谱成像测距模型中，利用所述前车在所述道路光谱图像的位置数据转换为所述自动驾驶车辆与所述前车之间的实际车距值；
步骤6：比较所述实际车距值与车载系统预设的安全车距阈值大小，若所述实际车距值小于所述安全阈值，则控制系统判断所述自动驾驶车辆与前车车距偏离安全距离，当前车速过高，所述控制系统自动控制降低车速；若所述实际车距值大于所述安全阈值，则控制系统判断所述自动驾驶车辆与前车车距处于安全距离范围，当前车速正常，并控制所述自动驾驶车辆保持当前车速，所述高光谱成像仪继续采集并获取下一帧道路光谱图像。
一般认为，在标准的道路面上，可以认为自动驾驶车辆与前车之间光谱图像区域内的灰度变化比较平缓，但在道路和车辆的相交处，由于车辆底部水平阴影线、保险杠的存在等，会形成灰度由亮到暗的水平边缘，检测到此边缘就可以认为是检测到了车辆的下边缘，而如果在整个光谱图像语气内都没有灰度值的突变，则认为当前车道内没有障碍物车辆，基于此，本发明在定位前车位置数据时，采用如下方法：
所述步骤3中的定位区域为所述前车尾部区域，基于主动形状模型ASM对所述道路光谱图像进行前车尾部区域的定位，具体包括以下步骤：
步骤3.1：搜集n张含有前车尾部区域的样本图片进行ASM模型训练；
步骤3.2：对于每个训练样本图片中的前车尾部结构，手动标定k个关键特征点，所述特征点可从保险杠、车牌或后车窗特征区域中选取，组成形状向量aiai，并表示为：
其中，
表示第i个训练样本图片上的第j个特征点的坐标；
步骤3.3：采用Procrustes方法对所述n个形状向量进行归一化或对齐操作，以消除样本图片中前车尾部由于不同角度、距离远近、姿态变换造成的非形状干扰；
步骤3.4：将对齐后的形状向量进行PCA处理，即先计算所述n个形状向量的平均形状向量
基于所述平均形状向量
利用公式(3)计算所述n个形状向量的协方差矩阵φ：
求解所述协方差矩阵φ的特征值，并将其按从大到小依次排序；
步骤3.5：计算第i个训练样本图片上的第j个特征点的n个局部纹理gi1,gi2,…,gin，求其均值
以及方差Si，就得到该特征点构建的局部特征：
在每次ASM模型训练的迭代过程中，一个特征点的新的特征g与其训练好的局部特征之间的相似性度量用马氏距离来表示：
以上步骤完成ASM模型的样本训练，为获得所述前车尾部区域在所述道路光谱图像中的位置信息，需继续进行ASM模型的搜索，步骤如下：
步骤3.6：对所述ASM模型中的样本平均形状进行放射变换和参数调整处理，即以其中心逆时针旋转θ角度，再缩放s，然后平移Xc，得到初始ASM模型X＝M(s,θ)[ai]+Xc；
步骤3.7：将所述高光谱成像仪实时获取的道路光谱图像导入所述初始ASM模型中，所述初始ASM模型自动选取训练用的特征点，进行前车尾部区域的模型搜索，并计算所述前车尾部区域每个特征点的新位置，使搜索到的最终形状中的特征点和相对应的真实特征点最为接近，从而定位出所述前车尾部区域在所述道路光谱图像中的位置。
通常，在使用光谱成像仪采集图像时，是通过一个几何变换，把三维现实空间中的物体变换到二维图像空间的图像，测距就是根据图像空间中的一些信息，挖掘其在现实空间中的信息，因此，自动驾驶车辆与前车之间的测距，可以看成是光谱图像采集的逆过程，基于此，本发明采用如下方法对前车车距进行精确检测计算：
所述步骤4中构建高光谱成像测距模型，具体步骤如下：
步骤4.1：以所述高光谱成像仪所在位置为圆心，构建三维坐标系I＝{x,y,z}，其中x轴表示车辆前进方向，y轴与z轴分别为水平方向与竖直方向；
步骤4.2：对所述高光谱成像仪进行成像逆分析，基于光的射线原理，得出所述道路光谱图像空间W＝{u,v}中任一像素点(u,v)在现实三维空间中的水平成像角度α(u)：
其中，参数γ表示所述高光谱成像仪的孔径张角，参数M表示所述道路光谱图像在水平方向上的像素值，参数
表示所述高光谱成像仪的中心轴与所述三维坐标系I的标准轴之间的夹角，当所述高光谱成像仪垂向放置时，参数
步骤4.3：结合所述高光谱成像仪的离地高度，获得图像空间W＝{u,v}与三维坐标系I＝{x,y,z}之间的几何映射关系，并按下式计算所述道路光谱图像空间W＝{u,v}中任一像素点(u,v)与所述高光谱成像仪之间的直线距离：
其中，h为高光谱成像仪的离地高度。
所述步骤5中利用所述前车在所述道路光谱图像的位置数据转换为所述自动驾驶车辆与所述前车之间的实际车距值，具体是通过将经过ASM模型搜索后的实时道路光谱图像所获得的前车尾部区域在所述道路光谱图像中的坐标值(u,v)代入公式(8)，求解所述前车尾部区域不同像素点与所述高光谱成像仪之间的直线距离，从而获得所述自动驾驶车辆与所述前车之间的实际车距值。
上述利用高光谱成像测距模型进行智能制造系统检测及控制的方法简单易操作，采用光谱成像与主动形状模型定位前车尾部区域，使得成像系统具有较高的运算效率，算法精确，能够较快速地确定出自动驾驶车辆与前车之间的车距值，适于在自动驾驶领域中普及使用，为自动驾驶的安全工作提供了一种简单易行、精确度较高的方法。
本领域的技术人员应理解，上述描述及附图中所述的本发明的实施例只作为举例而不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方法可以有任何形式或修改容。
Claims (5)
1.一种利用高光谱成像测距模型进行智能制造系统检测及控制的方法，其特征在于，所述方法包括如下步骤：
步骤1：在自动驾驶车辆前端安装高光谱成像仪，对车辆驾驶方向道路信息进行主动监测，实时采集车辆前方高分辨率道路光谱图像，所述道路光谱图像空间表示为W＝{u,v}，其中(u,v)表示所述道路光谱图像的像素坐标，其中，u表示水平方向的像素，v表示竖直方向的像素；
步骤2：对所述道路光谱图像进行区域分割，对每一个区域分别提取灰度值，根据各区域灰度值分布，判断所述道路光谱图像中是否有前车光谱信息，若有，进行步骤3；若没有，所述高光谱成像仪继续采集并获取下一帧道路光谱图像；
步骤3：基于主动形状模型ASM对所述道路光谱图像进行前车定位，根据定位区域的像素点位置及所述道路光谱图像的大小，确定所述前车在所述道路光谱图像的位置数据；
步骤4：基于所述高光谱成像仪构建三维坐标系，以及几何变换的图像变换理论，构建高光谱成像测距模型；
步骤5：将所述前车在所述道路光谱图像的位置数据导入所述高光谱成像测距模型中，利用所述前车在所述道路光谱图像的位置数据转换为所述自动驾驶车辆与所述前车之间的实际车距值；
步骤6：比较所述实际车距值与车载系统预设的安全车距阈值大小，若所述实际车距值小于所述安全车距阈值，则控制系统判断所述自动驾驶车辆与前车车距偏离安全距离，当前车速过高，所述控制系统自动控制降低车速；若所述实际车距值大于所述安全车距阈值，则控制系统判断所述自动驾驶车辆与前车车距处于安全距离范围，当前车速正常，并控制所述自动驾驶车辆保持当前车速，所述高光谱成像仪继续采集并获取下一帧道路光谱图像。
2.根据权利要求1所述的利用高光谱成像测距模型进行智能制造系统检测及控制的方法，其特征在于，所述步骤3中的定位区域为所述前车尾部区域，基于主动形状模型ASM对所述道路光谱图像进行前车尾部区域的定位，具体包括以下步骤：
步骤3.1：搜集n张含有前车尾部区域的样本图片进行主动形状模型ASM训练；
步骤3.2：对于每个训练样本图片中的前车尾部结构，手动标定k个关键特征点，所述特征点可从保险杠、车牌或后车窗特征区域中选取，组成形状向量ai，并表示为：
其中，i＝1，2，...，n，
表示第i个训练样本图片上的第j个特征点的坐标；
步骤3.3：采用Procrustes方法对n个形状向量进行归一化或对齐操作，以消除样本图片中前车尾部由于不同角度、距离远近、姿态变换造成的非形状干扰；
步骤3.4：将对齐后的形状向量进行PCA处理，即先计算所述n个形状向量的平均形状向量
基于所述平均形状向量
利用公式(3)计算所述n个形状向量的协方差矩阵φ：
求解所述协方差矩阵φ的特征值，并将其按从大到小依次排序；
步骤3.5：计算第i个训练样本图片上的第j个特征点的n个局部纹理gi1,gi2,…,gin，求其均值
以及方差Si，就得到该特征点构建的局部特征：
在每次主动形状模型ASM训练的迭代过程中，一个特征点的新的特征g与其训练好的局部特征之间的相似性度量用马氏距离来表示：
以上步骤完成主动形状模型ASM的样本训练，为获得所述前车尾部区域在所述道路光谱图像中的位置信息。
3.根据权利要求2所述的利用高光谱成像测距模型进行智能制造系统检测及控制的方法，其特征在于，还需继续进行主动形状模型ASM的搜索，步骤如下：
步骤3.6：对所述主动形状模型ASM中的样本平均形状进行放射变换和参数调整处理，即以其中心逆时针旋转θ角度，再缩放s，然后平移Xc，得到初始主动形状模型ASM
X＝M(s,θ)[ai]+Xc；
步骤3.7：将所述高光谱成像仪实时获取的道路光谱图像导入所述初始主动形状模型ASM中，所述初始主动形状模型ASM自动选取训练用的特征点，进行前车尾部区域的模型搜索，并计算所述前车尾部区域每个特征点的新位置，使搜索到的最终形状中的特征点和相对应的真实特征点最为接近，从而定位出所述前车尾部区域在所述道路光谱图像中的位置。
4.根据权利要求1或3所述的利用高光谱成像测距模型进行智能制造系统检测及控制的方法，其特征在于，所述步骤4中构建高光谱成像测距模型，具体步骤如下：
步骤4.1：以所述高光谱成像仪所在位置为圆心，构建三维坐标系I＝{x,y,z}，其中x轴表示车辆前进方向，y轴与z轴分别为水平方向与竖直方向；
步骤4.2：对所述高光谱成像仪进行成像逆分析，基于光的射线原理，得出所述道路光谱图像空间W＝{u,v}中任一道路光谱图像的像素坐标(u,v)在现实三维空间中的水平成像角度α(u)：
其中，参数γ表示所述高光谱成像仪的孔径张角，参数M表示所述道路光谱图像在水平方向上的像素值，参数
表示所述高光谱成像仪的中心轴与所述三维坐标系I的标准轴之间的夹角，当所述高光谱成像仪垂向放置时，参数
u＝0,1,2,……M-1；
步骤4.3：结合所述高光谱成像仪的离地高度，获得图像空间W＝{u,v}与三维坐标系I＝{x,y,z}之间的几何映射关系，并按下式计算所述道路光谱图像空间W＝{u,v}中任一道路光谱图像的像素坐标(u,v)与所述高光谱成像仪之间的直线距离：
其中，h为高光谱成像仪的离地高度。
5.根据权利要求1-3中任一项所述的利用高光谱成像测距模型进行智能制造系统检测及控制的方法，其特征在于，其中，所述步骤5中利用所述前车在所述道路光谱图像的位置数据转换为所述自动驾驶车辆与所述前车之间的实际车距值，具体是通过将经过主动形状模型ASM搜索后的实时道路光谱图像所获得的前车尾部区域在所述道路光谱图像的像素坐标(u,v)代入公式(8)，求解所述前车尾部区域不同像素点与所述高光谱成像仪之间的直线距离，从而获得所述自动驾驶车辆与所述前车之间的实际车距值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910249077.5A CN109975794B (zh) | 2019-03-29 | 2019-03-29 | 一种利用高光谱成像测距模型进行智能制造系统检测及控制的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910249077.5A CN109975794B (zh) | 2019-03-29 | 2019-03-29 | 一种利用高光谱成像测距模型进行智能制造系统检测及控制的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109975794A CN109975794A (zh) | 2019-07-05 |
| CN109975794B true CN109975794B (zh) | 2022-12-09 |
Family
ID=67081632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910249077.5A Active CN109975794B (zh) | 2019-03-29 | 2019-03-29 | 一种利用高光谱成像测距模型进行智能制造系统检测及控制的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109975794B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115452733A (zh) * | 2022-08-31 | 2022-12-09 | 中国第一汽车股份有限公司 | 一种车载高光谱空气质量检测系统、方法、设备、存储介质以及汽车 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001077627A2 (en) * | 2000-04-05 | 2001-10-18 | Galileo Group, Inc. | A system for robotic control of imaging data having a steerable gimbal mounted spectral sensor and methods |
| JP2004061176A (ja) * | 2002-07-25 | 2004-02-26 | Hiroki Kusumoto | ハイパースペクトル画像解析システム |
| WO2012081979A1 (en) * | 2010-12-14 | 2012-06-21 | Nederlandse Organisatie Voor Toegepast-Natuurwetenschappelijk Onderzoek Tno | A method of performing a laser based radar measurement, a system and a computer program product |
| CN102609731A (zh) * | 2012-01-11 | 2012-07-25 | 江西理工大学 | 一种结合不同大小视觉词汇本的图像分类方法 |
| CN102799903A (zh) * | 2012-07-18 | 2012-11-28 | 中国科学院自动化研究所 | 一种基于空间与光谱信息的高光谱自动云检测方法 |
| CN102855759A (zh) * | 2012-07-05 | 2013-01-02 | 中国科学院遥感应用研究所 | 高分辨率卫星遥感交通流信息自动采集方法 |
| CN103176185A (zh) * | 2011-12-26 | 2013-06-26 | 上海汽车集团股份有限公司 | 用于检测道路障碍物的方法及系统 |
| CN107274416A (zh) * | 2017-06-13 | 2017-10-20 | 西北工业大学 | 基于光谱梯度与层次结构的高光谱图像显著性目标检测方法 |
| CN109035803A (zh) * | 2018-09-07 | 2018-12-18 | 合刃科技（武汉）有限公司 | 一种采用高光谱成像装置进行路况预警的监测系统 |
| CN109081524A (zh) * | 2018-09-25 | 2018-12-25 | 江西理工大学 | 一种智能矿物加工废水回用装备系统、检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9576216B2 (en) * | 2014-11-07 | 2017-02-21 | The Boeing Company | Hyperspectral resolution using three-color camera |
| CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学（武汉） | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 |
| CN106530345B (zh) * | 2016-11-07 | 2018-12-25 | 江西理工大学 | 一种同机影像辅助下的建筑物三维激光点云特征提取方法 |
| CN108230393A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种智能车前方运动车辆的测距方法 |
-
2019
- 2019-03-29 CN CN201910249077.5A patent/CN109975794B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001077627A2 (en) * | 2000-04-05 | 2001-10-18 | Galileo Group, Inc. | A system for robotic control of imaging data having a steerable gimbal mounted spectral sensor and methods |
| JP2004061176A (ja) * | 2002-07-25 | 2004-02-26 | Hiroki Kusumoto | ハイパースペクトル画像解析システム |
| WO2012081979A1 (en) * | 2010-12-14 | 2012-06-21 | Nederlandse Organisatie Voor Toegepast-Natuurwetenschappelijk Onderzoek Tno | A method of performing a laser based radar measurement, a system and a computer program product |
| CN103176185A (zh) * | 2011-12-26 | 2013-06-26 | 上海汽车集团股份有限公司 | 用于检测道路障碍物的方法及系统 |
| CN102609731A (zh) * | 2012-01-11 | 2012-07-25 | 江西理工大学 | 一种结合不同大小视觉词汇本的图像分类方法 |
| CN102855759A (zh) * | 2012-07-05 | 2013-01-02 | 中国科学院遥感应用研究所 | 高分辨率卫星遥感交通流信息自动采集方法 |
| CN102799903A (zh) * | 2012-07-18 | 2012-11-28 | 中国科学院自动化研究所 | 一种基于空间与光谱信息的高光谱自动云检测方法 |
| CN107274416A (zh) * | 2017-06-13 | 2017-10-20 | 西北工业大学 | 基于光谱梯度与层次结构的高光谱图像显著性目标检测方法 |
| CN109035803A (zh) * | 2018-09-07 | 2018-12-18 | 合刃科技（武汉）有限公司 | 一种采用高光谱成像装置进行路况预警的监测系统 |
| CN109081524A (zh) * | 2018-09-25 | 2018-12-25 | 江西理工大学 | 一种智能矿物加工废水回用装备系统、检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| Congestion warning method based on the Internet of vehicles and community discovery of complex networks;Zhao Ting等;《The Journal of China Universities of Posts and Telecommunications》;20160815;第23卷(第04期);37-45 * |
| 一种基于光谱角空间变换的高光谱图像分割方法;徐君 等;《红外技术》;20181018(第10期);93-98 * |
| 具有层次结构的K-means聚类算法研究;王吉源;《微电子学与计算机》;20151231;63-67 * |
| 智能车辆的障碍物检测研究方法综述;王荣本 等;《公路交通科技》;20071115;第24卷(第11期);109-113 * |
| 高分辨率航空遥感高光谱图像稀疏张量目标检测;谷延锋 等;《测绘通报》;20150125(第01期);31-38 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109975794A (zh) | 2019-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108983219B (zh) | 一种交通场景的图像信息和雷达信息的融合方法及系统 | |
| US11532151B2 (en) | Vision-LiDAR fusion method and system based on deep canonical correlation analysis | |
| CN112215306B (zh) | 一种基于单目视觉与毫米波雷达融合的目标检测方法 | |
| CN106682603B (zh) | 一种基于多源信息融合的实时驾驶员疲劳预警系统 | |
| JP6305171B2 (ja) | シーン内の物体を検出する方法 | |
| CN106778551B (zh) | 一种高速路段及城市道路车道线识别方法 | |
| CN112396650A (zh) | 一种基于图像和激光雷达融合的目标测距系统及方法 | |
| CN111208479B (zh) | 一种降低深度网络检测中虚警概率的方法 | |
| CN110097047B (zh) | 一种基于深度学习采用单线激光雷达的车辆检测方法 | |
| CN103034843A (zh) | 一种基于单目视觉的夜间车辆检测方法 | |
| CN113822221A (zh) | 一种基于对抗神经网络和多传感器融合的目标检测方法 | |
| CN111368797A (zh) | 一种基于路端单目摄像头的目标实时测距方法 | |
| CN114529610A (zh) | 一种基于rgb-d相机的毫米波雷达数据标注方法 | |
| CN113449650A (zh) | 一种车道线检测系统及方法 | |
| CN111241979B (zh) | 一种基于图像特征标定的实时障碍物检测方法 | |
| CN113034378A (zh) | 一种区分电动汽车与燃油汽车的方法 | |
| CN113221739B (zh) | 基于单目视觉的车距测量方法 | |
| CN109975794B (zh) | 一种利用高光谱成像测距模型进行智能制造系统检测及控制的方法 | |
| CN106709432B (zh) | 基于双目立体视觉的人头检测计数方法 | |
| CN110276371B (zh) | 一种基于深度学习的集装箱角件识别方法 | |
| Narayanan et al. | Study and analysis of pedestrian detection in thermal images using YOLO and SVM | |
| Han et al. | Accurate and robust vanishing point detection method in unstructured road scenes | |
| CN108860016B (zh) | 一种机器人智能教练辅助驾驶系统 | |
| CN110414357B (zh) | 一种基于车辆类型识别的前方车辆定位方法 | |
| CN113888463A (zh) | 车轮转角的检测方法、装置、电子设备及存储介质 |
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 |