CN110095770A - 车辆周边目标物的检测方法 - Google Patents
车辆周边目标物的检测方法 Download PDFInfo
- Publication number
- CN110095770A CN110095770A CN201910346124.8A CN201910346124A CN110095770A CN 110095770 A CN110095770 A CN 110095770A CN 201910346124 A CN201910346124 A CN 201910346124A CN 110095770 A CN110095770 A CN 110095770A
- Authority
- CN
- China
- Prior art keywords
- information
- radar
- vehicle
- image
- lateral
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 230000010365 information processing Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 239000012491 analyte Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012466 permeate Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆周边目标物的检测方法,利用装在车辆上的雷达和摄像头获取的信息,通过处理器,先将对雷达信息和摄像头分别进行卡尔曼预测处理后,再对这两类目标物信息进行坐标匹配,坐标匹配中将二者距离小于设定值的目标合并,并赋予合并目标预测信息量的加权值,坐标匹配中将二者距离等于或大于设定值的雷达目标物和图像目标物分别赋予预测信息量加权值,最后将这些加权计算了预测信息量的目标预测信息进行卡尔曼预测得到车辆周边的融合目标物信息。该方法可以解决现有同类技术中目标物漏检率较大的问题。
Description
技术领域
本发明涉及对车辆行驶周边目标物检测技术领域,尤其是一种通过获取雷达波反馈信息和摄像头摄取图像信息相结合对车辆周边目标物进行识别和定位的方法。
背景技术
对车辆周边目标物的实时识别和定位的准确性和对于辅助人工驾驶甚至是智能无人驾驶的行车安全至关重要。
现有一种通过获取雷达波反馈信息和摄像头摄取图像信息相结合对车辆周边目标物进行识别和定位的方法是发明专利申请“用于无人驾驶汽车的前方目标物检测系统”(申请公布号为CN107966700A),该申请对前方目标物检测的方法是:首先采集毫米波雷达数据和视觉相机数据并进行空间同步和时间同步;其后使用基于卡尔曼滤波的数据处理算法对雷达数据进行虚假目标物排除;最后取两种传感器均探测到的目标物作为最终目标物输出。该技术对于车辆前方目标物检测存在明显缺陷:由于受雷达波自身物理性质限制,从雷达波对目标物的检出准确度不高,而对于图像识别方式而言视觉相机也容易受到外界环境的影响,在光线复杂或不足的恶劣环境中对目标物的检出准确度也不高,因此,这种技术对于从视觉相机检出了的目标物而毫米波雷达信号未检出或虽检出而被误筛掉的目标物就会被误排出,以及对于从毫米波雷达信号检出了的目标物而视觉相机未检出的目标物就会被误排出,检测系统整体发生漏检的概率较大。
发明内容
本发明的目的是提供一种车辆周边目标物的检测方法,它可以解决通过获取雷达波反馈信息和摄像头摄取图像信息相结合进行对目标物识别方法中目标物漏检较大的问题。
为了解决上述问题,本车辆周边目标物的检测方法采用的技术方案是:包括有装在车辆上用于探测车辆周边目标物的雷达和用于摄取车辆周边图像的摄像头,以及接收和处理雷达信息和摄像头信息的处理器,先所述雷达信息作为预测信息进行卡尔曼预测处理,更新的雷达目标物信息得到雷达目标物更新信息,所述摄像头信息作为预测信息进行卡尔曼预测处理,更新图像目标物信息得到图像目标物更新信息;再将雷达目标物更新信息与图像目标物更新信息进行坐标匹配,对两者中的目标物进行配对比较:
A、如果雷达目标物与图像目标物的欧式距离等于或大于设定值的,则雷达目标物预测信息状态量赋值:ZL(xL,yL,vXL,vYL,angle),式中ZL为雷达目标物信息状态量,xL为雷达目标物纵向位置、yL为雷达目标物横向位置、vXL为雷达目标物纵向速度、vYL为雷达目标物横向速度、angle为雷达目标物角度,图像目标物预测信息状态量赋值:ZS(xS,yS,vXS,vYS,type),式中ZS为图像目标物信息状态量,xS为图像目标物纵向位置、yS为图像目标物横向位置、vXS为图像目标物纵向速度、vYS为图像目标物横向速度、type为图像目标物类型;
B、如果雷达目标物与图像目标物的欧式距离小于设定值的,则将这两个目标物配对融合为一个目标物,这个融合后的目标物预测信息状态量赋值:Z(x,y,vx,vY,type,angle),
式中x为融合目标物纵向位置、y为融合目标物横向位置、vX为融合目标物纵向速度、vY为融合目标物向横向速度,type为融合目标物类型,angle为融合目标物角度,ZL为雷达目标预测信息状态量,为雷达目标物赋予的加权系数,为图像目标物赋予的加权系数,这两个值根据所选取的雷达、摄像头的属性及识别灵敏度的期望来设定;
最后将雷达目标物信息状态量,图像目标物预测信息状态量和融合后的目标物预测信息状态量作为预测信息用于卡尔曼预测处理,更新目标物信息后得到车辆周边目标物状态信息。
上述的车辆周边目标物的检测方法中更优的方案可以是所述雷达信息先经过雷达目标物初筛后再作为预测信息进行卡尔曼预测处理;所述摄像头信息先经过图像目标物初筛后再作为预测信息进行卡尔曼预测处理。也可以是所述雷达信息先经过去除雷达无效目标物信息的处理再作为预测信息进行卡尔曼预测处理;所述摄像头信息先经过去除图像目标物的处理后再作为预测信息进行卡尔曼预测处理;还可以是所述雷达信息先经过雷达目标物初筛,再经过去除雷达无效目标物信息的处理,然后再作为预测信息进行卡尔曼预测处理,所述摄像头信息先经过图像目标物初筛后再经过去除图像目标物的处理后然后再作为预测信息进行卡尔曼预测处理。所述雷达目标物初筛是将在某个周期前设定的N1个周期内从雷达信息中检出达到设定的n1次的目标物的信息选出;所述图像目标物初筛是将在某个周期前设定的M1个周期内从摄像头信息中检出达到设定的n1次的目标物的信息选出。所述去除雷达无效目标物信息的处理是去除满足与所述车辆的横向距离和纵向距离均为零,自身长度为零,自身宽度为零,与所述车辆的横向距离大于横向设定值,雷达检测到目标物的次数与雷达连续检测目标物的检测次数的比值小于设定值中任一种情况的目标物的信息;所述去除图像目标物的处理是去除与所述车辆的横向距离和纵向距离均为零,自身长度为零,自身宽度为零,与所述车辆的横向距离大于横向设定值中任一种情况的目标物的信息。
上述的车辆周边目标物的检测方法的各种方案中将雷达选为超声波雷达,摄像头选为单目摄像头时,所述雷达目标物赋予的加权系数可以取值为:汽车或卡车为0.7,行人或两轮车为0.3,其它为0.5。
由于采用了上述技术方案,本发明与现有技术相比具有如下有益效果:
1、由于对雷达目标物原始信息增加了去除雷达无效目标物信息的处理,以及对图像目标物原始信息增加了去除图像无效目标物信息的处理,因此可获得减少目标误识别。
2、由于对于雷达目标物更新信息和图像目标物更新信息由现有技术采用逻辑“与”运算的处理改为赋值加权的逻辑“或”运算的叠加融合,因此可获得提高检出目标的可信度,解决了现有通过获取雷达波的反射信息和摄像头摄取图像的信息相结合进行对目标物识别方法漏检较大的问题。
附图说明
图1是本发明实施例1-实施例5中雷达和摄像头在车辆上的安装位置示意图。
图2是本发明实施例1中雷达信息和摄像头信息处理流程图。
图3是本发明实施例2中雷达信息和摄像头信息处理流程图。
图4是本发明实施例3中雷达信息和摄像头信息处理流程图。
图5是本发明实施例4中雷达信息和摄像头信息处理流程图。
具体实施方式
下面结合附图实施例对本发明作进一步详述:
图1所示,在车辆的前端安装有三个用于探测车辆周边目标物的超声波雷达1,在车辆的顶端装有用于采集自车前方目标物图像信息的单目摄像头2(在其它实施例中,可以设置多个雷达环绕在车辆周围,以及可以观测车辆周围各方的多个摄像头),三个超声波雷达1和单目摄像头2通过线路将雷达信息和摄像头信息输入处理器3中,雷达信息和摄像头信息经过处理器3将检出的车辆周边目标物的信息传输到车辆的执行机构或显示器中,可为车辆的无人驾驶或辅助人工驾驶提供条件。
图2所示的实施例1中,对于车辆周边目标物的检测方法是:
先将雷达信息作为预测信息进行卡尔曼预测处理,更新雷达目标物信息得到雷达目标物更新信息;将摄像头信息作为预测信息进行卡尔曼预测处理,更新图像目标物信息得到图像目标物更新信息。
将雷达目标物更新信息与图像目标物更新信息进行坐标匹配,对两者中的目标物进行配对比较:
A、如果雷达目标物与图像目标物的欧式距离不符合小于0.2米的设定值,即图2中的N支路,则对雷达和摄像头探测到的目标分别赋值,即雷达目标物预测信息状态量赋值:ZL(xL,yL,vXL,vYL,angle),式中ZL为雷达目标物信息状态量,xL为雷达目标物纵向位置、yL为雷达目标物横向位置、vXL为雷达目标物纵向速度、vYL为雷达目标物横向速度、angle为雷达目标物角度,图像目标物预测信息状态量赋值:ZS(xS,yS,vXS,vYS,type),式中ZS为图像目标物信息状态量,xS为图像目标物纵向位置、yS为图像目标物横向位置、vXS为图像目标物纵向速度、vYS为图像目标物横向速度、type为图像目标物类型;
B、如果雷达目标物与图像目标物的欧式距离小于0.2米的设定值,即如图中的Y支路,则将这两个目标融合并赋值,即将这两个目标物配对融合为一个目标物,这个融合后的目标物预测信息状态量赋值:Z(x,y,vX,vY,type,angle),
式中x为融合目标物纵向位置、y为融合目标物横向位置、vX为融合目标物纵向速度、vY为融合目标物向横向速度,type为融合目标物类型,angle为融合目标物角度,ZL为雷达目标预测信息状态量,为雷达目标物赋予的加权系数,为图像目标物赋予的加权系数,的取值是:汽车或卡车为0.7,行人或两轮车为0.3,其它为0.5;相应的的取值是:汽车或卡车为0.3,行人或两轮车为0.7,其它为0.5。
将雷达目标物信息状态量,图像目标物预测信息状态量和融合后的目标物预测信息状态量作为预测信息用于卡尔曼预测处理,更新目标物信息后得到车辆周边目标物状态信息。
图3所示的实施例2是实施例1的优选方案,在这个方案中车辆周边目标物的检测方法是:雷达信息先经过雷达目标物初筛后再作为预测信息进行卡尔曼预测处理;摄像头信息先经过图像目标物初筛后再作为预测信息进行卡尔曼预测处理。其中雷达目标物初筛是将在某个周期前设定的10个周期内从雷达信息中检出达到设定的6次的目标物的信息选出;图像目标物初筛是将在某个周期前设定的10个周期内从摄像头信息中检出达到设定的6次的目标物的信息选出。本实施例的其余部分与实施例1完全相同。
图4所示的实施例3是实施例1的优选方案,在这个方案中车辆周边目标物的检测方法是:雷达信息先经过去除雷达无效目标物信息的处理再作为预测信息进行卡尔曼预测处理;摄像头信息先经过去除图像目标物的处理后再作为预测信息进行卡尔曼预测处理。其中去除雷达无效目标物信息的处理是去除满足与本车辆的横向距离和纵向距离均为零,自身长度为零,自身宽度为零,与本车辆的横向距离大于设定的5.625米,雷达检测到目标物的次数与雷达连续检测目标物的检测次数的比值小于设定值中任一种情况的目标物的信息的处理;所称去除图像目标物的处理是去除与本车辆的横向距离和纵向距离均为零,自身长度为零,自身宽度为零,与车辆的横向距离大于设定的5.625米中任一种情况的目标物的信息的处理。本实施例的其余部分与实施例1完全相同。
图5所示的实施例5是实施例2的优选方案,在这个方案中车辆周边目标物的检测方法是:雷达信息经过雷达目标物初筛后,先经过去除雷达无效目标物信息的处理再作为预测信息进行卡尔曼预测处理;摄像头信息经过图像目标物初筛后,先经过去除图像目标物的处理后再作为预测信息进行卡尔曼预测处理。其中去除雷达无效目标物信息的处理是去除满足与本车辆的横向距离和纵向距离均为零,自身长度为零,自身宽度为零,与本车辆的横向距离大于设定的5.625米,雷达检测到目标物的次数与雷达连续检测目标物的检测次数的比值小于设定值中任一种情况的目标物的信息的处理;去除图像目标物的处理是去除与本车辆的横向距离和纵向距离均为零,自身长度为零,自身宽度为零,与本车辆的横向距离大于设定的5.652米中任一种情况的目标物的信息的处理。其余部分与实施例2完全相同。
Claims (5)
1.一种车辆周边目标物的检测方法,有装在车辆上用于探测车辆周边目标物的雷达和用于摄取车辆周边图像的摄像头,以及接收和处理雷达信息和摄像头信息的处理器,其特征在于:
所述雷达信息作为预测信息进行卡尔曼预测处理,更新的雷达目标物信息得到雷达目标物更新信息,所述摄像头信息作为预测信息进行卡尔曼预测处理,更新图像目标物信息得到图像目标物更新信息;
将雷达目标物更新信息与图像目标物更新信息进行坐标匹配,对两者中的目标物进行配对比较:
A、如果雷达目标物与图像目标物的欧式距离等于或大于设定值的,则雷达目标物预测信息状态量赋值:ZL(xL,yL,vXL,vYL,angle),式中ZL为雷达目标物信息状态量,xL为雷达目标物纵向位置、yL为雷达目标物横向位置、vXL为雷达目标物纵向速度、vYL为雷达目标物横向速度、angle为雷达目标物角度,图像目标物预测信息状态量赋值:ZS(xS,yS,vXS,vYS,type),式中ZS为图像目标物信息状态量,xS为图像目标物纵向位置、yS为图像目标物横向位置、vXS为图像目标物纵向速度、vYS为图像目标物横向速度、type为图像目标物类型;
B、如果雷达目标物与图像目标物的欧式距离小于设定值的,则将这两个目标物配对融合为一个目标物,这个融合后的目标物预测信息状态量赋值:
Z(x,y,vX,vY,type,angle),
,
式中x为融合目标物纵向位置、y为融合目标物横向位置、vX为融合目标物纵向速度、vY为融合目标物向横向速度,type为融合目标物类型,angle为融合目标物角度,ZL为雷达目标预测信息状态量,为雷达目标物赋予的加权系数,为图像目标物赋予的加权系数,
将雷达目标物信息状态量,图像目标物预测信息状态量和融合后的目标物预测信息状态量作为预测信息用于卡尔曼预测处理,更新目标物信息后得到车辆周边目标物状态信息。
2.根据权利要求1所述的车辆周边目标物的检测方法,其特征在于:所述雷达信息先经过雷达目标物初筛后再作为预测信息进行卡尔曼预测处理,所述雷达目标物初筛是将在某个周期前设定的N1个周期内从雷达信息中检出达到设定的n1次的目标物的信息选出;所述摄像头信息先经过图像目标物初筛后再作为预测信息进行卡尔曼预测处理,所述图像目标物初筛是将在某个周期前设定的M1个周期内从摄像头信息中检出达到设定的n1次的目标物的信息选出。
3.根据权利要求1所述的车辆周边目标物的检测方法,其特征在于:所述雷达信息先经过去除雷达无效目标物信息的处理再作为预测信息进行卡尔曼预测处理,所述去除雷达无效目标物信息的处理是去除满足与所述车辆的横向距离和纵向距离均为零,自身长度为零,自身宽度为零,与所述车辆的横向距离大于横向设定值,雷达检测到目标物的次数与雷达连续检测目标物的检测次数的比值小于设定值中任一种情况的目标物的信息;所述摄像头信息先经过去除图像目标物的处理后再作为预测信息进行卡尔曼预测处理,所述去除图像目标物的处理是去除与所述车辆的横向距离和纵向距离均为零,自身长度为零,自身宽度为零,与所述车辆的横向距离大于横向设定值中任一种情况的目标物的信息。
4.根据权利要求2所述的车辆周边目标物的检测方法,其特征在于:所述雷达信息先经过雷达目标物初筛后,先经过去除雷达无效目标物信息的处理再作为预测信息进行卡尔曼预测处理,所述去除雷达无效目标物信息的处理是去除满足与所述车辆的横向距离和纵向距离均为零,自身长度为零,自身宽度为零,与所述车辆的横向距离大于横向设定值,雷达检测到目标物的次数与雷达连续检测目标物的检测次数的比值小于设定值中任一种情况的目标物的信息;所述摄像头信息先经过图像目标物初筛后,先经过去除图像目标物的处理后再作为预测信息进行卡尔曼预测处理,所述去除图像目标物的处理是去除与所述车辆的横向距离和纵向距离均为零,自身长度为零,自身宽度为零,与所述车辆的横向距离大于横向设定值中任一种情况的目标物的信息。
5.根据权利要求1、2、3或4所述的车辆周边目标物的检测方法,其特征在于:所述雷达为超声波雷达,摄像头为单目摄像头,所述雷达目标物赋予的加权系数是:汽车或卡车为0.7,行人或两轮车为0.3,其它目标物为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910346124.8A CN110095770A (zh) | 2019-04-26 | 2019-04-26 | 车辆周边目标物的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910346124.8A CN110095770A (zh) | 2019-04-26 | 2019-04-26 | 车辆周边目标物的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110095770A true CN110095770A (zh) | 2019-08-06 |
Family
ID=67446079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910346124.8A Pending CN110095770A (zh) | 2019-04-26 | 2019-04-26 | 车辆周边目标物的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110095770A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112116031A (zh) * | 2020-10-29 | 2020-12-22 | 重庆长安汽车股份有限公司 | 基于路侧设备的目标融合方法、系统、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 |
CN112200087A (zh) * | 2020-10-10 | 2021-01-08 | 北京理工大学 | 一种用于车辆碰撞预警的障碍物图像自动标定装置 |
CN112572462A (zh) * | 2019-09-30 | 2021-03-30 | 北京百度网讯科技有限公司 | 自动驾驶的控制方法、装置、电子设备及存储介质 |
CN113325415A (zh) * | 2021-04-20 | 2021-08-31 | 武汉光庭信息技术股份有限公司 | 车辆雷达数据和相机数据的融合方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238834A (zh) * | 2016-01-19 | 2017-10-10 | 德尔福技术有限公司 | 用于自动车辆的使用雷达/视觉融合的目标跟踪系统 |
CN107991677A (zh) * | 2017-11-28 | 2018-05-04 | 广州汽车集团股份有限公司 | 一种行人检测方法 |
CN108614262A (zh) * | 2018-06-22 | 2018-10-02 | 安徽江淮汽车集团股份有限公司 | 一种车辆前方目标物检测方法及系统 |
CN108872991A (zh) * | 2018-05-04 | 2018-11-23 | 上海西井信息科技有限公司 | 目标物检测与识别方法、装置、电子设备、存储介质 |
CN108983219A (zh) * | 2018-08-17 | 2018-12-11 | 北京航空航天大学 | 一种交通场景的图像信息和雷达信息的融合方法及系统 |
-
2019
- 2019-04-26 CN CN201910346124.8A patent/CN110095770A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238834A (zh) * | 2016-01-19 | 2017-10-10 | 德尔福技术有限公司 | 用于自动车辆的使用雷达/视觉融合的目标跟踪系统 |
CN107991677A (zh) * | 2017-11-28 | 2018-05-04 | 广州汽车集团股份有限公司 | 一种行人检测方法 |
CN108872991A (zh) * | 2018-05-04 | 2018-11-23 | 上海西井信息科技有限公司 | 目标物检测与识别方法、装置、电子设备、存储介质 |
CN108614262A (zh) * | 2018-06-22 | 2018-10-02 | 安徽江淮汽车集团股份有限公司 | 一种车辆前方目标物检测方法及系统 |
CN108983219A (zh) * | 2018-08-17 | 2018-12-11 | 北京航空航天大学 | 一种交通场景的图像信息和雷达信息的融合方法及系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112572462A (zh) * | 2019-09-30 | 2021-03-30 | 北京百度网讯科技有限公司 | 自动驾驶的控制方法、装置、电子设备及存储介质 |
US11529971B2 (en) | 2019-09-30 | 2022-12-20 | Apollo Intelligent Driving Technology (Beijing) Co., Ltd. | Method and apparatus for autonomous driving control, electronic device, and storage medium |
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 |
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 |
CN112200087A (zh) * | 2020-10-10 | 2021-01-08 | 北京理工大学 | 一种用于车辆碰撞预警的障碍物图像自动标定装置 |
CN112116031A (zh) * | 2020-10-29 | 2020-12-22 | 重庆长安汽车股份有限公司 | 基于路侧设备的目标融合方法、系统、车辆及存储介质 |
CN112116031B (zh) * | 2020-10-29 | 2024-02-09 | 重庆长安汽车股份有限公司 | 基于路侧设备的目标融合方法、系统、车辆及存储介质 |
CN113325415A (zh) * | 2021-04-20 | 2021-08-31 | 武汉光庭信息技术股份有限公司 | 车辆雷达数据和相机数据的融合方法及系统 |
CN113325415B (zh) * | 2021-04-20 | 2023-10-13 | 武汉光庭信息技术股份有限公司 | 车辆雷达数据和相机数据的融合方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110095770A (zh) | 车辆周边目标物的检测方法 | |
CN109891194B (zh) | 用于导航车道合并和车道分离的系统和方法 | |
CN107161141B (zh) | 无人驾驶汽车系统及汽车 | |
JP6800168B2 (ja) | 走行レーンを推定するための方法 | |
EP3879455A1 (en) | Multi-sensor data fusion method and device | |
US8699754B2 (en) | Clear path detection through road modeling | |
US20190204834A1 (en) | Method and apparatus for object detection using convolutional neural network systems | |
US8611585B2 (en) | Clear path detection using patch approach | |
US8634593B2 (en) | Pixel-based texture-less clear path detection | |
US8452053B2 (en) | Pixel-based texture-rich clear path detection | |
Wu et al. | Applying a functional neurofuzzy network to real-time lane detection and front-vehicle distance measurement | |
US11182628B2 (en) | Automatically perceiving travel signals | |
CN110738121A (zh) | 一种前方车辆检测方法及检测系统 | |
US11371851B2 (en) | Method and system for determining landmarks in an environment of a vehicle | |
CN106463051B (zh) | 信号机识别装置以及信号机识别方法 | |
JP2018092483A (ja) | 物体認識装置 | |
CN106585623A (zh) | 一种用于探测车辆周围目标的探测系统以及其应用 | |
JP2008168811A (ja) | 車線認識装置、車両、車線認識方法、及び車線認識プログラム | |
JP2002197470A (ja) | 車線検出装置 | |
CN113820714B (zh) | 一种基于多传感器融合的尘雾天气道路环境感知系统 | |
Shunsuke et al. | GNSS/INS/on-board camera integration for vehicle self-localization in urban canyon | |
CN113850102B (zh) | 基于毫米波雷达辅助的车载视觉检测方法及系统 | |
Sehestedt et al. | Robust lane detection in urban environments | |
CN105825495A (zh) | 物体检测装置和物体检测方法 | |
CN107609472A (zh) | 一种基于车载双摄像头的无人驾驶汽车机器视觉系统 |
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: 20190806 |
|
RJ01 | Rejection of invention patent application after publication |