CN110738105A - 一种基于深度学习的计算城市街道小区人流量的方法、装置、系统及存储介质 - Google Patents

一种基于深度学习的计算城市街道小区人流量的方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN110738105A
CN110738105A CN201910837464.0A CN201910837464A CN110738105A CN 110738105 A CN110738105 A CN 110738105A CN 201910837464 A CN201910837464 A CN 201910837464A CN 110738105 A CN110738105 A CN 110738105A
Authority
CN
China
Prior art keywords
pedestrian
deep learning
image
coordinates
laser radar
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
Application number
CN201910837464.0A
Other languages
English (en)
Inventor
林芳莹
冯威潮
曾国坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN201910837464.0A priority Critical patent/CN110738105A/zh
Publication of CN110738105A publication Critical patent/CN110738105A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
    • G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/30196—Human being; Person

Abstract

本发明提供了一种基于深度学习的计算城市街道小区人流量的方法，包括搭建数据采集装置；搭建配置包括差分GPS、惯性测量单元、多线激光雷达及广角双目摄像头的数据采集装置；该方法还包括执行如下步骤：步骤1：广角双目摄像头采集数据，利用深度学习的行人识别算法识别行人，并输出在图像画面的位置和长宽（u，v，w,h）；步骤2：通过粒子滤波算法跟踪步骤1识别的行人；步骤3：利用激光雷达实现行人位置的精确测量；步骤4：通过差分GPS结合惯性测量单元实现在地图上的精确定位。本发明的有益效果是：能得出精确的城市街道，小区人流量统计，其显示结果能精确到每平方米上有多少个人，比当前流行的热力图热流统计更精确，更直观。

Description

一种基于深度学习的计算城市街道小区人流量的方法、装置、 系统及存储介质
技术领域
本发明涉及计算机软件领域，尤其涉及一种基于深度学习的计算城市街道小区人流量的方法、装置、系统及存储介质。
背景技术
随着人们生活水平的提高和出行的便利，人们经常会选择在节假日等时间集中出行旅游等，因此在景区、火车站、汽车站、商场等常常会出现人流量爆满的情况，这给人们的出行带来很大的不便。
百度地图发布了“景区热力图”，通过“景区热力图”，北上广深13座城市、118个商业区和景区的人流量以热力图的形式直观展示，并且在搜索结果中自动匹配。百度景区热力图基于百度搜索丰富的数据和技术积累以及百度地图实时数据采集、计算、反馈技术的强大优势，“热力图”的实时数据来自于百度地图用户手机网民的实时定位请求，百度通过复杂的算法对用户的定位请求和行动轨迹进行分析，最终以“热力图”的形式呈献给广大用户。但是，用户使用“景区热力图”必须下载百度地图，而且必须打开GPS定位服务和数据连接服务。
然而百度热力图的缺点在于只能测算某一大范围地区的大概人流量，而且由于统计测算的方法是基于用于安装在用户手机上的APP数据反馈，这会导致漏算没有安装APP的用户或者把在楼宇住宅的人多算到临街的热流统计上，得出人流统计的不精确结果。
发明内容
本发明提供了一种基于深度学习的计算城市街道小区人流量的方法，包括搭建数据采集装置；搭建配置包括差分GPS、惯性测量单元、多线激光雷达及广角双目摄像头的数据采集装置；
该方法还包括执行如下步骤：
步骤1：广角双目摄像头采集数据，利用深度学习的行人识别算法识别行人，并输出在图像画面的位置和长宽(u，v，w,h)，其中u,v表示在图像上的位置，w,h代表在图像上的宽和高；
步骤2：通过粒子滤波算法跟踪步骤1识别的行人；
步骤3：利用激光雷达实现行人位置的精确测量；
步骤4：通过差分GPS结合惯性测量单元实现在地图上的精确定位。
作为本发明的进一步改进，在所述步骤3中，所述精确测量为通过多线激光雷达，产生采集装置周围环境数据的点云，每个点云的坐标记为x,y,z，然后通过公式进行图像坐标(u,v)和激光点云坐标(x,y,z)的转换。
作为本发明的进一步改进，在所述步骤3中，所述图像坐标(u,v)和激光点云坐标(x,y,z)的转换公式具体如下：
其中，S为标量，fx为x轴焦距，fy为y轴焦距，Cx为镜头光心在图像中心的x轴偏移，Cy为镜头光心在图像中心的y轴偏移，r为旋转矩阵，t为平移矩阵。
作为本发明的进一步改进，在所述步骤4中，还包括执行如下步骤：
第1步骤：数据采集装置在工作过程中每时刻产生高精度的经纬度,相对应的笛卡尔坐标记为X1,Y1；
第2步骤：通过平面坐标转换公式识别出的行人位置转化成地图上的经纬度坐标，并把该信息映射到地图上。
作为本发明的进一步改进，所述平面坐标转换公式具体如下：
x1＝xcos(β)+ysin(β)；
y1＝ycos(β)-xsin(β)；
其中，x1，y1为笛卡尔坐标，x、y为相对坐标。
本发明还公开了一种基于深度学习的计算城市街道小区人流量的装置，包括：
第一模块单元：用于广角双目摄像头采集数据，利用深度学习的行人识别算法识别行人，并输出在图像画面的位置和长宽(u，v，w,h)，其中u,v表示在图像上的位置，w,h代表在图像上的宽和高；
第二模块单元：用于通过粒子滤波算法跟踪第一模块单元识别的行人；
第三模块单元：用于利用激光雷达实现行人位置的精确测量；
第四模块单元：用于利用激光雷达实现行人位置的精确测量。
本发明还公开了一种基于深度学习的计算城市街道小区人流量的系统，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现权利要求所述的基于深度学习的计算城市街道小区人流量的步骤。
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求所述的基于深度学习的计算城市街道小区人流量的步骤。
本发明的有益效果是：本发明的一种基于深度学习的计算城市街道小区人流量的方法能得出精确的城市街道，小区人流量统计，其显示结果能精确到每平方米上有多少个人，比当前流行的热力图热流统计更精确，更直观。
附图说明
图1是本发明的方法流程图。
具体实施方式
如图1所示，本发明公开了一种基于深度学习的计算城市街道小区人流量的方法，包括搭建数据采集装置；搭建配置包括差分GPS、惯性测量单元、多线激光雷达及广角双目摄像头的数据采集装置；
该方法还包括执行如下步骤：
步骤1：广角双目摄像头采集数据，利用深度学习的行人识别算法(如YOLOV3)识别行人，并输出在图像画面的位置和长宽(u，v，w,h)，其中u,v表示在图像上的位置，w,h代表在图像上的宽和高；
步骤2：通过粒子滤波算法跟踪步骤1识别的行人，防止重算；
步骤3：利用激光雷达实现行人位置的精确测量；
步骤4：通过高精度的差分GPS结合惯性测量单元实现在地图上的精确定位。
在所述步骤3中，所述精确测量为通过多线激光雷达，产生采集装置周围环境数据的点云，每个点云的坐标记为x,y,z，然后通过公式进行图像坐标(u,v)和激光点云坐标(x,y,z)的转换。
在所述步骤3中，所述图像坐标(u,v)和激光点云坐标(x,y,z)的转换公式具体如下：
Figure BDA0002192647490000041
其中，S为标量，fx为x轴焦距，fy为y轴焦距，Cx为镜头光心在图像中心的x轴偏移，Cy为镜头光心在图像中心的y轴偏移，r为旋转矩阵，t为平移矩阵。
在所述步骤4中，还包括执行如下步骤：
第1步骤：数据采集装置在工作过程中每时刻产生高精度的经纬度,相对应的笛卡尔坐标记为X1,Y1；
第2步骤：通过平面坐标转换公式识别出的行人位置转化成地图上的经纬度坐标，并把该信息映射到地图上。
所述平面坐标转换公式具体如下：
x1＝xcos(β)+ysin(β)；
y1＝ycos(β)-xsin(β)；
其中，x1，y1为笛卡尔坐标，x、y为相对坐标。
使得识别出的行人位置转化成地图上的经纬度坐标，并把该信息映射到地图上，这样在地图上能精确的显示人员，人流数量。
所述数据采集装置优先选用数据采集车，所述广角双目摄像头为车载广角双目摄像头，所述多线激光雷达为车载多线激光雷达。
本发明公开的一种基于深度学习的计算城市街道小区人流量的方法，差分GPS集合惯性测量单元用于精确定位数据采集车的位置，多线激光雷达用于测量被识别物体的距离，摄像头由于识别人或其他目标。
本发明公开的一种基于深度学习的计算城市街道小区人流量的方法结合了深度学习的行人识别算法和高精度的三维重构方法，能精确的计算出城市街道小区地图上的人员分布。这些数据有很高的经济价值。
本发明还公开了一种基于深度学习的计算城市街道小区人流量的装置，包括：
第一模块单元：用于广角双目摄像头采集数据，利用深度学习的行人识别算法识别行人，并输出在图像画面的位置和长宽(u，v，w,h)，其中u,v表示在图像上的位置，w,h代表在图像上的宽和高；
第二模块单元：用于通过粒子滤波算法跟踪第一模块单元识别的行人；
第三模块单元：用于利用激光雷达实现行人位置的精确测量；
第四模块单元：用于利用激光雷达实现行人位置的精确测量。
本发明还公开了一种基于深度学习的计算城市街道小区人流量的系统，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现权利要求所述的基于深度学习的计算城市街道小区人流量的步骤。
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求所述的基于深度学习的计算城市街道小区人流量的步骤。
本发明的有益效果是：本发明的一种基于深度学习的计算城市街道小区人流量的方法能得出精确的城市街道，小区人流量统计，其显示结果能精确到每平方米上有多少个人，比当前流行的热力图热流统计更精确，更直观。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.一种基于深度学习的计算城市街道小区人流量的方法，其特征在于，包括搭建数据采集装置；搭建配置包括差分GPS、惯性测量单元、多线激光雷达及广角双目摄像头的数据采集装置；
该方法还包括执行如下步骤：
步骤1：广角双目摄像头采集数据，利用深度学习的行人识别算法识别行人，并输出在图像画面的位置和长宽(u，v，w,h)，其中u,v表示在图像上的位置，w,h代表在图像上的宽和高；
步骤2：通过粒子滤波算法跟踪步骤1识别的行人；
步骤3：利用激光雷达实现行人位置的精确测量；
步骤4：通过差分GPS结合惯性测量单元实现在地图上的精确定位。
2.根据权利要求1所述的方法，其特征在于：在所述步骤3中，所述精确测量为通过多线激光雷达，产生采集装置周围环境数据的点云，每个点云的坐标记为x,y,z，然后通过公式进行图像坐标(u,v)和激光点云坐标(x,y,z)的转换。
3.根据权利要求2所述的方法，其特征在于，在所述步骤3中，所述图像坐标(u,v)和激光点云坐标(x,y,z)的转换公式具体如下：
其中，S为标量，fx为x轴焦距，fy为y轴焦距，Cx为镜头光心在图像中心的x轴偏移，Cy为镜头光心在图像中心的y轴偏移，r为旋转矩阵，t为平移矩阵。
4.根据权利要求1所述的方法，其特征在于，在所述步骤4中，还包括执行如下步骤：
第1步骤：数据采集装置在工作过程中每时刻产生高精度的经纬度,相对应的笛卡尔坐标记为X1,Y1；
第2步骤：通过平面坐标转换公式识别出的行人位置转化成地图上的经纬度坐标，并把该信息映射到地图上。
5.根据权利要求4所述的方法，其特征在于，所述平面坐标转换公式具体如下：
x1＝xcos(β)+ysin(β)；
y1＝ycos(β)-xsin(β)；
其中，x1，y1为笛卡尔坐标，x、y为相对坐标。
6.一种基于深度学习的计算城市街道小区人流量的装置，其特征在于，包括：
第一模块单元：用于广角双目摄像头采集数据，利用深度学习的行人识别算法识别行人，并输出在图像画面的位置和长宽(u，v，w,h)，其中u,v表示在图像上的位置，w,h代表在图像上的宽和高；
第二模块单元：用于通过粒子滤波算法跟踪第一模块单元识别的行人；
第三模块单元：用于利用激光雷达实现行人位置的精确测量；
第四模块单元：用于利用激光雷达实现行人位置的精确测量。
7.一种基于深度学习的计算城市街道小区人流量的系统，其特征在于，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现权利要求1－5中任一项所述的基于深度学习的计算城市街道小区人流量的步骤。
8.一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存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求1－5中任一项所述的基于深度学习的计算城市街道小区人流量的步骤。
CN201910837464.0A 2019-09-05 2019-09-05 一种基于深度学习的计算城市街道小区人流量的方法、装置、系统及存储介质 Pending CN110738105A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910837464.0A CN110738105A (zh) 2019-09-05 2019-09-05 一种基于深度学习的计算城市街道小区人流量的方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910837464.0A CN110738105A (zh) 2019-09-05 2019-09-05 一种基于深度学习的计算城市街道小区人流量的方法、装置、系统及存储介质

Publications (1)

Publication Number Publication Date
CN110738105A true CN110738105A (zh) 2020-01-31

Family

ID=69268049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910837464.0A Pending CN110738105A (zh) 2019-09-05 2019-09-05 一种基于深度学习的计算城市街道小区人流量的方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN110738105A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561971A (zh) * 2020-12-16 2021-03-26 珠海格力电器股份有限公司 人流量统计方法、装置、设备及存储介质
CN113163110A (zh) * 2021-03-05 2021-07-23 北京宙心科技有限公司 一种人流密度分析系统及分析方法
CN113253324A (zh) * 2021-02-25 2021-08-13 安徽乐道信息科技有限公司 一种高速公路目标场景定位方法、导航方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069429A (zh) * 2015-07-29 2015-11-18 中国科学技术大学先进技术研究院 一种基于大数据平台的人流量分析统计方法和系统
CN105184812A (zh) * 2015-07-21 2015-12-23 复旦大学 一种基于目标跟踪的行人徘徊检测算法
CN109634279A (zh) * 2018-12-17 2019-04-16 武汉科技大学 基于激光雷达与单目视觉的物体定位方法
CN109917818A (zh) * 2019-01-31 2019-06-21 天津大学 基于地面机器人的协同搜索围堵方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184812A (zh) * 2015-07-21 2015-12-23 复旦大学 一种基于目标跟踪的行人徘徊检测算法
CN105069429A (zh) * 2015-07-29 2015-11-18 中国科学技术大学先进技术研究院 一种基于大数据平台的人流量分析统计方法和系统
CN109634279A (zh) * 2018-12-17 2019-04-16 武汉科技大学 基于激光雷达与单目视觉的物体定位方法
CN109917818A (zh) * 2019-01-31 2019-06-21 天津大学 基于地面机器人的协同搜索围堵方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561971A (zh) * 2020-12-16 2021-03-26 珠海格力电器股份有限公司 人流量统计方法、装置、设备及存储介质
CN113253324A (zh) * 2021-02-25 2021-08-13 安徽乐道信息科技有限公司 一种高速公路目标场景定位方法、导航方法及系统
CN113253324B (zh) * 2021-02-25 2024-03-29 安徽乐道智能科技有限公司 一种高速公路目标场景定位方法、导航方法及系统
CN113163110A (zh) * 2021-03-05 2021-07-23 北京宙心科技有限公司 一种人流密度分析系统及分析方法

Similar Documents

Publication Publication Date Title
CN110174093B (zh) 定位方法、装置、设备和计算机可读存储介质
CN107505644B (zh) 基于车载多传感器融合的三维高精度地图生成系统及方法
CN108694882B (zh) 用于标注地图的方法、装置和设备
JP4232167B1 (ja) 対象特定装置、対象特定方法および対象特定プログラム
US20190034740A1 (en) Method, apparatus, and system for vanishing point/horizon estimation using lane models
CN109961522B (zh) 图像投射方法、装置、设备和存储介质
CN110135376A (zh) 确定图像传感器的坐标系转换参数的方法、设备和介质
US20080170755A1 (en) Methods and apparatus for collecting media site data
CN109300143B (zh) 运动向量场的确定方法、装置、设备、存储介质和车辆
JP6950832B2 (ja) 位置座標推定装置、位置座標推定方法およびプログラム
CN110738105A (zh) 一种基于深度学习的计算城市街道小区人流量的方法、装置、系统及存储介质
US11024054B2 (en) Method, apparatus, and system for estimating the quality of camera pose data using ground control points of known quality
CN103747207A (zh) 基于视频监控网络的定位与追踪方法
EP3644013B1 (en) Method, apparatus, and system for location correction based on feature point correspondence
JP2009076096A (ja) 対象特定装置
US10909714B2 (en) Method, apparatus, and system for providing a distance marker in an image
CN111932627B (zh) 一种标识物绘制方法及系统
WO2021017211A1 (zh) 一种基于视觉的车辆定位方法、装置及车载终端
CN113034586A (zh) 道路倾角检测方法和检测系统
CN112446915B (zh) 一种基于图像组的建图方法及装置
CN115205382A (zh) 目标物定位方法以及装置
CN112651991A (zh) 视觉定位方法、装置及计算机系统
CN112818866B (zh) 车辆定位的方法、装置及电子设备
CN111435565A (zh) 道路交通状态检测方法、装置、电子设备及存储介质
CN114858134A (zh) 基于目标位置信息的单目摄像头测距方法及可读存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200131

RJ01 Rejection of invention patent application after publication