CN110738704A - 一种车载无透镜双目成像方法及其汽车 - Google Patents
一种车载无透镜双目成像方法及其汽车 Download PDFInfo
- Publication number
- CN110738704A CN110738704A CN201911034187.6A CN201911034187A CN110738704A CN 110738704 A CN110738704 A CN 110738704A CN 201911034187 A CN201911034187 A CN 201911034187A CN 110738704 A CN110738704 A CN 110738704A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- automobile
- image information
- imaging method
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 17
- 239000011248 coating agent Substances 0.000 claims abstract description 12
- 238000000576 coating method Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000007888 film coating Substances 0.000 description 1
- 238000009501 film coating Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R11/00—Arrangements for holding or mounting articles, not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20228—Disparity calculation for image-based rendering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及了一种车载无透镜双目成像方法及汽车，包括以下步骤：在汽车挡风玻璃厚度方向的外壁上进行镀膜，在汽车挡风玻璃的左右两侧留有未镀膜区域，在左右两个未镀膜区域分别设置有一个图像传感器，将图像传感器的感光面朝向汽车挡风玻璃的内部；图像传感器获取车外的物品通过反射和/或折射外来光线或者自身产生光线，形成图像信息；通过图片解析程序对图像信息进行解析，得到最终的图像。区别现有技术，本发明减少了对车内空间的占用，方便整车布置。在挡风玻璃四周进行镀膜，提高光线在挡风玻璃内的反射次数，加大光线进入图像传感器的概率，提高光线信息的完整度。
Description
技术领域
本发明涉及车辆领域，特别涉及一种车载无透镜双目成像方法及其汽车。
背景技术
近年来，随着人们对汽车安全性能要求的提升，双目视差技术逐渐应用于汽车主动安全控制，现阶段的双目视差技术普遍基于两个并列的传统透镜摄像头，如图1所示。两个摄像头被安装于车内后视镜与挡风玻璃之间的位置。由于双目视差技术的条件限制，两个摄像头之间的距离应大于20厘米左右，这将占据了汽车大量面积，不便于整车布置，同时极大程度地影响了汽车的整体美观。而且透镜繁多，成本高。
发明内容
为此，需要提供一种车载无透镜双目成像方法及其汽车，解决现有技术问题的技术方案。
为实现上述目的，发明人提供了一种车载无透镜双目成像方法，包括以下步骤：
安装图像传感器；
在汽车挡风玻璃厚度方向的外壁上进行镀膜，在汽车挡风玻璃的左右两侧留有未镀膜区域，在左右两个未镀膜区域分别设置有一个图像传感器，将图像传感器的感光面朝向汽车挡风玻璃的内部；
图像传感器获取图像信息；
图像传感器获取车外的物品通过反射和/或折射外来光线或者自身产生光线，形成图像信息；
分析图像信息；
通过图片解析程序对图像信息进行解析，得到最终的图像。
作为本发明的一种优选方法，为了改善现有的双目视差技术得到的图像精度不高的问题，在所述图片解析程序对图像信息进行解析步骤之前，需要对图片解析程序进行训练，训练过程如下：
首先，通过图像传感器得到原始信息；
其次，为图片解析程序提供参考图；
以原始信息为神经网络的输入层，再构建1层或多层隐藏层，每个隐藏层由若干个节点，以解析图像为神经网络输出层，每层的每个节点与下层节点连接时有不同权值。
最终，通过训练得到合适的权值。
此时，通过使用神经网络对其进行解析，可以得到精度较高的图像。
作为本发明的一种优选方法，为了改善图片解析过程中解析精度不够的问题，所述图片解析程序通过不断地重复训练，最终得到一个神经网络的架构，使其输出的图像与参考图像尽可能一致，直到所述图片解析程序的神经网络识别部分训练完成。使得经过不断的自我训练软件内的神经网络解析模块来提高解析精度。
作为本发明的一种优选方法，为了改善现有技术中计算量大的问题，所述图片解析程序对图像信息进行解析步骤包括以下步骤：
所述图片解析程序将图像信息转化为单通道灰度图像信息，所述图片解析程序将单通道灰度图像信息转化为机器数据，进行解析机器数据。将图像信息转化为及其能够读取的数据，提高解析图像的效率。
作为本发明的一种优选方法，为了改善现有技术中左右摄像头得到的图像存在差异的问题，在分析图像信息得到最终的图像步骤之后，还包括以下步骤：
通过双目视差程序对最终的图像进行分析，得到深度图像，所述深度图像为车外物品距离汽车距离的图像。可以用于实现汽车的自动紧急制动、自动巡航等功能。
作为本发明的一种优选方法，所述双目视差程序包括以下步骤：获得已被解析最终的图像，然后匹配对应特征点，根据特征点对时间的距离生成深度图。
作为本发明的一种优选方法，所述深度图像用于控制汽车的自动紧急制动、自动巡航的功能。
区别于现有技术，上述技术方案在车挡风玻璃厚度方向的外壁上进行镀膜，在汽车挡风玻璃的左右两侧留有未镀膜区域，在左右两个未镀膜区域分别设置有一个图像传感器，将图像传感器的感光面朝向汽车挡风玻璃的内部，图像传感器获取车外的物品通过反射和/或折射外来光线或者自身产生光线，形成图像信息，进一步通过图片解析程序对图像信息进行解析，得到最终的图像。一方面将两个图像传感器安装于挡风玻璃两侧，无需透镜，便可得到由车外射入的光线信息。减少了对车内空间的占用，方便整车布置；另一方面在在挡风玻璃四周进行镀膜，提高光线在挡风玻璃内的反射次数，加大光线进入图像传感器的概率，提高光线信息的完整度。
为实现上述目的，发明人还提供了一种汽车，包括车载控制系统，所述车载控制系统储存有计算机程序，所述计算机程序用于执行如发明人上述提供的任意一种车载无透镜双目成像方法。
区别于现有技术，上述技术方案在车挡风玻璃厚度方向的外壁上进行镀膜，在汽车挡风玻璃的左右两侧留有未镀膜区域，在左右两个未镀膜区域分别设置有一个图像传感器，将图像传感器的感光面朝向汽车挡风玻璃的内部，图像传感器获取车外的物品通过反射和/或折射外来光线或者自身产生光线，形成图像信息，进一步通过图片解析程序对图像信息进行解析，得到最终的图像。一方面将两个图像传感器安装于挡风玻璃两侧，无需透镜，便可得到由车外射入的光线信息。减少了对车内空间的占用，方便整车布置；另一方面在在挡风玻璃四周进行镀膜，提高光线在挡风玻璃内的反射次数，加大光线进入图像传感器的概率，提高光线信息的完整度。
附图说明
图1为背景技术所述传统透镜的摄像头；
图2为具体实施方式所述图像传感器的位置示意图；
图3为具体实施方式所述图像传感器捕捉光线的示意图；
图4为具体实施方式所述图片解析的过程示意图；
图5为具体实施方式所述图像传感器得到的信息以及图像解析效果图；
图6为具体实施方式所述神经网络识别模块的训练示意图；
图7为具体实施方式所述双目视差程序流程图。
附图标记说明：
1、透镜；
2、图像传感器；
3、镀膜区域；
4、挡风玻璃；
5、车外图像；
6、车内；
7、光源；
8、光线。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
请参阅图2，本实施例涉及一种车载无透镜双目成像方法，包括以下步骤；
第一步，安装图像传感器2，在汽车挡风玻璃4厚度方向的外壁上进行镀膜，形成镀膜区域3，在汽车挡风玻璃4的左右两侧留有未镀膜区域，在左右两个未镀膜区域分别设置有一个图像传感器2，将图像传感器2的感光面朝向汽车挡风玻璃4的内部；将两个图像传感器安装于挡风玻璃两侧，无需透镜，便可得到由车外射入的光线信息。减少了对车内空间的占用，方便整车布置，另一方面在在挡风玻璃四周进行镀膜，提高光线在挡风玻璃内的反射次数，加大光线进入图像传感器的概率，提高光线信息的完整度。
第二步，图像传感器2获取图像信息，图像传感器2获取车外的物品通过反射和/或折射外来光线8或者自身产生光线8，形成图像信息。
具体地，如图3所示，车外的物品通过反射外来光线8或者自身产生光线8，可以将每个物品看成由无数个“光源7点”组成的。以其中一个图像传感器2为例，一个光源7点发出的光线8通过挡风玻璃4时，将会在挡风玻璃4内部发生折射与反射，同时四周镀膜增强了光在挡风玻璃4内的反射次数，大大增加了光线8被图像传感器2捕捉的概率。由于不存在透镜1，光线8在图像传感器2上留下的信息无法被直接解读为对应图像。
可选的，如图4所示，通过图片解析程序对图像传感器2上的信息进行解析，从而解码该图像信息。如图5所示，看到图像传感器2得到信息以及初步图像解析效果，为了得到更加清晰的图像，同时为了降低计算量，将其进行灰度处理，将图片尽可能多的等分成若干份，等分的数量越多，精度越高，例如可以将分辨率为1080P的图片分成1920*1080份，对每份的灰度值进行求平均值，而后得到一组灰度值数据。然后软件对该灰度值数据进行处理后，还原为解析得到的图像。使图片解析过程的计算量降低，提高了图像解析的效果和效率。
在图片解析程序能够准确识别图像前，应当对软件进行训练，如图6所示，首先，通过图像传感器2得到原始信息，即采用上述方法得到的一组灰度值数据，如5所示的第二列数据；其次，为图片解析程序提供参考图，参考图与原始图必须划分相同的份数，进而得到另一组灰度值数据，如图5所示第二列数据；以原始信息为神经网络的输入层，再构建1层或多层隐藏层，每个隐藏层由若干个节点，以解析图像为神经网络输出层，每层的每个节点与下层节点连接时有不同权值。通过使用神经网络对其进行解析，可以得到精度较高的图像。并不断自我训练，进一步提高解析精度。
训练时，为软件提供输入层数据，即传感器得到的原始信息，输出层数据，即参考图像，则神经网络能够自我训练推导出适当的内部各层的权值分配。为了使解析的图像的精度更高，所述图片解析程序通过不断地重复训练，最终得到一个神经网络的架构，使其输出的图像与参考图像尽可能一致，直到所述图片解析程序的神经网络识别部分训练完成。最终，通过训练得到合适的权值。该合适的权值即可以保证软件识别的精度。通过不断的自我训练软件内的神经网络解析模块来提高解析精度。
此后，仅需提供传感器信息作为输入层，经后便可以经过训练后的软件，即可解析为普通的图像，即输出层，操作简单，图片解析精度高。
第三步，分析图像信息，通过图片解析程序对图像信息进行解析，所述图片解析程序对图像信息进行解析步骤包括以下步骤：所述图片解析程序将图像信息转化为单通道灰度图像信息，所述图片解析程序将单通道灰度图像信息转化为机器数据，进行解析机器数据。将图像信息转化为及其能够读取的数据，提高解析图像的效率。
如图7所示，在分析图像信息得到最终的图像步骤之后，继续进行以下步骤：通过双目视差程序对最终的图像进行分析，具体地，获得已被解析最终的图像，然后匹配对应特征点，根据特征点对时间的距离生成深度图，得到最终的深度图像。两侧图像传感器得到的信息均通过图片解析程序转化为可以识别的图像后，再通过双目视差程序即可得到深度图像。
本实施例中，所述深度图像为车外物品距离汽车距离的图像。
可选的，所述深度图像用于控制汽车的自动紧急制动、自动巡航的功能。
区别于现有技术，上述技术方案在车挡风玻璃4厚度方向的外壁上进行镀膜，在汽车挡风玻璃4的左右两侧留有未镀膜区域，在左右两个未镀膜区域分别设置有一个图像传感器2，将图像传感器2的感光面朝向汽车挡风玻璃4的内部，图像传感器2获取车外的物品通过反射和/或折射外来光线8或者自身产生光线8，形成图像信息，进一步通过图片解析程序对图像信息进行解析，得到最终的图像。一方面将两个图像传感器2安装于挡风玻璃4两侧，无需透镜，便可得到由车外射入的光线8信息。减少了对车内6空间的占用，方便整车布置；另一方面在在挡风玻璃4四周进行镀膜，提高光线8在挡风玻璃4内的反射次数，加大光线8进入图像传感器2的概率，提高光线8信息的完整度。
本实施例中还涉及一种汽车，包括车载控制系统，所述车载控制系统储存有计算机程序，所述计算机程序用于执行如发明人上述提供的任意一种车载无透镜双目成像方法。
此时，将两个图像传感器2安装于防风玻璃两侧，无需透镜，一方面大幅降低了制造成本，另一方面约了车内6空间，方便整车布置，同时提高了汽车的美观度。进一步地，使用神经网络实现对传感器信息的自我训练与解析，提高了解析精度，降低了对传感器精度的要求，进一步降低了成本。
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。而且，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、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
本领域内的技术人员应明白，上述各实施例可提供为方法、装置、或计算机程序产品。这些实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。上述各实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机设备可读取的存储介质中，用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备，包括但不限于：个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等；所述的存储介质，包括但不限于：RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
上述各实施例是参照根据实施例所述的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到计算机设备的处理器以产生一个机器，使得通过计算机设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机设备以特定方式工作的计算机设备可读存储器中，使得存储在该计算机设备可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机设备上，使得在计算机设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。
Claims (8)
1.一种车载无透镜双目成像方法，其特征在于，包括以下步骤：
安装图像传感器；
在汽车挡风玻璃厚度方向的外壁上进行镀膜，在汽车挡风玻璃的左右两侧留有未镀膜区域，在左右两个未镀膜区域分别设置有一个图像传感器，将图像传感器的感光面朝向汽车挡风玻璃的内部；
图像传感器获取图像信息；
图像传感器获取车外的物品通过反射和/或折射外来光线或者自身产生光线，形成图像信息；
分析图像信息；
通过图片解析程序对图像信息进行解析，得到最终的图像。
2.根据权利要求1所述的车载无透镜双目成像方法，其特征在于，
在所述图片解析程序对图像信息进行解析步骤之前，需要对图片解析程序进行训练，训练过程如下：
首先，通过图像传感器得到原始信息；
其次，为图片解析程序提供参考图；
以原始信息为神经网络的输入层，再构建1层或多层隐藏层，每个隐藏层由若干个节点，以解析图像为神经网络输出层，每层的每个节点与下层节点连接时有不同权值。
最终，通过训练得到合适的权值。
3.根据权利要求2所述的车载无透镜双目成像方法，其特征在于：
所述图片解析程序通过不断地重复训练，最终得到一个神经网络的架构，使其输出的图像与参考图像尽可能一致，直到所述图片解析程序的神经网络识别部分训练完成。
4.根据权利要求1所述的车载无透镜双目成像方法，其特征在于，所述图片解析程序对图像信息进行解析步骤包括以下步骤：
所述图片解析程序将图像信息转化为单通道灰度图像信息，所述图片解析程序将单通道灰度图像信息转化为机器数据，进行解析机器数据。
5.根据权利要求1所述的车载无透镜双目成像方法，其特征在于，在分析图像信息得到最终的图像步骤之后，还包括以下步骤：
通过双目视差程序对最终的图像进行分析，得到深度图像，所述深度图像为车外物品距离汽车距离的图像。
6.根据权利要求5所述的车载无透镜双目成像方法，其特征在于，所述双目视差程序包括以下步骤：
获得已被解析最终的图像，然后匹配对应特征点，根据特征点对时间的距离生成深度图。
7.根据权利要求6所述的车载无透镜双目成像方法，其特征在于，所述深度图像用于控制汽车的自动紧急制动、自动巡航的功能。
8.一种汽车，其特征在于，包括：
车载控制系统，所述车载控制系统储存有计算机程序，所述计算机程序用于执行如权利要求1-7任意一项所述的车载无透镜双目成像方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911034187.6A CN110738704A (zh) | 2019-10-29 | 2019-10-29 | 一种车载无透镜双目成像方法及其汽车 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911034187.6A CN110738704A (zh) | 2019-10-29 | 2019-10-29 | 一种车载无透镜双目成像方法及其汽车 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110738704A true CN110738704A (zh) | 2020-01-31 |
Family
ID=69271798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911034187.6A Pending CN110738704A (zh) | 2019-10-29 | 2019-10-29 | 一种车载无透镜双目成像方法及其汽车 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110738704A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102390370A (zh) * | 2011-10-25 | 2012-03-28 | 河海大学 | 一种基于立体视觉的车辆行驶应急处理装置及方法 |
| CN103407407A (zh) * | 2013-08-28 | 2013-11-27 | 沈阳工业大学 | 基于双目立体视觉的汽车安全车距警示装置及方法 |
| WO2016035281A1 (ja) * | 2014-09-04 | 2016-03-10 | 株式会社ランディード | 車載システム、情報処理方法、およびコンピュータプログラム |
| CN106183733A (zh) * | 2016-08-18 | 2016-12-07 | 福建省汽车工业集团云度新能源汽车股份有限公司 | 一种集成行车记录仪的前挡风玻璃及汽车 |
| CN205854037U (zh) * | 2016-08-18 | 2017-01-04 | 福建省汽车工业集团云度新能源汽车股份有限公司 | 一种嵌有摄像装置的挡风玻璃 |
| CN108282225A (zh) * | 2017-12-27 | 2018-07-13 | 吉林大学 | 基于无透镜成像器的可见光通信方法 |
| US20190294108A1 (en) * | 2018-03-21 | 2019-09-26 | The Regents Of The University Of California | Method and system for phase recovery and holographic image reconstruction using a neural network |
-
2019
- 2019-10-29 CN CN201911034187.6A patent/CN110738704A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102390370A (zh) * | 2011-10-25 | 2012-03-28 | 河海大学 | 一种基于立体视觉的车辆行驶应急处理装置及方法 |
| CN103407407A (zh) * | 2013-08-28 | 2013-11-27 | 沈阳工业大学 | 基于双目立体视觉的汽车安全车距警示装置及方法 |
| WO2016035281A1 (ja) * | 2014-09-04 | 2016-03-10 | 株式会社ランディード | 車載システム、情報処理方法、およびコンピュータプログラム |
| CN106183733A (zh) * | 2016-08-18 | 2016-12-07 | 福建省汽车工业集团云度新能源汽车股份有限公司 | 一种集成行车记录仪的前挡风玻璃及汽车 |
| CN205854037U (zh) * | 2016-08-18 | 2017-01-04 | 福建省汽车工业集团云度新能源汽车股份有限公司 | 一种嵌有摄像装置的挡风玻璃 |
| CN108282225A (zh) * | 2017-12-27 | 2018-07-13 | 吉林大学 | 基于无透镜成像器的可见光通信方法 |
| US20190294108A1 (en) * | 2018-03-21 | 2019-09-26 | The Regents Of The University Of California | Method and system for phase recovery and holographic image reconstruction using a neural network |
Non-Patent Citations (1)
| Title |
|---|
| 王华兵 等: "《材料加工原理及工艺学 无机非金属材料和金属材料分册》", 西安电子科技大学出版社, pages: 131 - 37 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709343B (zh) | 一种点云检测方法、装置、计算机设备和存储介质 | |
| CN110929692B (zh) | 一种基于多传感器信息融合的三维目标检测方法及装置 | |
| US11393256B2 (en) | Method and device for liveness detection, and storage medium | |
| CN113312983B (zh) | 基于多模态数据融合的语义分割方法、系统、装置及介质 | |
| CN112930554A (zh) | 用于确定车辆环境的语义网格的电子设备、系统和方法 | |
| US11756308B2 (en) | Neural network device and method using a neural network for sensor fusion | |
| US11604272B2 (en) | Methods and systems for object detection | |
| CN114821505B (zh) | 基于鸟瞰图的多视角3d目标检测方法、存储器及系统 | |
| CN110853085B (zh) | 基于语义slam的建图方法和装置及电子设备 | |
| CN112733672B (zh) | 基于单目相机的三维目标检测方法、装置和计算机设备 | |
| US20230028802A1 (en) | Lens assembly, optical unit and electronic device | |
| US11308324B2 (en) | Object detecting system for detecting object by using hierarchical pyramid and object detecting method thereof | |
| CN116486368A (zh) | 基于自动驾驶场景下的多模态融合三维目标鲁棒检测方法 | |
| CN116543143A (zh) | 一种目标检测模型的训练方法、目标检测方法及装置 | |
| CN116245930A (zh) | 一种基于注意力全景感知引导的深度补全方法及装置 | |
| US12079970B2 (en) | Methods and systems for semantic scene completion for sparse 3D data | |
| WO2024045942A1 (zh) | 环境信息感知方法、装置、系统、计算机设备及存储介质 | |
| CN110738704A (zh) | 一种车载无透镜双目成像方法及其汽车 | |
| CN114359891B (zh) | 一种三维车辆检测方法、系统、装置及介质 | |
| Li et al. | MASNet: Road semantic segmentation based on multi-scale modality fusion perception | |
| CN116958190A (zh) | 动态场景处理方法、神经网络模型训练方法和装置 | |
| EP4295271A1 (en) | Apparatus, system and method for translating sensor label data between sensor domains | |
| KR20220040530A (ko) | 딥 러닝 기반 저조도 영상 분할 시스템 및 방법 | |
| CN115829898B (zh) | 数据处理方法、装置、电子设备、介质以及自动驾驶车辆 | |
| CN118072146B (zh) | 一种基于多层级特征融合的无人机航拍小目标检测方法 |
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: 20200131 |