CN111161558A - 一种基于深度学习的实时判断叉车行驶位置的方法 - Google Patents

一种基于深度学习的实时判断叉车行驶位置的方法 Download PDF

Info

Publication number
CN111161558A
CN111161558A CN201911293772.8A CN201911293772A CN111161558A CN 111161558 A CN111161558 A CN 111161558A CN 201911293772 A CN201911293772 A CN 201911293772A CN 111161558 A CN111161558 A CN 111161558A
Authority
CN
China
Prior art keywords
forklift
frame
network
tracking
tracked
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.)
Granted
Application number
CN201911293772.8A
Other languages
English (en)
Other versions
CN111161558B (zh
Inventor
李庆利
宗艳宁
尹金涛
盛标胜
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.)
East China Normal University
Original Assignee
East China Normal University
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 East China Normal University filed Critical East China Normal University
Priority to CN201911293772.8A priority Critical patent/CN111161558B/zh
Publication of CN111161558A publication Critical patent/CN111161558A/zh
Application granted granted Critical
Publication of CN111161558B publication Critical patent/CN111161558B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的实时判断叉车行驶位置的方法，包括以下步骤：用标注工具在叉车监控图片中画出应行驶的区域；将叉车监控视频第1帧输入到目标检测网络，检测该帧中的叉车，输出叉车在图片中的边框,并判断叉车是否在规定的区域内行驶；将叉车监控视频第1至9帧中的前后两帧分别输入到的无监督目标跟踪网络，在第2至9帧对第1帧中已检测出的叉车进行跟踪，输出叉车在图片中的边框,并判断所述已跟踪到的叉车是否在规定的区域内行驶。本发明充分利用目标检测和无监督目标跟踪算法，目标跟踪网络使用前向跟踪和后向跟踪，计算一致性损失值调整卷积神经网络参数，提高实时跟踪的准确率。使用无监督网络，减少人工标注的投入。

Description

一种基于深度学习的实时判断叉车行驶位置的方法
技术领域
本发明涉及工业作业安全领域，尤其是一种基于深度学习的实时判断叉车行驶位置的方法。
背景技术
叉车，又称工业搬运车辆，因能够短距离较大量搬运货物而广泛应用在生产生活中。仅在我国，就有290万至350万辆叉车窜梭在各工作场地搬运货物。但在实际驾驶叉车过程中，存在因盲点、疲劳、超速导致相撞、打滚等，进而发生严重事故，造成受伤死亡、巨额赔偿和领导追责等后果。目前，基于深度学习的目标检测和目标跟踪算法发展成熟，应用先检测后跟踪的方法能够实现实时准确判断叉车行驶位置。
发明内容
本发明的目的在于提供一种基于深度学习的实时判断叉车行驶位置的方法，该方法能够充分利用目标检测和目标跟踪，高效准确判断叉车行驶位置。
实现本发明目的的具体技术方案是：
一种基于深度学习的实时判断叉车行驶位置的方法，所述方法包括以下步骤：
(1)用标注工具在监控摄像头获取的叉车监控图片中画出叉车应行驶的区域；
(2)将叉车监控视频第1帧输入到目标检测网络，检测所述帧中的叉车，输出叉车在图片中的边框,并判断所述已检测出的叉车是否在规定的区域内行驶；
(3)将所述叉车监控视频第1至9帧中的前后两帧分别输入到无监督目标跟踪网络，所述目标跟踪网络在第2至9帧对第1帧中所述已检测出的叉车进行跟踪，输出叉车在图片中的边框,并判断所述已跟踪到的叉车是否在规定的区域内行驶。
(4)所述叉车监控视频的每10帧重复所述步骤(2)-步骤(3)，以此循环，实时判断叉车行驶位置。
进一步，步骤(1)的具体包括：
用labelme软件读入监控摄像头获取的叉车监控图片；
在所述叉车监控图片用多边形工具画出叉车应行驶的区域；
将所述叉车应行驶的区域保存在json后缀的文件中。
进一步，步骤(2)的具体包括：
目标检测网络选用ScratchDet网络，并使用残差网络作为所述ScratchDet网络的主干网络；
将所述残差网络的第一个卷积层的卷积步进设定为1，取消下采样操作，并在所述ScratchDet网络的特征提取层后面添加所述残差网络，以提高检测速度和检测准确率；
将所述叉车监控视频第1帧输入到所述ScratchDet网络，所述ScratchDet网络对所述第1帧进行叉车检测；
将所述检测到的叉车边框信息，即矩形四个角在图片中的位置，记录在数组中；
判断矩形左下角和矩形右下角在图片中所对应的位置是否在叉车应行驶的区域内；
进一步，步骤(3)的具体包括：
首先是前向跟踪，将叉车监控视频的前一帧和前一帧中检测出或前向跟踪到的叉车边框信息输入到目标跟踪网络，用CNN网络提取前一帧中叉车的特征和叉车监控视频后一帧的特征，并使用滤波器预测出所述在前一帧已检测出或跟踪到的叉车在后一帧中的边框，判断后一帧中前向跟踪到的叉车是否在规定的区域内行驶，而所述滤波器是使用如下公式进行跟踪的：
Figure BDA0002319895390000021
Figure BDA0002319895390000022
其中F是傅里叶变换,F-1是傅里叶逆变换，
Figure BDA0002319895390000023
是所述CNN网络参数为θ的特征提取操作，T是从前一帧中截取的叉车，YT是所述截取叉车模板的标签值，*复共轭运算，λ是正则参数,WT是目标叉车的模板，S是所述后一帧中前向跟踪到的叉车,RS是所述后一帧中前向跟踪到的叉车的响应值。
其次是后向跟踪，即跟踪后一帧中由前向跟踪到的叉车在前一帧中的位置。将后一帧和在后一帧中由前向跟踪到的叉车边框信息输入到所述目标跟踪网络，使用和所述前向跟踪相同的方法和公式，计算出前一帧中由后向跟踪到的叉车的响应值RT；
使用如下公式计算前一帧中由后向跟踪到的叉车的响应值RT与前向跟踪中前一帧已有的叉车模板的标签值的YT一致性损失值Lun，并计算出一致性损失值最小时所述CNN网络参数值θ，修正所述CNN网络的参数，以使之后的前向跟踪中得到准确的跟踪结果；
Figure BDA0002319895390000024
Figure BDA0002319895390000026
Figure BDA0002319895390000025
本发明提供的技术方案的有益效果是：本发明所提出的基于深度学习的实时判断叉车行驶位置的方法，通过先使用目标检测网络检测第1帧，再使用无监督目标跟踪网络跟踪在第2至9帧中的位置，降低了仅使用目标检测网络带来的耗时，也避免了仅使用目标跟踪网络准确低的问题。因使用无监督网络，不需要大量已标注数据提前训练网络，减少了人工标注的投入并且目标跟踪网络使用前向跟踪和后向跟踪，计算出一致性损失值调整目标跟踪网络参数，实现高准确率跟踪叉车。本发明充分利用目标检测和目标跟踪网路，高效准确实时判断叉车行驶位置。
附图说明
图1为本发明实施例的流程图；
图2为本发明实施例的画出叉车行驶区域的示例图；
图3为本发明实施例的无监督目标跟踪算法图；
图4为本发明实施例的判断叉车行驶位置结果图；
具体实施方式
为了更加清楚明白地说明本发明所述的技术手段、技术改进及有益效果，以下结合附图及实施例对本发明进行详细的说明。
实施例
本发明所提供的一种基于深度学习的实时判断叉车行驶位置的方法，参见图1，包括以下步骤：
(1)用标注工具在监控摄像头获取的叉车监控图片中画出叉车应行驶的区域；
该步骤具体为：
用labelme软件读入监控摄像头获取的叉车监控图片；
在所述叉车监控图片用多边形工具画出叉车应行驶的多边形区域，参见图2；
将所述叉车应行驶的区域保存在json后缀的文件中。
(2)将叉车监控视频第1帧输入到目标检测网络，检测所述帧中的叉车，输出叉车在图片中的边框,并判断所述已检测出的叉车是否在规定的区域内行驶；
该步骤具体为：
目标检测网络选用ScratchDet网络，并使用残差50网络作为所述ScratchDet网络的主干网络；
将所述残差50网络的第一个卷积层的卷积步进设定为1，取消下采样操作，并在所述ScratchDet网络的特征提取层后面添加所述残差网络，以提高检测速度和检测准确率；
将所述叉车监控视频第1帧输入到所述ScratchDet网络，所述ScratchDet网络对所述第1帧进行叉车检测；
将所述检测到的叉车边框信息，即矩形四个角在图片中的位置，记录在数组中；
判断所述矩形左下角和矩形右下角在图片中所对应的位置是否在所述叉车应行驶的区域内；
(3)将所述叉车监控视频第1至9帧中的前后两帧分别输入到无监督目标跟踪网络，所述目标跟踪网络在第2至9帧对第1帧中所述已检测出的叉车进行跟踪，输出叉车在图片中的边框,并判断所述已跟踪到的叉车是否在规定的区域内行驶。
参阅图3，该步骤具体为：
首先是前向跟踪，将叉车监控视频的前一帧和前一帧中检测出或前向跟踪到的叉车边框信息输入到目标跟踪网络，用CNN网络提取前一帧中叉车的特征和叉车监控视频后一帧的特征，并使用相关滤波器预测出所述在前一帧已检测出或跟踪到的叉车在后一帧中的边框，判断后一帧中由前向跟踪到的叉车是否在规定的区域内行驶，参阅图4，是判断结果在网页端的显示。而所述相关滤波器是使用如下公式进行跟踪的：
Figure BDA0002319895390000041
Figure BDA0002319895390000042
其中F是傅里叶变换,F-1是傅里叶逆变换，
Figure BDA0002319895390000043
是所述CNN网络参数为θ的特征提取操作，T是从前一帧中截取的叉车，YT是截取叉车模板的标签值，*复共轭运算，λ是正则参数,WT是目标叉车的模板，S是所述后一帧中前向跟踪到的叉车,RS是所述后一帧中跟踪到的叉车的响应值。
其次是后向跟踪，即跟踪后一帧中由前向跟踪到的叉车在前一帧中的位置。将后一帧和在后一帧中由前向跟踪到的叉车边框信息输入到所述目标跟踪网络，使用和所述前向跟踪相同的方法和公式，计算出前一帧中由后向跟踪到的叉车的响应值RT；
使用如下公式计算前一帧中由后向跟踪到的叉车的响应值RT与前向跟踪中前一帧已有的叉车模板的标签值YT的一致性损失值Lun，并计算出一致性损失值最小时所述CNN网络参数θ值，修正所述CNN网络的参数，以使之后的前向跟踪中得到准确的跟踪结果；
Figure BDA0002319895390000044
Figure BDA0002319895390000045
Figure BDA0002319895390000046
(4)所述叉车监控视频的每10帧重复所述步骤(2)-步骤(3)，以此循环，实时判断叉车行驶位置。
本发明所提出的基于深度学习的实时判断叉车行驶位置的方法，通过先使用目标检测网络检测第1帧，再使用无监督目标跟踪网络跟踪在第2至9帧中的位置，降低了仅使用目标检测网络带来的耗时，也避免了仅使用目标跟踪网络准确低的问题。因使用无监督网络，不需要大量已标注数据提前训练网络，减少了人工标注的投入。并且目标跟踪网络使用前向跟踪和后向跟踪，计算出一致性损失值调整目标跟踪网络参数，实现高准确率跟踪叉车。本方法充分利用目标检测和目标跟踪网路，高效准确实时判断叉车行驶位置。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于深度学习的实时判断叉车行驶位置的方法，其特征在于，所述方法包括以下步骤：
步骤1：用标注工具在监控摄像头获取的叉车监控图片中画出叉车应行驶的区域；
步骤2：将叉车监控视频第1帧输入到目标检测网络，检测所述帧中的叉车，输出叉车在图片中的边框,并判断所述已检测出的叉车是否在规定的区域内行驶；
步骤3：将所述叉车监控视频第1至9帧中的前后两帧分别输入到无监督目标跟踪网络，所述目标跟踪网络在第2至9帧对第1帧中所述已检测出的叉车进行跟踪，输出叉车在图片中的边框，并判断所述已跟踪到的叉车是否在规定的区域内行驶；
步骤4：所述叉车监控视频的每10帧重复所述步骤2-步骤3，以此循环，实时判断叉车行驶位置。
2.根据权利要求1所述的基于深度学习的实时判断叉车行驶位置的方法，其特征在于，所述步骤1的具体过程为：
用labelme软件读入监控摄像头获取的叉车监控图片；
在所述叉车监控图片用多边形工具画出叉车应行驶的区域；
将所述叉车应行驶的区域保存在json后缀的文件中。
3.根据权利要求1所述的基于深度学习的实时判断叉车行驶位置的方法，其特征在于，所述步骤2的具体过程为：
目标检测网络选用ScratchDet网络，并使用残差网络作为所述ScratchDet网络的主干网络；
将所述残差网络的第一个卷积层的卷积步进设定为1，取消下采样操作，并在所述ScratchDet网络的特征提取层后面添加所述残差网络，以提高检测速度和检测准确率；
将所述叉车监控视频第1帧输入到所述ScratchDet网络，所述ScratchDet网络对所述第1帧进行叉车检测；
将所述检测到的叉车边框信息，即矩形四个角在图片中的位置，记录在数组中；
判断矩形左下角和矩形右下角在图片中所对应的位置是否在叉车应行驶的区域内。
4.根据权利要求1所述的基于深度学习的实时判断叉车行驶位置的方法，其特征在于，所述步骤3的具体过程为：
首先是前向跟踪，将叉车监控视频的前一帧和前一帧中检测出或前向跟踪到的叉车边框信息输入到目标跟踪网络，用CNN网络提取前一帧中叉车的特征和叉车监控视频后一帧的特征，并使用滤波器预测出在前一帧已检测出或跟踪到的叉车在后一帧中的位置，判断后一帧中前向跟踪到的叉车是否在规定的区域内行驶，而所述滤波器是使用如下公式进行跟踪的：
Figure FDA0002319895380000021
Figure FDA0002319895380000022
其中F是傅里叶变换，F-1是傅里叶逆变换，
Figure FDA0002319895380000023
是所述CNN网络参数为θ的特征提取操作，T是从前一帧中截取的叉车，YT是截取叉车模板的标签值，*复共轭运算，λ是正则参数，WT是目标叉车的模板，S是所述后一帧中前向跟踪到的叉车,RS是后一帧中前向跟踪到的叉车的响应值；
其次是后向跟踪，即跟踪后一帧中由前向跟踪到的叉车在前一帧中的位置。将后一帧和在后一帧中由前向跟踪到的叉车边框信息输入到所述目标跟踪网络，使用和所述前向跟踪相同的方法和公式，计算出前一帧中由后向跟踪到的叉车的响应值RT；
使用如下公式计算前一帧中由后向跟踪到的叉车的响应值RT与前向跟踪中前一帧已有的叉车模板的标签值YT的一致性损失值Lun，并计算出一致性损失值最小时所述CNN网络参数θ值，修正所述CNN网络的参数，以使之后的前向跟踪中得到准确的跟踪结果；
Figure FDA0002319895380000024
Figure FDA0002319895380000025
Figure FDA0002319895380000026
CN201911293772.8A 2019-12-16 2019-12-16 一种基于深度学习的实时判断叉车行驶位置的方法 Active CN111161558B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911293772.8A CN111161558B (zh) 2019-12-16 2019-12-16 一种基于深度学习的实时判断叉车行驶位置的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911293772.8A CN111161558B (zh) 2019-12-16 2019-12-16 一种基于深度学习的实时判断叉车行驶位置的方法

Publications (2)

Publication Number Publication Date
CN111161558A true CN111161558A (zh) 2020-05-15
CN111161558B CN111161558B (zh) 2022-02-11

Family

ID=70557163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911293772.8A Active CN111161558B (zh) 2019-12-16 2019-12-16 一种基于深度学习的实时判断叉车行驶位置的方法

Country Status (1)

Country Link
CN (1) CN111161558B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256680A (zh) * 2021-05-13 2021-08-13 燕山大学 一种基于无监督学习高精度的目标跟踪系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001151496A (ja) * 1999-11-30 2001-06-05 Komatsu Forklift Co Ltd 産業車両の作業機制御装置
CN103259206A (zh) * 2012-11-01 2013-08-21 上海申瑞电网控制系统有限公司 基于计算机视觉定位技术的变电站作业安全管控系统
CN104573759A (zh) * 2014-11-14 2015-04-29 南京邮电大学 一种基于射频标签技术的职能车辆监控方法
CN104860234A (zh) * 2015-05-12 2015-08-26 南通大学 一种基于物联网的厂区内叉车监控系统
US20160189443A1 (en) * 2014-12-31 2016-06-30 Hand Held Products, Inc. System and method for monitoring an industrial vehicle
CN107978110A (zh) * 2017-12-06 2018-05-01 中国科学院上海技术物理研究所 基于图像匹配的电子围栏智能在位识别系统及识别方法
CN108320297A (zh) * 2018-03-09 2018-07-24 湖北工业大学 一种视频目标实时跟踪方法及系统
CN108898339A (zh) * 2018-06-20 2018-11-27 深圳航天信息有限公司 三维可视化货物追踪方法和三维可视化货物追踪系统
CN208421602U (zh) * 2018-08-28 2019-01-22 张家港港务集团有限公司 一种用于港口移动作业设备的智能控制终端及系统
CN110110608A (zh) * 2019-04-12 2019-08-09 国网浙江省电力有限公司嘉兴供电公司 一种全景监控下基于视觉的叉车速度监测方法和系统
CN110428583A (zh) * 2019-07-18 2019-11-08 华东师范大学 一种基于嵌入式开发和深度学习的叉车实时监控预警系统及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001151496A (ja) * 1999-11-30 2001-06-05 Komatsu Forklift Co Ltd 産業車両の作業機制御装置
CN103259206A (zh) * 2012-11-01 2013-08-21 上海申瑞电网控制系统有限公司 基于计算机视觉定位技术的变电站作业安全管控系统
CN104573759A (zh) * 2014-11-14 2015-04-29 南京邮电大学 一种基于射频标签技术的职能车辆监控方法
US20160189443A1 (en) * 2014-12-31 2016-06-30 Hand Held Products, Inc. System and method for monitoring an industrial vehicle
CN104860234A (zh) * 2015-05-12 2015-08-26 南通大学 一种基于物联网的厂区内叉车监控系统
CN107978110A (zh) * 2017-12-06 2018-05-01 中国科学院上海技术物理研究所 基于图像匹配的电子围栏智能在位识别系统及识别方法
CN108320297A (zh) * 2018-03-09 2018-07-24 湖北工业大学 一种视频目标实时跟踪方法及系统
CN108898339A (zh) * 2018-06-20 2018-11-27 深圳航天信息有限公司 三维可视化货物追踪方法和三维可视化货物追踪系统
CN208421602U (zh) * 2018-08-28 2019-01-22 张家港港务集团有限公司 一种用于港口移动作业设备的智能控制终端及系统
CN110110608A (zh) * 2019-04-12 2019-08-09 国网浙江省电力有限公司嘉兴供电公司 一种全景监控下基于视觉的叉车速度监测方法和系统
CN110428583A (zh) * 2019-07-18 2019-11-08 华东师范大学 一种基于嵌入式开发和深度学习的叉车实时监控预警系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑欣 等: "基于神经网络的显微高光谱乳腺癌组织图像研究", 《第二军医大学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256680A (zh) * 2021-05-13 2021-08-13 燕山大学 一种基于无监督学习高精度的目标跟踪系统

Also Published As

Publication number Publication date
CN111161558B (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN106909888B (zh) 应用于移动设备端的人脸关键点跟踪系统及方法
CN113370977B (zh) 一种基于视觉的智能车辆前向碰撞预警方法及系统
CN105160641B (zh) 基于图像处理的x射线焊缝区域提取方法
CN107798330A (zh) 一种焊缝图像特征信息提取方法
CN104282020A (zh) 一种基于目标运动轨迹的车辆速度检测方法
CN105894521A (zh) 基于高斯拟合的亚像素边缘检测方法
CN111161558B (zh) 一种基于深度学习的实时判断叉车行驶位置的方法
US11080544B1 (en) Method and device for calibrating pitch of camera on vehicle and method and device for continual learning of vanishing point estimation model to be used for calibrating the pitch
CN114240885B (zh) 一种基于改进的Yolov4网络的布匹瑕疵检测方法
US20140133705A1 (en) Red-eye determination device
CN108133491A (zh) 一种实现动态目标跟踪的方法
CN103196514A (zh) 一种基于图像的微化工过程液位检测方法
CN109166136B (zh) 移动机器人基于单目视觉传感器的目标对象跟随方法
KR101723536B1 (ko) 도로에서의 차선 검출 방법 및 장치
CN117382426B (zh) 一种车载受电弓自适应控制方法及系统
CN103411562B (zh) 一种基于动态规划和均值漂移的结构光光条中心提取方法
CN113579467A (zh) 一种用于焊接机器人的焊缝识别方法、装置及存储介质
CN114495038B (zh) 一种自动驾驶检测标注数据的后处理方法
CN110077393B (zh) 一种基于图像视觉的自动泊车车速控制的方法
CN112446851A (zh) 一种基于高速脉冲式图像传感器的端点检测算法
CN114973203A (zh) 不完整车位识别方法、装置和自动泊车方法
US11079857B2 (en) Optical detecting device
CN109993776B (zh) 一种基于多级模板的相关滤波目标跟踪方法及系统
CN113592907A (zh) 基于光流的视觉伺服跟踪方法及装置
CN112767439B (zh) 一种光斑目标自动检测与定位方法

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
GR01 Patent grant
GR01 Patent grant