CN111174829A - 一种基于先验模型与双目视觉的车辆三维测量方法 - Google Patents

一种基于先验模型与双目视觉的车辆三维测量方法 Download PDF

Info

Publication number
CN111174829A
CN111174829A CN202010042659.9A CN202010042659A CN111174829A CN 111174829 A CN111174829 A CN 111174829A CN 202010042659 A CN202010042659 A CN 202010042659A CN 111174829 A CN111174829 A CN 111174829A
Authority
CN
China
Prior art keywords
truck
measurement
information
vehicle
length
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
CN202010042659.9A
Other languages
English (en)
Other versions
CN111174829B (zh
Inventor
廖镜森
杨嘉盛
王亮
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 Shouhang Intelligent Technology Co Ltd
Original Assignee
Shenzhen Shouhang Intelligent Technology Co Ltd
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 Shouhang Intelligent Technology Co Ltd filed Critical Shenzhen Shouhang Intelligent Technology Co Ltd
Priority to CN202010042659.9A priority Critical patent/CN111174829B/zh
Publication of CN111174829A publication Critical patent/CN111174829A/zh
Application granted granted Critical
Publication of CN111174829B publication Critical patent/CN111174829B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G06T7/85—Stereo camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Abstract

本发明涉及车辆识别的技术领域，特别是涉及一种基于先验模型与双目视觉的车辆三维测量方法，利用机器视觉与先验知识相结合，当货车进入测量位置后利用机器视觉的方法即可测量货车的三维信息，判断该货车是否存在改装的问题；包括以下步骤：S1两个相机形成双目测量系统；S2建立先验模型；S3建立一个高精度的三维立体测量模型(空间)；S4判断有无货车进入并停稳；S5定位货车车轮、挡风玻璃、车标、车厢、驾驶室等多个关键角点位置；S6求出货车的长宽高信息以及货车掩码的长度和高度信息；S7匹配对应的车型，并获取该车型对应的信息；S8判断该货车是否存在私自改装的问题；S9判断该货车是否超载(超重)；S10测量完成后，将测量结果展示于提示牌。

Description

一种基于先验模型与双目视觉的车辆三维测量方法
技术领域
本发明涉及车辆识别的技术领域，特别是涉及一种基于先验模型与双目视觉的车辆三维测量方法。
背景技术
众所周知，自改革开放以后，全国物流业得到了飞速的发展，物流公司、生产工厂等如雨后春笋般建设、发展。货车作为物流公司、工厂等行业的重要的运输工具，在现代物流中有着无可替代的作用。然而货车超载、私自改装等问题对交通安全的危害巨大。目前市场上针对货车长度的测量大多采用传感器的方式，但使用传感器测量较容易受外界环境影响，且无法匹配车辆信息。
使用传感器测量货车三维长度的缺点：
1)使用传感器长度测量方法，造价高、功能单一，且较容易受外界环境干扰；
2)使用传感器长度测量方法，在设备部署过程中比较麻烦，需要考虑部署环境、位置、空间等因素。因此，在某些环境较差或者规模较小的工厂无法部署；
3)使用传感器测量货车三维长度的方法无法匹配车辆信息，也无法判断货车是否存在私自加长、加高等问题。
发明内容
为解决上述技术问题，本发明提供一种基于先验模型与双目视觉的车辆三维测量方法，利用机器视觉与先验知识相结合，在指定的位置和高度安置一个高清摄像机，并在矩形平面上做四个标记点，当货车进入测量位置后利用机器视觉的方法即可测量货车的三维信息，并可以判断该货车是否存在改装的问题。
本发明的一种基于先验模型与双目视觉的车辆三维测量方法，包括以下步骤：
S1在测量系统部署前，先根据双目测距理论对相机进行标定，使得两个相机形成双目测量系统；
S2在对矩形平面的四个角做记号和立杆时，测量矩形平面实际的长和宽，测量相机固定位置离地面的高度，并将实际场地的长宽高三维信息录入测量系统中，建立先验模型；
S3摄像机获取现场影像，检测和定位矩形平面的四个标记(角)，根据四个标记的成像角度计算出摄像机与平面的角度；同时利用四个角的坐标对图像进行透视变换，得到矩形平面的鸟瞰图；然后再利用双目测距原理计算矩形平面的三维信息(长宽高)，并根据实际测量三维信息校正测量的偏差，从而建立一个高精度的三维立体测量模型(空间)；
S4三维立体测量模型(空间)生成后，系统利用Haar Adaboost级联分类器实时监控测量平面内是否有货车进入，当货车完全进入平面后，提示牌提示司机停车接受测量，之后利用混合高斯背景建模算法判断货车是否停稳；
S5当货车停稳后，利用基于深度学习的前景提取算法提取货车的掩码图像并根据掩码图像生成货车检测框，最后再利用基于深度学习的定位算法定位货车车轮、挡风玻璃、车标、车厢、驾驶室等多个关键角点位置；
S6利用S2中记录的矩形平面四个标记点对货车进行透视变换，得到货车及矩形平面的鸟瞰图，并将S5中定位的关键点信息和货车掩码图像信息代入S3中所建立的三维立体测量模型(空间)中计算，即可精确地求出货车的长宽高信息以及货车掩码的长度和高度信息；
S7根据S5中定位的车标关键点位置，利用形态学方法分析车标大小，并截取车标图案，之后利用深度学习分类器对截取的车标图案做分类识别，车标识别完成后，根据S5中定位的驾驶室的多个关键点信息可将驾驶室截取下来，并在对应的车标库中采用模板匹配方法，匹配对应的车型，并获取该车型对应的信息；
S8根据S6实际测量的货车长宽高信息以及S7中匹配的车型信息，可判断该货车是否存在私自改装的问题；并可根据S6中计算的货车掩码长度和高度信息判断货车是否超载(超长、超高)；
S9如果测量平面下方有一个地磅称重，则可以根据S7中匹配的车型信息判断该货车是否超载(超重)；
S10测量完成后，将测量结果展示于提示牌，并提示司机驶离测量区域；如果货车存在私自改装或超载(超长、超高、超重)问题系统将发出警报，以提示工作人员对货车进行处理。
本发明的一种基于先验模型与双目视觉的车辆三维测量方法，基于测量单元，该测量单元包括：
在矩形平面的四个角分别做好记号，可在矩形平面的四个角各立一个小柱或画个圆点；
在矩形平面外矗立一根杆子用以固定摄像机；
高清摄像机两个，用于获取现场影像和构建双目测距系统；
电脑主机一台，用于货车长度测量和图像识别、匹配；
提示牌一块，用于提示司机停车、驶离以及展示测量结果。
与现有技术相比本发明的有益效果为：本发明利用传统的双目视觉与先验模型，建立一个三维测量模型(空间)，并结合深度学习对货车目标进行精确的检测和提取，最后将提取的货车目标代入至建立好的三维测量模型中，快速准确地测量出货车的三维信息，同时，结合货车目标识别，准确匹配货车车型及核载信息，从而判断货车是否存在超载(超长、超高、超重)的问题，在源头上解决了货车超载的问题，具有很强的创造性和新颖性，同时，本发明部署灵活轻便，且并不仅局限于货车的三维测量，系统内置多种物体的检测和识别算法，可以延伸至多种场景、不同目标的三维测量和信息匹配，解决多种行业的目标三维测量问题，具有非常强的扩展性和实用性，
附图说明
图1是本发明的测量单元部署示意图；
图2是建立三维测量模型(空间)示意图；
图3是三维测量及信息匹配流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1至图3所示，本发明的一种基于先验模型与双目视觉的车辆三维测量方法，包括以下步骤：
S1在测量系统部署前，先根据双目测距理论对相机进行标定，使得两个相机形成双目测量系统；
S2在对矩形平面的四个角做记号和立杆时，测量矩形平面实际的长和宽，测量相机固定位置离地面的高度，并将实际场地的长宽高三维信息录入测量系统中，建立先验模型；
S3摄像机获取现场影像，检测和定位矩形平面的四个标记(角)，根据四个标记的成像角度计算出摄像机与平面的角度；同时利用四个角的坐标对图像进行透视变换，得到矩形平面的鸟瞰图；然后再利用双目测距原理计算矩形平面的三维信息(长宽高)，并根据实际测量三维信息校正测量的偏差，从而建立一个高精度的三维立体测量模型(空间)；
S4三维立体测量模型(空间)生成后，系统利用Haar Adaboost级联分类器实时监控测量平面内是否有货车进入，当货车完全进入平面后，提示牌提示司机停车接受测量，之后利用混合高斯背景建模算法判断货车是否停稳；
S5当货车停稳后，利用基于深度学习的前景提取算法提取货车的掩码图像并根据掩码图像生成货车检测框，最后再利用基于深度学习的定位算法定位货车车轮、挡风玻璃、车标、车厢、驾驶室等多个关键角点位置；
S6利用S2中记录的矩形平面四个标记点对货车进行透视变换，得到货车及矩形平面的鸟瞰图，并将S5中定位的关键点信息和货车掩码图像信息代入S3中所建立的三维立体测量模型(空间)中计算，即可精确地求出货车的长宽高信息以及货车掩码的长度和高度信息；
S7根据S5中定位的车标关键点位置，利用形态学方法分析车标大小，并截取车标图案，之后利用深度学习分类器对截取的车标图案做分类识别，车标识别完成后，根据S5中定位的驾驶室的多个关键点信息可将驾驶室截取下来，并在对应的车标库中采用模板匹配方法，匹配对应的车型，并获取该车型对应的信息；
S8根据S6实际测量的货车长宽高信息以及S7中匹配的车型信息，可判断该货车是否存在私自改装的问题；并可根据S6中计算的货车掩码长度和高度信息判断货车是否超载(超长、超高)；
S9如果测量平面下方有一个地磅称重，则可以根据S7中匹配的车型信息判断该货车是否超载(超重)；
S10测量完成后，将测量结果展示于提示牌，并提示司机驶离测量区域；如果货车存在私自改装或超载(超长、超高、超重)问题系统将发出警报，以提示工作人员对货车进行处理。
本发明的一种基于先验模型与双目视觉的车辆三维测量方法，基于测量单元，该测量单元包括：
在矩形平面的四个角分别做好记号，可在矩形平面的四个角各立一个小柱或画个圆点；
在矩形平面外矗立一根杆子用以固定摄像机；
高清摄像机两个，用于获取现场影像和构建双目测距系统；
电脑主机一台，用于货车长度测量和图像识别、匹配；
提示牌一块，用于提示司机停车、驶离以及展示测量结果。
工程实施例1：
在某高速入口安装上述测量单元，并施行上述方法，时长共计20天，共计通过货车513辆，共计检出超载34辆，超高13辆，超长21辆，问题车辆经专业人员测量后准确率100％。
工程实施例2：
在某城市外环路口安装上述测量单元，并施行上述方法，时长共计20天，共计通过货车326辆，共计检测超载45辆，超高12辆，超长21辆，问题车辆经专业人员测量后准确率100％。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (2)

1.一种基于先验模型与双目视觉的车辆三维测量方法，其特征在于，包括以下步骤：
S1在测量系统部署前，先根据双目测距理论对相机进行标定，使得两个相机形成双目测量系统；
S2在对矩形平面的四个角做记号和立杆时，测量矩形平面实际的长和宽，测量相机固定位置离地面的高度，并将实际场地的长宽高三维信息录入测量系统中，建立先验模型；
S3摄像机获取现场影像，检测和定位矩形平面的四个标记(角)，根据四个标记的成像角度计算出摄像机与平面的角度；同时利用四个角的坐标对图像进行透视变换，得到矩形平面的鸟瞰图；然后再利用双目测距原理计算矩形平面的三维信息(长宽高)，并根据实际测量三维信息校正测量的偏差，从而建立一个高精度的三维立体测量模型(空间)；
S4三维立体测量模型(空间)生成后，系统利用Haar Adaboost级联分类器实时监控测量平面内是否有货车进入，当货车完全进入平面后，提示牌提示司机停车接受测量，之后利用混合高斯背景建模算法判断货车是否停稳；
S5当货车停稳后，利用基于深度学习的前景提取算法提取货车的掩码图像并根据掩码图像生成货车检测框，最后再利用基于深度学习的定位算法定位货车车轮、挡风玻璃、车标、车厢、驾驶室等多个关键角点位置；
S6利用S2中记录的矩形平面四个标记点对货车进行透视变换，得到货车及矩形平面的鸟瞰图，并将S5中定位的关键点信息和货车掩码图像信息代入S3中所建立的三维立体测量模型(空间)中计算，即可精确地求出货车的长宽高信息以及货车掩码的长度和高度信息；
S7根据S5中定位的车标关键点位置，利用形态学方法分析车标大小，并截取车标图案，之后利用深度学习分类器对截取的车标图案做分类识别，车标识别完成后，根据S5中定位的驾驶室的多个关键点信息可将驾驶室截取下来，并在对应的车标库中采用模板匹配方法，匹配对应的车型，并获取该车型对应的信息；
S8根据S6实际测量的货车长宽高信息以及S7中匹配的车型信息，可判断该货车是否存在私自改装的问题；并可根据S6中计算的货车掩码长度和高度信息判断货车是否超载(超长、超高)；
S9如果测量平面下方有一个地磅称重，则可以根据S7中匹配的车型信息判断该货车是否超载(超重)；
S10测量完成后，将测量结果展示于提示牌，并提示司机驶离测量区域；如果货车存在私自改装或超载(超长、超高、超重)问题系统将发出警报，以提示工作人员对货车进行处理。
2.如权利要求1所述的一种基于先验模型与双目视觉的车辆三维测量方法，其特征在于，基于测量单元，该测量单元包括：
在矩形平面的四个角分别做好记号，可在矩形平面的四个角各立一个小柱或画个圆点；
在矩形平面外矗立一根杆子用以固定摄像机；
高清摄像机两个，用于获取现场影像和构建双目测距系统；
电脑主机一台，用于货车长度测量和图像识别、匹配；
提示牌一块，用于提示司机停车、驶离以及展示测量结果。
CN202010042659.9A 2020-01-15 2020-01-15 一种基于先验模型与双目视觉的车辆三维测量方法 Active CN111174829B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010042659.9A CN111174829B (zh) 2020-01-15 2020-01-15 一种基于先验模型与双目视觉的车辆三维测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010042659.9A CN111174829B (zh) 2020-01-15 2020-01-15 一种基于先验模型与双目视觉的车辆三维测量方法

Publications (2)

Publication Number Publication Date
CN111174829A true CN111174829A (zh) 2020-05-19
CN111174829B CN111174829B (zh) 2021-08-31

Family

ID=70656269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010042659.9A Active CN111174829B (zh) 2020-01-15 2020-01-15 一种基于先验模型与双目视觉的车辆三维测量方法

Country Status (1)

Country Link
CN (1) CN111174829B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08233525A (ja) * 1995-02-24 1996-09-13 Hitachi Ltd 車種判別装置
CN102012217A (zh) * 2010-10-19 2011-04-13 南京大学 一种基于双目视觉的大形貌物体三维几何外形测量方法
CN103870832A (zh) * 2014-03-21 2014-06-18 浙江宇视科技有限公司 车辆整体特征提取方法及车辆型号识别方法
CN105157608A (zh) * 2015-08-31 2015-12-16 浙江大华技术股份有限公司 一种超限车辆的检测方法、装置及系统
CN107346607A (zh) * 2017-08-24 2017-11-14 重庆市泰福通途智能科技有限公司 一种行驶车辆超限检测预警系统及其工作方法
US9824453B1 (en) * 2015-10-14 2017-11-21 Allstate Insurance Company Three dimensional image scan for vehicle
CN108709513A (zh) * 2018-04-10 2018-10-26 深圳市唯特视科技有限公司 一种基于模型拟合算法的车辆三维检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08233525A (ja) * 1995-02-24 1996-09-13 Hitachi Ltd 車種判別装置
CN102012217A (zh) * 2010-10-19 2011-04-13 南京大学 一种基于双目视觉的大形貌物体三维几何外形测量方法
CN103870832A (zh) * 2014-03-21 2014-06-18 浙江宇视科技有限公司 车辆整体特征提取方法及车辆型号识别方法
CN105157608A (zh) * 2015-08-31 2015-12-16 浙江大华技术股份有限公司 一种超限车辆的检测方法、装置及系统
US9824453B1 (en) * 2015-10-14 2017-11-21 Allstate Insurance Company Three dimensional image scan for vehicle
CN107346607A (zh) * 2017-08-24 2017-11-14 重庆市泰福通途智能科技有限公司 一种行驶车辆超限检测预警系统及其工作方法
CN108709513A (zh) * 2018-04-10 2018-10-26 深圳市唯特视科技有限公司 一种基于模型拟合算法的车辆三维检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
翟乃斌: "基于计算机视觉的汽车整体尺寸测量系统的研究", 《中国博士学位论文全文数据库 工程科技II辑》 *

Also Published As

Publication number Publication date
CN111174829B (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
US8154594B2 (en) Mobile peripheral monitor
CN110501018B (zh) 一种服务于高精度地图生产的交通标志牌信息采集方法
EP1780675B1 (en) Object detector
KR101445739B1 (ko) 도로표지판의 위치검출 방법
KR102305328B1 (ko) 카메라 기반의 자동화된 정밀도로지도 생성 시스템 및 방법
EP1783684A1 (en) Plane detector and detecting method
WO2019088267A1 (ja) 支障物検知装置
KR102441075B1 (ko) 노면표시기반 차량의 위치추정 방법 및 장치
CN111079589B (zh) 基于深度摄像和身高阈值像素标定的自动身高检测方法
CN103559791A (zh) 一种融合雷达和ccd摄像机信号的车辆检测方法
WO2017113805A1 (zh) 列车车号和车型识别方法和系统及安全检查方法和系统
Feng et al. Application of computer vision for estimation of moving vehicle weight
EP3415400A1 (en) System and method for determining the position of a guided vehicle
CN106324618A (zh) 基于激光雷达检测车道线的系统及其实现方法
CN110837814A (zh) 车辆导航方法、装置及计算机可读存储介质
CN110956151A (zh) 基于结构光的轨道交通异物侵入检测方法及其系统
CN106651963A (zh) 一种用于驾驶辅助系统的车载摄像头的安装参数标定方法
Vu et al. Traffic sign detection, state estimation, and identification using onboard sensors
JP2016184316A (ja) 車種判別装置および車種判別方法
CN113173502B (zh) 一种基于激光视觉融合和深度学习的防撞方法、系统
CN106778480A (zh) 一种基于车牌的高精度近距离车距测量方法
CN110023953A (zh) 信息处理设备、成像设备、装置控制系统、移动体、信息处理方法以及计算机程序产品
JP6602595B2 (ja) 車種判別装置、及び車種判別方法
CN111174829B (zh) 一种基于先验模型与双目视觉的车辆三维测量方法
CN109781023B (zh) 一种挂车轮廓尺寸测量方法、装置和系统

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
GR01 Patent grant
GR01 Patent grant