CN111368797A - 一种基于路端单目摄像头的目标实时测距方法 - Google Patents

一种基于路端单目摄像头的目标实时测距方法 Download PDF

Info

Publication number
CN111368797A
CN111368797A CN202010205484.9A CN202010205484A CN111368797A CN 111368797 A CN111368797 A CN 111368797A CN 202010205484 A CN202010205484 A CN 202010205484A CN 111368797 A CN111368797 A CN 111368797A
Authority
CN
China
Prior art keywords
image
target
monocular camera
training
neural network
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
CN202010205484.9A
Other languages
English (en)
Inventor
陈志峰
吴林煌
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.)
Fuzhou Ivisionic Technology Co ltd
Original Assignee
Fuzhou Ivisionic 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 Fuzhou Ivisionic Technology Co ltd filed Critical Fuzhou Ivisionic Technology Co ltd
Priority to CN202010205484.9A priority Critical patent/CN111368797A/zh
Publication of CN111368797A publication Critical patent/CN111368797A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C3/00—Measuring distances in line of sight; Optical rangefinders
    • G01C3/10—Measuring distances in line of sight; Optical rangefinders using a parallactic triangle with variable angles and a base of fixed length in the observation station, e.g. in the instrument
    • G01C3/12—Measuring distances in line of sight; Optical rangefinders using a parallactic triangle with variable angles and a base of fixed length in the observation station, e.g. in the instrument with monocular observation at a single point, e.g. coincidence type
    • 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
    • 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
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/30—Noise filtering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于路端单目摄像头的目标实时测距方法，包括以下步骤：S1：获取用于网络训练的带有目标信息标签的图像，形成训练数据集；S2：将训练数据集中的图像缩放到合适的尺寸；S3：搭建用于目标检测的深度神经网络，并将训练数据集中图像输入到深度神经网络进行训练；S4：在路端安装已知焦距的单目摄像头，测量出其安装高度，计算其俯仰角；S5：通过安装的单目摄像头采集视频图像；S6：将采集到的视频图像输入训练好的深度神经网络中，输出检测到的目标在图像中的坐标，获取目标底部到图像底部的距离；S7：根据投影公式进行目标测距，得到目标到单目摄像头的水平距离。该方法检测速度快，准确度高，实现简单。

Description

一种基于路端单目摄像头的目标实时测距方法
技术领域
本发明属于目标测距技术领域，具体涉及一种基于路端单目摄像头的目标实时测距方法。
背景技术
目前大多数的目标测距都是基于车端，即在自身车辆顶端或前端安装小型雷达，对前方或侧前方的其他目标进行短距离模糊测距，比如倒车防撞雷达。对于路端而言，目标测距有着很大的发展空间，是目标测速的前提依据，也是实现车路协同的重要基础。但目前路端目标测距的系统还不成熟，虽然雷达具有体积、重量轻、测量精确且稳定的优点，但由于价格昂贵而往往无法得到普及；而双目摄像头测距法由于算法复杂，在应用上有许多限制。并且在摄像头存在一定俯仰角的情况，目标测距问题一直没有得到解决。
发明内容
本发明的目的在于提供一种基于路端单目摄像头的目标实时测距方法，该方法检测速度快，准确度高，实现简单。
为实现上述目的，本发明采用的技术方案是：一种基于路端单目摄像头的目标实时测距方法，包括以下步骤：
步骤S1：获取用于网络训练的带有目标信息标签的图像，形成训练数据集；
步骤S2：将训练数据集中的图像缩放到合适的尺寸；
步骤S3：搭建用于目标检测的深度神经网络，并将经过步骤S2处理后的训练数据集中图像输入到深度神经网络进行训练，得到训练好的深度神经网络；
步骤S4：在路端安装焦距为f的单目摄像头，测量出其安装高度H，然后计算所述单目摄像头的俯仰角θc；
步骤S5：通过安装的单目摄像头采集视频图像；
步骤S6：将采集到的视频图像输入训练好的深度神经网络中，输出检测到的目标框在图像中的坐标(x1，y1，x2，y2)，其中(x1，y1)为目标框左上角的顶点坐标，(x2，y2)为目标框右下角的顶点坐标，获取目标底部到图像底部的距离d；
步骤S7：根据如下的投影公式进行目标测距，得到目标到单目摄像头的水平距离D：
Figure BDA0002420910650000021
进一步地，所述步骤S1中，从KITTI官网获取用于网络训练的图像及其对应的目标信息标签文件，形成训练数据集。
进一步地，所述步骤S4具体包括以下步骤：
步骤S41：将焦距为f的单目摄像头安装在路端上，对其进行初始化，并测量出所述单目摄像头离地面的安装高度H；
步骤S42：采集地面图像，经过图像处理获取平行车道线，计算出所述单目摄像头的俯仰角θc。
进一步地，所述步骤S42具体包括以下步骤：
步骤S421：利用安装好的单目摄像头采集地面图像F；
步骤S422：先对采集到的地面图像F进行预处理，将RGB图像转为灰度图，再通过滤波去除椒盐噪声干扰，然后进行图像二值化，接着使用Canny算子提取图像中的边缘，而后采用开运算操作处理图像，去除小边缘，最后在限定角度上用Hough算法提取平行车道线；
步骤S423：根据两条平行车道线消隐点在图像上的投影点，即检测到的平行车道线在图像中的交点(u，v)和图像中心点(Cx，Cy)，计算得到固定的单目摄像机的俯仰角为
Figure BDA0002420910650000022
进一步地，所述步骤S6具体包括以下步骤：
步骤S61：将步骤S5采集到的视频序列拆分成图像序列，图像的高度为h；
步骤S62：将图像序列输入到步骤S3训练好的深度神经网络中进行目标检测，输出检测到的目标框在图像中的坐标(x1，y1，x2，y2)；
步骤S63：提取目标回归框底部的纵坐标y2，计算目标底部到图像底部的距离d＝h-y2。
进一步地，所述步骤S7中，投影公式的计算方法为：
已知单目摄像头的焦距f、安装高度H、俯仰角θc以及目标所在图像的高度h和图像中目标底部到图像底部的距离d，则有：
D＝H·tan(θv)＝H·tan(90-θc+β)
Figure BDA0002420910650000031
其中，θv表示目标与单目摄像头所在位置的连线与竖直方向的夹角，β表示目标与单目摄像头所在位置的连线与单目摄像头中心线的夹角；
进而得到投影公式如下：
Figure BDA0002420910650000032
相较于现有技术，本发明具有以下有益效果：该方法单纯利用安装于路端的单目摄像头和几何投影信息，不依靠其它设备就能进行准确地对目标实施测距，具有准确度高、检测速度快、对设备依赖少、实现简单等优点，能够有效解决实际环境中目标测距的问题。本发明为目标测距提供了新思路，可移植性强，可广泛应用于需要进行测距的领域，具有很强的实用性和广阔的应用前景。
附图说明
图1是本发明实施例的方法实现流程图。
图2是本发明实施例中单目摄像机几何投影目标测距示意图。
图3是本发明实施例中从KITTI官网获取的部分图像示意图。
图4是本发明实施例中从KITTI官网获取的部分标签文件示意图。
图5是本发明实施例中提取平行车道线的实现流程图。
图6是本发明实施例中通过提取到的平行车道线计算单目摄像头俯仰角的示意图。
图7是本发明实施例中通过几何投影关系计算得到各个车辆与摄像机水平距离的示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
本发明提供一种基于路端单目摄像头的目标实时测距方法，作用是在路端场景下使用单目摄像头对检测出来的目标进行测距，本实施例中以车辆作为目标进行举例，但不局限于车辆。本发明首先用KITTI数据集训练一个用于车辆目标检测的深度神经网络；然后将焦距已知的单目摄像头安装在路端，测量出安装高度后，初始化得到俯仰角；接着用固定好的单目摄像头采集视频序列；而后将其输入到训练好的深度神经网络中得到图像中车辆底部与图像最底端的距离；最后利用几何投影关系计算出识别出的车辆与摄像头之间的水平距离。该方法除了单目摄像头外，不需要额外的设备就能实现高精度的车辆实时测距，原理简单且实现方便。特别的，本实施例涉及深度神经网络搭建与训练模块、路端单目摄像头安装与初始化模块、视频序列采集模块、车辆目标检测结果处理模块和几何投影关系测距模块。
深度神经网络搭建与训练模块先从KITTI官网上下载数据集和对应的标签网络，然后选取合适的框架搭建深度学习网络架构，接着基于车辆目标检测对数据集进行训练，最后保存训练好的网络架构和权重参数。
路端单目摄像头安装与初始化模块是将视场角已知的摄像头固定安装后，测量其垂直距离，即安装高度，并通过初始化采集图像计算出俯仰角。
其中俯仰角计算是通过检测出平行车道线计算的，首先将初始化采集的图像进行图像处理操作，具体包括图像灰度化、中值滤波去除椒盐噪声、图像二值化、Canny算子提取边缘、开运算操作去除小块面积、Hough算法提取平行车道线，然后通过平行车道线在平面内的消隐点计算出固定摄像头的俯仰角。
视频序列采集模块是使用固定的路端单目摄像头对路况交通进行视频拍摄保存。
车辆目标检测结果处理模块是将采集到的视频序列转换为有序的图像序列，将其输入到训练好的深度神经网络中，输出车辆目标在图像中的位置，同时计算图像中车辆底部离图像最底端的像素距离。
几何投影关系测距模块是通过摄像头小孔成像原理，根据先前步骤已知的参数计算各个车辆与摄像头的水平距离，实现车辆测距。
本发明基于路端单目摄像头的目标实时测距方法的实现流程如图1所示，其中，图1(a)为深度神经网络的训练过程，图1(b)为基于单目摄像头的目标测距过程。该方法具体包括以下步骤：
步骤S1：获取用于网络训练的带有目标信息标签的图像，形成训练数据集。
在本实施例中，从KITTI官网上获取7481张带有车辆信息标签的图像，形成训练数据集。获取的部分图像如图3所示，其对应的标签文件如图4所示。
步骤S2：将训练数据集中的图像缩放到设定的尺寸。
步骤S3：搭建基于ResNet-18的深度神经网络，用于目标检测，并将经过步骤S2处理后固定尺寸的图像和对应的标签文件输入到深度神经网络进行训练，训练结束后保存网络架构和各项权重值，得到训练好的深度神经网络。
该网络的实现具体可参考Faster r-cnn网络框架(Ren S，He K，Girshick R，etal.Faster r-cnn：Towards real-time object detection with region proposalnetworks[C].Advances in neural information processing systems.2015：91-99.)。
步骤S4：在路端安装焦距为f的单目摄像头，测量出其安装高度H，然后计算所述单目摄像头的俯仰角θc。具体包括以下步骤：
步骤S41：将焦距为f的单目摄像头安装在路端上，对其进行初始化，并测量出所述单目摄像头离地面的安装高度H。
步骤S42：采集地面图像，经过图像处理获取得到如图6所示的平行车道线，计算出所述单目摄像头的俯仰角θc。
如图5所示，在本实施例中，步骤S42具体包括以下步骤：
步骤S421：利用安装好的单目摄像头采集地面图像F；
步骤S422：先对采集到的地面图像F进行预处理，将RGB图像转为灰度图，再通过滤波去除椒盐噪声干扰，然后进行图像二值化，接着使用Canny算子提取图像中的边缘，而后采用开运算操作处理图像，去除小边缘，最后在限定角度上用Hough算法提取平行车道线，图6中的直线即提取到的平行车道线；
步骤S423：根据两条平行车道线消隐点在图像上的投影点(u，v)(即检测到的平行车道线在图像中的交点，即图6中上侧的实心点)和图像中心点(Cx，Cy)(即图6中下侧的实心点)，计算得到固定的单目摄像机的俯仰角为
Figure BDA0002420910650000051
步骤S5：通过安装的单目摄像头采集视频图像。
步骤S6：将采集到的视频图像输入训练好的深度神经网络中，输出检测到的目标框在图像中的坐标(x1，y1，x2，y2)，其中(x1，y1)为目标框左上角的顶点坐标，(x2，y2)为目标框右下角的顶点坐标，获取目标底部到图像底部的距离d。具体包括以下步骤：
步骤S61：将步骤S5采集到的视频序列拆分成图像序列，图像的高度为h；
步骤S62：将图像序列输入到步骤S3训练好的深度神经网络中进行目标检测，输出检测到的目标框在图像中的坐标(x1，y1，x2，y2)；
步骤S63：提取目标回归框底部的纵坐标y2，计算目标底部到图像底部的距离d＝h—y2。
在图像采集成像领域，建立的坐标是以图像左上角为原点(0，0)，横坐标从左往右递增，纵坐标从上往下递增，因此，目标框底部到图像底部的距离，是用图像的高度减去目标框底部的纵坐标。
步骤S7：根据如下的投影公式进行目标测距，得到目标到单目摄像头的水平距离D：
Figure BDA0002420910650000061
其中，投影公式的计算方法为：
如图2所示，已知单目摄像头的焦距f、安装高度H、俯仰角θc以及目标所在图像的高度h和图像中目标底部到图像底部的距离d，则有：
D＝H·tan(θv)＝H·tan(90-θc+β)
Figure BDA0002420910650000062
其中，θv表示目标与单目摄像头所在位置的连线与竖直方向的夹角，β表示目标与单目摄像头所在位置的连线与单目摄像头中心线的夹角；
进而得到投影公式如下：
Figure BDA0002420910650000063
最后的实际测距效果如图7所示，从图中可以看出，安装在路端的单目摄像头能够通过图像进行精确测距，验证了本发明的实用性。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (6)

1.一种基于路端单目摄像头的目标实时测距方法，其特征在于，包括以下步骤：
步骤S1：获取用于网络训练的带有目标信息标签的图像，形成训练数据集；
步骤S2：将训练数据集中的图像缩放到合适的尺寸；
步骤S3：搭建用于目标检测的深度神经网络，并将经过步骤S2处理后的训练数据集中图像输入到深度神经网络进行训练，得到训练好的深度神经网络；
步骤S4：在路端安装焦距为f的单目摄像头，测量出其安装高度H，然后计算所述单目摄像头的俯仰角θc；
步骤S5：通过安装的单目摄像头采集视频图像；
步骤S6：将采集到的视频图像输入训练好的深度神经网络中，输出检测到的目标框在图像中的坐标(x1，y1，x2，y2)，其中(x1，y1)为目标框左上角的顶点坐标，(x2，y2)为目标框右下角的顶点坐标，获取目标底部到图像底部的距离d；
步骤S7：根据如下的投影公式进行目标测距，得到目标到单目摄像头的水平距离D：
Figure FDA0002420910640000011
2.根据权利要求1所述的一种基于路端单目摄像头的目标实时测距方法，其特征在于，所述步骤S1中，获取用于网络训练的带有目标信息标签的图像，形成训练数据集。
3.根据权利要求1所述的一种基于路端单目摄像头的目标实时测距方法，其特征在于，所述步骤S4具体包括以下步骤：
步骤S41：将焦距为f的单目摄像头安装在路端上，对其进行初始化，并测量出所述单目摄像头离地面的安装高度H；
步骤S42：采集地面图像，经过图像处理获取平行车道线，计算出所述单目摄像头的俯仰角θc。
4.根据权利要求3所述的一种基于路端单目摄像头的目标实时测距方法，其特征在于，所述步骤S42具体包括以下步骤：
步骤S421：利用安装好的单目摄像头采集地面图像F；
步骤S422：先对采集到的地面图像F进行预处理，将RGB图像转为灰度图，再通过滤波去除椒盐噪声干扰，然后进行图像二值化，接着使用Canny算子提取图像中的边缘，而后采用开运算操作处理图像，去除小边缘，最后在限定角度上用Hough算法提取平行车道线；
步骤S423：根据两条平行车道线消隐点在图像上的投影点，即检测到的平行车道线在图像中的交点(u，v)和图像中心点(Cx，Cy)，计算得到固定的单目摄像机的俯仰角为
Figure FDA0002420910640000021
5.根据权利要求1所述的一种基于路端单目摄像头的目标实时测距方法，其特征在于，所述步骤S6具体包括以下步骤：
步骤S61：将步骤S5采集到的视频序列拆分成图像序列，图像的高度为h；
步骤S62：将图像序列输入到步骤S3训练好的深度神经网络中进行目标检测，输出检测到的目标框在图像中的坐标(x1，y1，x2，y2)；
步骤S63：提取目标回归框底部的纵坐标y2，计算目标底部到图像底部的距离d＝h-y2。
6.根据权利要求1所述的一种基于路端单目摄像头的目标实时测距方法，其特征在于，所述步骤S7中，投影公式的计算方法为：
已知单目摄像头的焦距f、安装高度H、俯仰角θc以及目标所在图像的高度h和图像中目标底部到图像底部的距离d，则有：
D＝H·tan(θv)＝H·tan(90-θc+β)
Figure FDA0002420910640000022
其中，θv表示目标与单目摄像头所在位置的连线与竖直方向的夹角，β表示目标与单目摄像头所在位置的连线与单目摄像头中心线的夹角；
进而得到投影公式如下：
Figure FDA0002420910640000023
CN202010205484.9A 2020-03-23 2020-03-23 一种基于路端单目摄像头的目标实时测距方法 Pending CN111368797A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010205484.9A CN111368797A (zh) 2020-03-23 2020-03-23 一种基于路端单目摄像头的目标实时测距方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010205484.9A CN111368797A (zh) 2020-03-23 2020-03-23 一种基于路端单目摄像头的目标实时测距方法

Publications (1)

Publication Number Publication Date
CN111368797A true CN111368797A (zh) 2020-07-03

Family

ID=71210549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010205484.9A Pending CN111368797A (zh) 2020-03-23 2020-03-23 一种基于路端单目摄像头的目标实时测距方法

Country Status (1)

Country Link
CN (1) CN111368797A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112912932A (zh) * 2021-01-29 2021-06-04 深圳市锐明技术股份有限公司 一种车载摄像头的标定方法、装置及终端设备
CN112965052A (zh) * 2021-02-07 2021-06-15 中国科学院长春光学精密机械与物理研究所 一种单目相机目标测距方法
CN113227708A (zh) * 2021-03-30 2021-08-06 深圳市锐明技术股份有限公司 确定俯仰角的方法、装置及终端设备
CN113312979A (zh) * 2021-04-30 2021-08-27 阿波罗智联(北京)科技有限公司 图像处理方法、装置、电子设备、路侧设备及云控平台
CN113686314A (zh) * 2021-07-28 2021-11-23 武汉科技大学 船载摄像头的单目水面目标分割及单目测距方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015043510A1 (zh) * 2013-09-27 2015-04-02 比亚迪股份有限公司 车道线检测方法、系统、车道偏离预警方法及系统
CN108108750A (zh) * 2017-12-12 2018-06-01 清华大学苏州汽车研究院（吴江） 基于深度学习和单目视觉的距离空间重建方法
CN108596058A (zh) * 2018-04-11 2018-09-28 西安电子科技大学 基于计算机视觉的行车障碍物测距方法
CN109509223A (zh) * 2018-11-08 2019-03-22 西安电子科技大学 基于深度学习的前方车辆测距方法
CN109959919A (zh) * 2017-12-22 2019-07-02 比亚迪股份有限公司 汽车及单目摄像头测距方法、装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015043510A1 (zh) * 2013-09-27 2015-04-02 比亚迪股份有限公司 车道线检测方法、系统、车道偏离预警方法及系统
CN108108750A (zh) * 2017-12-12 2018-06-01 清华大学苏州汽车研究院（吴江） 基于深度学习和单目视觉的距离空间重建方法
CN109959919A (zh) * 2017-12-22 2019-07-02 比亚迪股份有限公司 汽车及单目摄像头测距方法、装置
CN108596058A (zh) * 2018-04-11 2018-09-28 西安电子科技大学 基于计算机视觉的行车障碍物测距方法
CN109509223A (zh) * 2018-11-08 2019-03-22 西安电子科技大学 基于深度学习的前方车辆测距方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王文波: "基于单目视觉的实时测距方法研究", 《中国优秀硕士学位论文全文数据库》 *
郭磊 等: "基于单目视觉的实时测距方法研究", 《中国图像图形学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112912932A (zh) * 2021-01-29 2021-06-04 深圳市锐明技术股份有限公司 一种车载摄像头的标定方法、装置及终端设备
CN112912932B (zh) * 2021-01-29 2024-03-08 深圳市锐明技术股份有限公司 一种车载摄像头的标定方法、装置及终端设备
CN112965052A (zh) * 2021-02-07 2021-06-15 中国科学院长春光学精密机械与物理研究所 一种单目相机目标测距方法
CN113227708A (zh) * 2021-03-30 2021-08-06 深圳市锐明技术股份有限公司 确定俯仰角的方法、装置及终端设备
CN113312979A (zh) * 2021-04-30 2021-08-27 阿波罗智联(北京)科技有限公司 图像处理方法、装置、电子设备、路侧设备及云控平台
CN113312979B (zh) * 2021-04-30 2024-04-16 阿波罗智联(北京)科技有限公司 图像处理方法、装置、电子设备、路侧设备及云控平台
CN113686314A (zh) * 2021-07-28 2021-11-23 武汉科技大学 船载摄像头的单目水面目标分割及单目测距方法
CN113686314B (zh) * 2021-07-28 2024-02-27 武汉科技大学 船载摄像头的单目水面目标分割及单目测距方法

Similar Documents

Publication Publication Date Title
CN111368797A (zh) 一种基于路端单目摄像头的目标实时测距方法
US20200041284A1 (en) Map road marking and road quality collecting apparatus and method based on adas system
US20200226413A1 (en) Fast and robust multimodal remote sensing images matching method and system
US9083856B2 (en) Vehicle speed measurement method and system utilizing a single image capturing unit
CN109598794B (zh) 三维gis动态模型的构建方法
CN107463890B (zh) 一种基于单目前视相机的前车检测与跟踪方法
EP2874097A2 (en) Automatic scene parsing
CN104463877B (zh) 一种基于雷达影像与电子海图信息的岸线配准方法
CN110647850A (zh) 一种基于逆透视原理的车道偏移自动测量方法
CN105203552A (zh) 一种360°踏面图像检测系统及其检测方法
WO2018049704A1 (en) Vehicle detection, tracking and localization based on enhanced anti-perspective transformation
CN110197173B (zh) 一种基于双目视觉的路沿检测方法
CN101383004A (zh) 一种红外和可见光图像相结合的乘客目标检测方法
CN108205324B (zh) 一种智能道路清理装置
CN107796373B (zh) 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法
Li et al. Road markings extraction based on threshold segmentation
CN112735135A (zh) 高速运动车辆超限检测方法
CN108416798A (zh) 一种基于光流的车辆距离估计方法
CN115984766A (zh) 一种煤矿井下快速单目视觉三维目标检测方法
CN106709432B (zh) 基于双目立体视觉的人头检测计数方法
Guido et al. Vehicle tracking system based on videotaping data
CN113191239A (zh) 一种基于计算机视觉的车辆外廓尺寸动态检测系统
CN211498390U (zh) 一种车载冰面识别追踪系统
Cho et al. Improved lane detection system using Hough transform with super-resolution reconstruction algorithm and multi-ROI
CN115205825B (zh) 基于改进yolov5的行车视频序列图像检测识别交通标志方法

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
CB03 Change of inventor or designer information

Inventor after: Wu Linhuang

Inventor before: Chen Zhifeng

Inventor before: Wu Linhuang

CB03 Change of inventor or designer information
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200703

WD01 Invention patent application deemed withdrawn after publication