CN111611872A - 新型双目视觉车辆检测方法及检测系统 - Google Patents
新型双目视觉车辆检测方法及检测系统 Download PDFInfo
- Publication number
- CN111611872A CN111611872A CN202010346505.9A CN202010346505A CN111611872A CN 111611872 A CN111611872 A CN 111611872A CN 202010346505 A CN202010346505 A CN 202010346505A CN 111611872 A CN111611872 A CN 111611872A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- binocular vision
- image
- right images
- distance
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 10
- 230000008447 perception Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 9
- 206010039203 Road traffic accident Diseases 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000463 material 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
- 238000011176 pooling Methods 0.000 description 1
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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- 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
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于自动驾驶的图像识别与定位技术领域，具体涉及一种新型双目视觉车辆检测方法及检测系统，其中新型双目视觉车辆检测方法，包括：在采集点通过双目视觉获取车辆的左、右图像；对左、右图像进行处理；根据处理后的左、右图像进行车辆检测；以及根据检测获得的车辆获取采集点与车辆之间的距离，实现了对整车行驶道路上面的车辆进行测距，提升车辆的智能化水平，降低交通事故的发生频率。
Description
技术领域
本发明属于自动驾驶的图像识别与定位技术领域，具体涉及一种新型双目视觉车辆检测方法及检测系统。
背景技术
视觉信息由于包含了大量的表观特征描述，使得国内外大量科研机构和车企均投入许多人力物力对其进行研究，来提高数据的可靠性，完善图像处理算法。研究表明，摄像头在无人驾驶领域中，有着不可或缺的潜力和优势，因此，将其用于环境感知过程中，对车辆行人进行识别检测与定位测距，是非常有必要，也是有意义的。
传统的图像处理计算机视觉技术由于受到计算资源和理论应用的限制，只对单目视觉进行研究，且计算处理单目静止图像速度缓慢。随着并行GPU和立体匹配理论的兴起，图像处理计算机视觉技术逐渐向双目及多目方向延伸，并成为研究的热点。经过多年的发展与应用，双目视觉如今已在工业、商业、农业和军用等领域崭露头角，如实时控制、目标追踪、三维测量和医疗等。在智能车障碍物检测和跟踪领域，双目视觉以其成本低、简单易用并且可以确定三维信息而受到了国内外研究者的青睐。因此，利用双目视觉对整车行驶道路上面的车辆进行测距是有意义而且必要的。
在双目视觉测距领域，经过多年的发展，仍停留在需要人为指出检测点，方能利用双目视觉确定距离，最新算法也在不断改进，或者标定算法进行改善，也出现对立体匹配算法进行改善，还有将双目视觉应用在不同领域，如架空输电通道、水下视觉测距和无人机避障，也有使用传统方法如车辆特征（李建-基于双目视觉的前方车辆测距技术研究-2018、李文杰-基于双目视觉的前方车辆测距法研究-2016）检测出道路中行驶的汽车，然后依据算法测出汽车与双目相机之间的距离，但是检测准确率较低，测距精度不高。
因此，基于上述技术问题需要设计一种新的新型双目视觉车辆检测方法及检测系统。
发明内容
本发明的目的是提供一种新型双目视觉车辆检测方法及检测系统。
为了解决上述技术问题，本发明提供了一种新型双目视觉车辆检测方法，包括：
在采集点通过双目视觉获取车辆的左、右图像；
对左、右图像进行处理；
根据处理后的左、右图像进行车辆检测；以及
根据检测获得的车辆获取采集点与车辆之间的距离。
进一步，所述左、右图像适于采用相同的处理方法进行处理，其方法包括：
根据车辆检测数据集训练ACF检测器；
通过训练后的ACF检测器测试左图像，以获取左图像的目标特征图；
将网络划分为大尺寸图像专用子网络和小尺寸图像专用子网络，并且将左图像目标特征图中的整体特征图和目标位置输入大尺寸图像专用子网络和小尺寸图像专用子网络，通过卷积层提取图像特征，以获取用于预设范围输入尺度的特征图，并且将图像特征转化为特征向量输送到全连接层。进一步，所述处理后的左、右图像适于采用相同的方法进行车辆检测，其方法包括：
根据左图像的用于预设范围输入尺度的特征图，两层子网络为每个目标提供不同类别的置信度得分和边框回归，利用尺度感知加权层预测的两个尺度感知权重将每层子网络的置信度得分和边框回归结合，以检测获得左图像中的车辆。
进一步，所述根据处理后的左、右图像获取采集点与车辆之间的距离的方法包括：
利用SURF特征匹配算法进行左、右图像的立体匹配，根据匹配数据进行三维重建。
进一步，所述根据处理后的左、右图像获取采集点与车辆之间的距离的方法还包括：
三维重建后，将左图像中检测获得的车辆设为感兴趣区域，并从图像中提取；
通过在全连接层中添加的分支对检测获得的车辆进行并行预测，以对图像语义分割获得该车辆的车辆轮廓，进而获取车辆的质心。
进一步，所述根据处理后的左、右图像获取采集点与车辆之间的距离的方法还包括：
根据车辆轮廓通过双目视觉在右图像中找出质心的匹配点，以确定质心的三维坐标，进而通过双目视觉测距获取采集点与车辆之间的距离。
另一方面，本发明还提供一种新型双目视觉车辆检测系统，包括：
处理器模块，以及与该处理器模块电性连接的摄像模块和显示模块；
所述摄像模块适于采集车辆的左、右图像；
所述处理器模块适于根据车辆的左、右图像获取所述摄像模块与车辆之间的距离，并通过所述显示模块显示。
进一步，所述处理器模块适于采用上述的新型双目视觉车辆检测方法获取摄像模块与车辆之间的距离。
进一步，所述摄像模块包括：双目相机和数据采集卡；
所述双目相机采集的车辆左、右图像适于通过所述数据采集及卡发送至所述处理器模块。
进一步，所述新型双目视觉车辆检测系统还包括：支架；
所述支架适于固定所述摄像模块，以固定车辆左、右图像的采集点。
本发明的有益效果是，本发明通过在采集点通过双目视觉获取车辆的左、右图像；对左、右图像进行处理；根据处理后的左、右图像进行车辆检测；以及根据检测获得的车辆获取采集点与车辆之间的距离，实现了对整车行驶道路上面的车辆进行测距，提升车辆的智能化水平，降低交通事故的发生频率。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所涉及的新型双目视觉车辆检测方法的流程图；
图2是本发明所涉及的新型双目视觉车辆检测方法的具体流程图；
图3是本发明所涉及的新型双目视觉车辆检测系统的原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
图1是本发明所涉及的新型双目视觉车辆检测方法的流程图。
如图1所示，本实施例1提供了一种新型双目视觉车辆检测方法，包括：在采集点通过双目视觉获取车辆的左、右图像；对左、右图像进行处理；根据处理后的左、右图像进行车辆检测；以及根据检测获得的车辆获取采集点与车辆之间的距离，实现了对整车行驶道路上面的车辆进行测距，提升车辆的智能化水平，降低交通事故的发生频率。
在本实施例中，通过Fast-RCNN对车辆的左、右图像进行实时处理；加载深度神经网络Fast-RCNN的训练数据，然后针对车辆车不同空间尺度引入多个内置的子网络，接着将来自所有子网络的输出自适应组合对车辆进行检测，然后利用SURF特征匹配算法进行左、右图像的立体匹配，根据匹配数据进行三维重建并通过图像语义分割确定车辆质心坐标，从而测量出车辆与采集点之间的距离。
图2是本发明所涉及的新型双目视觉车辆检测方法的具体流程图。
如图2所示，在本实施例中，所述左、右图像适于采用相同的处理方法进行处理，其方法包括：利用ACF检测器来提取车辆特征，即根据车辆运行特点，将前方车辆的垂直边缘特征加入到ACF检测器原有的10通道特征，形成新的11通道特征，在PASCAL VOC的车辆检测数据集训练ACF车辆检测器；通过训练后的ACF检测器测试左、右图像，以获取左、右图像的目标特征图；所述目标特征图包括车辆特征的整体特征图和目标位置；将网络划分为大尺寸图像专用子网络和小尺寸图像专用子网络，并且将左、右图像目标特征图中的整体特征图和目标位置输入大尺寸图像专用子网络和小尺寸图像专用子网络，通过卷积层提取图像特征，以获取用于预设范围输入尺度的特征图（即专门用于特定范围输入尺度的特征图），并且通过ROI池化层将图像特征转化为特征向量并输送到全连接层。
在本实施例中，所述处理后的左、右图像适于采用相同的方法进行车辆检测，其方法包括：根据左图像的用于预设范围输入尺度的特征图，两层子网络为每个目标（左图像里的车辆信息）提供不同类别的置信度得分和边框回归，利用尺度感知加权层预测的两个尺度感知权重将每个网络的置信度得分和边框回归结合，以检测获得左图像中的车辆（采用相同的方法检测获得右图像中的车辆）。
在本实施例中，所述根据处理后的左、右图像获取采集点与车辆之间的距离的方法包括：利用SURF特征匹配算法进行左、右图像的立体匹配，根据匹配数据进行三维重建。
在本实施例中，所述根据处理后的左、右图像获取采集点与车辆之间的距离的方法包括：三维重建后，将左图像中检测获得的车辆设为感兴趣区域（ROI），并从图像中提取；通过在全连接层中添加的分支（利用Fast-RCNN在全连接层添加一个分支）对检测获得的车辆进行并行预测，以对图像语义分割获得该车辆的车辆轮廓，进而获取车辆的质心（利用Matlab得到车辆的质心参数）。
在本实施例中，所述根据处理后的左、右图像获取采集点与车辆之间的距离的方法还包括：根据车辆轮廓通过双目视觉在右图像中找出质心的匹配点，以确定质心的三维坐标，进而通过双目视觉测距获取采集点与车辆之间的距离；利用图像语义分割方法结合车辆质心相比已有双目测距方法可以更加准确获取车辆的距离信息，精确度更高，实时性好。
实施例2
图3是本发明所涉及的新型双目视觉车辆检测系统的原理框图。
如图3所示，在实施例1的基础上，本实施例2还提供一种新型双目视觉车辆检测系统，包括：处理器模块，以及与该处理器模块电性连接的摄像模块和显示模块；所述处理器模块可以但不限于采用JETSON TX-1深度学习处理器；所述显示模块可以但不限于采用显示器，并且显示器通过HDMI接口与JETSON TX-1相连；可以在JETSON TX-1深度学习处理器配置Fast-RCNN对摄像模块输入的图像进行实时处理；所述摄像模块适于采集车辆的左、右图像（实时采集实际道路场景图片）；所述处理器模块适于根据车辆的左、右图像获取所述摄像模块与车辆之间的距离（摄像模块中双目相机与车辆之间的距离），并通过所述显示模块显示，同时所述显示模块还可以显示处理器模块计算获取摄像模块与车辆之间距离的过程。
在本实施例中，所述处理器模块适于采用实施例1所涉及的新型双目视觉车辆检测方法获取摄像模块与车辆之间的距离。
在本实施例中，所述摄像模块包括：双目相机和数据采集卡；所述双目相机可以但不限于采用HNY-CV双目相机；所述双目相机通过所述数据采集卡与所述处理器模块连接；所述双目相机采集的车辆左、右图像适于通过所述数据采集及卡发送至所述处理器模块。
在本实施例中，所述新型双目视觉车辆检测系统还包括：支架；所述支架适于固定所述摄像模块，以固定车辆左、右图像的采集点。
综上所述，本发明通过在采集点通过双目视觉获取车辆的左、右图像；对左、右图像进行处理；根据处理后的左、右图像进行车辆检测；以及根据检测获得的车辆获取采集点与车辆之间的距离，实现了对整车行驶道路上面的车辆进行测距，提升车辆的智能化水平，降低交通事故的发生频率。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种新型双目视觉车辆检测方法，其特征在于，包括：
在采集点通过双目视觉获取车辆的左、右图像；
对左、右图像进行处理；
根据处理后的左、右图像进行车辆检测；以及
根据检测获得的车辆获取采集点与车辆之间的距离。
2.如权利要求1所述的新型双目视觉车辆检测方法，其特征在于，
所述左、右图像适于采用相同的处理方法进行处理，其方法包括：
根据车辆检测数据集训练ACF检测器；
通过训练后的ACF检测器测试左图像，以获取左图像的目标特征图；
将网络划分为大尺寸图像专用子网络和小尺寸图像专用子网络，并且将左图像目标特征图中的整体特征图和目标位置输入大尺寸图像专用子网络和小尺寸图像专用子网络，通过卷积层提取图像特征，以获取用于预设范围输入尺度的特征图，并且将图像特征转化为特征向量输送到全连接层。
3.如权利要求2所述的新型双目视觉车辆检测方法，其特征在于，
所述处理后的左、右图像适于采用相同的方法进行车辆检测，其方法包括：
根据左图像的用于预设范围输入尺度的特征图，两层子网络为每个目标提供不同类别的置信度得分和边框回归，利用尺度感知加权层预测的两个尺度感知权重将每层子网络的置信度得分和边框回归结合，以检测获得左图像中的车辆。
4.如权利要求3所述的新型双目视觉车辆检测方法，其特征在于，
所述根据处理后的左、右图像获取采集点与车辆之间的距离的方法包括：
利用SURF特征匹配算法进行左、右图像的立体匹配，根据匹配数据进行三维重建。
5.如权利要求4所述的新型双目视觉车辆检测方法，其特征在于，
所述根据处理后的左、右图像获取采集点与车辆之间的距离的方法还包括：
三维重建后，将左图像中检测获得的车辆设为感兴趣区域，并从图像中提取；
通过在全连接层中添加的分支对检测获得的车辆进行并行预测，以对图像语义分割获得该车辆的车辆轮廓，进而获取车辆的质心。
6.如权利要求5所述的新型双目视觉车辆检测方法，其特征在于，
所述根据处理后的左、右图像获取采集点与车辆之间的距离的方法还包括：
根据车辆轮廓通过双目视觉在右图像中找出质心的匹配点，以确定质心的三维坐标，进而通过双目视觉测距获取采集点与车辆之间的距离。
7.一种新型双目视觉车辆检测系统，其特征在于，包括：
处理器模块，以及与该处理器模块电性连接的摄像模块和显示模块；
所述摄像模块适于采集车辆的左、右图像；
所述处理器模块适于根据车辆的左、右图像获取所述摄像模块与车辆之间的距离，并通过所述显示模块显示。
8.如权利要求7所述的新型双目视觉车辆检测系统，其特征在于，
所述处理器模块适于采用权利要求1-6任一项所述的新型双目视觉车辆检测方法获取摄像模块与车辆之间的距离。
9.如权利要求7所述的新型双目视觉车辆检测系统，其特征在于，
所述摄像模块包括：双目相机和数据采集卡；
所述双目相机采集的车辆左、右图像适于通过所述数据采集及卡发送至所述处理器模块。
10.如权利要求9所述的新型双目视觉车辆检测系统，其特征在于，
所述新型双目视觉车辆检测系统还包括：支架；
所述支架适于固定所述摄像模块，以固定车辆左、右图像的采集点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010346505.9A CN111611872A (zh) | 2020-04-27 | 2020-04-27 | 新型双目视觉车辆检测方法及检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010346505.9A CN111611872A (zh) | 2020-04-27 | 2020-04-27 | 新型双目视觉车辆检测方法及检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111611872A true CN111611872A (zh) | 2020-09-01 |
Family
ID=72199744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010346505.9A Pending CN111611872A (zh) | 2020-04-27 | 2020-04-27 | 新型双目视觉车辆检测方法及检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111611872A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991369A (zh) * | 2021-03-25 | 2021-06-18 | 湖北工业大学 | 基于双目视觉的行驶车辆外廓尺寸检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105225482A (zh) * | 2015-09-02 | 2016-01-06 | 上海大学 | 基于双目立体视觉的车辆检测系统和方法 |
| CN108108680A (zh) * | 2017-12-13 | 2018-06-01 | 长安大学 | 一种基于双目视觉的后方车辆识别与测距方法 |
| CN110322702A (zh) * | 2019-07-08 | 2019-10-11 | 中原工学院 | 一种基于双目立体视觉系统的车辆智能测速方法 |
-
2020
- 2020-04-27 CN CN202010346505.9A patent/CN111611872A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105225482A (zh) * | 2015-09-02 | 2016-01-06 | 上海大学 | 基于双目立体视觉的车辆检测系统和方法 |
| CN108108680A (zh) * | 2017-12-13 | 2018-06-01 | 长安大学 | 一种基于双目视觉的后方车辆识别与测距方法 |
| CN110322702A (zh) * | 2019-07-08 | 2019-10-11 | 中原工学院 | 一种基于双目立体视觉系统的车辆智能测速方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈云霁, 机械工业出版社 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991369A (zh) * | 2021-03-25 | 2021-06-18 | 湖北工业大学 | 基于双目视觉的行驶车辆外廓尺寸检测方法 |
| CN112991369B (zh) * | 2021-03-25 | 2023-11-17 | 湖北工业大学 | 基于双目视觉的行驶车辆外廓尺寸检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340797B (zh) | 一种激光雷达与双目相机数据融合检测方法及系统 | |
| CN109271944B (zh) | 障碍物检测方法、装置、电子设备、车辆及存储介质 | |
| CN112417967B (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
| CN111487641B (zh) | 一种利用激光雷达检测物体的方法、装置、电子设备及存储介质 | |
| CN111326023A (zh) | 一种无人机航线预警方法、装置、设备及存储介质 | |
| CN106295459A (zh) | 基于机器视觉和级联分类器的车辆检测和预警方法 | |
| CN110717918B (zh) | 行人检测方法和装置 | |
| CN112906777A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN106803262A (zh) | 利用双目视觉自主解算汽车速度的方法 | |
| Meshram et al. | Traffic surveillance by counting and classification of vehicles from video using image processing | |
| CN111913177A (zh) | 对目标物探测方法、装置以及存储介质 | |
| WO2019097422A2 (en) | Method and system for enhanced sensing capabilities for vehicles | |
| CN104915642A (zh) | 前方车辆测距方法及装置 | |
| CN112598743B (zh) | 一种单目视觉图像的位姿估算方法及相关装置 | |
| CN103093481B (zh) | 一种基于分水岭分割的静态背景下运动目标检测方法 | |
| CN111611872A (zh) | 新型双目视觉车辆检测方法及检测系统 | |
| CN112464933A (zh) | 一种地基凝视红外成像弱小目标智能识别方法 | |
| KR102105705B1 (ko) | 과속 차량 감지 장치 및 방법 | |
| CN113869407A (zh) | 一种基于单目视觉的车长测量方法和装置 | |
| CN114494355A (zh) | 基于人工智能的轨迹分析方法、装置、终端设备及介质 | |
| CN113901903A (zh) | 道路识别方法和装置 | |
| CN104182990A (zh) | 一种实时序列图像运动目标区域获取方法 | |
| CN113705432A (zh) | 一种模型训练、三维目标检测方法、装置、设备及介质 | |
| CN111539279A (zh) | 道路限高高度检测方法、装置、设备及存储介质 | |
| KR20200005853A (ko) | 심층 구조 학습 기반 사람 계수 방법 및 시스템 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |