CN111723849A - 一种基于车载摄像头的路面附着系数在线估计方法和系统 - Google Patents
一种基于车载摄像头的路面附着系数在线估计方法和系统 Download PDFInfo
- Publication number
- CN111723849A CN111723849A CN202010456701.1A CN202010456701A CN111723849A CN 111723849 A CN111723849 A CN 111723849A CN 202010456701 A CN202010456701 A CN 202010456701A CN 111723849 A CN111723849 A CN 111723849A
- Authority
- CN
- China
- Prior art keywords
- road surface
- road
- vehicle
- adhesion coefficient
- mounted camera
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于车载摄像头的路面附着系数在线估计方法,包括以下步骤:S1:获取车辆行驶过程中前方的路面图像;S2:将路面图像输入训练完成的路面分割模型,将路面图像分割为路面区域和非路面区域;S3:提取分割完成路面图像中的路面区域,得到路面分类数据集;S4:将路面分类数据集输入训练完成的路面分类模型,得到前方路面类型;S5:根据前方路面类型、延迟时间以及路面类型与路面附着系数映射关系,得到当前车辆路面附着系数估计值,与现有技术相比,本发明具有估计精度高、实时性好且识别快速等优点。
Description
技术领域
本发明涉及汽车控制领域,尤其是涉及一种基于车载摄像头的路面附着系数在线估计方法。
背景技术
车辆路面附着系数是实现汽车精确高品质运动控制的关键参数,估计的准确性将极大地影响控制质量,如果能够准确地获得当前的路面附着系数,则可以大大减少雨雪天的交通事故数量。现有的方法主要是基于动力学响应的估计方法,其优点在于辨识实现条件容易,准确反映路面可提供给目标车辆的最大附着能力,估计的鲁棒性较强;但是估计精度强烈依赖轮胎模型的拟合精度,而且为了获取准确的辨识结果,需要足够的激励条件,即辨识效果只有在车辆的利用附着系数接近峰值附着系数时才比较明显,这样容易使车辆发生失稳。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种不依赖车辆本身的激励状态且能够准确反映路面附着系数的,基于车载摄像头的路面附着系数在线估计方法。
本发明的目的可以通过以下技术方案来实现:
一种基于车载摄像头的路面附着系数在线估计方法,包括以下步骤:
S1:获取车辆行驶过程中前方的路面图像;
S2:将路面图像输入训练完成的路面分割模型,将路面图像分割为路面区域和非路面区域;
S3:提取分割完成路面图像中的路面区域,得到路面分类数据集;
S4:将路面分类数据集输入训练完成的路面分类模型,得到前方路面类型;
S5:根据前方路面类型、延迟时间以及路面类型与路面附着系数映射关系,得到当前车辆路面附着系数估计值。
进一步地,所述的路面分割模型的训练过程具体包括:
S21:获取不同天气下的路面图像,得到包括不同路面类型的路面图像;
S22:在路面图像上标注路面区域和非路面区域,生成路面分割训练数据集;
S23:利用路面分割训练数据集对第一神经网络进行端到端的训练,得到训练完成的路面分割模型。
进一步地,所述的路面分类模型的训练过程具体包括:
S41:对获取的路面图像标注路面类型;
S42:将标注路面类型的路面图像输入路面分割模型,得到分割完成的路面图像;
S43:提取分割完成路面图像中的路面区域,构建路面分类训练数据集;
S44:利用路面分类训练数据集对第二神经网络进行端到端的训练,得到训练完成的路面分类模型。
进一步优选地,所述的步骤S22具体包括:
将非路面图像中非路面区域像素点的值设置为n1,路面区域像素点的值设置为n2,并设置n1≠n2,其中n1和n2的取值范围均为0~255。直接通过设置不同的像素值,进行非路面区域和路面区域的区分标注,简单方便。
进一步优选地,所述的步骤S3和步骤S43中,提取分割完成路面图像中的路面区域具体包括:
S31:利用网格对分割完成的路面图像进行划分,所述的网格的尺寸小于路面图像的最小尺寸;
S32:比较每个网格四个角点处的像素值是否均为n2,若是,则判断该网格为路面区域,否则判断该网格为非路面区域。通过比较网格四个角点处的像素值判断网格是否属于路面区域,减少计算量,且由于路面区域和非路面区域的分布特点,能够保证准确对路面区域进行提取。
更进一步地,所述的路面类型包括干燥路面、湿滑路面和冰雪路面,所述的干燥路面对应为干燥天气下的路面,所述的湿滑路面对应为阴雨天气下的路面,所述的冰雪路面对应为冰雪天气下的路面。不同路面类型对车辆路面附着系数影响较大,本发明考虑三种路面类型,包括了行车过程可能遇到的绝多数路面情况,能够保证对路面附着系数估计值的准确性。
优选地,所述的路面类型与路面附着系数映射关系具体为:
所述的干燥路面的路面附着系数为0.85;
所述的湿滑路面的路面附着系数为0.6;
所述的冰雪路面的路面附着系数为0.15。
根据不同路面类型的特点,对应设置不同的路面附着系数,不依赖车辆本身的激励状态,同时保证对路面附着系数估计值的准确性。
优选地,所述的第一神经网络为深度卷积神经网络,所基于的深度学习框架为Pytorch、Tensorflow或Caffe,所述的第二神经网络为深度卷积神经网络,所基于的深度学习框架为Pytorch、Tensorflow或Caffe。
进一步地,所述的延迟时间为:
其中,l0为车辆轴距,l1和l2为预瞄距离,其分别表示车载摄像头拍摄中心点到前车轮连线的距离和到后车轮连线的距离,t1为前轮路面附着系数的估计结果延迟时间,t2为后轮路面附着系数的估计结果延迟时间,vx为车辆的纵向车速。
优选地,所述的步骤S21中采集的路面图像包括大于等于1000张干燥路面图像、大于等于1000张湿滑路面图像和大于等于1000张冰雪路面图像。
一种基于所述的路面附着系数在线估计方法的主动安全控制系统,包括车载摄像头、工控机和整车控制器,所述的车载摄像头安装于车辆前端保险杠处,用于采集车辆行驶过程中的前方路面图像,并通过USB数据线与工控机连接,进行路面图像数据的传输,所述的工控机用于执行所述的路面附着系数在线估计方法,得到路面附着系数的估计值,并通过CAN协议将路面附着系数估计值传输至整车控制器,所述的车载摄像头的分辨率大于等于720×480像素,帧率大于等于30fps。
与现有技术相比,本发明具有以下优点:
1)本发明通过车载摄像头拍摄车辆行驶过程中前方的路面图像,对路面图像进行分析处理,并根据路面类型、延迟时间以及路面类型与路面附着系数映射关系,得到路面附着系数的估计值,不依赖车辆本身的激励状态且能够准确反映路面附着系数,估计精度高;
2)本发明的路面附着系数估计算法考虑到延迟时间和路面类型,能够实现路面附着系数的实时在线预测,针对附着系数突变的路面能实现快速识别,更好服务于主动安全控制等车辆运动控制系统,实时性好;
3)本发明路面附着系数估计算法不局限于车辆的形式,只需安装车载摄像头进行图像拍摄和工控机进行图像处理,也不依赖车辆本身的激励状态,装置安装简单、成本低廉。
附图说明
图1为本发明路面附着系数估计方法流程示意图;
图2为本发明方法的具体实施过程的流程示意图;
图3为预瞄距离l1和l2为的定义示意图;
图4为本发明系统的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
如图1所示,本发明提供一种基于车载摄像头的路面附着系数在线估计方法,包括如下步骤:
S1:车载摄像头采集车辆行驶过程中前方的路面图像;
S2:将路面图像输入训练完成的路面分割模型,将路面图像分割为路面区域和非路面区域;
S3:提取分割完成路面图像中的路面区域,得到路面分类数据集;
S4:将路面分类数据集输入训练完成的路面分类模型,得到前方路面类型;
S5:根据前方路面类型、延迟时间以及路面类型与路面附着系数映射关系,得到当前车辆路面附着系数估计值。
其中,提取分割完成路面图像中的路面区域具体包括:
S31:利用网格对分割完成的路面图像进行划分,所述的网格的尺寸小于路面图像的最小尺寸;
S32:比较每个网格四个角点处的像素值是否均为n2,若是,则判断该网格为路面区域,否则判断该网格为非路面区域。
如图2所示,本实施例中,给出具体实施过程如下:
步骤一:通过车载摄像头分别采集干燥、阴雨和冰雪天气下车辆前方道路的路面图像,分别对应干燥路面图像、湿滑路面图像和冰雪路面图像。
其中优选将车载摄像头安装在车辆前端保险杠处,其技术参数要求为:分辨率不低于720×480像素,帧率不低于30fps。采集的光线环境包括但不限于早晨、正午、黄昏等;采集的样本图片数量要求为:干燥路面图像数量不少于1000张,湿滑路面图像数量不少于1000张,冰雪路面图像数量不少于1000张;
步骤二:将采集的路面图像标注为路面区域和非路面区域,生成路面分割训练数据集。
其中,路面区域和非路面区域的标注方法具体包括:将非路面区域像素点的值设置n1,其中n1的范围在0~255,将路面区域像素点的值设置为n2,其中n2的范围在0~255,并且n1≠n2;
步骤三:利用路面分割数据集对网络A(即第一神经网络)进行端到端的训练,得到路面分割模型。
其中,第一神经网络为深度卷积神经网络,所基于的深度学习框架为Pytorch、Tensorflow或Caffe;
步骤四:将采集的路面图像分别标注为干燥路面、湿滑路面或冰雪路面,并基于路面分割模型生成路面分类训练数据集,其具体过程包括:
首先将路面图像按照路面的真实状态按照干燥、湿滑和冰雪等划分为3类;然后分别利用路面分割模型输出的路面分割图像,在此基础上按照尺寸a×a的网格对图像进行划分,尺寸a应该小于图像的最小尺寸;最后判断每个网格四个角点处的像素值,当四个像素值均为n2时,判断此网格为路面候选分类网格,其路面类型标签与原始图像的标签相同,放入路面分类训练数据集;
步骤五:利用路面分类训练数据集对网络B(即第二神经网络)进行端到端的训练,得到路面分类模型;
其中,第二神经网络为深度卷积神经网络,所基于的深度学习框架为Pytorch或Tensorflow或Caffe;
步骤六:建立路面类型与路面附着系数之间的映射关系,本实施例中,设置干燥路面的路面附着系数为0.85,湿滑路面的路面附着系数为0.6,冰雪路面的路面附着系数为0.15;
步骤七:在车辆行驶过程中,根据车载摄像头传输的路面图像,利用训练完成的路面分割模型和路面分类模型,按照步骤S1-步骤S5的流程,同步输出当前车辆的路面附着系数。
其中,考虑到车载摄像头当前所拍摄得到的路面并不是实际车辆所正在历经的路面,因此需要对估计结果进行延迟处理,延迟时间为:
其中,l0为车辆轴距,如图3所示,l1和l2为预瞄距离,其分别表示车载摄像头拍摄中心点到前车轮连线的距离和到后车轮连线的距离,t1为前轮路面附着系数的估计结果延迟时间,t2为后轮路面附着系数的估计结果延迟时间,vx为车辆的纵向车速。
如图4所示,本发明还提供一种基于路面附着系数在线估计方法的主动安全控制系统,包括车载摄像头、工控机和整车控制器,车载摄像头安装于车辆前端保险杠处,用于采集车辆行驶过程中的前方路面图像,并通过USB数据线与工控机连接,进行路面图像数据的传输,工控机用于执行路面附着系数在线估计方法,得到路面附着系数的估计值,并通过CAN协议将路面附着系数估计值传输至整车控制器,车载摄像头的分辨率大于等于720×480像素,帧率大于等于30fps。
本实施例中,系统的硬件设置包括车载摄像头、工控机和量产的电动汽车整车控制器。摄像头通过USB数据线与工控机实现图像数据的传输,工控机用于进行处理图像数据,并以CAN协议传输路面附着系数估计结果至整车控制器。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于车载摄像头的路面附着系数在线估计方法,其特征在于,包括以下步骤:
S1:获取车辆行驶过程中前方的路面图像;
S2:将路面图像输入训练完成的路面分割模型,将路面图像分割为路面区域和非路面区域;
S3:提取分割完成路面图像中的路面区域,得到路面分类数据集;
S4:将路面分类数据集输入训练完成的路面分类模型,得到前方路面类型;
S5:根据前方路面类型、延迟时间以及路面类型与路面附着系数映射关系,得到当前车辆路面附着系数估计值。
2.根据权利要求1所述的一种基于车载摄像头的路面附着系数在线估计方法,其特征在于,所述的路面分割模型的训练过程具体包括:
S21:获取不同天气下的路面图像,得到包括不同路面类型的路面图像;
S22:在路面图像上标注路面区域和非路面区域,生成路面分割训练数据集;
S23:利用路面分割训练数据集对第一神经网络进行端到端的训练,得到训练完成的路面分割模型。
3.根据权利要求2所述的一种基于车载摄像头的路面附着系数在线估计方法,其特征在于,所述的路面分类模型的训练过程具体包括:
S41:对获取的路面图像标注路面类型;
S42:将标注路面类型的路面图像输入路面分割模型,得到分割完成的路面图像;
S43:提取分割完成路面图像中的路面区域,构建路面分类训练数据集;
S44:利用路面分类训练数据集对第二神经网络进行端到端的训练,得到训练完成的路面分类模型。
4.根据权利要求3所述的一种基于车载摄像头的路面附着系数在线估计方法,其特征在于,所述的步骤S22具体包括:
将非路面图像中非路面区域像素点的值设置为n1,路面区域像素点的值设置为n2,并设置n1≠n2,其中n1和n2的取值范围均为0~255。
5.根据权利要求4所述的一种基于车载摄像头的路面附着系数在线估计方法,其特征在于,所述的步骤S3和步骤S43中,提取分割完成路面图像中的路面区域具体包括:
S31:利用网格对分割完成的路面图像进行划分,所述的网格的尺寸小于路面图像的最小尺寸;
S32:比较每个网格四个角点处的像素值是否均为n2,若是,则判断该网格为路面区域,否则判断该网格为非路面区域。
6.根据权利要求3所述的一种基于车载摄像头的路面附着系数在线估计方法,其特征在于,所述的路面类型包括干燥路面、湿滑路面和冰雪路面,所述的干燥路面对应为干燥天气下的路面,所述的湿滑路面对应为阴雨天气下的路面,所述的冰雪路面对应为冰雪天气下的路面。
7.根据权利要求6所述的一种基于车载摄像头的路面附着系数在线估计方法,其特征在于,所述的路面类型与路面附着系数映射关系具体为:
所述的干燥路面的路面附着系数为0.85;
所述的湿滑路面的路面附着系数为0.6;
所述的冰雪路面的路面附着系数为0.15。
8.根据权利要求3所述的一种基于车载摄像头的路面附着系数在线估计方法,其特征在于,所述的第一神经网络为深度卷积神经网络,所基于的深度学习框架为Pytorch、Tensorflow或Caffe,所述的第二神经网络为深度卷积神经网络,所基于的深度学习框架为Pytorch、Tensorflow或Caffe。
10.一种基于如根据权利要求1所述的路面附着系数在线估计方法的主动安全控制系统,其特征在于,包括车载摄像头、工控机和整车控制器,所述的车载摄像头安装于车辆前端保险杠处,用于采集车辆行驶过程中的前方路面图像,并通过USB数据线与工控机连接,进行路面图像数据的传输,所述的工控机用于执行权利要求1-9任一项所述的路面附着系数在线估计方法,得到路面附着系数的估计值,并通过CAN协议将路面附着系数估计值传输至整车控制器,所述的车载摄像头的分辨率大于等于720×480像素,帧率大于等于30fps。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010456701.1A CN111723849A (zh) | 2020-05-26 | 2020-05-26 | 一种基于车载摄像头的路面附着系数在线估计方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010456701.1A CN111723849A (zh) | 2020-05-26 | 2020-05-26 | 一种基于车载摄像头的路面附着系数在线估计方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111723849A true CN111723849A (zh) | 2020-09-29 |
Family
ID=72565146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010456701.1A Pending CN111723849A (zh) | 2020-05-26 | 2020-05-26 | 一种基于车载摄像头的路面附着系数在线估计方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723849A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329533A (zh) * | 2020-10-07 | 2021-02-05 | 江苏大学 | 一种基于图像分割的局部路面附着系数估计方法 |
CN112706728A (zh) * | 2020-12-30 | 2021-04-27 | 吉林大学 | 基于视觉的路面附着系数估计的自动紧急制动控制方法 |
CN112863247A (zh) * | 2020-12-30 | 2021-05-28 | 潍柴动力股份有限公司 | 一种道路识别方法、装置、设备和存储介质 |
CN113361121A (zh) * | 2021-06-21 | 2021-09-07 | 吉林大学 | 一种基于时空同步与信息融合的路面附着系数估计方法 |
CN113379711A (zh) * | 2021-06-21 | 2021-09-10 | 吉林大学 | 一种基于图像的城市道路路面附着系数获取方法 |
CN113538357A (zh) * | 2021-07-09 | 2021-10-22 | 同济大学 | 一种抗阴影干扰的路面状态在线检测方法 |
CN114220267A (zh) * | 2021-12-15 | 2022-03-22 | 同济大学 | 一种基于车辆obd的道路拍摄方法及系统 |
CN114906215A (zh) * | 2022-05-30 | 2022-08-16 | 中汽创智科技有限公司 | 一种方向盘阻力控制方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491736A (zh) * | 2017-07-20 | 2017-12-19 | 重庆邮电大学 | 一种基于卷积神经网络的路面附着系数辨识方法 |
CN110378416A (zh) * | 2019-07-19 | 2019-10-25 | 北京中科原动力科技有限公司 | 一种基于视觉的路面附着系数估计方法 |
CN110466520A (zh) * | 2019-08-01 | 2019-11-19 | 武汉理工大学 | 一种基于路面附着系数识别的自适应巡航方法 |
-
2020
- 2020-05-26 CN CN202010456701.1A patent/CN111723849A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491736A (zh) * | 2017-07-20 | 2017-12-19 | 重庆邮电大学 | 一种基于卷积神经网络的路面附着系数辨识方法 |
CN110378416A (zh) * | 2019-07-19 | 2019-10-25 | 北京中科原动力科技有限公司 | 一种基于视觉的路面附着系数估计方法 |
CN110466520A (zh) * | 2019-08-01 | 2019-11-19 | 武汉理工大学 | 一种基于路面附着系数识别的自适应巡航方法 |
Non-Patent Citations (2)
Title |
---|
康渴楠: "基于视觉的智能车辆行驶道路附着状态判断研究", 《万方》 * |
熊璐等: "视觉辅助的分布式驱动电动汽车路面估计方法", 《同济大学学报(自然科学版)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329533A (zh) * | 2020-10-07 | 2021-02-05 | 江苏大学 | 一种基于图像分割的局部路面附着系数估计方法 |
CN112329533B (zh) * | 2020-10-07 | 2024-05-14 | 江苏大学 | 一种基于图像分割的局部路面附着系数估计方法 |
CN112706728A (zh) * | 2020-12-30 | 2021-04-27 | 吉林大学 | 基于视觉的路面附着系数估计的自动紧急制动控制方法 |
CN112863247A (zh) * | 2020-12-30 | 2021-05-28 | 潍柴动力股份有限公司 | 一种道路识别方法、装置、设备和存储介质 |
CN112706728B (zh) * | 2020-12-30 | 2022-03-25 | 吉林大学 | 基于视觉的路面附着系数估计的自动紧急制动控制方法 |
CN113361121A (zh) * | 2021-06-21 | 2021-09-07 | 吉林大学 | 一种基于时空同步与信息融合的路面附着系数估计方法 |
CN113379711A (zh) * | 2021-06-21 | 2021-09-10 | 吉林大学 | 一种基于图像的城市道路路面附着系数获取方法 |
CN113379711B (zh) * | 2021-06-21 | 2022-07-08 | 吉林大学 | 一种基于图像的城市道路路面附着系数获取方法 |
CN113538357A (zh) * | 2021-07-09 | 2021-10-22 | 同济大学 | 一种抗阴影干扰的路面状态在线检测方法 |
CN114220267A (zh) * | 2021-12-15 | 2022-03-22 | 同济大学 | 一种基于车辆obd的道路拍摄方法及系统 |
CN114906215A (zh) * | 2022-05-30 | 2022-08-16 | 中汽创智科技有限公司 | 一种方向盘阻力控制方法、装置、电子设备及存储介质 |
CN114906215B (zh) * | 2022-05-30 | 2024-04-19 | 中汽创智科技有限公司 | 一种方向盘阻力控制方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723849A (zh) | 一种基于车载摄像头的路面附着系数在线估计方法和系统 | |
CN108983219B (zh) | 一种交通场景的图像信息和雷达信息的融合方法及系统 | |
WO2021259344A1 (zh) | 车辆检测方法、装置、车辆和存储介质 | |
CN108596129B (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
US20190187722A1 (en) | Method and apparatus for intelligent terrain identification, vehicle-mounted terminal and vehicle | |
CN101750049B (zh) | 基于道路和车辆自身信息的单目视觉车距测量方法 | |
US11373532B2 (en) | Pothole detection system | |
CN112215306B (zh) | 一种基于单目视觉与毫米波雷达融合的目标检测方法 | |
CN110765909B (zh) | 基于车载摄像头辅助分布式驱动电动汽车路面估计方法 | |
CN107590438A (zh) | 一种智能辅助驾驶方法及系统 | |
CN102768760B (zh) | 一种基于图像纹理的图像快速去雾方法 | |
CN107577996A (zh) | 一种车辆驾驶路径偏移的识别方法及系统 | |
CN104657735A (zh) | 车道线检测方法、系统、车道偏离预警方法及系统 | |
CN105512623A (zh) | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 | |
CN111688706A (zh) | 一种基于视觉与动力学的路面附着系数交互式估计方法 | |
CN111688707A (zh) | 一种视觉与动力学融合的路面附着系数估计方法 | |
CN109829365B (zh) | 基于机器视觉的多场景适应驾驶偏离及转弯预警方法 | |
CN110458050B (zh) | 基于车载视频的车辆切入检测方法及装置 | |
CN104715252A (zh) | 一种动态模板结合像素点的车牌字符分割方法 | |
CN104050637A (zh) | 基于两次引导滤波的快速图像去雾方法 | |
CN116738211A (zh) | 一种基于多源异构数据融合的道路状况识别方法 | |
CN113538357B (zh) | 一种抗阴影干扰的路面状态在线检测方法 | |
WO2021036559A1 (zh) | 车窗自动清洁方法及装置 | |
CN109519077B (zh) | 一种基于图像处理对雨水进行检测的车窗控制系统 | |
CN111652033A (zh) | 基于OpenCV的车道线检测方法 |
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 |