CN111753741A - 基于深度学习的特种车辆辅助驾驶方法、装置及存储介质 - Google Patents
基于深度学习的特种车辆辅助驾驶方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111753741A CN111753741A CN202010594755.4A CN202010594755A CN111753741A CN 111753741 A CN111753741 A CN 111753741A CN 202010594755 A CN202010594755 A CN 202010594755A CN 111753741 A CN111753741 A CN 111753741A
- Authority
- CN
- China
- Prior art keywords
- special vehicle
- deep learning
- driving
- alarm
- 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.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000011897 real-time detection Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000000149 penetrating effect Effects 0.000 abstract description 2
- 230000016776 visual perception Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
- B60Q9/008—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling for anti-collision purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
- G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明提供一种基于深度学习的特种车辆辅助驾驶方法、装置及存储介质。通过可见光摄像头和红外热像仪采集特种车辆四周的图像信息;构建基于深度学习的视觉辅助驾驶网络,实现特种车辆的实时视觉感知处理,并在边缘计算盒内设置报警单元,实现障碍物实时检测与报警;构建显示和报警页面,实现每个方向的障碍物实时报警和显示。本发明采用长波红外热像仪和可见光摄像头进行道路信息采集,长波红外具有穿透力强,且受天气影响小的特点,完全满足特种车辆在任意环境条件下的行驶需求。加入深度学习算法,可以实现物体的精准检测与识别,并且做出实时预警,可以为驾驶员提供更多的参考资料,从而提高特种车辆的驾驶安全性。
Description
技术领域
本发明涉及特种车辆视觉辅助驾驶领域,特别是涉及一种基于深度学习的特种车辆辅助驾驶方法、装置及存储介质。
背景技术
辅助驾驶在民用车辆中的应用和创新更多,军用的特种车辆改装方法少。特种车辆需要远距离的障碍物检测,而且还需要在极端环境中实现辅助驾驶功能。例如:在夜晚,没有照明的空旷地带行驶,很容易发生撞击野生动物等事件,或者在暴雨、雾霾等极端天气下驾驶,人眼和可见光摄像头并不能够得到应用的情况下,很难确保安全性。
因此,如何提高特种车辆的驾驶安全性是本领域技术人员目前需要解决的一项技术问题。
发明内容
本发明的目的是提供一种基于深度学习的特种车辆辅助驾驶方法、装置及存储介质,能提高特种车辆的驾驶安全性。
本发明的目的是通过以下技术方案实现的:
第一方面,本发明提供一种基于深度学习的特种车辆辅助驾驶方法,包括以下步骤:
步骤S1、通过可见光摄像头和红外热像仪采集特种车辆四周的图像信息;
步骤S2、构建基于深度学习的视觉辅助驾驶网络;
步骤S3、将视觉辅助驾驶网络移植到边缘计算盒内,实现特种车辆的实时视觉感知处理,并在边缘计算盒内设置报警单元,实现障碍物实时检测与报警;
步骤S4、构建显示和报警页面,实现每个方向的障碍物实时报警和显示。
进一步的,所述的步骤S1包括:
通过特种车辆的前、后、左、右的可见光摄像头采集连续帧RGB图像;
通过特种车辆的前、后、左、右方的红外热像仪采集任何光线条件下的周围环境的连续帧的IR图像;
将采集到的RGB图像和IR图像以4辐图像为一个批次送入到视觉辅助驾驶网络中;
通过雷达发射超声波,检测车辆与后方障碍物的距离。
进一步的,所述的步骤S2包括:
步骤S201、构建基于深度学习算法Mobi leNet-V2的神经网络的物体识别模型;
步骤S202、构建基于深度学习算法SSD的神经网络的物体检测模型;
步骤S203、将物体检测模型和物体识别模型结合,得到视觉辅助驾驶网络。
进一步的,所述的物体检测模型包括线性瓶颈网络和倒残差网络。
进一步的,所述的步骤S3包括:
步骤S301、将视觉辅助驾驶网络移植到边缘计算盒中的数据处理单元,并在特种车辆的四周各安装一个边缘计算盒;
步骤S302、将每个方向的可见光摄像头和红外热像仪采集到的图像送入对应的边缘计算盒的数据处理单元做计算,利用视觉辅助驾驶网络进行检测识别,并输出检测识别后的像素集合的结果到边缘计算盒中的控制单元;
步骤S303、控制单元将原始图像与检测识别后的像素集合的结果通过时间戳进行信息匹配,得到添加了矩形框和物体标签的图像。
进一步的,若步骤S302中识别并检测到了障碍物,则控制单元中的报警模块就会发出警报提示音进行实时报警。
第二方面,本发明提供一种基于深度学习的特种车辆辅助驾驶装置,包括控制单元和数据处理单元,所述的控制单元上存储有计算机指令,所述的数据处理单元运行该计算机指令并执行上述基于深度学习的特种车辆辅助驾驶方法。
第三方面,本发明提供一种存储介质,所述存储介质上存有计算机可执行指令,当所述计算机可执行指令被运行时,执行上述基于深度学习的特种车辆辅助驾驶方法。
本发明采用长波红外热像仪和可见光摄像头进行道路信息采集,长波红外具有穿透力强,且受天气影响小的特点,完全满足特种车辆在任意环境条件下的行驶需求,且长波红外检测的距离更长,完全可以精准的检测到100米以外的活物和有热量的物体(例如:汽车、导弹等)。最重要的是加入深度学习算法,可以实现物体的精准检测与识别,并且做出实时预警,可以为驾驶员提供更多的参考资料,从而提高特种车辆的驾驶安全性。
附图说明
图1为本发明的基于深度学习的特种车辆辅助驾驶方法的流程图;
图2为本发明中的传感器摆放位置示意图;
图3为本发明中MobileNet网络的深度可分离卷积层示意图;
图4为本发明中MobileNet-SSD的神经网络结构示意图;
图5为本发明的工作原理框图。
具体实施例
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本发明的基于深度学习的特种车辆辅助驾驶方法,包括以下步骤:
步骤S1、通过可见光摄像头和红外热像仪采集特种车辆四周的图像信息。
通过在特种车辆的前、后、左、右各安装可见光摄像头和红外热像仪来采集图像信息作为辅助驾驶的信息输入。并且在后方安装倒车雷达,对后方障碍物进行提示。
具体地,在本发明的一个优选实施例中,步骤S1具体包括:
通过特种车辆的前、后、左、右的可见光摄像头采集光线条件良好的情况中的连续帧RGB图像;
通过特种车辆的前、后、左、右方的红外热像仪采集任何光线条件下的周围环境的连续帧的IR图像;
将采集到的RGB图像和IR图像以4辐图像为一个批次送入到视觉辅助驾驶网络中;
通过雷达发射超声波,检测车辆与后方障碍物的距离。设定后方物体与车辆距离大于等于4米为安全距离,雷达主要用于倒车提醒和车辆跟车报警。
步骤S2、构建基于深度学习的视觉辅助驾驶网络。
具体地,在本发明的一个优选实施例中,步骤S2具体包括:
步骤S201、构建基于深度学习算法MobileNet-V2的神经网络的物体识别模型,MobileNet网络中包含深度可分离卷积层,该卷积层由线性瓶颈网络(Linear Bottlenecksblock)和倒残差网络(Inverted residual block)组成。线性瓶颈网络为一头大一头小的网络结构,包括1个3x3通道的卷积层和1个ReLU层,再用1x1通道的卷积和1个ReLU层来恢复通道。倒残差网络结构为两边窄中间宽的网络结构形状,包括一个1x1通道的卷积层和1个ReLU层,再加上1个3x3通道的卷积层和1个ReLU层,最后做1x1通道的卷积和1个ReLU层来恢复通道。这种方式的优势在于减少网络的参数,卷积深度加深,训练也就相对容易一些。利用MobileNet网络对步骤S1中采集到的图像进行识别,最终输出识别结果,即图像中出现的物体是人还是动物或者车辆。
步骤S202、构建基于深度学习算法SSD的神经网络的物体检测模型,该模型的作用为检测环境中的障碍物,将步骤S201识别出来的图像中,给物体在图像中的位置画框。SSD算法可以提取不同尺度的特征图来做检测,且可以采用不同尺度和长宽比的先验框。例如:步骤S201检测到图像中有人,经过SSD模型后,会得到用矩形框将行人框起来的图像。
步骤S203、将基于深度学习算法MobileNet-V2的神经网络的物体识别模型和基于深度学习算法SSD的神经网络的物体检测模型结合,得到视觉辅助驾驶网络。
模型前端接入Mobilenet模型进行图像识别工作,后端接入SSD进行图像检测,共同得到Mobilenet-SSD算法模型,得到本发明所用的视觉辅助驾驶网络。
步骤S3、将视觉辅助驾驶网络移植到边缘计算盒内,实现特种车辆的实时视觉感知处理,并在边缘计算盒内设置报警单元,实现障碍物实时检测与报警。
具体地,在本发明的一个优选实施例中,步骤S3具体包括:
步骤S301、将视觉辅助驾驶网络移植到边缘计算盒中的数据处理单元,并在特种车辆的四周各安装一个边缘计算盒。
步骤S302、将每个方向的可见光摄像头和红外热像仪采集到的图像送入对应的边缘计算盒的数据处理单元,利用步骤S203得到的视觉辅助驾驶网络进行检测识别,并输出检测和识别后的像素集合的结果到控制单元。
特种车辆的四周每个方向都安装了可见光摄像头、红外热像仪和边缘计算盒。每个方向的图像单独做处理。
步骤S303、将检测结果送入边缘计算盒中的控制单元,将原始图像与步骤S302检测识别后的结果通过时间戳进行信息匹配,得到添加了矩形框和物体标签的图像。
优选的,若步骤S302中识别并检测到了障碍物,则控制单元中的报警模块就会发出警报提示音进行实时报警。报警内容包括:发现可移动物体,可移动物体包括行人、车辆、动物等。
步骤S4、将边缘计算盒与显示控制器相连接,构建显示和报警页面,将步骤303中得到的带矩形框和物体标签的图像展示出来,将步骤304中得到的报警情况也展示出来,实现每个方向的障碍物实时报警和显示功能。
设置切换处理器,即一个硬件控制器,在切换处理器中设置控制程序,实现不同方向的图像信息的切换。显示控制器用于显示不同方向的图像信息。通过显示控制器实现人机交互和报警页面,可以看到摄像头与红外探测器采集到的原视频。同时在视频范围内出现移动物体时,显示控制器会通过喇叭发出警报声。与此同时,当倒车雷达检测到物体距离小于设定值时,也会发出警报。
本发明提供一种基于深度学习的特种车辆辅助驾驶装置,包括控制单元和数据处理单元,所述的控制单元上存储有计算机指令,所述的数据处理单元运行该计算机指令并执行上述基于深度学习的特种车辆辅助驾驶方法。
本发明提供一种存储介质,该存储介质上存有计算机可执行指令,当所述计算机可执行指令被运行时执行上述基于深度学习的特种车辆辅助驾驶方法。
以上仅为说明本发明的实施方式,并不用于限制本发明,对于本领域的技术人员来说,凡在本发明的精神和原则之内,不经过创造性劳动所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于深度学习的特种车辆辅助驾驶方法,其特征在于,包括以下步骤:
步骤S1、通过可见光摄像头和红外热像仪采集特种车辆四周的图像信息;
步骤S2、构建基于深度学习的视觉辅助驾驶网络;
步骤S3、将视觉辅助驾驶网络移植到边缘计算盒内,实现特种车辆的实时视觉感知处理,并在边缘计算盒内设置报警单元,实现障碍物实时检测与报警;
步骤S4、构建显示和报警页面,实现每个方向的障碍物实时报警和显示。
2.根据权利要求1所述的基于深度学习的特种车辆辅助驾驶方法,其特征在于,所述的步骤S1包括:
通过特种车辆的前、后、左、右的可见光摄像头采集连续帧RGB图像;
通过特种车辆的前、后、左、右方的红外热像仪采集任何光线条件下的周围环境的连续帧的IR图像;
将采集到的RGB图像和IR图像以4辐图像为一个批次送入到视觉辅助驾驶网络中;
通过雷达发射超声波,检测车辆与后方障碍物的距离。
3.根据权利要求1所述的基于深度学习的特种车辆辅助驾驶方法,其特征在于,所述的步骤S2包括:
步骤S201、构建基于深度学习算法MobileNet-V2的神经网络的物体识别模型;
步骤S202、构建基于深度学习算法SSD的神经网络的物体检测模型;
步骤S203、将物体检测模型和物体识别模型结合,得到视觉辅助驾驶网络。
4.根据权利要求3所述的基于深度学习的特种车辆辅助驾驶方法,其特征在于,所述的物体检测模型包括线性瓶颈网络和倒残差网络。
5.根据权利要求1所述的基于深度学习的特种车辆辅助驾驶方法,其特征在于,所述的步骤S3包括:
步骤S301、将视觉辅助驾驶网络移植到边缘计算盒中的数据处理单元,并在特种车辆的四周各安装一个边缘计算盒;
步骤S302、将每个方向的可见光摄像头和红外热像仪采集到的图像送入对应的边缘计算盒的数据处理单元做计算,利用视觉辅助驾驶网络进行检测识别,并输出检测识别后的像素集合的结果到边缘计算盒中的控制单元;
步骤S303、控制单元将原始图像与检测识别后的像素集合的结果通过时间戳进行信息匹配,得到添加了矩形框和物体标签的图像。
6.根据权利要求5所述的基于深度学习的特种车辆辅助驾驶方法,其特征在于,若步骤S302中识别并检测到了障碍物,则控制单元中的报警模块就会发出警报提示音进行实时报警。
7.基于深度学习的特种车辆辅助驾驶装置,其特征在于,包括控制单元和数据处理单元,所述的控制单元上存储有计算机指令,所述的数据处理单元运行该计算机指令并执行权利要求1至5任意一项所述的基于深度学习的特种车辆辅助驾驶方法。
8.存储介质,其特征在于,所述存储介质上存有计算机可执行指令,当所述计算机可执行指令被运行时,执行权利要求1至5任意一项所述的基于深度学习的特种车辆辅助驾驶方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594755.4A CN111753741B (zh) | 2020-06-28 | 2020-06-28 | 基于深度学习的特种车辆辅助驾驶方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594755.4A CN111753741B (zh) | 2020-06-28 | 2020-06-28 | 基于深度学习的特种车辆辅助驾驶方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753741A true CN111753741A (zh) | 2020-10-09 |
CN111753741B CN111753741B (zh) | 2024-03-15 |
Family
ID=72677353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010594755.4A Active CN111753741B (zh) | 2020-06-28 | 2020-06-28 | 基于深度学习的特种车辆辅助驾驶方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753741B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5555512A (en) * | 1993-08-19 | 1996-09-10 | Matsushita Electric Industrial Co., Ltd. | Picture processing apparatus for processing infrared pictures obtained with an infrared ray sensor and applied apparatus utilizing the picture processing apparatus |
CN203134149U (zh) * | 2012-12-11 | 2013-08-14 | 武汉高德红外股份有限公司 | 基于不同波段成像融合图像处理的车辆辅助驾驶系统 |
CN107807355A (zh) * | 2017-10-18 | 2018-03-16 | 轩辕智驾科技(深圳)有限公司 | 一种基于红外和毫米波雷达技术的车辆避障预警系统 |
CN109086678A (zh) * | 2018-07-09 | 2018-12-25 | 天津大学 | 一种基于深度监督学习提取图像多级特征的行人检测方法 |
CN109190600A (zh) * | 2018-10-18 | 2019-01-11 | 知行汽车科技(苏州)有限公司 | 一种基于视觉传感器的驾驶员监控系统 |
CN109523834A (zh) * | 2018-12-24 | 2019-03-26 | 云南北方驰宏光电有限公司 | 船舶安全辅助驾驶系统 |
CN109815799A (zh) * | 2018-12-18 | 2019-05-28 | 南京理工大学 | 一种基于ssd的快速航拍车辆检测算法 |
CN110443111A (zh) * | 2019-06-13 | 2019-11-12 | 东风柳州汽车有限公司 | 自动驾驶目标识别方法 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
CN110781779A (zh) * | 2019-10-11 | 2020-02-11 | 北京地平线机器人技术研发有限公司 | 物体位置检测方法、装置、可读存储介质及电子设备 |
CN110862033A (zh) * | 2019-11-12 | 2020-03-06 | 中信重工开诚智能装备有限公司 | 一种应用于煤矿斜井绞车的智能预警检测方法 |
US20200096434A1 (en) * | 2019-10-18 | 2020-03-26 | Roger Lawrence Deran | Fluid Suspended Particle Classifier |
CN111198371A (zh) * | 2020-03-03 | 2020-05-26 | 杭州中车数字科技有限公司 | 前视障碍物检测系统 |
-
2020
- 2020-06-28 CN CN202010594755.4A patent/CN111753741B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5555512A (en) * | 1993-08-19 | 1996-09-10 | Matsushita Electric Industrial Co., Ltd. | Picture processing apparatus for processing infrared pictures obtained with an infrared ray sensor and applied apparatus utilizing the picture processing apparatus |
CN203134149U (zh) * | 2012-12-11 | 2013-08-14 | 武汉高德红外股份有限公司 | 基于不同波段成像融合图像处理的车辆辅助驾驶系统 |
CN107807355A (zh) * | 2017-10-18 | 2018-03-16 | 轩辕智驾科技(深圳)有限公司 | 一种基于红外和毫米波雷达技术的车辆避障预警系统 |
CN109086678A (zh) * | 2018-07-09 | 2018-12-25 | 天津大学 | 一种基于深度监督学习提取图像多级特征的行人检测方法 |
CN109190600A (zh) * | 2018-10-18 | 2019-01-11 | 知行汽车科技(苏州)有限公司 | 一种基于视觉传感器的驾驶员监控系统 |
CN109815799A (zh) * | 2018-12-18 | 2019-05-28 | 南京理工大学 | 一种基于ssd的快速航拍车辆检测算法 |
CN109523834A (zh) * | 2018-12-24 | 2019-03-26 | 云南北方驰宏光电有限公司 | 船舶安全辅助驾驶系统 |
CN110443111A (zh) * | 2019-06-13 | 2019-11-12 | 东风柳州汽车有限公司 | 自动驾驶目标识别方法 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
CN110781779A (zh) * | 2019-10-11 | 2020-02-11 | 北京地平线机器人技术研发有限公司 | 物体位置检测方法、装置、可读存储介质及电子设备 |
US20200096434A1 (en) * | 2019-10-18 | 2020-03-26 | Roger Lawrence Deran | Fluid Suspended Particle Classifier |
CN110862033A (zh) * | 2019-11-12 | 2020-03-06 | 中信重工开诚智能装备有限公司 | 一种应用于煤矿斜井绞车的智能预警检测方法 |
CN111198371A (zh) * | 2020-03-03 | 2020-05-26 | 杭州中车数字科技有限公司 | 前视障碍物检测系统 |
Non-Patent Citations (4)
Title |
---|
FARZEEN MUNIR 等: "Thermal Object Detection using Domain Adaptation through Style Consistency", 《ARXIV: 2006.00821V1》, pages 1 - 9 * |
宫振飞: "面向辅助驾驶的实时行人车辆检测预警算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2020, pages 035 - 334 * |
张文廷: "基于红外视频流的汽车辅助驾驶技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2018, pages 035 - 101 * |
陈思潼: "基于深度学习的机载多光谱目标检测系统", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2020, pages 028 - 89 * |
Also Published As
Publication number | Publication date |
---|---|
CN111753741B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10330787B2 (en) | Advanced driver-assistance system | |
US9013286B2 (en) | Driver assistance system for displaying surroundings of a vehicle | |
CN107133559B (zh) | 基于360度全景的运动物体检测方法 | |
DE102018201054A1 (de) | System und Verfahren zur Bilddarstellung durch ein Fahrerassistenzmodul eines Fahrzeugs | |
CN111731187A (zh) | 一种汽车a柱盲区图像显示系统及方法 | |
JP7183390B2 (ja) | 自律型車両用のカメラ評価技術 | |
EP2414776B1 (en) | Vehicle handling assistant apparatus | |
CN111221342A (zh) | 一种自动驾驶汽车环境感知系统 | |
CN110807352B (zh) | 一种用于危险驾驶行为预警的车内外场景视觉分析方法 | |
CN106926794B (zh) | 车辆监控系统及其方法 | |
Yang et al. | Driving assistance system based on data fusion of multisource sensors for autonomous unmanned ground vehicles | |
CN111351474B (zh) | 车辆移动目标检测方法、装置和系统 | |
CN103034843A (zh) | 一种基于单目视觉的夜间车辆检测方法 | |
Jiang et al. | Target detection algorithm based on MMW radar and camera fusion | |
CN116778448A (zh) | 车辆安全驾驶辅助方法、装置、系统、设备及存储介质 | |
US8213683B2 (en) | Driving support system with plural dimension processing units | |
KR20190134303A (ko) | 영상 인식 장치 및 그 방법 | |
JP5073461B2 (ja) | 車両周辺監視システム | |
CN111753741B (zh) | 基于深度学习的特种车辆辅助驾驶方法、装置及存储介质 | |
CN115416651A (zh) | 行车过程障碍物监控方法、装置和电子设备 | |
CN114937090A (zh) | 一种智能电子前后视镜系统 | |
CN111856606B (zh) | 一种基于红外热成像的前视智能驾驶辅助装置及方法 | |
TW202241739A (zh) | 識別停車位的方法及其系統 | |
KR20200072590A (ko) | 자동 주차 기능을 위한 주차선 이탈 감지 방법 및 장치 | |
US20230394692A1 (en) | Method for estimating depth, electronic device, and storage medium |
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 |