CN112464889A - 道路车辆姿态和运动信息检测方法 - Google Patents
道路车辆姿态和运动信息检测方法 Download PDFInfo
- Publication number
- CN112464889A CN112464889A CN202011466786.8A CN202011466786A CN112464889A CN 112464889 A CN112464889 A CN 112464889A CN 202011466786 A CN202011466786 A CN 202011466786A CN 112464889 A CN112464889 A CN 112464889A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- dimensional
- key points
- key point
- 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.)
- Withdrawn
Links
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
- 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
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种道路车辆姿态和运动信息检测方法，该方法首先构建道路区域的CIM及其信息交换模块，由设置在道路侧边的相机采集道路上的车辆图像后，使用关键点提取网络提取车辆关键点，并使用KM算法进行车辆关键点的匹配，得到每辆车的底部框架和二维关键点序列，然后将每辆车的二维关键点序列输入TCN网络中，得到每辆车的三维关键点坐标信息后，将其投影到CIM中，最后对每一路段构建一个三维空间坐标系，基于每辆车的三维关键点和三维空间坐标系进行处理，得到道路上每辆车的姿态信息和平均速度及加速度等运动信息；本发明的检测方法准确度高，通过检测结果可以判断道路的危险程度，提早发出预警。
Description
(一)、技术领域：
本发明涉及一种车辆行驶信息采集方法，特别涉及一种道路车辆姿态和运动信息检测方法。
(二)、背景技术：
在道路上特别是在高危道路上行驰的车辆，车辆的姿态非常重要，车辆的速度、加速度及车辆的倾斜角度都关乎车辆的安全。现有技术通常使用传感器对车辆姿态进行测量，申请号为2017108419021的专利申请《车辆姿态测量装置及姿态测量方法》公开了一种使用传感器对车辆姿态进行测量的方法，该方法采用距离传感器测量与地之间的距离，类似还有使用磁传感器等，使用传感器的测量方法存在传感器易损坏且受环境影响较大，测量不准确的缺陷。
申请号为2010102646725的专利《一种从交通图像中检测车辆位置、姿态和三维轮廓的方法》公开了一种通过图像处理得到车辆姿态信息的方法，通常通过对车辆轮廓提取，进行三维姿态估计，该方法的缺点在于难以解决遮挡问题。
现有的车辆姿态测量方法大多用于车辆的信息感知或辅助驾驶，而不能通过车辆姿态获取道路信息特别是高危道路信息；对于道路管理者而言，当发生交通事故时，仅仅看到了事故的表象，通过事故表象难以评估事故的真实情况，也就无法提前发出预警，避免或减少交通事故的发生。
(三)、发明内容：
本发明要解决的技术问题是：提供一种道路车辆姿态和运动信息检测方法，该检测方法的准确度高，通过检测结果可以判断道路的危险程度，提早发出预警。
本发明的技术方案：
一种道路车辆姿态和运动信息检测方法，含有以下步骤：
步骤1、构建道路区域的CIM(City Information Modeling，城市信息模型)及其信息交换模块；所述CIM及其信息交换模块是一种基于CIM的信息处理和数据交换平台，主要包含道路区域的地理位置信息和相机感知信息等；
步骤2、在道路区域的道路侧边设置相机，相机以斜俯视视角拍摄，其视角应能拍摄其所负责监控的路段，相机的位姿固定，被检测道路路段位于相机的视野内，每段道路都应设有相机拍摄，使用相机采集道路上的车辆图像；
步骤3、使用关键点提取网络提取所采集到的车辆图像中的车辆关键点，车辆关键点分为5类关键点：左前车轮关键点、右前车轮关键点、左后车轮关键点、右后车轮关键点和车辆根节点；然后，输出车辆关键点热力图(Heatmap)；
步骤4、对车辆关键点热力图进行计算，得到车辆二维关键点，并使用KM算法进行车辆关键点的匹配，得到每个车辆的车辆底部框架和每个车辆的二维关键点序列；
步骤5、将每个车辆的二维关键点序列输入TCN网络中，经TCN网络处理后得到每个车辆的三维关键点，三维关键点包含车辆关键点的三维坐标信息；
TCN网络的具体训练要素包括:
(1)采用多个不同位置和姿态的车辆的二维关键点坐标序列作为训练数据集，训练标注为每个关键点对应的三维关键点坐标，
(2)loss函数采用均方差损失函数；
步骤6、计算每个车辆的三维关键点的偏移，将每个车辆的车辆根节点投影到CIM模型中，并基于三维关键点的偏移，将每个车辆的左前车轮关键点、右前车轮关键点、左后车轮关键点和右后车轮关键点投影到CIM模型中；
步骤7、基于CIM模型的已知信息，将路段划分为一般路段和高危路段，高危路段往往与一般路段相比存在起伏，对每一路段构建一个对应的三维空间直角坐标系，假设对所划分而得的每段路段的路面是一个平面，该三维空间直角坐标系基于CIM信息，以每一路段起始处路面中心点为坐标系原点，车辆沿道路的行驶方向为x轴方向，路面平面内垂直于x轴的方向为y轴方向，垂直于路面平面的方向为z轴方向；
步骤8、基于每个车辆的三维关键点和步骤7构建的三维空间直角坐标系进行处理，得到每个车辆的姿态信息：以车辆底部框架平面法向量与y轴(x轴和z轴所构成平面的法向量)之间的夹角作为偏航角(yaw)，以车辆底部框架平面法向量与z轴(x轴和y轴所构成平面的法向量)之间的夹角作为俯仰角(pitch)，以车辆底部框架平面法向量与x轴(y轴和z轴所构成平面的法向量)之间的夹角作为翻滚角(roll)；
步骤9、基于每个车辆的车辆根节点的坐标偏移，计算得到每个车辆的运动信息：平均速度和加速度。
对一段时间(例如：一个月或一个季度)内行经每一路段的车辆的姿态信息和运动信息情况进行统计并分析，判断该路段的危险程度，对实时的关键点感知结果、车辆姿态感知结果，通过WebGIS，WebGL等技术在BIM可视化模型中更新，提早发出预警；例如在冬季统计车辆经过结冰路面时的偏航角，分析是否需要禁止无防滑带车辆通行；在下坡路面统计车辆的俯仰角，分析道路颠簸程度；在弯道区域统计车辆的翻滚角，分析弯道通行难度，便于提前预警车辆侧滑，侧翻情况的发生。
步骤3中，关键点提取网络是基于Encoder-Decoder的CNN关键点提取网络。
车辆关键点热力图Heatmap输出的通道中的表征是符合高斯分布的热斑，一般对训练集标注时，以高斯核卷积生成以关键点为中心的热斑作标注，使用均方差损失函数进行训练可以得到；标签数据经过归一化处理，因此输出的热斑值域也位于[0，1]；
关键点提取网络的具体训练要素包括：
(1)以相机所采集的多帧车辆图像作为训练数据集，数据集所包含的图像需经过归一化预处理，便于模型更好的收敛；标签数据同样经过归一化预处理；
(2)使用相机所采集的道路车辆图像和车辆关键点热力图(Heatmap)标签数据，端到端地训练车辆关键点检测编码器Encoder和车辆关键点检测解码器Decoder；车辆关键点检测编码器Encoder对图像进行特征提取，其输入为归一化处理后的标签数据和图像数据，其输出为Feature map；车辆关键点检测解码器Decoder对Feature map进行上采样，其输出与原图等大的车辆关键点Heatmap，由于有5类关键点，车辆关键点Heatmap按关键点类别以6个通道形式输出，其中一个通道为背景类。
(3)loss函数采用均方差损失函数；
车辆根节点为车辆底部中心点，在车辆位姿发生一定变化时，该车辆根节点仍近似在道路路面上。
步骤4的KM算法中，权重设置结合先验知识，即基于车轮间的经验距离设置权重，车轮间距离越接近经验距离，权重越大；车辆关键点匹配的具体步骤为：选择车辆根节点作为第一类点，任选一类车轮关键点作为第二类点进行基于权值的二分图最优匹配，匹配后将同一车辆的点归为一个点集，然后，再次选择第二类点，再次匹配，直至所有点集中均包含五个点。
本发明的有益效果：
1、本发明通过使用关键点提取网络提取车辆二维关键点，使用KM算法进行车辆关键点的匹配，得到每个车辆的车辆底部框架和二维关键点序列，并经TCN网络处理后得到每个车辆的三维关键点序列，经计算得到每个车辆的姿态信息和运动信息，检测的准确度高；对一段时间内行经每一路段的车辆的姿态信息和运动信息进行统计并分析，可判断该路段的危险程度，提早发出预警，避免或减少交通事故的发生。
2、本发明使用了关键点提取网络结合KM算法，可以有效地进行车辆关键点的匹配，解决了车辆轮廓被遮挡后而无法提取车辆轮廓问题，进一步提高了检测的准确度高。
(四)、具体实施方式：
道路车辆姿态和运动信息检测方法，含有以下步骤：
步骤1、构建道路区域的CIM(City Information Modeling，城市信息模型)及其信息交换模块；所述CIM及其信息交换模块是一种基于CIM的信息处理和数据交换平台，主要包含道路区域的地理位置信息和相机感知信息等；
步骤2、在道路区域的道路侧边设置相机，相机以斜俯视视角拍摄，其视角应能拍摄其所负责监控的路段，相机的位姿固定，被检测道路路段位于相机的视野内，每段道路都应设有相机拍摄，使用相机采集道路上的车辆图像；
步骤3、使用关键点提取网络提取所采集到的车辆图像中的车辆关键点，车辆关键点分为5类关键点：左前车轮关键点、右前车轮关键点、左后车轮关键点、右后车轮关键点和车辆根节点；然后，输出车辆关键点热力图(Heatmap)；
步骤4、对车辆关键点热力图进行计算，得到车辆二维关键点，并使用KM算法进行车辆关键点的匹配，得到每个车辆的车辆底部框架和每个车辆的二维关键点序列；
步骤5、将每个车辆的二维关键点序列输入TCN网络中，经TCN网络处理后得到每个车辆的三维关键点，三维关键点包含车辆关键点的三维坐标信息；
TCN网络的具体训练要素包括:
(1)采用多个不同位置和姿态的车辆的二维关键点坐标序列作为训练数据集，训练标注为每个关键点对应的三维关键点坐标，
(2)loss函数采用均方差损失函数；
步骤6、计算每个车辆的三维关键点的偏移，将每个车辆的车辆根节点投影到CIM模型中，并基于三维关键点的偏移，将每个车辆的左前车轮关键点、右前车轮关键点、左后车轮关键点和右后车轮关键点投影到CIM模型中；
步骤7、基于CIM模型的已知信息，将路段划分为一般路段和高危路段，高危路段往往与一般路段相比存在起伏，对每一路段构建一个对应的三维空间直角坐标系，假设对所划分而得的每段路段的路面是一个平面，该三维空间直角坐标系基于CIM信息，以每一路段起始处路面中心点为坐标系原点，车辆沿道路的行驶方向为x轴方向，路面平面内垂直于x轴的方向为y轴方向，垂直于路面平面的方向为z轴方向；
步骤8、基于每个车辆的三维关键点和步骤7构建的三维空间直角坐标系进行处理，得到每个车辆的姿态信息：以车辆底部框架平面法向量与y轴(x轴和z轴所构成平面的法向量)之间的夹角作为偏航角(yaw)，以车辆底部框架平面法向量与z轴(x轴和y轴所构成平面的法向量)之间的夹角作为俯仰角(pitch)，以车辆底部框架平面法向量与x轴(y轴和z轴所构成平面的法向量)之间的夹角作为翻滚角(roll)；
步骤9、基于每个车辆的车辆根节点的坐标偏移，计算得到每个车辆的运动信息：平均速度V和加速度a加；例如：设相机采样速率为30帧/秒，取连续60帧时间段的第一帧和第六十帧，车辆根节点在x轴方向上的偏移距离S，则可计算出平均速度V，
其中T＝2(s)；加速度的计算方式为：取连续两个60帧时间段，计算得到两个时间段的加速度a加，
对一段时间(例如：一个月或一个季度)内行经每一路段的车辆的姿态信息和运动信息情况进行统计并分析，判断该路段的危险程度，对实时的关键点感知结果、车辆姿态感知结果，通过WebGIS，WebGL等技术在BIM可视化模型中更新，提早发出预警；例如在冬季统计车辆经过结冰路面时的偏航角，分析是否需要禁止无防滑带车辆通行；在下坡路面统计车辆的俯仰角，分析道路颠簸程度；在弯道区域统计车辆的翻滚角，分析弯道通行难度，便于提前预警车辆侧滑，侧翻情况的发生。
步骤3中，关键点提取网络是基于Encoder-Decoder的CNN关键点提取网络。
车辆关键点热力图Heatmap输出的通道中的表征是符合高斯分布的热斑，一般对训练集标注时，以高斯核卷积生成以关键点为中心的热斑作标注，使用均方差损失函数进行训练可以得到；标签数据经过归一化处理，因此输出的热斑值域也位于[0，1]；
关键点提取网络的具体训练要素包括：
(1)以相机所采集的多帧车辆图像作为训练数据集，数据集所包含的图像需经过归一化预处理，便于模型更好的收敛；标签数据同样经过归一化预处理；
(2)使用相机所采集的道路车辆图像和车辆关键点热力图(Heatmap)标签数据，端到端地训练车辆关键点检测编码器Encoder和车辆关键点检测解码器Decoder；车辆关键点检测编码器Encoder对图像进行特征提取，其输入为归一化处理后的标签数据和图像数据，其输出为Feature map；车辆关键点检测解码器Decoder对Feature map进行上采样，其输出与原图等大的车辆关键点Heatmap，由于有5类关键点，车辆关键点Heatmap按关键点类别以6个通道形式输出，其中一个通道为背景类。
(3)loss函数采用均方差损失函数；
车辆根节点为车辆底部中心点，在车辆位姿发生一定变化时，该车辆根节点仍近似在道路路面上。
步骤4的KM算法中，权重设置结合先验知识，即基于车轮间的经验距离设置权重，车轮间距离越接近经验距离，权重越大；车辆关键点匹配的具体步骤为：选择车辆根节点作为第一类点，任选一类车轮关键点作为第二类点进行基于权值的二分图最优匹配，匹配后将同一车辆的点归为一个点集，然后，再次选择第二类点，再次匹配，直至所有点集中均包含五个点。
Claims (4)
1.一种道路车辆姿态和运动信息检测方法，其特征是：含有以下步骤：
步骤1、构建道路区域的CIM及其信息交换模块；
步骤2、在道路区域的道路侧边设置相机，相机的位姿固定，被检测道路路段位于相机的视野内，使用相机采集道路上的车辆图像；
步骤3、使用关键点提取网络提取所采集到的车辆图像中的车辆关键点，车辆关键点分为5类关键点：左前车轮关键点、右前车轮关键点、左后车轮关键点、右后车轮关键点和车辆根节点；然后输出车辆关键点热力图；
步骤4、对车辆关键点热力图进行计算，得到车辆二维关键点，并使用KM算法进行车辆关键点的匹配，得到每个车辆的车辆底部框架和每个车辆的二维关键点序列；
步骤5、将每个车辆的二维关键点序列输入TCN网络中，经TCN网络处理后得到每个车辆的三维关键点，三维关键点包含车辆关键点的三维坐标信息；
步骤6、计算每个车辆的三维关键点的偏移，将每个车辆的车辆根节点投影到CIM中，并基于三维关键点的偏移，将每个车辆的左前车轮关键点、右前车轮关键点、左后车轮关键点和右后车轮关键点投影到CIM中；
步骤7、基于CIM的已知信息，将路段划分为一般路段和高危路段，对每一路段构建一个对应的三维空间直角坐标系，该三维空间直角坐标系以每一路段起始处路面中心点为坐标系原点，车辆沿道路的行驶方向为x轴方向，路面平面内垂直于x轴的方向为y轴方向，垂直于路面平面的方向为z轴方向；
步骤8、基于每个车辆的三维关键点和步骤7构建的三维空间直角坐标系进行处理，得到每个车辆的姿态信息：以车辆底部框架平面法向量与y轴之间的夹角作为偏航角，以车辆底部框架平面法向量与z轴之间的夹角作为俯仰角，以车辆底部框架平面法向量与x轴之间的夹角作为翻滚角；
步骤9、基于每个车辆的车辆根节点的坐标偏移，计算得到每个车辆的运动信息：平均速度和加速度。
2.根据权利要求1所述的道路车辆姿态和运动信息检测方法，其特征是：所述步骤3中，关键点提取网络是基于Encoder-Decoder的CNN关键点提取网络。
3.根据权利要求1所述的道路车辆姿态和运动信息检测方法，其特征是：所述车辆根节点为车辆底部中心点。
4.根据权利要求1所述的道路车辆姿态和运动信息检测方法，其特征是：所述步骤4的KM算法中，基于车轮间的经验距离设置权重，车轮间距离越接近经验距离，权重越大；车辆关键点匹配的具体步骤为：选择车辆根节点作为第一类点，任选一类车轮关键点作为第二类点进行基于权值的二分图最优匹配，匹配后将同一车辆的点归为一个点集，然后，再次选择第二类点，再次匹配，直至所有点集中均包含五个点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011466786.8A CN112464889A (zh) | 2020-12-14 | 2020-12-14 | 道路车辆姿态和运动信息检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011466786.8A CN112464889A (zh) | 2020-12-14 | 2020-12-14 | 道路车辆姿态和运动信息检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112464889A true CN112464889A (zh) | 2021-03-09 |
Family
ID=74803982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011466786.8A Withdrawn CN112464889A (zh) | 2020-12-14 | 2020-12-14 | 道路车辆姿态和运动信息检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112464889A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966882A (zh) * | 2021-04-15 | 2021-06-15 | 四川中电启明星信息技术有限公司 | 一种基于时空全局匹配的配电网调度方法 |
| CN112991737A (zh) * | 2021-03-10 | 2021-06-18 | 英博超算(南京)科技有限公司 | 一种汽车采集路况信息的方法 |
| CN113327192A (zh) * | 2021-05-11 | 2021-08-31 | 武汉唯理科技有限公司 | 一种通过三维测量技术测算汽车行驶速度的方法 |
| CN113569759A (zh) * | 2021-07-29 | 2021-10-29 | 沭阳新辰公路仪器有限公司 | 一种基于人工智能的道路掉落物识别方法及系统 |
| CN114419897A (zh) * | 2022-03-30 | 2022-04-29 | 成都柔水科技有限公司 | 一种基于v2x技术的城市交通cim系统及其展示方法 |
-
2020
- 2020-12-14 CN CN202011466786.8A patent/CN112464889A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991737A (zh) * | 2021-03-10 | 2021-06-18 | 英博超算(南京)科技有限公司 | 一种汽车采集路况信息的方法 |
| CN112966882A (zh) * | 2021-04-15 | 2021-06-15 | 四川中电启明星信息技术有限公司 | 一种基于时空全局匹配的配电网调度方法 |
| CN113327192A (zh) * | 2021-05-11 | 2021-08-31 | 武汉唯理科技有限公司 | 一种通过三维测量技术测算汽车行驶速度的方法 |
| CN113569759A (zh) * | 2021-07-29 | 2021-10-29 | 沭阳新辰公路仪器有限公司 | 一种基于人工智能的道路掉落物识别方法及系统 |
| CN113569759B (zh) * | 2021-07-29 | 2022-06-10 | 沭阳新辰公路仪器有限公司 | 一种基于人工智能的道路掉落物识别方法及系统 |
| CN114419897A (zh) * | 2022-03-30 | 2022-04-29 | 成都柔水科技有限公司 | 一种基于v2x技术的城市交通cim系统及其展示方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112464889A (zh) | 道路车辆姿态和运动信息检测方法 | |
| CN110992683B (zh) | 一种基于动态图像感知的交叉口盲区预警方法及系统 | |
| CN110992693B (zh) | 一种基于深度学习的交通拥堵程度多维度分析方法 | |
| CN102999759B (zh) | 一种基于光流的车辆运动状态估计方法 | |
| CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
| CN104573646B (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
| EP1780675B1 (en) | Object detector | |
| CN109359409A (zh) | 一种基于视觉与激光雷达传感器的车辆可通过性检测系统 | |
| CN110705458B (zh) | 边界检测方法及装置 | |
| CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
| CN106054191A (zh) | 车轮检测和其在物体跟踪以及传感器配准中的应用 | |
| CN110745140A (zh) | 一种基于连续图像约束位姿估计的车辆换道预警方法 | |
| CN103559791A (zh) | 一种融合雷达和ccd摄像机信号的车辆检测方法 | |
| CN104183127A (zh) | 交通监控视频检测方法和装置 | |
| EP3364336B1 (en) | A method and apparatus for estimating a range of a moving object | |
| CN109145805B (zh) | 车载环境下的移动目标检测方法及系统 | |
| CN109727273A (zh) | 一种基于车载鱼眼相机的移动目标检测方法 | |
| CN113657265B (zh) | 一种车辆距离探测方法、系统、设备及介质 | |
| CN107796373A (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 | |
| CN112800938B (zh) | 无人驾驶车辆检测侧面落石发生的方法及装置 | |
| CN104537649A (zh) | 一种基于图像模糊度比较的车辆转向判断方法及系统 | |
| CN116736322B (zh) | 融合相机图像与机载激光雷达点云数据的速度预测方法 | |
| CN113962301B (zh) | 一种多源输入信号融合的路面质量检测方法及系统 | |
| CN106846369A (zh) | 基于双目视觉的车辆转向状态判别方法及装置 | |
| CN116631187B (zh) | 一种案件现场勘查信息智能采集分析系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210309 |
|
| WW01 | Invention patent application withdrawn after publication |