CN112750194A - 一种无人驾驶汽车避障方法、装置 - Google Patents
一种无人驾驶汽车避障方法、装置 Download PDFInfo
- Publication number
- CN112750194A CN112750194A CN202010413219.XA CN202010413219A CN112750194A CN 112750194 A CN112750194 A CN 112750194A CN 202010413219 A CN202010413219 A CN 202010413219A CN 112750194 A CN112750194 A CN 112750194A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- image
- light field
- driving
- obstacle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 14
- 230000001537 neural effect Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000009877 rendering Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
-
- 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
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/12—Systems for determining distance or velocity not using reflection or reradiation using electromagnetic waves other than radio waves
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种无人驾驶汽车避障方法，包括：通过搭载在所述无人驾驶汽车上的光场相机，拍摄、获取所述无人驾驶汽车行驶道路的三维场景图像；根据从所述光场相机接收到的行驶道路三维场景图像，判断、规避行驶障碍以及规划所述无人驾驶汽车的行驶路线、控制车辆行驶状态。在从所述光场相机接收到行驶道路三维场景图像后，通过基于机器学习的道路场景三维障碍物识别模型，对所述无人驾驶汽车进行避障处置。
Description
技术领域
本发明属于无人驾驶技术领域，特别涉及一种基于光场相机的无人驾驶汽车三维避障方法和装置。
背景技术
近年来，随着汽车工业和人工智能的快速发展增长，应用于无人驾驶的三维路况障碍物视觉检测系统也在飞速发展。现有方案是，一般结合激光雷达生成的点云数据和二维相机作为道路障碍物识别的输入信息，但是由于激光雷达点云较为稀疏，且成本较高、效率较低。因此需要一种更加简单、高效的方法检测路障，满足车辆在高速行驶时的检测速度需求。
光场相机的出现为三维路障检测提供了新的解决方向。光场相机在常规相机的传感器和主镜头中间增加了微透镜阵列，进而记录光线的传播方向，形成独特的经过透镜阵列编码的光场图像，对该光场图像进行处理渲染，继而同时获得了道路场景的二维中心视角图像也获得了对应的深度信息。
发明内容
本发明实施例提供了一种无人驾驶汽车避障方法，目的在于解决现有无人驾驶汽车在行驶中依赖激光雷达或二维相机对道路障碍物进行识别，在检测速度和检测精度上无法满足现实需要的问题。
本发明实施例之一，一种无人驾驶汽车避障方法，包括步骤：
通过搭载在所述无人驾驶汽车上的光场相机，拍摄、获取所述无人驾驶汽车行驶道路的三维场景图像；
根据从所述光场相机接收到的行驶道路三维场景图像，通过基于机器学习的道路场景三维障碍物识别模型，对所述无人驾驶汽车进行避障处置，即包括判断、规避行驶障碍以及规划所述无人驾驶汽车的行驶路线、控制车辆行驶状态。
进一步的，所述的道路场景三维障碍物识别模型的建立方法包括，
获取多幅所述行驶道路场景的二维图像、深度图像以及行驶路况中对应的障碍物信息作为训练集；
获取从道路场景二维图像和深度图像特征到行驶路况中障碍物信息的非线性映射关系，基于神经卷积网络构建所述道路场景三维障碍物识别模型，
将所述训练集输入所述神经卷积网络进行训练，并微调网络参数，完成对所述神经卷积网络的训练。
本发明实施例提供的基于光场相机的无人驾驶汽车三维避障方法有如下有益效果：
1、本发明利用光场相机同时采集空间中三维信息和颜色信息特点，道路场景进行三维建模。因此，结合获得的二维中心视角图像和深度图像，有助于提高障碍物检测的效率和速度。
2、本发明提出的基于光场相机的无人驾驶汽车三维避障系统及方法高效便捷并且具有更高的准确性。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1是根据本发明实施例之一的过程流程图；
图2是根据本发明实施例之一采用的神经卷积网络结构。
具体实施方式
根据一个或者多个实施例，一种无人驾驶汽车避障装置，包括一台或者多台光场相机，光场相机搭载在汽车上拍摄获取道路场景信息，用于检测场景的三维信息和颜色信息。行驶控制器，包括存储器和处理器。其中存储器用于搭载训练完成的神经网络结构，该神经网络对场景三维信息和颜色信息进行障碍物识别；处理器基于神经网络计算得到的三维障碍物信息重新规划车辆行驶路径，根据新规划的行驶路线调控车辆行驶方向。
处理器执行的程序指令包括：用光圈匹配后的光场相机拍摄多张散焦柔光板，进行光场白图像校准，并且完成微透镜中心校准；进行光场相机尺度校准；使用光场相机拍摄道路场景信息；对拍摄的光场图像进行光场多视角渲染和深度计算，获得二维多视角图像和深度图像，构建三维场景；通过大量采集数据，构建道路场景的二维图像和深度图像的输入数据和对应的障碍物信息的训练集；构建神经卷积网络模块获得从二维图像和深度图像特征到障碍物信息的非线性映射关系；将该训练集输入进神经卷积网络进行训练，微调网络参数；将光场相机计算得到的道路场景中心视角图像和深度图像输入到训练后的网络中进行三维障碍物检测；根据障碍物的三维信息重新规划行驶路径；驾驶控制模块根据规划好的行驶路径进行路径调整。
根据一个或者多个实施例，如图1所示，一种基于光场相机的无人驾驶汽车三维避障系统及方法，包含如下步骤：
A1，根据透明或半透明介质的测量区域大小和测量深度范围，选择适合焦距和放大倍率的光学镜头。调节镜头光圈至光场相机光圈匹配，即微透镜光圈和主镜头光圈匹配，具体表现为光场相机拍摄散焦柔光纯色校准板图像，该图像中微透镜阵列恰好或接近于相切状态。光场白图像，或者光场相机白图像是指光场相机拍摄的纯白背景图像，这时微透镜阵列的形状会在该图像上体现的特别明显。因此可以基于该图像调节光圈，确保微透镜图像恰好相切。
调节完毕后，拍摄多张位于光场相机散焦处的光强较为均匀的纯色背景板，即散焦柔光纯色校准板。对多张光场白图像进行平均化及归一化处理后得到去渐晕矩阵
后续拍摄的全部光场原始图像均需要点除以该去渐晕矩阵，从而完成光场白图像校准。这里的光场原始图像是指相对于未经过光场多视角图像算法处理的光场图像。
完成光场包图像校准步骤后，对光场白图像使用滤波器进行处理，去除光场白图像噪声，并对滤波后的光场图像进行非极大值抑制；进而根据处理后的图像取局部最大值，该最大值恰好为光场相机微透镜的整数级中心；以整数级微透镜中心作为初始迭代值，迭代优化微透镜排列网格，最终获得微透镜排列的角度及间距，获得亚像素级微透镜中心。
A2，光场相机尺度校准步骤需要装配位移台及尺度校准板：首先固定尺度校准板在光场相机焦平面区域，从焦平面处不断移动校准板到固定空间距离，并进行拍摄，且校准板上点的空间位置已知，因此可以得到整个移动过程中校准板上点的空间位置。圆点校准点在光场图像上会形成弥散圆，处理得到弥散圆的直径进而计算得到弥散圆的视差值及弥散圆的像素坐标，根据光场相机尺度校准模型，拟合得到空间中三维坐标和光场相机像素坐标和视差值的关系。
A3，光场相机拍摄道路场景信息后进行光场多视角渲染得到光场多视角图像和光场视差图像，通过步骤A2中校准得到的视差及三维坐标的转化关系，将视差图像转化为深度图像。
A4，构建具有同一角度的道路场景二维图像和深度图像及路况中障碍物的信息作为对应的训练集。
A5，具体为构建神经卷积网络模块获得从道路场景二维图像和深度图像特征到路况中障碍物信息的非线性映射关系，具体又包括：
A5.1首先构建图像预处理模块，将深度图进行直方图均衡化处理，提高深度图像的对比度；
A5.2构建基于神经卷积网络的三维障碍识别模块；
首先将二维图像和深度图像沿通道方向进行融合构成RGBD四种不同的通道，其中D表示深度图像对应的通道，RGB表示二维图像对应的通道；
然后将该四通道矩阵输入特征提取层，通过多个卷积层和最大池化层进行行特征提取，获得特征矩阵；
最后将特征矩阵输入多层全连接层，并输入到softmax回归层进行分类获得对应的障碍物信息。
其中本发明采用的具体实施方式的网络结构为11层卷积层和5层最大池化层及两层全连接层，激活函数均为修正线性单元(ReLU)激活函数。
A6，具体为将该训练集输入进神经卷积网络进行训练，微调网络参数。
A7，具体为将光场相机计算得到的道路场景中心视角图像和深度图像输入到训练后的网络中进行三维障碍物检测。
A8，根据障碍物的三维信息重新规划行驶路径。
A9，驾驶控制模块根据规划好的行驶路径进行路径调整。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
本领域内的技术人员应明白，本发明的具体实施方式可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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技术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)
1.一种无人驾驶汽车避障方法，其特征在于，包括步骤：
通过搭载在所述无人驾驶汽车上的光场相机，拍摄、获取所述无人驾驶汽车行驶道路的三维场景图像；
根据从所述光场相机接收到的行驶道路三维场景图像，判断、规避行驶障碍以及规划所述无人驾驶汽车的行驶路线、控制车辆行驶状态。
2.根据权利要求1所述的无人驾驶汽车避障方法，其特征在于，在从所述光场相机接收到行驶道路三维场景图像后，通过基于机器学习的道路场景三维障碍物识别模型，对所述无人驾驶汽车进行避障处置，即包括判断、规避行驶障碍以及规划所述无人驾驶汽车的行驶路线、控制车辆行驶状态。
3.根据权利要求2所述的无人驾驶汽车避障方法，其特征在于，所述的道路场景三维障碍物识别模型的建立方法包括，
获取多幅所述行驶道路场景的二维图像、深度图像以及行驶路况中对应的障碍物信息作为训练集；
获取从道路场景二维图像和深度图像特征到行驶路况中障碍物信息的非线性映射关系，基于神经卷积网络构建所述道路场景三维障碍物识别模型，
将所述训练集输入所述神经卷积网络进行训练，并微调网络参数，完成对所述神经卷积网络的训练。
4.根据权利要求1至3任一无人驾驶汽车避障方法，其特征在于，所述采用光场相机拍摄获取所述无人驾驶汽车行驶道路的三维场景图像过程还包括，
调节所述光场相机的焦距和光圈，用光圈匹配后的光场相机拍摄多张散焦柔光板，进行光场白图像校准，并且完成对微透镜中心的校准；
对所述光场相机进行尺度校准；
使用所述光场相机拍摄行驶道路场景图像，对获得的光场图像进行光场多视角渲染和深度计算，获得二维多视角图像和深度图像，构建行驶道路三维场景图像。
5.根据权利要求4所述无人驾驶汽车避障方法，其特征在于，还包括，
将从所述光场相机获取的实时行驶道路场景中心视角二维图像和深度图像输入到经过训练后的所述的道路场景三维障碍物识别模型中进行三维障碍物检测，
根据检测到的障碍物的三维信息重新规划所述无人驾驶汽车的行驶路径。
6.根据权利要求3所述无人驾驶汽车避障方法，其特征在于，所述获得从行驶道路场景二维图像和深度图像特征到行驶路况中障碍物信息的非线性映射关系，基于神经卷积网络构建所述道路场景三维障碍物识别模型的步骤包括，
对所述深度图像进行直方图均衡化处理，提高深度图像的对比度；
将所述二维图像和深度图像沿通道方向进行融合构成RGBD四种不同的通道，生成四通道矩阵，其中D表示深度图像对应的通道，RGB表示二维图像对应的通道；
将该四通道矩阵输入特征提取层，通过多个残差结构进行特征提取，获得特征矩阵；
最后将特征矩阵输入多层全连接层，并输入到softmax回归层进行分类获得对应的障碍物信息。
7.一种无人驾驶汽车避障装置，其特征在于，该避障系统包括，
至少一台光场相机，被搭载在所述无人驾驶汽车上，用于拍摄获取该汽车行驶道路三维场景图像；
行驶控制器，该行驶控制器根据从所述光场相机接收到的道路三维场景图像，自主判断、规划和控制所述无人驾驶汽车的行驶状态。
8.根据权利要求7所述的无人驾驶汽车避障装置，其特征在于，所述行驶控制器包括存储器；以及
耦合到所述存储器的处理器，该处理器被配置为执行存储在所述存储器中的指令，所述处理器执行如权利要求2-6中任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的方法。
10.一种无人驾驶汽车，其特征在于，包括如权利要求7所述的无人驾驶汽车避障装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010413219.XA CN112750194A (zh) | 2020-05-15 | 2020-05-15 | 一种无人驾驶汽车避障方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010413219.XA CN112750194A (zh) | 2020-05-15 | 2020-05-15 | 一种无人驾驶汽车避障方法、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112750194A true CN112750194A (zh) | 2021-05-04 |
Family
ID=75645485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010413219.XA Pending CN112750194A (zh) | 2020-05-15 | 2020-05-15 | 一种无人驾驶汽车避障方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112750194A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113359722A (zh) * | 2021-05-26 | 2021-09-07 | 上海联知智能科技有限公司 | 一种自动驾驶汽车 |
| CN113610970A (zh) * | 2021-08-30 | 2021-11-05 | 上海智能网联汽车技术中心有限公司 | 一种自动驾驶系统、装置及方法 |
| CN114913202A (zh) * | 2022-04-07 | 2022-08-16 | 北京拙河科技有限公司 | 一种微透镜阵列的目标追踪方法及系统 |
| CN115257986A (zh) * | 2022-08-31 | 2022-11-01 | 东风悦享科技有限公司 | 一种基于无人巡逻车主动设置路障阵列的系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160144786A1 (en) * | 2014-11-21 | 2016-05-26 | Hyundai Mobis Co.,Ltd. | Method and apparatus for providing driving information |
| CN106960589A (zh) * | 2016-01-11 | 2017-07-18 | 福特全球技术公司 | 用于反向垂直停车的系统和方法 |
| CN108229366A (zh) * | 2017-12-28 | 2018-06-29 | 北京航空航天大学 | 基于雷达和图像数据融合的深度学习车载障碍物检测方法 |
| CN109146794A (zh) * | 2018-09-29 | 2019-01-04 | 哈尔滨工业大学 | 一种光场图像旋转误差校正方法 |
| US20190162549A1 (en) * | 2010-06-07 | 2019-05-30 | Affectiva, Inc. | Cognitive state vehicle navigation based on image processing |
| CN109977812A (zh) * | 2019-03-12 | 2019-07-05 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| US20190391592A1 (en) * | 2018-06-20 | 2019-12-26 | Merien BV | Positioning system |
-
2020
- 2020-05-15 CN CN202010413219.XA patent/CN112750194A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190162549A1 (en) * | 2010-06-07 | 2019-05-30 | Affectiva, Inc. | Cognitive state vehicle navigation based on image processing |
| US20160144786A1 (en) * | 2014-11-21 | 2016-05-26 | Hyundai Mobis Co.,Ltd. | Method and apparatus for providing driving information |
| CN105620364A (zh) * | 2014-11-21 | 2016-06-01 | 现代摩比斯株式会社 | 提供驾驶信息的方法和装置 |
| CN106960589A (zh) * | 2016-01-11 | 2017-07-18 | 福特全球技术公司 | 用于反向垂直停车的系统和方法 |
| CN108229366A (zh) * | 2017-12-28 | 2018-06-29 | 北京航空航天大学 | 基于雷达和图像数据融合的深度学习车载障碍物检测方法 |
| US20190391592A1 (en) * | 2018-06-20 | 2019-12-26 | Merien BV | Positioning system |
| CN109146794A (zh) * | 2018-09-29 | 2019-01-04 | 哈尔滨工业大学 | 一种光场图像旋转误差校正方法 |
| CN109977812A (zh) * | 2019-03-12 | 2019-07-05 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113359722A (zh) * | 2021-05-26 | 2021-09-07 | 上海联知智能科技有限公司 | 一种自动驾驶汽车 |
| CN113610970A (zh) * | 2021-08-30 | 2021-11-05 | 上海智能网联汽车技术中心有限公司 | 一种自动驾驶系统、装置及方法 |
| CN114913202A (zh) * | 2022-04-07 | 2022-08-16 | 北京拙河科技有限公司 | 一种微透镜阵列的目标追踪方法及系统 |
| CN114913202B (zh) * | 2022-04-07 | 2022-11-29 | 北京拙河科技有限公司 | 一种微透镜阵列的目标追踪方法及系统 |
| CN115257986A (zh) * | 2022-08-31 | 2022-11-01 | 东风悦享科技有限公司 | 一种基于无人巡逻车主动设置路障阵列的系统及方法 |
| CN115257986B (zh) * | 2022-08-31 | 2023-04-18 | 东风悦享科技有限公司 | 一种基于无人巡逻车主动设置路障阵列的系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112750194A (zh) | 一种无人驾驶汽车避障方法、装置 | |
| Beltrán et al. | Automatic extrinsic calibration method for lidar and camera sensor setups | |
| US20200074657A1 (en) | Methods and systems for processing an image | |
| JP2019512802A (ja) | ３ｄポイントクラウドの処理方法 | |
| CN114723955A (zh) | 图像处理方法、装置、设备和计算机可读存储介质 | |
| CN105654476B (zh) | 基于混沌粒子群优化算法的双目标定方法 | |
| CN108427961B (zh) | 基于卷积神经网络的合成孔径聚焦成像深度评估方法 | |
| JP2019078716A (ja) | 距離計測装置、距離計測システム、撮像装置、移動体、距離計測装置の制御方法およびプログラム | |
| CN106454090A (zh) | 基于深度相机的自动对焦方法及系统 | |
| CN110657785A (zh) | 一种高效的场景深度信息获取方法及系统 | |
| CN106162144A (zh) | 一种用于夜视环境的视觉图像处理设备、系统和智能机器 | |
| CN111209840B (zh) | 一种基于多传感器数据融合的3d目标检测方法 | |
| CN106647758A (zh) | 一种目标物体检测方法、装置及自动引导车的跟随方法 | |
| CN112926461B (zh) | 神经网络训练、行驶控制方法及装置 | |
| CN110717445A (zh) | 一种用于自动驾驶的前车距离跟踪系统与方法 | |
| CN106023189A (zh) | 一种基于匹配优化的光场数据深度重建方法 | |
| WO2021060539A1 (ja) | 測距装置、測距方法、プログラム、電子機器、学習モデル生成方法、製造方法、およびデプスマップ生成方法 | |
| CN116625258A (zh) | 链条间距测量系统及链条间距测量方法 | |
| CN106888344A (zh) | 摄像模组及其像面倾斜的获取方法和调整方法 | |
| KR20220014678A (ko) | 영상의 깊이를 추정하는 방법 및 장치 | |
| CN114428259A (zh) | 一种基于地图车采集的地库激光点云中车辆自动提取方法 | |
| CN117784161A (zh) | 一种ros的相机和激光雷达融合目标检测方法 | |
| JPH11149557A (ja) | 自律走行車の周囲環境認識装置 | |
| CN116403186A (zh) | 基于FPN Swin Transformer与Pointnet++ 的自动驾驶三维目标检测方法 | |
| CN112002008A (zh) | 一种整合光学和视觉智能技术的三维物体检测装置和方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: 201100 room 1206, building 1, No. 951, Jianchuan Road, Minhang District, Shanghai Applicant after: Yimu (Shanghai) Technology Co.,Ltd. Address before: 201109 room 1103, building 1, 951 Jianchuan Road, Minhang District, Shanghai Applicant before: Yimu (Shanghai) Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210504 |
|
| RJ01 | Rejection of invention patent application after publication |