CN112989978A - 基于高精度地图的驾驶辅助识别方法 - Google Patents
基于高精度地图的驾驶辅助识别方法 Download PDFInfo
- Publication number
- CN112989978A CN112989978A CN202110238086.1A CN202110238086A CN112989978A CN 112989978 A CN112989978 A CN 112989978A CN 202110238086 A CN202110238086 A CN 202110238086A CN 112989978 A CN112989978 A CN 112989978A
- Authority
- CN
- China
- Prior art keywords
- information
- driving
- image
- pixel
- road
- 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- Withdrawn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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 230000001133 acceleration Effects 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000012790 confirmation Methods 0.000 claims abstract description 4
- 230000035622 drinking Effects 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 21
- 210000000887 face Anatomy 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000004397 blinking Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims description 3
- 230000008921 facial expression Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了基于高精度地图的驾驶辅助识别方法,步骤1,汽车启动前,车内摄像头对驾驶员采集人脸图像,把图像传到MCU进行身份确认,同时判断驾驶人员是否是酒后驾驶,行车途中随机拍摄照片,检查判断驾驶员人脸状态,判断是否为疲劳驾驶;步骤2,通过卷积神经网络获取主干道路中车辆行驶状态信息、周围车辆状态信息和道路信息,实现像素级别端到端的语义分割,利用条件随机场优化语义分割将车辆、道路的彩色图像和深度图像转换为点云数据;所述主干道路车辆状态信息有速度、加速度和位置信息;周围车辆状态信息包括速度、加速度和位置信息;通过实验发现本发明识别精度高效果好。
Description
技术领域
本发明涉及GIS应用技术领域,具体涉及基于高精度地图的驾驶辅助识别方法。
背景技术
车辆辅助系统是利用安装在车上的各式各样传感器(毫米波雷达、激光雷达、单\双目 摄像头以及卫星导航),在汽车行驶过程中随时来感应周围的环境,收集数据,进行静态、 动态物体的辨识、侦测与追踪,并结合导航地图数据,进行系统的运算与分析,从而预先 让驾驶者察觉到可能发生的危险,有效增加汽车驾驶的舒适性和安全性。然而国内汽车生 产厂家受资金与研发实力的限制,在先进驾驶辅助系统研发方面的投入较少,该项技术的 发展有待进一步提高。
发明内容
本发明的目的在于克服上述现有技术的缺陷,提出一种基于高精度地图的驾驶辅助识 别方法。
本发明采用的技术方案如下:基于高精度地图的驾驶辅助识别方法,包括以下步骤:
步骤1,汽车启动前,车内摄像头对驾驶员采集人脸图像,把图像传到MCU进行身份确 认,同时判断驾驶人员是否是酒后驾驶,行车途中随机拍摄照片,检查判断驾驶员人脸状态, 判断是否为疲劳驾驶;
步骤2,GIS集成学习模块通过卷积神经网络获取主干道路中车辆行驶状态信息、周围 车辆状态信息和道路信息,实现像素级别端到端的语义分割,利用条件随机场优化语义分 割将车辆、道路的彩色图像和深度图像转换为点云数据;所述主干道路车辆状态信息有速 度、加速度和位置信息;周围车辆状态信息包括速度、加速度和位置信息;所述道路信息 包括道路交通网、当前道路限速、道路警示牌、道路标志信息。
步骤1驾驶员采集人脸图像过程中,用于扫描人脸,采集人脸图像特征并将特征信息送入 主控模块;车载控制模块根据主控模块送入的判断信息,生成车辆控制指令;驾驶账号等信 息包括驾驶身份、借车人账号、时间戳、绑定账号口令。
行车途中随机拍摄照片,检查判断驾驶员人脸状态,判断是否为疲劳驾驶的具体过程为:
将车内所有人脸特征(wji,vji)从它当前所属的类别中剔除:
主题分布:
通过学习对车内所有人脸选取其新的所属主题:
然后将特征重新加入它所属新的主题中:
几何约束满足高斯分布其中χj表示高斯分布的均值,Ξj表示方差,重 复(1)-(5),经过多次迭代循环之后,得到车内人脸检测模型,人脸与非人脸对应不同分布 如果面部表情,尤其是眼睛处在长时间的眨眼或者闭眼过程,则判断为疲劳驾驶。
进一步,还包括,调整摄像头摆放位置,使其尽可能在复杂场景下可以获取人脸较正面 图像的视频,对目标人脸图像进行质量评估时,使用加权和归一人脸图像正面性、清晰度、 光照强度、尺寸、运动变化强度的方式来作为综合评价依据,直观的选择较高质量的多帧来 进行多帧超分辨率重建,进行多帧超分辨率重建时,可以将配准参数、模糊参数和超分辨率 图像进行联合求解,提高重建的准确性;通过最小化重建图像和相应的高分辨率图像之间的 损失函数来实现,得到需要的估计参数,最终实现了对监控视频中人脸图像的超分辨率重建。
进一步,通过卷积神经网络获取主干道路中车辆行驶状态信息、周围车辆状态信息和 道路信息的具体过程为:
采用全卷积神经网络FCN,实现像素级别端到端的语义分割,然后利用条件随机场优化 语义分割结果,区分彩色图像中的道路与道路两边景物、天空等无关特征,每个像素都有 一个类别标签,以每个像素点作为节点,像素与像素间的联系作为边,就构成了一个条件 随机场,通过观测变量x来推测像素对应的类别标签y,最大化条件概率函数:
式中xij是单个像素点的观测变量,yij是单个像素点的类别标签, y(i+1)j,y(i-1)j,yi(j+1),yi(j+1)是相邻四个像素点的类别标签,Z是归一化因子;得到彩色 图像像素级别的分割后,遍历彩色图像只保留彩色图像中的车辆、行人、道路、警示牌信 息,然后遍历彩色图像对应的深度图像,只保留深度图像中车辆、行人、道路、警示牌的 深度信息,然后读取车辆、行人、道路、警示牌的颜色信息和距离信息,计算出像素在相 机坐标系下的坐标,根据相机内参计算一对彩色图像和深度图像对应的点云。
本发明的有益效果是:本发明解决了传统图像需要为每种姿态分别建立模型,以及由于 姿态、光线、环境等因素造成模型识别率低的问题,能够有效地提高多姿态行人、道路、 警示牌图像识别的准确率。
具体实施方式
1、基于高精度地图的驾驶辅助识别方法,其特征在于,包括以下步骤:
步骤1,汽车启动前,车内摄像头对驾驶员采集人脸图像,把图像传到MCU进行身份确 认,同时判断驾驶人员是否是酒后驾驶,行车途中随机拍摄照片,检查判断驾驶员人脸状态, 判断是否为疲劳驾驶;
步骤1驾驶员采集人脸图像过程中,用于扫描人脸,采集人脸图像特征并将特征信息送入 主控模块;车载控制模块根据主控模块送入的判断信息,生成车辆控制指令;驾驶账号等信 息包括驾驶身份、借车人账号、时间戳、绑定账号口令。
行车途中随机拍摄照片,检查判断驾驶员人脸状态,判断是否为疲劳驾驶的具体过程为:
其中o表示乘客人员,z表示潜在的主题,t表示每个座位信息所对应向量中的位置,且
将车内所有人脸特征(wji,vji)从它当前所属的类别中剔除:
主题分布:
通过学习对车内所有人脸选取其新的所属主题:
然后将特征重新加入它所属新的主题中:
几何约束满足高斯分布其中χj表示高斯分布的均值,Ξj表示方差,重 复(1)-(5),经过多次迭代循环之后,得到车内人脸检测模型,人脸与非人脸对应不同分布 如果面部表情,尤其是眼睛处在长时间的眨眼或者闭眼过程,则判断为疲劳驾驶。
还包括,调整摄像头摆放位置,使其尽可能在复杂场景下可以获取人脸较正面图像的视 频,对目标人脸图像进行质量评估时,使用加权和归一人脸图像正面性、清晰度、光照强度、 尺寸、运动变化强度的方式来作为综合评价依据,直观的选择较高质量的多帧来进行多帧超 分辨率重建,进行多帧超分辨率重建时,可以将配准参数、模糊参数和超分辨率图像进行联 合求解,提高重建的准确性;通过最小化重建图像和相应的高分辨率图像之间的损失函数来 实现,得到需要的估计参数,最终实现了对监控视频中人脸图像的超分辨率重建。
步骤2,GIS集成学习模块通过卷积神经网络获取主干道路中车辆行驶状态信息、周围 车辆状态信息和道路信息,实现像素级别端到端的语义分割,利用条件随机场优化语义分 割将车辆、道路的彩色图像和深度图像转换为点云数据;所述主干道路车辆状态信息有速 度、加速度和位置信息;周围车辆状态信息包括速度、加速度和位置信息;所述道路信息 包括道路交通网、当前道路限速、道路警示牌、道路标志信息。
通过卷积神经网络获取主干道路中车辆行驶状态信息、周围车辆状态信息和道路信息 的具体过程为:
采用全卷积神经网络FCN,实现像素级别端到端的语义分割,然后利用条件随机场优化 语义分割结果,区分彩色图像中的道路与道路两边景物、天空等无关特征,每个像素都有 一个类别标签,以每个像素点作为节点,像素与像素间的联系作为边,就构成了一个条件 随机场,通过观测变量x来推测像素对应的类别标签y,最大化条件概率函数:
式中xij是单个像素点的观测变量,yij是单个像素点的类别标签,y(i+1)j,y(i-1)j,yi(j+1),yi(j+1)是相邻四个像素点的类别标签,Z是归一化因子;得到彩色 图像像素级别的分割后,遍历彩色图像只保留彩色图像中的车辆、行人、道路、警示牌信 息,然后遍历彩色图像对应的深度图像,只保留深度图像中车辆、行人、道路、警示牌的 深度信息,然后读取车辆、行人、道路、警示牌的颜色信息和距离信息,计算出像素在相 机坐标系下的坐标,根据相机内参计算一对彩色图像和深度图像对应的点云。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示 例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结 构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语 的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离 本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发 明的范围由权利要求及其等同物限定。
Claims (5)
1.基于高精度地图的驾驶辅助识别方法,其特征在于,包括以下步骤:
步骤1,汽车启动前,车内摄像头对驾驶员采集人脸图像,把图像传到MCU进行身份确认,同时判断驾驶人员是否是酒后驾驶,行车途中随机拍摄照片,检查判断驾驶员人脸状态,判断是否为疲劳驾驶;
步骤2,GIS集成学习模块通过卷积神经网络获取主干道路中车辆行驶状态信息、周围车辆状态信息和道路信息,实现像素级别端到端的语义分割,利用条件随机场优化语义分割将车辆、道路的彩色图像和深度图像转换为点云数据;所述主干道路车辆状态信息有速度、加速度和位置信息;周围车辆状态信息包括速度、加速度和位置信息;所述道路信息包括道路交通网、当前道路限速、道路警示牌、道路标志信息。
2.根据权利要求1所述的基于高精度地图的驾驶辅助识别方法,其特征在于,步骤1驾驶员采集人脸图像过程中,用于扫描人脸,采集人脸图像特征并将特征信息送入主控模块;车载控制模块根据主控模块送入的判断信息,生成车辆控制指令;驾驶账号等信息包括驾驶身份、借车人账号、时间戳、绑定账号口令。
3.根据权利要求1所述的基于高精度地图的驾驶辅助识别方法,其特征在于,行车途中随机拍摄照片,检查判断驾驶员人脸状态,判断是否为疲劳驾驶的具体过程为:
摄像头采集的人脸图像,设定车内j中有Nj个特征属于人脸,设其中o表示乘客人员,z表示潜在的主题,t表示每个座位信息所对应向量中的位置,且将{1,2,…,Nj}采取随机置换τ(g),并令i∈{τ(1),...,τ(Nj)},那么对于人脸特征(wji,vji)的一次识别过程如下:
将车内所有人脸特征(wji,vji)从它当前所属的类别中剔除:
主题分布:
通过学习对车内所有人脸选取其新的所属主题:
然后将特征重新加入它所属新的主题中:
4.根据权利要求3所述的基于高精度地图的驾驶辅助识别方法,其特征在于,还包括,调整摄像头摆放位置,使其尽可能在复杂场景下可以获取人脸较正面图像的视频,对目标人脸图像进行质量评估时,使用加权和归一人脸图像正面性、清晰度、光照强度、尺寸、运动变化强度的方式来作为综合评价依据,直观的选择较高质量的多帧来进行多帧超分辨率重建,进行多帧超分辨率重建时,可以将配准参数、模糊参数和超分辨率图像进行联合求解,提高重建的准确性;通过最小化重建图像和相应的高分辨率图像之间的损失函数来实现,得到需要的估计参数,最终实现了对监控视频中人脸图像的超分辨率重建。
5.根据权利要求1所述的基于高精度地图的驾驶辅助识别方法,其特征在于,通过卷积神经网络获取主干道路中车辆行驶状态信息、周围车辆状态信息和道路信息的具体过程为:
采用全卷积神经网络FCN,实现像素级别端到端的语义分割,然后利用条件随机场优化语义分割结果,区分彩色图像中的道路与道路两边景物、天空等无关特征,每个像素都有一个类别标签,以每个像素点作为节点,像素与像素间的联系作为边,就构成了一个条件随机场,通过观测变量x来推测像素对应的类别标签y,最大化条件概率函数:
式中xij是单个像素点的观测变量,yij是单个像素点的类别标签,y(i+1)j,y(i-1)j,yi(j+1),yi(j+1)是相邻四个像素点的类别标签,Z是归一化因子;得到彩色图像像素级别的分割后,遍历彩色图像只保留彩色图像中的车辆、行人、道路、警示牌信息,然后遍历彩色图像对应的深度图像,只保留深度图像中车辆、行人、道路、警示牌的深度信息,然后读取车辆、行人、道路、警示牌的颜色信息和距离信息,计算出像素在相机坐标系下的坐标,根据相机内参计算一对彩色图像和深度图像对应的点云。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110238086.1A CN112989978A (zh) | 2021-03-04 | 2021-03-04 | 基于高精度地图的驾驶辅助识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110238086.1A CN112989978A (zh) | 2021-03-04 | 2021-03-04 | 基于高精度地图的驾驶辅助识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112989978A true CN112989978A (zh) | 2021-06-18 |
Family
ID=76352611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110238086.1A Withdrawn CN112989978A (zh) | 2021-03-04 | 2021-03-04 | 基于高精度地图的驾驶辅助识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989978A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657236A (zh) * | 2017-09-29 | 2018-02-02 | 厦门知晓物联技术服务有限公司 | 汽车安全驾驶预警方法及车载预警系统 |
CN110020632A (zh) * | 2019-04-12 | 2019-07-16 | 李守斌 | 一种基于深度学习的人脸识别用于检测疲劳驾驶的方法 |
WO2020024395A1 (zh) * | 2018-08-02 | 2020-02-06 | 平安科技(深圳)有限公司 | 疲劳驾驶检测方法、装置、计算机设备及存储介质 |
CN110826521A (zh) * | 2019-11-15 | 2020-02-21 | 爱驰汽车有限公司 | 驾驶员疲劳状态识别方法、系统、电子设备和存储介质 |
CN111368640A (zh) * | 2020-02-10 | 2020-07-03 | 上海应用技术大学 | 基于身份认证的违规驾驶辅助识别方法 |
AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
CN112487986A (zh) * | 2020-11-30 | 2021-03-12 | 扬州微地图地理信息科技有限公司 | 基于高精度地图的驾驶辅助识别方法 |
-
2021
- 2021-03-04 CN CN202110238086.1A patent/CN112989978A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657236A (zh) * | 2017-09-29 | 2018-02-02 | 厦门知晓物联技术服务有限公司 | 汽车安全驾驶预警方法及车载预警系统 |
WO2020024395A1 (zh) * | 2018-08-02 | 2020-02-06 | 平安科技(深圳)有限公司 | 疲劳驾驶检测方法、装置、计算机设备及存储介质 |
CN110020632A (zh) * | 2019-04-12 | 2019-07-16 | 李守斌 | 一种基于深度学习的人脸识别用于检测疲劳驾驶的方法 |
CN110826521A (zh) * | 2019-11-15 | 2020-02-21 | 爱驰汽车有限公司 | 驾驶员疲劳状态识别方法、系统、电子设备和存储介质 |
CN111368640A (zh) * | 2020-02-10 | 2020-07-03 | 上海应用技术大学 | 基于身份认证的违规驾驶辅助识别方法 |
CN112487986A (zh) * | 2020-11-30 | 2021-03-12 | 扬州微地图地理信息科技有限公司 | 基于高精度地图的驾驶辅助识别方法 |
AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
Non-Patent Citations (1)
Title |
---|
冯文文;曹银杰;李晓琳;胡卫生;: "基于改进的深度卷积神经网络的人脸疲劳检测", 科学技术与工程, no. 14 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633220A (zh) | 一种基于卷积神经网络的车辆前方目标识别方法 | |
US9384401B2 (en) | Method for fog detection | |
CN111898523A (zh) | 一种基于迁移学习的遥感图像特种车辆目标检测方法 | |
DE112018000899T5 (de) | Gemeinsame 3D-Objekterfassung und Ausrichtungsabschätzung über multimodale Fusion | |
CN110910453B (zh) | 基于无重叠视域多相机系统的车辆位姿估计方法及其系统 | |
CN111860274B (zh) | 基于头部朝向与上半身骨架特征的交警指挥手势识别方法 | |
DE102018121597A1 (de) | Boden-referenzbestimmung für den betrieb von autonomen fahrzeugen | |
CN111369541A (zh) | 一种智能汽车恶劣天气条件下车辆检测方法 | |
CN105574552A (zh) | 一种基于单目视觉的车辆测距与碰撞预警方法 | |
CN112215074A (zh) | 基于无人机视觉的实时目标识别与检测追踪系统及方法 | |
CN114418895A (zh) | 驾驶辅助方法及装置、车载设备及存储介质 | |
CN112489072B (zh) | 一种车载视频感知信息传输负载优化方法及装置 | |
CN104881661A (zh) | 基于结构相似度的车辆检测方法 | |
CN110097055A (zh) | 一种基于栅格卷积神经网络的车辆姿态检测方法及系统 | |
CN116978009A (zh) | 基于4d毫米波雷达的动态物体滤除方法 | |
CN111444916A (zh) | 面向无约束条件下的车牌定位及识别方法、系统 | |
Babu et al. | An efficient image dahazing using Googlenet based convolution neural networks | |
CN114048536A (zh) | 一种基于多任务神经网络的道路结构预测与目标检测方法 | |
CN112487986A (zh) | 基于高精度地图的驾驶辅助识别方法 | |
CN112115737B (zh) | 一种车辆朝向的确定方法、装置及车载终端 | |
DE102019220335A1 (de) | Semantische segmentierung unter verwendung von fahreraufmerksamkeitsinformationen | |
CN112989978A (zh) | 基于高精度地图的驾驶辅助识别方法 | |
CN116468796A (zh) | 生成来自鸟瞰视角的表示的方法、车辆对象识别系统及存储介质 | |
CN114677654A (zh) | 一种基于混合数据学习的交通现场风险识别方法及系统 | |
US11138448B2 (en) | Identifying a curb based on 3-D sensor data |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210618 |