CN112991433A - 基于双目深度感知和车辆位置的货车外廓尺寸测量方法 - Google Patents
基于双目深度感知和车辆位置的货车外廓尺寸测量方法 Download PDFInfo
- Publication number
- CN112991433A CN112991433A CN202110452374.7A CN202110452374A CN112991433A CN 112991433 A CN112991433 A CN 112991433A CN 202110452374 A CN202110452374 A CN 202110452374A CN 112991433 A CN112991433 A CN 112991433A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- binocular
- virtual coil
- unmanned aerial
- virtual
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000008447 perception Effects 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000004891 communication Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 abstract 1
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Traffic Control Systems (AREA)
Abstract
基于双目深度感知和车辆位置的货车外廓尺寸测量方法，属于车辆检测技术领域，采用无人机搭载双目相机的方式，获取清晰的车辆图像，基于张正友标定法对双目相机进行标定，得到相机内外参数，利用先验知识、车速检测和图像处理方法计算车辆长度和宽度信息；利用双目相机深度感知和RTK模块计算车辆高度信息；利用通信模块将得到的车辆外廓尺寸信息传输给无人机飞行控制器，方便路政执法人员查看；基于双目深度感知和车辆位置信息将车辆的三维信息转化为一维求解，有效降低了算法复杂度，提高了检测实时性与可操作性。本发明解决了现有车辆外廓尺寸检测场地固定、检测设备不便于携带、无法实现流动检测的问题。
Description
技术领域
本发明属于车辆检测技术领域，特别是涉及到一种基于双目深度感知和车辆位置信息的货车外廓尺寸测量方法。
背景技术
车辆外廓尺寸检测是超限运输检测过程中关键的一环，由于传统的人工检测方法检测精度不高，耗时较长，极易造成车主和检测人员的矛盾和冲突，已成为超限治理工作中迫切需要解决的关键问题。目前，国内对车辆外廓尺寸的测量普遍采用龙门架式红外光幕组合激光雷达测量法和龙门架式激光雷达组合计算机视觉测量法，红外光幕组合激光雷达测量法，采样的频率受现有产品的限制，测宽时需要在地面安装红外光幕接收器，不利于维护且难于达到较高的测量精度；激光雷达组合计算机视觉测量法，这种测量方法的硬件成本有所降低，但测量的采样率一样难于提高且占用场地较大，传统的检测技术存在较大的局限性。
无人机平台相较于传统检测技术具有便携、成本低、适合流动执法、作用距离远、视场范围广、可扩展性强等优点。
因此，现有技术中亟需一种新的技术方案采用无人机平台搭载双目相机进行货车外廓尺寸的检测。
发明内容
本发明所要解决的技术问题是：提供基于双目深度感知和车辆位置的货车外廓尺寸测量方法，解决了现有车辆外廓尺寸检测场地固定，无法实现流动检测的问题；利用双目视觉进行车辆的三维尺寸测量，具有非接触式高频测量，实时性高以及测量精度高的优点。
基于双目深度感知和车辆位置的货车外廓尺寸测量方法，其特征是：包括以下步骤，且以下步骤顺次进行，
步骤一、在直线道路上，根据车道线划定虚拟线圈，虚拟线圈纵向平行于道路方向，横向垂直于道路方向；虚拟线圈的数量设置为2，分别记为虚拟线圈1和虚拟线圈2，并计算虚拟线圈1和虚拟线圈2内的初始像素值；
步骤二、将无人机搭载双目相机，悬停在道路上方高度H处，目标车辆进入虚拟线圈1后，虚拟线圈1被激活，相邻两帧虚拟线圈1内的像素值之差进行灰度跳变，以灰度跳变作为判断准则，记录此时的视频帧数n1；
步骤三、通过双目视觉深度感知，获取每一帧图像感兴趣区域中视差的最大值d1max、d2max、d3max……dnmax；
步骤四、根据步骤二获得的视差最大值dnmax,计算车辆高度h；
步骤五、当目标车辆进入虚拟线圈2后，激活虚拟线圈2，相邻两帧虚拟线圈2内的像素值之差进行灰度跳变，以灰度跳变作为判断准则，记录此时的帧数n2；
步骤六、通过虚拟线圈检测车速，根据校正后的车速v计算车辆长度l；
步骤七、根据设定的虚拟线圈像素长度a、车道线宽度和经过图像处理后的左相机主图像计算车辆宽度w；
步骤八、将所述步骤四～步骤七获得的车辆外廓尺寸信息传输给无人机飞行控制器。
所述步骤三视差值获得的方法为，对获取的双目图像进行图像预处理，利用张正友标定法对双目相机进行标定，获取双目相机内外参数，建立图像像素坐标与空间中对应点的世界坐标的映射关系；消除畸变，进行极线校正；采用FADNet进行立体匹配，生成视差图；所述感兴趣区域为目标车辆货厢区域，当货厢最前端位于无人机正下方时，记为目标车辆高度测量阶段的第一帧，比较得到第一帧图像中视差最大值记为d1max，依次得到d2max、d3max……dnmax。
所述步骤四车辆高度h的计算方法为，
根据三角测量原理，车辆高度h的计算公式如下：
其中：H为无人机悬停高度；B为双目相机基线长度；f为双目相机焦距，dnmax为步骤三获得第n帧图像中视差最大值。
所述步骤六车辆长度l的计算方法为，
虚拟线圈1内像素值再次发生跳变时的视频帧数记为n′1,虚拟线圈2内像素值再次发生跳变时的视频帧数记为n′2,虚拟线圈1和2左上角顶点在像素坐标系的坐标分别为
根据像素坐标系与世界坐标系的映射关系，如公式(2)所示，求解对应的世界坐标系坐标，记为
其中，fx、fy、x0、y0为双目相机内部参数，旋转矩阵(R)、平移矩阵(T)为双目相机外部参数，zc为双目深度感知获得的深度，xw,yw,zw为世界坐标系下的坐标，xpix,ypix为像素坐标系下的坐标。
视频帧率为F，则车速v的计算公式如下：
其中v1是利用车头先后经过两个虚拟线圈计算得到的车速；v2是利用车尾先后经过两个虚拟线圈计算得到的车速；
车辆长度l的计算公式如下：
其中l1是利用车头先后经过虚拟线圈1计算得到的车长；l2是利用车尾先后经过虚拟线圈2计算得到的车长。
所述步骤七车辆宽度w的获得方法为，
车道线宽度根据国标《GB5768.3-2009道路交通标志和标线》确定；首先将主图像变换到HSV空间，通过设置合适的阈值，提取货厢；其次，应用斑点分析和直线检测提取货厢轮廓，计算得到车辆宽度极值的像素尺寸，再对原图像中的车道线进行边缘检测、直线检测等图像处理，得到车道线宽度的像素尺寸，最后通过图像像素坐标与世界坐标的转换矩阵和车道线宽度，求解车辆宽度w。
所述步骤八的无人机飞行控制器用于实时控制无人机并显示无人机飞行状态，车辆外廓尺寸信息求解完成，通过无人机载控制系统中的通信模块实时传输给无人机飞行控制器。
通过上述设计方案，本发明可以带来如下有益效果：基于双目深度感知和车辆位置的货车外廓尺寸测量方法，打破传统检测方法的局限性，利用无人机平台，搭载双目相机，实现流动式、便携式外廓尺寸检测，且提高检测精度和检测效率，对遏止车辆非法改装，以及违法超限运输，推进车辆超限治理工作具有重要意义。
进一步的，基于双目测距和车辆位置信息，将车辆三维尺寸转换为一维求解，算法复杂度低，对硬件要求低，但却具有实时性高以及测量精度高的优点。无人机只需悬停测量，操纵简单，对飞手要求低，且该装置体积小，质量轻，方便路政执法人员携带。
附图说明
以下结合附图和具体实施方式对本发明作进一步的说明：
图1为本发明基于双目深度感知和车辆位置的货车外廓尺寸测量方法流程示意图。
图2为本发明基于双目深度感知和车辆位置的货车外廓尺寸测量方法无人机载控制系统的组成框图。
图3为本发明基于双目深度感知和车辆位置的货车外廓尺寸测量方法车速检测流程示意图。
具体实施方式
基于双目深度感知和车辆位置的货车外廓尺寸测量方法，包括以下步骤，
步骤一、在直线道路上根据已知长度的车道线划定虚拟线圈，虚拟线圈纵向平行于道路方向，横向垂直于道路方向。虚拟线圈的数量设置为2，分别记为虚拟线圈1和2，位置和线圈大小可动态调整。为了避免多车辆目标引起误检验，两个虚拟线圈间的距离较近，减小车辆通过时间间隔。无人机悬停在道路上方高度H处，当目标车辆进入虚拟线圈1后，计算虚拟线圈1内的初始像素值，当车辆经过虚拟线圈时，相邻两帧虚拟线圈内的像素值之差会有跳变，将这个跳变作为判断准则。虚拟线圈1内像素值发生跳变时的视频帧数记为n1。
步骤二、利用双目视觉深度感知，对获取的双目图像进行图像预处理，利用张正友标定法对双目相机进行标定，获取双目相机内外参数，建立图像像素坐标与空间中对应点的世界坐标的映射关系；消除畸变，进行极线校正；基于FADNet进行立体匹配，生成视差图。所述感兴趣区域为目标车辆货厢区域，当货厢最前端位于无人机正下方时，记为目标车辆高度测量阶段的第一帧，比较得到第一帧图像中视差最大值记为d1max，以此类推，得到d2max、d3max……dnmax。
步骤三、比较d1max、d2max、d3max……dnmax得到视差最大值dmax，根据三角测量原理，车辆高度h的计算公式如下：
其中：H为无人机悬停高度；B为双目相机基线长度；f为双目相机焦距。
步骤四、当目标车辆激活虚拟线圈2，计算虚拟线圈2内的初始像素值，虚拟线圈2内像素值发生跳变时的视频帧数记为n2。
步骤五、虚拟线圈1内像素值再次发生跳变时的视频帧数记为n′1,虚拟线圈2内像素值再次发生跳变时的视频帧数记为n′2,虚拟线圈1和2左上角顶点在像素坐标系的坐标分别为
根据像素坐标系与世界坐标系的映射关系，如公式所示，求解对应的世界坐标系坐标，记为
其中，fx、fy、x0、y0为双目相机内部参数，旋转矩阵(R)、平移矩阵(T)为双目相机外部参数，zc为双目深度感知获得的深度，xw,yw,zw为世界坐标系下的坐标，xpix,ypix为像素坐标系下的坐标。
视频帧率为F，则车速v的计算公式如下：
其中v1是利用车头先后经过两个虚拟线圈计算得到的车速；v2是利用车尾先后经过两个虚拟线圈计算得到的车速。
车辆长度l的计算公式如下：
其中l1是利用车头先后经过虚拟线圈1计算得到的车长；l2是利用车尾先后经过虚拟线圈2计算得到的车长。
步骤六、根据已知虚拟线圈像素长度a、先验知识和经过图像处理后的左相机图像(主图像)计算车辆宽度w。根据国标《GB5768.3-2009道路交通标志和标线》，高速公路车道线宽度为15cm，因此先验知识即车道线宽度。首先将主图像变换到HSV空间，通过设置合适的阈值，提取货厢。其次，应用斑点分析和直线检测提取货厢轮廓，计算得到车辆宽度极值的像素尺寸，再对原图像中的车道线进行边缘检测、直线检测等图像处理，得到车道线宽度的像素尺寸，最后通过图像像素坐标与世界坐标的转换矩阵和先验知识，求解车辆宽度w。
步骤七、无人机飞行控制器用于实时控制无人机并显示无人机飞行状态，当车辆外廓尺寸信息求解完成后，通过无人机载控制系统中的通信模块实时传输给飞行控制器，方便路政执法人员查看。
如图1所示，本发明以无人机搭载双目相机获取左右图像对，左目图像为主图像，以主图像为基础，分别进行车长与车宽的计算。对主图像基于YOLOv4对运动车辆进行车型识别，当车辆类型为货车时，触发车辆外廓尺寸解算模型，开始对货车进行基于虚拟线圈的车速检测，辅之以先验知识进行货车的长度计算。对主图像进行边缘检测，具体为：首先对图像进行滤波处理，使用滤波器改善与噪声相关的边缘检测器的性能；其次对图像进行边缘增强处理，突出邻域强度值有显著变化的点；然后依据梯度幅值阈值进行边缘检测；最后根据像素子像素分辨率对边缘进行定位，确定边缘位置；边缘检测处理后，对货厢宽度方向进行轮廓提取，计算宽度方向轮廓的像素极值，辅之以先验知识进行货车的宽度计算。
对双目相机获取的双目图像进行图像预处理，基于张正友标定法对双目相机进行标定，获取相机内外参数，建立图像像素坐标与空间中对应点的世界坐标的映射关系，利用极线约束校正双目图像，减少了特征点匹配时的搜索量。基于FADNet进行立体匹配获取视差图，通过深度感知将视差图转换为深度图，获取货车高度极值，辅之以无人机的RTK实时定位模块计算货车的高度。将计算得到的车辆外廓尺寸信息利用通信模块传输给无人机飞行控制器。
如图2所示，无人机载控制系统包括飞控模块、通信模块、RTK模块、机械云台、双目相机和机载计算单元,飞控模块负责接收指令控制飞机运行姿态，通信模块用于无人机与无人机飞行控制器传输信息，RTK模块负责提供实时厘米级定位数据-无人机绝对位置信息。双目相机经由云台与机载计算单元连接,双目相机用于获取目标图像/视频，云台用于连接双目相机与无人机，并提供一定的稳定作用，机载计算单元为机载计算机,用于处理飞控、图像等信息,机载计算单元分别与飞控模块和通信模块连接,双目相机的信息传输给机载计算单元后由其进行处理,并将解算后的车辆外廓尺寸信息通过通信模块传输给无人机飞行控制器，方便路政执法人员查看。
如图3所示，本发明车速识别过程中，检测物体是否为货车的方法是基于OpenCV和YOLOv4深度学习的目标检测模型。YOLOv4实时性强，准确度高，以整张图作为网络的输入，直接在输出层回归边框的位置和边框所属的类别。
Claims (6)
1.基于双目深度感知和车辆位置的货车外廓尺寸测量方法，其特征是：包括以下步骤，且以下步骤顺次进行，
步骤一、在直线道路上，根据车道线划定虚拟线圈，虚拟线圈纵向平行于道路方向，横向垂直于道路方向；虚拟线圈的数量设置为2，分别记为虚拟线圈1和虚拟线圈2，并计算虚拟线圈1和虚拟线圈2内的初始像素值；
步骤二、将无人机搭载双目相机，悬停在道路上方高度H处，目标车辆进入虚拟线圈1后，虚拟线圈1被激活，相邻两帧虚拟线圈1内的像素值之差进行灰度跳变，以灰度跳变作为判断准则，记录此时的视频帧数n1；
步骤三、通过双目视觉深度感知，获取每一帧图像感兴趣区域中视差的最大值d1max、d2max、d3max······dnmax；
步骤四、根据步骤三获得的视差最大值dnmax,计算车辆高度h；
步骤五、当目标车辆进入虚拟线圈2后，激活虚拟线圈2，相邻两帧虚拟线圈2内的像素值之差进行灰度跳变，以灰度跳变作为判断准则，记录此时的帧数n2；
步骤六、通过虚拟线圈检测车速，根据校正后的车速v计算车辆长度l；
步骤七、根据设定的虚拟线圈像素长度a、车道线宽度和经过图像处理后的左相机主图像计算车辆宽度w；
步骤八、将所述步骤四～步骤七获得的车辆外廓尺寸信息传输给无人机飞行控制器。
2.根据权利要求1所述的基于双目深度感知和车辆位置的货车外廓尺寸测量方法，其特征是：所述步骤三视差值获得的方法为，对获取的双目图像进行图像预处理，利用张正友标定法对双目相机进行标定，获取双目相机内外参数，建立图像像素坐标与空间中对应点的世界坐标的映射关系；消除畸变，进行极线校正；采用FADNet进行立体匹配，生成视差图；所述感兴趣区域为目标车辆货厢区域，当货厢最前端位于无人机正下方时，记为目标车辆高度测量阶段的第一帧，比较得到第一帧图像中视差最大值记为d1max，依次得到d2max、d3max······dnmax。
3.根据权利要求1所述的基于双目深度感知和车辆位置的货车外廓尺寸测量方法，其特征是：所述步骤四车辆高度h的计算方法为，
根据三角测量原理，车辆高度h的计算公式如下：
其中：H为无人机悬停高度；B为双目相机基线长度；f为双目相机焦距，dnmax为步骤三获得第n帧图像中视差最大值。
4.根据权利要求1所述的基于双目深度感知和车辆位置的货车外廓尺寸测量方法，其特征是：所述步骤六车辆长度l的计算方法为，
虚拟线圈1内像素值再次发生跳变时的视频帧数记为n′1,虚拟线圈2内像素值再次发生跳变时的视频帧数记为n′2,虚拟线圈1和2左上角顶点在像素坐标系的坐标分别为
根据像素坐标系与世界坐标系的映射关系，如公式(2)所示，求解对应的世界坐标系坐标，记为
其中，fx、fy、x0、y0为双目相机内部参数，旋转矩阵(R)、平移矩阵(T)为双目相机外部参数，zc为双目深度感知获得的深度，xw,yw,zw为世界坐标系下的坐标，xpix,ypix为像素坐标系下的坐标。
视频帧率为F，则车速v的计算公式如下：
其中v1是利用车头先后经过两个虚拟线圈计算得到的车速；v2是利用车尾先后经过两个虚拟线圈计算得到的车速；
车辆长度l的计算公式如下：
其中l1是利用车头先后经过虚拟线圈1计算得到的车长；l2是利用车尾先后经过虚拟线圈2计算得到的车长。
5.根据权利要求1所述的基于双目深度感知和车辆位置的货车外廓尺寸测量方法，其特征是：所述步骤七车辆宽度w的获得方法为，
车道线宽度根据国标《GB5768.3-2009道路交通标志和标线》确定；首先将主图像变换到HSV空间，通过设置合适的阈值，提取货厢；其次，应用斑点分析和直线检测提取货厢轮廓，计算得到车辆宽度极值的像素尺寸，再对原图像中的车道线进行边缘检测、直线检测等图像处理，得到车道线宽度的像素尺寸，最后通过图像像素坐标与世界坐标的转换矩阵和车道线宽度，求解车辆宽度w。
6.根据权利要求1所述的基于双目深度感知和车辆位置的货车外廓尺寸测量方法，其特征是：所述步骤八的无人机飞行控制器用于实时控制无人机并显示无人机飞行状态，车辆外廓尺寸信息求解完成，通过无人机载控制系统中的通信模块实时传输给无人机飞行控制器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110452374.7A CN112991433B (zh) | 2021-04-26 | 2021-04-26 | 基于双目深度感知和车辆位置的货车外廓尺寸测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110452374.7A CN112991433B (zh) | 2021-04-26 | 2021-04-26 | 基于双目深度感知和车辆位置的货车外廓尺寸测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112991433A true CN112991433A (zh) | 2021-06-18 |
| CN112991433B CN112991433B (zh) | 2022-08-02 |
Family
ID=76341647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110452374.7A Active CN112991433B (zh) | 2021-04-26 | 2021-04-26 | 基于双目深度感知和车辆位置的货车外廓尺寸测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112991433B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113838151A (zh) * | 2021-10-15 | 2021-12-24 | 西安维沃软件技术有限公司 | 相机标定方法、装置、设备及介质 |
| WO2023020004A1 (zh) * | 2021-08-16 | 2023-02-23 | 长安大学 | 一种车辆距离探测方法、系统、设备及介质 |
| CN116309636A (zh) * | 2023-02-21 | 2023-06-23 | 北京长木谷医疗科技有限公司 | 基于多任务神经网络模型的膝关节分割方法、装置及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150095379A (ko) * | 2014-02-13 | 2015-08-21 | 한국전자통신연구원 | 차량 후보 검출 장치 및 그 방법 |
| CN107945523A (zh) * | 2017-11-27 | 2018-04-20 | 北京华道兴科技有限公司 | 一种道路车辆检测方法、交通参数检测方法及装置 |
| CN108550143A (zh) * | 2018-04-03 | 2018-09-18 | 长安大学 | 一种基于rgb-d相机的车辆长宽高尺寸的测量方法 |
| CN109143215A (zh) * | 2018-08-28 | 2019-01-04 | 重庆邮电大学 | 一种基于双目视觉与v2x通信的协同预警设备与方法 |
| CN110322702A (zh) * | 2019-07-08 | 2019-10-11 | 中原工学院 | 一种基于双目立体视觉系统的车辆智能测速方法 |
| CN111127541A (zh) * | 2018-10-12 | 2020-05-08 | 杭州海康威视数字技术股份有限公司 | 车辆尺寸的确定方法、装置及存储介质 |
| CN111768648A (zh) * | 2020-06-10 | 2020-10-13 | 浙江大华技术股份有限公司 | 车辆出入确定方法及系统 |
| US20200357138A1 (en) * | 2018-06-05 | 2020-11-12 | Shanghai Sensetime Intelligent Technology Co., Ltd. | Vehicle-Mounted Camera Self-Calibration Method and Apparatus, and Storage Medium |
| CN113011388A (zh) * | 2021-04-23 | 2021-06-22 | 吉林大学 | 一种基于车牌及车道线的车辆外轮廓尺寸检测方法 |
-
2021
- 2021-04-26 CN CN202110452374.7A patent/CN112991433B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150095379A (ko) * | 2014-02-13 | 2015-08-21 | 한국전자통신연구원 | 차량 후보 검출 장치 및 그 방법 |
| CN107945523A (zh) * | 2017-11-27 | 2018-04-20 | 北京华道兴科技有限公司 | 一种道路车辆检测方法、交通参数检测方法及装置 |
| CN108550143A (zh) * | 2018-04-03 | 2018-09-18 | 长安大学 | 一种基于rgb-d相机的车辆长宽高尺寸的测量方法 |
| US20200357138A1 (en) * | 2018-06-05 | 2020-11-12 | Shanghai Sensetime Intelligent Technology Co., Ltd. | Vehicle-Mounted Camera Self-Calibration Method and Apparatus, and Storage Medium |
| CN109143215A (zh) * | 2018-08-28 | 2019-01-04 | 重庆邮电大学 | 一种基于双目视觉与v2x通信的协同预警设备与方法 |
| CN111127541A (zh) * | 2018-10-12 | 2020-05-08 | 杭州海康威视数字技术股份有限公司 | 车辆尺寸的确定方法、装置及存储介质 |
| CN110322702A (zh) * | 2019-07-08 | 2019-10-11 | 中原工学院 | 一种基于双目立体视觉系统的车辆智能测速方法 |
| CN111768648A (zh) * | 2020-06-10 | 2020-10-13 | 浙江大华技术股份有限公司 | 车辆出入确定方法及系统 |
| CN113011388A (zh) * | 2021-04-23 | 2021-06-22 | 吉林大学 | 一种基于车牌及车道线的车辆外轮廓尺寸检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| JILONG ZHENG等: "CNN Based Vehicle Counting with Virtual Coil in Traffic Surveillance Video", 《2015 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA BIG DATA》, 13 July 2015 (2015-07-13), pages 280 - 281 * |
| YONGCHAO SONG等: "Automatic Detection and Classification of Road, Car, and Pedestrian Using Binocular Cameras in Traffic Scenes with a Common Framework", 《HTTPS://DOI.ORG/10.1155/2020/2435793》, 14 May 2020 (2020-05-14), pages 1 - 17 * |
| 吕游: "路口行驶车辆检测与跟踪技术研究", 《中国优秀硕士学位论文全文数据库_信息科技辑》, 15 July 2013 (2013-07-15), pages 136 - 962 * |
| 李世武等: "坡道行驶车辆通过性分析与路径优化", 《科学技术与工程》, vol. 18, no. 22, 8 August 2018 (2018-08-08), pages 144 - 149 * |
| 洪峰: "智能汽车交通车辆的综合认知及其虚拟测试方法研究", 《中国博士学位论文全文数据库_工程科技Ⅱ辑》, 15 December 2018 (2018-12-15), pages 035 - 18 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023020004A1 (zh) * | 2021-08-16 | 2023-02-23 | 长安大学 | 一种车辆距离探测方法、系统、设备及介质 |
| CN113838151A (zh) * | 2021-10-15 | 2021-12-24 | 西安维沃软件技术有限公司 | 相机标定方法、装置、设备及介质 |
| CN113838151B (zh) * | 2021-10-15 | 2023-11-17 | 西安维沃软件技术有限公司 | 相机标定方法、装置、设备及介质 |
| CN116309636A (zh) * | 2023-02-21 | 2023-06-23 | 北京长木谷医疗科技有限公司 | 基于多任务神经网络模型的膝关节分割方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112991433B (zh) | 2022-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112991433B (zh) | 基于双目深度感知和车辆位置的货车外廓尺寸测量方法 | |
| CN111436216B (zh) | 用于彩色点云生成的方法和系统 | |
| US11157014B2 (en) | Multi-channel sensor simulation for autonomous control systems | |
| CN111326023B (zh) | 一种无人机航线预警方法、装置、设备及存储介质 | |
| CN109697753B (zh) | 一种基于rgb-d slam的无人机三维重建方法、无人机 | |
| CN109472831A (zh) | 面向压路机施工过程的障碍物识别测距系统及方法 | |
| EP3792660B1 (en) | Method, apparatus and system for measuring distance | |
| CN107092021B (zh) | 车载激光雷达三维扫描方法、地物分类方法及系统 | |
| CN109631896A (zh) | 一种基于车辆视觉和运动信息的停车场自主泊车定位方法 | |
| CN106681353A (zh) | 基于双目视觉与光流融合的无人机避障方法及系统 | |
| CN108596058A (zh) | 基于计算机视觉的行车障碍物测距方法 | |
| CN110109457A (zh) | 一种智能语音导盲机器人控制方法及控制系统 | |
| US20240125934A1 (en) | Annotation cross-labeling for autonomous control systems | |
| KR101261409B1 (ko) | 영상 내 노면표시 인식시스템 | |
| CN109410234A (zh) | 一种基于双目视觉避障的控制方法及控制系统 | |
| CN111967360A (zh) | 基于车轮的目标车辆姿态检测方法 | |
| CN112232275A (zh) | 基于双目识别的障碍物检测方法、系统、设备及存储介质 | |
| Zhang et al. | Deep learning based object distance measurement method for binocular stereo vision blind area | |
| CN107688174A (zh) | 一种图像测距方法、系统、存储介质和车载视觉感知设备 | |
| CN114923477A (zh) | 基于视觉与激光slam技术的多维度空地协同建图系统和方法 | |
| CN112540382B (zh) | 一种基于视觉识别检测的激光导航agv辅助定位方法 | |
| CN114503044A (zh) | 用于在3d点云中自动标记对象的系统和方法 | |
| CN115267756A (zh) | 一种基于深度学习目标检测的单目实时测距方法 | |
| US20230168688A1 (en) | Sequential mapping and localization (smal) for navigation | |
| AU2018102199A4 (en) | Methods and systems for color point cloud generation |
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 |