CN113313813A - 一种可主动预警的车载3d全景环视系统 - Google Patents
一种可主动预警的车载3d全景环视系统 Download PDFInfo
- Publication number
- CN113313813A CN113313813A CN202110518331.4A CN202110518331A CN113313813A CN 113313813 A CN113313813 A CN 113313813A CN 202110518331 A CN202110518331 A CN 202110518331A CN 113313813 A CN113313813 A CN 113313813A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- panoramic
- fusion area
- actively
- gpu
- 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
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 238000009877 rendering Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 238000005286 illumination Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 240000004050 Pentaglottis sempervirens Species 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种可主动预警的车载3D全景环视系统,包括:获取各个视角方向的鱼眼图像,进行内外参标定及3D投影建模,根据内外参确定3D模型与鱼眼图像纹理的对应关系,确定世界坐标系下的融合区域,并计算融合区域的权重,再将世界坐标信息、对应的纹理坐标信息,以及融合区域的权重保存为查询表;加载查询表,获取鱼眼图像数据,基于gpu在嵌入式端进行渲染,经过光照补偿以后再从gpu缓冲区取出数据进行目标检测,获取障碍物位置信息,并对危险情况进行预警。该环视系统能够全天24小时运行,是一种具有较好视角体验的3D环视对车辆路况时刻进行监视并预警的系统。
Description
技术领域
本公开涉及车载环视系统技术领域,尤其涉及一种可主动预警的车载3D全景环视系统。
背景技术
随着汽车工业的快速发展,汽车拥有量迅速增多,对安全驾驶提出了新的需求和挑战,特别的,驾驶过程中的未能及时发现车辆周围异常情况是引发交通事故的重要原因之一,特别是在驾驶环境比较紧凑的时候进行驾驶。
现有的车载环视主要有:(1)单个视角进行监控,常见的如倒车影像,只能显示某一个方向的驾驶路况。(2)未加入融合过程的2D环视,在车辆四周挂载鱼眼相机,进行标定重投影以后,直接将各个相机的画面按照挂载顺序组合显示,画面之间具有明显的间隙。(3)具有融合功能的2D鸟瞰环视,通过外参的标定,将鱼眼图像进行重投影,并对融合区域进行加权融合,实现最终的无缝拼接。(4)3D拼接,通过碗状建模,将鱼眼图像投影到此曲面上,呈现出3D视角的拼接画面,具有更加真实的驾驶画面。在建模方法上,不同模型最后所呈现的畸变大小以及融合区域有较大区别。
现有的车载环视主要存在以下问题:(1)未进行拼接的视频监控只能提供单一视角,不够灵活方便,难以及时提供车身周围的异常驾驶环境信息。(2)具有2D拼接的环视监控,虽然可以将车身周围信息及时反馈给驾驶员,但是其具有可视范围小,畸变过大的缺点,驾驶员在观察画面时,不能及时显示车身在真实环境下的处境。特别是未加入融合的2D环视,未对画面的光照进行处理,不能保证画面的一致性,视角感受较差。(3)碗状建模的3D环视,基本可以呈现出车辆的真实驾驶路况,但是碗状模型本身平面与曲面过渡不够平滑,在交界处容易出现非常突兀的过渡区域,在远处也易形成较大的错位。
并且,以上方法皆需要驾驶员主动观察视频画面,目前市面上的环视系统都缺少主动预警功能,在车速较快时也对显示加以限制,不能及时提醒驾驶员车辆周边的驾驶路况。
发明内容
有鉴于此,本公开实施例提供一种可主动预警的车载3D全景环视系统,该环视系统能够全天24小时运行,是一种具有较好视角体验的3D环视对车辆路况时刻进行监视并预警的系统。
为了实现上述目的,本发明提供如下技术方案:
一种可主动预警的车载3D全景环视系统,包括:
获取各个视角方向的鱼眼图像,进行内外参标定及3D投影建模,根据内外参确定3D模型与鱼眼图像纹理的对应关系,确定世界坐标系下的融合区域,并计算融合区域的权重,再将世界坐标信息、对应的纹理坐标信息,以及融合区域的权重保存为查询表;
加载查询表,获取鱼眼图像数据,基于gpu在嵌入式端进行渲染,经过光照补偿以后再从gpu缓冲区取出数据进行目标检测,获取障碍物位置信息,并对危险情况进行预警。
进一步地,还包括,建立3D投影模型,确定每个顶点的世界坐标及三角形索引顺序,再根据内、外参确定每个顶点世界坐标对应的纹理图像坐标。
进一步地,建立3D碗状模型,获取三角化的网格信息,再直接根据模型表达式计算网格的世界坐标信息。
进一步地,还包括,确定世界坐标系下的融合区域,再计算该区域内网格点与边界的夹角,将该夹角与该融合区域的角度的比值作为融合区域的权重。
进一步地,使用重合角度为30°的融合区域计算该区域内网格点与边界的夹角,将该夹角与30°的比值作为融合区域的权重。
进一步地,所述获取鱼眼图像数据包括:获取鱼眼图像的YUV数据,计算图像的光照补偿因子,再采用像素缓冲对象管理YUV数据。
进一步地,还包括,基于gpu在嵌入式端使用opengles进行渲染。
进一步地,使用gpu进行渲染后还包括,使用帧缓冲对象实时获取gpu渲染后的环视画面,再进行目标检测。
进一步地,使用cnn网络进行目标检测。
进一步地,采用pnp算法求解相机外参,所述pnp算法为包括epnp、迭代法和p3p中的任意一种。
本发明的可主动预警的车载3D全景环视系统,相对单纯的监控,可提供更加全面的车辆周围路况信息;相对现有的车载2D环视,可更加精确的展示车辆在真实环境中所处的位置,提供更加友好的成像画面。相对现有的车载普通3D环视,本发明建立的模型可较好弥补交界区域的错位与画面的畸变,同时添加的目标检测与预警,可更好地辅助驾驶员观察车辆周围的路况。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明一个实施例中的可主动预警的车载3D全景环视系统示意图;
图2为本发明一个实施例中的外参标定棋盘格摆放示意图;
图3为本发明一个实施例中的三维全景模型俯视图;
图4为本发明一个实施例中的三维视角全景投影模型;
图5为本发明一个实施例中的融合区域示意图。
具体实施方式
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。
要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本发明提供一种可主动预警的车载3D全景环视系统,包括:
获取各个视角方向的鱼眼图像,进行内外参标定及3D投影建模,根据内外参确定3D模型与鱼眼图像纹理的对应关系,确定世界坐标系下的融合区域,并计算融合区域的权重,再将世界坐标信息、对应的纹理坐标信息,以及融合区域的权重保存为查询表;
加载查询表,获取鱼眼图像数据,基于gpu在嵌入式端进行渲染,经过光照补偿以后再从gpu缓冲区取出数据进行目标检测,获取障碍物位置信息,并对危险情况进行预警。
本发明的技术方案中:基于挂载在车辆周围的鱼眼相机,经过内外参的标定及3D投影模型的建立,找到模型坐标与图像坐标的对应关系,再基于gpu(Graphics ProcessingUnit图形处理器)在嵌入式端使用opengles(开放式图形库)进行渲染,经过光照补偿以后再从gpu缓冲区取出数据进行目标检测,并对危险情况进行预警。
其中,经过内参标定获取鱼眼相机的畸变参数及相机焦距等内参,再摆放棋盘格计算每个相机的外参。建立3D投影模型,确定每个顶点的世界坐标及三角形索引顺序,再根据内、外参确定每个顶点世界坐标对应的纹理图像坐标,接着计算世界坐标系下重合区域的权重,最后将世界坐标与纹理坐标、融合区域的权重保存为查询表。
参考附图1,本公开实施例的一种可主动预警的车载3D全景环视系统,该系统分为离线阶段与在线阶段,大量计算在离线阶段执行,在线阶段直接加载离线阶段的运算结果,使用gpu进行渲染,更加高效,具体的执行步骤如下:
离线阶段:
(1)输入鱼眼图像
获取各个视角方向的鱼眼图像
(2)内参标定
获得包含已知棋盘格大小与个数的标定图片,进行内参估计,常用的标定方法有张正友标定法、全向相机标定方法(Improved wide-angle,fisheye and omnidirectionalcamera calibration);
(3)外参标定
摆放棋盘格在车辆特定位置,检测图像上棋盘格角点信息,使用pnp求解相机外参,常用的pnp求解算法有epnp(Efficient Perspective-n-Point Camera PoseEstimation)、迭代法、p3p(Complete Solution Classification for the Perspective-Three-Point Problem);
(4)建模并确定每个网格点的世界坐标
建立3D投影模型,常用的建模方法有使用专业建模软件绘制碗状模型,获取三角化的网格世界坐标信息,还有直接根据模型表达式计算网格世界坐标信息;
(5)根据内外参确定3D模型与图像纹理的对应关系
利用鱼眼模型建立鱼眼图像上的像素点与模型网格点的关系。
(6)确定融合区域与融合权重
确定融合区域的大小,本系统使用重合30°的区域计算该区域内网格点与边界的夹角,使用夹角与30°的比值作为融合权重。最后将模型网格点的坐标信息、对应的纹理信息以及融合区域的权重保存为查询表LUT;
在线阶段:
(1)加载查询表LUT
加载一次查询表,获取3D模型网格点的世界坐标、对应纹理坐标及融合权重信息;
(2)获取鱼眼图像
采取鱼眼图像的YUV数据;
(3)计算图像的光照补偿因子
所有鱼眼相机画面Y通道的光照补偿因子;
(4)采用PBO(pixel_buffer_object像素缓冲对象)对纹理信息进行管理使用像素缓冲对象管理输入的yuv数据,进行更加高效的cpu到gpu传输;
(5)Gpu渲染
在模型内壁使用opengles进行渲染;
(6)使用FBO(frame buffer object)技术获取gpu缓冲数据
使用帧缓冲对象实时获取gpu渲染好的环视画面,此处是数据从gpu到cpu的过程;
(7)目标检测
获取鸟瞰视角的环视画面以后,再使用cnn网络(卷积神经网络)进行目标检测,获取障碍物位置信息,对于危险区域内的障碍物及行人进行及时报警,提醒驾驶员注意。
实施例1
1、相机内参标定
使用哑光材料制作一个棋盘格,规格为12cm*6cm,每个格子的长宽皆为25mm,旋转棋盘格拍摄多张棋盘格在画面内的图片,一般为10~30张;
2、相机外参标定
按如图2所示摆放棋盘格;
棋盘格需与车身平行,测量参数:
(1)前方棋盘格左边缘与左侧棋盘格左边缘的距离AB:L0;
(2)前方棋盘格左边缘与右侧棋盘格左边缘的距离CD:L1;
(3)前方棋盘格上边沿到左侧棋盘格上边沿的距离AE:L2;
(4)前方棋盘格上边沿到后方棋盘格下边沿的距离BF:L3;
(5)前方棋盘格左边沿到车身左边沿的距离L4,此值有正负号,H在G的左侧,为负值,在G的右侧为
(6)前方棋盘格上边沿到车头的距离BG:L5;
以车身中心为坐标系原点,建立统一世界坐标系,利用上述获取的参数计算得到每个棋盘格角点世界坐标,如前视棋盘格世界坐标点其中n是棋盘格内角点数量,以地面为XY平面,则Z=0。棋盘格角点检测,得到每个角点在画面中的像素位置利用pnp迭代法求解相机外参R、T。
3、建立3D投影模型
由于单视图成像的不可逆映射,实际世界坐标系中的三维坐标无法直接获取,因此为了尽可能保留原始图像中的信息,需建立一个3D模型,给予图像上每个点世界坐标Z轴高度。
3D模型俯视图如图3所示,分别以车身四个角点的垂直方向与竖直方向划分整个区域为九个小区域,S9为车身区域,此区域所有点的高度Z=0。
其它区域的点由地面C0(Z=0)以及曲面段C1(Z>0)组成,示意图如图4所示。
设地面区域C0的长度为L,车的长宽为h、w,相机安装高度为hfront、hleft、hrear、hright,当相机安装高度不在同一水平面的时候,直接使用计算的Z将导致融合区域不同镜头的画面出现错位,需进行高度归一化,方法为找出最小安装高度hmin,然后将计算出的Z值乘以本镜头对应的安装高度与最小安装高度的比值,各区域的曲面表达式为:
其中k为斜率,控制曲面弯曲程度,L可以控制地面区域的大小。
4、确定融合区域权重
如图5所示,以左前两幅图像的融合区域为例,以车辆左上角为参考点建立一个正方形,计算虚线之间θ范围内的点P与实线所成的角度α,则P在左边图像的权重为w1=(α+θ/2)/(2θ),P在另外一幅图像的权重为w2=1-w1。θ可取30,此值可根据实际效果进行调整。
α计算过程如下:
5、生成查询表
在标定获取到相机的内参、外参以后,根据建立的3d模型,计算每个顶点世界坐标对应的图像坐标:
其中图像坐标(xu,yu)为去畸变后的图像点,需逆投影到原始鱼眼头像上(xd,yd)。
所以最终将得到每个世界坐标点对应相邻两幅图像上的两个像素点及权重w1,w2。
上述步骤将涉及到大量的计算过程,当镜头位置固定,只需进行一次标定确定好查询表进行保存即可。运行阶段只需加载一次查询表获取渲染模型与纹理的对应关系,渲染步骤为opengles常用步骤,在此不做赘述。
6、设置鸟瞰图视角,获取此视角的离屏渲染buffer,并使用cnn网络进行目标检测,在获取到检测目标以后,根据检测框与危险区域是否相交判断是否预警。
以上所述,仅为本公开的具体实施方式,但本公开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公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种可主动预警的车载3D全景环视系统,其特征在于,包括:
获取各个视角方向的鱼眼图像,进行内外参标定及3D投影建模,根据内外参确定3D模型与鱼眼图像纹理的对应关系,确定世界坐标系下的融合区域,并计算融合区域的权重,再将世界坐标信息、对应的纹理坐标信息,以及融合区域的权重保存为查询表;
加载查询表,获取鱼眼图像数据,基于gpu在嵌入式端进行渲染,经过光照补偿以后再从gpu缓冲区取出数据进行目标检测,获取障碍物位置信息,并对危险情况进行预警。
2.根据权利要求1所述的可主动预警的车载3D全景环视系统,其特征在于,还包括,建立3D投影模型,确定每个顶点的世界坐标及三角形索引顺序,再根据内、外参确定每个顶点世界坐标对应的纹理图像坐标。
3.根据权利要求2所述的可主动预警的车载3D全景环视系统,其特征在于,建立3D碗状模型,获取三角化的网格信息,再直接根据模型表达式计算网格的世界坐标信息。
4.根据权利要求1所述的可主动预警的车载3D全景环视系统,其特征在于,还包括,确定世界坐标系下的融合区域,再计算该区域内网格点与边界的夹角,将该夹角与该融合区域的角度的比值作为融合区域的权重。
5.根据权利要求4所述的可主动预警的车载3D全景环视系统,其特征在于,使用重合角度为30°的融合区域计算该区域内网格点与边界的夹角,将该夹角与30°的比值作为融合区域的权重。
6.根据权利要求1所述的可主动预警的车载3D全景环视系统,其特征在于,所述获取鱼眼图像数据包括:获取鱼眼图像的YUV数据,计算图像的光照补偿因子,再采用像素缓冲对象管理YUV数据。
7.根据权利要求1所述的可主动预警的车载3D全景环视系统,其特征在于,还包括,基于gpu在嵌入式端使用opengles进行渲染。
8.根据权利要求1所述的可主动预警的车载3D全景环视系统,其特征在于,使用gpu进行渲染后还包括,使用帧缓冲对象实时获取gpu渲染后的环视画面,再进行目标检测。
9.根据权利要求8所述的可主动预警的车载3D全景环视系统,其特征在于,使用cnn网络进行目标检测。
10.根据权利要求1所述的可主动预警的车载3D全景环视系统,其特征在于,采用pnp算法求解相机外参,所述pnp算法为包括epnp、迭代法和p3p中的任意一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110518331.4A CN113313813A (zh) | 2021-05-12 | 2021-05-12 | 一种可主动预警的车载3d全景环视系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110518331.4A CN113313813A (zh) | 2021-05-12 | 2021-05-12 | 一种可主动预警的车载3d全景环视系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313813A true CN113313813A (zh) | 2021-08-27 |
Family
ID=77373068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110518331.4A Pending CN113313813A (zh) | 2021-05-12 | 2021-05-12 | 一种可主动预警的车载3d全景环视系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313813A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086575A (zh) * | 2022-08-16 | 2022-09-20 | 之江实验室 | 一种基于无人车远程驾驶的视频画面拼接方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108269235A (zh) * | 2018-02-26 | 2018-07-10 | 江苏裕兰信息科技有限公司 | 一种基于opengl的车载环视多视角全景生成方法 |
CN108765496A (zh) * | 2018-05-24 | 2018-11-06 | 河海大学常州校区 | 一种多视点汽车环视辅助驾驶系统及方法 |
CN112224132A (zh) * | 2020-10-28 | 2021-01-15 | 武汉极目智能技术有限公司 | 一种车用全景环视障碍物预警方法 |
-
2021
- 2021-05-12 CN CN202110518331.4A patent/CN113313813A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108269235A (zh) * | 2018-02-26 | 2018-07-10 | 江苏裕兰信息科技有限公司 | 一种基于opengl的车载环视多视角全景生成方法 |
CN108765496A (zh) * | 2018-05-24 | 2018-11-06 | 河海大学常州校区 | 一种多视点汽车环视辅助驾驶系统及方法 |
CN112224132A (zh) * | 2020-10-28 | 2021-01-15 | 武汉极目智能技术有限公司 | 一种车用全景环视障碍物预警方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086575A (zh) * | 2022-08-16 | 2022-09-20 | 之江实验室 | 一种基于无人车远程驾驶的视频画面拼接方法和装置 |
CN115086575B (zh) * | 2022-08-16 | 2022-11-29 | 之江实验室 | 一种基于无人车远程驾驶的视频画面拼接方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110758243B (zh) | 一种车辆行驶过程中的周围环境显示方法和系统 | |
CN109741455B (zh) | 一种车载立体全景显示方法、计算机可读存储介质及系统 | |
CN111582080B (zh) | 车辆360度环视监控实现方法及装置 | |
JP5444338B2 (ja) | 車両周囲監視装置 | |
CN112224132B (zh) | 一种车用全景环视障碍物预警方法 | |
JP5455124B2 (ja) | カメラ姿勢パラメータ推定装置 | |
US11303807B2 (en) | Using real time ray tracing for lens remapping | |
JP2017220923A (ja) | 画像生成装置、画像生成方法、およびプログラム | |
JP2009232310A (ja) | 車両用画像処理装置、車両用画像処理方法、車両用画像処理プログラム | |
CN107240065A (zh) | 一种3d全景图像生成系统和方法 | |
JP7412086B2 (ja) | 天候エフェクト用の3dパーティクルシステムを効率的にレンダリングするための方法及びシステム | |
CN107972585A (zh) | 结合雷达信息的自适应3d环视场景重建系统与方法 | |
CN114937249B (zh) | 一种基于网格化管理的车路协同视觉感知处理方法 | |
CN113313813A (zh) | 一种可主动预警的车载3d全景环视系统 | |
CN116012805B (zh) | 目标感知方法、装置、计算机设备、存储介质 | |
CN113724133B (zh) | 一种非刚体连接的拖挂车360°环视拼接方法 | |
CN116495004A (zh) | 车辆环境感知方法、装置、电子设备和存储介质 | |
KR101331893B1 (ko) | 차량 설치 카메라 외부 파라미터 추정 방법 및 장치 | |
CN113516733B (zh) | 一种填充车底盲区的方法和系统 | |
CN116704151A (zh) | 三维重建方法、装置以及基于其的车辆、设备和介质 | |
JP6385621B2 (ja) | 画像表示装置、画像表示方法及び画像表示プログラム | |
JP2014119883A (ja) | 画像データ変換装置並びにナビゲーションシステムおよびカメラ装置並びに車両 | |
CN112698717B (zh) | 一种局部图像的处理方法及装置、车载系统、存储介质 | |
CN118587309A (zh) | 一种车载环视全景图像的生成方法以及系统 | |
CN118485571A (zh) | 车载全景影像生成方法、计算机设备、计算机存储介质、计算机程序产品和移动平台 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210827 |
|
RJ01 | Rejection of invention patent application after publication |