CN113658240B - 一种主要障碍物检测方法、装置与自动驾驶系统 - Google Patents
一种主要障碍物检测方法、装置与自动驾驶系统 Download PDFInfo
- Publication number
- CN113658240B CN113658240B CN202110799041.1A CN202110799041A CN113658240B CN 113658240 B CN113658240 B CN 113658240B CN 202110799041 A CN202110799041 A CN 202110799041A CN 113658240 B CN113658240 B CN 113658240B
- Authority
- CN
- China
- Prior art keywords
- grid
- map
- parallax
- axis
- establishing
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000002955 isolation Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
- G06T2207/10021—Stereoscopic video; Stereoscopic image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20228—Disparity calculation for image-based rendering
-
- 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
- G06T2207/30261—Obstacle
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种主要障碍物检测方法、装置与自动驾驶系统。基于双目相机，用于通过过滤连续型障碍物生成新视差图，再在新视差图内检测主要的障碍物，提高主要障碍物的检测效果。该基于双目相机的连续型障碍物检测方法包括：实时获取双目相机的原始图像并计算原始图像的视差图；以左相机建立世界坐标系对所述视差图进行处理，获取标注连续障碍物的新视差图，基于新视差图，对主要障碍物进行检测。
Description
技术领域
本发明涉及智能驾驶技术领域，尤其涉及一种主要障碍物检测方法、装置与自动驾驶系统。
背景技术
随着汽车在普通家庭的普及，交通事故也在大幅增多，造成人员伤亡与财产损失的事故屡见不鲜。ADAS(Advanced Driving Assistant System，高级驾驶辅助系统)可以提前判断可能发生的危险状况并报警，有效避免交通意外发生。
汽车视觉ADAS方案中存在单目和双目两条技术路线。单目相机识别障碍物依赖于全面的样本库与优秀的分类器，在复杂多变的环境中，有太多未知障碍物不能被识别；而双目相机无须大规模数据采集帮助机器学习，就能够识别包括各类车辆(异型车、卡车、三轮车、电动车、自行车)、行人、特殊障碍物在内的各种任何障碍物，同时还可以利用左右图像生成视差图，计算障碍物三维几何信息和相对距离。
由于双目相机在视差图全视野内检测障碍物，不但检测人/车等主要障碍物，还输出部分不必要的障碍物，如两侧灌木丛和车道中间的隔离带等连续型障碍物；进一步，当主要障碍物和连续型障碍物靠近时，还会对主要障碍物检测造成干扰。鉴于此，提出本发明。
发明内容
本发明的主要目的在于公开一种主要障碍物检测方法、装置与自动驾驶系统，用于解决现有技术中主要障碍物检测效果不理想的问题。
为达上述目的，根据本发明的一个方面，公开一种主要障碍物检测方法，并采用如下技术方案：
一种主要障碍物检测方法包括：实时获取双目相机的原始图像并计算原始图像的视差图；以左相机建立世界坐标系对所述视差图进行处理，获取标注连续障碍物的新视差图，基于新视差图，对主要障碍物进行检测。
进一步地，所述以左相机建立世界坐标系对所述视差图进行处理，获取标注连续障碍物的新视差图包括：以左相机建立世界坐标系，并基于所述视差图计算每个像素点的三维坐标；构造XOZ平面内的栅格图，将每个像素点的三维坐标填入对应栅格，建立映射到栅格内所有像素点行列坐标查询表；使用高斯滤波对所述栅格图做平滑处理，获得平滑栅格图；在平滑栅格图内拟合多条直线，并给栅格打上标签；遍历栅格，若标签状态为1，利用坐标查找表将映射到该栅格内的像素点标记为连续型障碍物；遍历视差图，若像素点标签为连续型障碍物，则将其视差值置为0，生成新视差图。
进一步地，所述构造XOZ平面内的栅格图，将每个像素点的三维坐标填入对应栅格，建立映射到栅格内所有像素点行列坐标查询表包括：定义沿Z轴距离范围[0，zmax]，栅格单位距离zgrid；沿X轴距离范围[-xmax，xmax]，栅格单位距离xgrid，则沿Z轴和X轴栅格个数计算公式如下:
栅格图大小M*N，其左上角栅格表示沿Z轴距离0，沿X轴距离-xmax；
已知一像素三维坐标(X，Y，Z)，该像素映射到栅格图计算公式如下：
建立映射到任一个栅格内所有像素点行列坐标的查找表。
进一步地，所述实时获取双目相机的原始图像并计算原始图像的视差图包括：建立双目相机成像数学模型，利用双目相机的原始灰度图，针对左相机与右相机重合且有效的图像区域逐点计算视差，得到与原始图像对应的视差图。
进一步地，所述以左相机建立世界坐标系对所述视差图进行处理，获取标注连续障碍物的新视差图，还包括：构建X轴的方法为：面向前方时，指向车辆右侧；构建Y轴的方法为：垂直于地面指向上方；构建Z轴的方法为：指向车辆前进方向；已知左相机与右相机的参数有：两个光心基距B，焦距f，左相机光心行列坐标(crow,ccol)，定义一像素行列坐标为(row,col)，视差为d，则三维坐标(X、Y、Z)计算公式如下：
根据本发明的另外一个方面，提供一种主要障碍物检测装置，并采用如下技术方案：
一种主要障碍物检测装置包括：获取模块，用于实时获取双目相机的原始图像并计算原始图像的视差图；检测模块，用于以左相机建立世界坐标系对所述视差图进行处理，获取标注连续障碍物的新视差图，基于新视差图，对主要障碍物进行检测。
进一步地，所述检测模块包括：构建模块，用于以左相机建立世界坐标系，并基于所述视差图计算每个像素点的三维坐标；构造模块，用于构造XOZ平面内的栅格图，将每个像素点的三维坐标填入对应栅格，建立映射到栅格内所有像素点行列坐标查询表；平滑处理模块，用于使用高斯滤波对所述栅格图做平滑处理，获得平滑栅格图；拟合模块，用于在平滑栅格图内拟合多条直线，并给栅格打上标签；标记模块，用于遍历栅格，若标签状态为1，利用坐标查找表将映射到该栅格内的像素点标记为连续型障碍物；生成模块，用于遍历视差图，若像素点标签为连续型障碍物，则将其视差值置为0，生成新视差图。
进一步地，所述构造模块包括：第一计算模块，用于定义沿Z轴距离范围[0，zmax]，栅格单位距离zgrid；沿X轴距离范围[-xmax，xmax]，栅格单位距离xgrid，则沿Z轴和X轴栅格个数计算公式如下:
栅格图大小M*N，其左上角栅格表示沿Z轴距离0，沿X轴距离-xmax；已知一像素三维坐标(X，Y，Z)，该像素映射到栅格图计算公式如下：
建立模块，用于建立映射到任一个栅格内所有像素点行列坐标的查找表。
进一步地，所述获取模块包括：第二计算模块，用于建立双目相机成像数学模型，利用双目相机的原始灰度图，针对左相机与右相机重合且有效的图像区域逐点计算视差，得到与原始图像对应的视差图。
根据本发明的又一个方面，提供一种自动驾驶系统，并采用如下技术方案：
自动驾驶系统包括上述的主要障碍物检测装置。
由于双目相机在视差图全视野内检测障碍物，不但检测人/车等主要障碍物，还输出部分不必要的障碍物，如两侧灌木丛和车道中间的隔离带等连续型障碍物；当主要障碍物和连续型障碍物靠近时，还会对主要障碍物检测造成干扰。因此，本申请提出通过过滤连续型障碍物生成新视差图，再在新视差图内检测主要的障碍物，提高主要障碍物的检测效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的主要障碍物检测方法的流程图；
图2为本发明实施例所述的双目相机灰度图(a)与对应的视差图(b)；
图3为本发明实施例所述的基于左相机建立的世界坐标系示意图；
图4为本发明实施例所述的双目相机主要障碍物检测算法详细流程图；
图5为本发明实施例所述的原视差图(c)和新视差图(d)对比示意图；
图6为本发明实施例所述的主要障碍物检测装置示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
图1为本发明实施例所述的主要障碍物检测方法的流程图。
参见图1所示，一种主要障碍物检测方法包括：
S101：实时获取双目相机的原始图像并计算原始图像的视差图；
S103：以左相机建立世界坐标系对所述视差图进行处理，获取标注连续障碍物的新视差图，基于新视差图，对主要障碍物进行检测。
具体的，在S101中，建立双目相机成像数学模型，获取原始图像，并利用双目相机的原始灰度图，逐点计算视差，仅针对左相机、右相机重合且有效的图像区域，得到与原始图像对应的视差图。视差大表示距离近，视差小代表距离远。利用数学模型将视差图转换为空间信息点云图，如图2所示。左边是左相机灰度图(a)，右边是视差图(b)，视差图中不同灰值代表不同的视差。
在步骤S103中，以左相机建立世界坐标系对所述视差图进行处理，参见图3所示，在世界坐标系对所述视差图进行处理，具体包括构造栅格图，构造概率图，拟合直线，标记连续型障碍图，然后生成新视差图。更具体的处理步骤，如图4所示。
参见图4，图4为本发明实施例所述的双目相机主要障碍物检测算法详细流程图，具体包括：
S1：获取双目相机原始图像，计算视差图；
S2：以左相机建立世界坐标系，基于视差图计算每个像素点三维坐标；
S3：构造XOZ平面内的栅格图，根据每个像素点三维坐标填入对应栅格，建立映射到栅格内所有像素点行列坐标查找表；
S4：使用高斯滤波平滑栅格图，获取平滑栅格图；
S5：在平滑栅格图内拟合若干执行，并给栅格打标签；
S6：遍历栅格，若标签状态为1，利用查找表将映射到该栅格内的像素点标记为连续型障碍物；
S7：遍历视差图，若像素点标签为连续型障碍物，则将其视差值置为0，生成新视差图；
S8：基于新视差图检测主要障碍物。
具体的，步骤S2中，以左相机建立世界坐标系的具体方式为：
X轴：面向前方时，指向车辆右侧
Y轴：垂直于地面指向上方
Z轴：指向车辆前进方向
已知左相机和由相机部分参数：两个光心基距B，焦距f，左相机光心行列坐标(crow,ccol)。若某一像素行列坐标为(row,col)，视差为d，则三维坐标计算公式如下：
以左相机建立世界坐标系，基于视差图计算每个像素点三维坐标；
步骤S3中，构造XOZ平面内的栅格图，根据每个像素点三维坐标填入对应栅格，建立映射到栅格内所有像素点行列坐标查找表。
假设沿Z轴距离范围[0,zmax]，栅格单位距离zgrid；沿X轴距离范围[-xmax,xmax]，栅格单位距离xgrid，则沿Z轴和X轴栅格个数计算公式如下:
栅格图大小MxN，其左上角栅格表示沿Z轴距离0，沿X轴距离-xmax。
已知某像素三维坐标(X，Y，Z)，其映射到栅格图计算公式如下：
建立映射到某个栅格内所有像素点行列坐标的查找表。
步骤S4中，使用高斯滤波平滑栅格图，获取平滑栅格图。用m*m大小的二维高斯核对step3获得的栅格图做平滑运算，获得平滑栅格图。这样可以使相邻的栅格更连续，有利于拟合直线。
在S5中，在平滑栅格图内拟合若干执行，并给栅格打标签。
在平滑栅格图内拟合直线。拟合直线方法步骤：
1、假设平滑栅格图内每个栅格标签初始状态均为0
2、任取两个像素值大于阈值thre1且标签为0的栅格点p1(x1,x2)，p2(x2,y2)，按直线公式y＝ax+b，计算直线斜率和截距，假设其拟合直线L1。
3、遍历其他像素值大于阈值thre1且标签为0的栅格点，计算栅格点到直线L1的距离dist，若dist小于阈值thre2，则认为该栅格点属于直线L1。
4、若属于L1的栅格点个数大于阈值thre3，则认为L1是有效直线，并将属于L1的栅格点打标签1。否则重复步骤1，直至剩余像素点不能拟合有效Ln结束。
在S6中，遍历栅格，若标签状态为1，利用查找表将映射到该栅格内的像素点标记为连续型障碍物。
在步骤S7中，遍历视差图，若像素点标签为连续型障碍物，则将其视差值置为0，生成新视差图，图5为原视差图(c)与新视差图(d)的对比。
图6为本发明实施例所述的主要障碍物检测装置示意图。
参见图6所示，本发明提供的一种主要障碍物检测装置包括：获取模块60，用于实时获取双目相机的原始图像并计算原始图像的视差图；检测模块62，用于以左相机建立世界坐标系对所述视差图进行处理，获取标注连续障碍物的新视差图，基于新视差图，对主要障碍物进行检测。
可选地，所述检测模块62包括：构建模块(图中未示)，用于以左相机建立世界坐标系，并基于所述视差图计算每个像素点的三维坐标；构造模块(图中未示)，用于构造XOZ平面内的栅格图，将每个像素点的三维坐标填入对应栅格，建立映射到栅格内所有像素点行列坐标查询表；平滑处理模块(图中未示)，用于使用高斯滤波对所述栅格图做平滑处理，获得平滑栅格图；拟合模块(图中未示)，用于在平滑栅格图内拟合多条直线，并给栅格打上标签；标记模块(图中未示)，用于遍历栅格，若标签状态为1，利用坐标查找表将映射到该栅格内的像素点标记为连续型障碍物；生成模块，用于遍历视差图，若像素点标签为连续型障碍物，则将其视差值置为0，生成新视差图。
可选地，所述构造模块包括：第一计算模块，用于定义沿Z轴距离范围[0，zmax]，栅格单位距离zgrid；沿X轴距离范围[-xmax，xmax]，栅格单位距离xgrid，则沿Z轴和X轴栅格个数计算公式如下:
栅格图大小M*N，其左上角栅格表示沿Z轴距离0，沿X轴距离-xmax；已知一像素三维坐标(X，Y，Z)，该像素映射到栅格图计算公式如下：
建立模块，用于建立映射到任一个栅格内所有像素点行列坐标的查找表。
可选地，所述获取模块包括：第二计算模块，用于建立双目相机成像数学模型，利用双目相机的原始灰度图，针对左相机与右相机重合且有效的图像区域逐点计算视差，得到与原始图像对应的视差图。
本发明提供的一种自动驾驶系统包括上述的主要障碍物检测装置。
由于双目相机在视差图全视野内检测障碍物，不但检测人/车等主要障碍物，还输出部分不必要的障碍物，如两侧灌木丛和车道中间的隔离带等连续型障碍物；当主要障碍物和连续型障碍物靠近时，还会对主要障碍物检测造成干扰。因此，本申请提出通过过滤连续型障碍物生成新视差图，再在新视差图内检测主要的障碍物，提高主要障碍物的检测效果。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。
Claims (8)
1.一种主要障碍物检测方法，其特征在于，包括：
实时获取双目相机的原始图像并计算原始图像的视差图；
以左相机建立世界坐标系对所述视差图进行处理，获取标注连续障碍物的新视差图，基于新视差图，对主要障碍物进行检测；
其中，所述以左相机建立世界坐标系对所述视差图进行处理，获取标注连续障碍物的新视差图包括：
以左相机建立世界坐标系，并基于所述视差图计算每个像素点的三维坐标；
构造XOZ平面内的栅格图，将每个像素点的三维坐标填入对应栅格，建立映射到栅格内所有像素点行列坐标查询表；
使用高斯滤波对所述栅格图做平滑处理，获得平滑栅格图；
在平滑栅格图内拟合多条直线，并给栅格打上标签；
遍历栅格，若标签状态为1，利用坐标查找表将映射到该栅格内的像素点标记为连续型障碍物；
遍历视差图，若像素点标签为连续型障碍物，则将其视差值置为0，生成新视差图。
2.如权利要求1所述的主要障碍物检测方法，其特征在于，所述构造XOZ平面内的栅格图，将每个像素点的三维坐标填入对应栅格，建立映射到栅格内所有像素点行列坐标查询表包括：
定义沿Z轴距离范围[0，zmax]，栅格单位距离zgrid；沿X轴距离范围[-xmax，xmax]，栅格单位距离xgrid，则沿Z轴和X轴栅格个数计算公式如下:
栅格图大小M*N，其左上角栅格表示沿Z轴距离0，沿X轴距离-xmax；
已知一像素三维坐标(X，Y，Z)，该像素映射到栅格图计算公式如下：
建立映射到任一个栅格内所有像素点行列坐标的查找表。
3.如权利要求1所述的主要障碍物检测方法，其特征在于，所述实时获取双目相机的原始图像并计算原始图像的视差图包括：
建立双目相机成像数学模型，利用双目相机的原始灰度图，针对左相机与右相机重合且有效的图像区域逐点计算视差，得到与原始图像对应的视差图。
4.如权利要求1所述的主要障碍物检测方法，其特征在于，所述以左相机建立世界坐标系对所述视差图进行处理，获取标注连续障碍物的新视差图，还包括：
构建X轴的方法为：面向前方时，指向车辆右侧；
构建Y轴的方法为：垂直于地面指向上方；
构建Z轴的方法为：指向车辆前进方向；
已知左相机与右相机的参数有：两个光心基距B，焦距f，左相机光心行列坐标(crow,ccol)，定义一像素行列坐标为(row,col)，视差为d，则三维坐标(X、Y、Z)计算公式如下：
5.一种主要障碍物检测装置，其特征在于，包括：
获取模块，用于实时获取双目相机的原始图像并计算原始图像的视差图；
检测模块，用于以左相机建立世界坐标系对所述视差图进行处理，获取标注连续障碍物的新视差图，基于新视差图，对主要障碍物进行检测；
其中，所述检测模块包括：
构建模块，用于以左相机建立世界坐标系，并基于所述视差图计算每个像素点的三维坐标；
构造模块，用于构造XOZ平面内的栅格图，将每个像素点的三维坐标填入对应栅格，建立映射到栅格内所有像素点行列坐标查询表；
平滑处理模块，用于使用高斯滤波对所述栅格图做平滑处理，获得平滑栅格图；
拟合模块，用于在平滑栅格图内拟合多条直线，并给栅格打上标签；
标记模块，用于遍历栅格，若标签状态为1，利用坐标查找表将映射到该栅格内的像素点标记为连续型障碍物；
生成模块，用于遍历视差图，若像素点标签为连续型障碍物，则将其视差值置为0，生成新视差图。
6.如权利要求5所述的主要障碍物检测装置，其特征在于，所述构造模块包括：
第一计算模块，用于定义沿Z轴距离范围[0，zmax]，栅格单位距离zgrid；沿X轴距离范围[-xmax，xmax]，栅格单位距离xgrid，则沿Z轴和X轴栅格个数计算公式如下:
栅格图大小M*N，其左上角栅格表示沿Z轴距离0，沿X轴距离-xmax；
已知一像素三维坐标(X，Y，Z)，该像素映射到栅格图计算公式如下：
建立模块，用于建立映射到任一个栅格内所有像素点行列坐标的查找表。
7.如权利要求5所述的主要障碍物检测装置，其特征在于，所述获取模块包括：
第二计算模块，用于建立双目相机成像数学模型，利用双目相机的原始灰度图，针对左相机与右相机重合且有效的图像区域逐点计算视差，得到与原始图像对应的视差图。
8.一种自动驾驶系统，其特征在于，包括权利要求5-7任一项所述的主要障碍物检测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110799041.1A CN113658240B (zh) | 2021-07-15 | 2021-07-15 | 一种主要障碍物检测方法、装置与自动驾驶系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110799041.1A CN113658240B (zh) | 2021-07-15 | 2021-07-15 | 一种主要障碍物检测方法、装置与自动驾驶系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113658240A CN113658240A (zh) | 2021-11-16 |
| CN113658240B true CN113658240B (zh) | 2024-04-19 |
Family
ID=78477407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110799041.1A Active CN113658240B (zh) | 2021-07-15 | 2021-07-15 | 一种主要障碍物检测方法、装置与自动驾驶系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113658240B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114332802A (zh) * | 2022-03-15 | 2022-04-12 | 北京中科慧眼科技有限公司 | 基于双目相机的路面平坦度语义分割方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102313536A (zh) * | 2011-07-21 | 2012-01-11 | 清华大学 | 基于机载双目视觉的障碍物感知方法 |
| CN103413313A (zh) * | 2013-08-19 | 2013-11-27 | 国家电网公司 | 基于电力机器人的双目视觉导航系统及方法 |
| CN107909009A (zh) * | 2017-10-27 | 2018-04-13 | 北京中科慧眼科技有限公司 | 一种基于路面学习的障碍物检测方法与装置 |
| CN108243623A (zh) * | 2016-09-28 | 2018-07-03 | 驭势科技（北京）有限公司 | 基于双目立体视觉的汽车防碰撞预警方法和系统 |
| CN108520536A (zh) * | 2018-03-27 | 2018-09-11 | 海信集团有限公司 | 一种视差图的生成方法、装置及终端 |
| CN111191538A (zh) * | 2019-12-20 | 2020-05-22 | 北京中科慧眼科技有限公司 | 基于双目相机的障碍物跟踪方法、装置、系统和存储介质 |
| WO2021098079A1 (zh) * | 2019-11-21 | 2021-05-27 | 大连理工大学 | 一种利用双目立体相机构建栅格地图的方法 |
| CN112906449A (zh) * | 2020-12-02 | 2021-06-04 | 北京中科慧眼科技有限公司 | 基于稠密视差图的路面坑洼检测方法、系统和设备 |
-
2021
- 2021-07-15 CN CN202110799041.1A patent/CN113658240B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102313536A (zh) * | 2011-07-21 | 2012-01-11 | 清华大学 | 基于机载双目视觉的障碍物感知方法 |
| CN103413313A (zh) * | 2013-08-19 | 2013-11-27 | 国家电网公司 | 基于电力机器人的双目视觉导航系统及方法 |
| CN108243623A (zh) * | 2016-09-28 | 2018-07-03 | 驭势科技（北京）有限公司 | 基于双目立体视觉的汽车防碰撞预警方法和系统 |
| CN107909009A (zh) * | 2017-10-27 | 2018-04-13 | 北京中科慧眼科技有限公司 | 一种基于路面学习的障碍物检测方法与装置 |
| CN108520536A (zh) * | 2018-03-27 | 2018-09-11 | 海信集团有限公司 | 一种视差图的生成方法、装置及终端 |
| WO2021098079A1 (zh) * | 2019-11-21 | 2021-05-27 | 大连理工大学 | 一种利用双目立体相机构建栅格地图的方法 |
| CN111191538A (zh) * | 2019-12-20 | 2020-05-22 | 北京中科慧眼科技有限公司 | 基于双目相机的障碍物跟踪方法、装置、系统和存储介质 |
| CN112906449A (zh) * | 2020-12-02 | 2021-06-04 | 北京中科慧眼科技有限公司 | 基于稠密视差图的路面坑洼检测方法、系统和设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于双目立体视觉的障碍物检测方法;邓博;吴斌;;信息与电脑(理论版)(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113658240A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110942449B (zh) | 一种基于激光与视觉融合的车辆检测方法 | |
| CN108647646B (zh) | 基于低线束雷达的低矮障碍物的优化检测方法及装置 | |
| Zhe et al. | Inter-vehicle distance estimation method based on monocular vision using 3D detection | |
| EP1394761B1 (en) | Obstacle detection device and method therefor | |
| Gandhi et al. | Vehicle surround capture: Survey of techniques and a novel omni-video-based approach for dynamic panoramic surround maps | |
| JP4956452B2 (ja) | 車両用環境認識装置 | |
| CN110738121A (zh) | 一种前方车辆检测方法及检测系统 | |
| Labayrade et al. | In-vehicle obstacles detection and characterization by stereovision | |
| US11003920B2 (en) | Detection and planar representation of three dimensional lanes in a road scene | |
| CN108444390A (zh) | 一种无人驾驶汽车障碍物识别方法及装置 | |
| KR20160123668A (ko) | 무인자동주차 기능 지원을 위한 장애물 및 주차구획 인식 장치 및 그 방법 | |
| CN1963867A (zh) | 监视装置 | |
| CN104902261B (zh) | 用于低清晰度视频流中的路面识别的装置和方法 | |
| Nguyen et al. | A fast evolutionary algorithm for real-time vehicle detection | |
| Pantilie et al. | Real-time obstacle detection using dense stereo vision and dense optical flow | |
| CN104751119A (zh) | 基于信息融合的行人快速检测跟踪方法 | |
| CN109827516B (zh) | 一种通过车轮来测量距离的方法 | |
| CN112967283A (zh) | 基于双目摄像头的目标识别方法、系统、设备及存储介质 | |
| CN112115889B (zh) | 基于视觉的智能车运动目标检测方法 | |
| Yiruo et al. | Complex ground plane detection based on v-disparity map in off-road environment | |
| US10108866B2 (en) | Method and system for robust curb and bump detection from front or rear monocular cameras | |
| Lee et al. | Bird’s eye view localization of surrounding vehicles: Longitudinal and lateral distance estimation with partial appearance | |
| CN113658240B (zh) | 一种主要障碍物检测方法、装置与自动驾驶系统 | |
| CN107220632B (zh) | 一种基于法向特征的路面图像分割方法 | |
| CN115239822A (zh) | 分体式飞行车辆多模块间实时视觉识别定位方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |