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 | |
EP3418943B1 (en) | Object detecting apparatus, object detecting method, and computer-readable medium | |
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 | |
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 | |
CN108444390A (zh) | 一种无人驾驶汽车障碍物识别方法及装置 | |
CN112037159B (zh) | 一种跨相机道路空间融合及车辆目标检测跟踪方法及系统 | |
CN104902261B (zh) | 用于低清晰度视频流中的路面识别的装置和方法 | |
CN112115889B (zh) | 基于视觉的智能车运动目标检测方法 | |
KR20160123668A (ko) | 무인자동주차 기능 지원을 위한 장애물 및 주차구획 인식 장치 및 그 방법 | |
CN1963867A (zh) | 监视装置 | |
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 | |
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 | |
US10108866B2 (en) | Method and system for robust curb and bump detection from front or rear monocular cameras | |
CN109827516B (zh) | 一种通过车轮来测量距离的方法 | |
Yiruo et al. | Complex ground plane detection based on v-disparity map in off-road environment | |
CN114120283A (zh) | 一种道路场景三维语义分割中未知障碍物的判别方法 | |
Lee et al. | Bird’s eye view localization of surrounding vehicles: Longitudinal and lateral distance estimation with partial appearance | |
CN107220632B (zh) | 一种基于法向特征的路面图像分割方法 | |
CN113658240B (zh) | 一种主要障碍物检测方法、装置与自动驾驶系统 | |
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 |