CN113792583A - 基于可行驶区域的障碍物检测方法、系统和智能终端 - Google Patents
基于可行驶区域的障碍物检测方法、系统和智能终端 Download PDFInfo
- Publication number
- CN113792583A CN113792583A CN202110884278.XA CN202110884278A CN113792583A CN 113792583 A CN113792583 A CN 113792583A CN 202110884278 A CN202110884278 A CN 202110884278A CN 113792583 A CN113792583 A CN 113792583A
- Authority
- CN
- China
- Prior art keywords
- disparity map
- travelable region
- original
- obstacle detection
- obstacles
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于可行驶区域的障碍物检测方法、系统和智能终端，该方法包括：确定视野范围内的可行驶区域，获取视野范围内的原始视差图，并对原始视差图进行降采样，以获取降采样后的视差图；基于所述可行驶区域，提取降采样后的视差图中的障碍物。该方法基于可行驶区域并结合视差图的特征，可以有效去除天空、地面等无用信息的干扰，提高了障碍物检测的效率及准确性，从而解决了现有技术中障碍物检测准确性较差的技术问题。
Description
技术领域
本发明涉及障碍物检测技术领域，具体涉及一种基于可行驶区域的障碍物检测方法、系统和智能终端。
背景技术
随着自动驾驶技术的发展，人们对于辅助驾驶车辆安全性和舒适性的要求也日益提高。并且，随着深度学习技术的发展，基于深度学习的识别方法在无人驾驶、安防以及工业检测领域都有较多的应用。尤其是在辅助驾驶领域中，无人驾驶的障碍物感知方向时，需要识别不同障碍物的类别属性，为后期的功能策略提供基础数据依据。传统的障碍物检测算法主要依赖于双目相机所产生的视差图，但是，一般场景的视差图存在较多例如天空，地面等无用信息，给障碍物检测引入了更多的不确定性，导致障碍物检测准确性较差。
发明内容
为此，本发明实施例提供一种基于可行驶区域的障碍物检测方法、系统和智能终端，以解决现有技术中障碍物检测准确性较差的技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
一种基于可行驶区域的障碍物检测方法，所述方法包括：
确定视野范围内的可行驶区域；
获取视野范围内的原始视差图，并对原始视差图进行降采样，以获取降采样后的视差图；
基于所述可行驶区域，提取降采样后的视差图中的障碍物。
进一步地，所述确定视野范围内的可行驶区域，具体包括：
利用基于分割的深度学习方法获取所述可行驶区域。
进一步地，所述基于分割的深度学习方法获取所述可行驶区域，具体包括：
采用语义分割，通过颜色进行聚类，以分割出路面。
进一步地，所述对原始视差图进行降采样，具体包括：
原始视差图的行数不变，将原始视差图的每n列取平均值合并为1列，得到降采样后的视差图。
进一步地，所述对原始视差图进行降采样，具体包括：
图像为由720行、1280列像素组成的图像，保证行数不变，每一行方向上每10个像素点取均值赋值到一个新的图像中的对应位置，1280列的图像变为128列的图像，以得到降采样后的视差图。
进一步地，所述基于所述可行驶区域，提取降采样后的视差图中的障碍物，具体包括：
获取原始视差图的灰度直方图，所述灰度直方图的数量与降采样后的视差图的列数相同；
基于视差去除所述灰度直方图中的背景点，并提取障碍物的视差点；
将提取到的障碍物的视差点进行分类聚合，以分割不同障碍物。
进一步地，所述将提取到的障碍物的视差点进行分类聚合，以分割不同障碍物，具体包括：
从左至右遍历，两个视差点满足以下3个条件即可进行聚合：(a)视差值差异小于5％，(b)空间中的横向距离差异小于5％，(c)该点左侧和右侧的视差点满足条件(a)和(b)。
本发明还提供一种基于可行驶区域的障碍物检测系统，用于实施如上所述的方法，所述系统包括：
可行驶区域确定单元，用于确定视野范围内的可行驶区域；
视差图降采样单元，用于获取视野范围内的原始视差图，并对原始视差图进行降采样，以获取降采样后的视差图；
障碍物提取单元，用于基于所述可行驶区域，提取降采样后的视差图中的障碍物。
本发明还提供一种智能终端，所述智能终端包括：数据采集装置、处理器和存储器；
所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如上所述的方法。
本发明还提供一种计算机可读存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如上所述的方法。
本发明所提供的基于可行驶区域的障碍物检测方法，通过确定视野范围内的可行驶区域，获取视野范围内的原始视差图，并对原始视差图进行降采样，以获取降采样后的视差图；基于所述可行驶区域，提取降采样后的视差图中的障碍物。该方法基于可行驶区域并结合视差图的特征，可以有效去除天空、地面等无用信息的干扰，提高了障碍物检测的效率及准确性，从而解决了现有技术中障碍物检测准确性较差的技术问题。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明所提供的基于可行驶区域的障碍物检测方法一种具体实施方式的流程图；
图2为本发明所提供的基于可行驶区域的障碍物检测系统一种具体实施方式的结构框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在一种具体实施方式中，如图1所示，本发明所提供的基于可行驶区域的障碍物检测方法包括以下步骤：
S1：确定视野范围内的可行驶区域。
可行驶区域是指视野内没有任何障碍物的可自由行驶的区域，大部分场景下为待检测障碍物与路面的交汇边缘。其中，获取可行驶区域的方法有很多，例如基于颜色、纹理或边缘的机器学习方法；利用道路模型的分割方法；通过支持向量积的学习方法；深度学习方法等。
其中，基于颜色的机器学习方法对于结构化的沥青路面提取效果较好，这种路面颜色集中均匀，对于图像常用的RGB颜色空间，提取这些颜色特征相对简单。通过手动标注数据集，来学习路面和非路面的不同特征。基于纹理的方法提取纹理最常用的方法是Gabor滤波器，Gabor特征对于边缘比较敏感，可提取出边缘方向，受光照影响小。基于边缘的方法对于有明显道路边缘分界的路面检测效果较好，提取这些道路的边缘分界就可以分割出道路路面。常用的检测算子有sobel、prewitt、canny等边缘检测算子。道路模型的分割方法出发点是，沿着车辆前进方向，道路的方向和区域在变换中存在着一些不发生变化的大轮廓特征，这些大轮廓主要是道路的走向，分为直行和转弯。利用这个基本思想，可以提前设定一些基本的道路模型，在提取一定的道路特征基础上，使用已有的道路模型去匹配，在提取基本特征的基础上获得准确度较高的道路路面模型。基于支持向量积(SVM)的学习方法，主要策略是标注一幅图中的路面区域和非路面区域，通过SVM的学习，得到路面区域的检测分类器，加载分类器检测出可行驶区域的路面。
优选地，利用基于分割的深度学习方法获取所述可行驶区域。深度学习的基本原理是通过颜色进行聚类，分割出路面行人等。较为有效的方法是语义分割。具体地，本专利采用语义分割，通过颜色进行聚类，以分割出路面。使用PSPNet网络，核心模块是金字塔池化模块，它能够聚合不同区域的上下文信息，从而提高获取全局信息的能力。
S2：获取视野范围内的原始视差图，并对原始视差图进行降采样，以获取降采样后的视差图。
在实际算法中，获取效果较为理想的可行驶区域后，需要对原始视差图进行列方向的降采样。原始视差图的行数不变，将原始视差图的每n列取平均值合并为1列，得到降采样后的视差图。也就是说，视差图行数不变，将视差图的每n列取平均值合并为1列，其中n的取值越大，后续处理的效率越高，但是丢失的信息越多，因此需要根据实际的采样需求确定n的取值，n为大于1的正整数。
例如，图像的像素个数为1280*720，即由720行、1280列像素组成的图像，保证行数不变，每一行方向上每10个像素点取均值赋值到一个新的图像中的对应位置，这样1280列的图像变为128列的图像，得到降采样后的视差图。
S3：基于所述可行驶区域，提取降采样后的视差图中的障碍物。
具体地，所述基于所述可行驶区域，提取降采样后的视差图中的障碍物，具体包括：
S31：获取原始视差图的灰度直方图，所述灰度直方图的数量与降采样后的视差图的列数相同；
S32：基于视差去除所述灰度直方图中的背景点，并提取障碍物的视差点；
S33：将提取到的障碍物的视差点进行分类聚合，以分割不同障碍物。
进一步地，所述将提取到的障碍物的视差点进行分类聚合，以分割不同障碍物，具体包括：
从左至右遍历，两个视差点满足以下3个条件即可进行聚合：(a)视差值差异小于5％，(b)空间中的横向距离差异小于5％，(c)该点左侧和右侧的视差点满足条件(a)和(b)。
也就是说，得到较为理想的可行驶区域和降采样的视差图后，就可以进行后续的障碍物提取。
以可行驶区域作为起始点，可有效去除路面点，向上遍历降采样后的视差图，记录相同视差值的位置以及数量，获得灰度直方图。灰度直方图数量m与降采样视差图的列数相同。根据障碍物的两个特征：a)视差值较大，即距离相机较近，b)相同视差值数量较多。可有效去除每个灰度直方图的背景点，并提取到障碍物的视差点。根据同一障碍物上视差值接近的特征，将上一步获取到的视差点进行分类聚合，可分割开不同的障碍物，即实现障碍物的检测。
在上述具体实施方式中，本发明所提供的基于可行驶区域的障碍物检测方法，通过确定视野范围内的可行驶区域，获取视野范围内的原始视差图，并对原始视差图进行降采样，以获取降采样后的视差图；基于所述可行驶区域，提取降采样后的视差图中的障碍物。该方法基于可行驶区域并结合视差图的特征，可以有效去除天空、地面等无用信息的干扰，提高了障碍物检测的效率及准确性，从而解决了现有技术中障碍物检测准确性较差的技术问题。
除了上述方法，本发明还提供一种基于可行驶区域的障碍物检测系统，用于实施如上所述的方法，在一种具体实施方式中，如图2所示，所述系统包括：
可行驶区域确定单元100，用于确定视野范围内的可行驶区域；
视差图降采样单元200，用于获取视野范围内的原始视差图，并对原始视差图进行降采样，以获取降采样后的视差图；
障碍物提取单元300，用于基于所述可行驶区域，提取降采样后的视差图中的障碍物。
在上述具体实施方式中，本发明所提供的基于可行驶区域的障碍物检测系统，通过确定视野范围内的可行驶区域，获取视野范围内的原始视差图，并对原始视差图进行降采样，以获取降采样后的视差图；基于所述可行驶区域，提取降采样后的视差图中的障碍物。该方法基于可行驶区域并结合视差图的特征，可以有效去除天空、地面等无用信息的干扰，提高了障碍物检测的效率及准确性，从而解决了现有技术中障碍物检测准确性较差的技术问题。
本发明还提供一种智能终端，所述智能终端包括：数据采集装置、处理器和存储器；
所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如上所述的方法。
与上述实施例相对应的，本发明实施例还提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令。其中，所述一个或多个程序指令用于被一种双目相机深度标定系统执行如上所述的方法。
在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific工ntegrated Circuit，简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (10)
1.一种基于可行驶区域的障碍物检测方法，其特征在于，所述方法包括：
确定视野范围内的可行驶区域；
获取视野范围内的原始视差图，并对原始视差图进行降采样，以获取降采样后的视差图；
基于所述可行驶区域，提取降采样后的视差图中的障碍物。
2.根据权利要求1所述的障碍物检测方法，其特征在于，所述确定视野范围内的可行驶区域，具体包括：
利用基于分割的深度学习方法获取所述可行驶区域。
3.根据权利要求2所述的障碍物检测方法，其特征在于，所述基于分割的深度学习方法获取所述可行驶区域，具体包括：
采用语义分割，通过颜色进行聚类，以分割出路面。
4.根据权利要求1所述的障碍物检测方法，其特征在于，所述对原始视差图进行降采样，具体包括：
原始视差图的行数不变，将原始视差图的每n列取平均值合并为1列。
5.根据权利要求4所述的障碍物检测方法，其特征在于，所述对原始视差图进行降采样，具体包括：
图像为由720行、1280列像素组成的图像，保证行数不变，每一行方向上每10个像素点取均值赋值到一个新的图像中的对应位置，1280列的图像变为128列的图像，以得到降采样后的视差图。
6.根据权利要求1所述的障碍物检测方法，其特征在于，所述基于所述可行驶区域，提取降采样后的视差图中的障碍物，具体包括：
获取原始视差图的灰度直方图，所述灰度直方图的数量与降采样后的视差图的列数相同；
基于视差去除所述灰度直方图中的背景点，并提取障碍物的视差点；
将提取到的障碍物的视差点进行分类聚合，以分割不同障碍物。
7.根据权利要求6所述的障碍物检测方法，其特征在于，所述将提取到的障碍物的视差点进行分类聚合，以分割不同障碍物，具体包括：
从左至右遍历，两个视差点满足以下3个条件即可进行聚合：(a)视差值差异小于5％，(b)空间中的横向距离差异小于5％，(c)该点左侧和右侧的视差点满足条件(a)和(b)。
8.一种基于可行驶区域的障碍物检测系统，用于实施如权利要求1-7任一项所述的方法，其特征在于，所述系统包括：
可行驶区域确定单元，用于确定视野范围内的可行驶区域；
视差图降采样单元，用于获取视野范围内的原始视差图，并对原始视差图进行降采样，以获取降采样后的视差图；
障碍物提取单元，用于基于所述可行驶区域，提取降采样后的视差图中的障碍物。
9.一种智能终端，其特征在于，所述智能终端包括：数据采集装置、处理器和存储器；
所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110884278.XA CN113792583A (zh) | 2021-08-03 | 2021-08-03 | 基于可行驶区域的障碍物检测方法、系统和智能终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110884278.XA CN113792583A (zh) | 2021-08-03 | 2021-08-03 | 基于可行驶区域的障碍物检测方法、系统和智能终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113792583A true CN113792583A (zh) | 2021-12-14 |
Family
ID=79181328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110884278.XA Pending CN113792583A (zh) | 2021-08-03 | 2021-08-03 | 基于可行驶区域的障碍物检测方法、系统和智能终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113792583A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023179027A1 (zh) * | 2022-03-24 | 2023-09-28 | 商汤集团有限公司 | 一种道路障碍物检测方法、装置、设备及存储介质 |
| CN117152133A (zh) * | 2023-10-30 | 2023-12-01 | 北京中科慧眼科技有限公司 | 基于双目立体视觉的非纹理遮挡检测方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105517677A (zh) * | 2015-05-06 | 2016-04-20 | 北京大学深圳研究生院 | 深度图/视差图的后处理方法和装置 |
| CN108648219A (zh) * | 2018-04-08 | 2018-10-12 | 浙江大承机器人科技有限公司 | 一种基于双目的障碍物与可行区域检测方法 |
| CN110969071A (zh) * | 2019-06-13 | 2020-04-07 | 北京中科慧眼科技有限公司 | 一种基于可行驶区域的障碍物检测方法、装置及系统 |
| CN111899170A (zh) * | 2020-07-08 | 2020-11-06 | 北京三快在线科技有限公司 | 障碍物检测方法、装置、无人机和存储介质 |
| WO2020258703A1 (zh) * | 2019-06-27 | 2020-12-30 | 商汤集团有限公司 | 障碍物检测方法、智能驾驶控制方法、装置、介质及设备 |
-
2021
- 2021-08-03 CN CN202110884278.XA patent/CN113792583A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105517677A (zh) * | 2015-05-06 | 2016-04-20 | 北京大学深圳研究生院 | 深度图/视差图的后处理方法和装置 |
| CN108648219A (zh) * | 2018-04-08 | 2018-10-12 | 浙江大承机器人科技有限公司 | 一种基于双目的障碍物与可行区域检测方法 |
| CN110969071A (zh) * | 2019-06-13 | 2020-04-07 | 北京中科慧眼科技有限公司 | 一种基于可行驶区域的障碍物检测方法、装置及系统 |
| WO2020258703A1 (zh) * | 2019-06-27 | 2020-12-30 | 商汤集团有限公司 | 障碍物检测方法、智能驾驶控制方法、装置、介质及设备 |
| CN111899170A (zh) * | 2020-07-08 | 2020-11-06 | 北京三快在线科技有限公司 | 障碍物检测方法、装置、无人机和存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023179027A1 (zh) * | 2022-03-24 | 2023-09-28 | 商汤集团有限公司 | 一种道路障碍物检测方法、装置、设备及存储介质 |
| CN117152133A (zh) * | 2023-10-30 | 2023-12-01 | 北京中科慧眼科技有限公司 | 基于双目立体视觉的非纹理遮挡检测方法和装置 |
| CN117152133B (zh) * | 2023-10-30 | 2024-03-19 | 北京中科慧眼科技有限公司 | 基于双目立体视觉的非纹理遮挡检测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108280450B (zh) | 一种基于车道线的高速公路路面检测方法 | |
| Son et al. | Real-time illumination invariant lane detection for lane departure warning system | |
| CN107330376B (zh) | 一种车道线识别方法及系统 | |
| WO2022126377A1 (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
| Yan et al. | A method of lane edge detection based on Canny algorithm | |
| CN108629292B (zh) | 弯曲车道线检测方法、装置及终端 | |
| CN104700072B (zh) | 基于车道线历史帧的识别方法 | |
| CN106778551B (zh) | 一种高速路段及城市道路车道线识别方法 | |
| Ying et al. | Robust lane marking detection using boundary-based inverse perspective mapping | |
| CN113792583A (zh) | 基于可行驶区域的障碍物检测方法、系统和智能终端 | |
| WO2021013227A1 (zh) | 用于目标检测的图像处理方法及装置 | |
| KR20110001427A (ko) | 관심영역 추출에 의한 차선 고속검출 방법 | |
| CN111027535A (zh) | 一种车牌识别方法及相关设备 | |
| CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
| Li et al. | A robust lane detection method based on hyperbolic model | |
| CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
| Chan et al. | Lane mark and drivable area detection using a novel instance segmentation scheme | |
| Hou et al. | An efficient lane markings detection and tracking method based on vanishing point constraints | |
| CN108389177B (zh) | 一种车辆保险杠破损检测方法及交通安全预警方法 | |
| CN112699711A (zh) | 车道线检测方法、装置、存储介质及电子设备 | |
| CN108460348A (zh) | 基于三维模型的道路目标检测方法 | |
| CN114972470B (zh) | 基于双目视觉的路面环境获取方法和系统 | |
| Zarbakht et al. | Lane detection under adverse conditions based on dual color space | |
| US10810757B2 (en) | Vehicle exterior environment recognition apparatus | |
| CN114898306B (zh) | 一种检测目标朝向的方法、装置及电子设备 |
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 |