CN113822260A - 基于深度图像的障碍物检测方法及装置、电子设备、介质 - Google Patents
基于深度图像的障碍物检测方法及装置、电子设备、介质 Download PDFInfo
- Publication number
- CN113822260A CN113822260A CN202111406788.2A CN202111406788A CN113822260A CN 113822260 A CN113822260 A CN 113822260A CN 202111406788 A CN202111406788 A CN 202111406788A CN 113822260 A CN113822260 A CN 113822260A
- Authority
- CN
- China
- Prior art keywords
- ground
- depth map
- pixel
- pixel set
- depth
- 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
- 238000001514 detection method Methods 0.000 title claims description 18
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012800 visualization Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度图像的障碍物检测方法及装置、电子设备、介质，该方法包括：获取深度相机采集得到的深度图；利用所述深度相机的内参和外参，计算所述深度图中地面附近每个像素的法向量角度和距离地面的高度，之后进行统计，得到统计结果权重最高的像素集合；把所述权重最高的像素集合及该像素集合相邻的像素集合当做种子进行区域增长，得到地面像素集合；对所述地面像素集合进行拟合，得到理论地面；从所述深度图中去除所述理论地面上的在第二阈值范围内的像素，得到去除地面深度图；根据外参和深度相机内参，从所述去除地面深度图中计算得到障碍物信息。主要应用于自主移动机器人避障、自动驾驶避障和深度图像障碍物提取识别等领域。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种基于深度图像的障碍物检测方法及装置、电子设备、介质。
背景技术
在自动驾驶、自主移动机器人行驶时，有效的障碍物检测能够使得自动驾驶车辆和自主移动机器人进行安全可靠地行走、避开障碍物和顺利地完成任务。
在实现本发明的过程中，发明人发现现有技术中至少存在如下问题：
如激光雷达和深度相机，把检测到的深度信息转成点云信息进行障碍物检测和物体识别，点云形式属于无序化的数据格式，处理数据需要较为强大的算力平台，对一些嵌入式平台不太友好。其他一些单点的激光或者红外检测传感器数据信息比较少不能有效地检测到障碍物。
发明内容
本申请实施例的目的是提供一种基于深度图像的障碍物检测方法及装置、电子设备、介质，以解决相关技术处理数据需要较为强大的算力平台及不能有效检测障碍物的问题。
根据本申请实施例的第一方面，提供一种基于深度图像的障碍物检测方法，包括：
获取深度相机采集得到的深度图；
利用所述深度相机的内参和外参，计算所述深度图中地面附近每个像素的法向量角度和距离地面的高度；
对所述地面附近每个像素的法向量角度和距离地面的高度进行统计，得到统计结果权重最高的像素集合；
把所述权重最高的像素集合及该像素集合相邻的像素集合当做种子进行区域增长，得到地面像素集合；
对所述地面像素集合进行拟合，得到理论地面；
从所述深度图中去除所述理论地面上的在第二阈值范围内的像素，得到去除地面深度图；
根据外参和深度相机内参，从所述去除地面深度图中计算得到障碍物信息。
进一步地，利用所述深度相机的内参和外参，计算所述深度图中地面附近每个像素的法向量角度和距离地面的高度，包括：
利用所述深度相机的内参和外参，计算所述深度图中的每个像素的法向量角度和距离地面的高度；
根据设定的第一阈值，选取第一阈值范围内的像素的法向量角度和距离地面的高度作为地面附近每个像素的法向量角度和距离地面的高度。
进一步地，利用所述深度相机的内参和外参，计算所述深度图中的每个像素的法向量角度和距离地面的高度；
通过外参和相机内参计算所述深度图中每个像素的世界坐标；
根据所述世界坐标，计算每个像素的法向量角度；
根据所述世界坐标，结合世界坐标系中的地平面位置，计算每个像素距离地面的高度。
进一步地，把所述权重最高的像素集合及该像素集合相邻的像素集合当做种子进行区域增长，得到地面像素集合，包括：
把所述权重最高的像素集合及该像素集合相邻的像素集合当做种子进行欧式距离和法向量的区域增长，得到地面像素集合。
进一步地，根据外参和深度相机内参，从所述去除地面深度图中计算得到障碍物信息，包括：
对所述去除地面深度图通过外参和深度相机内参计算感兴趣空间区域；
从所述感兴趣空间区域中去除行驶路径之外范围的数据，得到障碍物信息。
进一步地，在获取深度相机采集得到的深度图之后还包括：对所述深度图进行滤波，之后进行降采样处理或分区处理。
进一步地，在从所述深度图中去除所述理论地面上的在第二阈值范围内的像素，得到去除地面深度图之后，还包括：
对所述去除地面深度图进行滤波，滤除地面附近的噪声数据。
根据本申请实施例的第二方面，提供一种基于深度图像的障碍物检测装置，包括：
获取模块，用于获取深度相机采集得到的深度图；
第一计算模块，用于利用所述深度相机的内参和外参，计算所述深度图中地面附近每个像素的法向量角度和距离地面的高度；
统计模块，用于对所述地面附近每个像素的法向量角度和距离地面的高度进行统计，得到统计结果权重最高的像素集合；
区域增长模块，用于把所述权重最高的像素集合及该像素集合相邻的像素集合当做种子进行区域增长，得到地面像素集合；
拟合模块，用于对所述地面像素集合进行拟合，得到理论地面；
去除模块，用于从所述深度图中去除所述理论地面上的在第二阈值范围内的像素，得到去除地面深度图；
第二计算模块，用于根据外参和深度相机内参，从所述去除地面深度图中计算得到障碍物信息。
根据本申请实施例的第三方面，提供一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如第一方面所述方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
由上述实施例可知，本申请实施例通过在有序的深度图上进行，减少了结构化点云数据处理，降低了计算复杂度，节省计算平台算力，提高输出帧率；采用统计和区域增长方法，可以搜索到更准确的地面数据，减少噪声或原始数据存在小区域异常引起的地面拟合失败概率；对所述地面像素集合进行拟合，得到理论地面，可以很好的适应有坡度和有凹陷的地面，准确提取地面，克服地面拟合不完整，有效解决地面去除、障碍物识别和分割等问题。本发明实施例提供的方法利用已知的外参数据，快速去除地面和识别障碍物，有效地减低算法对算力的需求，对运算平台算力要求低，对不同场景地面适应性强，快速、完整地提取障碍物，有效地使得自主移动机器人和自动驾驶车辆安全可靠地避开障碍物。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种基于深度图像的障碍物检测方法的流程图。
图2是根据一示例性实施例示出的步骤S12的流程图。
图3是根据一示例性实施例示出的步骤S121的流程图。
图4是根据一示例性实施例示出的步骤S17的流程图。
图5是根据一示例性实施例示出的一种基于深度图像的障碍物检测装置框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图1是根据一示例性实施例示出的一种基于深度图像的障碍物检测方法的流程图，如图1所示，该方法可以包括以下步骤：
步骤S11，获取深度相机采集得到的深度图；
步骤S12，利用所述深度相机的内参和外参，计算所述深度图中地面附近每个像素的法向量角度和距离地面的高度；
步骤S13，对所述地面附近每个像素的法向量角度和距离地面的高度进行统计，得到统计结果权重最高的像素集合；
步骤S14，把所述权重最高的像素集合及该像素集合相邻的像素集合当做种子进行区域增长，得到地面像素集合；
步骤S15，对所述地面像素集合进行拟合，得到理论地面；
步骤S16，从所述深度图中去除所述理论地面上的在第二阈值范围内的像素，得到去除地面深度图；
步骤S17，根据外参和深度相机内参，从所述去除地面深度图中计算得到障碍物信息。
由上述实施例可知，本申请实施例通过在有序的深度图上进行，减少了结构化点云数据处理，降低了计算复杂度，节省计算平台算力，提高输出帧率；采用统计和区域增长方法，可以搜索到更准确的地面数据，减少噪声或原始数据存在小区域异常引起的地面拟合失败概率；对所述地面像素集合进行拟合，得到理论地面，可以很好的适应有坡度和有凹陷的地面，准确提取地面，克服地面拟合不完整。有效解决地面去除、障碍物识别和分割等问题。本发明实施例提供的方法利用已知的外参数据，快速去除地面和识别障碍物，有效地减低算法对算力的需求，对运算平台算力要求低，对不同场景地面适应性强，快速、完整地提取障碍物，有效地使得自主移动机器人和自动驾驶车辆安全可靠地避开障碍物。本发明实施例提供的方法主要应用于自主移动机器人避障、自动驾驶避障和深度图像障碍物提取识别等领域。
在步骤S11的具体实施中，获取深度相机采集得到的深度图；
具体地，获取深度相机的深度图，在实际的应用中，深度相机可以搭载在车辆上或AGV或机器人等设备上。
在一实施例中，在获取深度相机采集得到的深度图之后还包括：对所述深度图进行滤波，之后进行降采样处理或分区处理，这里的分区处理可以使用超像素进行图像分区处理，通过以上处理，可以减少处理数据量，增加处理速度，同时保证数据完整性。
在步骤S12的具体实施中，利用所述深度相机的内参和外参，计算所述深度图中地面附近每个像素的法向量角度和距离地面的高度；如图2所示，该步骤可以包括以下子步骤：
步骤S121，利用所述深度相机的内参和外参，计算所述深度图中的每个像素的法向量角度和距离地面的高度；如图3所示，该步骤可进一步包括以下子步骤：
步骤S1211，通过外参和相机内参计算所述深度图中每个像素的世界坐标；
具体地，所述的深度图是像素坐标中像素对应的深度值，根据相机成像原理，通过相机内参计算出每个像素的相机坐标，相机坐标再通过相机安装具体位置得到的外参计算出实际对应的世界坐标，世界坐标处于世界坐标系下。
此处的世界坐标系为安装相机的设备或装置的坐标系，比如AGV、机器人等设备，默认其坐标系为前进方向为X轴，向上为Z轴；X和Y 轴所组成的平面即为地平面。计算出像素的世界坐标，在世界坐标中处理深度数据，有利于统计像素和地面之间的关系，方便计算、更加直观。
步骤S1212，根据所述世界坐标，计算每个像素的法向量角度；
具体地，通过像素和像素邻近区域使用向量相乘计算法向量，也可以使用一定范围的邻域通过PCA算法计算该像素对应的法向量；该像素的法向量和世界坐标下地面的法向量进行内积运算并归一化得到该像素法向量和地面法向量的夹角，通过内积运算得到的法向量速度更快。
步骤S1213，根据所述世界坐标，结合世界坐标系中的地平面位置，计算每个像素距离地面的高度。
具体地，因为默认世界坐标系的X轴和Y轴所组成的平面即为地面，像素的世界坐标的Z轴坐标即为距离地面的高度。
步骤S122，根据设定的第一阈值，选取第一阈值范围内的像素的法向量角度和距离地面的高度作为地面附近每个像素的法向量角度和距离地面的高度。
具体地，设置世界坐标角度阈值10°（可以根据实际情况选择），地平面上下5cm（可以根据实际情况选择）的阈值，选取阈值范围内的像素集合。
在步骤S13的具体实施中，对所述地面附近每个像素的法向量角度和距离地面的高度进行统计，得到统计结果权重最高的像素集合；
具体地，以法向量角度为x轴，以距离地面的高度为y轴，统计排列每个像素在二元直方图中的权重，得到统计结果权重最高的像素集合。
在步骤S14的具体实施中，把所述权重最高的像素集合及该像素集合相邻的像素集合当做种子进行区域增长，得到地面像素集合；
具体地，把二元直方图中权重最高的像素集合和其在二元直方图中相邻的像素集合当作种子，做基于法向量角度和距离地面高度的进行法向量和欧式距离的区域增长，增长的结果即为提取到的地面像素集合。
在步骤S15的具体实施中，对所述地面像素集合进行拟合，得到理论地面；
具体地，可以使用最小二乘法、二次多项式法对地面像素集合进行曲面拟合，得到理论地面。
在步骤S16的具体实施中，从所述深度图中去除所述理论地面上的在第二阈值范围内的像素，得到去除地面深度图；
具体地，设定第二阈值范围，选取理论地面上第二阈值范围内的像素，将这些像素从深度图中去除，得到去除地面深度图。
在一实施例中，在从所述深度图中去除所述理论地面上的在第二阈值范围内的像素，得到去除地面深度图之后，还包括：对所述去除地面深度图进行滤波，滤除地面附近的噪声数据，可采用半径滤波去除噪声。
在步骤S17的具体实施中，根据外参和深度相机内参，从所述去除地面深度图中计算得到障碍物信息。如图4所示，该步骤可包括以下子步骤：
步骤S171，对所述去除地面深度图通过外参和深度相机内参计算感兴趣空间区域；
具体地，在去除地面像素之后，得到的障碍物信息不一定是需要的信息，当相机的FOV远大于行驶路径时，需要更加关注路径上的障碍物信息。在空间上选择感兴趣的区域，比如只检测行驶路径宽度和设备高度的空间内的障碍物，有利于减少数据量，减少误检测概率。
步骤S172，从所述感兴趣空间区域中去除行驶路径之外范围的数据，得到障碍物信息。
具体地，从前面的感兴趣空间区域中去除行驶路径之外范围的数据，就能得到需要的障碍物信息。
与前述的基于深度图像的障碍物检测方法的实施例相对应，本申请还提供了基于深度图像的障碍物检测装置的实施例。
图5是根据一示例性实施例示出的一种基于深度图像的障碍物检测装置框图。参照图5，该装置包括：
获取模块11，用于获取深度相机采集得到的深度图；
第一计算模块12，用于利用所述深度相机的内参，计算所述深度图中地面附近每个像素的法向量角度和距离地面的高度；
统计模块13，用于对所述地面附近每个像素的法向量角度和距离地面的高度进行统计，得到统计结果权重最高的像素集合；
区域增长模块14，用于把所述权重最高的像素集合及该像素集合相邻的像素集合当做种子进行区域增长，得到地面像素集合；
拟合模块15，用于对所述地面像素集合进行拟合，得到理论地面；
去除模块16，用于从所述深度图中去除所述理论地面上的在第二阈值范围内的像素，得到去除地面深度图；
第二计算模块17，用于根据外参和深度相机内参，从所述去除地面深度图中计算得到障碍物信息。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的基于深度图像的障碍物检测方法。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如上述的基于深度图像的障碍物检测方法。
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于深度图像的障碍物检测方法，其特征在于，包括：
获取深度相机采集得到的深度图；
利用所述深度相机的内参和外参，计算所述深度图中地面附近每个像素的法向量角度和距离地面的高度；
对所述地面附近每个像素的法向量角度和距离地面的高度进行统计，得到统计结果权重最高的像素集合；
把所述权重最高的像素集合及该像素集合相邻的像素集合当做种子进行区域增长，得到地面像素集合；
对所述地面像素集合进行拟合，得到理论地面；
从所述深度图中去除所述理论地面上的在第二阈值范围内的像素，得到去除地面深度图；
根据外参和深度相机内参，从所述去除地面深度图中计算得到障碍物信息。
2.根据权利要求1所述的方法，其特征在于，利用所述深度相机的内参和外参，计算所述深度图中地面附近每个像素的法向量角度和距离地面的高度，包括：
利用所述深度相机的内参和外参，计算所述深度图中的每个像素的法向量角度和距离地面的高度；
根据设定的第一阈值，选取第一阈值范围内的像素的法向量角度和距离地面的高度作为地面附近每个像素的法向量角度和距离地面的高度。
3.根据权利要求2所述的方法，其特征在于，利用所述深度相机的内参和外参，计算所述深度图中的每个像素的法向量角度和距离地面的高度；
通过外参和相机内参计算所述深度图中每个像素的世界坐标；
根据所述世界坐标，计算每个像素的法向量角度；
根据所述世界坐标，结合世界坐标系中的地平面位置，计算每个像素距离地面的高度。
4.根据权利要求1所述的方法，其特征在于，把所述权重最高的像素集合及该像素集合相邻的像素集合当做种子进行区域增长，得到地面像素集合，包括：
把所述权重最高的像素集合及该像素集合相邻的像素集合当做种子进行欧式距离和法向量的区域增长，得到地面像素集合。
5.根据权利要求1所述的方法，其特征在于，根据外参和深度相机内参，从所述去除地面深度图中计算得到障碍物信息，包括：
对所述去除地面深度图通过外参和深度相机内参计算感兴趣空间区域；
从所述感兴趣空间区域中去除行驶路径之外范围的数据，得到障碍物信息。
6.根据权利要求1所述的方法，其特征在于，在获取深度相机采集得到的深度图之后还包括：对所述深度图进行滤波，之后进行降采样处理或分区处理。
7.根据权利要求1所述的方法，其特征在于，在从所述深度图中去除所述理论地面上的在第二阈值范围内的像素，得到去除地面深度图之后，还包括：
对所述去除地面深度图进行滤波，滤除地面附近的噪声数据。
8.一种基于深度图像的障碍物检测装置，其特征在于，包括：
获取模块，用于获取深度相机采集得到的深度图；
第一计算模块，用于利用所述深度相机的内参和外参，计算所述深度图中地面附近每个像素的法向量角度和距离地面的高度；
统计模块，用于对所述地面附近每个像素的法向量角度和距离地面的高度进行统计，得到统计结果权重最高的像素集合；
区域增长模块，用于把所述权重最高的像素集合及该像素集合相邻的像素集合当做种子进行区域增长，得到地面像素集合；
拟合模块，用于对所述地面像素集合进行拟合，得到理论地面；
去除模块，用于从所述深度图中去除所述理论地面上的在第二阈值范围内的像素，得到去除地面深度图；
第二计算模块，用于根据外参和深度相机内参，从所述去除地面深度图中计算得到障碍物信息。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111406788.2A CN113822260B (zh) | 2021-11-24 | 2021-11-24 | 基于深度图像的障碍物检测方法及装置、电子设备、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111406788.2A CN113822260B (zh) | 2021-11-24 | 2021-11-24 | 基于深度图像的障碍物检测方法及装置、电子设备、介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113822260A true CN113822260A (zh) | 2021-12-21 |
| CN113822260B CN113822260B (zh) | 2022-03-22 |
Family
ID=78918201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111406788.2A Active CN113822260B (zh) | 2021-11-24 | 2021-11-24 | 基于深度图像的障碍物检测方法及装置、电子设备、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113822260B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114782447A (zh) * | 2022-06-22 | 2022-07-22 | 小米汽车科技有限公司 | 路面检测方法、装置、车辆、存储介质及芯片 |
| EP4242986A1 (en) * | 2022-03-10 | 2023-09-13 | Tata Consultancy Services Limited | Method and system to detect and estimate dynamic obstacles using rgbd sensors for robot navigation |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013092820A (ja) * | 2011-10-24 | 2013-05-16 | Toshiba Alpine Automotive Technology Corp | 距離推定装置 |
| CN106937910A (zh) * | 2017-03-20 | 2017-07-11 | 杭州视氪科技有限公司 | 一种障碍物和坡道检测系统及方法 |
| CN109214348A (zh) * | 2018-09-19 | 2019-01-15 | 北京极智嘉科技有限公司 | 一种障碍物检测方法、装置、设备及存储介质 |
| CN112800890A (zh) * | 2021-01-18 | 2021-05-14 | 上海大学 | 一种基于表面法向量的道路障碍检测方法 |
-
2021
- 2021-11-24 CN CN202111406788.2A patent/CN113822260B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013092820A (ja) * | 2011-10-24 | 2013-05-16 | Toshiba Alpine Automotive Technology Corp | 距離推定装置 |
| CN106937910A (zh) * | 2017-03-20 | 2017-07-11 | 杭州视氪科技有限公司 | 一种障碍物和坡道检测系统及方法 |
| CN109214348A (zh) * | 2018-09-19 | 2019-01-15 | 北京极智嘉科技有限公司 | 一种障碍物检测方法、装置、设备及存储介质 |
| CN112800890A (zh) * | 2021-01-18 | 2021-05-14 | 上海大学 | 一种基于表面法向量的道路障碍检测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4242986A1 (en) * | 2022-03-10 | 2023-09-13 | Tata Consultancy Services Limited | Method and system to detect and estimate dynamic obstacles using rgbd sensors for robot navigation |
| CN114782447A (zh) * | 2022-06-22 | 2022-07-22 | 小米汽车科技有限公司 | 路面检测方法、装置、车辆、存储介质及芯片 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113822260B (zh) | 2022-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10970871B2 (en) | Estimating two-dimensional object bounding box information based on bird's-eye view point cloud | |
| US9846812B2 (en) | Image recognition system for a vehicle and corresponding method | |
| JP6095018B2 (ja) | 移動オブジェクトの検出及び追跡 | |
| EP2757524B1 (en) | Depth sensing method and system for autonomous vehicles | |
| US8498472B2 (en) | Image-based localization feature point registration apparatus, method and computer-readable medium | |
| EP1796043B1 (en) | Object detection | |
| CN113822260B (zh) | 基于深度图像的障碍物检测方法及装置、电子设备、介质 | |
| US8503730B2 (en) | System and method of extracting plane features | |
| CN115049700A (zh) | 一种目标检测方法及装置 | |
| CN107767400A (zh) | 基于层次化显著性分析的遥感图像序列动目标检测方法 | |
| CN111213153A (zh) | 目标物体运动状态检测方法、设备及存储介质 | |
| CN112598743B (zh) | 一种单目视觉图像的位姿估算方法及相关装置 | |
| CN110717445A (zh) | 一种用于自动驾驶的前车距离跟踪系统与方法 | |
| CN112528781B (zh) | 一种障碍物检测方法、装置、设备和计算机可读存储介质 | |
| CN113256731A (zh) | 基于单目视觉的目标检测方法及装置 | |
| JP4967758B2 (ja) | 物体移動の検出方法及び検出装置 | |
| US10223803B2 (en) | Method for characterising a scene by computing 3D orientation | |
| CN112733678A (zh) | 测距方法、装置、计算机设备和存储介质 | |
| CN114724119B (zh) | 车道线提取方法、检测设备及存储介质 | |
| Burlacu et al. | Stereo vision based environment analysis and perception for autonomous driving applications | |
| CN115294358A (zh) | 特征点提取方法、装置、计算机设备及可读存储介质 | |
| JP7064400B2 (ja) | 物体検知装置 | |
| Murmu et al. | Lane and obstacle detection system based on single camera-based stereo vision system | |
| CN112997187B (zh) | 基于鸟瞰图点云的二维对象边界框信息估计 | |
| CN115994934B (zh) | 数据时间对齐方法、装置以及域控制器 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20211221 Assignee: Zhejiang Meier Micro Vision Technology Co.,Ltd. Assignor: HANGZHOU LANXIN TECHNOLOGY CO.,LTD. Contract record no.: X2024980010898 Denomination of invention: Obstacle detection method and device based on depth images, electronic devices, media Granted publication date: 20220322 License type: Common License Record date: 20240730 |
|
| EE01 | Entry into force of recordation of patent licensing contract |