CN114140452A - 基于rgb-d深度相机的低矮凸起障碍物、路面坑洼检测方法 - Google Patents
基于rgb-d深度相机的低矮凸起障碍物、路面坑洼检测方法 Download PDFInfo
- Publication number
- CN114140452A CN114140452A CN202111486276.1A CN202111486276A CN114140452A CN 114140452 A CN114140452 A CN 114140452A CN 202111486276 A CN202111486276 A CN 202111486276A CN 114140452 A CN114140452 A CN 114140452A
- Authority
- CN
- China
- Prior art keywords
- plane
- point cloud
- rgb
- depth camera
- raised
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000004888 barrier function Effects 0.000 title claims description 21
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 17
- 230000003287 optical effect Effects 0.000 claims description 17
- 230000003068 static effect Effects 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008447 perception Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000009434 installation Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
- G06T3/067—Reshaping or unfolding 3D tree structures onto 2D planes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于RGB‑D深度相机的低矮凸起障碍物、路面坑洼检测方法，包括：对RGB‑D深度相机的原始点云进行预处理以得到对应的平面点云，从平面点云中提取凸起低矮障碍物点云，并将提取的凸起低矮障碍物点云投影到平面模型参数平面上，对模型参数平面上的凸起低矮障碍物点云进行降采样、凸包分割，将凸包变换到/map坐标系下并发布，对投影后的凸起低矮障碍物点云合并到地平面点云以形成新平面点云，将新平面点云变换到base_footprint下转成地平面二维栅格地图，将地平面二维栅格地图进行Fake伪坑洞滤波，边缘提取方法CV对坑洞进行提取。本发明提供一种基于RGB‑D深度相机的低矮凸起障碍物、路面坑洼检测方法，可同时检测到地面上的低矮凸起障碍物、坑洼，提高了安全性。
Description
技术领域
本发明涉及一种机器人导航中的环境感知领域。更具体地说，本发明涉及一种基于RGB-D深度相机的低矮凸起障碍物、路面坑洼检测方法。
背景技术
机器人在作业过程中，需要考虑如下安全功能：1.对于出现在周围的动、静态障碍物要具停障、避障功能；2.对于楼梯口、扶梯口等下沉场景，要具备防止跌落的功能。这些安全功能需要鲁棒性强的感知模块来支撑。目前市面上的室内清洁机器人感知模块主要由2D/3D单/多线激光雷达、RGB-D深度摄像头、超声波雷达以及防跌落传感器等完成。相比于其他传感器，RGB-D深度相机由于分辨率高和精度高等特点，其对于路面低矮凸起障碍物、坑洼等目标的检测具有较大优势。
目前的环境图像感知技术，其在分析处理过程中，无法同时检测低矮凸起障碍物、路面坑洼，检测精度低，对于地面的低矮凸起障碍物、较浅的坑洞无法检测到，这使得小型机器人在行走时无法及时避障，影响其行走的稳定性。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。
为了实现根据本发明的这些目的和其它优点，提供了一种基于RGB-D深度相机的低矮凸起障碍物、路面坑洼检测方法，其特征在于，包括：
步骤一，对RGB-D深度相机的原始点云进行预处理以得到对应的平面点云，从平面点云中提取凸起低矮障碍物点云，并将提取的凸起低矮障碍物点云投影到平面模型参数A、B、C、D的平面上；
步骤二，对模型参数A、B、C、D的平面上的凸起低矮障碍物点云进行降采样；
步骤三，对降采样后的凸起低矮障碍物点云进行凸包分割，将凸包变换到/map坐标系下并发布；
步骤四，对投影后的凸起低矮障碍物点云合并到地平面点云以形成新平面点云，将新平面点云变换到base_footprint下并转成地平面二维栅格地图；
步骤五，将地平面二维栅格地图进行Fake伪坑洞滤波，边缘提取方法CV对坑洞进行提取。
优选的是，在所述步骤一中，所述预处理被配置为包括：
S1，构建tf树；
S2,建立静态标定地平面的模型参数；
S3，对RGB-D深度相机的原始点云时间戳进行保存；
S4,对原始点云进行预处理；
S5，对预处理完的原始点云进行平面点云提取，以得到平面模型参数；
S6,通过对平面模型参数、模型参数进行比对以判断提地平面点云是否提取成功；
S7,从预处理后的原始点云中提取除地平面点云外的剩余点，通过对剩余点进行滤波处理，以得到凸起低矮障碍物点云。
优选的是，其特征在于，在S1中，构建tf树包括：设置定时器，发布静态tf变换，构建完整的tf树以方便深度相机点云查询时间戳直接变换到合适的坐标系下。
优选的是，在S2中，建立静态标定地平面的模型参数包括：
在机器人静止状态下，提取地平面点云，保存对应的地平面模型参数A_、B_、C_、D_，并计算求在静止状态相机坐标系下光心(0,0,0)到地平面的距离d_。
优选的是，在S3中，对RGB-D深度相机的原始点云时间戳进行保存方式上通过回调函数实现，通过点云在tf树中查询最近时刻的tf变换关系使时间戳对齐。
优选的是，在S4中,对原始点云进行预处理是通过滤除原始点云中的离群点得以实现；
在S5中，在对预处理完的原始点云进行平面点云提取后，保存提取的平面模型参数A、B、C、D以及平面点云，并计算相机坐标系下光心(0,0,0)到提取到的地平面的距离d。
优选的是，在S6中，所述比对、判断方式为：
在提取到的平面点云法向量与静态标定地平面点云法向量夹角小于设定的第一阈值时，且两个平面到光心的距离d_、d做差的绝对值小于设定的第二阈值时，则认为地平面提取成功，否则重新提取平面直到满足要求。
优选的是，在S7中，对剩余点进行滤波处理时，保留和光心(0,0,0)在平面同一侧的点，以以得到凸起低矮障碍物点云。
优选的是，在步骤五中，在进行伪坑洞滤波之前，将投影后的凸起障碍物点云单独变换到base_footprint下，以转换得到凸起障碍物二维栅格地图；
所述伪坑洞滤波的方法包括：
在地平面二维栅格地图上进行单连通区域搜索，以检测到得到所有可能的坑洞区域；
在凸起障碍物二维栅格地图上进行单连通区域搜索，检测到所有的凸起障碍物区域；
遍历地平面二维栅格地图上所有的单连通区域，在凸起障碍物二维栅格地图上找对应像素位置到base_footprint原点位置的连线，如果连线经过凸起障碍物区域则将地平面二维栅格地图上该位置像素值设为有点云的默认值，表示为伪坑洞，否则设为没有点云的默认值，表示为真坑洞。
优选的是，还包括通过以下公式对RGB-D深度相机安装高度H进行限定，以使前置斜向下的RGB-D深度摄像头感知范围有效覆盖近处地面区域：
其中，RGB-D深度摄像头距地高度；
β为RGB-D深度摄像头向下俯倾角度；
α为RGB-D深度摄像头纵向视场角，范围(0°,90°)；
M为RGB-D深度摄像头向下俯倾后的视角盲区；
L为RGB-D深度摄像头向下俯倾后的地面感知区域；
γ为RGB-D深度摄像头感知极限与地面的夹角
本发明至少包括以下有益效果：其一，本发明可同时检测到地面上的低矮凸起障碍物、坑洼，提高了安全性。
其二，本发明检测精度高，高度、深度大于1.5cm凸起障碍物、坑洞均可检测到，机器人可以准确避开检测到的凸起障碍物、坑洞，降低了对移动机器人的越野能力要求。
其三，本发明可在机器人静止状态下，自动标定地平面的模型参数和相机光心到地面高度参数，方便机器人作业过程中的地平面准确提取。
其四，本发明提供了RGB-D深度相机布局方案的公式，只要输入在地平面上的感知范围可直接得出RGB-D深度相机的安装高度以及俯倾角。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的一个实施例中检测流程示意图；
图2为本发明静态法向量与距离的标定示意图；
图3为本发明提取地面凸起低矮障碍物点云时地面面与光心的对应示意图；
图4为本发明静态法向量与距离的标定示意图；
图5为本发明的地平面二维栅格地图；
图6为本发明的地面凸起障碍物二维栅格地图；
图7为本发明坑洞在点去投投射时的偏移示意图；
图8为本发明RGBD深度摄像头与机器人配合的安装示意图；
图9为本发明建立TF树的流程示意图；
图10为将本发明用作路径规划时，将障碍物检测到并分割为二维地图的效果示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明的检测方法使得小型机器人能检测到地面上的低矮凸起障碍物、以及地面向下的坑洼，提高了安全性，其检测精度高，对高度、深度大于1.5cm凸起障碍物、坑洞均可检测到，使得机器人在行走时可以准确避开检测到的凸起障碍物、坑洞，降低了对移动机器人的越野能力要求。同时因传感器布局方案容易确定，关键参数容易得到，便捷性高。
本发明的具本步骤包括：
1、建立完整的tf树：设置定时器，发布/base_footprint到/camera_link的静态tf变换，构建/map到/camera_depth_optical_frame完整的tf树：/map->/odom->/base_footprint->/camera_link->/camera_depth_optical_frame。完整的tf树方便深度相机点云查询时间戳直接变换到合适的坐标系下。
2、静态标定地平面模型参数：在机器人静止状态下，提取地平面点云，保存地平面模型参数A_、B_、C_、D_，同时求此时相机坐标系下光心(0,0,0)到地平面的距离d_，如图2所示。
3、存RGBD深度相机原始点云时间戳：回调函数保存原始点云时间戳，方便点云在tf树中查询最近时刻的tf变换关系，达到时间戳对齐的目的。
4、对原始点云进行预处理：滤除原始点云中的离群点。
5、对预处理完的点云进行地平面提取：保存提取的平面模型参数A、B、C、D以及平面点云，并计算相机坐标系下光心(0,0,0)到提取到的地平面的距离d。
6、对提取到的平面点云进行判定：当提取到的平面点云的法向量与静态标定的地平面点云法向量夹角小于设定阈值，同时两个平面到光心的距离d_、d做差的绝对值小于设定阈值，则认为地平面提取成功，否则重新提取平面直到满足要求。
7、提取地面凸起低矮障碍物点云：从预处理完原始点云中提取除地平面外的剩余点，对剩余点云进行判别滤波：保留和光心a(0，0，0)在平面同一侧的点(因为光心和凸起障碍物均在地平面b上方，如图3所示)。
8、将凸起障碍物点云由三维变成二维：将凸起障碍物点云投影到模型参数A、B、C、D的地平面点云上。
9、对降维后的凸起低矮障碍物点云降采样并凸包分割：降维后的凸起低矮障碍物点云数目还是比较大，所以需要降采样(进行降采样增大凸包分割速率)，降采样后的凸起低矮障碍物点云进行凸包分割，将凸包变换到/map坐标系下并发布，如图4所示。(至此，凸起障碍物检测完毕)
10、将降维后的凸起低矮障碍物点云合并到地平面点云形成新的平面点云并变换到base_footprint下并转成如图5的地平面二维栅格地图：路面坑洞准备用cv方法提取，故将降维后的凸起障碍物合并到地平面点云(因为凸起障碍物会在地平面点云上留下坑洞，干扰真正的地面坑洞提取)；此外变换到base_footprint下转成二维栅格地图处理起来更方便。
11、将降维后的凸起障碍物点云单独变换到base_footprint下并转成如图6的凸起障碍物二维栅格地图：因为地面凸起障碍物会在其背面地平面点云上形成一个没有点云的空洞区域，故需要对这些空洞区域进行滤波处理，防止其干扰地面坑洞检测。
12、伪坑洞滤波：在地平面二维栅格地图上进行单连通区域搜索，检测到所有可能的坑洞区域；在凸起障碍物二维栅格地图上进行单连通区域搜索，检测到所有的凸起障碍物区域c；遍历地平面二维栅格地图上所有的单连通区域，在凸起障碍物二维栅格地图上找对应像素位置到base_footprint原点位置的连线，如果连线经过凸起障碍物区域则将地平面二维栅格地图上该位置像素值设为有点云的默认值(即凸起障碍物形成的伪坑洞d)，否则设为没有点云的默认值(即为真坑洞)，如图5所示。
在实际处理中地面坑洞与凸起障碍物处理方法不同。其原因在于：地面凸起障碍物点云数据投射到平面上不会发生偏移，故直接处理即可；地面坑洞较为复杂：1、坑洞可能比较深，没有返回的点云数据；2、坑洞e可能是斜坑，返回的点云投射到地平面上位置发生了偏移f。如图7所示。
同时，坑洞滤波可能将障碍物后方的坑洞滤掉。其原因在于：出现在障碍物之后的坑洞满足滤波条件，会被滤掉。但是对轮式机器人影响更大的是出现在障碍物之前的坑洞，机器人绕过障碍物后会检测到之前为检测到的坑洞，影响不大。
本方法中传感器选择以及布局方案：前置斜向下RGBD深度摄像头感知范围可以有效覆盖近处地面区域，如图8所示。
H为RGBD深度摄像头距地高度；
β为RGBD深度摄像头向下俯倾角度；
α为RGBD深度摄像头纵向视场角，范围(0°,90°)；
M为RGBD深度摄像头向下俯倾后的视角盲区；
L为RGBD深度摄像头向下俯倾后的地面感知区域；
γ为RGBD深度摄像头感知极限与地面的夹角。
根据图8的几何关系可得如下等式：
当RGBD深度摄像头纵向视场角α、感知盲区M以及感知范围L确定后，相机的俯倾角β、安装高度H即可确定：
现有技术中对障碍物进行检测的普遍方法中，为了保障地面分割的准确性，会增大地面点判断的阈值，而导致对于低矮障碍物不能有效检测，而如图10所示，本发明所提供的方法能克服这一缺陷，能检测1.5cm以上低矮障碍物及坑洼，适应性更强。
以上方案只是一种较佳实例的说明，但并不局限于此。在实施本发明时，可以根据使用者需求进行适当的替换和/或修改。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种基于RGB-D深度相机的低矮凸起障碍物、路面坑洼检测方法，其特征在于，包括：
步骤一，对RGB-D深度相机的原始点云进行预处理以得到对应的平面点云，从平面点云中提取凸起低矮障碍物点云，并将提取的凸起低矮障碍物点云投影到平面模型参数A、B、C、D的平面上；
步骤二，对模型参数A、B、C、D的平面上的凸起低矮障碍物点云进行降采样；
步骤三，对降采样后的凸起低矮障碍物点云进行凸包分割，将凸包变换到/map坐标系下并发布；
步骤四，对投影后的凸起低矮障碍物点云合并到地平面点云以形成新平面点云，将新平面点云变换到base_footprint下并转成地平面二维栅格地图；
步骤五，将地平面二维栅格地图进行Fake伪坑洞滤波，边缘提取方法CV对坑洞进行提取。
2.如权利要求1所述的基于RGB-D深度相机的低矮凸起障碍物、路面坑洼检测方法，其特征在于，在所述步骤一中，所述预处理被配置为包括：
S1，构建tf树；
S2,建立静态标定地平面的模型参数；
S3，对RGB-D深度相机的原始点云时间戳进行保存；
S4,对原始点云进行预处理；
S5，对预处理完的原始点云进行平面点云提取，以得到平面模型参数；
S6,通过对平面模型参数、模型参数进行比对以判断提地平面点云是否提取成功；
S7,从预处理后的原始点云中提取除地平面点云外的剩余点，通过对剩余点进行滤波处理，以得到凸起低矮障碍物点云。
3.如权利要求2所述的基于RGB-D深度相机的低矮凸起障碍物、路面坑洼检测方法，其特征在于，在S1中，构建tf树包括：设置定时器，发布静态tf变换，构建完整的tf树以方便深度相机点云查询时间戳直接变换到合适的坐标系下。
4.如权利要求2所述的基于RGB-D深度相机的低矮凸起障碍物、路面坑洼检测方法，其特征在于，在S2中，建立静态标定地平面的模型参数包括：
在机器人静止状态下，提取地平面点云，保存对应的地平面模型参数A_、B_、C_、D_，并计算求在静止状态相机坐标系下光心(0,0,0)到地平面的距离d_。
5.如权利要求2所述的基于RGB-D深度相机的低矮凸起障碍物、路面坑洼检测方法，其特征在于，在S3中，对RGB-D深度相机的原始点云时间戳进行保存方式上通过回调函数实现，通过点云在tf树中查询最近时刻的tf变换关系使时间戳对齐；
在S4中,对原始点云进行预处理是通过滤除原始点云中的离群点得以实现。
6.如权利要求2所述的基于RGB-D深度相机的低矮凸起障碍物、路面坑洼检测方法，其特征在于，在S5中，在对预处理完的原始点云进行平面点云提取后，保存提取的平面模型参数A、B、C、D以及平面点云，并计算相机坐标系下光心(0,0,0)到提取到的地平面的距离d。
7.如权利要求2所述的基于RGB-D深度相机的低矮凸起障碍物、路面坑洼检测方法，其特征在于，在S6中，所述比对、判断方式为：
在提取到的平面点云法向量与静态标定地平面点云法向量夹角小于设定的第一阈值时，且两个平面到光心的距离d_、d做差的绝对值小于设定的第二阈值时，则认为地平面提取成功，否则重新提取平面直到满足要求。
8.如权利要求2所述的基于RGB-D深度相机的低矮凸起障碍物、路面坑洼检测方法，其特征在于，在S7中，对剩余点进行滤波处理时，保留和光心(0,0,0)在平面同一侧的点，以以得到凸起低矮障碍物点云。
9.如权利要求1所述的基于RGB-D深度相机的低矮凸起障碍物、路面坑洼检测方法，其特征在于，在步骤五中，在进行伪坑洞滤波之前，将投影后的凸起障碍物点云单独变换到base_footprint下，以转换得到凸起障碍物二维栅格地图；
所述伪坑洞滤波的方法包括：
在地平面二维栅格地图上进行单连通区域搜索，以检测到得到所有可能的坑洞区域；
在凸起障碍物二维栅格地图上进行单连通区域搜索，检测到所有的凸起障碍物区域；
遍历地平面二维栅格地图上所有的单连通区域，在凸起障碍物二维栅格地图上找对应像素位置到base_footprint原点位置的连线，如果连线经过凸起障碍物区域则将地平面二维栅格地图上该位置像素值设为有点云的默认值，表示为伪坑洞，否则设为没有点云的默认值，表示为真坑洞。
10.如权利要求1所述的基于RGB-D深度相机的低矮凸起障碍物、路面坑洼检测方法，其特征在于，还包括通过以下公式对RGB-D深度相机安装高度H进行限定，以使前置斜向下的RGB-D深度摄像头感知范围有效覆盖近处地面区域：
其中，RGB-D深度摄像头距地高度；
β为RGB-D深度摄像头向下俯倾角度；
α为RGB-D深度摄像头纵向视场角，范围(0°,90°)；
M为RGB-D深度摄像头向下俯倾后的视角盲区；
L为RGB-D深度摄像头向下俯倾后的地面感知区域；
γ为RGB-D深度摄像头感知极限与地面的夹角。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111486276.1A CN114140452A (zh) | 2021-12-07 | 2021-12-07 | 基于rgb-d深度相机的低矮凸起障碍物、路面坑洼检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111486276.1A CN114140452A (zh) | 2021-12-07 | 2021-12-07 | 基于rgb-d深度相机的低矮凸起障碍物、路面坑洼检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114140452A true CN114140452A (zh) | 2022-03-04 |
Family
ID=80384848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111486276.1A Pending CN114140452A (zh) | 2021-12-07 | 2021-12-07 | 基于rgb-d深度相机的低矮凸起障碍物、路面坑洼检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114140452A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115574803A (zh) * | 2022-11-16 | 2023-01-06 | 深圳市信润富联数字科技有限公司 | 移动路线确定方法、装置、设备及存储介质 |
| CN116311095A (zh) * | 2023-03-16 | 2023-06-23 | 广州市衡正工程质量检测有限公司 | 基于区域划分的路面检测方法、计算机设备及存储介质 |
-
2021
- 2021-12-07 CN CN202111486276.1A patent/CN114140452A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115574803A (zh) * | 2022-11-16 | 2023-01-06 | 深圳市信润富联数字科技有限公司 | 移动路线确定方法、装置、设备及存储介质 |
| CN116311095A (zh) * | 2023-03-16 | 2023-06-23 | 广州市衡正工程质量检测有限公司 | 基于区域划分的路面检测方法、计算机设备及存储介质 |
| CN116311095B (zh) * | 2023-03-16 | 2024-01-02 | 广州市衡正工程质量检测有限公司 | 基于区域划分的路面检测方法、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109752701B (zh) | 一种基于激光点云的道路边沿检测方法 | |
| CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
| US11854272B2 (en) | Hazard detection from a camera in a scene with moving shadows | |
| CN106951879B (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
| CN107133985B (zh) | 一种基于车道线消逝点的车载摄像机自动标定方法 | |
| US8548229B2 (en) | Method for detecting objects | |
| US8126210B2 (en) | Vehicle periphery monitoring device, vehicle periphery monitoring program, and vehicle periphery monitoring method | |
| JP5157067B2 (ja) | 自動走行用マップ作成装置、及び自動走行装置。 | |
| JP5820774B2 (ja) | 路面境界推定装置及びプログラム | |
| US20050015201A1 (en) | Method and apparatus for detecting obstacles | |
| CN114140452A (zh) | 基于rgb-d深度相机的低矮凸起障碍物、路面坑洼检测方法 | |
| CN109410264B (zh) | 一种基于激光点云与图像融合的前方车辆距离测量方法 | |
| CN108280401B (zh) | 一种路面检测方法、装置、云端服务器及计算机程序产品 | |
| KR20070090194A (ko) | 영상 인식 장치 및 그 방법, 영상 기록 장치 또는 그방법을 이용한 위치 판단 장치, 차량 제어 장치 및네비게이션 장치 | |
| CN112464812B (zh) | 一种基于车辆的凹陷类障碍物检测方法 | |
| CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
| Liu et al. | Development of a vision-based driver assistance system with lane departure warning and forward collision warning functions | |
| CN109241855B (zh) | 基于立体视觉的智能车辆可行驶区域探测方法 | |
| Kellner et al. | Road curb detection based on different elevation mapping techniques | |
| Lin et al. | Construction of fisheye lens inverse perspective mapping model and its applications of obstacle detection | |
| CN112507899A (zh) | 一种三维激光雷达图像识别方法以及设备 | |
| CN111179220B (zh) | 车道标识线质量检测方法、系统及存储介质 | |
| CN109886064A (zh) | 确定可驾驶空间的边界的方法 | |
| US8031908B2 (en) | Object recognizing apparatus including profile shape determining section | |
| US9098774B2 (en) | Method for detection of targets in stereoscopic images |
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 |