CN114511590A - 基于单目视觉3d车辆检测与跟踪的路口多引导线构建方法 - Google Patents
基于单目视觉3d车辆检测与跟踪的路口多引导线构建方法 Download PDFInfo
- Publication number
- CN114511590A CN114511590A CN202111629506.5A CN202111629506A CN114511590A CN 114511590 A CN114511590 A CN 114511590A CN 202111629506 A CN202111629506 A CN 202111629506A CN 114511590 A CN114511590 A CN 114511590A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- tracking
- line
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000010276 construction Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical 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
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G06T3/06—
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Abstract
本发明涉及一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法,包括:根据自车单目相机捕获的图像序列数据对周围车辆进行3D检测,对检测到的车辆进行跟踪并分配id;根据检测到的车辆3D信息以及跟踪分配的车辆id进行车辆运动轨迹提取;根据提取得到的车辆运动轨迹中的各个轨迹线构建路口引导线;通过自车单目相机对他车进行3D检测与跟踪,获取其行驶轨迹,再通过轨迹线的分类与拟合,实现复杂路口的多引导线快速构建。该方法旨在降低路口引导线的构建成本,缩短高精地图构建周期。
Description
技术领域
本发明涉及自动驾驶、计算机视觉领域,尤其涉及一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法。
背景技术
高精度地图为自动驾驶提供了丰富的地图要素与拓扑信息,是自动驾驶获得良好路径规划与引导能力的必备基础。其中,路口引导线是高精度地图中指引车辆穿越路口、进入目标车道的一段通行轨迹,对自动驾驶导航的精确度影响较大。
现有技术中,可以用数学曲线拟合得到路口引导线,也可以基于众包大数据得到的车辆轨迹线拟合得到,前者得到的结果与现实最佳引导线还有一定差别,后者用大量的众包车进行采集,成本较高。
发明内容
本发明针对现有技术中存在的技术问题,提供一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法,通过自车单目相机对他车进行3D检测与跟踪,获取其行驶轨迹,再通过轨迹线的分类与拟合,实现复杂路口的多引导线快速构建。该方法旨在降低路口引导线的构建成本,缩短高精地图构建周期。
根据本发明的第一方面,提供了一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法,包括:步骤1,根据自车单目相机捕获的图像序列数据对周围车辆进行3D检测,对检测到的车辆进行跟踪并分配id;
步骤2,根据检测到的车辆3D信息以及跟踪分配的车辆id进行车辆运动轨迹提取;
步骤3,根据提取得到的所述车辆运动轨迹中的各个轨迹线构建路口引导线。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,所述步骤1包括:
步骤101,将所述图像序列输入3D目标检测网络模型,所述3D目标检测网络模型输出车辆目标的3D包围框的顶点坐标以及该车辆目标被检出的置信度;
步骤102,计算所述3D包围框在图像上的2D投影点,选取最大与最小的横纵坐标作为目标的2D包围框边界;
步骤103,将得到的每帧图像中车辆的2D包围框坐标以及所述置信度输入DeepSort模型,所述Deep Sort模型对检测到的车辆进行跟踪并分配id。
可选的,所述步骤101中所述3D目标检测网络模型输出的信息包括:车辆目标的尺寸(w,h,l)、位置(x,y,z)与航向角yaw;
根据输出的信息计算出车辆的3D包围框在相机坐标系下的顶点坐标;所述顶点坐标包括3D包围框的8个顶点与1个中心点;
所述步骤102中计算所述3D包围框在图像上的2D投影点的过程包括:将所述3D包围框的顶点坐标从相机坐标系下转换至图像坐标系,得到所述3D包围框顶点在图像上的2D投影点。
可选的,所述步骤2包括:
步骤201,根据所述车辆id,保存每个车辆目标在每帧图像的位置信息,得到所述车辆目标的运动轨迹;
步骤202,将所述运动轨迹坐标从相机坐标系转换至车体坐标系;
步骤203,将车体坐标系原点按时序与自车行车轨迹进行匹配,获取目标车辆在现实物理坐标系下的车辆运动轨迹。
可选的,所述步骤202包括:对相机坐标系下的车辆位置(x,z)与航向角yaw进行坐标转换,计算得到对应的车体坐标系下的车辆位置(x`,z`)与航向角yaw`,并按照车辆id进行保存,得到每个车辆的运动轨迹线track_lines。
可选的,所述步骤203包括:
将所述图像序列中的每帧图像对应的车体坐标系原点O(ox,oy)与自车的行车轨迹线按照时序进行匹配,对所述运动轨迹线track_lines中的轨迹线的位置变化与形状变化进行更新,得到所述车辆目标在现实物理坐标系下的轨迹线集合drive_lines。
可选的,所述步骤3包括:
步骤301,对所述车辆运动轨迹中各个轨迹线进行平滑处理,并删除长度小于设定阈值的轨迹线;
步骤302,对每条轨迹线首尾点分别做切线延伸,确定其驶出车道与驶入车道;
步骤303,将驶出车道与目标驶入车道均相同的轨迹线归为一类;
步骤304,对每类轨迹线簇进行拟合,获得不同驶入驶出车道组合对应的引导线。
根据本发明的第二方面,提供一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建系统,包括:车辆跟踪模块、轨迹提取模块和引导线构建模块;
所述车辆跟踪模块,根据自车单目相机捕获的图像序列数据对周围车辆进行3D检测,对检测到的车辆进行跟踪并分配id;
所述轨迹提取模块,根据检测到的车辆3D信息以及跟踪分配的车辆id进行车辆运动轨迹提取;
所述引导线构建模块,根据提取得到的所述车辆运动轨迹中的各个轨迹线构建路口引导线。
根据本发明的第三方面,提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法的步骤。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法的步骤。
本发明提供的一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法、系统、电子设备及存储介质,利用单目视觉的3D车辆检测与跟踪来构建路口的引导线,主要优势在于时间效率与低构建成本。该方法通过3D检测与跟踪来获取周围车辆的运动轨迹信息,相比以往基于众包大数据获取车辆轨迹信息,调用的车辆数大大减少,极大地降低了出车成本。该方法通过获取到的他车轨迹信息按车道进行拟合,得到的引导线具有代表性,更加贴合实际驾驶情况,与此同时,整体的构建周期也显著缩短。
附图说明
图1为本发明提供的一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建的流程图;
图2为本发明提供的一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建的结构框图;
图3为本发明提供的一种可能的电子设备的硬件结构示意图;
图4为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
随着目标检测技术的不断发展,越来越多的学者开始研究3D目标检测算法获取物体的深度信息与位置信息,这使得自动驾驶车辆利用自车搭载成本较低的单目相机来获取更准确的周围环境信息成为可能。因此,在保证精度的前提下,可以引入单目视觉检测技术,进一步研究更低成本的路口引导线构建方案。
图1为本发明提供的一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法的流程图,如图1所示,该构建方法包括:
步骤1,根据自车单目相机捕获的图像序列数据对周围车辆进行3D检测,对检测到的车辆进行跟踪并分配id。
步骤2,根据检测到的车辆3D信息以及跟踪分配的车辆id进行车辆运动轨迹提取。
步骤3,根据提取得到的车辆运动轨迹中的各个轨迹线构建路口引导线。
本发明提供的一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法,通过自车单目相机对他车进行3D检测与跟踪,获取其行驶轨迹,再通过轨迹线的分类与拟合,实现复杂路口的多引导线快速构建。该方法旨在降低路口引导线的构建成本,缩短高精地图构建周期。
实施例1
本发明提供的实施例1为本发明提供的一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法的实施例,结合图2可知,该实施例包括:
一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法,其特征在于,构建方法包括:
步骤1,根据自车单目相机捕获的图像序列数据对周围车辆进行3D检测,对检测到的车辆进行跟踪并分配id。
在一种可能的实施例方式中,步骤1包括:
步骤101,将图像序列输入3D目标检测网络模型,3D目标检测网络模型输出车辆目标的3D包围框的顶点坐标以及该车辆目标被检出的置信度confidence。
具体实施中,将初始图像序列init_imgs输入3D目标检测网络模型,该3D目标检测网络模型输出车辆目标的尺寸(w,h,l)、位置(x,y,z)与航向角yaw,进而计算出车辆的3D包围框在相机坐标系下的顶点坐标points_3d;顶点坐标points_3d包括3D包围框的8个顶点与1个中心点。
还包括:最小化3D关键点与2D关键点的重投影误差,将其与其他先验误差一起建模为整体能量函数,进一步改进三维估计,获取3D包围框的尺寸、方向、位置等三维信息。
步骤102,计算3D包围框在图像上的2D投影点,选取最大与最小的横纵坐标作为目标的2D包围框边界。
具体实施中,将points_3d从相机坐标系下转换至图像坐标系,得到3D包围框顶点在图像上的2D投影点,然后比较每个点的横纵坐标,用其最大最小值[Xmin,Ymin,Xmax,Ymax]来定义目标的2D包围框。
步骤103,将得到的每帧图像中车辆的2D包围框坐标以及置信度等信息输入DeepSort模型,Deep Sort模型对检测到的车辆进行跟踪并分配id。
步骤2,根据检测到的车辆3D信息以及跟踪分配的车辆id进行车辆运动轨迹提取。
在一种可能的实施例方式中,步骤2包括:
步骤201,根据车辆id,保存每个车辆目标在每帧图像的位置信息,得到车辆目标的运动轨迹。
步骤202,将运动轨迹坐标从相机坐标系转换至车体坐标系。
具体实施中,对相机坐标系下的车辆位置(x,z)与航向角yaw进行坐标转换,计算车体坐标系下的位置(x`,z`)与航向角yaw`,并按照车辆id进行保存,得到每个车辆的运动轨迹线track_lines。
步骤203,将车体坐标系原点按时序与自车行车轨迹进行匹配,获取目标车辆在现实物理坐标系下的车辆运动轨迹。
具体实施中,将图像序列init_imgs中的每帧图像img对应的车体坐标系原点O(ox,oy)与自车的行车轨迹线line0按照时序进行匹配,track_lines中的轨迹线将会有相应的位置变化与形状变化,更新得到他车在现实物理坐标系下的轨迹线集合drive_lines。
步骤3,根据提取得到的车辆运动轨迹中的各个轨迹线构建路口引导线。
在一种可能的实施例方式中,步骤3包括:
步骤301,对车辆运动轨迹中各个轨迹线进行平滑处理,并删除长度小于设定阈值的轨迹线。
具体实施中,对drive_lines中的每条轨迹线drive_line进行平滑处理,如果drive_line长度小于设定的最短轨迹线阈值,则移除该条轨迹线,并更新车辆轨迹线集合drive_lines。
步骤302,对每条轨迹线首尾点分别做切线延伸,确定其驶出车道与驶入车道。
具体实施中,对每条轨迹线drive_line的起始点point_start与终点point_end分别做切线,并分别往驶入路口方向与驶出路口方向延伸,最先与起始点切线tangent_s相交的车道定义为该轨迹线的驶出车道lane_exit,而最先与终点切线tangent_e相交的车道定义为该轨迹线的目标车道lane_target,最终获取每条轨迹线对应的驶出车道与目标车道。
步骤303,将驶出车道与目标驶入车道均相同的轨迹线归为一类。
具体实施中,将轨迹线drive_lines先按驶出车道lane_exit进行分类,对每个类别再按目标车道lane_target进行分类,获取驶出车道lane_exit与目标车道lane_target均相同的轨迹线分类line_classes。
步骤304,对每类轨迹线簇进行拟合,获得不同驶入驶出车道组合对应的引导线。
具体实施中,对步骤303,中得到的多类别轨迹线line_classes按类别进行拟合,得到该类别对应的引导线guide_line,最终输出一个路口中不同车道组合对应的引导线集guide_lines。
实施例2
本发明提供的实施例2为本发明提供的一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建系统的实施例,图2为本发明实施例提供的一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建系统结构图,结合图2可知,该实施例包括:车辆跟踪模块、轨迹提取模块和引导线构建模块。
车辆跟踪模块,根据自车单目相机捕获的图像序列数据对周围车辆进行3D检测,对检测到的车辆进行跟踪并分配id。
轨迹提取模块,根据检测到的车辆3D信息以及跟踪分配的车辆id进行车辆运动轨迹提取。
引导线构建模块,根据提取得到的车辆运动轨迹中的各个轨迹线构建路口引导线。
可以理解的是,本发明提供的一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建系统与前述各实施例提供的基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法相对应,基于单目视觉3D车辆检测与跟踪的路口多引导线构建系统的相关技术特征可参考基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法的相关技术特征,在此不再赘述。
请参阅图3,图3为本发明实施例提供的电子设备的实施例示意图。如图3所示,本发明实施例提了一种电子设备,包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311,处理器1320执行计算机程序1311时实现以下步骤:根据自车单目相机捕获的图像序列数据对周围车辆进行3D检测,对检测到的车辆进行跟踪并分配id;根据检测到的车辆3D信息以及跟踪分配的车辆id进行车辆运动轨迹提取;根据提取得到的车辆运动轨迹中的各个轨迹线构建路口引导线。
请参阅图4,图4为本发明提供的一种计算机可读存储介质的实施例示意图。如图4所示,本实施例提供了一种计算机可读存储介质1400,其上存储有计算机程序1411,该计算机程序1411被处理器执行时实现如下步骤:根据自车单目相机捕获的图像序列数据对周围车辆进行3D检测,对检测到的车辆进行跟踪并分配id;根据检测到的车辆3D信息以及跟踪分配的车辆id进行车辆运动轨迹提取;根据提取得到的车辆运动轨迹中的各个轨迹线构建路口引导线。
本发明实施例提供的一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法、系统、电子设备及存储介质,利用单目视觉的3D车辆检测与跟踪来构建路口的引导线,主要优势在于时间效率与低构建成本。该方法通过3D检测与跟踪来获取周围车辆的运动轨迹信息,相比以往基于众包大数据获取车辆轨迹信息,调用的车辆数大大减少,极大地降低了出车成本。该方法通过获取到的他车轨迹信息按车道进行拟合,得到的引导线具有代表性,更加贴合实际驾驶情况,与此同时,整体的构建周期也显著缩短。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法,其特征在于,所述构建方法包括:
步骤1,根据自车单目相机捕获的图像序列数据对周围车辆进行3D检测,对检测到的车辆进行跟踪并分配id;
步骤2,根据检测到的车辆3D信息以及跟踪分配的车辆id进行车辆运动轨迹提取;
步骤3,根据提取得到的所述车辆运动轨迹中的各个轨迹线构建路口引导线。
2.根据权利要求1所述的构建方法,其特征在于,所述步骤1包括:
步骤101,将所述图像序列输入3D目标检测网络模型,所述3D目标检测网络模型输出车辆目标的3D包围框的顶点坐标以及该车辆目标被检出的置信度;
步骤102,计算所述3D包围框在图像上的2D投影点,选取最大与最小的横纵坐标作为目标的2D包围框边界;
步骤103,将得到的每帧图像中车辆的2D包围框坐标以及所述置信度输入Deep Sort模型,所述Deep Sort模型对检测到的车辆进行跟踪并分配id。
3.根据权利要求2所述的构建方法,其特征在于,所述步骤101中所述3D目标检测网络模型输出的信息包括:车辆目标的尺寸(w,h,l)、位置(x,y,z)与航向角yaw;
根据输出的信息计算出车辆的3D包围框在相机坐标系下的顶点坐标;所述顶点坐标包括3D包围框的8个顶点与1个中心点;
所述步骤102中计算所述3D包围框在图像上的2D投影点的过程包括:将所述3D包围框的顶点坐标从相机坐标系下转换至图像坐标系,得到所述3D包围框顶点在图像上的2D投影点。
4.根据权利要求1所述的构建方法,其特征在于,所述步骤2包括:
步骤201,根据所述车辆id,保存每个车辆目标在每帧图像的位置信息,得到所述车辆目标的运动轨迹;
步骤202,将所述运动轨迹坐标从相机坐标系转换至车体坐标系;
步骤203,将车体坐标系原点按时序与自车行车轨迹进行匹配,获取目标车辆在现实物理坐标系下的车辆运动轨迹。
5.根据权利要求4所述的构建方法,其特征在于,所述步骤202包括:对相机坐标系下的车辆位置(x,z)与航向角yaw进行坐标转换,计算得到对应的车体坐标系下的车辆位置(x`,z`)与航向角yaw`,并按照车辆id进行保存,得到每个车辆的运动轨迹线track_lines。
6.根据权利要求5所述的构建方法,其特征在于,所述步骤203包括:
将所述图像序列中的每帧图像对应的车体坐标系原点O(ox,oy)与自车的行车轨迹线按照时序进行匹配,对所述运动轨迹线track_lines中的轨迹线的位置变化与形状变化进行更新,得到所述车辆目标在现实物理坐标系下的轨迹线集合drive_lines。
7.根据权利要求1所述的构建方法,其特征在于,所述步骤3包括:
步骤301,对所述车辆运动轨迹中各个轨迹线进行平滑处理,并删除长度小于设定阈值的轨迹线;
步骤302,对每条轨迹线首尾点分别做切线延伸,确定其驶出车道与驶入车道;
步骤303,将驶出车道与目标驶入车道均相同的轨迹线归为一类;
步骤304,对每类轨迹线簇进行拟合,获得不同驶入驶出车道组合对应的引导线。
8.一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建系统,其特征在于,所述构建系统包括:车辆跟踪模块、轨迹提取模块和引导线构建模块;
所述车辆跟踪模块,根据自车单目相机捕获的图像序列数据对周围车辆进行3D检测,对检测到的车辆进行跟踪并分配id;
所述轨迹提取模块,根据检测到的车辆3D信息以及跟踪分配的车辆id进行车辆运动轨迹提取;
所述引导线构建模块,根据提取得到的所述车辆运动轨迹中的各个轨迹线构建路口引导线。
9.一种电子设备,其特征在于,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111629506.5A CN114511590A (zh) | 2021-12-28 | 2021-12-28 | 基于单目视觉3d车辆检测与跟踪的路口多引导线构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111629506.5A CN114511590A (zh) | 2021-12-28 | 2021-12-28 | 基于单目视觉3d车辆检测与跟踪的路口多引导线构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114511590A true CN114511590A (zh) | 2022-05-17 |
Family
ID=81548125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111629506.5A Pending CN114511590A (zh) | 2021-12-28 | 2021-12-28 | 基于单目视觉3d车辆检测与跟踪的路口多引导线构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511590A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116858187A (zh) * | 2023-09-01 | 2023-10-10 | 盛视科技股份有限公司 | 基于单目坡道角度检测方法及坡道角度检测系统 |
-
2021
- 2021-12-28 CN CN202111629506.5A patent/CN114511590A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116858187A (zh) * | 2023-09-01 | 2023-10-10 | 盛视科技股份有限公司 | 基于单目坡道角度检测方法及坡道角度检测系统 |
CN116858187B (zh) * | 2023-09-01 | 2023-12-08 | 盛视科技股份有限公司 | 基于单目坡道角度检测方法及坡道角度检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009718B (zh) | 一种三维高精度地图生成方法及装置 | |
CN106599108B (zh) | 一种三维环境中多模态环境地图构建方法 | |
CN108764187A (zh) | 提取车道线的方法、装置、设备、存储介质以及采集实体 | |
CN104517275A (zh) | 对象检测方法和系统 | |
CN110487286B (zh) | 基于点特征投影与激光点云融合的机器人位姿判断方法 | |
CN114862901A (zh) | 一种露天矿山的路端多源传感器融合目标感知方法和系统 | |
CN116255992A (zh) | 一种同时定位与建图的方法和装置 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
CN111982127A (zh) | LightWeight-3D避障方法 | |
CN113920198B (zh) | 一种基于语义边缘对齐的由粗到精的多传感器融合定位方法 | |
CN111007534A (zh) | 一种利用十六线激光雷达的障碍物检测方法及系统 | |
CN111652072A (zh) | 轨迹获取方法、轨迹获取装置、存储介质和电子设备 | |
CN113516664A (zh) | 一种基于语义分割动态点的视觉slam方法 | |
CN115388902A (zh) | 室内定位方法和系统、ar室内定位导航方法和系统 | |
Wen et al. | Research on 3D point cloud de-distortion algorithm and its application on Euclidean clustering | |
CN115512175A (zh) | 模型训练、点云数据处理方法、装置、设备及存储介质 | |
Xiong et al. | Road-Model-Based road boundary extraction for high definition map via LIDAR | |
CN114511590A (zh) | 基于单目视觉3d车辆检测与跟踪的路口多引导线构建方法 | |
CN114387576A (zh) | 一种车道线识别方法、系统、介质、设备及信息处理终端 | |
Chougula et al. | Road segmentation for autonomous vehicle: A review | |
CN112651991A (zh) | 视觉定位方法、装置及计算机系统 | |
CN114459483B (zh) | 基于机器人导航用地标导航地图构建与应用方法、系统 | |
WO2020118623A1 (en) | Method and system for generating an environment model for positioning | |
CN112801012B (zh) | 交通元素的处理方法、装置、电子设备及存储介质 |
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 |