CN114567726A - 一种类人眼自适应消抖前视摄像头 - Google Patents
一种类人眼自适应消抖前视摄像头 Download PDFInfo
- Publication number
- CN114567726A CN114567726A CN202210177798.1A CN202210177798A CN114567726A CN 114567726 A CN114567726 A CN 114567726A CN 202210177798 A CN202210177798 A CN 202210177798A CN 114567726 A CN114567726 A CN 114567726A
- Authority
- CN
- China
- Prior art keywords
- camera
- input
- output
- fuzzy
- variable
- 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 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
- H04N23/682—Vibration or motion blur correction
- H04N23/685—Vibration or motion blur correction performed by mechanical compensation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
- H04N23/681—Motion detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种类人眼自适应消抖前视摄像头,涉及智能汽车领域,针对容易受到极端恶劣天气的影响,特征难以识别;摄像头参数或拍摄角度多变,车辆在图像中的尺寸和位置也会发生较大变化;实际道路行驶过程中,受到摄像头视角限制,无法对全部车辆进行识别等问题,现提出如下方案,包括前置摄像头和用于控制前置摄像头的控制方法,所述控制方法包括以下步骤:S1、利用马尔可夫算法预测下一时刻车轮转角信息,确定模糊控制算法的输入变量和输出变量。本发明提出一种类人眼自适应消抖前视摄像头,能够实现车辆在转弯或者换道过程中获得车辆正前方视野,可以防止车辆在颠簸路面视野受阻,实现摄像头视角的增大,不受天气影响。
Description
技术领域
本发明涉及智能汽车领域,尤其涉及一种类人眼自适应消抖前视摄像头。
背景技术
近年来,汽车辅助驾驶安全系统成为广大学者和科研人员研究的热点问题,汽车辅助安全系统中各种功能的实现主要通过汽车上安装的多种传感器。通过将收集到的相关数据进行系统的运算和分析后,辅助驾驶员进行操作决策。汽车辅助驾驶安全系统中常用的传感器有激光雷达、毫米波雷达、超声波雷达、惯导和摄像头等而摄像头相对于其他传感器而言,具有更好的可视性,能够获取更丰富的信息,且价格相对低廉,便于广泛应用。汽车辅助驾驶安全系统中借助计算机视觉技术能够及时感知交通环境,为驾驶员提供交通场景的驾驶预警信息,对于极大程度上减少交通事故的发生,有着举足轻重的作用。
虽然计算机视觉技术在智能交通领域已取得比较广泛的应用,但是在一些对检测精度、准确度、检测速度有高度要求的领域,计算机视觉的应用还受到一定的限制。这些挑战主要来自以下方面:
1)、容易受到极端恶劣天气的影响,特征难以识别;
2)、摄像头参数或拍摄角度多变,车辆在图像中的尺寸和位置也会发生较大变化;
3)、实际道路行驶过程中,受到摄像头视角限制,无法对全部车辆进行识别。
发明内容
(一)发明目的
为解决背景技术中存在的技术问题,本发明提出一种类人眼自适应消抖前视摄像头,能够实现车辆在转弯或者换道过程中获得车辆正前方视野,可以防止车辆在颠簸路面视野受阻,实现摄像头视角的增大,不受天气影响。
(二)技术方案
本发明提供了一种类人眼自适应消抖前视摄像头,包括前置摄像头和用于控制前置摄像头的控制方法,所述控制方法包括以下步骤:
S1、利用马尔可夫算法预测下一时刻车轮转角信息,确定模糊控制算法的输入变量和输出变量,并对对输入变量和输出变量进行模糊化处理;
S2、确定输入变量和输出变量的论域,定义有限整数的离散论域;
S3、确定输入变量和输出变量的语言取值,建立对应的隶属度函数;
S4、确定输入变量和输出变量的模糊推理规则;
S5、建立模糊查询表;
S6、根据输入变量和输出变量,进行模糊推理;
S7、反模糊化,总结模糊查询表;
S8、利用卡尔曼滤波进行垂直方向的防抖调整。
作为本发明的进一步优化:步骤S1中,所述输入变量为车辆速度和前轮转角,所述输出变量为摄像头横摆角。
作为本发明的进一步优化:步骤S1中,所述马尔可夫算法的配置为:
P(Xn+1=xn+1|X1=x1,X2=x2,···,Xn=xn)
=P(Xn+1=xn+1|Xn=xn)
其中的随机变量可以叫做马尔科夫链的状态;而从当前状态转移到下一状态Xn+1的转移概率pij=P(Xn+1=j|Xn=i);首先利用先前采集到的有关车轮转角信息,离线生成概率转移矩阵,基于当前车轮转角转移到下一时刻车轮转角的概率矩阵图;在汽车行驶的过程中,利用先前生成的车轮转角概率转移矩阵,根据当前车轮转角预测出下一刻时刻车轮转角信息,将信息输入到模糊控制算法中。
作为本发明的进一步优化:步骤S2中,所述离散论域包括两个输入值,两个所述输入值分别为误差值e和误差变化率ec,所述离散论域还包括控制量u,所述误差值e的论域定义为{-m,-m+1,···,-1,0,1,···,m-1,m},所述误差变化率ec的定义为{-n,-n+1,···,-1,0,1,···,n-1,n},所述控制量u的定义为{-i,-i+1,···,-1,0,1,···,i-1,i}。
作为本发明的进一步优化:步骤S3中,所述隶属度函数配置为:
Vo对A的隶属频率=Vo∈A的次数/试验总次数n
其中,随着n的增大,隶属频率也会趋向稳定,这个稳定值就是Vo对A的隶属度值。
作为本发明的进一步优化:步骤S4中,所述模糊推理规则包括近似推理、模糊条件推理、多输入模糊推理以及多输入多规则推理。
作为本发明的进一步优化:步骤S4中,所述模糊推理规则为:根据输入变量和输出变量的逻辑关系,建立如“输入1”为“名称1”和“输入2”为“名称3”时,输出为“输出1”的“状态2”的控制规则。
作为本发明的进一步优化:步骤S7中,所述去模糊化包括最大隶属度法、重心法以及加权平均法,所述最大隶属度法为选取推理结果模糊集合中隶属度最大的元素作为输出值,即:
V0=maxμv(v),v∈V
如果在输出论阈V中,其最大隶属度对应的输出值多于一个,则取所有具有最大隶属度输出的平均值,即:
其中,N为具有相同最大隶属度输出的总数;
所述重心法为取隶属度函数曲线与横坐标围成面积的重心,作为模糊推理的最终输出值,即:
对于具有m个输出量化级数的离散阈情况:
所述加权平均法的输出值为:
其中系数ki的选择根据实际情况而定。
作为本发明的进一步优化:步骤S8中,所述卡尔曼滤波为线性系统状态方程,配置为:
Pk和Pk-1分别表示(k-1)时刻和k时刻的后验估计协方差;
H是状态变量到测量的转换矩阵;
Zk测量值是滤波的输入;
Kk是滤波增益矩阵;
A是状态转移矩阵;
Q是过程激励噪声协方差;
R是测量噪声协方差;
B是将输入转换为状态的矩阵;
与现有技术相比,本发明的上述技术方案具有如下有益的技术效果:
本发明提出一种可随动的多自由度结构的新型摄像头结构,可实现在车辆行驶过程中摄像头具有垂向(车辆坐标系下z轴方向)和横摆方向自由度调节(车辆坐标系下绕z轴方向)的功能,提高摄像头的随动性,间接性增大视角的能力。根据车速和车轮转角提出一种基于马尔可夫与模糊控制相结合的混合智能控制算法确定摄像头横摆角,采用卡尔曼滤波实现垂直方向的调整,实现增加摄像头的FOV效果,实现双轴协调控制的策略。
本发明通过针对不同车速和前轮转角,通过模糊控制算法获得相应最佳摄像头横摆角,可实现车辆在转弯或者换道过程中获得车辆正前方视野,可以防止车辆在颠簸路面视野受阻,实现摄像头视角的增大。
附图说明
图1为整体框架结构示意图;
图2为车速隶属度函数结构示意图;
图3为前轮转角隶属度函数结构示意图;
图4为摄像头横摆角隶属度函数结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
通过图1-4所示,本发明提出的一种类人眼自适应消抖前视摄像头,包括前置摄像头和用于控制前置摄像头的控制方法,控制方法包括以下步骤:
S1、利用马尔可夫算法预测下一时刻车轮转角信息,确定模糊控制算法的输入变量和输出变量,并对对输入变量和输出变量进行模糊化处理;
S2、确定输入变量和输出变量的论域,定义有限整数的离散论域;
S3、确定输入变量和输出变量的语言取值,建立对应的隶属度函数;
S4、确定输入变量和输出变量的模糊推理规则;
S5、建立模糊查询表;
S6、根据输入变量和输出变量,进行模糊推理;
S7、反模糊化,总结模糊查询表;
S8、利用卡尔曼滤波进行垂直方向的防抖调整。
步骤S1中,输入变量为车辆速度和前轮转角,输出变量为摄像头横摆角。
步骤S1中,马尔可夫算法的配置为:
P(Xn+1=xn+1|X1=x1,X2=x2,···,Xn=xn)
=P(Xn+1=xn+1|Xn=xn)
其中的随机变量可以叫做马尔科夫链的状态;而从当前状态转移到下一状态Xn+1的转移概率pij=P(Xn+1=j|Xn=i);首先利用先前采集到的有关车轮转角信息,离线生成概率转移矩阵,基于当前车轮转角转移到下一时刻车轮转角的概率矩阵图;在汽车行驶的过程中,利用先前生成的车轮转角概率转移矩阵,根据当前车轮转角预测出下一刻时刻车轮转角信息,将信息输入到模糊控制算法中。
步骤S2中,离散论域包括两个输入值,两个输入值分别为误差值e和误差变化率ec,离散论域还包括控制量u,误差值e的论域定义为{-m,-m+1,···,-1,0,1,···,m-1,m},误差变化率ec的定义为{-n,-n+1,···,-1,0,1,···,n-1,n},控制量u的定义为{-i,-i+1,···,-1,0,1,···,i-1,i}。
步骤S3中,隶属度函数配置为:
Vo对A的隶属频率=Vo∈A的次数/试验总次数n
其中,随着n的增大,隶属频率也会趋向稳定,这个稳定值就是Vo对A的隶属度值。
步骤S4中,模糊推理规则包括近似推理、模糊条件推理、多输入模糊推理以及多输入多规则推理。
步骤S4中,模糊推理规则为:根据输入变量和输出变量的逻辑关系,建立如“输入1”为“名称1”和“输入2”为“名称3”时,输出为“输出1”的“状态2”的控制规则。
步骤S5中,车速区间为[0,120],单位km/h。针对这个车速区间建立8个小的速度区间,分别为Z0,P1,P2,P3,P4,P5,P6,P7。车速可以由仪表盘显示器获取,然后将信号传递至摄像头。
前轮转角区间为[-30,30],单位为度,针对前轮转角区间建立7个小区间分别为NL,NM,NS,ZE,PS,PM,PL,设定前轮逆时针转角为负值,顺时针转角为正值。前轮转角可以由车载惯导获取,然后将信号传递给摄像头。
根据车速和前轮转角建立摄像头横摆角的模糊规则。针对前轮转角为逆时针方向对应于摄像头向左横摆一定角度,同理,前轮转角为顺时针方向对应于摄像头向右横摆一定角度。摄像头横摆角区间设定为[-5,5],单位为度。设置小区间NL,NS,ZE,PS,PL。低车速时,前轮转角的幅度很大也不会影响摄像头的FOV,所以设置摄像头横摆角很小;在高车速时,由于方向盘的“轻与灵”关系和车辆自身的操纵稳定性,出现前轮转角很大的概率非常低,因此为了保持车辆行驶过程中摄像头的视角始终朝着车身运动方向,设置高速、大的前轮转角情况下摄像头的横摆角相对小。同时高速行驶时,本车换道过程中,前轮转角也不会很大。因此根据这些信息建立如下表所示的模糊控制规则。
表1.模糊控制规则
步骤S7中,去模糊化包括最大隶属度法、重心法以及加权平均法,最大隶属度法为选取推理结果模糊集合中隶属度最大的元素作为输出值,即:
V0=maxμv(v),v∈V
如果在输出论阈V中,其最大隶属度对应的输出值多于一个,则取所有具有最大隶属度输出的平均值,即:
其中,N为具有相同最大隶属度输出的总数;
重心法为取隶属度函数曲线与横坐标围成面积的重心,作为模糊推理的最终输出值,即:
对于具有m个输出量化级数的离散阈情况:
加权平均法的输出值为:
其中系数ki的选择根据实际情况而定。
以车速和前轮转角作为输入,摄像头横摆角度作为输出的模糊控制算法,去模糊化方法为重心法。
步骤S8中,卡尔曼滤波为线性系统状态方程,配置为:
Pk和Pk-1分别表示(k-1)时刻和k时刻的后验估计协方差。
H是状态变量到测量的转换矩阵,表示将状态和观测连接起来的关系,卡尔曼滤波里为线性关系,它负责将m维的测量值转换到n维,使之符合状态变量的数学形式,是滤波的前提条件之一。
Zk测量值是滤波的输入。
Kk是滤波增益矩阵,是滤波的中间计算结果,卡尔曼增益,或卡尔曼系数。
A是状态转移矩阵,实际上是对目标状态转换的一种猜想模型。例如在机动目标跟踪中,状态转移矩阵常常用来对目标的运动建模,其模型可能为匀速直线运动或者匀加速运动。当状态转移矩阵不符合目标的状态转换模型时,滤波会很快发散。
Q是过程激励噪声协方差(系统过程的协方差)。该参数被用来表示状态转换矩阵与实际过程之间的误差。因为我们无法直接观测到过程信号,所以Q的取值是很难确定的。是卡尔曼滤波器用于估计离散时间过程的状态变量,也叫预测模型本身带来的噪声。状态转移协方差矩阵。
R是测量噪声协方差。滤波器实际实现时,测量噪声协方差R一般可以观测得到,是滤波器的已知条件。
B是将输入转换为状态的矩阵。
利用上述公式信息,将汽车俯仰角作为状态量,得出下一时刻的汽车俯仰角信息。利用电机补偿机制,进行摄像头反向运动调整,达到摄像头在垂直方向的防抖效果。
摄像头横摆方向主要采用马尔可夫来进行车轮转角下一时刻的预测,根据预测出的车轮转角输入到模糊逻辑控制中,进行摄像头横摆角度的转动量。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种类人眼自适应消抖前视摄像头,包括前置摄像头和用于控制前置摄像头的控制方法,其特征在于:所述控制方法包括以下步骤:
S1、利用马尔可夫算法预测下一时刻车轮转角信息,确定模糊控制算法的输入变量和输出变量,并对对输入变量和输出变量进行模糊化处理;
S2、确定输入变量和输出变量的论域,定义有限整数的离散论域;
S3、确定输入变量和输出变量的语言取值,建立对应的隶属度函数;
S4、确定输入变量和输出变量的模糊推理规则;
S5、建立模糊查询表;
S6、根据输入变量和输出变量,进行模糊推理;
S7、反模糊化,总结模糊查询表;
S8、利用卡尔曼滤波进行垂直方向的防抖调整。
2.根据权利要求1所述的一种类人眼自适应消抖前视摄像头,其特征在于:步骤S1中,所述输入变量为车辆速度和前轮转角,所述输出变量为摄像头横摆角。
3.根据权利要求1所述的一种类人眼自适应消抖前视摄像头,其特征在于:步骤S1中,所述马尔可夫算法的配置为:
P(Xn+1=xn+1|X1=x1,X2=x2,···,Xn=xn)
=P(Xn+1=xn+1|Xn=xn)
其中的随机变量可以叫做马尔科夫链的状态;而从当前状态转移到下一状态Xn+1的转移概率pij=P(Xn+1=j|Xn=i);首先利用先前采集到的有关车轮转角信息,离线生成概率转移矩阵,基于当前车轮转角转移到下一时刻车轮转角的概率矩阵图;在汽车行驶的过程中,利用先前生成的车轮转角概率转移矩阵,根据当前车轮转角预测出下一刻时刻车轮转角信息,将信息输入到模糊控制算法中。
4.根据权利要求1所述的一种类人眼自适应消抖前视摄像头,其特征在于:步骤S2中,所述离散论域包括两个输入值,两个所述输入值分别为误差值e和误差变化率ec,所述离散论域还包括控制量u,所述误差值e的论域定义为{-m,-m+1,···,-1,0,1,···,m-1,m},所述误差变化率ec的定义为{-n,-n+1,···,-1,0,1,···,n-1,n},所述控制量u的定义为{-i,-i+1,···,-1,0,1,···,i-1,i}。
5.根据权利要求1所述的一种类人眼自适应消抖前视摄像头,其特征在于:步骤S3中,所述隶属度函数配置为:
Vo对A的隶属频率=Vo∈A的次数/试验总次数n
其中,随着n的增大,隶属频率也会趋向稳定,这个稳定值就是Vo对A的隶属度值。
6.根据权利要求1所述的一种类人眼自适应消抖前视摄像头,其特征在于:步骤S4中,所述模糊推理规则包括近似推理、模糊条件推理、多输入模糊推理以及多输入多规则推理。
7.根据权利要求1所述的一种类人眼自适应消抖前视摄像头,其特征在于:步骤S4中,所述模糊推理规则为:根据输入变量和输出变量的逻辑关系,建立如“输入1”为“名称1”和“输入2”为“名称3”时,输出为“输出1”的“状态2”的控制规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210177798.1A CN114567726A (zh) | 2022-02-25 | 2022-02-25 | 一种类人眼自适应消抖前视摄像头 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210177798.1A CN114567726A (zh) | 2022-02-25 | 2022-02-25 | 一种类人眼自适应消抖前视摄像头 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114567726A true CN114567726A (zh) | 2022-05-31 |
Family
ID=81716638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210177798.1A Pending CN114567726A (zh) | 2022-02-25 | 2022-02-25 | 一种类人眼自适应消抖前视摄像头 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114567726A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120116181A (ko) * | 2011-04-12 | 2012-10-22 | 삼성테크윈 주식회사 | 흔들림 보정 장치 및 이를 포함하는 디지털 촬영장치 |
CA2934102A1 (en) * | 2015-06-25 | 2016-12-25 | Appropolis Inc. | A system and a method for tracking mobile objects using cameras and tag devices |
CN108932855A (zh) * | 2017-05-22 | 2018-12-04 | 阿里巴巴集团控股有限公司 | 道路交通控制系统、方法以及电子设备 |
CN110738690A (zh) * | 2019-09-16 | 2020-01-31 | 南京理工大学 | 一种基于多目标追踪框架的无人机视频中车速校正方法 |
CN210348245U (zh) * | 2019-08-30 | 2020-04-17 | 龙岩学院 | 一种防抖云台控制装置 |
CN111667512A (zh) * | 2020-05-28 | 2020-09-15 | 浙江树人学院(浙江树人大学) | 基于改进卡尔曼滤波的多目标车辆轨迹预测方法 |
CN111693972A (zh) * | 2020-05-29 | 2020-09-22 | 东南大学 | 一种基于双目序列图像的车辆位置与速度估计方法 |
CN111767896A (zh) * | 2020-07-15 | 2020-10-13 | 吉林大学 | 一种清扫车底盘上装协同控制方法及感知识别实现装置 |
US20200374458A1 (en) * | 2019-05-23 | 2020-11-26 | Olympus Corporation | Image blurring correction apparatus, image blurring correction method, and recording medium having image blurring correction program recorded therein |
CN112034445A (zh) * | 2020-08-17 | 2020-12-04 | 东南大学 | 基于毫米波雷达的车辆运动轨迹跟踪方法和系统 |
WO2020263397A1 (en) * | 2019-06-27 | 2020-12-30 | Massachusetts Institute Of Technology | Data-driven angular jitter estimator for lidar |
WO2021027323A1 (zh) * | 2019-08-14 | 2021-02-18 | 北京理工大学 | 基于仿生眼平台的混合稳像方法和装置 |
CN112653844A (zh) * | 2020-12-28 | 2021-04-13 | 珠海亿智电子科技有限公司 | 一种摄像头云台转向自适应跟踪调节方法 |
CN113771857A (zh) * | 2021-09-24 | 2021-12-10 | 北京易航远智科技有限公司 | 一种用于车辆控制的纵向车速估计方法和系统 |
-
2022
- 2022-02-25 CN CN202210177798.1A patent/CN114567726A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120116181A (ko) * | 2011-04-12 | 2012-10-22 | 삼성테크윈 주식회사 | 흔들림 보정 장치 및 이를 포함하는 디지털 촬영장치 |
CA2934102A1 (en) * | 2015-06-25 | 2016-12-25 | Appropolis Inc. | A system and a method for tracking mobile objects using cameras and tag devices |
CN108932855A (zh) * | 2017-05-22 | 2018-12-04 | 阿里巴巴集团控股有限公司 | 道路交通控制系统、方法以及电子设备 |
US20200374458A1 (en) * | 2019-05-23 | 2020-11-26 | Olympus Corporation | Image blurring correction apparatus, image blurring correction method, and recording medium having image blurring correction program recorded therein |
WO2020263397A1 (en) * | 2019-06-27 | 2020-12-30 | Massachusetts Institute Of Technology | Data-driven angular jitter estimator for lidar |
WO2021027323A1 (zh) * | 2019-08-14 | 2021-02-18 | 北京理工大学 | 基于仿生眼平台的混合稳像方法和装置 |
CN210348245U (zh) * | 2019-08-30 | 2020-04-17 | 龙岩学院 | 一种防抖云台控制装置 |
CN110738690A (zh) * | 2019-09-16 | 2020-01-31 | 南京理工大学 | 一种基于多目标追踪框架的无人机视频中车速校正方法 |
CN111667512A (zh) * | 2020-05-28 | 2020-09-15 | 浙江树人学院(浙江树人大学) | 基于改进卡尔曼滤波的多目标车辆轨迹预测方法 |
CN111693972A (zh) * | 2020-05-29 | 2020-09-22 | 东南大学 | 一种基于双目序列图像的车辆位置与速度估计方法 |
CN111767896A (zh) * | 2020-07-15 | 2020-10-13 | 吉林大学 | 一种清扫车底盘上装协同控制方法及感知识别实现装置 |
CN112034445A (zh) * | 2020-08-17 | 2020-12-04 | 东南大学 | 基于毫米波雷达的车辆运动轨迹跟踪方法和系统 |
CN112653844A (zh) * | 2020-12-28 | 2021-04-13 | 珠海亿智电子科技有限公司 | 一种摄像头云台转向自适应跟踪调节方法 |
CN113771857A (zh) * | 2021-09-24 | 2021-12-10 | 北京易航远智科技有限公司 | 一种用于车辆控制的纵向车速估计方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210170947A1 (en) | Vehicular trailering assist system with trailer state estimation | |
CN102398598B (zh) | 使用前视和后视摄像机的车道融合系统 | |
CN110745140B (zh) | 一种基于连续图像约束位姿估计的车辆换道预警方法 | |
US8428843B2 (en) | Method to adaptively control vehicle operation using an autonomic vehicle control system | |
CN111458700B (zh) | 车辆映射和定位的方法和系统 | |
US10235817B2 (en) | Motion compensation for on-board vehicle sensors | |
US10984260B2 (en) | Method and apparatus for controlling a vehicle including an autonomous control system | |
CN112313094A (zh) | 挂车检测和自主栓接 | |
JP2003536096A (ja) | 追跡マップジェネレータ | |
CN109900490B (zh) | 基于自主式和协同式传感器的车辆运动状态检测方法及系统 | |
US20190315274A1 (en) | Vehicle behavior using information from other vehicles lights | |
CN104635233A (zh) | 基于车载毫米波雷达的前方物体运动状态估计及分类方法 | |
CN111703424B (zh) | 一种智能网联汽车多传感器融合辅助变道方法及系统 | |
KR101618501B1 (ko) | 자차량의 에고 모션 추정방법 | |
JP2001134320A (ja) | 車線追従制御装置 | |
CN116080754B (zh) | 一种车辆自主驾驶横向控制方法 | |
CN114063025A (zh) | 动态激光雷达与相机的对准 | |
CN114567726A (zh) | 一种类人眼自适应消抖前视摄像头 | |
US20210179115A1 (en) | Method and apparatus for monitoring a yaw sensor | |
CN114475581B (zh) | 基于轮速脉冲和imu卡尔曼滤波融合的自动泊车定位方法 | |
US20230266438A1 (en) | Sensor misalignment correction | |
CN114877904A (zh) | 一种道路曲率的估计方法、测量装置和计算机设备 | |
CN114435371A (zh) | 一种道路坡度估计方法和装置 | |
CN115082562A (zh) | 一种外参标定方法、装置、设备、服务器及车载计算设备 | |
CN114084133A (zh) | 一种跟车目标的确定方法及相关装置 |
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 |