CN115100193B - 基于红外和可见光影像的弱小目标检测识别方法、装置 - Google Patents

基于红外和可见光影像的弱小目标检测识别方法、装置 Download PDF

Info

Publication number
CN115100193B
CN115100193B CN202211013437.XA CN202211013437A CN115100193B CN 115100193 B CN115100193 B CN 115100193B CN 202211013437 A CN202211013437 A CN 202211013437A CN 115100193 B CN115100193 B CN 115100193B
Authority
CN
China
Prior art keywords
image
infrared
output result
visible light
weak
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.)
Active
Application number
CN202211013437.XA
Other languages
English (en)
Other versions
CN115100193A (zh
Inventor
沈昌力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tianlang Defense Technology Co ltd
Original Assignee
Nanjing Tianlang Defense Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Tianlang Defense Technology Co ltd filed Critical Nanjing Tianlang Defense Technology Co ltd
Priority to CN202211013437.XA priority Critical patent/CN115100193B/zh
Publication of CN115100193A publication Critical patent/CN115100193A/zh
Application granted granted Critical
Publication of CN115100193B publication Critical patent/CN115100193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10048—Infrared image
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)

Abstract

本发明公开了一种基于红外和可见光影像的弱小目标检测识别方法、装置，所述方法包括：在可见光影像和红外影像中分别提取得到包含了弱小目标的目标区域的切片，通过像素映射合并得到四通道的第一切片图像；对原图像进行切分，获得多个第二切片图像；可见光影像和红外影像通过像素映射合并得到所述原图像；将第一切片图像和第二切片图像输入四通道图像识别模型，输出第一检测框和第二检测框序列，根据原图像还原得到第一输出结果和第二输出结果；将第一输出结果和第二输出结果合并，得到最终识别结果。采用上述技术方案，显著提升弱小目标识别的准确度，克服弱小目标识别误差或者弱小目标识别结果缺失。

Description

基于红外和可见光影像的弱小目标检测识别方法、装置
技术领域
本发明涉及影像检测识别技术领域，尤其涉及一种基于红外和可见光影像的弱小目标检测识别方法、装置。
背景技术
目前，目标检测已经有了较为广泛的应用，例如视频监控、目标识别和自动驾驶等。
现有技术中采用的目标检测识别技术方案中，对于弱小目标检测和识别的准确度是较低的，根本原因在于，弱小目标本身在影像中的占比较小，相比于弱小目标周边其他的物体而言，其所展现的图像特征也较少，因此在机器识别过程中，弱小目标十分容易被忽略，或者即使检测识别到弱小目标，也容易丢失弱小目标的部分特征，导致检测识别结果的不完整。
发明内容
发明目的：本发明提供一种基于红外和可见光影像的弱小目标检测识别方法、装置，通过合并可见光影像和红外影像得到四通道影像，增加弱小目标的特征通道，提升弱小目标识别的准确度；通过对图像的切分，扩大弱小目标在切片图像中的占比，提升检测的准确度；通过对图像中的大目标进行识别，通过识别结果的比对和合并，克服对切片图像进行识别所导致的弱小目标识别误差或者弱小目标识别结果缺失，提升检测的准确度；通过对红外影像进行运动检测，准确识别弱小目标。
技术方案：本发明提供一种基于红外和可见光影像的弱小目标检测识别方法，包括：对可见光影像和红外影像进行切片处理，得到第一切片图像和第二切片图像；所述切片处理包括：以弱小目标在红外影像中的尺寸进行扩大，形成包含了弱小目标的目标区域，在可见光影像和红外影像中分别提取得到目标区域的切片，通过像素映射合并得到四通道的第一切片图像；对原图像进行切分，获得多个第二切片图像；可见光影像和红外影像通过像素映射合并得到所述原图像；将第一切片图像输入四通道图像识别模型，输出第一检测框，还原至原图像中得到第一输出结果；将多个第二切片图像输入四通道图像识别模型，输出第二检测框序列，按照原图像将第二检测框序列进行组合拼接，得到第二输出结果；将第一输出结果和第二输出结果合并，得到最终识别结果。
具体的，对实时红外影像进行检测，识别发现其中存在小于标准尺寸的弱小目标之后，对可见光影像和红外影像进行切片处理。
具体的，所述标准尺寸为图像尺寸的5%，或20×20像素。
具体的，每两块相邻的第二切片图像之间存在重叠区域。
具体的，所述重叠区域尺寸为第二切片图像尺寸的25%。
具体的，将原图像输入四通道图像识别模型，对其中大于标准尺寸的大目标进行检测，输出第三输出结果。
具体的，分别对第一输出结果、第二输出结果和第三输出结果进行非极大值抑制计算，剔除冗余识别目标。
具体的，按照交并比的方式合并将第一输出结果、第二输出结果和第三输出结果，作为最终的检测识别结果。
具体的，所述四通道图像识别模型为YOLOv5。
本发明还提供一种基于红外和可见光影像的弱小目标检测识别装置，包括：切片单元、识别单元和合并单元，其中：所述切片单元，用于对可见光影像和红外影像进行切片处理，得到第一切片图像和第二切片图像；所述切片处理包括：以弱小目标在红外影像中的尺寸，按照标准比例扩大，形成包含了弱小目标的目标区域，在可见光影像和红外影像中分别提取得到目标区域的切片，通过像素映射合并得到四通道的第一切片图像；对原图像进行切分，获得多个第二切片图像；可见光影像和红外影像通过像素映射合并得到所述原图像；所述识别单元，用于将第一切片图像输入四通道图像识别模型，输出第一检测框，还原至原图像中得到第一输出结果；将多个第二切片图像输入四通道图像识别模型，输出第二检测框序列，按照原图像将第二检测框序列进行组合拼接，得到第二输出结果；所述合并单元，用于将第一输出结果和第二输出结果合并，得到最终识别结果。
有益效果：与现有技术相比，本发明具有如下显著优点：显著提升弱小目标识别的准确度，克服弱小目标识别误差或者弱小目标识别结果缺失。
附图说明
图1为本发明提供的基于红外和可见光影像的弱小目标检测识别方法的流程示意图；
图2为本发明提供的获取第一切片图像的示意图；
图3为本发明提供的获取第二切片图像的示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参阅图1，其为本发明提供的基于红外和可见光影像的弱小目标检测识别方法的流程示意图。
步骤1，对可见光影像和红外影像进行切片处理，得到第一切片图像和第二切片图像。
本发明实施例中，对实时红外影像进行运动检测，识别发现其中存在小于标准尺寸的运动弱小目标之后，对可见光影像和红外影像进行切片处理。
本发明实施例中，所述标准尺寸为图像尺寸的5%，或20×20像素。
在具体实施中，当弱小目标距离较远，成像像素较低时，在可见光图像中的占比较小时，传统可见光图像所能提供的图像特征非常有限，红外图像可以提供可见光所不具备的特征信息，因此可以引入红外图像辅助远距离弱小目标的检测，通过红外影像进行运动目标检测可以较为准确的检测到弱小目标的位置，进一步的，可以在红外影像对应的可见光图像中确定弱小目标的坐标位置，有助于提升后续的识别准确度。
本发明实施例中，以弱小目标在红外影像中的尺寸进行扩大，形成包含了弱小目标的目标区域，在可见光影像和红外影像中分别提取得到目标区域的切片，通过像素映射合并得到四通道的第一切片图像。
参阅图2，其为本发明提供的获取第一切片图像的示意图。
在具体实施中，通过在红外影像中的运动目标检测，检测得到弱小目标后，可以在弱小目标尺寸的基础上扩大一定的尺寸，具体扩大程度可以根据实际应用场景进行相应的设定。在扩大尺寸之后得到目标区域，以弱小目标在红外图像和可见光图像上的位置为基础，提取其中的目标区域的切片。
本发明实施例中，可见光影像和红外影像通过像素映射合并得到所述原图像。
在具体实施中，红外影像拍摄设备和可见光影像拍摄设备安装完成后，需要固定两者之间的相对位置，可以采用张正友标定法或者其他方法，确定两台设备之间的内外参数，以生成红外影像像素和可见光影像像素之间的映射关系，用于四通道的第一切片图像的合并，以及红外影像和可见光影像之间的合并。
参阅图3，其为本发明提供的获取第二切片图像的示意图。
本发明实施例中，对原图像进行切分，获得多个第二切片图像。
在具体实施中，原图像可以被切分为n个第二切片图像P1，P2...Pn，通过切分可以提高弱小目标在切片图像中在面积上的占比，由此可以更好的捕捉到弱小目标的图像特征，进而提升识别准确度。
本发明实施例中，每两块相邻的第二切片图像之间存在重叠区域。
本发明实施例中，所述重叠区域尺寸为第二切片图像尺寸的25%。
在具体实施中，为了避免弱小目标处于被切分的边界上而导致每块切片中仅包含了部分的弱小目标，因此，可以在切分第二切片图像时，按照每两块相邻的第二切片图像之间存在重叠区域进行切分，使得弱小目标可以完整的落在其中至少一块切片图像之后，提升后续的目标识别准确度。
步骤2，将第一切片图像输入四通道图像识别模型，输出第一检测框，还原至原图像中得到第一输出结果；将多个第二切片图像输入四通道图像识别模型，输出第二检测框序列，按照原图像将第二检测框序列进行组合拼接，得到第二输出结果。
在具体实施中，输出第一检测框，还原至原图像中，是指将识别结果映射返回至原图像之中。
本发明实施例中，所述四通道图像识别模型为YOLOv5s v6.1。
本发明实施例中，将原图像输入四通道图像识别模型，对其中大于标准尺寸的大目标进行检测，输出第三输出结果。
在具体实施中，对于原图像中的大目标检测，目的是为了克服弱小目标识别误差或者弱小目标识别结果缺失，原因在于，在切分获得第二切片图像的过程中，大目标有可能被切分为多个小部分，由于小部分可能和弱小目标相似，导致原本的弱小目标在识别过程中被忽略，或者错误的将大目标的多个小部分作为弱小目标进行识别，导致弱小目标识别误差，所以需要将第二切片图像的识别和原图像整体的识别联合判断，解决切片识别而导致的副作用。
步骤3，将第一输出结果和第二输出结果合并，得到最终识别结果。
本发明实施例中，分别对第一输出结果、第二输出结果和第三输出结果进行非极大值抑制计算，剔除冗余识别目标。
本发明实施例中，按照交并比（Intersection of Union，IoU）的方式合并将第一输出结果、第二输出结果和第三输出结果，作为最终的检测识别结果。
在具体实施中，由于弱小目标携带的图像特征较少，通过四通道的图像识别模型之后，仍然有可能错误将弱小目标周边的部分识别为弱小目标，通过非极大值抑制可以一定程度上予以克服，剔除冗余的识别目标，也即排除可能的错误识别为弱小目标的部分，进一步提升识别准确度。
在具体实施中，在交并比的过程中，可以是取得第一、第二输出结果中弱小目标识别结果的交集，进一步融合第一和第二输出结果，同时，对原图像整体进行的大目标识别结果（第三输出结果），可以与第二输出结果中的弱小目标进行比对，进行联合判断，判断是否将大目标中的某个小部分错误的识别为弱小目标，以消除第二输出结果中弱小目标识别误差，填补弱小目标识别结果缺失。
本发明还提供一种基于红外和可见光影像的弱小目标检测识别装置，包括：切片单元、识别单元和合并单元，其中：所述切片单元，用于对可见光影像和红外影像进行切片处理，得到第一切片图像和第二切片图像；所述切片处理包括：以弱小目标在红外影像中的尺寸，按照标准比例扩大，形成包含了弱小目标的目标区域，在可见光影像和红外影像中分别提取得到目标区域的切片，通过像素映射合并得到四通道的第一切片图像；对原图像进行切分，获得多个第二切片图像；可见光影像和红外影像通过像素映射合并得到所述原图像；所述识别单元，用于将第一切片图像输入四通道图像识别模型，输出第一检测框，还原至原图像中得到第一输出结果；将多个第二切片图像输入四通道图像识别模型，输出第二检测框序列，按照原图像将第二检测框序列进行组合拼接，得到第二输出结果；所述合并单元，用于将第一输出结果和第二输出结果合并，得到最终识别结果。
本发明实施例中，所述切片单元，用于对实时红外影像进行检测，识别发现其中存在小于标准尺寸的弱小目标之后，对可见光影像和红外影像进行切片处理。
本发明实施例中，所述标准尺寸为图像尺寸的5%，或20×20像素。
本发明实施例中，所述切片单元，用于在切分过程中，每两块相邻的第二切片图像之间存在重叠区域。
本发明实施例中，所述重叠区域尺寸为第二切片图像尺寸的25%。
本发明实施例中，所述识别单元，用于将原图像输入四通道图像识别模型，对其中大于标准尺寸的大目标进行检测，输出第三输出结果。
本发明实施例中，所述合并单元，用于分别对第一输出结果、第二输出结果和第三输出结果进行非极大值抑制计算，剔除冗余识别目标。
本发明实施例中，所述合并单元，用于按照交并比的方式合并将第一输出结果、第二输出结果和第三输出结果，作为最终的检测识别结果。
本发明实施例中，所述四通道图像识别模型为YOLOv5。

Claims (10)

1.一种基于红外和可见光影像的弱小目标检测识别方法，其特征在于，包括：
对可见光影像和红外影像进行切片处理，得到第一切片图像和第二切片图像；所述切片处理包括：以弱小目标在红外影像中的尺寸进行扩大，形成包含了弱小目标的目标区域，在可见光影像和红外影像中分别提取得到目标区域的切片，通过像素映射合并得到四通道的第一切片图像；对原图像进行切分，获得多个第二切片图像；可见光影像和红外影像通过像素映射合并得到所述原图像；
将第一切片图像输入四通道图像识别模型，输出第一检测框，还原至原图像中得到第一输出结果；将多个第二切片图像输入四通道图像识别模型，输出第二检测框序列，按照原图像将第二检测框序列进行组合拼接，得到第二输出结果；
将第一输出结果和第二输出结果合并，得到最终识别结果。
2.根据权利要求1所述的基于红外和可见光影像的弱小目标检测识别方法，其特征在于，所述对可见光影像和红外影像进行切片处理，包括：
对实时红外影像进行检测，识别发现其中存在小于标准尺寸的弱小目标之后，对可见光影像和红外影像进行切片处理。
3.根据权利要求2所述的基于红外和可见光影像的弱小目标检测识别方法，其特征在于，所述标准尺寸为图像尺寸的5%，或20×20像素。
4.根据权利要求3所述的基于红外和可见光影像的弱小目标检测识别方法，其特征在于，所述对原图像进行切分，包括：
每两块相邻的第二切片图像之间存在重叠区域。
5.根据权利要求4所述的基于红外和可见光影像的弱小目标检测识别方法，其特征在于，所述重叠区域尺寸为第二切片图像尺寸的25%。
6.根据权利要求5所述的基于红外和可见光影像的弱小目标检测识别方法，其特征在于，将原图像输入四通道图像识别模型，对其中大于标准尺寸的大目标进行检测，输出第三输出结果。
7.根据权利要求6所述的基于红外和可见光影像的弱小目标检测识别方法，其特征在于，所述将第一输出结果和第二输出结果合并，包括：
分别对第一输出结果、第二输出结果和第三输出结果进行非极大值抑制计算，剔除冗余识别目标。
8.根据权利要求7所述的基于红外和可见光影像的弱小目标检测识别方法，其特征在于，所述将第一输出结果和第二输出结果合并，包括：
按照交并比的方式合并将第一输出结果、第二输出结果和第三输出结果，作为最终的检测识别结果。
9.根据权利要求1所述的基于红外和可见光影像的弱小目标检测识别方法，其特征在于，所述四通道图像识别模型为YOLOv5。
10.一种基于红外和可见光影像的弱小目标检测识别装置，其特征在于，包括：切片单元、识别单元和合并单元，其中：
所述切片单元，用于对可见光影像和红外影像进行切片处理，得到第一切片图像和第二切片图像；所述切片处理包括：以弱小目标在红外影像中的尺寸，按照标准比例扩大，形成包含了弱小目标的目标区域，在可见光影像和红外影像中分别提取得到目标区域的切片，通过像素映射合并得到四通道的第一切片图像；对原图像进行切分，获得多个第二切片图像；可见光影像和红外影像通过像素映射合并得到所述原图像；
所述识别单元，用于将第一切片图像输入四通道图像识别模型，输出第一检测框，还原至原图像中得到第一输出结果；将多个第二切片图像输入四通道图像识别模型，输出第二检测框序列，按照原图像将第二检测框序列进行组合拼接，得到第二输出结果；
所述合并单元，用于将第一输出结果和第二输出结果合并，得到最终识别结果。
CN202211013437.XA 2022-08-23 2022-08-23 基于红外和可见光影像的弱小目标检测识别方法、装置 Active CN115100193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211013437.XA CN115100193B (zh) 2022-08-23 2022-08-23 基于红外和可见光影像的弱小目标检测识别方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211013437.XA CN115100193B (zh) 2022-08-23 2022-08-23 基于红外和可见光影像的弱小目标检测识别方法、装置

Publications (2)

Publication Number Publication Date
CN115100193A CN115100193A (zh) 2022-09-23
CN115100193B true CN115100193B (zh) 2022-11-25

Family

ID=83301676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211013437.XA Active CN115100193B (zh) 2022-08-23 2022-08-23 基于红外和可见光影像的弱小目标检测识别方法、装置

Country Status (1)

Country Link
CN (1) CN115100193B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090888A (zh) * 2018-01-04 2018-05-29 北京环境特性研究所 基于视觉注意模型的红外图像和可见光图像的融合检测方法
CN111027541A (zh) * 2019-11-15 2020-04-17 国网安徽省电力有限公司检修分公司 基于可见光和热成像的火焰检测方法、系统及存储介质
CN111582089A (zh) * 2020-04-27 2020-08-25 中国人民解放军军事科学院国防科技创新研究院 基于卫星红外与可见光图像的海上目标信息融合方法
CN113255521A (zh) * 2021-05-26 2021-08-13 青岛以萨数据技术有限公司 一种面向嵌入式平台的双模目标检测方法及系统
CN113327253A (zh) * 2021-05-24 2021-08-31 北京市遥感信息研究所 一种基于星载红外遥感影像的弱小目标检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090888A (zh) * 2018-01-04 2018-05-29 北京环境特性研究所 基于视觉注意模型的红外图像和可见光图像的融合检测方法
CN111027541A (zh) * 2019-11-15 2020-04-17 国网安徽省电力有限公司检修分公司 基于可见光和热成像的火焰检测方法、系统及存储介质
CN111582089A (zh) * 2020-04-27 2020-08-25 中国人民解放军军事科学院国防科技创新研究院 基于卫星红外与可见光图像的海上目标信息融合方法
CN113327253A (zh) * 2021-05-24 2021-08-31 北京市遥感信息研究所 一种基于星载红外遥感影像的弱小目标检测方法
CN113255521A (zh) * 2021-05-26 2021-08-13 青岛以萨数据技术有限公司 一种面向嵌入式平台的双模目标检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
复杂背景下红外图像弱小目标检测;蔡伟;《应用光学》;20210715;第42卷(第4期);全文 *

Also Published As

Publication number Publication date
CN115100193A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
US8902053B2 (en) Method and system for lane departure warning
EP2426642A1 (en) Method, device and system for motion detection
US7769227B2 (en) Object detector
US20120087573A1 (en) Eliminating Clutter in Video Using Depth Information
WO2019111976A1 (ja) 対象物検出装置、予測モデル作成装置、対象物検出方法及びプログラム
CN111191611B (zh) 基于深度学习的交通标志标号识别方法
US20210174092A1 (en) Image processing apparatus and method for feature extraction
JP5164351B2 (ja) 物体検出装置および物体検出方法
US20190102886A1 (en) Method for foreground and background determination in an image
CN112967221B (zh) 一种盾构管片生产与拼装信息管理系统
JP2004094640A (ja) 侵入物検出装置
CN114494462A (zh) 一种基于Yolov5和改进跟踪算法的双目相机测距方法
CN110675442A (zh) 一种结合目标识别技术的局部立体匹配方法及系统
CN110969071B (zh) 一种基于可行驶区域的障碍物检测方法、装置及系统
CN115546153A (zh) 一种基于三维点云与二维图像融合感知的产品表面缺陷检测方法
CN115100193B (zh) 基于红外和可见光影像的弱小目标检测识别方法、装置
JP3134845B2 (ja) 動画像中の物体抽出装置及び方法
JP2008165595A (ja) 障害物検出方法、障害物検出装置、障害物検出システム
JPH11345336A (ja) 障害物検出装置
KR101501531B1 (ko) 스테레오 비전 기반 보행자 검출 시스템 및 그 방법
CN116721109B (zh) 一种双目视觉图像半全局匹配方法
CN114331843B (zh) 一种基于灰度直方图的图像拼接方法
US20240233391A9 (en) Method and device for the detection and determination of the height of objects
TWI741317B (zh) 行人辨識方法與系統
CN112036227B (zh) 一种路面可行驶区域检测方法、装置以及自动驾驶系统

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