CN115171431A - 一种交叉口多视角大型车辆盲区预警方法 - Google Patents
一种交叉口多视角大型车辆盲区预警方法 Download PDFInfo
- Publication number
- CN115171431A CN115171431A CN202210989407.6A CN202210989407A CN115171431A CN 115171431 A CN115171431 A CN 115171431A CN 202210989407 A CN202210989407 A CN 202210989407A CN 115171431 A CN115171431 A CN 115171431A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- blind area
- picture
- intersection
- view
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Abstract
本发明提出了一种交叉口多视角大型车辆盲区预警方法,通过在交叉口内部布设多机位摄像头的方式,对交叉口内大型车辆与行人目标形成多视角检测,识别采用训练好的YOLOv5模型,通过多视角单应性变换实现人车坐标的俯视图重构与转换,提出主视角闵可夫斯基加权算法对多视角捕获到的目标进行同源锁定,提出多视角遮挡率加权修正算法对大型车状态空间进行融合修正,提出CTARA模型对大型车辆进行轨迹预测,提出建立自适应盲区模型库,通过车辆特征信息实现大型车辆盲区的自适应匹配,最后基于盲区重合度提出全盲区及半盲区两类形式,实现多视角下大型车辆的盲区预警。相比于现有的盲区预警方法,本发明弥补了单目摄像头视野范围受限的缺点,提高了车辆盲区范围的针对性,避免了车载装置存在数据交互不统一与推广困难的问题。
Description
技术领域
本发明涉及智能交通设施技术与车辆预警技术领域,特别涉及到一种多视角下的大型车辆盲区预警方法。
背景技术
随着公共交通与货物运输需求的上升,大型车辆在道路交通流中的占比也在增加,针对大型车视野受限与因盲区造成的交通事故较其他车型具有严重性,大型车辆的盲区预警已逐渐成为道路设施优化重点与车辆行车安全的重要保障。
目前针对大型车辆的盲区预警,大多采用的是加装车载装置的方式,通过单目视觉成像,或借助雷达、超声波等微波技术,或结合多种传感器来实现车辆的盲区预警。然而当前的方法都存在一定的限制与缺陷:一是没有考虑不同车型、不同姿态等各类情况下的预警范围,缺少针对性和泛化能力;二是采用的单目视觉成像等方法存在识别范围受限,难以提供其他盲区的视角情况,无法覆盖交叉口的全部区域等问题;三是采用的微波技术易受天气因素的影响,精度缺乏保障。
此外目前的预警方法也还存在易受障碍物遮挡影响、目标识别不够全面、在目标距离较远时会精度出现下降、算法的鲁棒性有待提升等问题;同时车辆加装外设装置的方式也存在推广成本较高、面向对象受限等缺点,因此寻找一种新的大型车辆盲区预警方法来实现车辆多方位的识别与多目标数据的整合具有必要性与创新性。
发明内容
为克服当前在道路交叉口存在的大型车辆盲区预警技术存在的不足与缺陷,本发明提供了一种交叉口多视角大型车辆盲区预警方法,具体包括以下实施步骤:
S10:多视角大型车辆与行人检测识别。采用训练好的具备可用于识别大型车种
类、车辆姿态以及行人的权重的YOLOv5模型对车辆目标与行人目标进行识别。提出在交叉
口内布设多机位摄像头的方式,对交叉口内采集多角度画面并对画面赋予编号;当第角度
画面检测到出现大型车辆时,将所述画面作为主视角画面,将所述车辆作为关键目标,采集
所述目标的车辆尺寸信息与特征信息,进行S20;当第角度画面检测到出现行人时,进行
S60;
S20:大型车辆坐标转换与同源匹配。对各视角画面与对应交叉口俯视图坐标进行
标定,通过单应性变换,将各画面内获取的大型车坐标转换到世界坐标系下;在同一坐标系
下多视角坐标的基础上,提出主视角闵可夫斯基加权算法对各画面获取到的所述交叉口坐
标()进行目标划分,实现不同视角下同一目标的锁定;
S30:大型车辆状态空间修正。采用所述YOLOv5模型,通过视角转换,输出各角度画
面内大型车在二维世界坐标系下的状态空间;由各角度画面内大型车的受遮
挡情况提出遮挡率概念,并在此基础上提出多视角遮挡率加权修正算法,对所述同一大
型车的所有状态空间进行修正,得到大型车的修正状态空间;构成大型车所述状态空
间的特征量包括交叉口坐标()、偏航角、速度、加速度以及角加速度;
S40:预测大型车辆的短时未来轨迹。以当前时刻为初始帧,提出CTARA(Constant
Turn Acceleration Rate and Acceleration)模型对所述目标进行轨迹预测,以40毫秒为
间隔,得到未来1秒内大型车辆的预测状态空间;
S50:自适应车辆盲区匹配与计算。提出自适应大型车盲区模型库的建立,通过S10
所述车辆尺寸信息调取对应盲区模型库,得到各预测坐标()下的盲区范围;对所述
范围进行重叠累计,设定出全盲区与半盲区范围;所述自适应大型车盲区模型库包括自适
应静态视觉盲区与右转向轨迹盲区;
S70:对来车方向进行LED文字滚动与语音提示警报。对所述全盲区采取持续预警,即存在行人即刻启动预警;对所述半盲区采取选择性预警,即当存在行人时,仅车辆靠近后启动预警。
进一步的,所述S10对大型车采集的所述车辆尺寸信息包括:车辆轴数、轴距、
车身长度以及车身宽度;所述车辆特征信息包括车头左右车灯、驾驶室挡风玻璃边角、
左右后视镜、车牌、前后车轮、左右侧窗玻璃边角、车辆货箱,车厢边缘点、车尾灯以及后围
板玻璃四角;
进一步的,所述S20主视角闵可夫斯基加权算法过程如下:
S21:以交叉口平面几何中心作为原点建立二维世界坐标系,以视频画
面左上角为原点建立像素坐标系,得到第画面中大型车的二位检测框中心点在所
述像素坐标系中的画面坐标(),通过单应性变换,将所述画面坐标()转换到所述二
维世界坐标系下的交叉口坐标();
S23:若两所述目标判别空间符合以下关系:
则说明第画面与第画面(主视角画面)识别到相同目标,进入S50;否则说明存在
第二目标,继续寻找符合所述关系的坐标点,直到所有所述坐标都锁定了对应目标;式中为大型车在第画面(主视角画面)内的交叉口坐标,为大型车在第画面内
的交叉口坐标,、、为量纲权重值,为其他视角与主视角目标判定空间的闵可夫斯
基加权距离,为分类误差值;
进一步的,在所述S42之后,所述大型车辆状态空间修正过程如下:
进一步的,S40中提出的所述CTARA模型对大型车辆的预测过程如下:
进一步的,在所述S42之后,对大型车的自适应盲区适配过程为:
S53:对大型车的各预测点位适配自适应静态视觉盲区;
若满足以下条件:
进一步的,对所述S62所述自适应大型车盲区模型库具体包括:
Ⅰ型大型车的所述自适应静态视觉盲区范围表达模型为:
Ⅱ型大型车的所述自适应静态视觉盲区范围表达模型为:
S63所述大型车右转向轨迹盲区范围表达模型为:
与当前技术相比较,本发明的有益效果在于:
1、本发明采取在道路交叉口布置多机位摄像头的方式,形成了多视角覆盖的交叉口视频检测,极大的提升了对车辆目标与行人目标在交叉口内的识别范围;
2、本发明通过整对多机位摄像头捕捉到的车辆视频信息进行整合,可以弥补某一角度因视野范围受限或出现障碍物遮挡而导致识别失效的缺点;
3、本发明考虑了不同类别的大型车辆具有不同盲区范围的问题,建立了基于大型车辆特征的自适应盲区模型库,提高了盲区预警的精确度与有效性;
4、本发明在硬件设施方面仅采用了安装于交叉口内部的摄像头,无需任何车载设施,避免了车载装置存在数据交互不统一与推广困难的问题。
附图说明
图1为本发明的流程示意图。
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,下面将结合本发明中的附图进行实例操作,以对本发明中的技术方案进行更清楚、完整地描述。显然,所描述的实施例仅为本发明用作说明的一部分实施例,而非对本发明范围的限制。
实施例:
本发明公开了一种交叉口多视角大型车辆盲区预警方法,所提出的方法的流程示意图如图1所示,该方法有如下具体步骤:
步骤1:人车目标多视角识别与修正,具体包括以下四个步骤:
多视角摄像头布置与识别模型建立:
以视野开阔的十字交叉口为例,为实现人车目标全方位的识别,需要在交叉口各进口道对向上布设摄像头,来对各方向进去交叉口的车辆进行识别。我们所使用的摄像头位置及参数如表1:
表1:交叉口摄像头参数
我们应用的交叉口道路参数如表2:
表2:交叉口道路参数
各进口车道数 | 3 |
车道宽度 | 3.5m |
进口道数 | 4 |
信号灯相位数 | 4 |
通过视频采集,对获取到的交叉口大型车辆与行人的训练集进行深度学习,得到具备可用于识别大型车种类、车辆姿态以及行人的权重的YOLOv5模型。
人车目标识别及坐标的转换锁定:
以东向南一侧摄像头捕获画面为例,对该画面标记为1号画面,当某大型车首次出现在该画面中后,将该画面定义为该大型车的主视角画面,对大型车采集画面坐标(ui,vi),车辆轴数N、轴距T、车身长度L和车身宽度W等车辆尺寸信息以及车头左右车灯、驾驶室挡风玻璃边角、左右后视镜、车牌、前后车轮、左右侧窗玻璃边角、车辆货箱,车厢边缘点、车尾灯以及后围板玻璃四角等车辆特征信息;
而后采用单应性变换,将车辆在像素坐标系下的画面坐标转换到二维世界坐标系下的交叉口坐标(Xwi,Ywi),变换方法如下:
其中An为由n(n>4)对已知两坐标系下对应点构成的对应点对矩阵:H为对An采用SVD算法降噪后,采用DLT算法计算求解得到标定好的单应性矩阵; (ui,vi)为大型车画面坐标;(Xwi,Ywi)为大型车交叉口坐标。
同源目标锁定:
当多画面内均有大型车辆的识别信息后,需要进一步对目标进行同一性锁定,具体为计算其余视角与主视角各大型车目标间的主视角闵可夫斯基加权距离,小于分类误差值时则认定为同一目标,否则作为第二目标继续寻找同源目标,本例中提出的主视角闵可夫斯基加权算法过程如下:
其中Ei为主视角画面获取到的大型车交叉口坐标与速度生成的目标判别空间; Fj
为其余画面获取到的大型车交叉口坐标与速度生成的目标判别空间;distmk为其他视角与
主视角目标判定空间的闵可夫斯基加权距离;d1、d2、d3为量纲权重值;分类误差值。
大型车姿态修正:
同源目标锁定后,需要对多视角获取到的车辆信息进行整合修正,采用训练好的
YOLOv5模型,计算输出各画面内大型车包含交叉口坐标()、偏航角、速度 、加速
度 以及角加速度 的状态空间 ,本发明通过提出多视角遮挡率加权修正算法,对所
述同一大型车的所有状态空间 进行修正,得到大型车的修正状态空间 。偏航角 余
弦向量转换算法过程如下:
多视角遮挡率加权修正算法过程如下:
其中为第i画面内大型车的遮挡率;l、w为大型车二维检测框长与宽; l´、w´为
当前二维检测框受遮挡部份的长与宽;M为识别到的S11所述大型车特征信息的数量;w´为
当前大型车受遮挡而未识别到的所述大型车特征;γ为尺寸修正指数项,η为特征修正指数
项;Zi为各画面内大型车的状态空间;βi为权向量各元素; Zk为同一大型车修正状态空间。
步骤2:大型车自适应盲区预测。具体包括以下两个步骤:
大型车短时轨迹预测:
基于多视角修正后的大型车状态空间,下一步本发明提出通过CTARA(ConstantTurn Acceleration Rate and Acceleration)模型对大型车辆进行轨迹预测,得到未来1秒内以40毫秒为间隔的大型车辆预测状态空间Zk+m,CTARA模型算法过程如下:
其中Zk+m为大型车未来预测状态空间,(xk+m, yk+m)为未来预测坐标点。
自适应盲区匹配:
得到大型车辆未来的运动状态后,在下一步本发明提出建立包括自适应静态视觉盲区与右转向轨迹盲区的自适应大型车盲区模型库,根据多视角画面采集到的大型车车辆尺寸信息调取对应盲区模型库,得到各预测坐标(Xwn,Ywn)下的盲区范围。大型车二维下的四顶点在k时刻下的交叉口坐标位置计算过程如下:
大型车自适应静态视觉盲区适配过程如下:
Ⅰ型大型车车前A区:
Ⅰ型大型车车身B区:
Ⅰ型大型车车尾C区:
Ⅱ型大型车车前A区:
Ⅱ型大型车车身B区:
Ⅱ型大型车车尾C区:
大型车右转向轨迹盲区适配过程如下:
大型车右转向轨迹盲区范围适配过程为:
步骤三:对来车与行人进行危险预警,具体包括以下两个步骤:
盲区内行人存在判断:
对所述预测点盲区范围内点进行区域重叠并计算重叠累计,得到预测盲区总范围与重叠累计值 τ´,超过重叠累计阈值τ则为大型车全盲区,否则为大型车半盲区。下一步对行人坐标点与盲区范围进行重叠判断,若判断为存在行人,则启动预警功能,否则回到步骤3继续对大型车进行轨迹预测;
警报提示:
对全盲区采取持续预警,即存在行人即刻启动预警;对半盲区采取选择性预警,即当存在行人时,仅车辆靠近后启动预警。预警方式为:对来车方向进行LED文字滚动与语音提示警报。
Claims (8)
1.一种交叉口多视角大型车辆盲区预警方法,其特征在于:
包括以下步骤:
S10:多视角大型车辆与行人检测识别,采用训练好的具备可用于识别大型车种类、车辆姿态以及行人的权重的YOLOv5模型对车辆目标与行人目标进行识别,提出在交叉口内布设多机位摄像头的方式,对交叉口内采集多角度画面并对画面赋予编号i;当第i角度画面检测到出现大型车辆时,将所述画面作为主视角画面,将所述车辆作为关键目标,采集所述目标的车辆尺寸信息与特征信息,进S20;当第i角度画面检测到出现行人时,进行S60;
S20:大型车辆坐标转换与同源匹配,对各视角画面与对应交叉口俯视图坐标进行标定,通过单应性变换,将各画面内获取的大型车坐标转换到世界坐标系下;在同一坐标系下多视角坐标的基础上,提出主视角闵可夫斯基加权算法对各画面获取到的所述交叉口坐标(X_wi,Y_wi)进行目标划分,实现不同视角下同一目标的锁定;
S30:大型车辆状态空间修正,采用所述YOLOv5模型,通过视角转换,输出各角度画面内大型车在二维世界坐标系O_w-X_w Y_w下的状态空间Z_i;由各角度画面内大型车的受遮挡情况提出遮挡率θ_i概念,并在此基础上提出多视角遮挡率加权修正算法,对所述同一大型车的所有状态空间Z_i进行修正,得到大型车的修正状态空间Z_k;构成大型车所述状态空间的特征量包括交叉口坐标(X_wi,Y_wi)、偏航角φ_i、速度v_i、加速度α_i以及角加速度ω_i;
S40:预测大型车辆的短时未来轨迹,以当前时刻为初始帧,提出CTARA(Constant TurnAcceleration Rate and Acceleration)模型对所述目标进行轨迹预测,以40毫秒为间隔,得到未来1秒内大型车辆的预测状态空间Z_(k+m);
S50:自适应车辆盲区匹配与计算,提出自适应大型车盲区模型库的建立,通过S10所述车辆尺寸信息调取对应盲区模型库,得到各预测坐标(X_wn,Y_wn)下的盲区范围;对所述范围进行重叠累计,设定出全盲区与半盲区范围;所述自适应大型车盲区模型库包括自适应静态视觉盲区与右转向轨迹盲区;
S60:行人位置与盲区预警范围重合度检测,通过所述单应性变换,将行人的所述画面坐标(u_i,v_i)转换到所述交叉口坐标(X_wi,Y_wi),判断是否在盲区预警范围内,是则进行 S70;否则回到S40;
S70:对来车方向进行LED文字滚动与语音提示警报,对所述全盲区采取持续预警,即存在行人即刻启动预警;对所述半盲区采取选择性预警,即当存在行人时,仅车辆靠近后启动预警。
2.根据权利要求1所述的一种交叉口多视角大型车辆盲区预警方法,其特征在于:对大型车采集的所述车辆尺寸信息包括:车辆轴数N、轴距T、车身长度L以及车身宽度W;所述车辆特征信息包括车头左右车灯、驾驶室挡风玻璃边角、左右后视镜、车牌、前后车轮、左右侧窗玻璃边角、车辆货箱,车厢边缘点、车尾灯以及后围板玻璃四角。
3.根据权利要求1与2所述的一种交叉口多视角大型车辆盲区预警方法,其特征在于:所述主视角闵可夫斯基加权算法过程如下:
S21:以交叉口平面几何中心作为原点建立二维世界坐标系,以视频画面左上
角为原点建立像素坐标系,得到第画面中大型车的二位检测框中心点在所述像素
坐标系中的画面坐标(),通过单应性变换,将所述画面坐标()转换到所述二维世界
坐标系下的交叉口坐标();
S23:若两所述目标判别空间符合以下关系:
5.根据权利要求5所述的一种交叉口多视角大型车辆盲区预警方法,其特征在于:在所述S32之后,所述大型车辆状态空间修正过程如下:
7.根据权利要求1、5、7所述的一种交叉口多视角大型车辆盲区预警方法,其特征在于:在S42之后,对大型车的自适应盲区适配过程为:
S53:对大型车的各预测点位适配自适应静态视觉盲区;
若满足以下条件:
8.根据权利要求1与8所述的一种交叉口多视角大型车辆盲区预警方法,其特征在于:对S50所述自适应大型车盲区模型库包括自适应静态视觉盲区与右转向轨迹盲区,具体为:
Ⅰ型大型车的所述自适应静态视觉盲区范围表达模型为:
车前A区:
Ⅱ型大型车的所述自适应静态视觉盲区范围表达模型为:
S53所述大型车右转向轨迹盲区范围表达模型为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210989407.6A CN115171431A (zh) | 2022-08-17 | 2022-08-17 | 一种交叉口多视角大型车辆盲区预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210989407.6A CN115171431A (zh) | 2022-08-17 | 2022-08-17 | 一种交叉口多视角大型车辆盲区预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115171431A true CN115171431A (zh) | 2022-10-11 |
Family
ID=83482112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210989407.6A Pending CN115171431A (zh) | 2022-08-17 | 2022-08-17 | 一种交叉口多视角大型车辆盲区预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115171431A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116543594A (zh) * | 2023-05-10 | 2023-08-04 | 青岛成建网络科技有限公司 | 一种应用数据分析技术的智慧城市分析管理系统及方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0949818A2 (en) * | 1998-04-07 | 1999-10-13 | Matsushita Electric Industrial Co., Ltd. | On-vehicle image display apparatus, image transmission system, image transmission apparatus, and image capture apparatus |
CN106303456A (zh) * | 2016-08-31 | 2017-01-04 | 苏州佳世达电通有限公司 | 一种防死角通讯方法及系统 |
CN106476697A (zh) * | 2016-10-27 | 2017-03-08 | 深圳市元征科技股份有限公司 | 一种行车指示方法及装置 |
CN109671299A (zh) * | 2019-01-04 | 2019-04-23 | 浙江工业大学 | 一种基于路口摄像探头对行人危险预警的系统及方法 |
CN110430401A (zh) * | 2019-08-12 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 车辆盲区预警方法、预警装置、mec平台和存储介质 |
CN110992683A (zh) * | 2019-10-29 | 2020-04-10 | 山东科技大学 | 一种基于动态图像感知的交叉口盲区预警方法及系统 |
CN111554124A (zh) * | 2020-04-16 | 2020-08-18 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 交叉路口大货车右转弯防撞预警系统及预警方法 |
WO2021004077A1 (zh) * | 2019-07-09 | 2021-01-14 | 华为技术有限公司 | 一种检测车辆的盲区的方法及装置 |
CN112466159A (zh) * | 2020-11-30 | 2021-03-09 | 浙江科技学院 | 一种大型车辆右转弯安全性预警系统 |
CN112991818A (zh) * | 2021-01-22 | 2021-06-18 | 浙江合众新能源汽车有限公司 | 一种汽车避免因盲区发生碰撞的方法及系统 |
CN113196362A (zh) * | 2018-12-20 | 2021-07-30 | 欧姆龙株式会社 | 检测装置、移动体系统以及检测方法 |
CN113356101A (zh) * | 2021-07-13 | 2021-09-07 | 合肥工业大学 | 一种大型车辆右转盲区的城市道路警示标线设计方法 |
CN114801993A (zh) * | 2022-06-28 | 2022-07-29 | 鹰驾科技(深圳)有限公司 | 一种汽车盲区监控系统 |
-
2022
- 2022-08-17 CN CN202210989407.6A patent/CN115171431A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0949818A2 (en) * | 1998-04-07 | 1999-10-13 | Matsushita Electric Industrial Co., Ltd. | On-vehicle image display apparatus, image transmission system, image transmission apparatus, and image capture apparatus |
CN106303456A (zh) * | 2016-08-31 | 2017-01-04 | 苏州佳世达电通有限公司 | 一种防死角通讯方法及系统 |
CN106476697A (zh) * | 2016-10-27 | 2017-03-08 | 深圳市元征科技股份有限公司 | 一种行车指示方法及装置 |
CN113196362A (zh) * | 2018-12-20 | 2021-07-30 | 欧姆龙株式会社 | 检测装置、移动体系统以及检测方法 |
CN109671299A (zh) * | 2019-01-04 | 2019-04-23 | 浙江工业大学 | 一种基于路口摄像探头对行人危险预警的系统及方法 |
WO2021004077A1 (zh) * | 2019-07-09 | 2021-01-14 | 华为技术有限公司 | 一种检测车辆的盲区的方法及装置 |
CN110430401A (zh) * | 2019-08-12 | 2019-11-08 | 腾讯科技(深圳)有限公司 | 车辆盲区预警方法、预警装置、mec平台和存储介质 |
CN110992683A (zh) * | 2019-10-29 | 2020-04-10 | 山东科技大学 | 一种基于动态图像感知的交叉口盲区预警方法及系统 |
CN111554124A (zh) * | 2020-04-16 | 2020-08-18 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 交叉路口大货车右转弯防撞预警系统及预警方法 |
CN112466159A (zh) * | 2020-11-30 | 2021-03-09 | 浙江科技学院 | 一种大型车辆右转弯安全性预警系统 |
CN112991818A (zh) * | 2021-01-22 | 2021-06-18 | 浙江合众新能源汽车有限公司 | 一种汽车避免因盲区发生碰撞的方法及系统 |
CN113356101A (zh) * | 2021-07-13 | 2021-09-07 | 合肥工业大学 | 一种大型车辆右转盲区的城市道路警示标线设计方法 |
CN114801993A (zh) * | 2022-06-28 | 2022-07-29 | 鹰驾科技(深圳)有限公司 | 一种汽车盲区监控系统 |
Non-Patent Citations (2)
Title |
---|
姚佼: "基于货车运行特征的交叉口安全评价", 《物流科技》, pages 68 - 72 * |
李奕安: "基于视觉融合与深度学习的智能道路协同感知方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 034 - 49 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116543594A (zh) * | 2023-05-10 | 2023-08-04 | 青岛成建网络科技有限公司 | 一种应用数据分析技术的智慧城市分析管理系统及方法 |
CN116543594B (zh) * | 2023-05-10 | 2024-01-09 | 青岛成建网络科技有限公司 | 一种应用数据分析技术的智慧城市分析管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10551485B1 (en) | Fitting points to a surface | |
CN113276769B (zh) | 车辆盲区防撞预警系统及方法 | |
CN108909624B (zh) | 一种基于单目视觉的实时障碍物检测和定位方法 | |
Gandhi et al. | Pedestrian protection systems: Issues, survey, and challenges | |
EP2924653B1 (en) | Image processing apparatus and image processing method | |
JP5297078B2 (ja) | 車両の死角における移動物体を検知するための方法、および死角検知装置 | |
CN109703460B (zh) | 多摄像头的复杂场景自适应车辆碰撞预警装置及预警方法 | |
Gandhi et al. | Pedestrian collision avoidance systems: A survey of computer vision based recent studies | |
EP1671216B1 (en) | Moving object detection using low illumination depth capable computer vision | |
CN112215306B (zh) | 一种基于单目视觉与毫米波雷达融合的目标检测方法 | |
US20130088578A1 (en) | Image processing apparatus and vehicle | |
CN107031623A (zh) | 一种基于车载盲区相机的道路预警方法 | |
JP5178276B2 (ja) | 画像認識装置 | |
TW201704067A (zh) | 防撞方法、實現該防撞方法之電腦程式產品及防撞系統 | |
LU101647B1 (en) | Road pedestrian classification method and top-view pedestrian risk quantitative method in two-dimensional world coordinate system | |
KR20120034352A (ko) | 장애물 감지 시스템 및 방법 | |
CN115171431A (zh) | 一种交叉口多视角大型车辆盲区预警方法 | |
Yoneda et al. | Simultaneous state recognition for multiple traffic signals on urban road | |
Kim et al. | An intelligent and integrated driver assistance system for increased safety and convenience based on all-around sensing | |
Monwar et al. | Vision-based potential collision detection for reversing vehicle | |
Cardarelli et al. | 44 Vision-Based Blind Spot Monitoring | |
Labayrade et al. | Obstacle detection based on fusion between stereovision and 2d laser scanner | |
Lai et al. | Sensor fusion of camera and MMW radar based on machine learning for vehicles | |
CN116721547B (zh) | 一种面向交叉口右转区域大货车的安全指导系统与方法 | |
Kuo et al. | Fast Estimation of Pedestrian Movement. |
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 |