CN116097317A - 操作用于确定对象长度的辅助系统的方法、计算机程序产品、计算机可读存储介质和辅助系统 - Google Patents
操作用于确定对象长度的辅助系统的方法、计算机程序产品、计算机可读存储介质和辅助系统 Download PDFInfo
- Publication number
- CN116097317A CN116097317A CN202180054225.3A CN202180054225A CN116097317A CN 116097317 A CN116097317 A CN 116097317A CN 202180054225 A CN202180054225 A CN 202180054225A CN 116097317 A CN116097317 A CN 116097317A
- Authority
- CN
- China
- Prior art keywords
- length
- camera
- computing device
- electronic computing
- auxiliary system
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30261—Obstacle
-
- 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
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种用于运行辅助系统(2)的方法,在该方法中,检测对象(9)并且借助于电子计算装置(5)对对象(9)进行分类以便进一步评估,其中该分类被用作预定义对象(9)的第一长度(L)的基础,并且其中对象(9)另外借助于摄像机(4)被捕获、被评估和分类,并且对象(9)的第二长度(L)被确定,并且分类和第二长度(L)被传输到电子计算装置(5),其中预定的第一长度(L)基于第二长度(L)被调整以产生当前长度(L),并且受限卡尔曼过滤器(7)被用于更新当前长度(L),卡尔曼过滤器(7)的限制由借助于摄像机(4)确定的分类来预定义。本发明还涉及计算机程序产品、计算机可读存储介质和辅助系统(2)。
Description
技术领域
本发明涉及一种用于操作机动车辆的辅助系统的方法,其中借助辅助系统的检测装置检测机动车辆周围的对象,并且借助辅助系统的电子计算装置对对象进行分类,以便借助电子计算装置进行进一步的评估,其中借助于电子计算装置根据分类明确对象的第一长度用于进一步评估,并且其中借助于辅助系统的摄像机检测和评估对象,并且借助于摄像机对对象进行分类,并且确定对象的第二长度,并且将分类和第二长度传输到电子计算装置用于进一步评估。此外,本发明涉及计算机程序产品、计算机可读存储介质和辅助系统。
背景技术
众所周知,机动车辆中的摄像机,例如机动车辆中的前置摄像机,不能测量动态对象的长度。摄像机对对象进行分类,然后根据该分类明确该对象的特定长度。特别地,摄像机的分类不是非常稳定,例如,因为它多次改变类别,例如,从客车到卡车。如果对象信息项的更新,例如在对象跟踪的情况下,应该通过从摄像机明确的长度来执行,则长度的改变、例如基于另一个传感器的长度改变因此不能被执行。例如,可以由摄像机明确对象长2.5m,而激光雷达传感器装置给出信息项,例如对象长5m。这导致跟踪算法中的冲突,从而只能困难地确定和使用相应的长度。
US 2013/0245929 A1公开了一种用于传感器数据的过滤方法,该传感器数据由用于检测对象的传感器系统形成。从传感器数据测量缩放值,其中缩放值对应于在一段时间间隔内来自传感器数据的对象尺寸的变化,并且确定缩放值的测量误差参数并执行卡尔曼过滤,其直接基于测量的缩放值、时间间隔和测量误差参数,以便估计对象相对于传感器系统的至少一个归一化运动参数。
CN105631414 A涉及一种基于贝叶斯分类器对多个障碍物进行分类的车载装置和方法。分类装置包括:摄像机和连接到摄像机的PC;卡尔曼过滤模块,用于对摄像机记录的车辆前方的视频图像进行卡尔曼过滤并识别障碍物;特征提取模块,用于对识别出的障碍物进行特征提取;以及贝叶斯分类模块,用于使用贝叶斯分类器,以便根据障碍物目标的特征获得障碍物目标的分类,其中特征包括对称性特征、水平边缘线性特征和长宽比特征,分类包括骑自行车者/骑摩托车者、车辆侧向表面、车辆前侧和行人。
发明内容
本发明的目的是提供一种方法、一种计算机程序产品、一种计算机可读存储介质和一种辅助系统,借助于它们可以为机动车辆执行改进的对象跟踪。
这个目的通过根据独立权利要求的方法、计算机程序产品、计算机可读存储介质和辅助系统来实现。从属权利要求中规定了有利的实施例。
本发明的一个方面涉及一种用于操作机动车辆的辅助系统的方法,其中借助于辅助系统的检测装置检测机动车辆周围的对象,并且借助于辅助系统的电子计算装置对对象进行分类,以便借助于电子计算装置进行进一步评估,其中对象的第一长度根据分类来明确,以便借助于电子计算装置进行进一步的评估,并且其中对象另外借助于辅助系统的摄像机被检测和评估,并且通过摄像机被分类,以及确定对象的第二长度,并且将分类和第二长度传输到电子计算装置用于进一步的评估。
规定根据借助于摄像机确定的第二长度来调整所明确的第一长度,以借助于电子计算装置形成当前长度,并且借助于电子计算装置的约束卡尔曼过滤器来更新当前长度,其中卡尔曼过滤器的约束通过借助于摄像机确定的分类被预先确定。
因此,可以实现改进的问题跟踪,也可以称为问题跟踪。特别地,例如,关于对象的长度信息的当前项因此可以被调整。特别地,本发明因此解决了借助于摄像机确定的长度可以被其他传感器更新的问题,而不会在关于长度的其他信息项与其他传感器之间产生冲突。
换句话说,提出了一种用于处理车辆摄像机、特别是前置摄像机的数据的方法,或者用于借助地图跟踪车辆周围的对象的方法,其中,可以确定对象、例如另一车辆或卡车的长度,并且现在进一步处理该长度,其中,特别地,卡尔曼过滤器的约束被用于该目的。受限卡尔曼过滤器也可以称为约束卡尔曼过滤器。
因此,最小长度(例如,客车为2.5m或卡车为5m)或最大长度(例如,客车为5m)可以根据例如通过摄像机确定的类别被明确,其中该明确又被明确为用于确定长度的卡尔曼过滤器的约束,使得该长度在这些最小值和最大值之内。
特别地,对象的分类因此被执行以估计对象的长度。卡尔曼过滤器特别地随时间进行过滤,其中特别地通过经验实验来明确概率。特别地,对象的最小长度和/或最大长度可以通过对象在对象类中的相应分类来明确。卡尔曼过滤器然后又在条件或约束下操作,其中卡尔曼过滤器的这个约束是摄像机所确定的类别。
特别地,在D*x=d的条件下,通过约束卡尔曼过滤器的过滤可以通过下面的公式来执行。
该约束以这种方式作为估计结果:
其中λ对应于拉格朗日乘数,并且通常用于寻找具有次要条件的最小二乘问题的解。描述了考虑到约束的新估计。对应于不考虑约束的估计的期望,因此是卡尔曼过滤器的结果。Pn是不考虑约束的估计的协方差矩阵,因此是卡尔曼过滤器的结果。D是明确关于状态的线性约束的矩阵,例如,如果只有状态的特定值被绑定到固定值D=[0,0,0,1],如果这是状态的第四个值。D也可以用于明确状态参数的线性组合的约束,例如D=[1,0,0,0,0.5]将明确状态的第一个分量加上最后一个分量的一半的约束。可以同时明确多个线性约束,D则有多个线,例如D=[0,0,0,1;1,0,0,0,0]指定两个约束,一个针对状态的第一个值,一个针对状态的最后一个值。d是所需(多个)约束的值。d的行数等于D的行数。
根据一个有利的实施例,借助于摄像机的贝叶斯过滤器在摄像机中对对象进行分类。特别地,借助于贝叶斯过滤器可以提供一种简单但可靠的方法,借助于该方法可以执行摄像机的分类。特别地,贝叶斯过滤器使用相应的概率,并且可以在给定的条件下决定类别变化是否已经发生。特别地,贝叶斯过滤器因此在电子计算装置和摄像机的分类之间切换,使得摄像机的偶然类别变化可以借助贝叶斯过滤器被滤除。因此,可以忽略摄像机评估期间的短暂类别跳跃,从而可以执行更可靠的分类。然后,贝叶斯过滤器的分类又被传送到电子计算装置以供进一步评估。
如果客车和卡车和行人以及自行车和摩托车被明确分类为摄像机和/或电子计算装置的对象类别,则这是进一步有利的。因此,可以明确不同的对象类别,其中对象可以被分类到这些类别之一中。特别地,可能的道路使用者因此是可分类的,由此能够实现鲁棒的对象跟踪。
如果在分类开始时将贝叶斯过滤器中的相等概率分配给摄像机的每个对象类别,这将是更有利的。例如,如果应该明确五个类别,那么在对象分类开始时贝叶斯过滤器中的概率将特别是0.2。在对象跟踪初始化时,相同的值因此被分配给对象类别的相应概率。
此外,已经证明,如果贝叶斯过滤器中的概率相加后得到的值为1,则是有利的。因此,可以考虑不同的对象类别,其中,借助于贝叶斯过滤器来执行鲁棒的对象跟踪,该鲁棒的对象跟踪尤其对抗由摄像机产生的偶然对象类别变化。
在另一个有利的实施例中,借助于摄像机的另一电子计算装置来确定对象类别,并且这被传送到贝叶斯过滤器,并且在摄像机的另一电子计算装置确定相应的对象类别之后,贝叶斯过滤器中的对象类别的相应概率增加。具体而言,因此可以由摄像机确定对象类别,然后将其转而传递给贝叶斯过滤器。例如,如果摄像机随后将客车确定为对象类别,则贝叶斯过滤器因此增加了对象类别客车的概率,而其他类别的其他概率降低。例如,如果摄像机借助于所述另一电子计算装置确定对象可以被分配给客车的对象类别,则贝叶斯过滤器中的概率因此被设置为例如0.7。其他对象类别的其他概率相应地降低。因此,可以过滤摄像机的分类,由此可以执行更鲁棒的对象跟踪。
此外,已经证明有利的是,在通过贝叶斯过滤器达到对象类别中的一个的概率阈值时,借助于摄像机执行对象的分类,并且这被传输到电子计算装置。特别地,例如,可以规定,如果贝叶斯过滤器中的概率应该高于0.6,则通过贝叶斯过滤器执行相应的分类。如果摄像机随后应该执行改变,其中摄像机随后又将不同的对象类别传输到贝叶斯过滤器,那么贝叶斯过滤器将拒绝该信息,因为概率仍然太高而不能执行对象类别改变。为了通过摄像机的信息项来执行对象类别改变,摄像机要在要执行相应类别改变的指定时间内与贝叶斯过滤器通信。
此外,已经证明,如果在作为概率阈值的值为0.6时,借助于贝叶斯过滤器对对象进行分类是有利的。因此可以实现鲁棒的对象跟踪,因为在概率超过0.6时首先执行相应的分类。因此,摄像机引起的零星类别变化可以保持不被考虑。
如果卡尔曼过滤器的约束被指定为线性约束,这也是有利的。特别地,例如,可以规定,约束卡尔曼过滤器根据在测量更新(update)xn之后的卡尔曼过滤器的估计执行另一估计x,从而满足线性约束
D*x=d
因此可以实现可靠的对象跟踪。
根据另一有利实施例,如果借助于摄像机确定的对象的第二长度大于所明确的第一长度,则借助于约束卡尔曼过滤器将当前长度调整到借助于摄像机确定的第二长度。因此实现了可靠的长度更新。
此外,如果借助于摄像机确定的对象的第二长度小于所明确的第一长度,则借助于卡尔曼过滤器将当前长度调整到所明确的第一长度。因此,可以执行可靠且鲁棒的长度更新。
此外,已经证明有利的是,借助超声波传感器装置和/或借助雷达传感器装置和/或借助作为检测装置的激光雷达传感器装置在环境中检测对象。优选地,可以借助于雷达传感器装置和/或借助于激光雷达传感器装置来检测对象,因为这些装置尤其具有长距离和高分辨率。此外,可以借助雷达传感器装置和/或借助激光雷达传感器装置可靠地确定对象的长度。
本发明的另一方面涉及一种计算机程序产品,其具有存储在计算机可读介质中的程序代码装置,以便当该计算机程序产品在电子计算装置的处理器上运行时,执行用于操作根据前述方面的辅助系统的方法。
本发明的又一方面涉及一种具有根据前述方面的计算机程序产品的计算机可读存储介质。计算机可读存储介质尤其可以形成为电子计算装置的一部分。
本发明的另一方面涉及一种用于机动车辆的辅助系统,该辅助系统具有至少一个检测装置、摄像机和电子计算装置,该电子计算装置具有至少一个约束卡尔曼过滤器,其中该辅助系统被设计成执行根据前述方面的方法。特别地,该方法通过辅助系统来执行。
本发明的又一方面涉及一种具有根据前述方面的辅助系统的机动车辆。机动车辆具体体现为客车。机动车辆尤其可以作为至少半自动的机动车辆或者作为全自动的机动车辆运行。
该方法的有利实施例被视为计算机程序产品、计算机可读存储介质、辅助系统和机动车辆的有利实施例。辅助系统和机动车辆为此具有具体的特征,这些特征使得该方法或其有利的实施例能够被实施。
附图说明
本发明的进一步特征来自权利要求、附图和附图的描述。在不脱离本发明的范围的情况下,以上描述中引用的特征和特征的组合以及以下附图描述中引用的和/或单独在附图中示出的特征和特征的组合不仅可以用于分别指出的组合中,还可以用于其他组合中。因此,本发明还旨在被认为包括和公开了没有在附图中明确示出和解释的实施例,但是通过特征的单独组合,这些实施例可以从所解释的实施例中产生。因此不具有最初表述的独立权利要求的所有特征的实施例和特征组合也应该被认为是公开的。超出或不同于权利要求的反向引用中阐述的特征组合的实施例和特征组合还应被认为是公开的,特别是通过上述实施例。
现在将使用优选的示例性实施例并参考附图更详细地解释本发明。
在附图中:
图1示出了具有辅助系统的一个实施例的机动车辆的示意性俯视图;和
图2示出了根据该方法的一个实施例的示意流程图。
具体实施方式
在附图中,相同或功能相同的元件具有相同的附图标记。
图1示出了具有辅助系统2的一个实施例的机动车辆1的示意性俯视图。辅助系统2具有至少一个检测装置3和摄像机4。此外,辅助系统2具有电子计算装置5。此外,摄像机4尤其具有另一电子计算装置6。此外,电子计算装置5尤其具有受约束的卡尔曼过滤器7。检测装置3尤其可以设计为超声波传感器装置和/或雷达传感器装置和/或激光雷达传感器装置。
此外,图1示出了可以在机动车辆1的环境8中检测到的对象9。对象9可以是例如客车、卡车、行人、自行车或摩托车。在当前情况下,对象9具体示出为卡车。
图2示出了该方法的流程图的示意图。在用于运行机动车辆1的辅助系统2的方法中,借助于辅助系统2的检测装置3检测机动车辆1的周围环境8中的对象9,并且借助于辅助系统2的电子计算装置5对对象9进行分类,以便借助于电子计算装置5进行进一步的评估,其中借助于电子计算装置5根据分类明确对象9的第一长度L以用于进一步评估,并且其中另外借助于辅助系统2的摄像机4来检测和评估对象9,并且借助于摄像机4来对对象进行分类,并且确定对象9的第二长度L,并且将分类和第二长度L传输到电子计算装置5用于进一步评估。
规定所明确的第一长度L作为借助于摄像机4确定的第二长度L的函数被调整,以借助于电子计算装置5形成当前长度L,并且借助于电子计算装置5的约束卡尔曼过滤器7更新长度L,其中卡尔曼过滤器7的约束通过借助于摄像机4确定的分类被明确。
特别地,可以规定,借助于摄像机4的贝叶斯过滤器10在摄像机4中对对象9进行分类。例如,客车和卡车和行人以及自行车和摩托车可以被明确分类为摄像机4和/或电子计算装置5的对象类别。
特别地,在该方法的第一步S1中,在分类开始时,贝叶斯过滤器10中的等概率被分配给摄像机4的每个对象类别。贝叶斯过滤器10中的概率在相加时特别导致值1。
在该方法的第二步骤S2中,特别规定,借助于摄像机4的另一电子计算装置6确定对象类别,并且这被传输到贝叶斯过滤器10,并且在摄像机4的另一电子计算装置6确定相应的对象类别之后,贝叶斯过滤器10中的对象类别的相应概率增加。换句话说,可以特别规定,当分类已经由摄像机4执行时,这被传送到贝叶斯过滤器10,其中概率例如被定义为使得概率指示摄像机4明确例如对象9是机动车辆,其中对象9也是机动车辆。因此,可以明确机动车辆或客车的真实正比率。此外,贝叶斯过滤器还需要摄像机4反映它不是客车的情况的概率,尽管它是客车。总而言之,所有的概率是1。特别地,借助于摄像机4进行对象9的分类,并且当贝叶斯过滤器10达到对象类别之一的概率阈值时,首先将该分类传输到电子计算装置5,其中概率阈值例如可以是0.6。
在第三步骤S3中,长度L然后通过约束卡尔曼过滤器7来确定,其中约束特别是线性约束。例如,贝叶斯过滤器10可以选择具有最高概率的类别。根据该类别,例如,可以明确最小长度,例如对于客车为2.5m或对于卡车为5m,或者最大长度,例如对于客车为5m,其中该明确继而被明确为用于确定长度L的卡尔曼过滤器7的约束,使得所确定的长度L在这些最小和最大值范围内。此外,在第三步骤S3中,特别可以规定,当借助于摄像机4确定的对象9的长度L大于所明确的第一长度L时,当前长度L然后借助于约束卡尔曼过滤器7被调整到借助于摄像机4确定的第二长度L。可选地,如果借助于摄像机4确定的对象9的长度L小于所明确的第一长度L,则借助于约束卡尔曼过滤器7将当前长度L调整到所明确的第一长度L
特别地,卡尔曼过滤的约束可以例如在第一检测更新xn和另一估计x之后使用卡尔曼过滤器估计来执行,其中这满足线性约束
D*x=d
特别地,在D*x=d的条件下,通过约束卡尔曼过滤器的过滤可以通过下面的公式来执行。
该约束以这种方式作为估计结果:
其中λ对应于拉格朗日乘数,并且通常用于寻找具有次要条件的最小二乘问题的解。描述了考虑到约束的新估计。对应于不考虑约束的估计的期望,因此是卡尔曼过滤器的结果。Pn是不考虑约束的估计的协方差矩阵,因此是卡尔曼过滤器的结果。D是明确关于状态的线性约束的矩阵,例如,如果只有状态的特定值被绑定到固定值D=[0,0,0,1],如果这是状态的第四个值。D也可以用于明确状态参数的线性组合的约束,例如D=[1,0,0,0,0.5]将明确状态的第一个分量加上最后一个分量的一半的约束。可以同时明确多个线性约束,D则有多个线,例如D=[0,0,0,1;1,0,0,0,0]指定两个约束,一个针对状态的第一个值,一个针对状态的最后一个值。d是所需(多个)约束的值。d的行数等于D的行数。
总的来说,该图示出了基于过滤的类别借助于摄像机4来确定长度。
Claims (15)
1.一种用于操作机动车辆(1)的辅助系统(2)的方法,其中,借助于所述辅助系统(2)的检测装置(3)检测所述机动车辆(1)的周围环境(8)中的对象(9),并且借助于所述辅助系统(2)的电子计算装置(5)对所述对象(9)进行分类,以便借助于所述电子计算装置(5)进行进一步评估,其中借助于所述电子计算装置(5)根据分类明确所述对象(9)的第一长度(L)用于进一步评估,并且其中另外借助于所述辅助系统(2)的摄像机(4)检测和评估所述对象(9)并且借助于所述摄像机(4)对所述对象分类,以及确定所述对象(9)的第二长度(L),并且将所述分类和所述第二长度(L)传输到所述电子计算装置(5)用于进一步评估,
其特征在于,
所明确的第一长度(L)根据借助于所述摄像机(4)确定的第二长度(L)被调整,以借助于所述电子计算装置(5)形成当前长度(L),并且借助于所述电子计算装置(5)的受约束的卡尔曼过滤器(7)更新所述当前长度(L),其中所述卡尔曼过滤器(7)的约束通过借助于所述摄像机(4)确定的分类被明确。
2.根据权利要求1所述的方法,
其特征在于,
借助于所述摄像机(4)的贝叶斯过滤器(10)在所述摄像机(4)中对所述对象(9)进行分类。
3.根据权利要求1或2所述的方法,
其特征在于,
客车、卡车、行人、自行车和摩托车作为所述摄像机(4)和/或所述电子计算装置(5)的对象类别被明确分类。
4.根据权利要求2或3所述的方法,
其特征在于,
在分类开始时,在所述贝叶斯过滤器(10)中为所述摄像机(4)的每个对象类别分配相等的概率。
5.根据权利要求4所述的方法,
其特征在于,
所述贝叶斯过滤器(10)中的概率相加后的值为1。
6.根据权利要求4或5所述的方法,
其特征在于,
借助于所述摄像机(4)的另一电子计算装置(6)来确定对象类别,并且这被传送到所述贝叶斯过滤器(10),并且在所述摄像机(4)的所述另一电子计算装置(6)确定相应的对象类别之后,所述贝叶斯过滤器(10)中的对象类别的相应概率增加。
7.根据权利要求6所述的方法,
其特征在于,
如果所述贝叶斯过滤器(10)达到了一个对象类别的概率阈值,则借助于所述摄像机(4)执行所述对象(9)的分类,并且这被传输到所述电子计算装置(5)。
8.根据权利要求7所述的方法,
其特征在于,
在作为概率阈值的值为0.6时,借助于所述贝叶斯过滤器(10)执行所述对象(9)的分类。
9.根据前述权利要求中任一项所述的方法,
其特征在于,
所述卡尔曼过滤器(7)的约束被明确为线性约束。
10.根据前述权利要求中任一项所述的方法,
其特征在于,
如果借助于所述摄像机(4)确定的所述对象(9)的第二长度(L)大于所明确的第一长度(L),则借助于所述受约束的卡尔曼过滤器(7)将所述当前长度(L)调整到借助于所述摄像机(4)确定的所述第二长度(L)。
11.根据权利要求1至9中任一项所述的方法,
其特征在于,
如果借助于所述摄像机(4)确定的所述对象(9)的第二长度(L)小于所明确的第一长度(L),则借助于所述受约束的卡尔曼过滤器(7)将所述当前长度(L)调整到所述明确的第一长度(L)。
12.根据前述权利要求中任一项所述的方法,
其特征在于,
借助作为检测装置(3)的超声波传感器装置和/或雷达传感器装置和/或激光雷达传感器装置在周围环境(8)中检测对象(9)。
13.一种计算机程序产品,具有存储在计算机可读介质中的程序代码装置,以便当所述计算机程序产品在电子计算装置(5)的处理器上运行时,执行如前述权利要求1至12中任一项所述的方法。
14.一种计算机可读存储介质,具有如权利要求13所述的计算机程序产品。
15.一种用于机动车辆(1)的辅助系统(2),具有至少一个检测装置(3)、摄像机(4)和电子计算装置(5),所述电子计算装置具有至少一个受约束的卡尔曼过滤器(7),其中所述辅助系统(2)被设计成执行如权利要求1至12中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020121061.2 | 2020-08-11 | ||
DE102020121061.2A DE102020121061A1 (de) | 2020-08-11 | 2020-08-11 | Verfahren zum Betreiben eines Assistenzsystems zur Bestimmung einer Länge eines Objekts, Computerprogrammprodukt, computerlesbares Speichermedium sowie Assistenzsystem |
PCT/EP2021/071517 WO2022033905A1 (de) | 2020-08-11 | 2021-08-02 | Verfahren zum betreiben eines assistenzsystems zur bestimmung einer länge eines objekts, computerprogrammprodukt, computerlesbares speichermedium sowie assistenzsystem |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116097317A true CN116097317A (zh) | 2023-05-09 |
Family
ID=77300908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180054225.3A Pending CN116097317A (zh) | 2020-08-11 | 2021-08-02 | 操作用于确定对象长度的辅助系统的方法、计算机程序产品、计算机可读存储介质和辅助系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230267633A1 (zh) |
EP (1) | EP4196903A1 (zh) |
JP (1) | JP2023537987A (zh) |
CN (1) | CN116097317A (zh) |
DE (1) | DE102020121061A1 (zh) |
WO (1) | WO2022033905A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10148064A1 (de) | 2001-09-28 | 2003-04-10 | Ibeo Automobile Sensor Gmbh | Verfahren zur Erkennung und Verfolgung von Objekten |
DE102012203909A1 (de) | 2012-03-13 | 2013-09-19 | Robert Bosch Gmbh | Filterverfahren und Filtervorrichtung für Sensordaten |
CN105631414B (zh) | 2015-12-23 | 2019-04-05 | 上海理工大学 | 一种基于贝叶斯分类器的车载多障碍物分类装置及方法 |
-
2020
- 2020-08-11 DE DE102020121061.2A patent/DE102020121061A1/de active Pending
-
2021
- 2021-08-02 US US18/020,368 patent/US20230267633A1/en active Pending
- 2021-08-02 CN CN202180054225.3A patent/CN116097317A/zh active Pending
- 2021-08-02 WO PCT/EP2021/071517 patent/WO2022033905A1/de unknown
- 2021-08-02 JP JP2023509821A patent/JP2023537987A/ja not_active Withdrawn
- 2021-08-02 EP EP21752685.4A patent/EP4196903A1/de not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
WO2022033905A1 (de) | 2022-02-17 |
DE102020121061A1 (de) | 2022-02-17 |
EP4196903A1 (de) | 2023-06-21 |
JP2023537987A (ja) | 2023-09-06 |
US20230267633A1 (en) | 2023-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8194998B2 (en) | Preceding vehicle detection system | |
JP5690688B2 (ja) | 外界認識方法,装置,および車両システム | |
CN106537180B (zh) | 用于用针对行人的主动制动的摄影机输入缓解雷达传感器限制的方法 | |
JP4857840B2 (ja) | 物体検出方法および物体検出装置 | |
JP4211809B2 (ja) | 物体検出装置 | |
JP5939357B2 (ja) | 移動軌跡予測装置及び移動軌跡予測方法 | |
US20180150704A1 (en) | Method of detecting pedestrian and vehicle based on convolutional neural network by using stereo camera | |
JP5178276B2 (ja) | 画像認識装置 | |
CN109891262B (zh) | 物体探测装置 | |
US20070225933A1 (en) | Object detection apparatus and method | |
US20160162743A1 (en) | Vehicle vision system with situational fusion of sensor data | |
US20160217335A1 (en) | Stixel estimation and road scene segmentation using deep learning | |
WO2005036371A2 (en) | Moving object detection using low illumination depth capable computer vision | |
KR20090014124A (ko) | 이미지 평가 방법 및 장치 | |
EP2511121B1 (en) | Device and method for generating an indication signal to the driver of a vehicle | |
JP2013057992A (ja) | 車間距離算出装置およびそれを用いた車両制御システム | |
US8160300B2 (en) | Pedestrian detecting apparatus | |
CN108515967B (zh) | 一种基于车牌识别的防撞预警方法及装置 | |
JP2005090974A (ja) | 先行車認識装置 | |
Michalke et al. | Towards a closer fusion of active and passive safety: Optical flow-based detection of vehicle side collisions | |
CN113366493A (zh) | 信息处理方法、以及信息处理系统 | |
CN113119993A (zh) | 车辆及其控制方法 | |
CN116097317A (zh) | 操作用于确定对象长度的辅助系统的方法、计算机程序产品、计算机可读存储介质和辅助系统 | |
WO2022130709A1 (ja) | 物体識別装置、および、物体識別方法 | |
US10755113B2 (en) | Method and device for estimating an inherent movement of a vehicle |
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 |