CN116953680B - 一种基于图像的目标物实时测距方法及系统 - Google Patents
一种基于图像的目标物实时测距方法及系统 Download PDFInfo
- Publication number
- CN116953680B CN116953680B CN202311190206.0A CN202311190206A CN116953680B CN 116953680 B CN116953680 B CN 116953680B CN 202311190206 A CN202311190206 A CN 202311190206A CN 116953680 B CN116953680 B CN 116953680B
- Authority
- CN
- China
- Prior art keywords
- ranging
- real
- image
- target object
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 101
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 127
- 230000003287 optical effect Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 11
- 102100033620 Calponin-1 Human genes 0.000 claims description 6
- 102100033591 Calponin-2 Human genes 0.000 claims description 6
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 claims description 6
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/12—Systems for determining distance or velocity not using reflection or reradiation using electromagnetic waves other than radio waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像的目标物实时测距方法及系统,包括以下步骤:将第一目标物动向的前向方位和后向方位分别作为第一测距方位和第二测距方位;在第一测距方位处和第二测距方位处,分别放置CCD镜头以同频实时拍摄,对应获取包含第一目标物和动向终点的第一测距实时图像,以及第二测距实时图像;根据第一测距实时图像、第二测距实时图像,通过测距关系函数,得到第一目标物到动向终点的实时距离。本发明利用神经网络以及通过第一测距实时图像和第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式构建测距关系函数,实现双向对目标物图像进行测距,测距过程中对测距空间信息的挖掘充分,提高图像测距准确性。
Description
技术领域
本发明涉及图像测距技术领域,具体涉及一种基于图像的目标物实时测距方法及系统。
背景技术
图像测量是非接触式测量中使用的重要方法之一,该方法利用图像处理技术对包含测量目标的图像进行处理,进而获取测距结果。图像测量的优势是简单易行,成本低廉,不需要复杂的测量工具,适合应用于传统接触式测量难以实施的场合。
现有技术中单一方向的图像测距,距离测量只能依赖于一个方向的目标物图像进行相对性测距,测距过程中对测距空间信息的挖掘不充分,因此,导致单一方向的图像测距准确性有限。
发明内容
本发明的目的在于提供一种基于图像的目标物实时测距方法,以解决现有技术中距离测量只能依赖于一个方向的目标物图像进行相对性测距,测距过程中对测距空间信息的挖掘不充分,因此,导致单一方向的图像测距准确性有限的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种基于图像的目标物实时测距方法,包括以下步骤:
将第一目标物动向的前向方位和后向方位分别作为第一测距方位和第二测距方位,所述第一测距方位用于在第一目标物动向的前向对第一目标物到动向终点的实时距离进行测量,所述第二测距方位用于在第一目标物动向的后向对第一目标物到动向终点进行测量,动向终点为第一目标物移动的终点位置;
在第一测距方位处和第二测距方位处,分别放置CCD镜头以同频实时拍摄,对应获取包含第一目标物和动向终点的第一测距实时图像,以及包含第一目标物和动向终点的第二测距实时图像;
根据第一测距实时图像、第二测距实时图像,通过测距关系函数,得到第一目标物到动向终点的实时距离,其中,所述测距关系函数为神经网络,或所述测距关系函数为通过第一测距实时图像和第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式。
作为本发明的一种优选方案,所述第一测距方位、第一目标物、动向终点与所述第二测距方位在同一水平线上依次排列。
作为本发明的一种优选方案,所述第一测距实时图像和第二测距实时图像的拍摄时刻相同,且第一测距实时图像和第二测距实时图像的图像规格一致。
作为本发明的一种优选方案,所述测距关系函数为通过第一测距实时图像、第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式,包括:
对第一测距实时图像和第二测距图像分别进行SSD检测算法得到第一目标物的像素宽度,动向终点的像素宽度;
获取CCD镜头的光学焦距,以及第一目标物的物理宽度,动向终点的物理宽度;
根据CCD镜头的光学焦距,第一目标物的物理宽度,动向终点的物理宽度以及第一测距实时图像中第一目标物的像素宽度,动向终点的像素宽度,通过单目测距的相似几何关系,得到在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,所述在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式为:
D1=|(F*W)/P1-(F*V)/Q1|;
式中,D1为在第一测距实时图像中获取第一目标物到动向终点的实时距离,P1为第一测距实时图像中第一目标物的像素宽度,Q1为第一测距实时图像中动向终点的像素宽度,F为CCD镜头的焦距,W为第一目标物的物理宽度,V为动向终点的物理宽度,|(F*W)/P1-(F*V)/Q1|为(F*W)/P1和(F*V)/Q1间差值的绝对值;
根据CCD镜头的光学焦距,第一目标物的物理宽度,动向终点的物理宽度以及第二测距图像中第一目标物的像素宽度,动向终点的像素宽度,通过单目测距的相似几何关系,得到在第二测距图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,所述在第二测距图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式为:
D2=|(F*W)/P2-(F*V)/Q2|;
式中,D2为在第二测距图像中获取第一目标物到动向终点的实时距离,P2为第二测距图像中第一目标物的像素宽度,Q2为第一测距实时图像中动向终点的像素宽度,F为CCD镜头的焦距,W为第一目标物的物理宽度,V为动向终点的物理宽度,|(F*W)/P2-(F*V)/Q2|为(F*W)/P2和(F*V)/Q2间差值的绝对值。
作为本发明的一种优选方案,所述测距关系函数为神经网络,包括:
将第一测距实时图像和在第一测距实时图像中获取第一目标物到动向终点的实时距离分别作为第一神经网络的输入项和输出项;
将第二测距图像和在第二测距图像中获取第一目标物到动向终点的实时距离分别作为第二神经网络的输入项和输出项;
将第一神经网络的输出项与第二神经网络的输出项间的均方误差作为损失函数;
基于损失函数对第一神经网络和第二神经网络进行网络训练得到测距关系函数;
所述测距关系函数的模型表达式为:
;
式中,D1为在第一测距实时图像中获取第一目标物到动向终点的实时距离,G1为第一测距实时图像,CNN1为第一神经网络,D2为在第二测距图像中获取第一目标物到动向终点的实时距离,G2为第二测距图像,CNN2为第二神经网络。
作为本发明的一种优选方案,所述损失函数的函数表达式为:
Loss=MSE(D1,D2);
式中,Loss为损失函数,MSE为均方误差运算符,MSE(D1,D2)为D1和D2的均方误差。
作为本发明的一种优选方案,所述根据第一测距实时图像、第二测距实时图像,通过测距关系函数,得到第一目标物到动向终点的实时距离,包括:
测算测距关系函数为神经网络时的测距关系函数的准确度,利用神经网络的准确度评估指标作为测距关系函数的准确度;
当为神经网络的测距关系函数的准确度高于或等于准确度阈值,则利用为神经网络的测距关系函数,根据第一测距实时图像、第二测距实时图像,得到第一目标物到动向终点的实时距离;
当为神经网络的测距关系函数的准确度小于准确度阈值,则利用在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,在第二测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,根据第一测距实时图像、第二测距实时图像,得到第一目标物到动向终点的实时距离。
作为本发明的一种优选方案,本发明提供了一种应用于基于图像的目标物实时测距方法的测距系统,包括:
CCD镜头组件,包含两个光学参数一致的CCD镜头,两个CCD镜头分别设置在第一测距方位处和第二测距方位处,用于获取包含第一目标物和动向终点的第一测距实时图像,以及包含第一目标物和动向终点的第二测距实时图像;
处理器组件,用于根据第一测距实时图像、第二测距实时图像,通过测距关系函数,得到第一目标物到动向终点的实时距离;
存储器组件,存储有测距关系函数,所述测距关系函数为神经网络,或所述测距关系函数为通过第一测距实时图像和第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式。
作为本发明的一种优选方案,所述测距关系函数为通过第一测距实时图像、第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式,包括:
对第一测距实时图像和第二测距图像分别进行SSD检测算法得到第一目标物的像素宽度,动向终点的像素宽度;
获取CCD镜头的光学焦距,以及第一目标物的物理宽度,动向终点的物理宽度;
根据CCD镜头的光学焦距,第一目标物的物理宽度,动向终点的物理宽度以及第一测距实时图像中第一目标物的像素宽度,动向终点的像素宽度,通过单目测距的相似几何关系,得到在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,所述在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式为:
D1=|(F*W)/P1-(F*V)/Q1|;
式中,D1为在第一测距实时图像中获取第一目标物到动向终点的实时距离,P1为第一测距实时图像中第一目标物的像素宽度,Q1为第一测距实时图像中动向终点的像素宽度,F为CCD镜头的焦距,W为第一目标物的物理宽度,V为动向终点的物理宽度,|(F*W)/P1-(F*V)/Q1|为(F*W)/P1和(F*V)/Q1间差值的绝对值;
根据CCD镜头的光学焦距,第一目标物的物理宽度,动向终点的物理宽度以及第二测距图像中第一目标物的像素宽度,动向终点的像素宽度,通过单目测距的相似几何关系,得到在第二测距图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,所述在第二测距图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式为:
D2=|(F*W)/P2-(F*V)/Q2|;
式中,D2为在第二测距图像中获取第一目标物到动向终点的实时距离,P2为第二测距图像中第一目标物的像素宽度,Q2为第一测距实时图像中动向终点的像素宽度,F为CCD镜头的焦距,W为第一目标物的物理宽度,V为动向终点的物理宽度,|(F*W)/P2-(F*V)/Q2|为(F*W)/P2和(F*V)/Q2间差值的绝对值;
所述测距关系函数为神经网络,包括:
将第一测距实时图像和在第一测距实时图像中获取第一目标物到动向终点的实时距离分别作为第一神经网络的输入项和输出项;
将第二测距图像和在第二测距图像中获取第一目标物到动向终点的实时距离分别作为第二神经网络的输入项和输出项;
将第一神经网络的输出项与第二神经网络的输出项间的均方误差作为损失函数;
基于损失函数对第一神经网络和第二神经网络进行网络训练得到测距关系函数;
所述测距关系函数的模型表达式为:
;
式中,D1为在第一测距实时图像中获取第一目标物到动向终点的实时距离,G1为第一测距实时图像,CNN1为第一神经网络,D2为在第二测距图像中获取第一目标物到动向终点的实时距离,G2为第二测距图像,CNN2为第二神经网络;
所述损失函数的函数表达式为:
Loss=MSE(D1,D2);
式中,Loss为损失函数,MSE为均方误差运算符,MSE(D1,D2)为D1和D2的均方误差。
作为本发明的一种优选方案,所述处理器组件测算测距关系函数为神经网络时的测距关系函数的准确度,利用神经网络的准确度评估指标作为测距关系函数的准确度;
当为神经网络的测距关系函数的准确度高于或等于准确度阈值,处理器组件利用为神经网络的测距关系函数,根据第一测距实时图像、第二测距实时图像,得到第一目标物到动向终点的实时距离;
当为神经网络的测距关系函数的准确度小于准确度阈值,处理器组件利用在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,在第二测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,根据第一测距实时图像、第二测距实时图像,得到第一目标物到动向终点的实时距离。
本发明与现有技术相比较具有如下有益效果:
本发明利用神经网络以及通过第一测距实时图像和第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式构建测距关系函数,实现双向对目标物图像进行测距,测距过程中对测距空间信息的挖掘充分,提高图像测距准确性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的目标物实时测距方法流程图;
图2为本发明实施例提供的测距系统框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
遥现有技术中单一方向的图像测距,距离测量只能依赖于一个方向的目标物图像进行相对性测距,测距过程中对测距空间信息的挖掘不充分,因此,导致单一方向的图像测距准确性有限。因此本发明提供一种基于图像的目标物实时测距方法,利用测距关系函数,实现双向对目标物图像进行测距,测距过程中对测距空间信息的挖掘充分,提高图像测距准确性。
如图1所示,本发明提供了一种基于图像的目标物实时测距方法,包括以下步骤:
将第一目标物动向的前向方位和后向方位分别作为第一测距方位和第二测距方位,第一测距方位用于在第一目标物动向的前向对第一目标物到动向终点的实时距离进行测量,第二测距方位用于在第一目标物动向的后向对第一目标物到动向终点进行测量,动向终点为第一目标物移动的终点位置;
在第一测距方位处和第二测距方位处,分别放置CCD镜头以同频实时拍摄,对应获取包含第一目标物和动向终点的第一测距实时图像,以及包含第一目标物和动向终点的第二测距实时图像;
根据第一测距实时图像、第二测距实时图像,通过测距关系函数,得到第一目标物到动向终点的实时距离,其中,测距关系函数为神经网络,或测距关系函数为通过第一测距实时图像和第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式。
本发明为了提高图像对目标物测距的准确性,在目标物动向的前向方位和后向方位分别进行单目测距,测量目标物距离终点位置的实时距离,双向方位的测距图像,能够分别包含前向方位处目标物和终点位置的位置信息,以及后向方位处目标物与终点位置的位置信息,从两个方位的位置信息中解析出目标物距离终点位置的实时距离,相较于单个方位的位置信息中解析出目标物距离终点位置的实时距离,单个方位获取的位置信息有限,两个方位用于分析的位置信息更加充分丰富,且方位互补,能够使得两个方位获取的位置信息相互补充,且相互约束,使得获取的分析结果(目标物距离终点位置的实时距离)也更加可靠,因此,为了提供更多的目标物和终点位置的位置信息,在目标物动向的前向方位和后向方位分别进行单目测距。
本发明在通过两个互补方位获取相互补充且相互约束的目标物与终点位置的位置信息后,利用通过测距关系函数对位置信息进行解析得到目标物距离终点位置的实时距离,测距关系函数为通过第一测距实时图像和第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式,测距关系函数分别对两个测距图像进行独立的信息解析,分别获得两个测距方向上的目标物距离终点位置的实时距离的独立结果,因此虽然利用了两个方位上更多的位置信息,测距的结果准确度得以增强,但并未充分的对两个方位的位置信息间的补充性、约束性进行考量,因此本发明利用神经网络训练测距关系函数,减小目标物距离终点位置的实时距离受测距图像选取的影响,降低目标物距离终点位置的实时距离的测量误差,提高双向方位测距的准确性。
第一测距方位、第一目标物、动向终点与第二测距方位在同一水平线上依次排列。
第一测距实时图像和第二测距实时图像的拍摄时刻相同,且第一测距实时图像和第二测距实时图像的图像规格一致。
测距关系函数为通过第一测距实时图像、第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式,包括:
对第一测距实时图像和第二测距图像分别进行SSD检测算法得到第一目标物的像素宽度,动向终点的像素宽度;
获取CCD镜头的光学焦距,以及第一目标物的物理宽度,动向终点的物理宽度;
根据CCD镜头的光学焦距,第一目标物的物理宽度,动向终点的物理宽度以及第一测距实时图像中第一目标物的像素宽度,动向终点的像素宽度,通过单目测距的相似几何关系,得到在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式为:
D1=|(F*W)/P1-(F*V)/Q1|;
式中,D1为在第一测距实时图像中获取第一目标物到动向终点的实时距离,P1为第一测距实时图像中第一目标物的像素宽度,Q1为第一测距实时图像中动向终点的像素宽度,F为CCD镜头的焦距,W为第一目标物的物理宽度,V为动向终点的物理宽度,|(F*W)/P1-(F*V)/Q1|为(F*W)/P1和(F*V)/Q1间差值的绝对值;
根据CCD镜头的光学焦距,第一目标物的物理宽度,动向终点的物理宽度以及第二测距图像中第一目标物的像素宽度,动向终点的像素宽度,通过单目测距的相似几何关系,得到在第二测距图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,在第二测距图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式为:
D2=|(F*W)/P2-(F*V)/Q2|;
式中,D2为在第二测距图像中获取第一目标物到动向终点的实时距离,P2为第二测距图像中第一目标物的像素宽度,Q2为第一测距实时图像中动向终点的像素宽度,F为CCD镜头的焦距,W为第一目标物的物理宽度,V为动向终点的物理宽度,|(F*W)/P2-(F*V)/Q2|为(F*W)/P2和(F*V)/Q2间差值的绝对值。
本发明为了进一步提高测距的准确性,在单目测距中降低了测距相对性,单目测距中获得的是测距物体与图片拍摄镜头的距离,是一种相对性测量,本发明利用单目测距分别在图像中获取了目标物与镜头的距离,也获取了终点位置与镜头的距离,通过目标物与镜头的距离和终点位置与镜头的距离之间进行距离差绝对值计算,得到目标物与终点位置的距离。上述目标物与终点位置的距离计算中,对镜头部分进行抵消,获得一个绝对量,使得目标物与终点位置的距离变相为一种绝对性测量,准确性得到提高。
本发明为了进一步提高测距关系函数的准确性或科学性,利用神经网络训练作为CCD镜头单目测距公式的测距关系函数得到作为神经网络的测距关系函数,充分的对两个方位的位置信息间的补充性、约束性进行考量,更进一步降低目标物与终点位置的距离的测距误差,具体如下:
测距关系函数为神经网络,包括:
将第一测距实时图像和在第一测距实时图像中获取第一目标物到动向终点的实时距离分别作为第一神经网络的输入项和输出项;
将第二测距图像和在第二测距图像中获取第一目标物到动向终点的实时距离分别作为第二神经网络的输入项和输出项;
将第一神经网络的输出项与第二神经网络的输出项间的均方误差作为损失函数;
基于损失函数对第一神经网络和第二神经网络进行网络训练得到测距关系函数;
测距关系函数的模型表达式为:
;
式中,D1为在第一测距实时图像中获取第一目标物到动向终点的实时距离,G1为第一测距实时图像,CNN1为第一神经网络,D2为在第二测距图像中获取第一目标物到动向终点的实时距离,G2为第二测距图像,CNN2为第二神经网络。
损失函数的函数表达式为:
Loss=MSE(D1,D2);
式中,Loss为损失函数,MSE为均方误差运算符,MSE(D1,D2)为D1和D2的均方误差。
本发明利用孪生神经网络训练的方法训练测距关系函数,使得同时输入第一测距图像和第二测距图像会获得一致的目标物到动向终点的实时距离,减小目标物到动向终点的实时距离受未充分的对两个方位的位置信息间的补充性、约束性进行考量的影响,降低作为CCD镜头单目测距公式的测距关系函数中两个方位的测距图像间的测距独立性,充分对第一测距图像和第二测距图像中相互补充且相互约束的目标物与终点位置的位置信息挖掘。
本发明利用作为神经网络的测距关系函数结合作为CCD镜头单目测距公式的测距关系函数,共同用于确定第一目标物与动向终点的实时距离,在作为神经网络的测距关系函数达到高准确性时,直接使用神经网络的测距关系函数进行动向终点的实时距离的测距,保持估算科学性、准确性,但是如果神经网络的测距关系函数,训练不足,准确度不高,则还是使用作为CCD镜头单目测距公式的测距关系函数来保持估算的科学性、准确性,双重方法能够在各种情形下确保CCD镜头单目测距公式的测距关系函数的测距准确性,具体如下:
根据第一测距实时图像、第二测距实时图像,通过测距关系函数,得到第一目标物到动向终点的实时距离,包括:
测算测距关系函数为神经网络时的测距关系函数的准确度,利用神经网络的准确度评估指标作为测距关系函数的准确度;
当为神经网络的测距关系函数的准确度高于或等于准确度阈值,则利用为神经网络的测距关系函数,根据第一测距实时图像、第二测距实时图像,得到第一目标物到动向终点的实时距离;
当为神经网络的测距关系函数的准确度小于准确度阈值,则利用在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,在第二测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,根据第一测距实时图像、第二测距实时图像,将第一测距实时图像中获取第一目标物到动向终点的实时距离与第二测距实时图像中获取第一目标物到动向终点的实时距离进行均值化处理,得到第一目标物到动向终点的实时距离;
如图2所示,本发明提供了一种应用于基于图像的目标物实时测距方法的测距系统,包括:
CCD镜头组件,包含两个光学参数一致的CCD镜头,两个CCD镜头分别设置在第一测距方位处和第二测距方位处,用于获取包含第一目标物和动向终点的第一测距实时图像,以及包含第一目标物和动向终点的第二测距实时图像;
处理器组件,用于根据第一测距实时图像、第二测距实时图像,通过测距关系函数,得到第一目标物到动向终点的实时距离;
存储器组件,存储有测距关系函数,测距关系函数为神经网络,或测距关系函数为通过第一测距实时图像和第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式。
测距关系函数为通过第一测距实时图像、第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式,包括:
对第一测距实时图像和第二测距图像分别进行SSD检测算法得到第一目标物的像素宽度,动向终点的像素宽度;
获取CCD镜头的光学焦距,以及第一目标物的物理宽度,动向终点的物理宽度;
根据CCD镜头的光学焦距,第一目标物的物理宽度,动向终点的物理宽度以及第一测距实时图像中第一目标物的像素宽度,动向终点的像素宽度,通过单目测距的相似几何关系,得到在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式为:
D1=|(F*W)/P1-(F*V)/Q1|;
式中,D1为在第一测距实时图像中获取第一目标物到动向终点的实时距离,P1为第一测距实时图像中第一目标物的像素宽度,Q1为第一测距实时图像中动向终点的像素宽度,F为CCD镜头的焦距,W为第一目标物的物理宽度,V为动向终点的物理宽度,|(F*W)/P1-(F*V)/Q1|为(F*W)/P1和(F*V)/Q1间差值的绝对值;
根据CCD镜头的光学焦距,第一目标物的物理宽度,动向终点的物理宽度以及第二测距图像中第一目标物的像素宽度,动向终点的像素宽度,通过单目测距的相似几何关系,得到在第二测距图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,在第二测距图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式为:
D2=|(F*W)/P2-(F*V)/Q2|;
式中,D2为在第二测距图像中获取第一目标物到动向终点的实时距离,P2为第二测距图像中第一目标物的像素宽度,Q2为第一测距实时图像中动向终点的像素宽度,F为CCD镜头的焦距,W为第一目标物的物理宽度,V为动向终点的物理宽度,|(F*W)/P2-(F*V)/Q2|为(F*W)/P2和(F*V)/Q2间差值的绝对值;
本发明为了进一步提高测距的准确性,在单目测距中降低了测距相对性,单目测距中获得的是测距物体与图片拍摄镜头的距离,是一种相对性测量,本发明利用单目测距分别在图像中获取了目标物与镜头的距离,也获取了终点位置与镜头的距离,通过目标物与镜头的距离和终点位置与镜头的距离之间进行距离差绝对值计算,得到目标物与终点位置的距离。上述目标物与终点位置的距离计算中,对镜头部分进行抵消,获得一个绝对量,使得目标物与终点位置的距离变相为一种绝对性测量,准确性得到提高。
测距关系函数为神经网络,包括:
将第一测距实时图像和在第一测距实时图像中获取第一目标物到动向终点的实时距离分别作为第一神经网络的输入项和输出项;
将第二测距图像和在第二测距图像中获取第一目标物到动向终点的实时距离分别作为第二神经网络的输入项和输出项;
将第一神经网络的输出项与第二神经网络的输出项间的均方误差作为损失函数;
基于损失函数对第一神经网络和第二神经网络进行网络训练得到测距关系函数;
测距关系函数的模型表达式为:
;
式中,D1为在第一测距实时图像中获取第一目标物到动向终点的实时距离,G1为第一测距实时图像,CNN1为第一神经网络,D2为在第二测距图像中获取第一目标物到动向终点的实时距离,G2为第二测距图像,CNN2为第二神经网络;
损失函数的函数表达式为:
Loss=MSE(D1,D2);
式中,Loss为损失函数,MSE为均方误差运算符,MSE(D1,D2)为D1和D2的均方误差。
本发明利用孪生神经网络训练的方法训练测距关系函数,使得同时输入第一测距图像和第二测距图像会获得一致的目标物到动向终点的实时距离,减小目标物到动向终点的实时距离受未充分的对两个方位的位置信息间的补充性、约束性进行考量的影响,降低作为CCD镜头单目测距公式的测距关系函数中两个方位的测距图像间的测距独立性,充分对第一测距图像和第二测距图像中相互补充且相互约束的目标物与终点位置的位置信息挖掘。
处理器组件测算测距关系函数为神经网络时的测距关系函数的准确度,利用神经网络的准确度评估指标作为测距关系函数的准确度;
当为神经网络的测距关系函数的准确度高于或等于准确度阈值,处理器组件利用为神经网络的测距关系函数,根据第一测距实时图像、第二测距实时图像,得到第一目标物到动向终点的实时距离;
当为神经网络的测距关系函数的准确度小于准确度阈值,处理器组件利用在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,在第二测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,根据第一测距实时图像、第二测距实时图像,得到第一目标物到动向终点的实时距离。
本发明利用神经网络以及通过第一测距实时图像和第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式构建测距关系函数,实现双向对目标物图像进行测距,测距过程中对测距空间信息的挖掘充分,提高图像测距准确性。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (6)
1.一种基于图像的目标物实时测距方法,其特征在于:包括以下步骤:
将第一目标物动向的前向方位和后向方位分别作为第一测距方位和第二测距方位,所述第一测距方位用于在第一目标物动向的前向对第一目标物到动向终点的实时距离进行测量,所述第二测距方位用于在第一目标物动向的后向对第一目标物到动向终点进行测量,动向终点为第一目标物移动的终点位置;
在第一测距方位处和第二测距方位处,分别放置CCD镜头以同频实时拍摄,对应获取包含第一目标物和动向终点的第一测距实时图像,以及包含第一目标物和动向终点的第二测距实时图像;
根据第一测距实时图像、第二测距实时图像,通过测距关系函数,得到第一目标物到动向终点的实时距离,其中,所述测距关系函数为神经网络,或所述测距关系函数为通过第一测距实时图像和第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式;
所述测距关系函数为通过第一测距实时图像、第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式,包括:
对第一测距实时图像和第二测距图像分别进行SSD检测算法得到第一目标物的像素宽度,动向终点的像素宽度;
获取CCD镜头的光学焦距,以及第一目标物的物理宽度,动向终点的物理宽度;
根据CCD镜头的光学焦距,第一目标物的物理宽度,动向终点的物理宽度以及第一测距实时图像中第一目标物的像素宽度,动向终点的像素宽度,通过单目测距的相似几何关系,得到在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,所述在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式为:
D1=|(F*W)/P1-(F*V)/Q1|;
式中,D1为在第一测距实时图像中获取第一目标物到动向终点的实时距离,P1为第一测距实时图像中第一目标物的像素宽度,Q1为第一测距实时图像中动向终点的像素宽度,F为CCD镜头的焦距,W为第一目标物的物理宽度,V为动向终点的物理宽度,|(F*W)/P1-(F*V)/Q1|为(F*W)/P1和(F*V)/Q1间差值的绝对值;
根据CCD镜头的光学焦距,第一目标物的物理宽度,动向终点的物理宽度以及第二测距图像中第一目标物的像素宽度,动向终点的像素宽度,通过单目测距的相似几何关系,得到在第二测距图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,所述在第二测距图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式为:
D2=|(F*W)/P2-(F*V)/Q2|;
式中,D2为在第二测距图像中获取第一目标物到动向终点的实时距离,P2为第二测距图像中第一目标物的像素宽度,Q2为第一测距实时图像中动向终点的像素宽度,F为CCD镜头的焦距,W为第一目标物的物理宽度,V为动向终点的物理宽度,|(F*W)/P2-(F*V)/Q2|为(F*W)/P2和(F*V)/Q2间差值的绝对值;
所述测距关系函数为神经网络,包括:
将第一测距实时图像和在第一测距实时图像中获取第一目标物到动向终点的实时距离分别作为第一神经网络的输入项和输出项;
将第二测距图像和在第二测距图像中获取第一目标物到动向终点的实时距离分别作为第二神经网络的输入项和输出项;
将第一神经网络的输出项与第二神经网络的输出项间的均方误差作为损失函数;
基于损失函数对第一神经网络和第二神经网络进行网络训练得到测距关系函数;
所述测距关系函数的模型表达式为:
;
式中,D1为在第一测距实时图像中获取第一目标物到动向终点的实时距离,G1为第一测距实时图像,CNN1为第一神经网络,D2为在第二测距图像中获取第一目标物到动向终点的实时距离,G2为第二测距图像,CNN2为第二神经网络;
所述损失函数的函数表达式为:
Loss=MSE(D1, D2);
式中,Loss为损失函数,MSE为均方误差运算符,MSE(D1, D2)为D1和D2的均方误差;
所述根据第一测距实时图像、第二测距实时图像,通过测距关系函数,得到第一目标物到动向终点的实时距离,包括:
测算测距关系函数为神经网络时的测距关系函数的准确度,利用神经网络的准确度评估指标作为测距关系函数的准确度;
当为神经网络的测距关系函数的准确度高于或等于准确度阈值,则利用为神经网络的测距关系函数,根据第一测距实时图像、第二测距实时图像,得到第一目标物到动向终点的实时距离;
当为神经网络的测距关系函数的准确度小于准确度阈值,则利用在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,在第二测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式 ,根据第一测距实时图像、第二测距实时图像,得到第一目标物到动向终点的实时距离。
2.根据权利要求1所述的一种基于图像的目标物实时测距方法,其特征在于:所述第一测距方位、第一目标物、动向终点与所述第二测距方位在同一水平线上依次排列。
3.根据权利要求1所述的一种基于图像的目标物实时测距方法,其特征在于:所述第一测距实时图像和第二测距实时图像的拍摄时刻相同,且第一测距实时图像和第二测距实时图像的图像规格一致。
4.一种应用于根据权利要求1-3任一项所述的一种基于图像的目标物实时测距方法的测距系统,其特征在于,包括:
CCD镜头组件,包含两个光学参数一致的CCD镜头,两个CCD镜头分别设置在第一测距方位处和第二测距方位处,用于获取包含第一目标物和动向终点的第一测距实时图像,以及包含第一目标物和动向终点的第二测距实时图像;
处理器组件,用于根据第一测距实时图像、第二测距实时图像,通过测距关系函数,得到第一目标物到动向终点的实时距离;
存储器组件,存储有测距关系函数,所述测距关系函数为神经网络,或所述测距关系函数为通过第一测距实时图像和第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式。
5.根据权利要求4所述的测距系统,其特征在于:所述测距关系函数为通过第一测距实时图像、第二测距图像计算出第一目标物到动向终点的实时距离的CCD镜头单目测距公式,包括:
对第一测距实时图像和第二测距图像分别进行SSD检测算法得到第一目标物的像素宽度,动向终点的像素宽度;
获取CCD镜头的光学焦距,以及第一目标物的物理宽度,动向终点的物理宽度;
根据CCD镜头的光学焦距,第一目标物的物理宽度,动向终点的物理宽度以及第一测距实时图像中第一目标物的像素宽度,动向终点的像素宽度,通过单目测距的相似几何关系,得到在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,所述在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式为:
D1=|(F*W)/P1-(F*V)/Q1|;
式中,D1为在第一测距实时图像中获取第一目标物到动向终点的实时距离,P1为第一测距实时图像中第一目标物的像素宽度,Q1为第一测距实时图像中动向终点的像素宽度,F为CCD镜头的焦距,W为第一目标物的物理宽度,V为动向终点的物理宽度,|(F*W)/P1-(F*V)/Q1|为(F*W)/P1和(F*V)/Q1间差值的绝对值;
根据CCD镜头的光学焦距,第一目标物的物理宽度,动向终点的物理宽度以及第二测距图像中第一目标物的像素宽度,动向终点的像素宽度,通过单目测距的相似几何关系,得到在第二测距图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,所述在第二测距图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式为:
D2=|(F*W)/P2-(F*V)/Q2|;
式中,D2为在第二测距图像中获取第一目标物到动向终点的实时距离,P2为第二测距图像中第一目标物的像素宽度,Q2为第一测距实时图像中动向终点的像素宽度,F为CCD镜头的焦距,W为第一目标物的物理宽度,V为动向终点的物理宽度,|(F*W)/P2-(F*V)/Q2|为(F*W)/P2和(F*V)/Q2间差值的绝对值;
所述测距关系函数为神经网络,包括:
将第一测距实时图像和在第一测距实时图像中获取第一目标物到动向终点的实时距离分别作为第一神经网络的输入项和输出项;
将第二测距图像和在第二测距图像中获取第一目标物到动向终点的实时距离分别作为第二神经网络的输入项和输出项;
将第一神经网络的输出项与第二神经网络的输出项间的均方误差作为损失函数;
基于损失函数对第一神经网络和第二神经网络进行网络训练得到测距关系函数;
所述测距关系函数的模型表达式为:
;
式中,D1为在第一测距实时图像中获取第一目标物到动向终点的实时距离,G1为第一测距实时图像,CNN1为第一神经网络,D2为在第二测距图像中获取第一目标物到动向终点的实时距离,G2为第二测距图像,CNN2为第二神经网络;
所述损失函数的函数表达式为:
Loss=MSE(D1, D2);
式中,Loss为损失函数,MSE为均方误差运算符,MSE(D1, D2)为D1和D2的均方误差。
6.根据权利要求5所述的测距系统,其特征在于:所述处理器组件测算测距关系函数为神经网络时的测距关系函数的准确度,利用神经网络的准确度评估指标作为测距关系函数的准确度;
当为神经网络的测距关系函数的准确度高于或等于准确度阈值,处理器组件利用为神经网络的测距关系函数,根据第一测距实时图像、第二测距实时图像,得到第一目标物到动向终点的实时距离;
当为神经网络的测距关系函数的准确度小于准确度阈值,处理器组件利用在第一测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式,在第二测距实时图像中获取第一目标物到动向终点的实时距离的CCD镜头单目测距公式 ,根据第一测距实时图像、第二测距实时图像,得到第一目标物到动向终点的实时距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311190206.0A CN116953680B (zh) | 2023-09-15 | 2023-09-15 | 一种基于图像的目标物实时测距方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311190206.0A CN116953680B (zh) | 2023-09-15 | 2023-09-15 | 一种基于图像的目标物实时测距方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116953680A CN116953680A (zh) | 2023-10-27 |
CN116953680B true CN116953680B (zh) | 2023-11-24 |
Family
ID=88456772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311190206.0A Active CN116953680B (zh) | 2023-09-15 | 2023-09-15 | 一种基于图像的目标物实时测距方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116953680B (zh) |
Citations (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4886347A (en) * | 1988-02-22 | 1989-12-12 | Monroe John N | Range-finding binocular |
EP0666975A1 (en) * | 1992-10-30 | 1995-08-16 | Vx Optronics Corp | Coincidence sensor for optical rangefinders. |
JP2007192730A (ja) * | 2006-01-20 | 2007-08-02 | Nsk Ltd | 多点測距センサおよび多点測距方法 |
JP2009294842A (ja) * | 2008-06-04 | 2009-12-17 | Nissan Motor Co Ltd | 歩行者検出装置及び歩行者検出方法 |
EP2201326A1 (de) * | 2007-10-16 | 2010-06-30 | IFM Electronic GmbH | Verfahren und vorrichtung zur abstandsbestimmung |
CN102607441A (zh) * | 2012-03-17 | 2012-07-25 | 哈尔滨工业大学 | 利用匀速动点目标的图像传感器像素间距测量方法与装置 |
EP2506211A1 (en) * | 2009-11-25 | 2012-10-03 | Honda Motor Co., Ltd. | Target-object distance measuring device and vehicle mounted with the device |
EP2805671A2 (en) * | 2013-05-23 | 2014-11-26 | Stiftung caesar - center of advanced european studies and research assoziiert mit der Max-Planck-Gesellschaft | Ocular videography system |
CN105717502A (zh) * | 2015-03-02 | 2016-06-29 | 北京雷动云合智能技术有限公司 | 一种基于线阵ccd的高速激光测距装置及方法 |
US9476970B1 (en) * | 2012-03-19 | 2016-10-25 | Google Inc. | Camera based localization |
CN106605154A (zh) * | 2016-05-24 | 2017-04-26 | 英华达(上海)科技有限公司 | 一种运动目标的监测方法、穿戴式装置及服务器 |
CN107390205A (zh) * | 2017-07-20 | 2017-11-24 | 清华大学 | 一种利用车联网获取前车特征的单目视觉车辆测距方法 |
CN108375368A (zh) * | 2018-01-09 | 2018-08-07 | 上海未来伙伴机器人有限公司 | 一种基于单目视觉的嵌入式车载测距方法及其系统 |
EP3525131A1 (en) * | 2018-02-09 | 2019-08-14 | Bayerische Motoren Werke Aktiengesellschaft | Methods and apparatuses for object detection in a scene represented by depth data of a range detection sensor and image data of a camera |
CN110297232A (zh) * | 2019-05-24 | 2019-10-01 | 合刃科技(深圳)有限公司 | 基于计算机视觉的单目测距方法、装置及电子设备 |
CN110940312A (zh) * | 2019-11-25 | 2020-03-31 | 的卢技术有限公司 | 一种结合激光设备的单目相机测距方法及系统 |
CN111627057A (zh) * | 2020-05-26 | 2020-09-04 | 孙剑 | 一种距离测量方法、装置及服务器 |
WO2021004312A1 (zh) * | 2019-07-08 | 2021-01-14 | 中原工学院 | 一种基于双目立体视觉系统的车辆智能测轨迹方法 |
WO2021004548A1 (zh) * | 2019-07-08 | 2021-01-14 | 中原工学院 | 一种基于双目立体视觉系统的车辆智能测速方法 |
CN112349144A (zh) * | 2020-11-10 | 2021-02-09 | 中科海微(北京)科技有限公司 | 一种基于单目视觉的车辆碰撞预警方法及系统 |
CN113155047A (zh) * | 2021-04-02 | 2021-07-23 | 中车青岛四方机车车辆股份有限公司 | 长距离孔距测量装置、方法、存储介质、设备及轨道车辆 |
CN113947731A (zh) * | 2021-12-21 | 2022-01-18 | 成都中轨轨道设备有限公司 | 一种基于接触网安全巡检的异物识别方法及系统 |
CN114049394A (zh) * | 2021-11-23 | 2022-02-15 | 智道网联科技(北京)有限公司 | 一种单目测距方法、装置、设备及存储介质 |
CN114332207A (zh) * | 2021-12-29 | 2022-04-12 | 北京市商汤科技开发有限公司 | 距离确定的方法、装置、计算机设备及存储介质 |
CN114462646A (zh) * | 2022-03-15 | 2022-05-10 | 成都中轨轨道设备有限公司 | 一种基于接触网安全巡检的杆号牌识别方法及系统 |
CN114463430A (zh) * | 2022-04-13 | 2022-05-10 | 威海经济技术开发区天智创新技术研究院 | 一种基于图像处理的海洋搜救系统和方法 |
CN114527458A (zh) * | 2022-02-25 | 2022-05-24 | 珠海泰姆兰科技有限公司 | 一种单目测距方法 |
CN114549611A (zh) * | 2022-02-23 | 2022-05-27 | 中国海洋大学 | 一种基于神经网络及少量点测量的水下绝对距离估计方法 |
CN114663578A (zh) * | 2022-02-14 | 2022-06-24 | 西安电子科技大学杭州研究院 | 一种基于深度学习的多目标场景偏振三维成像方法 |
CN114689014A (zh) * | 2022-05-31 | 2022-07-01 | 江西省医学科学院 | 单目相机调焦测距装置、测距方法、存储介质及计算机 |
CN114937251A (zh) * | 2022-06-02 | 2022-08-23 | 北京地平线信息技术有限公司 | 目标检测模型的训练方法、车载目标检测方法及装置 |
CN115151788A (zh) * | 2020-02-21 | 2022-10-04 | 弗诺威Ip私人有限公司 | 用于测量物体上的方位的设备、方法和系统 |
CN115265377A (zh) * | 2022-09-15 | 2022-11-01 | 季华实验室 | 一种单目相机测距方法、装置、电子设备及系统 |
CN115272983A (zh) * | 2022-09-29 | 2022-11-01 | 成都中轨轨道设备有限公司 | 基于图像识别的接触网悬挂状态监测方法及系统 |
CN115507814A (zh) * | 2022-09-06 | 2022-12-23 | 福思(杭州)智能科技有限公司 | 一种车辆目标测距方法、装置、介质及车辆 |
CN115597551A (zh) * | 2022-12-14 | 2023-01-13 | 成都量芯集成科技有限公司(Cn) | 一种手持激光辅助双目扫描装置及方法 |
CN115775085A (zh) * | 2023-02-13 | 2023-03-10 | 成都中轨轨道设备有限公司 | 一种基于数字孪生的智慧城市管理方法及系统 |
CN116343165A (zh) * | 2023-02-17 | 2023-06-27 | 厦门金龙联合汽车工业有限公司 | 一种3d目标检测系统、方法、终端设备及存储介质 |
CN116386000A (zh) * | 2023-02-23 | 2023-07-04 | 江铃汽车股份有限公司 | 基于高精地图和单目摄像头测量障碍物距离的方法、系统 |
CN116740657A (zh) * | 2023-05-25 | 2023-09-12 | 浙江大学 | 一种基于相似三角形的目标检测以及测距方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013176716A1 (en) * | 2012-05-25 | 2013-11-28 | The Charles Stark Draper Laboratory, Inc. | Dual -channel 3d optical imager |
NO343441B1 (en) * | 2015-02-20 | 2019-03-11 | FLIR Unmanned Aerial Systems AS | Depth measurement system |
US10529083B2 (en) * | 2016-12-08 | 2020-01-07 | Lighmetrics Technologies Pvt. Ltd. | Methods and systems for estimating distance of an object from a moving vehicle |
-
2023
- 2023-09-15 CN CN202311190206.0A patent/CN116953680B/zh active Active
Patent Citations (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4886347A (en) * | 1988-02-22 | 1989-12-12 | Monroe John N | Range-finding binocular |
EP0666975A1 (en) * | 1992-10-30 | 1995-08-16 | Vx Optronics Corp | Coincidence sensor for optical rangefinders. |
JP2007192730A (ja) * | 2006-01-20 | 2007-08-02 | Nsk Ltd | 多点測距センサおよび多点測距方法 |
EP2201326A1 (de) * | 2007-10-16 | 2010-06-30 | IFM Electronic GmbH | Verfahren und vorrichtung zur abstandsbestimmung |
JP2009294842A (ja) * | 2008-06-04 | 2009-12-17 | Nissan Motor Co Ltd | 歩行者検出装置及び歩行者検出方法 |
EP2506211A1 (en) * | 2009-11-25 | 2012-10-03 | Honda Motor Co., Ltd. | Target-object distance measuring device and vehicle mounted with the device |
CN102607441A (zh) * | 2012-03-17 | 2012-07-25 | 哈尔滨工业大学 | 利用匀速动点目标的图像传感器像素间距测量方法与装置 |
US9476970B1 (en) * | 2012-03-19 | 2016-10-25 | Google Inc. | Camera based localization |
EP2805671A2 (en) * | 2013-05-23 | 2014-11-26 | Stiftung caesar - center of advanced european studies and research assoziiert mit der Max-Planck-Gesellschaft | Ocular videography system |
CN105717502A (zh) * | 2015-03-02 | 2016-06-29 | 北京雷动云合智能技术有限公司 | 一种基于线阵ccd的高速激光测距装置及方法 |
CN106605154A (zh) * | 2016-05-24 | 2017-04-26 | 英华达(上海)科技有限公司 | 一种运动目标的监测方法、穿戴式装置及服务器 |
CN107390205A (zh) * | 2017-07-20 | 2017-11-24 | 清华大学 | 一种利用车联网获取前车特征的单目视觉车辆测距方法 |
CN108375368A (zh) * | 2018-01-09 | 2018-08-07 | 上海未来伙伴机器人有限公司 | 一种基于单目视觉的嵌入式车载测距方法及其系统 |
EP3525131A1 (en) * | 2018-02-09 | 2019-08-14 | Bayerische Motoren Werke Aktiengesellschaft | Methods and apparatuses for object detection in a scene represented by depth data of a range detection sensor and image data of a camera |
CN110297232A (zh) * | 2019-05-24 | 2019-10-01 | 合刃科技(深圳)有限公司 | 基于计算机视觉的单目测距方法、装置及电子设备 |
WO2021004312A1 (zh) * | 2019-07-08 | 2021-01-14 | 中原工学院 | 一种基于双目立体视觉系统的车辆智能测轨迹方法 |
WO2021004548A1 (zh) * | 2019-07-08 | 2021-01-14 | 中原工学院 | 一种基于双目立体视觉系统的车辆智能测速方法 |
CN110940312A (zh) * | 2019-11-25 | 2020-03-31 | 的卢技术有限公司 | 一种结合激光设备的单目相机测距方法及系统 |
CN115151788A (zh) * | 2020-02-21 | 2022-10-04 | 弗诺威Ip私人有限公司 | 用于测量物体上的方位的设备、方法和系统 |
CN111627057A (zh) * | 2020-05-26 | 2020-09-04 | 孙剑 | 一种距离测量方法、装置及服务器 |
CN112349144A (zh) * | 2020-11-10 | 2021-02-09 | 中科海微(北京)科技有限公司 | 一种基于单目视觉的车辆碰撞预警方法及系统 |
CN113155047A (zh) * | 2021-04-02 | 2021-07-23 | 中车青岛四方机车车辆股份有限公司 | 长距离孔距测量装置、方法、存储介质、设备及轨道车辆 |
CN114049394A (zh) * | 2021-11-23 | 2022-02-15 | 智道网联科技(北京)有限公司 | 一种单目测距方法、装置、设备及存储介质 |
CN113947731A (zh) * | 2021-12-21 | 2022-01-18 | 成都中轨轨道设备有限公司 | 一种基于接触网安全巡检的异物识别方法及系统 |
CN114332207A (zh) * | 2021-12-29 | 2022-04-12 | 北京市商汤科技开发有限公司 | 距离确定的方法、装置、计算机设备及存储介质 |
CN114663578A (zh) * | 2022-02-14 | 2022-06-24 | 西安电子科技大学杭州研究院 | 一种基于深度学习的多目标场景偏振三维成像方法 |
CN114549611A (zh) * | 2022-02-23 | 2022-05-27 | 中国海洋大学 | 一种基于神经网络及少量点测量的水下绝对距离估计方法 |
CN114527458A (zh) * | 2022-02-25 | 2022-05-24 | 珠海泰姆兰科技有限公司 | 一种单目测距方法 |
CN114462646A (zh) * | 2022-03-15 | 2022-05-10 | 成都中轨轨道设备有限公司 | 一种基于接触网安全巡检的杆号牌识别方法及系统 |
CN114463430A (zh) * | 2022-04-13 | 2022-05-10 | 威海经济技术开发区天智创新技术研究院 | 一种基于图像处理的海洋搜救系统和方法 |
CN114689014A (zh) * | 2022-05-31 | 2022-07-01 | 江西省医学科学院 | 单目相机调焦测距装置、测距方法、存储介质及计算机 |
CN114937251A (zh) * | 2022-06-02 | 2022-08-23 | 北京地平线信息技术有限公司 | 目标检测模型的训练方法、车载目标检测方法及装置 |
CN115507814A (zh) * | 2022-09-06 | 2022-12-23 | 福思(杭州)智能科技有限公司 | 一种车辆目标测距方法、装置、介质及车辆 |
CN115265377A (zh) * | 2022-09-15 | 2022-11-01 | 季华实验室 | 一种单目相机测距方法、装置、电子设备及系统 |
CN115272983A (zh) * | 2022-09-29 | 2022-11-01 | 成都中轨轨道设备有限公司 | 基于图像识别的接触网悬挂状态监测方法及系统 |
CN115597551A (zh) * | 2022-12-14 | 2023-01-13 | 成都量芯集成科技有限公司(Cn) | 一种手持激光辅助双目扫描装置及方法 |
CN115775085A (zh) * | 2023-02-13 | 2023-03-10 | 成都中轨轨道设备有限公司 | 一种基于数字孪生的智慧城市管理方法及系统 |
CN116343165A (zh) * | 2023-02-17 | 2023-06-27 | 厦门金龙联合汽车工业有限公司 | 一种3d目标检测系统、方法、终端设备及存储介质 |
CN116386000A (zh) * | 2023-02-23 | 2023-07-04 | 江铃汽车股份有限公司 | 基于高精地图和单目摄像头测量障碍物距离的方法、系统 |
CN116740657A (zh) * | 2023-05-25 | 2023-09-12 | 浙江大学 | 一种基于相似三角形的目标检测以及测距方法 |
Non-Patent Citations (9)
Title |
---|
A noniterative greedy algorithm for multiframe point correspondence;M. Shah;in IEEE Transactions on Pattern Analysis and Machine Intelligence;51-65 * |
Real-Time 3D Facial Tracking via Cascaded Compositional Learning;J. Lou;in IEEE Transactions on Image Processing;3844-3857 * |
Research on imaging ranging algorithm base on constraint matching of trinocular vision;Ye Pan;INTERNATIONAL SYMPOSIUM ON OPTOELECTRONIC TECHNOLOGY AND APPLICATION 2014: IMAGE PROCESSING AND PATTERN RECOGNITION;9301-9037 * |
Transmission Line Fault Location Method Based on Monocular Image and Lidar Information Fusion;Cai, F;Proceedings of International Conference on Image, Vision and Intelligent Systems 2022 (ICIVIS 2022). Lecture Notes in Electrical Engineering (1019);471-478 * |
单目图像中姿态角估计的坦克目标测距方法;徐超;光子学报;140-147 * |
基于单目图像和方向的测距系统及性能分析;王荻;光子学报;1112-1116 * |
基于双目视觉的目标检测与测距研究;王迪迪;电子制作;58-61 * |
基于图像识别的模糊测距方法;王志刚;赵海良;王星;;重庆理工大学学报(自然科学)(第01期);64-69 * |
基于嵌入式的双目视觉采棉测距系统;瑚琦;蔡文龙;卢定凡;姜敏;;电子测量技术(第07期);178-184 * |
Also Published As
Publication number | Publication date |
---|---|
CN116953680A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4809291B2 (ja) | 計測装置及びプログラム | |
WO2017000466A1 (zh) | 一种基于光流法的运动目标跟踪方法及系统 | |
JP5109294B2 (ja) | 3次元位置補正装置 | |
Pinggera et al. | Know your limits: Accuracy of long range stereoscopic object measurements in practice | |
Chien et al. | Visual odometry driven online calibration for monocular lidar-camera systems | |
CN108513121B (zh) | 用于场景的景深图评估的方法和设备 | |
CN103886107A (zh) | 基于天花板图像信息的机器人定位与地图构建系统 | |
CN111047634B (zh) | 场景深度的确定方法、装置、设备及存储介质 | |
CN107590444B (zh) | 静态障碍物的检测方法、装置及存储介质 | |
WO2015068470A1 (ja) | 3次元形状計測装置、3次元形状計測方法及び3次元形状計測プログラム | |
CN111220126A (zh) | 一种基于点特征和单目相机的空间物体位姿测量方法 | |
CN112396073A (zh) | 基于双目图像的模型训练方法、装置及数据处理设备 | |
CN104331907A (zh) | 一种基于orb特征检测测量载体速度的方法 | |
CN110570474B (zh) | 一种深度相机的位姿估计方法及系统 | |
CN111325828A (zh) | 一种基于三目相机的三维人脸采集方法及装置 | |
CN105427336A (zh) | 一种基于双目视频的测距方法和装置 | |
US10134136B2 (en) | Image processing apparatus and image processing method | |
CN116953680B (zh) | 一种基于图像的目标物实时测距方法及系统 | |
CN107945166B (zh) | 基于双目视觉的待测物体三维振动轨迹的测量方法 | |
CN117406234A (zh) | 基于单线激光雷达与视觉融合的目标测距和追踪的方法 | |
KR102065337B1 (ko) | 비조화비를 이용하여 대상체의 이동 정보를 측정하는 장치 및 방법 | |
JP2007114168A (ja) | 画像処理方法および装置、並びにプログラム | |
CN111882663A (zh) | 一种融合语义信息完成视觉slam闭环检测方法 | |
KR20170001448A (ko) | 스테레오 카메라를 이용한 카메라 위치 측정 장치 및 방법 | |
TW202311781A (zh) | 障礙物偵測方法 |
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 |