CN117549907A - 一种基于视觉和雷达感知的acc主目标筛选方法及系统 - Google Patents
一种基于视觉和雷达感知的acc主目标筛选方法及系统 Download PDFInfo
- Publication number
- CN117549907A CN117549907A CN202311309182.6A CN202311309182A CN117549907A CN 117549907 A CN117549907 A CN 117549907A CN 202311309182 A CN202311309182 A CN 202311309182A CN 117549907 A CN117549907 A CN 117549907A
- Authority
- CN
- China
- Prior art keywords
- target
- lane line
- current frame
- frame image
- data set
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000008447 perception Effects 0.000 title claims abstract description 39
- 230000004438 eyesight Effects 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000003825 pressing Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000016776 visual perception Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000283070 Equus zebra Species 0.000 description 1
- 206010063385 Intellectualisation 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
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于视觉和雷达感知的ACC主目标筛选方法及系统,方法包括:获得视觉感知的车道线拟合方程和第一数据集,以及获得雷达感知模块感知的当前帧雷达感知数据集;依据运动属性数据对第一数据集和当前帧雷达感知数据集融合得到第二数据集;通过车道线拟合方程和第二数据集分别计算每个第一目标的横向距离,筛选横向距离大于设定压线阈值的第一目标作为主目标候选项;选择检测框尾部轮廓线与自车之间纵向距离最小的主目标候选项作为主目标。本发明的方法可以解决现有方法在进行ACC主目标筛选时因准确度低、误筛选而影响汽车驾驶安全性的技术问题,同时可以实现以较低的算力成本达成较舒适的ACC用户体验。
Description
技术领域
本发明涉及高级辅助驾驶(ADAS)领域及汽车自适应巡航控制(ACC)系统等车辆安全技术领域,具体涉及一种基于视觉和雷达感知的ACC主目标筛选方法及系统。
背景技术
随着汽车智能化程度越来越高,高级驾驶辅助系统(Advanced DrivingAssistance System,简称ADAS)逐渐被广泛使用,其是利用安装在车上的各式各样传感器,行驶过程中随时感应自车周围的环境,通过对采集的数据进行静态、动态物体的辨识、侦测与追踪,并结合导航地图数据,进行系统的运算与分析,从而预先让驾驶者察觉到可能发生的危险,有效增加汽车驾驶的舒适性和安全性。
其中,自适应巡航控制(ACC)是一种允许车辆巡航控制系统通过调整速度以适应交通状况的汽车功能,准确判断出主目标是提高自适应巡航控制的准确性,确保汽车驾驶的安全的基础。
ACC主目标确定方法有多种,例如:中国发明专利CN112009473A,公开了一种自适应巡航系统的主目标筛选方法、轨迹规划方法及系统,该方法是通过获取自车的车辆信息及自车当前车道的车道宽度、车道曲率、车道线的匝道信息等信息辅之以预设比例参数确定一定的目标检测区域,同时根据车道曲率等变化以及自车车身信号动态调整目标检测区域,最后再在前述确定的区域内计算最近的目标车辆以此确定主目标。该方法不仅需要明确的视觉摄像头设备获取车道宽度、曲率等信息,还需要通过在线地图信息获取当前道路的匝道信息,且动态调整目标的检测区域范围不可量化,使得最终在某些场景确定的主目标必然存在不精准问题。
再例如中国发明专利CN102358289A,公开了一种车辆ACC工况弯道主目标快速识别方法,该方法通过采集自车方向盘转角、横摆角速度、纵及侧向质心加速度、参考车速等车身信号,对自车所在的弯道半径以及车辆的瞬时侧向速度进行估计,以准确屏蔽杂波信号;利用自车转角信号、横摆角速度信号及目标相位角对外侧车道目标进行快速屏蔽;以虚拟弯道主目标补偿角度的方法,通过车辆信息和已获得的目标相对距离信息计算主车道目标补偿门限,用于弯道主车道目标提取。该方法通过弯道内目标同曲率半径的假设,利用车身信号信息和雷达感知的目标信息辅之以目标剔除算法提取弯道主目标,且其主要的感知部件是毫米波雷达,毫米波雷达的特点是目标纵向测距较准确,但是横向测距误差大,而且雷达感知更致命的缺陷是对目标的分类能力较差,可能把行人或车辆以外的环境反射物误判作ACC主目标,因而该方法可能存在较大的安全隐患。
综上所述,上述两种方法存在ACC主目标筛选准确度低、误筛选的问题,进而影响汽车驾驶的安全性。
发明内容
为了解决现有方法在进行ACC主目标筛选时因准确度低、误筛选而影响汽车驾驶安全性的技术问题,本发明实施例公开了一种基于视觉和雷达感知的ACC主目标筛选方法,所述方法包括:
S100、将采集的自车前方道路的每帧图像输入训练后的神经网络内,通过所述神经网络输出每帧图像的车道线分割图、每个第一目标的3D目标框和每个第一目标的类型;
S200、对当前帧图像及其车道线分割图进行拟合得到车道线拟合方程,根据当前帧图像中每个第一目标的3D目标框和上一帧图像中每个第一目标的3D目标框,得到每个第一目标的运动属性数据,所有第一目标的运动属性数据和类型组成当前帧图像的第一数据集;
S300、通过设置在自车上的雷达感知模块采集得到自车前方道路的当前帧雷达感知数据集,所述当前帧雷达感知数据集包括每个第二目标的运动属性数据;
S400、对当前帧图像的每个第一目标,依据运动属性数据依次在当前帧雷达感知数据集中寻找对应的第二目标,用匹配成功的第二目标的运动属性数据中的纵坐标替换第一目标的运动属性数据中的纵坐标,以修正第一数据集得到第二数据集;
S600、采用车道线拟合方程以及第二数据集,分别计算每个第一目标越过车道线进入自车车道的横向距离,筛选横向距离大于设定压线阈值的第一目标作为主目标候选项;
S700、选择检测框尾部轮廓线与自车之间纵向距离最小的主目标候选项作为主目标。
具体实施时,步骤S200中,所述对当前帧图像及其车道线分割图进行拟合得到车道线拟合方程,根据当前帧图像中每个第一目标的3D目标框和上一帧图像中每个第一目标的3D目标框,得到每个第一目标的运动属性数据,包括:
S210、采用车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到车道线拟合方程;
S220、通过运动目标跟踪算法,依据当前帧图像中每个第一目标的3D目标框和上一帧图像中每个第一目标的3D目标框,计算得到当前帧图像的每个所述第一目标的运动属性数据,其中,所述运动属性数据包括每个第一目标的横坐标、纵坐标、横向速度和纵向速度。
具体实施时,步骤S210中,采用车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到车道线拟合方程,包括:
S211、依据当前帧图像的车道线分割图判断车道线是否存在;
S212、依据车道线是否存在,采用车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到车道线拟合方程。
具体实施时,步骤S212中,依据车道线是否存在,采用车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到车道线拟合方程,包括:
S2121、如果当前帧图像中左侧车道线和右侧车道线都存在时,通过车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到的左侧车道线和右侧车道线三次拟合曲线方程均为x=C3*y3+C2*y2+C1*y+C0;
S2122、如果当前帧图像中只存在左侧车道线或右侧车道线,采用左侧车道线与右侧车道线为平行曲线的假设,通过车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到的三次拟合曲线方程中,其中一条车道线的三次拟合曲线方程为x=C3*y3+C2*y2+C1*y+C0,另一条车道线的三次拟合曲线方程为x=C3*y3+C2*y2+C1*y+C0±d。
具体实施时,上述步骤S212还包括:
S2123、如果当前帧图像中不存在车道线时,依据左侧车道线与右侧车道线以自车保险杠中心为原点且平行于Y轴的假设,定义虚拟右车道线拟合方程为x=d/2,虚拟左车道线拟合方程为x=-d/2;
其中,X为当前帧图像中以自车保险杠为中心时左侧车道线或右侧车道线以的水平坐标,Y为当前帧图像中以自车保险杠中心为原点时左侧车道线或右侧车道线的垂直坐标,C0为车辆离车道线边界偏移距离,C1为车道线切线斜率,C2为车道线曲率系数,C3为车道线曲率变化率系数;d为道路交通法中规定的车道宽度。
具体实施时,步骤S600中,所述采用车道线拟合方程以及第二数据集,分别计算每个第一目标越过车道线进入自车车道的横向距离,包括:
S601、采用第二数据集中每个第一目标的运动属性数据和3D目标框中的目标宽度,依据公式X1=(hD±W/2),分别计算每个第一目标靠近自车一侧检测框尾部轮廓线角点的横坐标X1,其中,hD为第一目标的运动属性数据中的检测框尾部轮廓线中心的横坐标,W为各第一目标的目标宽度;
S602、筛选横坐标X1在自车车道坐标范围内第一目标,并将筛选后的每个第一目标的运动属性数据中的纵坐标引入所述车道线拟合方程中,计算各第一目标尾部与车道线交点的横坐标X0;
S603、计算筛选后每个第一目标的横坐标X1与横坐标X0之间差值,将该差值的绝对值作为各第一目标越过车道线进入自车车道的横向距离s。
具体实施时,步骤S600中,所述设定压线阈值依据公式k=W*ε计算得到,其中k为设定压线阈值,W为第一目标的宽度,ε为第一目标的越线系数。
在一个改进的实施例中,在步骤S400中对第一数据集进行修正前,还对所述第一数据集和所述当前帧雷达感知数据集进行时间的帧同步处理。
在另一个改进的实施例中,所述方法还包括:
S500、筛选并剔除第二数据集中类型不属于行人和车辆的第一目标所对应的数据。
本发明实施例还提供了一种基于视觉和雷达感知的ACC主目标筛选系统,包括:
采集模块,包括车载前视视觉模块和雷达感知模块,车载前视视觉模块用于采集的自车前方道路的每帧图像;所述雷达感知模块设置在自车前保险杠中心位置,用于采集得到自车前方道路的当前帧雷达感知数据集,所述当前帧雷达感知数据集包括每个第二目标的运动属性数据;
训练后的神经网络推理及后处理算法模块,用于输出当前帧图像中所有第一目标的运动属性数据和类型组成当前帧图像的第一数据集,输出当前帧图像的车道线分割图;
融合模块,用于对当前帧图像的每个第一目标,依据运动属性数据依次在当前帧雷达感知数据集中寻找对应的第二目标,用匹配成功的第二目标的运动属性数据中的纵坐标替换第一目标的运动属性数据中的纵坐标,以修正第一数据集得到第二数据集;
横向距离计算及筛选模块,用于采用车道线拟合方程以及第二数据集中每个第一目标的横坐标、纵坐标和宽度,分别计算每个第一目标越过车道线进入自车车道的横向距离,筛选横向距离大于设定压线阈值的第一目标作为主目标候选项;
主目标筛选判决模块,用于选择检测框尾部轮廓线与自车之间纵向距离最小的主目标候选项作为主目标。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意的基于视觉和雷达感知的ACC主目标筛选方法,以解决现有方法在进行ACC主目标筛选时因准确度低、误筛选而影响汽车驾驶安全性的技术问题。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述任意的基于视觉和雷达感知的ACC主目标筛选方法的计算机程序,以解决现有方法在进行ACC主目标筛选时因准确度低、误筛选而影响汽车驾驶安全性的技术问题。
与现有技术相比,本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括:本发明的基于视觉和雷达感知的ACC主目标筛选方法,相比传统的ACC主目标筛选方案,通过车载前视摄像头采集的当前帧图像和雷达采集的当前帧雷达感知数据,将当前帧雷达感知数据与第一数据集的目标进行匹配,用匹配成功的当前帧雷达感知数据中目标的纵坐标替换第一数据集内相应目标的纵坐标,提高主目标筛选的准确性,实现在较小的生产成本基础上依赖软件算法可以取得车辆行人目标更精准的距离信息感知效果。同时,本发明的ACC主目标筛选方法适用于各种不需要一一采集地图信息的路况而可以灵活运用。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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本申请的一些实施例,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,还可以根据这些附图获得其它的附图。
图1为本发明基于视觉和雷达感知的ACC主目标筛选方法的原理框图;
图2为本发明基于视觉和雷达感知的ACC主目标筛选方法的流程图;
图3为本发明中当前帧图像的第一数据集与当前帧雷达感知数据集融合示意图;
图4为本发明中自车和第二数据集中每个第一目标在自车车道的位置示意图;
图5为本发明公开的计算机设备的示意图;
图6为本发明基于视觉和雷达感知的ACC主目标筛选系统的架构图;
其中,501、存储器;502、处理器;601、车载前视视觉模块;602、雷达感知模块;603、训练后的神经网络推理及后处理算法模块;604、融合模块;605、横向距离计算及筛选模块;606、主目标筛选判决模块。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例的特征可以相互组合。基于本申请中的实施例,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,都属于本申请保护的范围。
本发明实施例公开了一种基于视觉和雷达感知的ACC主目标筛选方法,参见图1和图2所示,图1为ACC主目标筛选方法的原理框图,图2为ACC主目标筛选方法的流程图,所述方法包括:
S100、将采集的自车前方道路的每帧图像输入训练后的神经网络内,通过神经网络输出每帧图像的车道线分割图、每个第一目标的3D目标框和每个第一目标的类型。
当前帧图像可以通过车载前视视觉模块采集,其可以是采集的图片也可以是视频图像,当前帧图像为自车行驶时采集的自车前方道路情况,图像中主要构成元素包括各种行人、车辆、红绿灯、路面标识以及真实存在的车道线等内容。
可以通过大量的真实道路环境且包括上述各种目标类型的视频图像/图片进行训练得到JMNet、BEV等训练好的神经网络模型,通过神经网络模型对采集的当前帧图像进行训练并辅之以跟踪、车道线分割拟合等算法得到当前帧图像的车道线拟合方程和第一数据集。第一数据集是由很多个第一目标的信息组合形成的,第一目标可以为行人、车辆、其他非关注物(例如地面标识线、红绿灯、地面障碍物等)等。第一目标的信息包括第一目标的类型、坐标、速度和目标宽度等等,类型包括卡车、巴士、小汽车、行人、自行车、路面交通标识(如红绿灯、斑马线、倒三角等指示标线等)等等;速度包括横向速度和纵向速度;坐标包括横纵坐标,具体是第一目标3D目标框的尾部轮廓贴近地面一边中点的横纵坐标。
S200、对当前帧图像及其车道线分割图进行拟合得到车道线拟合方程,根据当前帧图像中每个第一目标的3D目标框和上一帧图像中每个第一目标的3D目标框,得到每个第一目标的运动属性数据,所有第一目标的运动属性数据和类型组成当前帧图像的第一数据集。
S300、通过设置在自车上的雷达感知模块采集得到自车前方道路的当前帧雷达感知数据集,所述当前帧雷达感知数据集包括每个第二目标的运动属性数据。
S400、对当前帧图像的每个第一目标,依据运动属性数据依次在当前帧雷达感知数据集中寻找对应的第二目标,用匹配成功的第二目标的运动属性数据中的纵坐标替换第一目标的运动属性数据中的纵坐标,以修正第一数据集得到第二数据集。
S600、采用车道线拟合方程以及第二数据集,分别计算每个第一目标越过车道线进入自车车道的横向距离,筛选横向距离大于设定压线阈值的第一目标作为主目标候选项。
通过结合车道线,能够对进入自车车道内的第一目标进行初步的筛选,将不在自车车道内的第一目标剔除,以减少后级过程中计算第一目标与自车之间纵向距离的数量,可以大幅减轻计算压力也可以提高计算精度。
S700、选择检测框尾部轮廓线与自车之间纵向距离最小的主目标候选项作为主目标。
本发明步骤S200具体实施时,所述对当前帧图像及其车道线分割图进行拟合得到车道线拟合方程,根据当前帧图像中每个第一目标的3D目标框和上一帧图像中每个第一目标的3D目标框,得到每个第一目标的运动属性数据,包括:
S210、采用车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到车道线拟合方程。其中,车道线为自车所在的车道,车道线拟合方程时是在以自车前保险杠中心为原点的世界坐标系下计算得到的。
S220、通过运动目标跟踪算法,依据当前帧图像中每个第一目标的3D目标框和上一帧图像中每个第一目标的3D目标框,计算得到所述当前帧图像的每个所述第一目标的运动属性数据,其中,所述运动属性数据包括每个第一目标的横坐标、纵坐标、横向速度和纵向速度。
本发明具体实施时,车道线分割图中车道线可能存在以下三种情况:左右两条车道线都有、只有左侧或右侧一条车道线、没有车道线。因此,不同情况下得到的车道线拟合方程是不同的。具体来说:上述步骤S210中,所述采用车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到车道线拟合方程,包括:
S211、依据当前帧图像的车道线分割图判断车道线是否存在;
S212、依据车道线是否存在,采用车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到车道线拟合方程。
具体实施时,步骤S212中,依据车道线是否存在,采用车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到车道线拟合方程,包括:
S2121、如果当前帧图像中左侧车道线和右侧车道线都存在时,通过车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到的左侧车道线和右侧车道线三次拟合曲线方程均为x=C3*y3+C2*y2+C1*y+C0;
S2122、如果当前帧图像中只存在左侧车道线或右侧车道线,采用左侧车道线与右侧车道线为平行曲线的假设,通过车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到的三次拟合曲线方程中,其中一条车道线的三次拟合曲线方程为x=C3*y3+C2*y2+C1*y+C0,另一条车道线的三次拟合曲线方程为x=C3*y3+C2*y2+C1*y+C0±d。
还包括:S2123、如果当前帧图像中不存在车道线时,依据左侧车道线与右侧车道线以自车保险杠中心为原点且平行于Y轴的假设,定义虚拟右车道线拟合方程为x=d/2,虚拟左车道线拟合方程为x=-d/2;
其中,X为当前帧图像中以自车保险杠为中心时左侧车道线或右侧车道线以的水平坐标,Y为当前帧图像中以自车保险杠中心为原点时左侧车道线或右侧车道线的垂直坐标,C0为车辆离车道线边界偏移距离,C1为车道线切线斜率,C2为车道线曲率系数,C3为车道线曲率变化率系数;d为道路交通法中规定的车道宽度,例如,可以选择使用d为中国道路交通法规中规定的一级公路的车道宽度3.75米进行计算,此时步骤S123中车道线三次拟合方程为x=C3*y3+C2*y2+C1*y+C0±3.75,步骤S124的车道线三次拟合方程为x=±d/2。还需要说明的是,公式中±符号的选择,当以定义x坐标以自车前保险杠中心水平向右为正,水平向左为负,y坐标中以垂直自车保险杠竖直向前为正,以垂直自车保险杠竖直向下为负。
本发明步骤S300具体实施时,第二目标可以为在自车前方或两侧通过雷达感知模块在设定距离范围内感知到的各个静态目标和动态目标。雷达感知模块可以选用毫米波雷达、4D成像雷达、激光雷达等,本发明不对其进行限定。通常来说,雷达感知模块对于处于运动状态的车辆或者行人的纵向测距与纵向测速相比视觉模块具有更高的精确度,可以与通过车载前视视觉模块感知的目标的信息进行结合使用。
本发明步骤S500具体实施时,其核心是用第二目标运动属性数据中的纵坐标替换与第二目标匹配的第一目标的运动属性数据中的纵坐标,第一目标的其他信息则保持不变。对于没有搜索到与第一目标匹配的第二目标,那么将通过步骤S200得到的该第一目标的运动属性数据和类型直接输出即可。通过将时间戳对齐的当前帧图像的第一数据集与当前帧雷达感知数据集进行融合,可以整体提高系统感知输出的目标物体类型与横纵向感知距离,由此即可缩小后级的主目标判决误差,提高主目标判断的精度,融合过程参见图3所示。
本发明步骤S600具体实施时,主要目的是通过结合车道线拟合方程对第一数据集和当前帧雷达感知数据集融合后的第二数据集内的第一主目标进行筛选,选择通过下述方法判定在自车车道内的第一目标作为主目标候选项,以减轻步骤S700中相对自车的纵向车距计算的第一目标的数量以及主目标确定的准确度。具体来说参见图4所示,所述采用车道线拟合方程以及第二数据集,分别计算每个第一目标越过车道线进入自车车道的横向距离,包括:
S601、采用第二数据集中每个第一目标的运动属性数据和3D目标框中的目标宽度,依据公式X1=(hD±W/2),分别计算每个第一目标靠近自车一侧检测框尾部轮廓线角点的横坐标X1,其中,各第一目标的运动属性数据中该第一目标的坐标为(hD,vD),hD为第一目标检测框尾部轮廓线中心的横坐标,vD为第一目标检测框尾部轮廓线中心的纵坐标,W为各第一目标的宽度;
需要说明的是,当第一目标在自车右侧时,选用X1=(hD-W/2)计算第一目标的横坐标,当第一目标在自车的左侧时,选用X1=(hD+W/2)计算第一目标的横坐标。
S602、筛选横坐标X1在自车车道坐标范围内第一目标,并将筛选后的每个第一目标的运动属性数据中的纵坐标引入所述车道线拟合方程中,计算各第一目标尾部与车道线交点的横坐标X0。
当第一目标的横坐标X1不在自车车道坐标范围内时,说明该第一目标完全没有在自车车道内,该第一目标不会对自车造成影响,此时可以将其提前排除,减少计算量。
S603、计算筛选后每个第一目标的横坐标X1与横坐标X0之间差值,将该差值的绝对值作为各第一目标越过车道线进入自车车道的横向距离s,即s=|X0-X1|。
本发明具体实施时,在通过上述步骤S301~603计算出第二数据集中每个第一目标越过车道线进入自车车道的横向距离s后,可以通过设置设定压线阈值从第二数据集中筛选符合要求的第一目标作为主目标候选项进行后续计算及判断。需要说明的是,第一目标越过车道线进入自车车道的横向距离s是该第一目标与自车车道线在同一水平线上的横向距离。
具体来说,依据公式k=W*ε计算得到,其中k为设定压线阈值,W为第一目标的宽度,ε为第一目标的越线系数,是根据经验值选择的,例如卡车/巴士的ε取值为0.2;小汽车/三轮车的ε取值为0.4;行人/自行车的ε取值为0.8。
本发明步骤S700具体实施时,各个主目标候选项与自车之间的纵向距离计算时,可以计算各个主目标候选项的纵坐标vD与自车保险杠之间的纵向距离,选择纵向距离最小的主目标候选项作为最终确定的主目标。
在上述ACC主目标筛选方法的一个改进的实施例中,所述方法还包括:
在步骤S400中对第一数据集进行修正前,还对所述第一数据集和所述当前帧雷达感知数据集进行时间的帧同步处理。
在上述ACC主目标筛选方法的另一个改进的实施例中,在通过步骤S400得到第二数据集后,第二数据集内目标的类型有车辆、行人、路面交通标识、其他静态物等等,为进一步降低步骤S600中横向距离计算的数量,提高运算速度,所述方法还包括:
S500、筛选并剔除第二数据集中类型不属于行人和车辆的第一目标所对应的数据,只保留行人目标(包含步行者和骑行者)、车辆目标(包含卡车、巴士、汽车、三轮车等)作为步骤S600中主目标候选项的筛选。
本发明的基于视觉和雷达感知的ACC主目标筛选方法,相比传统的ACC主目标筛选方案,通过车载前视摄像头采集的当前帧图像和雷达采集的当前帧雷达感知数据,将当前帧雷达感知数据与第一数据集的目标进行匹配,用匹配成功的当前帧雷达感知数据中目标的纵坐标替换第一数据集内相应目标的纵坐标,提高主目标筛选的准确性,实现在较小的生产成本基础上依赖软件算法可以取得车辆行人目标更精准的距离信息感知效果。同时,本发明的ACC主目标筛选方法适用于各种不需要一一采集地图信息的路况而可以灵活运用。
在本实施例中,提供了一种计算机设备,如图5所示,包括存储器501、处理器502及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意的基于视觉和雷达感知的ACC主目标筛选方法。
具体的,该计算机设备可以是计算机终端、服务器或者类似的运算装置。
在本实施例中,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述任意的基于视觉和雷达感知的ACC主目标筛选方法的计算机程序。
具体的,计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读存储介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
基于同一发明构思,本发明实施例中还提供了一种基于视觉和雷达感知的ACC主目标筛选系统,如下面的实施例所述。由于基于视觉和雷达感知的ACC主目标筛选系统解决问题的原理与上述ACC主目标筛选方法相似,因此ACC主目标筛选系统的实施可以参见ACC主目标筛选方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是本发明实施例的基于视觉和雷达感知的ACC主目标筛选系统的一种结构框图,如图6所示,ACC主目标筛选系统包括:车载前视视觉模块601、雷达感知模块602、训练后的神经网络推理及后处理算法模块603、融合模块604、横向距离计算及筛选模块605、主目标筛选判决模块606,下面对该结构进行说明。
采集模块,包括车载前视视觉模块601和雷达感知模块602,车载前视视觉模601用于采集的自车前方道路的每帧图像;雷达感知模块602设置在自车前保险杠中心位置,用于采集得到自车前方道路的当前帧雷达感知数据集,所述当前帧雷达感知数据集包括每个第二目标的运动属性数据;
训练后的神经网络推理及后处理算法模块603,用于输出所述当前帧图像中所有第一目标的运动属性数据和类型组成当前帧图像的第一数据集,输出当前帧图像的车道线分割图。具体来说,训练后的神经网络推理及后处理算法模块603可以包括标注子模块、车道线方程跟踪子模块和运动属性数据计算子模块,标注子模块用于对每帧图像进行标注得到车道线分割图、每个第一目标的3D目标框和每个第一目标的类型;车道线方程跟踪子模块用于采用车道线拟合算法对当前帧图像及其车道线分割图进行叠加、边缘提取等处理后得到车道线拟合方程;运动属性数据计算子模块用于根据当前帧图像中每个第一目标的3D目标框和上一帧图像中每个第一目标的3D目标框计算得到每个第一目标的运动属性数据,输出所有第一目标的运动属性数据和类型组成第一数据集,其中,第一目标的运动属性数据包括横纵坐标和速度;
融合模块604,用于对当前帧图像的每个第一目标,依据运动属性数据依次在当前帧雷达感知数据集中寻找对应的第二目标,用匹配成功的第二目标的运动属性数据中的纵坐标替换第一目标的运动属性数据中的纵坐标,以修正所述第一数据集得到第二数据集;
横向距离计算及筛选模块605,用于采用车道线拟合方程以及第二数据集中每个第一目标的横坐标、纵坐标和宽度,分别计算每个第一目标越过车道线进入自车车道的横向距离,筛选横向距离大于设定压线阈值的第一目标作为主目标候选项;
主目标筛选判决模块606,用于选择检测框尾部轮廓线与自车之间纵向距离最小的主目标候选项作为主目标。
ACC主目标筛选系统还包括,目标筛选剔除模块,用于依据所述第一目标的类型,剔除第二数据集中类型不属于行人和车辆的第一目标所对应的数据。
本发明实施例实现了如下技术效果:本发明的基于视觉和雷达感知的ACC主目标筛选方法,相比传统的ACC主目标筛选方案,通过车载前视摄像头采集的当前帧图像和雷达采集的当前帧雷达感知数据,将当前帧雷达感知数据与第一数据集的目标进行匹配,用匹配成功的当前帧雷达感知数据中目标的纵坐标替换第一数据集内相应目标的纵坐标,提高主目标筛选的准确性,实现在较小的生产成本基础上依赖软件算法可以取得车辆行人目标更精准的距离信息感知效果。同时,本发明的ACC主目标筛选方法适用于各种不需要一一采集地图信息的路况而可以灵活运用。
显然,本领域的技术人员应该明白,上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于视觉和雷达感知的ACC主目标筛选方法,其特征在于,包括:
将采集的自车前方道路的每帧图像输入训练后的神经网络内,通过所述神经网络输出每帧图像的车道线分割图、每个第一目标的3D目标框和每个第一目标的类型;
对当前帧图像及其车道线分割图进行拟合得到车道线拟合方程,根据当前帧图像中每个第一目标的3D目标框和上一帧图像中每个第一目标的3D目标框,得到每个第一目标的运动属性数据,所有第一目标的运动属性数据和类型组成当前帧图像的第一数据集;
通过设置在自车上的雷达感知模块采集得到自车前方道路的当前帧雷达感知数据集,所述当前帧雷达感知数据集包括每个第二目标的运动属性数据;
对当前帧图像的每个第一目标,依据运动属性数据依次在当前帧雷达感知数据集中寻找对应的第二目标,用匹配成功的第二目标的运动属性数据中的纵坐标替换第一目标的运动属性数据中的纵坐标,以修正第一数据集得到第二数据集;
采用车道线拟合方程以及第二数据集,分别计算每个第一目标越过车道线进入自车车道的横向距离,筛选横向距离大于设定压线阈值的第一目标作为主目标候选项;
选择检测框尾部轮廓线与自车之间纵向距离最小的主目标候选项作为主目标。
2.根据权利要求1所述的基于视觉和雷达感知的ACC主目标筛选方法,其特征在于,所述对当前帧图像及其车道线分割图进行拟合得到车道线拟合方程,根据当前帧图像中每个第一目标的3D目标框和上一帧图像中每个第一目标的3D目标框,得到每个第一目标的运动属性数据,包括:
采用车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到车道线拟合方程;
通过运动目标跟踪算法,依据当前帧图像中每个第一目标的3D目标框和上一帧图像中每个第一目标的3D目标框,计算得到当前帧图像的每个所述第一目标的运动属性数据,其中,所述运动属性数据包括每个第一目标的横坐标、纵坐标、横向速度和纵向速度。
3.根据权利要求2所述的基于视觉和雷达感知的ACC主目标筛选方法,其特征在于,所述采用车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到车道线拟合方程,包括:
依据当前帧图像的车道线分割图判断车道线是否存在;
依据车道线是否存在,采用车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到车道线拟合方程。
4.根据权利要求3所述的基于视觉和雷达感知的ACC主目标筛选方法,其特征在于,所述依据车道线是否存在,采用车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到车道线拟合方程,包括:
如果当前帧图像中左侧车道线和右侧车道线都存在时,通过车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到的左侧车道线和右侧车道线三次拟合曲线方程均为x=C3*y3+2*2+1*+C0;
如果当前帧图像中只存在左侧车道线或右侧车道线,采用左侧车道线与右侧车道线为平行曲线的假设,通过车道线拟合算法对当前帧图像及其车道线分割图进行拟合,得到的三次拟合曲线方程中,其中一条车道线的三次拟合曲线方程为x=C3*y3+2*2+1*+C0,另一条车道线的三次拟合曲线方程为x=C3*y3+2*2+1*+C0±d;
其中,X为当前帧图像中以自车保险杠为中心时左侧车道线或右侧车道线以的水平坐标,Y为当前帧图像中以自车保险杠中心为原点时左侧车道线或右侧车道线的垂直坐标,C0为车辆离车道线边界偏移距离,C1为车道线切线斜率,C2为车道线曲率系数,C3为车道线曲率变化率系数;d为道路交通法中规定的车道宽度。
5.根据权利要求4所述的基于视觉和雷达感知的ACC主目标筛选方法,其特征在于,还包括:
如果当前帧图像中不存在车道线时,依据左侧车道线与右侧车道线以自车保险杠中心为原点且平行于Y轴的假设,定义虚拟右车道线拟合方程为x=d/2,虚拟左车道线拟合方程为x=﹣d/2,其中,d为道路交通法中规定的车道宽度。
6.根据权利要求1所述的基于视觉和雷达感知的ACC主目标筛选方法,其特征在于,采用车道线拟合方程以及第二数据集,分别计算每个第一目标越过车道线进入自车车道的横向距离,包括:
采用第二数据集中每个第一目标的运动属性数据和3D目标框中的目标宽度,依据公式X1=(hD±W/2)分别计算每个第一目标靠近自车一侧检测框尾部轮廓线角点的横坐标X1,其中,hD为第一目标的运动属性数据中的检测框尾部轮廓线中心的横坐标,W为各第一目标的目标宽度;
筛选横坐标X1在自车车道坐标范围内第一目标,并将筛选后的每个第一目标的运动属性数据中的纵坐标引入所述车道线拟合方程中,计算各第一目标尾部与车道线交点的横坐标X0;
计算筛选后每个第一目标的横坐标X1与横坐标X0之间差值,将该差值的绝对值作为各第一目标越过车道线进入自车车道的横向距离s。
7.根据权利要求1所述的基于视觉和雷达感知的ACC主目标筛选方法,其特征在于,所述设定压线阈值依据公式k=W*ε计算得到,其中k为设定压线阈值,W为第一目标的宽度,ε为第一目标的越线系数。
8.一种基于视觉和雷达感知的ACC主目标筛选系统,其特征在于,包括:
采集模块,包括车载前视视觉模块和雷达感知模块,车载前视视觉模块用于采集的自车前方道路的每帧图像;所述雷达感知模块设置在自车前保险杠中心位置,用于采集得到自车前方道路的当前帧雷达感知数据集,所述当前帧雷达感知数据集包括每个第二目标的运动属性数据;
训练后的神经网络推理及后处理算法模块,用于输出当前帧图像中所有第一目标的运动属性数据和类型组成当前帧图像的第一数据集,输出当前帧图像的车道线分割图;
融合模块,用于对当前帧图像的每个第一目标,依据运动属性数据依次在当前帧雷达感知数据集中寻找对应的第二目标,用匹配成功的第二目标的运动属性数据中的纵坐标替换第一目标的运动属性数据中的纵坐标,以修正第一数据集得到第二数据集;
横向距离计算及筛选模块,用于采用车道线拟合方程以及第二数据集,分别计算每个第一目标越过车道线进入自车车道的横向距离,筛选横向距离大于设定压线阈值的第一目标作为主目标候选项;
主目标筛选判决模块,用于选择检测框尾部轮廓线与自车之间纵向距离最小的主目标候选项作为主目标。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于视觉和雷达感知的ACC主目标筛选方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至7中任一项所述的基于视觉和雷达感知的ACC主目标筛选方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311309182.6A CN117549907A (zh) | 2023-10-10 | 2023-10-10 | 一种基于视觉和雷达感知的acc主目标筛选方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311309182.6A CN117549907A (zh) | 2023-10-10 | 2023-10-10 | 一种基于视觉和雷达感知的acc主目标筛选方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117549907A true CN117549907A (zh) | 2024-02-13 |
Family
ID=89822247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311309182.6A Pending CN117549907A (zh) | 2023-10-10 | 2023-10-10 | 一种基于视觉和雷达感知的acc主目标筛选方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117549907A (zh) |
-
2023
- 2023-10-10 CN CN202311309182.6A patent/CN117549907A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111661046B (zh) | 确定对象的未来行为和航向的方法 | |
CN106054174B (zh) | 使用雷达和摄像机用于横越交通应用的融合方法 | |
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 | |
CN110065494B (zh) | 一种基于车轮检测的车辆防碰撞方法 | |
EP2461305B1 (en) | Road shape recognition device | |
US20180059679A1 (en) | Depth map estimation with stereo images | |
CN114375467A (zh) | 紧急车辆的检测 | |
US10832428B2 (en) | Method and apparatus for estimating a range of a moving object | |
CN115923839A (zh) | 一种车辆路径规划方法 | |
CN113887276A (zh) | 基于图像的前向主目标检测方法 | |
KR102003387B1 (ko) | 조감도 이미지를 이용한 교통 장애물의 검출 및 거리 측정 방법, 교통 장애물을 검출하고 거리를 측정하는 프로그램을 저장한 컴퓨터 판독가능 기록매체 | |
CN113155143A (zh) | 用于评估自动驾驶用的地图的方法、设备和车辆 | |
CN117549907A (zh) | 一种基于视觉和雷达感知的acc主目标筛选方法及系统 | |
JP7462738B2 (ja) | 車載クラスタ追跡システム | |
Lai et al. | Sensor fusion of camera and MMW radar based on machine learning for vehicles | |
Nedevschi et al. | Forward collision detection using a stereo vision system | |
CN114926729A (zh) | 一种基于行车视频的高风险路段鉴别系统及方法 | |
CN112070839A (zh) | 一种对后方车辆横纵向定位测距方法及设备 | |
Alrousan et al. | Multi-Sensor Fusion in Slow Lanes for Lane Keep Assist System | |
WO2024142607A1 (ja) | 車載処理装置及び物体認識方法 | |
CN117781911A (zh) | 基于单目摄像头的侧向车道车距测算的方法及系统 | |
JP2024095068A (ja) | 車載処理装置及び物体認識方法 | |
CN118107606A (zh) | 指引车辆通行的方法和指引车辆通行的系统 | |
CN118289019A (zh) | 车辆行驶信息显示方法、系统及电子设备 |
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 |