CN117911986A - 基于视觉点云的障碍物检测系统、方法、终端及存储介质 - Google Patents

基于视觉点云的障碍物检测系统、方法、终端及存储介质 Download PDF

Info

Publication number
CN117911986A
CN117911986A CN202410113100.9A CN202410113100A CN117911986A CN 117911986 A CN117911986 A CN 117911986A CN 202410113100 A CN202410113100 A CN 202410113100A CN 117911986 A CN117911986 A CN 117911986A
Authority
CN
China
Prior art keywords
point cloud
obstacle
module
pixel
point
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
Application number
CN202410113100.9A
Other languages
English (en)
Inventor
陈祥勇
柯英杰
刘强生
苏亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen King Long United Automotive Industry Co Ltd
Original Assignee
Xiamen King Long United Automotive Industry Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen King Long United Automotive Industry Co Ltd filed Critical Xiamen King Long United Automotive Industry Co Ltd
Priority to CN202410113100.9A priority Critical patent/CN117911986A/zh
Publication of CN117911986A publication Critical patent/CN117911986A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于视觉点云的障碍物检测系统及方法，系统由摄像头获取车辆周边的图像，通过双目立体匹配，计算出左右视图的视差值；接着根据视差值，计算出图像像素点的深度值及三维坐标，然后提取精度高且感兴趣区域的像素点，生成点云；再通过点云降采样，过滤自车及检测区域，移除地面点云后，进行欧几里得聚类检测；最后通过卡尔曼滤波进行跟踪，准确输出障碍物轮廓，位置，速度及轨迹等信息，可以检测出任意类别的障碍物。本发明的障碍物检测系统及方法，将视觉图像信息转换成点云进行检测，可以检测出任意类型的障碍物，有效避免基于深度学习目标检测的漏检问题。

Description

基于视觉点云的障碍物检测系统、方法、终端及存储介质
技术领域
本发明涉及自动驾驶技术领域，更为具体地说是指一种基于视觉点云的障碍物检测系统、方法、终端及存储介质。
背景技术
摄像头和激光雷达都是自动驾驶感知系统的核心传感器。摄像头能够获取图像的语义信息，根据传统的深度学习算法，如目标检测，可以识别已知类别（有经过训练）的障碍物，如车辆、行人及交通标识等，但无法检测未知类别（未经过训练）的障碍物；而激光雷达通过发射与接收障碍物反射回来的激光束，根据光传播时间确定目标距离，生成三维点云数据，能够检测到任何类别的障碍物。因此，如果能让摄像头像激光一样，将视觉图像信息转换成点云进行障碍物检测，可以有效避免漏检问题，提高自动驾驶感知系统的检测能力。
发明内容
本发明提供一种基于视觉点云的障碍物检测系统、方法、终端及存储介质，以准确地进行障碍物检测，有效避免漏检问题。
本发明采用如下技术方案：
基于视觉点云的障碍物检测系统，包括：图像读取模块，用于读取包括由RGB摄像头获取的车辆周围视频图像，以及由左、右两个双目摄像头获取的左右视图；左右视图视差计算模块，用于计算左右视图视差值；图像像素点深度计算模块，用于计算像素点深度值；图像像素点三维坐标计算模块，用于计算像素点三维坐标；图像像素点过滤模块，用于过滤图像像素点，并提取感兴趣区域；点云生成模块，将感兴趣区域的图像像素点转换成点云；点云预处理模块，用于点云降采样处理，并过滤部分点云；点云过滤地面模块，用于移除地面部分点云；点云聚类检测模块，用于检测障碍物；障碍物跟踪模块，用于跟踪障碍物。
进一步地，上述障碍物检测系统的检测方法，具体包括如下步骤：
S10、在车辆正前方中间安装RGB摄像头、正前方左右两侧分别安装双目摄像头，系统启动后摄像头采集自车周围视频图像，其中，RGB摄像头读取视频帧图像，左右双目摄像头读取左右视图，并传给左右视图视差计算模块；
S20、左右视图视差计算模块，依据S10输入的左右视图，通过双目立体匹配、校准，计算左右视图视差值，并传给图像像素点深度计算模块；
S30、图像像素点深度计算模块，依据S20输入的左右视图视图值，结合双目摄像头的参数，计算图像中每个像素点的深度值，并传给图像像素点三维坐标计算模块；
S40、图像像素点三维坐标计算模块，依据S30输入的图像像素点深度值，结合RGB摄像头参数，计算图像中每个像素点的三维坐标值，并输入给图像像素点过滤模块；
S50、图像像素点过滤模块，根据各区域像素点三维坐标的计算精度，设置阈值，过滤精度低的像素，保留精度高的像素点，同时根据所需检测目标的位置，提取出感兴趣的像素点区域，用于后续障碍物检测；
S60、点云生成模块，将S50输入的感兴趣区域图像像素点转换成PCL格式的点云；
S70、点云预处理模块，对S60输入的点云进行体素网格滤波降采样处理，并滤除离散的点，然后根据车身的实际尺寸过滤车辆自身点云，最后根据实际需要的检测距离，过滤前后左右超出距离阈值的点云；
S80、点云过滤地面模块，对s70输入的过滤后的点云，可选的，采用底面射线法，移除地面部分点云；
S90、点云聚类检测模块，根据S80输入的移除地面后的点云，可选的，采用欧几里得聚类方法，对点云进行聚类检测，生成障碍物轮廓、位置信息，并传给障碍物跟踪模块；
S100、障碍物跟踪模块，可选的，采用卡尔曼滤波对S90输入的障碍物进行跟踪，提升障碍物检测的稳定性，并获取障碍物轮廓、位置、速度及轨迹信息。
优选地：
上述S30的图像像素点深度计算模块，是结合左右双目摄像头的基线距离、焦距，计算图像中每个像素点的深度值，并传给图像像素点三维坐标计算模块，其计算公式如下：
d=f*b/(xl-xr)
其中，d为像素点深度值，f为相机焦距，b为左右单目相机基线距离，xl-xr为对应像素视差值。
上述S40的计算公式如下：
x=(u-cx)*d/fx
y=(v-cy)*d/fy
其中，x为像素点在车辆坐标系下x方向距离，y为像素点在车辆坐标系下y方向距离，d为像素点在车辆坐标系下z方向距离（即深度值），(cx,cy)为相机光学中心坐标，(u，v)为像素点的像素坐标。
再进一步地，本发明还提供一种障碍物检测终端，包括处理器、存储器以及存储在所述存储器中并在所述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基于视觉点云的障碍物检测方法的步骤。
更进一步地，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述基于视觉点云的障碍物检测方法的步骤。
由上述对本发明的描述可知，和现有技术相比，本发明具有如下优点：
1、本发明的障碍物检测系统及方法，将视觉图像信息转换成点云进行检测，可以检测出任意类型的障碍物，有效避免基于深度学习目标检测的漏检问题。
2、针对视觉点云产生的特性，如点云位置精度差，离散点多且杂乱等问题，本发明采用针对性的图像像素点过滤及点云滤波等处理方法，有效提高检测精度，降低误检率。
3、本发明的障碍物检测系统方法，针对视觉点云的检测结果，加入卡尔曼滤波跟踪等后处理，使得障碍物检测更加稳定可靠。
附图说明
图1为本发明实施例一的结构框图。
图2为本发明实施例一图像像素点的过滤示意图。
图3为本发明实施例一点云检测区的过滤示意图。
具体实施方式
下面参照图1说明本发明的具体实施方式。为了全面理解本发明，下面描述到许多细节，但对于本领域技术人员来说，无需这些细节也可实现本发明。对于公知的组件、方法及过程，以下不再详细描述。
实施例一
本发明实施例提供了一种基于视觉点云的障碍物检测系统，参照图1，包括：图像读取模块1、左右视图视差计算模块2、图像像素点深度计算模块3、图像像素点三维坐标计算模块4、图像像素点过滤模块5、点云生成模块6、点云预处理模块7、点云过滤地面模块8、点云聚类检测模块9以及障碍物跟踪模块10。其中：
图像读取模块1，用于读取包括由RGB摄像头获取的车辆周围视频图像，以及由左、右两个双目摄像头获取的左右视图；左右视图视差计算模块2，用于计算左右视图视差值；图像像素点深度计算模块3，用于计算像素点深度值；图像像素点三维坐标计算模块4，用于计算像素点三维坐标；图像像素点过滤模块5，用于过滤图像像素点，并提取感兴趣区域；点云生成模块6，将感兴趣区域的图像像素点转换成点云；点云预处理模块7，用于点云降采样处理，并过滤部分点云；点云过滤地面模块8，用于移除地面部分点云；点云聚类检测模块9，用于检测障碍物；障碍物跟踪模块10，用于跟踪障碍物。
上述障碍物检测系统的检测方法，具体包括如下步骤：
S10、在车辆正前方中间安装RGB摄像头、正前方左右两侧分别安装双目摄像头，系统启动后摄像头采集自车周围视频图像，其中，RGB摄像头读取视频帧图像，左右双目摄像头读取左右视图，并传给左右视图视差计算模块。
S20、左右视图视差计算模块，依据S10输入的左右视图，通过双目立体匹配，校准，计算左右视图视差值，并传给图像像素点深度计算模块。
S30、图像像素点深度计算模块，依据S20输入的左右视图视图值，结合左右两个双目摄像头的基线距离、焦距，计算图像中每个像素点的深度值，并传给图像像素点三维坐标计算模块，其计算公式如下：
d=f*b/(xl-xr)
其中，d为像素点深度值，f为相机焦距，b为左右单目相机基线距离，xl-xr为对应像素视差值。
S40、图像像素点三维坐标计算模块，依据S30输入的图像像素点深度值，结合RGB摄像头参数，计算图像中每个像素点的三维坐标值，并输入给图像像素点过滤模块，其计算公式如下：
x=(u-cx)*d/fx
y=(v-cy)*d/fy
其中，x为像素点在车辆坐标系下x方向距离，y为像素点在车辆坐标系下y方向距离，d为像素点在车辆坐标系下z方向距离（即深度值），(cx,cy)为相机光学中心坐标，(u，v)为像素点的像素坐标。
S50、图像像素点过滤模块，根据各区域像素点三维坐标的计算精度，设置阈值，过滤精度低的像素，保留精度高的像素点，同时根据所需检测目标的位置，提取出感兴趣的像素点区域，用于后续障碍物检测。
参照图2，图2中：上方阴影部分21为精度低的像素区域，下方两侧阴影22为超过阈值的部分，均被过滤掉；而下方的中间区域23则为感兴趣区域，被保留下来。
S60、点云生成模块，将S50输入的感兴趣区域图像像素点转换成PCL格式的点云；
S70、点云预处理模块，对S60输入的点云进行体素网格滤波降采样处理，并滤除离散的点，然后根据车身的实际尺寸过滤车辆自身点云，最后根据实际需要的检测距离，过滤前后左右超出距离阈值的点云。参考如下：
a、离散点滤除
N d>Td
Nd指直径为d的圆内点云数量，Td为直径为d的圆内点云数量的最小阈值，其中大于阈值的点云保留，小于阈值的点云删除。
b、车身及检测区域过滤，参照图3：
((x>xc_max∨x<xc_min) ∧(y>yc_max∨y<yc_min ))
∧ ((xd_min<x<xd_max)∧(yd_min<y<yd_max))
其中，x,y为点云在车辆坐标系下x,y方向距离；
xc_max在车辆坐标系下，车身最前端点的x方向距离；
xc_min在车辆坐标系下，车身最后端点的x方向距离；
yc_max在车辆坐标系下，车身最右端点的y方向距离；
yc_min在车辆坐标系下，车身最左端点的y方向距离；
xd_max在车辆坐标系下，检测区域最前端点的x方向距离；
xd_min在车辆坐标系下，检测区域最后端点的x方向距离；
yd_max在车辆坐标系下，检测区域最右端点的y方向距离；
yd_min在车辆坐标系下，检测区域最左端点的y方向距离。
S80、点云过滤地面模块，对s70输入的过滤后的点云，可选的，采用底面射线法，移除地面部分点云。
S90、点云聚类检测模块，根据S80输入的移除地面后的点云，可选的，采用欧几里得聚类方法，对点云进行聚类检测，生成障碍物轮廓、位置信息，并传给障碍物跟踪模块。
S100、障碍物跟踪模块，可选的，采用卡尔曼滤波对S90输入的障碍物进行跟踪，提升障碍物检测的稳定性，并获取障碍物轮廓、位置、速度及轨迹信息。
综上，本发明提出的基于视觉点云的障碍物检测系统及方法，该系统由摄像头获取车辆周边的图像，通过双目立体匹配，计算出左右视图的视差值；接着根据视差值，计算出图像像素点的深度值及三维坐标，然后提取精度高且感兴趣区域的像素点，生成点云；再通过点云降采样，过滤自车及检测区域，移除地面点云后，进行欧几里得聚类检测；最后通过卡尔曼滤波进行跟踪，准确输出障碍物轮廓，位置，速度及轨迹等信息，可以检测出任意类别的障碍物。
实施例二
本发明还提供一种基于视觉点云的障碍物检测终端，包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述基于视觉点云的障碍物检测方法的步骤。
进一步地，作为一个可执行方案，上述基于视觉点云的障碍物检测终端可以是车载电脑、云端服务器等计算设备。基于视觉点云的障碍物检测终端可包括，但不仅限于处理器、存储器。本领域技术人员可以理解，上述基于视觉点云的障碍物检测终端的组成结构仅仅是基于视觉点云的障碍物检测终端的示例，并不构成对基于视觉点云的障碍物检测终端的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如基于视觉点云的障碍物检测终端还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，上述处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital SignalProcessor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是障碍物检测终端的控制中心，利用各种接口和线路连接整个障碍物检测终端的各个部分。
存储器可用于存储所述计算机程序和/或模块，处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现障碍物检测终端的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital,SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例三
本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述基于视觉点云的障碍物检测方法的步骤。
上述基于视觉点云的障碍物检测终端集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，RandomAccess Memory）以及软件分发介质等。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (9)

1.基于视觉点云的障碍物检测系统，其特征在于，包括：
图像读取模块，用于读取包括由RGB摄像头获取的车辆周围视频图像，以及由左、右两个双目摄像头获取的左右视图；
左右视图视差计算模块，用于计算左右视图视差值；
图像像素点深度计算模块，用于计算像素点深度值；
图像像素点三维坐标计算模块，用于计算像素点三维坐标；
图像像素点过滤模块，用于过滤图像像素点，并提取感兴趣区域；
点云生成模块，将感兴趣区域的图像像素点转换成点云；
点云预处理模块，用于点云降采样处理，并过滤部分点云；
点云过滤地面模块，用于移除地面部分点云；
点云聚类检测模块，用于检测障碍物；
障碍物跟踪模块，用于跟踪障碍物。
2.基于视觉点云的障碍物检测方法，采用如权利要求1所述的障碍物检测系统，其特征在于，具体包括如下步骤：
S10、在车辆正前方中间安装RGB摄像头、正前方左右两侧分别安装双目摄像头，系统启动后摄像头采集自车周围视频图像，其中，RGB摄像头读取视频帧图像，左右双目摄像头读取左右视图，并传给左右视图视差计算模块；
S20、左右视图视差计算模块，依据S10输入的左右视图，通过双目立体匹配、校准，计算左右视图视差值，并传给图像像素点深度计算模块；
S30、图像像素点深度计算模块，依据S20输入的左右视图视图值，结合双目摄像头的参数，计算图像中每个像素点的深度值，并传给图像像素点三维坐标计算模块；
S40、图像像素点三维坐标计算模块，依据S30输入的图像像素点深度值，结合RGB摄像头参数，计算图像中每个像素点的三维坐标值，并输入给图像像素点过滤模块；
S50、图像像素点过滤模块，根据各区域像素点三维坐标的计算精度，设置阈值，过滤精度低的像素，保留精度高的像素点，同时根据所需检测目标的位置，提取出感兴趣的像素点区域，用于后续障碍物检测；
S60、点云生成模块，将S50输入的感兴趣区域图像像素点转换成PCL格式的点云；
S70、点云预处理模块，对S60输入的点云进行体素网格滤波降采样处理，并滤除离散的点，然后根据车身的实际尺寸过滤车辆自身点云，最后根据实际需要的检测距离，过滤前后左右超出距离阈值的点云；
S80、点云过滤地面模块，对s70输入的过滤后的点云，移除地面部分点云；
S90、点云聚类检测模块，根据S80输入的移除地面后的点云，对点云进行聚类检测，生成障碍物轮廓、位置信息，并传给障碍物跟踪模块；
S100、障碍物跟踪模块，对S90输入的障碍物进行跟踪，提升障碍物检测的稳定性，并获取障碍物轮廓、位置、速度及轨迹信息。
3.如权利要求2所述的基于视觉点云的障碍物检测方法，其特征在于，所述S30的图像像素点深度计算模块，是结合左右双目摄像头的基线距离、焦距，计算图像中每个像素点的深度值，并传给图像像素点三维坐标计算模块，其计算公式如下：
d=f*b/(xl-xr)
其中，d为像素点深度值，f为相机焦距，b为左右单目相机基线距离，xl-xr为对应像素视差值。
4.如权利要求2所述的基于视觉点云的障碍物检测方法，其特征在于：所述S40的计算公式如下：
x= (u-cx)*d/fx，y= (v-cy)*d/fy
其中，x为像素点在车辆坐标系下x方向距离，y为像素点在车辆坐标系下y方向距离，d为像素点在车辆坐标系下z方向距离即深度值，(cx，cy)为相机光学中心坐标，(u，v)为像素点的像素坐标。
5.如权利要求2所述的基于视觉点云的障碍物检测方法，其特征在于：所述S80中的点云过滤地面模块，采用底面射线法移除底面部分点云。
6.如权利要求2所述的基于视觉点云的障碍物检测方法，其特征在于：所述S90中的点云聚类检测模块，采用欧几里得聚类方法对点云进行聚类检测。
7.如权利要求2所述的基于视觉点云的障碍物检测方法，其特征在于：所述S100中的障碍物跟踪模块，采用卡尔曼滤波对S90输入的障碍物进行跟踪。
8.一种障碍物检测终端，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述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如权利要求2-7任一所述基于视觉点云的障碍物检测方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求2-7任一所述基于视觉点云的障碍物检测方法的步骤。
CN202410113100.9A 2024-01-26 2024-01-26 基于视觉点云的障碍物检测系统、方法、终端及存储介质 Pending CN117911986A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410113100.9A CN117911986A (zh) 2024-01-26 2024-01-26 基于视觉点云的障碍物检测系统、方法、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410113100.9A CN117911986A (zh) 2024-01-26 2024-01-26 基于视觉点云的障碍物检测系统、方法、终端及存储介质

Publications (1)

Publication Number Publication Date
CN117911986A true CN117911986A (zh) 2024-04-19

Family

ID=90694257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410113100.9A Pending CN117911986A (zh) 2024-01-26 2024-01-26 基于视觉点云的障碍物检测系统、方法、终端及存储介质

Country Status (1)

Country Link
CN (1) CN117911986A (zh)

Similar Documents

Publication Publication Date Title
CN111712731B (zh) 目标检测方法、系统及可移动平台
CN110555407B (zh) 路面车辆空间识别方法及电子设备
JP2004112144A (ja) 前方車両追跡システムおよび前方車両追跡方法
KR101163042B1 (ko) 차량 검출 장치 및 방법
JP2020518918A (ja) 情報処理方法、装置、クラウド処理デバイス及びコンピュータプログラム製品
JP6361313B2 (ja) 車両検出方法及び装置
CN114898321B (zh) 道路可行驶区域检测方法、装置、设备、介质及系统
US11256929B2 (en) Image-based road cone recognition method and apparatus, storage medium, and vehicle
CN108399360A (zh) 一种连续型障碍物检测方法、装置及终端
CN116343165A (zh) 一种3d目标检测系统、方法、终端设备及存储介质
CN114445648A (zh) 障碍物识别方法、设备及存储介质
CN115546216B (zh) 一种托盘检测方法、装置、设备及存储介质
CN109598199B (zh) 车道线生成方法和装置
CN117911986A (zh) 基于视觉点云的障碍物检测系统、方法、终端及存储介质
CN115578703A (zh) 激光感知融合优化方法、装置、设备及可读存储介质
KR20160063039A (ko) 3차원 데이터를 이용한 도로 인식 방법
CN112364693B (zh) 基于双目视觉的障碍识别方法、装置、设备及存储介质
US11295465B2 (en) Image processing apparatus
CN117593454B (zh) 三维重建与目标表面平面点云生成方法
US20240212171A1 (en) Image processing apparatus
CN115063772B (zh) 一种车辆编队后车检测方法、终端设备及存储介质
US11087483B2 (en) Image processing apparatus
Muis et al. Simple road side detection and tracking on embedded PC
JP7322576B2 (ja) 情報処理装置、撮像装置および移動体
CN112329678B (zh) 一种基于信息融合的单目行人3d定位的方法

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