TWI651686B - 一種光學雷達行人偵測方法 - Google Patents
一種光學雷達行人偵測方法 Download PDFInfo
- Publication number
- TWI651686B TWI651686B TW106141953A TW106141953A TWI651686B TW I651686 B TWI651686 B TW I651686B TW 106141953 A TW106141953 A TW 106141953A TW 106141953 A TW106141953 A TW 106141953A TW I651686 B TWI651686 B TW I651686B
- Authority
- TW
- Taiwan
- Prior art keywords
- dimensional
- point cloud
- optical radar
- image
- detection method
- Prior art date
Links
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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/04—Systems determining the presence of a target
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
一種光學雷達行人偵測方法,步驟包括:(A)藉由一光學雷達取得一三維點雲資料;(B)將該三維點雲資料進行一分割地面處理以去除地面資訊;(C)再將該三維點雲資料進行一物件提取處理以獲得一包含有行人候選點雲群的三維點雲圖;(D)將該三維點雲圖進行一二維映射處理以獲得一二維圖;(E)對該三維點雲圖與該二維圖進行一三維及一二維特徵提取,並利用該三維及二維特徵以判斷出行人位置。藉此,強化處理藉由光學雷達取得的影像資料,更可分辨出遠方行人與環境區塊,改善夜間或是惡劣的天氣環境下,強化行人辨識的能力。
Description
本發明係關於一種影像處理方法,特別是關於一種用於光學雷達之行人偵測方法。
影像處理的相關研究一直是學界、業界所重視的研究課題,尤其是汽車、街頭監測等相關領域的行人偵測應用上也越來越普及,其檢測目標為行人,用以偵測行人的存在,如此可通知駕駛或讓相關安全程式可判斷出行人位置,以做出相關安全上的因應行為。
夜間環境時,行人必須靠路燈、車輛車燈或路旁店家所提供的照明方能被看到、偵測到,而當大雨、濃霧等外在環境造成視線不佳時,行人位置的偵測更是不易,雖然現今技術有利用紅外線偵測系統來做夜間行人偵測,但其機器價格高、體積大且耗電,無法廣泛使用於行人位置的偵測。
光學雷達是一種光學搖感技術,其系統一般分為三部分,包含有雷射發射器、掃描與光學部件及感光部件,其中雷射發射器可發出波長600nm-1000nm的雷射光,而掃描與光學部件是用來收集反射點距離與角度,最後感光部件則是用以檢測返回光的強度,因此,光學雷達(LIDAR,Light
Detection and Ranging)是應用雷射掃瞄技術快速準確地獲取三維座標資料的測量儀器,光學雷達所產生的資料都是大量掃瞄點的三維座標及雷射反射強度值,這些資料稱為三維點雲(point cloud)資料。
但光學雷達(LIDAR,Light Detection and Ranging)的精度卻常受外在環境的影響,例如空氣中的懸浮物會對光速產生影響,大霧及大雨也會影響光學雷達的精度,由其是大雨的影響,雨勢越大,大幅提升雨滴與雷射光碰撞的機會在現今極端氣候豪大雨成常態的環境下,將使光學雷達的最遠偵測距離成線性下降,降低光學雷達的實用性。
因此目前業界極需發展出一種光學雷達行人偵測方法,能以影像處理強化紋理特徵的方式,以避免外在惡劣環境的影響,以及量測距離過遠等問題,如此一來,方能同時兼具準確度與成本,在不須花費其他硬體設備的改造費用下,進而強化行人辨識能力,以增加行人安全之目的。
鑒於上述習知技術之缺點,本發明之主要目的在於提供一種光學雷達行人偵測方法,整合一光學雷達、一三維點雲資料、一物件提取處理及一三維及二維特徵提取等,以完成光學雷達三維點雲資料中的行人影像強化處理。
為了達到上述目的,根據本發明所提出之一方案,提供一種光學雷達行人偵測方法,包括:(A)藉由一光學雷
達取得一三維點雲資料;(B)將該三維點雲資料進行一分割地面處理以去除地面資訊;(C)再將該三維點雲資料進行一物件提取處理以獲得一包含有行人候選點雲群的三維點雲圖;(D)將該三維點雲圖進行一二維映射處理以獲得一二維圖;(E)對該三維點雲圖與該二維圖進行一三維及一二維特徵提取,並利用該三維及二維特徵以判斷出行人位置。
上述中步驟(A)由光學雷達取得的三維點雲資料中,X、Y、Z軸都經過正規化(nomalization)處理,以刪除重複性和不一致的相依性,保護資料並讓三維點雲資料運用更有彈性;步驟(B)中分割地面處理可利用一隨機樣本共識(Random Sample Consensus)以去除地面,所謂的隨機樣本共識與傳統方法不同,並不是盡可能多的資料來獲得一個初始解後,才利用來消除無效的資料點,而是像本發明中的三維點雲資料,利用隨機可行的樣本資料集,找出其一致性後以擴大這個(地面)集合,再將此集合消除,就可將三維點雲資料中的地面資訊消除。
步驟(C)中的物件提取處理可利用三維點雲資料中點與點之間的距離做分群,例如當兩點間距離小於0.2m時(但不以此為限),可將兩點標記為同一個群,再以各群的長寬高之比來篩選出行人候選點雲群。
步驟(D)中的二維映射處理可包含下列步驟:(a)將該三維點雲圖映射出該二維圖;(b)利用二值化影像膨脹
該二維圖以消除雜訊;(c)利用高斯模糊濾鏡模糊該二維圖以消除雜訊;(d)利用形態學演算出該二維圖內各物件的輪廓;(e)對該二維圖內的各物件作區域填滿,上述步驟,可有效去除雜訊,並使步驟(C)篩選出的行人候選點雲群,在二維圖中加強使其更加明顯。
步驟(E)中係同時利用提取出的三維及二維特徵,以機器學習進行分類,考量三維及二維特徵後,進而判斷出行人位置
以上之概述與接下來的詳細說明及附圖,皆是為了能進一步說明本創作達到預定目的所採取的方式、手段及功效。而有關本創作的其他目的及優點,將在後續的說明及圖式中加以闡述。
S101-S104‧‧‧步驟
第一圖係為本發明一種光學雷達行人偵測方法流程圖;第二圖係為本發明一種二維映射處理流程圖;第三圖係為本發明一種三維點雲圖(a)與經映射產出的二維圖(b)。
以下係藉由特定的具體實例說明本創作之實施方式,熟悉此技藝之人士可由本說明書所揭示之內容輕易地了解本創作之優點及功效。
光學雷達發射時具有較高的指向性且不用考慮光線環境影響,發射高精準的激光束掃描道路環境周圍的顯著特徵,有助於偵測相對自我車輛較小的行人對象,近年來在自動駕駛,都被廣泛探討。
本發明利用光學雷達(Light detection and ranging system,LIDAR)透過發射電磁輻射去探測物件的距離,儘管光學雷達擁有50公尺的範圍偵測,但隨著偵測距離越長,點雲資料也會越稀疏,使得障礙物較難辨識,由其是在夜間或是惡劣的天氣環境下,所得到的低清晰度圖像往往無法辨識清楚,依據經驗光學雷達感測距離雖可長達50公尺以上,但大約到40公尺處,三維點雲就已經變得相當稀疏了,無法清楚的辨識遠方物體,因此,本發明主要目的之一是希望能夠在只藉由使用光學雷達設備下,提升偵測遠方行人所在的正確位置,提早偵測出行人位置,可以給予自動駕駛足夠的反應距離,使得光學雷達不受光線影響,不論白天或晚上都能即時感測周遭障礙物形狀、距離等資訊。
請參閱第一圖,為本發明一種光學雷達行人偵測方法流程圖。如圖一所示,本發明所提供一種光學雷達行人偵測方法,步驟包括:(A)藉由一光學雷達取得一三維點雲資料S101,其中該三維點雲資料包含正規化(nomalization)的XYZ軸;(B)將該三維點雲資料進行一分割地面處理以去除地面資訊S102,其中該分割地面處理係利用一隨機樣本共識(Random
Sample Consensus)以去除地面;(C)再將該三維點雲資料進行一物件提取處理以獲得一包含有行人候選點雲群的三維點雲圖S103,其中該物件提取處理係利用三維點雲資料中點與點之間的距離做分群;(D)將該三維點雲圖進行一二維映射處理以獲得一二維圖S104;(E)對該三維點雲圖與該二維圖進行一三維及一二維特徵提取,並利用該三維及二維特徵以判斷出行人位置。
實施例
步驟一:光學雷達(LIDAR)數據採集,本實施例利用LIDAR取得三維點雲數據,經過前處理,讓X、Y、Z軸都正規化,正規化處理是用來刪除重複性和不一致的相依性,以保護資料並讓三維點雲資料運用更有彈性;步驟二:分割地面處理,本實施例利用隨機樣本共識(Random Sample Consensus,簡稱RANSAC)去除地面,所謂的隨機樣本共識與傳統方法不同,並不是盡可能多的資料來獲得一個初始解後,才利用來消除無效的資料點,而是像本實施例將三維點雲資料,利用隨機可行的樣本資料集,找出其一致性後以擴大地面集合,再將此地面集合消除,就可將三維點雲資料中的地面資訊消除;步驟三:物件提取處理,本實施例根據點之間的距離做分群,用K-D tree做搜尋方式,當兩點間距離小於0.2m時,該兩點標記為同一個群,再以各群的長寬高初步篩選行人候選點雲
群;步驟四:分類處理,本實施例使用三維及映射二維特徵所提取出的特徵向量計算及評估,利用機器學習的方式分類出是否為行人,其實施內容為使用著名的二維特徵以增加精確度,將測得的三維點雲分群,利用行人大小提取出候選點雲群,再從三維點雲中提取特徵,而為了解決長距離及稀疏點的問題,我們將三維點雲映射至二維平面上,此過程需經計算到該點雲群的距離及角度,經旋轉點雲後映射至二維平面,再經過輪廓判斷及填滿形成二維圖像,再提取相應的二維輪廓及其相關的二維特徵(例如:方向梯度直方圖(HOG)、影像特徵提取(LBP)、哈爾特徵Haar-like),最後基於傳統的三維特徵及所提出的二維特徵利用機器學習作分類;請參閱第二圖,為本發明一種二維映射處理流程圖。如圖所示,上述實施例中三維點雲映射至二維平面以產出一二維圖的二維映射處理包含下列步驟:(a)將該三維點雲圖映射產出一二維圖,此過程需經計算到該點雲群的距離及角度,經旋轉點雲後映射至二維平面;(b)利用二值化影像膨脹該二維圖以消除雜訊;(c)利用高斯模糊濾鏡模糊該二維圖以消除雜訊;(d)利用形態學演算出該二維圖內各物件的輪廓;(e)對該二維圖內的各物件作區域(空隙)填滿。
請參閱第三圖,為本發明一種三維點雲圖(a)與經
映射產出的二維圖(b)。如圖所示,單純使用三維的特徵來判斷行人,如果行人距離較遠點雲會很稀疏,只有使用三維特徵可能無法辨識出遠方行人,以至於偵測不到遠方的行人,如圖三(a)上方;圖三(b)為使用上述二維映射處理所產出的二維圖,如圖所示,將點雲映射在二維圖,再依照行人距離做補點,就可以偵測出遠方的行人。
本發明利用光學雷達,發展出「一種光學雷達行人偵測方法」,此系統對於光學雷達偵測遠方物體有極大的改善,可避免純靠三維特徵來做行人判斷時所產生不夠準確等相關問題,透過本案發明的方法可以提升光學雷達辨識行人的準確率,可再融合RGB-Camera來優化系統,更可提高精確度,相信在未來可以增加光學雷達在自動輔助駕駛系統或工業相關產業的應用,例如光學雷達也可以於室內使用,在大型自動化工廠中,利用本案發明的方法偵測人,當有員工靠近機器移動的區域時,機器可以自動停止運作,避免發生危險。
上述之實施例僅為例示性說明本創作之特點及功效,非用以限制本創作之實質技術內容的範圍。任何熟悉此技藝之人士均可在不違背創作之精神及範疇下,對上述實施例進行修飾與變化。因此,本創作之權利保護範圍,應如後述之申請專利範圍所列。
Claims (7)
- 一種光學雷達行人偵測方法,步驟包括:(A)藉由一光學雷達取得一三維點雲資料;(B)將該三維點雲資料進行一分割地面處理以去除地面資訊;(C)再將該三維點雲資料進行一物件提取處理以獲得一包含有行人候選點雲群的三維點雲圖;(D)將該三維點雲圖進行一二維映射處理以獲得一二維圖,其中,該二維映射處理包含下列步驟:(a)將該三維點雲圖映射出該二維圖;(b)利用二值化影像膨脹該二維圖以消除雜訊;(c)利用高斯模糊濾鏡模糊該二維圖以消除雜訊;(d)利用形態學演算出該二維圖內各物件的輪廓;(e)對該二維圖內的各物件作區域填滿;(E)對該三維點雲圖與該二維圖進行一三維及一二維特徵提取,並利用該三維及二維特徵以判斷出行人位置。
- 如申請專利範圍第1項所述之光學雷達行人偵測方法,其中,該三維點雲資料包含正規化(nomalization)的XYZ軸。
- 如申請專利範圍第2項所述之光學雷達行人偵測方法,其中,該分割地面處理係利用一隨機樣本共識(Random Sample Consensus)以去除地面。
- 如申請專利範圍第3項所述之光學雷達行人偵測方法,其中,該物件提取處理係利用三維點雲資料中點與點之間的距離做分群。
- 如申請專利範圍第4項所述之光學雷達行人偵測方法,其中,當兩點間距離小於0.2m時,該兩點標記為同一個群,再以各群的長寬高篩選出行人候選點雲群。
- 如申請專利範圍第5項所述之光學雷達行人偵測方法,其中,該二維特徵係選自HOG、LBP、Haar-like其中之一或其混合。
- 如申請專利範圍第6項所述之光學雷達行人偵測方法,其中,步驟(E)中係同時利用該三維及二維特徵以機器學習進行分類,進而判斷出行人位置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106141953A TWI651686B (zh) | 2017-11-30 | 2017-11-30 | 一種光學雷達行人偵測方法 |
US16/059,013 US10769421B2 (en) | 2017-11-30 | 2018-08-08 | Method for performing pedestrian detection with aid of light detection and ranging |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106141953A TWI651686B (zh) | 2017-11-30 | 2017-11-30 | 一種光學雷達行人偵測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI651686B true TWI651686B (zh) | 2019-02-21 |
TW201926249A TW201926249A (zh) | 2019-07-01 |
Family
ID=66213998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106141953A TWI651686B (zh) | 2017-11-30 | 2017-11-30 | 一種光學雷達行人偵測方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10769421B2 (zh) |
TW (1) | TWI651686B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717918A (zh) * | 2019-10-11 | 2020-01-21 | 北京百度网讯科技有限公司 | 行人检测方法和装置 |
US11225285B2 (en) | 2019-08-05 | 2022-01-18 | Acer Incorporated | Vehicle control method and vehicle control system |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101066B (zh) * | 2019-06-17 | 2024-03-08 | 商汤集团有限公司 | 目标检测方法和装置及智能驾驶方法、设备和存储介质 |
CN112327308A (zh) * | 2019-07-19 | 2021-02-05 | 阿里巴巴集团控股有限公司 | 物体检测方法、装置、系统及设备 |
US11614742B2 (en) * | 2019-11-27 | 2023-03-28 | Zoox, Inc. | Height estimation using sensor data |
CN111580131B (zh) * | 2020-04-08 | 2023-07-07 | 西安邮电大学 | 三维激光雷达智能车在高速公路上识别车辆的方法 |
CN111539361B (zh) * | 2020-04-28 | 2023-09-05 | 北京小马慧行科技有限公司 | 噪点的识别方法、装置、存储介质、处理器和运载工具 |
JP2021177144A (ja) * | 2020-05-08 | 2021-11-11 | キヤノン株式会社 | 情報処理装置、情報処理方法及びープログラム |
JP2023525534A (ja) * | 2020-05-11 | 2023-06-16 | コグネックス・コーポレイション | 3次元画像から外形を抽出する方法及び装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107015226A (zh) * | 2016-01-15 | 2017-08-04 | 松下电器产业株式会社 | 物体检测装置及物体检测方法 |
CN107169986A (zh) * | 2017-05-23 | 2017-09-15 | 北京理工大学 | 一种障碍物检测方法及系统 |
TW201737857A (zh) * | 2016-04-29 | 2017-11-01 | 佳世達科技股份有限公司 | 影像處理方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8260539B2 (en) * | 2010-05-12 | 2012-09-04 | GM Global Technology Operations LLC | Object and vehicle detection and tracking using 3-D laser rangefinder |
EP2395452A1 (en) * | 2010-06-11 | 2011-12-14 | Toyota Motor Europe NV/SA | Detection of objects in an image using self similarities |
JP5792376B2 (ja) * | 2011-05-16 | 2015-10-14 | ヴァレオ・シャルター・ウント・ゼンゾーレン・ゲーエムベーハー | 車両および車両用のカメラ装置を動作させる方法 |
US9286538B1 (en) * | 2014-05-01 | 2016-03-15 | Hrl Laboratories, Llc | Adaptive 3D to 2D projection for different height slices and extraction of robust morphological features for 3D object recognition |
GB2532948B (en) * | 2014-12-02 | 2021-04-14 | Vivo Mobile Communication Co Ltd | Object Recognition in a 3D scene |
US10031231B2 (en) * | 2016-09-12 | 2018-07-24 | Delphi Technologies, Inc. | Lidar object detection system for automated vehicles |
US10438371B2 (en) * | 2017-09-22 | 2019-10-08 | Zoox, Inc. | Three-dimensional bounding box from two-dimensional image and point cloud data |
US10824862B2 (en) * | 2017-11-14 | 2020-11-03 | Nuro, Inc. | Three-dimensional object detection for autonomous robotic systems using image proposals |
-
2017
- 2017-11-30 TW TW106141953A patent/TWI651686B/zh active
-
2018
- 2018-08-08 US US16/059,013 patent/US10769421B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107015226A (zh) * | 2016-01-15 | 2017-08-04 | 松下电器产业株式会社 | 物体检测装置及物体检测方法 |
TW201737857A (zh) * | 2016-04-29 | 2017-11-01 | 佳世達科技股份有限公司 | 影像處理方法 |
CN107169986A (zh) * | 2017-05-23 | 2017-09-15 | 北京理工大学 | 一种障碍物检测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11225285B2 (en) | 2019-08-05 | 2022-01-18 | Acer Incorporated | Vehicle control method and vehicle control system |
CN110717918A (zh) * | 2019-10-11 | 2020-01-21 | 北京百度网讯科技有限公司 | 行人检测方法和装置 |
CN110717918B (zh) * | 2019-10-11 | 2022-06-07 | 北京百度网讯科技有限公司 | 行人检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US20190163968A1 (en) | 2019-05-30 |
TW201926249A (zh) | 2019-07-01 |
US10769421B2 (en) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI651686B (zh) | 一種光學雷達行人偵測方法 | |
JP5822255B2 (ja) | 対象物識別装置及びプログラム | |
Chen et al. | Gaussian-process-based real-time ground segmentation for autonomous land vehicles | |
Cabo et al. | An algorithm for automatic detection of pole-like street furniture objects from Mobile Laser Scanner point clouds | |
US9454816B2 (en) | Enhanced stereo imaging-based metrology | |
Ujjainiya et al. | Raspberry-Pi based cost effective vehicle collision avoidance system using image processing | |
Benedek et al. | Positioning and perception in LIDAR point clouds | |
Yin et al. | Spherical coordinates based methods of ground extraction and objects segmentation using 3-D LiDAR sensor | |
CN112683228A (zh) | 单目相机测距方法及装置 | |
TWI673190B (zh) | 基於光學雷達之汽車偵測方法 | |
Rosero et al. | Calibration and multi-sensor fusion for on-road obstacle detection | |
Sun et al. | High-accuracy three-dimensional measurement based on multi-directional cooperative target with weighted SfM algorithm | |
Mohottala et al. | Fusion of a camera and a laser range sensor for vehicle recognition | |
CN112733678A (zh) | 测距方法、装置、计算机设备和存储介质 | |
CN117124332A (zh) | 基于ai视觉抓取的机械臂控制方法及系统 | |
Phan et al. | Pavement crack extraction method from mobile laser scanning point cloud | |
CN116643291A (zh) | 一种视觉与激光雷达联合剔除动态目标的slam方法 | |
Bruno et al. | A comparison of traffic signs detection methods in 2d and 3d images for the benefit of the navigation of autonomous vehicles | |
Zhang et al. | Research on Pothole Detection Method for Intelligent Driving Vehicle | |
Guo et al. | Road environment perception for safe and comfortable driving | |
CN112651986A (zh) | 环境识别方法、识别装置、识别系统、电子设备及介质 | |
Huang et al. | An efficient multi-threshold selection method for lane detection based on lidar | |
Hu et al. | Automatic detection and evaluation of 3D pavement defects using 2D and 3D information at the high speed | |
Venugopala | Comparative study of 3D object detection frameworks based on LiDAR data and sensor fusion techniques | |
CN111542828A (zh) | 线状物识别方法及装置、系统和计算机存储介质 |