WO2000077736A1 - Verfahren zur detektion von objekten im umfeld eines strassenfahrzeugs bis in grosse entfernung - Google Patents

Verfahren zur detektion von objekten im umfeld eines strassenfahrzeugs bis in grosse entfernung Download PDF

Info

Publication number
WO2000077736A1
WO2000077736A1 PCT/EP2000/005337 EP0005337W WO0077736A1 WO 2000077736 A1 WO2000077736 A1 WO 2000077736A1 EP 0005337 W EP0005337 W EP 0005337W WO 0077736 A1 WO0077736 A1 WO 0077736A1
Authority
WO
WIPO (PCT)
Prior art keywords
objects
distance
detected
determined
features
Prior art date
Application number
PCT/EP2000/005337
Other languages
English (en)
French (fr)
Inventor
Carsten Knöppel
Uwe Regensburger
Original Assignee
Daimlerchrysler Ag
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 Daimlerchrysler Ag filed Critical Daimlerchrysler Ag
Priority to US10/009,596 priority Critical patent/US7046822B1/en
Priority to JP2001503136A priority patent/JP2003502745A/ja
Priority to EP00936874A priority patent/EP1192597B1/de
Priority to DE50000984T priority patent/DE50000984D1/de
Publication of WO2000077736A1 publication Critical patent/WO2000077736A1/de

Links

Classifications

    • 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
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • 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
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • G06T2207/30236—Traffic on road, railway or crossing
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/30—Image reproducers
    • H04N13/302—Image reproducers for viewing without the aid of special glasses, i.e. using autostereoscopic displays
    • H04N13/307—Image reproducers for viewing without the aid of special glasses, i.e. using autostereoscopic displays using fly-eye lenses, e.g. arrangements of circular lenses
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N2013/0074—Stereoscopic image analysis
    • H04N2013/0081—Depth or disparity estimation from stereoscopic image signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N2013/0074—Stereoscopic image analysis
    • H04N2013/0092—Image segmentation from stereoscopic image signals

Definitions

  • the invention relates to a method for detecting objects in the vicinity of a road vehicle up to a great distance in accordance with the generic features of claim 1.
  • driver assistance systems In order to support the driver of a motor vehicle in road traffic, driver assistance systems have been developed which are suitable for anticipating dangerous situations in road traffic. Driver assistance systems of this type can either warn the driver or intervene in the vehicle guidance, depending on his behavior. This is intended to increase driving safety, relieve the driver of monotonous driving tasks and make driving more comfortable.
  • a device for detecting the distance between vehicles is known from EP 0 558 027 B1.
  • a pair of image sensors produce an image of an object that is displayed to the driver.
  • An area of this image is divided into windows.
  • the distances from the moving vehicle to the object that is in the respective window star is detected.
  • the distances are calculated by comparing two image information in different windows recorded by different image sensors.
  • the respective object is determined on the basis of the determined distance information.
  • a gate dividing the relevant image area is used, which surrounds the object to be captured and provides further image information.
  • a symmetry of this image information is determined and the existence of a preceding vehicle is predicted by determining a stability of a horizontal movement of a line of symmetry and a second stability of the distances over time.
  • This known detection device is used to detect and detect vehicles in front of the moving vehicle.
  • reliable detection of objects is only achieved in the close range, since the simple detection of lines of symmetry can be carried out in a sufficiently stable manner there. In the long range, this simple detection of symmetry is no longer sufficient due to the low resolution in the image and the resulting inaccuracy when determining the object.
  • DE 42 11 171 AI proposes a method for recognizing patterns of interest which uses cross-relation of small singular sections of the entire pattern of interest by progressively recognizing blocks in blocks via a learned classification network.
  • a device for monitoring the exterior of a vehicle which travels in a lane on a street which is defined by extensive white lines.
  • the course of the road is determined by means of image processing on the basis of three-dimensional position information of sections of the white lines.
  • the white lines By utilizing the three-dimensional Positionsinfor ⁇ the white lines mation the white lines of three-dimensional objects to be separated.
  • the vertical extent of possible objects is determined for each section.
  • the coordinates for interesting three-dimensional objects such as motor vehicles, motorcycles or pedestrians, can be defined in the coordinate system of the vehicle. In addition can be determined by which Whether ⁇ it projects concerns.
  • the object of the invention is to provide a method for the detection of objects in the vicinity of a road vehicle up to a great distance, which enables a reliable detection of objects, in particular vehicles in front of and / or behind the road vehicle and their situational relevance due to its position in relation to the road vehicle .
  • This object is achieved according to the invention by the features of patent claim 1.
  • the subclaims relate to advantageous developments of the subject matter of the invention.
  • a method for the detection of objects in the vicinity of a road vehicle up to a great distance, in which the distance of a moving or stationary vehicle to one or more objects is calculated by distance-based image segmentation by means of stereo image processing, and properties of the detected objects by object recognition in the segmented Image areas can be determined.
  • the determination of the properties of the detected objects should serve to clarify their relevance for the own vehicle and thus contribute to understanding the situation.
  • the detection can preferably be carried out to the front or to the rear and can be used, for example, for a traffic jam warning, distance control to the vehicle in front or monitoring of the rear space.
  • An important aspect here is that the situational relevance or the hazard potential of the detected objects is determined from their distance from their own vehicle and the relative speed determined.
  • image areas of raised objects and / or flat objects are determined.
  • Raised objects and / or flat objects are detected by combining 3D points according to predetermined criteria. Summarizing is also called clustering.
  • the raised objects are characterized by features with similar distance values and flat objects by features with similar Chen high values determined. With this procedure, objects can not only be reliably recognized and evaluated with regard to their distance, but also with regard to certain features. It is therefore easy to distinguish between raised and flat objects.
  • the detected, raised objects can be, in particular, road vehicles, guide posts, bridge pillars, lampposts, etc.
  • the detected, flat objects can be, in particular, road markings and boundaries, such as curbs, guard rails, etc.
  • the position of a road vehicle in a certain lane can be determined in a simple manner.
  • the distance measurement is evaluated and a lane-specific object assignment is determined.
  • one of the recorded stereo image pairs can be scanned for significant features of objects to be captured.
  • the distance between the significant features can then be compared by comparing the respective features in a stereo image of the stereo image pair with the same corresponding features in the other stereo image of the stereo image pair recorded at the same time Determine the cross relation, whereby the disparities that occur are evaluated.
  • 3D points in the real world are determined relative to the coordinate system of the measuring device.
  • the information obtained from 3D points is thus determined by different objects, such as vehicles, road markings, guardrails, etc.
  • object hypotheses can be determined, which are verified by comparing object models.
  • the segmented image areas can thus be scanned for predetermined, statistically verified 2D features of the objects to be recognized, and the detected objects can be compared using a neural network to classify a specific type of object. In this way, reliable object recognition is carried out.
  • the relevant objects can be tracked over time and their distance and lateral position relative to your own vehicle can be determined in order to evaluate the dynamic behavior of the relevant objects.
  • Useful knowledge of the driver or the vehicle is only possible if the dynamic behavior of the determined objects is known. A "forward-looking * driving style is thus encouraged.
  • this so-called tracking can suppress sporadically occurring phantom objects and increase the overall recognition performance.
  • the number of extracted image areas in the image to be classified can be reduced if these are checked for their local consistency by simple time tracking.
  • the object properties such as distance, Relative speed and relative acceleration can be freed of measurement noise, for example, using a Cayman filter.
  • object detection methods based on radar and / or infrared signals in the long range are also possible in principle.
  • Figure 1 is a schematic representation of the method steps according to the invention.
  • Fig. 2 is a schematic representation to illustrate the principle of distance determination in parallel cameras of the same focal length.
  • FIG. 3 shows a schematic illustration to illustrate the principle of the correspondence search by means of cross correlation
  • Fig. 4 is a schematic representation to illustrate the principle of 2D feature extraction when evaluating a neural network according to the invention.
  • FIG. 6 shows a distance profile of an approaching vehicle.
  • a vehicle detection method is then presented, with which road vehicles are recognized in the segmented image areas. For this purpose, typical vehicle characteristics are extracted and then compared with the internal vehicle model representation of a neural network. The basic procedure is shown schematically in FIG. 1.
  • Mono image processing is basically also possible using similar means and a similar procedure.
  • the property of the sublimity of road vehicles compared to the road serves the method for image segmentation presented here.
  • a stereo camera system is used, with which it is possible to determine distances of significant features that appear in the camera image on road vehicles. This information enables a statement to be made about raised objects.
  • the ever-increasing computing power that is available in the vehicle nowadays enables real-time analysis of stereo image pairs.
  • the distance (/ can be calculated using trigonometry and the sizes of the camera arrangement (focal length f and base width b).
  • b represents the base latitude
  • / the focal length
  • d the distance to point P. 0 and u are the distances of the
  • significant features are searched for in one of the stereo image pairs.
  • a corresponding representation (not shown) can be shown on a screen or other display device only for experimental purposes.
  • Significant features provide e.g. Edges that reliably occur on road vehicles.
  • the locations of the selected edges, which define the image area to be correlated in the second processing step, can be marked, for example, by rectangular frames in the screen display.
  • each rectangular image area is searched for by means of cross correlation in the corresponding image.
  • FIG. 3 shows a schematic illustration to clarify the principle of the correspondence search by means of cross correlation.
  • the search area can be restricted in the vertical direction to the epipolar, in the case shown in FIG. 3 the respective line.
  • the corresponding search area is defined in the corresponding image in the horizontal direction depending on the permissible disparities.
  • KKFMF local mean-free, normalized cross-correlation function
  • the KKFMF's correlation coefficient is calculated as follows:
  • the values F (i, j) and P r (x + i, y + j) represent the mean-free gray values of the rectangular image areas F (i, j) and P r (x + i, y + j). Due to the standardization, the results of the KKFMF are in the interval [-1.1].
  • the value 1 stands for pairwise agreement, -1 for correspondingly inverse agreement.
  • a summary (cluster formation) of features with similar distance values takes place (cf. FIG. 1).
  • the relative The height of the clusters formed is compared to a fixed minimum height to ensure a raised object.
  • Raised objects are determined by features with similar distance values and flat objects by features with similar height values.
  • the resulting clusters can be shown as a frame (not shown) of a real screen representation of the observed scene.
  • the distances m numerical values belonging to the segmented image areas can be specified on the frame.
  • Road vehicles have significant features in the image plane, e.g. Edges and corners as well as symmetry. These features were determined empirically for the search and the detection of road vehicles was carried out by direct comparison with a vehicle model. The method shown here searches for statistically verified 2D features, which are then compared with the internal model of vehicles in a neural network.
  • FIG. 4 shows a schematic illustration to clarify the principle of 2D feature extraction when evaluating through a neural network.
  • the comparison patterns typically occur at certain points on the vehicle. For example, the features can be found in the lower area of the vehicles. In these places, most road vehicles have similar structural areas. These are, for example, the shadow under the car and the corners on the tires as well as the course of the structural surfaces on the headlights.
  • a search window for calculating the features determined by the predefined comparison patterns is defined in the segmented image areas.
  • a size-matched search window is defined and correlated with the comparison patterns.
  • the locations in the search window which have a local maximum of the correlation function identify significant features, as shown in FIG. 5.
  • the input characteristics for the feedforward network used are obtained from the coordinates of the extremes and the assigned comparison pattern. This was trained for the occurrence of typical feature constellations that characterize vehicles.
  • FIG. 6 shows the measured distance data of an approaching vehicle. As can be seen in FIG. 6, a measurement inaccuracy of approximately ⁇ 50 cm occurs at a distance of 100 meters.
  • the method according to the invention enables reliable distance determination and detection of objects, in particular street vehicles, in front of and / or behind a moving vehicle up to a great distance.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Measurement Of Optical Distance (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Detektion von Objekten im Umfeld eines Strassenfahrzeugs bis in grosse Entfernung, bei welchem die Entfernung eines bewegten oder stehenden Fahrzeugs zu einem oder mehreren Objekten durch entfernungsbasierte Bildesegmentierung mittels Stereobildverarbeitung berechnet wird und Eigenschaften der detektierten Objekte durch Objekterkennung in den segmentierten Bildbereichen ermittelt werden. Bildbereiche erhabener Objekte und/oder flache Objekte werden ermittelt, und erhabene Objekte und/oder flache Objekte werden durch Zusammenfassen (Clusterung) von 3D-Punkten nach vorbestimmten Kriterien detektiert, wobei erhabene Objekte durch Merkmale mit ähnlichen Abstandswerten und flache Objekte durch Merkmale mit ähnlichen Höhenwerten bestimmt werden.

Description

WO 00/77736 _ i ~ PCT/EP00/05337
Verfahren zur Detektion von Objekten im Umfeld eines Straßenfahrzeugs bis in große Entfernung
Die Erfindung betrifft ein Verfahren zur Detektion von Objekten im Umfeld eines Straßenfahrzeugs bis in große Entfernung gemäß den gattungsbildenden Merkmalen des Patentanspruchs 1.
Um den Fahrer eines Kraftfahrzeuges im Straßenverkehr zu unterstützen, sind Fahrerassistenzsysteme entwickelt worden, die geeignet sind, vorausschauend gefährliche Situationen im Straßenverkehr zu erkennen. Derartige Fahrerassistenzsysteme können den Fahrer abhängig von seinem Verhalten entweder warnen oder in die Fahrzeugführung eingreifen. Hierdurch soll die Fahrsicherheit erhöht, der Fahrer von monotonen Fahraufgaben entlastet und somit das Fahren komfortabler werden.
Aufgrund der hohen Anforderungen an die Zuverlässigkeit von Ξicherheitssteigernden Systemen sind zum heutigen Zeitpunkt am Markt überwiegend Komfortsysteme verfügbar. Als Beispiele hierfür sind Einparkhilfen und intelligente Tempomaten zu nennen. Sicherheitssteigernde Fahrerassistenzsysteme sollen die umgebende Verkehrssituation in immer stärkerem Maße erfassen und berücksichtigen.
Aus der EP 0 558 027 Bl ist eine Einrichtung zum Erfassen des Abstands zwischen Fahrzeugen bekannt. Bei dieser Einrichtung erzeugt ein Paar von Bildsensoren ein Bild eines Objekts, das dem Fahrer angezeigt wird. Ein Bereich dieses Bildes wird in Fenster unterteilt. Die Abstände vom fahrenden Fahrzeug zum Objekt, das sich in den jeweiligen Fen- stern befindet, werden erfaßt. Hierbei werden die Abstände durch Vergleichen zweier von unterschiedlichen Bildsensoren aufgenommener Bildinformationen m verschiedenen Fenstern berechnet. Aufgrund der ermittelten Abstandsinformationen wird das jeweilige Objekt ermittelt. Es wird ein den relevanten Bildbereich unterteilendes Gatter eingesetzt, welches das zu erfassende Objekt umgibt und eine weitere Bildmformation liefert. Eine Symmetrie dieser Bildmformation wird ermittelt und die Existenz eines vorausfahrenden Fahrzeugs wird durch Bestimmen einer Stabilität einer horizontalen Bewegung einer Symmetrielinie und einer zweiten Stabilität der Abstände über die Zeit vorhergesagt.
Diese bekannte Erfassungseinrichtung wird dazu eingesetzt, vor dem sich bewegenden Fahrzeug befindliche Fahrzeuge zu erfassen und zu erkennen. Eine zuverlässige Erkennung von Objekten wird jedoch nur im Nahbereich erreicht, da dort die einfache Erfassung von Symmetπelinien ausreichend stabil durchgeführt werden kann. Im Fernbereich reicht diese einfache Symmetrieerfassung aufgrund der geringen Auflosung im Bild und der sich daraus ergebenden Ungenauigkeit bei der Bestimmung des Objekts allem nicht mehr aus.
Jedoch sind gerade an eine zuverlässige Objekterkennung hohe Anforderungen zu stellen, damit dem Fahrer keine falschen Informationen gegeben werden, die zu falschen und gefährlichen Reaktionen fuhren können. Bei intelligenten Systemen konnte das Fahrzeug selbst aufgrund der Falschinformationen verkehrsgefahrdend reagieren. Verläßliche Informationen sind etwa bei der spurgenauen Erkennung von Fahrzeugen in großer Entfernung sowohl als auch entgegen der eigenen Fahrtrichtung unabdingbar.
Die DE 42 11 171 AI schlagt zur Erkennung von interessierenden Mustern ein Verfahren vor, das Kreuzrelation kleiner singularer Ausschnitte des gesamten interessierenden Musters durch blockweise fortschreitende Bilderkennung über ein eingelerntes Klassifikationsnetzwerk anwendet. Aus der DE 43 08 776 C2 ist eine Einrichtung zum Überwachen des Außenraums eines Fahrzeugs bekannt, welches über eine Fahrspur auf einer Straße fahrt, die durch ausgedehnte weiße Linien definiert ist. Mittels Bildverarbeitung wird der Verlauf der Straße anhand von dreidimensionalen Positionsinformationen von Abschnitten der weißen Linien ermittelt. Durch Ausnutzen der dreidimensionalen Positionsinfor¬ mationen der weißen Linien werden die weißen Linien von dreidimensionalen Objekten getrennt. Für jeden Abschnitt wird die vertikale Ausdehnung von möglichen Objekten ermittelt. Als Ergebnis lassen sich die Koordinaten für interessierende dreidimensionale Objekte, wie Kraftfahrzeuge, Motorrader oder Fußganger, im Koordinatensystem des Fahrzeugs festlegen. Zusatzlich kann bestimmt werden, um welches Ob¬ jekte es sich handelt.
Die m der DE 43 08 776 C2 beschriebene Vorgehensweise der Überwachen des Außenraums eines Fahrzeugs ist sehr rechen- mtensiv. Es ist stets notwendig den Verlauf des erfaßten Staßenbereichs zu ermitteln, um die Position von Objekten m diesem Straßenverlauf bestimmen zu können. Da m einem Kraftfahrzeug nur begrenzte Rechenleistung zur Verfugung steht, ist eine derartige Uberwachungsemrichtung für den praktischen Einsatz wenig geeignet. Zudem ist die bekannte Uberwachungsemrichtung stets auf das Vorhandensein weißer Begrenzungslinien angewiesen, welche sich nicht an allen Straßenverlaufen finden lassen.
Die Aufgabe der Erfindung besteht darin, ein Verfahren zur Detektion von Objekten im Umfeld eines Straßenfahrzeugs bis m große Entfernung anzugeben, welches eine zuverlässige Erfassung von Objekten, insbesondere von Fahrzeugen vor und/oder hinter dem Straßenfahrzeug und deren situativer Relevanz aufgrund seiner Lage zum Straßenfahrzeug ermöglicht. Diese Aufgabe wird gemäß der Erfindung durch die Merkmale des Patentanspruchs 1 gelost. Die Unteranspruche betreffen vorteilhafte Weiterbildungen des Erfindungsgegenstandes.
Demgemäß ist ein Verfahren zur Detektion von Objekten im Umfeld eines Straßenfahrzeugs bis große Entfernung vorgesehen, bei welchem die Entfernung eines bewegten oder stehenden Fahrzeugs zu einem oder mehreren Objekten durch entfernungsbasierte Bildsegmentierung mittels Stereobildverarbeitung berechnet wird und Eigenschaften der detek- tierten Objekte durch Objekterkennung m den segmentierten Bildbereichen ermittelt werden.
Die Bestimmung der Eigenschaften der detektierten Objekte soll der Klarung ihrer Relevanz für das eigene Fahrzeug dienen und somit zum Situationsverstehen beitragen.
Die Detektion kann vorzugsweise nach vorne oder nach hinten erfolgen und etwa für Stauwarnung, Abstandsregelung zum Vordermann oder Ruckraumuberwachung eingesetzt werden. Ein wichtiger Gesichtpunkt ist hierbei, daß die situative Relevanz bzw. das Gefahrenpotential der detektierten Objekte aus deren Abstand zum eigenen Fahrzeug und der ermittelten Relativgeschw digkeit ermittelt wird.
Anstelle der Auswertung von Stereobildpaaren, die von einer Stereoanordnung bestehend aus optischen Sensoren oder Kameras aufgenommen werden, können prinzipiell auch einzeln aufgenommene Bilder unterschiedlicher Herkunft zur Entfernungsbestimmung ausgewertet werden.
Gemäß einem Grundgedanken werden Bildbereiche erhabener Objekte und/oder flacher Objekte ermittelt .Erhabene Objekte und/oder flache Objekte werden durch Zusammenfassen von 3D- Punkten nach vorbestimmten Kriterien detektiert. Das Zusammenfassen wird auch als Clusterung bezeichnet. Dabei werden die erhabenen Objekte durch Merkmale mit ähnlichen Ab- standswerten und flache Objekte durch Merkmale mit ahnli- chen Hohenwerten bestimmt. Durch diese Vorgehensweise können Objekte nicht nur zuverlässig hinsichtlich ihrer Entfernung sondern auch hinsichtlich bestimmter Merkmale erkannt und bewertet werden. Eine Unterscheidung zwischen erhabenen und flachen Objekten ist somit leicht möglich.
Merkmale ahnlicher Abstandswerte und/oder ahnlicher Hohe werden zusammengefaßt, um Cluster zu bilden. Diese Unterscheidung zwischen erhabenen und flachen Objekten ist für die sichere Objekterkennung, z.B. die Erkennung von anderen Kraftfahrzeugen und die Unterscheidung zu Straßenmarkierungen sehr wichtig. Da heutzutage modernen Kraftfahrzeugen entsprechend hohe Rechenleistungen realisierbar sind, ist eine derartige Bildsegmentierung mittels Entfernungsbestimmung und Clusterung sicher und schnell durchf hrbar
Die detektierten, erhabenen Objekte können insbesondere Straßenfahrzeuge, Leitpfosten, Brückenpfeiler, Laternenmasten usw. sein sein, wohingegen die detektierten, flachen Objekte insbesondere Straßenmarkierungen und -begrenzungen wie Bordsteine, Leitplanken usw. sein können. Somit laßt sich beispielsweise die Position eines Straßenfahrzeugs m einer bestimmten Fahrspur auf einfache Weise ermitteln.
Zusätzlich ist es vorteilhaft, die relative Lage und die Relativgeschwmdigkeit der detektierten Objekte zueinander und zum bewegten Fahrzeug zu kennen, um die situative Relevanz der detektierten Objekte zu ermitteln. Hierzu wird die Abstandsmessung ausgewertet und eine fahrspurgenaue Objektzuordnung ermittelt.
Bei der Bildsegmentierung kann eines der aufgenommenen Stereobildpaare nach signifikanten Merkmalen von zu erfassenden Objekten abgetastet werden. Der Abstand der signifikanten Merkmale laßt sich dann durch Vergleichen der jeweiligen Merkmale in einem Stereobild des Stereobildpaares mit denselben korrespondierenden Merkmalen im zeitgleich aufgenommenen anderen Stereobild des Stereobildpaares mittels Kreuzrelation bestimmen, wobei die dabei auftretenden Disparitäten ausgewertet werden.
Durch Bestimmen des Abstands signifikanter Merkmale im Pixelbereich werden 3D-Punkte in der realen Welt relativ zum Koordinatensystem der Meßeinrichtung ermittelt. Die so gewonnen Informationen von 3D-Punkten sind somit von unterschiedlichen Objekten bestimmt, wie etwa Fahrzeuge, Straßenmarkierungen, Leitplanken usw..
Es können zur Objekterkennung Objekthypothesen ermittelt werden, welche durch Vergleich von Objektmodellen verifiziert werden.
So lassen sich zur Objekterkennung die segmentierten Bildbereiche nach vorbestimmten, statistisch verifizierten 2D- Merkmalen der zu erkennenden Objekte abtasten und die detektierten Objekte unter Verwendung eines neuronalen Netzes zur Klassifikation einer bestimmten Objektart vergleichen. Auf diese Weise wird eine zuverlässige Objekterkennung durchgeführt .
Die relevanten Objekte können über die Zeit verfolgt und deren Abstand und laterale Position relativ zum eigenen Fahrzeug bestimmt werden, um das dynamische Verhalten der relevanten Objekte zu bewerten. Erst mit Kenntnis des dynamischen Verhaltens der ermittelten Objekte sind sinnvolle Reaktionen des Fahrers oder des Fahrzeuges möglich. Eine „vorausschauende* Fahrweise wird somit gefördert.
Weiterhin können durch dieses sogenannte Tracking sporadisch auftretende Phantomobjekte unterdrückt und die gesamte Erkennungsleistung gesteigert werden. So läßt sich die Anzahl der zu klassifizierenden extrahierten Bildbereiche im Bild reduzieren, wenn diese durch eine einfache zeitliche Verfolgung auf ihre örtliche Konsistenz hin überprüft werden. Durch Tracking der detektierten Objekte über die Zeit können die Objekteigenschaften wie z.B. Entfernung, Relativgeschwindigkeit und Relativbeschleunigung beispielsweise unter Verwendung eines Kaimanfilters von Meßrauschen befreit werden.
Neben dem beschriebenen stereobasierten Ansatz sind prinzipiell auch Objekterfassungsverfahren auf der Basis von Radar- und/oder Infrarotsignalen im Fernbereich möglich.
Anhand der nachstehenden Beschreibung im Zusammenhang mit den beigefügten Zeichnungen werden weitere Vorteile, Merkmale und Einzelheiten der Erfindung deutlicher.
Es zeigen:
Fig. 1 eine schematische Darstellung der Verfahrensschritte gemäß der Erfindung;
Fig. 2 eine schematische Darstellung zur Verdeutlichung des Prinzips der Entfernungsbestimmung bei parallel angeordneten Kameras gleicher Brennweite.
Fig. 3 eine schematische Darstellung zur Verdeutlichung des Prinzips der Korrespondenzsuche mittels Kreuzkorrelation;
Fig. 4 eine schematische Darstellung zur Verdeutlichung des Prinzips der 2D Merkmalsextraktion bei der Auswertung durch ein neuronales Netz gemäß der Erfindung.
Fig. 5 eine schematische Darstellung zur Verdeutlichung des Prinzips der Koordinatennormierung; und
Fig. 6 eine Darstellung eines Entfernungsprofils eines näherkommenden Fahrzeugs.
Im folgenden wird die Bildsegmentierung mittels Stereobildverarbeitung beschrieben, bei der erhabene Objekte WO 00/77736 " ö " PCT/EP00/05337
detektiert werden. Dies wird durch Clusterung einzelner Merkmale mit ähnlichen Entfernungen durchgeführt. Anschließend wird ein Fahrzeugerkennungsverfahren vorgestellt, mit dem Straßenfahrzeuge in den segmentierten Bildbereichen erkannt werden. Fahrzeugtypische Merkmale werden hierzu extrahiert und anschließend mit der internen Fahrzeugmodellvorstellung eines neuronalen Netzes verglichen. Die prinzipielle Vorgehensweise ist schematisch m Figur 1 gezeigt .
Eine Monobildverarbeitung ist bei Einsatz ahnlicher Mittel und ahnlichem Vorgehen grundsätzlich auch möglich.
Die Eigenschaft der Erhabenheit von Straßenfahrzeugen gegenüber der Straße dient dem hier vorgestellten Verfahren zur Bildsegmentierung. Hierzu wird ein Stereokamerasystem eingesetzt, mit dem es möglich ist, Entfernungen signifikanter Merkmale, die im Kamerabild an Straßenfahrzeugen auftreten, zu bestimmen. Mittels dieser Information ist eine Aussage über erhabene Objekte möglich. Die ständig wachsende Rechenleistung, die im Fahrzeug verfugbar ist, erlaubt heutzutage die echtzeitfahige Analyse von Stereobildpaaren.
Es ist auch möglich, zuverlässig zu ermitteln, auf welcher Fahrspur sich ein erfaßtes Straßenfahrzeug befindet. Es läßt sich dann eine Aussage über die situative Relevanz dieses erfaßten Straßenfahrzeugs aufgrund seiner Lage zum eigenen Fahrzeug treffen. Dementsprechend kann dann der Fahrer und/oder das eigene Fahrzeug reagieren.
Obwohl fahrzeugtaugliche Radarsysteme keine ausreichende laterale Auflosung für eine Spurzuordnung bieten, Infrarotsysteme Auflosungs- und Reichweitenprobleme besitzen und Ultraschall generell für den Nahbereich einsetzbar ist, ist es prinzipiell denkbar, diese Systeme anstelle oder in Kombination zu Stereokamerasystemen einzusetzen. Das Prinzip der Entfernungsbestimmung bei der verwendeten parallelen Kameraanordnung ist in Figur 2 auf Basis des
Lochkameramodells dargestellt. Der Punkt P in der Welt wird über die Projektionszentren auf die Sensoroberflachen jeder Kamera projiziert. z.0bzw. u, stellen die Abweichung vom
Projektionszentrum dar. Ihre Differenz
Au = u0 - w.
wird als Disparität Δu bezeichnet. Mittels Trigonometrie und den Größen der Kameraanordnung (Brennweite f und Basisweite b) kann der Abstand (/berechnet werden.
d =
Hierbei stellt b die Basisbreite, /die Brennweite und d den Abstand zum Punkt P dar. 0und u, sind die Entfernungen der
Projektionen des Punktes P auf die Sensoroberfläche.
Im ersten Verarbeitungsschritt der Bildsegmentierung wird in einem der Stereobildpaare nach signifikanten Merkmalen gesucht. Nur zu Versuchszwecken läßt sich eine entsprechende (nicht gezeigte) Darstellung auf einem Bildschirm oder einer anderen Anzeigeeinrichtung darstellen. Signifikante Merkmale liefern z.B. Kanten, die zuverlässig bei Straßenfahrzeugen auftreten. Die Orte der selektierten Kanten, die den zu korrelierenden Bildbereich des zweiten Verarbeitungsschritts definieren, lassen sich etwa durch rechteckige Rahmen in der Bildschirmdarstellung markieren.
Zur Bestimmung des Abstandes der am Bildschirm dargestellten Merkmale werden die jeweiligen Disparitäten durch Vergleich mit dem zeitgleich aufgenommenen zweiten Stereobild ermittelt. Hierzu findet eine Suche jedes rechteckigen Bildbereiches mittels Kreuzkorrelation im korrespondierenden Bild statt. In Figur 3 ist eine schematische Darstellung zur Verdeutlichung des Prinzips der Korrespondenzsuche mittels Kreuzkorrelation gezeigt.
Aufgrund der parallelen Ausrichtung der Kameras laßt sich der Suchbereich in vertikaler Richtung auf die Epipolare, m dem m Figur 3 gezeigten Falle die jeweilige Zeile, einschränken. In horizontaler Richtung wird im korrespondierenden Bild je nach zulassigen Disparitäten der entsprechende Suchbereich definiert.
Durch Verwendung der KKFMF (lokale mittelwertfreie, normierte Kreuzkorrelationsfunktion) als Korrelationsfunktion wirken sich Helligkeitsunterschiede m den Bildpaaren, die z.B. durch unterschiedliche Sonneneinstrahlung oder unterschiedliche Regelung der Kameras auftreten, nur geringfügig auf den Korrelationswert aus.
Der Korrelationskoefflzient der KKFMF wird folgendermaßen berechnet :
-1 m-\
∑ ∑{FiiJ) - Pr {x + i,y + j))
KKFMF (x,y) -1 m-l
∑ ∑ F(i,j) - ∑ ∑ PΛχ + i,y + JY
Die Werte F(i,j) und Pr(x + i, y + j) repräsentieren die mittelwertfreien Grauwerte der rechteckigen Bildbereiche F(i,j) und Pr (x+i, y+j ) . Aufgrund der Normierung bewegen sich die Ergebnisse der KKFMF im Intervall [-1,1]. Der Wert 1 steht für paarweise Übereinstimmung, -1 für entsprechend inverse Übereinstimmung .
Im letzten Verarbeitungsschritt der Bildsegmentierung findet eine Zusammenfassung (Clusterbildung) von Merkmalen mit ahnlichen Abstandswerten statt (vgl. Figur 1). Die relative Hohe der gebildeten Cluster wird mit einer festen Mindesthohe verglichen, um ein erhabenes Objekt sicherzustellen. Erhabene Objekte sind dabei durch Merkmale mit ahnlichen Abstandswerten und flache Objekte durch Merkmale mit ahnlichen Hohenwerten bestimmt.
Die resultierenden Cluster lassen sich zu Versuchszwecken m eine (nicht gezeigte) reale Bildschirmdarstellung der beobachteten Szene als Rahmen einblenden. Zusätzlich lassen sich an den Rahmen die zu den segmentierten Bildbereichen gehörenden Entfernungen m Zahlenwerten angeben.
Neben Fahrzeugen werden auch andere erhabene Objekte, wie z.B. Leitpfosten und Straßenrander segmentiert. Um fehlerhafte Ob ekthypothesen zu verwerfen, wird dem stereobasierten Objektsegmentierungsprozeß innerhalb der detektierten Bildbereiche eine 2D-Obj ekterkennung nachgeschaltet.
Im Folgenden wird nun die 2D-Merkmalsextraktιon und die Fahrzeugerkennung beschrieben. Diese Verarbeitungsschritte sind ebenfalls m der Figur 1 dargestellt.
Straßenfahrzeuge weisen m der Bildebene signifikante Merkmale, z.B. Kanten und Ecken sowie Symmetrie auf. Diese Merkmale wurden zur Suche empirisch ermittelt und durch direkten Vergleich mit einem Fahrzeugmodell die Erkennung von Straßenfahrzeugen durchgeführt. In dem hier gezeigten Verfahren wird nach statistisch verifizierten 2D-Merkmalen gesucht, die anschließend mit der internen Modellvorstellung von Fahrzeugen eines neuronalen Netzes verglichen werden. In Figur 4 ist eine schematische Darstellung zur Verdeutlichung des Prinzips der 2D Merkmalsextraktion bei der Auswertung durch ein neuronales Netz gezeigt.
Zur Ermittlung signifikanter und statistisch verifizierter 2D-Merkmale von Straßenfahrzeugen wurde ein Datensatz von 50 Bildern, die Autos m verschiedenen Szenen zeigen, zu Grunde gelegt. Unter Verwendung der unten aufgeführten Ver- fahren fand eine Bestimmung von mehreren 9x9 großen typischen Mustern statt, die in den verwendeten Szenen gehäuft auftreten (weiterhin als Vergleichsmuster bezeichnet) .
Die Vergleichsmuster treten an bestimmten Stellen des Fahrzeuges typisch auf. Beispielsweise können die Merkmale im unteren Bereich der Fahrzeuge vorkommen. An diesen Stellen weisen die meisten Straßenfahrzeuge ähnliche strukturellen Flächen auf. Diese sind beispielsweise der Schatten unter dem Auto und die Ecken an den Reifen sowie der Verlauf der strukturellen Flächen an den Scheinwerfern.
In den segmentierten Bildbereichen wird ein Suchfenster zur Berechnung der durch die vorgegebenen Vergleichsmuster bestimmten Merkmale definiert. Entsprechend der Entfernung des hypothetischen Objektes wird ein in der Größe angepaßtes Suchfenster definiert und mit den Vergleichsmustern korreliert. Die Orte im Suchfenster, die ein lokales Maximum der Korrelationsfunktion aufweisen, kennzeichnen signifikante Merkmale, wie Figur 5 zeigt.
Aus den Koordinaten der Extrema und der zugeordneten Vergleichsmuster erhält man die Eingangsmerkmale für das eingesetzte feedforward-Netz . Dieses wurde für das Auftreten typischer Merkmalskonstellationen, die Fahrzeuge kennzeichnen, trainiert.
Das erfindungsgemäße, echtzeitfähige Verfahren zur stereobasierten Verfolgung von Objekten in großer Entfernung wurde in realen Straßenszenen erprobt. In Figur 6 sind die gemessenen Entfernungsdaten eines sich nähernden Fahrzeugs dargestellt. Wie in Figur 6 ersichtlich, tritt in 100 Meter Entfernung eine Messungenauigkeit von ca. ± 50 cm auf.
Um die ermittelten Entfernungsdaten rauschfrei und weitgehend frei von Meßfehlern aufgrund fehlerhaft ermittelter Korrespondenzen zu halten, bietet sich der Einsatz eines Kaimanfilters an, der durch die zeitliche Betrachtung der Meßwerte aussagekräftigere Ergebnisse liefert. Durch die Erweiterung der 2D-Merkmalsextraktion um Texturmaße und Symmetrieoperatoren, sind weitere Potentiale zur Verbesserung des vorgestellten Verfahrens gegeben.
Zusammenfassend ist festzuhalten, daß mit dem erfindungsgemäßen Verfahren eine zuverlässige Abstandsbestimmung und Erkennung von Objekten, insbesondere von Staßenfahrzeugen vor und/oder hinter einem fahrenden Fahrzeug bis in große Entfernung möglich ist.

Claims

Patentansprüche
1. Verfahren zur Detektion von Objekten im Umfeld eines Straßenfahrzeugs bis in große Entfernung, bei welchem die Entfernung eines bewegten oder stehenden Fahrzeugs zu einem oder mehreren Objekten durch entfernungsba- sierte Bildsegmentierung mittels Stereobildverarbeitung berechnet wird und Eigenschaften der detektierten Objekte durch Objekterkennung in den segmentierten Bildbereichen ermittelt werden, d a d u r c h g e k e n n z e i c h n e t, daß Bildbereiche erhabener Objekte und/oder flacher Objekte ermittelt werden, und erhabene Objekte und/oder flache Objekte durch Zusammenfassen (Clusterung) von 3D-Punkten nach vorbestimm- ten Kriterien detektiert werden, wobei erhabene Objekte durch Merkmale mit ähnlichen Abstandswerten und flache Objekte durch Merkmale mit ähnlichen Höhenwerten bestimmt werden.
2. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t, daß die detektierten, erhabenen Objekte insbesondere Straßenfahrzeuge und/oder die detektierten, flachen Objekte insbesondere Straßenmarkierungen und -begrenzungen sind.
3. Verfahren nach Anspruch 1 oder 2, d a d u r c h g e k e n n z e i c h n e t, daß die relative Lage und die Relativgeschwindigkeit der detektierten Objekte zueinander und zum bewegten Fahrzeug durch Auswerten der Abstandsmessung ermittelt wer- WO 00/77736 " λ 5 " PCT/EP00/05337 den, um eine fahrspurgenaue Objektzuordnung und/oder die situative Relevanz der detektierten Objekte zu ermitteln .
4. Verfahren nach einem der Ansprüche 1 bis 3, d a d u r c h g e k e n n z e i c h n e t, daß eines der aufgenommenen Stereobildpaare nach signifikanten Merkmalen von zu erfassenden Objekten abgetastet wird, und der Abstand der signifikanten Merkmale durch Vergleichen der jeweiligen Merkmale in einem Stereobild des Stereobildpaares mit denselben korrespondierenden Merkmalen im zeitgleich aufgenommenen anderen Stereobild des Stereobildpaares bestimmt wird, wobei die dabei auftretenden Disparitäten mittels Kreuzkorrelation ausgewertet werden.
5. Verfahren nach einem der Ansprüche 1 bis 4, d a d u r c h g e k e n n z e i c h n e t, daß durch Bestimmen des Abstands signifikanter Merkmale im Pixelbereich 3D-Punkte in der realen Welt relativ zum Koordinatensystem der Meßeinrichtung bestimmt werden.
6. Verfahren nach einem der Ansprüche 1 bis 7, d a d u r c h g e k e n n z e i c h n e t, daß zur Objekterkennung Objekthypothesen ermittelt werden, welche durch Vergleich von Objektmodellen verifiziert werden.
7. Verfahren nach einem der Ansprüche 1 bis 6, d a d u r c h g e k e n n z e i c h n e t, daß zur Objekterkennung die segmentierten Bildbereiche nach vorbestimmten, statistisch verifizierten 2D-Merkmalen der zu erkennenden Objekte abgetastet werden, und die detektierten Objekte unter Verwendung eines neuronalen Netzes zur Klassifikation einer bestimmten Objektart verglichen werden. WO 00/77736 " λ 6 " PCT/EP00/05337
8. Verfahren nach einem der Ansprüche 1 bis 7, d a d u r c h g e k e n n z e i c h n e t, daß die relevanten Objekte über die Zeit verfolgt (Trak- king) und deren Abstand und laterale Position relativ zum eigenen Fahrzeug bestimmt werden, um das dynamische Verhalten der relevanten Objekte zu bewerten.
9. Verfahren nach einem der Ansprüche 1 bis 8, d a d u r c h g e k e n n z e i c h n e t, daß die Objekte mittels Radar- und/oder Infrarotsensoren und/oder einer Stereo- oder Monoanordnung optischer Sensoren oder Kameras detektiert werden.
PCT/EP2000/005337 1999-06-11 2000-06-09 Verfahren zur detektion von objekten im umfeld eines strassenfahrzeugs bis in grosse entfernung WO2000077736A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
US10/009,596 US7046822B1 (en) 1999-06-11 2000-06-09 Method of detecting objects within a wide range of a road vehicle
JP2001503136A JP2003502745A (ja) 1999-06-11 2000-06-09 相当の距離までの道路車両の付近にある物体の検出方法
EP00936874A EP1192597B1 (de) 1999-06-11 2000-06-09 Verfahren zur detektion von objekten im umfeld eines strassenfahrzeugs bis in grosse entfernung
DE50000984T DE50000984D1 (de) 1999-06-11 2000-06-09 Verfahren zur detektion von objekten im umfeld eines strassenfahrzeugs bis in grosse entfernung

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE19926559A DE19926559A1 (de) 1999-06-11 1999-06-11 Verfahren und Vorrichtung zur Detektion von Objekten im Umfeld eines Straßenfahrzeugs bis in große Entfernung
DE19926559.3 1999-06-11

Publications (1)

Publication Number Publication Date
WO2000077736A1 true WO2000077736A1 (de) 2000-12-21

Family

ID=7910852

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2000/005337 WO2000077736A1 (de) 1999-06-11 2000-06-09 Verfahren zur detektion von objekten im umfeld eines strassenfahrzeugs bis in grosse entfernung

Country Status (6)

Country Link
US (1) US7046822B1 (de)
EP (1) EP1192597B1 (de)
JP (1) JP2003502745A (de)
DE (2) DE19926559A1 (de)
ES (1) ES2187476T3 (de)
WO (1) WO2000077736A1 (de)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004057296A1 (de) * 2004-11-26 2006-06-08 Daimlerchrysler Ag Lane-Departure-Warning mit Unterscheidung zwischen Fahrbahnrandmarkierung und baulicher Begrenzung des Fahrbahnrandes
US7817848B2 (en) 2005-11-28 2010-10-19 Fujitsu Ten Limited Apparatus, method, and computer product for discriminating object
US7949190B2 (en) * 2006-05-12 2011-05-24 National Chiao Tung University Real-time nighttime vehicle detection and recognition system based on computer vision
DE102017216802A1 (de) * 2017-09-22 2019-03-28 Continental Teves Ag & Co. Ohg Verfahren und vorrichtung zum erkennen von fahrspuren, fahrerassistenzsystem und fahrzeug
US11288814B2 (en) * 2019-07-15 2022-03-29 Mujin, Inc. System and method of object detection based on image data

Families Citing this family (123)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002319091A (ja) * 2001-04-20 2002-10-31 Fuji Heavy Ind Ltd 後続車両認識装置
DE10148068A1 (de) * 2001-09-28 2003-04-10 Ibeo Automobile Sensor Gmbh Verfahren zur Erkennung und Verfolgung von Objekten
DE10141730B4 (de) * 2001-08-25 2009-09-03 Conti Temic Microelectronic Gmbh Verfahren zum Schutz lebender Objekte bei einem Zusammenstoß mit einem Fahrzeug sowie ein Fahrzeug mit einer Steuervorrichtung zur Durchführung des Verfahrens
DE10148063A1 (de) * 2001-09-28 2003-04-17 Ibeo Automobile Sensor Gmbh Verfahren zur Erkennung und Verfolgung von Objekten
EP1291674A3 (de) * 2001-09-03 2004-02-04 IBEO Automobile Sensor GmbH Verfahren zur Erkennung und Verfolgung von Objekten
DE10148071A1 (de) * 2001-09-28 2003-04-17 Ibeo Automobile Sensor Gmbh Verfahren zur Erkennung und Verfolgung von Objekten
DE10148064A1 (de) * 2001-09-28 2003-04-10 Ibeo Automobile Sensor Gmbh Verfahren zur Erkennung und Verfolgung von Objekten
DE10148060A1 (de) * 2001-09-28 2003-04-10 Ibeo Automobile Sensor Gmbh Verfahren zur Erkennung und Verfolgung von Objekten
US7423686B2 (en) * 2002-03-14 2008-09-09 Canon Kabushiki Kaisha Image pickup apparatus having auto-focus control and image pickup method
JP3938532B2 (ja) * 2002-09-05 2007-06-27 本田技研工業株式会社 車両制御装置、プログラム及び方法
DE10242808B4 (de) 2002-09-14 2018-09-06 Robert Bosch Gmbh Verfahren und Vorrichtung zur Erkennung von Hindernissen und/oder Verkehrsteilnehmern
DE10253510A1 (de) * 2002-11-16 2004-05-27 Robert Bosch Gmbh Vorrichtung und Verfahren zur Verbesserung der Sicht in einem Kraftfahrzeug
US7251346B2 (en) * 2002-11-19 2007-07-31 Honda Motor Co., Ltd. Moving object detection device, moving object detection method, and moving object detection program
DE10301634B4 (de) * 2003-01-17 2006-07-06 Daimlerchrysler Ag Lokal-adaptive Objekterkennung für digitales Bildmaterial
DE10307607A1 (de) * 2003-02-22 2004-09-09 Daimlerchrysler Ag Verteiltes Bildverarbeitungssystem für Kraftfahrzeuge
DE10310849B4 (de) * 2003-03-11 2009-01-02 Inb Vision Ag Verfahren zur photogrammmetrischen Abstands- und/oder Positionsbestimmung
DE10312546B3 (de) * 2003-03-21 2004-09-09 Audi Ag Kameravorrichtung für ein Fahrzeug und Verfahren zum Betreiben einer Kameravorrichtung
US7376262B2 (en) * 2003-08-04 2008-05-20 American Gnc Corporation Method of three dimensional positioning using feature matching
JP3941770B2 (ja) * 2003-10-28 2007-07-04 株式会社デンソー 衝突可能性判定装置
DE102004001555B4 (de) * 2004-01-10 2018-02-15 Robert Bosch Gmbh Verfahren und System für die Spurführung eines Fahrzeugs
JP4258385B2 (ja) * 2004-01-14 2009-04-30 株式会社デンソー 路面反射検出装置
WO2005090124A1 (de) 2004-02-20 2005-09-29 Daimlerchrysler Ag Bildverarbeitungssystem für kraftfahrzeuge
ATE396470T1 (de) 2004-04-08 2008-06-15 Mobileye Technologies Ltd Kollisionswarnsystem
JP4532171B2 (ja) * 2004-06-01 2010-08-25 富士重工業株式会社 立体物認識装置
JP5405741B2 (ja) 2004-07-26 2014-02-05 オートモーティブ システムズ ラボラトリー インコーポレーテッド 道路使用弱者保護システム
JP2006221603A (ja) * 2004-08-09 2006-08-24 Toshiba Corp ３次元情報復元装置、３次元情報復元方法および３次元情報復元プログラム
US7974778B2 (en) * 2004-09-17 2011-07-05 Honda Motor Co., Ltd. Vehicular control object determination system and vehicular travel locus estimation system
US7248968B2 (en) * 2004-10-29 2007-07-24 Deere & Company Obstacle detection using stereo vision
JP4328286B2 (ja) * 2004-12-14 2009-09-09 本田技研工業株式会社 顔領域推定装置、顔領域推定方法及び顔領域推定プログラム
US7639841B2 (en) * 2004-12-20 2009-12-29 Siemens Corporation System and method for on-road detection of a vehicle using knowledge fusion
US7620208B2 (en) * 2005-02-09 2009-11-17 Siemens Corporate Research, Inc. System and method for detecting features from images of vehicles
US7656432B2 (en) * 2005-03-30 2010-02-02 Hoya Corporation Method and apparatus for photographing moving object
DE102005020731A1 (de) * 2005-05-04 2006-11-09 Audi Ag Modelliervorrichtung und Verfahren zum Modellieren einer Umgebung eines Fahrzeugs
DE102005036782A1 (de) * 2005-08-02 2007-02-15 Magna Donnelly Gmbh & Co. Kg Verfahren zum Betrieb eines Bildauswertesystems zur Entfernungsmessung an einem Fahrzeug
US7623681B2 (en) * 2005-12-07 2009-11-24 Visteon Global Technologies, Inc. System and method for range measurement of a preceding vehicle
DE102007040539B4 (de) * 2006-09-04 2014-03-27 Denso Corporation Fahrzeugsteuersystem
DE102006045417A1 (de) * 2006-09-26 2008-04-03 GM Global Technology Operations, Inc., Detroit Ortungseinrichtung für ein Kraftfahrzeug
DE102006055908A1 (de) 2006-11-27 2008-05-29 Adc Automotive Distance Control Systems Gmbh Verfahren zur automatischen Fernlichtsteuerung
WO2008065717A1 (fr) * 2006-11-29 2008-06-05 Fujitsu Limited Système et procédé de détection de piéton
DE102007059735A1 (de) * 2006-12-12 2008-07-24 Cognex Corp., Natick Stereo-Sichtsystem für Fahrzeuge zur Erkennung seitlich liegender Hindernisse
US7979199B2 (en) 2007-01-10 2011-07-12 Honeywell International Inc. Method and system to automatically generate a clearance request to deviate from a flight plan
US8098889B2 (en) * 2007-01-18 2012-01-17 Siemens Corporation System and method for vehicle detection and tracking
DE102007050568A1 (de) * 2007-08-04 2009-02-05 Continental Teves Ag & Co. Ohg Verfahren und Einrichtung zur Objekterkennung in einem Bild
EP2037407B1 (de) * 2007-09-13 2014-07-23 Delphi Technologies, Inc. Verfahren zur Objekterfassung
AT505309B1 (de) * 2007-09-28 2008-12-15 Arc Austrian Res Centers Gmbh Verfahren zur feststellung von fahrzeugen
US9576217B2 (en) 2008-04-11 2017-02-21 Recognition Robotics System and method for visual recognition
US8150165B2 (en) * 2008-04-11 2012-04-03 Recognition Robotics, Inc. System and method for visual recognition
US8699754B2 (en) 2008-04-24 2014-04-15 GM Global Technology Operations LLC Clear path detection through road modeling
US8803966B2 (en) 2008-04-24 2014-08-12 GM Global Technology Operations LLC Clear path detection using an example-based approach
US8917904B2 (en) 2008-04-24 2014-12-23 GM Global Technology Operations LLC Vehicle clear path detection
JP5089545B2 (ja) * 2008-09-17 2012-12-05 日立オートモティブシステムズ株式会社 道路境界検出判断装置
DE102009016819B4 (de) * 2009-04-09 2011-12-15 Carl Zeiss Optronics Gmbh Verfahren zur Detektion wenigstens eines Objekts und/oder wenigstens einer Objektgruppe, Computerprogramm, Computerprogammprodukt, Stereokameraeinrichtung, aktiv Strahlung aussendendes Bildsensorsystem und Überwachungsvorrichtung
DE102009033124A1 (de) * 2009-07-15 2011-01-27 Audi Ag Verfahren zur Ermittlung eines Ein- oder Ausschervorgangs eines dem eigenen Kraftfahrzeug vorausfahrenden Fahrzeugs
KR101299104B1 (ko) * 2009-09-08 2013-08-28 주식회사 만도 보행자 검출 장치 및 그 방법
JP5325765B2 (ja) 2009-12-28 2013-10-23 日立オートモティブシステムズ株式会社 路肩検出装置及び路肩検出装置を用いた車両
DE102010018038B4 (de) * 2010-04-23 2023-08-10 Valeo Schalter Und Sensoren Gmbh Verfahren zum Warnen eines Fahrers eines Fahrzeugs vor der Anwesenheit von Objekten in einem Totwinkelbereich und entsprechende Fahrerassistenzeinrichtung
JP5870273B2 (ja) * 2010-08-03 2016-02-24 パナソニックＩｐマネジメント株式会社 物体検出装置、物体検出方法及びプログラム
US8395659B2 (en) 2010-08-26 2013-03-12 Honda Motor Co., Ltd. Moving obstacle detection using images
DE102011005780B4 (de) 2011-03-18 2022-06-02 Robert Bosch Gmbh Verfahren und Vorrichtung zur Bestimmung einer Entfernung zwischen einem Fahrzeug und einem Objekt
DE102011100820A1 (de) * 2011-05-07 2012-11-08 Connaught Electronics Ltd. Verfahren zum Detektieren eines Hindernisses in der Umgebung eines Kraftfahrzeugs, Fahrerassistenzeinrichtung und Kraftfahrzeug
DE102011101246A1 (de) 2011-05-11 2012-11-15 Conti Temic Microelectronic Gmbh Redudante objektdetektion für fahrerassistenzsysteme
JP5537491B2 (ja) * 2011-05-12 2014-07-02 富士重工業株式会社 環境認識装置
JP5537492B2 (ja) * 2011-05-12 2014-07-02 富士重工業株式会社 環境認識装置
DE102011054852B4 (de) * 2011-07-30 2024-05-16 Götting KG Verfahren zur Erfassung und Bewertung einer Ebene
JP2013069045A (ja) * 2011-09-21 2013-04-18 Honda Elesys Co Ltd 画像認識装置、画像認識方法および画像認識プログラム
JP5918982B2 (ja) * 2011-11-22 2016-05-18 キヤノン株式会社 撮像装置、再生装置、その制御方法、撮像システム、及びプログラム
DE102011087894A1 (de) * 2011-12-07 2013-06-13 Robert Bosch Gmbh Verfahren und Fahrzeugassistenzsystem zur aktiven Warnung und/oder zur Navigationshilfe zur Vermeidung einer Kollision eines Fahrzeugkarosserieteils und/oder eines Fahrzeugrades mit einem Objekt
US8824733B2 (en) 2012-03-26 2014-09-02 Tk Holdings Inc. Range-cued object segmentation system and method
US8768007B2 (en) 2012-03-26 2014-07-01 Tk Holdings Inc. Method of filtering an image
CN103390268B (zh) 2012-05-11 2016-11-23 株式会社理光 物体区域分割方法和装置
US8781721B2 (en) * 2012-06-06 2014-07-15 Google Inc. Obstacle evaluation technique
KR20140019501A (ko) * 2012-08-06 2014-02-17 현대자동차주식회사 장애물 인식을 위한 분류기의 생성방법
JP5937921B2 (ja) * 2012-08-09 2016-06-22 株式会社ブリヂストン 路面状態判別方法とその装置
DE102012020778B4 (de) 2012-10-23 2018-01-18 Audi Ag Verfahren zum Labeln einer Sequenz von in zeitlicher Abfolge aufgenommenen Bildern mit integrierter Qualitätsprüfung
US9349058B2 (en) 2012-10-31 2016-05-24 Tk Holdings, Inc. Vehicular path sensing system and method
WO2014152470A2 (en) 2013-03-15 2014-09-25 Tk Holdings, Inc. Path sensing using structured lighting
US9696420B2 (en) * 2013-04-09 2017-07-04 Ford Global Technologies, Llc Active park assist object detection
DE102013217915A1 (de) * 2013-09-09 2015-03-12 Conti Temic Microelectronic Gmbh Verfahren und Vorrichtung zur Objekterkennung aus tiefenaufgelösten Bilddaten
JP6272347B2 (ja) 2013-11-08 2018-01-31 株式会社日立製作所 自律走行車両、及び自律走行システム
US9361575B2 (en) * 2013-12-11 2016-06-07 Volvo Car Corporation Method of programming a neural network computer
DE102013021840A1 (de) * 2013-12-21 2015-06-25 Valeo Schalter Und Sensoren Gmbh Verfahren zum Erzeugen eines Umgebungsmodells eines Kraftfahrzeugs, Fahrerassistenzsystem und Kraftfahrzeug
KR101582572B1 (ko) * 2013-12-24 2016-01-11 엘지전자 주식회사 차량 운전 보조 장치 및 이를 구비한 차량
WO2015097824A1 (ja) 2013-12-26 2015-07-02 株式会社日立製作所 物体認識装置
US11244171B2 (en) * 2014-01-22 2022-02-08 Conduent Business Services Llc Video-based system for automated detection of double parking violations
US9830681B2 (en) * 2014-01-31 2017-11-28 Hover Inc. Multi-dimensional model dimensioning and scale error correction
JP6163453B2 (ja) 2014-05-19 2017-07-12 本田技研工業株式会社 物体検出装置、運転支援装置、物体検出方法、および物体検出プログラム
DE102014219422B4 (de) * 2014-09-25 2023-06-15 Continental Autonomous Mobility Germany GmbH Fahrerassistenzsystem für ein Fahrzeug und ein Verfahren zum Anpassen eines Bildbereichs eines Bildes für ein Fahrerassistenzsystem
US10026324B2 (en) 2014-11-04 2018-07-17 Honeywell International Inc. Systems and methods for enhanced adoptive validation of ATC clearance requests
DE102015205855A1 (de) * 2015-04-01 2016-10-06 Bayerische Motoren Werke Aktiengesellschaft Verfahren und System zur automatischen Erkennung von Parkzonen
JP2016197795A (ja) * 2015-04-03 2016-11-24 日立オートモティブシステムズ株式会社 撮像装置
JP2017045124A (ja) * 2015-08-24 2017-03-02 株式会社日本自動車部品総合研究所 視差検出装置
US10823950B2 (en) * 2016-01-07 2020-11-03 Digital Surigcals PTE. LTD. Camera system with balanced monocular cues for use in digital stereo microscopes
SE541846C2 (en) * 2016-02-10 2019-12-27 Scania Cv Ab Method and control unit for rear view
US10372976B2 (en) 2016-05-05 2019-08-06 Brunswick Corporation Person detection in a marine environment
DE102016008218A1 (de) 2016-07-06 2018-01-11 Audi Ag Verfahren zum verbesserten Erkennen von Objekten durch ein Fahrerassistenzsystem
GB2562018A (en) * 2016-09-15 2018-11-07 Vivacity Labs Ltd A method and system for analyzing the movement of bodies in a traffic system
DE102016218852A1 (de) 2016-09-29 2018-03-29 Conti Temic Microelectronic Gmbh Detektion von Objekten aus Bildern einer Kamera
DE102016218849A1 (de) 2016-09-29 2018-03-29 Conti Temic Microelectronic Gmbh Detektion und Tracking von Objekten aus Bildern einer Kamera
DE102016218853A1 (de) 2016-09-29 2018-03-29 Conti Temic Microelectronic Gmbh Detektion und Validierung von Objekten aus Bildern einer Kamera
US9989964B2 (en) 2016-11-03 2018-06-05 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling vehicle using neural network
DE102016225866B4 (de) * 2016-12-21 2023-03-16 Robert Bosch Gmbh Verfahren zum Betreiben einer Warneinrichtung eines Schienenfahrzeugs
US20180262739A1 (en) * 2017-03-10 2018-09-13 Denso International America, Inc. Object detection system
US11615566B2 (en) 2017-05-10 2023-03-28 Fotonation Limited Multi-camera vehicle vision system and method
US10331960B2 (en) 2017-05-10 2019-06-25 Fotonation Limited Methods for detecting, identifying and displaying object information with a multi-camera vision system
US10740627B2 (en) 2017-05-10 2020-08-11 Fotonation Limited Multi-camera vision system and method of monitoring
DE102017215718B4 (de) 2017-09-07 2019-06-13 Audi Ag Verfahren zum Auswerten eines optischen Erscheinungsbildes in einer Fahrzeugumgebung und Fahrzeug
JP7102800B2 (ja) * 2018-03-13 2022-07-20 富士通株式会社 評価プログラム、評価方法および評価装置
DE102018109680A1 (de) * 2018-04-23 2019-10-24 Connaught Electronics Ltd. Verfahren zum Unterscheiden von Fahrbahnmarkierungen und Bordsteinen durch parallele zweidimensionale und dreidimensionale Auswertung; Steuereinrichtung; Fahrassistenzsystem; sowie Computerprogrammprodukt
DE102018214875A1 (de) * 2018-08-31 2020-03-05 Audi Ag Verfahren und Anordnung zum Erzeugen einer Umgebungsrepräsentation eines Fahrzeugs und Fahrzeug mit einer solchen Anordnung
DE102018121602A1 (de) * 2018-09-05 2020-03-05 Valeo Schalter Und Sensoren Gmbh Verfahren zum Auswerten von mehreren Bildern einer Umgebung eines Kraftfahrzeugs; Steuereinrichtung; sowie Fahrerassistenzsystem
AT521845B1 (de) * 2018-09-26 2021-05-15 Waits Martin Verfahren zur Fokuseinstellung einer Filmkamera
SE1851450A1 (en) * 2018-11-23 2020-05-24 Scania Cv Ab Method, Computer Program, Control Unit for Detecting Faults in a Driver-Assistance System and Vehicle
EP3670283A1 (de) * 2018-12-17 2020-06-24 Ningbo Geely Automobile Research & Development Co. Ltd. Folge dem auto
DE102019216548A1 (de) * 2019-10-28 2021-04-29 DeepUp GmbH Verfahren und mobile Erfassungsvorrichtung zur Erfassung von Infrastrukturelementen eines unterirdischen Leitungsnetzwerks
DE102019218479A1 (de) * 2019-11-28 2021-06-02 Robert Bosch Gmbh Verfahren und Vorrichtung zur Klassifikation von Objekten auf einer Fahrbahn in einem Umfeld eines Fahrzeugs
CN113703015B (zh) * 2020-05-22 2024-05-03 阿里巴巴集团控股有限公司 数据处理方法、装置、设备及介质
DE102020208066B3 (de) * 2020-06-30 2021-12-23 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren Objekterkennung Computerprogramm, Speichermedium und Steuereinrichtung
US11782254B2 (en) * 2020-07-24 2023-10-10 United Scope LLC Digital microscopy system and graphical user interface
DE102021107904A1 (de) * 2021-03-29 2022-09-29 Conti Temic Microelectronic Gmbh Verfahren und System zur Bestimmung der Bodenebene mit einem künstlichen neuronalen Netz
KR102363691B1 (ko) * 2021-05-07 2022-02-17 (주)뉴빌리티 자율주행을 위한 객체 속도 추정 장치 및 방법
CN114429486A (zh) * 2021-08-09 2022-05-03 深圳市速腾聚创科技有限公司 目标对象的运动信息确定方法、装置、介质及终端
DE102022113001A1 (de) 2022-05-24 2023-11-30 Bayerische Motoren Werke Aktiengesellschaft Lichtassistenzsystem, Fahrzeug und Verfahren zum Steuern eines Scheinwerfers eines Fahrzeuges
US11645775B1 (en) * 2022-06-23 2023-05-09 Plusai, Inc. Methods and apparatus for depth estimation on a non-flat road with stereo-assisted monocular camera in a vehicle

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0874331A2 (de) * 1997-04-04 1998-10-28 Fuji Jukogyo Kabushiki Kaisha Kraftfahrzeugsüberwachungsgerät

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2800530B2 (ja) * 1992-02-28 1998-09-21 三菱電機株式会社 車間距離検出装置
EP0631683B1 (de) * 1992-03-20 2001-08-01 Commonwealth Scientific And Industrial Research Organisation Gegenstands-überwachungsystem
JPH05265547A (ja) * 1992-03-23 1993-10-15 Fuji Heavy Ind Ltd 車輌用車外監視装置
DE4211171C2 (de) * 1992-04-03 2003-03-20 Diehl Stiftung & Co Verfahren zum Erkennen von interessierenden Mustern
JP3004501B2 (ja) * 1993-08-02 2000-01-31 三菱重工業株式会社 車種判別装置
US5434927A (en) * 1993-12-08 1995-07-18 Minnesota Mining And Manufacturing Company Method and apparatus for machine vision classification and tracking
JP3125550B2 (ja) * 1993-12-24 2001-01-22 日産自動車株式会社 移動車の前方認識装置ならびに車輌用走行制御装置
US5642093A (en) * 1995-01-27 1997-06-24 Fuji Jukogyo Kabushiki Kaisha Warning system for vehicle
JP3437671B2 (ja) * 1995-03-17 2003-08-18 株式会社東芝 ランドマーク認識装置およびランドマーク認識方法
JP3419968B2 (ja) * 1995-09-12 2003-06-23 株式会社東芝 画像認識装置及び方法
JP3866328B2 (ja) * 1996-06-06 2007-01-10 富士重工業株式会社 車両周辺立体物認識装置
DE19636028C1 (de) * 1996-09-05 1997-11-20 Daimler Benz Ag Verfahren zur Stereobild-Objektdetektion
JP3619628B2 (ja) * 1996-12-19 2005-02-09 株式会社日立製作所 走行環境認識装置
JP3516856B2 (ja) * 1998-01-30 2004-04-05 富士重工業株式会社 車外監視装置
US6266442B1 (en) * 1998-10-23 2001-07-24 Facet Technology Corp. Method and apparatus for identifying objects depicted in a videostream

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0874331A2 (de) * 1997-04-04 1998-10-28 Fuji Jukogyo Kabushiki Kaisha Kraftfahrzeugsüberwachungsgerät

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004057296A1 (de) * 2004-11-26 2006-06-08 Daimlerchrysler Ag Lane-Departure-Warning mit Unterscheidung zwischen Fahrbahnrandmarkierung und baulicher Begrenzung des Fahrbahnrandes
US7411486B2 (en) 2004-11-26 2008-08-12 Daimler Ag Lane-departure warning system with differentiation between an edge-of-lane marking and a structural boundary of the edge of the lane
US7817848B2 (en) 2005-11-28 2010-10-19 Fujitsu Ten Limited Apparatus, method, and computer product for discriminating object
US7949190B2 (en) * 2006-05-12 2011-05-24 National Chiao Tung University Real-time nighttime vehicle detection and recognition system based on computer vision
DE102017216802A1 (de) * 2017-09-22 2019-03-28 Continental Teves Ag & Co. Ohg Verfahren und vorrichtung zum erkennen von fahrspuren, fahrerassistenzsystem und fahrzeug
US11417117B2 (en) 2017-09-22 2022-08-16 Continental Teves Ag & Co. Ohg Method and device for detecting lanes, driver assistance system and vehicle
US11288814B2 (en) * 2019-07-15 2022-03-29 Mujin, Inc. System and method of object detection based on image data
US20220284591A1 (en) * 2019-07-15 2022-09-08 Mujin, Inc. System and method of object detection based on image data

Also Published As

Publication number Publication date
JP2003502745A (ja) 2003-01-21
ES2187476T3 (es) 2003-06-16
US7046822B1 (en) 2006-05-16
DE50000984D1 (de) 2003-01-30
EP1192597B1 (de) 2002-12-18
EP1192597A1 (de) 2002-04-03
DE19926559A1 (de) 2000-12-21

Similar Documents

Publication Publication Date Title
EP1192597B1 (de) Verfahren zur detektion von objekten im umfeld eines strassenfahrzeugs bis in grosse entfernung
DE102007002419B4 (de) Fahrzeugumgebungsüberwachungsgerät, -verfahren und -programm
DE102006012914B4 (de) System und Verfahren zur Bestimmung des Abstands zu einem vorausfahrenden Fahrzeug
DE102009005553B4 (de) Verfahren und Vorrichtung zur Erkennung der Umgebung eines Kraftfahrzeugs
EP2291836B1 (de) Fahrerassistenzsystem zur vermeidung von kollisionen eines fahrzeugs mit fussgängern
DE102011086512B4 (de) Nebeldetektion
EP2394234B1 (de) Verfahren und vorrichtung zum ermitteln einer geltenden fahrspurmarkierung
DE102006057552B4 (de) System und Verfahren zur Messung des Abstands eines vorausfahrenden Fahrzeugs
CN110298300B (zh) 一种检测车辆违章压线的方法
DE102011001037B4 (de) Fahrzeuginterne Vorrichtung zur Weiß-Linien-Erkennung
EP1928687A1 (de) Verfahren und fahrerassistenzsystem zur sensorbasierten anfahrtsteuerung eines kraftfahrzeugs
EP2629243A1 (de) Verfahren zum Erkennen und Verfolgen von Fahrspurmarkierungen
WO2013029722A2 (de) Verfahren zur umgebungsrepräsentation
EP2116958B1 (de) Verfahren und Vorrichtung zum Ermitteln des Fahrbahnverlaufs im Bereich vor einem Fahrzeug
WO2015032709A1 (de) Verfahren und verkehrsüberwachungseinrichtung zum feststellen einer falschfahrt eines kraftfahrzeugs
EP1486932A2 (de) Bildverarbeitungssystem für ein Fahrzeug
EP1589484A1 (de) Verfahren zur Erkennung und/oder Verfolgung von Objekten
DE102009023326A1 (de) Vorrichtung und Verfahren zum Detektieren eines kritischen Bereiches und Fußgängerdetektionsvorrichtung unter Verwendung derselben
EP2033165B1 (de) Verfahren für die erfassung eines verkehrsraums
DE102012112104A1 (de) Verfahren und vorrichtung zur befahrbarkeitsanalyse
DE102011109569A1 (de) Verfahren zur Fahrspurerkennung mittels einer Kamera
DE102013012930A1 (de) Verfahren zum Bestimmen eines aktuellen Abstands und/oder einer aktuellen Geschwindigkeit eines Zielobjekts anhand eines Referenzpunkts in einem Kamerabild, Kamerasystem und Kraftfahrzeug
DE102006060893A1 (de) Vorrichtung und Verfahren zum Bestimmen eines Freiraums vor einem Fahrzeug
DE102012000459A1 (de) Verfahren zur Objektdetektion
Janda et al. A road edge detection approach for marked and unmarked lanes based on video and radar

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): JP US

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LU MC NL PT SE

121 Ep: the epo has been informed by wipo that ep was designated in this application
DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
WWE Wipo information: entry into national phase

Ref document number: 2000936874

Country of ref document: EP

ENP Entry into the national phase

Ref country code: JP

Ref document number: 2001 503136

Kind code of ref document: A

Format of ref document f/p: F

WWP Wipo information: published in national office

Ref document number: 2000936874

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 10009596

Country of ref document: US

WWG Wipo information: grant in national office

Ref document number: 2000936874

Country of ref document: EP