在车道线被侦测出的前提下,前方车辆的侦测(Range of Interest,ROI)范围将会依赖这些车道线特征进行限定,随后根据车底阴影、车辆竖直方向上的特征以及车尾灯特征锁定前方车辆的位置,并且这些车辆的特征信息最终会转换成车距的信息。由...
详细信息
在车道线被侦测出的前提下,前方车辆的侦测(Range of Interest,ROI)范围将会依赖这些车道线特征进行限定,随后根据车底阴影、车辆竖直方向上的特征以及车尾灯特征锁定前方车辆的位置,并且这些车辆的特征信息最终会转换成车距的信息。由于文中算法对白天以及夜晚两种不同情况做了相应差异化处理,且采用单双摄像头切换测距的方式,使得系统在中短距离的车距侦测具有优良的性能。实验表明,文章所设计的系统能够准确的侦测出多车道以及前方中短距离车距,系统的运行效率也能够达到实时性的要求,总体上很好的实现了预期的功能。
针对高动态环境下实时定位与建图(Simultaneous Localization and Mapping,SLAM)系统精度下降的问题,给出了一种基于ORB-SLAM2的动态环境RGB-D SLAM算法.对于一般动态环境SLAM算法中深度学习网络的实时性问题,使用YOLOv5目标检测轻量级...
详细信息
针对高动态环境下实时定位与建图(Simultaneous Localization and Mapping,SLAM)系统精度下降的问题,给出了一种基于ORB-SLAM2的动态环境RGB-D SLAM算法.对于一般动态环境SLAM算法中深度学习网络的实时性问题,使用YOLOv5目标检测轻量级网络获得场景语义信息,即保留了场景中的语义信息,同时满足SLAM系统的实时性要求.对于目标检测网络获取的场景语义信息冗余的问题,设计一种深度信息随机采样一致性(Depth-RANSAC)算法,将语义先验信息与场景深度信息相关联,对待检测区域的动态特征信息进行过滤,避免了特征信息误剔除,保留了静态的场景信息,使估计的相机轨迹更加精确.在TUM数据集下对此算法的进行验证,实验数据表明,本文算法在高动态序列场景下比ORB-SLAM2具有更好的表现.
暂无评论