-
公开(公告)号：CN117911479A
公开(公告)日：2024-04-19
申请号：CN202410014648.8
申请日：2024-01-02
Applicant: 重庆长安汽车股份有限公司
IPC: G06T7/55 , G06T7/136 , G06T3/4038
Abstract: 本申请涉及一种对象特征的确定方法、装置、车辆及存储介质，涉及车辆技术领域。该方法包括：车辆获取第一图像，第一图像为具有深度信息的图像，第一图像包括：至少一个目标对象。车辆基于第一预设深度阈值，对第一图像进行处理，得到第二图像，第二图像为第一图像中部分区域的图像，第二图像包括：至少一个目标对象，第二图像的分辨率与第一图像的分辨率相同。车辆基于第一图像和第二预设深度阈值，构建第一空间，并基于第二图像、第一预设深度阈值和第三预设深度阈值，构建第二空间，第一空间与第二空间存在交集。车辆对第一空间和第二空间进行融合处理，得到目标空间。车辆基于目标空间进行特征提取，确定每个目标对象的特征信息。
-
公开(公告)号：CN117830984A
公开(公告)日：2024-04-05
申请号：CN202410007308.2
申请日：2024-01-02
Applicant: 重庆长安汽车股份有限公司
IPC: G06V20/56 , G06V10/82 , G06V10/44 , G06V10/80 , G06V10/77 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本申请公开了一种基于多任务学习网络的感知方法、装置、设备及存储介质，涉及车联网技术领域。基于多任务学习网络的感知方法包括：获得各视角相机采集的待感知图像；基于所述待感知图像，采用多任务学习网络中的第一卷积神经网络，得到第一鸟瞰图BEV特征；基于所述第一BEV特征，采用所述多任务学习网络中的多个任务分别对应的任务分支网络，得到各所述任务对应的任务分支网络输出的融合查询特征；其中，所述融合查询特征至少依据所述多个任务分别对应的任务分支网络中的编解码网络输出的第二BEV特征而得到的；将所述融合查询特征输入至对应的所述任务分支网络中的任务头网络，得到对应任务的任务感知结果。
-
公开(公告)号：CN117831000A
公开(公告)日：2024-04-05
申请号：CN202410004727.0
申请日：2024-01-02
Applicant: 重庆长安汽车股份有限公司
IPC: G06V20/58 , G06V10/764 , G06V10/25 , G06V10/44
Abstract: 本发明涉及一种红绿灯检测方法及装置、电子设备及存储介质。其中，方法包括：获取对道路环境采集得到的目标图像信息；对所述目标图像信息进行感兴趣区域提取，得到感兴趣图像；对所述感兴趣图像进行特征提取，得到多个图像特征；通过预先训练得到的目标分类器对所述多个图像特征进行分类，确定出所述感兴趣图像中的目标红绿灯的目标类别。本发明通过对目标图像信息进行感兴趣区域提取，得到感兴趣图像，从而只截取原始图片感兴趣区域进行特征提取与红绿灯检测识别，减少无关像素值的干扰，避免了大量无效计算，提高了红绿灯检测的效率；进而可以解决相关技术中存在的当硬件设备性能较低时，对红绿灯进行识别检测效果差的技术问题。
-
公开(公告)号：CN117197610A
公开(公告)日：2023-12-08
申请号：CN202311085631.3
申请日：2023-08-25
Applicant: 重庆长安汽车股份有限公司
IPC: G06V10/774 , G06V10/82 , G06V10/44 , G06V10/30 , G06V20/58 , G06V10/20 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本申请涉及一种模型训练方法、装置、设备及存储介质，涉及深度学习技术领域。该方法包括：可以获取训练图像；有遮挡物图像和无遮挡物图像为不同场景下的图像；接着，可以基于图像处理网络确定第一处理图像和第二处理图像；之后，可以将第一处理图像和无遮挡物图像输入到第一图像判别网络中，以得到第一损失，以及将第二处理图像和有遮挡物图像输入到第二图像判别网络中，以得到第二损失；这样，可以基于损失集对待训练模型进行训练，以得到图像处理模型；图像处理模型用于去除待处理图像中的遮挡物。由此，通过不同场景的有遮挡物图像和无遮挡物图像便可以训练去除遮挡物的图像处理模型，以使得训练去除遮挡物的模型更加方便。
-
公开(公告)号：CN116503829A
公开(公告)日：2023-07-28
申请号：CN202310483933.X
申请日：2023-04-28
Applicant: 重庆长安汽车股份有限公司
IPC: G06V20/56 , G06V10/26 , G06V10/28 , G06V10/44 , G06V10/48 , G06V10/764 , G06V10/82 , G06N3/0464 , G06T7/13 , G06T7/187 , G06T5/20 , G06T7/181 , G06T3/40
Abstract: 本发明提供一种车道线分段拟合方法及系统。本发明先对采集的图像利用语义分割模型进行车道线提取，得到车道线的分割结果，然后对该结果进行连通区域计算并采样得到关键点，之后利用霍夫变换直线检测算法对符合直线关系的关键点进行选取，拟合得到多个直线车道线，而未被选取的关键点则属于曲线部分，然后利用曲线部分相邻的关键点的位置变化来表示曲线的一阶导数，并寻找一阶导数方向变化的临界点作为曲线的边界点，实现曲线的分段表示；之后再利用三次多项式对曲线关键点进行重新拟合，最后将拟合得到的多个分段车道线拼接，形成多条完整车道线。本发明可确保分段后的每一段车道线都能够被有效的拟合，进而提高了对道路中车道线的识别精度。
-
Patent Agency Ranking
公开(公告)号：CN116343146A
公开(公告)日：2023-06-27
申请号：CN202211658700.0
申请日：2022-12-22
Applicant: 重庆长安汽车股份有限公司
IPC: G06V20/56 , G06V10/40 , G06V10/774 , G06V10/82
Abstract: 本申请涉及一种车辆的车道线检测方法、装置、车辆及存储介质，其中，方法包括：获取车辆的训练图像和车道线点集真值标签；将车道线点集真值标签转换成预设锚框的大小，得到锚框标签；将训练图像和锚框标签输入至待训练的车道线检测模型，确定预先学习到的最优神经网络权重，生成预先训练的基于神经网络的车道线检测模型，其中，车道线检测模型包括区别锚框是否有车道线特征的分类网络，以利用预先训练的基于神经网络的车道线检测模型得到车道线检测结果。本申请通过将车道线分割转换为车道线二分类问题，降低了算法处理和计算量的要求，很好解决了横向车道线的检测问题，改善了车道线检测的实时性能，提高了车辆的可靠性，满足了用户的使用需求。
-
公开(公告)号：CN116229224A
公开(公告)日：2023-06-06
申请号：CN202310077347.5
申请日：2023-01-18
Applicant: 重庆长安汽车股份有限公司
IPC: G06V10/80 , G06T7/80 , G06T3/40 , G06V10/774 , G06V10/77 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本申请提供一种融合感知方法、装置、电子设备及存储介质，该方法通过对获取的车辆视觉图像进行图像特征编码得到图像编码特征，以及对获取的车辆点云数据进行点云特征编码得到点云编码特征，将上述特征均映射至预设三维特征空间，再进行平面化映射后进行特征融合得到融合特征，根据感知任务需求特征尺度将融合特征转化为需求尺度特征，并将需求尺度特征输入预设感知任务网络，得到感知结果，其采用的多摄视觉与雷达融合感知属于前融合信息处理方式，能够实现各个感知任务均基于车周环境空间全域视角的多模态传感器特征融合，使视觉特征和雷达点云特征形成特性互补，进而提升跨视域信息提取精度，降低了后处理难度、重要信息的丢失以及错误率。
-
公开(公告)号：CN114554158B
公开(公告)日：2024-07-19
申请号：CN202210188383.4
申请日：2022-02-28
Applicant: 重庆长安汽车股份有限公司
IPC: H04N7/18 , H04N23/951 , H04N23/698 , H04N5/265 , H04N5/272
Abstract: 本发明公开一种基于道路交通场景下的全景视频拼接方法及系统，包含图像采集、图像畸变矫正及预处理、图像特征点提取、图像匹配、匹配特征点对过滤、获取投影变换的单应性矩阵和图像融合。本发明通过深度学习网络实现特征点的提取和特征点匹配，图像特征点提取的时候，分别对动态前景和静态背景进行特征点提取，通过提取不同摄像头之间重叠区域背景和前景的特征点，并对特征点进行匹配，动态获取不同摄像头之间的相对位置关系，实现了对片区道路交通系统中摄像头间图像的实时融合拼接；解决了传统的单摄像头监控体系，需要相关人员人工调出相应多个摄像头图像，进行比对拼合，才能获取到有用信息等问题，同时完美解决了目标跨摄像头追踪问题。
-
公开(公告)号：CN117830983A
公开(公告)日：2024-04-05
申请号：CN202410006108.5
申请日：2024-01-02
Applicant: 重庆长安汽车股份有限公司
IPC: G06V20/56 , G06V20/64 , G06V10/82 , G06V10/77 , G06N3/082 , G06N3/09 , G06N3/096 , G06N3/0464 , G06N3/0455
Abstract: 本发明涉及一种物体检测优化方法、装置、设备、存储介质及汽车，包括：获取目标2D图像编码特征后进行监督，生成目标2D图像编码特征的蒸馏损失函数；将目标2D图像编码特征生成BEV视角3D网格化特征空间；将3D网格化特征空间中的图像编码特征转化为BEV图像编码特征后进行蒸馏，生成BEV图像编码特征的蒸馏损失函数；将鸟瞰图BEV图像编码特征与3D目标检测任务头连接输出三维物体对应的目标检测任务结果后进行蒸馏，生成3D目标检测任务头的蒸馏损失函数；通过三种蒸馏损失函数实现物体检测优化，本发明实施例解决了不同模态数据的差异以及神经网络发生灾难性遗忘的问题，增强输出阶段的监督，提高预测的精度。
-
公开(公告)号：CN117315645A
公开(公告)日：2023-12-29
申请号：CN202311269919.6
申请日：2023-09-27
Applicant: 重庆长安汽车股份有限公司
Abstract: 本发明实施例提供一种时序融合的三维目标检测方法、系统、设备及介质，方法包括：将基于视角相机获得的多个编码特征的视角转换为所述多个编码特征中的第一编码特征的视角，获得对应的多个目标编码特征；将所述多个目标编码特征和所述第一编码特征进行特征叠加，获得所述第一编码特征对应时刻的相机特征；通过对多个视角相机的相机特征进行特征空间转换，获得对应的多目空间特征；将所述多目空间特征输入三维检测头进行处理，获得三维目标检测结果。旨在提高对三维目标的深度感知准确性，进而提高三维目标检测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.103 seconds)
