速航云
客服咨询
400-861-3608
多路摄像头实时全景拼接
目标检测
可行驶区域分割
车道检测
光流识别
多路摄像头实时全景拼接
1. 提高视野覆盖率：全景拼接可以将多个摄
像头的视野拼接成一个更大的视野，从而提
高视野的覆盖率，可以更好地感知车辆周围
的环境。
2. 减少死角：利用全景拼接可以将车辆周围
的环境完整地呈现出来，减少了盲区，从而
减少了死角。
3. 提高安全性：远控操作员通过全景拼接可以
更全面地感知车辆周围的环境，从而提高驾驶员的安全性。
4. 提高驾驶员的舒适性：全景拼接可以提高驾驶员的舒适性，因为驾驶员可以更全面地了解车辆周围的情况，不需要频繁地转头观察，减少了疲劳驾驶的风险
目标检测
采用多种目标检测算法联合决策
- R-CNN
- Fast R-CNN
- Faster-RCNN
- SDD 系列
- YOLO 系列
这些算法的核心思想是在图像中检测出交通标志、车辆和行人等物体。并采用多传感器维度、多维度融合、多任务学习等技术来提高目标检测的准确性。在远控系统中，为远控操作员驾驶车辆提供准确的决策和控制信息。
可行驶区域分割
图像分割算法
- FCN
- Unet
- DeepLab
- PSPNet
FCN（Fully Convolutional Network）是一种基于卷积神经网络（CNN）的图像分割算法，它能够实现端到端的像素级别的分割。Unet则是一种流行的医学图像分割算法，其特点是可以在保持高精度的同时，使用较少的训练数据。DeepLab是一种基于空洞卷积的图像分割算法，它通过引入空洞卷积操作，解决了传统卷积操作存在的感受野受限、计算量大等问题。PSPNet则是一种基于金字塔池化的图像分割算法，它通过对不同尺度的特征图进行池化，从而提高了分割的准确性和鲁棒性。在远控系统应用中，可行驶区域分割技术为远控操作员提供准确的决策和控制信息。
车道检测
车道线检测
- SCNN
- Enet-SAD
SCNN是一种非常流行的车道线检测算法，它采用了一种类似于全卷积网络的架构，将图像分割和车道线检测任务一起完成。SCNN的核心思想是将图像分割成多个小块，然后对每个小块进行车道线检测，最后再将结果拼接起来。与其他车道线检测算法相比，SCNN具有更高的准确率和更快的处理速度。另外，Enet-SAD是一种基于轻量级卷积神经网络（Lightweight Convolutional Neural Network，LCNN）的车道线检测算法，它采用了一种基于自适应卷积的方法，能够快速地检测车道线。与其他车道线检测算法相比，Enet-SAD具有更快的处理速度和更低的计算成本。
光流识别
光流识别算法
- Horn-Schunck
- Lucas-Kanade
其中，Horn-Schunck 算法是一种基于能量函数优化的方法，其核心思想是通过最小化能量函数来求解光流场，从而得到每个像素点的瞬时速度。Lucas-Kanade 算法则是一种基于局部性质的方法，它假设光流场在一个局部窗口内是恒定的，并通过最小二乘法来求解每个像素点的瞬时速度。在远控系统应用中，光流识别技术为远控操作员提供准确的决策和控制信息。
远控需要解决的三大基本问题：
一是音视频+信令超低时延要求，在远程车控场景中，假设在车辆以30km/h中低速行驶，从车机视频采集到远端操作员看见画面做出指令再到指令实现整段延时超过200ms，将导致控制距离延长近2m，影响驾驶安全。
二是卡顿容忍度低，如果视频发生卡顿，会引起车辆状态与画面不同步，远端操作者无法准确感知车辆周边情况。
三是网络情况复杂，在车辆行驶过程中，由于基站距离相对变化，场景网络波动较大，网络时延抖动与丢包等弱网情况时有发生；同时，基站与基站交叉位置可能涉及网络盲区。总之，平行驾驶场景的网络情况要比其他场景复杂得多。
|
|
客服咨询
400-861-3608
邮政编码：100086
客服邮箱：yanhua@suhangcloud.com
公司地址：北京市海淀区数码大厦B座1202A