【第13话：感知算法】库位与可行驶区域检测：自主泊车场景中的检测及语义分割方法

已于 2025-10-14 14:43:11 修改
阅读量1k 收藏 22
点赞数 12
CC 4.0 BY-SA版权
分类专栏： 智能驾驶行泊车全栈基础算法专题课程 文章标签： 算法 深度学习 目标检测 人工智能 计算机视觉
于 2025-08-12 17:54:07 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43859829/article/details/150277384

开启智能驾驶新篇章！《智能驾驶行泊车全栈基础算法专题课程》圆满收官，欢迎订阅！
36节精品课程，从零基础到全栈精通，助您快速入门智能驾驶领域！
入门必备：课程设计相对基础，循序渐进，适合初学者轻松上手，是您踏入智能驾驶行业的完美起点。
核心内容：基础概念、基础知识、相机模型、图像基础、感知算法、融合算法、定位算法、建图算法、规划算法、控制算法，一站式掌握智能驾驶行泊车核心算法。
立即行动，加入学习队列！ 夯实基础，开启您的智能驾驶未来之路

【导语与总结】开启智能驾驶新篇章！《智能驾驶行泊车全栈基础算法专题课程》圆满收官，欢迎订阅！
【第1话：基础概念】自动驾驶基础概念及行泊车NOA、APA、HPA、AVP等自动驾驶功能扫盲和相关技术栈梳理

了解本专栏 订阅专栏 解锁全文 超级会员免费看
自动驾驶---Perception之IPM图和BEV图
智能汽车人的博客
05-27 4642
在自动驾驶感知中，IPM和BEV是两个重要的概念，它们各自在自动驾驶的感知和理解环境中起着关键作用，通过这两种技术，自动驾驶系统可以更准确地识别和理解周围环境中的物体和场景，从而实现更安全、更可靠的自动驾驶。IPM是早期的方案，随着自动驾驶感知技术的发展，目前逐步被BEV方案取代。
【第14话：感知算法】库位与可行驶区域检测后处理方法介绍及代码示例说明
一碗白开水一
09-08 709
本文介绍了库位与可行驶区域检测的后处理方法。对于库位检测，采用非极大值抑制消除重叠框，结合几何约束优化检测结果，包括角点校正、边线拟合、拓扑验证等步骤，并输出结构化数据。可行驶区域检测通过多传感器后融合提高鲁棒性，包括投票融合、贝叶斯方法、D-S证据理论和栅格地图融合等技术。文章还提供了基于OpenCV和NumPy的代码实现，涵盖NMS、形态学操作和区域合并等关键处理步骤，有效提升检测精度和可靠性。
计算机视觉算法实战——可行驶区域检测
m0_65481401的博客
03-26 2088
可行驶区域检测（Drivable Area Detection）是自动驾驶和高级驾驶辅助系统（ADAS）中的核心技术之一，其主要任务是识别车辆前方可以安全行驶的道路区域。这项技术对于自动驾驶车辆的路径规划、避障决策和安全行驶至关重要。在当前的可行驶区域检测任务中，HybridNets表现出卓越的性能。HybridNets是2022年提出的一个端到端多任务网络，专门为自动驾驶场景设计，在BDD100K数据集上达到了SOTA性能。
自动泊车之停车位检测算法（角点检测/语义分割）
CV_Autobot的博客
11-23 4465
作者|机器学习AI算法工程 编辑|汽车人原文链接：https://mp.weixin.qq.com/s/JaPUiKv_F9RObJKimg_7dQ点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【目标检测】技术交流群后台回复【2D检测综述】获取鱼眼检测、实时检测、通用2D检测等近5年内所有综述！一、背景介绍自动泊车大体可分为4个等级：第1级，AP...
自动驾驶之-MATLAB环境下利用单目摄像头和语义分割创建占位栅格（occupancy grid）
weixin_39402231的博客
10-07 1763
本文简单讲解如何使用深度学习语义分割估计车辆可行驶区域(free space)，并创建占位栅格（occupancy grid），然后使用占位栅格创建车辆代价图（vehicle costmap），代码运行环境为MATLAB R2018a。
【论文阅读】用于自动泊车的，基于混合鸟瞰图边的语义视觉SLAM
weixin_42703210的博客
03-17 592
同时IPM图片中存在非常多的炫光，因此没有提取road marking，而是选择提取edge，并对edge进行了复杂的筛选。由于获得edge并不稳定，容易混入错误的edge，也容易把正确的但是是辐射状的edge给剔除，因此这里不能采用keyframe来构建Local map，不然不稳定，因此采用普通frame来构建local map。在地下环境中，直接提取点线特征，然后进行匹配的方法很难奏效，因此选择利用语义分割获得语义特征，然后在IPM图片下，深度也都是已知的，再利用ICP进行匹配。
高速公路车辆违规停车检测系统 — 基于无人机俯视视角的多目标检测与跟踪
qq1309399183的博客
07-07 728
高速公路车辆违规停车检测系统 — 基于无人机俯视视角的多目标检测与跟踪
【第9话：感知算法】多层感知机MLP模型详细介绍及代码举例
一碗白开水一
10-14 1021
多层感知机（MLP）是深度学习的基础模型，由输入层、隐藏层和输出层构成，通过非线性激活函数实现复杂特征变换。其核心数学表达式为前向传播公式，配合反向传播算法进行参数优化。文章详细解析了MLP的架构原理、激活函数特性、梯度计算过程，并给出PyTorch实现示例。MLP广泛应用于分类、回归等任务，优化技巧包括权重初始化、正则化等方法。理解MLP的工作原理是掌握深度学习模型的关键基础。
【第10话：感知算法】图像分类：深度学习图像分类网络模型介绍及多个常用模型详解
一碗白开水一
08-08 781
图像分类是计算机视觉领域的核心任务之一，其目标是将输入的图像分配到预定义的类别标签中。例如，给定一张动物图片，系统需判断其属于"猫"、"狗"或"老虎"等类别。
【第8话：感知算法】深度学习神经网络模型基础知识概念入门简介
一碗白开水一
08-07 979
本文介绍了深度学习的基础概念和核心原理。深度学习是基于多层神经网络的机器学习方法，能够自动提取数据特征。文章详细讲解了神经网络的组成（输入层、隐藏层、输出层）、激活函数（Sigmoid、ReLU等）的作用、前向传播和反向传播的计算过程，以及损失函数和优化算法。此外，还介绍了CNN、RNN等常见网络类型及其应用场景。深度学习在图像识别、自然语言处理等领域有广泛应用，但需要大量数据和计算资源。建议初学者通过实践项目逐步掌握这些基础知识。
深蓝学院自主泊车第3次作业-IPM
YMWM_的博客
02-23 1149
已知鱼眼相机的参数，image_width，表示图像的宽度image_height，表示图像的高度ξ\xiξ，表示鱼眼相机参数k1k_1k1​k2k_2k2​，表示径向相机参数p1p_1p1​p2p_2p2​，表示切向相机参数fxf_xfx​fyf_yfy​，表示相机的焦距cxc_xcx​cyc_ycy​，表示相机的光心已知相机坐标系到车体坐标系的变换矩阵，ttt，表示平移向量RRR，表示旋转矩阵。
用于自动泊车的鸟瞰图的边缘线的语义SLAM系统
点云PCL
10-25 2191
文章：Hybrid Bird’s-Eye Edge Based Semantic Visual SLAM for Automated Valet Parking作者：Zhenzhen Xi...
自动泊车
hnsdgxylh的专栏
05-01 2170
自动泊车，首先在视频的第一帧用鼠标将车位框出来，按任意键，以后的每帧都能检测空的车位，用红色表示，有车的车位，用蓝色表示，有兴趣可以一起研究，QQ 2830025146 效果测试可以参看自动泊车效果测试 ...
语义分割常用数据集整理
热门推荐
lipengfei0427的博客
09-18 2万+
语义分割的数据集分为三类：2D图片，2.5D图片（RGB-D），3D图片。每一个类别的数据集都提供了像素级的标签，可以用来评估模型性能。同时其中一部分工作用到了数据增强来增加标签样本的数量。 一、2D数据 1.PASCAL Visual Object Classes（VOC） VOC数据集是计算机视觉主流数据集之一，可以作分类，分割，目标检测，动作检测和人物定位五类任务数据集，其中包含21个类及其标签：车辆，房屋，动物、飞机、自行车、船、公交车、小汽车、摩托车、火车、瓶子、椅子、餐桌、盆栽植物、沙发、
自动驾驶深度多模态目标检测和语义分割:数据集、方法和挑战
weixin_43823175的博客
01-14 8548
自动驾驶深度多模态目标检测和语义分割:数据集、方法和挑战 原文地址：https://arxiv.org/pdf/1902.07830.pdf Deep Multi-Modal Object Detection and Semantic Segmentation for Autonomous Driving: Datasets, Methods, and Challenges 摘要 深度学习推动了自动驾驶感知技术的最新进展。为了实现鲁棒和准确的场景理解，自动驾驶汽车通常配备不同的传感器(如相机、激光雷达、雷达
自动泊车中的路径规划算法
四脚猫的博客
01-06 2万+
       首先讲一下自动泊车和自主泊车的区别，自主泊车是自动泊车的高级形式，自动泊车仅仅是汽车找到车位后辅助驾驶者或者自动泊入停车位的过程，而自主泊车则是从汽车到达停车场到寻找车位、泊入车位都不需要人为干预，其智能程度远超自动泊车。而本文仅仅是对自动泊车中的路径规划算法进行介绍。 轨迹规划         轨迹规划的输入为车的位置、车位的位置和周围障碍物的位置，输出为泊车轨迹和泊车动作指令...
自动驾驶领域的语义分割数据集有哪些
sparkapi的博客
03-22 7454
对城市自动驾驶语义分割的开源数据集的理解可能会对工程师如何训练自动驾驶模型有所帮助最近10年我们在语义分割数据集的创建和算法提升方面付出了很多努力。最近得益于深度学习理论的发展，我们在视觉场景理解的子领域中获得了不少进步。深度学习的缺点是需要大量的标注数据，这里我们整理了一些广泛应用的城市语义分割的数据集希望可以为自动驾驶领域提供借鉴。这是我们关于如果为自动驾驶提供语义分割数据集系列文章中的第一篇...
【图像分割应用】设备自动化（一）——自动驾驶
hacker_long的专栏
07-18 2010
这是专栏《图像分割应用》的第5篇文章，本专栏主要介绍图像分割在各个领域的应用、难点、技术要求等常见问题。这是本专栏的第二个板块设备自动化的第1篇文章。通勤是我们日常生活的...
【电机控制】基于STM32F103C8T6的二轮平衡车设计——LQR线性二次线控制器（算法篇）
最新发布
qq_42681425的博客
11-14 776
提示：以下是本篇文章正文内容，下面案例可供参考PID控制器和LQR控制器各有优劣，LQR控制器更依赖物理模型的建立，也就是白盒实验，需要知道系统内部，再进行调参；而PID控制器给我的感受是，黑盒实验，即不需要知道物理模型，根据输出响应，直接调参就可以了；当然，有同学会反驳我，PID控制器也需要物理模型，不可否认，PID也有白盒实验的情况；但是，大多数的工程，还是经验调参，而不是算了半天，算完再调；可能这也是为什么大家用脚投PID一票的原因吧；遇事不决PID大法好。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一碗白开水一

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值