CN109614913A - 一种斜车位识别方法、装置和存储介质 - Google Patents
一种斜车位识别方法、装置和存储介质 Download PDFInfo
- Publication number
- CN109614913A CN109614913A CN201811477017.0A CN201811477017A CN109614913A CN 109614913 A CN109614913 A CN 109614913A CN 201811477017 A CN201811477017 A CN 201811477017A CN 109614913 A CN109614913 A CN 109614913A
- Authority
- CN
- China
- Prior art keywords
- parking stall
- vertex
- oblique
- line
- sample image
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 claims description 13
- 210000000746 body region Anatomy 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
Classifications
-
- 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
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- 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
Abstract
本发明提供一种斜车位识别方法、装置和存储介质，包括以下步骤：获取样本图像，所述样本图像中包括一个或多个倾斜车位，以车位顶点定位网络识别样本图像中的车位顶点；将停车位顶点两两配对，对停车位顶点配对成功的部分，截取其图像块，并将图像块输入到停车位分类网络中识别倾斜车位；将识别的倾斜停车位标注出来：以车位顶点定位网络识别样本图像中的车位顶点，以车位顶点为中心截取图像块，提取车位线中的倾斜线，并进行去噪处理，在以线拟合得到倾斜线斜率；以车位顶点和倾斜线斜率标注出倾斜停车位。
Description
技术领域
本发明涉及汽车电子技术领域，特别是涉及一种斜车位识别方法、装置和存储介质。
背景技术
近年来，随着人们对自动驾驶的需求增加，自主泊车辅助系统已成为一个深入研究的课题，为此，人们迫切需要解决如何基于视觉的系统高效定位停车位这一问题。
目前的车位检测技术还不够完善，漏检误检的问题仍然存在，同时也不能满足多场景、多类型的车位，如倾斜车位的识别。
发明内容
为了解决上述的以及其他潜在的技术问题，本发明提供了一种斜车位识别方法、装置和存储介质，分阶段来进行车位检测，降低了斜车位检测的漏检率和误检率；斜车位检测分成车位顶点检测-车位分类-计算斜角车位角度-得到完整车位这样几个阶段来完成，每个阶段都采用较小的网络结构来实现，达到了实时高效的检测效果。
一种斜车位识别方法，包括以下步骤：
获取样本图像，所述样本图像中包括一个或多个倾斜车位，以车位顶点定位网络识别样本图像中的车位顶点；
将停车位顶点两两配对，对停车位顶点配对成功的部分，截取其图像块，并将图像块输入到停车位分类网络中识别倾斜车位；
将识别的倾斜停车位标注出来。
进一步地，所述倾斜停车位标注方法是：
以车位顶点定位网络识别样本图像中的车位顶点，
以车位顶点为中心截取图像块，提取车位线中的倾斜线，并进行去噪处理，在以线拟合得到倾斜线斜率；
以车位顶点和倾斜线斜率标注出倾斜停车位。
进一步地，所述以车位顶点为中心截取图像块时：
截取图像块的长宽与车位线的宽度成正比，车位线的宽度为3-10个像素点，则截取图像块的尺寸在30-50个像素点宽度。所述截取图像块时，先根据配对点建立坐标系，以配对成功的坐标点p1和坐标点p2作为基础，以(p1p2)延伸方向为x轴，(p1p2)的中心点为原点，取一个矩形区域R作为图像块，得到的图像块视为由p1坐标点和p2坐标点定义的局部图。
进一步地，还包括斜车位扩展，所述斜车位扩展是在上述方法标注出倾斜车位之后，依照已标注出的车位顶点p1、p2来扩展外围的车位顶点p3和顶点p4，再根据顶点p3和顶点p4以及倾斜角arctan(k)获得斜车位的扩展斜车位。
进一步地，所述提取车位线的倾斜线时，还包括将车位线的直线部分线条改为背景数值；所述提取车位线中的倾斜线后进行去噪处理时，通过求取最大联通区域进行降噪处理。
进一步地，所述最大联通区域降噪处理的方式是将：
将图像块中所有像素点逐一进行八连通区域处理并获得处理结果，八连通区域像素点处理公式如下所示：
N8(p)＝(x+1，y)U(x-1，y)U(x，y+1)U(x，y-1)U(x+1，y+1)U(x+1，y-1)U(x-1，y-1)U(x-1，y+1)
其中，x，y为遍历到的像素点的坐标值。
将连通区域中属于同一物体的像素点相互分离开来，形成第一物体区域、第二物体区域、第三物体区域等等；
以图像块设定的物体阈值来判断第一物体区域、第二物体区域、第三物体区域是否满足物体阈值，若满足则保留该物体区域，若不满足则置为背景。
进一步地，所述最大联通区域是取特定点周围所有相互直接连接位置、间接连接位置的二值化值，可提取八邻域或四邻域。
进一步地，求出的最大联通区域内的所有坐标值(x，y)，进行线拟合(即最小二乘法)，即可求出斜率k。
一种斜车位识别网络，以所述的斜车位识别网络训练方法训练得出的斜车位识别网络。
一种斜车位识别方法，获取斜车位是以样本图像输入如上述斜车位识别网络获得。
一种斜车位识别修正网络，以预先标注图像的斜车位与所述的斜车位识别网络到的车位检测的差距，然后对斜车位识别网络学习到的车位检测结果进行修正。
进一步地，所述斜车位识别修正网络的损失函数使用softmaxwithloss损失函数。
进一步地，所述识别样本图像中的停车位顶点的具体步骤：
获取样本图像，所述样本图像中包括一个或多个车位，
将样本图像输入至车位顶点定位网络，得到用于表征车位顶点的热力图并获取热力图上的热力聚集区域的坐标；
将热力图上热力聚集区域的坐标经筛选得到车位顶点，以筛选得到的车位顶点为基础获取包含该车位顶点的特征图，再将特征图输入顶点定位网络，修正得到修正后的车位顶点定位网络，再以车位顶点定位网络输出样本图像的车位顶点。
进一步地，所述停车位顶点两两配对，得到所有组合方案，其中非相邻的两个顶点p1、p2组成的入口线为无效入口线，剩余非相邻的两个顶点。
一种斜车位识别验证方法，包括以下步骤：
将车位分类标注在样本图像上，获得标注图像上的车位分类推荐标注；
将样本图像块输入到车位检测网络中，并将输入的斜车位与车位检测推荐标注比较，获得验证结果。
一种斜车位识别网络训练装置，包括：
样本获取单元，用于获取样本图像，所述样本图像中包括一个或多个斜车位；
样本标注获取单元，用于获取已经标注好斜车位分类的样本图像；
车位顶点定位网络，用于以样本图像为输入，生成样本图像中的车位顶点；
入口线ROI提取单元，对车位顶点进行配对，得到所有组合方案，其中非相邻的两个顶点p1、p2组成的入口线为无效入口线，不保存无效入口线，剩余非相邻的两个顶点为有效入口线，将有效入口线输入到车位分类网络；
车位分类网络，用于给样本图像中的车位分类，并获得其中的斜车位；
倾斜停车位标注模块，以车位顶点定位网络识别样本图像中的车位顶点，以车位顶点为中心截取图像块，提取车位线中的倾斜线，并进行去噪处理，在以线拟合得到倾斜线斜率，以车位顶点和倾斜线斜率标注出倾斜停车位。
一种斜车位识别系统，包括：
样本获取单元，用于获取样本图像，所述样本图像中包括一个或多个斜车位；
样本标注获取单元，用于获取已经标注好斜车位分类的样本图像；
顶点定位网络，在输入样本图像后得到用于表征车位顶点的热力图并获取热力图上的热力聚集区域的坐标；并以此获取车位顶点，将获得的车位顶点为基础获得周围的图像块；
入口线ROI提取单元，对车位顶点进行配对，得到所有组合方案，其中非相邻的两个顶点p1、p2组成的入口线为无效入口线，不保存无效入口线，剩余非相邻的两个顶点为有效入口线，将有效入口线输入到车位分类网络；
车位分类网络，用于给样本图像中的图像块中的车位分类，并获得其中的斜车位；
倾斜停车位标注模块，以车位顶点定位网络识别样本图像中的车位顶点，以车位顶点为中心截取图像块，提取车位线中的倾斜线，并进行去噪处理，在以线拟合得到倾斜线斜率，以车位顶点和倾斜线斜率标注出倾斜停车位。
进一步地，还包括斜车位扩展模块，所述斜车位扩展模块是在上述方法标注出倾斜车位之后，依照已标注出的车位顶点p1、p2来扩展外围的车位顶点p3和顶点p4，再根据顶点p3和顶点p4以及倾斜角arctan(k)获得斜车位的扩展斜车位。
如上所述，本发明的具有以下有益效果：
分阶段来进行车位检测，降低了斜车位检测的漏检率和误检率；斜车位检测分成车位顶点检测-车位分类-计算斜角车位角度-得到完整车位这样几个阶段来完成，每个阶段都采用较小的网络结构来实现，达到了实时高效的检测效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1显示为本发明的流程图。
图2显示为本发明图像块处理的示意图。
图3显示为本发明斜车位分割网络的示意图。
图4显示为本发明图像块最大联通区域分割的示意图。
图5显示为本发明草地停车位的示意图。
图6显示为本发明草地停车位的热力图。
图7显示为本发明车位顶点的示意图。
图8显示为办法么斜车位的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
参见图1～图8，
一种斜车位识别方法，包括以下步骤：
获取样本图像，所述样本图像中包括一个或多个倾斜车位，以车位顶点定位网络识别样本图像中的车位顶点；
将停车位顶点两两配对，对停车位顶点配对成功的部分，截取其图像块，并将图像块输入到停车位分类网络中识别倾斜车位；
将识别的倾斜停车位标注出来。
进一步地，所述倾斜停车位标注方法是：以车位顶点定位网络识别样本图像中的车位顶点，以车位顶点为中心截取图像块，提取车位线中的倾斜线，并进行去噪处理，在以线拟合得到倾斜线斜率；以车位顶点和倾斜线斜率标注出倾斜停车位。
进一步地，还包括斜车位扩展，所述斜车位扩展是在上述方法标注出倾斜车位之后，依照已标注出的车位顶点p1、p2来扩展外围的车位顶点p3和顶点p4，再根据顶点p3和顶点p4以及倾斜角arctan(k)获得斜车位的扩展斜车位。
进一步地，所述以车位顶点为中心截取图像块时：
截取图像块的长宽与车位线的宽度成正比，车位线的宽度为3-10个像素点，则截取图像块的尺寸在30-50个像素点宽度。所述截取图像块时，先根据配对点建立坐标系，以配对成功的坐标点p1和坐标点p2作为基础，以(p1p2)延伸方向为x轴，(p1p2)的中心点为原点，取一个矩形区域R作为图像块，得到的图像块视为由p1坐标点和p2坐标点定义的局部图。
进一步地，所述提取车位线的倾斜线时，还包括将车位线的直线部分线条改为背景数值；所述提取车位线中的倾斜线后进行去噪处理时，通过求取最大联通区域进行降噪处理。
进一步地，所述最大联通区域降噪处理的方式是将：
将图像块中所有像素点逐一进行八连通区域处理并获得处理结果，八连通区域像素点处理公式如下所示：
N8(p)＝(x+1，y)U(x-1，y)U(x，y+1)U(x，y-1)U(x+1，y+1)U(x+1，y-1)U(x-1，y-1)U(x-1，y+1)
其中，x,y为遍历到的像素点的坐标值。
将连通区域中属于同一物体的像素点相互分离开来，形成第一物体区域、第二物体区域、第三物体区域等等；以图像块设定的物体阈值来判断第一物体区域、第二物体区域、第三物体区域是否满足物体阈值，若满足则保留该物体区域，若不满足则置为背景。
对每一个值为1的点若其八连通区域内有一个点的值也为1,那么这两个点就归为一个物体。如图所示，假设图像块是48*48的图像块中一部分区域，从第一行开始依次遍历每个像素值，假设下图中白色方格是像素值为0的背景，有颜色的方格像素值为1。我们找到第一个带有颜色的方格，然后看他的八连通区域内(就是上下左右，左上、右上、左下、右下八个方向)，如果有像素值为1的方格就看做为同一物体，然后依次找每个带有颜色方格的八连通区域，然后将同一区域中带有颜色的方格区域都算作一个物体，作为第一物体区域；判断第一物体区域的像素面积是否大于10，大于10就保留这个物体。如图所示，若图像块中依照上述遍历计算八邻域的方法，还包括与第一物体区域不相邻、不相连接的第二物体区域，那么在获得第二物体区域之后，判断第二物体区域的像素面积是否大于10，大于10就保留这个物体。如图所示，若图像块中依照上述遍历计算八邻域的方法，还包括与第一物体区域、第二物体区域均不相连的第三物体区域，那么判断第三物体区域的像素面积是否大于10，大于10就保留这个物体，若小于10，则删除该物体。
进一步地，所述最大联通区域是取特定点周围所有相互直接连接位置、间接连接位置的二值化值，可提取八邻域或四邻域。
进一步地，求出的最大联通区域内的所有坐标值(x,y)，进行线拟合(即最小二乘法)，即可求出斜率k。
一种斜车位识别网络，以所述的斜车位识别网络训练方法训练得出的斜车位识别网络。
一种斜车位识别方法，获取斜车位是以样本图像输入如上述斜车位识别网络获得。
一种斜车位识别修正网络，以预先标注图像的斜车位与所述的斜车位识别网络到的车位检测的差距，然后对斜车位识别网络学习到的车位检测结果进行修正。
进一步地，所述斜车位识别修正网络的损失函数使用softmaxwithloss损失函数。
进一步地，所述识别样本图像中的停车位顶点的具体步骤：
获取样本图像，所述样本图像中包括一个或多个车位，
将样本图像输入至车位顶点定位网络，得到用于表征车位顶点的热力图并获取热力图上的热力聚集区域的坐标；
将热力图上热力聚集区域的坐标经筛选得到车位顶点，以筛选得到的车位顶点为基础获取包含该车位顶点的特征图，再将特征图输入顶点定位网络，修正得到修正后的车位顶点定位网络，再以车位顶点定位网络输出样本图像的车位顶点。
进一步地，所述停车位顶点两两配对，得到所有组合方案，其中非相邻的两个顶点p1、p2组成的入口线为无效入口线，剩余非相邻的两个顶点。
一种斜车位识别验证方法，包括以下步骤：
将车位分类标注在样本图像上，获得标注图像上的车位分类推荐标注；
将样本图像块输入到车位检测网络中，并将输入的斜车位与车位检测推荐标注比较，获得验证结果。
一种斜车位识别网络训练装置，包括：
样本获取单元，用于获取样本图像，所述样本图像中包括一个或多个斜车位；
样本标注获取单元，用于获取已经标注好斜车位分类的样本图像；
车位顶点定位网络，用于以样本图像为输入，生成样本图像中的车位顶点；
入口线ROI提取单元，对车位顶点进行配对，得到所有组合方案，其中非相邻的两个顶点p1、p2组成的入口线为无效入口线，不保存无效入口线，剩余非相邻的两个顶点为有效入口线，将有效入口线输入到车位分类网络；
车位分类网络，用于给样本图像中的车位分类，并获得其中的斜车位；
倾斜停车位标注模块，以车位顶点定位网络识别样本图像中的车位顶点，以车位顶点为中心截取图像块，提取车位线中的倾斜线，并进行去噪处理，在以线拟合得到倾斜线斜率，以车位顶点和倾斜线斜率标注出倾斜停车位。
一种斜车位识别系统，包括：
样本获取单元，用于获取样本图像，所述样本图像中包括一个或多个斜车位；
样本标注获取单元，用于获取已经标注好斜车位分类的样本图像；
顶点定位网络，在输入样本图像后得到用于表征车位顶点的热力图并获取热力图上的热力聚集区域的坐标；并以此获取车位顶点，将获得的车位顶点为基础获得周围的图像块；
入口线ROI提取单元，对车位顶点进行配对，得到所有组合方案，其中非相邻的两个顶点p1、p2组成的入口线为无效入口线，不保存无效入口线，剩余非相邻的两个顶点为有效入口线，将有效入口线输入到车位分类网络；
车位分类网络，用于给样本图像中的图像块中的车位分类，并获得其中的斜车位；
倾斜停车位标注模块，以车位顶点定位网络识别样本图像中的车位顶点，以车位顶点为中心截取图像块，提取车位线中的倾斜线，并进行去噪处理，在以线拟合得到倾斜线斜率，以车位顶点和倾斜线斜率标注出倾斜停车位。
进一步地，还包括斜车位扩展模块，所述斜车位扩展模块是在上述方法标注出倾斜车位之后，依照已标注出的车位顶点p1、p2来扩展外围的车位顶点p3和顶点p4，再根据顶点p3和顶点p4以及倾斜角arctan(k)获得斜车位的扩展斜车位。
作为优选实施例，本实施例还提供一种终端设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的终端设备至少包括但不限于：可通过系统总线相互通信连接的存储器、处理器。需要指出的是，具有组件存储器、处理器的终端设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
作为优选实施例，存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器可以是计算机设备的内部存储单元，例如该计算机设备20的硬盘或内存。在另一些实施例中，存储器也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例中的基于雷达的地形检测程序代码等。此外，存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据，例如运行基于雷达的地形检测程序，以实现实施例中基于雷达的地形检测系统的功能。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现上述的方法中的步骤。
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储基于雷达的地形检测程序，被处理器执行时实现实施例中的基于雷达的地形检测方法。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中包括通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (12)
1.一种斜车位识别方法，其特征在于，包括以下步骤：
获取样本图像，所述样本图像中包括一个或多个倾斜车位，以车位顶点定位网络识别样本图像中的车位顶点；
将停车位顶点两两配对，对停车位顶点配对成功的部分，截取其图像块，并将图像块输入到停车位分类网络中识别倾斜车位；
将识别的倾斜停车位标注出来。
2.根据权利要求1所述的斜车位识别方法，其特征在于，所述倾斜停车位标注方法是：
以车位顶点定位网络识别样本图像中的车位顶点，
以车位顶点为中心截取图像块，提取车位线中的倾斜线，并进行去噪处理，在以线拟合得到倾斜线斜率；
以车位顶点和倾斜线斜率标注出倾斜停车位。
3.根据权利要求2所述的斜车位识别方法，其特征在于，还包括斜车位扩展，所述斜车位扩展是在上述方法标注出倾斜车位之后，依照已标注出的车位顶点p1、p2来扩展外围的车位顶点p3和顶点p4，再根据顶点p3和顶点p4以及倾斜角arctan(k)获得斜车位的扩展斜车位。
4.根据权利要求2所述的斜车位识别方法，其特征在于，所述最大联通区域是取特定点周围所有相互直接连接位置、间接连接位置的二值化值，可提取八邻域或四邻域。
5.根据权利要求5所述的斜车位识别方法，其特征在于，所述最大联通区域降噪处理的方式是将：
将图像块中所有像素点逐一进行八连通区域处理并获得处理结果，八连通区域像素点处理公式如下所示：
N8(p)＝(x+1，y)U(x-1，y)U(x，y+1)U(x，y-1)U(x+1，y+1)U(x+1，y-1)U(x-1，y-1)U(x-1，y+1)
将连通区域中属于同一物体的像素点相互分离开来，形成第一物体区域、第二物体区域、第三物体区域等等；
以图像块设定的物体阈值来判断第一物体区域、第二物体区域、第三物体区域是否满足物体阈值，若满足则保留该物体区域，若不满足则置为背景。
6.根据权利要求4所述的斜车位识别方法，其特征在于，所述倾斜角arctan(k)的求法是：求出的最大联通区域内的所有坐标值(x,y)，进行线拟合，即可求出斜率k。
7.一种斜车位识别网络，以上述权1-6任一种的斜车位识别网络训练方法训练得出的斜车位识别网络。
8.一种斜车位识别方法，获取斜车位是以样本图像输入如上述权利要求7中斜车位识别网络获得。
9.一种斜车位识别修正网络，以预先标注图像的斜车位与所述的斜车位识别网络到的车位检测的差距，然后对斜车位识别网络学习到的车位检测结果进行修正。
10.一种斜车位识别网络训练装置，其特征在于，包括：
样本获取单元，用于获取样本图像，所述样本图像中包括一个或多个斜车位；
样本标注获取单元，用于获取已经标注好斜车位分类的样本图像；
车位顶点定位网络，用于以样本图像为输入，生成样本图像中的车位顶点；
入口线ROI提取单元，对车位顶点进行配对，得到所有组合方案，其中非相邻的两个顶点p1、p2组成的入口线为无效入口线，不保存无效入口线，剩余非相邻的两个顶点为有效入口线，将有效入口线输入到车位分类网络；
车位分类网络，用于给样本图像中的车位分类，并获得其中的斜车位；
倾斜停车位标注模块，以车位顶点定位网络识别样本图像中的车位顶点，以车位顶点为中心截取图像块，提取车位线中的倾斜线，并进行去噪处理，在以线拟合得到倾斜线斜率，以车位顶点和倾斜线斜率标注出倾斜停车位。
11.一种斜车位识别系统，其特征在于，包括：
样本获取单元，用于获取样本图像，所述样本图像中包括一个或多个斜车位；
样本标注获取单元，用于获取已经标注好斜车位分类的样本图像；
顶点定位网络，在输入样本图像后得到用于表征车位顶点的热力图并获取热力图上的热力聚集区域的坐标；并以此获取车位顶点，将获得的车位顶点为基础获得周围的图像块；
入口线ROI提取单元，对车位顶点进行配对，得到所有组合方案，其中非相邻的两个顶点p1、p2组成的入口线为无效入口线，不保存无效入口线，剩余非相邻的两个顶点为有效入口线，将有效入口线输入到车位分类网络；
车位分类网络，用于给样本图像中的图像块中的车位分类，并获得其中的斜车位；
倾斜停车位标注模块，以车位顶点定位网络识别样本图像中的车位顶点，以车位顶点为中心截取图像块，提取车位线中的倾斜线，并进行去噪处理，在以线拟合得到倾斜线斜率，以车位顶点和倾斜线斜率标注出倾斜停车位。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1至9任一权利要求所述的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811477017.0A CN109614913A (zh) | 2018-12-05 | 2018-12-05 | 一种斜车位识别方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811477017.0A CN109614913A (zh) | 2018-12-05 | 2018-12-05 | 一种斜车位识别方法、装置和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109614913A true CN109614913A (zh) | 2019-04-12 |
Family
ID=66007049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811477017.0A Pending CN109614913A (zh) | 2018-12-05 | 2018-12-05 | 一种斜车位识别方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109614913A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348297A (zh) * | 2019-05-31 | 2019-10-18 | 纵目科技（上海）股份有限公司 | 一种用于识别立体停车库的检测方法、系统、终端和存储介质 |
| CN110515376A (zh) * | 2019-07-26 | 2019-11-29 | 纵目科技（上海）股份有限公司 | 一种航迹推演校正的评价方法、终端和存储介质 |
| CN111907516A (zh) * | 2019-05-09 | 2020-11-10 | 广州汽车集团股份有限公司 | 一种全自动泊车方法和系统 |
| CN112349091A (zh) * | 2019-08-07 | 2021-02-09 | 爱信精机株式会社 | 特定区域检测装置 |
| CN112562400A (zh) * | 2020-12-24 | 2021-03-26 | 北京筑梦园科技有限公司 | 一种车位线获取方法、装置及停车管理系统 |
| WO2021068588A1 (zh) * | 2019-10-12 | 2021-04-15 | 东软睿驰汽车技术（沈阳）有限公司 | 车位及其方向角度检测方法、装置、设备及介质 |
| CN113903188A (zh) * | 2021-08-17 | 2022-01-07 | 浙江大华技术股份有限公司 | 车位检测方法、电子设备及计算机可读存储介质 |
| WO2023168747A1 (zh) * | 2022-03-07 | 2023-09-14 | 深圳市德驰微视技术有限公司 | 基于域控制器平台的自动泊车的停车位标注方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
| CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
| JP2009205191A (ja) * | 2008-02-26 | 2009-09-10 | Hitachi Ltd | 駐車スペース認識装置 |
| CN103942809A (zh) * | 2014-05-12 | 2014-07-23 | 福州大学 | 检测岩石图像中节理裂隙的方法 |
| CN106541944A (zh) * | 2016-11-07 | 2017-03-29 | 纵目科技（上海）股份有限公司 | 一种库位检测方法、系统、及移动设备 |
| CN106652551A (zh) * | 2016-12-16 | 2017-05-10 | 浙江宇视科技有限公司 | 一种车位检测方法及设备 |
| CN107207006A (zh) * | 2015-04-17 | 2017-09-26 | 宝马股份公司 | 将关于识别出的停车位的信息报告给用于机动车的自动停车的能经由远程操作装置控制的停车辅助系统的远程操作装置的操作者 |
| CN108764358A (zh) * | 2018-05-31 | 2018-11-06 | 广东工业大学 | 一种太赫兹图像识别方法、装置、设备及可读存储介质 |
| CN108875911A (zh) * | 2018-05-25 | 2018-11-23 | 同济大学 | 一种泊车位检测方法 |
-
2018
- 2018-12-05 CN CN201811477017.0A patent/CN109614913A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009205191A (ja) * | 2008-02-26 | 2009-09-10 | Hitachi Ltd | 駐車スペース認識装置 |
| CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
| CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
| CN103942809A (zh) * | 2014-05-12 | 2014-07-23 | 福州大学 | 检测岩石图像中节理裂隙的方法 |
| CN107207006A (zh) * | 2015-04-17 | 2017-09-26 | 宝马股份公司 | 将关于识别出的停车位的信息报告给用于机动车的自动停车的能经由远程操作装置控制的停车辅助系统的远程操作装置的操作者 |
| CN106541944A (zh) * | 2016-11-07 | 2017-03-29 | 纵目科技（上海）股份有限公司 | 一种库位检测方法、系统、及移动设备 |
| CN106652551A (zh) * | 2016-12-16 | 2017-05-10 | 浙江宇视科技有限公司 | 一种车位检测方法及设备 |
| CN108875911A (zh) * | 2018-05-25 | 2018-11-23 | 同济大学 | 一种泊车位检测方法 |
| CN108764358A (zh) * | 2018-05-31 | 2018-11-06 | 广东工业大学 | 一种太赫兹图像识别方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| HO GI JUNG 等: "Light Stripe Projection based Parking Space Detection for Intelligent Parking Assist System", 《2007 IEEE INTELLIGENT VEHICLES SYMPOSIUM》, pages 962 - 968 * |
| 刘晓英: "面向监控图像的停车场智能车位识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 3, pages 138 - 7302 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111907516A (zh) * | 2019-05-09 | 2020-11-10 | 广州汽车集团股份有限公司 | 一种全自动泊车方法和系统 |
| CN110348297A (zh) * | 2019-05-31 | 2019-10-18 | 纵目科技（上海）股份有限公司 | 一种用于识别立体停车库的检测方法、系统、终端和存储介质 |
| CN110348297B (zh) * | 2019-05-31 | 2023-12-26 | 纵目科技（上海）股份有限公司 | 一种用于识别立体停车库的检测方法、系统、终端和存储介质 |
| CN110515376A (zh) * | 2019-07-26 | 2019-11-29 | 纵目科技（上海）股份有限公司 | 一种航迹推演校正的评价方法、终端和存储介质 |
| CN110515376B (zh) * | 2019-07-26 | 2023-11-28 | 纵目科技（上海）股份有限公司 | 一种航迹推演校正的评价方法、终端和存储介质 |
| CN112349091A (zh) * | 2019-08-07 | 2021-02-09 | 爱信精机株式会社 | 特定区域检测装置 |
| WO2021068588A1 (zh) * | 2019-10-12 | 2021-04-15 | 东软睿驰汽车技术（沈阳）有限公司 | 车位及其方向角度检测方法、装置、设备及介质 |
| CN112562400A (zh) * | 2020-12-24 | 2021-03-26 | 北京筑梦园科技有限公司 | 一种车位线获取方法、装置及停车管理系统 |
| CN112562400B (zh) * | 2020-12-24 | 2024-01-12 | 北京筑梦园科技有限公司 | 一种车位线获取方法、装置及停车管理系统 |
| CN113903188A (zh) * | 2021-08-17 | 2022-01-07 | 浙江大华技术股份有限公司 | 车位检测方法、电子设备及计算机可读存储介质 |
| WO2023168747A1 (zh) * | 2022-03-07 | 2023-09-14 | 深圳市德驰微视技术有限公司 | 基于域控制器平台的自动泊车的停车位标注方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109614913A (zh) | 一种斜车位识别方法、装置和存储介质 | |
| CN110008809B (zh) | 表格数据的获取方法、装置和服务器 | |
| TWI774659B (zh) | 圖像文字的識別方法和裝置 | |
| CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
| US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| CN109583392A (zh) | 一种车位检测方法、装置和存储介质 | |
| WO2021051604A1 (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
| CN110148148A (zh) | 一种基于目标检测的下边缘检测模型的训练方法、模型和存储介质 | |
| CN110348297B (zh) | 一种用于识别立体停车库的检测方法、系统、终端和存储介质 | |
| CN109118519A (zh) | 基于实例分割的目标Re-ID方法、系统、终端和存储介质 | |
| CN110111581A (zh) | 目标识别方法、装置、计算机设备及存储介质 | |
| CN109409377B (zh) | 图像中文字的检测方法及装置 | |
| CN107688789A (zh) | 文档图表抽取方法、电子设备及计算机可读存储介质 | |
| CN109614914A (zh) | 车位顶点定位方法、装置和存储介质 | |
| CN107689070A (zh) | 图表数据结构化提取方法、电子设备及计算机可读存储介质 | |
| CN110176017A (zh) | 一种基于目标检测的边缘检测模型、方法和存储介质 | |
| CN114529490B (zh) | 一种数据处理方法、装置、设备以及可读存储介质 | |
| CN116168351B (zh) | 电力设备巡检方法及装置 | |
| JP4967045B2 (ja) | 背景判別装置、方法及びプログラム | |
| CN107798649A (zh) | 图片的识别方法和装置 | |
| CN112132794A (zh) | 审计视频的文字定位方法、装置、设备和可读存储介质 | |
| CN111401466A (zh) | 一种交通标志检测与识别标注方法、装置和计算机设备 | |
| CN116012393A (zh) | 一种纸箱点云分割方法、装置以及处理设备 | |
| CN111967460B (zh) | 文本检测方法、装置、电子设备及计算机存储介质 | |
| CN105825161A (zh) | 图像的肤色检测方法及其系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |