CN109614914A - 车位顶点定位方法、装置和存储介质 - Google Patents
车位顶点定位方法、装置和存储介质 Download PDFInfo
- Publication number
- CN109614914A CN109614914A CN201811477025.5A CN201811477025A CN109614914A CN 109614914 A CN109614914 A CN 109614914A CN 201811477025 A CN201811477025 A CN 201811477025A CN 109614914 A CN109614914 A CN 109614914A
- Authority
- CN
- China
- Prior art keywords
- vertex
- parking stall
- sample image
- coordinate
- network
- 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 23
- 230000004807 localization Effects 0.000 title claims abstract description 10
- 230000002776 aggregation Effects 0.000 claims abstract description 23
- 238000004220 aggregation Methods 0.000 claims abstract description 23
- 238000010438 heat treatment Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 201000004792 malaria Diseases 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000008439 repair process 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
- 238000007689 inspection 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30264—Parking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种车位顶点定位方法、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。本发明以机器学习或深度学习的方式识别样本图像中的停车位的顶点,进而再通过此要素作出车位定位、车位组合、车位扩展等等。
Description
技术领域
本发明涉及汽车电子技术领域,特别是涉及一种车位顶点定位方法、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。
发明内容
为了解决上述的以及其他潜在的技术问题,本发明提供了一种车位顶点定位方法、装置和存储介质,以机器学习或深度学习的方式识别样本图像中的停车位的顶点,进而再通过此要素作出车位定位、车位组合、车位扩展等等。
一种车位顶点定位网络训练方法,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。
一种车位顶点定位网络,以所述的车位顶点定位网络训练方法训练得出的车位顶点定位网络。
一种车位顶点定位方法,获取车位顶点定位的方式是以样本图像输入如上述权利要求2中所述的修正后的车位顶点定位网络获得。
一种车位顶点修正网络,以预先标注图像的车位顶点与权2所述的车位顶点定位网络学习到的车位顶点之间的差距,然后对车位顶点定位网络学习到的车位顶点进行修正。
进一步地,所述车位顶点修正网络使用的损失函数为欧氏距离损失函数EuclideanLoss。
进一步地,筛选热力图聚集区域坐标的方式是:
获取热力图上的热力聚集区域的坐标是一个坐标值范围,将这些坐标值范围中的坐标点回归,回归出的极大值点与车位顶点极大值阈值比较,当回归出的极大值点小于车位顶点极大值阈值时,则舍弃该坐标点;当回归出的极大值点大于车位顶点极大值阈值时,则归一化该坐标值范围内的所有点。
进一步地,将归一化坐标值范围内的所有点后得到的结果与归一化阈值比较,若归一化后的坐标点大于归一化阈值时,则以该归一化坐标点为基础截取特征图。
一种车位顶点定位验证方法,包括以下步骤:
将车位顶点标注在样本图像上,获得标注图像上的车位顶点推荐标注;
将样本图像输入修正后的车位顶点定位网络并输出车位顶点,并将该车位顶点与车位顶点推荐标注比较,获得验证结果。
一种车位顶点定位网络训练装置,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车位;
样本标注获取单元,用于获取已经标注好的样本图像,所述样本图像中包括一个或多个车位;
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;
提取单元,用于提取热力图上热力聚集区域的坐标以得到车位顶点,以车位顶点为基础获取包含该车位顶点的特征图;
比较装置,用于将标注样本图像中的标注车位顶点与样本图像经过车位顶点定位网络训练得到的车位顶点定位网络比较,得出比较结果;
车位顶点修正网络,用于以预先标注图像的车位顶点与车位顶点定位网络学习到的车位顶点之间的差距,然后对车位顶点定位网络学习到的车位顶点修正车位顶点定位网络。
一种车位顶点定位系统,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车位;
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。
如上所述,本发明的具有以下有益效果:
以机器学习或深度学习的方式识别样本图像中的停车位的顶点,进而再通过此要素作出车位定位、车位组合、车位扩展等等。
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显示为本发明一实施例的流程图。
图2显示为本发明另一实施例的流程图。
图3显示为本发明的流程图。
图4显示为本发明的热力图。
图5显示为本发明的车位顶点
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5,
一种车位顶点定位网络训练方法,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。
一种车位顶点定位网络,以上述的车位顶点定位网络训练方法训练得出的车位顶点定位网络。
车位顶点定位网络;
经过车位顶点定位网络,网络输出车位顶点的热力图与坐标值,生成的热力图大小与原图一致。设置阈值T为0.5,将区域中的极大值点与阈值进行比较,若全小于阈值,表示未在此图中检测到车位顶点;当有大于阈值的点时,表示存在车位顶点,并将全部极大值进行归一化。将归一化后的各值与阈值T再次进行比较,舍弃掉小于阈值的点,随即得到车位图中三个车位顶点
一种车位顶点定位方法,获取车位顶点定位的方式是以样本图像输入如上述权利要求2中所述的修正后的车位顶点定位网络获得。
一种车位顶点修正网络,以预先标注图像的车位顶点与权2所述的车位顶点定位网络学习到的车位顶点之间的差距,然后对车位顶点定位网络学习到的车位顶点进行修正。
车位顶点修正网络
以上一步定位网络得到的各车位顶点为中心,取周围47x 47大小的patch,将47x47的小图继续输入到车位顶点定位网络,此时网络输出的坐标即为修正后的车位顶点坐标。
进一步地,所述车位顶点修正网络使用的损失函数为欧氏距离损失函数EuclideanLoss。
进一步地,筛选热力图聚集区域坐标的方式是:
获取热力图上的热力聚集区域的坐标是一个坐标值范围,将这些坐标值范围中的坐标点回归,回归出的极大值点与车位顶点极大值阈值比较,当回归出的极大值点小于车位顶点极大值阈值时,则舍弃该坐标点;当回归出的极大值点大于车位顶点极大值阈值时,则归一化该坐标值范围内的所有点。
进一步地,将归一化坐标值范围内的所有点后得到的结果与归一化阈值比较,若归一化后的坐标点大于归一化阈值时,则以该归一化坐标点为基础截取特征图。
一种车位顶点定位验证方法,包括以下步骤:
将车位顶点标注在样本图像上,获得标注图像上的车位顶点推荐标注;
将样本图像输入修正后的车位顶点定位网络并输出车位顶点,并将该车位顶点与车位顶点推荐标注比较,获得验证结果。
一种车位顶点定位网络训练装置,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车位;
样本标注获取单元,用于获取已经标注好的样本图像,所述样本图像中包括一个或多个车位;
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;
提取单元,用于提取热力图上热力聚集区域的坐标以得到车位顶点,以车位顶点为基础获取包含该车位顶点的特征图;
比较装置,用于将标注样本图像中的标注车位顶点与样本图像经过车位顶点定位网络训练得到的车位顶点定位网络比较,得出比较结果;
车位顶点修正网络,用于以预先标注图像的车位顶点与车位顶点定位网络学习到的车位顶点之间的差距,然后对车位顶点定位网络学习到的车位顶点修正车位顶点定位网络。
一种车位顶点定位系统,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车位;
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。
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 (11)
1.一种车位顶点定位网络训练方法,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。
2.一种车位顶点定位网络,其特征在于,以上述权利要求1中所述的车位顶点定位网络训练方法训练得出的车位顶点定位网络。
3.一种车位顶点定位方法,其特征在于,获取车位顶点定位的方式是以样本图像输入如上述权利要求2中所述的修正后的车位顶点定位网络获得。
4.一种车位顶点修正网络,其特征在于,以预先标注图像的车位顶点与权2所述的车位顶点定位网络学习到的车位顶点之间的差距,然后对车位顶点定位网络学习到的车位顶点进行修正。
5.根据权利要求4所述的车位顶点定位方法,其特征在于,所述车位顶点修正网络使用的损失函数为欧氏距离损失函数EuclideanLoss。
6.根据权利要求3所述的车位顶点定位方法,其特征在于,筛选热力图聚集区域坐标的方式是:
获取热力图上的热力聚集区域的坐标是一个坐标值范围,将这些坐标值范围中的坐标点回归,回归出的极大值点与车位顶点极大值阈值比较,当回归出的极大值点小于车位顶点极大值阈值时,则舍弃该坐标点;当回归出的极大值点大于车位顶点极大值阈值时,则归一化该坐标值范围内的所有点。
7.根据权利要求6所述的车位顶点定位方法,其特征在于,将归一化坐标值范围内的所有点后得到的结果与归一化阈值比较,若归一化后的坐标点大于归一化阈值时,则以该归一化坐标点为基础截取特征图。
8.一种车位顶点定位验证方法,其特征在于,包括以下步骤:
将车位顶点标注在样本图像上,获得标注图像上的车位顶点推荐标注;
将样本图像输入修正后的车位顶点定位网络并输出车位顶点,并将该车位顶点与车位顶点推荐标注比较,获得验证结果。
9.一种车位顶点定位网络训练装置,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车位;
样本标注获取单元,用于获取已经标注好的样本图像,所述样本图像中包括一个或多个车位;
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;
提取单元,用于提取热力图上热力聚集区域的坐标以得到车位顶点,以车位顶点为基础获取包含该车位顶点的特征图;
比较装置,用于将标注样本图像中的标注车位顶点与样本图像经过车位顶点定位网络训练得到的车位顶点定位网络比较,得出比较结果;
车位顶点修正网络,用于以预先标注图像的车位顶点与车位顶点定位网络学习到的车位顶点之间的差距,然后对车位顶点定位网络学习到的车位顶点修正车位顶点定位网络。
10.一种车位顶点定位系统,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车位;
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。
11.一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8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 |
---|---|---|---|
CN201811477025.5A CN109614914A (zh) | 2018-12-05 | 2018-12-05 | 车位顶点定位方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811477025.5A CN109614914A (zh) | 2018-12-05 | 2018-12-05 | 车位顶点定位方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109614914A true CN109614914A (zh) | 2019-04-12 |
Family
ID=66006535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811477025.5A Pending CN109614914A (zh) | 2018-12-05 | 2018-12-05 | 车位顶点定位方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614914A (zh) |
Cited By (4)
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 |
CN111428616A (zh) * | 2020-03-20 | 2020-07-17 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车位检测方法、装置、设备及存储介质 |
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952308A (zh) * | 2017-04-01 | 2017-07-14 | 上海蔚来汽车有限公司 | 运动物体的位置确定方法及系统 |
CN107316007A (zh) * | 2017-06-07 | 2017-11-03 | 浙江捷尚视觉科技股份有限公司 | 一种基于深度学习的监控图像多类物体检测与识别方法 |
CN107563446A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种微操作系统目标检测方法 |
CN108090423A (zh) * | 2017-12-01 | 2018-05-29 | 上海工程技术大学 | 一种基于热力图和关键点回归的深度车牌检测方法 |
CN108227912A (zh) * | 2017-11-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 设备控制方法和装置、电子设备、计算机存储介质 |
US20180260793A1 (en) * | 2016-04-06 | 2018-09-13 | American International Group, Inc. | Automatic assessment of damage and repair costs in vehicles |
CN108875523A (zh) * | 2017-12-28 | 2018-11-23 | 北京旷视科技有限公司 | 人体关节点检测方法、装置、系统和存储介质 |
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 CN201811477025.5A patent/CN109614914A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260793A1 (en) * | 2016-04-06 | 2018-09-13 | American International Group, Inc. | Automatic assessment of damage and repair costs in vehicles |
CN106952308A (zh) * | 2017-04-01 | 2017-07-14 | 上海蔚来汽车有限公司 | 运动物体的位置确定方法及系统 |
CN107316007A (zh) * | 2017-06-07 | 2017-11-03 | 浙江捷尚视觉科技股份有限公司 | 一种基于深度学习的监控图像多类物体检测与识别方法 |
CN107563446A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种微操作系统目标检测方法 |
CN108227912A (zh) * | 2017-11-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 设备控制方法和装置、电子设备、计算机存储介质 |
CN108090423A (zh) * | 2017-12-01 | 2018-05-29 | 上海工程技术大学 | 一种基于热力图和关键点回归的深度车牌检测方法 |
CN108875523A (zh) * | 2017-12-28 | 2018-11-23 | 北京旷视科技有限公司 | 人体关节点检测方法、装置、系统和存储介质 |
CN108875911A (zh) * | 2018-05-25 | 2018-11-23 | 同济大学 | 一种泊车位检测方法 |
Non-Patent Citations (3)
Title |
---|
AIDEN NIBALI 等: "Numerical Coordinate Regression with Convolutional Neural Networks", 《ARXIV》, pages 1 - 10 * |
范佳柔: "基于深度学习的多人姿态估计", 《万方学位论文》, pages 1 - 83 * |
许忠雄 等: "深度学习实时多人姿态估计与跟踪", 《中国电子科学研究院学报》, vol. 13, no. 4, pages 491 - 496 * |
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 |
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 |
CN111428616A (zh) * | 2020-03-20 | 2020-07-17 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车位检测方法、装置、设备及存储介质 |
CN111428616B (zh) * | 2020-03-20 | 2023-05-23 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车位检测方法、装置、设备及存储介质 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614914A (zh) | 车位顶点定位方法、装置和存储介质 | |
CN109583392A (zh) | 一种车位检测方法、装置和存储介质 | |
CN110348297A (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 | |
CN109614913A (zh) | 一种斜车位识别方法、装置和存储介质 | |
CN110018470A (zh) | 基于多传感器前融合的实例标注方法、模型、终端和存储介质 | |
CN107122369B (zh) | 一种业务数据处理方法、装置和系统 | |
CN111814664B (zh) | 识别图纸中标注的方法、装置、计算机设备及存储介质 | |
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 | |
CN109086377B (zh) | 设备画像的生成方法、装置及计算设备 | |
CN108711161A (zh) | 一种图像分割方法、图像分割装置及电子设备 | |
CN107844468A (zh) | 表格信息跨页识别方法、电子设备及计算机可读存储介质 | |
CN107832676A (zh) | 表格信息换行识别方法、电子设备及计算机可读存储介质 | |
US10084777B2 (en) | Secure data processing method and system | |
CN111641809B (zh) | 基于物联网和人工智能的安防监控方法及云通信服务器 | |
CN109905292B (zh) | 一种终端设备识别方法、系统及存储介质 | |
KR20170086497A (ko) | 신분 정보 검증을 위한 방법 및 장치 | |
CN111163072A (zh) | 机器学习模型中特征值的确定方法、装置及电子设备 | |
CN109190662A (zh) | 一种基于关键点回归的车辆三维检测方法、系统、终端和存储介质 | |
CN111209061B (zh) | 用户信息的填写方法、装置、计算机设备和存储介质 | |
CN110458184A (zh) | 光学字符识别辅助方法、装置、计算机设备及存储介质 | |
CN112132794A (zh) | 审计视频的文字定位方法、装置、设备和可读存储介质 | |
CN107766322A (zh) | 同名实体识别方法、电子设备及计算机可读存储介质 | |
CN110310359B (zh) | 一种游戏中物体状态的变换方法和装置 | |
CN115357155A (zh) | 窗口识别方法、装置、设备及计算机可读存储介质 | |
CN109582834B (zh) | 数据风险预测方法及装置 |
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 |