CN109766799B - 车位识别模型训练方法及装置和车位识别方法及装置 - Google Patents
车位识别模型训练方法及装置和车位识别方法及装置 Download PDFInfo
- Publication number
- CN109766799B CN109766799B CN201811621098.7A CN201811621098A CN109766799B CN 109766799 B CN109766799 B CN 109766799B CN 201811621098 A CN201811621098 A CN 201811621098A CN 109766799 B CN109766799 B CN 109766799B
- Authority
- CN
- China
- Prior art keywords
- information
- parking space
- scene image
- vehicle
- model
- 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.)
- Active
Links
Images
Abstract
本发明实施例提出一种车位识别模型训练方法和装置，其中方法包括：获取多组样本数据，每组样本数据包括：车辆的轨迹信息、场景图像的特征信息及所述场景图像中是否包含车位的真实信息；采用所述多组样本数据训练车位识别模型；所述训练的方式为：将所述车辆的轨迹信息及场景图像的特征信息输入所述车位识别模型，将所述场景图像中是否包含车位的真实信息与所述车位识别模型输出的预测信息进行对比，根据对比结果调整所述车位识别模型的参数。本发明实施例还提出一种车位识别方法和装置。本发明实施例所需的训练样本较少，并且对计算能力的要求较低。
Description
技术领域
本发明涉及图像技术领域，尤其涉及一种车位识别模型训练方法及装置和车位识别方法及装置。
背景技术
现有的车位识别方法一般有以下几种：
第一种，采用预定义的视觉算子识别车位。这种方式对场景图像的清晰度要求较高，在光线过强、过弱、大雨等情况下拍摄的场景图像清晰度较低，会导致车位识别的准确率较低。
第二种，采用全球定位系统(GPS，Global Positioning System)定位的方式识别车位。这种方式在无GPS信号或GPS信号较弱的情况下无法使用。
第三种，采用深度学习模型识别车位。对于这种方式，预先采用多组包含车位及不包含车位的场景图像训练深度学习模块。在识别时，将场景图像输入训练完成的深度学习模型，由深度学习模块输出该场景图像中是否包含车位的信息。
第三种方式比前两种方式的准确率高、且更为稳定，但缺点是需要大量的场景图像用于训练深度学习模型，并且训练和识别过程均需要较高的计算能力。
发明内容
本发明实施例提供一种车位识别模型训练方法及装置，以及一种车位识别方法及装置，以至少解决现有技术中的以上技术问题。
第一方面，本发明实施例提供了一种车位识别模型训练方法，包括：
获取多组样本数据，每组样本数据包括：车辆的轨迹信息、场景图像的特征信息及所述场景图像中是否包含车位的真实信息；
采用所述多组样本数据训练车位识别模型；所述训练的方式为：将所述车辆的轨迹信息及场景图像的特征信息输入所述车位识别模型，将所述场景图像中是否包含车位的真实信息与所述车位识别模型输出的预测信息进行对比，根据对比结果调整所述车位识别模型的参数。
在一种实施方式中，所述车辆的轨迹信息的获取方式包括：
利用所述车辆在预定时间段内的全球定位系统信息和/或惯性测量单元信息，获取所述车辆的轨迹信息。
在一种实施方式中，所述场景图像的特征信息的获取方式包括：
采用预设的视觉算子对所述场景图像进行处理，获取所述场景图像的特征信息。
在一种实施方式中，其特征在于，所述车位识别模型为深度学习模型。
第二方面，本发明实施例提供了一种车位识别方法，包括：
获取车辆的轨迹信息及场景图像的特征信息；
将所述车辆的轨迹信息及场景图像的特征信息输入车位识别模型，由所述车位识别模型输出所述场景图像中是否包含车位的预测信息；
其中，所述车位识别模型是由多组样本数据训练得到的，每组样本数据包括：车辆的轨迹信息、场景图像的特征信息及所述场景图像中是否包含车位的真实信息。
在一种实施方式中，所述车辆的轨迹信息的获取方式为：
利用所述车辆在预定时间段内的全球定位系统信息和/或惯性测量单元信息，获取所述车辆的轨迹信息。
在一种实施方式中，所述场景图像的特征信息的获取方式为：
采用预设的视觉算子对所述场景图像进行处理，获取所述场景图像的特征信息。
第三方面，本发明实施例提供了一种车位识别模型训练装置，包括：
样本获取模块，用于获取多组样本数据，每组样本数据包括：车辆的轨迹信息、场景图像的特征信息及所述场景图像中是否包含车位的真实信息；
训练模块，用于采用所述多组样本数据训练车位识别模型；所述训练的方式为：将所述车辆的轨迹信息及场景图像的特征信息输入所述车位识别模型，将所述场景图像中是否包含车位的真实信息与所述车位识别模型输出的预测信息进行对比，根据对比结果调整所述车位识别模型的参数。
在一种实施方式中，所述样本获取模块包括轨迹信息获取子模块；
所述轨迹信息获取子模块，用于利用所述车辆在预定时间段内的全球定位系统信息和/或惯性测量单元信息，获取所述车辆的轨迹信息。
在一种实施方式中，所述样本获取模块包括特征信息获取子模块；
所述特征信息获取子模块，用于采用预设的视觉算子对所述场景图像进行处理，获取所述场景图像的特征信息。
在一种实施方式中，所述训练模块训练的车位识别模型为深度学习模型。
第四方面，本发明实施例提供了一种车位识别装置，包括：
信息获取模块，用于获取车辆的轨迹信息及场景图像的特征信息；
输入模块，用于将所述车辆的轨迹信息及场景图像的特征信息输入车位识别模型，由所述车位识别模型输出所述场景图像中是否包含车位的预测信息；
其中，所述车位识别模型是由多组样本数据训练得到的，每组样本数据包括：车辆的轨迹信息、场景图像的特征信息及所述场景图像中是否包含车位的真实信息。
在一种实施方式中，所述信息获取模块包括第一获取子模块；
所述第一获取子模块，用于利用所述车辆在预定时间段内的全球定位系统信息和/或惯性测量单元信息，获取所述车辆的轨迹信息。
在一种实施方式中，所述信息获取模块包括第二获取子模块；
所述第二获取子模块，用于采用预设的视觉算子对所述场景图像进行处理，获取所述场景图像的特征信息。
第五方面，本发明实施例提供了一种车位识别模型训练设备，所述设备的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，所述设备的结构中包括处理器和存储器，所述存储器用于存储支持所述设备执行上述车位识别模型训练方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述设备还可以包括通信接口，用于与其他设备或通信网络通信。
第六方面，本发明实施例提供了一种车位识别设备，所述设备的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，所述设备的结构中包括处理器和存储器，所述存储器用于存储支持所述设备执行上述车位识别方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述设备还可以包括通信接口，用于与其他设备或通信网络通信。
第七方面，本发明实施例提供了一种计算机可读存储介质，用于存储上述设备所用的计算机软件指令，其包括用于执行上述方法所涉及的程序。
上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明实施例提出的车位识别模型训练方法和装置，采用车辆的轨迹信息、场景图像的特征信息及所述场景图像中是否包含车位的真实信息训练车位识别模型。由于不依赖于未经处理的原始场景图像这一单独的信息训练车位识别模型，因此需要的训练样本较少；并且降低了对车位识别模型中单个模块的性能要求，因此对计算能力的要求不高。
并且，本发明实施例提出的车位识别方法和装置，将车辆的轨迹信息、场景图像的特征信息输入车位识别模型，由车位识别模型输出该场景图像中是否包含车位的预测信息。由于不依赖于原始的场景图像这一单独的信息识别车位，故降低了对车位识别模型中单个模块的性能要求，对计算能力的要求不高。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
图1为本发明实施例的一种车位识别模型训练方法实现流程图；
图2为本发明实施例的一种车位识别方法实现流程图；
图3为本发明实施例的一种车位识别模型训练装置结构示意图；
图4为本发明实施例的另一种车位识别模型训练装置结构示意图；
图5为本发明实施例的一种车位识别装置结构示意图；
图6为本发明实施例的另一种车位识别装置结构示意图；
图7为本发明实施例的一种车位识别模型训练设备结构示意图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
本发明实施例主要提供了车位识别模型训练方法和装置，以及车位识别方法和装置，下面分别通过以下实施例进行技术方案的展开描述。
如图1为本发明实施例的一种车位识别模型训练方法实现流程图，包括：
S11：获取多组样本数据，每组样本数据包括：车辆的轨迹信息、场景图像的特征信息及所述场景图像中是否包含车位的真实信息；
S12：采用所述多组样本数据训练车位识别模型；
其中，训练的方式可以为：将所述车辆的轨迹信息及场景图像的特征信息输入所述车位识别模型，将所述场景图像中是否包含车位的真实信息与所述车位识别模型输出的预测信息进行对比，根据对比结果调整所述车位识别模型的参数。
在一种可能的实施方式中，步骤S11中，车辆的轨迹信息的获取方式包括：
利用所述车辆在预定时间段内的GPS信息和/或惯性测量单元(IMU，Inertialmeasurement unit)信息，获取所述车辆的轨迹信息。
其中，GPS信息可以记录车辆的位置。根据车辆在预定时间段内多个时刻的GPS信息，可以确定车辆在多个时刻的位置；将多个时刻的位置连接起来，即可以得到该车辆的轨迹信息。或者，车辆每行驶一段固定长度(例如1米)，则记录车辆的位置；将所有记录的位置连接起来，即可以得到该车辆的轨迹信息。
IMU信息可以记录车辆的运动信息，包括加速度和角速度等。根据车辆在预定时间段内多个时刻的加速度和角速度，可以计算出车辆在该预定时间段内相对于起始位置的运动轨迹；再结合起始位置信息，即可以确定出车辆的轨迹信息。
在一种示例中，如果将场景图像对应的时刻记为T0，则上述预定时间段可以为[T0-t，T0]，其中，t为预定时间段的长度。可见，上述预定时间段可以为场景图像对应的时刻之前的一段时间。
预定时间段的长度可以根据具体的情况设置。例如，当训练针对某个停车场的车位识别模型时，可以根据多个车辆从进入该停车场到找到车位所需时间的平均值确定预定时间段的长度。平均值越大，则预定时间段的长度越长。
在一种可能的实施方式中，步骤S11中，场景图像的特征信息的获取方式可以包括：采用预设的视觉算子对所述场景图像进行处理，获取所述场景图像的特征信息。
在一种可能的实施方式中，可以采用预设的梯度算子对场景图像进行处理，得到场景图像中物体的边缘信息，作为该场景图像的特征信息。
上述场景图像可以由安装在车辆上的拍摄装置获取。可以由拍摄装置直接获取静态的场景图像；或者，可以由拍摄装置获取包含场景图像的视频图像，再从该视频图像中获取静态的场景图像。
在一种可能的实施方式中，步骤S11中，场景图像中是否包含车位的真实信息可以有两个取值：“是”，即场景图像中包含车位；或“否”，即场景图像中不包含车位。这里的车位可以指未被其他车辆占用的空闲车位。可以由人工观察场景图像并得出该场景图像中是否包含车位的真实信息。
用于训练车位识别模型的多组样本数据可以包括正样本和负样本。其中，正样本包括：车辆的轨迹信息、场景图像的特征信息及该场景图像的中包含车位的真实信息；负样本包括：车辆的轨迹信息、场景图像的特征信息及该场景图像的中不包含车位的真实信息。
需要说明的是：针对特定的停车场所，由于停车场所的形状及入口等位置固定不变，因此车辆从进入停车场所到找到车位这一段路程的轨迹信息是有大体规律的。鉴于此，本发明实施例将车辆的轨迹信息作为样本数据中所包含的内容，用于训练车位识别模型。
在一种可能的实施方式中，上述的车位识别模块可以为深度学习模型。在训练车位识别模块时，将车辆的轨迹信息、场景图像的特征信息输入车位识别模块，由车位识别模型输出该场景图像中是否包含车位的预测信息；之后，将该预测信息与该场景图像是否包含车位的真实信息进行比较，当比较结果不一致时，调整车位识别模型的参数设置。采用前述方式反复调整参数，使训练完成的车位识别模型识别车位的准确率达到预定要求。
相应地，本发明实施例提出一种车位识别方法，如图2为该方法实现流程图，包括：
S21：获取车辆的轨迹信息及场景图像的特征信息；
S22：将所述车辆的轨迹信息及场景图像的特征信息输入车位识别模型，由所述车位识别模型输出所述场景图像中是否包含车位的预测信息；
其中，所述车位识别模型是由多组样本数据训练得到的，每组样本数据包括：车辆的轨迹信息、场景图像的特征信息及所述场景图像中是否包含车位的真实信息。
在一种可能的实施方式中，步骤S21中车辆的轨迹信息的获取方式为：
利用所述车辆在预定时间段内的全球定位系统信息和/或惯性测量单元信息，获取所述车辆的轨迹信息。
其中，预定时间段的设置方式可以与上述实施例中的方式相同，在此不再赘述。
在一种可能的实施方式中，步骤S21中场景图像的特征信息的获取方式为：
采用预设的视觉算子对所述场景图像进行处理，获取所述场景图像的特征信息。
其中，可以采用预设的梯度算子对场景图像进行处理，得到场景图像中物体的边缘信息，作为该场景图像的特征信息。
场景图像的获取方式可以与上述实施例中的方式相同，在此不再赘述。
在一种可能的实施方式中，步骤S22中车位识别模型输出的场景图像中是否包含车位的预测信息可以有两个取值：“是”，即场景图像中包含车位；或“否”，即场景图像中不包含车位。
或者，在一种可能的实施方式中，步骤S22中车位识别模型输出的场景图像中是否包含车位的预测信息可以为一个数值，该数值表示场景图像中包含车位的可能性。例如，该取值的取值范围可以为[0,1]，数值越大，表示场景图像中包含车位的可能性越大。
前述的车位可以包括未被其他车辆占用的空闲车位。
本发明实施例还提出一种车位识别模型训练装置。参见图3，图3为本发明实施例的一种车位识别模型训练装置结构示意图，包括：
样本获取模块310，用于获取多组样本数据，每组样本数据包括：车辆的轨迹信息、场景图像的特征信息及所述场景图像中是否包含车位的真实信息；
训练模块320，用于采用所述多组样本数据训练车位识别模型；所述训练的方式为：将所述车辆的轨迹信息及场景图像的特征信息输入所述车位识别模型，将所述场景图像中是否包含车位的真实信息与所述车位识别模型输出的预测信息进行对比，根据对比结果调整所述车位识别模型的参数。
本发明实施例还提出另一种车位识别模型训练装置，如图4为该装置结构示意图，包括：
样本获取模块310，用于获取多组样本数据，每组样本数据包括：车辆的轨迹信息、场景图像的特征信息及所述场景图像中是否包含车位的真实信息；
训练模块320，用于采用所述多组样本数据训练车位识别模型；所述训练的方式为：将所述车辆的轨迹信息及场景图像的特征信息输入所述车位识别模型，将所述场景图像中是否包含车位的真实信息与所述车位识别模型输出的预测信息进行对比，根据对比结果调整所述车位识别模型的参数。
其中，样本获取模块310可以包括：
轨迹信息获取子模块311，用于利用所述车辆在预定时间段内的全球定位系统信息和/或惯性测量单元信息，获取所述车辆的轨迹信息。
特征信息获取子模块312，用于采用预设的视觉算子对所述场景图像进行处理，获取所述场景图像的特征信息。
在一种可能的实施方式中，所述训练模块320训练的车位识别模型为深度学习模型。
本发明实施例还提出一种车位识别装置，如图5为本发明实施例提出的车位识别装置结构示意图，该装置包括：
信息获取模块510，用于获取车辆的轨迹信息及场景图像的特征信息；
输入模块520，用于将所述车辆的轨迹信息及场景图像的特征信息输入车位识别模型，由所述车位识别模型输出所述场景图像中是否包含车位的预测信息；
其中，所述车位识别模型是由多组样本数据训练得到的，每组样本数据包括：车辆的轨迹信息、场景图像的特征信息及所述场景图像中是否包含车位的真实信息。
本发明实施例还提出另一种车位识别装置，如图6所示，该装置包括：
信息获取模块510，用于获取车辆的轨迹信息及场景图像的特征信息。
输入模块520，用于将所述车辆的轨迹信息及场景图像的特征信息输入车位识别模型，由所述车位识别模型输出所述场景图像中是否包含车位的预测信息。
其中，信息获取模块510包括：
第一获取子模块511，用于利用所述车辆在预定时间段内的全球定位系统信息和/或惯性测量单元信息，获取所述车辆的轨迹信息。
第二获取子模块512，用于采用预设的视觉算子对所述场景图像进行处理，获取所述场景图像的特征信息。
本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
本发明实施例还提出一种车位识别模型训练设备及车位识别设备，如图7为本发明实施例的车位识别模型训练设备结构示意图，包括：
存储器11和处理器12，存储器11存储有可在处理器12上运行的计算机程序。所述处理器12执行所述计算机程序时实现上述实施例中的方法。所述存储器11和处理器12的数量可以为一个或多个。
所述设备还可以包括：
通信接口13，用于与外界设备进行通信，进行数据交换传输。
存储器11可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
如果存储器11、处理器12和通信接口13独立实现，则存储器11、处理器12和通信接口13可以通过总线相互连接并完成相互之间的通信。所述总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线，外部设备互连(PCI，PeripheralComponent Interconnect)总线或扩展工业标准体系结构(EISA，Extended IndustryStandard Architecture)等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器11、处理器12和通信接口13集成在一块芯片上，则存储器11、处理器12和通信接口13可以通过内部接口完成相互间的通信。
本发明实施例提出的车位识别设备的结构与图7所示的结构相同，不再赘述。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
综上所述，本发明实施例采用车辆的轨迹信息、场景图像的特征信息及场景图像中是否包含车位的真实信息训练车位识别模型。在识别时，将车辆的轨迹信息、场景图像的特征信息输入训练完成的车位识别模型，由该车位识别模型输出场景图像中是否包含车位的预测信息。由于不依赖于未经处理的原始场景图像这一单独的信息训练车位识别模型，也不依赖原始场景图像这一单独的信息识别车位，因此降低了对车位识别模型中单个模块的性能要求，对计算能力的要求不高。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (17)
1.一种车位识别模型训练方法，其特征在于，包括：
获取多组样本数据，每组样本数据包括：车辆的轨迹信息、场景图像的特征信息及所述场景图像中是否包含车位的真实信息；
采用所述多组样本数据训练车位识别模型；所述训练的方式为：将所述车辆的轨迹信息及场景图像的特征信息输入所述车位识别模型，将所述场景图像中是否包含车位的真实信息与所述车位识别模型输出的预测信息进行对比，根据对比结果调整所述车位识别模型的参数。
2.根据权利要求1所述的方法，其特征在于，所述车辆的轨迹信息的获取方式包括：
利用所述车辆在预定时间段内的全球定位系统信息和/或惯性测量单元信息，获取所述车辆的轨迹信息。
3.根据权利要求1所述的方法，其特征在于，所述场景图像的特征信息的获取方式包括：
采用预设的视觉算子对所述场景图像进行处理，获取所述场景图像的特征信息。
4.根据权利要求1至3任一所述的方法，其特征在于，所述车位识别模型为深度学习模型。
5.一种车位识别方法，其特征在于，包括：
获取车辆的轨迹信息及场景图像的特征信息；
将所述车辆的轨迹信息及场景图像的特征信息输入车位识别模型，由所述车位识别模型输出所述场景图像中是否包含车位的预测信息；
其中，所述车位识别模型是由多组样本数据训练得到的，每组样本数据包括：车辆的轨迹信息、场景图像的特征信息及所述场景图像中是否包含车位的真实信息。
6.根据权利要求5所述的方法，其特征在于，所述车辆的轨迹信息的获取方式为：
利用所述车辆在预定时间段内的全球定位系统信息和/或惯性测量单元信息，获取所述车辆的轨迹信息。
7.根据权利要求的5所述的方法，其特征在于，所述场景图像的特征信息的获取方式为：
采用预设的视觉算子对所述场景图像进行处理，获取所述场景图像的特征信息。
8.一种车位识别模型训练装置，其特征在于，包括：
样本获取模块，用于获取多组样本数据，每组样本数据包括：车辆的轨迹信息、场景图像的特征信息及所述场景图像中是否包含车位的真实信息；
训练模块，用于采用所述多组样本数据训练车位识别模型；所述训练的方式为：将所述车辆的轨迹信息及场景图像的特征信息输入所述车位识别模型，将所述场景图像中是否包含车位的真实信息与所述车位识别模型输出的预测信息进行对比，根据对比结果调整所述车位识别模型的参数。
9.根据权利要求8所述的装置，其特征在于，所述样本获取模块包括轨迹信息获取子模块；
所述轨迹信息获取子模块，用于利用所述车辆在预定时间段内的全球定位系统信息和/或惯性测量单元信息，获取所述车辆的轨迹信息。
10.根据权利要求8所述的装置，其特征在于，所述样本获取模块包括特征信息获取子模块；
所述特征信息获取子模块，用于采用预设的视觉算子对所述场景图像进行处理，获取所述场景图像的特征信息。
11.根据权利要求8至10任一所述的装置，其特征在于，所述训练模块训练的车位识别模型为深度学习模型。
12.一种车位识别装置，其特征在于，包括：
信息获取模块，用于获取车辆的轨迹信息及场景图像的特征信息；
输入模块，用于将所述车辆的轨迹信息及场景图像的特征信息输入车位识别模型，由所述车位识别模型输出所述场景图像中是否包含车位的预测信息；
其中，所述车位识别模型是由多组样本数据训练得到的，每组样本数据包括：车辆的轨迹信息、场景图像的特征信息及所述场景图像中是否包含车位的真实信息。
13.根据权利要求12所述的装置，其特征在于，所述信息获取模块包括第一获取子模块；
所述第一获取子模块，用于利用所述车辆在预定时间段内的全球定位系统信息和/或惯性测量单元信息，获取所述车辆的轨迹信息。
14.根据权利要求12所述的装置，其特征在于，所述信息获取模块包括第二获取子模块；
所述第二获取子模块，用于采用预设的视觉算子对所述场景图像进行处理，获取所述场景图像的特征信息。
15.一种车位识别模型训练设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
16.一种车位识别设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求5-7中任一所述的方法。
17.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811621098.7A CN109766799B (zh) | 2018-12-28 | 2018-12-28 | 车位识别模型训练方法及装置和车位识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811621098.7A CN109766799B (zh) | 2018-12-28 | 2018-12-28 | 车位识别模型训练方法及装置和车位识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109766799A CN109766799A (zh) | 2019-05-17 |
| CN109766799B true CN109766799B (zh) | 2021-02-12 |
Family
ID=66451775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811621098.7A Active CN109766799B (zh) | 2018-12-28 | 2018-12-28 | 车位识别模型训练方法及装置和车位识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109766799B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115083199B (zh) * | 2021-03-12 | 2024-02-27 | 上海汽车集团股份有限公司 | 一种车位信息确定方法及其相关设备 |
| CN113537163B (zh) * | 2021-09-15 | 2021-12-28 | 苏州魔视智能科技有限公司 | 一种用于车位检测的模型训练方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106611510A (zh) * | 2015-10-27 | 2017-05-03 | 富士通株式会社 | 车位检测装置、电子设备及方法 |
| 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 |
| CN107067796A (zh) * | 2016-12-28 | 2017-08-18 | 深圳市金溢科技股份有限公司 | 一种停车管理服务器、方法和系统 |
| CN107591005A (zh) * | 2017-08-09 | 2018-01-16 | 深圳市金溢科技股份有限公司 | 动静态检测相结合的停车区域管理方法、服务器及系统 |
| CN107610499A (zh) * | 2016-07-11 | 2018-01-19 | 富士通株式会社 | 停车位状态的检测方法、检测装置和电子设备 |
| CN108460983A (zh) * | 2017-02-19 | 2018-08-28 | 泓图睿语（北京）科技有限公司 | 基于卷积神经网络的停车位状态检测方法 |
| CN108550277A (zh) * | 2018-06-04 | 2018-09-18 | 济南浪潮高新科技投资发展有限公司 | 一种基于图像深度学习的停车位识别及查询方法 |
| CN108766022A (zh) * | 2018-06-11 | 2018-11-06 | 青岛串并联电子科技有限公司 | 基于机器学习的停车场车位状态识别方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102450374B1 (ko) * | 2016-11-17 | 2022-10-04 | 삼성전자주식회사 | 데이터 인식 및 트레이닝 장치 및 방법 |
-
2018
- 2018-12-28 CN CN201811621098.7A patent/CN109766799B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106611510A (zh) * | 2015-10-27 | 2017-05-03 | 富士通株式会社 | 车位检测装置、电子设备及方法 |
| CN107610499A (zh) * | 2016-07-11 | 2018-01-19 | 富士通株式会社 | 停车位状态的检测方法、检测装置和电子设备 |
| 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 |
| CN107067796A (zh) * | 2016-12-28 | 2017-08-18 | 深圳市金溢科技股份有限公司 | 一种停车管理服务器、方法和系统 |
| CN108460983A (zh) * | 2017-02-19 | 2018-08-28 | 泓图睿语（北京）科技有限公司 | 基于卷积神经网络的停车位状态检测方法 |
| CN107591005A (zh) * | 2017-08-09 | 2018-01-16 | 深圳市金溢科技股份有限公司 | 动静态检测相结合的停车区域管理方法、服务器及系统 |
| CN108550277A (zh) * | 2018-06-04 | 2018-09-18 | 济南浪潮高新科技投资发展有限公司 | 一种基于图像深度学习的停车位识别及查询方法 |
| CN108766022A (zh) * | 2018-06-11 | 2018-11-06 | 青岛串并联电子科技有限公司 | 基于机器学习的停车场车位状态识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109766799A (zh) | 2019-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109343061B (zh) | 传感器标定方法、装置、计算机设备、介质和车辆 | |
| CN106952303B (zh) | 车距检测方法、装置和系统 | |
| CN109255181B (zh) | 一种基于多模型的障碍物分布仿真方法、装置以及终端 | |
| CN109766799B (zh) | 车位识别模型训练方法及装置和车位识别方法及装置 | |
| CN112084810A (zh) | 一种障碍物检测方法、装置、电子设备及存储介质 | |
| CN109961509B (zh) | 三维地图的生成及模型训练方法、装置及电子设备 | |
| CN111199087A (zh) | 场景识别方法和装置 | |
| CN111982132B (zh) | 数据处理方法、装置和存储介质 | |
| CN108986253B (zh) | 用于多线程并行处理的存储数据方法和装置 | |
| CN114419563A (zh) | 一种数据处理方法、装置、系统、电子设备及存储介质 | |
| CN110189372A (zh) | 深度图模型训练方法和装置 | |
| CN113246858A (zh) | 车辆行驶状态图像生成方法、设备和系统 | |
| CN113727064B (zh) | 一种摄像头视场角的确定方法及装置 | |
| CN112455465A (zh) | 一种行驶环境感知方法、装置、电子设备和存储介质 | |
| CN110414374B (zh) | 一种障碍物位姿的确定方法、装置、设备及介质 | |
| CN117079238A (zh) | 道路边沿检测方法、装置、设备及存储介质 | |
| CN113409393B (zh) | 用于识别交通标志牌的方法及装置 | |
| CN111126336B (zh) | 样本采集方法、装置及设备 | |
| CN111192327A (zh) | 用于确定障碍物朝向的方法和装置 | |
| CN111126154A (zh) | 路面元素的识别方法、装置、无人驾驶设备和存储介质 | |
| CN116363628A (zh) | 标志检测方法、装置、非易失性存储介质及计算机设备 | |
| CN115909271A (zh) | 停车位识别方法、装置、车辆及存储介质 | |
| CN113298099B (zh) | 一种驾驶行为识别方法、装置、电子设备及存储介质 | |
| CN115761668A (zh) | 摄像头的污渍识别方法、装置、车辆及存储介质 | |
| CN111177878A (zh) | 衍生仿真场景筛选方法、装置和终端 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |