CN110232835A - 一种基于图像处理的地下车库停车位检测方法 - Google Patents

一种基于图像处理的地下车库停车位检测方法 Download PDF

Info

Publication number
CN110232835A
CN110232835A CN201910569647.9A CN201910569647A CN110232835A CN 110232835 A CN110232835 A CN 110232835A CN 201910569647 A CN201910569647 A CN 201910569647A CN 110232835 A CN110232835 A CN 110232835A
Authority
CN
China
Prior art keywords
indicate
line
parking stall
angle point
straight line
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.)
Granted
Application number
CN201910569647.9A
Other languages
English (en)
Other versions
CN110232835B (zh
Inventor
汪鹏飞
许镇远
项健翔
岑黎彬
王雯卿
高飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910569647.9A priority Critical patent/CN110232835B/zh
Publication of CN110232835A publication Critical patent/CN110232835A/zh
Application granted granted Critical
Publication of CN110232835B publication Critical patent/CN110232835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • G06T7/73Determining position or orientation of objects or cameras using feature-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/25Determination of region of interest [ROI] or a volume of interest [VOI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/14Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10032Satellite or aerial image; Remote sensing
    • G06T2207/10036Multispectral image; Hyperspectral image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20048Transform domain processing
    • G06T2207/20061Hough transform
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20112Image segmentation details
    • G06T2207/20164Salient point detection; Corner detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30232Surveillance
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08Detecting or categorising vehicles

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

本发明公开了一种基于图像处理的地下车库停车位检测方法,包括如下步骤:步骤1:通过YOLOv3深度学习模型检测出停车位角点区域,并将检测到的m个角点矩形区域集合记为A={Rt|t=1,2,…,m},其中,Rt表示第t个角点矩形区域;步骤2:采用自适应均值方法对每个区域Rt的子图像进行二值化;步骤3:对每个区域Rt的子图像进行角点检测;步骤4:根据步骤3可得到A中所有角点区域的角点坐标,将它们按照横坐标排序;本发明的优点是:本发明能有效排除车辆、光线、障碍物的干扰,利用图像处理准确地检测出停车线及停车位角点,从而完成停车位的检测,维护简单且成本低。

Description

一种基于图像处理的地下车库停车位检测方法
技术领域
本发明涉及智能交通管理技术领域,具体是一种基于图像处理的地下车库停车位检测方法。
背景技术
随着我国交通事业的迅速发展,城市的汽车数量逐年增加,城市道路交通堵塞、停车困难问题显得越来越突出。地下车库的建设,可大幅度缓解停车难的问题,而可靠的不规范停车检测是智能交通管理领域的保障。
目前,传统停车场的停车过程不注重车位状态,停车利用率不高,尤其大中型停车场内车辆进出频繁,车位状态难于统计,车位利用率更低。另外,由于很多车主的停车规范意识较差,停车不规范的情况时有发生,如车辆超出或未完全驶入停车位,车辆跨过左侧或右侧的停车线等等,这些行为既影响了其他司机停车,又额外增加了停车场的管理成本。
对于车位状态检测,当前国内外已有多种实现方法,包括超声波、地感线圈、地磁、压力、红外、计算机视觉等。除计算机视觉外,其他方法的安装复杂,维护工作量较大,且成本较高。
发明内容
本发明要克服现有技术的上述缺点,以图像处理为依据,提供一种基于图像处理的地下车库停车位检测方法。
本发明的技术方案如下:
一种基于图像处理的地下车库停车位检测方法,其特征在于,包括如下步骤:
步骤1:通过YOLOv3深度学习模型检测出停车位角点区域,并将检测到的m个角点矩形区域集合记为A={Rt|t=1,2,…,m},其中,Rt表示第t个角点矩形区域;
步骤2:采用自适应均值方法对每个区域Rt的子图像进行二值化;
步骤3:对每个区域Rt的子图像进行角点检测,
步骤4:根据步骤3可得到A中所有角点区域的角点坐标,将它们按照横坐标排序,从而构成有序的角点坐标集Q={(xt,yt)|t=1,2,…,m};
步骤5:若m=1,则无车位;否则,可得满足式(7)车位集合Y={(xiL,yiL,xiR,yiR)|i=1,2,…,nY};
其中,其中(xiL,yiL)表示第i个停车位的左角点坐标,(xiR,yiR)表示第i个停车位的右角点坐标,δ0和δ1分别表示事先标定的车位最小宽度和最大宽度,单位为像素。
所述的一种基于图像处理的地下车库停车位检测方法,其特征在于,所述步骤1中若角点矩形区域光照不均,对其进行光照补偿,通过直方图均衡化,对图像进行矫正。
所述的一种基于图像处理的地下车库停车位检测方法,其特征在于,所述步骤3具体步骤如下:
步骤3.1:用高斯滤波器对待处理的图像进行平滑处理;
步骤3.2:计算每个像素点的梯度幅度和方向;
步骤3.3:采用非极大值抑制方法,找到所有局部梯度极大值同时通过梯度方向找到该像素点的局部最大位置,把不在该极大值处的像素灰度值设置为零;
步骤3.4:采用双阈值Canny法进行边缘轮廓检测,获取车位线轮廓;
步骤3.5:基于车位线轮廓进行霍夫直线变换获取车位线轮廓的线段集B={Li=(ai,bi,ci,di)|i=1,2,…,n},其中,Li表示第i条边缘线段,(ai,bi)和(ci,di)分别表示Li的两个端点;从B中将那些满足的线段挑选出来并构成横线段集H={Lj=(aj,bj,cj,dj,rj,lj)|j=1,2,…,nH},其中,rj为Lj的类别系数且lj为Lj的长度,nH表示H中线段的数量;同时从B中将那些满足的线段挑选出来构成竖线段集V={Lk=(ak,bk,ck,dk,rk,lk)|k=1,2,…,nV},其中,(ak,bk)和(ck,dk)分别表示Lk的两个端点,rk为Lk的类别系数且lk为Lk的长度,nV表示V中线段的数量;
步骤3.6:将满足公式(1)和(2)的线段从H中删除,同时将满足公式(3)和(4)的线段从V中删除;
其中,RH和RV表示线段类别置信度;
步骤3.7:根据步骤3.6得到的V中的线段拟合出一条直线Lv,该直线满足式(5);同样,根据步骤3.6得到的H中的线段拟合出一条直线Lh,该直线满足式(6);
其中,xk1表示直线y=bk与Lv的交点的横坐标,xk2表示直线y=dk与Lv的交点的横坐标,(ak,bk,ck,dk)∈V;yj1表示直线x=aj与Lh的交点的纵坐标,yj2表示直线x=cj与Lh的交点的纵坐标,(aj,bj,cj,dj)∈H;
步骤3.8:计算直线Lv和Lh的交点,即为区域Rt的角点坐标,记为(xt,yt)。
本发明的有益效果是:本发明能有效排除车辆、光线、障碍物的干扰,利用图像处理准确地检测出停车线及停车位角点,从而完成停车位的检测,维护简单且成本低。
附图说明
图1为本发明的实施例选取的地下车库图像;
图2为本发明的经过光照补偿处理的停车线检测效果对比图像;
图3为本发明的经过步骤2处理的停车线图像;
图4为本发明的经过步骤3.4处理的停车线图像;
图5为本发明的经过步骤3.5处理的停车线图像;
图6为本发明的经过步骤3.7处理的停车线图像;
图7为本发明的经过步骤3.8处理的停车线图像;
图8为本发明的经过步骤5处理的停车位图像。
具体实施方式
下面结合实施例来详细阐述本发明的基于图像处理的地下车库停车位检测方法的具体实施方式。
基于图像处理的地下车库停车位检测方法,具体包括如下步骤:
步骤1:通过YOLOv3深度学习模型检测出停车位角点区域,并将检测到的m个角点矩形区域集合记为A={Rt|t=1,2,…,m},其中,Rt表示第t个角点矩形区域;若角点矩形区域光照不均,对其进行光照补偿,通过直方图均衡化,对图像进行矫正;
步骤2:采用自适应均值方法对每个区域Rt的子图像进行二值化;
步骤3:对每个区域Rt的子图像进行角点检测,具体如下:
步骤3.1:用高斯滤波器对待处理的图像进行平滑处理;
步骤3.2:计算每个像素点的梯度幅度和方向;
步骤3.3:采用非极大值抑制方法,找到所有局部梯度极大值同时通过梯度方向找到该像素点的局部最大位置,把不在该极大值处的像素灰度值设置为零;
步骤3.4:采用双阈值Canny法进行边缘轮廓检测,获取车位线轮廓;
步骤3.5:基于车位线轮廓进行霍夫直线变换获取车位线轮廓的线段集B={Li=(ai,bi,ci,di)|i=1,2,…,n},其中,Li表示第i条边缘线段,(ai,bi)和(ci,di)分别表示Li的两个端点;从B中将那些满足的线段挑选出来并构成横线段集H={Lj=(aj,bj,cj,dj,rj,lj)|j=1,2,…,nH},其中,rj为Lj的类别系数且lj为Lj的长度,nH表示H中线段的数量;同时从B中将那些满足的线段挑选出来构成竖线段集V={Lk=(ak,bk,ck,dk,rk,lk)|k=1,2,…,nV},其中,(ak,bk)和(ck,dk)分别表示Lk的两个端点,rk为Lk的类别系数且lk为Lk的长度,nV表示V中线段的数量;
步骤3.6:将满足公式(1)和(2)的线段从H中删除,同时将满足公式(3)和(4)的线段从V中删除;
其中,RH和RV表示线段类别置信度;
步骤3.7:根据步骤3.6得到的V中的线段拟合出一条直线Lv,该直线满足式(5);同样,根据步骤3.6得到的H中的线段拟合出一条直线Lh,该直线满足式(6);
其中,xk1表示直线y=bk与Lv的交点的横坐标,xk2表示直线y=dk与Lv的交点的横坐标,(ak,bk,ck,dk)∈V;yj1表示直线x=aj与Lh的交点的纵坐标,yj2表示直线x=cj与Lh的交点的纵坐标,(aj,bj,cj,dj)∈H;
步骤3.8:计算直线Lv和Lh的交点,即为区域Rt的角点坐标,记为(xt,yt);
步骤4:根据步骤4可得到A中所有角点区域的角点坐标,将它们按照横坐标排序,从而构成有序的角点坐标集Q={(xt,yt)|t=1,2,…,m};
步骤5:若m=1,则无车位;否则,可得满足式(7)车位集合Y={(xiL,yiL,xiR,yiR)|i=1,2,…,nY};
其中,其中(xiL,yiL)表示第i个停车位的左角点坐标,(xiR,yiR)表示第i个停车位的右角点坐标,δ0和δ1分别表示事先标定的车位最小宽度和最大宽度,单位为像素,在本实施例中,δ0和δ1分别取825像素和975像素。

Claims (3)

1.一种基于图像处理的地下车库停车位检测方法,其特征在于,包括如下步骤:
步骤1:通过YOLOv3深度学习模型检测出停车位角点区域,并将检测到的m个角点矩形区域集合记为A={Rt|t=1,2,…,m},其中,Rt表示第t个角点矩形区域;
步骤2:采用自适应均值方法对每个区域Rt的子图像进行二值化;
步骤3:对每个区域Rt的子图像进行角点检测;
步骤4:根据步骤3可得到A中所有角点区域的角点坐标,将它们按照横坐标排序,从而构成有序的角点坐标集Q={(xt,yt)|t=1,2,…,m};
步骤5:若m=1,则无车位;否则,可得满足式(7)车位集合Y={(xiL,yiL,xiR,yiR)|i=1,2,…,nY};
其中,其中(xiL,yiL)表示第i个停车位的左角点坐标,(xiR,yiR)表示第i个停车位的右角点坐标,δ0和δ1分别表示事先标定的车位最小宽度和最大宽度,单位为像素。
2.根据权利要求1所述的一种基于图像处理的地下车库停车位检测方法,其特征在于,所述步骤1中若角点矩形区域光照不均,对其进行光照补偿,通过直方图均衡化,对图像进行矫正。
3.根据权利要求1所述的一种基于图像处理的地下车库停车位检测方法,其特征在于,所述步骤3具体步骤如下:
步骤3.1:用高斯滤波器对待处理的图像进行平滑处理;
步骤3.2:计算每个像素点的梯度幅度和方向;
步骤3.3:采用非极大值抑制方法,找到所有局部梯度极大值同时通过梯度方向找到该像素点的局部最大位置,把不在该极大值处的像素灰度值设置为零;
步骤3.4:采用双阈值Canny法进行边缘轮廓检测,获取车位线轮廓;
步骤3.5:基于车位线轮廓进行霍夫直线变换获取车位线轮廓的线段集B={Li=(ai,bi,ci,di)|i=1,2,…,n},其中,Li表示第i条边缘线段,(ai,bi)和(ci,di)分别表示Li的两个端点;从B中将那些满足的线段挑选出来并构成横线段集H={Lj=(aj,bj,cj,dj,rj,lj)|j=1,2,…,nH},其中,rj为Lj的类别系数且lj为Lj的长度,nH表示H中线段的数量;同时从B中将那些满足的线段挑选出来构成竖线段集V={Lk=(ak,bk,ck,dk,rk,lk)|k=1,2,…,nV},其中,(ak,bk)和(ck,dk)分别表示Lk的两个端点,rk为Lk的类别系数且lk为Lk的长度,nV表示V中线段的数量;
步骤3.6:将满足公式(1)和(2)的线段从H中删除,同时将满足公式(3)和(4)的线段从V中删除;
其中,RH和RV表示线段类别置信度;
步骤3.7:根据步骤3.6得到的V中的线段拟合出一条直线Lv,该直线满足式(5);同样,根据步骤3.6得到的H中的线段拟合出一条直线Lh,该直线满足式(6);
其中,xk1表示直线y=bk与Lv的交点的横坐标,xk2表示直线y=dk与Lv的交点的横坐标,(ak,bk,ck,dk)∈V;yj1表示直线x=aj与Lh的交点的纵坐标,yj2表示直线x=cj与Lh的交点的纵坐标,(aj,bj,cj,dj)∈H;
步骤3.8:计算直线Lv和Lh的交点,即为区域Rt的角点坐标,记为(xt,yt)。
CN201910569647.9A 2019-06-27 2019-06-27 一种基于图像处理的地下车库停车位检测方法 Active CN110232835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910569647.9A CN110232835B (zh) 2019-06-27 2019-06-27 一种基于图像处理的地下车库停车位检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910569647.9A CN110232835B (zh) 2019-06-27 2019-06-27 一种基于图像处理的地下车库停车位检测方法

Publications (2)

Publication Number Publication Date
CN110232835A true CN110232835A (zh) 2019-09-13
CN110232835B CN110232835B (zh) 2020-11-13

Family

ID=67857566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910569647.9A Active CN110232835B (zh) 2019-06-27 2019-06-27 一种基于图像处理的地下车库停车位检测方法

Country Status (1)

Country Link
CN (1) CN110232835B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110544386A (zh) * 2019-09-18 2019-12-06 奇瑞汽车股份有限公司 车位识别方法、装置及存储介质
CN112036385A (zh) * 2020-11-04 2020-12-04 天津天瞳威势电子科技有限公司 库位修正方法、装置、电子设备及可读存储介质
CN112084900A (zh) * 2020-08-26 2020-12-15 浙江工业大学 一种基于视频分析的地下车库乱停检测方法
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
CN112634650A (zh) * 2020-12-18 2021-04-09 中标慧安信息技术股份有限公司 基于音视频监控的停车场管理方法和系统
CN112738470A (zh) * 2020-12-25 2021-04-30 太原理工大学 一种高速公路隧道内停车检测的方法
CN112767425A (zh) * 2020-12-30 2021-05-07 智车优行科技(北京)有限公司 一种基于视觉的车位检测方法及装置
CN113129634A (zh) * 2019-12-31 2021-07-16 中移物联网有限公司 一种停车位的获取方法、系统及通信设备
CN113516870A (zh) * 2021-05-17 2021-10-19 上海欧菲智能车联科技有限公司 待泊车位确定方法、装置、自动泊车设备和存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060008487A (ko) * 2004-07-21 2006-01-27 현대자동차주식회사 자동 주차 방법
CN101800890A (zh) * 2010-04-08 2010-08-11 北京航空航天大学 一种高速公路监控场景下多车辆视频跟踪方法
CN102592114A (zh) * 2011-12-26 2012-07-18 河南工业大学 复杂路况的车道线特征提取、识别方法
JPWO2011024220A1 (ja) * 2009-08-26 2013-01-24 三菱電機株式会社 駐車支援装置
CN103177246A (zh) * 2013-03-26 2013-06-26 北京理工大学 基于动态区域划分的双模型车道线识别方法
CN103729837A (zh) * 2013-06-25 2014-04-16 长沙理工大学 一种单个路况摄像机的快速标定方法
CN105096298A (zh) * 2014-05-08 2015-11-25 东北大学 一种基于快速直线提取的网格特征点提取方法
CN106373426A (zh) * 2016-09-29 2017-02-01 成都通甲优博科技有限责任公司 基于计算机视觉的停车位及违规占道停车监控方法
CN108154114A (zh) * 2017-12-22 2018-06-12 温州大学激光与光电智能制造研究院 一种车道线检测的方法
CN108986122A (zh) * 2018-08-01 2018-12-11 重庆大学 室内泊车引导地图智能重构方法
CN109243289A (zh) * 2018-09-05 2019-01-18 武汉中海庭数据技术有限公司 高精度地图制作中地下车库停车位提取方法及系统
CN109886896A (zh) * 2019-02-28 2019-06-14 闽江学院 一种蓝色车牌分割与矫正方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060008487A (ko) * 2004-07-21 2006-01-27 현대자동차주식회사 자동 주차 방법
JPWO2011024220A1 (ja) * 2009-08-26 2013-01-24 三菱電機株式会社 駐車支援装置
CN101800890A (zh) * 2010-04-08 2010-08-11 北京航空航天大学 一种高速公路监控场景下多车辆视频跟踪方法
CN102592114A (zh) * 2011-12-26 2012-07-18 河南工业大学 复杂路况的车道线特征提取、识别方法
CN103177246A (zh) * 2013-03-26 2013-06-26 北京理工大学 基于动态区域划分的双模型车道线识别方法
CN103729837A (zh) * 2013-06-25 2014-04-16 长沙理工大学 一种单个路况摄像机的快速标定方法
CN105096298A (zh) * 2014-05-08 2015-11-25 东北大学 一种基于快速直线提取的网格特征点提取方法
CN106373426A (zh) * 2016-09-29 2017-02-01 成都通甲优博科技有限责任公司 基于计算机视觉的停车位及违规占道停车监控方法
CN108154114A (zh) * 2017-12-22 2018-06-12 温州大学激光与光电智能制造研究院 一种车道线检测的方法
CN108986122A (zh) * 2018-08-01 2018-12-11 重庆大学 室内泊车引导地图智能重构方法
CN109243289A (zh) * 2018-09-05 2019-01-18 武汉中海庭数据技术有限公司 高精度地图制作中地下车库停车位提取方法及系统
CN109886896A (zh) * 2019-02-28 2019-06-14 闽江学院 一种蓝色车牌分割与矫正方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
CHEN, JY(CHEN, JIAN-YU),HSU CM(HSU CHIH-MING): "《A visual method for the detection of Available Parking Slots》", 《 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS MAN AND CYBERNETICS CONFERENCE PROCEEDINGS》 *
J. MATAS, C. GALAMBOS, J. KITTLER: "《Robust Detection of Lines Using the Progressive Probabilistic Hough Transform》", 《COMPUTER VISION AND IMAGE UNDERSTANDING》 *
伍玲玲,林志贤,郭太良: "《基于叠加约束的Hough 变换车道线检测研究》", 《有线电视技术》 *
张啸尘: "《基于计算机视觉的车位检测与倒车辅助算法的研究与实现》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
胡立华,张继福: "《基于图像的四边形自动检测方法》", 《小型微型计算机系统》 *
马伟: "《基于机器视觉的泊车位检测关键技术研究》", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
高飞,梅凯城,高炎,卢书芳,肖刚: "《城市交叉路口背景提取与车道标定算法》", 《中国图像图形学报》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110544386A (zh) * 2019-09-18 2019-12-06 奇瑞汽车股份有限公司 车位识别方法、装置及存储介质
CN113129634B (zh) * 2019-12-31 2022-05-20 中移物联网有限公司 一种停车位的获取方法、系统及通信设备
CN113129634A (zh) * 2019-12-31 2021-07-16 中移物联网有限公司 一种停车位的获取方法、系统及通信设备
CN112084900A (zh) * 2020-08-26 2020-12-15 浙江工业大学 一种基于视频分析的地下车库乱停检测方法
CN112036385A (zh) * 2020-11-04 2020-12-04 天津天瞳威势电子科技有限公司 库位修正方法、装置、电子设备及可读存储介质
CN112036385B (zh) * 2020-11-04 2021-02-02 天津天瞳威势电子科技有限公司 库位修正方法、装置、电子设备及可读存储介质
CN112634650A (zh) * 2020-12-18 2021-04-09 中标慧安信息技术股份有限公司 基于音视频监控的停车场管理方法和系统
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
CN112738470A (zh) * 2020-12-25 2021-04-30 太原理工大学 一种高速公路隧道内停车检测的方法
CN112738470B (zh) * 2020-12-25 2022-10-21 太原理工大学 一种高速公路隧道内停车检测的方法
CN112767425A (zh) * 2020-12-30 2021-05-07 智车优行科技(北京)有限公司 一种基于视觉的车位检测方法及装置
CN113516870A (zh) * 2021-05-17 2021-10-19 上海欧菲智能车联科技有限公司 待泊车位确定方法、装置、自动泊车设备和存储介质
CN113516870B (zh) * 2021-05-17 2022-11-11 上海欧菲智能车联科技有限公司 待泊车位确定方法、装置、自动泊车设备和存储介质

Also Published As

Publication number Publication date
CN110232835B (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN110232835A (zh) 一种基于图像处理的地下车库停车位检测方法
CN109435942B (zh) 一种基于信息融合的车位线车位识别方法及装置
CN101608924B (zh) 一种基于灰度估计和级联霍夫变换的车道线检测方法
CN104933409B (zh) 一种基于全景图像点线特征的车位识别方法
CN103177246B (zh) 基于动态区域划分的双模型车道线识别方法
CN104008645B (zh) 一种适用于城市道路车道线预测及预警方法
CN112084900B (zh) 一种基于视频分析的地下车库乱停检测方法
CN107045629A (zh) 一种多车道线检测方法
CN106156723B (zh) 一种基于视觉的路口精定位方法
CN109299674B (zh) 一种基于车灯的隧道违章变道检测方法
CN100414560C (zh) 基于小波变换和雷登变换的车牌提取方法
CN104036262B (zh) 一种lpr车牌筛选识别的方法和系统
CN107862290A (zh) 车道线检测方法及系统
CN103730015B (zh) 交叉路口车流量检测方法及装置
CN106887004A (zh) 一种基于块匹配的车道线检测方法
CN109886175B (zh) 一种直线与圆弧相结合的车道线检测方法
CN103077384A (zh) 一种车标定位识别的方法与系统
CN105654073A (zh) 一种基于视觉检测的速度自动控制方法
CN108198417B (zh) 一种基于无人机的道路巡检系统
CN104700072A (zh) 基于车道线历史帧的识别方法
CN103440785B (zh) 一种快速的车道偏移警示方法
CN104063877A (zh) 一种候选车道线混合判断识别方法
CN103544489A (zh) 一种车标定位装置及方法
CN103902985A (zh) 一种基于roi的强鲁棒性实时车道侦测算法
CN105966314B (zh) 基于双低成本摄像头的车道偏离预警方法

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