CN110414355A - 基于视觉的右方位空停车位与泊车过程中车位线检测方法 - Google Patents
基于视觉的右方位空停车位与泊车过程中车位线检测方法 Download PDFInfo
- Publication number
- CN110414355A CN110414355A CN201910566090.3A CN201910566090A CN110414355A CN 110414355 A CN110414355 A CN 110414355A CN 201910566090 A CN201910566090 A CN 201910566090A CN 110414355 A CN110414355 A CN 110414355A
- Authority
- CN
- China
- Prior art keywords
- parking stall
- image
- line
- angle
- vehicle
- 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 37
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000006243 chemical reaction Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000009434 installation Methods 0.000 claims description 12
- 238000013459 approach Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000001154 acute effect Effects 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000003628 erosive effect Effects 0.000 claims description 4
- 230000003447 ipsilateral effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000011897 real-time detection Methods 0.000 description 3
- 238000009738 saturating Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
基于视觉的右方位空停车位与泊车过程中车位线检测方法,该方法包括以下步骤:第一步、将检测车位摄像头采集到的图像,从正常视角转换为鸟瞰图的形式,便于车位检测。第二步、图像预处理;第三步、停车位特征提取;第四步、停车位检测;第五步、坐标转换及停车位信息输出,具体有益效果如下:本发明在检测过程不依赖相邻汽车的停放而仅依赖于车位线。采用四个摄像头同时采集,避免了很多视野盲区。针对车位的检测,将其从正常视角转换成俯视图,更方便于车位的采集。对于车位和进入车位后对左右后车位线的检测,都能实时提供车位和车位线相对车的距离信息和角度信息,为后续自动泊车中路径规划提供有效数据。
Description
技术领域
本发明涉及一种基于视觉的右方位空停车位检测与泊车过程中车位线的检测方法。
背景技术
近年来,随着经济的迅猛发展和人民生活水平的日益提高,汽车已经进入更多人的生活中来。随着汽车的增多,很多城市都出现了“一位难求”的现象。停车位在交通系统中起着十分重要的作用,无论是停车场的车位管理,还是智能交通中的自动泊车其核心都需要对停车位进行检测。然后现有的车位检测都是基于一些红外、超声传感器来实现,而这则必须要在前后左右都有车的情况下才能实现,因此,基于视觉的停车位检测与识别在交通系统中的意义就变得越来越重要。
发明内容
发明目的:
本发明提供一种基于视觉的右方位空停车位与泊车过程中车位线的检测法,其目的是解决了现有技术的不足,为后续自动泊车中路径规划提供了有效依据。本发明的目的通过以下方式来实现:
技术方案:
一种基于视觉的右方位空停车位的检测方法,其特征在于:该方法包括以下步骤:
第一步、将检测车位摄像头采集到的图像,从正常视角转换为鸟瞰图的形式,便于车位检测。
第二步、图像预处理:对第一步中视角转换后的图像进行预处理,依次进行如下处理步骤:将彩色图像转换为灰度图像、通过改变图像水平方向的像素数和垂直方向的像素数来改变图像大小的操作;
第三步、停车位特征提取:针对第二步中预处理之后的图像中停车位与背景的差异,对预处理后的图像进行阈值分割与形态学运算,初步筛选出停车位;
第四步、停车位检测:对第三步中初步筛选出的停车位进行二次阈值筛选,根据停车位的规定大小,通过阈值和车位长宽比,准确筛选出停车位;
第五步、坐标转换及停车位信息输出:利用第四步中筛选出检测的车位,计算出车位与车之间的距离关系,车位长宽,以及车相对车位偏转的角度;再进行坐标系转换,即将检测到车位的图像从图像坐标系转换成以停车位为基准的空间坐标系(如附图1),输出偏航角与车辆坐标。
第一步中检测车位摄像头的安装与标定:在车辆上安装检测车位的摄像头,在安装完摄像头后用棋盘标定板对摄像头进行标定,目的是为第五步中输出的停车位距离和角度信息提供数据。
第二步、图像视角转换:
摄像头的标定和检测车位采集图像是分开进行的。再完成摄像头的标定后,开始采集图像。
车位要在无遮挡、无干扰的环境中采集。
第一步中摄像头的安装方式:
将拍摄车位的摄像头安装在车顶靠右侧能够拍摄到车位的位置;保证该摄像头拍摄到的图像下底边与车辆右侧前后轮中心的连线保持平行;
第一步中摄像头安装完成后进行标定,标定方式:将车辆开到空旷的位置,在车的右侧摆放一个长3m,宽3m的棋盘标定板,棋盘标定板中每个正方形小格的边长为20cm,保证摄像头能拍摄到完整的棋盘标定板,且标定板的一边与摄像机拍摄到的图像下底边平行;
摄像头标定后,选取标定板边缘的四个顶点作为输入坐标点,设定四个输出点,求得透视转换矩阵A,再将透视变换矩阵A在程序中保留下来应用到后续每一帧图像中,完成鸟瞰图的变换。
第一步中从正常视角转换为鸟瞰图的透视变换方法为:
这里是对如何求得透视转换矩阵A的详细讲解。
利用如下公式:
[x y z]=[u v 1]*A
(u v)为原始图像(二维空间)上的输入坐标点,(x y z)为变换到的三维空间上一点,A为透视变换矩阵。
透视变换是一个从二维空间变换到三维空间的转换,因为转换后的图像在二维平面,故除以z,用(x′ y′ z′)表示图像上的点。
其中(u v)为原始图像像素坐标即输入坐标点,(x′ y′)为变换之后的图像像素坐标即输出坐标点;利用输入坐标点和输出坐标点来求透视变换矩阵A。
透视变换矩阵
表示图像线性变换;用于产生图像透视变换;
T3=[a31 a32]表示图像平移;a33=1。
根据一对输入输出坐标点,利用公式得方程组:
所以通过设定四个输入坐标点和四个输出坐标点可建立八个方程组,可解得透视变换矩阵A的八个参数。
第三步中停车位特征提取,其具体步骤:
对预处理后的图片进行阈值分割,将图像每隔10个灰度值进行一次阈值分割,再对每一幅阈值分割后的图像进行膨胀腐蚀操作,去除一些干扰,并且连通一些断开的车位线形成二值化结果,对每次二值化后的结果进行轮廓查找与多边形拟合,将找到的所有轮廓筛选一遍,将以下三个要求全部满足的轮廓保留下来:
①轮廓为四边形;
②轮廓面积大于一定像素值,并且是凸包的轮廓;一定像素值为:程序中轮廓面积用像素个数来表示。这个一定像素值通过实验根据实际车位来确定。
③轮廓中三个角的余弦值小于0.2的四边形;
完成停车位的初步筛选。
第四步中停车位检测,其具体步骤:
对初步筛选到的轮廓进行二次阈值筛选,根据国家规定的停车位长和宽的大小,通过对其面积设定阈值来进一步筛选,并且对检测到的车位长宽比进行限制,保证车位长和宽的比例在一定范围之间,比较所有二值图中的轮廓,将面积最大的轮廓作为最终停车位检测结果,通过绘制轮廓函数,自动用黑线在图中描出轮廓,完成最终停车位的检测。
①面积设定阈值取a个像素值到b个像素值之间②长和宽的比例在c到d之间。程序中轮廓面积用像素个数来表示。a,b两个像素值通过实验根据实际车位来确定;c,d两个长度比也通过实验根据实际车位长宽来确定。
第五步中坐标系转换及停车位信息输出,其具体步骤:
找到的轮廓,在程序中用序列形式来存储轮廓信息,停车位轮廓上每个点都会被保存,四边形拟合后会保存停车位轮廓的四个角点分别为a、a′、a″、a″′,如附图1所示。分别找到车位长的两个端点分别为a、a′;车位宽的两个端点分别为a′、a″,如附图1所示。通过a、a′、a″的坐标点求得车位的长宽,在以车位的底边a′a″为基准求得车位距车的距离,以车位的左侧边aa′为基准,如附图1所示。利用停车位左侧边两端点a、a′求得车位线偏转的角度,即为车偏离的角度;
再将检测到车位的图像从图像坐标系转换到以停车位为基准的空间坐标系。取车位中靠近车的车位线为底边,取底边中点为坐标原点o,以车位底边为x轴,垂直底边向车辆方向为y轴正半轴建立坐标系,如附图1所示;把车的两后轮连线的中心作为车辆坐标o′,连接原点与两后车轮的中心即为直线oo′,以y轴正半轴和直线oo′之间顺时针方向取夹角,这之间的角度即为车辆偏航角,如附图1所示。
取得车偏离的角度和停车位相关距离信息的方法如下:
为了得到停车位的实际长宽信息和停车位与车之间的实际距离信息,在第一步透视变换利用棋盘标定的时候,保留一张带有棋盘的图片,来计算实际距离。将第一步中保留的带有棋盘标定板的标定图,根据透视转换矩阵转换成俯视图,因为透视变换是线性变换,根据棋盘角点找出每20cm所占据的像素值,进行求和平均,即可求得每个像素代表的实际厘米值。再根据停车位检测找到的轮廓,经过多边形拟合后,会将停车位的四个角点以向量的形式保存下来,根据停车位的四个角点可求得车位长宽代表的像素值,再乘以标定算出的每像素代表的厘米值,即可求得车位实际长宽。以停车位靠近车的边为基准,找到车位底边中心的像素值,乘以标定结果,即可求得车位距车的距离。以车位的左侧边为基准,利用左侧线的两个端点(u1 v1),(u2 v2)即可求得直线的角度,即车相对车位偏离的角度θ,其中
第五步之后,在向车位内停车的过程中,再对车位线进行检测,具体过程如下:
相机安装,其具体步骤:
左右两个摄像头安装在车辆的左右后视镜下方,将摄像头的镜头平面平行于地面安装;后侧的摄像头安装在后备箱车标中心位置,将摄像头镜头向下与地面呈10~15度安装,使摄像头能够完整的拍到车线即可。
第六步,利用安装在车辆的左右后视镜下方的左右两个摄像头采集左右两侧的车位线图像,利用安装在后备箱中部的摄像头采集后方车位线的图像;
第七步,图像预处理,其具体步骤:
先对第六步中采集的图像进行灰度化,再改变图像大小(具体过程同第二步);之后截取图像中需要处理的区域,删除车体部分。再使用滤波函数,将图像模糊,去除图像中的噪声干扰,运用canny算子,画出图像中的边缘信息,将车位线的边缘检测出来,最后使用膨胀操作,将检测到的边缘线进行加粗;
第八步、车位线检测,其具体步骤:
针对第七步中处理之后的图像,使用霍夫直线检测,画出二值图像中所有的线段,①通过角度(该角度指以同侧前后车轮中心连线为基准线,所检测到线段与该基准线所成的锐角)判断,删掉角度大于7度的线段。②筛选出间距在t1像素值和t2像素值内,角度(该角度指所检测到线段相互之间所成的锐角)之差小于4度的两条线段,t1、t2通过实验根据实际车位线宽确定。③选取两条线段的左端点,判断两端点水平距离小于200个像素值的两条线段。
最后将同时满足以上三点的两条线段,选取两条线段的两个端点,分别取两个左端点的中点和两个右端点的中点,通过程序利用两个中点画出一条线段即为倒车过程中的车辆左右两侧车位线。
第九步、车位线信息输出,其具体步骤:
在第六步中,每安装完一个摄像头,都单独用棋盘进行标定。将棋盘平行于车体摆放在车的左、右、后的位置,分别标定三个摄像机。每次标定都在棋盘上选取6到7个角点,测出每个角点距离车边的实际距离,再在摄像机拍摄的图像中找到它们的像素值。利用最小二乘法根据每个角点像素值与实际距离的这几组数据拟合出一条二次曲线y=ax2+bx+c,即可得出图像中每个像素点与其在实际中距离的关系。利用找到的车位线,通过二次曲线可得到车位线距离车体的距离,再选取第八步中检测出的车位线的两个端点坐标,算出车位线相对于车的偏转角度,确定车的偏转角度。
通过多线程操作,同时调用四个摄像头,均能达到实时检测,实时更新车位及车位线的数据。
优点效果:
基于视觉的右方位空停车位与泊车过程中车位线的检测法,步骤如下:
(1)相机的安装与标定:
四个摄像头多路采集,每安装一个摄像头都单独用棋盘标定板对摄像头标定,方便后续测量距离和角度。
(2)图像视角转换:
将拍摄车位摄像头采集到的图像,将图像从正常视角转换为鸟瞰图的形式,便于车位检测。
(3)图像预处理:
对视角转换后的图像进行预处理,包括将彩色图像转为灰度图,改变图像大小。
(4)停车位特征提取
针对第三步预处理之后的图像中停车位与背景的差异,对预处理后的图像进行阈值分割与形态学运算,初步筛选出停车位
(5)停车位检测
对初步筛选出的停车位进行二次阈值筛选,根据停车位的规定大小,通过面积阈值和车位长宽比,准确筛选出停车位。
(6)停车位信息输出
利用检测出的车位,计算出车位与车之间的距离关系,车位长宽,以及车左偏右偏的角度。
作为进一步优化,整个检测过程中,车位要在无遮挡、无干扰的环境中采集。
作为进一步优化,步骤(1)中相机的安装方式为将拍摄车位的摄像头安装在车顶靠右侧合适的位置;保证该摄像头拍摄到的图像下底边与车辆右侧前后轮中心的连线保持平行。
作为进一步优化,步骤(2)中图像视角转换是先进行摄像头标定,将车辆开到空旷的位置,在车的右侧摆放一个长3m,宽3m的棋盘标定板,棋盘标定板中每个正方形小格的边长为20cm,,保证摄像头能拍摄到完整的棋盘标定板,且标定板的一边与摄像机拍摄到的图像下底边平行。选取标定板边缘的四个顶点作为输入坐标点,设定四个输出点,求得透视转换矩阵A,再将透视变换矩阵A在程序中保留下来应用到后续每一帧图像中,完成鸟瞰图的变换。这种视角转换更有利于车位检测。
作为进一步优化,步骤(4)中停车位特征提取,其步骤包括:
对预处理后的图片进行阈值分割,将图像每隔10个灰度值进行一次阈值分割,再对每一幅阈值分割后的图像进行膨胀腐蚀操作,去除一些干扰,并且连通一些断开的车位线,对每次二值化后的结果进行轮廓查找与多边形拟合,将找到的所有轮廓筛选一遍,保留是四边形的,面积大于一定像素值,并且是凸包的轮廓,程序中轮廓面积用像素个数来表示。这个一定像素值通过实验根据实际车位来确定。然后计算这些轮廓中三个角的余弦值小于0.2的四边形,完成停车位的初步筛选。
作为进一步优化,步骤(5)中停车位检测,其步骤包括:
对初步筛选到的停车位进行二次阈值筛选,根据国家规定的停车位长和宽的大小,通过对其面积设定阈值来进一步筛选,并且对检测到的车位长宽比进行限制,保证长和宽的比例在c到d之间。c,d两个长度比通过实验根据实际车位长宽来确定,完成最终停车位的检测。
作为进一步优化,步骤(6)中坐标转换及停车位信息输出,包括:
找到的轮廓,在程序中一般会用序列来存储轮廓信息,停车位轮廓上每个点都会被保存,四边形拟合后会保存停车位的四个角点,分别为a、a′、a″、a″′,如附图1所示。分别找到车位长的两个端点分别为a、a′;车位宽的两个端点分别为a′、a″,如附图1所示。通过a、a′、a″的坐标点求得车位的长宽,在以车位的底边a′a″为基准求得车位距车的距离,以车位的左侧边aa′为基准,如附图1所示。利用停车位左侧边两端点a、a′求得车位线偏转的角度,即为车偏离的角度。
再将检测到车位的图像从图像坐标系转换到以停车位为基准的空间坐标系。取车位中靠近车的车位线为底边,取底边中点为坐标原点o,以车位底边为x轴,垂直底边向车辆方向为y轴正半轴建立坐标系,如附图1所示;把车的两后轮连线的中心作为车辆坐标o′,连接原点与两后车轮的中心即为直线oo′,以y轴正半轴和直线oo′之间顺时针方向取夹角,这之间的角度即为车辆偏航角,如附图1所示。
此外,被发明的另一个目的还提出了当检测到车位后,车进入停车位过程中,对左右后车位线进行检测,其步骤如下:
(a)图像预处理:对采集的图像进行灰度化,改变图像大小,图像裁剪,图像模糊,图像的边缘检测和形态学运算。
(b)车位线检测
针对车位线与其它背景的差异,在提取到的背景图像中进行直线检测和提取。
(c)车位线信息输出
利用检测出的车位线,计算出车位线与车之间的距离关系和偏转角度。
作为进一步优化,步骤(a)中图像预处理包括改变将彩色图像,转变为灰度图像,然后图像大小,减少程序的计算量。之后截取图像中需要处理的区域,删除车体部分,再使用滤波函数,将图像模糊,去除图像中的噪声干扰,运用canny算子,画出图像中的边缘信息,将车位线的边缘检测出来,最后使用膨胀操作,将检测到的边缘线进行加粗。
作为进一步优化,步骤(b)中车位线检测,其具体步骤:
使用霍夫直线检测,画出二值图像中所有的线段,①通过角度判断,以车体为基准,删掉角度大于7度的线段。②筛选出间距在t1像素值和t2像素值内,角度之差小于4度的两条线段,t1、t2通过实验根据实际车位线宽确定。③选取两条线段的左端点,判断两端点水平距离小于200个像素值的两条线段。
最后将同时满足以上三点的两条线段,选取两条线段的两个端点,分别取两个左端点的中点和两个右端点的中点,通过程序利用两个中点画出一条线段即为倒车过程中的车辆左右两侧车位线。
作为进一步优化,步骤(c)中车位线信息输出,其具体步骤:
根据权利要求1中,第六步中的相机标定,每安装完一个摄像头,都单独用棋盘进行标定。将棋盘平行于车体摆放在车的左、右、后的位置,分别标定三个摄像机。每次标定都在棋盘上选取6到7个角点,测出每个角点距离车边的实际距离,再在摄像机拍摄的图像中找到它们的像素值。利用最小二乘法根据每个角点像素值与实际距离的这几组数据拟合出一条二次曲线y=ax2+bx+c,即可得出图像中每个像素点与其在实际中距离的关系。利用找到的车位线,通过二次曲线可得到车位线距离车体的距离,再利用车位线的两个端点坐标算出车位线的偏转角度,确定车的偏转角度。
具体有益效果如下:
1.本发明在检测过程不依赖相邻汽车的停放而仅依赖于车位线。
2.采用四个摄像头同时采集,避免了很多视野盲区。
3.针对车位的检测,将其从正常视角转换成俯视图,更方便于车位的采集。
4.对于车位和进入车位后对左右后车位线的检测,都能实时提供车位和车位线相对车的距离信息和角度信息,为后续自动泊车中路径规划提供有效数据。
附图说明:
图1为车位坐标系与车的关系图。
图2为转换坐标系后的情况分类图。
图3为停车位特征提取流程图。
图4为停车位检测流程图。
图5为车位线检测流程图。
具体实施方式
对于本申请中的基于视觉的右方位空停车位检测方法,包括:
1.在车辆上安装检测车位的摄像头,在安装完摄像头后用棋盘标定板对摄像头进行标定,目的是为第五步中输出的停车位距离和角度信息提供标定数据。
2.在采集图像检测车位前,先进行摄像头标定。将车辆开到空旷的位置,在车的右侧摆放一个长3m,宽3m的棋盘标定板,棋盘标定板中每个正方形小格的边长为20cm,保证摄像头能拍摄到完整的棋盘标定板,且标定板的一边与摄像机拍摄到的图像下底边平行。摄像头标定后,选取标定板边缘的四个顶点作为输入坐标点,设定四个输出点,求得透视转换矩阵A。利用公式:
[x y z]=[u v 1]*A
(u v)为原始图像(二维空间)上的输入坐标点,(x y z)为变换到的三维空间上一点,A为透视变换矩阵。
透视变换是一个从二维空间变换到三维空间的转换,因为转换后的图像在二维平面,故除以z,用(x′ y′ z′)表示图像上的点。
其中(u v)为原始图像像素坐标即输入坐标点,(x′ y′)为变换之后的图像像素坐标即输出坐标点;利用输入坐标点和输出坐标点来求透视变换矩阵A。
透视变换矩阵
表示图像线性变换;用于产生图像透视变换;
T3=[a31 a32]表示图像平移;a33=1。
根据一对输入输出坐标点,利用公式可得方程组:
所有通过四个输入坐标点和四个输出坐标点可建立八个方程组,可解得透视变换矩阵A的八个参数。将求得的透视变换矩阵保存下来并应用到后面采集图像的每一帧完成鸟瞰图的变换。
3.对转换后的图像进行预处理:
对视角转换后的图像进行灰度化,并且通过改变图像水平方向的像素数和垂直方向的像素数来改变图像大小。预处理过程主要就是简化图片,方便后续检测。
4.提取图像中停车位的特征,方法包括灰度阈值分割、膨胀和腐蚀的形态学运算、轮廓查找及多边形拟合。
因为车位线都是区别于地面的白线,所以我们从128这个灰度等级开始操作,每隔10个灰度级做一次阈值分割,每个阈值下都生成一幅二值图片。拿灰度级为128为例,将图像中灰度值大于128的部分都取白色,小于128的部分都取黑色。然后对每个阈值下的二值图都进行膨胀和腐蚀操作,通过这两个操作来去除一些干扰,并且能够连接一些断开的车位线形成二值化结果。接着对每幅膨胀腐蚀后的二值图像进行轮廓查找和四边形拟合,对查找到的轮廓点集进行逼近,将找到的所有轮廓筛选一遍,将满足以下三个要求的轮廓保留下来。
①轮廓为四边形。
②轮廓面积大于一定值,并且是凸包的轮廓。程序中轮廓面积用像素个数来表示。这个一定像素值通过实验根据实际车位来确定。
③轮廓中三个角的余弦值小于0.2的四边形。
以上操作完成了停车位的初步筛选。
5.停车位检测,其具体步骤:
对初步筛选到的停车位进行二次阈值筛选,根据国家规定的停车位长和宽的大小,对其面积和长宽比设定阈值来进一步筛选。①面积阈值取a个像素值到b个像素值之间②高和宽的比例在c到d之间。程序中轮廓面积用像素个数来表示。a,b两个像素值通过实验根据实际车位来确定;c,d两个长度比也通过实验根据实际车位来确定。
这样,每个阈值下的二值图都会有符合要求的轮廓,比较所有二值图中的轮廓,将面积最大的轮廓作为最终停车位检测结果,通过绘制轮廓函数,自动用黑线在图中描出轮廓,完成最终停车位的检测。
6.停车位信息输出,其具体步骤:
为了得到停车位的实际长宽信息和停车位与车之间的实际距离信息,在第一步透视变换利用棋盘标定的时候,保留一张带有棋盘的图片,来计算实际距离。将第一步中保留的带有棋盘标定板的标定图,根据透视转换矩阵转换成俯视图,因为透视变换是线性变换,根据棋盘角点找出每20cm所占据的像素值,进行求和平均,即可求得每个像素代表的实际厘米值。再根据停车位检测找到的轮廓,经过多边形拟合后,会将停车位的四个角点以向量的形式保存下来,根据停车位的四个角点可求得车位长宽代表的像素值,再乘以标定算出的每像素代表的厘米值,即可求得车位实际长宽。以停车位靠近车的边为基准,找到车位底边中心的像素值,乘以标定结果,即可求得车位距车的距离。以车位的左侧边为基准,利用左侧线的两个端点(u1 v1),(u2 v2)即可求得直线的角度,即车相对车位偏离的角度θ,其中
再将检测到车位的图像从图像坐标系转换到以停车位为基准的空间坐标系。取车位中靠近车的车位线为底边,取底边中点为坐标原点o,以车位底边为x轴,垂直底边向车辆方向为y轴正半轴建立坐标系,如附图1所示;把车的两后轮连线的中心作为车辆坐标o′,连接原点与两后车轮的中心即为直线oo′,以y轴正半轴和直线oo′之间顺时针方向取夹角,这之间的角度即为车辆偏航角,如附图1所示。
转换坐标系的过程中一共有三类情况,每一类又有3-4种状态。现拿出每一类情况的第一种状态进行说明。
当车与车位平行时,如附图2(a):
偏航角其中d为摄像头到后车轮中心的水平距离,d1为摄像头到车位中心即原点的水平距离。Z为原点距车边的垂直距离,Z1为车体边缘到后轮中心的垂直距离。
车辆坐标(x,y)其中x=-(d+d1);y=z+z1。
当车相对车位右偏时,如附图2(d):
偏航角其中d为摄像头到后车轮中心的水平距离,d1为摄像头到车位中心即原点的水平距离。Z为原点距车边的垂直距离,Z1为车体边缘到后轮中心的垂直距离。θ为车相对车位偏离的角度。
车辆坐标(x,y)其中
当车相对车位左偏时,如附图2(h):
偏航角其中d为摄像头到后车轮中心的水平距离,d1为摄像头到车位中心即原点的水平距离。Z为原点距车边的垂直距离,Z1为车体边缘到后轮中心的垂直距离。θ为车相对车位偏离的角度。
车辆坐标(x,y)其中
此时,对于每个检测到的车位都能够输出车位的长宽、车位距车的距离、车相对车位的偏转角度、车辆坐标以及车的偏航角。
对于本申请中的基于视觉的泊车过程中车位线检测方法,包括:
此方法利用三个摄像头多路采集,摄像头安装方法如下:左右两个摄像头安装在车辆的左右后视镜下方,将摄像头的镜头平面平行于地面安装;后侧的摄像头安装在后备箱车标中心位置,将摄像头镜头向下与地面呈10~15度安装,使摄像头能够完整的拍到车线即可。由于左右后这三个方位的检测车位线方法相同,下面我拿右侧车位线检测为例说明此检测方法。
(a)图像预处理:把右侧摄像机采集到的图像灰度化,并改变图像大小,减少程序的计算量。然后选取像素点对感兴趣的区域进行裁剪,裁掉车体部分保留车位线部分。再利用均值滤波对图像进行模糊处理,模糊掉一些外界干扰,最后利用canny算子,将车位线的边缘检测出来,利用膨胀运算,把检测到的边缘加粗。
(b)车位线检测
针对停车位与其它背景的差异,使用累计概率霍夫变换HoughLinesP,画出预处理后二值图像中所有的线段。通过以下三个判断来筛选出车位线。
①通过角度(该角度指以同侧前后车轮中心连线为基准线,所检测到线段与该基准线所成的锐角)判断,角度大于7度的线段。
②先选择一条线为基准,选择其他的线与其做比较。利用阈值筛选出两条线段垂直间距在t1像素值和t2像素值内,并且角度(该角度指所检测到线段相互之间所成的锐角)之差小于4度的两条线段,t1、t2通过实验根据实际车位线宽确定。。
③先选择一条线的左端点,选择其他的线的左端点与其做比较。筛选出左端点水平距离小于200像素的两条线段。
最后将同时满足以上三点的两条线段,选取两条线段的两个端点,分别取两个左端点的中点和两个右端点的中点,通过程序利用两个中点画出一条线段即为倒车过程中的车辆左右两侧车位线。
(c)车位线信息输出
利用棋盘,将其平行于车体摆放在车的左右后位置,分别标定三个摄像机。每次标定都在棋盘上选取6到7个角点,测出每个角点距离车边的实际距离,并拍摄照片记录其在图像中的像素值,记录6到7组像素坐标及其实际距离,利用最小二乘法拟合出一条二次曲线y=ax2+bx+c,这条曲线就反应了每点像素值与实际距离的关系。再利用筛选到的车位线,找到车位线的中点,利用二次曲线即可得到车位线距离车体的距离,再利用车位线的两个端点坐标算出车位线的偏转角度,确定车的偏转角度。
此方法利用四个摄像机多路采集,能够实时检测右方位空车位并输出车位与车的信息;在泊车过程中能够实时检测左右后三条车位线,并输出车位线信息,为后续自动泊车中路径规划提供有效数据。
根据基于视觉的右方位空停车位检测与泊车过程中车位线的检测方法,做了实验结果如下:
表1:测试说明
车位识别测试结果:
表2车位识别测试结果
表3数据统计及测试结果
车位线检测测试结果如下:表4车位线识别测试结果
表5数据统计及测试结果
最大误差值(cm) | 最小误差值(cm) | 平均误差(cm) | |
右侧测线 | 1.65 | 0.15 | 1.175 |
后侧车线 | 1.45 | 0.05 | 0.531 |
从实验结果来看,检测车位及车位线方法的误差较小,在可接受的范围内。
Claims (10)
1.一种基于视觉的右方位空停车位的检测方法,其特征在于:该方法包括以下步骤:
第一步、将检测车位摄像头采集到的图像,转换为鸟瞰图的形式;
第二步、对第一步中视角转换后的图像进行预处理,依次进行如下处理步骤:将彩色图像转换为灰度图像、通过改变图像水平方向的像素数和垂直方向的像素数来改变图像大小的操作;
第三步、针对第二步中预处理之后的图像中停车位与背景的差异,对预处理后的图像进行阈值分割与形态学运算,初步筛选出停车位;
第四步、对第三步中初步筛选出的停车位进行二次阈值筛选,根据停车位的规定大小,通过阈值和车位长宽比,准确筛选出停车位;
第五步、利用第四步中筛选出检测的车位,计算出车位与车之间的距离关系,车位长宽,以及车相对车位偏转的角度;再进行坐标系转换,即将检测到车位的图像从图像坐标系转换成以停车位为基准的空间坐标系,输出偏航角与车辆坐标。
2.根据权利要求1所述的基于视觉的右方位空停车位的检测方法,其特征在于:第一步中检测车位摄像头的安装与标定:在车辆上安装检测车位的摄像头,在安装完摄像头后用棋盘标定板对摄像头进行标定。
3.根据权利要求2所述的基于视觉的右方位空停车位的检测方法,其特征在于:
第一步中摄像头的安装方式:
将拍摄车位的摄像头安装在车顶靠右侧能够拍摄到车位的位置;保证该摄像头拍摄到的图像下底边与车辆右侧前后轮中心的连线保持平行;
第一步中摄像头安装完成后进行标定,标定方式:将车辆开到空旷的位置,在车的右侧摆放一个长3m,宽3m的棋盘标定板,棋盘标定板中每个正方形小格的边长为20cm,保证摄像头能拍摄到完整的棋盘标定板,且标定板的一边与摄像机拍摄到的图像下底边平行;
摄像头标定后,选取标定板边缘的四个顶点作为输入坐标点,设定四个输出点,求得透视转换矩阵A,再将透视变换矩阵A在程序中保留下来应用到后续每一帧图像中,完成鸟瞰图的变换。
4.根据权利要求3所述的基于视觉的右方位空停车位的检测方法,其特征在于:第一步中从正常视角转换为鸟瞰图的透视变换方法为:
利用如下公式:
[x y z]=[u v 1]*A
(u v)为原始图像(二维空间)上的输入坐标点,(x y z)为变换到的三维空间上一点,A为透视变换矩阵。
透视变换是一个从二维空间变换到三维空间的转换,转换后的图像在二维平面,除以z,用(x′ y′ z′)表示图像上的点。
其中(u v)为原始图像像素坐标即输入坐标点,(x′ y′)为变换之后的图像像素坐标即输出坐标点;利用输入坐标点和输出坐标点来求透视变换矩阵A。
透视变换矩阵
表示图像线性变换;用于产生图像透视变换;
T3=[a31 a32]表示图像平移;a33=1。
根据一对输入输出坐标点,利用公式得方程组:
通过设定四个输入坐标点和四个输出坐标点建立八个方程组,解得透视变换矩阵A的八个参数。
5.根据权利要求1所述的基于视觉的右方位空停车位的检测方法,其特征在于:
第三步中停车位特征提取,其具体步骤:
对预处理后的图片进行阈值分割,将图像每隔10个灰度值进行一次阈值分割,再对每一幅阈值分割后的图像进行膨胀腐蚀操作,去除干扰,并且连通断开的车位线形成二值化结果,对每次二值化后的结果进行轮廓查找与多边形拟合,将找到的所有轮廓筛选一遍,将以下三个要求全部满足的轮廓保留下来:
①轮廓为四边形;
②轮廓面积大于一定像素值,并且是凸包的轮廓;
③轮廓中三个角的余弦值小于0.2的四边形;
完成停车位的初步筛选。
6.根据权利要求5所述的基于视觉的右方位空停车位的检测方法,其特征在于:第四步中停车位检测,其具体步骤:
对初步筛选到的轮廓进行二次阈值筛选,根据国家规定的停车位长和宽的大小,通过对其面积设定阈值来进一步筛选,并且对检测到的车位长宽比进行限制,保证车位长和宽的比例在一定范围之间,比较所有二值图中的轮廓,将面积最大的轮廓作为最终停车位检测结果,通过绘制轮廓函数,自动用黑线在图中描出轮廓,完成最终停车位的检测。
7.根据权利要求6所述的基于视觉的右方位空停车位的检测方法,其特征在于:①面积设定阈值取a个像素值到b个像素值之间②长和宽的比例在c到d之间。程序中轮廓面积用像素个数来表示。a,b两个像素值通过实验根据实际车位来确定;c,d两个长度比也通过实验根据实际车位长宽来确定。
8.根据权利要求6所述的基于视觉的右方位空停车位的检测方法,其特征在于:第五步中坐标系转换及停车位信息输出,其具体步骤:
找到的轮廓,在程序中用序列形式来存储轮廓信息,停车位轮廓上每个点都会被保存,四边形拟合后会保存停车位轮廓的四个角点分别为a、a′、a″、a″′,分别找到车位长的两个端点分别为a、a′;车位宽的两个端点分别为a′、a″,通过a、a′、a″的坐标点求得车位的长宽,在以车位的底边a′a″为基准求得车位距车的距离,以车位的左侧边aa′为基准,利用停车位左侧边两端点a、a′求得车位线偏转的角度,即为车偏离的角度;
再将检测到车位的图像从图像坐标系转换到以停车位为基准的空间坐标系。取车位中靠近车的车位线为底边,取底边中点为坐标原点o,以车位底边为x轴,垂直底边向车辆方向为y轴正半轴建立坐标系,把车的两后轮连线的中心作为车辆坐标o′,连接原点与两后车轮的中心即为直线oo′,以y轴正半轴和直线oo′之间顺时针方向取夹角,这之间的角度即为车辆偏航角。
9.根据权利要求8所述的基于视觉的右方位空停车位的检测方法,其特征在于:取得车偏离的角度和停车位相关距离信息的方法如下:
为了得到停车位的实际长宽信息和停车位与车之间的实际距离信息,在第一步透视变换利用棋盘标定的时候,保留一张带有棋盘的图片,来计算实际距离。将第一步中保留的带有棋盘标定板的标定图,根据透视转换矩阵转换成俯视图,根据棋盘角点找出每20cm所占据的像素值,进行求和平均,即求得每个像素代表的实际厘米值。再根据停车位检测找到的轮廓,经过多边形拟合后,会将停车位的四个角点以向量的形式保存下来,根据停车位的四个角点可求得车位长宽代表的像素值,再乘以标定算出的每像素代表的厘米值,即可求得车位实际长宽。以停车位靠近车的边为基准,找到车位底边中心的像素值,乘以标定结果,即可求得车位距车的距离。以车位的左侧边为基准,利用左侧线的两个端点(u1 v1),(u2v2)即可求得直线的角度,即车相对车位偏离的角度θ,其中
10.根据权利要求1所述的基于视觉的右方位空停车位的检测方法,其特征在于:
第五步之后,在向车位内停车的过程中,再对车位线进行检测,具体过程如下:
第六步,利用安装在车辆的左右后视镜下方的左右两个摄像头采集左右两侧的车位线图像,利用安装在后备箱中部的摄像头采集后方车位线的图像;
第七步,图像预处理,其具体步骤:
先对第六步中采集的图像进行灰度化,再改变图像大小;之后截取图像中需要处理的区域,删除车体部分。再使用滤波函数,将图像模糊,去除图像中的噪声干扰,运用canny算子,画出图像中的边缘信息,将车位线的边缘检测出来,最后使用膨胀操作,将检测到的边缘线进行加粗;
第八步、车位线检测,其具体步骤:
针对第七步中处理之后的图像,使用霍夫直线检测,画出二值图像中所有的线段,①通过角度(该角度指以同侧前后车轮中心连线为基准线,所检测到线段与该基准线所成的锐角)判断,删掉角度大于7度的线段。②筛选出间距在t1像素值和t2像素值内,角度(该角度指所检测到线段相互之间所成的锐角)之差小于4度的两条线段,t1、t2通过实验根据实际车位线宽确定。③选取两条线段的左端点,判断两端点水平距离小于200个像素值的两条线段。
最后将同时满足以上三点的两条线段,选取两条线段的两个端点,分别取两个左端点的中点和两个右端点的中点,通过程序利用两个中点画出一条线段即为倒车过程中的车辆左右两侧车位线。
第九步、车位线信息输出,其具体步骤:
在第六步中,每安装完一个摄像头,都单独用棋盘进行标定。每次标定都在棋盘上选取6到7个角点,测出每个角点距离车边的实际距离,再在摄像机拍摄的图像中找到它们的像素值。利用最小二乘法根据每个角点像素值与实际距离的这几组数据拟合出一条二次曲线y=ax2+bx+c,即可得出图像中每个像素点与其在实际中距离的关系。利用找到的车位线,通过二次曲线可得到车位线距离车体的距离,再选取第三步中检测出的车位线的两个端点坐标,算出车位线相对于车的偏转角度,确定车的偏转角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910566090.3A CN110414355A (zh) | 2019-06-27 | 2019-06-27 | 基于视觉的右方位空停车位与泊车过程中车位线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910566090.3A CN110414355A (zh) | 2019-06-27 | 2019-06-27 | 基于视觉的右方位空停车位与泊车过程中车位线检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414355A true CN110414355A (zh) | 2019-11-05 |
Family
ID=68358409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910566090.3A Pending CN110414355A (zh) | 2019-06-27 | 2019-06-27 | 基于视觉的右方位空停车位与泊车过程中车位线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414355A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815719A (zh) * | 2020-07-20 | 2020-10-23 | 北京百度网讯科技有限公司 | 图像采集设备的外参数标定方法、装置、设备及存储介质 |
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 |
CN112319464A (zh) * | 2020-11-09 | 2021-02-05 | 恒大新能源汽车投资控股集团有限公司 | 自动泊车方法、装置、设备及存储介质 |
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 |
CN112884850A (zh) * | 2021-03-22 | 2021-06-01 | 上海易教科技股份有限公司 | 一种赛道识别用图片获取方法及装置 |
CN113139526A (zh) * | 2021-05-21 | 2021-07-20 | 一汽奔腾轿车有限公司 | 一种基于OpenCV的停车泊位线识别方法 |
EP3866059A1 (en) * | 2020-02-12 | 2021-08-18 | Faurecia Clarion Electronics Co., Ltd. | Image processor and image processing method |
CN113313968A (zh) * | 2021-05-18 | 2021-08-27 | 武汉光庭信息技术股份有限公司 | 车位检测方法及存储介质 |
CN113468991A (zh) * | 2021-06-21 | 2021-10-01 | 沈阳工业大学 | 一种基于全景视频的停车位检测方法 |
CN113554551A (zh) * | 2021-06-30 | 2021-10-26 | 惠州华阳通用电子有限公司 | 一种基于车位校准的泊车方法 |
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 |
CN114274948A (zh) * | 2021-12-15 | 2022-04-05 | 武汉光庭信息技术股份有限公司 | 一种基于360度全景的自动泊车方法及装置 |
EP4105820A4 (en) * | 2020-03-06 | 2023-07-26 | Huawei Technologies Co., Ltd. | METHOD AND DEVICE FOR ACQUIRING 3D INFORMATION OF A VEHICLE |
CN116625707A (zh) * | 2023-05-18 | 2023-08-22 | 襄阳达安汽车检测中心有限公司 | Apa测试的测试方法、存储介质、电子设备及系统 |
WO2023241595A1 (zh) * | 2022-06-16 | 2023-12-21 | 阿里云计算有限公司 | 车位范围的处理方法及计算设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488976A (zh) * | 2013-09-17 | 2014-01-01 | 北京联合大学 | 一种基于智能驾驶中停止线实时检测以及距离测量的方法 |
CN106740818A (zh) * | 2016-12-19 | 2017-05-31 | 合肥工业大学 | 一种基于eps的自动泊车路线规划方法及系统 |
CN106778661A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市美好幸福生活安全系统有限公司 | 一种基于形态学变换和自适应阈值的快速车道线检测方法 |
CN109435942A (zh) * | 2018-10-31 | 2019-03-08 | 合肥工业大学 | 一种基于信息融合的车位线车位识别方法及装置 |
CN109501797A (zh) * | 2018-12-07 | 2019-03-22 | 威马汽车科技集团有限公司 | 一种自动泊车的控制方法及自动泊车系统 |
CN109598972A (zh) * | 2018-11-23 | 2019-04-09 | 中汽研(天津)汽车工程研究院有限公司 | 一种基于视觉的自动泊车停车位检测与测距系统 |
CN109649384A (zh) * | 2019-02-15 | 2019-04-19 | 华域汽车系统股份有限公司 | 一种泊车辅助方法 |
CN109754639A (zh) * | 2019-02-28 | 2019-05-14 | 北京智行者科技有限公司 | 泊车入库方法及装置 |
CN109785354A (zh) * | 2018-12-20 | 2019-05-21 | 江苏大学 | 一种基于背景光照去除和联通区域的车位检测方法 |
-
2019
- 2019-06-27 CN CN201910566090.3A patent/CN110414355A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488976A (zh) * | 2013-09-17 | 2014-01-01 | 北京联合大学 | 一种基于智能驾驶中停止线实时检测以及距离测量的方法 |
CN106740818A (zh) * | 2016-12-19 | 2017-05-31 | 合肥工业大学 | 一种基于eps的自动泊车路线规划方法及系统 |
CN106778661A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市美好幸福生活安全系统有限公司 | 一种基于形态学变换和自适应阈值的快速车道线检测方法 |
CN109435942A (zh) * | 2018-10-31 | 2019-03-08 | 合肥工业大学 | 一种基于信息融合的车位线车位识别方法及装置 |
CN109598972A (zh) * | 2018-11-23 | 2019-04-09 | 中汽研(天津)汽车工程研究院有限公司 | 一种基于视觉的自动泊车停车位检测与测距系统 |
CN109501797A (zh) * | 2018-12-07 | 2019-03-22 | 威马汽车科技集团有限公司 | 一种自动泊车的控制方法及自动泊车系统 |
CN109785354A (zh) * | 2018-12-20 | 2019-05-21 | 江苏大学 | 一种基于背景光照去除和联通区域的车位检测方法 |
CN109649384A (zh) * | 2019-02-15 | 2019-04-19 | 华域汽车系统股份有限公司 | 一种泊车辅助方法 |
CN109754639A (zh) * | 2019-02-28 | 2019-05-14 | 北京智行者科技有限公司 | 泊车入库方法及装置 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11620908B2 (en) | 2020-02-12 | 2023-04-04 | Faurecia Clarion Electronics Co., Ltd. | Image processor and image processing method |
EP3866059A1 (en) * | 2020-02-12 | 2021-08-18 | Faurecia Clarion Electronics Co., Ltd. | Image processor and image processing method |
EP4105820A4 (en) * | 2020-03-06 | 2023-07-26 | Huawei Technologies Co., Ltd. | METHOD AND DEVICE FOR ACQUIRING 3D INFORMATION OF A VEHICLE |
CN111815719A (zh) * | 2020-07-20 | 2020-10-23 | 北京百度网讯科技有限公司 | 图像采集设备的外参数标定方法、装置、设备及存储介质 |
CN111815719B (zh) * | 2020-07-20 | 2023-12-22 | 阿波罗智能技术(北京)有限公司 | 图像采集设备的外参数标定方法、装置、设备及存储介质 |
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 |
CN112319464A (zh) * | 2020-11-09 | 2021-02-05 | 恒大新能源汽车投资控股集团有限公司 | 自动泊车方法、装置、设备及存储介质 |
CN112319464B (zh) * | 2020-11-09 | 2021-10-15 | 恒大新能源汽车投资控股集团有限公司 | 自动泊车方法、装置、设备及存储介质 |
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 |
CN112884850A (zh) * | 2021-03-22 | 2021-06-01 | 上海易教科技股份有限公司 | 一种赛道识别用图片获取方法及装置 |
CN112884850B (zh) * | 2021-03-22 | 2024-02-13 | 上海易教科技股份有限公司 | 一种赛道识别用图片获取方法及装置 |
CN113313968A (zh) * | 2021-05-18 | 2021-08-27 | 武汉光庭信息技术股份有限公司 | 车位检测方法及存储介质 |
CN113139526A (zh) * | 2021-05-21 | 2021-07-20 | 一汽奔腾轿车有限公司 | 一种基于OpenCV的停车泊位线识别方法 |
CN113468991A (zh) * | 2021-06-21 | 2021-10-01 | 沈阳工业大学 | 一种基于全景视频的停车位检测方法 |
CN113468991B (zh) * | 2021-06-21 | 2024-03-05 | 沈阳工业大学 | 一种基于全景视频的停车位检测方法 |
CN113554551A (zh) * | 2021-06-30 | 2021-10-26 | 惠州华阳通用电子有限公司 | 一种基于车位校准的泊车方法 |
CN113903188B (zh) * | 2021-08-17 | 2022-12-06 | 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 |
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 |
CN114274948A (zh) * | 2021-12-15 | 2022-04-05 | 武汉光庭信息技术股份有限公司 | 一种基于360度全景的自动泊车方法及装置 |
WO2023241595A1 (zh) * | 2022-06-16 | 2023-12-21 | 阿里云计算有限公司 | 车位范围的处理方法及计算设备 |
CN116625707A (zh) * | 2023-05-18 | 2023-08-22 | 襄阳达安汽车检测中心有限公司 | Apa测试的测试方法、存储介质、电子设备及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414355A (zh) | 基于视觉的右方位空停车位与泊车过程中车位线检测方法 | |
CN107330376B (zh) | 一种车道线识别方法及系统 | |
CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN103077384B (zh) | 一种车标定位识别的方法与系统 | |
CN101030256B (zh) | 车辆图像分割方法和装置 | |
CN108596165B (zh) | 基于无人机低空航拍图像的道路交通标线检测方法及系统 | |
CN102663760B (zh) | 一种对图像中的车辆挡风镜区域进行定位分割的方法 | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN108256521B (zh) | 用于车身颜色识别的有效区域定位方法 | |
CN110647850A (zh) | 一种基于逆透视原理的车道偏移自动测量方法 | |
CN110298216A (zh) | 基于车道线梯度图像自适应阈值分割的车辆偏离报警方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN109785354A (zh) | 一种基于背景光照去除和联通区域的车位检测方法 | |
CN106815583A (zh) | 一种基于mser和swt相结合的夜间车辆车牌定位方法 | |
CN102393902A (zh) | 基于h_s二维直方图和区域颜色匹配的车辆颜色检测方法 | |
CN109635737A (zh) | 基于道路标记线视觉识别辅助车辆导航定位方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN108256385A (zh) | 基于视觉的前方车辆检测方法 | |
CN109800641B (zh) | 基于阈值自适应二值化和连通域分析的车道线检测方法 | |
CN105335688B (zh) | 一种基于视觉图像的飞机机型识别方法 | |
CN110705553A (zh) | 一种适用于车辆远景图像的划痕检测方法 | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN111178210B (zh) | 一种十字标记的图像识别及对准方法 | |
CN115984806B (zh) | 道路标线破损动态检测系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |