CN110472580A - 基于全景影像的检测车位的方法、装置、存储介质 - Google Patents
基于全景影像的检测车位的方法、装置、存储介质 Download PDFInfo
- Publication number
- CN110472580A CN110472580A CN201910757095.4A CN201910757095A CN110472580A CN 110472580 A CN110472580 A CN 110472580A CN 201910757095 A CN201910757095 A CN 201910757095A CN 110472580 A CN110472580 A CN 110472580A
- Authority
- CN
- China
- Prior art keywords
- parking stall
- straight line
- parallel lines
- characteristic
- angle
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于全景影像检测车位的方法、装置、存储介质，其基于车载硬件设备即可实现各种车位类型的检测，漏检和误检少，方法包括以下步骤：通过全景监控影像的摄像头，得到车辆四周环境的全景图像，提取全景图像的特征点；对提取的特征点进行聚类，形成特征直线段；判断特征直线段是否属于一条直线；将属于一条直线的特征直线段拟合成直线，得到横向和纵向的拟合直线；按照直线角度值的大小对拟合直线进行平行线分组；将平行线分组进行两两组合得到车位，根据平行线分组组合的夹角的不同将车位分为平行车位、垂直车位、斜向车位。
Description
技术领域
本发明涉及自动泊车技术领域，具体涉及一种基于全景影像检测车位的方法、装置、存储介质。
背景技术
随着科技的不断进步，自动泊车越来越受到欢迎。其中车位检测又是自动泊车的基础和关键。当前车位检测的方法大致分为两种，一种是以霍夫变换为代表的传统车位检测，另一种是以深度学习为主的车位边角检测。
以霍夫变换为主的传统车位检测方法步骤及原理是:先把输入的图像进行灰度处理，然后利用Canny进行边缘检测；接着进行霍夫变换的直线检测，从而提取到图像中停车位的直线车位线；最后求得这些直线车位线的交点作为车位角点，从而得到待检测的车位位置；
以深度学习为主的车位边角检测方法的步骤及原理是：首先收集大量含有车位的图像，接着对含有车位的图像进行标注，标注该车位的边角边框；对标注的车位边角边框训练样本输入深度学习网络中进行训练；最后把训练出来的网络参数模型用于车位检测。
上述当前两种车位检测方法的缺点是：
1.霍夫变换车位检测对于车位线不完整或者部分磨损等情况，漏检和误检比较多；
2.基于深度学习的车位检测方法在有限设备和条件下不能够做到实时检测的目标，深度学习方法检测车位需要相对较昂贵设备提供支持才能达到实时检测的效果；
3.目前，这两种车位检测方法一般大多应用在平行车位和垂直车位类型，对于斜向车位类型检测，目前应用极少，适用场景范围有限。
发明内容
针对上述问题，本发明提供了一种基于全景影像检测车位的方法、装置、存储介质，基于车载硬件设备即可实现各种车位类型的检测，漏检和误检少。
其技术方案是这样的：一种基于全景影像检测车位的方法，其特征在于，包括以下步骤：
步骤1：通过全景监控影像的摄像头，得到车辆四周环境的全景图像，提取全景图像的特征点；
步骤2：对提取的特征点进行聚类，形成特征直线段；判断特征直线段是否属于一条直线；将属于一条直线的特征直线段拟合成直线，得到横向和纵向的拟合直线；
步骤3：按照直线角度值的大小对拟合直线进行平行线分组；
步骤4：将平行线分组进行组合得到车位，根据平行线分组组合的夹角的不同将车位分为平行车位、垂直车位、斜向车位。
进一步的，在步骤4之后，还包括步骤5:对于当前帧检测到的车位，若下一帧仍能检测到该车位，则对该车位进行跟踪，对下一帧新采集的全景图像执行步骤1至步骤4，得到新检测的车位，否则，下一帧不再保存该车位；若新检测的车位与当前帧的车位的位置一致，则用新检测的车位来更新替代保存的车位；若不一致，则同时保存新检测的车位和跟踪的车位。
进一步的，在步骤1中，对于横向设置的车位线，根据车位线上下的局部灰度梯度值，纵向滑动提取横向的特征点；对于纵向设置的车位线，根据车位线左右的局部灰度梯度值，横向滑动提取纵向的特征点，横向设置的车位线包括与水平线的夹角为0度-45度的车位线，纵向设置的车位线包括与水平线的夹角为45度-90度的车位线。
进一步的，判断两条特征直线段是否属于一条直线，当两条特征直线段同时满足第一条件和第二条件，则属于一条直线，否则不属于，具体如下：
第一条件：待拟合的两条特征直线段m、n的斜率角度误差小于2度；
第二条件：将其中一条特征直线段n用直线方程表示，表示为x＝K*y+B，其中，K表示特征直线段n的斜率，B表示特征直线段n的截距，另一条特征直线段m的两个端点m1和m2的坐标表示为(x1,y1)，(x2,y2)，计算特征直线段m的端点m1和m2与特征直线段n的差值，具体公式如下：
d1＝x1–K*y1–B
d2＝x2–K*y2–B
其中,d1为端点m1与特征直线段n的差值，d2为端点m2与特征直线段n的差值，d1、d2小于10cm。
进一步的，在步骤2中，采用最小二乘法将属于一条直线的两条或者多条特征直线段进行拟合。
进一步的，在步骤3中，将待分组的直线角度值与已经分组的所有平行线分组一一进行匹配，若待分组的直线角度值与任意一平行线分组的组角度值的差值绝对值小于5度，则待分组直线属于此组，若与所有已分组的平行线分组的组角度差值都不满足差值绝对值小于5度的约束要求，则待分组直线另外生成新的平行线分组，其中，组角度值是平行线分组内所有直线角度值的平均值。
进一步的，在步骤4中，对步骤3中得到的平行线分组进行两两组合，若两组平行线分组的夹角为90度，则认为两个平行线分组能够组合为一个平行车位或者垂直车位，若两组平行线分组的夹角在30度～60度之间，则认为这两个平行线分组能够组合为一个斜向车位，通过至少两个平行线分组确定三条车位线，从而得到两个车位角点，最终得到车位。
进一步的，在步骤4中，对得到的车位角点进行约束：车位角点之间的短边距离满足大于最小车位宽度并且小于最大车位宽度阈值约束，车位角点之间的长边距离满足大于最小车位长度并且小于最大车位长度阈值约束。
一种基于全景影像检测车位的装置，其特征在于，其包括：包括处理器、存储器以及程序；
所述程序存储在所述存储器中，所述处理器调用存储器存储的程序，以执行上述的基于全景影像检测车位的方法。
一种计算机可读存储介质，其特征在于，所述计算机可读存储介质被配置成存储程序，所述程序被配置成执行上述的基于全景影像检测车位的方法。
本发明的基于全景影像检测车位的方法，实现各种车位类型的检测，只需要通过通过两个平行线分组确定三条车位线，从而得到两个车位角点，就可以得到车位，包含平行车位，垂直车位和斜向车位，以及只有三条车位线组成的非闭环车位，车位识别只需要通过车载硬件实现，能够方便快捷安装车上，并能在运行算法的时候达到实时性的要求，而不是用后台服务器甚至计算机运行，其实现基于视觉的不同场景的车位检测，提高检测准确率和召回率，能够在不同实际场景中得到应用。
附图说明
图1为本发明的具体实施例1中的基于全景影像检测车位的方法的流程图；
图2为本发明的具体实施例2中的基于全景影像检测车位的方法的流程图。
具体实施方式
具体实施例1：见图1，本发明的一种基于全景影像检测车位的方法，包括以下步骤：
步骤1：通过全景监控影像的摄像头，得到车辆四周环境的全景图像，提取全景图像的特征点；
步骤2：对提取的特征点进行聚类，形成特征直线段；判断特征直线段是否属于一条直线；将属于一条直线的特征直线段拟合成直线，得到横向和纵向的拟合直线；
步骤3：按照直线角度值的大小对拟合直线进行平行线分组；
步骤4：将平行线分组进行组合得到车位，根据平行线分组的夹角的不同将车位分为平行车位、垂直车位、斜向车位。
具体的，在步骤1中，对于横向设置的车位线，根据车位线上下的局部灰度梯度值，纵向滑动提取横向的特征点；对于纵向设置的车位线，根据车位线左右的局部灰度梯度值，横向滑动提取纵向的特征点，横向设置的车位线包括与水平线的夹角为0度-45度的车位线，纵向设置的车位线包括与水平线的夹角为45度-90度的车位线。
具体的，在步骤2中，判断两条特征直线段是否属于一条直线，当两条特征直线段同时满足第一条件和第二条件，则属于一条直线，否则不属于，具体如下：
第一条件：待拟合的两条特征直线段m、n的斜率角度误差小于2度；
第二条件：将其中一条特征直线段n用直线方程表示，表示为x＝K*y+B，其中，K表示特征直线段n的斜率，B表示特征直线段n的截距，另一条特征直线段m的两个端点m1和m2的坐标表示为(x1,y1)，(x2,y2)，计算特征直线段m的端点m1和m2与特征直线段n的差值，具体公式如下：
d1＝x1–K*y1–B
d2＝x2–K*y2–B
其中,d1为端点m1与特征直线段n的差值，d2为端点m2与特征直线段n的差值，d1、d2小于10cm。
具体的，在步骤2中，采用最小二乘法将属于一条直线的两条或者多条特征直线段进行拟合。
具体的，在步骤3中，将待分组的直线角度值与已经分组的所有平行线分组一一进行匹配，若待分组的直线角度值与任意一平行线分组的组角度值的差值绝对值小于5度，则待分组直线属于此组，若与所有已分组的平行线分组的组角度差值都不满足差值绝对值小于5度的约束要求，则待分组直线另外生成新的平行线分组，其中，组角度值是平行线分组内所有直线角度值的平均值。
具体的，在步骤4中，对步骤3中得到的平行线分组进行两两组合，若两组平行线分组的夹角为90度，则认为两个平行线分组能够组合为一个平行车位或者垂直车位，若两组平行线分组的夹角在30度～60度之间，则认为这两个平行线分组能够组合为一个斜向车位，通过至少三个平行线分组确定两个车位角点，得到车位。
此外，在步骤4中，对得到的车位角点进行约束：车位角点之间的短边距离满足大于最小车位宽度并且小于最大车位宽度阈值约束，车位角点之间的长边距离满足大于最小车位长度并且小于最大车位长度阈值约束。
具体实施例2：见图2，本发明的一种基于全景影像检测车位的方法，包括以下步骤：
步骤1：通过全景监控影像的摄像头，得到车辆四周环境的全景图像，提取全景图像的特征点,对于横向设置的车位线，根据车位线上下的局部灰度梯度值，纵向滑动提取横向的特征点；对于纵向设置的车位线，根据车位线左右的局部灰度梯度值，横向滑动提取纵向的特征点，横向设置的车位线包括与水平线的夹角为0度-45度的车位线，纵向设置的车位线包括与水平线的夹角为45度-90度的车位线；
步骤2：对提取的特征点进行聚类，形成特征直线段；判断特征直线段是否属于一条直线；将属于一条直线的特征直线段拟合成直线，得到横向和纵向的拟合直线；
具体的，判断两条特征直线段是否属于一条直线的，当两条特征直线段同时满足第一条件和第二条件，则属于一条直线，否则不属于，具体如下：
第一条件：待拟合的两条特征直线段m、n的斜率角度误差小于2度；
第二条件：将其中一条特征直线段n用直线方程表示，表示为x＝K*y+B，其中，K表示特征直线段n的斜率，B表示特征直线段n的截距，另一条特征直线段m的两个端点m1和m2的坐标表示为(x1,y1)，(x2,y2)，计算特征直线段m的端点m1和m2与特征直线段n的差值，具体公式如下：
d1＝x1–K*y1–B
d2＝x2–K*y2–B
其中,d1为端点m1与特征直线段n的差值，d2为端点m2与特征直线段n的差值，d1、d2小于10cm。
然后，采用最小二乘法将属于一条直线的两条或者多条特征直线段进行拟合。
步骤3：按照直线角度值的大小对拟合直线进行平行线分组，具体的，将待分组的直线角度值与已经分组的所有平行线分组一一进行匹配，若待分组的直线角度值与任意平行线分组的组角度值的差值绝对值小于5度，则待分组直线属于此组，若与所有已分组的平行线分组的组角度差值都不满足差值绝对值小于5度的约束要求，则待分组直线另外生成新的平行线分组，其中，组角度值是平行线分组内所有直线角度值的平均值；
步骤4：将平行线分组进行组合得到车位，根据平行线分组组合的夹角的不同将车位分为平行车位、垂直车位、斜向车位，具体的，对步骤3中得到的平行线分组进行两两组合，若两组平行线分组的夹角为90度，则认为两个平行线分组能够组合为一个平行车位或者垂直车位，若两组平行线分组的夹角在30度～60度之间，则认为这两个平行线分组能够组合为一个斜向车位，通过至少两个平行线分组确定三条车位线，从而得到两个车位角点，最终得到车位；对得到的车位角点进行约束：车位角点之间的短边距离满足大于最小车位宽度并且小于最大车位宽度阈值约束，车位角点之间的长边距离满足大于最小车位长度并且小于最大车位长度阈值约束。
步骤5:对于当前帧检测到的车位，若下一帧仍能检测到该车位，则对该车位进行跟踪，对下一帧新采集的全景图像执行步骤1至步骤4，得到新检测的车位，否则，下一帧不再保存该车位；若新检测的车位与当前帧的车位的位置一致，则用新检测的车位来更新替代保存的车位；若不一致，则同时保存新检测的车位和跟踪的车位。
本发明的一种基于全景影像检测车位的方法，步骤1中在用局部灰度梯度值提取特征点的时候，已经保存了所有特征点的坐标，因此步骤2中把属于这条直线、包含多个特征直线段上的所有特征点用最小二乘法重新拟合出一条新的直线；步骤3对得到的车位线直线进行平行线分组，减少车位匹配所需要的逻辑判断时间；步骤4中得到的平行线分组进行两两组合，只需要通过两个平行线分组确定三条车位线，从而得到两个车位角点，就可以得到车位，包含平行车位，垂直车位和斜向车位，以及只有三条车位线组成的非闭环车位，若两组平行线分组的夹角为90度，则认为两个平行线分组能够组合为一个平行车位或者垂直车位，若两组平行线分组的夹角在30度～60度之间，则认为这两个平行线分组能够组合为一个斜向车位；步骤5添加车位跟踪逻辑，减少一些不必要的误检和增强车位检测的稳定性及鲁棒性。
在本发明的实施例中，还提供了一种基于全景影像检测车位的装置，其包括：包括处理器、存储器以及程序；
程序存储在存储器中，处理器调用存储器存储的程序，以执行上述的基于全景影像检测车位的方法。
在上述基于全景影像检测车位的装置的实现中，存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可以通过一条或者多条通信总线或信号线实现电性连接，如可以通过总线连接。存储器中存储有实现数据访问控制方法的计算机执行指令，包括至少一个可以软件或固件的形式存储于存储器中的软件功能模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理。
存储器可以是，但不限于，随机存取存储器(Random Access Memory，简称：RAM)，只读存储器(Read Only Memory，简称：ROM)，可编程只读存储器(Programmable Read-OnlyMemory，简称：PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，简称：EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，简称：EEPROM)等。其中，存储器用于存储程序，处理器在接收到执行指令后，执行程序。
处理器可以是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称：CPU)、网络处理器(NetworkProcessor，简称：NP)等。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本实施例中，全景影像的提取运行在ARM核上，全景影像的显示运行在GPU核上，车位检测运行在SOC的DSP核上。
在本发明的实施例中，还提供了一种计算机可读存储介质，计算机可读存储介质被配置成存储程序，程序被配置成执行上述的基于全景影像检测车位的方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于计算机可读存储介质中。该程序在被处理器执行时，实现包括上述各方法实施例的步骤；而前述的计算机可读存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台大数据传输设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
Claims (10)
1.一种基于全景影像检测车位的方法，其特征在于，包括以下步骤：
步骤1：通过全景监控影像的摄像头，得到车辆四周环境的全景图像，提取全景图像的特征点；
步骤2：对提取的特征点进行聚类，形成特征直线段；判断特征直线段是否属于一条直线；将属于一条直线的特征直线段拟合成直线，得到横向和纵向的拟合直线；
步骤3：按照直线角度值的大小对拟合直线进行平行线分组；
步骤4：将平行线分组进行组合得到车位，根据平行线分组组合的夹角的不同将车位分为平行车位、垂直车位、斜向车位。
2.根据权利要求1所述的一种基于全景影像检测车位的方法，其特征在于：包括以下步骤，在步骤4之后，还包括步骤5:对于当前帧检测到的车位，若下一帧仍能检测到该车位，则对该车位进行跟踪，对下一帧新采集的全景图像执行步骤1至步骤4，得到新检测的车位，否则，下一帧不再保存该车位；若新检测的车位与当前帧的车位的位置一致，则用新检测的车位来更新替代保存的车位；若不一致，则同时保存新检测的车位和跟踪的车位。
3.根据权利要求1所述的一种基于全景影像检测车位的方法，其特征在于：在步骤1中，对于横向设置的车位线，根据车位线上下的局部灰度梯度值，纵向滑动提取横向的特征点；对于纵向设置的车位线，根据车位线左右的局部灰度梯度值，横向滑动提取纵向的特征点，横向设置的车位线包括与水平线的夹角为0度-45度的车位线，纵向设置的车位线包括与水平线的夹角为45度-90度的车位线。
4.根据权利要求3所述的一种基于全景影像检测车位的方法，其特征在于：判断两条特征直线段是否属于一条直线，当两条特征直线段同时满足第一条件和第二条件，则属于一条直线，否则不属于，具体如下：
第一条件：待拟合的两条特征直线段m、n的斜率角度误差小于2度；
第二条件：将其中一条特征直线段n用直线方程表示，表示为x＝K*y+B，其中，K表示特征直线段n的斜率，B表示特征直线段n的截距，另一条特征直线段m的两个端点m1和m2的坐标表示为(x1,y1)，(x2,y2)，计算特征直线段m的端点m1和m2与特征直线段n的差值，具体公式如下：
d1＝x1–K*y1–B
d2＝x2–K*y2–B
其中,d1为端点m1与特征直线段n的差值，d2为端点m2与特征直线段n的差值，d1、d2小于10cm。
5.根据权利要求4所述的一种基于全景影像检测车位的方法，其特征在于：在步骤2中，采用最小二乘法将属于一条直线的两条或者多条特征直线段进行拟合。
6.根据权利要求5所述的一种基于全景影像检测车位的方法，其特征在于：在步骤3中，将待分组的直线角度值与已经分组的所有平行线分组一一进行匹配，若待分组的直线角度值与任意一平行线分组的组角度值的差值绝对值小于5度，则待分组直线属于此组，若与所有已分组的平行线分组的组角度差值都不满足差值绝对值小于5度的约束要求，则待分组直线另外生成新的平行线分组，其中，组角度值是平行线分组内所有直线角度值的平均值。
7.根据权利要求6所述的一种基于全景影像检测车位的方法，其特征在于：在步骤4中，对步骤3中得到的平行线分组进行两两组合，若两组平行线分组的夹角为90度，则认为两个平行线分组能够组合为一个平行车位或者垂直车位，若两组平行线分组的夹角在30度～60度之间，则认为这两个平行线分组能够组合为一个斜向车位，通过至少两个平行线分组确定三条车位线，从而得到两个车位角点，最终得到车位。
8.根据权利要求7所述的一种基于全景影像检测车位的方法，其特征在于：在步骤4中，对得到的车位角点进行约束：车位角点之间的短边距离满足大于最小车位宽度并且小于最大车位宽度阈值约束，车位角点之间的长边距离满足大于最小车位长度并且小于最大车位长度阈值约束。
9.一种基于全景影像检测车位的装置，其特征在于，其包括：包括处理器、存储器以及程序；
所述程序存储在所述存储器中，所述处理器调用存储器存储的程序，以执行权利要求1所述的基于全景影像检测车位的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质被配置成存储程序，所述程序被配置成执行权利要求1所述的基于全景影像检测车位的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910757095.4A CN110472580B (zh) | 2019-08-16 | 2019-08-16 | 基于全景影像的检测车位的方法、装置、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910757095.4A CN110472580B (zh) | 2019-08-16 | 2019-08-16 | 基于全景影像的检测车位的方法、装置、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110472580A true CN110472580A (zh) | 2019-11-19 |
| CN110472580B CN110472580B (zh) | 2022-04-05 |
Family
ID=68511809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910757095.4A Active CN110472580B (zh) | 2019-08-16 | 2019-08-16 | 基于全景影像的检测车位的方法、装置、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110472580B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132019A (zh) * | 2020-09-22 | 2020-12-25 | 深兰科技（上海）有限公司 | 物体垂直判断方法和装置 |
| CN112562391A (zh) * | 2020-11-30 | 2021-03-26 | 广州小鹏自动驾驶科技有限公司 | 一种车位更新的方法和装置 |
| CN113053164A (zh) * | 2021-05-11 | 2021-06-29 | 吉林大学 | 一种利用环视图像的车位识别方法 |
| CN113255405A (zh) * | 2020-02-12 | 2021-08-13 | 广州汽车集团股份有限公司 | 车位线识别方法及其系统、车位线识别设备、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 |
| CN114972769A (zh) * | 2022-06-17 | 2022-08-30 | 北京百度网讯科技有限公司 | 图像处理方法、三维地图生成方法、装置、设备及介质 |
| CN115311892A (zh) * | 2022-08-05 | 2022-11-08 | 合众新能源汽车有限公司 | 车位显示方法、装置和电子设备 |
| CN117012053A (zh) * | 2023-09-28 | 2023-11-07 | 东风悦享科技有限公司 | 一种车位检测点的后优化方法、系统及存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102938064A (zh) * | 2012-11-23 | 2013-02-20 | 南京大学 | 基于LiDAR数据与正射影像的停车场结构提取方法 |
| CN102968634A (zh) * | 2012-11-23 | 2013-03-13 | 南京大学 | 一种主方向约束下的停车场结构提取方法 |
| CN104008387A (zh) * | 2014-05-19 | 2014-08-27 | 山东科技大学 | 一种基于特征点分段线性拟合的车道线检测方法 |
| CN104933409A (zh) * | 2015-06-12 | 2015-09-23 | 北京理工大学 | 一种基于全景图像点线特征的车位识别方法 |
| 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 |
| CN106772389A (zh) * | 2016-11-07 | 2017-05-31 | 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 |
| CN107491738A (zh) * | 2017-07-25 | 2017-12-19 | 纵目科技（上海）股份有限公司 | 停车位检测方法及系统、存储介质及电子设备 |
| CN107527017A (zh) * | 2017-07-25 | 2017-12-29 | 纵目科技（上海）股份有限公司 | 停车位检测方法及系统、存储介质及电子设备 |
| CN108875657A (zh) * | 2018-06-26 | 2018-11-23 | 北京茵沃汽车科技有限公司 | 一种车道线检测方法 |
| CN109094556A (zh) * | 2018-07-25 | 2018-12-28 | 深圳大学 | 一种基于车位特征点的自动泊车方法及系统 |
| 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 |
| CN109697860A (zh) * | 2017-10-20 | 2019-04-30 | 上海欧菲智能车联科技有限公司 | 车位检测和跟踪系统及方法及车辆 |
| CN109711372A (zh) * | 2018-12-29 | 2019-05-03 | 驭势科技（北京）有限公司 | 一种车道线的识别方法和系统、存储介质、服务器 |
-
2019
- 2019-08-16 CN CN201910757095.4A patent/CN110472580B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102938064A (zh) * | 2012-11-23 | 2013-02-20 | 南京大学 | 基于LiDAR数据与正射影像的停车场结构提取方法 |
| CN102968634A (zh) * | 2012-11-23 | 2013-03-13 | 南京大学 | 一种主方向约束下的停车场结构提取方法 |
| CN104008387A (zh) * | 2014-05-19 | 2014-08-27 | 山东科技大学 | 一种基于特征点分段线性拟合的车道线检测方法 |
| CN104933409A (zh) * | 2015-06-12 | 2015-09-23 | 北京理工大学 | 一种基于全景图像点线特征的车位识别方法 |
| 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 |
| CN106772389A (zh) * | 2016-11-07 | 2017-05-31 | 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 |
| CN107491738A (zh) * | 2017-07-25 | 2017-12-19 | 纵目科技（上海）股份有限公司 | 停车位检测方法及系统、存储介质及电子设备 |
| CN107527017A (zh) * | 2017-07-25 | 2017-12-29 | 纵目科技（上海）股份有限公司 | 停车位检测方法及系统、存储介质及电子设备 |
| CN109697860A (zh) * | 2017-10-20 | 2019-04-30 | 上海欧菲智能车联科技有限公司 | 车位检测和跟踪系统及方法及车辆 |
| CN108875657A (zh) * | 2018-06-26 | 2018-11-23 | 北京茵沃汽车科技有限公司 | 一种车道线检测方法 |
| CN109094556A (zh) * | 2018-07-25 | 2018-12-28 | 深圳大学 | 一种基于车位特征点的自动泊车方法及系统 |
| CN109711372A (zh) * | 2018-12-29 | 2019-05-03 | 驭势科技（北京）有限公司 | 一种车道线的识别方法和系统、存储介质、服务器 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| 廖梦龑: "2D全景环视的停车位识别算法及应用", 《信息与电脑》 * |
| 李磊: "基于全景视觉自动泊车的停车位检测与识别方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 陆桂明等: "泊车辅助系统中的车位线自动检测与识别", 《电子科技》 * |
| 黄肖琳: "基于图像处理的车位状态检测算法研究", 《万方数据知识服务平台》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113255405A (zh) * | 2020-02-12 | 2021-08-13 | 广州汽车集团股份有限公司 | 车位线识别方法及其系统、车位线识别设备、存储介质 |
| CN112132019A (zh) * | 2020-09-22 | 2020-12-25 | 深兰科技（上海）有限公司 | 物体垂直判断方法和装置 |
| CN112562391A (zh) * | 2020-11-30 | 2021-03-26 | 广州小鹏自动驾驶科技有限公司 | 一种车位更新的方法和装置 |
| CN113053164A (zh) * | 2021-05-11 | 2021-06-29 | 吉林大学 | 一种利用环视图像的车位识别方法 |
| 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 |
| 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 |
| CN114972769A (zh) * | 2022-06-17 | 2022-08-30 | 北京百度网讯科技有限公司 | 图像处理方法、三维地图生成方法、装置、设备及介质 |
| CN115311892A (zh) * | 2022-08-05 | 2022-11-08 | 合众新能源汽车有限公司 | 车位显示方法、装置和电子设备 |
| CN115311892B (zh) * | 2022-08-05 | 2023-11-24 | 合众新能源汽车股份有限公司 | 车位显示方法、装置和电子设备 |
| CN117012053A (zh) * | 2023-09-28 | 2023-11-07 | 东风悦享科技有限公司 | 一种车位检测点的后优化方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110472580B (zh) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472580A (zh) | 基于全景影像的检测车位的方法、装置、存储介质 | |
| Shao et al. | Application of a fast linear feature detector to road extraction from remotely sensed imagery | |
| CN106446894B (zh) | 一种基于轮廓识别球型目标物位置的方法 | |
| CN103994786B (zh) | 圆弧标尺线指针式仪表刻度的图像检测方法 | |
| Hu et al. | A robust method for semi-automatic extraction of road centerlines using a piecewise parabolic model and least square template matching | |
| US8396285B2 (en) | Estimating vanishing points in images | |
| CN110532894A (zh) | 基于边界约束CenterNet的遥感目标检测方法 | |
| CN107014294A (zh) | 一种基于红外图像的接触网几何参数检测方法及系统 | |
| CN1985275A (zh) | 用于基于比例不变的突出区域特征之间的接合对应的混合严格配准的方法和系统 | |
| CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
| CN107194959A (zh) | 基于切片进行图像配准的方法和装置 | |
| CN106558051A (zh) | 一种改进的从单幅图像检测道路的方法 | |
| CN110263662B (zh) | 一种基于分级的人体轮廓关键点和关键部位识别方法 | |
| CN109740609A (zh) | 一种轨距检测方法及装置 | |
| CN108647587A (zh) | 人数统计方法、装置、终端及存储介质 | |
| CN111639647A (zh) | 指示灯状态识别方法、装置、计算机设备及存储介质 | |
| CN108710841A (zh) | 一种基于MEMs红外阵列传感器的人脸活体检测装置及方法 | |
| CN105894540A (zh) | 一种基于移动终端的上下往复移动计数方法及系统 | |
| CN105589801A (zh) | 手机集群测试方法和系统 | |
| CN104866853A (zh) | 一种足球比赛视频中的多运动员的行为特征提取方法 | |
| CN109948629B (zh) | 一种基于sift特征的gis设备x射线图像故障检测方法 | |
| CN115187879A (zh) | 一种基于YOLOv5的楼栋检测与楼层定位方法及装置 | |
| CN109272484A (zh) | 一种基于视频图像的降雨检测方法 | |
| CN111046831B (zh) | 家禽识别方法、装置及服务器 | |
| CN106127147B (zh) | 一种基于三维数据的人脸深度纹理修复方法 |
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 |