CN110826364B - 一种库位识别方法及装置 - Google Patents
一种库位识别方法及装置 Download PDFInfo
- Publication number
- CN110826364B CN110826364B CN201810904428.7A CN201810904428A CN110826364B CN 110826364 B CN110826364 B CN 110826364B CN 201810904428 A CN201810904428 A CN 201810904428A CN 110826364 B CN110826364 B CN 110826364B
- Authority
- CN
- China
- Prior art keywords
- library
- bin
- view
- vehicle
- roi
- 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
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000013135 deep learning Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 241001300198 Caperonia palustris Species 0.000 claims abstract description 8
- 235000000384 Veronica chamaedrys Nutrition 0.000 claims abstract description 8
- 238000005286 illumination Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 9
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 240000004050 Pentaglottis sempervirens Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification 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
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种库位识别方法及装置，该方法包括：获取车辆四路鱼眼相机环视图像；对车辆四路鱼眼相机环视图像进行环视鸟瞰图拼接得到鸟瞰环视图；利用预先训练的yolo网络，检测鸟瞰环视图中的库位角点；根据库位角点生成库位ROI感兴趣区域；利用预先训练的深度学习神经网络，识别库位ROI所对应的库位类型。由于深度学习神经网络具有较强的泛化能力，因此本发明可以实现在不同天气、不同光照等条件下精确定位车辆周边的库位，从而提高库位识别的准确度。
Description
技术领域
本发明涉及汽车辅助驾驶技术领域，更具体地说，涉及一种库位识别方法及装置。
背景技术
随着人工智能技术的不断发展，汽车辅助驾驶技术日益成熟。为实现航位推算，就需要提供精确的库位信息。
现有库位检测方法主要基于车载传感器，通过四个车载摄像头采集图像，经图像处理最终得到库位信息。但是，由于图像处理一般采用图像滤波、边缘增强、边缘检测等边缘特征提取方式，其泛化能力相对较弱，在不同天气、不同光照等条件下性能会有较大差异。
发明内容
为解决上述问题，本发明提供一种库位识别方法及装置，技术方案如下：
一种库位识别方法，包括：
获取车辆四路鱼眼相机环视图像；
对所述车辆四路鱼眼相机环视图像进行环视鸟瞰图拼接得到鸟瞰环视图；
利用预先训练的yolo网络，检测所述鸟瞰环视图中的库位角点；
根据所述库位角点生成库位ROI感兴趣区域；
利用预先训练的深度学习神经网络，识别所述库位ROI所对应的库位类型。
优选的，所述根据所述库位角点生成库位ROI感兴趣区域，包括：
对所述库位角点进行两两组合确定候选库位ROI；
从所述候选库位ROI中筛选符合预设库位角点条件的候选库位ROI。
优选的，所述对所述车辆四路鱼眼相机环视图像进行环视鸟瞰图拼接得到鸟瞰环视图之前，所述方法还包括：
对所述车辆四路鱼眼相机环视图进行图像畸变矫正。
优选的，所述方法还包括：
对所述库位角点进行位置矫正。
优选的，所述方法还包括：
对所述库位类型进行类型矫正。
一种库位识别装置，其特征在于，包括：
图像获取模块，用于获取车辆四路鱼眼相机环视图像；
拼接模块，用于对所述车辆四路鱼眼相机环视图像进行环视鸟瞰图拼接得到鸟瞰环视图；
检测模块，用于利用预先训练的yolo网络，检测所述鸟瞰环视图中的库位角点；
生成模块，用于根据所述库位角点生成库位ROI感兴趣区域；
识别模块，用于利用预先训练的深度学习神经网络，识别所述库位ROI所对应的库位类型。
优选的，所述生成模块，具体用于：
对所述库位角点进行两两组合确定候选库位ROI；从所述候选库位ROI中筛选符合预设库位角点条件的候选库位ROI。
优选的，还包括：
第一矫正模块，用于对所述车辆四路鱼眼相机环视图像进行图像畸变矫正。
优选的，还包括：
第二矫正模块，用于对所述库位角点进行位置矫正。
优选的，还包括：
第三矫正模块，用于对所述库位类型进行类型矫正。
相较于现有技术，本发明实现的有益效果为：
以上本发明提供的一种库位识别方法及装置，利用级联的网络结构，先利用预先训练的yolo网络检测车辆四路鱼眼相机环视图像的库位角点，再提取库位ROI，通过预先训练的深度学习神经网络确定库位类型。由于深度学习神经网络具有较强的泛化能力，因此本发明可以实现在不同天气、不同光照等条件下精确定位车辆周边的库位，从而提高库位识别的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的库位识别方法的方法流程图；
图2示出库位类型的示例；
图3为本发明实施例提供的库位识别方法的部分方法流程图；
图4a示出“上-直库位”库位示例；
图4b示出“平行库位”库位示例；
图5为本发明实施例提供的库位识别方法的又一方法流程图；
图6为本发明实施例提供的库位识别方法的另一方法流程图；
图7为本发明实施例提供的库位识别方法的再一方法流程图；
图8为本发明实施例提供的库位识别装置的结构示意图；
图9为本发明实施例提供的库位识别装置的结构示意图；
图10为本发明实施例提供的库位识别装置的结构示意图；
图11为本发明实施例提供的库位识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种库位识别方法，该方法的方法流程图如图1所示，包括如下步骤：
S10，获取车辆四路鱼眼相机环视图像。
在执行步骤S10的过程中，通过调用车载摄像头，比如车载环视鱼眼摄像头的驱动，收集摄像头所捕捉的前景图像、后景图像、左景图像和右景图像。
S20，对车辆四路鱼眼相机环视图像进行环视鸟瞰图拼接得到鸟瞰环视图。
在执行步骤S20的过程中，首先在车辆周边图像上设置预设大小的方格线，并记录方格线角点的像素坐标；进而结合车载摄像头安装位置的三维坐标以及车辆尺寸，将每个方向上的图像拼接在一个图像中，组成鸟瞰环视图。
S30，利用预先训练的yolo网络，检测鸟瞰环视图中的库位角点。
本实施例中，预先采集不同天气、不同光照等条件下不同库位的库位图像，并对库位图像进行环视鸟瞰图拼接得到对应的库位鸟瞰环视图；运用开发的图片标注工具对库位鸟瞰环视图中库位ROI的库位角点以及库位类型进行标注，由此生成包含有库位角点、库位角点的角点信息、库位ROI以及库位类型的训练数据集。需要说明的是，库位角点为车辆行驶道路一侧的角点，可以具体为L形角点，还可以具体为T形角点。
针对yolo网络的训练，可以提取训练数据集中库位角点以及角点信息，并按照yolo网络输入要求进行处理，从而将处理后的角点信息作为yolo网络的输入。此外，为使训练后的yolo网络达到较好的收敛效果，可以每隔一定此时就迭代记录一次权重，通过调参防止过拟合。以下对yolo网络进行简单介绍：
yolo网络把物体检测问题看成是端对端的回归问题，把输入图像划分成7*7的方格，物体中心所在的方格负责该物体置信度、中心坐标位置检测。通过降低坐标误差、置信度误差、类别误差，实现权重更新。
在实际应用过程中，为使yolo网络适应不同输入，可以修改yolo网络的接口文件。
此外，需要说明的是，上述不同库位的库位类型可以相同或不同，以下对库位类型进行简单介绍：
本发明所定义的库位类型如图2所示可以分为九种：UpSideNormalPS(上-直库位)、UpSideRightSkewPS(上-右斜库位)、UpSideLeftSkewPS(上-左斜库位)、UpSideHuaZhuanPS(上-花砖直库位)、DownSideNormalPS(下-直库位)、DownSideLeftSkewPS(下-左斜库位)、DownSideRightSkewPS(下-右斜库位)、DownSideHuaZhuanPS(下-花砖直库位)和NotPS(负类)，其中NotPS是由非库位的库位角点两两组合形成的，用于检测两个库位角点形成的非库位，在后续的深度学习框架中用于检测非库位类型。由此，可以看出本发明可以实现直库位、斜库位、平行库位、花砖库位的有效精确识别。
S40，根据库位角点生成库位ROI感兴趣区域。
在执行步骤S40的过程中，可采用库位角点两两组合的方式确定库位ROI。
在具体实现过程中，步骤S40“根据库位角点生成库位ROI感兴趣区域”的过程，可以具体采用如下步骤，方法流程图如图3所示：
S401，对库位角点进行两两组合确定候选库位ROI。
S402，从候选库位ROI中筛选符合预设库位角点条件的候选库位ROI。
在执行步骤S402的过程中，考虑到鸟瞰环视图中像素距离与实际库位大小的比例，可以像素距离远超过实际库位对像素的候选库位ROI剔除。比如，鸟瞰环视图为416*416对应实际库位大小为10.5m*10.5m，则考虑到实际库位大小，可以将库位角点像素距离在86～279间的候选库位ROI剔除，剩下的进入训练好的深度学习神经网络。
此外，为适应部分深度学习神经网络的输入要求，可以将筛选出的候选库位ROI调整为统一大小。
S50，利用预先训练的深度学习神经网络，识别库位ROI所对应的库位类型。
在执行步骤S50的过程中，所选取的深度学习神经网络可以是caffe深度学习神经网络。以下对caffe深度学习神经网络进行简单介绍：
caffe深度学习神经网络是一个清晰、高效的深度学习框架，本发明中自己构建深度学习分类网络，利用卷积层实现特征提取、池化层降低参数量、1x1卷积做通道融合，通过调参技巧实现模型的快速收敛，最终将输入的库位ROI按要求分为9类，从而实现库位的准确分类。
针对深度学习神经网络的训练，可以提取训练数据集中的库位ROI以及库位类型作为深度学习神经网络的输入。在实际应用过程中，为保证高准确率和召回率，可以采用SMOTE算法对深度学习神经网络的网络结构进行调整，以解决样本不均衡的问题。以下对SMOTE算法进行简单介绍：
SMOTE算法即合成少数类过采样技术，基本思想是对少数类样本进行分析，并根据少数类样本人工合成新样本添加到数据集中。由于在采样过程中直库位样本较多，斜库位样本较少，通过算法处理，解决样本不均衡问题，从而避免训练过程中不收敛、过拟合的问题。
此外，需要说明的是，在库位类型识别结果为“上-直库位”或者“下-直库位”时，需要进一步利用库位ROI的像素距离来验证，具体的，库位ROI的像素距离大于预设阈值时，为平行库位，反之，则为直库位。图4a示出“上-直库位”库位示例，图4b示出“平行库位”库位示例。
在其他一些实施例中，为保证鸟瞰环视图的准确度，在图1示出的库位识别方法基础上，还包括如下步骤，方法流程图如图5所示：
S60，对车辆四路鱼眼相机环视图像进行图像畸变矫正。
在执行步骤S60的过程中，可利用棋盘格标定的方法获得相机的内参数矩阵、畸变系数，通过计算实现车辆四路鱼眼相机环视图像的畸变矫正。
在其他一些实施例中，为解决地库地面反光导致的库位角点抖动的问题，在图1示出的库位识别方法基础上，还包括如下步骤，方法流程图如图6所示：
S70，对库位角点进行位置矫正。
在执行步骤S70的过程中，可以通过库位线识别计算，相应地采用直线检测、直线拟合的方法进行位置矫正。
在其他一些实施例中，为提高库位类型检测的准确度，在图1示出的库位识别方法基础上，还包括如下步骤，方法流程图如图7所示：
S80，对库位类型进行类型矫正。
在执行步骤S80的过程中，考虑到同类库位都是集中出现的，不会出现隔断或者混杂的情形，可以利用历史识别的库位类型完成类型矫正。具体的，记录历史检测到库位ROI的历史库位类型，只有本次检测到的库位类型与历史类型中的大部分一致，才认定所检测到的库位类型正确。
以上步骤S401～步骤S402仅仅是本发明实施例公开的步骤S40“根据库位角点生成库位ROI感兴趣区域”过程的一种优选的实现方式，有关此过程的具体实现方式可根据自己的需求任意设置，在此不做限定。
本发明实施例提供的库位识别方法，利用级联的网络结构，先利用预先训练的yolo网络检测车辆四路鱼眼相机环视图像的库位角点，再提取库位ROI，通过预先训练的深度学习神经网络确定库位类型。由于深度学习神经网络具有较强的泛化能力，因此本发明可以实现在不同天气、不同光照等条件下精确定位车辆周边的库位，从而提高库位识别的准确度。
基于上述实施例提供的库位识别方法，本发明实施例则对应提供执行上述库位识别方法的装置，该装置的结构示意图如图8所示，包括：
图像获取模块10，用于获取车辆四路鱼眼相机环视图像；
拼接模块20，用于对车辆四路鱼眼相机环视图像进行环视鸟瞰图拼接得到鸟瞰环视图；
检测模块30，用于利用预先训练的yolo网络，检测鸟瞰环视图中的库位角点；
生成模块40，用于根据库位角点生成库位ROI感兴趣区域；
识别模块50，用于利用预先训练的深度学习神经网络，识别库位ROI所对应的库位类型。
在其他一些实施例中，生成模块40，具体用于：
对库位角点进行两两组合确定候选库位ROI；从候选库位ROI中筛选符合预设库位角点条件的候选库位ROI。
在其他一些实施例中，为保证鸟瞰环视图的准确度，在图7示出的库位识别方法基础上，还包括如下模块，结构示意图如图9所示：
第一矫正模块60，用于对车辆四路鱼眼相机环视图像进行图像畸变矫正。
在其他一些实施例中，为解决地库地面反光导致的库位角点抖动的问题，在图7示出的库位识别方法基础上，还包括如下模块，结构示意图如图10所示：
第二矫正模块70，用于对库位角点进行位置矫正。
在其他一些实施例中，为提高库位类型检测的准确度，在图7示出的库位识别方法基础上，还包括如下模块，结构示意图如图11所示：
第三矫正模块80，用于对库位类型进行类型矫正。
本发明实施例提供的库位识别装置，利用级联的网络结构，先利用预先训练的yolo网络检测车辆四路鱼眼相机环视图像的库位角点，再提取库位ROI，通过预先训练的深度学习神经网络确定库位类型。由于深度学习神经网络具有较强的泛化能力，因此本发明可以实现在不同天气、不同光照等条件下精确定位车辆周边的库位，从而提高库位识别的准确度。
以上对本发明所提供的一种库位识别方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素，或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种库位识别方法，其特征在于，包括：
获取车辆四路鱼眼相机环视图像；
对所述车辆四路鱼眼相机环视图像进行环视鸟瞰图拼接得到鸟瞰环视图；
利用预先训练的yolo网络，检测所述鸟瞰环视图中的库位角点；
根据所述库位角点生成库位ROI感兴趣区域；
利用预先训练的深度学习神经网络，识别所述库位ROI所对应的库位类型；
所述根据所述库位角点生成库位ROI感兴趣区域，包括：
对所述库位角点进行两两组合确定候选库位ROI；
从所述候选库位ROI中筛选符合预设库位角点条件的候选库位ROI；
yolo网络训练过程包括：
预先采集不同天气、不同光照等条件下不同库位的库位图像，并对库位图像进行环视鸟瞰图拼接得到对应的库位鸟瞰环视图；
对所述库位鸟瞰环视图中库位ROI的库位角点进行标注，生成训练数据集；
提取所述训练数据集中库位角点的角点信息作为yolo网络的输入，进行yolo网络训练。
2.根据权利要求1所述的方法，其特征在于，所述对所述车辆周四路鱼眼相机环视图像进行环视鸟瞰图拼接得到鸟瞰环视图之前，所述方法还包括：
对所述车辆四路鱼眼相机环视图像进行图像畸变矫正。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述库位角点进行位置矫正。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述库位类型进行类型矫正。
5.一种库位识别装置，其特征在于，包括：
图像获取模块，用于获取车辆四路鱼眼相机环视图像；
拼接模块，用于对所述车辆四路鱼眼相机环视图像进行环视鸟瞰图拼接得到鸟瞰环视图；
检测模块，用于利用预先训练的yolo网络，检测所述鸟瞰环视图中的库位角点；
生成模块，用于根据所述库位角点生成库位ROI感兴趣区域；
识别模块，用于利用预先训练的深度学习神经网络，识别所述库位ROI所对应的库位类型；
所述生成模块，具体用于：
对所述库位角点进行两两组合确定候选库位ROI；从所述候选库位ROI中筛选符合预设库位角点条件的候选库位ROI；
yolo网络训练过程包括：
预先采集不同天气、不同光照等条件下不同库位的库位图像，并对库位图像进行环视鸟瞰图拼接得到对应的库位鸟瞰环视图；
对所述库位鸟瞰环视图中库位ROI的库位角点进行标注，生成训练数据集；
提取所述训练数据集中库位角点的角点信息作为yolo网络的输入，进行yolo网络训练。
6.根据权利要求5所述的装置，其特征在于，还包括：
第一矫正模块，用于对所述车辆四路鱼眼相机环视图像进行图像畸变矫正。
7.根据权利要求5所述的装置，其特征在于，还包括：
第二矫正模块，用于对所述库位角点进行位置矫正。
8.根据权利要求5所述的装置，其特征在于，还包括：
第三矫正模块，用于对所述库位类型进行类型矫正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810904428.7A CN110826364B (zh) | 2018-08-09 | 2018-08-09 | 一种库位识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810904428.7A CN110826364B (zh) | 2018-08-09 | 2018-08-09 | 一种库位识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110826364A CN110826364A (zh) | 2020-02-21 |
| CN110826364B true CN110826364B (zh) | 2024-02-02 |
Family
ID=69540975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810904428.7A Active CN110826364B (zh) | 2018-08-09 | 2018-08-09 | 一种库位识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110826364B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112498338B (zh) * | 2020-12-07 | 2022-04-12 | 上海汽车集团股份有限公司 | 一种库位确定方法、装置及电子设备 |
| CN113409194B (zh) * | 2021-06-30 | 2024-03-22 | 上海汽车集团股份有限公司 | 泊车信息获取方法及装置、泊车方法及装置 |
| CN113627276A (zh) * | 2021-07-20 | 2021-11-09 | 的卢技术有限公司 | 一种检测车位的方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000172993A (ja) * | 1998-12-02 | 2000-06-23 | Hitachi Zosen Corp | 駐車場の車両管理設備 |
| CN103600707A (zh) * | 2013-11-06 | 2014-02-26 | 同济大学 | 一种智能泊车系统的泊车位检测装置及方法 |
| JP2015074321A (ja) * | 2013-10-08 | 2015-04-20 | 本田技研工業株式会社 | 駐車支援システム |
| JP2015108261A (ja) * | 2013-12-05 | 2015-06-11 | 新明和工業株式会社 | 車両位置検出装置およびそれを用いた車両誘導装置 |
| CN107180215A (zh) * | 2017-05-31 | 2017-09-19 | 同济大学 | 基于库位和二维码的停车场自动建图与高精度定位方法 |
| CN108154472A (zh) * | 2017-11-30 | 2018-06-12 | 惠州市德赛西威汽车电子股份有限公司 | 融合导航信息的泊车位视觉检测方法与系统 |
| CN108263283A (zh) * | 2018-01-25 | 2018-07-10 | 长沙立中汽车设计开发股份有限公司 | 多编组变角度车辆全景环视系统标定及拼接方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8503728B2 (en) * | 2007-10-30 | 2013-08-06 | Nec Corporation | Road marking image processing device, road marking image processing method, and program |
| JP4697480B2 (ja) * | 2008-01-11 | 2011-06-08 | 日本電気株式会社 | 車線認識装置、車線認識方法および車線認識プログラム |
-
2018
- 2018-08-09 CN CN201810904428.7A patent/CN110826364B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000172993A (ja) * | 1998-12-02 | 2000-06-23 | Hitachi Zosen Corp | 駐車場の車両管理設備 |
| JP2015074321A (ja) * | 2013-10-08 | 2015-04-20 | 本田技研工業株式会社 | 駐車支援システム |
| CN103600707A (zh) * | 2013-11-06 | 2014-02-26 | 同济大学 | 一种智能泊车系统的泊车位检测装置及方法 |
| JP2015108261A (ja) * | 2013-12-05 | 2015-06-11 | 新明和工業株式会社 | 車両位置検出装置およびそれを用いた車両誘導装置 |
| CN107180215A (zh) * | 2017-05-31 | 2017-09-19 | 同济大学 | 基于库位和二维码的停车场自动建图与高精度定位方法 |
| CN108154472A (zh) * | 2017-11-30 | 2018-06-12 | 惠州市德赛西威汽车电子股份有限公司 | 融合导航信息的泊车位视觉检测方法与系统 |
| CN108263283A (zh) * | 2018-01-25 | 2018-07-10 | 长沙立中汽车设计开发股份有限公司 | 多编组变角度车辆全景环视系统标定及拼接方法 |
Non-Patent Citations (1)
| Title |
|---|
| 袁公萍 ; 汤一平 ; 韩旺明 ; 陈麒 ; .基于深度卷积神经网络的车型识别方法.浙江大学学报(工学版).2018,(04),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110826364A (zh) | 2020-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
| CN107784654B (zh) | 图像分割方法、装置及全卷积网络系统 | |
| CN109034047A (zh) | 一种车道线检测方法及装置 | |
| CN106548169B (zh) | 基于深度神经网络的模糊文字增强方法及装置 | |
| CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
| CN106971185B (zh) | 一种基于全卷积网络的车牌定位方法及装置 | |
| CN106778659B (zh) | 一种车牌识别方法及装置 | |
| CN110826364B (zh) | 一种库位识别方法及装置 | |
| CN111967313B (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
| Chen et al. | Shadow-based Building Detection and Segmentation in High-resolution Remote Sensing Image. | |
| CN112329881B (zh) | 车牌识别模型训练方法、车牌识别方法及装置 | |
| CN111582093A (zh) | 一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法 | |
| CN103065163B (zh) | 一种基于静态图片的快速目标检测识别系统及方法 | |
| CN111046856A (zh) | 基于动静态特征提取并行位姿跟踪与地图创建的方法 | |
| CN110852164A (zh) | 一种基于YOLOv3的自动检测违章建筑方法及系统 | |
| CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
| CN113435407B (zh) | 一种输电系统的小目标识别方法及装置 | |
| CN108763575B (zh) | 基于像控点数据库的像控点自动选取方法 | |
| CN111368682A (zh) | 一种基于faster RCNN台标检测与识别的方法及系统 | |
| CN108615401B (zh) | 基于深度学习的室内非均匀光线车位状况识别方法 | |
| CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
| CN115880260A (zh) | 基站施工的检测方法、装置、设备及计算机可读存储介质 | |
| CN112861785A (zh) | 一种基于实例分割和图像修复的带遮挡行人重识别方法 | |
| CN113158954B (zh) | 交通非现场的基于ai技术的斑马线区域自动检测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Applicant after: Shanghai Automotive Industry Corporation (Group) Effective date of registration: 20200628 Address after: 201203 Shanghai Zhangjiang High Tech Park of Pudong New Area Songtao Road No. 563 Building No. 1 room 509 Applicant after: SAIC MOTOR Corp.,Ltd. Address before: 201203 room 509, building 1, No. 563, Songtao Road, Zhangjiang hi tech park, Xuhui District, Shanghai Applicant before: SAIC Motor Corp.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |