CN110889974B - 一种智能泊车车位识别方法及装置、汽车 - Google Patents
一种智能泊车车位识别方法及装置、汽车 Download PDFInfo
- Publication number
- CN110889974B CN110889974B CN201811053717.7A CN201811053717A CN110889974B CN 110889974 B CN110889974 B CN 110889974B CN 201811053717 A CN201811053717 A CN 201811053717A CN 110889974 B CN110889974 B CN 110889974B
- Authority
- CN
- China
- Prior art keywords
- suspected
- parking space
- space
- parking
- available
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种智能泊车车位识别方法及装置、汽车,所述方法包括如下步骤:在寻找停车位过程中获取车辆单侧环境的广角图像和深度图像;根据所述广角图像确定是否存在疑似线车位,根据所述深度图像确定是否存在疑似空间车位和疑似障碍物;若存在疑似线车位和疑似空间车位,则计算所述疑似线车位和所述疑似空间车位的尺寸,根据疑似线车位的尺寸确定所述疑似线车位是否为可用线车位,并根据所述疑似空间车位的尺寸确定所述疑似线车位是否为可用空间车位;若存在疑似障碍物和可用空间车位,则判断所述疑似障碍物是否位于所述可用空间车位;最后结合前面步骤结果进行可用停车位判断。本发明能够提高车位空间内障碍物的探测能力和有效车位的识别率。
Description
技术领域
本发明涉及车辆控制技术领域,具体涉及一种智能泊车车位识别方法及装置、汽车。
背景技术
智能泊车的一项关键技术是通过加装在车辆两侧的长距超声波传感器以及摄像头,实现车位的识别,为智能泊车提供首要条件。当前长距超声波传感器识别方法和摄像头识别方法在环境良好的场景下能够识别出标准的车位,然而在某些特殊环境下仍然存在部分车位无法被识别或被错误识别。
例如图1所示的特殊环境下,现有方法识别出来的车位存在误判,在此没有车位线环境下,该图中的橙色障碍物的尺寸小于长距超声波传感器设置的跳变阈值,但又足以影响智能泊车时,如采用上述通常的识别方法会判断该车位为有效车位,而实际上该车位为无效车位。
又例如图2所示的特殊环境下,现有方法无法识别出车位,在此有车位线的环境下,该图中车位内的草高度大于或等于长距传感器探测设置的阈值时,如采用上述通常方法会判断该车位为无效车位,而实际上该车位为有效车位。
例如上图1-2示出的特殊环境在日常生活中比较普遍存在的场景,当然,还有一些类似于图1-2的环境,也会存在同样的问题,而对于这些特殊环境而言,在智能泊车时使用现有的识别技术识别车位,存在部分车位不能够被有效识别出来,因此限制了智能泊车的运用场景数量以及泊车质量。
发明内容
本发明目的在于提供一种智能泊车车位识别方法及装置、汽车,以解决智能泊车中特殊环境下有效车位的识别技术问题,提高车位空间内障碍物的探测能力和有效车位的识别率。
为了实现本发明目的,本发明第一方面提供一种智能泊车车位识别方法,包括如下步骤:
在寻找停车位过程中获取车辆单侧环境的广角图像和深度图像;
根据所述广角图像确定是否存在疑似线车位,根据所述深度图像确定是否存在疑似空间车位和疑似障碍物;
若存在疑似线车位和疑似空间车位,则计算所述疑似线车位和所述疑似空间车位的尺寸,根据所述疑似线车位的尺寸确定所述疑似线车位是否为可用线车位,并根据所述疑似空间车位的尺寸确定所述疑似线车位是否为可用空间车位;
若存在疑似障碍物和可用空间车位,则判断所述疑似障碍物是否位于所述可用空间车位;
进行可用停车位判断;其中,若存在可用线车位和可用空间车位,且所述可用空间车位内不存在疑似障碍物,则判断所述可用线车位为可用停车位;若不存在可用线车位,但存在可用空间车位,且所述可用空间车位内不存在疑似障碍物,则判断所述可用空间车位为可用停车位。
在一些实施例中,所述根据所述广角图像确定疑似线车位包括:提取所述广角图像的线性特征并根据所述线性特征确定疑似线车位。
在一些实施例中,所述提取所述广角图像的线性特征并根据所述线性特征确定疑似线车位包括:
对所述广角图像进行车位轮廓检测得到车位轮廓特征;
对所述车位轮廓特征进行识别,若所述车位轮廓特征满足四边形特征条件,则确定该车位轮廓为疑似线车位。
在一些实施例中,所述计算疑似线车位的尺寸包括计算疑似线车位的周长和面积;
所述根据所述疑似线车位的尺寸确定所述疑似线车位是否为可用线车位包括:若所述周长大于等于预设第一阈值且所述面积大于等于预设第二阈值,则确定所述疑似线车位为可用线车位。
在一些实施例中,所述根据所述深度图像确定疑似障碍物包括:
在获取车辆单侧环境的深度图像过程中,对接收到的反射像素点距离数据进行大小排序;
根据排序结果找出最小数值的像素点坐标;
根据所述最小数值的像素点坐标,将其与相邻的像素点的距离数据进行比较得到差值;
若所述差值小于等于预设第三阈值,则相邻的像素点与所述最小数值的像素点属于相邻障碍切面,两个像素点划分至同一个相邻区域,否则为非相邻区域,所述相邻区域为疑似障碍物。
在一些实施例中,所述判断所述疑似障碍物是否位于所述可用空间车位包括:
将所述相邻区域中的反射像素点距离数据进行排序,确定区域中最短反射像素点距离;
进行疑似空间车位内障碍物判断,若其最短反射像素点距离大于预设第四阈值,则疑似障碍物不在疑似空间车位内;若其最短反射像素点距离小于等于预设第四阈值,则疑似障碍物位于可用空间车位中。
在一些实施例中,所述根据所述空间特征确定疑似空间车位包括:
根据接收到的反射像素点距离数据,提取水平方向像素点的反射像素点距离;
若当前像素点的反射像素点距离减去前一个像素点的反射像素点距离为正数值,且数值的绝对值大于等于预设第五阈值,则认定当前像素点为下降沿像素点;若当前像素点的垂直方向上的下降沿像素点的数量大于等于预设第六阈值时,则生成下降沿信号,所述下降沿信号对应的像素点位置为疑似空间车位起始位置;
若当前像素点的反射像素点距离减去前一个像素点的反射像素点距离为负数值,且数值的绝对值大于等于预设第七阈值,则认定当前像素点为上升沿像素点;若当前像素点的垂直方向上的上升沿像素点的数量大于等于预设第六阈值时,则生成上升沿信号,所述上升沿信号对应的像素点位置为疑似空间车位终止位置。
在一些实施例中,所述根据所述空间特征确定疑似空间车位还包括:获取生成下降沿信号和生成上升沿信号的时刻值、车速,并根据所述车速、生成下降沿信号的时刻值与生成上升沿信号的时刻值的时间差,计算疑似空间车位长度。
本发明第二方面提供一种用于实现本发明第一方面所述方法的智能泊车车位识别装置,包括:
图像采集模块,被配置为在寻找停车位过程中获取车辆单侧环境的广角图像和深度图像;
第一确定模块,被配置为接收所述广角图像,并根据所述广角图像确定是否存在疑似线车位、计算所述疑似线车位的尺寸以及确定所述疑似线车位是否为可用线车位;
第二确定模块,被配置为接收所述深度图像,并根据所述深度图像确定是否存在疑似空间车位和疑似障碍物、计算所述疑似空间车位的尺寸、确定所述疑似线车位是否为可用空间车位、以及判断所述疑似障碍物是否位于所述可用空间车位;
判断模块,被配置为接收第一确定模块和第二确定模块的确定结果,进行可用停车位判断。
本发明第三方面提供一种汽车,包括本发明第二方面所述的智能泊车车位识别装置。
以上实施例至少具有以下有益效果:
提供了一种智能泊车车位识别方法及装置、汽车,其应用于汽车的智能泊车,在寻找停车位过程中,通过获取车辆单侧环境的广角图像和深度图像,然后对广角图像和深度图像的数据进行分析得到线车位信息、空间车位信息和障碍物情况,最后综合所述线车位信息、空间车位信息和障碍物情况来确定可用的最佳停车位,针对有车位线和没有车位线的车位环境,采用了不同的判断方法,从而改善特殊环境下部分车位误识别及漏识别的缺陷,能够在更复杂的环境下识别出有效停车位,极大提升了智能泊车的适用场景。此外,其他有益效果将在下文中进一步说明。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为背景技术中所述没有车位线的特殊环境示意图。
图2为背景技术中所述有车位线的特殊环境示意图。
图3为本发明实施例一中所述智能泊车车位识别方法流程图。
图4为本发明实施例二中所述智能泊车车位识别装置结构示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本发明,在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的手段、元件和电路未作详细描述,以便于凸显本发明的主旨。
本发明实施例一提供一种智能泊车车位识别方法,如图3所示,所述方法包括如下步骤:
S100在寻找停车位过程中获取车辆单侧环境的广角图像和深度图像,分别可以通过一广角摄像头和一深度摄像头来实现。
需说明的是,所述深度图像为根据被测物体的点与传感器之间的距离数据来得到的,被测物体的每一个点相当于深度图像的一个像素点。例如TOF摄像头,其获取深度图像的原理是:通过对目标场景发射连续的近红外脉冲,然后用传感器接收由物体反射回的光脉冲。通过比较发射光脉冲与经过物体反射的光脉冲的相位差,可以推算得到光脉冲之间的传输延迟进而得到物体相对于发射器的距离,最终得到一幅深度图像。
S200根据所述广角图像确定是否存在疑似线车位,根据所述深度图像确定是否存在疑似空间车位和疑似障碍物。
其中,如果车位具有车位线,那么根据广角图像即可以获得车位线信息,并据此来确定车位;如果车位不具有车位线,那么根据深度图像可用获得车位空间信息,据此来确定车位。
S300若存在疑似线车位和疑似空间车位,则计算所述疑似线车位和所述疑似空间车位的尺寸,根据所述疑似线车位的尺寸确定所述疑似线车位是否为可用线车位,并根据所述疑似空间车位的尺寸确定所述疑似线车位是否为可用空间车位。
其中,本实施例具体根据疑似线车位和疑似空间车位的尺寸能不能满足车辆进行停车来确定其是否为可用线车位。
S400若存在疑似障碍物和可用空间车位,则判断所述疑似障碍物是否位于所述可用空间车位。
S500进行可用停车位判断。
若存在可用线车位和可用空间车位,且所述可用空间车位内不存在疑似障碍物,则判断所述可用线车位为可用停车位。
若不存在可用线车位,但存在可用空间车位,且所述可用空间车位内不存在疑似障碍物,则判断所述可用空间车位为可用停车位。
需说明的是,应用本实施例方法,只有在存在可用空间车位,且可用空间车位内不存在障碍物,才会存在可用停车位。那么如果同时存在可用线车位和可用空间车位,则可用线车位优先作为最佳停车位。
具体而言,本实施例方法使用时,在寻找停车位过程中通过获取车辆单侧环境的广角图像和深度图像,然后对广角图像和深度图像的数据进行分析得到线车位信息、空间车位信息和障碍物情况,最后综合所述线车位信息、空间车位信息和障碍物情况来确定可用的最佳停车位,针对有车位线和没有车位线的车位环境,采用了不同的判断方法,从而改善特殊环境下部分车位误识别及漏识别的缺陷,能够在更复杂的环境下识别出有效停车位,极大提升了智能泊车的适用场景。
其中,所述步骤S100还包括对获取的广角图像和深度图像的数据进行存储,具体如下:
将深度摄像头探测到的每个像素点相对距离数据映射至数据库Tab1;
将广角摄像头采集到的车辆单侧环境的图像映射至数据库Tab2;
将Tab2中的数据提取出来建立数据库Tab3,并对Tab3中的数据进行图像的预处理,从而获得边缘修补后的图像,以便于后续进行广角图像中车位线检测。
在一些实施例中,所述步骤S200中根据所述广角图像确定疑似线车位包括:提取所述广角图像的线性特征并根据所述线性特征确定疑似线车位。
其中,所述提取所述广角图像的线性特征并根据所述线性特征确定疑似线车位包括:
首先,对所述广角图像进行车位轮廓检测得到车位轮廓特征,也就是车位线检测,本实施中线性特征指的是车位线特征。
然后,对所述车位轮廓特征进行识别,若所述车位轮廓特征满足四边形特征条件,则确定该车位轮廓为疑似线车位。
其中,由于部分车位线因为使用时间长了,可能会存在部分车位线掉漆或者显示不明显的情况,因此本实施例在进行车位线检测之前,对广角图像进行预处理,所述预处理包括如下内容:
将图像进行灰度化得到灰度图像;
将所述灰度图像进行去噪处理得到去躁图像;其中,去躁处理采用中值滤波法;
将所述去躁图像进行边缘增加;
将边缘增加后的图像进行图像二值化;
将二值化图像进行边缘修补,最后得到完整的车位线信息。
在一些实施例中,所述步骤S300中计算疑似线车位的尺寸包括计算疑似线车位的周长和面积。
所述根据所述疑似线车位的尺寸确定所述疑似线车位是否为可用线车位包括:若所述周长大于等于预设第一阈值且所述面积大于等于预设第二阈值,则确定所述疑似线车位为可用线车位。
需说明的是,预设第一阈值为关于长度的阈值,预设第二阈值为关于面积的阈值,本实施例中预设第一阈值和预设第二阈值可以根据通常停车位的大小来确定。
在一些实施例中,所述步骤S300中根据所述深度图像确定疑似空间车位和障碍物包括:提取所述深度图像的空间特征,根据所述空间特征确定疑似空间车位和障碍物;本实施例中,所述空间特征包括车位空间以及车位空间内的疑似障碍物情况。
其中,所述提取所述深度图像的空间特征包括:在获取车辆单侧环境的深度图像过程中,对接收到的反射像素点距离数据进行分析获取其空间特征,具体而言,根据距离不同的物体像素点的反射像素点距离不同,也就是物体上的点到图像采集模块的距离,据此,可以来确定车位空间内存在什么样的障碍物。
其中,所述将深度摄像头探测到的每个像素点相对距离数据映射至数据库Tab1具体包括以下步骤:根据TOF摄像头的成像原理,对该摄像头每个像素点所在镜片中的物理坐标进行标定,并建立整个镜头对应的三维坐标系[X,Y,Z]数据库,其中X轴定义为镜面水平方向,Y轴定义为镜面垂直方向,Z轴定义为垂直于镜面方向;然后将TOF摄像头探测到的数据映射至数据库Tab1。
其中,将广角摄像头采集到的车辆单侧环境的图像映射至数据库Tab2具体包括以下步骤:根据广角摄像头的成像原理,对该摄像头每个像素点所在镜片中的物理坐标进行标定,并建立整个镜头对应的二维坐标系[x,y]数据库,其中x定义为镜面水平方向,y定义为镜面垂直方向;然后采集到的广角图像数据映射至数据库Tab2。
在一些实施例中,所述步骤S400中根据所述深度图像确定疑似障碍物包括:
S401在获取车辆单侧环境的深度图像过程中,根据接收到的反射像素点距离数据进行大小排序,即对数据库中Tab1的Z轴数据值进行排序。
S402根据排序结果找出最小数值的像素点坐标。
S403根据所述最小数值的像素点坐标,将其与相邻的像素点的距离数据进行比较得到差值。
S404若所述差值小于等于预设第三阈值,所述预设第三阈值为关于距离的阈值,则相邻的像素点与所述最小数值的像素点属于相邻障碍切面,划分至同一个相邻区域,否则为非相邻区域。
需说明的是,本步骤中所得到的相邻区域实际上为所述疑似障碍物。
所述步骤S400中判断所述疑似障碍物是否位于所述可用空间车位包括:
S405将所述相邻区域中的反射像素点距离数据进行排序,确定区域中最短反射像素点距离。
S406进行疑似空间车位内障碍物判断。
其中,若其最短反射像素点距离大于预设第四阈值,则该区域不在疑似空间车位内。若其最短反射像素点距离小于等于预设第四阈值,则该区域在疑似空间车位内,疑似障碍物位于可用空间车位中。
在一些实施例中,所述根据所述空间特征确定疑似空间车位包括:
首先,根据接收到的反射像素点距离数据,提取镜面水平方向(X轴方向)像素点的反射像素点距离(Z轴方向距离数据)。
继而,若当前像素点的反射像素点距离减去前一个像素点的反射像素点距离为正数值,且数值的绝对值大于等于预设第五阈值,所述预设第五阈值为关于距离的阈值,则认定当前像素点为下降沿像素点。进一步地,若当前像素点的垂直方向上的下降沿像素点的数量大于等于预设第六阈值时,说明此处有一个空间足够大,则生成一个下降沿信号,所述下降沿信号对应的像素点位置为疑似空间车位起始位置。
需说明的是,所述预设第六阈值为关于数量的阈值,所述预设第六阈值可以根据实际情况设置,例如10个或15个或20个等等。
继而,若当前像素点的反射像素点距离减去前一个像素点的反射像素点距离为负数值,且数值的绝对值大于等于预设第七阈值,所述预设第七阈值为关于距离的阈值,则认定当前像素点为上升沿像素点。进一步地,若当前像素点的垂直方向上的上升沿像素点的数量大于等于预设第六阈值时,说明此处空间被某个物体遮挡了,则生成一个上升沿信号,所述上升沿信号对应的像素点位置为疑似空间车位终止位置。
由此,可以确定疑似空间车位起始位置和疑似空间车位终止位置,从而得到疑似空间车位。
在一些实施例中,所述根据所述空间特征确定疑似空间车位还包括:获取生成下降沿信号和生成上升沿信号的时刻值、车速,并根据所述车速、生成下降沿信号的时刻值与生成上升沿信号的时刻值的时间差,计算疑似空间车位长度。
其中,设定关于车位长度的预设第八阈值,若疑似空间车位长度大于等于预设第八阈值,则该疑似空间车位为可用空间车位,并对其进行存储,不满足条件的数据则进行清除。
本发明实施例二提供一种用于实现本发明实施例一所述方法的智能泊车车位识别装置,如图4所示,其包括图像采集模块1、第一确定模块2、第二确定模块3和判断模块4。
其中,所述图像采集模块1被配置为在寻找停车位过程中获取车辆单侧环境的广角图像和深度图像。
本实施例中,所述图像采集模块包括设置于汽车两侧车身侧面的广角摄像头和TOF摄像头,所述广角摄像头用于采集所述广角图像,所述TOF摄像头用于采集所述深度图像。
其中,所述第一确定模块2被配置为接收所述广角图像,并根据所述广角图像确定是否存在疑似线车位、计算所述疑似线车位的尺寸以及确定所述疑似线车位是否为可用线车位。
其中,所述第二确定模块3被配置为接收所述深度图像,并根据所述深度图像确定是否存在疑似空间车位和疑似障碍物、计算所述疑似空间车位的尺寸、确定所述疑似线车位是否为可用空间车位、以及判断所述疑似障碍物是否位于所述可用空间车位。
其中,所述判断模块4被配置为接收第一确定模块和第二确定模块的确定结果,进行可用停车位判断。
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。
本发明实施例三提供一种汽车,包括本发明实施例二所述的智能泊车车位识别装置。
在本说明书的描述中,参考术语“一些实施例”等的描述意指结合所述实施例或示例描述的具体特征包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (11)
1.一种智能泊车车位识别方法,其特征在于,包括如下步骤:
在寻找停车位过程中获取车辆单侧环境的广角图像和深度图像;
根据所述广角图像确定是否存在疑似线车位,根据所述深度图像确定是否存在疑似空间车位和疑似障碍物;其中,所述根据所述深度图像确定疑似障碍物包括:在获取车辆单侧环境的深度图像过程中,对接收到的反射像素点距离数据进行大小排序;根据排序结果找出最小数值的像素点坐标;以及,根据所述最小数值的像素点坐标,将其与相邻的像素点的距离数据进行比较得到差值;若所述差值小于等于预设第三阈值,则相邻的像素点与所述最小数值的像素点属于相邻障碍切面,两个像素点划分至同一个相邻区域,否则为非相邻区域,所述相邻区域为疑似障碍物;
若存在疑似线车位和疑似空间车位,则计算所述疑似线车位和所述疑似空间车位的尺寸,根据所述疑似线车位的尺寸确定所述疑似线车位是否为可用线车位,并根据所述疑似空间车位的尺寸确定所述疑似线车位是否为可用空间车位;
若存在疑似障碍物和可用空间车位,则判断所述疑似障碍物是否位于所述可用空间车位;
进行可用停车位判断;其中,若存在可用线车位和可用空间车位,且所述可用空间车位内不存在疑似障碍物,则判断所述可用线车位为可用停车位;若不存在可用线车位,但存在可用空间车位,且所述可用空间车位内不存在疑似障碍物,则判断所述可用空间车位为可用停车位。
2.如权利要求1所述的智能泊车车位识别方法,其特征在于,所述根据所述广角图像确定疑似线车位包括:提取所述广角图像的线性特征并根据所述线性特征确定疑似线车位。
3.如权利要求2所述的智能泊车车位识别方法,其特征在于,所述提取所述广角图像的线性特征并根据所述线性特征确定疑似线车位包括:
对所述广角图像进行车位轮廓检测得到车位轮廓特征;
对所述车位轮廓特征进行识别,若所述车位轮廓特征满足四边形特征条件,则确定该车位轮廓为疑似线车位。
4.如权利要求3所述的智能泊车车位识别方法,其特征在于,所述计算疑似线车位的尺寸包括计算疑似线车位的周长和面积;
所述根据所述疑似线车位的尺寸确定所述疑似线车位是否为可用线车位包括:若所述周长大于等于预设第一阈值且所述面积大于等于预设第二阈值,则确定所述疑似线车位为可用线车位。
5.如权利要求1所述的智能泊车车位识别方法,其特征在于,所述根据所述深度图像确定疑似空间车位和障碍物包括:提取所述深度图像的空间特征,根据所述空间特征确定疑似空间车位和障碍物。
6.如权利要求5所述的智能泊车车位识别方法,其特征在于,所述提取所述深度图像的空间特征包括:在获取车辆单侧环境的深度图像过程中,对接收到的反射像素点距离数据进行分析获取其空间特征。
7.如权利要求1所述的智能泊车车位识别方法,其特征在于,所述判断所述疑似障碍物是否位于所述可用空间车位包括:
将所述相邻区域中的反射像素点距离数据进行排序,确定区域中最短反射像素点距离;
进行疑似空间车位内障碍物判断,若其最短反射像素点距离大于预设第四阈值,则疑似障碍物不在疑似空间车位内;若其最短反射像素点距离小于等于预设第四阈值,则疑似障碍物位于可用空间车位中。
8.如权利要求5所述的智能泊车车位识别方法,其特征在于,所述根据所述空间特征确定疑似空间车位包括:
根据接收到的反射像素点距离数据,提取水平方向像素点的反射像素点距离;
若当前像素点的反射像素点距离减去前一个像素点的反射像素点距离为正数值,且数值的绝对值大于等于预设第五阈值,则认定当前像素点为下降沿像素点;若当前像素点的垂直方向上的下降沿像素点的数量大于等于预设第六阈值时,则生成下降沿信号,所述下降沿信号对应的像素点位置为疑似空间车位起始位置;
若当前像素点的反射像素点距离减去前一个像素点的反射像素点距离为负数值,且数值的绝对值大于等于预设第七阈值,则认定当前像素点为上升沿像素点;若当前像素点的垂直方向上的上升沿像素点的数量大于等于预设第六阈值时,则生成上升沿信号,所述上升沿信号对应的像素点位置为疑似空间车位终止位置。
9.如权利要求8所述的智能泊车车位识别方法,其特征在于,所述根据所述空间特征确定疑似空间车位还包括:获取生成下降沿信号和生成上升沿信号的时刻值、车速,并根据所述车速、生成下降沿信号的时刻值与生成上升沿信号的时刻值的时间差,计算疑似空间车位长度。
10.一种用于实现权利要求1-9任一项所述方法的智能泊车车位识别装置,其特征在于,包括:
图像采集模块,被配置为在寻找停车位过程中获取车辆单侧环境的广角图像和深度图像;
第一确定模块,被配置为接收所述广角图像,并根据所述广角图像确定是否存在疑似线车位、计算所述疑似线车位的尺寸以及确定所述疑似线车位是否为可用线车位;
第二确定模块,被配置为接收所述深度图像,并根据所述深度图像确定是否存在疑似空间车位和疑似障碍物、计算所述疑似空间车位的尺寸、确定所述疑似线车位是否为可用空间车位、以及判断所述疑似障碍物是否位于所述可用空间车位;
判断模块,被配置为接收第一确定模块和第二确定模块的确定结果,进行可用停车位判断。
11.一种汽车,其特征在于,包括权利要求10所述的智能泊车车位识别装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811053717.7A CN110889974B (zh) | 2018-09-11 | 2018-09-11 | 一种智能泊车车位识别方法及装置、汽车 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811053717.7A CN110889974B (zh) | 2018-09-11 | 2018-09-11 | 一种智能泊车车位识别方法及装置、汽车 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889974A CN110889974A (zh) | 2020-03-17 |
CN110889974B true CN110889974B (zh) | 2021-02-19 |
Family
ID=69745265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811053717.7A Active CN110889974B (zh) | 2018-09-11 | 2018-09-11 | 一种智能泊车车位识别方法及装置、汽车 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889974B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920770B (zh) * | 2020-07-07 | 2022-12-27 | 北京新能源汽车股份有限公司 | 一种代客泊车控制方法、装置、设备及车辆 |
CN112124303A (zh) * | 2020-09-27 | 2020-12-25 | 广州汽车集团股份有限公司 | 一种车位融合方法及系统 |
CN113160605B (zh) * | 2020-12-22 | 2022-11-01 | 东风汽车集团有限公司 | 一种融合的车位识别方法 |
CN114783172B (zh) * | 2021-01-22 | 2024-05-17 | 广州汽车集团股份有限公司 | 一种停车场空车位识别方法及系统、计算机可读存储介质 |
CN113593296A (zh) * | 2021-07-26 | 2021-11-02 | 广州小鹏自动驾驶科技有限公司 | 一种车位检测方法、装置、车辆和介质 |
CN114063086B (zh) * | 2021-11-10 | 2024-03-08 | 安徽江淮汽车集团股份有限公司 | 自动泊车车位防误释放方法 |
CN114435370B (zh) * | 2022-03-02 | 2024-04-12 | 深圳市哲思特科技有限公司 | 用于泊车的自动路径规划方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103778795A (zh) * | 2012-10-23 | 2014-05-07 | 现代自动车株式会社 | 用于辅助在无停车线区域停车的装置和方法 |
CN205230369U (zh) * | 2015-12-24 | 2016-05-11 | 北京万集科技股份有限公司 | 一种基于tof相机的停车位检测系统 |
US20170017848A1 (en) * | 2015-07-17 | 2017-01-19 | Magna Electronics Inc. | Vehicle parking assist system with vision-based parking space detection |
CN107738612A (zh) * | 2017-09-22 | 2018-02-27 | 西安电子科技大学 | 基于全景视觉辅助系统的自动泊车停车位检测与识别系统 |
-
2018
- 2018-09-11 CN CN201811053717.7A patent/CN110889974B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778795A (zh) * | 2012-10-23 | 2014-05-07 | 现代自动车株式会社 | 用于辅助在无停车线区域停车的装置和方法 |
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 |
US20170017848A1 (en) * | 2015-07-17 | 2017-01-19 | Magna Electronics Inc. | Vehicle parking assist system with vision-based parking space detection |
CN205230369U (zh) * | 2015-12-24 | 2016-05-11 | 北京万集科技股份有限公司 | 一种基于tof相机的停车位检测系统 |
CN107738612A (zh) * | 2017-09-22 | 2018-02-27 | 西安电子科技大学 | 基于全景视觉辅助系统的自动泊车停车位检测与识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110889974A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889974B (zh) | 一种智能泊车车位识别方法及装置、汽车 | |
CN108243623B (zh) | 基于双目立体视觉的汽车防碰撞预警方法和系统 | |
CN110942449A (zh) | 一种基于激光与视觉融合的车辆检测方法 | |
US7376247B2 (en) | Target detection system using radar and image processing | |
CN110738121A (zh) | 一种前方车辆检测方法及检测系统 | |
JP2000357233A (ja) | 物体認識装置 | |
US7321669B2 (en) | Method and apparatus for refining target position and size estimates using image and depth data | |
CN111678518B (zh) | 一种用于修正自动泊车路径的视觉定位方法 | |
WO2019009110A1 (ja) | 車両用外界認識装置 | |
CN112380973B (zh) | 交通信号灯的识别方法和系统 | |
WO2019065970A1 (ja) | 車両用外界認識装置 | |
CN112597839A (zh) | 基于车载毫米波雷达的道路边界检测方法 | |
WO2019149213A1 (zh) | 基于影像识别路锥的方法、装置、存储介质以及车辆 | |
JP4123138B2 (ja) | 車両検知方法及び車両検知装置 | |
CN108268866B (zh) | 一种车辆检测方法和系统 | |
CN115151836A (zh) | 用于探测车辆周围环境中的移动对象的方法和机动车辆 | |
JPH11345336A (ja) | 障害物検出装置 | |
CN116413725A (zh) | 一种基于摄像头与毫米波雷达数据融合的障碍物检测方法 | |
CN110488320B (zh) | 一种利用立体视觉检测车辆距离的方法 | |
CN115457506A (zh) | 一种目标检测方法、装置及存储介质 | |
JP2000259997A (ja) | 先行車の高さおよび車間距離計測装置 | |
JP2001116545A (ja) | 距離画像算出装置 | |
JP3532896B2 (ja) | スミア検出方法及びこのスミア検出方法を用いた画像処理装置 | |
JPH08329397A (ja) | 車両認識装置及びそれを用いた車両接近報知装置 | |
CN114762019A (zh) | 摄像机系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |