CN110929661A - 一种基于卷积神经网络的可停靠车位检测方法及系统 - Google Patents
一种基于卷积神经网络的可停靠车位检测方法及系统 Download PDFInfo
- Publication number
- CN110929661A CN110929661A CN201911192323.4A CN201911192323A CN110929661A CN 110929661 A CN110929661 A CN 110929661A CN 201911192323 A CN201911192323 A CN 201911192323A CN 110929661 A CN110929661 A CN 110929661A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- parking
- detection
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 93
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的可停靠车位检测方法及系统,包括以下步骤,采集模块采集视频数据;处理模块对视频数据进行处理得到训练数据和标注数据;检测模块构建卷积神经网络模型;使用训练数据和标注数据对卷积神经网络模型进行训练,并输出训练后的卷积神经网络模型;所述采集模块在停车前采集周围的环境图像;将环境图像输入所述检测模块进行检测和筛选,输出停车位图。本发明的有益效果:通过卷积神经网络对停车位和禁停标志进行检测,从而筛选出可停的车位,提高车位检测的鲁棒性以及检测结果的准确性和实用性。
Description
技术领域
本发明涉及机器视觉的技术领域,尤其涉及一种基于卷积神经网络的可停靠车位检测方法及系统。
背景技术
近年来,划线车位检测逐渐发展成为辅助驾驶和自动驾驶的重要研究方向之一,依靠完善的划线车位检测算法可以实现车辆的自由泊车等功能,从而帮助车主安全便捷的将车辆停在车库内。
现有的停车位检测普遍是利用采集图像后,再根据不同的识别算法进行识别进行的。其中,传统的算法利用图像处理等技术对图像进行阈值分割和二值化等操作,但是在光照不均匀和划线车位不清楚等情况难以达到满意的效果;并且基于传统算法的划线车位检测通常没有办法识别车位内的禁停标志,因此,在车位内有禁停标志的情况下会导致检测的车位并不符合现实中使用的要求,有待进一步的优化改进。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的一个技术问题是:提供一种基于卷积神经网络的可停靠车位检测方法,能够在环境条件不佳的情况下保持较高的鲁棒性,同时剔除不满足条件的车位,使结果更准确实用。
为解决上述技术问题,本发明提供如下技术方案:一种基于卷积神经网络的可停靠车位检测方法,包括以下步骤,采集模块采集视频数据;处理模块对视频数据进行处理得到训练数据和标注数据;检测模块构建卷积神经网络模型;使用训练数据和标注数据对卷积神经网络模型进行训练,并输出训练后的卷积神经网络模型;所述采集模块在停车前采集周围的环境图像;将环境图像输入所述检测模块进行检测和筛选,输出停车位图。
作为本发明所述的基于卷积神经网络的可停靠车位检测方法的一种优选方案,其中:所述视频数据为含有划线停车位和禁停标志的视频。
作为本发明所述的基于卷积神经网络的可停靠车位检测方法的一种优选方案,其中:所述处理模块的处理还包括以下步骤,将所述视频以间隔10帧处理成图像集合,作为训练数据;对训练数据进行打标,得到标注了停车位和禁停标志的标注数据。
作为本发明所述的基于卷积神经网络的可停靠车位检测方法的一种优选方案,其中:所述卷积神经网络模型包括若干卷积块,且卷积块内包含卷积层、批归一化层和激活函数层,训练中使用的单次样本数为2。
作为本发明所述的基于卷积神经网络的可停靠车位检测方法的一种优选方案,其中:所述训练还包括以下步骤,将训练数据输入检测模块构建卷积神经网络模型中进行检测;根据检测结果计算epoach;当epoach=500时,loss停止收敛,停止模型训练。
作为本发明所述的基于卷积神经网络的可停靠车位检测方法的一种优选方案,其中:所述检测模块的检测还包括以下步骤,调用训练后的卷积神经网络模型,对环境图像进行检测;输出识别结果,将相关车位的点和禁停标志的点保存到相应的数据结构中。
作为本发明所述的基于卷积神经网络的可停靠车位检测方法的一种优选方案,其中:所述数据结构是两层c++定义的两层vector,其中第一层存放车库的信息,第二层存放每个车库下的所有坐标信息。
作为本发明所述的基于卷积神经网络的可停靠车位检测方法的一种优选方案,其中:所述筛选还包括以下步骤,将禁停标志的点分别向x轴的正方向和y轴的负方向进行投影;统计禁停标志x轴投影与车库四个边的交点个数Tx,计算禁停标志x轴投影与车库四个边的交点个数Ty;若Tx=Ty,则将该停车位予以排除;对所有车库都执行以上步骤,并根据结果输出停车位图。
本发明解决的另一个技术问题是:提供一种基于卷积神经网络的可停靠车位检测系统,使上述检测方法能够依托于该系统实现。
为解决上述技术问题,本发明提供如下技术方案:一种基于卷积神经网络的可停靠车位检测系统,包括,采集模块,所述采集模块能够采集视频和图像信息;处理模块,所述处理模块能够将视频转换为图像,并对图像进行标注处理;检测模块,所述检测模块用于构建卷积神经网络模型并对停车位进行检测。
作为本发明所述的基于卷积神经网络的可停靠车位检测系统的一种优选方案,其中:所述处理模块还包括转换工具和标注工具,所述转换工具用于将视频数据转换为图像数据,所述标注工具用于对图像进行打标。
本发明的有益效果:本发明通过卷积神经网络对停车位和禁停标志进行检测,从而筛选出可停的车位,提高车位检测的鲁棒性以及检测结果的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一种实施例所述基于卷积神经网络的可停靠车位检测方法的整体流程结构示意图;
图2为本发明第一种实施例所述基于卷积神经网络的可停靠车位检测方法中标签的标注规则示意图;
图3为本发明第一种实施例所述基于卷积神经网络的可停靠车位检测方法中禁停标志的投影示意图;
图4为本发明第一种实施例所述基于卷积神经网络的可停靠车位检测方法的检测结果示意图;
图5为基于传统停车位检测算法下不进行禁停标志筛选的检测结果示意图;
图6为本发明第二种实施例所述基于卷积神经网络的可停靠车位检测系统的整体结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1的示意,示意为本实施例中提出的一种基于卷积神经网络的可停靠车位检测方法的整体流程结构示意图,为了解决现有技术中的停车位检测算法在光照不均匀和划线车位不清楚的情况下鲁棒性较差、只对车位进行检测而不检测禁停标志从而导致无法判断不可停靠车位的问题,本实施例提出,通过构建新的卷积神经网络模型并对其进行训练,该模型不仅能够对停车位进行检测,还能够检测禁停标志,从而对停车位进行筛选,同时提高了停车位检测的鲁棒性。
更加具体的,本实施例中的基于卷积神经网络的可停靠车位检测方法,包括以下步骤,
S1:采集模块100采集视频数据。
其中,视频数据为含有划线停车位和禁停标志的视频,采集的地点可以是停车场以及道路上含有划线停车位的区域,视频中应当包括放置有禁停标志的划线停车位和空旷的划线停车位。
S2:处理模块200对视频数据进行处理得到训练数据和标注数据。
具体的,处理模块200的处理还包括以下步骤,
S2-1:将所述视频以间隔10帧处理成图像集合,作为训练数据。
具体的,可以利用opencv函数进行处理,首先读入采集的视频数据,当前帧数可以被10整除时保存该帧,即可将视频处理成图像集合。
S2-2:对训练数据进行打标,得到标注了停车位和禁停标志的标注数据。其中,由标注工具202对图像数据进行打标处理,标注工具202可以选用labelimg,标注后的标签包括p1、p2、p3、p4、p5、p6、p7、p8和p9共9个点,其中p1-p8表示为车库的四个角点,p9为禁停标志标签。可以理解的是,标注工具202也可以是其它的工具,例如Labelme、yolo_mark、Vatic或Sloth。
S3:检测模块300构建卷积神经网络模型。
具体的,卷积神经网络模型包括若干卷积块,且卷积块内包含卷积层、批归一化层和激活函数层,微调模型darknet53,构建卷积神经网络模型是使用深度学习框架mxnet。创建车位和禁停标志标签,标签类别为classneame=[p1,p2,p3,p4,p5,p6,p7,p8,p9],训练中使用的单次样本数为2。参照图2,标签标注规则如图2所示,p1-p8为车位标注,p9为禁停标志。
S4:使用训练数据和标注数据对卷积神经网络模型进行训练,并输出训练后的卷积神经网络模型。具体的,训练还包括以下步骤,
S4-1:将训练数据输入检测模块300构建卷积神经网络模型中进行检测;卷积神经网络模型对训练数据的图像进行检测后,输出检测结果。
S4-2:根据检测结果计算epoach。其中,epoach=batchsize*batch,epoach为一个完整的训练集数量,batchsize为每次训练使用的样本数,batch为完整训练一遍数据集的次数。
S4-3:当批次epoach=500时,loss停止收敛,停止模型训练。此时mAP稳定在0.85左右。
其中,epoach为在整个训练样本上的一次完整迭代,mAP为衡量预测框和准确性指标,其越大则说明卷积神经网络模型的检测效果越好。
训练结束后的卷积神经网络模型可供c++调用。
S5:采集模块100在停车前采集周围的环境图像。在实际应用中,将采集模块100安装在汽车上,并实时采集实际停车位的状况,优选的,采集模块100可以为能够360度旋转的摄像头,并安装在汽车顶部。
S6:将环境图像输入检测模块300进行检测和筛选,输出停车位图。
具体的,检测模块300的检测还包括以下步骤,
调用训练后的卷积神经网络模型,对环境图像进行检测。具体的,使用mxnet的c++版本的前向传播接口,加载训练好的卷积神经网络模型,加载方式是通过代码将卷积神经网络模型的路径和名字作为输入参数传入代码中,完成对输入图像的检测。具体的,调用代码可以参考如下的代码
检测后输出识别结果,将相关车位的点和禁停标志的点保存到相应的数据结构中。其中,数据结构是两层c++定义的两层vector,其中第一层存放车库的信息,第二层存放每个车库下的所有坐标信息。
对检测识别结果进行筛选还包括以下步骤,
将禁停标志的点分别向x轴的正方向和y轴的负方向进行投影;投影后得到的是该点的x轴和y轴坐标。
统计禁停标志x轴投影与车库四个边的交点个数Tx,计算禁停标志y轴投影与车库四个边的交点个数Ty。参照图3的示意,为Tx、Ty与x轴、y轴的一种投影关系,图3所示的T1和车库在x轴方向上的投影与车库有两个交点Tx=2,同时Ty=2,所有该禁停标志在车库内,而T2的投影结果为Tx=2,Ty=0,因此该点在车库外。
若Tx=Ty,则将该停车位予以排除;此时说明停车位内含有禁停标志,因此该停车位不能停车,需要将其排除。
对所有车库都执行以上步骤,并根据结果输出停车位图。
场景一:
为了通过实际测试体现本发明提供的基于卷积神经网络的可停靠车位检测方法在实际检测中对检测准确性和实用性的改善,利用现有的户外划线停车场作为检测的场地,同时在部分停车位上放置禁停标志以便体现效果差异。
参照图4~5,分别为基于本发明提供的可停靠车位检测方法和基于传统停车位检测算法下对停车位的检测结果示意图。对比可以看出,基于传统停车位检测算法将含有禁停标志的停车位也作为可停车位标注出来了,这样的结果会导致后续其它模块或车主的误判;而利用本发明的检测方法得到的结果则排除了放置有禁停标志的停车位,最终呈现的标注图像为实际可停的车位。
此外,将本专利在不同天气情况下进行测试,测试方法为,设置10个停车位,包括无禁停标志的可停车车位和放有禁停标志的不可停车位,分别基于传统算法和本发明的方法进行停车位的检测,每种方法在同一种天气状况下测试10次,并且每次测试后改变禁停标志的放置地点,同一种放置方式分别使用两种方法进行测试,最终判断检测出的可停车位是否准确并计算出识别率,结果如下表所示,
表1:
天气状况 | 传统算法识别率 | 本发明识别率 |
雨天 | 70% | 90% |
晴天 | 91% | 92% |
多云 | 80% | 90% |
从表中可以看出本发明所提出的方法,在光照条件复杂的情况下要优于传统算法。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
实施例2
参照图6的示意,为实现上述基于卷积神经网络的可停靠车位检测方法,本实施例中提出一种基于卷积神经网络的可停靠车位检测系统。具体的,该系统包括采集模块100、处理模块200和检测模块300。其中,采集模块100能够采集视频和图像信息;处理模块200能够将视频转换为图像,并对图像进行标注处理;检测模块300用于构建卷积神经网络模型并对停车位进行检测。
具体的,采集模块100可以为摄像头,摄像头是由镜头、电容、电阻、红外虑光片、传感器,线路板、图像处理芯片DSP以及补强板等元件组合而成的图像或视频采集工具。优选的,摄像头的分辨率为1080p。
处理模块200包括转换工具201和标注工具202,其中转换工具201用于将视频数据转换为图像数据,可以使用opencv函数进行处理;标注工具202用于对图像进行打标,本实施例中选用的标注工具为labelImg,labelImg是一个可视化的图像标定工具,能够标定图像中的目标,本实施例中的目标是停车位和禁停标志,该工具适用于制作图像检测任务的训练数据集。
检测模块300包括硬件和软件部分,其硬件部分为可进行电路连接的GPU芯片,例如英伟达GTX2080。软件部分即为通过代码和编译器进行算法的编写和运行,本实施例中代码的编写通过C++语言进行。在软件部分,通过编译动态库的方式,将可停靠车位检测的功能提供给外部调用。整套硬件和软件在实际使用时具有较高的可靠性和可扩展性。
如在本申请所使用的,术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体,该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如,组件可以是,但不限于是:在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例,在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中,并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外,这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如,来自一个组件的数据,该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号,以本地和/或远程过程的方式进行通信。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于卷积神经网络的可停靠车位检测方法,其特征在于:包括以下步骤,
采集模块(100)采集视频数据;
处理模块(200)对视频数据进行处理得到训练数据和标注数据;
检测模块(300)构建卷积神经网络模型;
使用训练数据和标注数据对卷积神经网络模型进行训练,并输出训练后的卷积神经网络模型;
所述采集模块(100)在停车前采集周围的环境图像;
将环境图像输入所述检测模块(300)进行检测和筛选,输出停车位图。
2.如权利要求1所述的基于卷积神经网络的可停靠车位检测方法,其特征在于:所述视频数据为含有划线停车位和禁停标志的视频。
3.如权利要求1或2所述的基于卷积神经网络的可停靠车位检测方法,其特征在于:所述处理模块(200)的处理还包括以下步骤,
将所述视频以间隔10帧处理成图像集合,作为训练数据;
对训练数据进行打标,得到标注了停车位和禁停标志的标注数据。
4.如权利要求3所述的基于卷积神经网络的可停靠车位检测方法,其特征在于:所述卷积神经网络模型包括若干卷积块,且卷积块内包含卷积层、批归一化层和激活函数层,训练中使用的单次样本数为2。
5.如权利要求4所述的基于卷积神经网络的可停靠车位检测方法,其特征在于:所述训练还包括以下步骤,
将训练数据输入检测模块(300)构建卷积神经网络模型中进行检测;
根据检测结果计算epoach;
当epoach=500时,loss停止收敛,停止模型训练。
6.如权利要求5所述的基于卷积神经网络的可停靠车位检测方法,其特征在于:所述检测模块(300)的检测还包括以下步骤,
调用训练后的卷积神经网络模型,对环境图像进行检测;
输出识别结果,将相关车位的点和禁停标志的点保存到相应的数据结构中。
7.如权利要求6任一所述的基于卷积神经网络的可停靠车位检测方法,其特征在于:所述数据结构是两层c++定义的两层vector,其中第一层存放车库的信息,第二层存放每个车库下的所有坐标信息。
8.如权利要求4~7任一所述的基于卷积神经网络的可停靠车位检测方法,其特征在于:所述筛选还包括以下步骤,
将禁停标志的点分别向x轴的正方向和y轴的负方向进行投影;
统计禁停标志x轴投影与车库四个边的交点个数Tx,计算禁停标志x轴投影与车库四个边的交点个数Ty;
若Tx=Ty,则将该停车位予以排除;
对所有车库都执行以上步骤,并根据结果输出停车位图。
9.一种基于卷积神经网络的可停靠车位检测系统,其特征在于:包括,
采集模块(100),所述采集模块(100)能够采集视频和图像信息;
处理模块(200),所述处理模块(200)能够将视频转换为图像,并对图像进行标注处理;
检测模块(300),所述检测模块(300)用于构建卷积神经网络模型并对停车位进行检测。
10.如权利要求9所述的基于卷积神经网络的可停靠车位检测系统,其特征在于:所述处理模块(200)还包括转换工具(201)和标注工具(202),所述转换工具(201)用于将视频数据转换为图像数据,所述标注工具(202)用于对图像进行打标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911192323.4A CN110929661A (zh) | 2019-11-28 | 2019-11-28 | 一种基于卷积神经网络的可停靠车位检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911192323.4A CN110929661A (zh) | 2019-11-28 | 2019-11-28 | 一种基于卷积神经网络的可停靠车位检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110929661A true CN110929661A (zh) | 2020-03-27 |
Family
ID=69846872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911192323.4A Pending CN110929661A (zh) | 2019-11-28 | 2019-11-28 | 一种基于卷积神经网络的可停靠车位检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929661A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797715A (zh) * | 2020-06-16 | 2020-10-20 | 东软睿驰汽车技术(沈阳)有限公司 | 车位检测方法、装置、电子设备及存储介质 |
CN111931753A (zh) * | 2020-10-13 | 2020-11-13 | 蘑菇车联信息科技有限公司 | 车联网ai网络接口实现方法及开放平台系统 |
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 |
CN113743657A (zh) * | 2021-08-16 | 2021-12-03 | 的卢技术有限公司 | 一种基于车辆运动信息的轨迹预测方法、系统和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415555A (zh) * | 2019-08-30 | 2019-11-05 | 的卢技术有限公司 | 一种基于深度学习的有效划线车位识别方法和系统 |
-
2019
- 2019-11-28 CN CN201911192323.4A patent/CN110929661A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415555A (zh) * | 2019-08-30 | 2019-11-05 | 的卢技术有限公司 | 一种基于深度学习的有效划线车位识别方法和系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797715A (zh) * | 2020-06-16 | 2020-10-20 | 东软睿驰汽车技术(沈阳)有限公司 | 车位检测方法、装置、电子设备及存储介质 |
CN111931753A (zh) * | 2020-10-13 | 2020-11-13 | 蘑菇车联信息科技有限公司 | 车联网ai网络接口实现方法及开放平台系统 |
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 |
CN113743657A (zh) * | 2021-08-16 | 2021-12-03 | 的卢技术有限公司 | 一种基于车辆运动信息的轨迹预测方法、系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11144786B2 (en) | Information processing apparatus, method for controlling information processing apparatus, and storage medium | |
CN110929661A (zh) | 一种基于卷积神经网络的可停靠车位检测方法及系统 | |
CN109657716B (zh) | 一种基于深度学习的车辆外观损伤识别方法 | |
CN111079680B (zh) | 临时交通信号灯检测方法、装置和自动驾驶设备 | |
KR102450019B1 (ko) | 드론을 이용한 수질현황 모니터링 방법 및 시스템 | |
CN109767637A (zh) | 倒计时信号灯识别及处理的方法和装置 | |
CN111931565A (zh) | 一种基于光伏电站uav的自主巡检与热斑识别方法及系统 | |
CN110136058B (zh) | 一种基于俯视拼接图的建图方法及车载终端 | |
CN113947766B (zh) | 一种基于卷积神经网络的实时车牌检测方法 | |
CN111738036B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111860072A (zh) | 泊车控制方法、装置、计算机设备及计算机可读存储介质 | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN114049356B (zh) | 一种结构表观裂缝检测方法、装置及系统 | |
CN104463240B (zh) | 一种仪表定位方法及装置 | |
CN111295666A (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
CN110765963A (zh) | 车辆制动检测方法、装置、设备及计算机可读存储介质 | |
CN113537070A (zh) | 一种检测方法、装置、电子设备及存储介质 | |
CN116740758A (zh) | 一种防止误判的鸟类图像识别方法及系统 | |
US20130231897A1 (en) | Systems and methods for efficient analysis of topographical models | |
CN113780111B (zh) | 一种基于优化YOLOv3算法的管道连接器的缺陷精确识别方法 | |
CN107610224A (zh) | 一种基于弱监督与明确闭塞建模的3d汽车对象类表示算法 | |
CN114549562A (zh) | 基于UNet的半自动化的倾斜摄影实景模型建筑物单体化方法、系统、设备和存储介质 | |
CN112001453B (zh) | 一种视频事件检测算法的准确率计算方法及装置 | |
CN111709377B (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
CN116203976A (zh) | 变电站室内巡检方法、装置、无人机和存储介质 |
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 | ||
CB02 | Change of applicant information |
Address after: 11th Floor, Building A1, Huizhi Science and Technology Park, No. 8 Hengtai Road, Nanjing Economic and Technological Development Zone, Jiangsu Province, 211000 Applicant after: DILU TECHNOLOGY Co.,Ltd. Address before: Building C4, No.55 Liyuan South Road, moling street, Nanjing, Jiangsu Province Applicant before: DILU TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information |