CN111814773A - 一种划线车位识别方法及系统 - Google Patents
一种划线车位识别方法及系统 Download PDFInfo
- Publication number
- CN111814773A CN111814773A CN202010925760.9A CN202010925760A CN111814773A CN 111814773 A CN111814773 A CN 111814773A CN 202010925760 A CN202010925760 A CN 202010925760A CN 111814773 A CN111814773 A CN 111814773A
- Authority
- CN
- China
- Prior art keywords
- target boundary
- pixels
- target
- feature
- parking space
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种划线车位识别方法,其包括步骤:步骤S10,通过多个摄像头对车辆周围的环境进行图像采集;步骤S11,对所采集的图像进行处理,形成围绕车身的环视图像;步骤S12,采用预定大小的窗口在所述环视图像上遍历滑动,依次获得多个局部图片,根据每一局部图片构成对应的特征图,获得每一特征图所对应的特征向量;步骤S13,依次将每一特征图的特征向量输入预先训练好的分类器进行检测获得包含候选车位线的目标边界框;步骤S14,消除多余的目标边界框,将最终剩下的目标边界框作为划线车位识别结果进行输出。本发明还公开相应的系统。实施本发明,具有计算量少、准确率高、环境适应性强等优点。
Description
技术领域
本发明涉及车位识别技术领域,特别是涉及一种划线车位识别方法及系统。
背景技术
车位检测是实现自动泊车的重要前提。目前较为常用的车位检测方法主要有:基于探测障碍物的超声波雷达检测,基于环视图像的检测等。超声波雷达通过检测车位周边或邻近的障碍物从而确定车位线的位置,如果周围车位处于空闲状态则无法准确探测到车位线位置,同时超声波雷达的探测精度极易受天气、环境、噪声等影响,普适性差。
例如,在现有的一个技术方案中,通过两个安装在车辆不同位置的摄像机获取车位线图像后得到两个不同的感兴趣区域,提取感兴趣区域内的Haar_like特征并使用基于boosting算法训练后的级联分类器分类,提取彩色图像上的车位线。
在该技术方案中,提取感兴趣区域内的Haar_like特征并使用分类器对其分类从而确定车位线。但是,由于Haar_like特征计算量较大,如果基于Haar_like特征进一步丰富特征表达能力,会导致算力消耗过大而难以推广应用;如果使用较为简单的特征表达方式,不能较为全面的表述不同类型的车位线特征,会造成较低的准确率。
发明内容
本发明所要解决的技术问题在于,提供一种划线车位识别方法及系统,使用聚合通道特征(ACF)提取图像中的多通道特征,输入到预先训练好的soft-cascade分类器检测车位线。具有计算量少、准确率高、环境适应性强,易于在计算资源有限的嵌入式芯片上部署。
为解决上述技术问题,作为本发明的一方面,提供一种划线车位识别方法,其包括如下步骤:
步骤S10,通过安装在车辆上的多个摄像头对车辆周围的环境进行图像采集;
步骤S11,对所述多个摄像头所采集的图像进行处理,形成围绕车身的环视图像;
步骤S12,采用预定大小的窗口在所述环视图像上遍历滑动,依次获取多个局部图片,根据每一局部图片构成对应的特征图,获得每一特征图所对应的多个特征向量;
步骤S13,依次将每一特征图的各特征向量输入预先训练好的分类器进行检测,判断特征向量中是否包含有候选车位线,获得包含有候选车位线的目标边界框及对应的置信度;
步骤S14,对于存在重叠的目标边界框,根据置信度消除多余的目标边界框,将最终剩下的目标边界框作为划线车位识别结果进行输出。
其中,所述步骤S12进一步包括:
步骤S120,采用100*100像素的窗口在所述环视图像上从左到右、从上到下依次滑动,每次滑动半个窗口的位置;
步骤S121,使用每一次滑动获取的100*100像素局部图片数据,构造形成10个通道的100*100像素的特征图,所述10个通道包括:局部图片的LUV色彩空间中的L通道、U通道、V通道,梯度幅值通道,以及6个HOG通道;
步骤S122,对于每张100*100像素的特征图,采用降采样得到25*25像素的聚合特征图,其中,单张25*25像素的聚合特征图中的每一格数值由100*100像素特征图中对应的4*4区域计算平均值获得;
步骤S123,经过降采样,所述10张100*100像素的特征图转化为10张25*25像素的聚合特征图后;在每张25*25像素的聚合特征图的每个位置,均获得一个10维的特征向量,所述10维的特征向量包括:降采样后局部图片的LUV色彩空间中的L通道、U通道、V通道,梯度幅值通道,以及6个HOG通道。
其中,在所述步骤S120之前包括如下步骤:
对输入的环视图像按照不同尺度进行缩放,其中缩放后尺寸大于100*100像素。
其中,所述步骤S13进一步包括:
步骤S130,依次把每一滑动窗口所对应的特征向量,输入到预先训练好的soft-cascade分类器,其中,所述soft-cascade分类器有2048个决策树级联构成,每个决策树内含2层;
步骤S131,通过所有决策树依次对输入的每个特征向量进行判断,判定输入图片中是否存在候选车位线;
步骤S132,对全部特征向量都判定完成之后,确定对应100*100像素的初始图片中包含有候选车位线的位置;从而确定整张环视图片中包含有候选车位线的区域;
步骤S133,把整张环视图片中包含候选车位线且相邻的区域聚集起来,用方框框住形成目标边界框;并根据框内包含候选目标区域的面积占比,计算获得所述目标边界框的置信度。
可以理解的,对于soft-cascade分类器的训练,需要首先生成训练集,然后通过签署步骤S10至步骤S12产生特征向量,再基于这些特征向量生成训练数据集,训练soft-cascade分类器,从而形成训练好的soft-cascade 分类器;此类训练的方法及过程是本领域的技术人员所容易知悉或理解的,在此不进行赘述。
其中,所述步骤S14进一步包括:
步骤S140,当检测到多个车位线目标边界框存在重叠的情况,在两个目标边界框的交集区域面积除以所述两个目标边界框的并集面积所获得的商超过预定阈值时,确认所述两个目标边界框指向的是同一个目标;
步骤S141,每次选取所述重叠区域中指向同一个目标的两个目标边界框进行操作,将所述两个目标边界框中置信度低的一个目标边界框消除掉;
步骤S142,将最终完成消除操作后剩下的目标边界框作为最终的划线车位识别结果,并输出。
相应地,本发明的另一方面,还提供一种划线车位识别系统,其包括:
环境图像采集单元,用于通过安装在车辆上的多个摄像头对车辆周围的环境进行图像采集;
预处理单元,用于对所述多个摄像头所采集的图像进行图像矫正、透视变换及拼接处理,形成围绕车身的环视图像;
特征图处理单元,用于采用预定大小的窗口在所述环视图像上遍历滑动,依次获取多个局部图片,根据每一局部图片构成对应的特征图,获得每一特征图所对应的多个特征向量;
目标边界获取单元,用于依次将每一特征图的各特征向量输入预先训练好的soft-cascade分类器进行检测,判断特征向量中是否包含候选车位线,获得包含有候选车位线的目标边界框及对应的置信度;
划线车位识别结果获取单元,用于对于存在重叠的目标边界框,根据置信度消除多余的目标边界框,将最终剩下的目标边界框作为划线车位识别结果进行输出。
其中,所述特征图处理单元进一步包括:
滑动采集单元,用于采用100*100像素的窗口在所述环视图像上从左到右、从上到下依次滑动,每次滑动半个窗口的位置;
特征图获取单元,用于使用每一次滑动获取的100*100像素局部图片数据,构造形成10个通道的100*100像素的特征图,所述10个通道包括:局部图片的LUV色彩空间中的L通道、U通道、V通道,梯度幅值通道,以及6个HOG通道;
降采样处理单元,用于对于每张100*100像素的特征图,采用降采样得到25*25像素的聚合特征图,其中,单张25*25像素的聚合特征图中的每一格数值由100*100像素特征图中对应的4*4区域计算平均值获得;
特征向量获取单元,用于经过降采样,所述10张100*100像素的特征图转化为10张25*25像素的聚合特征图后,在每张25*25像素的聚合特征图的每个位置,均获得一个10维的特征向量,所述10维的特征向量包括:降采样后局部图片的LUV色彩空间中的L通道、U通道、V通道,梯度幅值通道,以及6个HOG通道。
其中,所述特征图处理单元进一步包括:
缩放处理单元,用于对输入的环视图像按照不同尺度进行缩放,其中缩放后尺寸必须大于100*100像素。
其中,所述目标边界获取单元进一步包括:
输入单元,用于依次把每一滑动窗口所对应的特征向量,输入到预先训练好的soft-cascade分类器中;其中,所述soft-cascade分类器有2048个决策树级联构成,每个决策树内含2层;
判断单元,用于通过所有决策树依次对输入的每个特征向量进行判断,判定输入图片中是否存在候选车位线;
候选车位线位置确认单元,用于对全部特征向量都判定完成之后,确定对应100*100像素的初始图片中包含有候选车位线的位置;从而确定整张环视图片中包含有候选车位线的区域;
目标边界框生成单元,用于把整张环视图片中包含候选车位线且相邻的区域聚集起来,用方框框住形成目标边界框;并根据框内包含候选目标区域的面积占比,计算获得所述目标边界框的置信度。
其中,所述划线车位识别结果获取单元进一步包括:
指向目标确认单元,用于在检测到多个车位线目标边界框且存在重叠的情况,在两个目标边界框的交集区域面积除以所述两个目标边界框的并集面积所获得的商超过预定阈值时,确认所述两个目标边界框指向的是同一个目标;
消除处理单元,用于每次选取所述重叠区域中指向同一个目标的两个目标边界框进行操作,将所述两个目标边界框中置信度低的一个目标边界框消除掉;
识别结果确认单元,用于将最终完成消除操作后剩下的目标边界框作为最终的划线车位识别结果,并输出。
实施本发明实施例,具有如下的有益效果:
本发明提供一种划线车位识别方法及系统,使用聚合通道特征(ACF)提取图像中的多通道特征,输入到预先训练好的soft-cascade分类器检测车位线;通过使用聚合通道特征,增强了特征表达能力,提升检测的准确率;
同时,由于特征通道中包含LUV信息和梯度信息,可以减少对光照的敏感性,提高不同环境下的检测稳定性;
另外,聚合通道特征中的LUV信息、梯度幅值、HOG特征的计算都非常简单,大大提升了计算速度。
综上,本发明可有效检测车位线所在位置和大小,聚合通道特征可表达所需特征的色彩信息和方向信息,不仅大大降低了对光照的敏感性而且能为后续检测提高准确率,并能运用车位线的对称性减少所需分类器的个数,提高检测速度,其环境适应性强,易于在计算资源有限的嵌入式芯片上部署。
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性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明提供的一种划线车位识别方法的主流程示意图;
图2为图1中步骤S12的更详细的流程图;
图3为图1中步骤S13的更详细的流程图;
图4为图1中步骤S14的更详细的流程图;
图5为本发明提供的一种划线车位识别系统的结构示意图;
图6为图5中特征图处理单元的结构示意图;
图7为图5中目标边界获取单元的结构示意图;
图8为图5中划线车位识别结果获取单元的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,示出了本发明提供的一种划线车位识别方法的一个实施例的主流程示意图,一并结合图2至图4所示,在本实施例中,所述方法包括如下步骤:
步骤S10,通过安装在车辆上的多个摄像头对车辆周围的环境进行图像采集;例如在一个例子中,可以通过安装在车上前后左右的4个鱼眼摄像头采集车辆周围环境的信息。
步骤S11,对所述多个摄像头所采集的图像进行处理形成围绕车身的环视图像;在实际应用中,由于鱼眼摄像头焦距短、视角大,拍摄的图像存在严重的畸变,需要预先进行矫正去畸变,矫正后的4幅图像通过逆透视变换方法将图像变换到世界坐标系同一个平面下,将各个摄像头的图像拼接成围绕车身的环视图像。
步骤S12,采用预定大小(如100*100像素)的窗口在所述环视图像上遍历滑动,依次获取多个局部图片,根据每一局部图片构成对应的特征图,获得每一特征图所对应的多个特征向量;具体地,根据每一局部图片计算其对应的相同尺寸的10个特征图通道:L通道、U通道、V通道、梯度幅值通道及6个HOG通道,再基于10个特征图通道计算出对应的特征向量;
步骤S13,依次将每一特征图的各特征向量输入预先训练好的soft-cascade分类器进行检测,判断特征向量中是否包含候选车位线,获得包含有候选车位线的目标边界框及对应的置信度;
步骤S14,对于存在重叠的目标边界框,使用极大值抑制计算(NMS)法消除多余的目标边界框,将最终剩下的目标边界框作为划线车位识别结果进行输出。
如图2所示,在一个实施例中,所述步骤S12进一步包括:
步骤S120,采用100*100像素的窗口在所述环视图像上从左到右、从上到下依次滑动,每次滑动半个窗口的位置,即滑动前后两个窗口的位置存在50%的重叠。
步骤S121,使用每一次滑动获取的100*100像素的局部图片数据,构造形成10个通道的100*100像素的特征图,所述10个通道包括:原始图像LUV色彩空间中的L通道、U通道、V通道,梯度幅值通道,以及6个梯度方向直方图(HOG)通道;其中,LUV色彩空间、梯度幅值、HOG均为通用性概念,在此不再赘述。
步骤S122,对于每张100*100像素的特征图,采用降采样得到25*25像素的聚合特征图,其中,单张25*25像素的聚合特征图中的每一格数值由100*100像素特征图中对应的4*4区域计算平均值获得。
步骤S123,经过降采样,所述10张100*100像素的特征图转化为10张25*25像素的聚合特征图后,在每张25*25像素的聚合特征图的每个位置,均获得一个10维的特征向量,所述10维的特征向量内容对应来自10个特征通道:LUV色彩空间中的L通道、U通道、V通道,梯度幅值通道,以及6个HOG通道。因此10张25*25像素的聚合特征图,可以转化为625(25*25=625)个10维的特征向量。
在另一个实施例中,进一步包括在所述步骤S120之前设置如下步骤:
对输入的环视图像按照不同尺度进行缩放,其中缩放后尺寸必须大于100*100像素。具体地,为了获得更好的特征表达能力,也可以对输入的环视图像按照不同尺度进行缩放(缩放后尺寸必须大于100*100像素),然后采用上述方法进行窗口滑动、构造特征图片、构造聚合特征图、计算特征向量等步骤。
如图3所示,在一个实施例中,所述步骤S13进一步包括:
步骤S130,依次把每一滑动窗口所对应的特征向量,输入到预先训练好的soft-cascade分类器,其中,所述soft-cascade分类器有2048个决策树级联构成,每个决策树内含2层;
步骤S131,通过所有决策树依次对输入的每个特征向量进行判断,判定输入图片中是否存在候选车位线;如果当前决策树判定输入图片中不包含车位线则代表整个soft-cascade分类器判定输入图片中不包含车位线,否则由下一个决策树判断,依次类推。
步骤S132,对全部特征向量都判定完成之后,确定对应100*100像素的初始图片中包含有候选车位线的位置;从而确定整张环视图片中包含有候选车位线的区域;具体地,每滑动一次窗口,按照上述方法进行再次计算,直到滑动窗格遍历完整张环视图片,从而确定整张环视图片中包含有候选车位线的区域;
步骤S133,把整张环视图片中包含候选车位线且相邻的区域聚集起来,用方框框住,形成目标边界框(Bounding Box);并根据框内包含候选目标区域的面积占比,计算获得所述目标边界框的置信度。其中,置信度越高代表目标边界框内包含候选目标区域的面积越大。
如图4所示,在一个实施例中,所述步骤S14进一步包括:
步骤S140,当检测到多个车位线目标边界框存在重叠的情况,在两个目标边界框的交集区域面积除以所述两个目标边界框的并集面积所获得的商超过预定阈值(该阈值通常设为50%)时确认所述两个目标边界框指向的是同一个目标;
步骤S141,每次选取所述重叠区域中指向同一个目标的两个目标边界框进行操作,将所述两个目标边界框中置信度低的一个目标边界框消除掉;
步骤S142,将最终完成消除操作后剩下的目标边界框作为最终的划线车位识别结果,并输出。
如图5所示,示出了本发明提供的一种划线车位识别系统的结构示意图,一并结合图6至图8所示,在本实施例中,所述划线车位识别系统1包括:
环境图像采集单元11,用于通过安装在车辆上的多个摄像头对车辆周围的环境进行图像采集;
预处理单元12,用于对所述多个摄像头所采集的图像进行图像矫正、透视变换及拼接处理,形成围绕车身的环视图像;
特征图处理单元13,用于采用预定大小的窗口在所述环视图像上遍历滑动,依次获取多个局部图片,根据每一局部图片构成对应的特征图,获得每一特征图所对应的多个特征向量;具体地根据每一局部图片计算其对应的相同尺寸的10个特征图通道:L通道、U通道、V通道、梯度幅值通道及6个HOG通道,再基于10个特征图通道计算出对应的特征向量;
目标边界获取单元14,用于依次将每一特征图的各特征向量输入预先训练好的soft-cascade分类器进行检测,判断特征向量中是否包含候选车位线,获得包含有候选车位线的目标边界框及对应的置信度;
划线车位识别结果获取单元15,用于对于存在重叠的目标边界框,使用极大值抑制计算(NMS),消除多余的目标边界框,将最终剩下的目标边界框作为划线车位识别结果进行输出。
如图6所示,在一个实施例中,所述特征图处理单元13进一步包括:
滑动采集单元132,用于采用100*100像素的窗口在所述环视图像上从左到右、从上到下依次滑动,每次滑动半个窗口的位置;
特征图获取单元133,用于使用每一次滑动获取的100*100像素的局部图片数据,构造形成10个通道的100*100像素的特征图,所述10个通道包括:原始局部图片的LUV色彩空间中的L通道、U通道、V通道,梯度幅值通道,以及6个HOG通道;
降采样处理单元134,用于对于每张100*100像素的特征图,采用降采样得到25*25像素的聚合特征图,其中,单张25*25像素的聚合特征图中的每一格数值由100*100像素的特征图中对应的4*4区域计算平均值获得;
特征向量获取单元135,用于在经过降采样,所述10张100*100像素的特征图转化为10张25*25像素的聚合特征图后,在每张25*25像素的聚合特征图的每个位置,均获得一个10维的特征向量,所述10维的特征向量内容对应来自10个特征通道:降采样后局部图片的LUV色彩空间中的L通道、U通道、V通道,梯度幅值通道,以及6个HOG通道。
可以理解的是,在另一个实施例中,所述特征图处理单元13进一步包括:
缩放处理单元131,用于对输入的环视图像按照不同尺度进行缩放,其中缩放后尺寸必须大于100*100像素。
如图7所示,在一个实施例中,所述目标边界获取单元14进一步包括:
输入单元141,用于依次把每一滑动窗口所对应的特征向量,输入到预先训练好的soft-cascade分类器中,所述soft-cascade分类器有2048个决策树级联构成,每个决策树内含2层;
训练判断单元142,用于通过所有决策树依次对输入的每个特征向量进行判断,如果当前决策树判定输入图片中不包含车位线,则代表整个soft-cascade分类器判定输入图片中不包含车位线,否则由下一个决策树判断,依次类推;
候选车位线位置确认单元143,用于对全部特征向量都判定完成之后,确定对应100*100像素的初始图片中包含有候选车位线的位置;从而确定整张环视图片中包含有候选车位线的区域;具体地,在每滑动一次窗格,按照上述方法进行再次计算,直到滑动窗格遍历完整张图片,从而确定整张图片中包含有候选车位线的区域;
目标边界框生成单元144,用于把整张环视图片中包含候选车位线且相邻的区域聚集起来,用方框框住形成目标边界框;并根据框内包含候选目标区域的面积占比,计算获得所述目标边界框的置信度。
如图8所示,在一个实施例中,所述划线车位识别结果获取单元15进一步包括:
指向目标确认单元151,用于在检测到多个车位线目标边界框且存在重叠的情况,在两个目标边界框的交集区域面积除以所述两个目标边界框的并集面积所获得的商超过预定阈值时,确认所述两个目标边界框指向的是同一个目标;
消除处理单元152,用于每次选取所述重叠区域中指向同一个目标的两个目标边界框进行操作,将所述两个目标边界框中置信度低的一个目标边界框消除掉;
识别结果确认单元153,用于将最终完成消除操作后剩下的目标边界框作为最终的划线车位识别结果,并输出。
更多的细节,可以参考前述对图1至图4的描述,在此不进行赘述。
实施本发明实施例,具有如下的有益效果:
本发明提供一种划线车位识别方法及系统,使用聚合通道特征(ACF)提取图像中的多通道特征,输入到预先训练好的soft-cascade分类器检测车位线。通过使用聚合通道特征,增强了特征表达能力,提升检测的准确率;
同时,由于特征通道中包含LUV颜色信息和梯度信息,可以减少对光照的敏感性,提高不同环境下的检测稳定性;
另外,聚合通道特征中的LUV信息、梯度幅值、HOG特征的计算都非常简单,大大提升了计算速度。
综上,本发明可有效检测车位线所在位置和大小,聚合通道特征可表达所需特征的色彩信息和方向信息,不仅大大降低了对光照的敏感性而且能为后续检测提高准确率,并能运用车位线的对称性减少所需分类器的个数,提高检测速度,环境适应性强,易于在计算资源有限的嵌入式芯片上部署。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种划线车位识别方法,其特征在于,包括如下步骤:
步骤S10,通过安装在车辆上的多个摄像头对车辆周围的环境进行图像采集;
步骤S11,对所述多个摄像头所采集的图像进行处理,形成围绕车身的环视图像;
步骤S12,采用预定大小的窗口在所述环视图像上遍历滑动,依次获得多个局部图片,根据每一局部图片构成对应的特征图,获得每一特征图所对应的多个特征向量;
步骤S13,依次将每一特征图的各特征向量输入预先训练好的分类器进行检测,判断特征向量中是否包含有候选车位线,获得包含有候选车位线的目标边界框及对应的置信度;
步骤S14,对于存在重叠的目标边界框,根据置信度消除多余的目标边界框,将最终剩下的目标边界框作为划线车位识别结果进行输出。
2.如权利要求1所述的方法,其特征在于,所述步骤S12进一步包括:
步骤S120,采用100*100像素的窗口在所述环视图像上从左到右、从上到下依次滑动,每次滑动半个窗口的位置;
步骤S121,使用每一次滑动获取的100*100像素的局部图片数据,构造形成10个通道的100*100像素的特征图,所述10个通道包括:局部图片的LUV色彩空间中的L通道、U通道、V通道、梯度幅值通道及6个HOG通道;
步骤S122,对于每张100*100像素的特征图,采用降采样得到25*25像素的聚合特征图,其中,单张25*25像素的聚合特征图中的每一格数值由100*100像素特征图中对应的4*4区域计算平均值获得;
步骤S123,经过降采样,所述10张100*100像素的特征图转化为10张25*25像素的聚合特征图后,在每张25*25像素的聚合特征图的每个位置,均获得一个10维的特征向量,所述10维的特征向量包括:降采样后局部图片的LUV色彩空间中的L通道、U通道、V通道,梯度幅值通道,以及6个HOG通道。
3.如权利要求2所述的方法,其特征在于,在所述步骤S120之前包括如下步骤:
对输入的环视图像按照不同尺度进行缩放,其中缩放后尺寸大于100*100像素。
4.如权利要求2或3所述的方法,其特征在于,所述步骤S13进一步包括:
步骤S130,依次把每一滑动窗口所对应的特征向量,输入到预先训练好的soft-cascade分类器,其中,所述soft-cascade分类器有2048个决策树级联构成,每个决策树内含2层;
步骤S131,通过所有决策树依次对输入的每个特征向量进行判断,判定输入图片中是否存在候选车位线;
步骤S132,对全部特征向量都判定完成之后,确定对应100*100像素的初始图片中包含有候选车位线的位置;从而确定整张环视图片中包含有候选车位线的区域;
步骤S133,把整张环视图片中包含候选车位线且相邻的区域聚集起来,用方框框住形成目标边界框;并根据框内包含候选目标区域的面积占比,计算获得所述目标边界框的置信度。
5.如权利要求4所述的方法,其特征在于,所述步骤S14进一步包括:
步骤S140,当检测到多个车位线目标边界框存在重叠的情况,在两个目标边界框的交集区域面积除以所述两个目标边界框的并集面积所获得的商超过预定阈值时,确认所述两个目标边界框指向的是同一个目标;
步骤S141,每次选取所述重叠区域中指向同一个目标的两个目标边界框进行操作,将所述两个目标边界框中置信度低的一个目标边界框消除掉;
步骤S142,将最终完成消除操作后剩下的目标边界框作为最终的划线车位识别结果,并输出。
6.一种划线车位识别系统,其特征在于,包括:
环境图像采集单元,用于通过安装在车辆上的多个摄像头对车辆周围的环境进行图像采集;
预处理单元,用于对所述多个摄像头所采集的图像进行处理,形成围绕车身的环视图像;
特征图处理单元,用于采用预定大小的窗口在所述环视图像上遍历滑动,依次获得多个局部图片,根据每一局部图片构成对应的特征图,获得每一特征图所对应的多个特征向量;
目标边界获取单元,用于依次将每一特征图的各特征向量输入预先训练好的分类器进行检测,判断特征向量中是否包含候选车位线,获得包含有候选车位线的目标边界框及对应的置信度;
划线车位识别结果获取单元,用于对于存在重叠的目标边界框,根据置信度消除多余的目标边界框,将最终剩下的目标边界框作为划线车位识别结果进行输出。
7.如权利要求6所述的系统,其特征在于,所述特征图处理单元进一步包括:
滑动采集单元,用于采用100*100像素的窗口在所述环视图像上从左到右、从上到下依次滑动,每次滑动半个窗口的位置;
特征图获取单元,用于使用每一次滑动获取的100*100像素局部图片数据,构造形成10个通道的100*100像素的特征图,所述10个通道包括:局部图片的LUV色彩空间中的L通道、U通道、V通道,梯度幅值通道,以及6个HOG通道;
降采样处理单元,用于对于每张100*100像素的特征图,采用降采样得到25*25像素的聚合特征图,其中,单张25*25像素的聚合特征图中的每一格数值由100*100像素特征图中对应的4*4区域计算平均值获得;
特征向量获取单元,用于经过降采样,所述10张100*100像素的特征图转化为10张25*25像素的聚合特征图后,在每张25*25像素的聚合特征图的每个位置,均获得一个10维的特征向量,所述10维的特征向量包括:降采样后局部图片的LUV色彩空间中的L通道、U通道、V通道,梯度幅值通道,以及6个HOG通道。
8.如权利要求7所述的系统,其特征在于,所述特征图处理单元进一步包括:
缩放处理单元,用于对输入的环视图像按照不同尺度进行缩放,其中缩放后尺寸必须大于100*100像素。
9.如权利要求7或8所述的系统,其特征在于,所述目标边界获取单元进一步包括:
输入单元,用于依次把每一滑动窗口所对应的特征向量,输入到预先训练好的soft-cascade分类器中;其中,所述soft-cascade分类器有2048个决策树级联构成,每个决策树内含2层;
判断单元,用于通过所有决策树依次对输入的每个特征向量进行判断,判定输入图片中是否存在候选车位线;
候选车位线位置确认单元,用于对全部特征向量都判定完成之后,确定对应100*100像素的初始图片中包含有候选车位线的位置;从而确定整张环视图片中包含有候选车位线的区域;
目标边界框生成单元,用于把整张环视图片中包含候选车位线且相邻的区域聚集起来,用方框框住形成目标边界框;并根据框内包含候选目标区域的面积占比,计算获得所述目标边界框的置信度。
10.如权利要求9所述的系统,其特征在于,所述划线车位识别结果获取单元进一步包括:
指向目标确认单元,用于在检测到多个车位线目标边界框且存在重叠的情况,在两个目标边界框的交集区域面积除以所述两个目标边界框的并集面积所获得的商超过预定阈值时,确认所述两个目标边界框指向的是同一个目标;
消除处理单元,用于每次选取所述重叠区域中指向同一个目标的两个目标边界框进行操作,将所述两个目标边界框中置信度低的一个目标边界框消除掉;
识别结果确认单元,用于将最终完成消除操作后剩下的目标边界框作为最终的划线车位识别结果,并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010925760.9A CN111814773A (zh) | 2020-09-07 | 2020-09-07 | 一种划线车位识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010925760.9A CN111814773A (zh) | 2020-09-07 | 2020-09-07 | 一种划线车位识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814773A true CN111814773A (zh) | 2020-10-23 |
Family
ID=72859929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010925760.9A Pending CN111814773A (zh) | 2020-09-07 | 2020-09-07 | 一种划线车位识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814773A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668588A (zh) * | 2020-12-29 | 2021-04-16 | 禾多科技(北京)有限公司 | 车位信息生成方法、装置、设备和计算机可读介质 |
CN114359231A (zh) * | 2022-01-06 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 一种停车位的检测方法、装置、设备及存储介质 |
CN115222767A (zh) * | 2022-04-12 | 2022-10-21 | 广州汽车集团股份有限公司 | 一种基于空间车位的跟踪方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778478A (zh) * | 2016-11-21 | 2017-05-31 | 中国科学院信息工程研究所 | 一种基于混合特征的带缓存机制的实时行人检测与跟踪方法 |
CN107886080A (zh) * | 2017-11-23 | 2018-04-06 | 同济大学 | 一种泊车位检测方法 |
CN109902576A (zh) * | 2019-01-25 | 2019-06-18 | 华中科技大学 | 一种头肩图像分类器的训练方法及应用 |
CN110781883A (zh) * | 2019-09-18 | 2020-02-11 | 江苏大学 | 一种基于360度环视摄像头的车位尺寸识别系统及方法 |
CN111160172A (zh) * | 2019-12-19 | 2020-05-15 | 深圳佑驾创新科技有限公司 | 泊车位检测方法、装置、计算机设备和存储介质 |
CN111507130A (zh) * | 2019-01-31 | 2020-08-07 | 广州汽车集团股份有限公司 | 车道级定位方法及系统、计算机设备、车辆、存储介质 |
-
2020
- 2020-09-07 CN CN202010925760.9A patent/CN111814773A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778478A (zh) * | 2016-11-21 | 2017-05-31 | 中国科学院信息工程研究所 | 一种基于混合特征的带缓存机制的实时行人检测与跟踪方法 |
CN107886080A (zh) * | 2017-11-23 | 2018-04-06 | 同济大学 | 一种泊车位检测方法 |
CN109902576A (zh) * | 2019-01-25 | 2019-06-18 | 华中科技大学 | 一种头肩图像分类器的训练方法及应用 |
CN111507130A (zh) * | 2019-01-31 | 2020-08-07 | 广州汽车集团股份有限公司 | 车道级定位方法及系统、计算机设备、车辆、存储介质 |
CN110781883A (zh) * | 2019-09-18 | 2020-02-11 | 江苏大学 | 一种基于360度环视摄像头的车位尺寸识别系统及方法 |
CN111160172A (zh) * | 2019-12-19 | 2020-05-15 | 深圳佑驾创新科技有限公司 | 泊车位检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
杨科 等: "基于卷积神经网络的环视车位检测研究", 《时代汽车》 * |
裴明涛 赵猛 著: "《视频事件分析与理解》", 31 March 2019, 北京:中国铁道出版社 * |
陈敏: "《认知计算导论》", 30 April 2017, 武汉:华中科技大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668588A (zh) * | 2020-12-29 | 2021-04-16 | 禾多科技(北京)有限公司 | 车位信息生成方法、装置、设备和计算机可读介质 |
CN112668588B (zh) * | 2020-12-29 | 2023-09-12 | 禾多科技(北京)有限公司 | 车位信息生成方法、装置、设备和计算机可读介质 |
CN114359231A (zh) * | 2022-01-06 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 一种停车位的检测方法、装置、设备及存储介质 |
CN115222767A (zh) * | 2022-04-12 | 2022-10-21 | 广州汽车集团股份有限公司 | 一种基于空间车位的跟踪方法及系统 |
CN115222767B (zh) * | 2022-04-12 | 2024-01-23 | 广州汽车集团股份有限公司 | 一种基于空间车位的跟踪方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460709B (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
Kim et al. | High-speed drone detection based on yolo-v8 | |
CN111814773A (zh) | 一种划线车位识别方法及系统 | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
EP2637126B1 (en) | Method and apparatus for detecting vehicle | |
US20230005278A1 (en) | Lane extraction method using projection transformation of three-dimensional point cloud map | |
CN109711256B (zh) | 一种低空复杂背景无人机目标检测方法 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN101369312B (zh) | 检测图像中交叉口的方法和设备 | |
CN116052090A (zh) | 图像质量评估方法、模型训练方法、装置、设备及介质 | |
CN112613434A (zh) | 道路目标检测方法、装置及存储介质 | |
CN111881984A (zh) | 一种基于深度学习的目标检测方法和装置 | |
CN115493612A (zh) | 一种基于视觉slam的车辆定位方法及装置 | |
CN112766046B (zh) | 一种目标检测方法及相关装置 | |
CN114067282A (zh) | 一种端到端的车辆位姿检测方法及装置 | |
CN112949584A (zh) | 一种图像筛选方法及装置、电子设备和存储介质 | |
CN111369515A (zh) | 一种基于计算机视觉的隧道水渍检测系统及方法 | |
CN106951831B (zh) | 一种基于深度摄像机的行人检测跟踪方法 | |
CN106909936B (zh) | 一种基于双车辆可变形部件模型的车辆检测方法 | |
CN112446292B (zh) | 一种2d图像显著目标检测方法及系统 | |
CN113657277A (zh) | 一种车辆被遮挡状态判断系统及方法 | |
CN114648736A (zh) | 基于目标检测的鲁棒工程车辆识别方法及系统 | |
CN114445787A (zh) | 非机动车重识别方法及相关设备 | |
CN113609980A (zh) | 一种用于自动驾驶车辆的车道线感知方法及装置 | |
Cui et al. | Unmanned Aerial Vehicle (UAV) Object Detection in High-Resolution Image Based on Improved YOLO v5 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201023 |