CN111881874A - 车位识别方法、设备及系统 - Google Patents
车位识别方法、设备及系统 Download PDFInfo
- Publication number
- CN111881874A CN111881874A CN202010776940.5A CN202010776940A CN111881874A CN 111881874 A CN111881874 A CN 111881874A CN 202010776940 A CN202010776940 A CN 202010776940A CN 111881874 A CN111881874 A CN 111881874A
- Authority
- CN
- China
- Prior art keywords
- parking space
- characteristic
- feature
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000004927 fusion Effects 0.000 claims abstract description 118
- 238000005516 engineering process Methods 0.000 claims abstract description 47
- 230000000007 visual effect Effects 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 20
- 238000003384 imaging method Methods 0.000 claims description 16
- 230000004888 barrier function Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 40
- 238000012937 correction Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000005314 correlation function Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000001902 propagating effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007790 scraping Methods 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车位识别方法、设备及系统，包括接收多个测距传感器采集的与车位相关的空间数据，并进行空间特征识别，得到第一特征；接收多个视觉传感器生成与车位相关的图像数据，并进行图像特征识别，得到第二特征；基于特征级数据融合技术融合第一特征和第二特征，得到融合特征；若融合特征所指示的车位状态为可用，根据车辆传感器采集的车辆数据和第二特征确定车位入口。在本方案中，通过多个测距传感器和视觉传感器确定与车位相关的空间特征，及图像特征。利用特征级数据融合技术对空间特征和图像特征进行融合，以确定车位状态为可用的车位。再对车辆传感器采集的车辆数据和图像特征进行融合，以确定车位入口，能够提高车位识别的精度。
Description
技术领域
本发明涉及自动泊车技术领域，尤其涉及一种车位识别方法、设备及系统。
背景技术
目前，现有的车辆自动泊车方式主要是通过单一传感器对车位进行识别，单一传感器识别可用车位，并采集可用车辆的位置数据。然后根据可用车位的数据将汽车停入可用车位。在实际应用中，由于单一传感器采集的数据存在误差，且不稳定，导致车位识别精度较低，且容易在泊车过程中出现剐蹭、碰撞等驾驶事故的问题。
发明内容
有鉴于此，本发明实施例提供一种车位识别方法、设备及系统，以解决现有技术中出现的车位识别精度较低，且容易在泊车过程中出现剐蹭、碰撞等驾驶事故的问题。
为实现上述目的，本发明实施例提供如下技术方案：
本发明实施例第一方面公开了一种车位识别方法，所述方法包括：
接收多个测距传感器采集的与车位相关的空间数据，并进行空间特征识别，得到第一特征，所述第一特征至少包括车位空间特征；
接收多个视觉传感器生成与车位相关的图像数据，并进行图像特征识别，得到第二特征，所述第二特征至少包括线车位特征；
基于特征级数据融合技术融合所述第一特征和所述第二特征，得到融合特征，所述融合特征用于指示车位状态；
若所述融合特征所指示的车位状态为可用，根据车辆传感器采集的车辆数据和所述第二特征确定车位入口，所述车辆数据至少包括车辆位置数据。
可选的，所述接收多个测距传感器采集的与车位相关的空间信息，并进行空间特征识别，得到第一特征，包括：
接收多个测距传感器采集的与车位相关的空间数据；
基于同质传感器的数据级数据融合技术对所述空间数据进行融合，得到融合数据；
识别所述融合数据中的车位空间特征，并提取，得到第一特征。
可选的，若所述第一特征还包括障碍物空间特征和自由空间特征，所述第二特征还包括障碍物特征和标志标识特征，所述基于特征级数据融合技术融合所述第一特征和所述第二特征，得到融合特征，包括：
基于特征级数据融合技术融合所述车位空间特征、所述障碍物空间特征、自由空间特征、所述线车位特征、障碍物特征和标志标识特征，得到融合特征，所述融合特征用于指示车位状态和车位类型。
本发明实施例第二方面公开了一种车位识别方法，所述方法包括：
多个测距传感器采集与车位相关的空间数据；
多个视觉传感器生成与车位相关的图像数据；
车辆传感器采集车辆数据，所述车辆数据至少包括车辆位置数据；
车位识别设备接收所述空间数据，并进行空间特征识别，得到第一特征，所述第一特征至少包括车位空间特征；
车位识别设备接收所述图像数据，并进行图像特征识别，得到第二特征，所述第二特征至少包括线车位特征；
车位识别设备基于特征级数据融合技术融合所述第一特征和所述第二特征，得到融合特征，所述融合特征用于指示车位状态；
若所述融合特征所指示的车位状态为可用，所述车位识别设备根据所述车辆数据和所述第二特征确定车位入口。
可选的，还包括：
检测设备检测所述多个测距传感器的测距精度，并判断是否存在测距精度低于预设精度的测距传感器，若存在，则输出替换提示信息；
检测设备检测所述多个视觉传感器的成像准确度，并判断是否存在成像准确度低于预设准确度的视觉传感器，若存在，则输出替换提示信息。
本发明实施例第三方面公开了一种车位识别设备，所述车位识别设备包括：
接收器，用于接收多个测距传感器采集的与车位相关的空间数据，以及多个视觉传感器生成与车位相关的图像数据；
处理器，用于基于所述空间数据进行空间特征识别，得到第一特征；基于所述图像数据进行图像特征识别，得到第二特征；基于特征级数据融合技术融合所述第一特征和所述第二特征，得到融合特征，若所述融合特征所指示的车位状态为可用，根据车辆传感器采集的车辆数据和所述第二特征确定车位入口，其中，所述第一特征至少包括车位空间特征，所述第二特征至少包括线车位特征，所述融合特征用于指示车位状态，所述车辆数据至少包括车辆位置数据。
可选的，所述基于空间数据进行空间特征识别得到第一特征的处理器，具体用于：
基于同质传感器的数据级数据融合技术对所述空间数据进行融合，得到融合数据，识别所述融合数据中的车位空间特征，并提取，得到第一特征。
可选的，所述处理器还用于，识别空间数据中的障碍物空间特征和自由空间特征，识别所述图像数据中的障碍物特征和标志标识特征，基于特征级数据融合技术融合所述车位空间特征、所述障碍物空间特征、自由空间特征、所述线车位特征、障碍物特征和标志标识特征，得到融合特征，所述融合特征用于指示车位状态和车位类型。
本发明实施例第四方面公开了一种车位识别系统，所述车位识别系统包括：
多个测距传感器，用于采集与车位相关的空间数据，并将所述空间数据发送至车位识别设备；
多个视觉传感器，用于生成与车位相关的图像数据，并将所述图像数据发送至车位识别设备；
车辆传感器，用于采集车辆数据，并将所述车辆数据发送至车位识别设备，所述车辆数据至少包括车辆位置数据；
本发明实施例第三方面公开的车位识别设备，用于接收多个测距传感器采集的与车位相关的空间数据，以及多个视觉传感器生成与车位相关的图像数据，基于所述空间数据进行空间特征识别，得到第一特征；基于所述图像数据进行图像特征识别，得到第二特征；基于特征级数据融合技术融合所述第一特征和所述第二特征，得到融合特征，若所述融合特征所指示的车位状态为可用，根据车辆传感器采集的车辆数据和所述第二特征确定车位入口，其中，所述第一特征至少包括车位空间特征，所述第二特征至少包括线车位特征，所述融合特征用于指示车位状态，所述车辆数据至少包括车辆位置数据。
可选的，所述车位识别系统还包括：
检测设备，用于检测所述多个测距传感器的测距精度，并判断是否存在测距精度低于预设精度的测距传感器，若存在，则输出替换提示信息；以及检测所述多个视觉传感器的成像准确度，并判断是否存在成像准确度低于预设准确度的视觉传感器，若存在，则输出替换提示信息。
基于上述本发明实施例提供的一种车位识别方法、设备及系统，该方法包括：接收多个测距传感器采集的与车位相关的空间数据，并进行空间特征识别，得到第一特征，第一特征至少包括车位空间特征；接收多个视觉传感器生成与车位相关的图像数据，并进行图像特征识别，得到第二特征，第二特征至少包括线车位特征；基于特征级数据融合技术融合第一特征和第二特征，得到融合特征，融合特征用于指示车位状态；若融合特征所指示的车位状态为可用，根据车辆传感器采集的车辆数据和第二特征确定车位入口，车辆数据至少包括车辆位置数据。在本发明实施例中，通过多个测距传感器和视觉传感器确定与车位相关的空间特征，以及与车位相关的图像特征，并利用特征级数据融合技术对空间特征和图像特征进行融合，以确定车位状态为可用的车位。再利用特征级数据融合技术对车辆传感器采集的车辆数据和与车位相关的图像特征进行融合，以确定车位入口，使得车辆能够基于可用的车位和车位入口进行泊车。从而能够提高车位识别精度，且能够减少泊车过程出现驾驶事故的问题。
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一种车位识别系统的结构示意图；
图2为本发明实施例提供的一种车位识别设备的结构示意图；
图3为本发明实施例提供的另一种车位识别系统的结构示意图；
图4为本发明实施例提供的一种车位识别方法的流程示意图；
图5为本发明实施例提供的计算车速对应的补正系数的应用示意图；
图6为本发明实施例提供的误差测试图表；
图7为本发明实施例提供的一种车位识别方法的交互示意图；
图8为本发明实施例提供的测距传感器和视觉传感器检测的流程示意图。
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。
在本申请中，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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、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。
在本发明实施例中，通过多个测距传感器和视觉传感器确定与车位相关的空间特征，以及与车位相关的图像特征，并利用特征级数据融合技术对空间特征和图像特征进行融合，以确定车位状态为可用的车位。再利用特征级数据融合技术对车辆传感器采集的车辆数据和与车位相关的图像特征进行融合，以确定车位入口，使得车辆能够基于可用的车位和车位入口进行泊车。从而能够提高车位识别精度，且能够减少泊车过程出现驾驶事故的问题。
参见图1，为本发明实施例示出的一种车位识别系统的结构示意图，该车位识别系统10包括：多个测距传感器11，多个视觉传感器12，车辆传感器13和车位识别设备14。
多个测距传感器11包括测距传感器111，测距传感器112......测距传感器11N共N个测距传感器，该测距传感器11用于采集与车位相关的空间数据，并将空间数据发送至车位识别设备14。
其中，N的取值范围为大于等于1的正整数。
多个视觉传感器12包括视觉传感器121，视觉传感器122......视觉传感器12N共N个视觉传感器，该视觉传感器12用于生成与车位相关的图像数据，并将图像数据发送至车位识别设备14。
其中，N的取值范围为大于等于1的正整数。
车辆传感器13，用于采集车辆数据，并将车辆数据发送至车位识别设备14。
需要说明的是，车辆数据至少包括车辆位置数据。
需要说明的是，车位识别设备14分别与多个测距传感器11、多个视觉传感器12和车辆传感器13连接。
需要说明的是，测距传感器至少包括超声波传感器、激光测距传感器和红外线测距传感器等。
视觉传感器包括鱼眼相机和微型CMOS图像传感器等。
基于上述图1示出的车位识别系统，本发明实施例在具体实现中，还示出了车位识别设备的具体结构，如图2所示。
车位识别设备14包括接收器141和处理器142。
接收器141，用于接收多个测距传感器11采集的与车位相关的空间数据，以及多个视觉传感器12生成与车位相关的图像数据。
在具体实现中，接收器141利用多个测距传感器11测量整车周围的车位，得到与车位相关的空间数据，以及利用多个视觉传感器12采集整车周围与车位相关的图像数据。
处理器142，用于基于空间数据进行空间特征识别，得到第一特征；基于图像数据进行图像特征识别，得到第二特征；基于特征级数据融合技术融合第一特征和第二特征，得到融合特征，若融合特征所指示的车位状态为可用，根据车辆传感器13采集的车辆数据和第二特征确定车位入口。
需要说明的是，测距传感器至少包括超声波传感器、激光测距传感器和红外线测距传感器等。
视觉传感器包括鱼眼相机和微型CMOS图像传感器。
在具体实现中，处理器142识别与车位相关的空间数据对应的特征，得到车位空间特征，并识别与车位相关的图像数据对应的特征，得到线车位特征。
在本发明实施例中，处理器142还用于，识别空间数据中的障碍物空间特征和自由空间特征，识别图像数据中的障碍物特征和标志标识特征，基于特征级数据融合技术融合车位空间特征、障碍物空间特征、自由空间特征、线车位特征、障碍物特征和标志标识特征，得到融合特征，所述融合特征用于指示车位状态和车位类型。以确定车位状态是否可用。
其中，车位空间特征是指车位的宽度和长度，即车位的大小；障碍物空间特征是指障碍物的宽度、高度和长度，比如，停车位周围的栏杆；自由空间特征是指车辆泊车时可移动的大小。
需要说明的是，特征级数据融合技术是指将不同传感器获得的同一区域不同的特征数据进行融合，以利用不同特征数据的相关性和信息熵的互补性来确定与车位状态相关的信息。
在具体实现中，处理器142可利用特征级数据融合技术对整车周围同一区域内的车位空间特征、障碍物空间特征、自由空间特征、线车位特征、障碍物特征和标志标识特征进行融合，以利用车位空间特征、障碍物空间特征、自由空间特征、线车位特征、障碍物特征和标志标识特征的相关性和信息熵的互补性来确定与车位状态相关的信息，即车位状态和车位类型。以确定车位状态是否可用。
处理器142在确定车位状态可用时，利用特征级数据融合技术对车辆传感器13采集的车辆数据和第二特征进行融合，以利用车辆数据和第二特征的相关性和信息熵的互补性来确定车位入口。
需要说明的是，车位状态为可用是指有效，且可以进行泊车的车位。
可选的，车位识别系统10处理得到车位入口，可用车位，可用车位类型，泊车动作可用空间范围，车位相对车辆的位置，以及泊车过程中车辆可以腾挪的空间之后，自动泊车系统获取车位识别系统10处理得到的车位入口，可用车位，可用车位类型，泊车动作可用空间范围，车位相对车辆的位置，以及泊车过程中车辆可以腾挪的空间。并基于车位入口，可用车位，可用车位类型，泊车动作可用空间范围，车位相对车辆的位置，以及泊车过程中车辆可以腾挪的空间控制车辆执行泊车操作。
在本发明实施例中，通过多个测距传感器和视觉传感器确定与车位相关的空间特征，以及与车位相关的图像特征，并利用特征级数据融合技术对空间特征和图像特征进行融合，以确定车位状态为可用的车位。再利用特征级数据融合技术对车辆传感器采集的车辆数据和与车位相关的图像特征进行融合，以确定车位入口，使得车辆能够基于可用的车位和车位入口进行泊车。从而能够提高车位识别精度，且能够减少泊车过程出现驾驶事故的问题。
可选的，基于上述图2示出的车位识别设备，基于空间数据进行空间特征识别得到第一特征的处理器142，具体用于：
基于同质传感器的数据级数据融合技术对空间数据进行融合，得到融合数据，识别融合数据中的车位空间特征，并提取，得到第一特征。
需要说明的是，同质传感器的数据级数据融合技术是指基于相似度数据融合算法，对传感器测量值进行分析计算，得到融合数据。
在具体实现中，处理器142获取多个测距传感器11测量得到的整车周围与车位相关的空间数据。基于相似度数据融合算法，对多个测距传感器11采集的与车位相关的空间数据进行分析，挖掘多个测距传感器11测量结果之间的相似度，使用相关函数来量化相似度并构建相似度矩阵。然后，分别从空间上计算一致性测度和从时间序列上计算可靠性测度，得到加权系数。最后计算与车位相关的空间数据与加权系数的乘积得到融合数据。再识别融合数据中与车位相关的空间数据对应的特征，得到车位空间特征，障碍物空间特征和自由空间特征。
在本发明实施例中，处理器获取多个测距传感器测量得到的整车周围与车位相关的空间数据，并基于同质传感器的数据级数据融合技术对整车周围与车位相关的空间数据进行融合，得到融合数据。并对识别融合数据中与车位相关的空间数据对应的特征，得到车位空间特征，障碍物空间特征和自由空间特征。然后通过多个视觉传感器确定与车位相关的图像特征，并利用特征级数据融合技术对位空间特征，障碍物空间特征和自由空间特征和图像特征进行融合，以确定车位状态为可用的车位。再利用特征级数据融合技术对车辆传感器采集的车辆数据和与车位相关的图像特征进行融合，以确定车位入口，使得车辆能够基于可用的车位和车位入口进行泊车。从而能够提高车位识别精度，且能够减少泊车过程出现驾驶事故的问题。
可选的，基于上述图1示出的车位识别系统，该车位识别系统10还包括：检测设备15，如图3所示。
检测设备15，用于检测多个测距传感器11的测距精度，并判断是否存在测距精度低于预设精度的测距传感器11，若存在，则输出替换提示信息；以及检测多个视觉传感器12的成像准确度，并判断是否存在成像准确度低于预设准确度的视觉传感器12，若存在，则输出替换提示信息。
在具体实现中，检测设备15实时检测每一测距传感器11的测量的与车位相关的空间数据的精度。判断每一测量的与车位相关的空间数据的精度是否小于预设精度的测距传感器11，若存在任意一个测量的与车位相关的空间数据的精度小于预设精度的测距传感器11，则说明该测距传感器11存在导致检测精度不准确的损坏或故障。输出替换提示信息，以提示测距传感器11存在故障，以便用户更换测距传感器11。若大于或等于，则说明测量的与车位相关的空间数据和实际的与车位相关的空间数据的接近程度较高，也就是说，所有的测距传感器11不存在导致检测精度不准确的损坏或故障。
检测设备15检测设备实时检测每一视觉传感器12生成的与车位相关的图像数据的准确度。判断每一视觉传感器12生成的与车位相关的图像数据的准确度是否小于预设准确度的视觉传感器12，若存在任意一个与车位相关的图像数据的准确度小于预设准确度的视觉传感器12，则说明该视觉传感器12存在导致成像准确度的损坏或故障，输出替换提示信息，以提示视觉传感器12存在故障。若大于或等于，则说明所有的视觉传感器12不存在导致成像不准确的损坏或故障，视觉传感器12可以继续用于车位识别。
在本发明实施例中，通过多个测距传感器和视觉传感器确定与车位相关的空间特征，以及与车位相关的图像特征，并利用特征级数据融合技术对空间特征和图像特征进行融合，以确定车位状态为可用的车位。再利用特征级数据融合技术对车辆传感器采集的车辆数据和与车位相关的图像特征进行融合，以确定车位入口，使得车辆能够基于可用的车位和车位入口进行泊车。从而能够提高车位识别精度，且能够减少泊车过程出现驾驶事故的问题。进一步的，能够避免发生由于测距传感器和/或视觉传感器故障而导致的车位识别不准确的问题。
基于上述图2本发明实施例公开的车位识别设备，本发明还对应公开了一种车位识别方法，该车位识别方法适用于上述公开的车位识别设备。如图4所示，为本发明实施例示出的一种车位识别方法的流程示意图，该车位识别方法包括：
步骤S401：接收多个测距传感器采集的与车位相关的空间数据，并进行空间特征识别，得到第一特征。
在步骤S401中，第一特征至少包括车位空间特征。
在具体实现步骤S401的过程中，利用多个测距传感器测量整车周围的车位，得到与车位相关的空间数据；并识别与车位相关的空间数据对应的特征，得到车位空间特征。
需要说明的是，第一特征还包括障碍物空间特征和自由空间特征。
其中，车位空间特征是指车位的宽度和长度，即车位的大小；障碍物空间特征是指障碍物的宽度、高度和长度，比如，停车位周围的栏杆；自由空间特征是指车辆泊车时可移动的大小。
可选的，多个测距传感器在接收到车位识别设备发送的采集指令时，采集与车位相关的空间数据。
该测距传感器可以是图1中公开的测距传感器。若多个测距传感器为超声波传感器，在具体实现中，超声波传感器以整车为原点，向整车周围的各个方向发射超声波。当超声波在空气中传播碰到整车以外的物体，即整车周围泊车的车辆、障碍物或车位时，并将超声波反射回超声波传感器；当超声波传感器收到反射的超声波时，结束计时，并记录计时的时间；超声波传感器计算该计时的时间的二分之一与预设的超声波传播速度的乘积，得到每一物体与整车的距离。从而确定与车位相关的空间数据。
需要说明的是，每一物体与整车的距离包括车辆与车位之间的距离，车辆与障碍物之间的距离，以及车辆与周围泊车的车辆之间的距离等。
预设的超声波传播速度是指预先设置的超声波在空气中传播的标准速度。
可选的，为了提高测距传感器采集的与车位相关的空间数据的精度，需要对车速、环境温度和环境湿度对应的补正系数进行标定，以减少车速、环境温度和环境湿度对与车位相关的空间数据识别的精度的影响。
在本发明实施例中，确定车速、环境温度和环境湿度对应的补正系数的过程如下：
首先，对于车速对与车位相关的空间数据识别的精度的影响，可通过建立的线性回归方程，确定测量得到的误差值，即车速对应的补正系数，以基于测量得到的误差值，即车速对应的补正系数补偿车位或者障碍物宽度数据的方式，提高与车位相关的空间数据识别的精度。
具体的，通过整车上安装的速度表获取整车在不同工况下的车速，以及获取测距传感器识别的整车与车位距离。并基于获取的不同工况下的车速，以及整车与车位距离进行交差误差测试，得到不同工况下的车速对应的误差测试结果。根据不同工况下的车速对应的误差测试结果，生成线性方程(1)。
线性方程(1)：
ax+by+c＝z (1)
其中，a，b，c为回归得到的线性参数，x为车速，y为车辆与车位距离，z为测量得到的误差值。
在实际应用中，在整车进行车位识别或者障碍物识别时，通过整车上安装的速度表获取整车当前的车速，以及通过测距传感器识别当前整车与车位距离。将整车当前的车速，以及当前整车与车位距离代入公式(1)，得到测量得到的误差值z，即车速对应的补正系数。
例如：在计算测量得到的误差值时，应用界面如图5所示，可将整车当前的车速，以及当前整车与车位距离输入图5，得到测量得到的误差值z。
从而利用测量得到的误差值z，即车速对应的补正系数补偿车位或者障碍物宽度数据，以提高与车位相关的空间数据识别的精度。
然后，对于环境温度和环境湿度对与车位相关的空间数据识别的精度的影响，可通过恒温恒湿试验箱对测距传感器进行测试，确定测量得到的误差值，即环境温度和环境湿度对应的补正系数，以基于测量得到的误差值，即环境温度和环境湿度对应的补正系数补偿车位或者障碍物宽度数据的方式，提高与车位相关的空间数据识别的精度。
具体的，在不同环境温度和环境湿度下，将测距传感器的波长在空气中传播的标准速度，以及测距传感器接收到反射波的时间代入公式(2)进行计算，得到测距传感器与障碍物之间的测量距离，即车辆与车位或障碍物之间的测量距离Scalc。
公式(2)：
其中，v为距传感器的波长在空气中传播的标准速度，t为测距传感器接收到反射波的时间。
根据测量距离Scalc和实际距离Sreal代入公式(3)进行计算，得到误差距离Serror。
公式(3)：
Serror＝Sreal-Scalc (3)
其中，Scalc为测量距离，Sreal为实际距离。
在不同环境温度和环境湿度下，基于上述公式(2)和(3)收集在相同车辆与车位的距离下测距传感器的误差距离Serror。
根据收集的误差距离Serror生成误差测试图表，如图6所示。
其中，误差测试图表的横坐标表示不同环境温度和环境湿度，单位为摄氏度，纵坐标表示与不同环境温度和环境湿度对应的误差距离，单位为毫米。
根据误差测试图表中的误差数据，使用二元线性回归算法，生成线性方程(4)。
线性方程(4)：
a·t+b·w+c＝d (4)
其中，t为当前检测的温度，w为当前环境下的相对湿度，d为测量得到的距离误差，a，b，c为回归得到的线性参数。
在实际应用中，在整车进行车位识别或者障碍物识别时，获取测距传感器周围的温度和湿度，并将获取的温度和湿度代入公式(4)，得到测量得到的距离误差d，即环境温度和环境湿度对应的补正系数。从而利用环境温度和环境湿度对应的补正系数补偿车位或者障碍物宽度数据，以提高与车位相关的空间数据识别的精度。
需要说明的是，测量得到的距离误差d为当前场景下的距离补偿值。
步骤S402：接收多个视觉传感器生成与车位相关的图像数据，并进行图像特征识别，得到第二特征。
在步骤S402中，第二特征至少包括线车位特征。
在具体实现步骤S402的过程中，利用多个视觉传感器采集整车周围与车位相关的图像数据；并识别与车位相关的图像数据对应的特征，得到线车位特征。
可选的，多个视觉传感器在接收到车位识别设备发送的拍摄指令时，拍摄与车位相关的图像，并生成与车位相关的图像数据。
需要说明的是，第二特征还包括新增障碍物特征和标志标识特征。
该视觉传感器可以是图1公开的视觉传感器。例如：若多个视觉传感器为鱼眼相机时，在具体实现中，多个鱼眼相机以自身未原点拍摄车辆各个方向的照片；并识别每一照片，确定与车位相关的图像数据对应的特征，得到线车位特征，新增障碍物特征和标志标识特征。
其中，线车位特征是指区别车位的线段。增障碍物特征是指车位周围的栏杆。标志标识特征是指车位内标志，比如残疾人车位标识等。
可选的，接收多个视觉传感器拍摄的车辆数据，并进行特征识别，得到车牌和车轮特征。
可选的，为了提高视觉传感器采集的与车位相关的图像数据的精度，需要对视觉传感器的内外参数进行标定，以减少视觉传感器的内外参数对与车位相关的图像数据的精度的影响。
步骤S403：基于特征级数据融合技术融合第一特征和第二特征，得到融合特征。
在步骤S403中，融合特征用于指示车位状态。
若第一特征还包括障碍物空间特征和自由空间特征，若第二特征还包括障碍物特征和标志标识特征。在具体实现步骤S403的过程中，基于特征级数据融合技术融合车位空间特征、障碍物空间特征、自由空间特征、线车位特征、障碍物特征和标志标识特征，得到融合特征。
需要说明的是，融合特征还用于指示车位状态和车位类型。
进一步，需要说明的是，车位类型包括残疾人车位、通用车位和专用车位等。
需要说明的是，特征级数据融合技术是指将不同传感器获得的同一区域不同的特征数据进行融合，以利用不同特征数据的相关性和信息熵的互补性来确定与车位状态相关的信息。
也就是说，在本发明实施例中，可利用特征级数据融合技术对整车周围同一区域内的车位空间特征、障碍物空间特征、自由空间特征、线车位特征、障碍物特征和标志标识特征进行融合，以利用车位空间特征、障碍物空间特征、自由空间特征、线车位特征、障碍物特征和标志标识特征的相关性和信息熵的互补性来确定与车位状态相关的信息，即车位状态和车位类型。
需要说明的是，与车位状态相关的信息除了指示车位状态和车位类型外，还包括车位相对车辆的位置，泊车过程中车辆可以腾挪的空间，以及泊车动作可用空间范围等。
比如：将多个测距传感器识别的车位空间特征与多个视觉传感器识别的线车位特征进行空间角度融合，以利用车位空间特征和线车位特征的相关性和信息熵的互补性来确定车位相对车辆的位置以及泊车过程中车辆可以腾挪的空间。
将多个测距传感器识别的障碍物空间特征和自由空间特征，与多个视觉传感器识别的线车位和标志标识特征进行空间角度融合，以利用障碍物空间特征，自由空间特征，线车位和标志标识特征的相关性和信息熵的互补性来确定车位状态为可用车位，可用车位类型以及泊车动作可用空间范围。
需要说明的是，车位状态为可用车位是指车辆周围至少一个车位是可用的。
步骤S404：确定融合特征所指示的车位状态是否为可用，若融合特征所指示的车位状态为可用，执行步骤S405，若融合特征所指示的车位状态为不可用，重新对车辆周围的车位进行识别，即返回执行步骤S401。
在具体实现步骤S404的过程中，判断融合特征所指示的车位状态是否为可用，若为可用，说明车辆周围至少一个车位状态为可用，并执行步骤S405，若为不可用，说明车辆周围所有的车位状态均为不可用，此时实时重新对车辆周围的车位进行识别，即返回执行步骤S401。
需要说明的是，车位状态为可用是指车位有效，且可以进行泊车的车位。
步骤S405：根据车辆传感器采集的车辆数据和第二特征确定车位入口。
在步骤S405中，车辆数据至少包括车辆位置数据。
在具体实现步骤S405的过程中，利用特征级数据融合技术对车辆传感器采集的车辆数据和第二特征进行融合，以利用车辆数据和第二特征的相关性和信息熵的互补性来确定车位入口。
其中，车辆位置数据用于指示车辆走行方向。
比如：将车辆传感器采集的车辆位置数据，以及视觉传感器识别的车牌和车轮特征，在用户未选定车辆泊车的方式时，确定当前车位入口。
需要说明的是，车辆位置数据包括车辆走行方向。
可选的，自动泊车系统获取车位识别设备处理得到的车位入口，可用车位，可用车位类型，泊车动作可用空间范围，车位相对车辆的位置，以及泊车过程中车辆可以腾挪的空间。并基于车位入口，可用车位，可用车位类型，泊车动作可用空间范围，车位相对车辆的位置，以及泊车过程中车辆可以腾挪的空间控制车辆执行泊车操作。
在本发明实施例中，通过多个测距传感器和视觉传感器确定与车位相关的空间特征，以及与车位相关的图像特征，并利用特征级数据融合技术对空间特征和图像特征进行融合，以确定车位状态为可用的车位。再利用特征级数据融合技术对车辆传感器采集的车辆数据和与车位相关的图像特征进行融合，以确定车位入口，使得车辆能够基于可用的车位和车位入口进行泊车。从而能够提高车位识别精度，且能够减少泊车过程出现驾驶事故的问题。
基于上述本发明实施例示出的车位识别方法，在执行步骤S401接收多个测距传感器采集的与车位相关的空间信息，并进行空间特征识别，得到第一特征的过程，包括以下步骤：
步骤S11：接收多个测距传感器采集的与车位相关的空间数据。
在具体实现步骤S11的过程中，获取多个测距传感器测量得到的整车周围与车位相关的空间数据。
步骤S12：基于同质传感器的数据级数据融合技术对空间数据进行融合，得到融合数据。
需要说明的是，同质传感器的数据级数据融合技术是指首先，基于相似度数据融合算法，对传感器测量值进行分析，挖掘同类传感器测量结果之间的相似度，使用相关函数来量化相似度并构建相似度矩阵。然后，分别从空间上计算一致性测度和从时间序列上计算可靠性测度，得到加权系数。最后计算观测值与加权系数的乘积得到最终的融合数据。
在具体实现步骤S12的过程中，基于相似度数据融合算法，对多个测距传感器采集的与车位相关的空间数据进行分析，挖掘多个测距传感器测量结果之间的相似度，使用相关函数来量化相似度并构建相似度矩阵。然后，分别从空间上计算一致性测度和从时间序列上计算可靠性测度，得到加权系数。最后计算与车位相关的空间数据与加权系数的乘积得到最终的融合数据。
步骤S13：识别融合数据中的车位空间特征，并提取，得到第一特征。
在具体实现步骤S13的过程中，车位识别设备识别融合数据中与车位相关的空间数据对应的特征，得到车位空间特征，障碍物空间特征和自由空间特征。
在本发明实施例中，处理器获取多个测距传感器测量得到的整车周围与车位相关的空间数据，并基于同质传感器的数据级数据融合技术对整车周围与车位相关的空间数据进行融合，得到融合数据。并对识别融合数据中与车位相关的空间数据对应的特征，得到车位空间特征，障碍物空间特征和自由空间特征。然后通过多个视觉传感器确定与车位相关的图像特征，并利用特征级数据融合技术对位空间特征，障碍物空间特征和自由空间特征和图像特征进行融合，以确定车位状态为可用的车位。再利用特征级数据融合技术对车辆传感器采集的车辆数据和与车位相关的图像特征进行融合，以确定车位入口，使得车辆能够基于可用的车位和车位入口进行泊车。从而能够提高车位识别精度，且能够减少泊车过程出现驾驶事故的问题。
基于上述图1本发明实施例公开的车位识别系统，本发明还对应公开了一种车位识别方法，该车位识别方法适用于上述公开的车位识别系统。如图7所示，为本发明实施例示出的一种车位识别方法的交互示意图，该车位识别方法包括：
S701：多个测距传感器采集与车位相关的空间数据。
S702：多个视觉传感器生成与车位相关的图像数据。
S703：车辆传感器采集车辆数据。
需要说明的是，车辆数据至少包括车辆位置数据。
S704：车位识别设备接收多个测距传感器发送的空间数据，并进行空间特征识别，得到第一特征。
在S704中，第一特征至少包括车位空间特征。
S705：车位识别设备接收多个视觉传感器发送的图像数据，并进行图像特征识别，得到第二特征。
在S705中，第二特征至少包括线车位特征。
S706：车位识别设备基于特征级数据融合技术融合第一特征和第二特征，得到融合特征。
在S706中，融合特征用于指示车位状态。
S707，确定融合特征所指示的车位状态为可用，车位识别设备接收车辆传感器发送的车辆数据，并根据车辆数据和第二特征确定车位入口。
需要说明的是，S701至S707的具体实现过程与上述本发明实施例示出的步骤S401至步骤S405的具体实现过程相同，可相互参见。
在本发明实施例中，通过多个测距传感器和视觉传感器确定与车位相关的空间特征，以及与车位相关的图像特征，并利用特征级数据融合技术对空间特征和图像特征进行融合，以确定车位状态为可用的车位。再利用特征级数据融合技术对车辆传感器采集的车辆数据和与车位相关的图像特征进行融合，以确定车位入口，使得车辆能够基于可用的车位和车位入口进行泊车。从而能够提高车位识别精度，且能够减少泊车过程出现驾驶事故的问题。
基于上述图1本发明实施例公开的车位识别系统，若该车位识别系统还设置检测设备，结合上述图7示出的车位识别方法，如图8所示，包括：
步骤S801：检测设备检测多个测距传感器的测距精度。
在具体实现步骤S801的过程中，检测设备实时检测每一测距传感器的测量的与车位相关的空间数据的精度。
需要说明的是，与车位相关的空间数据的精度是指测量的与车位相关的空间数据和实际的与车位相关的空间数据的接近程度。
步骤S802：判断是否存在测距精度低于预设精度的测距传感器，若存在，则执行步骤S805，若不存在，说明测量的与车位相关的空间数据和实际的与车位相关的空间数据的接近程度较高，则测量传感器可以继续用于车位识别。
在具体实现步骤S802的过程中，判断每一测量的与车位相关的空间数据的精度是否小于预设精度的测距传感器，若存在任意一个测量的与车位相关的空间数据的精度小于预设精度的测距传感器，则说明该测距传感器存在导致检测精度不准确的损坏或故障。并执行S805，若大于或等于，则说明测量的与车位相关的空间数据和实际的与车位相关的空间数据的接近程度较高，也就是说，所有的测距传感器不存在导致检测精度不准确的损坏或故障，测量传感器可以继续用于车位识别。
步骤S803：检测设备检测多个视觉传感器的成像准确度。
在具体实现步骤S803的过程中，检测设备实时检测每一视觉传感器生成的与车位相关的图像数据的准确度。
需要说明的是，与车位相关的图像数据的准确度是指拍摄的与车位相关的图像数据和实际的与车位相关的图像数据的接近程度。
步骤S804：判断是否存在成像准确度低于预设准确度的视觉传感器，若存在，则执行步骤S805，若不存在，则视觉传感器可以继续用于车位识别。
在具体实现步骤S804的过程中，判断每一视觉传感器生成的与车位相关的图像数据的准确度是否小于预设准确度的视觉传感器，若存在任意一个与车位相关的图像数据的准确度小于预设准确度的视觉传感器，则说明该视觉传感器存在导致成像准确度的损坏或故障，并执行S805，若大于或等于，则说明所有的视觉传感器不存在导致成像不准确的损坏或故障，视觉传感器可以继续用于车位识别。
步骤S805：输出替换提示信息。
在步骤S805中，替换提示信息包括图文提示信息或语言提示信息。
在具体实现步骤S805的过程中，输出替换提示信息，以提示测距传感器和/或视觉传感器存在故障，以便用户更换测距传感器和/或视觉传感器，从而避免发生由于测距传感器和/或视觉传感器故障而导致的车位识别不准确的问题。
需要说明的是，步骤S801和步骤S803的执行顺序不限定为上述所示，可以并列执行，也可以先执行步骤S803，再执行步骤S801，对此本发明实施例不加以限定。
在本发明实施例中，通过多个测距传感器和视觉传感器确定与车位相关的空间特征，以及与车位相关的图像特征，并利用特征级数据融合技术对空间特征和图像特征进行融合，以确定车位状态为可用的车位。利用特征级数据融合技术对车辆传感器采集的车辆数据和与车位相关的图像特征进行融合，以确定车位入口，使得车辆能够基于可用的车位和车位入口进行泊车。从而能够提高车位识别精度，且能够减少泊车过程出现驾驶事故的问题。进一步的，能够避免发生由于测距传感器和/或视觉传感器故障而导致的车位识别不准确的问题。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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 (10)
1.一种车位识别方法，其特征在于，所述方法包括：
接收多个测距传感器采集的与车位相关的空间数据，并进行空间特征识别，得到第一特征，所述第一特征至少包括车位空间特征；
接收多个视觉传感器生成与车位相关的图像数据，并进行图像特征识别，得到第二特征，所述第二特征至少包括线车位特征；
基于特征级数据融合技术融合所述第一特征和所述第二特征，得到融合特征，所述融合特征用于指示车位状态；
若所述融合特征所指示的车位状态为可用，根据车辆传感器采集的车辆数据和所述第二特征确定车位入口，所述车辆数据至少包括车辆位置数据。
2.根据权利要求1所述的方法，其特征在于，所述接收多个测距传感器采集的与车位相关的空间信息，并进行空间特征识别，得到第一特征，包括：
接收多个测距传感器采集的与车位相关的空间数据；
基于同质传感器的数据级数据融合技术对所述空间数据进行融合，得到融合数据；
识别所述融合数据中的车位空间特征，并提取，得到第一特征。
3.根据权利要求1所述的方法，其特征在于，若所述第一特征还包括障碍物空间特征和自由空间特征，所述第二特征还包括障碍物特征和标志标识特征，所述基于特征级数据融合技术融合所述第一特征和所述第二特征，得到融合特征，包括：
基于特征级数据融合技术融合所述车位空间特征、所述障碍物空间特征、自由空间特征、所述线车位特征、障碍物特征和标志标识特征，得到融合特征，所述融合特征用于指示车位状态和车位类型。
4.一种车位识别方法，其特征在于，所述方法包括：
多个测距传感器采集与车位相关的空间数据；
多个视觉传感器生成与车位相关的图像数据；
车辆传感器采集车辆数据，所述车辆数据至少包括车辆位置数据；
车位识别设备接收所述空间数据，并进行空间特征识别，得到第一特征，所述第一特征至少包括车位空间特征；
车位识别设备接收所述图像数据，并进行图像特征识别，得到第二特征，所述第二特征至少包括线车位特征；
车位识别设备基于特征级数据融合技术融合所述第一特征和所述第二特征，得到融合特征，所述融合特征用于指示车位状态；
若所述融合特征所指示的车位状态为可用，所述车位识别设备根据所述车辆数据和所述第二特征确定车位入口。
5.根据权利要求4所述的方法，其特征在于，还包括：
检测设备检测所述多个测距传感器的测距精度，并判断是否存在测距精度低于预设精度的测距传感器，若存在，则输出替换提示信息；
检测设备检测所述多个视觉传感器的成像准确度，并判断是否存在成像准确度低于预设准确度的视觉传感器，若存在，则输出替换提示信息。
6.一种车位识别设备，其特征在于，所述车位识别设备包括：
接收器，用于接收多个测距传感器采集的与车位相关的空间数据，以及多个视觉传感器生成与车位相关的图像数据；
处理器，用于基于所述空间数据进行空间特征识别，得到第一特征；基于所述图像数据进行图像特征识别，得到第二特征；基于特征级数据融合技术融合所述第一特征和所述第二特征，得到融合特征，若所述融合特征所指示的车位状态为可用，根据车辆传感器采集的车辆数据和所述第二特征确定车位入口，其中，所述第一特征至少包括车位空间特征，所述第二特征至少包括线车位特征，所述融合特征用于指示车位状态，所述车辆数据至少包括车辆位置数据。
7.根据权利要求6所述的设备，其特征在于，所述基于空间数据进行空间特征识别得到第一特征的处理器，具体用于：
基于同质传感器的数据级数据融合技术对所述空间数据进行融合，得到融合数据，识别所述融合数据中的车位空间特征，并提取，得到第一特征。
8.根据权利要求6所述的设备，其特征在于，所述处理器还用于，识别空间数据中的障碍物空间特征和自由空间特征，识别所述图像数据中的障碍物特征和标志标识特征，基于特征级数据融合技术融合所述车位空间特征、所述障碍物空间特征、自由空间特征、所述线车位特征、障碍物特征和标志标识特征，得到融合特征，所述融合特征用于指示车位状态和车位类型。
9.一种车位识别系统，其特征在于，所述车位识别系统包括：
多个测距传感器，用于采集与车位相关的空间数据，并将所述空间数据发送至车位识别设备；
多个视觉传感器，用于生成与车位相关的图像数据，并将所述图像数据发送至车位识别设备；
车辆传感器，用于采集车辆数据，并将所述车辆数据发送至车位识别设备，所述车辆数据至少包括车辆位置数据；
权利要求6至8中任一项所述的车位识别设备，用于接收多个测距传感器采集的与车位相关的空间数据，以及多个视觉传感器生成与车位相关的图像数据，基于所述空间数据进行空间特征识别，得到第一特征；基于所述图像数据进行图像特征识别，得到第二特征；基于特征级数据融合技术融合所述第一特征和所述第二特征，得到融合特征，若所述融合特征所指示的车位状态为可用，根据车辆传感器采集的车辆数据和所述第二特征确定车位入口，其中，所述第一特征至少包括车位空间特征，所述第二特征至少包括线车位特征，所述融合特征用于指示车位状态，所述车辆数据至少包括车辆位置数据。
10.根据权利要求9所述的系统，其特征在于，所述车位识别系统还包括：
检测设备，用于检测所述多个测距传感器的测距精度，并判断是否存在测距精度低于预设精度的测距传感器，若存在，则输出替换提示信息；以及检测所述多个视觉传感器的成像准确度，并判断是否存在成像准确度低于预设准确度的视觉传感器，若存在，则输出替换提示信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010776940.5A CN111881874A (zh) | 2020-08-05 | 2020-08-05 | 车位识别方法、设备及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010776940.5A CN111881874A (zh) | 2020-08-05 | 2020-08-05 | 车位识别方法、设备及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111881874A true CN111881874A (zh) | 2020-11-03 |
Family
ID=73211739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010776940.5A Pending CN111881874A (zh) | 2020-08-05 | 2020-08-05 | 车位识别方法、设备及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881874A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112927552A (zh) * | 2021-01-20 | 2021-06-08 | 广州小鹏自动驾驶科技有限公司 | 一种车位检测的方法和装置 |
| WO2022266854A1 (zh) * | 2021-06-22 | 2022-12-29 | 华为技术有限公司 | 一种车位检测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120130453A (ko) * | 2011-05-23 | 2012-12-03 | 아진산업(주) | 차량 주변 영상 제공 방법 |
| CN108281041A (zh) * | 2018-03-05 | 2018-07-13 | 东南大学 | 一种基于超声波和视觉传感器相融合的泊车车位检测方法 |
| CN109532821A (zh) * | 2018-11-09 | 2019-03-29 | 重庆长安汽车股份有限公司 | 融合泊车系统 |
| CN111038493A (zh) * | 2019-12-12 | 2020-04-21 | 恒大新能源汽车科技(广东)有限公司 | 自动泊车方法、系统、车辆和存储介质 |
| CN111137283A (zh) * | 2019-12-27 | 2020-05-12 | 奇瑞汽车股份有限公司 | 传感器数据融合方法、装置、高级辅助驾驶系统及车辆 |
-
2020
- 2020-08-05 CN CN202010776940.5A patent/CN111881874A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120130453A (ko) * | 2011-05-23 | 2012-12-03 | 아진산업(주) | 차량 주변 영상 제공 방법 |
| CN108281041A (zh) * | 2018-03-05 | 2018-07-13 | 东南大学 | 一种基于超声波和视觉传感器相融合的泊车车位检测方法 |
| CN109532821A (zh) * | 2018-11-09 | 2019-03-29 | 重庆长安汽车股份有限公司 | 融合泊车系统 |
| CN111038493A (zh) * | 2019-12-12 | 2020-04-21 | 恒大新能源汽车科技(广东)有限公司 | 自动泊车方法、系统、车辆和存储介质 |
| CN111137283A (zh) * | 2019-12-27 | 2020-05-12 | 奇瑞汽车股份有限公司 | 传感器数据融合方法、装置、高级辅助驾驶系统及车辆 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112927552A (zh) * | 2021-01-20 | 2021-06-08 | 广州小鹏自动驾驶科技有限公司 | 一种车位检测的方法和装置 |
| CN112927552B (zh) * | 2021-01-20 | 2022-03-11 | 广州小鹏自动驾驶科技有限公司 | 一种车位检测的方法和装置 |
| EP4033457A1 (en) * | 2021-01-20 | 2022-07-27 | Guangzhou Xiaopeng Autopilot Technology Co., Ltd. | Parking space detection method and apparatus |
| WO2022266854A1 (zh) * | 2021-06-22 | 2022-12-29 | 华为技术有限公司 | 一种车位检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10466714B2 (en) | Depth map estimation with stereo images | |
| KR101411668B1 (ko) | 교정 장치, 거리 측정 시스템, 교정 방법, 및 교정 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 | |
| CN104081443B (zh) | 用于操作机动车辆的驾驶员辅助装置的方法、驾驶员辅助装置和机动车辆 | |
| US7218757B2 (en) | Method and device for detecting obstruction in image sensor systems | |
| US8687063B2 (en) | Method for predicting lane line and lane departure warning system using the same | |
| US20210073557A1 (en) | Systems and methods for augmenting upright object detection | |
| CN111932901B (zh) | 道路车辆跟踪检测设备、方法及存储介质 | |
| EP2657644B1 (en) | Positioning apparatus and positioning method | |
| US20200082560A1 (en) | Estimating two-dimensional object bounding box information based on bird's-eye view point cloud | |
| CN112084810B (zh) | 一种障碍物检测方法、装置、电子设备及存储介质 | |
| CN108645375B (zh) | 一种用于车载双目系统快速车辆测距优化方法 | |
| CN111881874A (zh) | 车位识别方法、设备及系统 | |
| CN110824188A (zh) | 高速公路车辆的测速方法、装置、编解码器及存储装置 | |
| CN110034968A (zh) | 基于边缘计算的多传感器融合车辆安全异常检测方法 | |
| JP2021033510A (ja) | 運転支援装置 | |
| JPWO2021261304A5 (zh) | ||
| JP6263453B2 (ja) | 運動量推定装置及びプログラム | |
| CN115451968A (zh) | 智能驾驶的多传感器同步融合方法和装置 | |
| EP2778603B1 (en) | Image processing apparatus and image processing method | |
| CN112801024A (zh) | 一种检测信息处理方法和装置 | |
| CN105021573A (zh) | 用于基于跟踪的视距估计的方法和设备 | |
| KR102105705B1 (ko) | 과속 차량 감지 장치 및 방법 | |
| JP2009014444A (ja) | 測距装置 | |
| JP7060334B2 (ja) | 学習データ収集装置、学習データ収集システムおよび学習データ収集方法 | |
| JP2016085105A (ja) | 移動体の速度推定装置、方法、及びプログラム |
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 |