CN112016349A - 停车位的检测方法、装置与电子设备 - Google Patents
停车位的检测方法、装置与电子设备 Download PDFInfo
- Publication number
- CN112016349A CN112016349A CN201910458754.4A CN201910458754A CN112016349A CN 112016349 A CN112016349 A CN 112016349A CN 201910458754 A CN201910458754 A CN 201910458754A CN 112016349 A CN112016349 A CN 112016349A
- Authority
- CN
- China
- Prior art keywords
- parking space
- image
- information
- idle
- point information
- 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 98
- 238000013528 artificial neural network Methods 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims description 92
- 230000002093 peripheral effect Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 9
- 230000003190 augmentative effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 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
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Abstract
本申请实施例公开一种停车位的检测方法、装置与电子设备,该方法包括:获取停车位图像,将停车位图像输入到神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息;基于所述停车位图像中空闲停车位的区域信息和/或角点信息,确定所述停车位图像中空闲停车位的检测结果。
Description
技术领域
本申请涉及人工智能技术,尤其是一种停车位的检测方法、装置与电子设备。
背景技术
随着人们生活水平的提高,汽车成为生活中必不可少的交通工具,随着计算机视觉的发展,智能驾驶得到了广泛的关注。智能驾驶中一个关键任务为停车位的检测,停车位的检测器目的是自动寻找空闲车位,并将车辆停放在空闲车位上。
发明内容
本申请实施例提供一种停车位的检测方法、装置与电子设备。
第一方面,本申请实施例提供一种停车位的检测方法,包括:
获取停车位图像;
将所述停车位图像输入实例分割神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息;
基于所述停车位图像中空闲停车位的区域信息和/或角点信息,确定所述停车位图像中空闲停车位的检测结果。
在第一方面的一可能的实现方式中,所述基于所述停车位图像中空闲停车位的区域信息和角点信息,确定所述停车位图像中空闲停车位的检测结果,包括:
将所述停车位图像中空闲停车位的区域信息和角点信息进行融合,确定所述停车位图像中空闲停车位的检测结果。
在第一方面的一可能的实现方式中,所述将所述停车位图像中空闲停车位的区域信息和角点信息进行融合,确定所述空闲停车位的检测结果,包括:
确定所述停车位图像中空闲停车位的角点信息构成的停车位区域信息;
将所述停车位图像中空闲停车位的区域信息和所述角点信息构成的停车位区域信息进行融合,确定所述停车位图像中空闲停车位的检测结果。
在第一方面的一可能的实现方式中,所述将所述停车位图像输入神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息之前,还包括:
在所述停车位图像的四周边缘向外扩充预设值,所述预设值小于或等于停车位长度的一半;
所述将所述停车位图像输入神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息,包括:
将扩充后的所述停车位图像输入所述神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息。
在第一方面的一可能的实现方式中,所述方法还包括:
获取多个停车位训练图像;
使用所述多个停车位训练图像,训练所述神经网络,其中,所述停车位训练图像包括有对空闲停车位的关键点信息的标注信息。
在第一方面的一可能的实现方式中,将所述停车位训练图像的四周边缘向外扩充预设值,所述预设值小于或等于停车位长度的一半。
在第一方面的一可能的实现方式中,所述停车位训练图像中空闲停车位的关键点信息包括所述空闲停车位的至少一个角点信息。
在第一方面的一可能的实现方式中,使用所述多个停车位训练图像,训练所述神经网络,包括:
获得所述停车位训练图像中空闲停车位的角点信息和所述停车位训练图像中空闲停车位的关键点信息构成的区域信息;
根使用所述停车位训练图像,以及所述停车位训练图像中空闲停车位的角点信息和区域信息,训练所述神经网络。
可选的,所述停车位训练图像为广角摄像头拍摄的图像。
第二方面,本申请实施例提供一种停车位的检测装置,包括:
第一获取模块,用于获取停车位图像;
处理模块,用于将所述停车位图像输入神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息;
确定模块,用于基于所述停车位图像中空闲停车位的区域信息和/或角点信息,确定所述停车位图像中空闲停车位的检测结果。
在第二方面的一可能的实现方式中,所述确定模块,具体用于将所述停车位图像中空闲停车位的区域信息和角点信息进行融合,确定所述停车位图像中空闲停车位的检测结果。
在第二方面的一可能的实现方式中,所述确定模块,具体用于所述停车位图像中空闲停车位的角点信息构成的停车位区域信息;将所述停车位图像中空闲停车位的区域信息和所述角点信息构成的停车位区域信息进行融合,确定所述停车位图像中空闲停车位的检测结果。
在第二方面的一可能的实现方式中,所述装置还包括:
扩充模块,用于在所述停车位图像的四周边缘向外扩充预设值,所述预设值小于或等于停车位长度的一半;
所述处理模块,具体用于将扩充后的所述停车位图像输入所述神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息。
在第二方面的一可能的实现方式中,所述装置还包括:
第二获取模块,用于获取多个停车位训练图像;
训练模块,用于使用所述多个停车位训练图像,训练所述神经网络,其中,所述停车位训练图像包括有对空闲停车位的关键点信息的标注信息。
在第二方面的一可能的实现方式中,所述停车位训练图像的四周边缘向外扩充预设值,所述预设值小于或等于停车位长度的一半。
在第二方面的一可能的实现方式中,所述停车位训练图像中空闲停车位的关键点信息包括所述空闲停车位的至少一个角点信息。
在第二方面的一可能的实现方式中,所述训练模块,具体用于获得所述停车位训练图像中空闲停车位的角点信息和所述停车位训练图像中空闲停车位的关键点信息构成的区域信息;使用所述停车位训练图像,以及所述停车位训练图像中空闲停车位的角点信息和区域信息,训练所述神经网络。
可选的,所述停车位训练图像为广角摄像头拍摄的图像。
第三方面,本申请实施例提供一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现第一方面任一项所述的停车位的检测方法。
第四方面,本申请实施例提供一种计算机存储介质,所述存储介质中存储计算机程序,所述计算机程序在执行时实现第一方面任一项所述的停车位的检测方法。
本申请实施例提供的停车位的检测方法、装置与电子设备,通过获取停车位图像,将停车位图像输入到神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息;基于所述停车位图像中空闲停车位的区域信息和/或角点信息,确定所述停车位图像中空闲停车位的检测结果。即本申请实施例的检测方法,只需要将获得的停车位图像输入到神经网络中,即可得到准确的空闲停车位的区域信息和/或角点信息,不需要前期的图像处理,整个检测过程简单,耗时短,且基于停车位图像中空闲停车位的区域信息和/或角点信息,来确定出停车位图像中空闲停车位的检测结果,有效提高了空闲停车位的检测准确性。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1为本申请实施例提供的停车位检测方法的流程图;
图2为停车位的一种示例图;
图3为本申请实施例提供的停车位检测方法的流程图;
图4a为本申请实施例使用的停车位训练图像的一种示例图;
图4b为对图4a进行关键点标注后的图像;
图5为本申请实施例涉及的神经网络的一种训练流程图;
图6为本申请实施例涉及的神经网络的一种结构示意图;
图7为本申请实施例涉及的停车位检测结果示意图;
图8为本申请实施例提供的停车位的检测装置的结构示意图;
图9为本申请实施例提供的停车位的检测装置的结构示意图;
图10为本申请实施例提供的停车位的检测装置的结构示意图;
图11为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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作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。
本申请实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于以下至少之一:个人计算机系统,服务器计算机系统,瘦客户机,厚客户机,手持或膝上设备,基于微处理器、CPU、GPU的系统,车载系统,机顶盒,可编程消费电子产品,网络个人电脑,小型计算机系统,大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
在一种示例性的应用中,将上述电子设备设置在车辆上,可以与倒车系统连接,用于辅助倒车系统将车辆停放在空闲的停车位上。在另一种示例性的应用中,将电子设备与辅助驾驶系统连接,电子设备将获得到的空闲停车位的检测结果发送给辅助驾驶系统,以使辅助驾驶系统根据该空闲停车位的检测结果来控制车辆行驶,例如,控制车辆停放至空闲停车位上。可选的,该电子设备还可以直接为辅助驾驶系统的一部分或全部,或者为倒车系统的一部分或全部。可选的,该电子设备还可以根据实际需要与其他的车辆控制系统连接,本申请实施例对此不做限制。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本申请实施例提供的停车位的检测方法的流程图。如图1所示,本实施例的方法可以包括:
S101、获取停车位图像。
本实施例以执行主体为电子设备为例进行说明,该电子设备可以但不限于是智能手机、计算机、车载系统等。
可选的,图2为停车位的一种示例图,本实施例的电子设备还可以具有摄像头,可以拍摄车辆的行驶环境,例如车辆所行驶的道路周围的停车位,生成停车位图像,并将该停车位图像发送给电子设备的处理器,以使处理器执行本实施例的方法,得到停车位图像中空闲停车位的检测结果。
可选的,本实施例的电子设备可以与外部的摄像头连接,该摄像头可以拍摄车辆的行驶环境。
可选的,本申请实施例的摄像头的成像组件可以但不限于为CMOS(ComplementaryMetal Oxide Semiconductor,互补金属氧化物半导体)或CCD(Charge Coupled Device,电荷耦合器件)。
S102、将所述停车位图像输入神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息。
本申请实施例的神经网络包括但不限于反向传播(Back Propagation,BP)神经网络、径向基函数(Radial Basis Function,RBF)神经网络、感知器神经网络、线性神经网络、反馈神经网络等。
可选的,上述神经网络可以实现实例分割,其中,实例分割是指不仅进行像素级别的分类,还需在具体的类别基础上区别开不同的实例。例如,停车位图像中有多个空闲停车位甲、乙、丙,实例分割可以将这3个空闲停车位识别为不同的对象。
本申请实施例通过神经网络可以检测出停车位图像中空闲停车位的区域信息,和/或空闲停车位的角点信息。例如,神经网络预先通过带有空闲提车位的区域信息和/或空闲停车位的角点信息的停车位图像集预先训练,使得神经网络学习到提取空闲停车位的区域信息和/或角点信息的能力,这样将图2所示的停车位图像输入神经网络中,可以通过神经网络对停车位图像的处理而得到所述神经网络输出的该停车位图像中空闲停车位的区域信息和/或角点信息。
其中,空闲停车位的区域信息可以包括该空闲停车位的位置和大小等信息,其中角点信息包括空闲停车位的角点的位置信息。
可选的,空闲停车位的角点信息包括该空闲停车位的至少3个角点的角点信息,由于停车位通常为长方形,这样,可以根据空闲停车位的至少3个角点的角点信息可以确定出该空闲停车位的区域信息。
本申请实施例的检测方法,只需要将获得的停车位图像输入到神经网络中,即可得到准确的空闲停车位的区域信息和/或角点信息,不需要前期的图像处理,整个检测过程简单,耗时短。
S103、基于所述停车位图像中空闲停车位的区域信息和/或角点信息,确定所述停车位图像中空闲停车位的检测结果。
在一种示例中,可以将停车图像中空闲停车的区域信息作为空闲停车位的检测结果。
在另一种示例中,可以将停车图像中空闲停车的角点信息作为空闲停车位的检测结果。
在又一种示例中,将停车位图像中空闲停车位的区域信息和角点信息进行融合,确定停车位图像中空闲停车位的检测结果。其中,将空闲停车位的区域信息和角点信息进行融合的方式包括但不限于如下方式:
方式一,确定停车位图像中空闲停车位的角点信息构成的停车位区域信息;将停车位图像中空闲停车位的区域信息和角点信息构成的停车位区域信息进行融合,将融合后的区域信息确定为停车位图像中空闲停车位的检测结果。例如,将空闲停车位的角点信息围绕成的停车位区域信息记为停车位区域信息1,将停车位图像中空闲停车位的区域信息记为区域信息2,将停车位区域信息1与区域信息2进行融合为一个区域信息3,例如将停车位区域信息1与区域信息2的平均值作为区域信息3,将融合后的区域信息3作为停车位图像中空闲停车位的检测结果。
方式二,确定停车位图像中空闲停车位的区域信息的角点信息;将停车位图像中空闲停车位的角点信息和区域信息的角点信息进行融合,将融合后的角点信息确定为停车位图像中空闲停车位的检测结果。例如,停车位图像中空闲停车位的区域信息对应的角点分别记为角点a1、角点a2、角点a3和角点a4,停车位图像中空闲停车位的角点信息对应的角点分别记为角点b1、角点b2、角点b3和角点b4,其中,角点a1、角点a2、角点a3、角点a4分别与角点b1、角点b2、角点b3、角点b4一一对应,这样,可以将对应的两个角点融合为一个角点,例如,将角点a1与角点b1融合为一个角点ab1,这样可以获得新的角点信息,将这些新的角点信息作为停车位图像中空闲停车位的检测结果。
本申请实施例,通过将停车位图像中空闲停车位的区域信息和角点信息进行融合,确定停车位图像中空闲停车位的检测结果,可以提高空闲停车位的检测准确性。
可选的,本申请实施例的方法可以在车辆寻找停车位时,才执行上述步骤,例如,智能驾驶系统到达目的地,或者接收到外部发送的寻找停车位指令时,智能驾驶系统控制电子设备工作。此时,若电子设备具有摄像头,则该电子设备中的处理器控制摄像头拍摄车辆周围的停车位图像,若电子设备没有摄像头,则电子设备向外部的摄像头发送拍照指令,以使摄像头将拍摄的车辆周围的停车位图像发送给电子设备。电子设备在获得停车位图像后,对该停车位图像进行处理,检测出停车位图像中空闲停车位的检测结果。具体是,电子设备将获得的停车位图像输入到神经网络中,通过该神经网络的处理,输出停车位图像中空闲停车位的区域信息和/或角点信息,再基于停车位图像中空闲停车位的区域信息和/或角点信息确定停车位图像中空闲停车位的检测结果,进而实现对空闲停车位的准确检测。
可选的,该电子设备还与智能驾驶系统连接,可以将空闲停车位的检测结果发送给智能驾驶系统,智能驾驶系统根据该空闲停车位的检测结果,控制车辆停放在该空闲停车位上。
本申请实施例提供的停车位检测方法,通过获取停车位图像,将停车位图像输入到神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息;基于所述停车位图像中空闲停车位的区域信息和/或角点信息,确定所述停车位图像中空闲停车位的检测结果。即本申请实施例的检测方法,只需要将获得的停车位图像输入到神经网络中,即可得到准确的空闲停车位的区域信息和/或角点信息,不需要前期的图像处理,整个检测过程简单,耗时短,且基于停车位图像中空闲停车位的区域信息和/或角点信息,来确定出停车位图像中空闲停车位的检测结果,有效提高了空闲停车位的检测准确性。
在一些实施例中,为了检测出停车位图像中不完整的空闲停车位,则本申请实施例的方法,在S102将所述停车位图像输入神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息之前,还包括:
S102a、在所述停车位图像的四周边缘向外扩充预设值。
可选的,所述预设值小于或等于停车位长度的一半。
参照图4a和图4b所示,假设图4a为电子设备获取的停车位图像,该停车位图像中包括两个空闲停车位,空闲停车位1和空闲停车位2,其中,空闲停车位2的局部没有拍摄上。为了检测到空闲停车位2,则将图4a所示的停车位图像的四周边缘向外扩充预设值,如图4b中的黑色边框所示,获得图4b所示的结果。这样,可以增大停车位图像的视角范围,可以检测出局部位于停车位图像外的空闲停车位,进一步增大了停车位检测的准确性。
此时,上述S103将停车位图像输入神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息,可以被S103a替换:
S103a、将扩充后的所述停车位图像输入所述神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息。
例如,将图4b输入至神经网络,可以检测出图4b中空闲停车位1和空闲停车位2的区域信息,和/或空闲停车位1和空闲停车位2的角点信息。
本申请实施例的方法,在检测停车位图像中空闲停车位的区域信息和/或角点信息之前,在停车位图像的四周边缘向外扩充预设值,再将扩充后的所述停车位图像输入神经网络中,这样可以检测出局部位于停车位图像外的空闲停车位,进一步提高了停车位检测的准确性和实用性。
图3为本申请实施例提供的停车位检测方法的流程图,在上述实施例的基础上,本申请实施例的方法还包括对神经网络进行训练的过程,如图3所示,训练过程包括:
S201、获取多个停车位训练图像。
该多个停车位训练图像可以是电子设备从数据库中获得,可以为电子设备以往拍摄的,本申请实施例对电子设备获取多个停车位训练图像的具体过程不做限制。
其中,每个停车位图像包括一个或多个空闲停车位,例如图4b为停车位训练图像,其中包括空闲停车位1和空闲停车位2。
可选的,上述停车位训练图像为使用广角摄像头采集的图像,该图像具有一定的扭曲度。使用该广角摄像头拍摄的停车位训练图像来训练神经网络时,可以使得训练后神经网络对不同视角拍摄的停车位图像进行预测,进而在保证预测准确性的提前下,降低了对停车位图像的拍摄要求。
空闲停车位的关键点可以包括停车位边线上的点、空闲停车位的角点,或者是空闲停车位两对角线的交点,根据这些关键点,可以准确获得空闲停车位的区域以及位置。
上述停车位训练图像包括有对空闲停车位的关键点信息的标注信息。例如图4b所示,标注有空闲停车位4的关键点为:关键点1、关键点2、关键点3和关键点4。需要说明的是,图4b为空闲停车位1的关键点的一种标注方式,空闲停车位1的关键点包括但不限于上述4个关键点,空闲停车位1的关键点的具体数量和选取方式根据实际需要确定,本申请实施例对此不做限制。
S202、使用所述多个停车位训练图像,训练所述神经网络。
将包括有对空闲停车位的关键点信息的标注信息的多个停车位训练图像输入神经网络中,以调整该神经网络的参数,完成该神经网络的训练。
在一种可能的实现方式中,为了实现神经网络对停车位图像中不完整的空闲停车位的检测,在停车位的检测过程中所使用的停车位训练图像的四周边缘向外扩充预设值。
可选的,上述预设值小于或等于停车位长度的一半。
继续参照图4b所示,将图4b所示的停车位训练图像的四周边缘向外扩充预设值,如图4b中的黑色边框所示。这样,可以增大停车位训练图像的视角范围,目的是为了使训练后的神经网络在后期检测时,可以检测出局部位于拍摄的停车位图像外的空闲停车位。
将图4b所示的停车位训练图像的四周边缘向外扩充预设值后,图4b中的空闲停车位2可以完整显示,这样可以对空闲停车位2的关键点进行标注,例如,标注有空闲停车位2的关键点为:关键点11、关键点12、关键点13、关键点14、关键点15和关键点16,其中关键点14位于扩充区域内。需要说明的是,图4b为空闲停车位2的关键点信息的一种标注方式,空闲停车位2的关键点包括但不限于上述6个关键点,空闲停车位2的关键点的具体数量和选取方式根据实际需要确定,本申请实施例对此不做限制。
可选的,上述空闲停车位1和空闲停车位2的关键点的数量和选取方式可以相同,也可以不同,只要保证空闲停车位1的各关键点依次连接包围的面积为空闲停车位1的面积,空闲停车位2的各关键点依次连接包围的面积为空闲停车位2的面积即可。
图4b中,空闲停车位1的关键点3和4与空闲停车位2的关键点13和11重合。
可选的,上停车位训练图像中空闲停车位的关键点信息包括所述空闲停车位的至少一个角点信息,该角点为空闲停车位的两条边线的交点。
本申请实施例,停车位训练图像的四周边缘向外扩充预设值,补充不完整的空闲停车位,使得停车位训练图像中包括不完整空闲停车位的关键点信息的标准信息,使用这样的停车位训练图像来训练神经网络,可以使训练后的神经网络预测出停车位图像中没有拍摄完整的空闲停车位,提高了停车位检测全面性和准确性。
在上述神经网络的训练实施例的基础上,在一种可以的实现方式中,如图5所示,上述S202使用所述多个停车位训练图像,训练所述神经网络,具体可以包括:
S301、获得所述停车位训练图像中空闲停车位的角点信息和所述停车位训练图像中空闲停车位的关键点信息构成的区域信息。
示例性,以图4b中的空闲停车位2为例,空闲停车位2的6个关键点中包括4个角点,例如,四个角点的标注记为1,其他的关键点记为0,这样,空闲停车位2的6个关键点信息假设为:{"kpts":[[1346.2850971922246,517.6241900647948,1.0],[1225.010799136069,591.1447084233262,1.0],[1280.6479481641468,666.6522678185745,0.0],[1300.5183585313175,728.2505399568034,1.0],[1339.2656587473002,707.3866090712743,0.0],[1431.6630669546437,630.8855291576674,1.0]]}。
获得上述空闲停车位2的6个关键点信息构成的区域信息,例如,将空闲停车位2的6个关键点按照顺时针或逆时针排序,然后求其包围的面积,将包围的面积作为空闲停车位2的区域信息。该空闲停车位2的区域信息可以作为停车位的检测过程中区域信息的真值。
参照上述方法,获得多个停车位训练图像中的每一张停车位训练图像中空闲停车位的关键点信息构成的区域信息,形成空闲停车位的区域真值(Groundtruth)。
另外,继续以图4b中的空闲停车位2为例,从空闲停车位2的6个关键点信息中获得空闲停车位2的4个角点信息,假设为:{"角点":[[1346.2850971922246,517.6241900647948,1.0],[1225.010799136069,591.1447084233262,1.0],[1300.5183585313175,728.2505399568034,1.0],[1431.6630669546437,630.8855291576674,1.0]]}。这4个角点信息构成空闲停车位2的角点真值。
参照上述方法,从多个停车位训练图像中的每一张停车位训练图像中空闲停车位的角点信息,形成空闲停车位的角点真值。
S302、使用所述停车位训练图像,以及所述停车位训练图像中空闲停车位的角点信息和区域信息,训练所述神经网络。
参照图6所示,图6为本申请实施例涉及的神经网络的一种结构示意图,本申请实施例涉及的神经网络包括但不限于图6所示的神经网络。
如图6所述,该神经网络包括实例分割层,该实例分割层用于获得空闲停车位的区域信息。
可选的,本申请实施例的神经网络为mask-RCNN结构的神经网络,如图6所示,该神经网络还包括:特征金字塔网络(Feature Pyramid Networks,FPN)检测底部和区域卷积神经网络(Region CNN,RCNN)位置回归层,其中,FPN检测底部的输出端与RCNN位置回归层的输入端连接,RCNN位置回归层的输出端与实例分割层的输入连接。这样FPN检测底部用于从所述停车位训练图像中检测出空闲停车位的检测框,如图6所示的矩形框。接着,将检测出的空闲停车位的检测框输入RCNN位置回归层,RCNN位置回归层对FPN检测底部检测出的空闲停车位的检测框进行微调。RCNN位置回归层将微调后的空闲停车位的检测框输入到实例分割层中,该实例分割层分割出空闲停车位的区域信息,例如图7中白色区域所示。
可选的,上述实例分割层由一系列卷积层或池化层按照预设顺序堆叠而成。
继续参照图6所示,该神经网络还包括关键点检测层,该关键点检测层用于获得空闲停车位的角点信息。
可选的,该关键点检测层的输入端与RCNN位置回归层的输出端连接,RCNN位置回归层将微调后的空闲停车位的检测框输入到关键点检测层中,该关键点检测层输出空闲停车位的角点信息,例如图7中黑色角点所示。需要说明的是,图7中两个相邻的空闲停车位的一条边线重合,进而使得另两个空闲停车位中两个角点重合。
根据上述方法,神经网络可以预测出的空闲停车位的区域信息和角点信息,接着,神经网络将预测的空闲停车位的区域信息与上述步骤获得的停车位训练图像中空闲停车位的关键点信息构成的区域信息进行比较,将预测的空闲停车位的角点信息与上述步骤获得的停车位训练图像中空闲停车位的角点信息进行比较,调整神经网络的参数。重复上述步骤,直到神经网络的训练次数达到预设次数,或者,神经网络的预测误差达到预设误差值为止。
本申请实施例的方法,通过获得所述停车位训练图像中空闲停车位的角点信息和所述停车位训练图像中空闲停车位的关键点信息构成的区域信息;使用所述停车位训练图像,以及所述停车位训练图像中空闲停车位的角点信息和区域信息,训练所述神经网络,使得训练后的神经网络可以准确预测出空闲停车位的区域信息和/或角点信息。
本申请实施例提供的任一种停车位的检测方法可以由任意适当的具有数据处理能力的设备执行,包括但不限于:终端设备或服务器等。或者,本申请实施例提供的任一种停车位的检测方法可以由处理器执行,如处理器通过调用存储器存储的相应指令来执行本申请实施例提及的任一种停车位检测方法。下文不再赘述。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图8为本申请实施例提供的停车位的检测装置的结构示意图。如图8所示,本实施例的停车位的检测装置100可以包括:
第一获取模块110,用于获取停车位图像;
处理模块120,用于将所述停车位图像输入神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息;
确定模块130,用于基于所述停车位图像中空闲停车位的区域信息和/或角点信息,确定所述停车位图像中空闲停车位的检测结果。
本申请实施例的停车位的检测装置,可以用于执行上述所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
在一种可能的实现方式下,所述确定模块130,具体用于将所述停车位图像中空闲停车位的区域信息和角点信息进行融合,确定所述停车位图像中空闲停车位的检测结果。
在另一种可能的实现方式下,所述确定模块130,具体用于所述停车位图像中空闲停车位的角点信息构成的停车位区域信息;将所述停车位图像中空闲停车位的区域信息和所述角点信息构成的停车位区域信息进行融合,确定所述停车位图像中空闲停车位的检测结果。
图9为本申请实施例提供的停车位的检测装置的结构示意图,所述停车位的检测装置100还包括:扩充模块140,
扩充模块140,用于在所述停车位图像的四周边缘向外扩充预设值,所述预设值小于或等于停车位长度的一半;
所述处理模块120,具体用于将扩充后的所述停车位图像输入所述神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息。
本申请实施例的停车位的检测装置,可以用于执行上述所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图10为本申请实施例提供的停车位的检测装置的结构示意图,所述停车位的检测装置100包括:
第二获取模块150,用于获取多个停车位训练图像;
训练模块160,用于使用所述多个停车位训练图像,训练所述神经网络,其中,所述停车位训练图像包括有对空闲停车位的关键点信息的标注信息。
在一种可能的实现方式中,所述停车位训练图像的四周边缘向外扩充预设值,所述预设值小于或等于停车位长度的一半。
在另一种可能的实现方式中,所述停车位训练图像中空闲停车位的关键点信息包括所述空闲停车位的至少一个角点信息。
在另一种可能的实现方式中,所述训练模块160,具体用于获得所述停车位训练图像中空闲停车位的角点信息和所述停车位训练图像中空闲停车位的关键点信息构成的区域信息;使用所述停车位训练图像,以及所述停车位训练图像中空闲停车位的角点信息和区域信息,训练所述神经网络。
可选的,所述停车位训练图像为广角摄像头拍摄的图像。
本申请实施例的停车位的检测装置,可以用于执行上述所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图11为本申请实施例提供的电子设备的结构示意图,如图11所示,本实施例的电子设备30包括:
存储器310,用于存储计算机程序;
处理器320,用于执行所述计算机程序,以实现上述的停车位的检测方法其实现原理和技术效果类似,此处不再赘述。
进一步的,当本申请实施例中停车位的检测方法的至少一部分功能通过软件实现时,本申请实施例还提供一种计算机存储介质,计算机存储介质用于储存为上述对停车位的检测的计算机软件指令,当其在计算机上运行时,使得计算机可以执行上述方法实施例中各种可能的停车位的检测方法。在计算机上加载和执行所述计算机执行指令时,可全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机指令可以存储在计算机存储介质中,或者从一个计算机存储介质向另一个计算机存储介质传输,所述传输可以通过无线(例如蜂窝通信、红外、短距离无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如SSD)等。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种停车位的检测方法,其特征在于,包括:
获取停车位图像;
将所述停车位图像输入神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息;
基于所述停车位图像中空闲停车位的区域信息和/或角点信息,确定所述停车位图像中空闲停车位的检测结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述停车位图像中空闲停车位的区域信息和角点信息,确定所述停车位图像中空闲停车位的检测结果,包括:
将所述停车位图像中空闲停车位的区域信息和角点信息进行融合,确定所述停车位图像中空闲停车位的检测结果。
3.根据权利要求2所述的方法,其特征在于,所述将所述停车位图像中空闲停车位的区域信息和角点信息进行融合,确定所述空闲停车位的检测结果,包括:
确定所述停车位图像中空闲停车位的角点信息构成的停车位区域信息;
将所述停车位图像中空闲停车位的区域信息和所述角点信息构成的停车位区域信息进行融合,确定所述停车位图像中空闲停车位的检测结果。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述将所述停车位图像输入神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息之前,还包括:
在所述停车位图像的四周边缘向外扩充预设值,所述预设值小于或等于停车位长度的一半;
所述将所述停车位图像输入神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息,包括:
将扩充后的所述停车位图像输入所述神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
获取多个停车位训练图像;
使用所述多个停车位训练图像,训练所述神经网络,其中,所述停车位训练图像包括有对空闲停车位的关键点信息的标注信息。
6.根据权利要求5所述的方法,其特征在于,所述停车位训练图像的四周边缘向外扩充预设值,所述预设值小于或等于停车位长度的一半。
7.根据权利要求5所述的方法,其特征在于,所述停车位训练图像中空闲停车位的关键点信息包括所述空闲停车位的至少一个角点信息。
8.一种停车位的检测装置,其特征在于,包括:
第一获取模块,用于获取停车位图像;
处理模块,用于将所述停车位图像输入神经网络中,获得所述停车位图像中空闲停车位的区域信息和/或角点信息;
确定模块,用于基于所述停车位图像中空闲停车位的区域信息和/或角点信息,确定所述停车位图像中空闲停车位的检测结果。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1-7任一项所述的停车位的检测方法。
10.一种计算机存储介质,其特征在于,所述存储介质中存储计算机程序,所述计算机程序在执行时实现如权利要求1-7任一项所述的停车位的检测方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910458754.4A CN112016349A (zh) | 2019-05-29 | 2019-05-29 | 停车位的检测方法、装置与电子设备 |
KR1020217016722A KR20210087070A (ko) | 2019-05-29 | 2020-02-13 | 주차 공간의 검출 방법, 장치 및 전자 기기 |
PCT/CN2020/075065 WO2020238284A1 (zh) | 2019-05-29 | 2020-02-13 | 停车位的检测方法、装置与电子设备 |
JP2021531322A JP2022510329A (ja) | 2019-05-29 | 2020-02-13 | 駐車スペース検出方法、装置及び電子機器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910458754.4A CN112016349A (zh) | 2019-05-29 | 2019-05-29 | 停车位的检测方法、装置与电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016349A true CN112016349A (zh) | 2020-12-01 |
Family
ID=73501819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910458754.4A Pending CN112016349A (zh) | 2019-05-29 | 2019-05-29 | 停车位的检测方法、装置与电子设备 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP2022510329A (zh) |
KR (1) | KR20210087070A (zh) |
CN (1) | CN112016349A (zh) |
WO (1) | WO2020238284A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408514A (zh) * | 2021-06-16 | 2021-09-17 | 超级视线科技有限公司 | 一种基于深度学习检测路侧停车场泊位的方法及装置 |
CN113674199A (zh) * | 2021-07-06 | 2021-11-19 | 浙江大华技术股份有限公司 | 停车位检测方法、电子设备及存储介质 |
CN114067598A (zh) * | 2020-07-30 | 2022-02-18 | 上汽通用汽车有限公司 | 确定空闲车位的方法、装置 |
CN115206130A (zh) * | 2022-07-12 | 2022-10-18 | 合众新能源汽车有限公司 | 一种车位检测方法、系统、终端及存储介质 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560689B (zh) * | 2020-12-17 | 2024-04-19 | 广州小鹏自动驾驶科技有限公司 | 一种车位检测方法、装置、电子设备和存储介质 |
CN115131762A (zh) * | 2021-03-18 | 2022-09-30 | 广州汽车集团股份有限公司 | 一种车辆泊车方法、系统及计算机可读存储介质 |
CN113822156B (zh) * | 2021-08-13 | 2022-05-24 | 北京易航远智科技有限公司 | 车位检测处理方法、装置、电子设备及存储介质 |
CN113903188B (zh) * | 2021-08-17 | 2022-12-06 | 浙江大华技术股份有限公司 | 车位检测方法、电子设备及计算机可读存储介质 |
CN113408509B (zh) * | 2021-08-20 | 2021-11-09 | 智道网联科技(北京)有限公司 | 用于自动驾驶的标识牌识别方法及装置 |
CN113870613B (zh) * | 2021-10-14 | 2022-09-30 | 中国第一汽车股份有限公司 | 停车位确定方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170177956A1 (en) * | 2015-12-18 | 2017-06-22 | Fujitsu Limited | Detection apparatus and method for parking space, and image processing device |
CN107424116A (zh) * | 2017-07-03 | 2017-12-01 | 浙江零跑科技有限公司 | 基于侧环视相机的泊车位检测方法 |
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 |
CN109086708A (zh) * | 2018-07-25 | 2018-12-25 | 深圳大学 | 一种基于深度学习的停车位检测方法及系统 |
CN109685000A (zh) * | 2018-12-21 | 2019-04-26 | 广州小鹏汽车科技有限公司 | 一种基于视觉的车位检测方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6761708B2 (ja) * | 2016-09-05 | 2020-09-30 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 駐車位置特定方法、駐車位置学習方法、駐車位置特定システム、駐車位置学習装置およびプログラム |
JP6813178B2 (ja) * | 2016-12-07 | 2021-01-13 | 学校法人常翔学園 | 生体画像処理装置、出力画像製造方法、学習結果製造方法、及びプログラム |
JP6887154B2 (ja) * | 2017-06-08 | 2021-06-16 | 国立大学法人 筑波大学 | 画像処理システム、評価モデル構築方法、画像処理方法及びプログラム |
JP2019096072A (ja) * | 2017-11-22 | 2019-06-20 | 株式会社東芝 | 物体検出装置、物体検出方法およびプログラム |
-
2019
- 2019-05-29 CN CN201910458754.4A patent/CN112016349A/zh active Pending
-
2020
- 2020-02-13 KR KR1020217016722A patent/KR20210087070A/ko not_active Application Discontinuation
- 2020-02-13 WO PCT/CN2020/075065 patent/WO2020238284A1/zh active Application Filing
- 2020-02-13 JP JP2021531322A patent/JP2022510329A/ja active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170177956A1 (en) * | 2015-12-18 | 2017-06-22 | Fujitsu Limited | Detection apparatus and method for parking space, and image processing device |
CN107424116A (zh) * | 2017-07-03 | 2017-12-01 | 浙江零跑科技有限公司 | 基于侧环视相机的泊车位检测方法 |
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 |
CN109086708A (zh) * | 2018-07-25 | 2018-12-25 | 深圳大学 | 一种基于深度学习的停车位检测方法及系统 |
CN109685000A (zh) * | 2018-12-21 | 2019-04-26 | 广州小鹏汽车科技有限公司 | 一种基于视觉的车位检测方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067598A (zh) * | 2020-07-30 | 2022-02-18 | 上汽通用汽车有限公司 | 确定空闲车位的方法、装置 |
CN113408514A (zh) * | 2021-06-16 | 2021-09-17 | 超级视线科技有限公司 | 一种基于深度学习检测路侧停车场泊位的方法及装置 |
CN113674199A (zh) * | 2021-07-06 | 2021-11-19 | 浙江大华技术股份有限公司 | 停车位检测方法、电子设备及存储介质 |
CN115206130A (zh) * | 2022-07-12 | 2022-10-18 | 合众新能源汽车有限公司 | 一种车位检测方法、系统、终端及存储介质 |
CN115206130B (zh) * | 2022-07-12 | 2023-07-18 | 合众新能源汽车股份有限公司 | 一种车位检测方法、系统、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP2022510329A (ja) | 2022-01-26 |
WO2020238284A1 (zh) | 2020-12-03 |
KR20210087070A (ko) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016349A (zh) | 停车位的检测方法、装置与电子设备 | |
US11423695B2 (en) | Face location tracking method, apparatus, and electronic device | |
CN110473137B (zh) | 图像处理方法和装置 | |
EP3471021A1 (en) | Method for determining target intelligently followed by unmanned aerial vehicle, unmanned aerial vehicle and remote controller | |
US8463025B2 (en) | Distributed artificial intelligence services on a cell phone | |
CN109829850B (zh) | 图像处理方法、装置、设备及计算机可读介质 | |
CN109977872B (zh) | 动作检测方法、装置、电子设备及计算机可读存储介质 | |
US20240153105A1 (en) | Feature point identification in sparse optical flow based tracking in a computer vision system | |
CN110598763A (zh) | 一种图像识别方法、装置及终端设备 | |
WO2021262837A1 (en) | Systems and methods for fine adjustment of roof models | |
CN110060264B (zh) | 神经网络训练方法、视频帧处理方法、装置及系统 | |
CN113838134B (zh) | 图像关键点检测方法、装置、终端和存储介质 | |
CN111598088A (zh) | 目标检测方法、装置、计算机设备及可读存储介质 | |
CN111382695A (zh) | 用于检测目标的边界点的方法和装置 | |
CN110490118A (zh) | 图像处理方法及装置 | |
CN113160272B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN115346184A (zh) | 一种车道信息检测方法、终端及计算机存储介质 | |
CN113436068B (zh) | 一种图像拼接方法、装置、电子设备及存储介质 | |
US10268930B2 (en) | Image processing system and method for identifying content within image data using markov random fields | |
AU2013263838A1 (en) | Method, apparatus and system for classifying visual elements | |
CN114373071A (zh) | 目标检测方法、装置及电子设备 | |
CN113901268A (zh) | 一种视频图像背景获取方法 | |
US11706546B2 (en) | Image sensor with integrated single object class detection deep neural network (DNN) | |
CN111310657B (zh) | 驾驶员人脸监控方法、装置、终端和计算机可读存储介质 | |
CN113469299B (zh) | 工业检测中的缺陷检测方法、缺陷检测装置 |
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 |