CN112052782A - 基于环视的停车位识别方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及停车位识别技术领域，公开了一种基于环视的停车位识别方法、装置、设备及存储介质，所述方法包括：通过环视系统获取初始俯视拼接图片，对所述初始俯视拼接图片进行图片处理，得到待处理灰度图片，对所述待处理灰度图片进行检测，获得所述待处理灰度图片上的角点，对所述待处理灰度图片上的角点进行筛选，获得所述待处理灰度图片上的角点对应的缺陷角点集合，对所述缺陷角点集合进行计算，获得所述缺陷角点集合的角点队列，根据所述角点队列确定车位。通过将初始俯视拼接图片进行预处理，然后基于训练模型进行角点筛选以及计算获得角点队列，最后确定车位，从而使得基于车位检测更加准确，场景覆盖率更广泛。

Description

基于环视的停车位识别方法、装置、设备及存储介质

技术领域

本发明涉及停车位识别技术领域，尤其涉及一种基于环视的停车位识别的方法、装置、设备及存储介质。

背景技术

随着我国社会经济的快速发展，机动车迅速增长，而巨大的机动车使用量导致停车困难、车辆管理混乱的问题，随着汽车产业的发展和市场的需求，汽车制造商和研究机构为停车带来的问题提供了解决方法，这就是自动泊车系统，而停车位识别是自动泊车最重要的模块之一，当前一般采用基于深度学习或2D的车位识别系统技术来支持停车位识别，从而导致覆盖场景低、误识别率高、系统过于复杂以及占用硬件资源过高的问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提出一种基于环视的停车位识别方法、装置、设备及存储介质，旨在解决如何使得基于车位检测更加准确，场景覆盖率更广泛的技术问题。

为实现上述目的，本发明提供一种基于环视的停车位识别方法，所述基于环视的停车位识别方法包括以下步骤：

通过环视系统获取初始俯视拼接图片，对所述初始俯视拼接图片进行图片处理，得到待处理灰度图片；

对所述待处理灰度图片进行检测，获得所述待处理灰度图片上的角点；

对所述待处理灰度图片上的角点进行筛选，获得所述待处理灰度图片上的角点对应的缺陷角点集合；

对所述缺陷角点集合进行计算，获得所述缺陷角点集合的角点队列；

根据所述角点队列确定车位。

可选地，所述获取初始俯视拼接图片，对所述初始俯视拼接图片进行图片处理，得到待处理灰度图片，包括：

获取初始俯视拼接图片，将所述初始俯视拼接图片进行类型转换，得到灰度图片；

采用均值滤波对所述灰度图片进行滤波降噪处理，得到待处理灰度图片。

可选地，所述对所述待处理灰度图片进行检测，获得所述待处理灰度图片上的角点，包括：

基于预先构建训练模型，对所述待处理灰度图片进行角点检测处理，获得所述待处理灰度图片上的角点；

可选地，所述对所述待处理灰度图片上的角点进行筛选，获得所述待处理灰度图片上的角点对应的缺陷角点集合，包括：

对所述待处理灰度图片上的角点进行分类，得到目标角点；

根据所述目标角点得到对应的轮廓；

对所述轮廓进行遍历，得到轮廓面积；

判断所述轮廓面积与预设面积的大小；

若所述轮廓面积大于或等于预设面积，则判断所述轮廓是否为凸包；

若所述轮廓不为凸包，则根据所述轮廓生成预设缺陷列表；

计算所述预设缺陷列表中所述轮廓对应的角点的距离；

根据所述距离与预设值的大小对所述轮廓对应的角点进行筛选，获得缺陷角点集合。

可选地，所述对所述缺陷角点集合进行计算分类，获得所述缺陷角点集合的角点队列，包括：

对所述缺陷角点集合进行遍历，得到每个角点集合区域对应的霍夫曼直线；

根据所述霍夫曼直线的起点、终点与垂直方向的夹角得到带有角点角度的角点；

根据所述带有角点角度的角点得到角点队列。

可选地，所述根据角点队列确定车位之前，所述方法还包括：

判断所述角点队列元素个数与预设个数的大小；

根据所述角点队列元素个数是否大于或等于预设个数确定所述角点队列中是否存在车位；

在所述角点队列中存在车位时，则执行根据所述角点队列确定车位的步骤。

可选地，所述根据所述角点队列确定车位，包括：

选取所述角点队列中的第一角点，并根据所述第一角点与垂直方向的夹角选取参考角点；

判断所述第一角点与所述参考角点是否在同一直线上；

若所述第一角点与所述参考角点在同一直线上，则判断所述直线的长度是否等于车位纵向的长度；

若所述直线的长度等于车位纵向的长度，则确定车位的后角点是所述直线上的参考角点，作为第二角点；

将所述角点队列中的角点从小到大排序；

获取其中相邻两角点距离等于车位横向的长度的角点作为第三角点和第四角点；

根据所述第一角点、第二角点、第三角点以及第四角点确定车位。

此外，为实现上述目的，本发明还提出一种基于环视的停车位识别装置，所述基于环视的停车位识别装置包括：

获取模块，用于通过环视系统获取初始俯视拼接图片，对所述初始俯视拼接图片进行图片处理，得到待处理灰度图片；

检测模块，用于对所述待处理灰度图片进行检测，获得所述待处理灰度图片上的角点；

筛选模块，用于对所述待处理灰度图片上的角点进行筛选，获得所述待处理灰度图片上的角点对应的缺陷角点集合；

计算模块，用于对所述缺陷角点集合进行计算，获得所述缺陷角点集合的角点队列；

确定模块，用于根据所述角点角度确定车位。

此外，为实现上述目的，本发明还提出一种基于环视的停车位识别设备，所述基于环视的停车位识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于环视的停车位识别程序，所述基于环视的停车位识别程序配置有实现如上所述的基于环视的停车位识别方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于环视的停车位识别程序，所述基于环视的停车位识别程序被处理器执行时实现如上文所述的基于环视的停车位识别方法的步骤。

本发明提出的基于环视的停车位识别的方法，通过环视系统获取初始俯视拼接图片，对所述初始俯视拼接图片进行图片处理，得到待处理灰度图片，对所述待处理灰度图片进行检测，获得所述待处理灰度图片上的角点，对所述待处理灰度图片上的角点进行筛选，获得所述待处理灰度图片上的角点对应的缺陷角点集合，对所述缺陷角点集合进行计算，获得所述缺陷角点集合的角点队列，根据所述角点队列确定车位。通过将初始俯视拼接图片进行预处理，然后基于训练模型进行角点筛选、计算获得角点队列，最后确定车位，从而使得基于车位检测更加准确，场景覆盖率更广泛。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的基于环视的停车位识别的设备结构示意图；

图2为本发明基于环视的停车位识别方法第一实施例的流程示意图；

图3为本发明基于环视的停车位识别方法第二实施例的流程示意图；

图4为本发明基于环视的停车位识别方法第三实施例的流程示意图；

图5为本发明基于环视的停车位识别装置第一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1图1为本发明实施例方案涉及的硬件运行环境的基于环视的停车位识别设备结构示意图。

如图1所示，该基于环视的停车位识别设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如按键，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的设备结构并不构成对基于环视的停车位识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于环视的停车位识别程序。

在图1所示的基于环视的停车位识别设备中，网络接口1004主要用于连接外网，与其他网络设备进行数据通信；用户接口1003主要用于连接用户设备，与所述用户设备进行数据通信；本发明设备通过处理器1001调用存储器1005中存储的基于环视的停车位识别程序，并执行本发明实施例提供的基于环视的停车位识别方法。

基于上述硬件结构，提出本发明基于环视的停车位识别方法实施例。

参照图2，图2为本发明基于环视的停车位识别方法第一实施例的流程示意图。

在第一实施例中，所述基于环视的停车位识别方法包括以下步骤：

步骤S10，通过环视系统获取初始俯视拼接图片，对所述初始俯视拼接图片进行图片处理，得到待处理灰度图片。

需要说明的是，本实施例的执行主体可为基于环视的停车位识别设备，还可为其他可实现相同或相似功能的设备，本实施例对此不作限制，在本实施例中，以基于环视的停车位识别设备为例进行说明。

应当理解的是，所述初始俯视拼接图片是通过环视系统摄像头拍摄的俯视图片，再对俯视图片进行处理获得初始俯视拼接图片。

应当理解的是，初始俯视拼接图片为RGB图像，可获取初始俯视拼接图片对应的三原色通道值，根据三原色通道值将初始俯视拼接图片转换为BGR类型的待处理图片，再将BGR类型的待处理图片转成灰度图片，采用均值滤波对所述灰度图片进行滤波降噪处理，得到待处理灰度图片。

可以理解的是，本实施例中均值滤波是为了对灰度图片进行降噪，去除干扰点。

步骤S20，对所述待处理灰度图片进行检测，获得所述待处理灰度图片上的角点。

需要说明的是，基于预先构建训练模型，调用训练模型的角点检测接口函数，对所述待处理灰度图片进行角点检测处理，获得所述待处理灰度图片上的角点。

可以理解的是，在具体实现中预先构建训练模型是跨平台的计算机视觉库(OpenSource Computer Vision Library，OpenCV)内置自适应提升算法(Adaptive Boosting，AdaBoost)模型构成的训练模型。

应当理解的是，AdaBoost是根据弱分类器的线性组合从而得到强分类器，通过将弱分类器级联就能得到一个非常准确又强大的分类器。为了对车位入口处的标记点进行检测，就要从各种复杂路面中将标记点进行定位并分割出来，从而识别出图片上的角点。

步骤S30，对所述待处理灰度图片上的角点进行筛选，获得所述待处理灰度图片上的角点对应的缺陷角点集合。

应当理解的是，通过对所述待处理灰度图片上的角点进行分类，得到目标角点，调用训练模型的轮廓检测函数对所述目标角点进行检测得到对应的轮廓，并计算轮廓面积，通过对其面积设定阈值来进一步筛选获取符合轮廓面积的角点，通过寻找所述轮廓不为凸包的区域，再根据所述轮廓生成预设缺陷列表，计算所述预设缺陷列表中所述轮廓对应的角点的距离，根据所述距离与预设值的大小对所述轮廓对应的角点进行筛选，获得缺陷角点集合。

应当理解的是，所述预设面积为本领域技术人员可以根据具体情况设定的值，所述预设缺陷列表是训练模型划分的存储区域，主要存储筛选后的角点。

步骤S40，对所述缺陷角点集合进行计算，获得所述缺陷角点集合的角点队列。

需要说明的是，对所述缺陷角点集合进行遍历，得到每个角点集合区域对应的霍夫曼直线，将霍夫曼直线的起点和终点与y轴的夹角记录下来，通过对角点角度判断，获得所述带有角点角度的角点得到角点队列。

应当理解的是，所述角点队列是训练模型划分的存储区域，主要存储筛选后的角点。

步骤S50，根据所述角点队列确定车位。

需要说明的是，在确定车位的时候需要进一步判断角点列表为有效车位列表，再获取其中存在车位的角点队列，然后选取所述角点队列中的第一角点，并根据所述第一角点与y轴的夹角选取参考角点，若所述第一角点与所述参考角点在同一直线上且等于车位纵向的长度；则确定车位参考角度是车位的后角点是，作为第二角点，将所述角点队列中的y轴方向从小到大排序的相邻两角点距离等于车位横向的长度的角点作为第三角点和第四角点，根据所述第一角点、第二角点、第三角点以及第四角点确定车位。

应当理解的是，车位纵向的长度和车位横向的长度是国家规定的停车位长和宽的大小。

本发明提出的基于环视的停车位识别的方法，通过环视系统获取初始俯视拼接图片，对所述初始俯视拼接图片进行图片处理，得到待处理灰度图片，对所述待处理灰度图片进行检测，获得所述待处理灰度图片上的角点，对所述待处理灰度图片上的角点进行筛选，获得所述待处理灰度图片上的角点对应的缺陷角点集合，对所述缺陷角点集合进行计算，获得所述缺陷角点集合的角点队列，根据所述角点队列确定车位。通过将初始俯视拼接图片进行预处理，然后基于训练模型进行角点筛选以及计算获得角点队列，最后确定车位，从而使得基于车位检测更加准确，场景覆盖率更广泛。

在一实施例中，如图3所示，基于第一实施例提出本发明基于环视的停车位识别方法第二实施例，所述步骤S10，包括：

步骤S101，获取初始俯视拼接图片，将所述初始俯视拼接图片进行类型转换，得到灰度图片。

可以理解的是，通过将BGR类型的待处理图片进行图片灰度处理转成灰度图片，对图片的灰度化的处理，即为将图片中的彩色滤除，因此，获取初始俯视拼接图片，将所述初始俯视拼接图片进行类型转换，得到灰度图片。

步骤S102，采用均值滤波对所述灰度图片进行滤波降噪处理，得到待处理灰度图片。

可以理解的是，采用均值滤波的方法主要是消除图像中的尖锐噪声，通过平滑去噪得到待处理灰度图片。

进一步地，所述步骤S30，包括：

步骤S301，对所述待处理灰度图片上的角点进行分类，得到目标角点。

可以理解的是，例如，将车位的标记点分为三类角点，可以分别用数字1表示左“L”型、2表示“T”型和3表示右“L”型，从而得到目标角点。

步骤S302，根据所述目标角点得到对应的轮廓。

可以理解的是，调用训练模型的轮廓检测函数对所述目标角点进行检测得到目标角点对应的轮廓。

步骤S303，对所述轮廓进行遍历，得到轮廓面积。

可以理解的是，在具体实施中可以将遍历到的轮廓面积用像素个数来表示。

步骤S304，判断所述轮廓面积与预设面积的大小。

可以理解的是，在具体实施中可以通过对轮廓面积进行降序排序，目的是为了舍弃小面积的轮廓面积。

步骤S305，若所述轮廓面积大于或等于预设面积，则判断所述轮廓是否为凸包。

可以理解的是，通过判断如果轮廓面积大于或等于预设面积，再通过凸包检测算法判断所述轮廓是否为凸包，如果轮廓面积小于预设面积，则舍弃所述轮廓。

步骤S306，若所述轮廓不为凸包，则根据所述轮廓生成预设缺陷列表。

可以理解的是，若所述轮廓不为凸包，将没有舍弃的轮廓存储在预设缺陷列表里，若所述轮廓为凸包，再次舍弃该轮廓。

步骤S307，计算所述预设缺陷列表中所述轮廓对应的角点的距离。

可以理解的是，所述预设缺陷列表主要是存储满足上述条件的轮廓，然后根据每个轮廓中角点位置计算轮廓中角点的的距离，例如，获取所述预设缺陷列表轮廓中两个角点的位置为a和b，然后计算得到这两个交底之间的距离。

步骤S308，根据所述距离与预设值的大小对所述轮廓对应的角点进行筛选，获得缺陷角点集合。

可以理解的是，通过判断如果所述距离小于预设值，则删除所述预设缺陷列表中所述轮廓对应的角点的其中的一个角点，最终获得缺陷角点集合。

本实施例中通过获取初始俯视拼接图，对初始俯视拼接图进行灰度处理和滤波处理得到灰度平台，通过对灰度图片进行角点检测和轮廓检测获得目标角点对应的轮廓，并在轮廓检测完成后筛选出缺陷角点集合，从而进一步地提升了停车位角点识别的准确性。

在一实施例中，如图4所示，基于第一实施例提出本发明基于环视的停车位识别方法第三实施例，进一步地，所述步骤S40，包括：

步骤S401，对所述缺陷角点集合进行遍历，得到每个角点集合区域对应的霍夫曼直线。

应当理解的是，霍夫曼直线变换的原理是对缺陷角点集合中每一个角点进行遍历，然后对经过这个点的所有直线进行统计，出现频率较大的直线就在作为每个角点集合区域中被检测到对应的霍夫曼直线。

步骤S402，根据所述霍夫曼直线的起点、终点与垂直方向的夹角得到带有角点角度的角点。

可以理解的是，垂直方向可以通过建立坐标模块用来表示y轴方向，通过所述的霍夫曼直线可以确定霍夫曼直线的起点、终点和y轴的夹角，通过分类与y轴的夹角在8度以内的为一类角点，在8度以外的为另一类角点。

步骤S403，根据所述带有角点角度的角点得到角点队列。

可以理解的是，通过对角点角度判断，获得所述带有角点角度的角点得到角点队列，例如，判断所述夹角是否在8度以内，将8度以内的划为一类角点，将非8度以内的划为另一类角点，将一类角点和另一类角点中夹角带有角点角度的角点放入角点队列中。

所述步骤S50，包括：

步骤S501，选取所述角点队列中的第一角点，并根据所述第一角点与垂直方向的夹角选取参考角点。

需要说明的是，在执行S50之前，需要对所述角点队列进行预处理，具体包括：判断所述角点队列元素个数与预设个数的大小，根据所述角点队列元素个数是否大于或等于预设个数确定所述角点队列中是否存在车位。

可以理解的是，例如，若所述队列中元素个数大于等于2，则可判断队列为有效队列，可能存在车位，若所述队列中元素个数小于2，则可以判断所述队列为无效队列，不存在车位，然后获取队列中相同角度包含角点数量最多的2个角点类，更新并存入预处理的角点队列。例如，获取相同的钝角或者直角包含角度数量最多的2个角点类，更新并存入新的角点队列，如果角点队列中的角点与y轴的夹角等于90度，则可以判断存在的是垂直车位，如果角点队列中的角点与y轴的夹角不等于90度，则可以判断存在的是斜车位。

可以理解的是，第一角点是从预处理后的角度队列中获取，参考点是当前第一角点与y轴夹角往后找的角点。

步骤S502，判断所述第一角点与所述参考角点是否在同一直线上。

可以理解的是，通过霍夫曼直线检测判断所述第一角点与所述参考角点是否在同一直线。

步骤S503，若所述第一角点与所述参考角点在同一直线上，则判断所述直线的长度是否等于车位纵向的长度。

可以理解的是，通过检查所述第一角点与所述参考角点是在一条直线上，则计算直线的长度，然后在将所述直线的长度与车位纵向的长度进行判断。

步骤S504，若所述直线的长度等于车位纵向的长度，则确定车位的后角点是所述直线上的参考点，作为第二角点。

可以理解的是，通过判断所述直线的长度等于车位纵向的长度相等，则可以确定队列的角点是车位的一个角点，即车位的后脚点是所述参考点。

需要说明的是，可以将参考点作为第二角点。

步骤S505，将所述角点队列中的角点从小到大排序。

可以理解的是，将所述角点队列的角点沿y轴方向进行升序排序。

步骤S506，获取其中相邻两角点距离等于车位横向的长度的角点作为第三角点和第四角点。

可以理解的是，从升序排序的角点中获取距离等于车位横向方向的两个角度，这两个角点可以作为第三角点和第四角点。

步骤S507，根据所述第一角点、第二角点、第三角点以及第四角点确定车位。

可以理解的是，若存在的是垂直车位，则通过所述第一角点、第二角点、第三角点以及第四角点可以确定垂直车位，若存在的是斜车位，则通过第一角点、第二角点、第三角点以及第四角点确定斜车位。

本实施例中通过获取初始俯视拼接图片的缺陷角点集合，并通过霍夫曼直线确定带有角点角度的角点得到角点队列，根据预处理获得存在车位的队列后的对车位的各角点进行确定，从而确定车位，进一步地提升了停车位识别的准确性。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于环视的停车位识别程序，所述基于环视的停车位识别程序被处理器执行时实现如上文所述的基于环视的停车位识别方法的步骤。

由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

此外，参照图5，本发明实施例还提出一种基于环视的停车位识别装置，所述基于环视的停车位识别装置包括：

获取模块10，用于通过环视系统获取初始俯视拼接图片，对所述初始俯视拼接图片进行图片处理，得到待处理灰度图片。

应当理解的是，所述初始俯视拼接图片是通过环视系统摄像头拍摄的俯视图片，再对俯视图片进行处理获得初始俯视拼接图片。

应当理解的是，初始俯视拼接图片为RGB图像，可获取初始俯视拼接图片对应的三原色通道值，根据三原色通道值将初始俯视拼接图片转换为BGR类型的待处理图片，再将BGR类型的待处理图片转成灰度图片，采用均值滤波对所述灰度图片进行滤波降噪处理，得到待处理灰度图片。

可以理解的是，本实施例中均值滤波是为了对灰度图片进行降噪，去除干扰点。

检测模块20，用于对所述待处理灰度图片进行检测，获得所述待处理灰度图片上的角点。

需要说明的是，基于预先构建训练模型，调用训练模型的角点检测接口函数，对所述待处理灰度图片进行角点检测处理，获得所述待处理灰度图片上的角点。

可以理解的是，在具体实现中预先构建训练模型是跨平台的计算机视觉库(OpenSource Computer Vision Library，OpenCV)内置自适应提升算法(Adaptive Boosting，AdaBoost)模型构成的训练模型。

应当理解的是，AdaBoost是根据弱分类器的线性组合从而得到强分类器，通过将弱分类器级联就能得到一个非常准确又强大的分类器。为了对车位入口处的标记点进行检测，就要从各种复杂路面中将标记点进行定位并分割出来，从而识别出图片上的角点。

筛选模块30，用于对所述待处理灰度图片上的角点进行筛选，获得所述待处理灰度图片上的角点对应的缺陷角点集合。

应当理解的是，通过对所述待处理灰度图片上的角点进行分类，得到目标角点，调用训练模型的轮廓检测函数对所述目标角点进行检测得到对应的轮廓，并计算轮廓面积，通过对其面积设定阈值来进一步筛选获取符合轮廓面积的角点，通过寻找所述轮廓不为凸包的区域，再根据所述轮廓生成预设缺陷列表，计算所述预设缺陷列表中所述轮廓对应的角点的距离，根据所述距离与预设值的大小对所述轮廓对应的角点进行筛选，获得缺陷角点集合。

应当理解的是，所述预设面积为本领域技术人员可以根据具体情况设定的值，所述预设缺陷列表是训练模型划分的存储区域，主要存储筛选后的角点。

计算模块40，用于对所述缺陷角点集合进行计算，获得所述缺陷角点集合的角点队列。

需要说明的是，对所述缺陷角点集合进行遍历，得到每个角点集合区域对应的霍夫曼直线，将霍夫曼直线的起点和终点与y轴的夹角记录下来，通过对角点角度判断，获得所述带有角点角度的角点得到角点队列。

应当理解的是，所述角点队列是训练模型划分的存储区域，主要存储筛选后的角点。

确定模块50，根据所述角点队列确定车位。

需要说明的是，在确定车位的时候需要进一步判断角点列表为有效车位列表，再获取其中存在车位的角点队列，然后选取所述角点队列中的第一角点，并根据所述第一角点与y轴的夹角选取参考角点，若所述第一角点与所述参考角点在同一直线上且等于车位纵向的长度；则确定车位参考角度是车位的后角点是，作为第二角点，将所述角点队列中的y轴方向从小到大排序的相邻两角点距离等于车位横向的长度的角点作为第三角点和第四角点，根据所述第一角点、第二角点、第三角点以及第四角点确定车位。

应当理解的是，车位纵向的长度和车位横向的长度是国家规定的停车位长和宽的大小。

本实施例中通过环视系统获取初始俯视拼接图片，对所述初始俯视拼接图片进行图片处理，得到待处理灰度图片，对所述待处理灰度图片进行检测，获得所述待处理灰度图片上的角点，对所述待处理灰度图片上的角点进行筛选，获得所述待处理灰度图片上的角点对应的缺陷角点集合，对所述缺陷角点集合进行计算，获得所述缺陷角点集合的角点队列，根据所述角点队列确定车位。通过将初始俯视拼接图片进行预处理，然后基于训练模型进行角点筛选、计算获得角点队列，最后确定车位，从而使得基于车位检测更加准确，场景覆盖率更广泛。

在一实施例中，所述获取模块10，还用于获取初始俯视拼接图片，将所述初始俯视拼接图片进行类型转换，得到灰度图片，采用均值滤波对所述灰度图片进行滤波降噪处理，得到待处理灰度图片。

在一实施例中，所述检测模块20，还用于基于预先构建训练模型，对所述待处理灰度图片进行角点检测处理，获得所述待处理灰度图片上的角点。

在一实施例中，所述筛选模块30，还用于对所述待处理灰度图片上的角点进行分类，得到目标角点，根据所述目标角点得到对应的轮廓，对所述轮廓进行遍历，得到轮廓面积，判断所述轮廓面积与预设面积的大小，若所述轮廓面积大于或等于预设面积，则判断所述轮廓是否为凸包，若所述轮廓不为凸包，则根据所述轮廓生成预设缺陷列表，计算所述预设缺陷列表中所述轮廓对应的角点的距离，根据所述距离与预设值的大小对所述轮廓对应的角点进行筛选，获得缺陷角点集合。

在一实施例中，所述计算模块40，还用于对所述缺陷角点集合进行遍历，得到每个角点集合区域对应的霍夫曼直线，根据所述霍夫曼直线的起点、终点与垂直方向的夹角得到带有角点角度的角点，根据所述带有角点角度的角点得到角点队列。

在一实施例中，所述确定模块50，还用于选取所述角点队列中的第一角点，并根据所述第一角点与y轴的夹角选取参考角点，判断所述第一角点与所述参考角点是否在同一直线上，若所述第一角点与所述参考角点在同一直线上，则判断所述直线的长度是否等于车位纵向的长度，若所述直线的长度等于车位纵向的长度，则确定车位的后角点是所述直线上的参考角点，作为第二角点，将所述角点队列中的角点从小到大排序，获取其中相邻两角点距离等于车位横向的长度的角点作为第三角点和第四角点，根据所述第一角点、第二角点、第三角点以及第四角点确定车位。

在本发明所述基于环视的停车位识别装置的其他实施例或具体实现方法可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该估算机软件产品存储在如上所述的一个估算机可读存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台智能基于环视的停车位识别备(可以是手机，估算机，基于环视的停车位识别设备，空调器，或者网络基于环视的停车位识别设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于环视的停车位识别方法，其特征在于，所述基于环视的停车位识别方法包括以下步骤：

通过环视系统获取初始俯视拼接图片，对所述初始俯视拼接图片进行图片处理，得到待处理灰度图片；

对所述待处理灰度图片进行检测，获得所述待处理灰度图片上的角点；

对所述待处理灰度图片上的角点进行筛选，获得所述待处理灰度图片上的角点对应的缺陷角点集合；

对所述缺陷角点集合进行计算，获得所述缺陷角点集合的角点队列；

根据所述角点队列确定车位。

2.如权利要求1所述的基于环视的停车位识别方法，其特征在于，所述获取初始俯视拼接图片，对所述初始俯视拼接图片进行图片处理，得到待处理灰度图片，包括：

获取初始俯视拼接图片，将所述初始俯视拼接图片进行类型转换，得到灰度图片；

采用均值滤波对所述灰度图片进行滤波降噪处理，得到待处理灰度图片。

3.如权利要求1所述的基于环视的停车位识别方法，其特征在于，对所述待处理灰度图片进行检测，获得所述待处理灰度图片上的角点，包括：

基于预先构建训练模型，对所述待处理灰度图片进行角点检测处理，获得所述待处理灰度图片上的角点。

4.如权利要求1所述的基于环视的停车位识别方法，其特征在于，所述对所述待处理灰度图片上的角点进行筛选，获得所述待处理灰度图片上的角点对应的缺陷角点集合，包括：

对所述待处理灰度图片上的角点进行分类，得到目标角点；

根据所述目标角点得到对应的轮廓；

对所述轮廓进行遍历，得到轮廓面积；

判断所述轮廓面积与预设面积的大小；

若所述轮廓面积大于或等于预设面积，则判断所述轮廓是否为凸包；

若所述轮廓不为凸包，则根据所述轮廓生成预设缺陷列表；

计算所述预设缺陷列表中所述轮廓对应的角点的距离；

根据所述距离与预设值的大小对所述轮廓对应的角点进行筛选，获得缺陷角点集合。

5.如权利要求1所述的基于环视的停车位识别方法，其特征在于，所述对所述缺陷角点集合进行计算分类，获得所述缺陷角点集合的角点队列，包括：

对所述缺陷角点集合进行遍历，得到每个角点集合区域对应的霍夫曼直线；

根据所述霍夫曼直线的起点、终点与垂直方向的夹角得到带有角点角度的角点；

根据所述带有角点角度的角点得到角点队列。

6.如权利要求1所述的基于环视的停车位识别方法，其特征在于，所述根据角点队列确定车位之前，所述方法还包括：

判断所述角点队列元素个数与预设个数的大小；

根据所述角点队列元素个数是否大于或等于预设个数确定所述角点队列中是否存在车位；

在所述角点队列中存在车位时，则执行根据所述角点队列确定车位的步骤。

7.如权利要求1所述的基于环视的停车位识别方法，其特征在于，所述根据所述角点队列确定车位，包括：

选取所述角点队列中的第一角点，并根据所述第一角点与垂直方向的夹角选取参考角点；

判断所述第一角点与所述参考角点是否在同一直线上；

若所述第一角点与所述参考角点在同一直线上，则判断所述直线的长度是否等于车位纵向的长度；

若所述直线的长度等于车位纵向的长度，则确定车位的后角点是所述直线上的参考角点，作为第二角点；

将所述角点队列中的角点从小到大排序；

获取其中相邻两角点距离等于车位横向的长度的角点作为第三角点和第四角点；

根据所述第一角点、第二角点、第三角点以及第四角点确定车位。

8.一种基于环视的停车位识别装置，其特征在于，所述基于环视的停车位识别装置包括：

获取模块，用于通过环视系统获取初始俯视拼接图片，对所述初始俯视拼接图片进行图片处理，得到待处理灰度图片；

检测模块，用于对所述待处理灰度图片进行检测，获得所述待处理灰度图片上的角点；

筛选模块，用于对所述待处理灰度图片上的角点进行筛选，获得所述待处理灰度图片上的角点对应的缺陷角点集合；

计算模块，用于对所述缺陷角点集合进行计算，获得所述缺陷角点集合的角点队列；

确定模块，用于根据所述角点队列确定车位。

9.一种基于环视的停车位识别设备，其特征在于，所述基于环视的停车位识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于环视的停车位识别程序，所述基于环视的停车位识别程序配置有实现如权利要求1至7中任一项所述的基于环视的停车位识别方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有基于环视的停车位识别程序，所述基于环视的停车位识别程序被处理器执行时实现如权利要求1至7中任一项所述的基于环视的停车位识别方法的步骤。

Images