CN112201078A - 一种基于图神经网络的自动泊车停车位检测方法 - Google Patents
一种基于图神经网络的自动泊车停车位检测方法 Download PDFInfo
- Publication number
- CN112201078A CN112201078A CN202011059942.9A CN202011059942A CN112201078A CN 112201078 A CN112201078 A CN 112201078A CN 202011059942 A CN202011059942 A CN 202011059942A CN 112201078 A CN112201078 A CN 112201078A
- Authority
- CN
- China
- Prior art keywords
- parking space
- neural network
- corner
- image
- encoder
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000012805 post-processing Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
- G08G1/143—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces inside the vehicles
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于自动驾驶领域技术领域,具体提供一种基于图神经网络的自动泊车停车位检测方法。在车辆前后左右四个方向安装图像采集设备;利用图像采集设备采集车辆前后左右四个方向的图像并转换为以车辆位置为中心的俯视图;将俯视图输入基于图神经网络的停车位检测模块,检测图像中的停车位的四个角点位置,并识别停车位类型;将检测到的车位信息发送给规划控制模块,计算泊车路线并控制车辆自动驶入检测到的目标车位,实现自动泊车。本发明所述的基于图神经网络的自动泊车停车位检测方法,仅依赖环视摄像头捕获的图像数据即可获得停车位精确位置,相比传统自动泊车采用的超声波雷达,不依赖车辆周围停驻车辆停放位置来进行判断,检测精度高。
Description
技术领域
本发明属于自动驾驶技术领域,具体涉及一种基于图神经网络的自动泊车停车位检测方法。
背景技术
基于计算机视觉的自动泊车是无人驾驶的重要应用。自动泊车技术相比人工操作泊车,泊车路径更加精确,泊车操作更加简洁,能减少由于人工操作失误带来的刮蹭、碰撞等,泊车过程更加安全高效。
基于超声波雷达探测的停车位检测是目前成熟且应用广泛的技术。基于超声波雷达的探测依赖目标车位周围其它的车辆,当目标车位周围没有可参考的停驻车辆时,无法有效识别目标车位。即使有参考的停驻车辆,自动泊车识别的位置由于依赖周围停驻车辆的位置,很可能偏离停车位的中心,导致泊车不准确甚至失败。
基于图像的停车位检测技术能准确识别停车位的角点和车位线,从而克服上述技术的不足。近年来随着深度学习的兴起,基于图像的停车位检测技术取得了很好的应用。现有基于图像的停车位检测技术中,大多采用多阶段处理方法。首先基于卷积神经网络检测出停车位角点的位置,然后在后处理中结合人工规则推理停车位的位置。例如我国专利公开号CN109740584A公开了一种基于深度学习的停车位检测方法,该方法采用深度神经网络自动检测停车位角点位置,但是对于停车位的检测仍然依赖后处理中基于人为设定规则的模板匹配来提高检测的稳定性,而且多阶段处理相比端对端的单阶段方法,处理流程更加复杂,时间开销更大。
发明内容
本发明的目的在于解决基于图像的停车位检测技术采用多阶段处理且停车位检车依赖后处理中基于人工规则的推理的技术问题。
为解决上述技术问题,本发明提出一种基于图神经网络的自动泊车停车位检测方法,具体的技术方案描述如下:
本发明解决其技术问题是采取以下技术方案实现的:
S1、在车辆前后左右四个方向安装图像采集设备;
进一步的,图像采集设备为鱼眼相机。
S2、利用图像采集设备采集车辆前后左右四个方向的图像并转换为以车辆位置为中心的俯视图;
S3、将俯视图输入基于图神经网络的停车位检测模块,检测图像中的停车位的四个角点位置,并识别停车位类型;
这里基于图神经网络的停车位检测模块包括卷积神经网络和图神经网络两个部分;
第一部分卷积神经网络由图像特征编码器,角点检测器和角点特征编码器A组成;图像特征编码器由多个卷积层、池化层组成;角点检测器由多个卷积层和一个Sigmoid激活层组成,其输出为包含3个通道的格网,其中第一个通道每个格网位置输出该网格检测到停车位角点的概率,第二个通道每个格网位置输出该网格相对真实角点位置在x方向的偏移量,第三个通道每个格网位置输出该网格相对真实角点位置在y方向的偏移量;角点特征编码器A由多个卷积层组成;最后一个卷积层的输出根据角点检测器最后得到的角点位置进行双线性差值计算,得到每个角点位置的特征;
第二部分为图神经网络,由角点特征编码器B、图神经网络编码器和边判别器组成;
这两个部分形成一个端对端的神经网络,在训练过程中,训练误差的梯度反向传播可由第二部分的图神经网络直接传入第一部分的卷积神经网络,不需要分阶段处理;
S3.1、首先,将每一帧俯视图缩放为统一尺寸的图像数据;
这里图像尺寸可以缩放为600x600像素的标准尺寸大小。
S3.2、将S3.1中的图像数据输入基于图神经网络的停车位检测模块的图像编码器中,输出图像特征F;在角点检测器输入图像特征F,输出角点位置信息;角点特征编码器A输入角点位置信息和图像特征F,输出各个角点的特征编码;
在推理阶段,角点检测器的输出经过非极大值抑制处理,得到最终置信度最高的N个角点,用Nx2的矩阵表示,其中每一行为长度为2的向量[x,y],用来表示角点的x和y坐标;假设角点检测器输出为Nx2的矩阵,角点特征编码器A输出为Nxc的矩阵,其中c为角点特征编码的长度;
S3.3、将步骤3.2Nxc的矩阵角点特征描述子输入图神经网络,计算停车位类型和停车位的四个角点位置
S3.3.1、计算停车位类型
角点特征编码器B先将所述S3.2中角点检测器输出的Nx2的角点位置信息输入一个多层感知机(MLP编码器),得到Nxc的特征表示矩阵,该特征表示矩阵和角点特征编码器A输出的Nxc的角点特征描述子相加得到Nxc的矩阵作为图神经网络编码器的输入特征;
图神经网络编码器其根据输入Nxc大小的特征,构建包含N个节点的图,其输出为Nxc大小的节点特征矩阵;
边判别器接收Nxc大小的节点特征矩阵作为输入,输出Kx5大小的矩阵;其中,K=NxN,表示一共有NxN对节点;每一行为一个5维的向量[x1,y1,x2,y2,t],其中,(x1,y1)和(x2,y2)分别表示停车位入口的角点位置,t表示该停车位的类型;
边判别器对N个节点中任意一对节点进行处理,先将图神经网络编码得到的任意两个节点的1xc大小的节点特征级联,形成一个1x2c大小的输入特征,该特征经过MLP层和Dropout层得到两路输出。第一路输出经过Sigmoid激活层得到边的判别结果,判断该边是否构成停车位入口,第二路输出经过Softmax层得到边的分类结果,即获得停车位类型;
这里,停车位类型包括直角型,右斜角型和左斜角型,根据停车位入口角点(x1,y1)和(x2,y2)的距离,直角型又可以进一步划分为垂直车位和水平车位;
S3.3.2、计算停车位的四个角点位置
将边判别器最终得到的每个停车位对应5维的向量[x1,y1,x2,y2,t]作为输入,假设p1,p2,p3,p4分别为四个角点的位置,其中p1=(x1,y1),p2=(x2,y2)为边判别器输出的停车位入口角点位置,根据停车位类型t可以得到边p1p2和边p2p3的夹角a的大小,以及车位深度d的大小,可以根据公式(1)、(2)即可得到车位角点p3和p4的位置信息:
S4、将检测到的车位信息发送给规划控制模块,计算泊车路线并控制车辆自动驶入检测到的目标车位,实现自动泊车。
相比与现有技术,本发明所述的基于图神经网络的自动泊车停车位检测方法具有以下优势:
1、本发明所述的基于图神经网络的自动泊车停车位检测方法,仅需要安装环视摄像头,相比传统自动泊车采用的超声波雷达,成本低,操作简单。
2、本发明所述的基于图神经网络的自动泊车停车位检测方法,仅依赖环视摄像头捕获的图像数据即可获得停车位精确位置,相比传统自动泊车采用的超声波雷达,不依赖车辆周围停驻车辆停放位置来进行判断,检测精度高。
3、本发明所述的基于图神经网络的自动泊车停车位检测方法,能准确识别不同类别的停车位,包括垂直停车位、水平停车位和斜线停车位,识别结果由卷积神经网络和图神经网络直接输出,不依赖基于人工规则的后处理来进行判断,识别鲁棒性高。
4、本发明所述的基于图神经网络的自动泊车停车位检测方法,对训练数据的标注要求低,只需要标注角点位置以及停车位类型,不需要对角点的方向、类型等进行精细标注,能减少人工标注的成本。
附图说明
图1为本发明的流程示意图;
图2为本发明实施例1基于图神经网络的自动泊车停车位检测方法的模块组成;
图3为本发明实施例1基于图神经网络的自动泊车停车位检测方法的角点检测和角点特征提取网络结构示意图;
图4为本发明实施例1基于图神经网络的自动泊车停车位检测方法的图神经网络结构示意图;
图5为本发明实施例1基于图神经网络的自动泊车停车位检测方法的边判别器网络结构示意图;
图6为本发明实施例1基于图神经网络的自动泊车停车位检测方法的可识别的停车位类型示意图;
图7为本发明实施例1基于图神经网络的自动泊车停车位检测方法最终得到的停车位的四个角点的位置信息。
具体实施方式
以下通过特定的具体实例并结合说明书附图对本发明作进一步的详细描述。本发明技术方案如流程如图1。
实施例1
如图2所示,本发明的实施例1所示包括以下步骤:
S1、在车辆前后左右四个方向安装鱼眼相机;
S2、从车辆前后左右四个方向的鱼眼相机采集图像并转换为以车辆位置为中心的俯视图,该过程通过环视图像投影变换与拼接操作来实现。
S3、将俯视图输入基于图神经网络的停车位检测模块,检测图像中的停车位的四个角点位置,并识别停车位类型;
S3.1、对于每一帧俯视图,首先将其缩放为600x600像素的标准尺寸大小。
S3.2、将S3.1中的图像数据输入基于图神经网络的停车位检测模块的图像编码器中,输出图像特征F;在角点检测器输入图像特征F,输出角点位置信息;角点特征编码器A输入角点位置信息和图像特征F,输出各个角点的特征编码;
其中,基于图神经网络的停车位检测模块包括两个部分,第一部分为图3所示的卷积神经网络。第二部分为图4所示的图神经网络。需要指出的是,这两个部分形成的是一个端对端的神经网络,在训练过程中不需要分阶段处理,训练误差的梯度反向传播可由第二部分的图神经网络直接传入第一部分的卷积神经网络。
卷积神经网络由图像特征编码器,角点检测器和角点特征编码器A组成。其中,图像编码器输入S3.1所述的图像,输出图像特征F。角点检测器输入图像特征F,输出角点位置信息。角点特征编码器A输入角点位置信息和图像特征F,输出各个角点的特征编码。
其中,图像特征编码器由多个卷积层、池化层组成,本实例采用基于Darknet的网络架构提取图像特征。图4中W和H分别表示图像的宽度和高度,本实例采用W=600像素,H=600像素,图像的通道数为3,分别为RGB三个通道。如图4所示,图像特征编码器输的特征大小为16x16x1024,即宽高均为16,通道数为1024。
角点检测器由4个卷积层加一个Sigmoid激活层组成,最后一层输出大小为16x16x3,即包含3个通道,宽高均为16的格网。其中,第一个通道输出每个格网位置检测到停车位角点的概率,第二个通道输出每个格网位置相对真实角点位置在x方向的偏移量,第三个通道输出每个格网位置相对真实角点位置在y方向的偏移量。在推理阶段,角点检测器的输出经过非极大值抑制处理,得到最终的N个角点,用Nx2的矩阵表示,每一行为长度为2的向量[x,y],用来表示角点的x和y坐标。
角点特征编码器A由4个卷积层组成,最后一个卷积层输出大小为16x16x64。最后一个卷积层的输出根据角点检测器最后得到的角点位置进行双线性差值计算,得到每个角点位置的特征。假设角点检测器输出为Nx2的矩阵,角点特征编码器A输出为Nx64的矩阵,其中64为角点特征编码的长度。
S3.3将步骤3.2Nxc的矩阵角点特征描述子输入图神经网络,计算停车位类型和停车位的四个角点位置,如图4所示
S3.3.1、计算停车位类型
其中角点特征编码器B先将所述S3.2中角点检测器输出的Nx2的角点位置信息输入一个多层感知机(MLP编码器),得到Nx64的特征表示矩阵,该特征表示矩阵和角点特征编码器A输出的Nx64的角点特征描述子相加得到Nx64的矩阵作为图神经网络编码器的输入特征。
本实例中图神经网络编码器采用多头注意力图卷积神经网络实现。其根据输入Nx64的特征,构建包含N个节点的全连接图,即每个节点都和其它N-1个节点相连接,每一个节点有N-1条边。其输出为Nx64大小的节点特征矩阵。
边判别器接收Nx64大小的节点特征矩阵作为输入,输出Kx5大小的矩阵。其中,K=NxN,表示一共有NxN对节点。每一行为一个5维的向量[x1,y1,x2,y2,t],其中,(x1,y1)和(x2,y2)分别表示停车位入口的角点位置,t表示该车位的类型。
具体地,图5表示了边判别器的构成。其输入为两个1x64大小的节点特征。这两个特征通过级联,形成1x128大小的输入特征。该特征经过三个MLP层和两个Dropout层得到两路输出。第一路输出经过Sigmoid激活层得到边的判别结果,判断该边是否构成停车位入口。第二路输出经过Softmax层得到边的分类结果。本实例包含三种类型的车位,第一种为直角型,如图6(a)和图6(b)所示,第二种为右斜角,如图6(c)所示,第三种为左斜角,如图6(d)所示。根据输出的边的长度,进一步将直角型的停车位分类为垂直停车位(如图6(a)所示)和水平停车位(如图6(b)所示)。
S3.3.2、计算停车位的四个角点位置
步骤S3.3.1中输出的停车位类型包括如图6所示的四种类型。将边判别器最终得到的每个停车位对应5维的向量[x1,y1,x2,y2,t]作为输入,通过简单的数学计算,可以得到每个停车位四个角点的位置以及停车位的类型。
如图7所示,p1,p2,p3,p4分别为四个角点的位置,其中p1=(x1,y1),p2=(x2,y2)为已知量,根据停车位类型t可以得到边p1p2和边p2p3的夹角a的大小,以及车位深度d的大小,可以根据下面的公式得到车位角点p3和p4的位置信息:
S4:将所述S3检测到的停车位信息发送给规划控制模块,计算泊车路线并控制车辆自动驶入检测到的目标车位,即实现自动泊车。
虽然本发明已通过优选实施例进行了描述,然而本发明并非局限于这里所描述的实施例,在不脱离本发明范围的情况下还包括所做出的各种改变以及变化。
Claims (6)
1.一种基于图神经网络的自动泊车停车位检测方法,其特征在于,包括如下步骤:
S1、在车辆前后左右四个方向安装图像采集设备;
S2、利用图像采集设备采集车辆前后左右四个方向的图像并转换为以车辆位置为中心的俯视图;
S3、将俯视图输入基于图神经网络的停车位检测模块,检测图像中的停车位的四个角点位置,并识别车位的类型;
所述停车位检测模块包括卷积神经网络和图神经网络两个部分;
第一部分卷积神经网络由图像特征编码器,角点检测器和角点特征编码器A组成;图像特征编码器由多个卷积层、池化层组成;角点检测器由多个卷积层和一个Sigmoid激活层组成,其输出为包含3个通道的格网,其中第一个通道每个格网位置输出该网格检测到停车位角点的概率,第二个通道每个格网位置输出该网格相对真实角点位置在x方向的偏移量,第三个通道每个格网位置输出该网格相对真实角点位置在y方向的偏移量;角点特征编码器A由多个卷积层组成;最后一个卷积层的输出根据角点检测器最后得到的角点位置进行双线性差值计算,得到每个角点位置的特征;
第二部分为图神经网络,由角点特征编码器B、图神经网络编码器和边判别器组成;
S3.1、将每一帧俯视图缩放为统一尺寸的图像数据;
S3.2、将所述S3.1中的图像数据输入基于图神经网络的停车位检测模块的图像编码器中,输出图像特征F;在角点检测器输入图像特征F,输出角点位置信息;角点特征编码器A输入角点位置信息和图像特征F,输出各个角点的特征描述子;
在推理阶段,角点检测器的输出经过非极大值抑制处理,得到最终置信度最高的N个角点,用Nx2的矩阵表示,其中每一行为长度为2的向量[x,y],用来表示角点的x和y坐标;假设角点检测器输出为Nx2的矩阵,角点特征编码器A输出为Nxc的矩阵,其中c为角点特征描述子的长度;
S3.3、将步骤3.2的角点位置信息和角点特征描述子输入图神经网络,计算停车位类型和停车位位置;
S3.3.1、计算停车位类型
角点特征编码器B先将所述S3.2中角点检测器输出的Nx2的角点位置信息输入一个多层感知机(MLP编码器),得到Nxc的特征表示矩阵,该特征表示矩阵和角点特征编码器A输出的Nxc的角点特征描述子相加得到Nxc的矩阵作为图神经网络编码器的输入特征;
图神经网络编码器根据输入Nxc大小的特征,构建包含N个节点的图,其输出为Nxc大小的节点特征矩阵;
边判别器接收Nxc大小的节点特征矩阵作为输入,输出Kx5大小的矩阵;其中,K=NxN,表示一共有NxN对节点;每一行为一个5维的向量[x1,y1,x2,y2,t],其中,(x1,y1)和(x2,y2)分别表示停车位入口的角点位置,t表示该停车位的类型;
边判别器对N个节点中任意一对节点进行处理,先将图神经网络编码得到的任意两个节点的1xc大小的节点特征级联,形成一个1x2c大小的输入特征,该特征经过MLP层和Dropout层得到两路输出;第一路输出经过Sigmoid激活层得到边的判别结果,判断该边是否构成停车位入口,第二路输出经过Softmax层得到边的分类结果,即获得停车位类型;
S3.3.2、停车位的四个角点位置
将边判别器最终得到的每个停车位对应的5维向量[x1,y1,x2,y2,t]作为输入,假设p1,p2,p3,p4分别为四个角点的位置,其中p1=(x1,y1),p2=(x2,y2)为边判别器输出的停车位入口角点位置,根据停车位类型t可以得到边p1p2和边p2p3的夹角a的大小,以及车位深度d的大小,可以根据公式(1)、(2)即可得到车位角点p3和p4的位置信息:
S4、将检测到的车位信息发送给规划控制模块,计算泊车路线并控制车辆自动驶入检测到的目标车位,实现自动泊车。
2.根据如权利要求1所述的一种基于图神经网络的自动泊车停车位检测方法,其特征在于,所述步骤S1中的图像采集设备为鱼眼相机。
3.根据如权利要求2所述的一种基于图神经网络的自动泊车停车位检测方法,其特征在于,所述步骤S3.1通过环视图像投影变换与拼接实现。
4.根据如权利要求1所述的一种基于图神经网络的自动泊车停车位检测方法,其特征在于,所述步骤S3.1的图像尺寸可以缩放为600x600像素的标准尺寸大小。
5.根据如权利要求1-4任一权利要求所述的一种基于图神经网络的自动泊车停车位检测方法,其特征在于,所述步骤S3.3停车位类型包括直角型,右斜角型和左斜角型,根据停车位入口角点(x1,y1)和(x2,y2)的距离,直角型又可以进一步划分为垂直车位和水平车位。
6.根据如权利要求1-4任一权利要求所述的一种基于图神经网络的自动泊车停车位检测方法,其特征在于,所述步骤S3的图神经网络编码器采用多头注意力图卷积神经网络实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011059942.9A CN112201078B (zh) | 2020-09-30 | 2020-09-30 | 一种基于图神经网络的自动泊车停车位检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011059942.9A CN112201078B (zh) | 2020-09-30 | 2020-09-30 | 一种基于图神经网络的自动泊车停车位检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112201078A true CN112201078A (zh) | 2021-01-08 |
CN112201078B CN112201078B (zh) | 2021-08-10 |
Family
ID=74007248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011059942.9A Active CN112201078B (zh) | 2020-09-30 | 2020-09-30 | 一种基于图神经网络的自动泊车停车位检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112201078B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113830078A (zh) * | 2021-10-19 | 2021-12-24 | 同济大学 | 一种基于停车位角点检测的自动泊车方法及系统 |
CN114706070A (zh) * | 2022-02-22 | 2022-07-05 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种基于4d毫米波雷达的自动泊车车位搜索方法和系统 |
CN114758318A (zh) * | 2022-02-21 | 2022-07-15 | 北京航空航天大学 | 一种基于全景视图的任意角度车位检测方法 |
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 |
CN116259042A (zh) * | 2023-03-31 | 2023-06-13 | 斯润天朗(北京)科技有限公司 | 基于图注意力的环视图像停车位检测方法及装置 |
CN116612458A (zh) * | 2023-05-30 | 2023-08-18 | 易飒(广州)智能科技有限公司 | 基于深度学习的泊车路径确定方法与系统 |
CN118098000A (zh) * | 2024-04-24 | 2024-05-28 | 哈尔滨华鲤跃腾科技有限公司 | 一种基于人工智能的城市综合管理方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109435942A (zh) * | 2018-10-31 | 2019-03-08 | 合肥工业大学 | 一种基于信息融合的车位线车位识别方法及装置 |
US10239521B1 (en) * | 2018-03-23 | 2019-03-26 | Chongqing Jinkang New Energy Vehicle Co., Ltd. | Multi-network-based path generation for vehicle parking |
CN109697860A (zh) * | 2017-10-20 | 2019-04-30 | 上海欧菲智能车联科技有限公司 | 车位检测和跟踪系统及方法及车辆 |
CN109800658A (zh) * | 2018-12-26 | 2019-05-24 | 中汽研(天津)汽车工程研究院有限公司 | 基于神经网络的泊车位类型在线识别与定位系统及方法 |
CN110796063A (zh) * | 2019-10-24 | 2020-02-14 | 百度在线网络技术(北京)有限公司 | 用于检测车位的方法、装置、设备、存储介质以及车辆 |
CN110861639A (zh) * | 2019-11-28 | 2020-03-06 | 安徽江淮汽车集团股份有限公司 | 泊车信息融合方法、装置、电子设备及存储介质 |
CN111098852A (zh) * | 2019-12-02 | 2020-05-05 | 北京交通大学 | 一种基于强化学习的泊车路径规划方法 |
CN111310987A (zh) * | 2020-01-23 | 2020-06-19 | 北京百度网讯科技有限公司 | 停车场空闲车位预测方法、装置、电子设备及存储介质 |
-
2020
- 2020-09-30 CN CN202011059942.9A patent/CN112201078B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697860A (zh) * | 2017-10-20 | 2019-04-30 | 上海欧菲智能车联科技有限公司 | 车位检测和跟踪系统及方法及车辆 |
US10239521B1 (en) * | 2018-03-23 | 2019-03-26 | Chongqing Jinkang New Energy Vehicle Co., Ltd. | Multi-network-based path generation for vehicle parking |
CN109435942A (zh) * | 2018-10-31 | 2019-03-08 | 合肥工业大学 | 一种基于信息融合的车位线车位识别方法及装置 |
CN109800658A (zh) * | 2018-12-26 | 2019-05-24 | 中汽研(天津)汽车工程研究院有限公司 | 基于神经网络的泊车位类型在线识别与定位系统及方法 |
CN110796063A (zh) * | 2019-10-24 | 2020-02-14 | 百度在线网络技术(北京)有限公司 | 用于检测车位的方法、装置、设备、存储介质以及车辆 |
CN110861639A (zh) * | 2019-11-28 | 2020-03-06 | 安徽江淮汽车集团股份有限公司 | 泊车信息融合方法、装置、电子设备及存储介质 |
CN111098852A (zh) * | 2019-12-02 | 2020-05-05 | 北京交通大学 | 一种基于强化学习的泊车路径规划方法 |
CN111310987A (zh) * | 2020-01-23 | 2020-06-19 | 北京百度网讯科技有限公司 | 停车场空闲车位预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
CHEN MIN等: "Attentional Graph Neural Network for Parking-Slot Detection", 《IEEE ROBOTICS AND AUTOMATION LETTERS》 * |
卢俊涛: "基于卷积神经网络的视觉泊车算法研究", 《中国优秀硕士学位论文全文数据库·工程科技Ⅱ辑》 * |
李锦辉 等: "一种基于卷积神经网络的360环视系统停车位检测设计", 《无线互联科技》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113830078A (zh) * | 2021-10-19 | 2021-12-24 | 同济大学 | 一种基于停车位角点检测的自动泊车方法及系统 |
CN113830078B (zh) * | 2021-10-19 | 2023-08-04 | 同济大学 | 一种基于停车位角点检测的自动泊车方法及系统 |
CN114758318A (zh) * | 2022-02-21 | 2022-07-15 | 北京航空航天大学 | 一种基于全景视图的任意角度车位检测方法 |
CN114706070A (zh) * | 2022-02-22 | 2022-07-05 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种基于4d毫米波雷达的自动泊车车位搜索方法和系统 |
CN116259042A (zh) * | 2023-03-31 | 2023-06-13 | 斯润天朗(北京)科技有限公司 | 基于图注意力的环视图像停车位检测方法及装置 |
CN116612458A (zh) * | 2023-05-30 | 2023-08-18 | 易飒(广州)智能科技有限公司 | 基于深度学习的泊车路径确定方法与系统 |
CN116612458B (zh) * | 2023-05-30 | 2024-06-04 | 易飒(广州)智能科技有限公司 | 基于深度学习的泊车路径确定方法与系统 |
CN118098000A (zh) * | 2024-04-24 | 2024-05-28 | 哈尔滨华鲤跃腾科技有限公司 | 一种基于人工智能的城市综合管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112201078B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112201078B (zh) | 一种基于图神经网络的自动泊车停车位检测方法 | |
CN111563415B (zh) | 一种基于双目视觉的三维目标检测系统及方法 | |
CN106845487B (zh) | 一种端到端的车牌识别方法 | |
US7664315B2 (en) | Integrated image processor | |
US7313265B2 (en) | Stereo calibration apparatus and stereo image monitoring apparatus using the same | |
CN107545263B (zh) | 一种物体检测方法及装置 | |
CN110587597B (zh) | 一种基于激光雷达的slam闭环检测方法及检测系统 | |
CN108648216B (zh) | 一种基于光流与深度学习的视觉里程计实现方法和系统 | |
CN110443245B (zh) | 一种非限制场景下的车牌区域的定位方法、装置及设备 | |
CN106845338B (zh) | 视频流中行人检测方法与系统 | |
CN114494462A (zh) | 一种基于Yolov5和改进跟踪算法的双目相机测距方法 | |
US20230394829A1 (en) | Methods, systems, and computer-readable storage mediums for detecting a state of a signal light | |
CN110673607B (zh) | 动态场景下的特征点提取方法、装置、及终端设备 | |
CN113628334A (zh) | 视觉slam方法、装置、终端设备及存储介质 | |
CN111429727B (zh) | 一种开放式停车位中车牌识别方法及系统 | |
CN111476062A (zh) | 车道线检测方法、装置、电子设备及驾驶系统 | |
CN112183148A (zh) | 一种批量条码定位方法及识别系统 | |
CN115147809B (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
CN115797405A (zh) | 一种基于车辆轴距的多镜头自适应跟踪方法 | |
CN115456870A (zh) | 基于外参估计的多图像拼接方法 | |
CN114648736A (zh) | 基于目标检测的鲁棒工程车辆识别方法及系统 | |
CN115018926A (zh) | 车载相机的俯仰角确定方法、装置、设备和存储介质 | |
CN113870307A (zh) | 一种基于帧间信息的目标检测方法及装置 | |
Zhang et al. | Depth Monocular Estimation with Attention-based Encoder-Decoder Network from Single Image | |
KR20220144456A (ko) | Svm 원 영상을 기반으로 근접 주행 환경을 인식하는 방법 및 시스템 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |