CN112330601B - 一种基于鱼眼相机的停车检测方法、装置、设备及介质 - Google Patents
一种基于鱼眼相机的停车检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112330601B CN112330601B CN202011104985.4A CN202011104985A CN112330601B CN 112330601 B CN112330601 B CN 112330601B CN 202011104985 A CN202011104985 A CN 202011104985A CN 112330601 B CN112330601 B CN 112330601B
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- vehicle
- parking space
- candidate
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 54
- 230000011218 segmentation Effects 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 31
- 238000002372 labelling Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
- G06T3/047—Fisheye or wide-angle transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30264—Parking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于鱼眼相机的停车检测方法、装置、设备及介质，所述方法包括：获取鱼眼相机采集的鱼眼图像，对所述鱼眼图像进行校正处理得到待检测图像；将所述待检测图像输入预先训练完成的车辆检测模型，基于所述车辆检测模型确定所述待检测图像中每个车辆的坐标信息；获取所述待检测图像中每个车位的车位区域坐标信息，根据所述每个车辆的坐标信息和所述每个车位的车位区域坐标信息，确定所述每个车位中是否停有车辆。本发明实施例中基于预先训练完成的车辆检测模型实现车辆检测，受环境因素影响小，即使在较差的环境下也能够保证检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于鱼眼相机的停车检测方法、装置、设备及介质。
背景技术
在室内停车场中，一般通过单目相机或双目相机来进行停车检测，通过停车检测确定空闲车位和占用车位。单目相机一般只能检测两到三个车位，双目相机一般只能检测四到六个车位，车位检测数量有限，因此停车场内需要部署的单目相机或双目相机的数量较多，增加了成本。另外，现有技术在进行停车检测时，一般通过每个车位中车牌识别的置信度来确定是否停有车辆，如果车牌识别的置信度较高，则说明车位占用，否则确定车位空闲，但是该方法对相机的拍摄角度以及图像的清晰度，环境光线等要求都较高，在环境条件较差的情况下停车检测的准确性较差。
发明内容
本发明实施例提供了一种基于鱼眼相机的停车检测方法、装置、设备及介质，用以解决现有技术中停车检测受环境因素影响较大，检测的准确性较差的问题。
本发明实施例提供了一种基于鱼眼相机的停车检测方法，所述方法包括：
获取鱼眼相机采集的鱼眼图像，对所述鱼眼图像进行校正处理得到待检测图像；
将所述待检测图像输入预先训练完成的车辆检测模型，基于所述车辆检测模型确定所述待检测图像中每个车辆的坐标信息；
获取所述待检测图像中每个车位的车位区域坐标信息，根据所述每个车辆的坐标信息和所述每个车位的车位区域坐标信息，确定所述每个车位中是否停有车辆。
进一步地，对所述鱼眼图像进行校正处理得到待检测图像包括：
对所述鱼眼图像进行校正处理得到第一候选图像，按照预设的分割规则对所述第一候选图像进行分割处理，得到每个待检测图像。
进一步地，所述按照预设的分割规则对所述第一候选图像进行分割处理，得到每个待检测图像包括：
按照预设的分割规则对所述第一候选图像进行分割处理，得到每个第二候选图像，并确定所述每个第二候选图像中的待检测区域，截取每个待检测区域并放大处理，得到每个待检测图像。
进一步地，所述方法还包括：
根据所述每个车位中是否停有车辆，统计占用车位的数量信息和空闲车位的数量信息，并输出携带所述占用车位的数量信息和空闲车位的数量信息的提示信息。
另一方面，本发明实施例提供了一种车辆检测模型的训练方法，所述方法包括：
针对第一训练集中的双目相机或单目相机采集的每个第一样本图像，将该第一样本图像和该第一样本图像对应的第一标注图像输入候选车辆检测模型，基于第一损失函数对所述候选车辆检测模型进行训练；其中，第一标注图像中标注有该第一样本图像中车辆的坐标信息；
针对第二训练集中的对鱼眼相机采集的每个第二样本图像进行校正分割处理得到的每个第三样本图像，将该第三样本图像和该第三样本图像对应的第二标注图像输入训练完成的候选车辆检测模型，基于第二损失函数对所述候选车辆检测模型进行训练，得到车辆检测模型；其中，第二标注图像中标注有该第三样本图像中车辆的坐标信息，所述第二损失函数中车辆预测结果对应的权重与背景预测结果的权重的比值，大于所述第一损失函数中车辆预测结果对应的权重与背景预测结果的权重的比值。
另一方面，本发明实施例提供了一种车辆检测装置，所述装置包括：
获取模块，用于获取鱼眼相机采集的鱼眼图像，对所述鱼眼图像进行校正处理得到待检测图像；
第一确定模块，用于将所述待检测图像输入预先训练完成的车辆检测模型，基于所述车辆检测模型确定所述待检测图像中每个车辆的坐标信息；
第二确定模块，用于获取所述待检测图像中每个车位的车位区域坐标信息，根据所述每个车辆的坐标信息和所述每个车位的车位区域坐标信息，确定所述每个车位中是否停有车辆。
进一步地，所述获取模块，具体用于对所述鱼眼图像进行校正处理得到第一候选图像，按照预设的分割规则对所述第一候选图像进行分割处理，得到每个待检测图像。
进一步地，所述获取模块，具体用于按照预设的分割规则对所述第一候选图像进行分割处理，得到每个第二候选图像，并确定所述每个第二候选图像中的待检测区域，截取每个待检测区域并放大处理，得到每个待检测图像。
进一步地，所述装置还包括：
输出模块，用于根据所述每个车位中是否停有车辆，统计占用车位的数量信息和空闲车位的数量信息，并输出携带所述占用车位的数量信息和空闲车位的数量信息的提示信息。
另一方面，本发明实施例提供了一种车辆检测模型的训练装置，所述装置包括：
第一训练模块，用于针对第一训练集中的双目相机或单目相机采集的每个第一样本图像，将该第一样本图像和该第一样本图像对应的第一标注图像输入候选车辆检测模型，基于第一损失函数对所述候选车辆检测模型进行训练；其中，第一标注图像中标注有该第一样本图像中车辆的坐标信息；
第二训练模块，用于针对第二训练集中的对鱼眼相机采集的每个第二样本图像进行校正分割处理得到的每个第三样本图像，将该第三样本图像和该第三样本图像对应的第二标注图像输入训练完成的候选车辆检测模型，基于第二损失函数对所述候选车辆检测模型进行训练，得到车辆检测模型；其中，第二标注图像中标注有该第三样本图像中车辆的坐标信息，所述第二损失函数中车辆预测结果对应的权重与背景预测结果的权重的比值，大于所述第一损失函数中车辆预测结果对应的权重与背景预测结果的权重的比值。
另一方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一项所述的方法步骤。
另一方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法步骤。
本发明实施例提供了一种基于鱼眼相机的停车检测方法、装置、设备及介质，所述方法包括：获取鱼眼相机采集的鱼眼图像，对所述鱼眼图像进行校正处理得到待检测图像；将所述待检测图像输入预先训练完成的车辆检测模型，基于所述车辆检测模型确定所述待检测图像中每个车辆的坐标信息；获取所述待检测图像中每个车位的车位区域坐标信息，根据所述每个车辆的坐标信息和所述每个车位的车位区域坐标信息，确定所述每个车位中是否停有车辆。
上述的技术方案具有如下优点或有益效果：
本发明实施例中电子设备获取鱼眼相机采集的鱼眼图像，对鱼眼图像进行校正处理得到待检测图像，然后基于预先训练完成的车辆检测模型，确定出待检测图像中每个车辆的坐标信息，根据每个车辆的坐标信息和每个车位的车位区域坐标信息，确定每个车位中是否停有车辆。本发明实施例中基于预先训练完成的车辆检测模型实现停车检测，受环境因素影响小，即使在较差的环境下也能够保证检测的准确性。另外，本发明实施例中利用鱼眼相机采集的鱼眼图像进行停车检测，鱼眼相机能采集整个半球域的全景图像，覆盖车位数量较多，降低了布设相机的成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的车位状态检测过程示意图；
图2为本发明实施例2提供的鱼眼图像示意图；
图3为本发明实施例2提供的第一候选图像示意图；
图4为本发明实施例2提供的每个待检测图像示意图；
图5为本发明实施例4提供的车辆检测模型输出结果示意图；
图6为本发明实施例4提供的车位状态检测过程示意图；
图7为本发明实施例5提供的车位状态检测装置结构示意图；
图8为本发明实施例6提供的车辆检测模型的训练装置结构示意图；
图9为本发明实施例7提供的电子设备结构示意图。
具体实施方式
下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。
实施例1：
图1为本发明实施例提供的车位状态检测过程示意图，该过程包括以下步骤：
S101：获取鱼眼相机采集的鱼眼图像，对所述鱼眼图像进行校正处理得到待检测图像。
S102：将所述待检测图像输入预先训练完成的车辆检测模型，基于所述车辆检测模型确定所述待检测图像中每个车辆的坐标信息。
S103：获取所述待检测图像中每个车位的车位区域坐标信息，根据所述每个车辆的坐标信息和所述每个车位的车位区域坐标信息，确定所述每个车位中是否停有车辆。
本发明实施例提供的车位状态检测方法应用于电子设备，该电子设备可以是PC、平板电脑等设备。
室内停车场中布设鱼眼相机，鱼眼相机用于采集鱼眼图像，电子设备获取鱼眼图像。鱼眼相机能一次性摄取整个半球域的全景,且不存在图像拼接问题,在全方位视觉感知与基于现实场景的全景图像中应用广泛。但鱼眼图像存在很大畸变，因此电子设备获取到鱼眼图像之后，需要对鱼眼图像进行校正处理得到待检测图像。其中，电子设备可以应用球面透视投影模型对鱼眼图像畸变进行校正，建立从投影图像变换到鱼眼图像的数学模型及其逆变换模型。本发明实施例中可以应用圆分割等距映射算法，将同心圆拉伸为正方形，将拉伸后正方形等间距分布，最后按比例回缩至成像面，从而达到校正图像畸变的目的。应用该方法图像校正效果明显，边缘形变校正较显著，为鱼眼图像校正提供一种快速有效的算法。
电子设备中保存有预先训练完成的车辆检测模型，车位检测模型用于对输入的待检测图像进行处理，输出待检测图像中每个车辆的坐标信息。其中，在训练车位检测模型时，可以预先采集大量的鱼眼样本图像构成样本集，并且每个鱼眼样本图像存在对应的标注图像，标注图像中标注有对应的鱼眼样本图像中每个车辆的坐标信息，将样本集中的每组鱼眼样本图像和标注图像输入车位检测模型，完成对车位检测模型的训练。之后电子设备将待检测图像输入预先训练完成的车辆检测模型，基于车辆检测模型确定待检测图像中每个车辆的坐标信息。
电子设备获取待检测图像中每个车位的车位区域坐标信息。由于对鱼眼图像进行校正处理得到待检测图像，用户可以很容易在待检测图像中画出标准的四边形车位线，电子设备根据用户画出的每个四边形车位线获取待检测图像中每个车位的车位区域坐标信息。然后根据每个车辆的坐标信息和每个车位的车位区域坐标信息，确定每个车位的车位状态。具体的，电子设备可以识别每个车辆的中心点的坐标信息，然后将中心点的坐标信息所属的车位区域坐标信息对应的车位确定为有车，未包含车辆的中心点的坐标信息的车位确定为无车。
本发明实施例中电子设备获取鱼眼相机采集的鱼眼图像，对鱼眼图像进行校正处理得到待检测图像，然后基于预先训练完成的车辆检测模型，确定出待检测图像中每个车辆的坐标信息，根据每个车辆的坐标信息和每个车位的车位区域坐标信息，确定每个车位的车位状态。本发明实施例中基于预先训练完成的车辆检测模型实现停车检测，受环境因素影响小，即使在较差的环境下也能够保证检测的准确性。另外，本发明实施例中利用鱼眼相机采集的鱼眼图像进行停车检测，鱼眼相机能采集整个半球域的全景图像，覆盖车位数量较多，降低了布设相机的成本。
实施例2：
为了使确定待检测图像更准确，在上述实施例的基础上，在本发明实施例中，对所述鱼眼图像进行校正处理得到待检测图像包括：
对所述鱼眼图像进行校正处理得到第一候选图像，按照预设的分割规则对所述第一候选图像进行分割处理，得到每个待检测图像。
在本发明实施例中，对鱼眼图像进行校正处理后，将得到的图像称为第一候选图像，然后按照预设的分割规则对第一候选图像进行分割处理，将分割处理后得到的每个子图像都作为待检测图像。其中，预设的分割规则可以是对第一候选图像进行四分割，分别得到左上、右上、左下和右下四个待检测图像。
图2为本发明实施例提供的鱼眼图像示意图，图3为本发明实施例提供的第一候选图像示意图，如图3所示，电子设备对第一候选图像进行四分割，分别得到左上、右上、左下和右下四个待检测图像。
对于室内停车场的应用场景，每个待检测图像中的行驶车道区域占比约为1/2，为了使待检测图像更准确，在本发明实施例中，所述按照预设的分割规则对所述第一候选图像进行分割处理，得到每个待检测图像包括：
按照预设的分割规则对所述第一候选图像进行分割处理，得到每个第二候选图像，并确定所述每个第二候选图像中的待检测区域，截取每个待检测区域并放大处理，得到每个待检测图像。
在本发明实施例中，电子设备将按照预设的分割规则对第一候选图像进行分割处理，得到的每个子图像称为第二候选图像，然后确定每个第二候选图像中的待检测区域。需要说明的是，确定每个第二候选图像中的待检测区域时也是根据预设的分割规则确定的，如图3所示，电子设备对第一候选图像进行四分割，分别得到左上、右上、左下和右下四个第二候选图像。此时可以将左上、右上两个第二候选图像中靠上取3/4作为待检测区域，将左下、右下两个第二候选图像绕各自的图像中心点旋转180度，然后再靠上取3/4作为待检测区域，然后电子设备截取每个待检测区域并放大处理，得到每个待检测图像，如图4所示。其中，可以将待检测区域放大至尺寸与第二候选图像尺寸一致。
本发明实施例提供的方法能够提高待检测图像的质量，进而更准确的确定出待检测图像中每个车位的状态。
实施例3：
为了提高进入停车场的驾驶员体验，在上述各实施例的基础上，在本发明实施例中，所述方法还包括：
根据所述每个车位中是否停有车辆，统计占用车位的数量信息和空闲车位的数量信息，并输出携带所述占用车位的数量信息和空闲车位的数量信息的提示信息。
电子设备根据每个车位中是否停有车辆，统计占用车位的数量信息和空闲车位的数量信息，然后输出提示信息，其中，提示信息中携带占用车位的数量信息和空闲车位的数量信息。本发明实施例中，在停车场入口处可以安装显示屏，在显示屏中显示携带所述占用车位的数量信息和空闲车位的数量信息的提示信息。或者可以在鱼眼相机上安装指示灯，通过指示灯显示颜色的变化来提示驾驶员车位状态。例如，鱼眼相机监控范围内存在空闲车位时，鱼眼相机指示灯显示为绿色，鱼眼相机监控范围内不存在空闲车位时，鱼眼相机指示灯显示为红色等。
由于在本发明实施例中，电子设备根据所述每个车位的车位状态，统计占用车位的数量信息和空闲车位的数量信息，并输出携带所述占用车位的数量信息和空闲车位的数量信息的提示信息。进入停车场的驾驶员根据提示信息能够直观的了解停车场的车位状态，提高了驾驶员的体验。
实施例4：
为了使训练得到的车辆检测模型更准确，在上述各实施例的基础上，在本发明实施例中，提供了一种车辆检测模型的训练方法，所述方法包括：
针对第一训练集中的双目相机或单目相机采集的每个第一样本图像，将该第一样本图像和该第一样本图像对应的第一标注图像输入候选车辆检测模型，基于第一损失函数对所述候选车辆检测模型进行训练；其中，第一标注图像中标注有该第一样本图像中车辆的坐标信息；
针对第二训练集中的对鱼眼相机采集的每个第二样本图像进行校正分割处理得到的每个第三样本图像，将该第三样本图像和该第三样本图像对应的第二标注图像输入训练完成的候选车辆检测模型，基于第二损失函数对所述候选车辆检测模型进行训练，得到车辆检测模型；其中，第二标注图像中标注有该第三样本图像中车辆的坐标信息，所述第二损失函数中车辆预测结果对应的权重与背景预测结果的权重的比值，大于所述第一损失函数中车辆预测结果对应的权重与背景预测结果的权重的比值。
在本发明实施例中，基于深度学习的CNN目标检测算法，即车辆检测模型输出待检测图像中每个车辆的置信度和坐标信息。对校正后再分割得到的每个待检测图像，每个待检测图像可覆盖约3个车位，车位线对鱼眼相机不水平，导致停车有角度，边缘车辆有部分遮挡。训练素材，可以通过基于相似相机高度的室内停车场场景，使用双目相机或单目相机采集的第一样本图像构成的第一训练集，先训练一个稳定的模型，即候选车辆检测模型，然后再针对鱼眼校正后的场景，做模型Finetune，即分两次训练。
在第一次训练时，针对第一训练集中的双目相机或单目相机采集的每个第一样本图像，将该第一样本图像和该第一样本图像对应的第一标注图像输入候选车辆检测模型，基于第一损失函数对所述候选车辆检测模型进行训练；其中，第一标注图像中标注有该第一样本图像中车辆的坐标信息。具体的，基于双目相机或单目相机在写字楼或商场等标准场景，采集5万张以上第一样本图像用来训练候选车辆检测模型，学习车辆特征，训练到第一损失函数loss收敛，该模型对正常场景下的车辆特征已学习到，完成一个模型输出，识别准确率99.9％以上。
在第二次训练时，只训练鱼眼校正分割的子图场景，收集1万张以上第二样本图像。保持上述候选车辆检测模型和训练好的参数不变，继续采用第二样本图像训练车辆检测模型，较佳的，第二样本图像覆盖目标不同颜色，车头或车尾对相机，附近车辆有驶入驶出动作，光线强、暗，对面车辆车灯打开等多场景，第二损失函数收敛后可输出模型，此时车辆检测模型训练完成。第二次训练沿用第一次训练结果的模型和参数，仅改变损失函数中车辆预测结果对应的权重与背景预测结果的权重的比值，并且第二损失函数中车辆预测结果对应的权重与背景预测结果的权重的比值，大于所述第一损失函数中车辆预测结果对应的权重与背景预测结果的权重的比值。
在本发明实施例中，可以使用DARKNET框架训练模型，由于每个检测目标即车辆都较大，对模型建议降低CNN网络输入的分辨率和减少卷积层数，这样可节省占有系统内存，并减少模型计算耗时，对系统计算能力要求越低，越减少设备成本。模型网络输入不限形状，正方形和长方形都可以，为了保留图像更多特征，较佳的，长度和宽度分别大于224像素，下采样4次以上，网络深度可控制9～12层，要求保证检测层的感受野覆盖完整目标。
损失函数如下：
其中，f(x)表示损失函数，n表示最后检测层包含的预测网格数，max表示检测层包括的预测网格总数，λa表示第一权重，λb表示第二权重，A1表示车辆预测结果，A2表示类别预测结果，A3表示坐标回归确定结果，A4表示背景预测结果，训练过程中，调整权重λa和λb的比例，当第一次训练时，λa和λb的比例可以为1:1，基于前面的模型，在第二次训练时，调整λa和λb的比例可以为10:1，这样可提高模型的召回率，减少场景等背景干扰对模型权重的影响。车检准确率可达到99.9％以上。图5为本发明实施例提供的车辆检测模型输出结果示意图。
图6为本发明实施例提供的停车检测过程示意图，如图6所示，包括以下步骤：
S201：获取鱼眼相机采集的鱼眼图像。
S202：对所述鱼眼图像进行校正处理得到第一候选图像。
S203：按照预设的分割规则对所述第一候选图像进行分割处理，得到每个第二候选图像，并确定所述每个第二候选图像中的待检测区域，截取每个待检测区域并放大处理，得到每个待检测图像。
S204：将所述待检测图像输入预先训练完成的车辆检测模型，基于所述车辆检测模型确定所述待检测图像中每个车辆的坐标信息。
S205：获取所述待检测图像中每个车位的车位区域坐标信息，根据所述每个车辆的坐标信息和所述每个车位的车位区域坐标信息，确定所述每个车位中是否停有车辆。
S206：根据所述每个车位中是否停有车辆，统计占用车位的数量信息和空闲车位的数量信息，并输出携带所述占用车位的数量信息和空闲车位的数量信息的提示信息。
本发明实施例中，基于鱼眼图像校正分割后得到的每个待检测图像，保证全图车辆的有效识别，可至少覆盖12个待识别车辆。提出一种基于深度学习的CNN检测算法和训练方案，对每个独立的分割子图，即每个待检测图像，可有效识别校正后遮挡的车辆。车位线标定方案，基于校正后的图像，用户可对每个车位画出有效的矩形框，便于车位线管理，以及车位和检测目标对象绑定的判断。
实施例5：
图7为本发明实施例提供的停车检测装置结构示意图，该装置包括：
获取模块71，用于获取鱼眼相机采集的鱼眼图像，对所述鱼眼图像进行校正处理得到待检测图像；
第一确定模块72，用于将所述待检测图像输入预先训练完成的车辆检测模型，基于所述车辆检测模型确定所述待检测图像中每个车辆的坐标信息；
第二确定模块73，用于获取所述待检测图像中每个车位的车位区域坐标信息，根据所述每个车辆的坐标信息和所述每个车位的车位区域坐标信息，确定所述每个车位的车位状态。
所述获取模块71，具体用于对所述鱼眼图像进行校正处理得到第一候选图像，按照预设的分割规则对所述第一候选图像进行分割处理，得到每个待检测图像。
所述获取模块71，具体用于按照预设的分割规则对所述第一候选图像进行分割处理，得到每个第二候选图像，并确定所述每个第二候选图像中的待检测区域，截取每个待检测区域并放大处理，得到每个待检测图像。
所述装置还包括：
输出模块74，用于根据所述每个车位的车位状态，统计占用车位的数量信息和空闲车位的数量信息，并输出携带所述占用车位的数量信息和空闲车位的数量信息的提示信息。
实施例6：
图8为本发明实施例提供的车辆检测模型的训练装置结构示意图，该装置包括：
第一训练模块81，用于针对第一训练集中的双目相机或单目相机采集的每个第一样本图像，将该第一样本图像和该第一样本图像对应的第一标注图像输入候选车辆检测模型，基于第一损失函数对所述候选车辆检测模型进行训练；其中，第一标注图像中标注有该第一样本图像中车辆的坐标信息；
第一训练模块82，用于针对第二训练集中的对鱼眼相机采集的每个第二样本图像进行校正分割处理得到的每个第三样本图像，将该第三样本图像和该第三样本图像对应的第二标注图像输入训练完成的候选车辆检测模型，基于第二损失函数对所述候选车辆检测模型进行训练，得到车辆检测模型；其中，第二标注图像中标注有该第三样本图像中车辆的坐标信息，所述第二损失函数中车辆预测结果对应的权重与背景预测结果的权重的比值，大于所述第一损失函数中车辆预测结果对应的权重与背景预测结果的权重的比值。
实施例7：
在上述各实施例的基础上，本发明实施例中还提供了一种电子设备，如图9所示，包括：处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信；
所述存储器303中存储有计算机程序，当所述程序被所述处理器301执行时，使得所述处理器301执行如下步骤：
获取鱼眼相机采集的鱼眼图像，对所述鱼眼图像进行校正处理得到待检测图像；
将所述待检测图像输入预先训练完成的车辆检测模型，基于所述车辆检测模型确定所述待检测图像中每个车辆的坐标信息；
获取所述待检测图像中每个车位的车位区域坐标信息，根据所述每个车辆的坐标信息和所述每个车位的车位区域坐标信息，确定所述每个车位中是否停有车辆。
基于同一发明构思，本发明实施例中还提供了一种电子设备，由于上述电子设备解决问题的原理与停车检测方法相似，因此上述电子设备的实施可以参见方法的实施，重复之处不再赘述。
本发明实施例提供的电子设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、网络侧设备等。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口302用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
在本发明实施例中处理器执行存储器上所存放的程序时，实现获取鱼眼相机采集的鱼眼图像，对所述鱼眼图像进行校正处理得到待检测图像；将所述待检测图像输入预先训练完成的车辆检测模型，基于所述车辆检测模型确定所述待检测图像中每个车辆的坐标信息；获取所述待检测图像中每个车位的车位区域坐标信息，根据所述每个车辆的坐标信息和所述每个车位的车位区域坐标信息，确定所述每个车位中是否停有车辆。本发明实施例中电子设备获取鱼眼相机采集的鱼眼图像，对鱼眼图像进行校正处理得到待检测图像，然后基于预先训练完成的车辆检测模型，确定出待检测图像中每个车辆的坐标信息，根据每个车辆的坐标信息和每个车位的车位区域坐标信息，确定每个车位的车位状态。本发明实施例中基于预先训练完成的车辆检测模型实现停车检测，受环境因素影响小，即使在较差的环境下也能够保证检测的准确性。另外，本发明实施例中利用鱼眼相机采集的鱼眼图像进行停车检测，鱼眼相机能采集整个半球域的全景图像，覆盖车位数量较多，降低了布设相机的成本。
实施例8：
在上述各实施例的基础上，本发明实施例还提供了一种计算机存储可读存储介质，所述计算机可读存储介质内存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现如下步骤：
获取鱼眼相机采集的鱼眼图像，对所述鱼眼图像进行校正处理得到待检测图像；
将所述待检测图像输入预先训练完成的车辆检测模型，基于所述车辆检测模型确定所述待检测图像中每个车辆的坐标信息；
获取所述待检测图像中每个车位的车位区域坐标信息，根据所述每个车辆的坐标信息和所述每个车位的车位区域坐标信息，确定所述每个车位中是否停有车辆。
基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，由于处理器在执行上述计算机可读存储介质上存储的计算机程序时解决问题的原理与停车检测方法相似，因此处理器在执行上述计算机可读存储介质存储的计算机程序的实施可以参见方法的实施，重复之处不再赘述。
上述计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器如软盘、硬盘、磁带、磁光盘(MO)等、光学存储器如CD、DVD、BD、HVD等、以及半导体存储器如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD)等。
在本发明实施例中提供的计算机可读存储介质内存储计算机程序，计算机程序被处理器执行时实现获取鱼眼相机采集的鱼眼图像，对所述鱼眼图像进行校正处理得到待检测图像；将所述待检测图像输入预先训练完成的车辆检测模型，基于所述车辆检测模型确定所述待检测图像中每个车辆的坐标信息；获取所述待检测图像中每个车位的车位区域坐标信息，根据所述每个车辆的坐标信息和所述每个车位的车位区域坐标信息，确定所述每个车位的车位状态。本发明实施例中电子设备获取鱼眼相机采集的鱼眼图像，对鱼眼图像进行校正处理得到待检测图像，然后基于预先训练完成的车辆检测模型，确定出待检测图像中每个车辆的坐标信息，根据每个车辆的坐标信息和每个车位的车位区域坐标信息，确定每个车位中是否停有车辆。本发明实施例中基于预先训练完成的车辆检测模型实现停车检测，受环境因素影响小，即使在较差的环境下也能够保证检测的准确性。另外，本发明实施例中利用鱼眼相机采集的鱼眼图像进行停车检测，鱼眼相机能采集整个半球域的全景图像，覆盖车位数量较多，降低了布设相机的成本。
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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于鱼眼相机的停车检测方法，其特征在于，所述方法包括：
获取鱼眼相机采集的鱼眼图像，对所述鱼眼图像进行校正处理得到待检测图像；
将所述待检测图像输入预先训练完成的车辆检测模型，基于所述车辆检测模型确定所述待检测图像中每个车辆的坐标信息；
获取所述待检测图像中每个车位的车位区域坐标信息，根据所述每个车辆的坐标信息和所述每个车位的车位区域坐标信息，确定所述每个车位中是否停有车辆；
所述车辆检测模型的训练过程包括：
针对第一训练集中的双目相机或单目相机采集的每个第一样本图像，将该第一样本图像和该第一样本图像对应的第一标注图像输入候选车辆检测模型，基于第一损失函数对所述候选车辆检测模型进行训练；其中，第一标注图像中标注有该第一样本图像中车辆的坐标信息；
针对第二训练集中的对鱼眼相机采集的每个第二样本图像进行校正分割处理得到的每个第三样本图像，将该第三样本图像和该第三样本图像对应的第二标注图像输入训练完成的候选车辆检测模型，基于第二损失函数对所述候选车辆检测模型进行训练，得到车辆检测模型；其中，第二标注图像中标注有该第三样本图像中车辆的坐标信息，所述第二损失函数中车辆预测结果对应的权重与背景预测结果的权重的比值，大于所述第一损失函数中车辆预测结果对应的权重与背景预测结果的权重的比值。
2.如权利要求1所述的方法，其特征在于，对所述鱼眼图像进行校正处理得到待检测图像包括：
对所述鱼眼图像进行校正处理得到第一候选图像，按照预设的分割规则对所述第一候选图像进行分割处理，得到每个待检测图像。
3.如权利要求2所述的方法，其特征在于，所述按照预设的分割规则对所述第一候选图像进行分割处理，得到每个待检测图像包括：
按照预设的分割规则对所述第一候选图像进行分割处理，得到每个第二候选图像，并确定所述每个第二候选图像中的待检测区域，截取每个待检测区域并放大处理，得到每个待检测图像。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述每个车位中是否停有车辆，统计占用车位的数量信息和空闲车位的数量信息，并输出携带所述占用车位的数量信息和空闲车位的数量信息的提示信息。
5.一种停车检测装置，其特征在于，所述装置包括：
获取模块，用于获取鱼眼相机采集的鱼眼图像，对所述鱼眼图像进行校正处理得到待检测图像；
第一确定模块，用于将所述待检测图像输入预先训练完成的车辆检测模型，基于所述车辆检测模型确定所述待检测图像中每个车辆的坐标信息；
第二确定模块，用于获取所述待检测图像中每个车位的车位区域坐标信息，根据所述每个车辆的坐标信息和所述每个车位的车位区域坐标信息，确定所述每个车位中是否停有车辆；
所述装置还包括：
第一训练模块，用于针对第一训练集中的双目相机或单目相机采集的每个第一样本图像，将该第一样本图像和该第一样本图像对应的第一标注图像输入候选车辆检测模型，基于第一损失函数对所述候选车辆检测模型进行训练；其中，第一标注图像中标注有该第一样本图像中车辆的坐标信息；
第二训练模块，用于针对第二训练集中的对鱼眼相机采集的每个第二样本图像进行校正分割处理得到的每个第三样本图像，将该第三样本图像和该第三样本图像对应的第二标注图像输入训练完成的候选车辆检测模型，基于第二损失函数对所述候选车辆检测模型进行训练，得到车辆检测模型；其中，第二标注图像中标注有该第三样本图像中车辆的坐标信息，所述第二损失函数中车辆预测结果对应的权重与背景预测结果的权重的比值，大于所述第一损失函数中车辆预测结果对应的权重与背景预测结果的权重的比值。
6.如权利要求5所述的装置，其特征在于，所述获取模块，具体用于对所述鱼眼图像进行校正处理得到第一候选图像，按照预设的分割规则对所述第一候选图像进行分割处理，得到每个待检测图像。
7.如权利要求6所述的装置，其特征在于，所述获取模块，具体用于按照预设的分割规则对所述第一候选图像进行分割处理，得到每个第二候选图像，并确定所述每个第二候选图像中的待检测区域，截取每个待检测区域并放大处理，得到每个待检测图像。
8.如权利要求5所述的装置，其特征在于，所述装置还包括：
输出模块，用于根据所述每个车位中是否停有车辆，统计占用车位的数量信息和空闲车位的数量信息，并输出携带所述占用车位的数量信息和空闲车位的数量信息的提示信息。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-4任一项所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的方法步骤。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011104985.4A CN112330601B (zh) | 2020-10-15 | 2020-10-15 | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 |
| PCT/CN2021/119241 WO2022078156A1 (en) | 2020-10-15 | 2021-09-18 | Method and system for parking space management |
| KR1020237014343A KR20230074579A (ko) | 2020-10-15 | 2021-09-18 | 주차 공간 관리를 위한 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011104985.4A CN112330601B (zh) | 2020-10-15 | 2020-10-15 | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112330601A CN112330601A (zh) | 2021-02-05 |
| CN112330601B true CN112330601B (zh) | 2024-03-19 |
Family
ID=74313184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011104985.4A Active CN112330601B (zh) | 2020-10-15 | 2020-10-15 | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 |
Country Status (3)
| Country | Link |
|---|---|
| KR (1) | KR20230074579A (zh) |
| CN (1) | CN112330601B (zh) |
| WO (1) | WO2022078156A1 (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330601B (zh) * | 2020-10-15 | 2024-03-19 | 浙江大华技术股份有限公司 | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 |
| CN113191221B (zh) * | 2021-04-15 | 2022-04-19 | 浙江大华技术股份有限公司 | 基于全景相机的车辆检测方法、装置以及计算机存储介质 |
| CN113674350A (zh) * | 2021-07-15 | 2021-11-19 | 浙江大华技术股份有限公司 | 一种车位状态检测方法、装置、计算机设备和存储介质 |
| CN113269163B (zh) * | 2021-07-16 | 2022-06-03 | 中汽创智科技有限公司 | 基于鱼眼图像的立体泊车位检测方法及装置 |
| CN113593297B (zh) * | 2021-07-29 | 2022-09-13 | 浙江大华技术股份有限公司 | 一种停车位状态检测方法和装置 |
| CN114004986A (zh) * | 2021-10-29 | 2022-02-01 | 北京百度网讯科技有限公司 | 图像处理方法、检测模型的训练方法、装置、设备和介质 |
| CN114049479A (zh) * | 2021-11-10 | 2022-02-15 | 苏州魔视智能科技有限公司 | 自监督的鱼眼相机图像特征点提取方法、装置及存储介质 |
| CN114179788B (zh) * | 2021-12-29 | 2024-07-12 | 纵目科技（上海）股份有限公司 | 自动泊车方法、系统、计算机可读存储介质及车机端 |
| CN114724107B (zh) * | 2022-03-21 | 2023-09-01 | 北京卓视智通科技有限责任公司 | 一种图像检测方法、装置、设备及介质 |
| CN115131892B (zh) * | 2022-05-27 | 2024-06-04 | 广州高新兴机器人有限公司 | 基于巡逻机器人的异常停车检测方法、装置、介质及设备 |
| CN114782928A (zh) * | 2022-06-22 | 2022-07-22 | 苏州魔视智能科技有限公司 | 一种车位检测方法、装置、电子设备及存储介质 |
| CN114882492B (zh) * | 2022-07-11 | 2022-11-22 | 浙江大华技术股份有限公司 | 一种车牌识别方法、装置、终端及计算机可读存储介质 |
| CN115601738B (zh) * | 2022-09-23 | 2023-08-04 | 北京精英路通科技有限公司 | 停车信息获取方法、装置、设备、存储介质及程序产品 |
| CN115527189B (zh) * | 2022-11-01 | 2023-03-21 | 杭州枕石智能科技有限公司 | 车位状态的检测方法、终端设备及计算机可读存储介质 |
| CN115565158B (zh) * | 2022-11-17 | 2023-05-26 | 广汽埃安新能源汽车股份有限公司 | 车位检测方法、装置、电子设备和计算机可读介质 |
| CN117541761B (zh) * | 2023-11-14 | 2024-05-10 | 珠海安联锐视科技股份有限公司 | 一种基于深度学习的鱼眼镜头下包裹检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108320575A (zh) * | 2018-03-16 | 2018-07-24 | 上海芭比信息技术服务有限公司 | 一种车位引导及反向寻车系统及其停车位检测装置、方法 |
| CN108766022A (zh) * | 2018-06-11 | 2018-11-06 | 青岛串并联电子科技有限公司 | 基于机器学习的停车场车位状态识别方法及系统 |
| CN110097776A (zh) * | 2018-01-30 | 2019-08-06 | 杭州海康威视数字技术股份有限公司 | 一种车位检测方法、监控摄像机及监控终端 |
| CN111739333A (zh) * | 2019-03-25 | 2020-10-02 | 大陆泰密克汽车系统（上海）有限公司 | 一种空车位识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI651697B (zh) * | 2018-01-24 | 2019-02-21 | National Chung Cheng University | 停車場空位偵測方法及其偵測模型建立方法 |
| CN112330601B (zh) * | 2020-10-15 | 2024-03-19 | 浙江大华技术股份有限公司 | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 |
-
2020
- 2020-10-15 CN CN202011104985.4A patent/CN112330601B/zh active Active
-
2021
- 2021-09-18 WO PCT/CN2021/119241 patent/WO2022078156A1/en active Application Filing
- 2021-09-18 KR KR1020237014343A patent/KR20230074579A/ko unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097776A (zh) * | 2018-01-30 | 2019-08-06 | 杭州海康威视数字技术股份有限公司 | 一种车位检测方法、监控摄像机及监控终端 |
| CN108320575A (zh) * | 2018-03-16 | 2018-07-24 | 上海芭比信息技术服务有限公司 | 一种车位引导及反向寻车系统及其停车位检测装置、方法 |
| CN108766022A (zh) * | 2018-06-11 | 2018-11-06 | 青岛串并联电子科技有限公司 | 基于机器学习的停车场车位状态识别方法及系统 |
| CN111739333A (zh) * | 2019-03-25 | 2020-10-02 | 大陆泰密克汽车系统（上海）有限公司 | 一种空车位识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112330601A (zh) | 2021-02-05 |
| WO2022078156A1 (en) | 2022-04-21 |
| KR20230074579A (ko) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112330601B (zh) | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 | |
| EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| CN110598512B (zh) | 一种车位检测方法及装置 | |
| CN111027504A (zh) | 人脸关键点检测方法、装置、设备及存储介质 | |
| CN108009543A (zh) | 一种车牌识别方法及装置 | |
| CN112465909B (zh) | 基于卷积神经网络的类激活映射目标定位方法及系统 | |
| CN112801158A (zh) | 基于级联融合和注意力机制的深度学习小目标检测方法及装置 | |
| CN107221005B (zh) | 物体检测方法及装置 | |
| CN112257692A (zh) | 一种行人目标的检测方法、电子设备及存储介质 | |
| CN112560698A (zh) | 图像处理方法、装置、设备和介质 | |
| CN111382625A (zh) | 道路标识识别方法、装置及电子设备 | |
| CN113901961B (zh) | 车位检测方法、装置、设备及存储介质 | |
| CN113901972A (zh) | 遥感图像建筑物的检测方法、装置、设备及存储介质 | |
| CN110363731B (zh) | 一种图像融合方法、装置及电子设备 | |
| CN112862856A (zh) | 违停车辆的识别方法、装置、设备及计算机可读存储介质 | |
| WO2020259416A1 (zh) | 图像采集控制方法、装置、电子设备及存储介质 | |
| CN116157867A (zh) | Lfa测试条的神经网络分析 | |
| CN108509826B (zh) | 一种遥感影像的道路识别方法及其系统 | |
| CN117893990A (zh) | 道路标志检测方法、装置和计算机设备 | |
| CN112634141B (zh) | 一种车牌矫正方法、装置、设备及介质 | |
| CN110880003B (zh) | 一种图像匹配方法、装置、存储介质及汽车 | |
| CN109977937B (zh) | 图像处理方法、装置及设备 | |
| CN116434202A (zh) | 基于目标和关键点检测的低光照驾驶员分心检测方法 | |
| CN110751163B (zh) | 目标定位方法及其装置、计算机可读存储介质和电子设备 | |
| US11205064B1 (en) | Measuring quality of depth images in real time |
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 |