CN112598922A - 车位检测方法、装置、设备及存储介质 - Google Patents
车位检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112598922A CN112598922A CN202011426031.5A CN202011426031A CN112598922A CN 112598922 A CN112598922 A CN 112598922A CN 202011426031 A CN202011426031 A CN 202011426031A CN 112598922 A CN112598922 A CN 112598922A
- Authority
- CN
- China
- Prior art keywords
- corner
- parking space
- continuous
- suspected
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Abstract
本发明属于车辆技术领域,公开了一种车位检测方法、装置、设备及存储介质。该方法包括:本发明通过获取车位的全景图像信息;对所述全景图像信息进行角点识别,以得到初始角点集合;根据预设角点筛选算法对所述初始角点集合进行筛选,以得到确认角点集合;根据所述确认角点集合确定所述车位的实际坐标。通过上述方式,实现了准确的车位检测,由于使用较为简单的算法,通过对角点的多次筛选得到准确的角点信息。在部署和硬件成本不高的情况下,完成对车位的准确标定,减少了车位识别的部署周期,降低整车成本,通过提升了角点识别的准确性,提高了车位识别的准确性。
Description
技术领域
本发明涉及车辆技术领域,尤其涉及一种车位检测方法、装置、设备及存储介质。
背景技术
随着科技的飞速发展,自动驾驶技术的稳步发展已经成为趋势,随着硬件平台和算法的快速发展,自动驾驶级别也越来越高,逐步向L3、L4阶段跨进。在L2、L3阶段,对于自动驾驶汽车的一大商业化发展就是自动泊车系统的研发和使用,泊车系统需要车位的准确识别和检测。
而现在基于视觉的车位检测方法是未来主流的自动泊车系统采用的方案。一般的采用深度学习方法进行识别,虽然深度学习算法近年发展较快,但是需要强大的硬件进行加速计算,并且工业部署难度较大,机器学习的方法鲁棒性不强,需要对算法进行持续的优化处理。以上不足可能导致自动泊车系统成本过高或者无法获得准确的车位信息,从而无法正确的进行泊车,降低的系统的准确性和稳定性。
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供一种车位检测方法、装置、设备及存储介质,旨在解决现有技术自动泊车系统成本过高或者无法获得准确的车位信息的技术问题。
为实现上述目的,本发明提供了一种车位检测方法,所述方法包括以下步骤:
获取车位的全景图像信息;
对所述全景图像信息进行角点识别,以得到初始角点集合;
根据预设角点筛选算法对所述初始角点集合进行筛选,以得到确认角点集合;
根据所述确认角点集合确定所述车位的实际坐标。
可选的,所述根据预设角点筛选算法对所述初始角点集合进行筛选,以得到确认角点集合,包括:
根据预设连续性检测算法,对各帧图像的初始角点集合进行连续度检测,以得到检测后的连续角点集合;
根据预设疑似角点算法,对所述连续角点集合进行调整,以得到疑似角点集合和标志位信息;
根据预设角点有效性算法和所述标志位信息,对所述疑似角点集合进行筛选,以得到确认角点集合。
可选的,所述根据预设连续性检测算法,对各帧图像的初始角点集合进行连续度检测,以得到检测后的连续角点集合,包括:
对各帧图像进行遍历,将遍历到的图像作为当前图像;
判断所述当前图像是否为第一帧图像或第二帧图像;
若所述当前图像为第一帧图像或第二帧图像,则将第二帧图像的初始角点集合与所述第一帧图像的初始角点集合进行匹配,以得到匹配成功的第一连续角点;
根据所述匹配成功的第一连续角点得到第二帧图像的连续角点集合;
若所述当前图像不为第一帧图像或第二帧图像,则将当前图像的初始角点集合与前一帧图像的连续角点集合进行匹配,以得到匹配成功的第二连续角点;
将所述匹配成功的第二连续角点加入的连续角点集合,以得到当前图像的连续角点集合。
可选的,所述根据预设疑似角点算法,对所述连续角点集合进行调整,以得到疑似角点集合和标志位信息,包括:
对各帧图像的连续角点集合进行遍历,将遍历到的连续角点集合作为当前连续角点集合;
判断当前连续角点集合是否为第一个连续角点集合;
若当前连续角点集合为第一个连续角点集合,则根据所述当前连续角点集合中的连续角点设置相应的标志信息,根据设置了标志信息的连续角点得到当前帧图像的疑似角点集合;
若当前连续角点集合不为第一个角点集合,则将当前连续角点集合中的各连续角点与上一帧图像的疑似角点集合中的各疑似角点进行匹配,以得到未匹配成功的连续角点;
根据所述未匹配成功的连续角点设置相应的标志信息,并将设置了标志信息的连续角点加入疑似角点集合,以得到所述连续角点集合对应图像的疑似角点集合。
可选的,所述根据预设角点有效性算法和所述标志位信息,对疑似角点集合进行筛选,以得到确认角点集合,包括:
对疑似角点集合进行遍历,将遍历到的疑似角点作为当前疑似角点;
根据标志位信息获取当前疑似角点连续出现帧数;
当所述当前疑似角点连续出现帧数大于预设数值时,根据所述当前疑似角点得到确认角点集合。
可选的,其特征在于,所述根据所述确认角点集合确定所述车位的实际坐标,包括:
根据所述确认角点集合中相邻两个确认角点的距离,确定所述车位的车位类型;
根据所述相邻两个确认角点的距离和所述车位类型,拟合出所述车位的实际坐标。
可选的,所述根据所述确认角点集合中相邻两个确认角点的距离,确定所述车位的车位类型,包括:
若所述确认角点集合中相邻两个确认角点的距离,在第一预设长度范围内时,则所述车位为水平车位;
若所述确认角点集合中相邻两个确认角点的距离,在第二预设长度范围内时,则所述车位为垂直车位,所述第一预设长度范围内的长度值均大于所述第二预设长度范围的长度值。
此外,为实现上述目的,本发明还提出一种车位检测装置,所述车位检测装置包括:
获取模块,用于获取车位的全景图像信息;
检测模块,用于对所述全景图像信息进行角点识别,以得到初始角点集合;
处理模块,用于根据预设角点筛选算法对所述初始角点集合进行筛选,以得到确认角点集合;
所述处理模块,还用于根据所述确认角点集合确定所述车位的实际坐标。
此外,为实现上述目的,本发明还提出一种车位检测设备,所述车位检测设备包括: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车位检测程序,所述车位检测程序配置为实现如上文所述的车位检测方法的步骤。
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车位检测程序,所述车位检测程序被处理器执行时实现如上文所述的车位检测方法的步骤。
本发明通过获取车位的全景图像信息;对所述全景图像信息进行角点识别,以得到初始角点集合;根据预设角点筛选算法对所述初始角点集合进行筛选,以得到确认角点集合;根据所述确认角点集合确定所述车位的实际坐标。实现了准确的车位检测,由于使用较为简单的算法。通过对角点的多次筛选得到准确的角点信息。在部署和硬件成本不高的情况下,完成对车位的准确标定,减少了车位识别的部署周期,降低整车成本,通过提升了角点识别的准确性,提高了车位识别的准确性。
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车位检测设备的结构示意图;
图2为本发明车位检测方法第一实施例的流程示意图;
图3为本发明车位检测方法一实施例的车位全景图像示意图
图4为本发明车位检测方法第二实施例的流程示意图;
图5为本发明车位检测装置第一实施例的结构框图。
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车位检测设备结构示意图。
如图1所示,该车位检测设备可以包括:处理器1001,例如中央处理器(CentralProcessing 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)、输入单元比如键盘(Keyboard),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(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),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中示出的结构并不构成对车位检测设备的限定,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、用户接口模块以及车位检测程序。
在图1所示的车位检测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明车位检测设备中的处理器1001、存储器1005可以设置在车位检测设备中,所述车位检测设备通过处理器1001调用存储器1005中存储的车位检测程序,并执行本发明实施例提供的车位检测方法。
本发明实施例提供了一种车位检测方法,参照图2,图2为本发明一种车位检测方法第一实施例的流程示意图。
本实施例中,所述车位检测方法包括以下步骤:
步骤S10:获取车位的全景图像信息。
需要理解的是,本实施例的执行主体为车辆控制系统,所述车辆控制系统可以为ECU或者与ECU功能相同或者相似的装置,在本实施例中ECU为例加以说明,ECU(ElectronicControl Unit)电子控制单元,又称“行车电脑”、“车载电脑”等。
应当理解的是,本实施例应用于用户启动自动泊车或者车位寻找的环节中,通过车载电脑可以对车位进行分析判断,以获取完整的车位轮廓坐标,此时车载电脑可以根据车位轮廓坐标完成进一步的运算工作,而座舱中的人员也可以通过车载显示器观察到周围的车位信息。
可以理解的是,车位的全景图像信息指的是进行车位检测时的全景图像信息,如图3,通过车辆四周全景摄像头获取的环境信息,再通过图像拼接图像去畸变得到的完整的图像信息。
步骤S20:对所述全景图像信息进行角点识别,以得到初始角点集合。
可以理解的是,概念上的角点为二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点。这些点在保留图像图形重要特征的同时,可以有效地减少信息的数据量,使其信息的含量很高,有效地提高了计算的速度,有利于图像的可靠匹配,使得实时处理成为可能。其在三维场景重建、运动估计、目标跟踪、目标识别、图像配准以及匹配等计算机视觉等领域起着非常重要的作用。
需要理解的是,在本实施例中所述的角点,为对全景图像进行角点检测算法处理过后得到的特征点,该特征点为车位边框中各转角处的点位。所述角点识别所使用的算法可以是基于灰度图像的角点检测算法,也可以是基于二值图像的角点检测算法,还可以是基于轮廓曲线的角点检测算法,本实施例对此不加以限定。例如:通过图像识别拟合出图像上的直线,再将两条直线的交点识别为角点。再例如:以当前点位为圆心建立一个圆形区域,再通过与当前点位明暗程度相同的区域所占整个圆形区域的比例确定当前区域是否为角点,当当前点位明暗程度相同的区域所占整个圆形区域的比例超过阈值时,判定当前点位为角点。以上两个例子仅仅用于对本实施例进行说明,本实施例对角点识别方法不加以限定。
进一步的,完成角点识别后会得到角点以及对应的角点相关信息,所述角点相关信息包括角点的像素坐标、以角点像素坐标为中心的角点框以及角点与其他特征的相对位置信息等。所述角点以及对应的角点相关信息会以关联的形式存入初始角点集合中,所述关联的形式可以是键值对的形式,也可以是队列的形式,还可以是集合的形式,本实施例对此不加以限定。关于初始角点集合,由于此时的角点为采集且识别到的原始数据,故而此时的角点为未经过处理的初始角点,存放初始角点的集合为初始角点集合,需要理解的是,初始角点集合有多个,每一帧图像均有一个初始角点集合。
步骤S30:根据预设角点筛选算法对所述初始角点集合进行筛选,以得到确认角点集合。
需要理解的是,初始数据直接用于对图像进行标定会出现大量误判的点位和干扰,使用体验感很差。也会对后续的计算造成更大的扰动,因此需要对角点进行筛选,以得到更加准确的角点数据。
在本实施例中,根据预设连续性检测算法,对各帧图像的初始角点集合进行连续度检测,以得到检测后的连续角点集合;根据预设疑似角点算法,对所述连续角点集合进行调整,以得到疑似角点集合和标志位信息;根据预设角点有效性算法和所述标志位信息,对所述疑似角点集合进行筛选,以得到确认角点集合。
在具体实现中,经过目标检测后,将图像中所有检测得到的所有角点,角点即为车位信息的索引,存储于初始角点集合中中,用于后续的车位判定。判断初始角点集合与连续角点集合中的一对角点矩形框重叠区域面积S与阈值的关系,如果重叠区域面积S大于阈值,那么判定这个两个矩形框为同一个角点的不同时刻的空间体现,因此合并两个角点矩形框,将重叠区域赋予连续角点集合;如果重叠区域面积S不大于阈值,那么判定为新的角点,将初始角点集合的矩形框直接赋予连续角点集合。最终得到判定为不同角点产生的不同检测矩形框集的连续角点集合。判断连续角点集合与疑似角点集合中的一对角点矩形框重叠区域面积S与阈值的关系,如果重叠区域面积大于阈值,那么将连续角点集合赋予疑似角点集合的数据,即将两个矩形框判定为同一个角点,就用该角点新的矩形框数据去更新该疑似角点的数据;如果重叠区域面积不大于阈值,那么认定连续角点集合中的角点是新的角点,则将该新的角点加入疑似角点集合中,最终得到更新后的疑似角点集合。每个疑似角点中都设置一个标志位last,用于记录该疑似角点被持续检测到的帧数。根据疑似角点连续多帧出现的帧数,如果疑似角点连续多帧出现的帧数大于等于N帧,则判定该疑似角点为确认角点,即实际真实存在的角点,将疑似角点集合中的数据赋予确认角点集合中;如果小于N帧的阈值,则认为该疑似角点为误检测角点,删除该疑似角点,最终得到更新后的确认角点集。
应当理解的是,第一,预设连续性检测算法即为对不同帧中出现的点位是否为连续的点位进行判断的算法,在具体场景中,由于车辆是运动的所以每一帧图像信息会出现一定的差异,这时候需要对不同图片中角点是否在其他帧的图像中出现进行判断,以过滤掉只出现了一帧的角点。第二,预设疑似角点算法,则是给每一个经过连续性检测的角点进行信息的加工,而所述信息的加工即为为角点添加标志位信息,所述添加了标志位信息的角点会被视为疑似角点,需要对该角点的真实性进行判断。第三,预设角点有效性算法即为对角点的真实性进行判断,由于摄像机拍摄的角度不同、误差因素或者已经离开摄像头有效识别范围等因素,可能在集合中还会出现这样的无用的角点,通过预设角点有效性算法将其筛选掉,后续分别对三个算法进行进一步说明。
在本实施例中,预设连续性算法对各帧图像进行遍历,将遍历到的图像作为当前图像;判断所述当前图像是否为第一帧图像或第二帧图像;若所述当前图像为第一帧图像或第二帧图像,则将第二帧图像的初始角点集合与所述第一帧图像的初始角点集合进行匹配,以得到匹配成功的第一连续角点;根据所述匹配成功的第一连续角点得到第二帧图像的连续角点集合;若所述当前图像不为第一帧图像或第二帧图像,则将当前图像的初始角点集合与前一帧图像的连续角点集合进行匹配,以得到匹配成功的第二连续角点;将所述匹配成功的第二连续角点加入的连续角点集合,以得到当前图像的连续角点集合。
此外,预设连续性算法即为判断不同帧图像的角点连续性的算法,通过预设连续性算法,可以将原始角点数据中误识别的点位从数据中去除,例如:由于系统误差造成的误识别点位或者采集到的图像出现的噪点被检测为角点,那么这种角点可能偶发性出现初始角点集合中,通过预设连续性算法可以将其去除。进一步的,预设连续性算法有几种不同的算法,例如:可以是通过对相邻两帧图像中所有角点的像素坐标都提取出来,再将每个角点的像素坐标与其最近角点的像素坐标间的距离大小进行判断,将像素坐标与其最近角点的像素坐标间的距离大于预设距离的像素点留在集合中,将像素坐标与其最近角点的像素坐标间的距离小于等于预设距离的角点加入连续角点集合,从而完成对相邻帧图像角点连续性进行判断。
进一步的,预设连续性算法还可以是对所述第二帧图像的初始角点集合进行遍历,将遍历到的初始角点作为当前初始角点;根据所述当前初始角点获取当前初始角点的当前初始角点框;根据所述第一帧图像的初始角点集合获取所述第一帧图像的各初始角点框;判断所述当前初始角点框与所述第一帧图像的各初始角点框的重叠区域是否大于预设重叠面积;若所述当前初始角点框与所述第一帧图像的各初始角点框的重叠区域大于预设重叠面积,则判定当前初始角点框对应的角点匹配成功;将匹配成功的各角点作为第一连续角点。即为对比相邻两帧图像中各角点框的重叠面积,来匹配两帧图像中各角点是否为同一角点。可以理解的是,上述初始角点框为检测到角点时以角点为几何中心拟合出来的矩形方框,用于进行角点连续性的比对,在初始角点框通过后续步骤的处理后可以与角点一同出现在显示器上以增加角点的可观察性。
需要明白的是,上述算法将遇上一帧图像匹配成功的角点提取出来作为有效的连续角点加入连续角点集合,将与上一帧图像未匹配成功的角点则留在初始集合中与下一帧进行比对,经过上述算法,所有连续出现的角点会进入连续角点集合中,而只出现过一帧的角点则会无法进入连续角点集合。需要明白的是,若角点只出现了一帧则说明这个角点并不是一个我们需要的车位线上的角点,很大概率是图像上的噪点或者其他干扰信息。
在本实施例中,通过预设疑似角点算法对各帧图像的连续角点集合进行遍历,将遍历到的连续角点集合作为当前连续角点集合;判断当前连续角点集合是否为第一个连续角点集合;若当前连续角点集合为第一个连续角点集合,则根据所述当前连续角点集合中的连续角点设置相应的标志信息,根据设置了标志信息的连续角点得到当前帧图像的疑似角点集合;若当前连续角点集合不为第一个角点集合,则将当前连续角点集合中的各连续角点与上一帧图像的疑似角点集合中的各疑似角点进行匹配,以得到未匹配成功的连续角点;根据所述未匹配成功的连续角点设置相应的标志信息,并将设置了标志信息的连续角点加入疑似角点集合,以得到所述连续角点集合对应图像的疑似角点集合。
应当理解的是,所述标志位信息为几个累加的变量,当当前帧连续角点集合与上一帧连续角点集合匹配成功就累加1,这样即可得到每一个角点连续出现的帧数。
需要理解的是,预设疑似角点算法即为每一个新加入疑似角点集合的角点分配标志位信息,所述标志位信息就相当于每一个角点的身份信息。再通过与上述预设连续角点算法中相同的匹配规则对相邻帧图像的疑似角点集合进行比对,虽然匹配的方式与上一预设连续角点检测算法相同,但是本步骤的匹配是为了确定相邻两帧图像当中的角点是否为同一个角点,若为同一个角点则将标志位信息增加一个单位,若不为同一个角点,则可视为新出现的角点,为其分配一个标志位信息。
在具体实现中,通过预设角点有效性算法对疑似角点集合进行遍历,将遍历到的疑似角点作为当前疑似角点;根据标志位信息获取当前疑似角点连续出现帧数;当所述当前疑似角点连续出现帧数大于预设数值时,根据所述当前疑似角点得到确认角点集合。
需要理解的是,当所述当前疑似角点连续出现帧数大于预设数值时,就可以确认该疑似角点为可靠的角点即确认角点,例如:每个疑似角点中都设置一个标志位,用于记录该疑似角点被持续检测到的帧数。根据疑似角点连续多帧出现的帧数,如果疑似角点连续多帧出现的帧数大于等于N帧,则判定该疑似角点为确认角点,即实际真实存在的角点,将疑似角点集合中的数据赋予确认角点集合中。而中间出现间断或者出现的帧数并不多的角点则不会出现在确认角点中,如此可以进一步的提高角点检测的工作准确度,同时将不需要的角点去除,减少系统的冗余。
步骤S40:根据所述确认角点集合确定所述车位的实际坐标。
需要理解的是,检测到的角点实际上为图像信息中的像素坐标,需要将其结合传感器标定时检测的内参和外参将像素坐标转化为实际坐标,车辆根据实际坐标对车位进行位置标定,而如何从像素坐标转化为实际坐标为本领域技术人员熟知的技术,本实施例在此不一一赘述,仅对如何根据实际坐标进行标定做出说明。
在具体实现中,首先将确认角点集合进行排序,根据矩形框的x坐标由小到大进行排序。然后根据确认角点集合的角点个数进行判定,如果确认角点集合的角点个数小于2,则认为无法构成车位,因此车位判定流程结束;如果确认确认角点集合的角点个数不小于2,则认为角点数据可以构成车位,可以进一步进行判定。计算得到两个角点之间的x和y维度的距离,可以认为两个角点的长度差就是车位的长度Length,例如:当Length>600cm且Length<800cm时,既可以认为这两个角点组成的车位是水平车位。当Length>250cm且Length<350cm时,即可以认为这两个角点组成的车位是垂直车位。如果计算得到的车位长度Length不符合上述两种几何特征,即认为非常规车位,或者为错检负样本,直接丢弃。
进一步的,在得到了车位单边长度也确定了车位类型后,即可通过常规车位尺寸对应表,通过宽度推测出车位的长度,再根据所述车位尺寸和车位类型拟合出一个完整的车位,以供车主参考或者提供给自动停车系统进行进一步使用。
本实施例通过获取车位的全景图像信息;对所述全景图像信息进行角点识别,以得到初始角点集合;根据预设角点筛选算法对所述初始角点集合进行筛选,以得到确认角点集合;根据所述确认角点集合确定所述车位的实际坐标。实现了准确的车位检测,由于使用较为简单的算法,通过对角点的多次筛选得到准确的角点信息。在部署和硬件成本不高的情况下,完成对车位的准确标定,减少了车位识别的部署周期,降低整车成本,通过提升了角点识别的准确性,提高了车位识别的准确性。
参考图4,图4为本发明一种车位检测方法第二实施例的流程示意图。
基于上述第一实施例,本实施例车位检测方法在所述步骤S40,具体包括:
步骤S41:根据所述确认角点集合中相邻两个确认角点的距离,确定所述车位的车位类型。
需要理解的是,确认角点集合中包含的角点为经过筛选的较为准确的角点数据,如图3,在一般情况下画面中的车位会呈现出一排角点的情况,此时只要确认相邻两个角点的距离即可确认车位一条边的长度。
在本实施例中,若所述确认角点集合中相邻两个确认角点的距离,在第一预设长度范围内时,则所述车位为水平车位;若所述确认角点集合中相邻两个确认角点的距离,在第二预设长度范围内时,则所述车位为垂直车位,所述第一预设长度范围内的长度值均大于所述第二预设长度范围的长度值。
在具体实现中,例如:可以首先将确认角点集合进行排序,根据矩形框的x坐标由小到大进行排序。然后根据确认角点集合的角点个数进行判定,如果确认角点集合的角点个数小于2,则认为无法构成车位,因此车位判定流程结束;如果确认确认角点集合的角点个数不小于2,则认为角点数据可以构成车位,可以进一步进行判定。计算得到两个角点之间的x和y维度的距离,可以认为两个角点的长度差就是车位的长度Length,例如:当Length>600cm且Length<800cm时,既可以认为这两个角点组成的车位是水平车位。当Length>250cm且Length<350cm时,即可以认为这两个角点组成的车位是垂直车位。如果计算得到的车位长度Length不符合上述两种几何特征,即认为非常规车位,或者为错检负样本,直接丢弃。
步骤S42:根据所述相邻两个确认角点的距离和所述车位类型,拟合出所述车位的实际坐标。
需要理解的是,在得到了车位单边长度也确定了车位类型后,即可通过常规车位尺寸对应表,通过宽度推测出车位的长度,再根据所述车位尺寸和车位类型拟合出一个完整的车位,以供车主参考或者提供给自动停车系统进行进一步使用。
进一步的,所述车位尺寸对应表可以根据云端数据库获得,也可以将数据存储在本地存储器中,本实施例对此不加以限定。
此外,由于车位尺寸的标准都有很明确的规定,因此只要确定了车位的宽度,通过拟合出来车位误差十分小,可以作为可靠的数据源进行后续的操作或者计算而不容易发生碰撞。
本实施例通过根据所述确认角点集合中相邻两个确认角点的距离,确定所述车位的车位类型;根据所述相邻两个确认角点的距离和所述车位类型,拟合出所述车位的实际坐标。由于只需要通过两个角点即可确认整个车位,因此在车位线部分损坏或者有所遮挡的情况下依然可以完成整个车位识别的功能,有很好的鲁棒性,也面对常规的干扰也能完成准确的识别工作。
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车位检测程序,所述车位检测程序被处理器执行时实现如上文所述的车位检测方法的步骤。
参照图5,图5为本发明车位检测装置第一实施例的结构框图。
如图5所示,本发明实施例提出的车位检测装置包括:
获取模块10,用于获取车位的全景图像信息。
检测模块20,用于对所述全景图像信息进行角点识别,以得到初始角点集合。
处理模块30,用于根据预设角点筛选算法对所述初始角点集合进行筛选,以得到确认角点集合。
所述处理模块30,还用于根据所述确认角点集合确定所述车位的实际坐标。
本实施例通获取模块10,获取车位的全景图像信息;检测模块20,对所述全景图像信息进行角点识别,以得到初始角点集合;处理模块30,根据预设角点筛选算法对所述初始角点集合进行筛选,以得到确认角点集合;所述处理模块30,根据所述确认角点集合确定所述车位的实际坐标。由于使用较为简单的算法,通过对角点的多次筛选得到准确的角点信息。在部署和硬件成本不高的情况下,完成对车位的准确标定,减少了车位识别的部署周期,降低整车成本,通过提升了角点识别的准确性,提高了车位识别的准确性。
在一实施例中,所述处理模块30还用于根据预设连续性检测算法,对各帧图像的初始角点集合进行连续度检测,以得到检测后的连续角点集合;根据预设疑似角点算法,对所述连续角点集合进行调整,以得到疑似角点集合和标志位信息;根据预设角点有效性算法和所述标志位信息,对所述疑似角点集合进行筛选,以得到确认角点集合。
在一实施例中,所述处理模块30还用于对各帧图像进行遍历,将遍历到的图像作为当前图像;判断所述当前图像是否为第一帧图像或第二帧图像;若所述当前图像为第一帧图像或第二帧图像,则将第二帧图像的初始角点集合与所述第一帧图像的初始角点集合进行匹配,以得到匹配成功的第一连续角点;根据所述匹配成功的第一连续角点得到第二帧图像的连续角点集合;若所述当前图像不为第一帧图像或第二帧图像,则将当前图像的初始角点集合与前一帧图像的连续角点集合进行匹配,以得到匹配成功的第二连续角点;将所述匹配成功的第二连续角点加入的连续角点集合,以得到当前图像的连续角点集合。
在一实施例中,所述处理模块30还用于对各帧图像的连续角点集合进行遍历,将遍历到的连续角点集合作为当前连续角点集合;判断当前连续角点集合是否为第一个连续角点集合;若当前连续角点集合为第一个连续角点集合,则根据所述当前连续角点集合中的连续角点设置相应的标志信息,根据设置了标志信息的连续角点得到当前帧图像的疑似角点集合;若当前连续角点集合不为第一个角点集合,则将当前连续角点集合中的各连续角点与上一帧图像的疑似角点集合中的各疑似角点进行匹配,以得到未匹配成功的连续角点;根据所述未匹配成功的连续角点设置相应的标志信息,并将设置了标志信息的连续角点加入疑似角点集合,以得到所述连续角点集合对应图像的疑似角点集合。
在一实施例中,所述处理模块30还用于对疑似角点集合进行遍历,将遍历到的疑似角点作为当前疑似角点;根据标志位信息获取当前疑似角点连续出现帧数;当所述当前疑似角点连续出现帧数大于预设数值时,根据所述当前疑似角点得到确认角点集合。
在一实施例中,所述处理模块30还用于根据所述确认角点集合中相邻两个确认角点的距离,确定所述车位的车位类型;根据所述相邻两个确认角点的距离和所述车位类型,拟合出所述车位的实际坐标。
在一实施例中,所述处理模块30还用于若所述确认角点集合中相邻两个确认角点的距离,在第一预设长度范围内时,则所述车位为水平车位;若所述确认角点集合中相邻两个确认角点的距离,在第二预设长度范围内时,则所述车位为垂直车位,所述第一预设长度范围内的长度值均大于所述第二预设长度范围的长度值。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的车位检测方法,此处不再赘述。
此外,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。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、物品或者系统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,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)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)
1.一种车位检测方法,其特征在于,所述方法包括:
获取车位的全景图像信息;
对所述全景图像信息进行角点识别,以得到初始角点集合;
根据预设角点筛选算法对所述初始角点集合进行筛选,以得到确认角点集合;
根据所述确认角点集合确定所述车位的实际坐标。
2.如权利要求1所述的方法,其特征在于,所述根据预设角点筛选算法对所述初始角点集合进行筛选,以得到确认角点集合,包括:
根据预设连续性检测算法,对各帧图像的初始角点集合进行连续度检测,以得到检测后的连续角点集合;
根据预设疑似角点算法,对所述连续角点集合进行调整,以得到疑似角点集合和标志位信息;
根据预设角点有效性算法和所述标志位信息,对所述疑似角点集合进行筛选,以得到确认角点集合。
3.如权利要求2所述的方法,其特征在于,所述根据预设连续性检测算法,对各帧图像的初始角点集合进行连续度检测,以得到检测后的连续角点集合,包括:
对各帧图像进行遍历,将遍历到的图像作为当前图像;
判断所述当前图像是否为第一帧图像或第二帧图像;
若所述当前图像为第一帧图像或第二帧图像,则将第二帧图像的初始角点集合与所述第一帧图像的初始角点集合进行匹配,以得到匹配成功的第一连续角点;
根据所述匹配成功的第一连续角点得到第二帧图像的连续角点集合;
若所述当前图像不为第一帧图像或第二帧图像,则将当前图像的初始角点集合与前一帧图像的连续角点集合进行匹配,以得到匹配成功的第二连续角点;
将所述匹配成功的第二连续角点加入的连续角点集合,以得到当前图像的连续角点集合。
4.如权利要求2所述的方法,其特征在于,所述根据预设疑似角点算法,对所述连续角点集合进行调整,以得到疑似角点集合和标志位信息,包括:
对各帧图像的连续角点集合进行遍历,将遍历到的连续角点集合作为当前连续角点集合;
判断所述当前连续角点集合是否为第一个连续角点集合;
若当前连续角点集合为第一个连续角点集合,则根据所述当前连续角点集合中的连续角点设置相应的标志信息,根据设置了标志信息的连续角点得到当前帧图像的疑似角点集合;
若当前连续角点集合不为第一个角点集合,则将当前连续角点集合中的各连续角点与上一帧图像的疑似角点集合中的各疑似角点进行匹配,以得到未匹配成功的连续角点;
根据所述未匹配成功的连续角点设置相应的标志信息,并将设置了标志信息的连续角点加入疑似角点集合,以得到所述连续角点集合对应图像的疑似角点集合。
5.如权利要求2所述的方法,其特征在于,所述根据预设角点有效性算法和所述标志位信息,对疑似角点集合进行筛选,以得到确认角点集合,包括:
对疑似角点集合进行遍历,将遍历到的疑似角点作为当前疑似角点;
根据标志位信息获取当前疑似角点连续出现帧数;
当所述当前疑似角点连续出现帧数大于预设数值时,根据所述当前疑似角点得到确认角点集合。
6.如权利要求1~5中任一项所述的方法,其特征在于,所述根据所述确认角点集合确定所述车位的实际坐标,包括:
根据所述确认角点集合中相邻两个确认角点的距离,确定所述车位的车位类型;
根据所述相邻两个确认角点的距离和所述车位类型,拟合出所述车位的实际坐标。
7.如权利要求6所述的方法,其特征在于,所述根据所述确认角点集合中相邻两个确认角点的距离,确定所述车位的车位类型,包括:
若所述确认角点集合中相邻两个确认角点的距离,在第一预设长度范围内时,则所述车位为水平车位;
若所述确认角点集合中相邻两个确认角点的距离,在第二预设长度范围内时,则所述车位为垂直车位,所述第一预设长度范围内的长度值均大于所述第二预设长度范围的长度值。
8.一种车位检测装置,其特征在于,所述车位检测装置包括:
获取模块,用于获取车位的全景图像信息;
检测模块,用于对所述全景图像信息进行角点识别,以得到初始角点集合;
处理模块,用于根据预设角点筛选算法对所述初始角点集合进行筛选,以得到确认角点集合;
所述处理模块,还用于根据所述确认角点集合确定所述车位的实际坐标。
9.一种车位检测设备,其特征在于,所述设备包括: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车位检测程序,所述车位检测程序配置为实现如权利要求1至7中任一项所述的车位检测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有车位检测程序,所述车位检测程序被处理器执行时实现如权利要求1至7任一项所述的车位检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011426031.5A CN112598922B (zh) | 2020-12-07 | 2020-12-07 | 车位检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011426031.5A CN112598922B (zh) | 2020-12-07 | 2020-12-07 | 车位检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598922A true CN112598922A (zh) | 2021-04-02 |
CN112598922B CN112598922B (zh) | 2023-03-21 |
Family
ID=75191262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011426031.5A Active CN112598922B (zh) | 2020-12-07 | 2020-12-07 | 车位检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598922B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113053164A (zh) * | 2021-05-11 | 2021-06-29 | 吉林大学 | 一种利用环视图像的车位识别方法 |
CN113627276A (zh) * | 2021-07-20 | 2021-11-09 | 的卢技术有限公司 | 一种检测车位的方法和装置 |
CN113627277A (zh) * | 2021-07-20 | 2021-11-09 | 的卢技术有限公司 | 一种识别车位的方法和装置 |
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 |
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 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663357A (zh) * | 2012-03-28 | 2012-09-12 | 北京工业大学 | 基于颜色特征的停车场车位检测算法 |
CN104354656A (zh) * | 2014-10-20 | 2015-02-18 | 同济大学 | 智能泊车系统的障碍物检测与库位判别方法及实现系统 |
CN104916163A (zh) * | 2015-06-29 | 2015-09-16 | 惠州华阳通用电子有限公司 | 泊车位检测方法 |
CN105354569A (zh) * | 2015-10-12 | 2016-02-24 | 北京蓝卡科技股份有限公司 | 一种图像畸变矫正方法 |
CN106997688A (zh) * | 2017-06-08 | 2017-08-01 | 重庆大学 | 基于多传感器信息融合的停车场停车位检测方法 |
CN107856667A (zh) * | 2017-11-08 | 2018-03-30 | 科大讯飞股份有限公司 | 辅助泊车系统和方法 |
CN108280853A (zh) * | 2018-01-11 | 2018-07-13 | 深圳市易成自动驾驶技术有限公司 | 车载视觉定位方法、装置及计算机可读存储介质 |
CN108564814A (zh) * | 2018-06-06 | 2018-09-21 | 清华大学苏州汽车研究院(吴江) | 一种基于图像的停车场车位检测方法及装置 |
CN108875911A (zh) * | 2018-05-25 | 2018-11-23 | 同济大学 | 一种泊车位检测方法 |
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 |
CN109649384A (zh) * | 2019-02-15 | 2019-04-19 | 华域汽车系统股份有限公司 | 一种泊车辅助方法 |
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 |
CN109871745A (zh) * | 2018-12-29 | 2019-06-11 | 百度在线网络技术(北京)有限公司 | 识别空车位的方法、系统及车辆 |
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 |
CN111178295A (zh) * | 2019-12-31 | 2020-05-19 | 华为技术有限公司 | 车位检测和模型训练方法、装置、车辆、设备及存储介质 |
CN111178236A (zh) * | 2019-12-27 | 2020-05-19 | 清华大学苏州汽车研究院(吴江) | 一种基于深度学习的车位检测方法 |
CN111428616A (zh) * | 2020-03-20 | 2020-07-17 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车位检测方法、装置、设备及存储介质 |
CN111497828A (zh) * | 2020-02-17 | 2020-08-07 | 湖北亿咖通科技有限公司 | 一种自动泊车方法、装置、介质及设备 |
-
2020
- 2020-12-07 CN CN202011426031.5A patent/CN112598922B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663357A (zh) * | 2012-03-28 | 2012-09-12 | 北京工业大学 | 基于颜色特征的停车场车位检测算法 |
CN104354656A (zh) * | 2014-10-20 | 2015-02-18 | 同济大学 | 智能泊车系统的障碍物检测与库位判别方法及实现系统 |
CN104916163A (zh) * | 2015-06-29 | 2015-09-16 | 惠州华阳通用电子有限公司 | 泊车位检测方法 |
CN105354569A (zh) * | 2015-10-12 | 2016-02-24 | 北京蓝卡科技股份有限公司 | 一种图像畸变矫正方法 |
CN106997688A (zh) * | 2017-06-08 | 2017-08-01 | 重庆大学 | 基于多传感器信息融合的停车场停车位检测方法 |
CN107856667A (zh) * | 2017-11-08 | 2018-03-30 | 科大讯飞股份有限公司 | 辅助泊车系统和方法 |
CN108280853A (zh) * | 2018-01-11 | 2018-07-13 | 深圳市易成自动驾驶技术有限公司 | 车载视觉定位方法、装置及计算机可读存储介质 |
CN108875911A (zh) * | 2018-05-25 | 2018-11-23 | 同济大学 | 一种泊车位检测方法 |
CN108564814A (zh) * | 2018-06-06 | 2018-09-21 | 清华大学苏州汽车研究院(吴江) | 一种基于图像的停车场车位检测方法及装置 |
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 |
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 |
CN109871745A (zh) * | 2018-12-29 | 2019-06-11 | 百度在线网络技术(北京)有限公司 | 识别空车位的方法、系统及车辆 |
CN109649384A (zh) * | 2019-02-15 | 2019-04-19 | 华域汽车系统股份有限公司 | 一种泊车辅助方法 |
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 |
CN111178236A (zh) * | 2019-12-27 | 2020-05-19 | 清华大学苏州汽车研究院(吴江) | 一种基于深度学习的车位检测方法 |
CN111178295A (zh) * | 2019-12-31 | 2020-05-19 | 华为技术有限公司 | 车位检测和模型训练方法、装置、车辆、设备及存储介质 |
CN111497828A (zh) * | 2020-02-17 | 2020-08-07 | 湖北亿咖通科技有限公司 | 一种自动泊车方法、装置、介质及设备 |
CN111428616A (zh) * | 2020-03-20 | 2020-07-17 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车位检测方法、装置、设备及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113053164A (zh) * | 2021-05-11 | 2021-06-29 | 吉林大学 | 一种利用环视图像的车位识别方法 |
CN113627276A (zh) * | 2021-07-20 | 2021-11-09 | 的卢技术有限公司 | 一种检测车位的方法和装置 |
CN113627277A (zh) * | 2021-07-20 | 2021-11-09 | 的卢技术有限公司 | 一种识别车位的方法和装置 |
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 |
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 |
---|---|
CN112598922B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
CN111815630B (zh) | 一种用于lcd屏幕的缺陷检测方法、装置 | |
CN108009543B (zh) | 一种车牌识别方法及装置 | |
CN107577988B (zh) | 实现侧方车辆定位的方法、装置及存储介质、程序产品 | |
CN108229406B (zh) | 一种车道线检测方法、装置及终端 | |
CN107392139B (zh) | 一种基于霍夫变换的车道线检测方法及终端设备 | |
US10867403B2 (en) | Vehicle external recognition apparatus | |
CN109658454B (zh) | 一种位姿信息确定方法、相关装置及存储介质 | |
CN108182383B (zh) | 一种车窗检测的方法及设备 | |
CN110826512B (zh) | 地面障碍物检测方法、设备及计算机可读存储介质 | |
CN111738033B (zh) | 基于平面分割的车辆行驶信息确定方法及装置、车载终端 | |
CN112036385B (zh) | 库位修正方法、装置、电子设备及可读存储介质 | |
CN108052921B (zh) | 一种车道线检测方法、装置及终端 | |
CN108090425B (zh) | 一种车道线检测方法、装置及终端 | |
CN112784675B (zh) | 目标检测方法及装置、存储介质、终端 | |
CN115661131B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
CN114219806B (zh) | 一种汽车雷达检测方法、装置、设备、介质及产品 | |
CN113674361B (zh) | 一种车载环视校准实现方法及系统 | |
CN112560606B (zh) | 挂车角度识别方法及装置 | |
Dragaš et al. | Development and Implementation of Lane Departure Warning System on ADAS Alpha Board | |
KR102283053B1 (ko) | 영상 기반 객체 검출 정보를 이용한 실시간 다중 클래스 다중 객체 추적 방법 | |
CN115410105A (zh) | 集装箱标记识别方法、装置、计算机设备和存储介质 | |
CN112767425A (zh) | 一种基于视觉的车位检测方法及装置 | |
CN113128264A (zh) | 一种车辆区域确定方法、装置及电子设备 | |
CN112498338B (zh) | 一种库位确定方法、装置及电子设备 |
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 |