CN112668588B - 车位信息生成方法、装置、设备和计算机可读介质 - Google Patents
车位信息生成方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112668588B CN112668588B CN202011603015.9A CN202011603015A CN112668588B CN 112668588 B CN112668588 B CN 112668588B CN 202011603015 A CN202011603015 A CN 202011603015A CN 112668588 B CN112668588 B CN 112668588B
- Authority
- CN
- China
- Prior art keywords
- parking space
- feature map
- space information
- looking
- classification detection
- 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
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本公开的实施例公开了车位信息生成方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括:响应于接收到目标车辆的终端发送的车位信息生成指令,执行如下车位信息生成步骤:获取上述目标车辆周围的环视图像;从上述环视图像中提取出特征图集合,其中,上述特征图用于表征上述环视图像的特征信息;基于上述特征图集合和预先训练的分类检测模型,生成分类检测结果,其中,上述分类检测模型用于检测上述环视图像中是否存在预定数目个车位;响应于上述分类检测结果满足第一预设条件,基于上述特征图集合,生成车位信息集合。该实施方式实现了车位信息的生成,提供了自动车位检测和车位追踪功能,降低了功耗和计算资源需求。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及车位信息生成方法、装置、设备和计算机可读介质。
背景技术
车位信息生成,是自动驾驶领域中与自动泊车相关的一项基本技术。目前,与车位信息生成相关的方法通常是:首先,通过车载环视相机获取多张环视图像,然后,对多张环视图像进行预处理,从而构造全景俯视图,之后,对全景俯视图再进行预处理,最后,对预处理后的全景俯视图进行车位信息生成。
然而,当采用上述方法进行车位信息生成时,往往会存在如下技术问题:
第一,不仅需要对环视图像进行多方面的预处理,而且对畸变的环视图像的处理效率较低,从而,在进行车位信息生成的时候需要特定的环视图像,进而,导致车位信息生成效率较低和存在局限性。
第二,由于对存在或者不存在车位的环视图像都进行车位信息生成,导致需要大量的计算资源,而且车辆计算设备的计算资源有限,导致在一定程度上无法满足车位信息生成的需要,从而,导致在一定程度上无法生成车位信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了车位信息生成方法、装置、设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种车位信息生成方法,该方法包括:响应于接收到目标车辆的终端发送的车位信息检测指令,执行如下车位信息生成步骤:获取上述目标车辆周围的环视图像;从上述环视图像中提取出特征图集合,其中,上述特征图用于表征上述环视图像的特征信息;基于上述特征图集合和预先训练的分类检测模型,生成分类检测结果,其中,上述分类检测模型用于检测上述环视图像中是否存在预定数目个车位;响应于上述分类检测结果满足预设条件,基于上述特征图集合,生成车位信息集合。
第二方面,本公开的一些实施例提供了一种车位信息生成装置,该装置包括:接收以及生成单元,被配置成响应于接收到目标车辆的终端发送的车位信息生成指令,执行如下车位信息生成步骤:获取上述目标车辆周围的环视图像;从上述环视图像中提取出特征图集合,其中,上述特征图用于表征上述环视图像的特征信息;基于上述特征图集合和预先训练的分类检测模型,生成分类检测结果,其中,上述分类检测模型用于检测上述环视图像中是否存在预定数目个车位;响应于上述分类检测结果满足第一预设条件,基于上述特征图集合,生成车位信息集合。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的车位信息生成方法不需要对环视图像进行多方面的预处理,而且,对畸变的环视图像的处理能力较强,从而,可以对不同类型的车载相机获得的环视图像进行车位信息的生成,进而,提高了车位信息生成的效率和实用性。具体来说,造成车位信息生成效率较低和存在局限性的原因在于:目前与车位信息生成相关的方法通常是车载环视相机获取多张环视图像,以及将多张环视图像拼接成全景俯视图,再根据全景俯视图生成车位线和车位辅助框(例如,矩形框),造成了车位信息生成的效率较低和存在局限性。基于此,本公开的一些实施例提出了车位信息生成方法,首先,响应于接收到目标车辆的终端发送的车位信息检测指令,执行如下车位信息生成步骤:然后,获取上述目标车辆周围的环视图像。由此可以通过车载相机获取目标车辆周围的环视图像为车位信息的生成提供了数据支撑。之后,从上述环视图像中提取出特征图集合,其中,上述特征图用于表征上述环视图像的特征信息。由此可以不需要对环视图像进行预处理,直接得到特征图集合,为进行分类检测提供了数据支撑。接着,基于上述特征图集合和预先训练的分类检测模型,生成分类检测结果,其中,上述分类检测模型用于检测上述环视图像中是否存在预定数目个车位。由此可以通过得到的分类检测结果可以分析环视图像中是否含有车位,影响着是否需要进行车位信息生成。最后,响应于上述分类检测结果满足第一预设条件,基于上述特征图集合,生成车位信息集合。由此可以通过第一预设条件,确定进行车位信息生成,通过特征图集合,生成车位信息集合。可选地,响应于上述分类检测结果不满足第一预设条件,则根据预设时间间隔,再次执行上述车位信息生成步骤。由于可以不需要对环视图像进行多方面的预处理。而且可以通过分类检测模型对环视图像中是否存在车位进行检测,避免了对不存在车位的环视图像进行车位信息生成的无效操作,提高了车位信息的生成效率。另外,通过该车位信息生成方法可以生成车位中心点坐标和车位各个角的坐标,而不需要生成车位线和车位的辅助框。从而,可以提高对畸变的环视图像的处理能力。进而,提高车位信息生成的实用性。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的车位信息生成方法的一个应用场景示意图;
图2是根据本公开的车位信息生成方法的一些实施例的流程图;
图3是根据本公开的车位信息生成装置的一些实施例的结构示意图;
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的车位信息生成方法的一个应用场景的示意图。
如图1所示,计算设备101可以响应于接收到目标车辆的终端发送的车位信息生成指令,执行如下车位信息生成步骤102:首先,获取上述目标车辆周围的环视图像103。然后,从上述环视图像103中提取出特征图集合104,其中,上述特征图用于表征上述环视图像的特征信息。之后,基于上述特征图集合104和预先训练的分类检测模型105,生成分类检测结果106,其中,上述分类检测模型用于检测上述环视图像中是否存在预定数目个车位。最后,响应于上述分类检测结果106满足第一预设条件,基于上述特征图集合104,生成车位信息集合107。可选地,还可以响应于上述分类检测结果106不满足第一预设条件,则根据预设时间间隔,再次执行上述车位信息生成步骤102。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的车位信息生成方法的一些实施例的流程200。该车位信息生成方法,包括以下步骤:
步骤201,响应于接收到目标车辆的终端发送的车位信息生成指令,执行如下车位信息生成步骤:
步骤2011,获取目标车辆周围的环视图像。
在一些实施例中,车位信息生成方法的执行主体(如图1所示的计算设备101)可以通过有线连接方式或者无线连接方式从目标车辆的车载相机中获取目标车辆周围的环视图像。其中,上述环视图像可以是车载相机拍摄的目标车辆周围的图像。
作为示例,上述环视图像可以是目标车辆周围的车辆图像。
步骤2012,从环视图像中提取出特征图集合。
在一些实施例中,上述执行主体可以从上述环视图像中提取出特征图集合。其中,上述特征图用于表征上述环视图像的特征信息。
具体的,上述特征信息可以包括但不限于车辆位置信息,车位位置信息等。上述车辆位置信息可以包括但不限于车辆位置坐标、车辆中心点坐标等。上述车位位置信息可以包括但不限于车位位置坐标、车位中心点坐标等。上述从上述环视图像中提取出特征图集合可以是通过将环视图像输入至神经网络模型提取出特征图集合。
作为示例,上述特征图可以是车位位置信息的特征图。上述特征图集合可以包括但不限于车辆位置信息特征图,车位位置信息特征图,行人位置信息特征图等。上述神经网络模型可以是残差神经网络模型。
在一些实施例的一些可选的实现方式中,上述执行主体可以从上述环视图像中提取出特征图集合,可以包括以下步骤:
第一步,将上述环视图像输入至预先训练的特征提取模型,得到上述环视图像的特征信息集合。其中,上述特征提取模型用于提取环视图像中的任一物体的特征信息。
具体的,上述特征提取模型的训练可以包括但不限于:首先,获取训练图像集合和训练图像集的标注文件集合。然后,将训练图像集合和标注文件集合输入至搭建好的特征提取模型,得到特征信息集合。之后,通过比较特征信息集合和标注文件集合相似程度。最后,可以通过调节特征提取模型中的相关参数更新特征信息集合,使得特征信息集合和标注文件集合的相似性较高。完成特征提取模型的训练。上述训练图像集合可以是包含至少一张环视图像的图像集合。上述标注文件集合可以包括但不限于训练图像集合中每个训练图像的图像名、每个训练图像中的车位位置信息等。上述特征提取模型可以是残差网络模型。上述通过比较特征信息集合和标注文件集合相似程度可以是通过比较特征提取模型中损失函数的输出结果的大小。在实际情况中,输出结果越小,可以表明相似程度越高。上述特征提取模型中的相关参数可以包括但不限于:特征提取模型的学习率,特征提取模型的迭代次数,特征提取模型的权重等。上述特征提取模型的学习率可以是更新特征提取模型权重的幅度大小。上述特征提取模型的迭代次数可以是将训练图像集合输入至特征提取模型进行训练的次数。
作为示例,上述特征提取模型的学习率可以是0.00001。上述特征提取模型的迭代次数可以是100次。上述特征提取模型的权重可以是0.0001。上述预先训练的特征提取模型可以是将训练图像集合和标注文件集合输入至学习率为0.00001、迭代次数为100次、权重为0.0001的残差网络进行训练而得到的特征提取模型。
第二步,对上述特征信息集合进行可视化处理,生成上述特征图集合。
具体的,上述执行主体可以对上述特征信息集合进行可视化处理,生成上述特征图集合。其中,上述可视化处理可以是通过可视化技术将特征信息集合转化为图像。作为示例,上述可视化技术可以是CAM(Class Activation Mapping,类别激活映射图)技术。
步骤2013,基于特征图集合和预先训练的分类检测模型,生成分类检测结果。
在一些实施例中,上述执行主体可以基于上述特征图集合和预先训练的分类检测模型,生成分类检测结果。
具体的,上述分类检测模型的训练可以包括但不限于:首先,将特征图集合输入至搭建好的分类检测模型。之后,可以通过调节分类检测模型中的相关参数,使得分类检测模型中损失函数的输出结果的越来越小。直到损失函数的输出结果相对最小,完成分类检测模型的训练。上述分类检测模型可以是神经网络模型。上述分类检测模型中的相关参数可以包括但不限于:分类检测模型的学习率,分类检测模型的迭代次数,分类检测模型的权重等。上述分类检测模型的学习率可以是更新分类检测模型权重的幅度大小。上述分类检测模型的迭代次数可以是将特征图集合输入至分类检测模型进行训练的次数。上述分类检测结果可以是表示环视图像中是否含有车位。
作为示例,上述分类检测模型的学习率可以是0.00001。上述分类检测模型的迭代次数可以是100次。上述分类检测模型的权重可以是0.0001。上述预先训练的分类检测模型可以是将特征图集合输入至学习率为0.00001、迭代次数为100次、权重为0.0001的神经网络进行训练而得到的分类检测模型。上述分类检测结果可以是1,表示环视图像中包含一个车位。
在一些实施例的一些可选的实现方式中,上述分类检测模型可以包括池化层、卷积层、标准化层和全连接层;以及上述执行主体可以基于上述特征图集合和预先训练的分类检测模型,生成分类检测结果,可以包括以下步骤:
第一步,将上述特征图集合输入至上述池化层,得到池化后的特征图集合。
具体的,上述池化层可以是压缩特征图、减少特征图数据量、选择特征图中的特征和防止出现过拟合现象的过滤器。上述池化层可以是最大池化层。上述池化层可以包括池化窗口。上述池化窗口可以是2×2的矩阵。作为示例,上述池化层可以是池化窗口为2×2的矩阵的最大池化层。上述池化层的池化窗口步长可以是2。
第二步,将上述池化后的特征图集合输入至上述卷积层,得到卷积后的特征图集合。
具体的,上述卷积层可以是进行特征提取的过滤器。上述卷积层可以包括卷积窗口。上述卷积窗口可以是3×3的矩阵。作为示例,上述卷积层可以卷积窗口为3×3的矩阵的池化层。上述卷积层的卷积窗口步长可以是1。
第三步,将上述卷积后的特征图集合输入至上述标准化层,得到标准化后的特征图集合。
具体的,上述标准化层可以是对特征图进行归一化处理的网络结构。上述归一化处理可以是将输入至标准化层的数据转化为均值为0、方差为1的标准正态分布的处理。
第四步,对上述标准化后的特征图集合进行非线性处理,得到第一处理结果集合。
具体的,上述非线性处理可以是通过激活函数,获取特征图的各个特征的处理。作为示例,上述激活函数可以是线性整流函数。
第五步,对上述第一处理结果集合进行矩阵变换处理,得到第二处理结果集合。
具体的,上述矩阵变换处理可以是将第一处理结果集合转化为张量集合的处理。
第六步,将上述第二处理结果集合输入至上述全连接层,得到上述分类检测结果。
具体的,上述全连接层可以是整合卷积层或者池化层中具有类别区分性的局部信息,以及进行分类的网络结构。上述全连接层可以包含激活函数、损失函数等等。作为示例,上述激活函数可以是Sigmoid(Sigmoid function,S型生长曲线)函数。
可选地,上述执行主体可以将上述第二处理结果集合输入至上述全连接层,得到上述分类检测结果,可以包括以下步骤:
第一步,将上述第二处理结果集合输入至以下公式,得到损失值:
其中,p表示上述损失值。α表示预设权值。y表示预先标注的数据集合。x表示上述第二处理结果集合。n表示序号。yn表示预先标注的数据集合中第n个数据。xn表示上述第二处理结果集合中的第n个第二处理结果。k表示预设分类总数。n表示序号。表示求和。
作为示例,上述预设权值可以是1。上述预先标注的数据集合可以是[1,0,1]。上述第二处理结果集合可以是[0.7,0.3,0.8]。上述预设分类总数可以是3。上述损失值可以是0.407(计算过程如下式):
0.407={-11-1×[1×log0.7+(1-1)×log(1-0.7)]}
+{-11-2×[0×log0.3+(1-0)×log(1-0.3)]}
+{-11-3×[1×log0.8+(1-1)×log(1-0.8)]}。
第二步,响应于上述损失值满足第二预设条件,将上述全连接层的输出结果确定为上述分类检测结果。
具体的,上述第二预设条件可以是损失值在0.5至1.5之间。上述分类检测结果可以是0,1,2等等。上述分类检测结果为0可以是环视图像中不存在车位。上述分类检测结果为1可以是环视图像中存在1个车位。上述分类检测结果为2可以是环视图像中存在2个车位。
作为示例,上述损失值可以是0.6。上述分类检测结果可以是2。
上述公式及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“由于需要大量的计算资源,而且车辆本身的计算资源有限,可能无法满足车位信息生成的需要,从而,导致对车位信息生成的效率降低”。造成车位信息生成的准确度和效率降低的因素往往如下:现有的车位信息生成往往通过直接对编码成功的环视图像进行解码操作,如果环视图像中不存在车位,解码操作就变的多余,不仅浪费了计算资源,而且车位信息生成的效率降低。如果解决了上述因素,在对环视图像进行解码操作之前,能够确定环视图像中是否存在车位,如果不存在车位就不进行解码操作,就可以减少计算资源的浪费,提高车位信息生成的效率。为了达到这一效果,本公开引入了与车位信息生成相关的公式。首先,通过对特征图集合进行池化操作,提取出特征图中重要的特征,得到池化后的特征图集合。然后,进一步对池化后的特征图集合进行卷积操作,能够提取到更深的特征,得到卷积后的特征图集合。之后,对卷积后的特征图集合进行归一化处理,防止产生过拟合现象。其次,通过引入激活函数增加模型地非线性。接着,将非线性处理后的特征图集合进行矩阵变换处理,转变为张量集合。最后,将张量集合输入至全连接层,通过全连接层中的损失函数,确定环视图像中是否存在车位。从而,可以避免对不存在车位的环视图像进行车位信息生成操作,进而,减少了计算资源的浪费,提高了车位信息生成的效率。
步骤2014,响应于分类检测结果满足第一预设条件,基于特征图集合,生成车位信息集合。
在一些实施例中,上述执行主体可以响应于上述分类检测结果满足第一预设条件,基于上述特征图集合,生成车位信息集合。
具体的,上述第一预设条件可以是分类检测结果大于等于1。上述车位信息可以包括但不限于车位中心点位置坐标、车位左上角的位置坐标、车位右上角的位置坐标、车位左下角的位置坐标、车位右下角的位置坐标等。
作为示例,上述车位信息集合可以是{[(3,3),(2,1),(4,1),(2,5),(4,5)],[(5,5),(4,3),(6,3),(4,7),(6,7)]}。
在一些实施例的一些可选的实现方式中,上述执行主体可以基于上述特征图集合,生成车位信息集合,可以包括以下步骤:
第一步,将上述特征图集合输入至预先训练的车位信息检测模型,得到车位信息检测结果集合。其中,上述车位信息检测模型用于检测特征图中的车位信息。
具体的,上述车位信息检测模型的训练可以是:首先,将特征图集合输入至搭建好的车位信息检测模型。之后,不断地调节车位信息检测模型中的相关参数,使得车位信息检测模型中损失函数的输出结果的越来越小。直到损失函数的输出结果相对最小,完成车位信息检测模型的训练。上述车位信息检测模型可以是残差网络模型。上述车位信息检测模型中的相关参数可以包括但不限于:车位信息检测模型的学习率、车位信息检测模型的迭代次数、车位信息检测模型的权重等等。上述车位信息检测模型的学习率可以是更新车位信息检测模型权重的幅度大小。上述车位信息检测模型的迭代次数可以是将特征图集合输入至车位信息检测模型进行训练的次数。上述车位信息检测结果可以是检测到的车位位置坐标。上述车位位置坐标可以包括但不限于车位中心点坐标、车位左上角坐标、车位右上角坐标等等。
作为示例,上述车位信息检测模型的学习率可以是0.00001。上述车位信息检测模型的迭代次数可以是100次。上述车位信息检测模型的权重可以是0.0001。上述预先训练的车位信息检测模型可以是将特征图集合输入至学习率为0.00001、迭代次数为100次、权重为0.0001的残差网络进行训练而得到的车位信息检测模型。上述车位信息检测结果集合可以是[(3,3),(5,5),(4,3),(2,1),(4,1),(2,5),(4,5),(6,3),(4,7),(6,7)]。
第二步,基于上述车位信息检测结果集合,生成上述车位信息集合。
具体的,上述执行主体可以对上述车位信息检测结果集合中的车位信息检测结果进行数据组合,以生成上述车位信息,得到车位信息集合。其中,上述数据组合可以是将同一个车位的车位位置坐标组合在一起。
作为示例,上述车位信息检测结果集合可以是[(3,3),(5,5),(4,3),(2,1),(4,1),(2,5),(4,5),(6,3),(4,7),(6,7)]。上述车位信息集合可以是{[(3,3),(2,1),(4,1),(2,5),(4,5)],[(5,5),(4,3),(6,3),(4,7),(6,7)]}。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的车位信息生成方法不需要对环视图像进行多方面的预处理,而且,对畸变的环视图像的处理能力较强,从而,可以对不同类型的车载相机获得的环视图像进行车位信息的生成,进而,提高了车位信息生成的效率和实用性。具体来说,造成车位信息生成效率较低和存在局限性的原因在于:目前与车位信息生成相关的方法通常是车载环视相机获取多张环视图像,以及将多张环视图像拼接成全景俯视图,再根据全景俯视图生成车位线和车位辅助框(例如,矩形框),造成了车位信息生成的效率较低和存在局限性。基于此,本公开的一些实施例提出了车位信息生成方法,首先,响应于接收到目标车辆的终端发送的车位信息检测指令,执行如下车位信息生成步骤:然后,获取上述目标车辆周围的环视图像。由此可以通过车载相机获取目标车辆周围的环视图像为车位信息的生成提供了数据支撑。之后,从上述环视图像中提取出特征图集合,其中,上述特征图用于表征上述环视图像的特征信息。由此可以不需要对环视图像进行预处理,直接得到特征图集合,为进行分类检测提供了数据支撑。接着,基于上述特征图集合和预先训练的分类检测模型,生成分类检测结果,其中,上述分类检测模型用于检测上述环视图像中是否存在预定数目个车位。由此可以通过得到的分类检测结果可以分析环视图像中是否含有车位,影响着是否需要进行车位信息生成。最后,响应于上述分类检测结果满足第一预设条件,基于上述特征图集合,生成车位信息集合。由此可以通过第一预设条件,确定进行车位信息生成,通过特征图集合,生成车位信息集合。可选地,响应于上述分类检测结果不满足第一预设条件,则根据预设时间间隔,再次执行上述车位信息生成步骤。由于可以不需要对环视图像进行多方面的预处理。而且可以通过分类检测模型对环视图像中是否存在车位进行检测,避免了对不存在车位的环视图像进行车位信息生成的无效操作,提高了车位信息的生成效率。另外,通过该车位信息生成方法可以生成车位中心点坐标和车位各个角的坐标,而不需要生成车位线和车位的辅助框,可以提高对畸变的环视图像的处理能力。进而,提高车位信息生成的实用性。
进一步参考图3,作为对上述各图上述方法的实现,本公开提供了一种车位信息生成装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,一些实施例的车位信息生成装置300包括:接收以及生成单元301。其中,接收以及生成单元301,被配置成被配置成响应于接收到目标车辆的终端发送的车位信息生成指令,执行如下车位信息生成步骤:获取上述目标车辆周围的环视图像;从上述环视图像中提取出特征图集合,其中,上述特征图用于表征上述环视图像的特征信息;基于上述特征图集合和预先训练的分类检测模型,生成分类检测结果,其中,上述分类检测模型用于检测上述环视图像中是否存在预定数目个车位;响应于上述分类检测结果满足第一预设条件,基于上述特征图集合,生成车位信息集合。
可以理解的是,该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元,在此不再赘述。
下面参考图4,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)400的结构示意图。图4示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体地例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:响应于接收到目标车辆的终端发送的车位信息检测指令,执行如下车位信息生成步骤:获取上述目标车辆周围的环视图像;从上述环视图像中提取出特征图集合,其中,上述特征图用于表征上述环视图像的特征信息;基于上述特征图集合和预先训练的分类检测模型,生成分类检测结果,其中,上述分类检测模型用于检测上述环视图像中是否存在预定数目个车位;响应于上述分类检测结果满足第一预设条件,基于上述特征图集合,生成车位信息集合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括接收以及生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,接收以及生成单元还可以被描述为“响应于接收到目标车辆的终端发送的车位信息生成指令,执行如下车位信息生成步骤的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方法。
Claims (8)
1.一种车位信息生成方法,包括:
响应于接收到目标车辆的终端发送的车位信息生成指令,执行如下车位信息生成步骤:
获取所述目标车辆周围的环视图像;
从所述环视图像中提取出特征图集合,其中,特征图用于表征所述环视图像的特征信息;
基于所述特征图集合和预先训练的分类检测模型,生成分类检测结果,其中,所述分类检测模型用于检测所述环视图像中是否存在预定数目个车位;
响应于所述分类检测结果满足第一预设条件,基于所述特征图集合,生成车位信息集合,其中,所述第一预设条件是分类检测结果大于等于1;
其中,所述分类检测模型包括池化层、卷积层、标准化层和全连接层;以及
基于所述特征图集合和预先训练的分类检测模型,生成分类检测结果,包括:
将所述特征图集合输入至所述池化层,得到池化后的特征图集合;将所述池化后的特征图集合输入至所述卷积层,得到卷积后的特征图集合;
将所述卷积后的特征图集合输入至所述标准化层,得到标准化后的特征图集合;
对所述标准化后的特征图集合进行非线性处理,得到第一处理结果集合;
对所述第一处理结果集合进行矩阵变换处理,得到第二处理结果集合;
将所述第二处理结果集合输入至所述全连接层,得到所述分类检测结果。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于所述分类检测结果不满足第一预设条件,则根据预设时间间隔,再次执行所述车位信息生成步骤。
3.根据权利要求2所述的方法,其中,所述从所述环视图像中提取出特征图集合,包括:
将所述环视图像输入至预先训练的特征提取模型,得到所述环视图像的特征信息集合,其中,所述特征提取模型用于提取环视图像中的任一物体的特征信息;
对所述特征信息集合进行可视化处理,以生成所述特征图集合。
4.根据权利要求3所述的方法,其中,所述将所述第二处理结果集合输入至所述全连接层,得到所述分类检测结果,包括:
将所述第二处理结果集合输入至以下公式,得到损失值:
其中,p表示所述损失值,α表示预设权值,n表示序号,yn表示预先标注的数据集合中第n个数据,xn表示所述第二处理结果集合中的第n个第二处理结果,k表示预设分类总数,n表示序号,表示求和;
响应于所述损失值满足第二预设条件,将所述全连接层的输出结果确定为所述分类检测结果。
5.根据权利要求4所述的方法,其中,所述基于所述特征图集合,生成车位信息集合,包括:
将所述特征图集合输入至预先训练的车位信息检测模型,得到车位信息检测结果集合,其中,所述车位信息检测模型用于检测特征图中的车位信息;
基于所述车位信息检测结果集合,生成所述车位信息集合。
6.一种车位信息生成装置,包括:
接收以及生成单元,被配置成响应于接收到目标车辆的终端发送的车位信息生成指令,执行如下车位信息生成步骤:
获取所述目标车辆周围的环视图像;
从所述环视图像中提取出特征图集合,其中,特征图用于表征所述环视图像的特征信息;
基于所述特征图集合和预先训练的分类检测模型,生成分类检测结果,其中,所述分类检测模型用于检测所述环视图像中是否存在预定数目个车位;
响应于所述分类检测结果满足第一预设条件,基于所述特征图集合,生成车位信息集合,其中,所述第一预设条件是分类检测结果大于等于1;
其中,所述分类检测模型包括池化层、卷积层、标准化层和全连接层;以及基于所述特征图集合和预先训练的分类检测模型,生成分类检测结果,包括:将所述特征图集合输入至所述池化层,得到池化后的特征图集合;将所述池化后的特征图集合输入至所述卷积层,得到卷积后的特征图集合;将所述卷积后的特征图集合输入至所述标准化层,得到标准化后的特征图集合;对所述标准化后的特征图集合进行非线性处理,得到第一处理结果集合;对所述第一处理结果集合进行矩阵变换处理,得到第二处理结果集合;将所述第二处理结果集合输入至所述全连接层,得到所述分类检测结果。
7.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011603015.9A CN112668588B (zh) | 2020-12-29 | 2020-12-29 | 车位信息生成方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011603015.9A CN112668588B (zh) | 2020-12-29 | 2020-12-29 | 车位信息生成方法、装置、设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668588A CN112668588A (zh) | 2021-04-16 |
CN112668588B true CN112668588B (zh) | 2023-09-12 |
Family
ID=75410628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011603015.9A Active CN112668588B (zh) | 2020-12-29 | 2020-12-29 | 车位信息生成方法、装置、设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668588B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409194B (zh) * | 2021-06-30 | 2024-03-22 | 上海汽车集团股份有限公司 | 泊车信息获取方法及装置、泊车方法及装置 |
CN114613193A (zh) * | 2022-03-22 | 2022-06-10 | 重庆长安汽车股份有限公司 | 基于算力共享的停车位获取方法、存储介质、系统及车辆 |
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 |
CN115546767B (zh) * | 2022-11-30 | 2023-04-07 | 广汽埃安新能源汽车股份有限公司 | 数据发送方法、装置、设备和计算机可读介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108154472A (zh) * | 2017-11-30 | 2018-06-12 | 惠州市德赛西威汽车电子股份有限公司 | 融合导航信息的泊车位视觉检测方法与系统 |
CN108875911A (zh) * | 2018-05-25 | 2018-11-23 | 同济大学 | 一种泊车位检测方法 |
KR20200028098A (ko) * | 2018-09-06 | 2020-03-16 | 동의대학교 산학협력단 | 차종과 주차구역 정보에 기반한 차량 자율주차 시스템 및 차량 자율주차 방법 |
CN111160172A (zh) * | 2019-12-19 | 2020-05-15 | 深圳佑驾创新科技有限公司 | 泊车位检测方法、装置、计算机设备和存储介质 |
CN111723659A (zh) * | 2020-05-14 | 2020-09-29 | 上海欧菲智能车联科技有限公司 | 泊车位确定方法、装置、计算机设备和存储介质 |
CN111814773A (zh) * | 2020-09-07 | 2020-10-23 | 广州汽车集团股份有限公司 | 一种划线车位识别方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10043307B2 (en) * | 2015-04-17 | 2018-08-07 | General Electric Company | Monitoring parking rule violations |
KR101850795B1 (ko) * | 2015-11-09 | 2018-04-20 | 엘지전자 주식회사 | 주차 수행 장치 및 차량 |
-
2020
- 2020-12-29 CN CN202011603015.9A patent/CN112668588B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108154472A (zh) * | 2017-11-30 | 2018-06-12 | 惠州市德赛西威汽车电子股份有限公司 | 融合导航信息的泊车位视觉检测方法与系统 |
CN108875911A (zh) * | 2018-05-25 | 2018-11-23 | 同济大学 | 一种泊车位检测方法 |
KR20200028098A (ko) * | 2018-09-06 | 2020-03-16 | 동의대학교 산학협력단 | 차종과 주차구역 정보에 기반한 차량 자율주차 시스템 및 차량 자율주차 방법 |
CN111160172A (zh) * | 2019-12-19 | 2020-05-15 | 深圳佑驾创新科技有限公司 | 泊车位检测方法、装置、计算机设备和存储介质 |
CN111723659A (zh) * | 2020-05-14 | 2020-09-29 | 上海欧菲智能车联科技有限公司 | 泊车位确定方法、装置、计算机设备和存储介质 |
CN111814773A (zh) * | 2020-09-07 | 2020-10-23 | 广州汽车集团股份有限公司 | 一种划线车位识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
房翔.基于车载环视系统的车位识别算法研究.《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》.2020,(第7期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112668588A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668588B (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
CN108710885B (zh) | 目标对象的检测方法和装置 | |
WO2022105125A1 (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
EP3637310A1 (en) | Method and apparatus for generating vehicle damage information | |
CN111915480B (zh) | 生成特征提取网络的方法、装置、设备和计算机可读介质 | |
CN111310770B (zh) | 目标检测方法和装置 | |
CN111967467A (zh) | 图像目标检测方法、装置、电子设备和计算机可读介质 | |
CN112766284B (zh) | 图像识别方法和装置、存储介质和电子设备 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
WO2022012178A1 (zh) | 用于生成目标函数的方法、装置、电子设备和计算机可读介质 | |
CN108257081B (zh) | 用于生成图片的方法和装置 | |
CN111312224B (zh) | 语音分割模型的训练方法、装置和电子设备 | |
CN111310595B (zh) | 用于生成信息的方法和装置 | |
CN115100536B (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
CN113688928B (zh) | 图像匹配方法、装置、电子设备和计算机可读介质 | |
CN114170233B (zh) | 图像分割标签的生成方法、装置、电子设备及存储介质 | |
CN115375657A (zh) | 息肉检测模型的训练方法、检测方法、装置、介质及设备 | |
CN114429602A (zh) | 语义分割方法、装置、电子设备及存储介质 | |
CN116704593A (zh) | 预测模型训练方法、装置、电子设备和计算机可读介质 | |
CN114120423A (zh) | 人脸图像检测方法、装置、电子设备和计算机可读介质 | |
CN112215853A (zh) | 图像分割方法、装置、电子设备和计算机可读介质 | |
CN115345931B (zh) | 物体姿态关键点信息生成方法、装置、电子设备和介质 | |
CN111814807B (zh) | 用于处理图像的方法、装置、电子设备和计算机可读介质 | |
CN114863025B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN111598037B (zh) | 人体姿态预测值的获取方法、装置,服务器及存储介质 |
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 |