CN112749577A - 一种停车位的检测方法及装置 - Google Patents
一种停车位的检测方法及装置 Download PDFInfo
- Publication number
- CN112749577A CN112749577A CN201911036000.6A CN201911036000A CN112749577A CN 112749577 A CN112749577 A CN 112749577A CN 201911036000 A CN201911036000 A CN 201911036000A CN 112749577 A CN112749577 A CN 112749577A
- Authority
- CN
- China
- Prior art keywords
- parking space
- point
- suspected
- corner
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 234
- 239000013598 vector Substances 0.000 claims abstract description 144
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000002372 labelling Methods 0.000 claims description 74
- 238000013519 translation Methods 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 12
- 230000001788 irregular Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开一种停车位的检测方法及装置，该方法包括：获得图像采集设备采集的待检测道路图像；利用预先训练的特征点检测模型，从待检测道路图像中，确定出疑似停车位角点和疑似停车位中心点，并确定出待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量；针对每一疑似停车位中心点，基于该疑似停车位中心点以及角点引力场向量，从疑似停车位角点中，确定出与该疑似停车位中心点对应的疑似停车位角点；利用每一疑似停车位中心点对应的疑似停车位角点，从待检测道路图像中，确定出所存在的停车位所在区域，以实现对停车位的检出率的提高，降低漏检概率。
Description
技术领域
本发明涉及智能交通技术领域，具体而言，涉及一种停车位的检测方法及装置。
背景技术
停车位的检测是自动泊车场景和半自动泊车场景中的一项关键任务。停车位的检测在自动寻找可泊车位，泊车过程中为路径规划动态提供指导以及自动构建停车场高精度地图等领域中具有重要作用。
相关技术中，停车位的检测过程一般为：获得道路图像，检测道路图像中的边缘线、角点和/或线段等的低层信息，基于所检测的低层信息以及预先设计的形状规则，确定得到道路图像中的停车位。在上述过程中，由于道路图像中的低层信息噪声多，且预先设计的形状规则无法适配广泛场景，对所识别的停车位的形状限制性较高，易造成误检和/或漏检的情况。
发明内容
本发明提供了一种停车位的检测方法及装置，以实现对停车位的检出率的提高，降低漏检概率。具体的技术方案如下：
第一方面，本发明实施例提供了一种停车位的检测方法，包括：
获得图像采集设备采集的待检测道路图像；
利用预先训练的特征点检测模型，对所述待检测道路图像进行检测，从所述待检测道路图像中，确定出疑似停车位角点和疑似停车位中心点，并确定出所述待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量，其中，所述预先训练的特征点检测模型为：用于检测图像中存在的疑似停车位角点和疑似停车位中心点以及图像中各点与其匹配的匹配停车位角点之间的角点引力场向量的模型，所述角点引力场向量为：所述预先训练的特征点检测模型所确定出的所对应点平移至该点匹配的匹配停车位角点所需的向量；
针对每一疑似停车位中心点，基于该疑似停车位中心点以及所述角点引力场向量，从所述疑似停车位角点中，确定出与该疑似停车位中心点对应的疑似停车位角点；
利用每一疑似停车位中心点对应的疑似停车位角点，从所述待检测道路图像中，确定出所存在的停车位所在区域。
可选的，所述待检测道路图像中各点与其匹配的匹配停车位角点为：基于预设的围绕疑似停车位中心点均匀分配的原则，为所述待检测道路图像中各点所分配的点。
可选的，所述利用预先训练的特征点检测模型，对所述待检测道路图像进行检测，从所述待检测道路图像中，确定出疑似停车位角点和疑似停车位中心点，并确定出所述待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量的步骤，包括：
利用预先训练的特征点检测模型，对所述待检测道路图像进行检测，判断所述待检测道路图像是否包含疑似停车位角点和疑似停车位中心点；
若判断所述待检测道路图像包含疑似停车位角点和疑似停车位中心点，利用所述预先训练的特征点检测模型，从所述待检测道路图像中，确定出其中所包含的所述疑似停车位角点和所述疑似停车位中心点，并确定出所述待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量。
可选的，所述针对每一疑似停车位中心点，基于该疑似停车位中心点以及所述角点引力场向量，从所述疑似停车位角点中，确定出与该疑似停车位中心点对应的疑似停车位角点的步骤，包括：
针对每一疑似停车位中心点，基于预设邻域尺寸以及该疑似停车位中心点在所述待检测道路图像中的检测位置信息，从所述待检测道路图像中，确定出该疑似停车位中心点对应的中心点邻域区域；
针对每一疑似停车位中心点对应的中心点邻域区域中的每一点，基于该点的检测位置信息以及该点对应的角点引力场向量，确定该点平移后在所述待检测道路图像对应的点，作为第一平移点；
针对每一疑似停车位中心点对应的中心点邻域区域中的每一点对应的第一平移点，基于该第一平移点的检测位置信息以及该第一平移点对应的角点引力场向量，确定该第一平移点平移后在所述待检测道路图像对应的点，作为第二平移点；
从所述疑似停车位角点中，确定出检测位置信息与该第二平移点的检测位置信息满足预设筛选条件的疑似停车位角点，作为与该第二平移点所对应疑似停车位中心点对应的疑似停车位角点，其中，所述预设筛选条件为：距离最近，或距离最近且距离不超过预设距离阈值。
可选的，所述利用每一疑似停车位中心点对应的疑似停车位角点，从所述待检测道路图像中，确定出所存在的停车位所在区域的步骤，包括：
在确定疑似停车位中心点中存在对应的疑似停车位角点的数量不低于预设数值的目标疑似停车位中心点之后，针对每一目标疑似停车位中心点，以该目标疑似停车位中心点为中心，依次连接该目标疑似停车位中心点对应的疑似停车位角点；
将所述待检测道路图像中，该目标疑似停车位中心点对应的疑似停车位角点连接后所包围的区域，确定为停车位所在区域。
可选的，在所述利用预先训练的特征点检测模型，对所述待检测道路图像进行检测，从所述待检测道路图像中，确定出疑似停车位角点和疑似停车位中心点，并确定出所述待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量的步骤之前，所述方法还包括：
训练得到所述预先训练的特征点检测模型的过程，其中，所述过程包括：
获得样本图像，其中，所述样本图像包括停车位；
获得每一样本图像对应的标注信息，其中，所述标注信息包括：所对应样本图像中停车位的停车位角点的标注位置信息、停车位的停车位中心点的标注位置信息以及该样本图像中停车位各点与其匹配的停车位角点之间的标注角点引力场向量，所述停车位各点包括：所属停车位所在区域中的包括停车位中心点和停车位角点在内的点：
利用所述样本图像以及每一样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息、停车位中心点的标注位置信息及所述标注角点引力场向量，训练初始的特征点检测模型，得到所述预先训练的特征点检测模型。
可选的，所述获得每一样本图像对应的标注信息的步骤，包括：
获得每一样本图像包含的停车位的停车位角点的标注位置信息；
针对每一样本图像包含的每一停车位，基于该停车位的停车位角点的标注位置信息，生成该停车位的停车位中心点的标注位置信息；
针对每一样本图像包含的每一停车位，基于该停车位的停车位角点的标注位置信息，从该样本图像中确定出该停车位所在区域；
针对每一样本图像包含的每一停车位，基于该停车位的停车位中心点的标注位置信息、该停车位的停车位角点的标注位置信息以及该停车位所在区域中停车位其他点在该样本图像中的位置信息，生成该停车位对应的停车位中心点、停车位角点以及该停车位所在区域中停车位其他点对应的标注角点引力场向量，所述停车位其他点为：所属停车位所在区域中除停车位中心点和停车位角点外的点。
可选的，所述利用所述样本图像以及每一样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息、停车位中心点的标注位置信息及所述标注角点引力场向量，训练初始的特征点检测模型，得到所述预先训练的特征点检测模型的步骤，包括：
针对每一样本图像，将该样本图像输入所述初始的特征点检测模型的特征提取层，获得该样本图像对应的图像特征；
针对每一样本图像，将该样本图像对应的图像特征输入所述初始的特征点检测模型的特征回归层的停车位角点回归子层，获得该样本图像中的停车位角点的第一位置信息；并将该样本图像对应的图像特征输入所述特征回归层的停车位中心点回归子层，获得该样本图像中的停车位中心点的第二位置信息；
针对每一样本图像，基于该样本图像中的停车位角点的第一位置信息和该样本图像中的停车位中心点的第二位置信息，确定该样本图像中停车位各点与其匹配的停车位角点之间的检测角点引力场向量；
针对每一样本图像，基于该样本图像中的停车位角点的第一位置信息、停车位中心点的第二位置信息和该样本图像中停车位各点与其匹配的停车位角点之间的检测角点引力场向量，以及该样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息、停车位中心点的标注位置信息及所述标注角点引力场向量，调整所述初始的特征点检测模型的特征提取层、特征回归层的停车位角点回归子层以及停车位中心点回归子层的参数，得到所述预先训练的特征点检测模型。
可选的，所述待检测道路图像为鱼眼图像类的道路图像和/或拼接图像类的道路图像；若所述待检测道路图像为鱼眼图像类的道路图像，相应的，所述预先训练的特征点检测模型为：基于鱼眼图像类的样本图像及其标注信息训练所得的模型；若所述待检测道路图像为拼接图像类的道路图像，相应的，所述预先训练的特征点检测模型为：基于拼接图像类的样本图像及其标注信息训练所得的模型。
第二方面，本发明实施例提供了一种停车位的检测装置，包括：
第一获得模块，被配置为获得图像采集设备采集的待检测道路图像；
检测确定模块，被配置为利用预先训练的特征点检测模型，对所述待检测道路图像进行检测，从所述待检测道路图像中，确定出疑似停车位角点和疑似停车位中心点，并确定出所述待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量，其中，所述预先训练的特征点检测模型为：用于检测图像中存在的疑似停车位角点和疑似停车位中心点以及图像中各点与其匹配的匹配停车位角点之间的角点引力场向量的模型，所述角点引力场向量为：所述预先训练的特征点检测模型所确定出的所对应点平移至该点匹配的匹配停车位角点所需的向量；
第一确定模块，被配置为针对每一疑似停车位中心点，基于该疑似停车位中心点以及所述角点引力场向量，从所述疑似停车位角点中，确定出与该疑似停车位中心点对应的疑似停车位角点；
第二确定模块，被配置为利用每一疑似停车位中心点对应的疑似停车位角点，从所述待检测道路图像中，确定出所存在的停车位所在区域。
可选的，所述待检测道路图像中各点与其匹配的匹配停车位角点为：基于预设的围绕疑似停车位中心点均匀分配的原则，为所述待检测道路图像中各点所分配的点。
可选的，所述检测确定模块，被具体配置为利用预先训练的特征点检测模型，对所述待检测道路图像进行检测，判断所述待检测道路图像是否包含疑似停车位角点和疑似停车位中心点；
若判断所述待检测道路图像包含疑似停车位角点和疑似停车位中心点，利用所述预先训练的特征点检测模型，从所述待检测道路图像中，确定出其中所包含的所述疑似停车位角点和所述疑似停车位中心点，并确定出所述待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量。
可选的，所述第一确定模块，被具体配置为针对每一疑似停车位中心点，基于预设邻域尺寸以及该疑似停车位中心点在所述待检测道路图像中的检测位置信息，从所述待检测道路图像中，确定出该疑似停车位中心点对应的中心点邻域区域；
针对每一疑似停车位中心点对应的中心点邻域区域中的每一点，基于该点的检测位置信息以及该点对应的角点引力场向量，确定该点平移后在所述待检测道路图像对应的点，作为第一平移点；
针对每一疑似停车位中心点对应的中心点邻域区域中的每一点对应的第一平移点，基于该第一平移点的检测位置信息以及该第一平移点对应的角点引力场向量，确定该第一平移点平移后在所述待检测道路图像对应的点，作为第二平移点；
从所述疑似停车位角点中，确定出检测位置信息与该第二平移点的检测位置信息满足预设筛选条件的疑似停车位角点，作为与该第二平移点所对应疑似停车位中心点对应的疑似停车位角点，其中，所述预设筛选条件为：距离最近，或距离最近且距离不超过预设距离阈值。
可选的，所述第二确定模块，被具体配置为在确定疑似停车位中心点中存在对应的疑似停车位角点的数量不低于预设数值的目标疑似停车位中心点之后，针对每一目标疑似停车位中心点，以该目标疑似停车位中心点为中心，依次连接该目标疑似停车位中心点对应的疑似停车位角点；
将所述待检测道路图像中，该目标疑似停车位中心点对应的疑似停车位角点连接后所包围的区域，确定为停车位所在区域。
可选的，所述装置还包括：
训练模块，被配置为在所述利用预先训练的特征点检测模型，对所述待检测道路图像进行检测，从所述待检测道路图像中，确定出疑似停车位角点和疑似停车位中心点，并确定出所述待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量之前，训练得到所述预先训练的特征点检测模型，其中，所述训练模块包括：
第一获得单元，被配置为获得样本图像，其中，所述样本图像包括停车位；
第二获得单元，被配置为获得每一样本图像对应的标注信息，其中，所述标注信息包括：所对应样本图像中停车位的停车位角点的标注位置信息、停车位的停车位中心点的标注位置信息以及该样本图像中停车位各点与其匹配的停车位角点之间的标注角点引力场向量，所述停车位各点包括：所属停车位所在区域中的包括停车位中心点和停车位角点在内的点：
训练单元，被配置为利用所述样本图像以及每一样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息、停车位中心点的标注位置信息及所述标注角点引力场向量，训练初始的特征点检测模型，得到所述预先训练的特征点检测模型。
可选的，所述第二获得单元，被具体配置为获得每一样本图像包含的停车位的停车位角点的标注位置信息；
针对每一样本图像包含的每一停车位，基于该停车位的停车位角点的标注位置信息，生成该停车位的停车位中心点的标注位置信息；
针对每一样本图像包含的每一停车位，基于该停车位的停车位角点的标注位置信息，从该样本图像中确定出该停车位所在区域；
针对每一样本图像包含的每一停车位，基于该停车位的停车位中心点的标注位置信息、该停车位的停车位角点的标注位置信息以及该停车位所在区域中停车位其他点在该样本图像中的位置信息，生成该停车位对应的停车位中心点、停车位角点以及该停车位所在区域中停车位其他点对应的标注角点引力场向量，所述停车位其他点为：所属停车位所在区域中除停车位中心点和停车位角点外的点。
可选的，所述训练单元，被具体配置为针对每一样本图像，将该样本图像输入所述初始的特征点检测模型的特征提取层，获得该样本图像对应的图像特征；
针对每一样本图像，将该样本图像对应的图像特征输入所述初始的特征点检测模型的特征回归层的停车位角点回归子层，获得该样本图像中的停车位角点的第一位置信息；并将该样本图像对应的图像特征输入所述特征回归层的停车位中心点回归子层，获得该样本图像中的停车位中心点的第二位置信息；
针对每一样本图像，基于该样本图像中的停车位角点的第一位置信息和该样本图像中的停车位中心点的第二位置信息，确定该样本图像中停车位各点与其匹配的停车位角点之间的检测角点引力场向量；
针对每一样本图像，基于该样本图像中的停车位角点的第一位置信息、停车位中心点的第二位置信息和该样本图像中停车位各点与其匹配的停车位角点之间的检测角点引力场向量，以及该样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息、停车位中心点的标注位置信息及所述标注角点引力场向量，调整所述初始的特征点检测模型的特征提取层、特征回归层的停车位角点回归子层以及停车位中心点回归子层的参数，得到所述预先训练的特征点检测模型。
可选的，所述待检测道路图像为鱼眼图像类的道路图像和/或拼接图像类的道路图像；若所述待检测道路图像为鱼眼图像类的道路图像，相应的，所述预先训练的特征点检测模型为：基于鱼眼图像类的样本图像及其标注信息训练所得的模型；若所述待检测道路图像为拼接图像类的道路图像，相应的，所述预先训练的特征点检测模型为：基于拼接图像类的样本图像及其标注信息训练所得的模型。
由上述内容可知，本发明实施例提供的一种停车位的检测方法及装置，可以获得图像采集设备采集的待检测道路图像；利用预先训练的特征点检测模型，对待检测道路图像进行检测，从待检测道路图像中，确定出疑似停车位角点和疑似停车位中心点，并确定出待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量，其中，预先训练的特征点检测模型为：用于检测图像中存在的疑似停车位角点和疑似停车位中心点以及图像中各点与其匹配的匹配停车位角点之间的角点引力场向量的模型，角点引力场向量为：预先训练的特征点检测模型所确定出的所对应点平移至该点匹配的匹配停车位角点所需的向量；针对每一疑似停车位中心点，基于该疑似停车位中心点以及角点引力场向量，从疑似停车位角点中，确定出与该疑似停车位中心点对应的疑似停车位角点；利用每一疑似停车位中心点对应的疑似停车位角点，从待检测道路图像中，确定出所存在的停车位所在区域。
应用本发明实施例，可以基于预先训练的特征点检测模型，从待检测道路图像中确定出疑似停车位角点、疑似停车位中心点以及待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量，其中，该角点引力场向量可以表征图像中各点与其匹配的匹配停车位角点之间的关联关系，即可以表征出图像中疑似停车位中心点与其匹配的匹配停车位角点之间的关联关系，基于该角点引力场向量以及各疑似停车位中心点，从疑似停车位角点中，确定出与该疑似停车位中心点对应的疑似停车位角点，即确定出存在关联关系的真正的疑似停车位角点，进而，利用每一疑似停车位中心点对应的疑似停车位角点，从待检测道路图像中，确定出所存在的停车位所在区域，实现对包括数量不定且位置不规则的角点的停车位所在区域的确定；本发明实施例可以实现对任一形状的停车位所在区域的检测，例如对垂直式停车位、平行式停车位和斜侧式停车位等的检测。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
本发明实施例的创新点包括：
1、可以基于预先训练的特征点检测模型，从待检测道路图像中确定出疑似停车位角点、疑似停车位中心点以及待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量，其中，该角点引力场向量可以表征图像中各点与其匹配的匹配停车位角点之间的关联关系，即可以表征出图像中疑似停车位中心点与其匹配的匹配停车位角点之间的关联关系，基于该角点引力场向量以及各疑似停车位中心点，从疑似停车位角点中，确定出与该疑似停车位中心点对应的疑似停车位角点，即确定出存在关联关系的真正的疑似停车位角点，进而，利用每一疑似停车位中心点对应的疑似停车位角点，从待检测道路图像中，确定出所存在的停车位所在区域，实现对包括数量不定且位置不规则的角点的停车位所在区域的确定；本发明实施例可以实现对任一形状的停车位所在区域的检测，例如对垂直式停车位、平行式停车位和斜侧式停车位等的检测。
2、针对每一疑似停车位中心点，基于该疑似停车位中心点确定其对应的中心点邻域区域，进而针对每一疑似停车位中心点对应的中心点邻域区域中的每一点，基于该点的检测位置信息以及该点对应的角点引力场向量，平移得到该点对应的第一平移点，进而基于第一平移点在待检测道路图像中的检测位置信息以及该第一平移点对应的角点引力场向量，对第一平移点再次进行平移，得到第二平移点，进而基于第二平移点在待检测道路图像中的检测位置信息以及所检测出的所有的疑似停车位角点在待检测道路图像中的检测位置信息，确定出检测位置信息与该第二平移点的检测位置信息满足预设筛选条件的疑似停车位角点，作为与该第二平移点所对应疑似停车位中心点对应的疑似停车位角点，以在一定程度上对疑似停车位中心点对应的疑似停车位角点的检出率以及检测准确性的提高。
3、确定出具有关联关系的疑似停车位中心点和疑似停车位角点之后，为了确定出具有意义的停车位所在区域，在确定疑似停车位中心点对应的疑似停车位角点的数量不低于预设数值之后，将待检测道路图像中，以疑似停车位中心点为中心的，疑似停车位中心点对应的疑似停车位角点依次连接后所包围的区域，作为停车位所在区域。
4、利用包含停车位的样本图像以及包括停车位的停车位中心点的标注位置信息和停车位角点的标注位置信息，以及停车位的停车位中心点和停车位其他点与其匹配的停车位角点之间的标注角点引力场向量，训练得到可以检测出图像中包含的停车位角点、停车位中心点以及可以表征停车位角点和停车位中心点之间的关联关系的角点引力场向量的特征点检测模型，以为后续的从待检测道路图像中检测是否存在停车位以及在确定存在的停车位所在区域提供基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。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为本发明实施例提供的停车位的检测方法的一种流程示意图；
图2为本发明实施例提供的预先训练的特征点检测模型建立过程的一种流程示意图；
图3A和3B为从拼接图像类的待检测道路图像中检测出的停车位所在区域的一种示意图；
图3C为从鱼眼图像类的待检测道路图像中检测出的停车位所在区域的一种示意图；
图4为本发明实施例提供的停车位的检测装置的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，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付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明提供了一种停车位的检测方法及装置，以实现对停车位的检出率的提高，降低漏检概率。下面对本发明实施例进行详细说明。
图1为本发明实施例提供的停车位的检测方法的一种流程示意图。该方法可以包括以下步骤：
S101：获得图像采集设备采集的待检测道路图像。
本发明实施例中，该方法可以应用于任一类型的具有计算能力的电子设备中，该电子设备可以为服务器或者终端设备。该电子设备与图像采集设备可以进行通信连接，以可以获得图像采集设备采集的道路图像。该电子设备可以设置于车辆内，为车载设备，相应的该图像采集设备也设置于该车辆内。该电子设备也可以未设置于车辆内，为非车载设备，相应的该图像采集设备可以设置于任一可移动的对象上，该对象可以为车辆，这都是可以的。
本步骤中，电子设备获得图像采集设备采集的道路图像，作为待检测道路图像，在一种实现方式中，该待检测道路图像为鱼眼图像类的道路图像和/或拼接图像类的道路图像，这都是可以的。其中，鱼眼图像类的道路图像为通过鱼眼摄像头采集的图像，拼接图像类的道路图像为拼接所得的图像。
S102：利用预先训练的特征点检测模型，对待检测道路图像进行检测，从待检测道路图像中，确定出疑似停车位角点和疑似停车位中心点，并确定出待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量。
其中，预先训练的特征点检测模型为：用于检测图像中存在的疑似停车位角点和疑似停车位中心点以及图像中各点与其匹配的匹配停车位角点之间的角点引力场向量的模型，角点引力场向量为：预先训练的特征点检测模型所确定出的所对应点平移至该点匹配的匹配停车位角点所需的向量。
本步骤中，电子设备可以将所获得的待检测道路图像输入预先训练的特征点检测模型，以利用预先训练的特征点检测模型，对待检测道路图像进行特征点检测，从待检测道路图像中，确定出疑似停车位角点和疑似停车位中心点，并确定出待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量。
在一种实现方式中，该待检测道路图像中各点与其匹配的匹配停车位角点可以为：基于预设的围绕疑似停车位中心点均匀分配的原则，为待检测道路图像中各点所分配的点。
该预先训练的特征点检测模型为：基于包含停车位的样本图像以及样本图像对应的标注信息训练所得的神经网络模型。其中，样本图像包括的停车位可以包括未被遮挡的停车位和/或被部分遮挡的停车位；并且样本图像中包括的停车位可以是垂直式停车位、平行式停车位和斜侧式停车位等，这都是可以的。本发明实施例并不对样本图像中包括的停车位的形状进行限定，以可以实现对待检测道路图像中包含的各形状的停车位的检测提供检测基础。
样本图像对应的标注信息可以包括样本图像中各停车位的停车位角点、停车位中心点以及样本图像中各停车位各点与其匹配的停车位角点之间的角点引力场向量，停车位各点包括样本图像中该停车位所在区域中的包括该停车位的停车位角点和停车位中心点的点。
通过样本图像以及样本图像对应的标注信息训练所得的预先训练的特征点检测模型，具备从待检测道路图像中确定出是否存在疑似停车位的停车位角点以及停车位中心点，在确定存在疑似停车位的疑似停车位角点以及疑似停车位中心点的情况，可以从待检测道路图像中检测出所包含的疑似停车位角点以及疑似停车位中心点；并进一步确定出待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量。
该待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场，可以表征出预先训练的特征点检测模型所回归出的待检测道路图像中各点，平移至该点匹配的匹配停车位角点所需的向量。该匹配停车位角点可以为从待检测道路图像中识别出的疑似停车位角点中的一个，也可以是预先训练的特征点检测模型基于围绕疑似停车位中心点均匀分配的原则，为点分配的非疑似停车位角点的一回归点。在一种情况中，每一点对应的角点引力场向量，可以表示为(Δx,Δy)＝(xcorner-x,ycorner-y)，其中，(Δx,Δy)表示点对应的角点引力场向量，(xcorner,ycorner)为与点匹配的匹配停车位角点，(x,y)表示点在待检测道路图像中的检测位置信息。
本发明实施例中，该预先训练的特征点检测模型采用单阶段(one stage)结构的网络模型的结构，以在一定程度上提高停车位检测的速度。
在本发明的一种实现方式中，若待检测道路图像为鱼眼图像类的道路图像，相应的，预先训练的特征点检测模型为：基于鱼眼图像类的样本图像及其标注信息训练所得的模型；若待检测道路图像为拼接图像类的道路图像，相应的，预先训练的特征点检测模型为：基于拼接图像类的样本图像及其标注信息训练所得的模型。
S103：针对每一疑似停车位中心点，基于该疑似停车位中心点以及角点引力场向量，从疑似停车位角点中，确定出与该疑似停车位中心点对应的疑似停车位角点。
本发明实施例中，角点引力场向量可以体现出预先训练的特征点检测模块所回归出的图像中各点与其匹配的疑似停车位角点之间的关联关系，相应的，各疑似停车位中心点对应的角点引力场向量：可以体现出预先训练的特征点检测模块所回归出的各疑似停车位中心点与其匹配的疑似停车位角点之间的关联关系，基于该角点引力场向量以及各疑似停车位中心点，可以从疑似停车位角点中，确定出与该疑似停车位中心点对应的疑似停车位角点，即确定出与疑似停车位中心点存在关联关系的真正的疑似停车位角点。
S104：利用每一疑似停车位中心点对应的疑似停车位角点，从待检测道路图像中，确定出所存在的停车位所在区域。
考虑到一个停车位一般可以对应多个停车位角点，且对应一个停车位中心点，电子设备在确定出各组具有关联关系的疑似停车位中心点和疑似停车位角点之后，可以针对每一疑似停车位中心点，基于该疑似停车位中心点对应的疑似停车位角点，从待检测道路图像中确定出停车位所在区域，相应的，确定出停车位所在区域后，电子设备可以确定该停车位所在区域所利用的该疑似停车位中心点以及疑似停车位角点，为停车位中心点和停车位角点，实现对待检测道路图像中停车位的检测。在确定出待检测道路图像中所存在的停车位所在区域之后，可以为所确定出的每一停车位所在区域对应的停车位中心点分配一车位标识，以标识所确定出的不同的停车位即停车位所在区域。如图3A和3B所示，为从拼接图像类的待检测道路图像中检测出的停车位所在区域；如图3C所示，为鱼眼图像类的待检测道路图像中检测出的停车位所在区域。
应用本发明实施例，可以基于预先训练的特征点检测模型，从待检测道路图像中确定出疑似停车位角点、疑似停车位中心点以及待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量，其中，该角点引力场向量可以表征图像中各点与其匹配的匹配停车位角点之间的关联关系，即可以表征出图像中疑似停车位中心点与其匹配的匹配停车位角点之间的关联关系，基于该角点引力场向量以及各疑似停车位中心点，从疑似停车位角点中，确定出与该疑似停车位中心点对应的疑似停车位角点，即确定出存在关联关系的真正的疑似停车位角点，进而，利用每一疑似停车位中心点对应的疑似停车位角点，从待检测道路图像中，确定出所存在的停车位所在区域，实现对包括数量不定且位置不规则的角点的停车位所在区域的确定；本发明实施例可以实现对任一形状的停车位所在区域的检测，例如对垂直式停车位、平行式停车位和斜侧式停车位等的检测。
并且，本实施例中，可以将海量的样本图像中蕴含的丰富、多样的信息通过深度学习，吸收入网络特征中，比仅基于低层信息监测停车位的方法更加鲁棒，泛化性能更强，场景推广更加便利。并且对停车位结构预设的约束少，可以适用于任何形状停车位。本实施例中，对停车位形状不做假设，不基于形状规则进行过滤，亦不基于目标检测中的锚点框(anchor)，更加通用，可以检测各种形状的停车位，可以更好的进行大规模场景推广。
在本发明的另一实施例中，所述S102，可以包括：
利用预先训练的特征点检测模型，对待检测道路图像进行检测，判断待检测道路图像是否包含疑似停车位角点和疑似停车位中心点；
若判断待检测道路图像包含疑似停车位角点和疑似停车位中心点，利用预先训练的特征点检测模型，从待检测道路图像中，确定出其中所包含的疑似停车位角点和疑似停车位中心点，并确定出待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量。
考虑到可能存在待检测图像中不包含疑似停车位角点和/或疑似停车位中心点的情况，电子设备可以首先利用预先训练的特征点检测模型，对待检测道路图像进行检测，判断待检测道路图像是否包含疑似停车位角点和疑似停车位中心点，若判断待检测道路图像包含疑似停车位角点和疑似停车位中心点，则利用预先训练的特征点检测模型，从待检测道路图像中，确定出其中所包含的疑似停车位角点和疑似停车位中心点，并确定出待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量。若判断待检测道路图像包含疑似停车位角点和/或疑似停车位中心点，则确定待检测道路图像中不包括停车位，此时可以针对该待检测道路图像结束本次检测流程。
在本发明的另一实施例中，所述S103，可以包括：
针对每一疑似停车位中心点，基于预设邻域尺寸以及该疑似停车位中心点在待检测道路图像中的检测位置信息，从待检测道路图像中，确定出该疑似停车位中心点对应的中心点邻域区域；
针对每一疑似停车位中心点对应的中心点邻域区域中的每一点，基于该点的检测位置信息以及该点对应的角点引力场向量，确定该点平移后在待检测道路图像对应的点，作为第一平移点；
针对每一疑似停车位中心点对应的中心点邻域区域中的每一点对应的第一平移点，基于该第一平移点的检测位置信息以及该第一平移点对应的角点引力场向量，确定该第一平移点平移后在待检测道路图像对应的点，作为第二平移点；
从疑似停车位角点中，确定出检测位置信息与该第二平移点的检测位置信息满足预设筛选条件的疑似停车位角点，作为与该第二平移点所对应疑似停车位中心点对应的疑似停车位角点，其中，预设筛选条件为：距离最近，或距离最近且距离不超过预设距离阈值。
本实施例中，为了保证更好的确定出每一疑似停车位中心点是否对应有疑似停车位角点，进而确定每一疑似停车位中心点对应的疑似停车位角点，电子设备可以首先针对每一疑似停车位中心点，基于预设邻域尺寸以及该疑似停车位中心点在待检测道路图像中的检测位置信息，从待检测道路图像中，确定出该疑似停车位中心点对应的中心点邻域区域，该中心点邻域区域包括该疑似停车位中心点及其周围的多个点。进而基于疑似停车位中心点对应的中心点邻域区域中的每一点的检测位置信息以及待检测道路图像中各点对应的角点引力场向量，确定疑似停车位中心点对应的疑似停车位角点。
在一种情况中，为了提高确定结果的准确性，可以基于疑似停车位中心点对应的中心点邻域区域中的每一点的检测位置信息以及待检测道路图像中各点对应的角点引力场向量，对疑似停车位中心点对应的中心点邻域区域中的每一点进行两次平移，以提高点平移后，可以落入预先训练的特征点检测模型所回归的该点匹配的匹配停车位角点的认可范围内的概率，以在一定程度上提高确定出疑似停车位中心点对应的疑似停车位角点的概率。
具体的，针对每一疑似停车位中心点对应的中心点邻域区域中的每一点，基于该点的检测位置信息以及该点对应的角点引力场向量，平移该点，确定出该该点平移后在待检测道路图像对应的点，作为第一平移点；针对每一疑似停车位中心点对应的中心点邻域区域中的每一点对应的第一平移点，基于该第一平移点的检测位置信息以及该第一平移点对应的角点引力场向量，平移该第一平移点，确定该第一平移点平移后在所述待检测道路图像对应的点，作为第二平移点；后续的，一种情况，从疑似停车位角点中，确定出检测位置信息与该第二平移点的检测位置信息距离最近的疑似停车位角点，作为与该第二平移点所对应疑似停车位中心点对应的疑似停车位角点；另一种情况，从疑似停车位角点中，确定出检测位置信息与该第二平移点的检测位置信息最近，且距离不超过预设距离阈值的疑似停车位角点，作为与该第二平移点所对应疑似停车位中心点对应的疑似停车位角点。
在一种实现方式中，也可以基于疑似停车位中心点对应的中心点邻域区域中的每一点的检测位置信息以及待检测道路图像中各点对应的角点引力场向量，对疑似停车位中心点对应的中心点邻域区域中的每一点进行N次平移，这都是可以的，N为大于等于1的正整数。
在一种实现方式中，可能确定出某一疑似停车位中心点不对应的任何疑似停车位角点，此时可以将该确定出的不对应的任何疑似停车位角点的疑似停车位中心点，从所确定出的疑似停车位中心点剔除，仅针对存在对应的疑似停车位角点的疑似停车位中心点，执行后续步骤。
该预设邻域尺寸为工作人员基于实际确定的值，例如可以是2，即可以表示将疑似停车位中心点周围的两个像素距离内的所有点，作为疑似停车位中心点对应的中心点邻域区域内的点；例如可以是n*m，即可以表示将疑似停车位中心点所在位置周围的n*m邻域内的点，作为疑似停车位中心点对应的中心点邻域区域内的点，其中，n和m均为正整数。
在本发明的另一实施例中，所述S104，可以包括：
在确定疑似停车位中心点中存在对应的疑似停车位角点的数量不低于预设数值的目标疑似停车位中心点之后，针对每一目标疑似停车位中心点，以该目标疑似停车位中心点为中心，依次连接该目标疑似停车位中心点对应的疑似停车位角点；
将待检测道路图像中，该目标疑似停车位中心点对应的疑似停车位角点连接后所包围的区域，确定为停车位所在区域。
本实施例中，电子设备确定每一疑似停车位中心点对应的疑似停车位角点之后，可以针对每一疑似停车位中心点，判断该疑似停车位中心点对应的疑似停车位角点的数量是否低于预设数值，以判断疑似停车位中心点中是否存在对应的疑似停车位角点的数量不低于预设数值的目标疑似停车位中心点，若判断疑似停车位中心点中存在对应的疑似停车位角点的数量不低于预设数值的目标疑似停车位中心点，则针对每一目标疑似停车位中心点，以该目标疑似停车位中心点为中心，依次连接该目标疑似停车位中心点对应的疑似停车位角点，将待检测道路图像中，该目标疑似停车位中心点对应的疑似停车位角点连接后所包围的区域，确定为停车位所在区域。
一种实现方式中，考虑到至少三个疑似停车位角点能够确定出一停车位，本发明实施例中，该预设数值可以不低于三。
在本发明的另一实施例中，在所述S102之前，所述方法还可以包括：
训练得到预先训练的特征点检测模型的过程，其中，如图2所示，所述过程包括：
S201：获得样本图像，其中，样本图像包括停车位。
S202：获得每一样本图像对应的标注信息。
其中，标注信息包括：所对应样本图像中停车位的停车位角点的标注位置信息、停车位的停车位中心点的标注位置信息以及该样本图像中停车位各点与其匹配的停车位角点之间的标注角点引力场向量，停车位各点包括：所属停车位所在区域中的包括停车位中心点和停车位角点在内的点：
S203：利用样本图像以及每一样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息、停车位中心点的标注位置信息及标注角点引力场向量，训练初始的特征点检测模型，得到预先训练的特征点检测模型。
本实施例中，电子设备可以获得多张样本图像，其中，该样本图像包括停车位，其中，该停车位可以是未被遮挡的停车位，也可以是被部分遮挡的停车位，这都是可以的。并且，样本图像中包括的停车位可以是任意方向的停车位，例如：可以是垂直式停车位、平行式停车位和/或斜侧式停车位等等。本发明实施例并不对样本图像中的停车位的方向进行限定。并且，通过不同方向的停车位训练所得特征点检测模型，可以实现对任一方向的停车位的停车位角点以及停车位中心点的检测，进而实现对任一方向的停车位的检测。
后续的，电子设备获得每一样本图像对应的包括该样本图像中停车位的停车位角点的标注位置信息、停车位的停车位中心点的标注位置信息以及该样本图像中停车位各点与其匹配的停车位角点之间的标注角点引力场向量的标注信息，进而，利用每一样本图像以及每一样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息、停车位中心点的标注位置信息及标注角点引力场向量，训练初始的特征点检测模型，得到预先训练的特征点检测模型。
本发明实施例中，该预先训练的特征点检测模型为单阶段(one stage)结构的网络模型，以在一定程度上提高停车位检测的速度。例如，该预先训练的特征点检测模型可以为YOLO(You Only Look Once，只看一次)网络模型以及SSD(Single Shot MultiBoxDetector，单次多盒检测器)网络模型等单阶段结构的网络模型。
在本发明的一种实现方式中，所述S202，可以包括：
获得每一样本图像包含的停车位的停车位角点的标注位置信息；
针对每一样本图像包含的每一停车位，基于该停车位的停车位角点的标注位置信息，生成该停车位的停车位中心点的标注位置信息；
针对每一样本图像包含的每一停车位，基于该停车位的停车位角点的标注位置信息，从该样本图像中确定出该停车位所在区域；
针对每一样本图像包含的每一停车位，基于该停车位的停车位中心点的标注位置信息、该停车位的停车位角点的标注位置信息以及该停车位所在区域中停车位其他点在该样本图像中的位置信息，生成该停车位对应的停车位中心点、停车位角点以及该停车位所在区域中停车位其他点对应的标注角点引力场向量，停车位其他点为：所属停车位所在区域中除停车位中心点和停车位角点外的点。
本实现方式中，电子设备可以首先获得工作人员手动或特定程序自动标注的每一样本图包含的每一停车位的停车位角点及其标注位置信息；进而，电子设备针对每一样本图像包含的每一停车位，基于该停车位的停车位角点的标注位置信息，生成该停车位的停车位中心点及其标注位置信息。在一种情况中，电子设备确定出停车位的停车位中心点及其标注位置信息之后，可以基于该停车位中心点的标注位置信息，在该样本图像的该停车位中标注出该停车位中心点。
电子设备获得每一样本图像包含的每一停车位的停车位角点的标注位置信息以及停车位中心点的标注位置信息之后，可以继续确定每一停车位各点对应的标注角点引力场向量，即每一停车位各点与其匹配的停车位角点之间的标注角点引力场向量。
具体的，电子设备可以针对每一样本图像包含的每一停车位，基于该停车位的停车位角点的标注位置信息以及停车位中心点的标注位置信息，将该停车位的每一停车位角点与该停车位的停车位中心点进行连接，得到每一停车位角点对应的第一连线；针对该样本图像中的该停车位所在区域中的每一停车位点，基于该停车位点在样本图像中的位置信息以及该停车位的各停车位角点的标注位置信息，确定该停车位点与该停车位的停车位中心点之间的连线，作为该点对应的第二连线；针对该停车位中各停车位点，基于该停车位点对应的第二连线，从各停车位角点对应的第一连线中，确定与该停车位点对应的第二连线之间的夹角最小的第一连线，将与该停车位点对应的第二连线之间的夹角最小的第一连线对应的停车位角点，作为与该点匹配的匹配停车位角点；进而，针对每一样本图像包含的每一停车位中的每一停车位点，基于该停车位点的位置信息以及该停车位点匹配的匹配停车位角点的标注位置信息，确定该停车位点对应的角点引力场向量。每一停车位点对应的角点引力场向量，可以表示为(Δx1,Δy1)＝(x2-x1,y2-y1)，其中，(Δx1,Δy1)表示停车位点对应的角点引力场向量，(x2,,y2)为与该停车位点匹配的匹配停车位角点，(x1,y1)表示该停车位点在样本图像中的位置信息。
其中，该停车位的停车位点包括该停车位的停车位其他点、停车位角点以及停车位中心点。
在本发明的另一实施例中，所述S203，可以包括：
针对每一样本图像，将该样本图像输入初始的特征点检测模型的特征提取层，获得该样本图像对应的图像特征；
针对每一样本图像，将该样本图像对应的图像特征输入初始的特征点检测模型的特征回归层的停车位角点回归子层，获得该样本图像中的停车位角点的第一位置信息；并将该样本图像对应的图像特征输入所述特征回归层的停车位中心点回归子层，获得该样本图像中的停车位中心点的第二位置信息；
针对每一样本图像，基于该样本图像中的停车位角点的第一位置信息和该样本图像中的停车位中心点的第二位置信息，确定该样本图像中停车位各点与其匹配的停车位角点之间的检测角点引力场向量；
针对每一样本图像，基于该样本图像中的停车位角点的第一位置信息、停车位中心点的第二位置信息和该样本图像中停车位各点与其匹配的停车位角点之间的检测角点引力场向量，以及该样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息、停车位中心点的标注位置信息及标注角点引力场向量，调整初始的特征点检测模型的特征提取层、特征回归层的停车位角点回归子层以及停车位中心点回归子层的参数，以得到预先训练的特征点检测模型。
本实施例中，该初始的特征点检测模型为初始的深度卷积神经网络模型，在基于样本图像以及样本图像对应的标注信息训练初始的特征点检测模型，以在初始的特征点检测模型收敛时，获得训练完成的该预先训练的特征点检测模型。该初始的特征点检测模型可以包括特征提取层和特征回归层，其中，特征回归层可以包括：用于回归图像中停车位角点所在位置的停车位角点回归子层，以及用于回归图像中停车位中心点所在位置的停车位中心点回归子层。相应的，该训练过程，可以是：针对每一样本图像，将该样本图像输入特征提取层，通过对样本图像进行卷积操作，获得该样本图像对应的图像特征；针对每一样本图像，将该样本图像对应的图像特征输入特征回归层的停车位角点回归子层，获得该样本图像中的停车位角点的第一位置信息；并将该样本图像对应的图像特征输入停车位中心点回归子层，获得该样本图像中的停车位中心点的第二位置信息；并针对每一样本图像，基于该样本图像中的停车位角点的第一位置信息和该样本图像中的停车位中心点的第二位置信息，确定该样本图像中停车位各点与其匹配的停车位角点之间的检测角点引力场向量。
后续的，针对每一样本图像，将该样本图像中的停车位角点的第一位置信息与该样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息进行匹配，将该样本图像中的停车位中心点的第二位置信息与该样本图像对应的标注信息包括的该样本图像中停车位中心点的标注位置信息进行匹配，并将该样本图像中停车位各点与其匹配的停车位角点之间的检测角点引力场向量分别与该样本图像对应的标注信息包括的标注角点引力场向量进行匹配，若均匹配成功，则确定初始的特征点检测模型收敛，获得训练完成的该预先训练的特征点检测模型；若不均匹配成功，则基于梯度下降法，调整初始的特征点检测模型的特征提取层、特征回归层的停车位角点回归子层以及停车位中心点回归子层的参数，并返回执行该针对每一样本图像，将该样本图像输入所述初始的特征点检测模型的特征提取层，获得该样本图像对应的图像特征的步骤；直至均匹配成功，确定初始的特征点检测模型收敛，获得训练完成的该预先训练的特征点检测模型。
其中，上述针对每一样本图像，基于该样本图像中的停车位角点的第一位置信息和该样本图像中的停车位中心点的第二位置信息，确定该样本图像中停车位各点与其匹配的停车位角点之间的检测角点引力场向量的过程，可以是：针对每一样本图像的每一停车位，基于该停车位的停车位角点的第一位置信息，确定出该停车位各点的位置信息；针对每一样本图像的每一停车位的每一停车位角点，计算该停车位角点的第一位置信息，与和其匹配的停车位各点的位置信息之间的向量，将该向量作为停车位各点与其匹配的停车位角点之间的检测角点引力场向量，其中，停车位各点的位置信息包括所对应停车位的停车位中心点的第二位置信息。
其中，上述将该样本图像中的停车位角点的第一位置信息与该样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息进行匹配的过程，将该样本图像中的停车位中心点的第二位置信息与该样本图像对应的标注信息包括的该样本图像中停车位中心点的标注位置信息进行匹配的过程，以及将该样本图像中停车位各点与其匹配的停车位角点之间的检测角点引力场向量分别与该样本图像对应的标注信息包括的标注角点引力场向量进行匹配的过程，均相似，下面以将该样本图像中的停车位角点的第一位置信息与该样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息进行匹配的过程为例进行说明。
一种情况中，匹配过程可以是：针对该样本图像中的每一停车位角点，判断该停车位角点的第一位置信息与该样本图像对应的标注信息包括的该停车位角点的标注位置信息是否相同；并统计判断结果为相同的结果的个数，若判断结果为相同的结果的个数与停车位角点总数量的比值超过预设阈值，则认为匹配成功；反之，认为匹配不成功。其中，停车位角点总数量可以是所有参与训练的样本图像中的停车位角点的总数量，也可以是预先设置的数值，这都是可以的。
相应的，在检测过程中，电子设备可以将待检测道路图像输入预先训练的特征点检测模型的特征提取层，获得待检测道路图像的待检测图像特征，并将待检测图像特征输入预先训练的特征点检测模型的特征回归层的停车位角点回归子层，获得待检测道路图像中的疑似停车位角点的检测位置信息；并将待检测图像特征输入预先训练的特征点检测模型的特征回归层的停车位中心点回归子层，获得待检测道路图像中的疑似停车位中心点的检测位置信息；并基于疑似停车位角点的检测位置信息、待检测图像中其他各点的位置信息以及疑似停车位中心点的检测位置信息，确定待检测图像中各点与其匹配的疑似停车位角点之间的角点引力场向量。其中，待检测图像中其他各点包括待检测图像中除疑似停车位角点和疑似停车位中心点外的点。
在将待检测图像特征输入预先训练的特征点检测模型的特征回归层的停车位角点回归子层，获得待检测道路图像中的疑似停车位角点的检测位置信息的过程中：通过停车位角点回归子层可以首先从待检测道路图像中检测出疑似停车位角点所在区域，后续的，基于待检测图像中各点与其匹配的疑似停车位角点之间的角点引力场向量，以及每一疑似停车位角点所在区域中的每一点在待检测图像中的位置信息，确定出每一疑似停车位角点所在区域中的疑似停车位角点。具体的可以是：针对每一疑似停车位角点所在区域，从待检测图像中各点与其匹配的疑似停车位角点之间的角点引力场向量中，确定出该疑似停车位角点所在区域中各点对应的角点引力场向量；针对每一疑似停车位角点所在区域中的每一点，基于该点的检测位置信息以及该点对应的角点引力场向量，进行预设次数平移，确定该点对应的平移后的点，若该点对应的平移后的点在疑似停车位角点所在区域中，针对该点对应的平移后的点的计数加一；统计将疑似停车位角点所在区域中的每一点均平移后，疑似停车位角点所在区域中每一点对应的计数值，筛选出所对应计数值超过预设计数阈值的点，若疑似停车位角点所在区域中仅包括一个所对应计数值超过预设计数阈值的点，将该所对应计数值超过预设计数阈值的点，确定为该疑似停车位角点所在区域的疑似停车位角点；若疑似停车位角点所在区域中仅包括至少两个所对应计数值超过预设计数阈值的点，利用NMS(非极大值抑制，non maximum suppression)滤除噪点，即筛选出所对应计数值最大的点，作为该疑似停车位角点所在区域的疑似停车位角点。
相应的，通过停车位中心点回归子层，确定出待检测道路图像中的疑似停车位中心点的方式，与上述通过停车位角点回归子层确定出待检测道路图像中的疑似停车位角点的方式相同，在此不再赘述。
相应于上述方法实施例，本发明实施例提供了一种参数的标定装置，如图4所示，可以包括：
第一获得模块410，被配置为获得图像采集设备采集的待检测道路图像；
检测确定模块420，被配置为利用预先训练的特征点检测模型，对所述待检测道路图像进行检测，从所述待检测道路图像中，确定出疑似停车位角点和疑似停车位中心点，并确定出所述待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量，其中，所述预先训练的特征点检测模型为：用于检测图像中存在的疑似停车位角点和疑似停车位中心点以及图像中各点与其匹配的匹配停车位角点之间的角点引力场向量的模型，所述角点引力场向量为：所述预先训练的特征点检测模型所确定出的所对应点平移至该点匹配的匹配停车位角点所需的向量；
第一确定模块430，被配置为针对每一疑似停车位中心点，基于该疑似停车位中心点以及所述角点引力场向量，从所述疑似停车位角点中，确定出与该疑似停车位中心点对应的疑似停车位角点；
第二确定模块440，被配置为利用每一疑似停车位中心点对应的疑似停车位角点，从所述待检测道路图像中，确定出所存在的停车位所在区域。
应用本发明实施例，可以基于预先训练的特征点检测模型，从待检测道路图像中确定出疑似停车位角点、疑似停车位中心点以及待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量，其中，该角点引力场向量可以表征图像中各点与其匹配的匹配停车位角点之间的关联关系，即可以表征出图像中疑似停车位中心点与其匹配的匹配停车位角点之间的关联关系，基于该角点引力场向量以及各疑似停车位中心点，从疑似停车位角点中，确定出与该疑似停车位中心点对应的疑似停车位角点，即确定出存在关联关系的真正的疑似停车位角点，进而，利用每一疑似停车位中心点对应的疑似停车位角点，从待检测道路图像中，确定出所存在的停车位所在区域，实现对包括数量不定且位置不规则的角点的停车位所在区域的确定；本发明实施例可以实现对任一形状的停车位所在区域的检测，例如对垂直式停车位、平行式停车位和斜侧式停车位等的检测。
在本发明的另一实施例中，所述待检测道路图像中各点与其匹配的匹配停车位角点为：基于预设的围绕疑似停车位中心点均匀分配的原则，为所述待检测道路图像中各点所分配的点。
在本发明的另一实施例中，所述检测确定模块420，被具体配置为利用预先训练的特征点检测模型，对所述待检测道路图像进行检测，判断所述待检测道路图像是否包含疑似停车位角点和疑似停车位中心点；
若判断所述待检测道路图像包含疑似停车位角点和疑似停车位中心点，利用所述预先训练的特征点检测模型，从所述待检测道路图像中，确定出其中所包含的所述疑似停车位角点和所述疑似停车位中心点，并确定出所述待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量。
在本发明的另一实施例中，所述第一确定模块430，被具体配置为针对每一疑似停车位中心点，基于预设邻域尺寸以及该疑似停车位中心点在所述待检测道路图像中的检测位置信息，从所述待检测道路图像中，确定出该疑似停车位中心点对应的中心点邻域区域；
针对每一疑似停车位中心点对应的中心点邻域区域中的每一点，基于该点的检测位置信息以及该点对应的角点引力场向量，确定该点平移后在所述待检测道路图像对应的点，作为第一平移点；
针对每一疑似停车位中心点对应的中心点邻域区域中的每一点对应的第一平移点，基于该第一平移点的检测位置信息以及该第一平移点对应的角点引力场向量，确定该第一平移点平移后在所述待检测道路图像对应的点，作为第二平移点；
从所述疑似停车位角点中，确定出检测位置信息与该第二平移点的检测位置信息满足预设筛选条件的疑似停车位角点，作为与该第二平移点所对应疑似停车位中心点对应的疑似停车位角点，其中，所述预设筛选条件为：距离最近，或距离最近且距离不超过预设距离阈值。
在本发明的另一实施例中，所述第二确定模块440，被具体配置为在确定疑似停车位中心点中存在对应的疑似停车位角点的数量不低于预设数值的目标疑似停车位中心点之后，针对每一目标疑似停车位中心点，以该目标疑似停车位中心点为中心，依次连接该目标疑似停车位中心点对应的疑似停车位角点；
将所述待检测道路图像中，该目标疑似停车位中心点对应的疑似停车位角点连接后所包围的区域，确定为停车位所在区域。
在本发明的另一实施例中，所述装置还包括：
训练模块，被配置为在所述利用预先训练的特征点检测模型，对所述待检测道路图像进行检测，从所述待检测道路图像中，确定出疑似停车位角点和疑似停车位中心点，并确定出所述待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量之前，训练得到所述预先训练的特征点检测模型，其中，所述训练模块包括：
第一获得单元，被配置为获得样本图像，其中，所述样本图像包括停车位；
第二获得单元，被配置为获得每一样本图像对应的标注信息，其中，所述标注信息包括：所对应样本图像中停车位的停车位角点的标注位置信息、停车位的停车位中心点的标注位置信息以及该样本图像中停车位各点与其匹配的停车位角点之间的标注角点引力场向量，所述停车位各点包括：所属停车位所在区域中的包括停车位中心点和停车位角点在内的点：
训练单元，被配置为利用所述样本图像以及每一样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息、停车位中心点的标注位置信息及所述标注角点引力场向量，训练初始的特征点检测模型，得到所述预先训练的特征点检测模型。
在本发明的另一实施例中，所述第二获得单元，被具体配置为获得每一样本图像包含的停车位的停车位角点的标注位置信息；
针对每一样本图像包含的每一停车位，基于该停车位的停车位角点的标注位置信息，生成该停车位的停车位中心点的标注位置信息；
针对每一样本图像包含的每一停车位，基于该停车位的停车位角点的标注位置信息，从该样本图像中确定出该停车位所在区域；
针对每一样本图像包含的每一停车位，基于该停车位的停车位中心点的标注位置信息、该停车位的停车位角点的标注位置信息以及该停车位所在区域中停车位其他点在该样本图像中的位置信息，生成该停车位对应的停车位中心点、停车位角点以及该停车位所在区域中停车位其他点对应的标注角点引力场向量，所述停车位其他点为：所属停车位所在区域中除停车位中心点和停车位角点外的点。
在本发明的另一实施例中，所述训练单元，被具体配置为针对每一样本图像，将该样本图像输入所述初始的特征点检测模型的特征提取层，获得该样本图像对应的图像特征；
针对每一样本图像，将该样本图像对应的图像特征输入所述初始的特征点检测模型的特征回归层的停车位角点回归子层，获得该样本图像中的停车位角点的第一位置信息；并将该样本图像对应的图像特征输入所述特征回归层的停车位中心点回归子层，获得该样本图像中的停车位中心点的第二位置信息；
针对每一样本图像，基于该样本图像中的停车位角点的第一位置信息和该样本图像中的停车位中心点的第二位置信息，确定该样本图像中停车位各点与其匹配的停车位角点之间的检测角点引力场向量；
针对每一样本图像，基于该样本图像中的停车位角点的第一位置信息、停车位中心点的第二位置信息和该样本图像中停车位各点与其匹配的停车位角点之间的检测角点引力场向量，以及该样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息、停车位中心点的标注位置信息及所述标注角点引力场向量，调整所述初始的特征点检测模型的特征提取层、特征回归层的停车位角点回归子层以及停车位中心点回归子层的参数，得到所述预先训练的特征点检测模型。
在本发明的另一实施例中，所述待检测道路图像为鱼眼图像类的道路图像和/或拼接图像类的道路图像；若所述待检测道路图像为鱼眼图像类的道路图像，相应的，所述预先训练的特征点检测模型为：基于鱼眼图像类的样本图像及其标注信息训练所得的模型；若所述待检测道路图像为拼接图像类的道路图像，相应的，所述预先训练的特征点检测模型为：基于拼接图像类的样本图像及其标注信息训练所得的模型。
上述装置、系统实施例与方法实施例相对应，与该方法实施例具有同样的技术效果，具体说明参见方法实施例。装置实施例是基于方法实施例得到的，具体的说明可以参见方法实施例部分，此处不再赘述。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (10)
1.一种停车位的检测方法，其特征在于，包括：
获得图像采集设备采集的待检测道路图像；
利用预先训练的特征点检测模型，对所述待检测道路图像进行检测，从所述待检测道路图像中，确定出疑似停车位角点和疑似停车位中心点，并确定出所述待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量，其中，所述预先训练的特征点检测模型为：用于检测图像中存在的疑似停车位角点和疑似停车位中心点以及图像中各点与其匹配的匹配停车位角点之间的角点引力场向量的模型，所述角点引力场向量为：所述预先训练的特征点检测模型所确定出的所对应点平移至该点匹配的匹配停车位角点所需的向量；
针对每一疑似停车位中心点，基于该疑似停车位中心点以及所述角点引力场向量，从所述疑似停车位角点中，确定出与该疑似停车位中心点对应的疑似停车位角点；
利用每一疑似停车位中心点对应的疑似停车位角点，从所述待检测道路图像中，确定出所存在的停车位所在区域。
2.如权利要求1所述的方法，其特征在于，所述待检测道路图像中各点与其匹配的匹配停车位角点为：基于预设的围绕疑似停车位中心点均匀分配的原则，为所述待检测道路图像中各点所分配的点。
3.如权利要求1所述的方法，其特征在于，所述利用预先训练的特征点检测模型，对所述待检测道路图像进行检测，从所述待检测道路图像中，确定出疑似停车位角点和疑似停车位中心点，并确定出所述待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量的步骤，包括：
利用预先训练的特征点检测模型，对所述待检测道路图像进行检测，判断所述待检测道路图像是否包含疑似停车位角点和疑似停车位中心点；
若判断所述待检测道路图像包含疑似停车位角点和疑似停车位中心点，利用所述预先训练的特征点检测模型，从所述待检测道路图像中，确定出其中所包含的所述疑似停车位角点和所述疑似停车位中心点，并确定出所述待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量。
4.如权利要求1所述的方法，其特征在于，所述针对每一疑似停车位中心点，基于该疑似停车位中心点以及所述角点引力场向量，从所述疑似停车位角点中，确定出与该疑似停车位中心点对应的疑似停车位角点的步骤，包括：
针对每一疑似停车位中心点，基于预设邻域尺寸以及该疑似停车位中心点在所述待检测道路图像中的检测位置信息，从所述待检测道路图像中，确定出该疑似停车位中心点对应的中心点邻域区域；
针对每一疑似停车位中心点对应的中心点邻域区域中的每一点，基于该点的检测位置信息以及该点对应的角点引力场向量，确定该点平移后在所述待检测道路图像对应的点，作为第一平移点；
针对每一疑似停车位中心点对应的中心点邻域区域中的每一点对应的第一平移点，基于该第一平移点的检测位置信息以及该第一平移点对应的角点引力场向量，确定该第一平移点平移后在所述待检测道路图像对应的点，作为第二平移点；
从所述疑似停车位角点中，确定出检测位置信息与该第二平移点的检测位置信息满足预设筛选条件的疑似停车位角点，作为与该第二平移点所对应疑似停车位中心点对应的疑似停车位角点，其中，所述预设筛选条件为：距离最近，或距离最近且距离不超过预设距离阈值。
5.如权利要求1所述的方法，其特征在于，所述利用每一疑似停车位中心点对应的疑似停车位角点，从所述待检测道路图像中，确定出所存在的停车位所在区域的步骤，包括：
在确定疑似停车位中心点中存在对应的疑似停车位角点的数量不低于预设数值的目标疑似停车位中心点之后，针对每一目标疑似停车位中心点，以该目标疑似停车位中心点为中心，依次连接该目标疑似停车位中心点对应的疑似停车位角点；
将所述待检测道路图像中，该目标疑似停车位中心点对应的疑似停车位角点连接后所包围的区域，确定为停车位所在区域。
6.如权利要求1-5任一项所述的方法，其特征在于，在所述利用预先训练的特征点检测模型，对所述待检测道路图像进行检测，从所述待检测道路图像中，确定出疑似停车位角点和疑似停车位中心点，并确定出所述待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量的步骤之前，所述方法还包括：
训练得到所述预先训练的特征点检测模型的过程，其中，所述过程包括：
获得样本图像，其中，所述样本图像包括停车位；
获得每一样本图像对应的标注信息，其中，所述标注信息包括：所对应样本图像中停车位的停车位角点的标注位置信息、停车位的停车位中心点的标注位置信息以及该样本图像中停车位各点与其匹配的停车位角点之间的标注角点引力场向量，所述停车位各点包括：所属停车位所在区域中的包括停车位中心点和停车位角点在内的点：
利用所述样本图像以及每一样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息、停车位中心点的标注位置信息及所述标注角点引力场向量，训练初始的特征点检测模型，得到所述预先训练的特征点检测模型。
7.如权利要求6所述的方法，其特征在于，所述获得每一样本图像对应的标注信息的步骤，包括：
获得每一样本图像包含的停车位的停车位角点的标注位置信息；
针对每一样本图像包含的每一停车位，基于该停车位的停车位角点的标注位置信息，生成该停车位的停车位中心点的标注位置信息；
针对每一样本图像包含的每一停车位，基于该停车位的停车位角点的标注位置信息，从该样本图像中确定出该停车位所在区域；
针对每一样本图像包含的每一停车位，基于该停车位的停车位中心点的标注位置信息、该停车位的停车位角点的标注位置信息以及该停车位所在区域中停车位其他点在该样本图像中的位置信息，生成该停车位对应的停车位中心点、停车位角点以及该停车位所在区域中停车位其他点对应的标注角点引力场向量，所述停车位其他点为：所属停车位所在区域中除停车位中心点和停车位角点外的点。
8.如权利要求6所述的方法，其特征在于，所述利用所述样本图像以及每一样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息、停车位中心点的标注位置信息及所述标注角点引力场向量，训练初始的特征点检测模型，得到所述预先训练的特征点检测模型的步骤，包括：
针对每一样本图像，将该样本图像输入所述初始的特征点检测模型的特征提取层，获得该样本图像对应的图像特征；
针对每一样本图像，将该样本图像对应的图像特征输入所述初始的特征点检测模型的特征回归层的停车位角点回归子层，获得该样本图像中的停车位角点的第一位置信息；并将该样本图像对应的图像特征输入所述特征回归层的停车位中心点回归子层，获得该样本图像中的停车位中心点的第二位置信息；
针对每一样本图像，基于该样本图像中的停车位角点的第一位置信息和该样本图像中的停车位中心点的第二位置信息，确定该样本图像中停车位各点与其匹配的停车位角点之间的检测角点引力场向量；
针对每一样本图像，基于该样本图像中的停车位角点的第一位置信息、停车位中心点的第二位置信息和该样本图像中停车位各点与其匹配的停车位角点之间的检测角点引力场向量，以及该样本图像对应的标注信息包括的该样本图像中停车位角点的标注位置信息、停车位中心点的标注位置信息及所述标注角点引力场向量，调整所述初始的特征点检测模型的特征提取层、特征回归层的停车位角点回归子层以及停车位中心点回归子层的参数，以得到所述预先训练的特征点检测模型。
9.如权利要求1-8任一项所述的方法，其特征在于，所述待检测道路图像为鱼眼图像类的道路图像和/或拼接图像类的道路图像；若所述待检测道路图像为鱼眼图像类的道路图像，相应的，所述预先训练的特征点检测模型为：基于鱼眼图像类的样本图像及其标注信息训练所得的模型；若所述待检测道路图像为拼接图像类的道路图像，相应的，所述预先训练的特征点检测模型为：基于拼接图像类的样本图像及其标注信息训练所得的模型。
10.一种停车位的检测装置，其特征在于，包括：
第一获得模块，被配置为获得图像采集设备采集的待检测道路图像；
检测确定模块，被配置为利用预先训练的特征点检测模型，对所述待检测道路图像进行检测，从所述待检测道路图像中，确定出疑似停车位角点和疑似停车位中心点，并确定出所述待检测道路图像中各点与其匹配的匹配停车位角点之间的角点引力场向量，其中，所述预先训练的特征点检测模型为：用于检测图像中存在的疑似停车位角点和疑似停车位中心点以及图像中各点与其匹配的匹配停车位角点之间的角点引力场向量的模型，所述角点引力场向量为：所述预先训练的特征点检测模型所确定出的所对应点平移至该点匹配的匹配停车位角点所需的向量；
第一确定模块，被配置为针对每一疑似停车位中心点，基于该疑似停车位中心点以及所述角点引力场向量，从所述疑似停车位角点中，确定出与该疑似停车位中心点对应的疑似停车位角点；
第二确定模块，被配置为利用每一疑似停车位中心点对应的疑似停车位角点，从所述待检测道路图像中，确定出所存在的停车位所在区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911036000.6A CN112749577B (zh) | 2019-10-29 | 2019-10-29 | 一种停车位的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911036000.6A CN112749577B (zh) | 2019-10-29 | 2019-10-29 | 一种停车位的检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112749577A true CN112749577A (zh) | 2021-05-04 |
| CN112749577B CN112749577B (zh) | 2023-09-22 |
Family
ID=75640175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911036000.6A Active CN112749577B (zh) | 2019-10-29 | 2019-10-29 | 一种停车位的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112749577B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926454A (zh) * | 2022-06-13 | 2022-08-19 | 镁佳(北京)科技有限公司 | 一种停车位检测方法及装置、电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160107689A1 (en) * | 2014-10-17 | 2016-04-21 | Hyundai Mobis Co., Ltd. | Apparatus and method for driver assistance |
| CN105928506A (zh) * | 2016-06-15 | 2016-09-07 | 吉林大学 | 汽车位置姿态检测十字光标 |
| 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 |
| CN109726637A (zh) * | 2018-12-03 | 2019-05-07 | 初速度（苏州）科技有限公司 | 用弹性多边形表示停车位区域的停车位检测系统及方法 |
| CN109870167A (zh) * | 2018-12-25 | 2019-06-11 | 四川嘉垭汽车科技有限公司 | 基于视觉的无人驾驶汽车的同时定位与地图创建方法 |
| JP2019124573A (ja) * | 2018-01-16 | 2019-07-25 | 株式会社豊田中央研究所 | 自車位置推定装置、自車位置推定方法、および自車位置推定プログラム |
| CN110262478A (zh) * | 2019-05-27 | 2019-09-20 | 浙江工业大学 | 基于改进人工势场法的人机安全避障路径规划方法 |
| CN110348297A (zh) * | 2019-05-31 | 2019-10-18 | 纵目科技（上海）股份有限公司 | 一种用于识别立体停车库的检测方法、系统、终端和存储介质 |
-
2019
- 2019-10-29 CN CN201911036000.6A patent/CN112749577B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160107689A1 (en) * | 2014-10-17 | 2016-04-21 | Hyundai Mobis Co., Ltd. | Apparatus and method for driver assistance |
| CN105528914A (zh) * | 2014-10-17 | 2016-04-27 | 现代摩比斯株式会社 | 驾驶者支援装置以及驾驶者支援方法 |
| CN105928506A (zh) * | 2016-06-15 | 2016-09-07 | 吉林大学 | 汽车位置姿态检测十字光标 |
| JP2019124573A (ja) * | 2018-01-16 | 2019-07-25 | 株式会社豊田中央研究所 | 自車位置推定装置、自車位置推定方法、および自車位置推定プログラム |
| CN109726637A (zh) * | 2018-12-03 | 2019-05-07 | 初速度（苏州）科技有限公司 | 用弹性多边形表示停车位区域的停车位检测系统及方法 |
| 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 |
| CN109870167A (zh) * | 2018-12-25 | 2019-06-11 | 四川嘉垭汽车科技有限公司 | 基于视觉的无人驾驶汽车的同时定位与地图创建方法 |
| CN110262478A (zh) * | 2019-05-27 | 2019-09-20 | 浙江工业大学 | 基于改进人工势场法的人机安全避障路径规划方法 |
| CN110348297A (zh) * | 2019-05-31 | 2019-10-18 | 纵目科技（上海）股份有限公司 | 一种用于识别立体停车库的检测方法、系统、终端和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 沈洁等: ""一种基于线结构光的汽车侧位停车的环境感知方法"", 《计算机与数字工程》, pages 1797 - 1804 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926454A (zh) * | 2022-06-13 | 2022-08-19 | 镁佳(北京)科技有限公司 | 一种停车位检测方法及装置、电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112749577B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109087510B (zh) | 交通监测方法及装置 | |
| EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| KR101854554B1 (ko) | 건축물 높이 산출 방법, 장치 및 저장 매체 | |
| CN106646566A (zh) | 乘客定位方法、装置及系统 | |
| CN106548451A (zh) | 一种客车客流拥挤度计算方法和装置 | |
| CN103605978A (zh) | 基于三维实景数据的城市违章建筑识别系统及方法 | |
| CN109918977A (zh) | 确定空闲车位的方法、装置及设备 | |
| CN111368615B (zh) | 一种违章建筑预警方法、装置及电子设备 | |
| CN110858414A (zh) | 图像处理方法、装置、可读存储介质与增强现实系统 | |
| CN110543877A (zh) | 标识识别方法及其模型的训练方法、装置和电子系统 | |
| CN109543493A (zh) | 一种车道线的检测方法、装置及电子设备 | |
| CN115376109B (zh) | 障碍物检测方法、障碍物检测装置以及存储介质 | |
| CN111222385A (zh) | 单车违停的检测方法及装置、共享单车及检测系统 | |
| CN112001298B (zh) | 行人检测方法、装置、电子设备和存储介质 | |
| CN111383204A (zh) | 视频图像融合方法、融合装置、全景监控系统及存储介质 | |
| CN111476062A (zh) | 车道线检测方法、装置、电子设备及驾驶系统 | |
| CN116912517B (zh) | 相机视野边界的检测方法及装置 | |
| CN110826364A (zh) | 一种库位识别方法及装置 | |
| CN111754388B (zh) | 一种建图方法及车载终端 | |
| CN112749577A (zh) | 一种停车位的检测方法及装置 | |
| CN112115737B (zh) | 一种车辆朝向的确定方法、装置及车载终端 | |
| CN116343095A (zh) | 一种基于视频拼接的车辆轨迹提取方法及相关设备 | |
| CN111199184A (zh) | 一种用于智慧社区巡防的便携式立体成像设备及使用方法 | |
| CN116543143A (zh) | 一种目标检测模型的训练方法、目标检测方法及装置 | |
| CN113850837B (zh) | 视频处理方法、装置、电子设备、存储介质及计算机产品 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220304 Address after: 100083 unit 501, block AB, Dongsheng building, No. 8, Zhongguancun East Road, Haidian District, Beijing Applicant after: BEIJING MOMENTA TECHNOLOGY Co.,Ltd. Address before: 100083 room 28, 4 / F, block a, Dongsheng building, 8 Zhongguancun East Road, Haidian District, Beijing Applicant before: BEIJING CHUSUDU TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |