CN113012441A - 车辆停车检测方法、系统、电子设备以及存储介质 - Google Patents

车辆停车检测方法、系统、电子设备以及存储介质 Download PDF

Info

Publication number
CN113012441A
CN113012441A CN202110322295.4A CN202110322295A CN113012441A CN 113012441 A CN113012441 A CN 113012441A CN 202110322295 A CN202110322295 A CN 202110322295A CN 113012441 A CN113012441 A CN 113012441A
Authority
CN
China
Prior art keywords
distance
vehicle
acquiring
scene image
longitudinal
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
Application number
CN202110322295.4A
Other languages
English (en)
Other versions
CN113012441B (zh
Inventor
刘修知
王晓龙
陶胜召
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110322295.4A priority Critical patent/CN113012441B/zh
Publication of CN113012441A publication Critical patent/CN113012441A/zh
Priority to US17/487,872 priority patent/US20220019818A1/en
Priority to EP21199712.7A priority patent/EP3923184A3/en
Priority to KR1020210137473A priority patent/KR20210151718A/ko
Priority to JP2021212251A priority patent/JP2022043238A/ja
Application granted granted Critical
Publication of CN113012441B publication Critical patent/CN113012441B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/162—Segmentation; Edge detection involving graph-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • 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
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/30204—Marker
    • 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
    • G06T2207/30256—Lane; Road marking
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本申请公开了车辆停车检测方法、系统、电子设备和存储介质，涉及人工智能技术领域中的深度学习、自动驾驶技术领域。具体实现方案为：通过第一距离传感器获取所述车辆与站点内参考对象之间的第一横向距离；通过第二距离传感器获取所述车辆与所述参考对象之间的第二横向距离；获取第一摄像头采集的第一场景图像，并根据所述第一场景图像获取第一纵向距离，其中，所述第一纵向距离是指所述车辆的第一标记线与所述站点的第一停车线之间的距离；以及，根据所述第一横向距离、所述第二横向距离和所述第一纵向距离，确定所述车辆是否停驶在所述站点内的目标位置。该车辆停车检测方法实现了自动定量测量，节约了人力资源，提高了车辆停车检测的效率。

Description

车辆停车检测方法、系统、电子设备以及存储介质
技术领域
本申请涉及人工智能技术领域中的深度学习、自动驾驶技术领域，尤其涉及一种车辆停车检测方法、系统、存储介质、电子设备和计算机程序产品。
背景技术
在自动驾驶、驾照考核等场景中，都需要对车辆的停车结果进行检测，常用的检测方案是使用人工测量或使用传感器检测车辆是否压线。
在现有技术中，使用人工测量，对人力资源的需求较高，检测效率低；使用传感器检测车辆是否压线，只能对车辆进行定性停车检测，不能对车辆进行定量停车检测。
发明内容
本申请提供了一种用于车辆停车检测的方法、系统、设备以及存储介质。
根据本申请的第一方面，提供了一种车辆停车检测的方法，包括：
通过第一距离传感器获取所述车辆与站点内参考对象之间的第一横向距离；
通过第二距离传感器获取所述车辆与所述参考对象之间的第二横向距离；
获取第一摄像头采集的第一场景图像，并根据所述第一场景图像获取第一纵向距离，其中，所述第一纵向距离是指所述车辆的第一标记线与所述站点的第一停车线之间的距离；以及
根据所述第一横向距离、所述第二横向距离和所述第一纵向距离，确定所述车辆是否停驶在所述站点内的目标位置。
根据本申请的第二方面，提供了一种车辆停车检测系统，包括：
横向测距模块，用于通过第一距离传感器获取所述车辆与站点内参考对象之间的第一横向距离，并通过第二距离传感器获取所述车辆与所述参考对象之间的第二横向距离；
第一纵向测距模块，用于获取第一摄像头采集的第一场景图像，并根据所述第一场景图像获取第一纵向距离，其中，所述第一纵向距离是指所述车辆的第一标记线与所述站点的第一停车线之间的距离；
控制模块，用于接收所述横向测距模块发送的第一横向距离和第二横向距离，并接收所述纵向测距模块发送的第一纵向距离，根据所述第一横向距离、所述第二横向距离和所述第一纵向距离，确定所述车辆是否停驶在所述站点内的目标位置。
根据本申请的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请的一方面所述车辆停车检测方法。
根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本申请的一方面所述的车辆停车检测方法。
根据本申请的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面所述的车辆停车检测方法。
根据本申请的技术方案，实现了车辆停车的自动定量测量，节约了人力资源，提高了车辆停车检测的效率。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请一个实施例的车辆停车检测方法的流程图；
图2是根据本申请第二实施例的车辆停车检测方法的流程图；
图3是根据本申请一些实施例的车辆停车检测方法的流程图；
图4是根据本申请第三实施例的车辆停车检测方法的流程图；
图5a是根据本申请一个实施例的车辆停车检测方法准备阶段的示意图；
图5b是根据本申请一个实施例的车辆停车检测方法测量阶段的示意图；
图6是根据本申请第四实施例的车辆停车检测方法的流程图；
图7是本申请一些实施例中实时监测横向距离的流程图；
图8是根据本申请一个实施例的车辆停车检测系统的结构框图；
图9是根据本申请另一个实施例的车辆停车检测系统的结构框图；
图10是根据本申请又一个实施例的车辆停车检测系统的结构框图；
图11是根据本申请又一个实施例的车辆停车检测系统的结构框图；
图12是根据本申请又一个实施例的车辆停车检测系统的结构框图；
图13是根据本申请又一个实施例的车辆停车检测系统的结构框图；
图14是根据本申请又一个实施例的车辆停车检测系统的结构框图；
图15是用来实现本申请实施例的车辆停车检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本申请提出了一种车辆停车检测方法，本方法的车辆停车检测技术方案可以自动定量的对车辆停车进行检测，节约了人力资源，提高了车辆停车检测的效率。图1是根据本申请一个实施例的车辆停车检测方法的流程图。需要说明的是，本申请实施例的车辆停车检测方法可应用于本申请实施例的电子设备上。如图1所示，该车辆停车检测方法可以包括：
步骤101，通过第一距离传感器获取车辆与站点内参考对象之间的第一横向距离。
可以理解地，对车辆停车进行检测时，需要进行数据测量，检测的指标可以包括横向距离和纵向距离两方面。其中，横向可以为近似垂直于车长的方向，纵向可以为近似平行于车长的方向。
在本申请一些实施例中，横向距离可以是车辆和站点内参考对象之间的距离。站点内参考对象有很多种，可以根据具体的应用场景进行选择，本实施例不做限制，比如：路肩、站点旁的车辆等。
站点内参考对象和车辆的距离可以通过第一距离传感器测量得出，根据不同的成本预算和应用场景，可以选择不同的第一距离传感器，本申请不做限制，例如：激光测距仪、带有温度补偿的超声波传感器、以上两种传感器的改良。其中，带有温度补偿的超声波传感器测量范围是一个面，降低了对参考对象的要求，并且可以根据外界温度对测量数据进行修正，使得测量数据更加可靠。
需要说明的是，该第一距离传感器的固定位置可以根据不同的车辆、环境做出调整，本实施例不做限制，该固定位置包括但不限于：车轮毂上、车身上、参考对象上中的任一种。
可以理解地，在本申请一些实施例中，第一横向距离的获取方法有多种，包括但不限于：
方法一：通过第一传感器获取到的数据即为第一横向距离。
方法二：通过第一距离传感器对车辆与参考对象之间的距离进行多次采样，获取多次采样值；将多次采样值之中的最大值和最小值进行过滤，并根据过滤后剩余的采样值进行计算，将获得的计算结果作为所述第一横向距离。
该处理方法可以过滤掉由于硬件脉冲干扰生成的不合理数据，使得测试的数据更加精准可靠。可选地，第一距离传感器可以连续采样10次，并且通过冒泡排序算法将10次采样的结果按照大小顺序排序，去掉一个最大值和最小值，将剩下的8个采样数据取算术平均值，该平均值即为本次测量的第一横向距离。
步骤102，通过第二距离传感器获取车辆与参考对象之间的第二横向距离。
可以理解地，只凭借第一横向距离不能确定当前车辆在横向距离方面是否达到要求。还需要获取位于其他位置的，车辆与参考对象之间的距离，该距离可以称为第二横向距离，可以通过第二距离传感器获取第二横向距离。
在本申请一些实施例中，与第一距离传感器类似，根据应用场景的不同，第二距离传感器的种类、固定位置以及参考对象的种类可以有不同的选择，本实施例不做限制。和第一横向距离类似，第二横向距离可以通过第二距离传感器直接采样获得；也可以通过第二距离传感器多次采样，对多次采样数据进行数据处理获得。
步骤103，获取第一摄像头采集的第一场景图像，并根据第一场景图像获取第一纵向距离，其中，第一纵向距离是指车辆的第一标记线与站点的第一停车线之间的距离。
在本申请一些实施例中，可以在车辆上和站点上进行标记。车辆上的标记可以称为第一标记线；站点上的标记可以称为第一停车线。可以理解地，第一标记线用作标记车辆的实际纵向位置；第一停车线用作标记车辆的目标纵向位置。第一纵向距离为车辆实际纵向位置与目标纵向位置之间的距离，即为：第一标记线与第一停车线之间的距离。可以理解地，第一标记线和第一停车线的样式可以相同也可以不同。当第一标记线和第一停车线的样式不同时，可以根据具体的应用场景选择不同的样式，本实施例不做限制，例如：颜色不同、形状不同中的一个或多个。
第一标记线和第一停车线可以通过第一摄像头进行图像采集，从而获取第一场景图像。本实施例对所述第一摄像头的固定位置不做限制，可以根据车辆、场地等状况的不同进行选择，例如：固定于车辆、固定于站点。
通过图像处理技术，可以从第一场景图像中提取第一标记线和第一停车线。通过摄像头测距技术，可以获得第一标记线和第一停车线在纵向上的距离，该距离即为第一纵向距离。所述摄像头测距技术可以根据不同的场景进行选择，本实施例不做限制，例如：单目测距技术、双目测距技术中的任一种。
步骤104，根据第一横向距离、第二横向距离和第一纵向距离，确定车辆是否停驶在站点内的目标位置。
可以理解地，通过上述步骤，已经获取了第一横向距离、第二横向距离和第一纵向距离，根据上述参数可以确定车辆相对于站点内参考对象的位置。从而确定车辆是否停驶在站点内的目标位置。
在本申请一些实施例中，可以分别预设横向距离阈值和纵向距离阈值两种阈值。这两种阈值的大小可以根据车辆的大小以及停车精度的不同要求进行调整，当第一横向距离和第二横向距离满足横向距离阈值，且第一纵向距离满足第一纵向阈值时，即可认为车辆停在站点内的目标位置。当第一横向距离、第二横向距离、第一纵向距离中的任一个不满足相应的阈值时，即可认为车辆没有停在站点内的目标位置。
可以理解地，本申请实施例的车辆检测方法，可以应用于不同的场景，包括但不限于以下三种：
场景一，自动驾驶车辆停车性能的检测。
场景二，人工停车时，车辆停车结果的检测。
场景三，判断车辆停车位置是否满足残障人士的上车条件。
根据本申请实施例的车辆停车检测方法，通过距离传感器，获得第一横向距离和第二横向距离。通过摄像头，借助第一标记线和第一停车线，获得第一纵向距离。根据第一横向距离、第二横向距离和第一纵向距离，从而可以确定所述车辆是否在目标位置。
本方法将车辆是否在目标位置的问题，简化为对上述三个指标进行判断，并将第一纵向距离的测量问题，简化为对第一标记线和停车线之间距离的测量。在增强了检测准确性的同时，简化了测量数据的数量、降低了测量数据的难度，实现了自动定量标准化测量。同时不需要人工进行测量，节约了人力资源的同时提高了车辆停车检测的效率。
本申请的第二实施例中，基于第一实施例，在获取第一纵向距离时，可以借助第一标定方形图来确定第一纵向距离。可以基于图1的车辆停车检测方法使用实施例二具体说明该方法。可以通过图2具体说明，图2是根据本申请第二实施例的车辆停车检测方法的流程图，如图2所示，图1中步骤103可以为步骤201-205：
步骤201，获取第一摄像头采集的第一场景图像，对第一场景图像进行特征提取，获得第一场景图像的第一特征信息。
在本申请一些实施例中，该第一摄像头可以为单目摄像头，该摄像头获取的图像即为第一场景图像。可以理解的，根据应用场景的不同，可以预设不同的深度学习模型，该深度学习模型包括但不限于：卷积神经网络、基于区域的全卷积网络中的任一种。可以基于不同外部环境，通过第一摄像头获取图像，使用获取的图像对该预设模型进行训练。
可以理解地，车辆停车多发生在户外情景，使用不同外部环境下获取的图像对预设模型进行训练，可以使得该模型在不同光照、天气条件下，都可以识别出第一标记线、第一停车线和第一标定方形图。
使用训练后的预设模型对第一场景图像进行特征提取，即可获得第一场景图像对应的第一特征信息。
步骤202，检测第一特征信息之中是否包含第一标记线、第一停车线和第一标定方形图分别对应的特征。
第一纵向距离是基于第一标记线、第一停车线以及第一标定方形图获取的，可以理解，第一场景图像中需要包括第一标记线、第一停车线和第一标定方形图。在本申请一些实施例中，可以通过检测第一特征信息之中是否包含第一标记线、第一停车线和第一标定方形图分别对应的特征，确定第一场景图像中是否包括第一标记线、第一停车线和第一标定方形图。
在本申请一些实施例中，当第一特征信息中未包含：第一标记线的特征、第一停车线的特征、第一标定方形图的特征中的至少任一种时，确定该车辆未停驶在站点内的目标位置。在一些情况中，车辆停驶在目标位置，第一特征中的信息仍旧不完整，则需要对该车辆停车系统需要进行调试。
步骤203，响应于第一特征信息之中包含第一标记线、第一停车线和第一标定方形图分别对应的特征，根据第一特征信息获取第一标定方形图的边长像素个数。
在本申请一些实施例中，在第一特征信息之中包含第一标记线、第一停车线和第一标定方形图分别对应的特征的情况下，可以根据第一特征信息中第一标定方形图对应的特征，获取在第一场景图像中第一标定方形图的位置，从而得到第一场景图像中第一标定方形图的边长像素个数。
步骤204，根据第一特征信息，获取第一标记线与第一停车线之间的垂直像素个数。
在本申请一些实施例中，可以根据第一特征信息中第一标记线和第一停车线对应的特征，获取在第一场景图像中第一标记线和第一停车线的位置，从而得到第一场景图像中第一标记线与第一停车线之间的垂直像素个数。
步骤205，根据第一标定方形图的边长预设长度、第一标定方形图的边长像素个数和垂直像素个数，获取第一纵向距离，其中，第一纵向距离是指车辆的第一标记线与站点的第一停车线之间的距离。
可以理解地，在本申请一些实施例中，第一标记线与站点的第一停车线之间的纵向距离可以称为第一纵向距离，该第一纵向距离可以表示为D3。并且，第一标定方形图的边长预设长度可以表示为L，通过步骤203得到的第一标定方形图的边长像素个数可以表示为B，通过步骤204得到的垂直像素个数可以表示为C。则对于第一纵向距离D3，则有：D3/C＝L/B，故通过该公式即可计算出第一纵向距离D3。
在的本申请一些实施例中，车辆停车检测的流程如图3所示，图3是根据本申请一些实施例的车辆停车检测方法的流程图。
图3中，横向距离传感器包括：第一距离传感器和第二距离传感器；纵向距离传感器包括：第一摄像头。上位机发送启动指令，启动横向距离传感器和纵向距离传感器。
可以理解地，对于横向距离传感器，在横向距离传感器启动失败的情况下，上位机打印：横向传感器启动失败，并且上位机再次发送启动指令，直到横向距离传感器启动成功；在横向距离传感器启动成功的情况下，第一距离传感器和第二距离传感器进行距离的测量，微控制器进行数据处理。处理后的数据会被输出，上位机接收该数据。
对于纵向距离传感器，在纵向距离传感器启动失败的情况下，上位机打印：纵向传感器启动失败，并且上位机再次发送启动指令，直到纵向距离传感器启动成功；在纵向距离传感器启动成功的情况下，获取场景图，将图像输入提前使用数据库训练好的神经网络模型中，获得纵向数据。该数据会被输出，上位机接收该数据。
对于上位机，会接收到横向数据和纵向数据，并且在界面显示该数据，上位机判断数据是否合格。在数据合格的情况下，上位机打印：该组数据通过测试；在数据不合格的情况下，上位机打印：该组数据不通过测试。数据及其对应的结果可以保存到表格中。
其中，上述上位机可以是本申请实施例中进行数据处理的电子设备。
根据本申请实施例的车辆停车检测方法，从第一场景图像中提取第一标记线、第一停车线和第一标定方形图。通过第一标定方形图，得到第一场景图像中像素个数与实际场景中距离的关系。从而根据第一场景图像中第一标记线和第一停车线的距离，得到第一纵向距离。本方法成本低，通过已知数据和一个摄像头获取的数据即可获得第一纵向距离，并且检测速度快，效率高。
本申请的第三实施例中，基于上述实施例，为了能获取更准确的车辆纵向距离，可以在站点内设置第二标定方形图，使用第二摄像头获取第二纵向距离。还可以包括步骤401-403。
可以通过图4具体说明，图4是根据本申请第三实施例的车辆停车检测方法的流程图，包括：
步骤401，获取第二摄像头采集的第二场景图像。
在本申请一些实施例中，该第二摄像头可以为单目摄像头，该摄像头获取的图像即为第二场景图像。
步骤402，根据第二场景图像获取第二纵向距离，其中，第二纵向距离是指车辆的第二标记线与站点的第二停车线之间的距离。
在本申请一些实施例中，除第一标记线和第一停车线外，还可以在车辆上标记第二标记线，站点上标记第二停车线。类似地，第二标记线用作标记车辆的实际纵向位置；第二停车线用作标记车辆的目标纵向位置。可以理解地，第一标记线与第一停车线相对应，第二标记线与第二停车线相对应。
通过图像处理技术，可以从第二场景图像中提取第二标记线和第二停车线。通过摄像头测距技术，可以获得第二标记线和第二停车线在纵向上的距离，该距离即为第二纵向距离。所述摄像头测距技术可以根据不同的场景进行选择，本实施例不做限制，例如：单目测距技术、双目测距技术中的任一种。
在本申请一些实施例中，根据第二场景图像获取第二纵向距离的步骤可以包括：
步骤一，对第二场景图像进行特征提取，获得第二场景图像的第二特征信息。
在本申请一些实施例中，根据应用场景的不同，可以预设不同的深度学习模型，包括但不限于：卷积神经网络、基于区域的全卷积网络中的任一种。可以基于不同外部环境，通过第二摄像头获取图像，使用获取的图像对该预设模型进行训练。
可以理解地，当第二标记线与第一标记线样式相同，第二停车线与第二标记线样式相同时，该用于提取第二特征信息的模型和用于提取第一特征信息的模型可以为同一个模型。
使用训练后的预设模型对第二场景图像进行特征提取，即可获得第二场景图像对应的第二特征信息。
步骤二，检测第二特征信息之中是否包含第二标记线、第二停车线和第二标定方形图分别对应的特征。
第二纵向距离是基于第二标记线、第二停车线以及第二标定方形图获取的，可以理解，第二场景图像中需要包括第二标记线、第二停车线和第二标定方形图。在本申请一些实施例中，可以通过检测第二特征信息之中是否包含第二标记线、第二停车线和第二标定方形图分别对应的特征，确定第二场景图像中是否包括第二标记线、第二停车线和第二标定方形图。
步骤三，响应于第二特征信息之中包含第二标记线、第二停车线和第二标定方形图分别对应的特征，根据第二特征信息获取第二标定方形图的边长像素个数。
在本申请一些实施例中，在第二特征信息之中包含第二标记线、第二停车线和第二标定方形图分别对应的特征的情况下，可以根据第二特征信息中第二标定方形图对应的特征，获取在第二场景图像中第二标定方形图的位置，从而得到第一场景图像中第一标定方形图的边长像素个数。
步骤四，根据第二特征信息，获取第二标记线与第二停车线之间的垂直像素个数。
在本申请一些实施例中，可以根据第二特征信息中第二标记线和第二停车线对应的特征，获取在第二场景图像中第二标记线和第二停车线的位置，从而得到第二场景图像中第二标记线与第二停车线之间的垂直像素个数。
步骤五，根据第二标定方形图的边长预设长度、第二标定方形图的边长像素个数和垂直像素个数，获取第二纵向距离。
可以理解地，在本申请一些实施例中，第二标记线与站点的第二停车线之间的纵向距离可以称为第二纵向距离，该第二纵向距离可以表示为D4。并且，第二标定方形图的边长预设长度可以表示为L’，通过步骤三得到的第一标定方形图的边长像素个数可以表示为B’，通过步骤四得到的垂直像素个数可以表示为C’。则对于第一纵向距离D4，则有：D4/C’＝L’/B’。
步骤403，根据第一横向距离、第二横向距离、第一纵向距离和第二纵向距离，确定车辆是否停驶在站点内的目标位置。
可以理解地，通过上述步骤，已经获取了第一横向距离、第二横向距离、第一纵向距离以及第二横向距离，根据上述参数可以确定车辆相对于站点内参考对象的位置。从而确定车辆是否停驶在站点内的目标位置。
在本申请一些实施例中，车辆停车检测方法准备阶段，如图5a所示，图5a是根据本申请一个实施例的车辆停车检测方法准备阶段的示意图。
图5a中，第一摄像头(图上未画出)和第二摄像头(图上未画出)固定于车辆上，车辆前门和车辆后门分别贴有紫色的第一标记线501和第二标记线502，站点内对应位置分别贴有蓝色的第一停车线503和第二停车线504，站点内还贴有橘黄色的第一标定方形图505和第二标定方形图506。其中，这些标记的位置都是已知的，第一标定方形图505、第二标定方形图506贴在第一停车线503与第二停车线504之间的位置。并且，第一标记线501和第一停车线503相对应；第二标记线502和第二停车线504相对应。可以理解地，第一摄像头采集的第一场景图像可以包括虚线框509所示的范围，如图5a所示，虚线框509包括第一标记线501、第一停车线503以及第一标定方形图505；第二摄像头采集的第二场景图像可以包括虚线框510所示的范围，如图5a所示，虚线框510包括第二标记线502、第二停车线504以及第二标定方形图506。
图5a中，还包括第一距离传感器(图上未画出)和第二距离传感器(图上未画出)，该传感器可以为超声波传感器，并且分别固定于车辆的前轮毂507和后轮毂508。
在本申请一些实施例中，车辆停车检测方法测量阶段，如图5b所示，图5b是根据本申请一个实施例的车辆停车检测方法测量阶段的示意图。
图5b中，可以使用第一摄像头采集第一场景图像，使用第二摄像头采集第二场景图像，并且对第一场景图像和第二场景图像进行处理，该图像经过处理可以获得第一纵向距离D3和第二纵向距离D4，该第一纵向距离和第二纵向距离会传输给上位机。
图5b中，还可以使用第一距离传感器获取前轮毂与参考对象511之间的第一横向距离D1；使用第二距离传感器获取后轮毂与参考对象511之间的第二横向距离D2。，该数据可以经过单片机处理，通过2.4G无线通讯传输，发送给上位机。
在本申请一些实施例中，还可以生成停车检测报告，该报告可以通过步骤一和步骤二生成，其中：
步骤一，获取车辆的停车检测结果。
可以理解地，横向、纵向距离同时满足要求的情况下，停车检测结果即为车辆停靠在目标位置上；当横向距离和/或纵向距离未满足要求的情况下，则停车检测结果即为车辆未停靠在目标位置上。获取停车检测结果的方法有多种，本实施例不做限制，例如：通过有线传输获取、通过无线传输获取。
图5b中，可以使用上位机通过2.4G无线通讯传输获取车辆的停车检测结果，并将该结果进行显示。
步骤二，根据第一横向距离、第二横向距离、第一纵向距离和所述停车检测结果，生成停车检测报告。
本申请一些实施例中，可以根据第一横向距离、第二横向距离、第一纵向距离及其对应的停车检测结果，生成停车检测报告。
图5b中，可以将数据和对应的停车检测结果保存到指定表格位置，并根据该表格生成停车检测报告。通过该报告可以直观、定量地分析出此车辆停车的综合表现。
在本申请一些实施例中，当车辆具备无人驾驶系统时，可以根据该停车检测报告，分析无人驾驶系统的性能，并且做出相应的调试，并可以在进行相应的迭代测试。
根据本申请实施例的车辆停车检测方法，获取的数据除了第一横向距离、第二横向距离、第一纵向距离还有第二纵向距离，可以检测到更准确的车辆停车位置。
本申请的第四实施例中，基于上述实施例，为了保障车辆停车过程中的安全，还可以使用第一距离传感器和第二距离传感器实时监测横向距离的变化情况。为了更清楚说明该技术手段，可以基于上述各实施例的车辆停车检测方法，用实施例四具体说明该技术手段。在本申请一些实施例中，还包括步骤601-603。
如图6所示，图6是根据本申请第四实施例的车辆停车检测方法的流程图，具体包括：
步骤601，在车辆驶入站点的过程中，通过第一距离传感器和第二距离传感器实时检测车辆与参考对象之间的横向距离。
可以理解地，车辆最终会停靠在站点参考对像的旁边，当自动驾驶系统尚未调试成功或驾驶员操作失误等的情况下，车辆横向距离过小，车辆有可能与参考对象发生碰撞。
在本申请一些实施例中，在车辆驶入站点的过程中，可以使用第一距离传感器和第二距离传感器实时检测车辆与参考对象之间的横向距离。
步骤602，根据车辆与参考对象之间的横向距离、以及第一距离传感器和第二距离传感器检测的距离实时变化情况，预测车辆是否将发生碰撞。
可以理解地，在本申请一些实施例中，可以预设一个阈值，当横向距离、第一距离传感器实时检测距离、第二距离传感器实时检测距离中的任一个小于该阈值的时候，可以预测该车辆和参考对象将要发生碰撞。
步骤603，响应于车辆将发生碰撞，进行防碰撞预警提醒。
在本申请一些实施例中，当预测到车辆将发生碰撞时，会发出防碰撞预警提醒，在不同的应用场景中，可以有不同的防碰撞预警提醒方式，本实施例不做限制，包括但不限于如下两种方法：
方法一，发出蜂鸣声提醒驾驶员接管车辆或注意驾驶。
方法二，连接车辆制动系统，直接进行车辆的制动。
在本申请一些实施例中，使用第一距离传感器和第二距离传感器实时监测横向距离的变化情况的流程图如图7所示，图7是本申请一些实施例中实时监测横向距离的流程图。
图7中，横向距离传感器包括：第一距离传感器和第二距离传感器。可以理解地，上位机发送防碰撞指令，从而启动横向距离传感器，在横向距离传感器启动失败的情况下，上位机打印：横向传感器启动失败，并且上位机再次发送防碰撞指令，直到横向距离传感器启动成功；在横向距离传感器启动成功的情况下，第一距离传感器和第二距离传感器进行距离的测量，微控制器进行数据处理。处理后的数据会被输出，上位机继续进行数据的处理，并判断横向距离是否过近。在距离过近的情况下，会进行报警提醒；在距离没有过近的情况下，上位机会打印实时距离，并且上位机再次发送防碰撞指令，进行横向距离的实时监测。
根据本申请实施例的车辆停车检测方法，使用第一距离传感器和第二距离传感器监测车辆和参考对象之间的距离，避免了碰撞的发生，保障了检测过程中的安全问题。
根据本申请的实施例，本申请还提出了一种车辆停车检测系统。
图8是根据本申请一个实施例的车辆停车检测系统的结构框图。如图8所示，该车辆停车检测系统800可以包括：横向测距模块810，第一纵向测距模块820，控制模块830，其中：
横向测距模块810，用于通过第一距离传感器获取所述车辆与站点内参考对象之间的第一横向距离，并通过第二距离传感器获取所述车辆与所述参考对象之间的第二横向距离。
在本申请一些实施例中，第一距离传感器和/或第二距离传感器的内部组成可以包括：超声波传感单元、STM(STMicroelectronics)32微控制单元、2.4G(GigaHertz)无线传输单元、电量显示单元、5V(Volt)电池单元、防水金属开关单元、防水充电头单元、上壳、下壳。上壳带有两个圆孔并且带有凹槽；超声波传感单元包括两个探头和电路板。超声波传感单元放置于整个传感器的前端，超声波传感单元的两个探头伸入上壳的两个圆孔内，超声波传感单元的电路板部分放置于下壳凹槽内，并用螺钉孔固定。5V电池单元放置于下壳内，通过双面强力胶粘到下壳壳面上，5V电池单元上方放置STM32微控制单元，STM32微控制单元用于数据处理与信号控制，通过热缩胶固定在下壳上。电量显示单元用于5V电池单元电量的显示，放置于下壳侧壁凹槽处，2.4G无线传输单元放置于超声波传感单元电路板的后方，用于上位机信号的接收以及超声波传感单元数据的发送，在下壳的两侧后方分别是带防水帽的防水充电头单元以及防水金属开关单元。
第一纵向测距模块820，用于获取第一摄像头采集的第一场景图像，并根据所述第一场景图像获取第一纵向距离，其中，所述第一纵向距离是指所述车辆的第一标记线与所述站点的第一停车线之间的距离。
控制模块830，用于接收所述横向测距模块发送的第一横向距离和第二横向距离，并接收所述纵向测距模块发送的第一纵向距离，根据所述第一横向距离、所述第二横向距离和所述第一纵向距离，确定所述车辆是否停驶在所述站点内的目标位置。
在本申请一些实施例中，如图9所示，图9是根据本申请另一个实施例的车辆停车检测系统的结构框图，该车辆停车检测系统900中，第一纵向测距模块920包括：第一提取单元921，第一检测单元922，第一像素获取单元923，第一距离获取单元924，其中：
第一提取单元921，用于对所述第一场景图像进行特征提取，获得所述第一场景图像的第一特征信息。
第一检测单元922，用于检测所述第一特征信息之中是否包含所述第一标记线、所述第一停车线和所述第一标定方形图分别对应的特征。
第一像素获取单元923，用于响应于所述第一特征信息之中包含所述第一标记线、所述第一停车线和所述第一标定方形图分别对应的特征，根据所述第一特征信息获取所述第一标定方形图的边长像素个数，以及，根据所述第一特征信息，获取所述第一标记线与所述第一停车线之间的垂直像素个数。
第一距离获取单元924，用于根据所述第一标定方形图的边长预设长度、所述第一标定方形图的边长像素个数和所述垂直像素个数，获取所述第一纵向距离。
其中，图9中910、930和图8中810、830具有相同功能和结构。
在本申请一些实施例中，如图10所示，图10是根据本申请又一个实施例的车辆停车检测系统的结构框图，该车辆停车检测系统1000中，第一纵向测距模块1020还包括：判断单元1025，其中：
判断单元1025，用于当所述第一特征信息之中未包含所述第一标记线的特征，和/或，所述第一特征信息之中未包含所述第一停车线的特征，和/或，所述第一特征信息之中未包含所述第一标定方形图的特征时，确定所述车辆未停驶在所述站点内的目标位置。
其中，图10中1010、1030和图9中910、930具有相同功能和结构，图10中1021-1024和图9中921-924具有相同功能和结构。
在本申请一些实施例中，如图11所示，图11是根据本申请又一个实施例的车辆停车检测系统的结构框图，该车辆停车检测系统1100中，还包括：第二纵向测距模块1140，其中：
第二纵向测距模块1140，用于获取第二摄像头采集的第二场景图像，并根据所述第二场景图像获取第二纵向距离，其中，所述第二纵向距离是指所述车辆的第二标记线与所述站点的第二停车线之间的距离。
其中，图11中1110-1030和图10中1010-1030具有相同功能和结构。
在本申请一些实施例中，如图12所示，图12是根据本申请又一个实施例的车辆停车检测系统的结构框图，该车辆停车检测系统1200中，第二纵向测距模块1240还包括：第二提取单元1241，第二检测单元1242，第二像素获取单元1243，第二距离获取单元1244，其中：
第二提取单元1241，用于对所述第二场景图像进行特征提取，获得所述第二场景图像的第二特征信息。
第二检测单元1242，用于检测所述第二特征信息之中是否包含所述第二标记线、所述第二停车线和所述第二标定方形图分别对应的特征。
第二像素获取单元1243，用于响应于所述第二特征信息之中包含所述第二标记线、所述第二停车线和所述第二标定方形图分别对应的特征，根据所述第二特征信息获取所述第二标定方形图的边长像素个数，以及，根据所述第二特征信息，获取所述第二标记线与所述第二停车线之间的垂直像素个数。
第二距离获取单元1244，用于根据所述第二标定方形图的边长预设长度、所述第二标定方形图的边长像素个数和所述垂直像素个数，获取所述第二纵向距离。
其中，图12中1210-1230和图11中1110-1130具有相同功能和结构。
在本申请一些实施例中，如图13所示，图13是根据本申请又一个实施例的车辆停车检测系统的结构框图，该车辆停车检测系统1300中，还包括：检测模块1350，预测模块1360，预警模块1370，其中：
检测模块1350，用于在所述车辆驶入所述站点的过程中，通过所述第一距离传感器和所述第二距离传感器实时检测所述车辆与所述参考对象之间的横向距离；
预测模块1360，用于根据所述车辆与所述参考对象之间的横向距离、以及所述第一距离传感器和所述第二距离传感器检测的距离实时变化情况，预测所述车辆是否将发生碰撞；
预警模块1370，用于响应于所述车辆将发生碰撞，进行防碰撞预警提醒。
其中，图13中1310-1340和图12中1210-1240具有相同功能和结构。
在本申请一些实施例中，如图14所示，图14是根据本申请又一个实施例的车辆停车检测系统的结构框图，该车辆停车检测系统1400中，还包括：获取模块1480，报告模块1490，其中：
获取模块1480，用于获取所述车辆的停车检测结果；
报告模块1490，用于根据所述第一横向距离、所述第二横向距离、所述第一纵向距离和所述停车检测结果，生成停车检测报告。
其中，图14中1410-1470和图13中1310-1370具有相同功能和结构。
关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图15示出了可以用来实施本申请的实施例的示例电子设备1500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图15所示，设备1500包括计算单元1501，其可以根据存储在只读存储器(ROM)1502中的计算机程序或者从存储单元1508加载到随机访问存储器(RAM)1503中的计算机程序，来执行各种适当的动作和处理。在RAM 1503中，还可存储设备1500操作所需的各种程序和数据。计算单元1501、ROM 1502以及RAM 1503通过总线1504彼此相连。输入/输出(I/O)接口1505也连接至总线1504。
设备1500中的多个部件连接至I/O接口1505，包括：输入单元1506，例如键盘、鼠标等；输出单元1507，例如各种类型的显示器、扬声器等；存储单元1508，例如磁盘、光盘等；以及通信单元1509，例如网卡、调制解调器、无线通信收发机等。通信单元1509允许设备1500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1501执行上文所描述的各个方法和处理，例如车辆停车检测方法。例如，在一些实施例中，车辆停车检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1502和/或通信单元1509而被载入和/或安装到设备1500上。当计算机程序加载到RAM1503并由计算单元1501执行时，可以执行上文描述的车辆停车检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元1501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车辆停车检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
根据本申请实施例的车辆停车检测方法，通过距离传感器，获得第一横向距离和第二横向距离。通过摄像头，借助第一标记线和第一停车线，获得第一纵向距离。根据第一横向距离、第二横向距离和第一纵向距离，从而可以确定所述车辆是否在目标位置。
本方法将车辆是否在目标位置的问题，简化为对上述三个指标进行判断，并将第一纵向距离的测量问题，简化为对第一标记线和停车线之间距离的测量。在增强了检测准确性的同时，简化了测量数据的数量、降低了测量数据的难度，实现了自动定量标准化测量。同时不需要人工进行测量，节约了人力资源的同时提高了车辆停车检测的效率。
从第一场景图像中提取第一标记线、第一停车线和第一标定方形图。通过第一标定方形图，得到第一场景图像中像素个数与实际场景中距离的关系。从而根据第一场景图像中第一标记线和第一停车线的距离，得到第一纵向距离。本方法成本低，通过已知数据和一个摄像头获取的数据即可获得第一纵向距离，并且检测速度快，效率高。
获取的数据除了第一横向距离、第二横向距离、第一纵向距离还有第二纵向距离，可以检测到更准确的车辆停车位置。
根据本申请实施例的车辆停车检测方法，使用第一距离传感器和第二距离传感器监测车辆和参考对象之间的距离，避免了碰撞的发生，保障了检测过程中的安全问题。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (19)

1.一种车辆停车检测方法，包括：
通过第一距离传感器获取所述车辆与站点内参考对象之间的第一横向距离；
通过第二距离传感器获取所述车辆与所述参考对象之间的第二横向距离；
获取第一摄像头采集的第一场景图像，并根据所述第一场景图像获取第一纵向距离，其中，所述第一纵向距离是指所述车辆的第一标记线与所述站点的第一停车线之间的距离；以及
根据所述第一横向距离、所述第二横向距离和所述第一纵向距离，确定所述车辆是否停驶在所述站点内的目标位置。
2.根据权利要求1所述的方法，其中，所述站点内还设置有第一标定方形图；所述根据所述第一场景图像获取第一纵向距离，包括：
对所述第一场景图像进行特征提取，获得所述第一场景图像的第一特征信息；
检测所述第一特征信息之中是否包含所述第一标记线、所述第一停车线和所述第一标定方形图分别对应的特征；
响应于所述第一特征信息之中包含所述第一标记线、所述第一停车线和所述第一标定方形图分别对应的特征，根据所述第一特征信息获取所述第一标定方形图的边长像素个数；
根据所述第一特征信息，获取所述第一标记线与所述第一停车线之间的垂直像素个数；
根据所述第一标定方形图的边长预设长度、所述第一标定方形图的边长像素个数和所述垂直像素个数，获取所述第一纵向距离。
3.根据权利要求2所述的方法，还包括：
当所述第一特征信息之中未包含所述第一标记线的特征，和/或，所述第一特征信息之中未包含所述第一停车线的特征，和/或，所述第一特征信息之中未包含所述第一标定方形图的特征时，确定所述车辆未停驶在所述站点内的目标位置。
4.根据权利要求1至3中任一项所述的方法，还包括：
获取第二摄像头采集的第二场景图像，并根据所述第二场景图像获取第二纵向距离，其中，所述第二纵向距离是指所述车辆的第二标记线与所述站点的第二停车线之间的距离；
其中，所述根据所述第一横向距离、所述第二横向距离和所述第一纵向距离，确定所述车辆是否停驶在所述站点内的目标位置，包括：
根据所述第一横向距离、所述第二横向距离、所述第一纵向距离和所述第二纵向距离，确定所述车辆是否停驶在所述站点内的目标位置。
5.根据权利要求4所述的方法，其中，所述站点内还设置有第二标定方形图；所述根据所述第二场景图像获取第二纵向距离，包括：
对所述第二场景图像进行特征提取，获得所述第二场景图像的第二特征信息；
检测所述第二特征信息之中是否包含所述第二标记线、所述第二停车线和所述第二标定方形图分别对应的特征；
响应于所述第二特征信息之中包含所述第二标记线、所述第二停车线和所述第二标定方形图分别对应的特征，根据所述第二特征信息获取所述第二标定方形图的边长像素个数；
根据所述第二特征信息，获取所述第二标记线与所述第二停车线之间的垂直像素个数；
根据所述第二标定方形图的边长预设长度、所述第二标定方形图的边长像素个数和所述垂直像素个数，获取所述第二纵向距离。
6.根据权利要求1所述的方法，还包括：
在所述车辆驶入所述站点的过程中，通过所述第一距离传感器和所述第二距离传感器实时检测所述车辆与所述参考对象之间的横向距离；
根据所述车辆与所述参考对象之间的横向距离、以及所述第一距离传感器和所述第二距离传感器检测的距离实时变化情况，预测所述车辆是否将发生碰撞；
响应于所述车辆将发生碰撞，进行防碰撞预警提醒。
7.根据权利要求1所述的方法，其中，所述通过第一距离传感器获取所述车辆与站点内参考对象之间的第一横向距离，包括：
通过所述第一距离传感器对所述车辆与所述参考对象之间的距离进行多次采样，获取多次采样值；
将所述多次采样值之中的最大值和最小值进行过滤，并根据过滤后剩余的采样值进行计算，将获得的计算结果作为所述第一横向距离。
8.根据权利要求1所述的方法，还包括：
获取所述车辆的停车检测结果；
根据所述第一横向距离、所述第二横向距离、所述第一纵向距离和所述停车检测结果，生成停车检测报告。
9.一种车辆停车检测系统，包括：
横向测距模块，用于通过第一距离传感器获取所述车辆与站点内参考对象之间的第一横向距离，并通过第二距离传感器获取所述车辆与所述参考对象之间的第二横向距离；
第一纵向测距模块，用于获取第一摄像头采集的第一场景图像，并根据所述第一场景图像获取第一纵向距离，其中，所述第一纵向距离是指所述车辆的第一标记线与所述站点的第一停车线之间的距离；
控制模块，用于接收所述横向测距模块发送的第一横向距离和第二横向距离，并接收所述纵向测距模块发送的第一纵向距离，根据所述第一横向距离、所述第二横向距离和所述第一纵向距离，确定所述车辆是否停驶在所述站点内的目标位置。
10.根据权利要求9所述的系统，其中，所述第一纵向测距模块，包括：
第一提取单元，用于对所述第一场景图像进行特征提取，获得所述第一场景图像的第一特征信息；
第一检测单元，用于检测所述第一特征信息之中是否包含所述第一标记线、所述第一停车线和所述第一标定方形图分别对应的特征；
第一像素获取单元，用于响应于所述第一特征信息之中包含所述第一标记线、所述第一停车线和所述第一标定方形图分别对应的特征，根据所述第一特征信息获取所述第一标定方形图的边长像素个数，以及，根据所述第一特征信息，获取所述第一标记线与所述第一停车线之间的垂直像素个数；
第一距离获取单元，用于根据所述第一标定方形图的边长预设长度、所述第一标定方形图的边长像素个数和所述垂直像素个数，获取所述第一纵向距离。
11.根据权利要求10所述的系统，还包括：
判断单元，用于当所述第一特征信息之中未包含所述第一标记线的特征，和/或，所述第一特征信息之中未包含所述第一停车线的特征，和/或，所述第一特征信息之中未包含所述第一标定方形图的特征时，确定所述车辆未停驶在所述站点内的目标位置。
12.根据权利要求9至11中任一项所述的系统，还包括：
第二纵向测距模块，用于获取第二摄像头采集的第二场景图像，并根据所述第二场景图像获取第二纵向距离，其中，所述第二纵向距离是指所述车辆的第二标记线与所述站点的第二停车线之间的距离；
其中，所述控制模块，包括：
用于根据所述第一横向距离、所述第二横向距离、所述第一纵向距离和所述第二纵向距离，确定所述车辆是否停驶在所述站点内的目标位置。
13.根据权利要求12所述的系统，其中，所述第二测距模块，包括：
第二提取单元，用于对所述第二场景图像进行特征提取，获得所述第二场景图像的第二特征信息；
第二检测单元，用于检测所述第二特征信息之中是否包含所述第二标记线、所述第二停车线和所述第二标定方形图分别对应的特征；
第二像素获取单元，用于响应于所述第二特征信息之中包含所述第二标记线、所述第二停车线和所述第二标定方形图分别对应的特征，根据所述第二特征信息获取所述第二标定方形图的边长像素个数，以及，根据所述第二特征信息，获取所述第二标记线与所述第二停车线之间的垂直像素个数；
第二距离获取单元，用于根据所述第二标定方形图的边长预设长度、所述第二标定方形图的边长像素个数和所述垂直像素个数，获取所述第二纵向距离。
14.根据权利要求9所述的系统，还包括：
检测模块，用于在所述车辆驶入所述站点的过程中，通过所述第一距离传感器和所述第二距离传感器实时检测所述车辆与所述参考对象之间的横向距离；
预测模块，用于根据所述车辆与所述参考对象之间的横向距离、以及所述第一距离传感器和所述第二距离传感器检测的距离实时变化情况，预测所述车辆是否将发生碰撞；
预警模块，用于响应于所述车辆将发生碰撞，进行防碰撞预警提醒。
15.根据权利要求9所述的系统，其中，所述横向测距模块，用于：
通过所述第一距离传感器对所述车辆与所述参考对象之间的距离进行多次采样，获取多次采样值；
将所述多次采样值之中的最大值和最小值进行过滤，并根据过滤后剩余的采样值进行计算，将获得的计算结果作为所述第一横向距离。
16.根据权利要求9所述的系统，还包括：
获取模块，用于获取所述车辆的停车检测结果；
报告模块，用于根据所述第一横向距离、所述第二横向距离、所述第一纵向距离和所述停车检测结果，生成停车检测报告。
17.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
CN202110322295.4A 2021-03-25 2021-03-25 车辆停车检测方法、系统、电子设备以及存储介质 Active CN113012441B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202110322295.4A CN113012441B (zh) 2021-03-25 2021-03-25 车辆停车检测方法、系统、电子设备以及存储介质
US17/487,872 US20220019818A1 (en) 2021-03-25 2021-09-28 Method and system for vehicle parking detection, and storage medium
EP21199712.7A EP3923184A3 (en) 2021-03-25 2021-09-29 Method and system for vehicle parking detection, electronic device and storage medium
KR1020210137473A KR20210151718A (ko) 2021-03-25 2021-10-15 차량 주차 검출 방법, 시스템, 전자 기기 및 저장 매체
JP2021212251A JP2022043238A (ja) 2021-03-25 2021-12-27 車両駐車検出方法、システム、電子機器及び記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110322295.4A CN113012441B (zh) 2021-03-25 2021-03-25 车辆停车检测方法、系统、电子设备以及存储介质

Publications (2)

Publication Number Publication Date
CN113012441A true CN113012441A (zh) 2021-06-22
CN113012441B CN113012441B (zh) 2023-01-13

Family

ID=76407361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110322295.4A Active CN113012441B (zh) 2021-03-25 2021-03-25 车辆停车检测方法、系统、电子设备以及存储介质

Country Status (5)

Country Link
US (1) US20220019818A1 (zh)
EP (1) EP3923184A3 (zh)
JP (1) JP2022043238A (zh)
KR (1) KR20210151718A (zh)
CN (1) CN113012441B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114347847A (zh) * 2022-03-18 2022-04-15 蔚来汽车科技(安徽)有限公司 用于协助泊车的方法、控制装置、存储介质和换电站

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115471787B (zh) * 2022-08-09 2023-06-06 东莞先知大数据有限公司 一种工地物体堆放检测方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109229095A (zh) * 2018-10-30 2019-01-18 百度在线网络技术（北京）有限公司 用于确定自动泊车效果的方法、装置、设备和存储介质
CN109598972A (zh) * 2018-11-23 2019-04-09 中汽研（天津）汽车工程研究院有限公司 一种基于视觉的自动泊车停车位检测与测距系统
CN109934140A (zh) * 2019-03-01 2019-06-25 武汉光庭科技有限公司 基于检测地面横向标线的自动倒车辅助停车方法及系统

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001114049A (ja) * 1999-10-20 2001-04-24 Matsushita Electric Ind Co Ltd 車載駐車支援装置
JP2002288799A (ja) * 2001-03-28 2002-10-04 Seiko Epson Corp 駐車状態確認システム
JP4241026B2 (ja) * 2002-12-24 2009-03-18 横河電機株式会社 フィルタ
JP4515923B2 (ja) * 2005-01-12 2010-08-04 クラリオン株式会社 駐車技術評価システム
KR101051390B1 (ko) * 2009-08-31 2011-07-22 주식회사 이미지넥스트 감시카메라의 객체 정보 추정장치 및 방법
JP2012159469A (ja) * 2011-02-02 2012-08-23 Toyota Motor Corp 車両用画像認識装置
KR101316465B1 (ko) * 2012-06-29 2013-10-08 현대자동차주식회사 충돌 방지 시스템 및 방법
KR102399655B1 (ko) * 2015-11-03 2022-05-19 엘지이노텍 주식회사 차량용 카메라의 시야각 조절 및 거리 표시 방법
KR102493878B1 (ko) * 2016-06-27 2023-01-31 모빌아이 비젼 테크놀로지스 엘티디. 검출된 주차 차량의 특징에 기반을 둔 호스트 차량의 제어
US10996338B2 (en) * 2017-09-12 2021-05-04 Toyota Research Institute, Inc. Systems and methods for detection by autonomous vehicles
KR102088611B1 (ko) * 2017-12-29 2020-03-12 윤태건 차량용 주차제어장치 및 그 장치의 구동방법
US11136022B2 (en) * 2018-05-29 2021-10-05 Hitachi Automotive Systems, Ltd. Road marker detection method
JPWO2020129516A1 (ja) * 2018-12-21 2021-10-28 日立Astemo株式会社 車両制御装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109229095A (zh) * 2018-10-30 2019-01-18 百度在线网络技术（北京）有限公司 用于确定自动泊车效果的方法、装置、设备和存储介质
CN109598972A (zh) * 2018-11-23 2019-04-09 中汽研（天津）汽车工程研究院有限公司 一种基于视觉的自动泊车停车位检测与测距系统
CN109934140A (zh) * 2019-03-01 2019-06-25 武汉光庭科技有限公司 基于检测地面横向标线的自动倒车辅助停车方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114347847A (zh) * 2022-03-18 2022-04-15 蔚来汽车科技(安徽)有限公司 用于协助泊车的方法、控制装置、存储介质和换电站

Also Published As

Publication number Publication date
EP3923184A2 (en) 2021-12-15
CN113012441B (zh) 2023-01-13
EP3923184A3 (en) 2022-05-18
JP2022043238A (ja) 2022-03-15
KR20210151718A (ko) 2021-12-14
US20220019818A1 (en) 2022-01-20

Similar Documents

Publication Publication Date Title
CN111998860B (zh) 自动驾驶定位数据校验方法、装置、电子设备及存储介质
CN106503653B (zh) 区域标注方法、装置和电子设备
CN113012441B (zh) 车辆停车检测方法、系统、电子设备以及存储介质
CN111398989A (zh) 驾驶辅助系统的性能分析方法和测试设备
CN106815574B (zh) 建立检测模型、检测接打手机行为的方法和装置
CN104034733A (zh) 基于双目视觉监测与表面裂纹图像识别的寿命预测方法
US11971961B2 (en) Device and method for data fusion between heterogeneous sensors
CN112764013B (zh) 自动驾驶车辆感知系统测试方法、装置、设备及存储介质
CN111220197A (zh) 车道线偏离报警系统的测试系统和测试方法
CN111524394A (zh) 提升机坪综合航迹监视数据精度的方法、装置及系统
CN111337910A (zh) 一种雷达检验方法及装置
CN114565908A (zh) 车道线的检测方法、装置、电子设备及存储介质
CN114067140A (zh) 一种用于粮食扦样机的自动控制系统
CN113177980A (zh) 用于自动驾驶的目标对象速度确定方法、装置及电子设备
CN110111018B (zh) 评估车辆感测能力的方法、装置、电子设备及存储介质
CN115690739B (zh) 多传感器融合障碍物存在性检测方法和自动驾驶车辆
CN115035481A (zh) 一种图像物距融合方法、装置、设备及存储介质
CN116359909A (zh) 一种行驶轨迹确定方法
CN115392407A (zh) 基于无监督学习的危险源预警方法、装置、设备及介质
CN112630736B (zh) 路侧雷达的参数确定方法、装置、设备及存储介质
CN113191279A (zh) 数据标注方法、装置、设备、存储介质以及计算机程序产品
CN115630335B (zh) 一种基于多传感器融合和深度学习模型道路信息生成方法
CN117765067A (zh) 车辆运动指标测量方法、装置、设备及自动驾驶车辆
CN117152560A (zh) 目标检测模型的训练和目标检测方法以及装置
CN117315922A (zh) 交通事故责任认定方法、装置及设备

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