CN113160605A - 一种融合的车位识别方法 - Google Patents
一种融合的车位识别方法 Download PDFInfo
- Publication number
- CN113160605A CN113160605A CN202011530433.XA CN202011530433A CN113160605A CN 113160605 A CN113160605 A CN 113160605A CN 202011530433 A CN202011530433 A CN 202011530433A CN 113160605 A CN113160605 A CN 113160605A
- Authority
- CN
- China
- Prior art keywords
- parking space
- parking
- space
- image
- effective area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—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
-
- 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
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
Abstract
本发明公开了一种融合的车位识别方法,基于空间的车位识别方法确定位于预设停车区域内的能够实现无障碍停车的有效区域S;基于图像的车位识别方法确定位于有效区域S内满足预设条件的线框车位Pl;基于线框车位Pl在有效区域S内构建拟合停车位Pc。本发明其融合基于空间的车位识别方法和基于图像的车位识别方法高效地实现了在有效区域内停车位的识别和构建,即使在有效区域内无停车位或停车位无法识别的情况下也能实现车位的自动构建和识别,从而顺利完成停车。
Description
技术领域
本发明属于汽车控制技术领域,具体公开了一种融合的车位识别方法。
背景技术
自动泊车系统中,停车位的识别是自动泊车系统中最关键的步骤。现有的车位识别方法一般有以下两种:一、基于空间的车位识别方法;二、基于图像的车位识别方法。基于空间的车位识别方法主要是利用超声波雷达检测没有障碍物的可停车空间,基于图像的车位识别方法主要是利用计算机视觉处理技术在车载环视视频图像中识别带有线框的停车位。
基于空间的停车位识别主要是利用安装在车辆侧方(车辆左右两侧)的超声波雷达发射超声波,超声波在遇到障碍物时反射,并被超声波雷达接收。超声波雷达通过发射超声波与接收超声波的时间间隔与超声波在空气中的传播速度计算出超声波雷达与障碍物之间的距离。当测量到的超声波雷达到障碍物的距离在某个时刻发生了跳变,即ΔX=Xn+1-Xn大于跳变阈值。跳变点的位置就是车位的左边缘或者右边缘,识别出车位左右边缘就可以计算出车位宽度,跳变的距离就是车位深度。根据上述原理就可以识别出停车位。上述方法的关键是确定左右跳变点的位置,因此车位两侧必须有车辆或者其他障碍物存在才能使得超声波雷达探测到的距离产生阶跃跳变,如果车位两侧没有障碍物存在也就无法识别到停车位。这也是基于空间的车位识别最大的缺点。
基于图像的车位识别方法是以车载环视系统的环视视频为基础,利用计算机视觉技术识别环视视频帧图像中的线框车位。识别方法可以是角点检测、直线检测等传统方法,也可以是机器学习或者卷积神经网络等基于图像的车位识别方法受益于卷积神经网络的发展,在特定条件下已经能达到 90%以上的准确率。但是在一些特殊的情况下,比如车位线残缺严重、阴影和局部光线不足等,利用图像识别技术仍然不能准确识别到车位。不仅如此,在远城区、农村地区或者部分旅游景点停车区域的地面没有划定停车线框,基于图像的车位识别方法当然也就不能识别出停车位。
发明内容
为消除背景技术中所提到的技术问题,本发明提供一种融合的车位识别方法,其融合基于空间的车位识别方法和基于图像的车位识别方法高效地实现了在有效区域内停车位的识别和构建,即使在有效区域内无停车位或停车位无法识别的情况下也能实现车位的自动构建和识别,从而顺利完成停车。
本发明公开了一种融合的车位识别方法,基于空间的车位识别方法确定位于预设停车区域内的能够实现无障碍停车的有效区域S;基于图像的车位识别方法确定位于有效区域S内满足预设条件的线框车位Pl;基于线框车位Pl在有效区域S内构建拟合停车位Pc。
本发明的一种优选实施方案中,基于空间的车位识别方法确定位于预设停车区域内的能够实现无障碍停车的有效区域S和跳变点位置;基于图像的车位识别方法确定位于有效区域S内无线框车位Pl或者不存在满足预设条件的线框车位Pl;基于跳变点位置在有效区域S内构建拟合停车位Pc。
本发明的一种优选实施方案中,线框车位Pl的确定方法包括,基于车辆摄像头采集车身周围的环境图像,并将采集的图像拼接成环视图像后传输至用于图像车位检测的控制器;控制器利用卷积神经网络模型识别图像中的车位角点和角点间的直线;连接角点和直线形成线框车位Pl。
本发明的一种优选实施方案中,拟合停车位Pc的构建方法包括,基于线框车位Pl构造一个矩形;沿车辆运动方向将该矩形平行移动到该线框车位Pl的两侧;移动后的矩形位于有效区域S内时,该移动后的矩形所对应的区域作为新构造的停车位Pc。
本发明的一种优选实施方案中,拟合停车位Pc的确定方法包括,根据跳变点位置和跳变距离确定跳变区域;基于标准车位的尺寸在跳变区域内构造标准长度和宽度的停车位;跳变区域为雷达探测到的车辆与障碍物之间的距离发生变化,并且在该距离变化持续期间内,根据距离的变化值和该变化值的持续时间,所确定出的区域。
本发明的一种优选实施方案中,有效区域S的确定方法包括,基于车辆的超声波雷达确定预设区域范围、正跳变点和负跳变点;有效区域S=预设区域范围+正跳变点、负跳变点之间的跳变距离对应的区域。
本发明的一种优选实施方案中,预设区域范围S=超声波雷达的探测距离X*超声波雷达沿车辆行驶方向的反方向距离L,正跳变点满足ΔX=Xn+1-Xn大于ΔL,负跳变点满足ΔX=Xn+1-Xn小于-ΔL, n代表探测时间点,Xn和Xn+1代表时间n时所探测到的距离,ΔL为大于零的数值,可以根据实际需要设定,ΔX代表跳变距离。
本发明的一种优选实施方案中,预设条件为线框车位的识别准确率是否大于预设值,准确率的确定方法包括,基于车辆摄像头采集车身周围的环境图像,并将采集的图像拼接成环视图像后传输至用于图像车位检测的控制器;控制器利用卷积神经网络模型识别图像中的车位角点和角点间的直线并给出每个角点和直线识别的准确率;将构成某一停车位的角点和直线的准确率的加权平均值作为该停车位的识别准确率。
本发明的一种优选实施方案中,当且仅当拟合停车位Pc位于有效区域范围S内且有效拟合停车位 Pc满足预设条件时,线框车位Pl、拟合停车位Pc为有效停车位。
本发明的有益效果是:本发明利用空间的车位识别方法确定可停车的空间区域S,利用图像的车位识别技术在区域S范围内识别准确度高于η的线框车位Pl,并以线框车位Pl为基准,在区域S范围内通过平行移动和旋转的方式构造停车位Pc,Pl和Pc都是可以泊入的候选停车位,不仅突破了基于空间的车位识别方法中停车位两侧需要已停好的车辆的严格限制,同时也适用于没有线框车位或者停车场部分停车位地面线框缺失严重导致无法识别的停车区域。极大的提高了车位识别的适用场景,且更有效地利用了可停车的空间区域。
附图说明
图1是本发明实施例一种融合的车位识别方法的流程图;
图2为本发明实施例一种融合的车位识别方法的有效区域示意图;
图3为本发明实施例一种融合的车位识别方法的基于线框车位构建拟合停车位示意图;
图4为本发明实施例一种融合的车位识别方法的基于跳变点位置构建拟合停车位示意图。
具体实施方式
下面通过图1~图3以及列举本发明的一些可选实施例的方式,对本发明的技术方案(包括优选技术方案)做进一步的详细描述。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。基于本发明的实施例,本领域普通技术人员在没有作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。
本发明公开了一种融合的车位识别方法,基于空间的车位识别方法确定位于预设停车区域内的能够实现无障碍停车的有效区域S;基于图像的车位识别方法确定位于有效区域S内满足预设条件的线框车位Pl;基于线框车位Pl在有效区域S内构建拟合停车位Pc。
本发明的一种优选实施方案中,基于空间的车位识别方法确定位于预设停车区域内的能够实现无障碍停车的有效区域S和跳变点位置;基于图像的车位识别方法确定位于有效区域S内无线框车位Pl或者不存在满足预设条件的线框车位Pl;基于跳变点位置在有效区域S内构建拟合停车位Pc。
本发明的一种优选实施方案中,线框车位Pl的确定方法包括,基于车辆摄像头采集车身周围的环境图像,并将采集的图像拼接成环视图像后传输至用于图像车位检测的控制器;控制器利用卷积神经网络模型识别图像中的车位角点和角点间的直线;连接角点和直线形成线框车位Pl。
本发明的一种优选实施方案中,拟合停车位Pc的构建方法包括,基于线框车位Pl构造一个矩形;沿车辆运动方向将该矩形平行移动到该线框车位Pl的两侧;移动后的矩形位于有效区域S内时,该移动后的矩形所对应的区域作为新构造的停车位Pc。
本发明的一种优选实施方案中,拟合停车位Pc的确定方法包括,根据跳变点位置和跳变距离确定跳变区域;基于标准车位的尺寸在跳变区域内构造标准长度和宽度的停车位;跳变区域为雷达探测到的车辆与障碍物之间的距离发生变化,并且在该距离变化持续期间内,根据距离的变化值和该变化值的持续时间,所确定出的区域。
本发明的一种优选实施方案中,有效区域S的确定方法包括,基于车辆的超声波雷达确定预设区域范围、正跳变点和负跳变点;有效区域S=预设区域范围+正跳变点、负跳变点之间的跳变距离对应的区域。
本发明的一种优选实施方案中,预设区域范围S=超声波雷达的探测距离X*超声波雷达沿车辆行驶方向的反方向距离L,正跳变点满足ΔX=Xn+1-Xn大于ΔL,负跳变点满足ΔX=Xn+1-Xn小于-ΔL, n代表探测时间点,Xn和Xn+1代表时间n时所探测到的距离,ΔL为大于零的数值,可以根据实际需要设定,ΔX代表跳变距离。
本发明的一种优选实施方案中,预设条件为线框车位的识别准确率是否大于预设值,准确率的确定方法包括,基于车辆摄像头采集车身周围的环境图像,并将采集的图像拼接成环视图像后传输至用于图像车位检测的控制器;控制器利用卷积神经网络模型识别图像中的车位角点和角点间的直线并给出每个角点和直线识别的准确率;将构成某一停车位的角点和直线的准确率的加权平均值作为该停车位的识别准确率。
本发明的一种优选实施方案中,当且仅当拟合停车位Pc位于有效区域范围S内且有效拟合停车位 Pc满足预设条件时,线框车位Pl、拟合停车位Pc为有效停车位。
具体步骤包括:
1.车位识别开始。车辆往前行驶,车辆前方两侧的泊车超声波雷达启动,位于车身周围的摄像头启动,以及用于图像车位检测的控制器启动。
2.车身周围的摄像头进行车身周围的环境图像的采集,并将采集的图像拼接成环视图像后传输至用于图像车位检测的控制器。
3.超声波雷达监测车身周围的预设区域范围,并记录该预设区域范围内的跳变点位置,其中,车辆当前位置(超声波雷达所在位置)沿车辆行驶方向的反方向L米范围内超声波雷达可以探测到的区域为预设区域范围,例如,超声波雷达的探测距离为X(超声波雷达探测的方向与车辆的行驶方向垂直),那么S=X*L所对应的矩形区域为预设区域范围;并记录预设区域范围内的跳变点位置,其中,满足ΔX=Xn+1-Xn大于ΔL为正跳变点,满足ΔX=Xn+1-Xn小于-ΔL为负跳变点,n代表探测时间点,Xn和Xn+1代表时间n时所探测到的距离,ΔL为大于零的数值,可以根据实际需要设定,ΔX代表跳变距离;将预设区域范围内除正、负跳变点和对应的跳变距离对应的区域之外的区域确定为有效区域S,例如,图2、图3和图4所示的T形框区域为有效区域S。
4.控制器利用图像识别技术,在摄像头采集的帧图像拼接成的环视图像中识别线框车位,并计算线框车位的识别准确率,计算准确率的方法为现有技术,记录识别到的每个线框车位的准确率。检测线框停车位主要是利用卷积神经网络模型识别图像中的车位角点和角点间的直线,连接角点和直线就可以识别出线框停车位。对于卷积神经网络识别的角点和直线,卷积神经网络会给出每个角点和直线识别的准确率,将构成某一停车位的角点和直线的准确率的加权平均值作为该停车位的识别准确率。
5.控制器过滤掉识别到的有效区域S范围外的所有的线框车位。
6.控制器在将识别到的有效区域S范围外的所有线框车位过滤掉之后,判断有效区域S范围内是否存在识别到的线框车位,若存在,则判断每个存在的线框车位的准确率是否大于η,根据判断结果,保留准确率高于或等于η的框线车位,η可以根据实际需要设定。
7.当有效区域S范围内存在准确率高于或等于η的框线车位时,则以该线框车位为标准,通过平行复制的方式构造车位,其中,平移的距离可以根据实际需要和有效区域S的具体范围确定;例如,当存在一个满足条件的线框车位时,在该线框车位的位置处,沿该线框车位的框线,构造一个矩形,并沿车辆运动方向将该矩形平行移动到该线框车位的两侧,并在移动后的矩形位于有效区域S内时,将该移动后的矩形所对应的区域作为新构造的车位,例如,图3中的位于线框车位一侧的实线圈出的区域为构造的拟合停车位Pc。该步骤中,在有效区域S范围内,识别到一个线框车位(左实线车位)。在有效区域S范围内,还有一个车位(虚线车位),但是由于该车位的线框严重缺失或者由于光线、阴影等原因导致该线框车位的图像识别准确率低于η,导致该车位被过滤。此时以左侧线框车位为基础,向右复制一个完全相同的构造车位(右实线车位),该构造车位完全位于有效区域S内
8.当步骤6的判断结果为有效区域S范围内,不存在任何识别到的线框车位时,则以步骤3 中获得的正、负跳变点为起始点,以跳变距离ΔX=Xn+1-Xn作为车位深度,确定跳变区域,并根据标准车位的尺寸在跳变区域内构造标准长度和宽度的停车位,例如,当车辆为普通轿车时,可根据普通轿车所对应的标准车位的尺寸,在跳变区域内构造车位,如图4所示,可以在跳变区域内构造两个拟合停车位Pc。该步骤中,有效区域S范围内,没有识别的线框车位,则以跳变点为起始点,以跳变距离ΔX=Xn+1-Xn作为车位深度构造标准长度和宽度的停车位。
9.输出融合车位。步骤6中在有效区域范围S范围内识别出的准确率大于或等于η的线框车位和步骤7、8中构造的车位都是可以停车的有效车位。
10.车位识别完成。
本发明还公开了一种融合的车位识别方法,其使用了融合的车位识别方法。
本领域技术人员容易理解,以上仅为本发明的较佳实施例而已,并不以限制本发明,凡在本发明的精神和原则下所做的任何修改、组合、替换、改进等均包含在本发明的保护范围之内。
Claims (10)
1.一种融合的车位识别方法,其特征在于:基于空间的车位识别方法确定位于预设停车区域内的能够实现无障碍停车的有效区域S;基于图像的车位识别方法确定位于有效区域S内满足预设条件的线框车位Pl;基于线框车位Pl在有效区域S内构建拟合停车位Pc。
2.一种融合的车位识别方法,其特征在于:基于空间的车位识别方法确定位于预设停车区域内的能够实现无障碍停车的有效区域S和跳变点位置;基于图像的车位识别方法确定位于有效区域S内无线框车位Pl或者不存在满足预设条件的线框车位Pl;基于跳变点位置在有效区域S内构建拟合停车位Pc。
3.根据权利要求1的融合的车位识别方法,其特征在于:线框车位Pl的确定方法包括,基于车辆摄像头采集车身周围的环境图像,并将采集的图像拼接成环视图像后传输至用于图像车位检测的控制器;控制器利用卷积神经网络模型识别图像中的车位角点和角点间的直线;连接角点和直线形成线框车位Pl。
4.根据权利要求1的融合的车位识别方法,其特征在于:拟合停车位Pc的构建方法包括,基于线框车位Pl构造一个矩形;沿车辆运动方向将该矩形平行移动到该线框车位Pl的两侧;移动后的矩形位于有效区域S内时,该移动后的矩形所对应的区域作为新构造的停车位Pc。
5.根据权利要求2的融合的车位识别方法,其特征在于:拟合停车位Pc的确定方法包括,根据跳变点位置和跳变距离确定跳变区域;基于标准车位的尺寸在跳变区域内构造标准长度和宽度的停车位。
6.根据权利要求5的融合的车位识别方法,其特征在于:跳变区域为雷达探测到的车辆与障碍物之间的距离发生变化,并且在该距离变化持续期间内,根据距离的变化值和该变化值的持续时间所确定出的区域。
7.根据权利要求1或2的融合的车位识别方法,其特征在于:有效区域S的确定方法包括,基于车辆的超声波雷达确定预设区域范围、正跳变点和负跳变点;有效区域S=预设区域范围+正跳变点、负跳变点之间的跳变距离对应的区域。
8.根据权利要求7的融合的车位识别方法,其特征在于:预设区域范围S=超声波雷达的探测距离X*超声波雷达沿车辆行驶方向的反方向距离L,正跳变点满足ΔX=Xn+1-Xn大于ΔL,负跳变点满足ΔX=Xn+1-Xn小于-ΔL,n代表探测时间点,Xn和Xn+1代表时间n时所探测到的距离,ΔL为大于零的数值,ΔX代表跳变距离。
9.根据权利要求1或2的融合的车位识别方法,其特征在于:预设条件为线框车位的识别准确率是否大于预设值,准确率的确定方法包括,基于车辆摄像头采集车身周围的环境图像,并将采集的图像拼接成环视图像后传输至用于图像车位检测的控制器;控制器利用卷积神经网络模型识别图像中的车位角点和角点间的直线并给出每个角点和直线识别的准确率;将构成某一停车位的角点和直线的准确率的加权平均值作为该停车位的识别准确率。
10.根据权利要求1或2的融合的车位识别方法,其特征在于:当且仅当拟合停车位Pc位于有效区域范围S内且有效拟合停车位Pc满足预设条件时,线框车位Pl、拟合停车位Pc为有效停车位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011530433.XA CN113160605B (zh) | 2020-12-22 | 2020-12-22 | 一种融合的车位识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011530433.XA CN113160605B (zh) | 2020-12-22 | 2020-12-22 | 一种融合的车位识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113160605A true CN113160605A (zh) | 2021-07-23 |
CN113160605B CN113160605B (zh) | 2022-11-01 |
Family
ID=76882648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011530433.XA Active CN113160605B (zh) | 2020-12-22 | 2020-12-22 | 一种融合的车位识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160605B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419922A (zh) * | 2022-01-17 | 2022-04-29 | 北京经纬恒润科技股份有限公司 | 车位识别方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009205191A (ja) * | 2008-02-26 | 2009-09-10 | Hitachi Ltd | 駐車スペース認識装置 |
CN103241239A (zh) * | 2013-04-27 | 2013-08-14 | 重庆邮电大学 | 一种自动泊车系统车位识别方法 |
CN108281041A (zh) * | 2018-03-05 | 2018-07-13 | 东南大学 | 一种基于超声波和视觉传感器相融合的泊车车位检测方法 |
CN109697860A (zh) * | 2017-10-20 | 2019-04-30 | 上海欧菲智能车联科技有限公司 | 车位检测和跟踪系统及方法及车辆 |
CN110775052A (zh) * | 2019-08-29 | 2020-02-11 | 浙江零跑科技有限公司 | 一种基于视觉与超声波感知融合的自动泊车方法 |
CN110889974A (zh) * | 2018-09-11 | 2020-03-17 | 广州汽车集团股份有限公司 | 一种智能泊车车位识别方法及装置、汽车 |
CN111460851A (zh) * | 2019-01-18 | 2020-07-28 | 上海欧菲智能车联科技有限公司 | 一种泊车方式的确定方法及相关设备 |
CN111624610A (zh) * | 2020-04-29 | 2020-09-04 | 东风汽车集团有限公司 | 基于车位角度自适应调节泊车超声波雷达的方法 |
CN111845723A (zh) * | 2020-08-05 | 2020-10-30 | 北京四维智联科技有限公司 | 一种全自动泊车方法及系统 |
CN112009462A (zh) * | 2020-08-10 | 2020-12-01 | 广州汽车集团股份有限公司 | 一种前向自动泊车方法及装置 |
-
2020
- 2020-12-22 CN CN202011530433.XA patent/CN113160605B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009205191A (ja) * | 2008-02-26 | 2009-09-10 | Hitachi Ltd | 駐車スペース認識装置 |
CN103241239A (zh) * | 2013-04-27 | 2013-08-14 | 重庆邮电大学 | 一种自动泊车系统车位识别方法 |
CN109697860A (zh) * | 2017-10-20 | 2019-04-30 | 上海欧菲智能车联科技有限公司 | 车位检测和跟踪系统及方法及车辆 |
CN108281041A (zh) * | 2018-03-05 | 2018-07-13 | 东南大学 | 一种基于超声波和视觉传感器相融合的泊车车位检测方法 |
CN110889974A (zh) * | 2018-09-11 | 2020-03-17 | 广州汽车集团股份有限公司 | 一种智能泊车车位识别方法及装置、汽车 |
CN111460851A (zh) * | 2019-01-18 | 2020-07-28 | 上海欧菲智能车联科技有限公司 | 一种泊车方式的确定方法及相关设备 |
CN110775052A (zh) * | 2019-08-29 | 2020-02-11 | 浙江零跑科技有限公司 | 一种基于视觉与超声波感知融合的自动泊车方法 |
CN111624610A (zh) * | 2020-04-29 | 2020-09-04 | 东风汽车集团有限公司 | 基于车位角度自适应调节泊车超声波雷达的方法 |
CN111845723A (zh) * | 2020-08-05 | 2020-10-30 | 北京四维智联科技有限公司 | 一种全自动泊车方法及系统 |
CN112009462A (zh) * | 2020-08-10 | 2020-12-01 | 广州汽车集团股份有限公司 | 一种前向自动泊车方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419922A (zh) * | 2022-01-17 | 2022-04-29 | 北京经纬恒润科技股份有限公司 | 车位识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113160605B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368706B (zh) | 基于毫米波雷达和机器视觉的数据融合动态车辆检测方法 | |
WO2021259344A1 (zh) | 车辆检测方法、装置、车辆和存储介质 | |
CN101075376B (zh) | 基于多视点的智能视频交通监控系统及方法 | |
CN109949594B (zh) | 实时的交通灯识别方法 | |
CN102390370B (zh) | 一种基于立体视觉的车辆行驶应急处理装置及方法 | |
US7046822B1 (en) | Method of detecting objects within a wide range of a road vehicle | |
JP3860061B2 (ja) | 車外監視装置、及び、この車外監視装置を備えた走行制御装置 | |
KR102485480B1 (ko) | 가상 주차선 생성에 의한 주차 지원 장치 및 그 방법 | |
CN103760569A (zh) | 一种基于激光雷达的可行驶区域检测方法 | |
US20140348390A1 (en) | Method and apparatus for detecting traffic monitoring video | |
KR20160123668A (ko) | 무인자동주차 기능 지원을 위한 장애물 및 주차구획 인식 장치 및 그 방법 | |
CN111932901B (zh) | 道路车辆跟踪检测设备、方法及存储介质 | |
CN108230254A (zh) | 一种自适应场景切换的高速交通全车道线自动检测方法 | |
CN200990147Y (zh) | 基于多视点的智能视频交通监控系统 | |
CN108645375B (zh) | 一种用于车载双目系统快速车辆测距优化方法 | |
CN110458050B (zh) | 基于车载视频的车辆切入检测方法及装置 | |
CN101364347A (zh) | 基于视频的交叉口车辆控制延误的检测方法 | |
CN109917359B (zh) | 基于车载单目视觉的鲁棒车辆距离估计方法 | |
KR20110001427A (ko) | 관심영역 추출에 의한 차선 고속검출 방법 | |
CN112101316B (zh) | 一种目标检测方法及系统 | |
CN114415171A (zh) | 一种基于4d毫米波雷达的汽车可行驶区域检测方法 | |
WO2019065970A1 (ja) | 車両用外界認識装置 | |
CN113160605B (zh) | 一种融合的车位识别方法 | |
CN114495066A (zh) | 一种辅助倒车的方法 | |
JP2006047057A (ja) | 車外監視装置、及び、この車外監視装置を備えた走行制御装置 |
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 |