CN113255405A - 车位线识别方法及其系统、车位线识别设备、存储介质 - Google Patents
车位线识别方法及其系统、车位线识别设备、存储介质 Download PDFInfo
- Publication number
- CN113255405A CN113255405A CN202010087552.6A CN202010087552A CN113255405A CN 113255405 A CN113255405 A CN 113255405A CN 202010087552 A CN202010087552 A CN 202010087552A CN 113255405 A CN113255405 A CN 113255405A
- Authority
- CN
- China
- Prior art keywords
- corner
- parking space
- line
- point
- centers
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000000605 extraction Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 25
- 230000007547 defect Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- 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
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及车位线识别方法及其系统、车位线识别设备、存储介质,所述方法包括:获取车辆周围环视图像,并对所述环视图像进行识别得到空闲车位的多个角点区域;提取所述多个角点区域的角点骨架;根据所述多个角点区域的角点骨架获得每一角点区域的角车位线及角点中心;根据所述每一角点区域的角车位线及角点中心进行空闲车位的车位线重构。本发明能够适用于仅画出角点附近短距车位线的检测,同时,避免因为直线检测对图像噪声点较为敏感,环境复杂的情况下对检测准确度影响较大的技术缺陷,从而有效地提高空闲车位识别的适用性、准确度。
Description
技术领域
本发明涉及车辆技术领域,具体涉及车位线识别方法及其系统、车位线识别设备、存储介质。
背景技术
目前已有的空闲车位识别技术可以分为基于非视觉传感器的空闲车位识别和基于机器视觉的空闲车位识别。基于非传感器的车位识别方法主要是依靠激光雷达、超声波传感器等方式实现。但激光雷达、超声波传感器主要是通过测量距离的方式来识别要停泊的车位状态,无法反应真实的环境信息,并且激光雷达的造价昂贵。相比之下,基于机器视觉的空闲车位识别具有成本低、维修费用低廉、可采集丰富的二维环境信息、可以实现多车位同时检测的优点。
现有基于机器视觉的空闲车位识别提出了以下方案:通过获得车辆周围地面俯视图的全景图像,对全景图像做滤波和二值化等预处理,遍历全景图像中的所有点构成横纵向直线,在直线群中寻找满足结果的车位线段。该方案对部分仅画出角点附近短距车位线的适用性不高,且直线检测对图像噪声点较为敏感,环境复杂的情况下对检测准确度影响较大。
发明内容
本发明旨在提出一种车位线识别方法及其系统、车位线识别设备、存储介质,以提高空闲车位识别的适用性、准确度。
第一方面,本发明实施例提出一种车位线识别方法,包括:
获取车辆周围环视图像,并对所述环视图像进行识别得到空闲车位的多个角点区域;
提取所述多个角点区域的角点骨架;
根据所述多个角点区域的角点骨架获得每一角点区域的角车位线及角点中心;
根据所述每一角点区域的角车位线及角点中心进行空闲车位的车位线重构。
优选地,所述提取所述多个角点区域的角点骨架具体包括:
对每一角点区域进行校正预处理得到预处理图像;
采用快速并行图像细化算法对所述预处理图像进行角点骨架提取。
优选地,所述根据所述多个角点区域的角点骨架获得每一角点区域的角车位线及角点中心具体包括:
利用概率霍夫变换算法对每一角点骨架进行处理得到两条角车位线;
根据每一角点骨架对应的两条角车位线获得每一角点区域的角点中心;其中每一角点区域的角点中心为角点区域的角点骨架对应的两条角车位线的交点。
优选地,根据所述每一角点区域的角车位线及角点中心进行空闲车位的车位线重构具体包括:
若识别出的某一空闲车位的角点中心个数等于4,则根据4个角点中心及其对应的角车位线获得空闲车位的车位线;
若识别出的某一空闲车位的角点中心个数等于3,则根据3个角点中心以及车位线对边平行的特性获得第4个角点中心,并根据4个角点中心及其对应的角车位线获得空闲车位的车位线;
若识别出的某一空闲车位的角点中心个数等于2,则计算2个角点中心连线的斜率km,并将所述斜率km与2个角点中心所对应的两条角车位线的斜率相比较,若斜率km与任一车位线斜率的差值小于预设阈值,则确定2个角点中心为同侧角点中心,并根据2个角点中心所对应的两条角车位线及其斜率进行车位线延长得到空闲车位的车位线;若斜率km与任一车位线斜率的差值均大于预设阈值,则确定2个角点中心为对角角点中心,并根据2个角点中心所对应的两条角车位线及其斜率进行车位线延长得到空闲车位的车位线。
优选地,所述根据4个角点中心及其对应的角车位线获得空闲车位的车位线具体包括:
根据4个角点中心分别计算任意2个角点中心连线的斜率,得到连线斜率k1、k2、k3、k4、k5和k6,并将所述连线斜率k1、k2、k3、k4、k5和k6分别与各角点中心所对应的两条角车位线的斜率相比较,并根据比较结果确定空闲车位的车位线,其中若某一连线与角点中心所对应的车位线的斜率之差小于预设阈值,则将该连线作为空闲车位的一条车位线。
优选的,所述对所述环视图像进行识别得到空闲车位的多个角点区域包括:使用YOLOv2-Tiny模型对所述环视图像进行识别得到空闲车位的多个角点区域,其中,所述YOLOv2-Tiny的网络结构共包含9个卷积层和6个池化层。
第二方面,本发明实施例提出一种车位线识别系统,包括:
图像获取单元,用于获取车辆周围环视图像,并对所述环视图像进行识别得到空闲车位的多个角点区域;
骨架提取单元,用于提取所述多个角点区域的角点骨架;
角点提取单元,用于根据所述多个角点区域的角点骨架获得每一角点区域的角车位线及角点中心;以及
车位线重构单元,用于根据所述每一角点区域的角车位线及角点中心进行空闲车位的车位线重构。
优选地,所述骨架提取单元具体包括预处理子单元和提取子单元,其中,所述预处理子单元用于对每一角点区域进行校正预处理得到预处理图像;所述提取子单元用于采用快速并行图像细化算法对所述预处理图像进行角点骨架提取;
所述角点提取单元具体包括霍夫变换单元和角点中心获得单元,其中,所述霍夫变换单元用于利用概率霍夫变换算法对每一角点骨架进行处理得到两条角车位线,所述角点中心获得单元用于根据每一角点骨架对应的两条角车位线获得每一角点区域的角点中心;每一角点区域的角点中心为角点区域的角点骨架对应的两条角车位线的交点。
优选地,所述车位线重构单元具体包括:
第一重构子单元,用于当识别出的某一空闲车位的角点中心个数等于4,则根据4个角点中心分别计算任意2个角点中心连线的斜率,得到连线斜率k1、k2、k3、k4、k5和k6,并将所述连线斜率k1、k2、k3、k4、k5和k6分别与对应的角点中心所对应的两条角车位线的斜率相比较,并根据比较结果确定空闲车位的车位线,其中若某一连线与角点中心所对应的车位线的斜率之差小于预设阈值,则将该连线作为空闲车位的一条车位线;
第二重构子单元,用于当识别出的某一空闲车位的角点中心个数等于3,则根据3个角点中心以及车位线对边平行的特性获得第4个车位角点中心,并根据4个角点中心分别计算任意2个角点中心连线的斜率,得到连线斜率k1、k2、k3、k4、k5和k6,并将所述连线斜率k1、k2、k3、k4、k5和k6分别与对应的角点中心所对应的两条角车位线的斜率相比较,并根据比较结果确定空闲车位的车位线,其中若某一连线与角点中心所对应的车位线的斜率之差小于预设阈值,则将该连线作为空闲车位的一条车位线;以及
第三重构子单元,用于当识别出的某一空闲车位的角点中心个数等于2,则计算2个角点中心连线的斜率km,并将所述斜率km与2个角点中心所对应的两条角车位线的斜率相比较,若斜率km与任一车位线斜率的差值小于预设阈值,则确定2个角点中心为同侧角点中心,并根据该2个角点中心所对应的两条角车位线及其斜率进行车位线延长得到空闲车位的车位线;若斜率km与任一车位线斜率的差值均大于预设阈值,则确定2个角点中心为对角角点中心,并根据该2个角点中心所对应的两条角车位线及其斜率进行车位线延长得到空闲车位的车位线。
第三方面,本发明实施例提出一种车位线识别设备,包括:根据所述车位线识别系统;或者,存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行所述车位线识别方法的步骤。
第四方面,本发明实施例提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述车位线识别方法。
以上技术方案至少具有以下优点:获取车辆周围环视图像,并对所述环视图像进行识别得到空闲车位的多个角点区域,对该多个角点区域进行角点骨架提取,根据所述多个角点区域的角点骨架获得每一角点区域的角车位线及角点中心,最终根据所述每一角点区域的角车位线及角点中心进行空闲车位的车位线重构,因此,能够适用于仅画出角点附近短距车位线的检测,同时,避免因为直线检测对图像噪声点较为敏感,环境复杂的情况下对检测准确度影响较大的技术缺陷,从而有效地提高空闲车位识别的适用性、准确度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而得以体现。本发明的目的和其他优点可通过在说明书、权利要求书以及附图来实现和获得。
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地介绍,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为本发明一实施例所述一种车位线识别方法的流程图。
图2为多个鱼眼图像与拼接后的环视图像示意图。
图3为车位角点类型示意图。
图4为一空闲车位与角点识别效果示意图。
图5为角点校正预处理、骨架提取、概率霍夫变换的图像示意图。
图6为相邻像素点编号序列示意图。
图7为角点中心校正前后对比示意图。
图8为车位不完整显示于环视图像中时车位线重构效果图。
图9为本发明另一实施例所述一种车位线识别系统的框架图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本发明,在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的手段未作详细描述,以便于凸显本发明的主旨。
本发明一实施例提出一种车位线识别方法,图1为本实施例所述车位线识别方法的流程图,参阅图1,本实施例方法包括步骤S101~步骤S104:
步骤S101、获取车辆周围环视图像,并对所述环视图像进行识别得到空闲车位的多个角点区域;
具体而言,步骤中车辆周围环视图像可以由多个车载鱼眼摄像头采集得到的图像拼接而成。
本实施例中具体使用尺度不变特征转换(SIFT,Scale-invariant featuretransform)方法匹配两幅图像相同的特征点,通过随机一致性采样(RANSAC,randomsample consensus)筛选正确的特征匹配并输出透视矩阵,利用透视变换完成图像的拼接,循环这个流程迭代所有图像就可以完成多张图像的全景图拼接。SIFT特征提取分为检测特征点,确定特征点的尺度方向,生成特征向量,最后进行匹配。首先扫描图片所有尺度下的所有位置,计算两个相邻的高斯尺度空间差值得到高斯差分空间,高斯差分空间的众多极值点即为特征点;利用直方图统计方法,求出邻域内所有像素点的梯度方向以及幅值,直方图的峰值所代表的方向即为特征点的主方向;通过求得特征点的邻域梯度信息来计算特征向量;采用最近邻方法计算特征向量的欧氏距离从而匹配特征点。
其中,随机一致性采样算法(RANSAC)是随机采用部分特征匹配坐标计算得到一个透视矩阵,利用此透视矩阵测试所有的匹配点,若匹配结果良好则输出该透视矩阵,否则换用其他特征匹配坐标。该方法的作用是剔除掉不正确的特征匹配结果,获得正确的透视矩阵。透视变换是将图像投影到一个新的视平面上。在全景图拼接时,很多图像会由于拍摄角度等问题出现一些方向上的不同步,需要旋转图像到相同视角再拼接。而控制旋转变换的方式即是通过透视矩阵与原图像的矩阵形式进行相乘得到新的图像矩阵方可进行拼接。
示例性地,多个车载鱼眼摄像头采集得到的图像以及它们所拼接而成的图像可以参阅图2。
更具体地,本实施例中采用基于YOLOv2-Tiny模型的空闲车位与角点区域检测方法,基于darknet框架的YOLO目标检测模型最早于2016年由Redmon等提出,YOLO通过网格化分割方式回归目标边界框同时预测类别,相较于当时表现出色的Faster-RCNN目标检测模型,YOLO检测效率大幅提升,对实时性要求高的目标检测任务适用性更好。随后YOLO模型进一步发展至YOLOv2,其特征提取基于darknet-19实现,通过在网络中加入了批归一化,多尺度特征提取,引入固定框(anchor boxes)取代全连接层进行边界框回归等改进从而优化YOLO分类与定位效果,并进一步提升检测效率。
然而,尽管基于深度网络的YOLOv2模型对运算资源硬件要求较SSD,Faster-RCNN等目标检测模型有所降低,仍难以满足其在车载嵌入式ECU得以广泛应用所期待的低成本与高效率二者相平衡的要求。因此,针对全自动泊车系统中基于视觉的空闲车位检测任务的应用场景,使用轻量化的YOLOv2-Tiny模型适应车载嵌入式ECU算力低且检测任务实时性要求高的特点。YOLOv2-Tiny的网络结构共包含9个卷积层,6个池化层,具体每层卷积核大小和数量如表1所示。
表1 YOLOv2-Tiny结构组成
本实施例基于YOLOv2-Tiny模型对空闲车位区域以及角点进行识别,其中角点类型分为T型角点与L型角点两种目标类型,如图3所示。
YOLOv2-Tiny模型的识别训练基于不同天气状况,不同室内外环境,不同光照方向与光照强度下采集的公开数据集进行训练与测试。数据集包含共10000张环视车位图像,其中8000张作为训练样本,其余作为测试样本。YOLOv2-Tiny网络训练超参数设置如下:批次大小为16,迭代次数为10000,学习率为0.001。
利用训练好的网络权重对2000张测试样本图进行测试,得到空闲车位区域与两种角点识别准确率如表2所示。从表中可以看出,训练后的YOLOv2网络对空闲车位检测效果十分理想,两种类型角点的检测精度较高,其轻量化结构使其检测效率大大提高,能满足自动泊车系统的实时性要求。
表2 YOLOv2-Tiny识别精度
具体地,训练好的网络对测试图片检测结果如图4所示,从图可看出网络能正确定位空闲车位区域,并识别出角点类型与位置,根据角点块中心与车位区域间的相对位置可筛选出每个车位区域内的角点,后续可以根据角点位置重构实际车位线。
步骤S102、提取所述多个角点区域的角点骨架;
具体而言,上述训练好的YOLOv2-Tiny网络模型能基本定位角点块区域,理想状态下角点块区域中心像素点坐标为实际角点坐标,但由于YOLOv2-Tiny网络模型较于其他深度网络轻量化的特性,其对角点中心的定位精度有所降低,环视图像中具有一定宽度的车位线在图像上往往对应覆盖多个像素点范围,准确意义上的角点中心为两条线各自覆盖的像素点区域中心轴相交的交点。图像骨架提取指的正是相连通的像素点区域细化至单位像素宽度的过程,对于线状轮廓而言,经过骨架提取后可得到单位宽度的中轴线,两条中轴线的交点即为实际角点中心。
步骤S103、根据所述多个角点区域的角点骨架获得每一角点区域的角车位线及角点中心;
具体而言,每一角点区域存在两条相交的角车位线,两条角车位线的相交点即为角点中心。
步骤S104、根据所述每一角点区域的角车位线及角点中心进行空闲车位的车位线重构。
具体而言,基于步骤S101~S103所得到的每一角点区域的角车位线及角点中心,通过进行角点中心的连线,重构空闲车位的车位线。
本实施例方法能够适用于仅画出角点附近短距车位线的检测,同时,避免因为直线检测对图像噪声点较为敏感,环境复杂的情况下对检测准确度影响较大的技术缺陷,从而有效地提高空闲车位识别的适用性、准确度。
在一具体示例中,所述步骤S102具体包括:
步骤S201、对每一角点区域进行校正预处理得到预处理图像;
具体而言,步骤中校正预处理包括对图像进行骨架提取前需要对原始角点区域图像进行灰度化和自适应阈值二值化,如图5所示。
步骤S202、采用快速并行图像细化算法对所述预处理图像进行角点骨架提取;
具体而言,使用快速并行图像细化算法对识别出的车位角点块进行骨架提取,该算法迭代逐次消除角点框内直线的边缘像素点,将每个像素点的相邻像素点分布编号为如图6所示顺序,每轮消除满足以下a)~c)三个条件的像素点,直到没有新的像素点被消除停止迭代。
快速并行细化算法删除点条件a)~c)如下:
a)、与中心像素点相邻的8个像素点之和满足式(5)。
b)、顺时针遍历P1~P8,像素点从0变成1的总次数等于1,即满足式(6)。
c)、奇数轮迭代满足:
P2×P4×P6=0 P4×P6×P8=0 (7)
偶数轮迭代满足:
P2×P4×P8=0 P2×P6×P8=0 (8)
示例性地,使用快速并行细化算法对角点提取骨架后的结果如图5中(e)所示。
在一具体示例中,所述步骤S103具体包括:
步骤S301、利用概率霍夫变换算法对每一角点骨架进行处理得到两条角车位线;
具体而言,标准霍夫变换建立了二维空间(x,y)与参数空间(ρ,θ)间的投影变换,二维空间中的直线对应参数空间中的某个点(ρ0,θ0),因此二维空间直线上的所有点变换后都对应经过该点(ρ0,θ0),由此可将直线检测转化为参数空间的高频点检测,霍夫变换中两个空间的关系满足如下式(9):
ρ=x cosθ+y sinθ (9)
其中,标准霍夫变换可用于直线检测,在此基础上,概率霍夫变换把图像边缘点投影至参数空间并累积至满足设定阈值后终止,较标准霍夫变换效率更高,可有效检测线段,对本实施例识别任务更为适用。利用概率霍夫变换可以得到角点骨架线段,并进一步通过线段起始点和终点相对位置确定不完整显示车位的摆向。
步骤S302、根据每一角点骨架对应的两条角车位线获得每一角点区域的角点中心;其中每一角点区域的角点中心为角点区域的角点骨架对应的两条角车位线的交点。
具体而言,基于细化后的角点骨架,利用概率霍夫变换检测线段的结果如图5(f)所示。通过筛选可以得到通过两条有效线段的两个端点(xs,ys),(xd,yd),根据两端点相对位置可以确定两条车位线的斜率k1,k2,即式(10)以及式(11)所示直线表达式,进一步联立两个表达式可以求得式(12)所示交点c=(xc,yc),即校正后的角点中心坐标。图7为经过角点校正后识别出的环视图像车位角点标记。
在一具体示例中,所述步骤S104具体包括:
(1)若识别出的某一空闲车位的角点中心个数等于4,则根据4个角点中心及其对应的角车位线获得空闲车位的车位线;
具体地,根据4个角点中心分别计算任意2个角点中心连线的斜率,得到6个连线斜率k1、k2、k3、k4、k5和k6,并将所述连线斜率k1、k2、k3、k4、k5和k6分别与各角点中心所对应的两条角车位线的斜率相比较,并根据比较结果确定空闲车位的车位线,其中若某一连线与角点中心所对应的车位线的斜率之差小于预设阈值,则将该连线作为空闲车位的一条车位线;可以理解的是,当两点之间的连线为车位对角角点中心的连线时,该连线的斜率与各角点中心所对应的两条角车位线的斜率的差值较大;当两点之间的连线为车位同侧角点中心的连线时,该连线的斜率与各角点中心所对应的两条角车位线的斜率的差值较小,理想状态是一致的;据此,可以确定6个连线中哪4个是车位线。
(2)若识别出的某一空闲车位的角点中心个数等于3,则根据3个角点中心以及车位线对边平行的特性获得第4个角点中心,并根据4个角点中心及其对应的角车位线获得空闲车位的车位线;
具体地,根据4个角点中心分别计算任意2个角点中心连线的斜率,得到6个连线斜率k1、k2、k3、k4、k5和k6,并将所述连线斜率k1、k2、k3、k4、k5和k6分别与各角点中心所对应的两条角车位线的斜率相比较,并根据比较结果确定空闲车位的车位线,其中若某一连线与角点中心所对应的车位线的斜率之差小于预设阈值,则将该连线作为空闲车位的一条车位线;
(3)若识别出的某一空闲车位的角点中心个数等于2,此时为车位不完整显示于环视图像中的情况,则计算2个角点中心连线的斜率km,并将所述斜率km与2个角点中心所对应的两条角车位线的斜率相比较,若斜率km与任一车位线斜率的差值小于预设阈值,则确定2个角点中心为同侧角点中心,并根据2个角点中心所对应的两条角车位线及其斜率进行车位线延长得到空闲车位的车位线;若斜率km与任一车位线斜率的差值均大于预设阈值,则确定2个角点中心为对角角点中心,并根据2个角点中心所对应的两条角车位线及其斜率进行车位线延长得到空闲车位的车位线;
以单条车位线为例,沿其斜率方向延伸可以与环视图像边界交于两点p1,p2,以角点中心c为起点,与图像边界角点为终点可以得到两个向量该角点骨架经过概率霍夫变换后可以得到的对应斜率kn的线段两端点sn,dn,以离角点中心c较接近的端点为起始点s,较远点为终点d,可得到车位摆向向量分别对 计算与的内积,满足式(13)的向量与为同向,对应点p*为有效交点;
其中,式(13)中·为内积运算,*为1或2。
车位线重构效果图可以参阅图8。
本实施例针对自动泊车系统中实时检测空闲车位这一实际任务,具体提出了一种使用轻量网络YOLOv2-Tiny进行角点检测的方法,并基于角点检测结果结合骨架提取与概率霍夫变换进行角点中心校正,其中,角点校正一方面可以弥补使用轻量化网络带来的角点定位偏差问题,另一方面基于角点块区域检测直线可以减轻全局环境噪声对直线检测精度的影响,且可检测角度多变的不同类型车位。通过实验结果证明本实施例所提出的车位线识别算法效果良好,且轻量化网络检测效率高,可满足自动泊车系统实时性要求。
本发明另一实施例提出一种车位线识别系统,参阅图8,本实施例系统包括:
图像获取单元1,用于获取车辆周围环视图像,并对所述环视图像进行识别得到空闲车位的多个角点区域;
骨架提取单元2,用于提取所述多个角点区域的角点骨架;
角点提取单元3,用于根据所述多个角点区域的角点骨架获得每一角点区域的角车位线及角点中心;以及
车位线重构单元4,用于根据所述每一角点区域的角车位线及角点中心进行空闲车位的车位线重构。
优选地,所述骨架提取单元2具体包括预处理子单元21和提取子单元22,其中,所述预处理子单元21用于对每一角点区域进行校正预处理得到预处理图像;所述提取子单元22用于采用快速并行图像细化算法对所述预处理图像进行角点骨架提取;
所述角点提取单元3具体包括霍夫变换单元31和角点中心获得单元32,其中,所述霍夫变换单元31用于利用概率霍夫变换算法对每一角点骨架进行处理得到两条角车位线,所述角点中心获得单元32用于根据每一角点骨架对应的两条角车位线获得每一角点区域的角点中心;每一角点区域的角点中心为角点区域的角点骨架对应的两条角车位线的交点。
优选地,所述车位线重构单元4具体包括:
第一重构子单元41,用于当识别出的某一空闲车位的角点中心个数等于4,则根据4个角点中心分别计算任意2个角点中心连线的斜率,得到连线斜率k1、k2、k3、k4、k5和k6,并将所述连线斜率k1、k2、k3、k4、k5和k6分别与对应的角点中心所对应的两条角车位线的斜率相比较,并根据比较结果确定空闲车位的车位线,其中若某一连线与角点中心所对应的车位线的斜率之差小于预设阈值,则将该连线作为空闲车位的一条车位线;
第二重构子单元42,用于当识别出的某一空闲车位的角点中心个数等于3,则根据3个角点中心以及车位线对边平行的特性获得第4个车位角点中心,并根据4个角点中心分别计算任意2个角点中心连线的斜率,得到连线斜率k1、k2、k3、k4、k5和k6,并将所述连线斜率k1、k2、k3、k4、k5和k6分别与对应的角点中心所对应的两条角车位线的斜率相比较,并根据比较结果确定空闲车位的车位线,其中若某一连线与角点中心所对应的车位线的斜率之差小于预设阈值,则将该连线作为空闲车位的一条车位线;以及
第三重构子单元43,用于当识别出的某一空闲车位的角点中心个数等于2,则计算2个角点中心连线的斜率km,并将所述斜率km与2个角点中心所对应的两条角车位线的斜率相比较,若斜率km与任一车位线斜率的差值小于预设阈值,则确定2个角点中心为同侧角点中心,并根据该2个角点中心所对应的两条角车位线及其斜率进行车位线延长得到空闲车位的车位线;若斜率km与任一车位线斜率的差值均大于预设阈值,则确定2个角点中心为对角角点中心,并根据该2个角点中心所对应的两条角车位线及其斜率进行车位线延长得到空闲车位的车位线。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
需说明的是,上述实施例所述系统与上述实施例所述方法对应,因此,上述实施例所述系统未详述部分可以参阅上述实施例所述方法的内容得到,此处不再赘述。
并且,上述实施例所述车位线识别系统如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
本发明另一实施例还提出一种车位线识别设备,可以安装于车辆上,包括:根据上述实施例所述的车位线识别系统;或者,存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行根据上述实施例所述车位线识别方法的步骤。
当然,所述车位线识别设备还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该车位线识别设备还可以包括其他用于实现设备功能的部件,在此不做赘述。
示例性的,所述计算机程序可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述车位线识别设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述车位线识别设备的控制中心,利用各种接口和线路连接整个所述车位线识别设备的各个部分。
所述存储器可用于存储所述计算机程序和/或单元,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或单元,以及调用存储在存储器内的数据,实现所述车位线识别设备的各种功能。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明另一实施例还提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例所述车位线识别方法的步骤。
具体而言,所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (11)
1.一种车位线识别方法,其特征在于,包括:
获取车辆周围环视图像,并对所述环视图像进行识别得到空闲车位的多个角点区域;
提取所述多个角点区域的角点骨架;
根据所述多个角点区域的角点骨架获得每一角点区域的角车位线及角点中心;
根据所述每一角点区域的角车位线及角点中心进行空闲车位的车位线重构。
2.根据权利要求1所述的车位线识别方法,其特征在于,所述提取所述多个角点区域的角点骨架具体包括:
对每一角点区域进行校正预处理得到预处理图像;
采用快速并行图像细化算法对所述预处理图像进行角点骨架提取。
3.根据权利要求1所述的车位线识别方法,其特征在于,所述根据所述多个角点区域的角点骨架获得每一角点区域的角车位线及角点中心具体包括:
利用概率霍夫变换算法对每一角点骨架进行处理得到两条角车位线;
根据每一角点骨架对应的两条角车位线获得每一角点区域的角点中心;其中每一角点区域的角点中心为角点区域的角点骨架对应的两条角车位线的交点。
4.根据权利要求3所述的车位线识别方法,其特征在于,根据所述每一角点区域的角车位线及角点中心进行空闲车位的车位线重构具体包括:
若识别出的某一空闲车位的角点中心个数等于4,则根据4个角点中心及其对应的角车位线获得空闲车位的车位线;
若识别出的某一空闲车位的角点中心个数等于3,则根据3个角点中心以及车位线对边平行的特性获得第4个角点中心,并根据4个角点中心及其对应的角车位线获得空闲车位的车位线;
若识别出的某一空闲车位的角点中心个数等于2,则计算2个角点中心连线的斜率km,并将所述斜率km与2个角点中心所对应的两条角车位线的斜率相比较,若斜率km与任一车位线斜率的差值小于预设阈值,则确定2个角点中心为同侧角点中心,并根据2个角点中心所对应的两条角车位线及其斜率进行车位线延长得到空闲车位的车位线;若斜率km与任一车位线斜率的差值均大于预设阈值,则确定2个角点中心为对角角点中心,并根据2个角点中心所对应的两条角车位线及其斜率进行车位线延长得到空闲车位的车位线。
5.根据权利要求4所述的车位线识别方法,其特征在于,所述根据4个角点中心及其对应的角车位线获得空闲车位的车位线具体包括:
根据4个角点中心分别计算任意2个角点中心连线的斜率,得到连线斜率k1、k2、k3、k4、k5和k6,并将所述连线斜率k1、k2、k3、k4、k5和k6分别与各角点中心所对应的两条角车位线的斜率相比较,并根据比较结果确定空闲车位的车位线,其中若某一连线与角点中心所对应的车位线的斜率之差小于预设阈值,则将该连线作为空闲车位的一条车位线。
6.根据权利要求1至5任一项所述的车位线识别方法,其特征在于,所述对所述环视图像进行识别得到空闲车位的多个角点区域包括:
使用YOLOv2-Tiny模型对所述环视图像进行识别得到空闲车位的多个角点区域,其中,所述YOLOv2-Tiny的网络结构共包含9个卷积层和6个池化层。
7.一种车位线识别系统,其特征在于,包括:
图像获取单元,用于获取车辆周围环视图像,并对所述环视图像进行识别得到空闲车位的多个角点区域;
骨架提取单元,用于提取所述多个角点区域的角点骨架;
角点提取单元,用于根据所述多个角点区域的角点骨架获得每一角点区域的角车位线及角点中心;以及
车位线重构单元,用于根据所述每一角点区域的角车位线及角点中心进行空闲车位的车位线重构。
8.根据权利要求7所述的车位线识别系统,其特征在于,所述骨架提取单元具体包括预处理子单元和提取子单元,其中,所述预处理子单元用于对每一角点区域进行校正预处理得到预处理图像;所述提取子单元用于采用快速并行图像细化算法对所述预处理图像进行角点骨架提取;
所述角点提取单元具体包括霍夫变换单元和角点中心获得单元,其中,所述霍夫变换单元用于利用概率霍夫变换算法对每一角点骨架进行处理得到两条角车位线,所述角点中心获得单元用于根据每一角点骨架对应的两条角车位线获得每一角点区域的角点中心;每一角点区域的角点中心为角点区域的角点骨架对应的两条角车位线的交点。
9.根据权利要求8所述的车位线识别系统,其特征在于,所述车位线重构单元具体包括:
第一重构子单元,用于当识别出的某一空闲车位的角点中心个数等于4,则根据4个角点中心分别计算任意2个角点中心连线的斜率,得到连线斜率k1、k2、k3、k4、k5和k6,并将所述连线斜率k1、k2、k3、k4、k5和k6分别与对应的角点中心所对应的两条角车位线的斜率相比较,并根据比较结果确定空闲车位的车位线,其中若某一连线与角点中心所对应的车位线的斜率之差小于预设阈值,则将该连线作为空闲车位的一条车位线;
第二重构子单元,用于当识别出的某一空闲车位的角点中心个数等于3,则根据3个角点中心以及车位线对边平行的特性获得第4个车位角点中心,并根据4个角点中心分别计算任意2个角点中心连线的斜率,得到连线斜率k1、k2、k3、k4、k5和k6,并将所述连线斜率k1、k2、k3、k4、k5和k6分别与对应的角点中心所对应的两条角车位线的斜率相比较,并根据比较结果确定空闲车位的车位线,其中若某一连线与角点中心所对应的车位线的斜率之差小于预设阈值,则将该连线作为空闲车位的一条车位线;以及
第三重构子单元,用于当识别出的某一空闲车位的角点中心个数等于2,则计算2个角点中心连线的斜率km,并将所述斜率km与2个角点中心所对应的两条角车位线的斜率相比较,若斜率km与任一车位线斜率的差值小于预设阈值,则确定2个角点中心为同侧角点中心,并根据该2个角点中心所对应的两条角车位线及其斜率进行车位线延长得到空闲车位的车位线;若斜率km与任一车位线斜率的差值均大于预设阈值,则确定2个角点中心为对角角点中心,并根据该2个角点中心所对应的两条角车位线及其斜率进行车位线延长得到空闲车位的车位线。
10.一种车位线识别设备,包括:根据权利要求7-9任一项所述的车位线识别系统;或者,存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行根据权利要求1-5中任一项所述车位线识别方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1-6中任一项所述车位线识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087552.6A CN113255405A (zh) | 2020-02-12 | 2020-02-12 | 车位线识别方法及其系统、车位线识别设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087552.6A CN113255405A (zh) | 2020-02-12 | 2020-02-12 | 车位线识别方法及其系统、车位线识别设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255405A true CN113255405A (zh) | 2021-08-13 |
Family
ID=77219616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010087552.6A Pending CN113255405A (zh) | 2020-02-12 | 2020-02-12 | 车位线识别方法及其系统、车位线识别设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255405A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115995161A (zh) * | 2023-02-01 | 2023-04-21 | 华人运通(上海)自动驾驶科技有限公司 | 基于投影确定停车位置的方法和电子设备 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002163645A (ja) * | 2000-11-28 | 2002-06-07 | Toshiba Corp | 車両検出装置及びその方法 |
WO2005010820A2 (fr) * | 2003-07-29 | 2005-02-03 | Holding Bev Sa | Procede et dispositif automatise de perception avec determination et caracterisation de bords et de frontieres d'objets d'un espace, construction de contours et applications |
US20120163463A1 (en) * | 2010-12-23 | 2012-06-28 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Concept for encoding data defining coded positions representing a trajectory of an object |
WO2015147764A1 (en) * | 2014-03-28 | 2015-10-01 | Kisa Mustafa | A method for vehicle recognition, measurement of relative speed and distance with a single camera |
CN105809954A (zh) * | 2014-12-30 | 2016-07-27 | 清华大学 | 交通事件检测方法以及系统 |
US20160307052A1 (en) * | 2015-04-16 | 2016-10-20 | Electronics And Telecommunications Research Institute | Device and method for recognizing obstacle and parking slot to support unmanned autonomous parking function |
CN106373091A (zh) * | 2016-09-05 | 2017-02-01 | 山东省科学院自动化研究所 | 全景泊车中鸟瞰图像的自动拼接方法、系统及车辆 |
CN108805972A (zh) * | 2018-04-11 | 2018-11-13 | 杭州电子科技大学 | 一种基于地面法向和二维交线的三维重建方法 |
CN108875607A (zh) * | 2017-09-29 | 2018-11-23 | 惠州华阳通用电子有限公司 | 车道线检测方法、装置以及计算机可读存储介质 |
CN109435942A (zh) * | 2018-10-31 | 2019-03-08 | 合肥工业大学 | 一种基于信息融合的车位线车位识别方法及装置 |
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 |
CN109993991A (zh) * | 2018-11-30 | 2019-07-09 | 浙江工商大学 | 停车位状态检测方法及系统 |
CN110334625A (zh) * | 2019-06-25 | 2019-10-15 | 河北工业大学 | 一种面向自动泊车的停车位视觉识别系统及其识别方法 |
CN110472580A (zh) * | 2019-08-16 | 2019-11-19 | 北京茵沃汽车科技有限公司 | 基于全景影像的检测车位的方法、装置、存储介质 |
US20190370572A1 (en) * | 2018-05-31 | 2019-12-05 | Kpit Technologies Limited | System and method for detection of free parking space for a vehicle |
-
2020
- 2020-02-12 CN CN202010087552.6A patent/CN113255405A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002163645A (ja) * | 2000-11-28 | 2002-06-07 | Toshiba Corp | 車両検出装置及びその方法 |
WO2005010820A2 (fr) * | 2003-07-29 | 2005-02-03 | Holding Bev Sa | Procede et dispositif automatise de perception avec determination et caracterisation de bords et de frontieres d'objets d'un espace, construction de contours et applications |
US20120163463A1 (en) * | 2010-12-23 | 2012-06-28 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Concept for encoding data defining coded positions representing a trajectory of an object |
WO2015147764A1 (en) * | 2014-03-28 | 2015-10-01 | Kisa Mustafa | A method for vehicle recognition, measurement of relative speed and distance with a single camera |
CN105809954A (zh) * | 2014-12-30 | 2016-07-27 | 清华大学 | 交通事件检测方法以及系统 |
US20160307052A1 (en) * | 2015-04-16 | 2016-10-20 | Electronics And Telecommunications Research Institute | Device and method for recognizing obstacle and parking slot to support unmanned autonomous parking function |
CN106373091A (zh) * | 2016-09-05 | 2017-02-01 | 山东省科学院自动化研究所 | 全景泊车中鸟瞰图像的自动拼接方法、系统及车辆 |
CN108875607A (zh) * | 2017-09-29 | 2018-11-23 | 惠州华阳通用电子有限公司 | 车道线检测方法、装置以及计算机可读存储介质 |
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 |
CN108805972A (zh) * | 2018-04-11 | 2018-11-13 | 杭州电子科技大学 | 一种基于地面法向和二维交线的三维重建方法 |
US20190370572A1 (en) * | 2018-05-31 | 2019-12-05 | Kpit Technologies Limited | System and method for detection of free parking space for a vehicle |
CN109435942A (zh) * | 2018-10-31 | 2019-03-08 | 合肥工业大学 | 一种基于信息融合的车位线车位识别方法及装置 |
CN109993991A (zh) * | 2018-11-30 | 2019-07-09 | 浙江工商大学 | 停车位状态检测方法及系统 |
CN110334625A (zh) * | 2019-06-25 | 2019-10-15 | 河北工业大学 | 一种面向自动泊车的停车位视觉识别系统及其识别方法 |
CN110472580A (zh) * | 2019-08-16 | 2019-11-19 | 北京茵沃汽车科技有限公司 | 基于全景影像的检测车位的方法、装置、存储介质 |
Non-Patent Citations (4)
Title |
---|
JIAN-YU CHEN ET.AL: "A visual method tor the detection of available parking slots", 2017 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS (SMC) * |
何俏君: "基于YOLOv2-Tiny的环视实时车位线识别算法", 汽车电器 * |
白中浩: "基于视觉的车位线识别算法", 中国机械工程 * |
辛鑫: "基于多传感器信息交互的自动泊车系统关键技术研究", 中国优秀硕士学位论文全文数据库, pages 45 - 46 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115995161A (zh) * | 2023-02-01 | 2023-04-21 | 华人运通(上海)自动驾驶科技有限公司 | 基于投影确定停车位置的方法和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110758246B (zh) | 一种自动泊车方法及装置 | |
US10867189B2 (en) | Systems and methods for lane-marker detection | |
CN109035304B (zh) | 目标跟踪方法、介质、计算设备和装置 | |
US10521694B2 (en) | 3D building extraction apparatus, method and system | |
CN109658454B (zh) | 一种位姿信息确定方法、相关装置及存储介质 | |
CN111815707A (zh) | 点云确定方法、点云筛选方法、装置、计算机设备 | |
CN112198878B (zh) | 一种即时地图构建方法、装置、机器人及存储介质 | |
CN111105351B (zh) | 一种视频序列影像拼接方法及装置 | |
CN110516731B (zh) | 一种基于深度学习的视觉里程计特征点检测方法及系统 | |
CN111161348B (zh) | 一种基于单目相机的物体位姿估计方法、装置及设备 | |
CN111753858A (zh) | 一种点云匹配方法、装置和重定位系统 | |
CN110673607A (zh) | 动态场景下的特征点提取方法、装置、及终端设备 | |
CN110826364A (zh) | 一种库位识别方法及装置 | |
CN113255405A (zh) | 车位线识别方法及其系统、车位线识别设备、存储介质 | |
CN111709377A (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
CN116128919A (zh) | 基于极线约束的多时相图像异动目标检测方法及系统 | |
CN113901961B (zh) | 车位检测方法、装置、设备及存储介质 | |
CN115601336A (zh) | 一种确定目标投影的方法、装置及电子设备 | |
CN112529943B (zh) | 一种物体检测方法、物体检测装置及智能设备 | |
CN113147746A (zh) | 坡道车位的探测方法及装置 | |
CN114332814A (zh) | 一种停车框识别方法、装置、电子设备及存储介质 | |
CN112308061A (zh) | 一种车牌字符排序方法、识别方法及装置 | |
CN114581887B (zh) | 车道线的检测方法、装置、设备和计算机可读存储介质 | |
Kim et al. | Geo-registration of wide-baseline panoramic image sequences using a digital map reference | |
CN112967398B (zh) | 一种三维数据重建方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |