CN113674245B - 一种目标停车位的确定方法、装置、电子设备及存储介质 - Google Patents
一种目标停车位的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113674245B CN113674245B CN202110964842.9A CN202110964842A CN113674245B CN 113674245 B CN113674245 B CN 113674245B CN 202110964842 A CN202110964842 A CN 202110964842A CN 113674245 B CN113674245 B CN 113674245B
- Authority
- CN
- China
- Prior art keywords
- determining
- calibration point
- position data
- point
- calibration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000010801 machine learning Methods 0.000 claims description 55
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000001629 suppression Effects 0.000 description 6
- 230000004438 eyesight Effects 0.000 description 4
- 230000016776 visual perception Effects 0.000 description 4
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30244—Camera pose
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例所公开的一种目标停车位的确定方法、装置、电子设备及存包括获取待处理图像;待处理图像为对鱼眼相机采集的图像进行畸变拼接得到的俯视图像,待处理图像含有标定点集合和标定点集合中每个标定点对应的角点集合,每个标定点具有描述信息;从待处理图像中,确定每个标定点对应的第一极坐标系;基于每个标定点对应的第一极坐标系,确定每个标定点对应的角点集合的候选位置数据集合;根据每个标定点的描述信息和每个标定点对应的角点集合的候选位置数据集合,确定目标停车位。本申请根据标定点和对应的角点集合,确定目标停车位,可以提高检测精度,并且通过标定点对应的极坐标确定对应的角点集合的位置数据,可以降低系统的运算量。
Description
技术领域
本发明涉及自动驾驶视觉感知技术领域,尤其涉及一种目标停车位的确定方法、装置、电子设备及存储介质。
背景技术
由于神经网络具有强大的特征表示能力,可以不断逼近人眼的视觉能力,因此深度学习技术越来越被广泛地应用于自动驾驶视觉感知领域,以解决视觉感知存在的问题。
近年来,对于前视视觉、环视视觉、周视视觉中视觉感知存在的问题的解决方案逐渐丰富。其中,环视视觉需要对鱼眼相机中附近的车辆、行人等障碍物进行有效识别,在泊车期间还需要准确定位出停车位的位置。由于鱼眼相机的成像特性,有时无法准确检测到停车位的边缘位置,需要将成像原图投影至鸟瞰俯视图上拼接以进行停车位的检测。在鸟瞰俯视图上,由于呈现的停车位往往不是正矩形,因而需要检测出带有旋转角度的矩形框作为停车位。
现有停车位的检测方法中,可以控制待泊车车辆沿基准线朝向目标斜列泊车位行驶设定距离,并获取待泊车车辆与第一参考车辆和第二参考车辆上多个反射点之间的多个雷达测距值,进而根据多个雷达测距值和多个车辆行驶距离,形成二维数据图像,将该二维数据图像对应的二维灰度图作为神经网络的输入,输出第一特征点、第二特征点、第三特征点的坐标和目标斜列泊车位与基准线的夹角,以计算目标斜列泊车位的宽度。该方法仅仅依靠雷达获取目标斜列泊车位的信息计算目标斜列泊车位的宽度,无法保证检测的精度。
现有停车位的检测方法中,还可以通过设置在车辆后视镜的摄像头拍摄车辆一侧相邻的两个第一车位角点,并结合超声波传感器来确定两个第一车位角点之间的区域不存在障碍物,进而以两个第一车位角点的连线为基准,确定可泊车的位置。该方法单独依赖角点信息,在出现角点误检的情况时,将对可泊车的位置的定位精度造成影响。
发明内容
本申请实施例提供了一种目标停车位的确定方法、装置、电子设备及存储介质,可以提高检测精度,可以降低系统的运算量。
本申请实施例提供了一种目标停车位的确定方法,包括
获取待处理图像;待处理图像为对鱼眼相机采集的图像进行畸变拼接得到的俯视图像,待处理图像含有标定点集合和标定点集合中每个标定点对应的角点集合,每个标定点具有描述信息;
从待处理图像中,确定每个标定点对应的第一极坐标系;
基于每个标定点对应的第一极坐标系,确定每个标定点对应的角点集合的候选位置数据集合;
根据每个标定点的描述信息和每个标定点对应的角点集合的候选位置数据集合,确定目标停车位。
进一步地,获取待处理图像之后,还包括:
将待处理图像作为训练后的位置数据确定模型的输入,输出每个标定点对应的角点集合的候选位置数据集合。
进一步地,位置数据确定模型的训练步骤包括:
获取训练样本图像;训练样本图像含有参考标定点和参考标定点对应的参考角点集合,参考角点集合具有参考位置数据集合;
构建预设机器学习模型,将预设机器学习模型确定为当前机器学习模型;
基于当前机器学习模型,从训练样本图像中,确定参考标定点对应的第二极坐标系;
基于参考标定点对应的第二极坐标系,确定预测角点集合对应的预测位置数据集合;
根据参考位置数据集合和预测位置数据集合,确定损失值;
当损失值大于预设阈值时,基于损失值进行反向传播,对当前机器学习模型进行更新以得到更新后的机器学习模型,将更新后的机器学习模型重新确定为当前机器学习模型;重复步骤:从训练样本图像中,确定参考标定点对应的第二极坐标系,基于参考标定点对应的第二极坐标系,确定预测角点集合对应的预测位置数据集合,根据参考位置数据集合和预测位置数据集合,确定损失值;
当损失值小于或者等于预设阈值时,将当前机器学习模型确定为位置数据确定模型,将损失值对应的模型参数确定为位置数据确定模型的参数。
进一步地,参考位置数据集合包括参考角点集合中每个参考角点对应的参考极径和参考极角,预测位置数据集合包括参考角点集合中每个参考角点对应的预测极径和预测极角;
根据参考位置数据集合和预测位置数据集合,确定损失值,包括:
根据每个参考角点对应的参考极径和每个参考角点对应的预测极径,确定第一损失值;
根据每个参考角点对应的参考极角和每个参考角点对应的预测极角,确定第二损失值;
根据第一损失值和第二损失值,确定损失值。
进一步地,根据每个标定点的描述信息和每个标定点对应的角点集合的候选位置数据集合,确定目标停车位,包括:
根据标定点集合中任意两个标定点对应的角点集合的候选位置数据集合,从标定点集合中确定候选标定点集合;
根据候选标定点集合中每个候选标定点的描述信息,从候选标定点集合中确定目标标定点;
根据目标标定点对应的角点集合的候选位置数据集合,确定目标停车位。
进一步地,确定每个标定点对应的第一极坐标系,包括:
以每个标定点为原点,水平方向为极轴方向建立每个标定点对应的第一极坐标系。
进一步地,根据每个标定点的描述信息和每个标定点对应的角点集合的候选位置数据集合,确定目标停车位之后,还包括:
根据目标标定点对应的描述信息,确定目标停车位对应的占用信息和类型信息;占用信息包括忙碌停车位和闲置停车位,类型信息包括竖直停车位、水平停车位和斜向停车位。
相应地,本申请实施例还提供了一种目标停车位的确定装置,包括:
第一获取模块,用于获取待处理图像;待处理图像为对鱼眼相机采集的图像进行畸变拼接得到的俯视图像,待处理图像含有标定点集合和标定点集合中每个标定点对应的角点集合,每个标定点具有描述信息;
第一确定模块,用于从待处理图像中,确定每个标定点对应的第一极坐标系;
第二确定模块,用于基于每个标定点对应的第一极坐标系,确定每个标定点对应的角点集合的候选位置数据集合;
第三确定模块,用于根据每个标定点的描述信息和每个标定点对应的角点集合的候选位置数据集合,确定目标停车位。
进一步地,上述装置还包括:
第二获取模块,用于获取训练样本图像;训练样本图像含有参考标定点和参考标定点对应的参考角点集合,参考角点集合具有参考位置数据集合;
构建模块,用于构建预设机器学习模型,将预设机器学习模型确定为当前机器学习模型;
第四确定模块,用于基于当前机器学习模型,从训练样本图像中,确定参考标定点对应的第二极坐标系;
第五确定模块,用于基于参考标定点对应的第二极坐标系,确定预测角点集合对应的预测位置数据集合;
第六确定模块,用于根据参考位置数据集合和预测位置数据集合,确定损失值;
第七确定模块,用于当损失值大于预设阈值时,基于损失值进行反向传播,对当前机器学习模型进行更新以得到更新后的机器学习模型,将更新后的机器学习模型重新确定为当前机器学习模型;重复步骤:从训练样本图像中,确定参考标定点对应的第二极坐标系,基于参考标定点对应的第二极坐标系,确定预测角点集合对应的预测位置数据集合,根据参考位置数据集合和预测位置数据集合,确定损失值;
当损失值小于或者等于预设阈值时,将当前机器学习模型确定为位置数据确定模型,将损失值对应的模型参数确定为位置数据确定模型的参数。
进一步地,上述装置还包括:
第八确定模块,用于在获取待处理图像之后,将待处理图像作为训练后的位置数据确定模型的输入,输出每个标定点对应的角点集合的候选位置数据集合。
进一步地,参考位置数据集合包括参考角点集合中每个参考角点对应的参考极径和参考极角,预测位置数据集合包括参考角点集合中每个参考角点对应的预测极径和预测极角;
第六确定模块,包括:
第一确定单元,用于根据每个参考角点对应的参考极径和每个参考角点对应的预测极径,确定第一损失值;
第二确定单元,用于根据每个参考角点对应的参考极角和每个参考角点对应的预测极角,确定第二损失值;
第三确定单元,用于根据第一损失值和第二损失值,确定损失值。
进一步地,第三确定模块,包括:
第四确定单元,用于根据标定点集合中任意两个标定点对应的角点集合的候选位置数据集合,从标定点集合中确定候选标定点集合;
第五确定单元,用于根据候选标定点集合中每个候选标定点的描述信息,从候选标定点集合中确定目标标定点;
第六确定单元,用于根据目标标定点对应的角点集合的候选位置数据集合,确定目标停车位。
进一步地,第一确定模块,用于以每个标定点为原点,水平方向为极轴方向建立每个标定点对应的第一极坐标系。
进一步地,上述装置还包括:
第九确定模块,用于在根据每个标定点的描述信息和每个标定点对应的角点集合的候选位置数据集合,确定目标停车位之后,
根据目标标定点对应的描述信息,确定目标停车位对应的占用信息和类型信息;占用信息包括忙碌停车位和闲置停车位,类型信息包括竖直停车位、水平停车位和斜向停车位。
相应地,本申请实施例还提供了一种电子设备,该电子设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述目标停车位的确定方法。
相应地,本申请实施例还提供了一种计算机可读存储介质,该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述目标停车位的确定方法。
本申请实施例具有如下有益效果:
本申请实施例所公开的一种目标停车位的确定方法、装置、电子设备及存储介质,包括获取待处理图像;待处理图像为对鱼眼相机采集的图像进行畸变拼接得到的俯视图像,待处理图像含有标定点集合和标定点集合中每个标定点对应的角点集合,每个标定点具有描述信息;从待处理图像中,确定每个标定点对应的第一极坐标系;基于每个标定点对应的第一极坐标系,确定每个标定点对应的角点集合的候选位置数据集合;根据每个标定点的描述信息和每个标定点对应的角点集合的候选位置数据集合,确定目标停车位。基于本申请实施例,根据标定点和对应的角点集合,确定目标停车位,可以提高检测精度,并且通过标定点对应的极坐标确定对应的角点集合的位置数据,可以降低系统的运算量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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它附图。
图1是本申请实施例所提供的一种应用环境的示意图;
图2是本申请实施例提供的一种目标停车位的确定方法的流程示意图;
图3是本申请实施例提供的一种基于每个标定点对应的第一极坐标系,确定每个标定点对应的角点集合的候选位置数据集合的示意图;
图4是本申请实施例提供的一种确定目标停车位的方法的流程示意图;
图5是本申请实施例提供的一种目标停车位的确定装置的结构示意图;
图6是本申请实施例提供的另一种目标停车位的确定方法的流程示意图;
图7是本申请实施例提供的一种位置数据确定模型的训练方法的流程示意图;
图8是本申请实施例提供的另一种目标停车位的确定装置的结构示意图;
图9是本申请实施例提供的一种位置数据确定模型的训练装置的结构示意图;
图10是本申请实施例提供的一种目标停车位的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例作进一步地详细描述。显然,所描述的实施例仅仅是本申请一个实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
此处所称的“实施例”是指可包含于本申请至少一个实现方式中的特定特征、结构或特性。在本申请实施例的描述中,需要理解的是,术语“第一”、“第二”和“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”和“第三”等的特征可以明示或者隐含的包括一个或者更多个该特征。而且,术语“第一”、“第二”和“第三”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请实施例能够以除了在这里图示或描述以外的顺序实施。此外,术语“包括”、“具有”和“为”以及他们的任何变形,意图在于覆盖不排他的包含。
请参阅图1,其所示为本申请实施例所提供的一种应用环境的示意图,包括:车辆100,该车辆上设有车载服务器101,该车载服务器可以获取待处理图像;待处理图像为对鱼眼相机采集的图像进行畸变拼接得到的俯视图像,待处理图像含有标定点集合和标定点集合中每个标定点对应的角点集合,每个标定点具有描述信息;从待处理图像中,确定每个标定点对应的第一极坐标系;基于每个标定点对应的第一极坐标系,确定每个标定点对应的角点集合的候选位置数据集合;根据每个标定点的描述信息和每个标定点对应的角点集合的候选位置数据集合,确定目标停车位。
本申请实施例中,根据标定点和对应的角点集合,确定目标停车位,可以提高检测精度,并且通过标定点对应的极坐标确定对应的角点集合的位置数据,可以降低系统的运算量
下面介绍本申请一种目标停车位的确定方法的具体实施例,图2是本申请实施例提供的一种目标停车位的确定方法的流程示意图,本说明书提供了如实施例或流程图所示的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多执行顺序中的一种方式,不代表唯一的执行顺序,在实际执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示,该方法包括:
S201:获取待处理图像;待处理图像为对鱼眼相机采集的图像进行畸变拼接得到的俯视图像,待处理图像含有标定点集合和标定点集合中每个标定点对应的角点集合,每个标定点具有描述信息。
本申请实施例中,车载服务器可以获取鱼眼相机采集的初始图像,即四路鱼眼图像,并根据鱼眼相机的内外参对四路鱼眼图像进行畸变拼接处理,得到俯视图像,即待处理图像。
本申请实施例中,待处理图像可以含有标定点集合和标定点集合中每个标定点对应的角点集合。其中,标定点可以是预先在待处理图像上设置的锚点,该锚点可以是停车位内部的点,也可以是停车位对应的旋转框上的点,还可以是停车位外部的点。可选地,可以根据标定点在热力图上的响应判断锚点在停车位的哪个区域。每个锚点可以具有描述信息,描述信息可以为基于每个锚点的灰度值与停车位的匹配值、每个锚点的灰度值与被占用停车位的匹配值、每个锚点与停车位类型的匹配置信度、每个锚点距离停车位中心的距离值,得到的每个锚点对应的得分。
在一种可选的实施方式中,待处理图像可以含有标定点集合{O1,O2,O3},还可以含有每个标定点对应的角点集合{{A1,B1,C1,D1},{A2,B2,C2,D2},{A3,B3,C3,D1}}。其中,标定点O1与角点集合{A1,B1,C1,D1}对应,标定点O2与角点集合{A2,B2,C2,D2}对应,标定点O3与角点集合{A3,B3,C3,D3}对应。
S203:从待处理图像中,确定每个标定点对应的第一极坐标系。
本申请实施例中,车载服务器可以从待处理图像中,确定每个标定点对应的第一极坐标系,即以每个标定点为原点,水平方向为极轴方向建立每个标定点对应的第一坐标系。也即是,基于设定的锚点,将每个像素作为极坐标的坐标原点,即需要回归的旋转框的中心点,并以右侧水平方向为极轴正方向建立极坐标系。
S205:基于每个标定点对应的第一极坐标系,确定每个标定点对应的角点集合的候选位置数据集合。
本申请实施例中,在确定每个标定点对应的第一极坐标系之后,可以基于每个标定点对应的第一极坐标系,确定每个标定点对应的角点集合的候选位置数据集合。
本申请实施例中,每个标定点对应的角点集合的候选位置数据集合,可以包括角点对应的极径ρ和极角θ。
在一种可选的实施方式中,可以基于标定点O1对应的第一极坐标系,确定标定点O1对应的角点集合{A1,B1,C1,D1}的候选位置数据子集合{A1(ρ11,θ11),B1(ρ12,θ12),C1(ρ13,θ13),D1(ρ14,θ14)}。可以基于标定点O2对应的第一极坐标系,确定标定点O2对应的角点集合{A2,B2,C2,D2}的候选位置数据子集合{A2(ρ21,θ21),B2(ρ22,θ22),C2(ρ23,θ23),D2(ρ24,θ24)}。可以基于标定点O3对应的第一极坐标系,确定标定点O2对应的角点集合{A3,B3,C3,D3}的候选位置数据子集合{A2(ρ31,θ31),B2(ρ32,θ32),C2(ρ33,θ33),D2(ρ34,θ34)}。图3是本申请实施例提供的一种基于每个标定点对应的第一极坐标系,确定每个标定点对应的角点集合的候选位置数据集合的示意图。其中,O为标定点,A为标定点O对应的一个角点,B为标定点O对应的另一个角点,(3,60°)为角点A对应的候选位置数据,(4,210°)为角点B对应的候选位置数据。
本申请实施例中,通过在每个标定点对应的极坐标系下,确定每个标定点对应的角点集合的候选位置数据集合,相较于卡迪尔坐标系,可以减小系统的运算量。
S207:根据每个标定点的描述信息和每个标定点对应的角点集合的候选位置数据集合,确定目标停车位。
本申请实施例中,车载服务器可以根据标定点集合中每个标定点对应的角点集合,确定每个标定点对应的旋转框,得到候选停车位集合,即大量的候选旋转框。例如,可以根据A1,B1,C1,D1确定一个候选旋转框,可以根据A2,B2,C2,D2确定一个候选旋转框,可以根据A3,B3,C3,D3确定一个候选旋转框。在确定极点对应的候选旋转框之后,采用非极大值抑制(NMS,Non-Maximum Suppression)方法,从候选停车位集合中确定目标停车位。与传统矩形框计算交并比(iou,intersection over union)方法不同的是,非极大值抑制方法可以通过标定点对应的角点集合的极径之比和角度之比的均值来确定。
图4是本申请实施例提供的一种确定目标停车位的方法的流程示意图,车载服务器可以采用如下步骤确定目标停车位,具体步骤如下:
S401:根据标定点集合中任意两个标定点对应的角点集合的候选位置数据集合,从标定点集合中确定候选标定点集合。
本申请实施例中,车载服务器可以根据标定点集合中任意两个标定点对应的角点集合的候选位置数据集合,从标定点集合中确定候选标定点集合。具体可以采用如下公式从标定点集合中确定候选标定点集合:
在一种可选的实施方式中,可以将标定点集合中最大均值对应的两个标定点确定为候选标定点集合。例如,若iou1>iou2>iou3,可以从标定点集合{O1,O2,O3}中确定出候选标定点集合{O1,O2}。
在另一种可选的实施方式中,可以将标定点集合中大于预设均值阈值的均值对应的标定点确定为候选标定点集合。例如,若预设均值阈值为0.5,若iou1>0.5,iou2<0.5,iou3<0.5,可以从标定点集合{O1,O2,O3}中确定出候选标定点集合{O1,O2}。
S403:根据候选标定点集合中每个候选标定点的描述信息,从候选标定点集合中确定目标标定点。
本申请实施例中,在从标定点集合中确定候选标定点集合之后,车载服务器可以根据候选标定点集合中每个候选标定点的描述信息,即根据候选标定点集合中每个候选标定点的得分,从候选标定点集合中确定目标标定点。在一种可选的实施方式中,可以将候选标定点集合中候选标定点得分最高的标定点确定为目标标定点。
S405:根据目标标定点对应的角点集合的候选位置数据集合,确定目标停车位。
本申请实施例中,车载服务器可以根据目标标定点对应的角点集合的候选位置数据集合,确定目标标定点对应的旋转框,并将其确定为目标停车位。
本申请实施例中,在确定目标停车位之后,车载服务器可以根据目标标定点对应的描述信息,确定目标停车位对应的占用信息和类型信息,其中,占用信息包括忙碌停车位和闲置停车位,类型信息包括竖直停车位、水平停车位和斜向停车位。也即是,车载服务器可以根据目标停车位对应的得分,确定目标停车位的占用情况,忙碌停车位即停车位已被占用,闲置停车位即停车位未被占用。
在一种可选的实施方式中,车载服务器可以根据目标停车位的角点集合的位置数据,确定目标停车位的长边,进而根据目标停车位的长边与行车道方向,确定目标停车位的类型信息,即根据目标停车位的长边与行车道的方向,确定目标停车位为竖直停车位、水平停车位或斜向停车位,以使得在倒车入库场景中,可以输出准确的停车位类型,进而可以根据目标停车位的占用信息和类型信息制定不同的控制策略,辅助后续停车控制。
本申请实施例中,通过根据标定点集合和每个标定点对应的角点集合,确定目标停车位,相较于单独根据标定点生成对应长宽比的旋转框,可以提高后续确定目标停车位的准确性和棒鲁性。
采用本申请实施例提供的目标停车位的确定方法,根据标定点和对应的角点集合,确定目标停车位,可以提高检测精度,并且通过标定点对应的极坐标确定对应的角点集合的位置数据,可以降低系统的运算量。
本申请实施例还提供了一种目标停车位的确定装置,图5是本申请实施例提供的一种目标停车位的确定装置的结构示意图,如图5所示,该装置可以包括:
第一获取模块501用于获取待处理图像;待处理图像为对鱼眼相机采集的图像进行畸变拼接得到的俯视图像,待处理图像含有标定点集合和标定点集合中每个标定点对应的角点集合,每个标定点具有描述信息;
第一确定模块503用于从待处理图像中,确定每个标定点对应的第一极坐标系;
第二确定模块505用于基于每个标定点对应的第一极坐标系,确定每个标定点对应的角点集合的候选位置数据集合;
第三确定模块507用于根据每个标定点的描述信息和每个标定点对应的角点集合的候选位置数据集合,确定目标停车位。
本申请实施例中,第三确定模块507可以包括:
第四确定单元,用于根据标定点集合中任意两个标定点对应的角点集合的候选位置数据集合,从标定点集合中确定候选标定点集合;
第五确定单元,用于根据候选标定点集合中每个候选标定点的描述信息,从候选标定点集合中确定目标标定点;
第六确定单元,用于根据目标标定点对应的角点集合的候选位置数据集合,确定目标停车位。
本申请实施例中,第一确定模块503可以用于以每个标定点为原点,水平方向为极轴方向建立每个标定点对应的第一极坐标系。
本申请实施例中,上述装置还可以包括:
第九确定模块,用于在根据每个标定点的描述信息和每个标定点对应的角点集合的候选位置数据集合,确定目标停车位之后,
根据目标标定点对应的描述信息,确定目标停车位对应的占用信息和类型信息;占用信息包括忙碌停车位和闲置停车位,类型信息包括竖直停车位、水平停车位和斜向停车位。
本申请实施例中的装置与方法实施例基于同样的申请构思。
采用本申请实施例提供的标停车位的确定装置,根据标定点和对应的角点集合,确定目标停车位,可以提高检测精度,并且通过标定点对应的极坐标确定对应的角点集合的位置数据,可以降低系统的运算量。
本申请实施例还提供了一种电子设备,该电子设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述目标停车位的确定方法。
本申请实施例还提供了一种计算机可读存储介质,该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述目标停车位的确定方法。
下面介绍本申请一种目标停车位的确定方法的具体实施例,图6是本申请实施例提供的另一种目标停车位的确定方法的流程示意图,本说明书提供了如实施例或流程图所示的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多执行顺序中的一种方式,不代表唯一的执行顺序,在实际执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图6所示,该方法可以包括:
S601:获取待处理图像;待处理图像为对鱼眼相机采集的图像进行畸变拼接得到的俯视图像,待处理图像含有标定点集合和标定点集合中每个标定点对应的角点集合,每个标定点具有描述信息。
本申请实施例中,车载服务器可以获取鱼眼相机采集的初始图像,即四路鱼眼图像,并根据鱼眼相机的内外参对四路鱼眼图像进行畸变拼接处理,得到俯视图像,即待处理图像。
本申请实施例中,待处理图像可以含有标定点集合和标定点集合中每个标定点对应的角点集合。其中,标定点可以是预先在待处理图像上设置的锚点,该锚点可以是停车位内部的点,也可以是停车位对应的旋转框上的点,还可以是停车位外部的点。每个锚点可以具有描述信息,描述信息可以为基于每个锚点的灰度值与停车位的匹配值、每个锚点的灰度值与被占用停车位的匹配值、每个锚点与停车位类型的匹配置信度、每个锚点距离停车位中心的距离值,得到的每个锚点对应的得分。
在一种可选的实施方式中,待处理图像可以含有标定点集合{O1,O2,O3},还可以含有每个标定点对应的角点集合{{A1,B1,C1,D1},{A2,B2,C2,D2},{A3,B3,C3,D1}}。其中,标定点O1与角点集合{A1,B1,C1,D1}对应,标定点O2与角点集合{A2,B2,C2,D2}对应,标定点O3与角点集合{A3,B3,C3,D3}对应。
S603:将待处理图像作为训练后的位置数据确定模型的输入,输出每个标定点对应的角点集合的候选位置数据集合。
在一种可选的实施方式中,可以确定标定点O1对应的角点集合{A1,B1,C1,D1}的候选位置数据子集合{A1(ρ11,θ11),B1(ρ12,θ12),C1(ρ13,θ13),D1(ρ14,θ14)}。可以确定标定点O2对应的角点集合{A2,B2,C2,D2}的候选位置数据子集合{A2(ρ21,θ21),B2(ρ22,θ22),C2(ρ23,θ23),D2(ρ24,θ24)}。可以确定标定点O2对应的角点集合{A3,B3,C3,D3}的候选位置数据子集合{A2(ρ31,θ31),B2(ρ32,θ32),C2(ρ33,θ33),D2(ρ34,θ34)}。
本申请实施例中,在获取待处理图像之后,可以对位置数据确定模型进行训练,图7是本申请实施例提供的一种位置数据确定模型的训练方法的流程示意图,具体可以采用图7所示的方法步骤训练位置数据确定模型:
S701:获取训练样本图像;训练样本图像含有参考标定点和参考标定点对应的参考角点集合,参考角点集合具有参考位置数据集合。
本申请实施例中,车载服务器可以获取训练样本图像,该训练样本图像可以包括至少一张图像。该训练样本图像含有参考标定点和参考标定点对应的参考角点集合的图像,其中,参考角点集合具有在基于参考标定点建立的极坐标系下的参考位置数据集合。
本申请实施例中,参考位置数据集合包括参考角点集合中每个参考角点对应的参考极径和参考极角,
在一种可选的实施方式中,参考角点集合中一个参考角点的参考位置数据可以为(ρgt,θgt)。
S703:构建预设机器学习模型,将预设机器学习模型确定为当前机器学习模型。
S705:基于当前机器学习模型,从训练样本图像中,确定参考标定点对应的第二极坐标系。
本申请实施例中,可以基于当前机器学习模型,对训练样本图像进行特征提取处理,得到不同尺度的特征图,进而可以以特征图中参考标定点为原点,水平向右方向为正向极轴,建立参考标定点对应的第二极坐标系。
S707:基于参考标定点对应的第二极坐标系,确定预测角点集合对应的预测位置数据集合。
本申请实施例中,在确定参考标定点对应的第二极坐标系之后,可以基于参考标定点对应的第二极坐标系,确定参考标定点对应的参考角点集合的预测位置数据集合。
本申请实施例中,预测位置数据集合包括参考角点集合中每个参考角点对应的预测极径和预测极角。
在一种可选的实施方式中,参考角点集合中一个参考角点的预测位置数据可以为(ρpred,θpred)。
S709:根据参考位置数据集合和预测位置数据集合,确定损失值。
本申请实施例中,车载服务器可以根据参考角点集合中每个参考角点对应的参考极径和参考极角,以及每个参考角点对应的预测极径和预测极角,确定损失值。
在一种可选的实施方式中,可以根据每个参考角点对应的参考极径和每个参考角点对应的预测极径,确定第一损失值,并根据每个参考角点对应的参考极角和每个参考角点对应的预测极角,确定第二损失值,之后,根据第一损失值和第二损失值,确定损失值。
可选的,可以采用如下公式确定损失值:
L2=|θpred-θgt|
其中,L1表示一个角点对应的第一损失值,L2表示该角点对应的第二损失值。
在一种可选的实施方式中,可以将参考角点集合中每个参考角点对应的第一损失值和第二损失值的和值作为损失值。
S711:当损失值大于预设阈值时,基于损失值进行反向传播,对当前机器学习模型进行更新以得到更新后的机器学习模型,将更新后的机器学习模型重新确定为当前机器学习模型;重复步骤:从训练样本图像中,确定参考标定点对应的第二极坐标系,基于参考标定点对应的第二极坐标系,确定预测角点集合对应的预测位置数据集合,根据参考位置数据集合和预测位置数据集合,确定损失值。
当损失值小于或者等于预设阈值时,将当前机器学习模型确定为位置数据确定模型,将损失值对应的模型参数确定为位置数据确定模型的参数。
本申请实施例中,车载服务器可以获取鱼眼相机采集的初始图像,即四路鱼眼图像,并将输入训练后的位置数据确定模型中,输出每个标定点对应的角点集合的候选位置数据集合。
在训练后的位置数据确定模型中,根据鱼眼相机的内外参对四路鱼眼图像进行畸变拼接处理,得到俯视图像,即待处理图像。进而对待处理图像进行特征提取处理,得到不同尺度的特征图。之后,在不同尺度的特征图中,基于标定点集合中每个标定点建立极坐标系,并确定每个标定点对应的角点集合的候选位置数据集合。
S605:根据每个标定点的描述信息和每个标定点对应的角点集合的候选位置数据集合,确定目标停车位。
本申请实施例中,车载服务器可以根据标定点集合中每个标定点对应的角点集合,确定每个标定点对应的旋转框,得到候选停车位集合,即大量的候选旋转框。例如,可以根据A1,B1,C1,D1确定一个候选旋转框,可以根据A2,B2,C2,D2确定一个候选旋转框,可以根据A3,B3,C3,D3确定一个候选旋转框。在确定极点对应的候选旋转框之后,采用非极大值抑制(NMS,Non-Maximum Suppression)方法,从候选停车位集合中确定目标停车位。与传统矩形框计算交并比(iou,intersection over union)方法不同的是,非极大值抑制方法可以通过标定点对应的角点集合的极径之比和角度之比的均值来确定。具体可以采用如图4所示的确定目标停车位的方法确定目标停车位,此处不再赘述。
本申请实施例中,车载服务器可以根据目标标定点对应的角点集合的候选位置数据集合,确定目标标定点对应的旋转框,并将其确定为目标停车位。
本申请实施例中,在确定目标停车位之后,车载服务器可以根据目标标定点对应的描述信息,确定目标停车位对应的占用信息和类型信息,其中,占用信息包括忙碌停车位和闲置停车位,类型信息包括竖直停车位、水平停车位和斜向停车位。也即是,车载服务器可以根据目标停车位对应的得分,确定目标停车位的占用情况,忙碌停车位即停车位已被占用,闲置停车位即停车位未被占用。
在一种可选的实施方式中,车载服务器可以根据目标停车位的长边与行车道方向,确定目标停车位的类型信息,即根据目标停车位的长边与行车道的方向,确定目标停车位为竖直停车位、水平停车位或斜向停车位,以使得在倒车入库场景中,可以输出准确的停车位类型,进而可以根据目标停车位的类型信息确定不同的控制策略。
采用本申请实施例所提供的目标停车位的确定方法,根据标定点和对应的角点集合,确定目标停车位,可以提高检测精度,并且通过标定点对应的极坐标确定对应的角点集合的位置数据,可以降低系统的运算量。
本申请实施例还提供的一种目标停车位的确定装置,图8是本申请实施例提供的另一种目标停车位的确定装置的结构示意图,如图8所示,该装置可以包括:
第一获取模块501用于获取待处理图像;待处理图像为对鱼眼相机采集的图像进行畸变拼接得到的俯视图像,待处理图像含有标定点集合和标定点集合中每个标定点对应的角点集合,每个标定点具有描述信息;
第八确定模块509用于在获取待处理图像之后,将待处理图像作为训练后的位置数据确定模型的输入,输出每个标定点对应的角点集合的候选位置数据集合。
第三确定模块507用于根据每个标定点的描述信息和每个标定点对应的角点集合的候选位置数据集合,确定目标停车位。
本申请实施例中,上述装置还可以包括:位置数据确定模型的训练装置。图9是本申请实施例提供的一种位置数据确定模型的训练装置的结构示意图,图10是本申请实施例提供的一种目标停车位的示意图。具体如图9所示:
第二获取模块901用于获取训练样本图像;训练样本图像含有参考标定点和参考标定点对应的参考角点集合,参考角点集合具有参考位置数据集合;
构建模块903用于构建预设机器学习模型,将预设机器学习模型确定为当前机器学习模型;
第四确定模块905用于基于当前机器学习模型,从训练样本图像中,确定参考标定点对应的第二极坐标系;
第五确定模块907用于基于参考标定点对应的第二极坐标系,确定预测角点集合对应的预测位置数据集合;
第六确定模块909用于根据参考位置数据集合和预测位置数据集合,确定损失值;
第七确定模块911用于当损失值大于预设阈值时,基于损失值进行反向传播,对当前机器学习模型进行更新以得到更新后的机器学习模型,将更新后的机器学习模型重新确定为当前机器学习模型;重复步骤:从训练样本图像中,确定参考标定点对应的第二极坐标系,基于参考标定点对应的第二极坐标系,确定预测角点集合对应的预测位置数据集合,根据参考位置数据集合和预测位置数据集合,确定损失值;
当损失值小于或者等于预设阈值时,将当前机器学习模型确定为位置数据确定模型,将损失值对应的模型参数确定为位置数据确定模型的参数。
本申请实施例中,参考位置数据集合包括参考角点集合中每个参考角点对应的参考极径和参考极角,预测位置数据集合包括参考角点集合中每个参考角点对应的预测极径和预测极角。
本申请实施例中,第六确定模块909可以包括:
第一确定单元,用于根据每个参考角点对应的参考极径和每个参考角点对应的预测极径,确定第一损失值;
第二确定单元,用于根据每个参考角点对应的参考极角和每个参考角点对应的预测极角,确定第二损失值;
第三确定单元,用于根据第一损失值和第二损失值,确定损失值。
本申请实施例中,第三确定模块509可以包括:
第四确定单元,用于根据标定点集合中任意两个标定点对应的角点集合的候选位置数据集合,从标定点集合中确定候选标定点集合;
第五确定单元,用于根据候选标定点集合中每个候选标定点的描述信息,从候选标定点集合中确定目标标定点;
第六确定单元,用于根据目标标定点对应的角点集合的候选位置数据集合,确定目标停车位。
本申请实施例中,上述装置还包括:
第九确定模块,用于在根据每个标定点的描述信息和每个标定点对应的角点集合的候选位置数据集合,确定目标停车位之后,
根据目标标定点对应的描述信息,确定目标停车位对应的占用信息和类型信息;占用信息包括忙碌停车位和闲置停车位,类型信息包括竖直停车位、水平停车位和斜向停车位。
本申请实施例中的装置与方法实施例基于同样的申请构思。
采用本申请实施例提供的目标停车位的确定装置,根据标定点和对应的角点集合,确定目标停车位,可以提高检测精度,并且通过标定点对应的极坐标确定对应的角点集合的位置数据,可以降低系统的运算量。
本申请实施例还提供的一种电子设备,电子设备可设置于服务器之中以保存用于实现方法实施例中的一种目标停车位的确定方法相关的至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该存储器加载并执行以实现上述的目标停车位的确定方法。
本申请实施例还提供的一种存储介质,存储介质可设置于服务器之中以保存用于实现方法实施例中一种目标停车位的确定方法相关的至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述目标停车位的确定方法。
可选的,在本实施例中,上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于包括:U盘、只读存储器(ROM,Read-only Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本申请提供的目标停车位的确定方法、装置、电子设备或存储介质的实施例可见,本申请中方法包括获取待处理图像;待处理图像为对鱼眼相机采集的图像进行畸变拼接得到的俯视图像,待处理图像含有标定点集合和标定点集合中每个标定点对应的角点集合,每个标定点具有描述信息;从待处理图像中,确定每个标定点对应的第一极坐标系;基于每个标定点对应的第一极坐标系,确定每个标定点对应的角点集合的候选位置数据集合;根据每个标定点的描述信息和每个标定点对应的角点集合的候选位置数据集合,确定目标停车位。基于本申请实施例,根据标定点和对应的角点集合,确定目标停车位,可以提高检测精度,并且通过标定点对应的极坐标确定对应的角点集合的位置数据,可以降低系统的运算量。
在本发明中,除非另有明确的规定和限定,术语“相连”、“连接”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的相连或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是:上述本申请实施例的先后顺序仅仅为了描述,不代表实施例的优劣,且上述本说明书对特定的实施例进行了描述,其他实施例也在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或者步骤可以按照不同的实施例中的顺序来执行并且能够实现预期的结果。另外,在附图中描绘的过程不一定要求示出特定顺序或者而连接顺序才能够实现期望的结果,在某些实施方式中,多任务并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的均为与其他实施例的不同之处。尤其,对于装置的实施例而言,由于其基于相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种目标停车位的确定方法,其特征在于,包括:
获取待处理图像;所述待处理图像为对鱼眼相机采集的图像进行畸变拼接得到的俯视图像,所述待处理图像含有标定点集合和所述标定点集合中每个标定点对应的角点集合,所述每个标定点具有描述信息,所述描述信息包括基于所述每个标定点的灰度值与停车位的匹配值、所述每个标定点的灰度值与被占用停车位的匹配值、所述每个标定点与停车位类型的匹配置信度、所述每个标定点距离停车位中心的距离值,得到的所述每个标定点对应的得分;
从所述待处理图像中,确定所述每个标定点对应的第一极坐标系;
基于所述每个标定点对应的所述第一极坐标系,确定所述每个标定点对应的所述角点集合的候选位置数据集合,所述候选位置数据集合包括角点对应的极角和极径;
根据所述每个标定点的描述信息和所述每个标定点对应的所述角点集合的所述候选位置数据集合,确定目标停车位。
2.根据权利要求1所述的方法,其特征在于,所述获取待处理图像之后,还包括:
将所述待处理图像作为训练后的位置数据确定模型的输入,输出所述每个标定点对应的所述角点集合的所述候选位置数据集合。
3.根据权利要求2所述的方法,其特征在于,所述位置数据确定模型的训练步骤包括:
获取训练样本图像;所述训练样本图像含有参考标定点和所述参考标定点对应的参考角点集合,所述参考角点集合具有参考位置数据集合;
构建预设机器学习模型,将所述预设机器学习模型确定为当前机器学习模型;
基于所述当前机器学习模型,从所述训练样本图像中,确定所述参考标定点对应的第二极坐标系;
基于所述参考标定点对应的所述第二极坐标系,确定预测角点集合对应的预测位置数据集合;
根据所述参考位置数据集合和所述预测位置数据集合,确定损失值;
当所述损失值大于预设阈值时,基于所述损失值进行反向传播,对所述当前机器学习模型进行更新以得到更新后的机器学习模型,将所述更新后的机器学习模型重新确定为当前机器学习模型;重复步骤:从所述训练样本图像中,确定所述参考标定点对应的第二极坐标系,基于所述参考标定点对应的所述第二极坐标系,确定所述预测角点集合对应的预测位置数据集合,根据所述参考位置数据集合和所述预测位置数据集合,确定损失值;
当所述损失值小于或者等于所述预设阈值时,将所述当前机器学习模型确定为所述位置数据确定模型,将所述损失值对应的模型参数确定为所述位置数据确定模型的参数。
4.根据权利要求3所述的方法,其特征在于,所述参考位置数据集合包括所述参考角点集合中每个参考角点对应的参考极径和参考极角,所述预测位置数据集合包括所述参考角点集合中每个参考角点对应的预测极径和预测极角;
所述根据所述参考位置数据集合和所述预测位置数据集合,确定损失值,包括:
根据所述每个参考角点对应的所述参考极径和所述每个参考角点对应的所述预测极径,确定第一损失值;
根据所述每个参考角点对应的所述参考极角和所述每个参考角点对应的所述预测极角,确定第二损失值;
根据所述第一损失值和所述第二损失值,确定所述损失值。
5.根据权利要求1所述的方法,其特征在于,所述根据所述每个标定点的描述信息和所述每个标定点对应的所述角点集合的所述候选位置数据集合,确定目标停车位,包括:
根据所述标定点集合中任意两个所述标定点对应的所述角点集合的所述候选位置数据集合,从所述标定点集合中确定候选标定点集合;
根据所述候选标定点集合中每个候选标定点的所述描述信息,从所述候选标定点集合中确定目标标定点;
根据所述目标标定点对应的所述角点集合的所述候选位置数据集合,确定所述目标停车位。
6.根据权利要求1所述的方法,其特征在于,所述确定所述每个标定点对应的第一极坐标系,包括:
以所述每个标定点为原点,水平方向为极轴方向建立所述每个标定点对应的所述第一极坐标系。
7.根据权利要求5所述的方法,其特征在于,所述根据所述每个标定点的描述信息和所述每个标定点对应的所述角点集合的所述候选位置数据集合,确定目标停车位之后,还包括:
根据所述目标标定点对应的所述描述信息,确定所述目标停车位对应的占用信息和类型信息;所述占用信息包括忙碌停车位和闲置停车位,所述类型信息包括竖直停车位、水平停车位和斜向停车位。
8.一种目标停车位的确定装置,其特征在于,包括:
第一获取模块,用于获取待处理图像;所述待处理图像为对鱼眼相机采集的图像进行畸变拼接得到的俯视图像,所述待处理图像含有标定点集合和所述标定点集合中每个标定点对应的角点集合,所述每个标定点具有描述信息,所述描述信息包括基于所述每个标定点的灰度值与停车位的匹配值、所述每个标定点的灰度值与被占用停车位的匹配值、所述每个标定点与停车位类型的匹配置信度、所述每个标定点距离停车位中心的距离值,得到的所述每个标定点对应的得分;
第一确定模块,用于从所述待处理图像中,确定所述每个标定点对应的第一极坐标系;
第二确定模块,用于基于所述每个标定点对应的所述第一极坐标系,确定所述每个标定点对应的所述角点集合的候选位置数据集合,所述候选位置数据集合包括角点对应的极角和极径;
第三确定模块,用于根据所述每个标定点的描述信息和所述每个标定点对应的所述角点集合的所述候选位置数据集合,确定目标停车位。
9.根据权利要求8所述的装置,其特征在于,还包括:
第二获取模块,用于获取训练样本图像;所述训练样本图像含有参考标定点和所述参考标定点对应的参考角点集合,所述参考角点集合具有参考位置数据集合;
构建模块,用于构建预设机器学习模型,将所述预设机器学习模型确定为当前机器学习模型;
第四确定模块,用于基于所述当前机器学习模型,从所述训练样本图像中,确定所述参考标定点对应的第二极坐标系;
第五确定模块,用于基于所述参考标定点对应的所述第二极坐标系,确定预测角点集合对应的预测位置数据集合;
第六确定模块,用于根据所述参考位置数据集合和所述预测位置数据集合,确定损失值;
第七确定模块,用于当所述损失值大于预设阈值时,基于所述损失值进行反向传播,对所述当前机器学习模型进行更新以得到更新后的机器学习模型,将所述更新后的机器学习模型重新确定为当前机器学习模型;重复步骤:从所述训练样本图像中,确定所述参考标定点对应的第二极坐标系,基于所述参考标定点对应的所述第二极坐标系,确定所述预测角点集合对应的所述预测位置数据集合,根据所述参考位置数据集合和所述预测位置数据集合,确定损失值;
当所述损失值小于或者等于所述预设阈值时,将所述当前机器学习模型确定为位置数据确定模型,将所述损失值对应的模型参数确定为所述位置数据确定模型的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110964842.9A CN113674245B (zh) | 2021-08-20 | 2021-08-20 | 一种目标停车位的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110964842.9A CN113674245B (zh) | 2021-08-20 | 2021-08-20 | 一种目标停车位的确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113674245A CN113674245A (zh) | 2021-11-19 |
CN113674245B true CN113674245B (zh) | 2023-10-31 |
Family
ID=78544769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110964842.9A Active CN113674245B (zh) | 2021-08-20 | 2021-08-20 | 一种目标停车位的确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674245B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111199639A (zh) * | 2019-12-26 | 2020-05-26 | 北京摩拜科技有限公司 | 调节停车围栏区域的方法、装置、系统及服务器 |
CN112560580A (zh) * | 2020-11-20 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 障碍物识别方法、装置、系统、存储介质和电子设备 |
CN113269163A (zh) * | 2021-07-16 | 2021-08-17 | 中汽创智科技有限公司 | 基于鱼眼图像的立体泊车位检测方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102648770B1 (ko) * | 2016-07-14 | 2024-03-15 | 매직 립, 인코포레이티드 | 홍채 식별을 위한 딥 뉴럴 네트워크 |
EP3842304A3 (en) * | 2018-08-14 | 2021-09-15 | Mobileye Vision Technologies Ltd. | Systems and methods for navigating with safe distances |
CN113051969A (zh) * | 2019-12-26 | 2021-06-29 | 深圳市超捷通讯有限公司 | 物件识别模型训练方法及车载装置 |
-
2021
- 2021-08-20 CN CN202110964842.9A patent/CN113674245B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111199639A (zh) * | 2019-12-26 | 2020-05-26 | 北京摩拜科技有限公司 | 调节停车围栏区域的方法、装置、系统及服务器 |
CN112560580A (zh) * | 2020-11-20 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 障碍物识别方法、装置、系统、存储介质和电子设备 |
CN113269163A (zh) * | 2021-07-16 | 2021-08-17 | 中汽创智科技有限公司 | 基于鱼眼图像的立体泊车位检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
Arbitrary-Oriented Object Detection in Remote Sensing Images Based on Polar Coordinates;LIN ZHOU;《IEEE Access》;第8卷;第223373-223384页 * |
空间直线拟合的加权极坐标法;史翔;《测绘地理信息》;第44卷(第2期);第120-123页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113674245A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110861639B (zh) | 泊车信息融合方法、装置、电子设备及存储介质 | |
KR101725060B1 (ko) | 그래디언트 기반 특징점을 이용한 이동 로봇의 위치를 인식하기 위한 장치 및 그 방법 | |
EP3886075A1 (en) | Parking space detection method and device | |
CN111376895B (zh) | 一种环视泊车感知方法、装置、自动泊车系统和车辆 | |
CN111028534B (zh) | 一种泊车位检测方法及装置 | |
JP7077910B2 (ja) | 区画線検出装置及び区画線検出方法 | |
JP7209115B2 (ja) | 複数の相対的に接近する様に動いているリジッドなオブジェクトの検出、3d再現および追跡 | |
KR20200095385A (ko) | 자동 주차 시스템 내의 시맨틱 세그먼테이션을 이용한 주차 영역을 검출하기 위한 방법 및 장치 | |
JP2021033510A (ja) | 運転支援装置 | |
JP2017181476A (ja) | 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラム | |
CN111386530A (zh) | 车辆检测方法和设备 | |
KR101030317B1 (ko) | 스테레오 비전을 이용하여 장애물을 추적하는 장치 및 방법 | |
JP2009229226A (ja) | 物体検出装置及び物体検出方法 | |
CN114543819B (zh) | 车辆定位方法、装置、电子设备及存储介质 | |
CN113674245B (zh) | 一种目标停车位的确定方法、装置、电子设备及存储介质 | |
JP7095559B2 (ja) | 区画線検出装置及び区画線検出方法 | |
KR102003387B1 (ko) | 조감도 이미지를 이용한 교통 장애물의 검출 및 거리 측정 방법, 교통 장애물을 검출하고 거리를 측정하는 프로그램을 저장한 컴퓨터 판독가능 기록매체 | |
JP4462533B2 (ja) | 路面走行レーン検出装置 | |
CN116245730A (zh) | 图像拼接的方法、装置、设备以及存储介质 | |
CN112580402A (zh) | 一种单目视觉行人测距方法及其系统、车辆、介质 | |
CN116612459B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
JPWO2020244717A5 (zh) | ||
CN114120701B (zh) | 一种泊车定位方法及装置 | |
CN116343143A (zh) | 目标检测方法、存储介质、路侧设备及自动驾驶系统 | |
JP2024505422A (ja) | オブジェクトを検出するための、並びに、その高さを割り出すための方法及び装置 |
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 |