CN113807288A - 库位检测方法、车辆定位方法、装置、设备和介质 - Google Patents
库位检测方法、车辆定位方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113807288A CN113807288A CN202111119543.1A CN202111119543A CN113807288A CN 113807288 A CN113807288 A CN 113807288A CN 202111119543 A CN202111119543 A CN 202111119543A CN 113807288 A CN113807288 A CN 113807288A
- Authority
- CN
- China
- Prior art keywords
- library
- line
- library position
- sample image
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000002372 labelling Methods 0.000 claims description 58
- 238000004590 computer program Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 20
- 238000005192 partition Methods 0.000 claims description 11
- 239000003086 colorant Substances 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种库位检测方法、车辆定位方法、装置、设备和介质。所述库位检测方法包括:采集待检测库位图像;对所述待检测库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个;根据所识别得到的库位进入线、库位方向线和库位框中的至少一个确定库位。车辆定位方法包括:采集待检测停车场图像;通过库位检测方法对所述待检测停车场图像进行检测得到库位;对所述待检测停车场图像进行检测得到车道线以及方向箭头;根据所述库位、所述车道线以及方向箭头的至少一个进行定位得到车辆位置。采用本方法能够提高准确性。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种库位检测方法、车辆定位方法、装置、设备和介质。
背景技术
停车场的语义检测对于实现停车场库位检测(PLD)、车辆即时定位与地图构建(SLAM)等具有极其重要的作用。合理的停车场语义检测目标定义对于PLD和SLAM功能的实现具有重要作用。
传统技术中,停车场的语义检测都是基于特征分类与逻辑组合来实现的,在逻辑处理上过于复杂,计算量庞大且检测效果不佳。部分使用深度学习的算法来检测语义,由于检测目标的定义不够合理,会造成上产生大量的漏检和误检,效果不佳。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高检测准确性的库位检测方法、车辆定位方法、装置、设备和介质。
一种库位检测方法,其特征在于,所述库位检测方法包括:
采集待检测库位图像;
对所述待检测库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个;
根据所识别得到的库位进入线、库位方向线和库位框中的至少一个确定库位。
上述库位检测方法,通过待检测库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个,进而根据库位进入线、库位方向线和库位框中的至少一个确定库位,这样根据库位进入线、库位方向线和库位框中的至少一个检测车位,增加检测准确率,减少漏检和误检的情况。
在其中一个实施例中,所述对所述库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个,包括:
获取预先训练得到的库位识别模型,所述库位识别模型是通过预先标注的第一样本图像进行训练得到的;
将所述库位图像输入至所述库位识别模型中以识别得到库位进入线、库位方向线和库位框中的至少一个。
上述实施例中,基于模型进行库位检测,采集了库位进入线、库位方向线和库位框中的至少一个,得到了库位关键特征,便于后续处理。
在其中一个实施例中,所述第一样本图像中的库位进入线的标注方法包括:
确定所述第一样本图像中的库位角点位置、角点类型以及库位线;
根据所述角点类型以及所述角点位置确定库位进入线起点;
获取所述库位线中的库位分割线的第一方向,根据所述第一方向确定库位进入线的第二方向;
以所述库位进入线起点为起点,按照所述第二方向延伸至所述库位线的边缘得到库位进入线。
上述实施例中,对于库位进入线定义了标注原则,以便于模型能够更好地提取到关键特征。
在其中一个实施例中,所述第一样本图像中的库位方向线的标注方法包括:
确定所述第一样本图像中的库位角点位置以及库位分割线;
根据所述库位交点位置确定库位方向线的起点;
以所述库位方向线的起点为起点,沿所述库位分割线的中心线的方向延伸至库位分割线的边缘得到库位方向线。
上述实施例中,对于库位方向线定义了标注原则,以便于模型能够更好地提取到关键特征。
在其中一个实施例中,所述第一样本图像中的库位方向线的标注方法还包括:
根据所述库位分割线的颜色将所述库位方向线进行分类。
上述实施例中,对于库位方向线还根据颜色进行分类,便于模型的颜色识别模块的识别。
在其中一个实施例中,所述第一样本图像中的库位框的标注方法包括:
确定所述第一样本图像中的库位角点位置;
根据库位角点位置生成包括了两个库位角点的库位框,且所述库位角点至少位于一个库位框内。
上述实施例中,对于库位框定义了标注原则,以便于模型能够更好地提取到关键特征。
一种车辆定位方法,所述车辆定位方法包括:
采集待检测停车场图像;
通过上述任意一个实施例中所述的库位检测方法对所述待检测停车场图像进行检测得到库位;
对所述待检测停车场图像进行检测得到车道线以及方向箭头;
根据所述库位、所述车道线以及方向箭头的至少一个进行定位得到车辆位置。
上述车辆定位方法,通过待检测库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个,进而根据库位进入线、库位方向线和库位框中的至少一个确定库位,这样根据库位进入线、库位方向线和库位框中的至少一个检测车位,增加检测准确率,减少漏检和误检的情况。
在其中一个实施例中,所述车道线以及方向箭头是通过预先训练得到的语义检测模型检测得到的,所述语义检测模型是通过预先标注的第二样本图像训练得到的;所述第二样本图像中的车道线以及方向箭头的标注方法包括:
确定所述第二样本图像中车道线以及方向箭头的特征点;
获取所述特征点的标注顺序,按照所述标注顺序对所述特征点进行标记。
上述实施例中,依据停车场的车道线及各类方向箭头来提供更多的语义支持,为了能够与定位地图上的特征顺序一一匹配,同时优化方向性信息。
在其中一个实施例中,所述确定所述第二样本图像中车道线以及方向箭头的特征点,包括:
判断所述第二样本图像中车道线以及方向箭头是否满足显示要求;
当所述第二样本图像中车道线以及方向箭头满足显示要求时,则确定所述第二样本图像中车道线以及方向箭头的特征点,否则不对所述第二样本图像中车道线以及方向箭头进行标注。
上述实施例中对于被遮挡的目标则根据是否满足显示要求进行标注,避免标注信息过少,从而导致识别困难。
一种库位检测装置,所述装置包括:
第一采集模块,用于采集待检测库位图像(BEV图:全景鸟瞰图);
识别模块,用于对所述待检测库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个;
库位确定模块,用于根据所识别得到的库位进入线、库位方向线和库位框中的至少一个确定库位。
上述库位检测装置,通过待检测库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个,进而根据库位进入线、库位方向线和库位框中的至少一个确定库位,这样根据库位进入线、库位方向线和库位框中的至少一个检测车位,增加检测准确率,减少漏检和误检的情况。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任意一个实施例中所述的方法的步骤。
上述设备,通过待检测库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个,进而根据库位进入线、库位方向线和库位框中的至少一个确定库位,这样根据库位进入线、库位方向线和库位框中的至少一个检测车位,增加检测准确率,减少漏检和误检的情况。
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任意一个实施例中所述的方法的步骤。
上述介质,通过待检测库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个,进而根据库位进入线、库位方向线和库位框中的至少一个确定库位,这样根据库位进入线、库位方向线和库位框中的至少一个检测车位,增加检测准确率,减少漏检和误检的情况。
附图说明
图1为一个实施例中库位检测方法的流程示意图;
图2为一个实施例中库位特征的示例图
图3为一个实施例中各个类型的库位的库位进入线的标注示意图;
图4为一个实施例中各个类型的库位的库位方向线的标注示意图;
图5为一个实施例中各个类型的库位的库位框的标注示意图;
图6为一个实施例中车辆定位方法的流程示意图;
图7为一个实施例中各个类型的车道线和箭头的标注示意图;
图8为一个实施例中库位检测装置的结构框图;
图9为一个实施例中车辆定位装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种库位检测方法,本实施例以该方法应用于车辆终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括车辆终端和服务器的系统,并通过车辆终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
S102:采集待检测库位图像。
具体地,待检测库位图像是指车辆终端采集的图片,例如通过车辆上安装的摄像头所采集的待检测库位图像。优先地,该待检测库位图像包括BEV图像。
S104:对待检测库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个。
其中库位进入线是指库位两侧角点中心的连线。库位方向线是库位两侧深度方向上的线,在连续库位场景下也叫库位分割线,属于库位左右两侧的边界。库位框表示的是库位的两侧角点所表示之间的矩形区域,包含了库位的角点特征、库位进入线以及库位方向线的起点等关键特征信息。
其中车辆终端对待检测库位图像进行识别以准确地检测到上述库位进入线、库位方向线和库位框中的至少一个。可选地,车辆终端通过神经网络的方式对待检测库位图像进行识别以准确地检测到上述库位进入线、库位方向线和库位框中的至少一个。
S106:根据所识别得到的库位进入线、库位方向线和库位框中的至少一个确定库位。
具体地,车辆终端根据所检测到的库位进入线、库位方向线和库位框中的至少一个计算得到库位。也就是说车辆终端检测到库位的特征,例如库位进入线、库位方向线和库位框中的至少一个,然后根据库位的特征准确地将库位检测出来。其中,优选地,对于较为规则的车位,则仅需要库位进入线和库位方向线其中一个即可。对于不规则的车位,则可以预先根据需要配置库位进入线、库位方向线和库位框同时检测到,才识别出车位。也就是说对于车位的检测,终端可以根据预先配置的规则,来确定识别库位进入线、库位方向线和库位框中的一个或哪几个,从而在进行检测的时候,终端根据配置的规则去识别得到库位进入线、库位方向线和库位框中的一个或哪几个,进而识别得到车位。
其中对于上述库位检测可以应用与APA自动泊车辅助中,自动泊车辅助中最基本最重要的功能之一就是能够准确的检测到库位,即实现PLD(库位检测)功能,检测到一个库位的首要任务就是能够检测到库位的各个特征。如图2,车辆终端需要将各种类型的停车库位准确的检测出来,因此先检测出库位的三种特征,即库位进入线、库位方向线和库位框,然后再进行判断以确定库位。
可选地,上述库位进入线、库位方向线和库位框这三类语义还可以服务于车辆即时定位与地图构建(SLAM)模块,为SALM模块提供定位和地图构建时的语义信息。
上述库位检测方法,通过待检测库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个,进而根据库位进入线、库位方向线和库位框中的至少一个确定库位,这样根据库位进入线、库位方向线和库位框中的至少一个检测车位,增加检测准确率,减少漏检和误检的情况。
在其中一个实施例中,对库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个,包括获取预先训练得到的库位识别模型,库位识别模型是通过预先标注的第一样本图像进行训练得到的;将待检测库位图像输入至库位识别模型中以识别得到库位进入线、库位方向线和库位框中的至少一个。
其中,本实施例中通过预先训练得到的库位识别模型来对待检测库位图像进行处理以得到库位进入线、库位方向线和库位框中的至少一个,这样通过神经网络的方式来提取到关键特征,便于对关键特征进行合理的后处理。
可选地,车辆终端在检测上述关键特征的时候,可以将待检测库位图像中所有的关键特征都提取出来,然后根据所提取出来的关键特征来得到车位,且优选地,车辆终端根据所检测出来的关键特征,优先检测关键特征更佳的库位,从而提高效率。例如先检测包括上述库位进入线、库位方向线和库位框中的三个特征的库位,然后再根据剩余的关键特征检测包括库位进入线、库位方向线和库位框中的两个的库位,最后再根据还剩下的关键特征给出包括库位进入线、库位方向线和库位框中的一个的库位。
在其中一个实施例中,第一样本图像中的库位进入线的标注方法包括:确定第一样本图像中的库位角点位置、角点类型以及库位线;根据角点类型以及角点位置确定库位进入线起点;获取库位线中的库位分割线的第一方向,根据第一方向确定库位进入线的第二方向;以库位进入线起点为起点,按照第二方向延伸至库位线的边缘得到库位进入线。
具体地,结合图3所示,图3给出了各个类型的库位的库位进入线的标注示意图,在该实施例中,为了让CNN(卷积神经网络)能够更好的提取到关键特正,同时便于对检测信息进行合理的后处理,针对不同类型的停车库位,给出了标注原则,其中,对于库位进入线的起点和终点均给出了明确的定义。库位进入线的起点和终点需要压住角点的边缘,即与角点存在接触。因此先需要确定第一样本图像中的库位角点位置,根据该库位角点位置可以确定起点和终点的位置。
而对于不同类型的库位进入线其起点和终端有明确的定义,因此还需要确定角点的类型。具体可以结合图3,其中对于T型角点进入线的起始点位于T型角点的两侧下方宽度线尽量长的位置,并且遵循一定规则,例如从上到下从左到右的原则选择起点。L型角点的起点位于L型拐角内侧点,终点位于L型角点进入线终点顶点。U型角点的起点位于U型内侧点,终点为库位进入线方向延伸至U型角点的另一内侧。I型角点的起点和终点位于角点两侧。
其中需要说明的是库位进入线的方向的获取需要先确定库位线中的库位分割线的第一方向,根据第一方向确定库位进入线的第二方向,具体地,对于规则车位,库位进入线的方向与库位分割线的方向垂直而对于不规则车位,例如斜车位,终端可以获取到库位进入线的方向与库位分割线的方向的夹角,从而可以根据第一方向确定库位进入线的第二方向。
在其中一个实施例中,第一样本图像中的库位方向线的标注方法包括:确定第一样本图像中的库位角点位置以及库位分割线;根据库位交点位置确定库位方向线的起点;以库位方向线的起点为起点,沿库位分割线的中心线的方向延伸至库位分割线的边缘得到库位方向线。
具体地,结合图4所示,其中库位方向线主要是用于表示库位两侧深度方向上的线,该库位方向线的起点是在角点上的,且沿库位两侧深度方向上延伸尽可能远的距离,例如延伸至库位分割线的边缘。
其中,对于库位方向线的起点优选地位于库位的角点的几何中心点。
库位方向线的延伸方向在库位深度方向,其优选地位于库位分割线上,方向线优选地位于库位分割线的中间,且与库位分割线保持平行,且库位方向线的终点尽量远离起点,但不宜离图像边缘过近。
在其中一个实施例中,第一样本图像中的库位方向线的标注方法还包括:根据库位分割线的颜色将库位方向线进行分类。
具体地,由于库位分割线存在不同的颜色,例如白色、黄色和红色,为了后续神经网络的颜色识别模块802的识别分类,在标注训练的时候,根据库位分割线的颜色将对应的库位方向线进行分割,从而便于后续颜色识别模块802的分类,以为后续的处理奠定基础。
在其中一个实施例中,第一样本图像中的库位框的标注方法包括:确定第一样本图像中的库位角点位置;根据库位角点位置生成包括了两个库位角点的库位框,且库位角点至少位于一个库位框内。
具体地,结合图5所示,其中库位框是为了对库位关键区域进行标识,以便于后续处理的时候可以准确地提取库位号等。其中库位框需要包括库位的两个角点,优选地,库位框需要框住组成库位的两个角点的几何中心点。更进一步地,库位框的需要包含两个角点的主要特征(即角点的两侧或者内外侧特征),库位框宽度适度即可,在此不做具体的限制。需要特别说明的一点是,部分角点会同时被两个库位框框住。
上述实施例中,通过对库位框的标注,为后续识别库位号等奠定基础。
在一个实施例中,如图6所示,提供了一种车辆检测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
S602:采集待检测停车场图像。
具体地,待检测停车场图像是指车辆终端采集的图片,例如通过车辆上安装的摄像头所采集的待检测停车场图像。优选地,该待检测停车场图像包括BEV图像。
S604:通过上述任意一个实施例中的库位检测方法对待检测停车场图像进行检测得到库位。
具体地,对于库位检测方法可以参见上文,在此不再赘述。
S606:对待检测停车场图像进行检测得到车道线以及方向箭头。
S608:根据库位、车道线以及方向箭头的至少一个进行定位得到车辆位置。
具体地,车道线和方向箭头是停车场中其他的语义信息,其中,在AVP功能中,车辆实现自己在停车场的实时定位具有十分重要的意义,车辆只有准确的知道自己在哪里,才能够自行规划行车路线并准确的找到待停库位。为了实现这一目标,车辆需要能够自行检测到种类和数量尽量多的停车场的各类语义信息,并且这些语义信息还需要易于检测和获得较高的检测AP(准确率)和RP(召回率)。最终检测的语义信息与停车场地图进行逐一匹配,通过匹配得到的位置及坐标信息,最终实现车辆的实时定位。
需要说明的一点是,对于车道线和方向箭头以及库位的检测可以是并行检测,或者是通过同一个神经网络模型进行检测得到的。
SLAM模块仅有PLD的三类语义信息不足以实现车辆定位与停车场地图构建,如图7所示,为了给SALM提供更多的支持,依据停车场的车道线及各类方向箭头来提供更多的语义支持,以与定位地图上的特征顺序一一匹配,同时优化方向性信息。
在其中一个实施例中,车道线以及方向箭头是通过预先训练得到的语义检测模型检测得到的,语义检测模型是通过预先标注的第二样本图像训练得到的;第二样本图像中的车道线以及方向箭头的标注方法包括:确定第二样本图像中车道线以及方向箭头的特征点;获取特征点的标注顺序,按照标注顺序对特征点进行标记。
在其中一个实施例中,确定第二样本图像中车道线以及方向箭头的特征点,包括:判断第二样本图像中车道线以及方向箭头是否满足显示要求;当第二样本图像中车道线以及方向箭头满足显示要求时,则确定第二样本图像中车道线以及方向箭头的特征点,否则不对第二样本图像中车道线以及方向箭头进行标注。
其中,对于车道线和方向箭头的标注所有的点特征需要尽量准确的标注在指定的位置,并且点一定要落在特征线上。且每一类标注特征必须按照指定的顺序先后标注(1→2→3),其中,优选地以顺时针方向为顺序进行标注,无论特征方位如何变动,标记点的位置顺序总是保持不变。
此外需要说明的一点是各类特征无论其相对于车辆是何种角度和方位,其都只属于一种特征,即使箭头指向不同的方位,但都认为是一种箭头且标注顺序不随箭头的姿态变化而变化。
优选地,当特征目标的全部形态被车辆或其他物体遮挡(即特征目标不完整)时,标注应该循序如下原则:只要目标的标注位置完整的存在就需要进行标注;若标注目标被较大比例的遮挡或位于图像最边缘或全部的标注位置不完整,则不能进行标注。
上述实施例中,定义了一整套全新的停车场语义检测的标准规范,在AVP和APA应用中实现了更优的检测效果,有效降低漏检和误检情况,语义信息也更便于逻辑后处理。在不同场景下,基于语义特征规范生产的GT(真值)样本训练的深度学习模型获得了较好的检测效果,为PLD和SLAM功能的实现提供了有力的支持。
应该理解的是,虽然图1和图6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1和图6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种库位检测装置,包括:第一采集模块801、识别模块802和库位确定模块803,其中:
第一采集模块801,用于采集待检测库位图像;
识别模块802,用于对待检测库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个;
库位确定模块803,用于根据所识别得到的库位进入线、库位方向线和库位框中的至少一个确定库位。
在其中一个实施例中,上述识别模块802包括:
模型获取单元,用于获取预先训练得到的库位识别模型,库位识别模型是通过预先标注的第一样本图像进行训练得到的;
识别单元,用于将库位图像输入至库位识别模型中以识别得到库位进入线、库位方向线和库位框中的至少一个。
在其中一个实施例中,上述库位检测装置还可以包括:
第一信息确定模块,用于确定第一样本图像中的库位角点位置、角点类型以及库位线;
第一起点确定模块,用于根据角点类型以及角点位置确定库位进入线起点;
第二方向确定模块,用于获取库位线中的库位分割线的第一方向,根据第一方向确定库位进入线的第二方向;
第一标注模块,用于以库位进入线起点为起点,按照第二方向延伸至库位线的边缘得到库位进入线。
在其中一个实施例中,上述库位检测装置还可以包括:
第二信息确定模块,用于确定第一样本图像中的库位角点位置以及库位分割线;
第二起点确定模块,用于根据库位交点位置确定库位方向线的起点;
第二标注模块,用于以库位方向线的起点为起点,沿库位分割线的中心线的方向延伸至库位分割线的边缘得到库位方向线。
在其中一个实施例中,上述库位检测装置还可以包括:
分类模块,用于根据库位分割线的颜色将库位方向线进行分类。
在其中一个实施例中,上述库位检测装置还可以包括:
第三信息确定模块,用于确定第一样本图像中的库位角点位置;
第三标注模块,用于根据库位角点位置生成包括了两个库位角点的库位框,且库位角点至少位于一个库位框内。
在一个实施例中,如图9所示,提供了一种车辆定位装置,包括:第二采集模块901、库位识别模块902、语义识别模块903和定位模块904,其中:
第二采集模块901,用于采集待检测停车场图像;
库位识别模块902,用于通过上述任意一个实施例中的库位检测方法对待检测停车场图像进行检测得到库位;
语义识别模块903,用于对待检测停车场图像进行检测得到车道线以及方向箭头;
定位模块904,用于根据库位、车道线以及方向箭头的至少一个进行定位得到车辆位置。
在其中一个实施例中,车道线以及方向箭头是通过预先训练得到的语义检测模型检测得到的,语义检测模型是通过预先标注的第二样本图像训练得到的;车辆定位装置包括:
第四信息确定模块,用于确定第二样本图像中车道线以及方向箭头的特征点;
第四标记模块,用于获取特征点的标注顺序,按照标注顺序对特征点进行标记。
在其中一个实施例中,第四信息确定模块包括:
判断单元,用于判断第二样本图像中车道线以及方向箭头是否满足显示要求;当第二样本图像中车道线以及方向箭头满足显示要求时,则确定第二样本图像中车道线以及方向箭头的特征点,否则不对第二样本图像中车道线以及方向箭头进行标注。
关于库位检测装置和车辆定位装置的具体限定可以参见上文中对于库位检测方法和车辆定位方法的限定,在此不再赘述。上述库位检测装置和车辆定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种库位检测方法和车辆定位方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:采集待检测库位图像;对待检测库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个;根据所识别得到的库位进入线、库位方向线和库位框中的至少一个确定库位。
在一个实施例中,处理器执行计算机程序时所涉及的对库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个,包括:获取预先训练得到的库位识别模型,库位识别模型是通过预先标注的第一样本图像进行训练得到的;将库位图像输入至库位识别模型中以识别得到库位进入线、库位方向线和库位框中的至少一个。
在一个实施例中,处理器执行计算机程序时所涉及的第一样本图像中的库位进入线的标注方法包括:确定第一样本图像中的库位角点位置、角点类型以及库位线;根据角点类型以及角点位置确定库位进入线起点;获取库位线中的库位分割线的第一方向,根据第一方向确定库位进入线的第二方向;以库位进入线起点为起点,按照第二方向延伸至库位线的边缘得到库位进入线。
在一个实施例中,处理器执行计算机程序时所涉及的第一样本图像中的库位方向线的标注方法包括:确定第一样本图像中的库位角点位置以及库位分割线;根据库位交点位置确定库位方向线的起点;以库位方向线的起点为起点,沿库位分割线的中心线的方向延伸至库位分割线的边缘得到库位方向线。
在一个实施例中,处理器执行计算机程序时所实现的第一样本图像中的库位方向线的标注方法还包括:根据库位分割线的颜色将库位方向线进行分类。
在一个实施例中,处理器执行计算机程序时所涉及的第一样本图像中的库位框的标注方法包括:确定第一样本图像中的库位角点位置;根据库位角点位置生成包括了两个库位角点的库位框,且库位角点至少位于一个库位框内。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:采集待检测停车场图像;通过上述任意一个实施例中的库位检测方法对待检测停车场图像进行检测得到库位;对待检测停车场图像进行检测得到车道线以及方向箭头;根据库位、车道线以及方向箭头的至少一个进行定位得到车辆位置。
在一个实施例中,处理器执行计算机程序时所涉及的车道线以及方向箭头是通过预先训练得到的语义检测模型检测得到的,语义检测模型是通过预先标注的第二样本图像训练得到的;处理器执行计算机程序时所涉及的第二样本图像中的车道线以及方向箭头的标注方法包括:确定第二样本图像中车道线以及方向箭头的特征点;获取特征点的标注顺序,按照标注顺序对特征点进行标记。
在一个实施例中,处理器执行计算机程序时所实现的确定第二样本图像中车道线以及方向箭头的特征点,包括:判断第二样本图像中车道线以及方向箭头是否满足显示要求;当第二样本图像中车道线以及方向箭头满足显示要求时,则确定第二样本图像中车道线以及方向箭头的特征点,否则不对第二样本图像中车道线以及方向箭头进行标注。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:采集待检测库位图像;对待检测库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个;根据所识别得到的库位进入线、库位方向线和库位框中的至少一个确定库位。
在一个实施例中,计算机程序被处理器执行时所涉及的对库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个,包括:获取预先训练得到的库位识别模型,库位识别模型是通过预先标注的第一样本图像进行训练得到的;将库位图像输入至库位识别模型中以识别得到库位进入线、库位方向线和库位框中的至少一个。
在一个实施例中,计算机程序被处理器执行时所涉及的第一样本图像中的库位进入线的标注方法包括:确定第一样本图像中的库位角点位置、角点类型以及库位线;根据角点类型以及角点位置确定库位进入线起点;获取库位线中的库位分割线的第一方向,根据第一方向确定库位进入线的第二方向;以库位进入线起点为起点,按照第二方向延伸至库位线的边缘得到库位进入线。
在一个实施例中,计算机程序被处理器执行时所涉及的第一样本图像中的库位方向线的标注方法包括:确定第一样本图像中的库位角点位置以及库位分割线;根据库位交点位置确定库位方向线的起点;以库位方向线的起点为起点,沿库位分割线的中心线的方向延伸至库位分割线的边缘得到库位方向线。
在一个实施例中,计算机程序被处理器执行时所实现的第一样本图像中的库位方向线的标注方法还包括:根据库位分割线的颜色将库位方向线进行分类。
在一个实施例中,计算机程序被处理器执行时所涉及的第一样本图像中的库位框的标注方法包括:确定第一样本图像中的库位角点位置;根据库位角点位置生成包括了两个库位角点的库位框,且库位角点至少位于一个库位框内。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:采集待检测停车场图像;通过上述任意一个实施例中的库位检测方法对待检测停车场图像进行检测得到库位;对待检测停车场图像进行检测得到车道线以及方向箭头;根据库位、车道线以及方向箭头的至少一个进行定位得到车辆位置。
在一个实施例中,计算机程序被处理器执行时所涉及的车道线以及方向箭头是通过预先训练得到的语义检测模型检测得到的,语义检测模型是通过预先标注的第二样本图像训练得到的;计算机程序被处理器执行时所涉及的第二样本图像中的车道线以及方向箭头的标注方法包括:确定第二样本图像中车道线以及方向箭头的特征点;获取特征点的标注顺序,按照标注顺序对特征点进行标记。
在一个实施例中,计算机程序被处理器执行时所实现的确定第二样本图像中车道线以及方向箭头的特征点,包括:判断第二样本图像中车道线以及方向箭头是否满足显示要求;当第二样本图像中车道线以及方向箭头满足显示要求时,则确定第二样本图像中车道线以及方向箭头的特征点,否则不对第二样本图像中车道线以及方向箭头进行标注。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种库位检测方法,其特征在于,所述库位检测方法包括:
采集待检测库位图像;
对所述待检测库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个;
根据所识别得到的库位进入线、库位方向线和库位框中的至少一个确定库位。
2.根据权利要求1所述的库位检测方法,其特征在于,所述对所述库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个,包括:
获取预先训练得到的库位识别模型,所述库位识别模型是通过预先标注的第一样本图像进行训练得到的;
将所述库位图像输入至所述库位识别模型中以识别得到库位进入线、库位方向线和库位框中的至少一个。
3.根据权利要求2所述的方法,其特征在于,所述第一样本图像中的库位进入线的标注方法包括:
确定所述第一样本图像中的库位角点位置、角点类型以及库位线;
根据所述角点类型以及所述角点位置确定库位进入线起点;
获取所述库位线中的库位分割线的第一方向,根据所述第一方向确定库位进入线的第二方向;
以所述库位进入线起点为起点,按照所述第二方向延伸至所述库位线的边缘得到库位进入线。
4.根据权利要求2所述的方法,其特征在于,所述第一样本图像中的库位方向线的标注方法包括:
确定所述第一样本图像中的库位角点位置以及库位分割线;
根据所述库位交点位置确定库位方向线的起点;
以所述库位方向线的起点为起点,沿所述库位分割线的中心线的方向延伸至库位分割线的边缘得到库位方向线。
5.根据权利要求3所述的方法,其特征在于,所述第一样本图像中的库位方向线的标注方法还包括:
根据所述库位分割线的颜色将所述库位方向线进行分类。
6.根据权利要求2所述的方法,其特征在于,所述第一样本图像中的库位框的标注方法包括:
确定所述第一样本图像中的库位角点位置;
根据库位角点位置生成包括了两个库位角点的库位框,且所述库位角点至少位于一个库位框内。
7.一种车辆定位方法,其特征在于,所述车辆定位方法包括:
采集待检测停车场图像;
通过权利要求1至6任意一项所述的库位检测方法对所述待检测停车场图像进行检测得到库位;
对所述待检测停车场图像进行检测得到车道线以及方向箭头;
根据所述库位、所述车道线以及方向箭头的至少一个进行定位得到车辆位置。
8.根据权利要求7所述的车辆定位方法,其特征在于,所述车道线以及方向箭头是通过预先训练得到的语义检测模型检测得到的,所述语义检测模型是通过预先标注的第二样本图像训练得到的;所述第二样本图像中的车道线以及方向箭头的标注方法包括:
确定所述第二样本图像中车道线以及方向箭头的特征点;
获取所述特征点的标注顺序,按照所述标注顺序对所述特征点进行标记。
9.根据权利要求8所述的车辆定位方法,其特征在于,所述确定所述第二样本图像中车道线以及方向箭头的特征点,包括:
判断所述第二样本图像中车道线以及方向箭头是否满足显示要求;
当所述第二样本图像中车道线以及方向箭头满足显示要求时,则确定所述第二样本图像中车道线以及方向箭头的特征点,否则不对所述第二样本图像中车道线以及方向箭头进行标注。
10.一种库位检测装置,其特征在于,所述装置包括:
第一采集模块,用于采集待检测库位图像;
识别模块,用于对所述待检测库位图像进行识别以得到库位进入线、库位方向线和库位框中的至少一个;
库位确定模块,用于根据所识别得到的库位进入线、库位方向线和库位框中的至少一个确定库位。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项或7至9中任一项所述的方法的步骤。
12.一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至6中任一项或7至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111119543.1A CN113807288A (zh) | 2021-09-24 | 2021-09-24 | 库位检测方法、车辆定位方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111119543.1A CN113807288A (zh) | 2021-09-24 | 2021-09-24 | 库位检测方法、车辆定位方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113807288A true CN113807288A (zh) | 2021-12-17 |
Family
ID=78940148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111119543.1A Pending CN113807288A (zh) | 2021-09-24 | 2021-09-24 | 库位检测方法、车辆定位方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807288A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180215A (zh) * | 2017-05-31 | 2017-09-19 | 同济大学 | 基于库位和二维码的停车场自动建图与高精度定位方法 |
CN110706509A (zh) * | 2019-10-12 | 2020-01-17 | 东软睿驰汽车技术(沈阳)有限公司 | 车位及其方向角度检测方法、装置、设备及介质 |
CN111862672A (zh) * | 2020-06-24 | 2020-10-30 | 北京易航远智科技有限公司 | 基于顶视图的停车场车辆自定位及地图构建方法 |
CN112562400A (zh) * | 2020-12-24 | 2021-03-26 | 北京筑梦园科技有限公司 | 一种车位线获取方法、装置及停车管理系统 |
CN112927552A (zh) * | 2021-01-20 | 2021-06-08 | 广州小鹏自动驾驶科技有限公司 | 一种车位检测的方法和装置 |
-
2021
- 2021-09-24 CN CN202111119543.1A patent/CN113807288A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180215A (zh) * | 2017-05-31 | 2017-09-19 | 同济大学 | 基于库位和二维码的停车场自动建图与高精度定位方法 |
CN110706509A (zh) * | 2019-10-12 | 2020-01-17 | 东软睿驰汽车技术(沈阳)有限公司 | 车位及其方向角度检测方法、装置、设备及介质 |
CN111862672A (zh) * | 2020-06-24 | 2020-10-30 | 北京易航远智科技有限公司 | 基于顶视图的停车场车辆自定位及地图构建方法 |
CN112562400A (zh) * | 2020-12-24 | 2021-03-26 | 北京筑梦园科技有限公司 | 一种车位线获取方法、装置及停车管理系统 |
CN112927552A (zh) * | 2021-01-20 | 2021-06-08 | 广州小鹏自动驾驶科技有限公司 | 一种车位检测的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200349847A1 (en) | System and method for camera or sensor-based parking spot detection and identification | |
CN112184818B (zh) | 基于视觉的车辆定位方法及应用其方法的停车场管理系统 | |
CN108875911B (zh) | 一种泊车位检测方法 | |
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN110032181B (zh) | 语义地图中障碍物定位方法、装置、计算机设备和存储介质 | |
CN103358993B (zh) | 用于识别车辆停车位线标记的系统和方法 | |
CN110807350B (zh) | 用于面向扫描匹配的视觉slam的系统和方法 | |
Huang et al. | DMPR-PS: A novel approach for parking-slot detection using directional marking-point regression | |
EP3624001B1 (en) | Methods and systems for parking line marker detection and pairing and parking spot detection and classification | |
US20180260648A1 (en) | Area of interest boundary extracting method and apparatus, device and computer storage medium | |
US8498472B2 (en) | Image-based localization feature point registration apparatus, method and computer-readable medium | |
US20140003723A1 (en) | Text Detection Devices and Text Detection Methods | |
CN109815831B (zh) | 一种车辆朝向获取方法及相关装置 | |
CN109615904A (zh) | 停车管理方法、装置、计算机设备和存储介质 | |
CN107710280A (zh) | 对象可视化方法 | |
CN113065427A (zh) | 一种车辆停车状态确定方法、装置、设备和存储介质 | |
US20240020923A1 (en) | Positioning method based on semantic information, device and computer-readable storage medium | |
CN111860219B (zh) | 一种高速占道判断方法、装置及电子设备 | |
Liu et al. | Real-time traffic light recognition based on smartphone platforms | |
CN111832561A (zh) | 基于计算机视觉的字符序列识别方法、装置、设备和介质 | |
TW202022804A (zh) | 路面影像重建與載具定位之方法與系統 | |
KR102260556B1 (ko) | 전역 정보와 지역 정보 통합을 통한 딥러닝 기반 주차구획 검출 방법 및 장치 | |
CN112435274A (zh) | 一种基于面向对象分割的遥感影像面状地物提取方法 | |
Ji et al. | Manhole cover detection using vehicle-based multi-sensor data | |
CN115526881B (zh) | 一种基于图像建模的电芯极性检测方法及装置 |
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 |