CN113874927B - 停车检测方法、系统、处理设备和存储介质 - Google Patents

停车检测方法、系统、处理设备和存储介质 Download PDF

Info

Publication number
CN113874927B
CN113874927B CN202080000660.3A CN202080000660A CN113874927B CN 113874927 B CN113874927 B CN 113874927B CN 202080000660 A CN202080000660 A CN 202080000660A CN 113874927 B CN113874927 B CN 113874927B
Authority
CN
China
Prior art keywords
vehicle
parking
line
image
vanishing
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
Application number
CN202080000660.3A
Other languages
English (en)
Other versions
CN113874927A (zh
Inventor
刘童
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Publication of CN113874927A publication Critical patent/CN113874927A/zh
Application granted granted Critical
Publication of CN113874927B publication Critical patent/CN113874927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • 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
    • G08G1/147—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas where the parking area is within an open public zone, e.g. city centre
    • 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
    • G08G1/148—Management of a network of parking areas
    • 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

Abstract

一种停车检测方法、系统、处理设备和存储介质，所述停车检测方法包括：获取待检测图像；根据所述待检测图像中的消失点和消失线，并结合所述待检测图像中车辆的轮廓关键点获取车辆在地面的投影区域；判断所述车辆停车是否规范。

Description

停车检测方法、系统、处理设备和存储介质
技术领域
本公开实施例涉及但不限于图像处理领域，尤指一种停车检测方法、系统、处理设备和存储介质。
背景技术
随着社会的发展，城市车辆的保有量越来越多，停车问题越来越严重。
在小区内、公共或内部停车场，由于种种原因导致的停车不规范，特别是超出停车位范围的情况会导致车位的管理混乱，不能有效停车，甚至出现刮蹭等事故。如果通过人工去实时检查，显然浪费人力和时间。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
一方面，本公开实施例提供了一种停车检测方法，包括：获取待检测图像；根据所述待检测图像中停车线的消失点以及消失线，并结合所述待检测图像中车辆的轮廓关键点获取车辆在地面的投影区域信息；判断所述车辆停车是否规范。
另一方面，本公开实施例还提供了一种处理设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述停车检测方法中的步骤。
另一方面，本公开实施例还提供了一种停车检测系统，包括：图像采集设备，以及如前所述的处理设备。
另一方面，本公开实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有可执行指令，所述可执行指令被处理器执行时可以实现如上述任一项所述的停车检测方法。
当然，实施本公开的任一产品或方法并不一定要同时达到以上所述的所有优点。本公开的其它特征和优点将在随后的说明书实施例中阐述，或者通过实施本公开而了解。本公开实施例的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
在阅读并理解了附图和详细描述后，可以明白其他方面。
附图说明
附图用来提供对本公开技术方案的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开的技术方案，并不构成对本公开技术方案的限制。附图中各部件的形状和大小不反映真实比例，目的只是示意说明本公开内容。
图1为透视投影模式下消失点与地平线的示意图；
图2为本公开实施例一种停车检测方法的流程图；
图3为本公开实施例另一种停车检测方法的流程图；
图4为本公开实施例停车区域、车辆投影区域与消失点和消失线的平面关系示意图；
图5为本公开实施例图像采集设备拍摄的车辆停放图像；
图6为本公开实施例停车线、车辆投影区域与消失点和消失线的立体关系示意图；
图7为本公开实施例处理设备结构示意图。
具体实施方式
本文描述了多个实施例，但是该描述是示例性的，而不是限制性的，在本文所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
如图1所示，在透视投影模型下，两条平行线所成的像会在成像平面上交于一点，该点被称作消失点。不同方向的平行线对应的消失点处在一条直线上，该直线称为消失线或地平线。因此，在一示例性实施例中，如图2所示，可以采用以下方法进行停车检测：
步骤10，获取待检测图像；
待检测图像可以是停车区域的图像，可从设置在停车区域的图像采集设备(如摄像头)处获取。
步骤20，根据所述待检测图像中停车线的消失点以及消失线，并结合所述待检测图像中车辆的轮廓关键点获取车辆在地面的投影区域信息；
基于前述消失点原理，确定待检测图像中的消失线后，再结合所述待检测图像中车辆的轮廓关键点，进而可以确定车辆在地面的投影区域信息。
投影区域信息例如包括但不限于：车辆与地面接触面的轮廓关键点的坐标，或者连接车辆与地面接触面的轮廓关键点形成的车辆边框线(或称为投影线)的坐标信息。
步骤30，判断所述车辆停车是否规范。
根据车辆在地面的投影区域判断停车是否规范。
通过消失点和消失线结合图像中可见的轮廓关键点可以推算出图像中被遮挡的车辆轮廓关键点，进而可以获取车辆在地面的投影区域信息，从而可以根据投影区域和停车线位置确定车辆停车是否规范。
在一示例性实施方式中，步骤20可以包括以下步骤：
步骤201，确定所述待检测图像中的停车线，根据所述停车线确定停车线消失点和消失线，并检测所述待检测图像中的可见车辆轮廓关键点；
步骤202，根据所述可见车辆轮廓关键点以及消失线确定车辆在地面的投影区域信息。
可选地，步骤202可以包括以下步骤：
步骤2021，根据所述可见车辆轮廓关键点确定车辆消失点，根据车辆消失点确定所述待检测图像中被遮挡的部分车辆轮廓关键点；
步骤2022，根据所述可见车辆轮廓关键点以及确定的部分被遮挡的车辆轮廓关键点，得到所述车辆在地面的投影区域信息。
在一示例性实施方式中，可能的情况是，待检测图像中可见的车辆与地面接触位置(例如车轮位置)的轮廓关键点有三个，计算该三个已知的底层车辆轮廓关键点与消失线的交点，可以确定车辆消失点，进而可以确定另一个被遮挡的底层车辆轮廓关键点，已知四个车辆与地面接触位置的轮廓关键点，进而可以确定车辆在地面的投影区域位置。
在另一种示例性实施方式中，可能的情况是，待检测图像中车辆与地面接触位置的轮廓关键点有一个或两个，则可以利用车身中层的轮廓关键点，得到车身框线，并对车身框线进行平移，例如可以使该框线的一条边框覆盖车轮处的轮廓关键点，另一方向的边框覆盖车头关键点或车尾关键点，将平移后的车身框线作为车辆在地面的投影区域。
在一示例性实施方式中，步骤30可以包括：根据所述停车线以及所述车辆在地面的投影区域判断所述车辆停车是否规范。
在一示例性实施方式中，判断所述车辆停车是否规范包括以下判断中的任意一种或多种：
判断车辆是否压住停车线；
判断车辆停放角度是否在预设角度偏移范围内；
判断车辆重心是否在预设重心偏移范围内。
根据需要上述判断可以选择任意一种或多种。
在一示例性实施方式中，所述判断车辆是否压住停车线包括以下判断中的任意一种或多种：
判断所述车辆在地面的投影线是否与所述停车线重合，如果重合，则认为所述车辆压住停车线；
判断所述车辆在地面的投影线是否与所述停车线相交，如果相交，则认为所示车辆压住停车线；
判断所述车辆底层的轮廓关键点是否位于所述停车线上，只要有一个轮廓关键点位于所示停车线上，则认为所述车辆压住停车线；
判断所述车辆底层的轮廓关键点是否位于所述停车线外，只要有一个轮廓关键点位于所述停车线外，则认为所述车辆压住停车线。
在一示例性实施方式中，所述判断车辆停放角度是否在预设角度偏移范围内，包括：
通过停车线斜率与车辆在地面的投影线的斜率判断车辆停放角度是否在预设角度偏移范围内；或者
根据停车线消失点与车辆消失点的位置判断车辆停放角度是否在预设角度偏移范围内。
在一示例性实施方式中，所述判断车辆重心是否在预设重心偏移范围内，包括：根据所述车辆在地面的投影区域的重心与所述停车线所形成的停车区域的重心的偏移判断所述车辆重心是否在预设重心偏移范围内。
对于任意一区域(车辆投影区域或停车区域)，该区域的重心可以采用以下方法之一计算获得：
将该区域内所有像素点的横坐标的平均值作为所述区域重心的横坐标，将该区域内所有像素点的纵坐标的平均值作为所述车辆重心的纵坐标；
将该区域边界线上所有像素点的横坐标的平均值作为所述区域重心的横坐标，将该区域边界线上所有像素点的纵坐标的平均值作为所述车辆重心的纵坐标；
将该区域对角线交点的坐标作为车辆重心的坐标。
通过上述方式，将停车区域的信息压缩到停车区域重心，将投影区域的信息压缩到投影区域重心，可以简洁且准确地衡量区域位置。
如图3所示，在一示例性实施例中，提供一种停车检测方法，包括以下步骤S310至S350，其中：
步骤S310，获取待检测图像；
可从设置在停车区域的图像采集设备(如摄像头)获取待检测图像。摄像头可以固定于固定结构上，例如路灯柱或楼宇外墙体或专门的云台上。在一示例性实施方式中，图像采集设备可定时采集停车区域的图像作为待检测图像。在另一示例性实施方式中，图像采集设备可以根据处理设备的命令针对某一停车区域进行拍照，例如传感器设备检测到某一停车区域有新停放车辆时，或者处理设备根据图像识别技术识别出某一停车区域有新停放车辆时，向图像采集设备发送对该停车区域拍照的命令，图像采集设备可以根据处理设备的命令或者传感器设备的触发对该停车区域进行拍照，得到待检测图像。
处理设备可以内置于图像采集设备中，或者可以位于云端服务器。当处理设备内置于图像采集设备中时，可以直接对图像采集设备采集的待检测图像进行计算处理，进行停车规范性检测，当发现有停车不规范现象时，可通知后台停车管理人员，或者通过停车区域安装的语音播放设备向车主发出语音提示。当处理设备位于云端服务器时，图像采集设备将待检测图像发送给位于云端服务器的处理设备，处理设备对待检测图像进行计算处理，进行停车规范性检测，当发现有停车不规范现象时，可以向该图像采集设备所在停车场发送通知。当处理设备位于云端服务器时，其可以对多个图像采集设备发送的多幅待检测图像进行检测处理，该多个图像采集设备可以位于同一停车场，或者可以位于多个停车场，可将图像采集设备的标识与所在停车场标识进行绑定，以便处理设备向图像采集设备对应的停车场发送通知。
步骤S320，根据待检测图像中的停车线确定停车线消失点和消失线；
待检测图像中的停车线可以通过对步骤101中获取的待检测图像本身进行图像检测来确定，或者可以对与待检测图像相同视角的未停车时的停车区域图像进行检测来确定。所述与待检测图像相同视角的未停车时的停车区域图像可以是预先拍摄的，该停车线检测可以预先完成。
确定图像中的停车线可采用以下方式：利用霍夫(Hough)变换检测图像中的直线段，并对直线段进行聚类。在一示例性实施方式中，为了避免噪声干扰，可以去除长度小于预设长度阈值的直线段，然后基于斜率对剩余的直线段进行聚类，选出斜率值接近的不同组直线段，即每组直线段中包括多条直线段，这些直线段的斜率接近(在一个较小的范围内)。以一个四边形停车位包含4条停车线为例，四条停车线中相对位置的两条停车线斜率接近，因此对于此种停车位，可以选出两组直线段，结合斜率值和先验信息(例如预估的停车线方向)，可以将其中一组中的直线段作为例如水平方向的停车线，另一组中的直线段作为例如竖直方向的停车线，再根据图像中直线段的坐标，从而可以确定每个停车位中停车线的位置。在一示例性实施方式中，在对前述剩余的直线段的斜率进行聚类之前，为了避免噪声干扰，可以根据预先拍摄的无车辆停放时的图像中的停车线的斜率范围对直线段进行筛选，选出在停车线斜率范围内的直线段，再进行聚类。
如图4所示，确定的任意一个停车位的停车线包括：第一停车线P1、第二停车线P2、第三停车线P3和第四停车线P4，假设第一停车线P1与第二停车线P2方向相似，即斜率接近，第三停车线P3与第四停车线P4方向相似，且第一停车线P1与第二停车线P2长度均大于第三停车线P3和第四停车线P4长度，计算第一停车线延长线与第二停车线延长线的交点为第一停车线消失点(以下简称第一消失点)D1，计算第三停车线延长线与第四停车线延长线的交点为第二停车线消失点(以下简称第二消失点)D2。第一消失点D1和第二消失点D2相连得到的线即为消失线。
计算两条直线交点可以采用以下方法之一：
方法一：通过编写函数实现以下计算：根据第一直线上任意两点，计算得到该第一直线的斜率k1和截距b1，进而得到该第一直线的方程表达式，同样地，计算得到第二条直线的斜率k2和截距b2，进而得到该第二直线的方式表达式，求二元一次方程组即可得到该第一直线与第二直线的交点。
方法二：采用计算机视觉库(opencv)中的功能求出两直线的交点。
步骤S330，检测所述待检测图像中的可见车辆轮廓关键点；
本步骤与步骤S320执行顺序不限。
轮廓关键点包括车辆外轮廓的一些边缘点，例如车轮下沿(车轮与地面接触的位置)，前后保险杠下沿等，如图5照片中白点所示。在一示例性实施例中，对于轮廓关键点，可以预先设置轮廓关键点的属性值标识规则，例如可以设置轮廓关键点的属性值包括一个整体序号属性值N，用于标记该轮廓关键点的标识(ID)，一个高度属性值L，用于标识该轮廓关键点属于的高度层级，以及一个位置属性值S，用于标识该轮廓关键点属于车辆的哪侧。其中：高度属性值L可根据预设的高度层级获得，例如可以记为L＝1,2,...或,l，可将位于车轮下沿的轮廓关键点的高度层级设置为最低，将位于车顶的轮廓关键点的高度层级设置为最高。位置属性值S可根据该轮廓关键点属于车辆的哪一侧进行定义，例如可以记为S＝1,2,4,或,8，其中1可以表示第一侧例如为车辆左侧(驾驶员所在的一侧)，2可以表示第二侧例如为车辆右侧(副驾驶座一侧)，4可以表示第三侧例如为车辆头侧，8可以表示第四侧例如为车辆尾侧。处于边角位置的轮廓关键点可以同时属于两侧，比如同时属于右侧和尾侧的轮廓关键点，其位置属性值S为10即2+8。
在一示例性实施例中，可采用卷积神经网络获得轮廓关键点的位置和属性值。卷积神经网络是一种多层神经网络，擅长处理图像特别是大图像的相关机器学习问题。卷积神经网络通过一系列方法，将数据量庞大的图像识别问题不断降维，最终使其能够被训练。预先采集车辆图像，可以包括现场采集的车辆图像或者可以包括公开的车辆图像数据集，并且标定车辆图像中车辆的轮廓关键点的位置和属性值，训练卷积神经网络检测这些轮廓关键点。当卷积神经网络训练好之后，将待检测图像输入该卷积神经网络后，该卷积神经网络能够输出轮廓关键点的位置(例如坐标)和属性值。
在一示例性实施方式中，可以采用SSD(Single Shot MultiBox Detector，单步多框检测器)算法，SSD算法是一种目标检测算法，SSD的核心是在特征图上采用卷积核来预测一系列默认边界框(default bounding boxes)的类别和偏移量。SSD是同时借鉴了基于深度学习的目标检测算法YOLO(You Only Look Once)和Faster R-CNN的思想的方法，目标检测速度快，目标检测精度高。
例如可以预设m×n的卷积核，通过对车辆图像进行卷积操作(可以理解为有一个滑动窗口，把卷积核与对应的图像像素做乘积然后求和)，得到了m×n的卷积结果。这个过程可以理解为使用一个过滤器(卷积核)来过滤图像的各个小区域，从而得到这些小区域的特征值。卷积核的值是在学习过程中学到的。通过不断的深度学习，可以形成对于车辆图像检测速度最快、准确度最高的轮廓关键点检测模型。
除了使用SSD算法外，在另一示例性实施方式中，可以使用第三版YOLO(YOLO V3)，该算法也是一种目标检测算法，可以实现轮廓关键点检测。YOLO V3是一个全卷积网络，大量使用残差的跳层连接，每一层残差结构中，对输入卷积后，其生成的特征图与输入叠加后作为新的输入输入至下一层，减小了梯度爆炸的风险，加强了网络的学习能力。YOLO V3有3个尺度的输出，每个尺度的输出包括：坐标、置信度和类别信息，类别信息中包含属性值。
经过训练后的目标检测算法在输入车辆图像后，可以输出车辆图像中车辆的轮廓关键点坐标和属性值。
在一示例性实施方式中，为了可以缩小检测范围、减少计算量、提高检测速度，在使用目标检测算法检测车辆的轮廓关键点之前，可以采用以下任意方式之一对待检测图像进行预处理：
方式一：通过对背景建模得到车辆的像素级分割结果；
可预先拍摄没有停车时的车位图像，在需要对某车位上的车辆进行轮廓关键点检测之前，提取出相同机位角度拍摄的该车位未停车时的车位图像，对两张图像进行对比计算，例如可以去除相同的部分，即可得到包括车辆的分割结果，由此可实现车辆的像素级分割。之后，将分割结果输入前述用于进行轮廓关键点检测的卷积神经网络进行目标检测，得到车辆轮廓关键点的位置和属性值。
方式二：利用分割器对待检测图像进行分割得到车辆的像素级分割结果；
例如可以采用实例分割(Instance Segmentation)或语义分割(semanticsegmentation)方法，得到包括车辆的像素级分割结果，之后，将分割结果输入前述用于进行轮廓关键点检测的卷积神经网络进行目标检测，得到车辆轮廓关键点的位置和属性值。
方式三：利用目标检测方法对待检测图像进行检测得到车辆位置范围信息
可先对待检测图像进行第一次目标检测，得到待检测图像中车辆的大致位置范围信息，即得到车辆的边界框(bounding box)，再将该边界框内的图像作为前述卷积神经网络的输入，在此区域检测轮廓关键点；
对待检测图像进行预处理，如果没有检测到车辆，则不需要检测轮廓关键点了
步骤S340，根据可见车辆轮廓关键点以及消失线计算车辆地面投影区域；
在一示例性实施方式中，可以根据轮廓关键点属性值确定离地面最近的底层的轮廓关键点(即车轮下沿处的轮廓关键点)，所述底层的轮廓关键点包括三个——第一轮廓关键点(以下简称第一关键点)E1、第二轮廓关键点(以下简称第二关键点)E2和第三轮廓关键点(以下简称第三关键点)E3，根据每个轮廓关键点的属性值可以确定：第一关键点E1和第二关键点E2同属于第一侧，第二关键点E2和第三关键点E3属于第三侧，将属于同侧的两个轮廓关键点相连，第一关键点E1与第二关键点E2之间的连线为第一车辆框线C1，该第一车辆框线C1的延长线与消失线的交点即第一车辆消失点(为与停车线消失点相区别，以下简称为第三消失点)D3，第二关键点E2与第三关键点E3之间的连线为第三车辆框线C3，该第三车辆框线C3的延长线与消失线的交点即第二车辆消失点(以下简称第四消失点)D4，分别确定第三消失点D3与第三关键点E3之间的连线，以及第四消失点D4与第一关键点E1之间的连线，计算该两条连线之间的交点，该交点即为第四轮廓关键点E4的位置，由此可以确定第三关键点E3与第四关键点E4之间的连线为第二车辆框线C2，第四关键点E4与第一关键点E1之间的连线为第四车辆框线C4。确定四条车辆框线后，该四条车辆框线所组成的区域即为车辆地面投影区域，该四条车辆框线即为车辆在地面的四条投影线。
同理，在另一示例性实施例中，如果可知属于同一层上的任意三个点，例如顶层上的三个点，则可以确定车辆消失点即第三消失点和第四消失点，确定车辆消失点后，可以根据底层上处于对角线位置的任意两个点，推算另外两个点。
步骤S350，根据停车线和车辆地面投影区域判断停车是否规范。
当车辆地面投影区域刚好在停车线划定的停车范围内时，认为车辆停放是规范的。车辆停放不规范主要是考虑到车辆停放位置可能会影响临近车位的车辆停放，或者影响周边车辆行驶，可能容易引发剐蹭事故。包括停车压线，车轮中轴线与停车位中线的角度偏移过大，车辆重心与停车位重心偏移过大。根据需要可对其中任意一种或多种不规范行为进行检测。
在一示例性实施例中，判断停车是否规范包括以下判断中的任意一种或多种：
判断一：判断车辆是否压线；
车辆是否压线是指车辆停放位置是否压住停车线，压线停放的车辆可能会妨碍相邻车位的使用，在示例性实施例中，车辆压线包括以下判断中的任意一种或多种：
判断车辆框线是否与停车线重合，如果重合，则认为车辆压线；
判断车辆框线是否与停车线相交，如果相交，则认为车辆压线；
判断车辆底层的四个轮廓关键点是否位于停车线上，只要有一个轮廓关键点位于停车线上，则认为车辆压线；
判断车辆底层的轮廓关键点是否位于停车线外，只要有一个轮廓关键点位于停车线外，则认为车辆压线。
在本示例中，车辆底层包括四个轮廓关键点，在其他实施例中，底层的轮廓关键点可以为六个或者八个，即还可包括车头和车尾在地面的投影点。
判断二：停车是否倾斜，即判断车辆停放角度是否在预设角度偏移范围内；
车辆停放角度倾斜是指车轮中轴线与停车位中线的角度偏移过大，车轮中轴线是指车辆前轴中心与后轴中心之间的连线，停车位中线是指两条较短短停车线中点之间的连线。车辆角度偏移过大可能导致车头或者车尾探出停车区域，有可能造成剐蹭事故。在示例性实施例中，判断方法可采用以下任意之一：
方法1：计算较长的停车线的停车线斜率，计算较长的车辆框线的车辆框线斜率，对两斜率进行比较，如果两斜率的角度差大于预设的角度阈值，则认为倾斜角度过大，停车不规范；
在一示例性实施方式中，在计算时可以分侧计算，以图4为例，可以分别计算第一停车线C1和第一车辆框线P1的斜率，对两斜率进行比较得到第一角度差，分别计算第二停车线C2和第二车辆框线P2的斜率，对两斜率进行比较得到第二角度差，第一角度差与第二角度差之间的最大角度差如果在预设角度范围内，则认为所述车辆在预设偏移范围内。
方法2：通过车辆消失点与停车线消失点之间的距离进行判断，以图4为例，规范停车时，两条同向停车线形成的第一消失点D1和与停车线同向的两条车辆边框线形成的第三消失点D3之间的距离趋于重合，同理，第四消失点与第二消失点之间的距离也是约小越好，因此可以采用以下两种方式任意之一进行判断：
方式1，通过比率的方式进行计算；
采用下式计算停斜率R1：R1＝f1((Da+Db)/Dc)
其中，Da表示第一停车线消失点与第一车辆消失点之间的距离，Db表示第二停车线消失点与第二车辆消失点之间的距离，Dc表示第一停车线消失点与第二停车线消失点之间的距离，f1()表示第一函数，第一函数可以为一种数学函数，例如f1((Da+Db)/Dc)＝k*((Da+Db)/Dc)，k为常数，k∈(0,1/2]，例如当k＝1/2时，R1＝(Da+Db)/2Dc。当停斜率R1在预设第一阈值(即下述第一比值阈值)范围内时，确定车辆停放角度在预设角度偏移范围内。
以图4为例，在一示例性实施方式中，可以分别计算第一消失点D1与第三消失点D3之间的第一消失距离和第一消失点D1与第二消失点D2之间的参照消失距离之间的比值，以及计算第二消失点D2与第四消失点D4之间的第二消失距离和参照消失距离之间的比值，当计算得到的两个比值均在预先设置的第一比值阈值范围内时，认为所述车辆在预设偏移范围内；
在另一示例性实施方式中，可以计算第一消失距离与第二消失距离之和与参照消失距离之间的比值，当计算得到的比值在预先设置的第二比值阈值范围内时，认为所述车辆在预设偏移范围内；为了统一量纲，可以对参照消失距离进行数学处理，例如可以将2倍的参照消失距离作为新的参照消失距离，计算第一消失距离与第二消失距离之和与新的参照消失距离之间的比值，当计算得到的比值在预先设置的第三比值阈值范围内时，认为所述车辆在预设偏移范围内。
方式2，直接比较车辆消失点与停车线消失点之间的距离；
可以预先通过测量获得车辆消失点的偏移范围，以图4为例，分别获得在第一消失点D1附近的第一可偏移最大范围(±x)，以及第二消失点D2附近的第二可偏移最大范围(±y)，判断第一车辆消失点即第三消失点D3是否在第一可偏移最大范围内，以及判断第二车辆消失点即第四消失点D4是否在第二可偏移最大范围内，如果第三消失点D3和第四消失点D4均在预设范围内，认为所述车辆在预设偏移范围内，只要有一个消失点不在对应的预设范围内，则认为车辆未在预设偏移范围内，即认为存在角度偏移。
判断三：停车是否偏移，即判断车辆重心是否在预设重心偏移范围内；
车辆重心偏移是指车辆重心与停车位重心的偏移程度，在示例性实施例中，判断方法可采用以下任意方法之一：
方法一：通过比率的方式进行计算；
在一示例性实施方式中，可以分别计算停车位重心位置和车辆重心位置，计算停车位重心与车辆重心之间的重心间距离，计算该距离与停车位面积的比值，当计算得到的比值在预先设置的第四比值阈值范围内时，认为所述车辆重心偏移在预设范围内；为了统一量纲，可以对停车位面积进行数学处理，例如可以对停车位面积值取平方根，得到平均边长距离，计算重心间距离与平均边长距离的比值，当计算得到的比值在预先设置的第五比值阈值范围内时，认为所述车辆重心偏移在预设范围内。
例如，采用下式计算停偏率R2，判断所述停偏率在第二阈值(上述第五比值阈值)范围内时，确定所述车辆重心在预设重心偏移范围内：R2＝Dd/f2(P)
其中，Dd表示所述车辆在地面的投影区域的重心与所述停车线所形成的停车区域的重心之间的间距，所述P表示停车位面积，f2()表示第二函数，即上述数学处理。
方法二：比较车辆重心与停车线重心之间的距离；
可以预先通过测量获得车辆重心的偏移范围，即在确定停车位重心后，可以通过模拟或者实际测试确定车辆重心可允许的偏移范围，即当车辆重心在该偏移范围之内时，认为所述车辆在预设偏移范围内，当车辆重心在该偏移范围之外时，认为所述车辆在预设偏移范围外。
在一示例性实施例中，车辆重心即车辆投影区域的重心可以采用以下方法之一计算获得：
将车辆投影区域内所有像素点的横坐标的平均值作为所述车辆重心的横坐标，将车辆投影区域内所有像素点的纵坐标的平均值作为所述车辆重心的纵坐标；
将车辆投影线上所有像素点的横坐标的平均值作为所述车辆重心的横坐标，将车辆投影线上所有像素点的纵坐标的平均值作为所述车辆重心的纵坐标，所述车辆投影线是指组成车辆投影区的四条车辆框线；
车辆投影区域四个顶点对角线交点的坐标作为车辆重心的坐标。
停车线重心的计算方法可参照上述车辆重心的计算方法。
在本文中，除消失线以及声明为延长线外，其余所述车辆框线、投影线、停车线等均指线段。
采用示例性实施例的停车检测方法，利用消失点、消失线结合计算机视觉检测技术估计车辆在地面投影的位置，能够实时自动检测停车是否规范，无需人工实时检查，节约时间，节省人力，具有较大的社会和经济效益。并且示例性实施例方法能够及时发现停车不规范的问题，及时提示车主纠正。示例性实施例方法可以与路侧停车电子收费系统相结合。路侧停车电子收费是利用摄像头对停在路侧的车辆进行车牌识别，计算车辆停放时间，自动进行计费。为了避免停车不入位或斜停或跨位停放等乱停车现象，可以采用示例性实施例方法自动检测停车不规范现象，可以及时通知停车管理人员或者车主，以便及时纠正。
下面结合图6对上述方法进行举例说明，图6中P1、P2、P3和P4为一组平行停车线，Q1和Q2为另一组平行停车线，这两组停车线相交叉构成的子区域为停车位。假设P1,…,P4相交得到的消失点为V1，Q1与Q2相交得到的消失点为V2。V1与V2所在的直线L即为消失线。图6中A、B、C、D、E、F、G、H组成的矩形块表示某车辆，该车辆在地面的投影为ABCD，线段AB和CD的延长线相交于消失点V3，线段AD和BC的延长线相交于消失点V4。由于HG和EH的遮挡，D点以及停车线Q1和P2也被遮挡，导致直接从图像中无法判断ABCD是否压线，也无法度量ABCD与停车区域中心的偏移量，以及车辆与停车线的平行程度(即AB与P1在平面上的平行程度)。
当在图像中检测到一个轮廓关键点时，根据它的序号N，可以查到它属于哪个高度层级(L)以及属于哪侧(S)。根据S值，就可以解析出它属于哪一侧或哪两侧。对于属于同一层级、同一侧的两个轮廓关键点(如图6中A点和B点)，可以用它们连线得到图像中车辆投影四条边中的一条所在的直线T1(图6中A、B、V3所在的直线)，将这条直线延长与消失线相交得到消失点(如图6中V3点)，再由消失点和另一侧轮廓关键点(如图6中C点)相连得到图像中车辆投影直线的另一条所在的直线T2(图6中C、D、V3所在的直线)。同理，可以得到T3(图6中A、D、V4所在的直线)和T4(图6中B、C、V4所在的直线)以及消失点V4。则T2和T3的交点即为D点的位置，而四边形ABCD即为车辆的地面投影区域。在确定车辆在地面的投影区域时，可以仅连接车辆与地面接触的四个轮廓关键点，或者可以根据经验值在车头和/或车尾位置有所延伸，如图5中虚线框所示。
下面分别对如何判断车辆是否压线，车辆的角度是否过于倾斜，停车的位置是否偏离车位中心过多进行说明。在示例性实施例中，上述判断可以只执行一个，或任意两个，或三个。
在一示例性实施方式中，判断车辆是否压线可通过车辆地面投影区域(四边形ABCD)是否与停车线Q1、Q2、P2或P3相交判断是否压线；
在一示例性实施方式中，判断车辆角度是否倾斜，可以通过车辆消失点V3，V4与停车线消失点V1，V2的距离判断车辆与停车线的平行程度；例如可以定义“停斜率R1”，可通过下式计算获得：
其中Di,j为Vi与Vj的距离(在本例中，i＝1,2,3,4，j＝1,2,3,4)。
上述公式中的“2”是为了统一分子和分母的量纲，在其他示例性实施例中，也可以取其他值，只要改变相应阈值即可。
结合“停斜率”与经验阈值th1(即前文中所述第三比值阈值)来判断是否停车角度过于倾斜，当R1>th1时，认为停车角度过于倾斜，当R1＜th1时，认为停车角度正常，当V1和V3越接近，V2和V4越接近表示车辆停放的越正。
在一示例性实施方式中，判断车辆偏移度(或称平移度)，例如可以定义“停偏率R2”(即车辆重心偏离停车位重心的程度)，通过车辆地面投影区域(四边形ABCD)的重心与所停车位的范围(Q1,Q2,P2,P3围成的四边形)的重心的距离，相对于停车范围面积平方根的比值得出，即：
其中Vc代表车辆地面投影区域的重心，Pc代表停车位的重心，DVc,Pc表示两重心之间的间距，Ap代表停车位面积。
结合“停偏率”与经验阈值th2(即前文中所述第五比值阈值)来判断是否车辆太偏离车位中心，当R2>th2时停车过偏，当R2＜th2时，停车正常。
采用上述示例性实施例方法，无需设置红外传感器，只需图像采集装置拍摄图像即可进行判断，所需摄像头少，部署和维护简便，成本较低。
在本公开一示例性实施例中，还提供了一种处理设备。所述终端可包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本公开中终端设备所执行的操作。
如图7所示，在一个示例中，处理设备700可包括：处理器710、存储器720、总线系统730和收发器740，其中，该处理器710、该存储器720和该收发器740通过该总线系统730相连，该存储器720用于存储指令，该处理器710用于执行该存储器720存储的指令，以控制该收发器740发送信号。具体地，收发器可在处理器的控制下从图像采集设备中获取待检测图像，并在检测到停车不规范时，通过收发器向其他设备发送通知。
应理解，处理器710可以是中央处理单元(Central Processing Unit，简称为“CPU”)，处理器710还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。
存储器720可以包括只读存储器和随机存取存储器，并向处理器710提供指令和数据。存储器720的一部分还可以包括非易失性随机存取存储器。例如，存储器720还可以存储设备类型的信息。
总线系统730除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图7中将各种总线都标为总线系统730。
在实现过程中，处理设备所执行的处理可以通过处理器710中的硬件的集成逻辑电路或者软件形式的指令完成。即本公开实施例的方法步骤可以体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等存储介质中。该存储介质位于存储器720，处理器710读取存储器720中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
在一示例性实施例中，还提供了一种停车检测系统，包括图像采集设备和处理设备。所述处理设备可以是如前所述的处理设备700。图像采集设备例如可以是任何能够拍摄图像的设备。
在一示例性实施例中，还提供一种计算机可读存储介质，该计算机可读存储介质存储有可执行指令，该可执行指令被处理器执行时可以实现本公开上述任一实施例提供的停车检测方法，该停车检测方法可以用于控制本公开上述实施例提供的停车检测系统进行停车管理，从而提高停车场空间利用率。通过执行可执行指令驱动停车检测系统进行停车规范性检测的方法与本公开上述实施例提供的停车检测方法基本相同，在此不做赘述。
在本公开实施例的描述中，需要理解的是，术语“中部”、“上”、“下”、“前”、“后”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本公开和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本公开的限制。
在本公开实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；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连通。对于本领域的普通技术人员而言，可以根据理解上述术语在本公开中的含义。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
虽然本公开所揭露的实施方式如上，但所述的内容仅为便于理解本公开而采用的实施方式，并非用以限定本公开。任何本公开所属领域内的技术人员，在不脱离本公开所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本公开的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (13)

1.一种停车检测方法，包括：
获取待检测图像；
根据所述待检测图像中停车线的消失点以及消失线，并结合所述待检测图像中车辆的轮廓关键点获取车辆在地面的投影区域信息，包括：确定所述待检测图像中的停车线，根据所述停车线确定停车线消失点和消失线，并检测所述待检测图像中的可见车辆轮廓关键点；根据所述可见车辆轮廓关键点和消失线确定车辆消失点，根据车辆消失点确定所述待检测图像中被遮挡的车辆轮廓关键点，根据所述可见车辆轮廓关键点以及确定的被遮挡的车辆轮廓关键点，得到所述车辆在地面的投影区域信息；
判断所述车辆停车是否规范。
2.根据权利要求1所述的停车检测方法，其中，所述判断所述车辆停车是否规范，包括：
根据所述停车线以及所述车辆在地面的投影区域判断所述车辆停车是否规范。
3.根据权利要求1所述的停车检测方法，其中：所述检测所述待检测图像中的可见车辆轮廓关键点，包括：
采用目标检测算法检测所述待检测图像中的可见车辆轮廓关键点，输出结果包括可见车辆轮廓关键点的位置和属性值，所述属性值包括：车辆轮廓关键点的标识、高度属性值和位置属性值，其中所述高度属性值用于标识所述车辆轮廓关键点属于的高度层级，所述位置属性值用于标识所述车辆轮廓关键点属于车辆的哪侧。
4.根据权利要求1所述的停车检测方法，在所述检测所述待检测图像中的可见车辆轮廓关键点之前，所述方法还包括：对所述待检测图像进行预处理，以得到所述车辆的像素级分割结果或者所述车辆的位置范围信息。
5.根据权利要求1至4中任一项所述的停车检测方法，判断所述车辆停车是否规范包括以下判断中的任意一种或多种：
判断车辆是否压住停车线；
判断车辆停放角度是否在预设角度偏移范围内；
判断车辆重心是否在预设重心偏移范围内。
6.根据权利要求5所述的停车检测方法，其中：所述判断车辆是否压住停车线包括以下判断中的任意一种或多种：
判断所述车辆在地面的投影线是否与所述停车线重合，如果重合，则认为所述车辆压住停车线；
判断所述车辆在地面的投影线是否与所述停车线相交，如果相交，则认为所示车辆压住停车线；
判断所述车辆底层的轮廓关键点是否位于所述停车线上，只要有一个轮廓关键点位于所述停车线上，则认为所述车辆压住停车线；
判断所述车辆底层的轮廓关键点是否位于所述停车线外，只要有一个轮廓关键点位于所述停车线外，则认为所述车辆压住停车线。
7.根据权利要求5所述的停车检测方法，其中：所述判断车辆停放角度是否在预设角度偏移范围内，包括：
通过停车线斜率与车辆在地面的投影线的斜率判断车辆停放角度是否在预设角度偏移范围内；或者
根据停车线消失点与车辆消失点的位置判断车辆停放角度是否在预设角度偏移范围内。
8.根据权利要求7所述的停车检测方法，其中：所述根据停车线消失点与车辆消失点的位置判断车辆停放角度是否在预设角度偏移范围内，包括：
采用下式计算停斜率R1，判断所述停斜率在第一阈值范围内时，确定车辆停放角度在预设角度偏移范围内：R1＝k*((Da+Db)/Dc)
其中，Da表示第一停车线消失点与第一车辆消失点之间的距离，Db表示第二停车线消失点与第二车辆消失点之间的距离，Dc表示第一停车线消失点与第二停车线消失点之间的距离，k为常数，k∈(0,1/2]。
9.根据权利要求5所述的停车检测方法，其中：所述判断车辆重心是否在预设重心偏移范围内，包括：
根据所述车辆在地面的投影区域的重心与所述停车线所形成的停车区域的重心的偏移判断所述车辆重心是否在预设重心偏移范围内。
10.根据权利要求9所述的停车检测方法，其中：所述根据所述车辆在地面的投影区域的重心与所述停车线所形成的停车区域的重心的偏移判断所述车辆重心是否在预设重心偏移范围内，包括：
采用下式计算停偏率R2，判断所述停偏率在第二阈值范围内时，确定所述车辆重心在预设重心偏移范围内：R2＝Dd/f(P)
其中，Dd表示所述车辆在地面的投影区域的重心与所述停车线所形成的停车区域的重心之间的间距，所述P表示停车位面积，
11.一种处理设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1至10中任一项所述方法的步骤。
12.一种停车检测系统，包括：图像采集设备，以及如权利要求11所述的处理设备。
13.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1至10中任一项所述的方法。
CN202080000660.3A 2020-04-30 2020-04-30 停车检测方法、系统、处理设备和存储介质 Active CN113874927B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/088437 WO2021217625A1 (zh) 2020-04-30 2020-04-30 停车检测方法、系统、处理设备和存储介质

Publications (2)

Publication Number Publication Date
CN113874927A CN113874927A (zh) 2021-12-31
CN113874927B true CN113874927B (zh) 2023-07-18

Family

ID=78293103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080000660.3A Active CN113874927B (zh) 2020-04-30 2020-04-30 停车检测方法、系统、处理设备和存储介质

Country Status (3)

Country Link
US (1) US20210342606A1 (zh)
CN (1) CN113874927B (zh)
WO (1) WO2021217625A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11328822B2 (en) * 2017-02-01 2022-05-10 Conflu3Nce Ltd Multi-purpose interactive cognitive platform
CN113034484A (zh) * 2021-04-08 2021-06-25 阿波罗智联(北京)科技有限公司 车辆底面边界点的确定方法、装置、路侧设备及云控平台
CN114255584B (zh) * 2021-12-20 2023-04-07 济南博观智能科技有限公司 一种停放车辆的定位方法、系统、存储介质和电子设备
CN115116262B (zh) * 2022-04-07 2023-07-07 江西中天智能装备股份有限公司 一种基于图像识别停车限位监测系统
CN115035741B (zh) * 2022-04-29 2024-03-22 阿里云计算有限公司 判别泊位停车的方法、装置、存储介质及系统
CN115131892A (zh) * 2022-05-27 2022-09-30 广州高新兴机器人有限公司 基于巡逻机器人的异常停车检测方法、装置、介质及设备
GB2619098A (en) * 2022-05-27 2023-11-29 Agd Systems Ltd Apparatus and method for determining vehicle location
CN115082901B (zh) * 2022-07-21 2023-01-17 天津所托瑞安汽车科技有限公司 基于算法融合的车辆汇入检测方法、装置及设备
CN115641727B (zh) * 2022-10-18 2023-06-16 重庆交通大学 基于视频识别的车位管理方法
CN115588008B (zh) * 2022-11-29 2023-02-17 城云科技（中国）有限公司 基于视觉的单车规范摆放的判定方法及其应用
CN116863712B (zh) * 2023-09-01 2023-11-28 成都宜泊信息科技有限公司 路侧巡检车精确判断车辆停放位置的方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108698550A (zh) * 2016-02-26 2018-10-23 三菱电机株式会社 停车辅助装置及停车辅助方法
CN110853366A (zh) * 2019-11-20 2020-02-28 浙江大华技术股份有限公司 一种检测车辆停放位置方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10192314B2 (en) * 2016-12-14 2019-01-29 Canon Kabushiki Kaisha Method, system and apparatus for determining a lowest point of a target object in an image
JP2018165912A (ja) * 2017-03-28 2018-10-25 アイシン精機株式会社 支援装置
US11328597B2 (en) * 2019-12-23 2022-05-10 Valeo Comfort And Driving Assistance Defining and delivering parking zones to vehicles

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108698550A (zh) * 2016-02-26 2018-10-23 三菱电机株式会社 停车辅助装置及停车辅助方法
CN110853366A (zh) * 2019-11-20 2020-02-28 浙江大华技术股份有限公司 一种检测车辆停放位置方法及装置

Also Published As

Publication number Publication date
US20210342606A1 (en) 2021-11-04
WO2021217625A1 (zh) 2021-11-04
CN113874927A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN113874927B (zh) 停车检测方法、系统、处理设备和存储介质
Dhiman et al. Pothole detection using computer vision and learning
Soilán et al. Traffic sign detection in MLS acquired point clouds for geometric and image-based semantic inventory
CN110163930B (zh) 车道线生成方法、装置、设备、系统及可读存储介质
US9858816B2 (en) Determining parking space occupancy using a 3D representation
CN111563469A (zh) 一种不规范停车行为识别方法及装置
Ding et al. Fast lane detection based on bird’s eye view and improved random sample consensus algorithm
Piao et al. Robust hypothesis generation method using binary blob analysis for multi‐lane detection
CN111243003B (zh) 车载双目摄像机及其检测道路限高杆的方法、装置
CN112037521B (zh) 一种车辆类型识别方法以及危化品车辆识别方法
CN107491738A (zh) 停车位检测方法及系统、存储介质及电子设备
CN111027535A (zh) 一种车牌识别方法及相关设备
CN112597846A (zh) 车道线检测方法、装置、计算机设备和存储介质
CN111695373A (zh) 斑马线的定位方法、系统、介质及设备
CN116279592A (zh) 一种用于无人物流车的可行驶区域划分方法
CN116452852A (zh) 一种高精度矢量地图的自动生成方法
CN117037103A (zh) 一种道路检测方法和装置
CN114550142A (zh) 基于4d毫米波雷达和图像识别融合的车位检测方法
Zhang et al. Image-based approach for parking-spot detection with occlusion handling
EP4287137A1 (en) Method, device, equipment, storage media and system for detecting drivable space of road
CN117037082A (zh) 一种停车行为的识别方法及系统
CN114724119B (zh) 车道线提取方法、检测设备及存储介质
CN116883870A (zh) 一种基于深度学习的无人机落石目标检测方法及装置
CN107578037B (zh) 一种基于似物性估计的道线检测方法
CN111709377B (zh) 特征提取方法、目标重识别方法、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
GR01 Patent grant
GR01 Patent grant