CN114445788A

CN114445788A - 车辆停放检测方法、装置、终端设备和可读存储介质

Info

Publication number: CN114445788A
Application number: CN202210072854.5A
Authority: CN
Inventors: 盛鹏; 周有喜
Original assignee: Shenzhen Aishen Yingtong Information Technology Co Ltd
Current assignee: Shenzhen Aishen Yingtong Information Technology Co Ltd
Priority date: 2022-01-21
Filing date: 2022-01-21
Publication date: 2022-05-06

Abstract

本申请实施例公开了一种车辆停放检测方法、装置、终端设备以及可读存储介质，包括：获取包含车辆的待检测图像；在所述待检测图像中，确定所述车辆对应的第一检测框；对所述待检测图像的图像块进行分割，并基于所述图像块构建车道线对应的第二检测框；根据所述第一检测框和第二检测框，对车辆的停放位置进行合规性检测，该方案可以提高合规性检测的准确性。

Description

车辆停放检测方法、装置、终端设备和可读存储介质

技术领域

本申请涉及信息处理技术领域，具体涉及一种车辆停放检测方法、装置、终端设备以及存储介质。

背景技术

随着科学技术的发展，越来越多的运载交通工具出现在人们的日常生活中。由于运载交通工具通常需要被停放至特定的区域，因此当用户使用运载交通工具后，通常需要对该运载交通工具的停放位置进行合规性检测，以确定用户是否违规停放了该运载交通工具。基于此，如何对运载交通工具的停放位置进行合规性检测成为了研究热点。

发明内容

鉴于此，本申请提供一种车辆停放检测方法、装置、终端设备以及存储介质，可以提高合规性检测的准确性。

本申请提供一种车辆停放检测方法，包括：

获取包含车辆的待检测图像；

在所述待检测图像中，确定所述车辆对应的第一检测框；

对所述待检测图像的图像块进行分割，并基于所述图像块构建车道线对应的第二检测框；

根据所述第一检测框和第二检测框，对车辆的停放位置进行合规性检测。

可选地，在一些实施例中，所述在所述待检测图像中，确定所述车辆对应的第一检测框，包括：

提取所述待检测图像的图像特征；

采用预设对象检测模型对所述图像特征进行处理，确定所述车辆对应的第一检测框。

可选地，在一些实施例中，所述采用预设目标检测模型对所述图像特征进行处理，确定所述车辆对应的第一检测框，包括：

采用预设对象检测模型对所述图像特征进行识别，得到所述待检测图像中车辆的目标像素点；

根据所述目标像素点，确定所述车辆对应的第一检测框。

可选地，在一些实施例中，所述根据所述目标像素点，确定所述车辆对应的第一检测框，包括：

根据所述目标像素点，在所述待检测图像中确定所述车辆对应的目标图像；

在所述待检测图像中构建包围所述目标图像的第一检测框。

可选地，在一些实施例中，所述对所述待检测图像的图像块进行分割，并基于所述图像块构建车道线对应的第二检测框，包括：

按照预设方向对所述待检测图像进行分割，得到所述待检测图像对应的多个图像块；

对所述图像块进行分类，并基于图像块分类结果构建车道线对应的第二检测框。

可选地，在一些实施例中，所述对所述图像块进行分类，并基于图像块分类结果构建车道线对应的第二检测框，包括：

识别所述图像块中属于车道的像素；

根据识别的像素以及各图像块之间的位置关系，构建车道线对应的第二检测框。

可选地，在一些实施例中，所述识别所述图像块中属于车道的像素，包括：

获取预设分类系数和形状系数；

提取位于同一行所有图像块对应的行特征；

基于所述行特征、分类系数和形状系数，识别所述图像块中属于车道的像素。

相应的，本申请还提供一种车辆停放检测装置，包括：

获取模块，用于获取包含车辆的待检测图像；

确定模块，用于在所述待检测图像中，确定所述车辆对应的第一检测框；

构建模块，用于对所述待检测图像的图像块进行分割，并基于所述图像块构建车道线对应的第二检测框；

输出模块，用于根据所述第一检测框和第二检测框，对车辆的停放位置进行合规性检测。

此外，本申请还提供一种终端设备，终端设备包括处理器和存储器，存储器用于存储计算机程序，处理器运行计算机程序以使终端设备执行上述方法。

此外，本申请还提供一种可读存储介质，可读存储介质存储有计算机程序，计算机程序在被处理器执行时上述方法。

本申请在获取包含车辆的待检测图像后，在所述待检测图像中，确定所述车辆对应的第一检测框，然后，对所述待检测图像的图像块进行分割，并基于所述图像块构建车道线对应的第二检测框，最后，根据所述第一检测框和第二检测框，对车辆的停放位置进行合规性检测，在进行车辆停放检测时，利用车辆对应的第一检测框以及车道线对应的第二检测框，对车辆的停放位置进行合规性检测，可以避免车道线被遮挡或不清晰等问题，导致对停放位置的合规性检测有误，因此，可以提高合规性检测的准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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是本申请实施例提供的车辆停放检测方法的场景示意图；

图2是本申请实施例提供的车辆停放检测方法的流程示意图；

图3是本申请实施例提供的车辆停放检测方法的另一场景示意图；

图4是本申请实施例提供的车辆停放检测方法的又一场景示意图；

图5是本申请实施例提供的车辆停放检测装置的结构示意图

具体实施方式

下面结合附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。在不冲突的情况下，下述各个实施例及其技术特征可以相互组合。

本申请提供一种车辆停放检测方法、装置、终端设备和可读存储介质。

其中，该车辆停放检测装置具体可以集成在服务器或者终端中，服务器可以包括一个独立运行的服务器或者分布式服务器，也可以包括由多个服务器组成的服务器集群，终端可以包括手机、平板电脑或个人计算机(PC，Personal Computer)。

例如，请参阅图1，本申请提供一种车辆停放检测系统，该车辆停放检测系统包括车辆停放检测装置10和告警装置20，当车辆30停放至相应位置后，车辆停放检测装置10则获取包含车辆的待检测图像，然后，车辆停放检测装置10在该待检测图像中，确定车辆30对应的第一检测框；然后，对待检测图像的图像块进行分割，并基于分割的图像块构建车道线对应的第二检测框，最后，车辆停放检测装置10根据第一检测框和第二检测框，对车辆的停放位置进行合规性检测，并输出相应的检测结果至告警装置20，告警装置20对检测结果进行分析，当分析结果指示，车辆停放的区域不符合预设条件时，则可以上报相应的信息至服务器。

本申请提供的车辆停放检测方案，在进行车辆停放检测时，利用车辆对应的第一检测框以及车道线对应的第二检测框，对车辆的停放位置进行合规性检测，可以避免车道线被遮挡或不清晰等问题，导致对停放位置的合规性检测有误，因此，可以提高合规性检测的准确性。

以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优先顺序的限定。

一种车辆停放检测方法，包括：获取包含车辆的待检测图像；在待检测图像中，确定车辆对应的第一检测框；对待检测图像的图像块进行分割，并基于图像块构建车道线对应的第二检测框；根据第一检测框和第二检测框，对车辆的停放位置进行合规性检测。

请参阅图2，图2为本申请实施例提供的车辆停放检测方法的流程示意图。该车辆停放检测方法的具体流程可以如下：

101、获取包含车辆的待检测图像。

其中，车辆指的是用于运载人、货物等对象的交通工具；从使用角度来说，运载交通工具可以是私人交通工具或者共享交通工具。其中，私人交通工具是指由用户或企业自行购买，且用于自用的交通工具。例如，该私人交通工具可以是用户购买的私家车、企业购买的货运车，等等。共享交通工具是指可在多个用户之间被共享，由多个用户在不同时间段内分别使用的交通工具。例如，该共享交通工具可以是共享小型载人工具，所谓的小型载人工具是指工具重量小于重量阈值，使得人们可人为挪动的载人工具，如共享自行车(或称为共享单车)、共享摩托车等。又如，该共享交通工具可以是共享大型载人工具，所谓的大型载人工具是指工具重量大于重量阈值，使得人们无法人为挪动的载人工具，如共享汽车(或称为共享出租车)，等等。

其中，可以实时拍摄包含车辆的待检测图像，也可以是从数据库中下载的包含车辆的待检测图像，具体根据实际情况进行选择，在此不再赘述。

102、在待检测图像中，确定车辆对应的第一检测框。

车辆检测是后续规范性检测的关键一步，在本步骤中，首先需要在待检测图像中识别出车辆对应的图像，随后，基于识别的图像，在待检测图像中确定第一检测框。

以车辆违规停放的场景为例，在该场景下，为了便于拍摄到车辆和车道线的图像，摄像头通常会安装在一个较高的位置，俯视整个停车区域的位置，摄像头一般会选择具有大广角的型号，才能对更多视野进行监控，此时近处的目标会比较大，远处的目标小，因此，为了保证对远处的目标和近处的目标都具有良好的召回率，本申请采用You Only LookOnce(Yolo)算法进行车辆检测，Yolo是一种基于深度学习的端对端的物体检测方法，Yolo的主要思想是先将图像划分为预定数量的栅格，每个栅格预测相应数量的边界框，其中，每个边界框包括中心点坐标(x，y)、边界的宽w和边界的高h，而大多数边界框的置信度是非常低的(没有检测到物体)，因此，需要过滤掉一些无意义的边界框，最终得到一个包含对象的检测框，可以理解的是，由于待检测图像携带有大量的信息，可能会影响到后续车辆的检测，比如，苹果放在一辆红色的汽车上，由于两者颜色接近，在车辆检测时，可能会将苹果和汽车的结合认为是同一种物体，故，需要对待检测图像进行特征提取，比如，对待检测图像进行灰度化，对灰度化后图像进行特征提取，即，步骤“在待检测图像中，确定车辆对应的第一检测框”，具体可以包括：

(11)提取待检测图像的图像特征；

(12)采用预设对象检测模型对图像特征进行处理，确定车辆对应的第一检测框。

特征是某一类对象区别于其他类对象的相应(本质)特点或特性，或是这些特点和特性的集合。特征是通过测量或处理能够抽取的数据。对于图像而言，每一幅图像都具有能够区别于其他类图像的自身特征，有些是可以直观地感受到的自然特征，如亮度、边缘、纹理和色彩等；有些则是需要通过变换或处理才能得到的，如矩、直方图以及主成份等。

可选地，对待检测图像提取特征的方法有很多，比如，可以选用尺度不变特征变换(Scale-invariant feature transform，SIFT)算法对待检测图像进行特征提取，SIFT优势在于：尺度变换、平移变换和旋转变换的不变性，具体的步骤为：使用高斯差分算子(Difference of Gaussian，DoG)在不同的尺度空间上找到特征点，然后，对得到的特征点进行稳定度检测，得到特征点的尺度和位置，接着，计算图像的梯度图，确定特征点的方向，最后，使用图像的局部梯度作为特征的描述子，最终构成SIFT特征。在得到待检测图像的图像特征，将该图像特征输入至对象检测模型中，以输出车辆对应的第一检测框。

可选地，还可以选用加速稳健特征(Speeded Up Robust Features，SURF)算法，SURF算法是SIFT算法的改进，SURF改进了特征的提取和描述方式，具体如下：1.构建黑塞矩阵，生成所有的兴趣点，用于特征的提取；2.构建尺度空间；3.特征点定位；4.特征点主方向分配；5.生成特征点描述子；6.特征点匹配。

可选地，还可以采用Yolov5模型中的特征提取层提取待检测图像的图像特征，然后，再由Yolov5模型中的预测层确定车辆对应的第一检测框，具体可以利用Yolov5模型中的预测层识别待检测图像中预设区域的预测结果，最后，根据预测结果，车辆对应的第一检测框，即，步骤“采用预设对象检测模型对图像特征进行处理，确定车辆对应的第一检测框”，具体可以包括：

(21)采用预设对象检测模型对图像特征进行识别，得到待检测图像中预设区域的预测结果；

(22)根据目标像素，确定车辆对应的第一检测框。

例如，采用Yolo模型识别待检测图像中属于车辆的目标像素点，并根据该目标像素点，确定车辆对应的第一检测框，具体的，可以根据该目标像素点，在待检测图像中确定车辆对应的目标图像，随后，在待检测图像中构建包围目标图像的第一检测框，即，步骤“根据目标像素，确定车辆对应的第一检测框”，具体可以包括：

(31)根据目标像素点，在待检测图像中确定车辆对应的目标图像；

(32)在待检测图像中构建包围目标图像的第一检测框。

例如，具体的，可以根据目标像素点，确定车辆对应的整体轮廓，然后，根据该整体轮廓，在待检测图像中确定车辆对应的目标图像，随后，在待检测图像中构建包围目标图像的第一检测框，其中，Yolo模型可以一次性预测多个车辆的位置和类别，能够高效快速地车辆检测识别。

可以理解的是，Yolo模型可以是预先训练好的，以Yolov5模型为例，比如，收集数量大于等于2500张关于不同种类车辆的图片和街景，且不同种类的车辆的图片数量差距小于100张，再查询不同种类车辆的质量，并计算出每个种类的平均值和中位数，并计算他们的差值。训练集和验证集将按照比例从得到的图片中随机划分。

在训练时，对训练集中的车辆进行标注，该标注可以是人工标注，也可以是机器标注，随后，将标注好的图片送入模型的输入端，因为图片的大小可能是不同的，而yolov5是需要统一规格的图片才能生成特征层，所以，需要将图片自适应缩放，即先将图片按照yolov5所需要的输入尺寸缩小，如果数据不足时，则需要数据增强方法，使用Mosaic方法为将四张图片以随机缩放、随机裁剪、随机排布的方式进行拼接，成为一张图片。这种方法下，yolov5接收一张图片时，意味着同时接受了原来4张图片的目标，丰富了数据集。

将经过预处理的图像输入主干网络，生成focus结构、图像切片和三个大小不同的特征层。再将三个特征层分别输入neck部分，经过处理后，产生新的三个特征层并输入给输出端。

输出端根据新生成的三个特征层，给出边界框和置信度，在模型的初始预测中，一个种类会有多个边界框，置信度表示边界框里确实有物体的程度和边界框是否将整个物体的所有特征都包括进来的程度。之后，采用非极大值抑制方法，筛选掉重复的边界框，非极大值抑制的步骤是，先根据置信度得分进行排序，选择置信度最高的边界框添加到最终输出列表中，将其从边界框列表中删除，计算所有边界框的面积，计算置信度最高的边界框与其它候选框的交并比loU(是指两个框的交集面积与两个框的并集面积之比，表示了两个框的相交程度)。删除IoU大于一定值的边界框，重复上述过程直到边界框列表为空剩下的边界框便是预测框，再将其与之前手动标注的框进行对比，采用损失函数做反向传播，从而调整Yolov5模型的参数，其中，Yolov5模型的损失函数包括位置损失和类损失，具体如下：

采用CIOUYolov5模型评价预测框和真实框的位置损失

其中，IOU是预测框和真实框的交并比，d_2是预测框和真实框的中心点的欧氏距离，d_c是两个框的最小外接矩形的对角线的欧式距离。

采用BCEWithLogitsLoss来评价目标框和预测框的类损失

其中，n是训练集中车辆的类别数量，yi’是实际类别所代表的值，x是模型预测类别所代表的值。

可选地，在本申请中，采用FocalLoss解决正负样本不平衡的策略，提高对难样本的检测，其中FocalLoss＝-(1-p_t)^ylog(p_t)。

103、对待检测图像的图像块进行分割，并基于图像块构建车道线对应的第二检测框。

在地库的场景中，由于摄像头的拍摄角度，车道线的轮廓可能会被遮挡一部分，且地库中低光照的环境，造成车道线的轮廓比较模糊，对车道线的检测带来一定的挑战。若采用传统边缘检测的方法，低对比度的车道线轮廓，很难准确的检测出起轨迹，且容易受扰其他噪声的干扰。若采用图像分割的深度学习方法，会增加密集的卷积计算，在嵌入式端可能达不到实时的效果。本申请将车道线定义为寻找车道线在图像中某些行的位置的集合，即基于行方向上的位置选择和分类。

假设要检测的车道线的图像大小为HxW，对于该车道线的分割问题，需要处理HxW个分类问题，若是在行方向上做选择，需要处理h个行上的分类问题，每个行上的分类问题都是w维的。因此把HxW个分类问题简化为了h个分类问题，h的大小可以根据实际情况设置，一般h都是远小于图像高度H的。因此计算复杂度被缩减到了一个较小的范围，解决了基于图像分割方法，速度慢的问题，极大的提升了车道线检测算法的速度。

此外，局部感受野小导致的复杂车道线检测困难问题，由于本案基于全连接层来作分类，使用的是局部图像块的整体特征，这样就直接解决了感受野的问题，对于该方法而言，在检测某一行的车道线的位置时，感受野就是全图大小，即，在检测某一行车道线位置时，感受野就是全图大小。因此也不需要复杂的信息传递机制就可以实现很好的效果，也即，步骤“对待检测图像的图像块进行分割，并基于图像块构建车道线对应的第二检测框”，具体可以包括：

(41)按照预设方向对待检测图像进行分割，得到待检测图像对应的多个图像块；

(42)对图像块进行分类，并基于图像块分类结果构建车道线对应的第二检测框。

例如，具体的，预设方向为水平方向，按照水平方向对待检测图像块进行分割，得到多个尺寸相同的图像块，然后，识别每个图像块中属于车道的图像，根据识别结果进行分类，并基于图像块分类结果构建车道线对应的第二检测框，可选地，可以根据图像块中属于车道的像素以及各图像块之间的位置关系，构建车道线对应的第二检测框，即，步骤“对图像块进行分类，并基于图像块分类结果构建车道线对应的第二检测框”，具体可以包括：

(51)识别图像块中属于车道的像素；

(52)根据识别的像素以及各图像块之间的位置关系，构建车道线对应的第二检测框。

可选地，可以采用SIFT算法识别图像块中属于车道的像素，具体请参阅前面实施例，在此不再赘述，随后，基于识别到的像素以及各图像块之间的位置关系，对车道线对应的图像块进行拼接，随后，根据拼接结果在待检测图像中构建车道线对应的第二检测框。

可选地，为了进一步提高对车道线识别的准确率，还可以加入预设的系数作为对车道线的先验约束，即，步骤“识别图像块中属于车道的像素”，具体可以包括：

(61)获取预设分类系数和形状系数；

(62)提取位于同一行所有图像块对应的行特征；

(63)基于行特征、分类系数和形状系数，识别图像块中属于车道的像素。

可选地，将相邻行上分类的L1范数定义为平滑性，希望车道线位置在相邻行上是相近且平滑变化的，设可预测车道线的最大数量为C，行锚点(row anchor)的数量为h，第i条车道线上第j个row anchor的分类向量为P_i,j，P_i,j是w+1维的向量，多出来的一维标识车道线的存在性，L1范数具体如下：

车道线大多是直线，就算在拐弯处，车道线的绝大部分也应当是直线due to透视变换，因此此处作者使用二阶差分方程来约束车道线的形状。

对于第i个车道线的第j个row anchor，车道线点的位置为

但由于argmax运算不可导，因此使用预测向量的期望作为车道线点位置的近似

首先用softmax对预测向量归一化，得到概率特性

Prob_i,j＝softmax(P_i,j,1:w)

随后通过期望做近似

通过上述方案，完成对车道的像素识别。

104、根据第一检测框和第二检测框，对车辆的停放位置进行合规性检测。

其中，车辆的停放规范性可以根据实际需求进行设置，比如，请参阅图3，在停车场景下，第一检测框S1与第二检测框S2之间的交并比为1，即，第二检测框S2包含第一检测框S1，则可以确定车辆的停放符合规范。可选地，在一些实施例中，第一检测框S1与第二检测框S2之间的交并比大于或等于0.8时，则可以确定车辆的停放符合规范。

此外，对于包含小汽车、残障车以及非机动车等复杂的停车场景下，可能会出现停车格内停放其他类型的交通工具的情况，比如，请参阅图4，在停车场景下，第一检测框S1与第二检测框S2之间的交并比为1，即，第二检测框S2包含第一检测框S1，但是，此时第二检测框S2的面积远大于第一检测框S1的面积，如第二检测框S2的面积为第一检测框S1的面积的3倍，此时，可以确定车辆的停放不符合规范，比如，第二检测框S2对应的停放所属道路的道路类型为机动车道，车辆为自行车。

本申请提供的车辆停放检测方法，在获取包含车辆的待检测图像后，在待检测图像中，确定车辆对应的第一检测框，接着，按照预设方向对待检测图像进行分割，得到待检测图像对应的多个图像块，再然后，对图像块进行分类，并基于图像块分类结果构建车道线对应的第二检测框，最后，根据第一检测框和第二检测框，对车辆的停放位置进行合规性检测，在进行车辆停放检测时，利用车辆对应的第一检测框以及车道线对应的第二检测框，对车辆的停放位置进行合规性检测，可以避免车道线被遮挡或不清晰等问题，导致对停放位置的合规性检测有误，因此，可以提高合规性检测的准确性。

请参阅图5，图5为本申请实施例提供的车辆停放检测装置的结构示意图，其中，该车辆停放检测装置具体可以包括：获取模块301、确定模块302、构建模块303和输出模块304，具体可以如下：

获取模块301，用于获取包含车辆的待检测图像；

其中，车辆指的是用于运载人、货物等对象的交通工具；从使用角度来说，运载交通工具可以是私人交通工具或者共享交通工具。获取模块301可以实时拍摄包含车辆的待检测图像，也可以是从数据库中下载的包含车辆的待检测图像。

确定模块302，用于在待检测图像中，确定车辆对应的第一检测框。

确定模块302首先需要在待检测图像中识别出车辆对应的图像，随后，基于识别的图像，在待检测图像中确定第一检测框。

可选地，在一些实施例中，确定模块302具体可以用于：提取待检测图像的图像特征，采用预设对象检测模型对图像特征进行处理，确定车辆对应的第一检测框。

可选地，在一些实施例中，确定模块302具体可以用于：采用预设对象检测模型对图像特征进行识别，得到待检测图像中预设区域的预测结果，根据目标像素，确定车辆对应的第一检测框。

可选地，在一些实施例中，确定模块302具体可以用于：根据目标像素点，在待检测图像中确定车辆对应的目标图像，在待检测图像中构建包围目标图像的第一检测框。

构建模块303，用于对所述待检测图像的图像块进行分割，并基于图像块构建车道线对应的第二检测框；

构建模块303可以将待检测图像分割成HxW个图像块，并基于分割的图像块构建车道线对应的第二检测框。

可选地，在一些实施例中，构建模块303具体可以用于：按照预设方向对待检测图像进行分割，得到待检测图像对应的多个图像块，对图像块进行分类，并基于图像块分类结果构建车道线对应的第二检测框。

可选地，在一些实施例中，构建模块303具体可以用于：识别图像块中属于车道的像素，根据识别的像素以及各图像块之间的位置关系，构建车道线对应的第二检测框。

输出模块304，用于根据第一检测框和第二检测框，对车辆的停放位置进行合规性检测。

可选地，在一些实施例中，第一检测框S1与第二检测框S2之间的交并比大于或等于0.8时，输出模块304则可以确定车辆的停放符合规范。

本申请提供的车辆停放检测装置，在获取模块301获取包含车辆的待检测图像后，确定模块302在待检测图像中，确定车辆对应的第一检测框，接着，构建模块303按照预设方向对待检测图像进行分割，得到待检测图像对应的多个图像块，再然后，构建模块303对图像块进行分类，并基于图像块分类结果构建车道线对应的第二检测框，最后，输出模块304根据第一检测框和第二检测框，对车辆的停放位置进行合规性检测，在进行车辆停放检测时，利用车辆对应的第一检测框以及车道线对应的第二检测框，对车辆的停放位置进行合规性检测，可以避免车道线被遮挡或不清晰等问题，导致对停放位置的合规性检测有误，因此，可以提高合规性检测的准确性。

上述装置中各个单元的划分仅用于举例说明，在其他实施例中，可将上述装置按照需要划分为不同的单元，以完成上述装置的全部或部分功能。关于的上述装置具体限定可以参见上文中对于方法的限定，在此不再赘述。

即，以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，例如各实施例之间技术特征的相互结合，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

另外，对于特性相同或相似的结构元件，本申请可采用相同或者不相同的标号进行标识。此外，术语“第一”、“第二”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”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本申请中，“例如”一词是用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何一个实施例不一定被解释为比其它实施例更加优选或更加具优势。为了使本领域任何技术人员能够实现和使用本申请，本申请给出了以上描述。在以上描述中，为了解释的目的而列出了各个细节。

应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实施例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。

Claims

1.一种车辆停放检测方法，其特征在于，包括：

获取包含车辆的待检测图像；

在所述待检测图像中，确定所述车辆对应的第一检测框；

2.根据权利要求1所述的方法，其特征在于，所述在所述待检测图像中，确定所述车辆对应的第一检测框，包括：

提取所述待检测图像的图像特征；

3.根据权利要求2所述的方法，其特征在于，所述采用预设目标检测模型对所述图像特征进行处理，确定所述车辆对应的第一检测框，包括：

根据所述目标像素点，确定所述车辆对应的第一检测框。

4.根据权利要求3所述的方法，其特征在于，所述根据所述目标像素点，确定所述车辆对应的第一检测框，包括：

在所述待检测图像中构建包围所述目标图像的第一检测框。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述对所述待检测图像的图像块进行分割，并基于所述图像块构建车道线对应的第二检测框，包括：

6.根据权利要求5所述的方法，其特征在于，所述对所述图像块进行分类，并基于图像块分类结果构建车道线对应的第二检测框，包括：

识别所述图像块中属于车道的像素；

7.根据权利要求6所述的方法，其特征在于，所述识别所述图像块中属于车道的像素，包括：

获取预设分类系数和形状系数；

提取位于同一行所有图像块对应的行特征；

8.一种车辆停放检测装置，其特征在于，包括：

获取模块，用于获取包含车辆的待检测图像；

9.一种终端设备，其特征在于，所述终端设备包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述终端设备执行权利要求1至7中任一项所述的车辆停放检测方法。

10.一种可读存储介质，其特征在于，所述可读存储介质存储有计算机程序，所述计算机程序在被处理器执行时实施权利要求1至7中任一项所述的车辆停放检测方法。