CN114782928A - 一种车位检测方法、装置、电子设备及存储介质 - Google Patents
一种车位检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114782928A CN114782928A CN202210708385.1A CN202210708385A CN114782928A CN 114782928 A CN114782928 A CN 114782928A CN 202210708385 A CN202210708385 A CN 202210708385A CN 114782928 A CN114782928 A CN 114782928A
- Authority
- CN
- China
- Prior art keywords
- parking space
- parking
- determining
- sub
- point
- 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
Images
Abstract
本发明公开了一种车位检测方法、装置、电子设备及存储介质,包括:获取车位区域的待检测图像;对待检测图像进行车位实例分割,确定车位区域内的车位角点以及各个车位对应的车位子区域;对车位子区域进行形状拟合,确定各个车位的形状;基于各个车位角点与车位子区域之间的距离,确定各个车位对应的车位角点。本方法可以提升车位检测的准确性,且在一定程度上可提高自动泊车的成功率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种车位检测方法、装置、电子设备及存储介质。
背景技术
无人驾驶技术作为当今世界最具潜力之一的技术,代表了汽车产业发展的战略方向,已成为国际国内新一轮科技革命和产业变革竞争的战略制高点。自动泊车功能已成为无人驾驶的一大研究方向,自动泊车需要对车位进行检测。
现有的车位检测方法中,有一些方法使用带角度的矩形框,这种方法使用大多数车位,但对于斜车位,或者不规则车位识别失效。还有一些方法能适用更多车位类型,定义了车位的入口、侧边等信息,使用入口角点检测方法加上侧边检测,或者直接端对端输出多边形等,大多数情况能够正确识别,但实际使用中,往往一些车位并未严格定义车位入口,不能严格定义为侧边车位或者垂直车位,或者入口被阻挡,但非入口处的侧边、底边等依然具有泊入条件。遇到这些一些具有歧义的车位,车位入口并不是唯一,现有车位识别算法这时会产生错误,导致无法正常自动泊车。
发明内容
有鉴于此,本发明实施例提供了一种车位检测方法、装置、电子设备及存储介质,以提升车位检测的准确性。
根据第一方面,本发明实施例提供了一种车位检测方法,包括:
获取车位区域的待检测图像;
对所述待检测图像进行车位实例分割,确定所述车位区域内的车位角点以及各个车位对应的车位子区域;
对所述车位子区域进行形状拟合,确定所述各个车位的形状;
基于各个车位角点与所述车位子区域之间的距离,确定所述各个车位对应的车位角点。
本发明实施例提供的车位检测方法,对车位区域的待检测图像进行实例分割,从而确定车位区域内的车位角点以及车位子区域。通过形状拟合确定车位形状,并基于车位角点与车位子区域之间的距离来确定车位对应的车位角点,以完成车位检测,无需限制车位的入口方向来检测车位,提升车位检测的准确性,在一定程度上可提高自动泊车的成功率。
结合第一方面,在一种实施方式中,基于各个车位角点与所述车位子区域之间的距离,确定所述各个车位对应的车位角点,包括:
获取各个所述车位角点在所述车位区域中的位置信息;
基于所述位置信息计算各个车位角点与所述车位子区域之间的距离;
比较所述车位角点与各个所述车位子区域之间的距离大小,确定各个车位对应的车位角点。
本发明实施例提供的车位检测方法,在形状拟合的车位的基础上,通过计算距离来对车位角点与车位子区域进行匹配,从而确定车位的车位角点。且车位角点无需定义具体语义,可处理入口不明确的各种车位。
结合第一方面,在一种实施方式中,所述对所述待检测图像进行车位实例分割,确定所述车位区域内的车位角点以及各个车位对应的车位子区域,包括:
将所述待检测图像输入预设车位检测模型,得到所述预设车位检测模型的输出结果;所述预设车位检测模型包括语义分割分支、车位中心分支和位置偏差分支,所述语义分割分支的输出结果包括所述车位区域中每个像素点的坐标,所述位置偏差分支的输出结果包括所述车位区域中每个像素点相对于中心点的偏差坐标;
根据所述车位中心分支的输出结果提取所述车位区域中所有车位的中心坐标;
根据所述车位的中心坐标以及位置偏差分支的输出结果,确定每个像素点对应的车位中心坐标;
根据所述车位的中心坐标、所述语义分割分支的输出结果以及所述车位中心坐标对所述待检测图像进行车位实例分割,确定所述车位区域内的车位角点以及各个车位对应的车位子区域。
结合第一方面,在一种实施方式中,根据所述车位的中心坐标以及位置偏差分支的输出结果,确定每个像素点对应的车位中心坐标,包括;
计算所述车位的中心坐标和所述车位区域中每个像素点相对于中心点的偏差坐标的差值;
将所述差值确定为每个像素点对应的车位中心坐标。
结合第一方面,在一种实施方式中,确定各个车位对应的车位子区域,包括:
计算所述车位的中心坐标和所述车位中心坐标的差值;
当所述差值小于预设阈值时,确定所述像素点与对应的车位子区域的对应关系,以确定所述各个车位对应的车位子区域。
结合第一方面,在一种实施方式中,确定所述车位区域内的车位角点,包括:
基于所述语义分割分支的输出结果,生成车位角点热力图;
根据所述车位角点热力图确定所述车位区域内的车位角点。
结合第一方面,在一种实施方式中,所述对所述车位子区域进行形状拟合,确定所述各个车位的形状,包括:
对所述车位子区域进行形状拟合,得到与所述车位子区域对应的拟合形状;
将所述拟合形状作为所述车位子区域对应的所述车位的形状。
根据第二方面,本发明实施例提供了一种车位检测装置,包括:
图像获取模块,用于获取车位区域的待检测图像;
实例分割模块,用于对所述待检测图像进行车位实例分割,确定所述车位区域内的车位角点以及各个车位对应的车位子区域;
形状拟合模块,用于对所述车位子区域进行形状拟合,确定所述各个车位的形状;
角点确定模块,用于基于各个车位角点与所述车位子区域之间的距离,确定所述各个车位对应的车位角点。
根据第三方面,本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或者第一方面的任意一种实施方式中所述的车位检测方法。
根据第四方面,本发明实施例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计算机指令,所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的车位检测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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是根据本发明实施例的车位检测方法的流程图;
图2是根据本发明实施例的确定车位对应的车位角点的方法的流程图;
图3是根据本发明实施例的车位实例分割方法的流程图;
图4是根据本发明实施例车位实例分割图像的示意图;
图5是根据本发明实施例的车位检测装置的结构框图;
图6是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明实施例,提供了一种车位检测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种车位检测方法,可用于如手机、平板电脑、电脑等终端,图1是根据本发明实施例的车位检测方法的流程图,如图1所示,该流程包括如下步骤:
S11,获取车位区域的待检测图像。
车位区域包含多个车位,待检测图像可以通过安装在车辆上的相机进行采集。具
体地,可以在车辆上安装不同方向的相机,例如4台不同方向的鱼眼相机,将4个方向的鱼眼
相机拍摄的鱼眼视图拼接起来得到需求范围内的鸟瞰图像,比如1212,1515或者20
20平方米等,得到的鸟瞰图像的中心可以是车辆,且包含车位,将得到的鸟瞰图像作为待检
测图像。
S12,对待检测图像进行车位实例分割,确定车位区域内的车位角点以及各个车位对应的车位子区域。
将得到的待检测图像输入预先训练的用于车辆检测的神经网络模型,即预设车位检测模型,预设车位检测模型可以为多任务分支的神经网络模型。预设车位检测模型对输入的待检测图像进行处理并输出处理后的图像,根据处理后的图像获取车位区域的所有像素点的坐标、车位中心点坐标等结果。对得到的结果进行计算从而确定车位区域内的车位角点以及各个车位对应的车位子区域,从而完成车位实例分割。具体地,可基于车位区域的所有像素点的坐标计算车位角点热力图来确定车位区域的车位角点。
S13,对车位子区域进行形状拟合,确定各个车位的形状。
基于S12得到车位实例分割图像,对车位实例分割图像进行形状拟合,例如四边形拟合,从车位区域中确定各个车位的形状。
在一种实施方式中,确定各个车位的形状具体包括:
(1)对车位子区域进行形状拟合,得到与车位子区域对应的拟合形状。
(2)将拟合形状作为车位子区域对应的车位的形状。
其中,可以根据车位的形状作形状拟合,例如四边形拟合。
S14,基于各个车位角点与车位子区域之间的距离,确定各个车位对应的车位角点。
基于S12得到的车位区域内的车位角点以及各个车位对应的子区域,可以通过计算车位角点和车位子区域之间的距离对车位角点和车位子区域进行匹配,从而确定各个车位对应的车位角点,即可确定车位。具体地,可以选取与车位子区域距离最近的4个车位角点作为该车位子区域的车位角点。
本发明实施例提供的车位检测方法,对车位区域的待检测图像进行实例分割,从而确定车位区域内的车位角点以及车位子区域。通过形状拟合确定车位形状,并基于车位角点与车位子区域之间的距离来确定车位对应的车位角点,以完成车位检测,无需限制车位的入口方向来检测车位,提升车位检测的准确性,在一定程度上可提高自动泊车的成功率。
在本实施例中提供了一种确定车位对应的车位角点的方法,可用于如手机、平板电脑、电脑等终端,图2是根据本发明实施例的流程图,即,对应于上述图1所示实施例的S14。如图2所示,该流程包括如下步骤:
S21,获取各个车位角点在车位区域中的位置信息。
位置信息可以为各个车位角点在图像中的坐标信息。
S22,基于位置信息计算各个车位角点与车位子区域之间的距离。
S23,比较车位角点与各个车位子区域之间的距离大小,确定各个车位对应的车位角点。
计算已确定的各个车位子区域以及车位角点的坐标之间的距离,通过比较车位角点与各个车位子区域之间的距离大小来确定各个车位对应的车位角点。具体地,车位角点与各个车位子区域之间的距离可以通过计算车位角点和各个车位子区域的中心点之间的距离来确定,循环每一个车位,选取距离某个车位的中心点最近的4个车位角点作为该车位的车位角点。如果有角点缺失,可以使用经过形状拟合的车位的拟合角点进行替代。组合确定的4个车位角点,且这4个角点无需定义具体语义。
本发明实施例提供的车位检测方法,在形状拟合的车位的基础上,通过计算距离来对车位角点与车位子区域进行匹配,从而确定车位的车位角点。且车位角点无需定义具体语义,可处理入口不明确的各种车位。
在本实施例中提供了一种车位实例分割方法,可用于如手机、平板电脑、电脑等终端,图3是根据本发明实施例的流程图,即,对应于上述图1所示实施例的S12。如图3所示,该流程包括如下步骤:
S31,将待检测图像输入预设车位检测模型,得到预设车位检测模型的输出结果。
预设车位检测模型是通过对神经网络模型进行训练得到的,在执行车位检测方法
之前,需要收集训练样本对车位检测的神经网络模型进行训练,其中,训练样本可以为由安
装在车辆上的相机拍摄的鱼眼图像。具体地,可以安装4台不同方向的相机,拍摄4路鱼眼视
图拼接起来,根据实际需求获取指定范围内的车位区域的鸟瞰图像,例如12 12,15
15或者2020平方米等。
为了人工标注方便,可以人为定义车位的四个角点,大多数规范车位会有车位入口指示,但是一些非规范车位,例如矩形框车位,并未明显定义车位入口处,这时,可以人为指定某一方向入口,方便标注。可将右上作为第一个角点,逆时针定义第二、三以及四个角点。对所有收集的样本中的车位均实施这种标注方案。另外对于车位是否占用也加上相应的标签,并可以额外标注车位内挡轮杆位置、地锁位置及其状态。其中,车位标注的形式不能直接用于神经网络训练任务对应的标签。
进行模型训练前,需要分别设计神经网络及损失函数,然后使用梯度下降策略对神经网络模型进行训练。神经网络结构设计包含常见的卷积神经网络或者Transformer结构,网络结构输出为三个任务分支,分别为语义分割分支、车位中心分支、位置偏差分支(OFFSET)。形式上,任务分支除了可以单独作为三个不同的分支结构,也可以作为一个整体输出,每个任务分支在不同通道上区分,不同任务分支使用不同的损失函数。
预设车位检测模型包括语义分割分支、车位中心分支和位置偏差分支,其中,语义分割分支包含5个以上通道,分别为可用车位区域通道、不可用车位区域通道、车位角点通道(无需区分位置语义)、挡轮杆通道以及地锁通道,还可以增加车位入口线、侧边线、底线等,语义分割分支的输出结果包括车位区域中每个像素点的坐标(x_i,y_i),其中i表示第i个像素点。语义分割分支可使用常见的语义分割任务的损失函数,比如交叉熵、DICE或者交并比等。
车位中心分支可以包含1个通道,可用于确定车位的中心坐标(x_c,y_c),可以采用交叉熵、DICE或者交并比等损失函数。
位置偏差分支包含2个通道,可以得到车位区域中每个像素点相对于中心点的偏差坐标,分别为x位置偏差dx_i与y位置偏差dy_i。每个车位区域所有像素相对于该车位中心(x_i,y_i)的位置偏差由车位所在区域像素的实际图像坐标直接减去中心位置坐标得到,即dx_i = x_i - x_c,dy_i = y_i -y_c,该分支可以使用L1和L2等回归损失函数。
S32,根据车位中心分支的输出结果提取车位区域中所有车位的中心坐标。
模型训练完成后,需要对各分支的输出结果进行处理,可根据车位中心分支的输出结果生成指定宽度的二维高斯分布,得到车位中心热力图,对车位中心热力图进行中心点提取,从而得到车位区域中所有车位的中心坐标(x_c,y_c)。具体地,可采用极大值抑制方法提取车位的中心坐标,具体提取方法在此不作限定。
S33,根据车位的中心坐标以及位置偏差分支的输出结果,确定每个像素点对应的车位中心坐标。
具体地,该步骤包括:
(1)计算车位的中心坐标和车位区域中每个像素点相对于中心点的偏差坐标的差值。
(2)将差值确定为每个像素点对应的车位中心坐标。
根据车位中心分支的输出结果得到车位的中心坐标(x_c,y_c),计算的差值即x_c_i = x_i - dx_i,y_c_i = y_i - dy_i,(x_c_i ,y_c_i )即每个像素点对应的车位中心坐标。
S34,根据车位的中心坐标、语义分割分支的输出结果以及车位中心坐标对所述待检测图像进行车位实例分割,确定车位区域内的车位角点以及各个车位对应的车位子区域。
具体地,确定各个车位对应的车位子区域,包括如下步骤:
(1)计算车位的中心坐标和车位中心坐标的差值。
(2)当差值小于预设阈值时,确定像素点与对应的车位子区域的对应关系,以确定各个车位对应的车位子区域。
通过车位的中心坐标,寻找与中心设定半径以内的像素点。每个车位上的像素点通过位置偏差分支可以计算出对应的中心坐标,那么就可以根据每个车位区域像素点所对应的中心坐标与车位中心分支得到的车位的中心坐标的距离判断是否属于同一个车位。车位挡轮杆或者地锁也可计算出其对应的车位中心得中心坐标,同样方法判断出属于哪个车位。
计算车位的中心坐标和车位中心坐标的差值即x_c - x_c_i,设定预设阈值R。R为设定半径,该值一般要根据模型预测的实际的情况设定,比如设定为车位宽度的1/4。当|x_c - x_c_i| < R,即可确定该像素点属于对应的车位子区域,从而完成车位实例分割,将车位区分开,车位实例分割图像如图4所示。
确定车位区域内的车位角点,包括如下步骤:
(1)基于语义分割分支的输出结果,生成车位角点热力图。
(2)根据车位角点热力图确定车位区域内的车位角点。
根据语义分割分支得到车位区域中每个像素点的坐标,由于车位区域由4个车位角点包成的多边形填充而成,对具体的4个车位角点作二维高斯拓宽,得到车位角点热力图,车位角点热力图可帮助更加准确地获取车位角点坐标。
在现有的车位检测方法中常采用带角度的矩形框或是需要定义车位入口、侧边等方位信息、通过入口角点检测方法加上侧边检测或端对端输出多边形,这些方法适用于大多数常规形状的车位,但对形状不规则的车位或车位入口不明确的车位容易识别失效,尤其是车位入口不明确的车位,无法严格定义为侧边车位或者垂直车位。
本方案的车位检测方法在模型训练进行车位标注时可依据具体情况人为定义入口并标注角点,采用多任务分支的神经网络模型,包括语义分割分支、车位中心分支以及位置偏差分支,不同分支依据实际需求设置不同的通道,对输出的结果进行处理,得到车位实例分割的结果,再将车位角点和车位子区域进行匹配,从而确定每个车位对应的车位角点,完成车位的检测。本方案能够不限制车位的具体入口和侧边,根据车辆自身与周围环境动态决定车位的入口,无需对预测的车位角点给定明确的方位语义,因而不会因为入口定义歧义造成车位识别失败,从而提升无明确入口车位检测的准确率,在一定程度上提升自动泊车的成功率。另外,在实际使用时,可能还需使用其他障碍物检测信息以及当前车与车位的相对方位动态决定车位的入口,具体依据实际情况进行设定。
在本实施例中还提供了一种车位检测装置,该装置用于实现上述实施例及实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种车位检测装置,如图5所示,包括:
图像获取模块51,用于获取车位区域的待检测图像;
实例分割模块52,用于对所述待检测图像进行车位实例分割,确定所述车位区域内的车位角点以及各个车位对应的车位子区域;
形状拟合模块53,用于对所述车位子区域进行形状拟合,确定所述各个车位的形状;
角点确定模块54,用于基于各个车位角点与所述车位子区域之间的距离,确定所述各个车位对应的车位角点。
在一种实施方式中,角点确定模块54还包括:
位置获取子单元,用于获取各个车位角点在车位区域中的位置信息;
距离计算子单元,用于基于位置信息计算各个车位角点与车位子区域之间的距离;
比较子单元,用于比较车位角点与各个车位子区域之间的距离大小,确定各个车位对应的车位角点。
在一种实施方式中,实例分割模块52还包括:
输入子单元,用于将所述待检测图像输入预设车位检测模型,得到所述预设车位检测模型的输出结果;所述预设车位检测模型包括语义分割分支、车位中心分支和位置偏差分支,所述语义分割分支的输出结果包括所述车位区域中每个像素点的坐标,所述位置偏差分支的输出结果包括所述车位区域中每个像素点相对于中心点的偏差坐标;
中心确定子单元,用于根据所述车位中心分支的输出结果提取所述车位区域中所有车位的中心坐标;
像素中心确定子单元,用于根据所述车位的中心坐标以及位置偏差分支的输出结果,确定每个像素点对应的车位中心坐标;
实例分割子单元,用于根据所述车位的中心坐标、所述语义分割分支的输出结果以及所述车位中心坐标对所述待检测图像进行车位实例分割,确定所述车位区域内的车位角点以及各个车位对应的车位子区域。
在一种实施方式中,像素中心确定子单元用于:
计算所述车位的中心坐标和所述车位区域中每个像素点相对于中心点的偏差坐标的差值;
将所述差值确定为每个像素点对应的车位中心坐标。
在一种实施方式中,实例分割子单元用于:
计算所述车位的中心坐标和所述车位中心坐标的差值;当所述差值小于预设阈值时,确定所述像素点与对应的车位子区域的对应关系,以确定所述各个车位对应的车位子区域。
在一种实施方式中,实例分割子单元还用于:
基于所述语义分割分支的输出结果,生成车位角点热力图;根据所述车位角点热力图确定所述车位区域内的车位角点。
在一种实施方式中,形状拟合模块53还包括:
拟合子单元,用于对所述车位子区域进行形状拟合,得到与所述车位子区域对应的拟合形状;
形状确定子单元,用于将所述拟合形状作为所述车位子区域对应的所述车位的形状。
本实施例中的车位检测装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种电子设备,具有上述图5所示的车位检测装置。
请参阅图6,图6是本发明可选实施例提供的一种电子设备的结构示意图,如图6所示,该电子设备可以包括:至少一个处理器601,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口603,存储器604,至少一个通信总线602。其中,通信总线602用于实现这些组件之间的连接通信。其中,通信接口603可以包括显示屏(Display)、键盘(Keyboard),可选通信接口603还可以包括标准的有线接口、无线接口。存储器604可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储装置。其中处理器601可以结合图5所描述的装置,存储器604中存储应用程序,且处理器601调用存储器604中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线602可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线602可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器604可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器604还可以包括上述种类的存储器的组合。
其中,处理器601可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic, 缩写:GAL)或其任意组合。
可选地,存储器604还用于存储程序指令。处理器601可以调用程序指令,实现如本申请实施例中所示的车位检测方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的车位检测方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种车位检测方法,其特征在于,包括:
获取车位区域的待检测图像;
对所述待检测图像进行车位实例分割,确定所述车位区域内的车位角点以及各个车位对应的车位子区域;
对所述车位子区域进行形状拟合,确定所述各个车位的形状;
基于各个车位角点与所述车位子区域之间的距离,确定所述各个车位对应的车位角点。
2.根据权利要求1所述的方法,其特征在于,所述基于各个车位角点与所述车位子区域之间的距离,确定所述各个车位对应的车位角点,包括:
获取各个所述车位角点在所述车位区域中的位置信息;
基于所述位置信息计算各个车位角点与所述车位子区域之间的距离;
比较所述车位角点与各个所述车位子区域之间的距离大小,确定各个车位对应的车位角点。
3.根据权利要求1所述的方法,其特征在于,所述对所述待检测图像进行车位实例分割,确定所述车位区域内的车位角点以及各个车位对应的车位子区域,包括:
将所述待检测图像输入预设车位检测模型,得到所述预设车位检测模型的输出结果;所述预设车位检测模型包括语义分割分支、车位中心分支和位置偏差分支,所述语义分割分支的输出结果包括所述车位区域中每个像素点的坐标,所述位置偏差分支的输出结果包括所述车位区域中每个像素点相对于中心点的偏差坐标;
根据所述车位中心分支的输出结果提取所述车位区域中所有车位的中心坐标;
根据所述车位的中心坐标以及位置偏差分支的输出结果,确定每个像素点对应的车位中心坐标;
根据所述车位的中心坐标、所述语义分割分支的输出结果以及所述车位中心坐标对所述待检测图像进行车位实例分割,确定所述车位区域内的车位角点以及各个车位对应的车位子区域。
4.根据权利要求3所述的方法,其特征在于,所述根据所述车位的中心坐标以及位置偏差分支的输出结果,确定每个像素点对应的车位中心坐标,包括;
计算所述车位的中心坐标和所述车位区域中每个像素点相对于中心点的偏差坐标的差值;
将所述差值确定为每个像素点对应的车位中心坐标。
5.根据权利要求4所述的方法,其特征在于,所述确定各个车位对应的车位子区域,包括:
计算所述车位的中心坐标和所述车位中心坐标的差值;
当所述差值小于预设阈值时,确定所述像素点与对应的车位子区域的对应关系,以确定所述各个车位对应的车位子区域。
6.根据权利要求5所述的方法,其特征在于,所述确定所述车位区域内的车位角点,包括:
基于所述语义分割分支的输出结果,生成车位角点热力图;
根据所述车位角点热力图确定所述车位区域内的车位角点。
7.根据权利要求1所述的方法,其特征在于,所述对所述车位子区域进行形状拟合,确定所述各个车位的形状,包括:
对所述车位子区域进行形状拟合,得到与所述车位子区域对应的拟合形状;
将所述拟合形状作为所述车位子区域对应的所述车位的形状。
8.一种车位检测装置,其特征在于,包括:
图像获取模块,用于获取车位区域的待检测图像;
实例分割模块,用于对所述待检测图像进行车位实例分割,确定所述车位区域内的车位角点以及各个车位对应的车位子区域;
形状拟合模块,用于对所述车位子区域进行形状拟合,确定所述各个车位的形状;
角点确定模块,用于基于各个车位角点与所述车位子区域之间的距离,确定所述各个车位对应的车位角点。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7中任一项所述的车位检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行权利要求1-7中任一项所述的车位检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708385.1A CN114782928A (zh) | 2022-06-22 | 2022-06-22 | 一种车位检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708385.1A CN114782928A (zh) | 2022-06-22 | 2022-06-22 | 一种车位检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114782928A true CN114782928A (zh) | 2022-07-22 |
Family
ID=82422464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210708385.1A Pending CN114782928A (zh) | 2022-06-22 | 2022-06-22 | 一种车位检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782928A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115148047A (zh) * | 2022-07-25 | 2022-10-04 | 中汽创智科技有限公司 | 一种车位检测方法及装置 |
CN116189137A (zh) * | 2022-12-07 | 2023-05-30 | 深圳市速腾聚创科技有限公司 | 车位检测方法、电子设备及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564814A (zh) * | 2018-06-06 | 2018-09-21 | 清华大学苏州汽车研究院(吴江) | 一种基于图像的停车场车位检测方法及装置 |
CN112330601A (zh) * | 2020-10-15 | 2021-02-05 | 浙江大华技术股份有限公司 | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 |
CN112598922A (zh) * | 2020-12-07 | 2021-04-02 | 安徽江淮汽车集团股份有限公司 | 车位检测方法、装置、设备及存储介质 |
CN113537163A (zh) * | 2021-09-15 | 2021-10-22 | 苏州魔视智能科技有限公司 | 一种用于车位检测的模型训练方法及系统 |
CN114120259A (zh) * | 2020-09-01 | 2022-03-01 | 广州汽车集团股份有限公司 | 一种空车位识别方法及其系统、计算机设备、存储介质 |
-
2022
- 2022-06-22 CN CN202210708385.1A patent/CN114782928A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564814A (zh) * | 2018-06-06 | 2018-09-21 | 清华大学苏州汽车研究院(吴江) | 一种基于图像的停车场车位检测方法及装置 |
CN114120259A (zh) * | 2020-09-01 | 2022-03-01 | 广州汽车集团股份有限公司 | 一种空车位识别方法及其系统、计算机设备、存储介质 |
CN112330601A (zh) * | 2020-10-15 | 2021-02-05 | 浙江大华技术股份有限公司 | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 |
CN112598922A (zh) * | 2020-12-07 | 2021-04-02 | 安徽江淮汽车集团股份有限公司 | 车位检测方法、装置、设备及存储介质 |
CN113537163A (zh) * | 2021-09-15 | 2021-10-22 | 苏州魔视智能科技有限公司 | 一种用于车位检测的模型训练方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115148047A (zh) * | 2022-07-25 | 2022-10-04 | 中汽创智科技有限公司 | 一种车位检测方法及装置 |
CN116189137A (zh) * | 2022-12-07 | 2023-05-30 | 深圳市速腾聚创科技有限公司 | 车位检测方法、电子设备及计算机可读存储介质 |
CN116189137B (zh) * | 2022-12-07 | 2023-08-04 | 深圳市速腾聚创科技有限公司 | 车位检测方法、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3581890B1 (en) | Method and device for positioning | |
CN114782928A (zh) | 一种车位检测方法、装置、电子设备及存储介质 | |
CN112633144A (zh) | 人脸遮挡检测方法、系统、设备及存储介质 | |
KR20230074579A (ko) | 주차 공간 관리를 위한 방법 및 시스템 | |
CN112348921A (zh) | 一种基于视觉语义点云的建图方法及系统 | |
EP4307219A1 (en) | Three-dimensional target detection method and apparatus | |
CN111310710A (zh) | 人脸检测方法与系统 | |
CN113034347A (zh) | 倾斜摄影图像处理方法、装置、处理设备及存储介质 | |
CN113673288A (zh) | 空闲车位检测方法、装置、计算机设备及存储介质 | |
CN114723792A (zh) | 地块信息更新方法、装置、电子设备及存储介质 | |
CN112150538A (zh) | 一种在三维地图构建过程中车辆位姿的确定方法和装置 | |
CN116203976A (zh) | 变电站室内巡检方法、装置、无人机和存储介质 | |
CN115311522A (zh) | 用于自动驾驶的目标检测方法及装置、电子设备及介质 | |
CN115393433A (zh) | 一种检测区域恢复方法、装置、设备及存储介质 | |
CN112433193A (zh) | 一种基于多传感器的模位置定位方法及系统 | |
CN111860084A (zh) | 图像特征的匹配、定位方法及装置、定位系统 | |
CN114943954B (zh) | 一种车位检测方法、装置和系统 | |
CN115359460B (zh) | 用于车辆的图像识别方法、装置、车辆和存储介质 | |
CN117372988B (zh) | 道路边界检测方法、装置、电子设备及存储介质 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN112183413B (zh) | 一种车位检测方法、装置、存储介质及车辆 | |
CN116630834A (zh) | 一种车位检测方法、装置、电子设备及车辆 | |
US20240104880A1 (en) | Information processing apparatus and method | |
CN115100626A (zh) | 一种泊车位检测方法、终端设备及存储介质 | |
CN115439822A (zh) | 车辆控制方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220722 |
|
RJ01 | Rejection of invention patent application after publication |