CN114926817A - 识别车位的方法、装置、电子设备和计算机可读存储介质 - Google Patents
识别车位的方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN114926817A CN114926817A CN202210560803.7A CN202210560803A CN114926817A CN 114926817 A CN114926817 A CN 114926817A CN 202210560803 A CN202210560803 A CN 202210560803A CN 114926817 A CN114926817 A CN 114926817A
- Authority
- CN
- China
- Prior art keywords
- pixel points
- detected
- frame image
- coordinate system
- parking space
- 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.)
- Granted
Links
Images
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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Abstract
本发明公开了一种识别车位的方法、装置、电子设备和计算机可读存储介质,其中,识别车位的方法包括:对获取的图像进行分割以获取目标车位框区域并确定对应的多条轮廓线,对应轮廓线的两端分别设置第一检定区域和第二检定区域;将第一检定区域的第一像素点分别与第二检定区域的第二像素点连接形成若干待检定线;确定每条待检定线的待检定像素点中的分割像素点,从存在最多分割像素点的待检定线中筛选出存在最少待检定像素点的待检定线作为修正轮廓线,分割像素点为相邻的两像素点为不同像素类别的待检定像素点;根据修正轮廓线修正目标车位框区域。本发明能够通过修正的轮廓线确定识别的车位框区域,提高识别的车位框区域的精确性。
Description
技术领域
本发明涉及汽车自动驾驶技术领域,具体涉及一种识别车位的方法、装置、电子设备和计算机可读存储介质。
背景技术
目前,随着经济社会的快速发展,城市的汽车保有量也在逐步增加,为了适应城市里汽车数量的增加,市政需要规划更多的停车位,但是停车场的空间有限,因此停车位会较为拥挤,这对驾驶员的停车技术要求更高,因此,为了提高泊车效率,自动泊车技术应运而生,但是自动泊车技术要求对车位进行准确的识别,而目前自动泊车技术中对车位的识别效果不佳时,无法自动修正车位的位置,需要通过将数据收集并传输到后台进行人工修正,效率低下。
因此,有必要提供一种新的识别车位的方法、装置、电子设备和计算机可读存储介质,以解决上述问题。
发明内容
本发明的目的在于提供一种识别车位的方法、装置、电子设备和计算机可读存储介质,能够修正构成车位框区域的轮廓线,从而通过修正的轮廓线确定识别的车位框区域,提高识别的车位框区域的精确性。。
为实现上述目的,本发明提供了一种识别车位的方法,包括:
对获取的图像进行分割以获取目标车位框区域;
确定形成所述目标车位框区域的多条轮廓线,对应所述轮廓线的两端分别设置第一检定区域和第二检定区域,所述轮廓线的两端点分别位于所述第一检定区域和所述第二检定区域内;
遍历所述第一检定区域的第一像素点和所述第二检定区域的第二像素点,将所述第一像素点分别与所述第二像素点连接形成若干待检定线;
确定构成每条所述待检定线的待检定像素点中的分割像素点,从存在最多所述分割像素点的所述待检定线中筛选出存在最少所述待检定像素点的所述待检定线作为修正轮廓线,所述分割像素点为相邻的两像素点为不同像素类别的所述待检定像素点,所述相邻的两像素点分别位于所述待检定线的两侧;
根据所述修正轮廓线修正所述目标车位框区域。
可选地,所述“对获取的图像进行分割以获取目标车位框区域”包括:
通过语义分割模型对获取的所述图像分割出多个车位框区域;
确定多个所述车位框区域中的所述目标车位框区域;
所述“确定形成所述目标车位框区域的多条轮廓线”包括:
通过车位识别模型生成的车位识别框框选所述目标车位框区域;
获取形成每个所述车位框区域的待检定轮廓线,测定每条所述待检定轮廓线与所述车位识别框的中心点的距离,将所述距离符合预设范围内的所述待检定轮廓线确定为候选轮廓线;
将位置关系符合车位特征的所述候选轮廓线确定为形成所述目标车位框区域的轮廓线。
可选地,所述根据所述修正轮廓线修正所述目标车位框区域之后,还包括:
获取所述目标车位框区域的点云坐标;
将修正后的所述目标车位框区域的点云坐标转换到全局坐标系中。
可选地,以车辆获取图像时的位姿为基础建立坐标系,获取所述初始帧图像时建立所述全局坐标系;
所述“将修正后的所述目标车位框区域的点云坐标转换到全局坐标系中”包括:
获取当前帧图像的坐标系与所述全局坐标系之间的RT矩阵,所述RT矩阵反映所述初始帧图像与所述当前帧图像之间车辆的运动;
根据所述RT矩阵和获取所述初始帧图像时车辆在所述全局坐标系的坐标信息,计算获取所述当前帧图像时的车辆在所述全局坐标系的坐标信息;
根据获取所述当前帧图像时的车辆在所述全局坐标系的坐标信息,将所述当前帧图像中修正后的所述目标车位框区域的点云坐标转换到所述全局坐标系中。
可选地,所述“获取所述当前帧图像的坐标系与所述全局坐标系之间的RT矩阵”包括:
确定标定物在所述当前帧图像与所述初始帧图像中对应的像素点;
获取所述当前帧图像和所述初始帧图像中所述标定物的像素点在对应坐标系内的点云坐标;
将所述当前帧图像和所述初始帧图像中所述标定物的像素点在对应坐标系内的点云坐标作为点云配准算法的输入,以获取所述RT矩阵。
可选地,以车辆上的获取图像时的位姿为基础建立坐标系,获取所述初始帧图像时建立所述全局坐标系,车辆在获取所述初始帧图像至所述当前帧图像期间还获取多帧图像,所述初始帧图像、所述当前帧图像和多帧图像间存在前后帧关系;
所述“将修正后的所述目标车位框区域的点云坐标转换到全局坐标系中”包括:
依照所述前后帧关系,获取所述初始帧图像、所述当前帧图像和所述多帧图像中后帧图像的坐标系与前帧图像的坐标系之间的RT矩阵,每个所述RT矩阵反映前帧图像与后帧图像之间车辆的运动;
根据获取所述初始帧图像时车辆在所述全局坐标系的坐标信息以及所述RT矩阵,逐帧计算获取所述多帧图像时的车辆在所述全局坐标系的坐标信息;
根据获取所述当前帧图像的前帧图像时车辆在所述全局坐标系的坐标信息以及对应的所述RT矩阵,计算获取所述当前帧图像时的车辆在所述全局坐标系的坐标信息;
根据获取所述当前帧图像时的车辆在所述全局坐标系的坐标信息,将所述当前帧图像中修正后的所述目标车位框区域的点云坐标转换到所述全局坐标系中。
可选地,所述“确定构成每条所述待检定线的待检定像素点中的分割像素点,从存在最多所述分割像素点的所述待检定线中筛选出存在最少所述待检定像素点的所述待检定线作为修正轮廓线”包括:
获取所述待检定线的各所述待检定像素点的所述相邻的两像素点的像素值;
计算所述待检定线一侧的各相邻像素点的像素值之和与所述待检定线另一侧的各相邻像素点的像素值之和的差值;
将所述差值最大的且存在所述待检定像素点最少的所述待检定线确定为所述修正轮廓线。
可选地,所述方法还包括:
获取当前帧图像和其他帧图像中所述修正轮廓线的端点在全局坐标系中的坐标信息;
根据所述其他帧图像的所述修正轮廓线的两端点的坐标信息分别计算得到两个坐标均值,以获取每个端点的参考坐标;
根据所述当前帧图像中所述修正轮廓线的两端点的坐标信息,分别计算所述当前帧图像中所述修正轮廓线的两端点与对应所述参考坐标的欧氏距离,将所述欧氏距离不符合预设条件的端点确定为错误端点。
为实现上述目的,本发明还提供了一种识别车位的装置,包括:
分割模块,用于对获取的图像进行分割以获取目标车位框区域;
设置模块,用于确定形成所述目标车位框区域的多条轮廓线,对应所述轮廓线的两端分别设置第一检定区域和第二检定区域,所述轮廓线的两端点分别位于所述第一检定区域和所述第二检定区域内;
连接模块,用于遍历所述第一检定区域的第一像素点和所述第二检定区域的第二像素点,将所述第一像素点分别与所述第二像素点连接形成若干待检定线;
确定模块,用于确定构成每条所述待检定线的待检定像素点中的分割像素点,从存在最多所述分割像素点的所述待检定线中筛选出存在最少所述待检定像素点的所述待检定线作为修正轮廓线,所述分割像素点为相邻的两像素点为不同像素类别的所述待检定像素点,所述相邻的两像素点分别位于所述待检定线的两侧;
修正模块,用于根据所述修正轮廓线修正所述目标车位框区域。
为实现上述目的,本发明还提供了一种电子设备,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行如上所述的识别车位的方法。
为实现上述目的,本发明还提供了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如上所述的识别车位的方法。
本发明还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该电子设备执行上述识别车位的方法。
本发明通过确定形成目标车位框区域的多条轮廓线,并在对应轮廓线的两端分别设置第一检定区域和第二检定区域,使轮廓线的两端点分别位于第一检定区域和第二检定区域内,将第一检定区域内的第一像素点和第二检定区域内的第二像素点两两连接,以形成若干待检定线,再从存在最多分割像素点的待检定线中筛选出存在最少待检定像素点的待检定线作为修正轮廓线,其中,分割像素点为相邻的两像素点为不同像素类别的待检定像素点,进而根据修正轮廓线修正目标车位框区域。本发明通过确定存在最多分割像素点的待检定线,即确定了按像素点类别对像素点分割时效果最好的待检定线,而在存在最多分割像素点的待检定线中筛选出存在最少待检定像素点的待检定线,即是将分割效果最好的待检定线中含有多余待检定像素点的待检定线剔除,以确定修正轮廓线。本发明能够通过修正的轮廓线确定识别的车位框区域,提高识别的车位框区域的精确性。
附图说明
图1是本发明实施例识别车位的方法流程图。
图2是本发明实施例确定目标车位框区域的方法流程图。
图3是一示例车位框区域的示意图。
图4是在轮廓线两端形成两种形状的第一检定区域和第二检定区域的示意图。
图5是本发明实施例确定修正轮廓线的方法流程图。
图6是本发明实施例识别车位的装置示意框图。
图7是本发明实施例电子设备的示意框图。
具体实施方式
为了详细说明本发明的技术内容、构造特征、所实现目的及效果,以下结合实施方式并配合附图详予说明。
请参阅图1,本发明公开了一种识别车位的方法,包括:
S1、对获取的图像进行分割以获取目标车位框区域。
具体来说,请参阅图3,车位框区域1指的是多条轮廓线11围绕形成的区域。
进一步地,请参阅图2,步骤S1包括:
S11、通过语义分割模型对获取的图像分割出多个车位框区域。
语义分割是指将图像中的每个像素链接到类标签的过程,这些标签反映这些像素点所归属的对象。一般来说,分割的依据是像素点的像素值。语义分割模型可通过大量的数据训练获得,该模型可对图像内的像素点进行语义标注,以划分车位框区域和背景区域等。
S12、确定多个车位框区域中的目标车位框区域。
S2、确定形成目标车位框区域的多条轮廓线,对应轮廓线的两端分别设置第一检定区域和第二检定区域,轮廓线的两端点分别位于第一检定区域和第二检定区域内。
具体来说,“确定形成目标车位框区域的多条轮廓线”包括:
通过车位识别模型生成的车位识别框框选目标车位框区域;
获取形成每个车位框区域的待检定轮廓线,测定每条待检定轮廓线与车位识别框的中心点的距离,将距离符合预设范围内的待检定轮廓线确定为候选轮廓线;
将位置关系符合车位特征的候选轮廓线确定为形成目标车位框区域的轮廓线。
其中,车位识别模型为YOLO等深度学习检测模型训练得到,其能够识别图像内的目标车位框区域,由于图像内可能存在其他车位框区域的轮廓线,因此通过测定每条待检定轮廓线与车位识别模型生成的车位识别框的中心点的距离,可确定出候选轮廓线。
将距离最近且平行的两条候选轮廓线分为一组,当存在三组候选轮廓线,其中两组平行,剩下一组与这两组垂直时,则将这三组候选轮廓线确定为目标车位框区域的轮廓线;当存在四组候选轮廓线,其中两两平行,则将这四组候选轮廓线确定为目标车位框区域的轮廓线。这是由于车位基本都是四条车位线围成的矩形或者三条车位线围成的缺少一边的矩形,而车位线具有宽度,因此由一组轮廓线形成。
可以理解的是,请参阅图4,第一检定区域4和第二检定区域5的形状可以是矩形,也可以是圆形,还可以是其他不规则的形状,等等,只要能够使轮廓线的两端点分别位于第一检定区域4和第二检定区域5内即可,本申请不作限制。
优选地,第一检定区域和第二检定区域应重点将轮廓线两端点的两侧方向上的像素点纳入范围。
S3、遍历第一检定区域的第一像素点和第二检定区域的第二像素点,将第一像素点分别与第二像素点连接形成若干待检定线。
具体来说,若干待检定线为直线。
当第一检定区域和第二检定区域都为5*5的矩形区域时,可形成625条待检定线。如图4所示,其中,标号2为轮廓线,标号3为待检定线。
S4、确定构成每条待检定线的待检定像素点中的分割像素点,从存在最多分割像素点的待检定线中筛选出存在最少待检定像素点的待检定线作为修正轮廓线,分割像素点为相邻的两像素点为不同像素类别的待检定像素点,相邻的两像素点分别位于待检定线的两侧。
可以理解的是,不同像素类别可以是指通过语义分割对像素点赋予的标签不同,也可以是像素点之间的像素值不同或差距较大。由于轮廓线是车位框区域和背景区域的分割线,因此,正确的轮廓线两侧的像素点应为不同像素类别。
由于可能存在与修正轮廓线重合的待检定线,且该待检定线长于修正轮廓线,此时待检定线与修正轮廓线的分割像素点的数量是相同的,则可通过待检定像素点的数量差异上将该待检定线排除。
具体地,请参阅图5,步骤S4包括:
S41、获取待检定线的各待检定像素点的相邻的两像素点的像素值;
S42、计算待检定线一侧的各相邻像素点的像素值之和与待检定线另一侧的各相邻像素点的像素值之和的差值;
S43、将差值最大的且存在待检定像素点最少的待检定线确定为修正轮廓线。
可以理解的是,两像素点的像素值可以是原始的像素值,也可以是标准化处理后的像素值,即将相同像素类别的的像素值统一设为一个值,以简化计算。
具体地,差值指由数值较大的像素值之和减去数值较低的像素值之和,或是指计算结果的绝对值。
进一步地,修正轮廓线的确定方法还可以是:对每个待检定像素点对应的相邻的像素点的像素值分别作差并取绝对值以获取差值;
统合属于同一待检定线的待检定像素点对应的相邻的像素点的像素值的差值,以获取对应每条待检定线的差值之和;
将差值之和最大的且存在待检定像素点最少的待检定线确定为修正轮廓线。
S5、根据修正轮廓线修正目标车位框区域。
在一些实施例中,步骤S5之后,还包括:
获取目标车位框区域的点云坐标;
将修正后的目标车位框区域的点云坐标转换到全局坐标系中。
具体地,以车辆获取图像时的位姿为基础建立坐标系,获取初始帧图像时建立全局坐标系;
“将修正后的目标车位框区域的点云坐标转换到全局坐标系中”包括:
获取当前帧图像的坐标系与全局坐标系之间的RT矩阵,RT矩阵反映初始帧图像与当前帧图像之间车辆的运动;
根据RT矩阵和获取初始帧图像时车辆在全局坐标系的坐标信息,计算获取当前帧图像时的车辆在全局坐标系的坐标信息;
根据获取当前帧图像时的车辆在全局坐标系的坐标信息,将当前帧图像中修正后的目标车位框区域的点云坐标转换到全局坐标系中。
具体来说,RT矩阵为旋转-平移矩阵,通常用于不同坐标系之间的变换。通过RT矩阵计算获取当前帧图像时的车辆在全局坐标系的坐标信息的公式如下:
P1=RP2+T
其中,P1为获取当前帧图像时的车辆在全局坐标系的坐标信息,P2为获取初始帧图像时的车辆在全局坐标系的坐标信息。
根据获取当前帧图像时的车辆在全局坐标系的坐标信息,可以按照获取当前帧图像时的车辆在当前帧图像对应的坐标系内的点云坐标与修正后的目标车位框区域的点云坐标之间的关系,计算获得修正后的目标车位框区域的点云坐标换到全局坐标系中的坐标信息。
进一步地,“获取当前帧图像的坐标系与全局坐标系之间的RT矩阵”包括:
确定标定物在当前帧图像与初始帧图像中对应的像素点;
获取当前帧图像和初始帧图像中标定物的像素点在对应坐标系内的点云坐标;
将当前帧图像和初始帧图像中标定物的像素点在对应坐标系内的点云坐标作为点云配准算法的输入,以获取RT矩阵。
可以理解的是,标定物可以是当前帧图像与初始帧图像内同一条减速带,也可以是当前帧图像与初始帧图像内同一车位,等等,只要是在当前帧图像和初始帧图像都存在的同一物体即可,本申请不作限定。
具体来说,点云配准算法可采用NDT或ICP算法,通过将当前帧图像和初始帧图像中标定物的像素点在对应坐标系内的点云坐标作为点云配准算法的输入可计算得到对应RT矩阵,RT矩阵需满足下式:
argmin(dist(R*POINT1+T,POINT2))
其中,POINT1为初始帧图像内标定物的点云坐标,POINT2为当前帧图像内标定物的点云坐标,即将初始帧图像内标定物的点云坐标经过RT矩阵转换后,与当前帧图像内标定物的点云坐标之间的欧式距离最小。
在一些实施例中,以车辆获取图像时的位姿为基础建立坐标系,获取初始帧图像时建立全局坐标系,车辆在获取初始帧图像至当前帧图像期间还获取多帧图像,初始帧图像、当前帧图像和多帧图像间存在前后帧关系;
“将修正后的目标车位框区域的点云坐标转换到全局坐标系中”包括:
依照前后帧关系,获取初始帧图像、当前帧图像和多帧图像中后帧图像的坐标系与前帧图像的坐标系之间的RT矩阵,每个RT矩阵反映前帧图像与后帧图像之间车辆的运动;
根据获取初始帧图像时车辆在全局坐标系的坐标信息以及RT矩阵,逐帧计算获取多帧图像时的车辆在全局坐标系的坐标信息;
根据获取当前帧图像的前帧图像时车辆在全局坐标系的坐标信息以及对应的RT矩阵,计算获取当前帧图像时的车辆在全局坐标系的坐标信息;
根据获取当前帧图像时的车辆在全局坐标系的坐标信息,将当前帧图像中修正后的目标车位框区域的点云坐标转换到全局坐标系中。
可以理解的是,初始帧图像、多帧图像和当前帧图像是在时域上连续的图像,即假如总共获取10帧图像,初始帧图像即为第一帧图像、当前帧图像则为第10帧图像,而多帧图像指的是第二帧至第九帧图像。
同理,求解RT矩阵和计算获取各帧图像时车辆在全局坐标系下的坐标信息的方法与上述相同,此处不再赘述,只需将初始帧图像和当前帧图像变换为初始帧图像、多帧图像和当前帧图像之间的前后帧图像。
由于获取初始帧图像和当前帧图像间可能车辆行驶距离较长,两帧的图像间相距较大,获取的RT矩阵不准,甚至两帧之间若是不存在同一标定物,将无法获得RT矩阵,因此,获取初始帧和当前帧之间的多帧图像,并通过初始帧图像、多帧图像和当前帧图像之间前后帧的关系获取RT矩阵,有利于避免获取的RT矩阵不准或者无法获取RT矩阵的情况。
进一步地,本方法还包括:
获取当前帧图像和其他帧图像中修正轮廓线的端点在全局坐标系中的坐标信息;
根据其他帧图像的修正轮廓线的两端点的坐标信息分别计算得到两个坐标均值,以获取每个端点的参考坐标;
根据当前帧图像中修正轮廓线的两端点的坐标信息,分别计算当前帧图像中修正轮廓线的两端点与对应参考坐标的欧氏距离,将欧氏距离不符合预设条件的端点确定为错误端点。
可以理解的是,其他帧图像是指当前帧图像之前获取的图像,当当前帧图像获得的修正轮廓线的端点与参考坐标的欧式距离不符合预设条件时,认为该帧图像所获取的修正轮廓线的对应端点偏差较大,可将该端点确认为错误端点,也可以进一步判定该修正轮廓线或者该修正后的车位框区域是否存在偏差。
本发明通过确定形成目标车位框区域的多条轮廓线,并在对应轮廓线的两端分别设置第一检定区域和第二检定区域,使轮廓线的两端点分别位于第一检定区域和第二检定区域内,将第一检定区域内的第一像素点和第二检定区域内的第二像素点两两连接,以形成若干待检定线,再从存在最多分割像素点的待检定线中筛选出存在最少待检定像素点的待检定线作为修正轮廓线,其中,分割像素点为相邻的两像素点为不同像素类别的待检定像素点,进而根据修正轮廓线修正目标车位框区域。本发明通过确定存在最多分割像素点的待检定线,即确定了按像素点类别对像素点分割时效果最好的待检定线,而在存在最多分割像素点的待检定线中筛选出存在最少待检定像素点的待检定线,即是将分割效果最好的待检定线中含有多余待检定像素点的待检定线剔除,以确定修正轮廓线。本发明能够通过修正的轮廓线确定识别的车位框区域,提高识别的车位框区域的精确性。
请参阅图6,本发明还提供了一种识别车位的装置,包括:
分割模块100,用于对获取的图像进行分割以获取目标车位框区域。
设置模块200,用于确定形成目标车位框区域的多条轮廓线,对应轮廓线的两端分别设置第一检定区域和第二检定区域,轮廓线的两端点分别位于第一检定区域和第二检定区域内。
连接模块300,用于遍历第一检定区域的第一像素点和第二检定区域的第二像素点,将第一像素点分别与第二像素点连接形成若干待检定线。
确定模块400,用于确定构成每条待检定线的待检定像素点中的分割像素点,从存在最多分割像素点的待检定线中筛选出存在最少待检定像素点的待检定线作为修正轮廓线,分割像素点为相邻的两像素点为不同像素类别的待检定像素点,相邻的两像素点分别位于待检定线的两侧。
修正模块500,用于根据修正轮廓线修正目标车位框区域。
本发明能够通过修正的轮廓线确定识别的车位框区域,提高识别的车位框区域的精确性。
请参阅图7,本发明还提供了一种电子设备,包括:
处理器40;
存储器50,其中存储有处理器40的可执行指令;
其中,处理器40配置为经由执行可执行指令来执行如上所述的识别车位的方法。
本发明还提供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如上所述的识别车位的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该电子设备执行如上所述的识别车位的方法。
应当理解,在本发明实施例中,所称处理器可以是中央处理模块(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,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。
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指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所揭露的仅为本发明的较佳实例而已,不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,均属于本发明所涵盖的范围。
Claims (11)
1.一种识别车位的方法,其特征在于,包括:
对获取的图像进行分割以获取目标车位框区域;
确定形成所述目标车位框区域的多条轮廓线,对应所述轮廓线的两端分别设置第一检定区域和第二检定区域,所述轮廓线的两端点分别位于所述第一检定区域和所述第二检定区域内;
遍历所述第一检定区域的第一像素点和所述第二检定区域的第二像素点,将所述第一像素点分别与所述第二像素点连接形成若干待检定线;
确定构成每条所述待检定线的待检定像素点中的分割像素点,从存在最多所述分割像素点的所述待检定线中筛选出存在最少所述待检定像素点的所述待检定线作为修正轮廓线,所述分割像素点为相邻的两像素点为不同像素类别的所述待检定像素点,所述相邻的两像素点分别位于所述待检定线的两侧;
根据所述修正轮廓线修正所述目标车位框区域。
2.如权利要求1所述的识别车位的方法,其特征在于,
所述“对获取的图像进行分割以获取目标车位框区域”包括:
通过语义分割模型对获取的所述图像分割出多个车位框区域;
确定多个所述车位框区域中的所述目标车位框区域;
所述“确定形成所述目标车位框区域的多条轮廓线”包括:
通过车位识别模型生成的车位识别框框选所述目标车位框区域;
获取形成每个所述车位框区域的待检定轮廓线,测定每条所述待检定轮廓线与所述车位识别框的中心点的距离,将所述距离符合预设范围内的所述待检定轮廓线确定为候选轮廓线;
将位置关系符合车位特征的所述候选轮廓线确定为形成所述目标车位框区域的轮廓线。
3.如权利要求1所述的识别车位的方法,其特征在于,所述根据所述修正轮廓线修正所述目标车位框区域之后,还包括:
获取所述目标车位框区域的点云坐标;
将修正后的所述目标车位框区域的点云坐标转换到全局坐标系中。
4.如权利要求3所述的识别车位的方法,其特征在于,以车辆获取图像时的位姿为基础建立坐标系,获取所述初始帧图像时建立所述全局坐标系;
所述“将修正后的所述目标车位框区域的点云坐标转换到全局坐标系中”包括:
获取当前帧图像的坐标系与所述全局坐标系之间的RT矩阵,所述RT矩阵反映所述初始帧图像与所述当前帧图像之间车辆的运动;
根据所述RT矩阵和获取所述初始帧图像时车辆在所述全局坐标系的坐标信息,计算获取所述当前帧图像时的车辆在所述全局坐标系的坐标信息;
根据获取所述当前帧图像时的车辆在所述全局坐标系的坐标信息,将所述当前帧图像中修正后的所述目标车位框区域的点云坐标转换到所述全局坐标系中。
5.如权利要求4所述的识别车位的方法,其特征在于,所述“获取所述当前帧图像的坐标系与所述全局坐标系之间的RT矩阵”包括:
确定标定物在所述当前帧图像与所述初始帧图像中对应的像素点;
获取所述当前帧图像和所述初始帧图像中所述标定物的像素点在对应坐标系内的点云坐标;
将所述当前帧图像和所述初始帧图像中所述标定物的像素点在对应坐标系内的点云坐标作为点云配准算法的输入,以获取所述RT矩阵。
6.如权利要求3所述的识别车位的方法,其特征在于,以车辆获取图像时的位姿为基础建立坐标系,获取所述初始帧图像时建立所述全局坐标系,车辆在获取所述初始帧图像至所述当前帧图像期间还获取多帧图像,所述初始帧图像、所述当前帧图像和多帧图像间存在前后帧关系;
所述“将修正后的所述目标车位框区域的点云坐标转换到全局坐标系中”包括:
依照所述前后帧关系,获取所述初始帧图像、所述当前帧图像和所述多帧图像中后帧图像的坐标系与前帧图像的坐标系之间的RT矩阵,每个所述RT矩阵反映前帧图像与后帧图像之间车辆的运动;
根据获取所述初始帧图像时车辆在所述全局坐标系的坐标信息以及所述RT矩阵,逐帧计算获取所述多帧图像时的车辆在所述全局坐标系的坐标信息;
根据获取所述当前帧图像的前帧图像时车辆在所述全局坐标系的坐标信息以及对应的所述RT矩阵,计算获取所述当前帧图像时的车辆在所述全局坐标系的坐标信息;
根据获取所述当前帧图像时的车辆在所述全局坐标系的坐标信息,将所述当前帧图像中修正后的所述目标车位框区域的点云坐标转换到所述全局坐标系中。
7.如权利要求1所述的识别车位的方法,其特征在于,所述“确定构成每条所述待检定线的待检定像素点中的分割像素点,从存在最多所述分割像素点的所述待检定线中筛选出存在最少所述待检定像素点的所述待检定线作为修正轮廓线”包括:
获取所述待检定线的各所述待检定像素点的所述相邻的两像素点的像素值;
计算所述待检定线一侧的各相邻像素点的像素值之和与所述待检定线另一侧的各相邻像素点的像素值之和的差值;
将所述差值最大的且存在所述待检定像素点最少的所述待检定线确定为所述修正轮廓线。
8.如权利要求1所述的识别车位的方法,其特征在于,还包括:
获取当前帧图像和其他帧图像中所述修正轮廓线的端点在全局坐标系中的坐标信息;
根据所述其他帧图像的所述修正轮廓线的两端点的坐标信息分别计算得到两个坐标均值,以获取每个端点的参考坐标;
根据所述当前帧图像中所述修正轮廓线的两端点的坐标信息,分别计算所述当前帧图像中所述修正轮廓线的两端点与对应所述参考坐标的欧氏距离,将所述欧氏距离不符合预设条件的端点确定为错误端点。
9.一种识别车位的装置,其特征在于,包括:
分割模块,用于对获取的图像进行分割以获取目标车位框区域;
设置模块,用于确定形成所述目标车位框区域的多条轮廓线,对应所述轮廓线的两端分别设置第一检定区域和第二检定区域,所述轮廓线的两端点分别位于所述第一检定区域和所述第二检定区域内;
连接模块,用于遍历所述第一检定区域的第一像素点和所述第二检定区域的第二像素点,将所述第一像素点分别与所述第二像素点连接形成若干待检定线;
确定模块,用于确定构成每条所述待检定线的待检定像素点中的分割像素点,从存在最多所述分割像素点的所述待检定线中筛选出存在最少所述待检定像素点的所述待检定线作为修正轮廓线,所述分割像素点为相邻的两像素点为不同像素类别的所述待检定像素点,所述相邻的两像素点分别位于所述待检定线的两侧;
修正模块,用于根据所述修正轮廓线修正所述目标车位框区域。
10.一种电子设备,其特征在于,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任一项所述的识别车位的方法。
11.一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如权利要求1-8任一项所述识别车位的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560803.7A CN114926817B (zh) | 2022-05-20 | 2022-05-20 | 识别车位的方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560803.7A CN114926817B (zh) | 2022-05-20 | 2022-05-20 | 识别车位的方法、装置、电子设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114926817A true CN114926817A (zh) | 2022-08-19 |
CN114926817B CN114926817B (zh) | 2023-02-10 |
Family
ID=82810570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210560803.7A Active CN114926817B (zh) | 2022-05-20 | 2022-05-20 | 识别车位的方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926817B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965927A (zh) * | 2023-03-16 | 2023-04-14 | 杭州枕石智能科技有限公司 | 一种路面信息提取方法、装置、电子设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598512A (zh) * | 2018-06-13 | 2019-12-20 | 杭州海康威视数字技术股份有限公司 | 一种车位检测方法及装置 |
WO2020124988A1 (zh) * | 2018-12-21 | 2020-06-25 | 广州小鹏汽车科技有限公司 | 一种基于视觉的车位检测方法及装置 |
WO2020173022A1 (zh) * | 2019-02-25 | 2020-09-03 | 平安科技(深圳)有限公司 | 一种识别车辆违章行为的方法、服务器及存储介质 |
CN114022978A (zh) * | 2021-10-25 | 2022-02-08 | 远峰科技股份有限公司 | 标定方法、钥匙、车辆、系统、电子设备及可读存储介质 |
US20220043164A1 (en) * | 2019-06-27 | 2022-02-10 | Zhejiang Sensetime Technology Development Co., Ltd. | Positioning method, electronic device and storage medium |
CN114179788A (zh) * | 2021-12-29 | 2022-03-15 | 纵目科技(上海)股份有限公司 | 自动泊车方法、系统、计算机可读存储介质及车机端 |
-
2022
- 2022-05-20 CN CN202210560803.7A patent/CN114926817B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598512A (zh) * | 2018-06-13 | 2019-12-20 | 杭州海康威视数字技术股份有限公司 | 一种车位检测方法及装置 |
WO2020124988A1 (zh) * | 2018-12-21 | 2020-06-25 | 广州小鹏汽车科技有限公司 | 一种基于视觉的车位检测方法及装置 |
WO2020173022A1 (zh) * | 2019-02-25 | 2020-09-03 | 平安科技(深圳)有限公司 | 一种识别车辆违章行为的方法、服务器及存储介质 |
US20220043164A1 (en) * | 2019-06-27 | 2022-02-10 | Zhejiang Sensetime Technology Development Co., Ltd. | Positioning method, electronic device and storage medium |
CN114022978A (zh) * | 2021-10-25 | 2022-02-08 | 远峰科技股份有限公司 | 标定方法、钥匙、车辆、系统、电子设备及可读存储介质 |
CN114179788A (zh) * | 2021-12-29 | 2022-03-15 | 纵目科技(上海)股份有限公司 | 自动泊车方法、系统、计算机可读存储介质及车机端 |
Non-Patent Citations (2)
Title |
---|
何俏君等: "基于YOLOv2-Tiny的环视实时车位线识别算法", 《汽车电器》 * |
张悦旺: "基于改进Hough变换的车位线识别方法", 《计算机工程与设计》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965927A (zh) * | 2023-03-16 | 2023-04-14 | 杭州枕石智能科技有限公司 | 一种路面信息提取方法、装置、电子设备及可读存储介质 |
CN115965927B (zh) * | 2023-03-16 | 2023-06-13 | 杭州枕石智能科技有限公司 | 一种路面信息提取方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114926817B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740469B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
EP3620981B1 (en) | Object detection method, device, apparatus and computer-readable storage medium | |
WO2021051885A1 (zh) | 目标标注的方法及装置 | |
CN109583280A (zh) | 车道线识别方法、装置、设备及存储介质 | |
CN108182383B (zh) | 一种车窗检测的方法及设备 | |
EP3617938B1 (en) | Lane line processing method and device | |
CN111582021A (zh) | 场景图像中的文本检测方法、装置及计算机设备 | |
CN112200884B (zh) | 一种车道线的生成方法及装置 | |
CN111898491A (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN114820679B (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN114926817B (zh) | 识别车位的方法、装置、电子设备和计算机可读存储介质 | |
CN113657202A (zh) | 构件识别方法、构建训练集方法、装置、设备及存储介质 | |
CN111914845A (zh) | 一种车牌中字符分层方法、装置及电子设备 | |
CN112434583B (zh) | 车道横向减速标线检测方法、系统、电子设备及存储介质 | |
CN111881752B (zh) | 一种护栏检测分类方法、装置、电子设备及存储介质 | |
CN112434582A (zh) | 一种车道线颜色识别方法、系统、电子设备及存储介质 | |
CN115713750B (zh) | 一种车道线检测方法、装置、电子设备及存储介质 | |
CN116721396A (zh) | 车道线检测方法、设备及存储介质 | |
CN116152767A (zh) | 车道线检测后处理的方法及装置 | |
CN115909271A (zh) | 停车位识别方法、装置、车辆及存储介质 | |
CN112784737B (zh) | 结合像素分割和线段锚的文本检测方法、系统及装置 | |
CN112800797B (zh) | 一种dm码的区域定位方法及系统 | |
CN115311634A (zh) | 一种基于模板匹配的车道线跟踪方法、介质以及设备 | |
JP3460356B2 (ja) | 円ないし楕円の検出方法およびその装置 |
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 |