CN114943805A - 停车遮挡确定方法、装置、设备、存储介质及程序产品 - Google Patents
停车遮挡确定方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN114943805A CN114943805A CN202210619212.2A CN202210619212A CN114943805A CN 114943805 A CN114943805 A CN 114943805A CN 202210619212 A CN202210619212 A CN 202210619212A CN 114943805 A CN114943805 A CN 114943805A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- parking
- determining
- small
- degree
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30264—Parking
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种停车遮挡确定方法、装置、设备、存储介质及程序产品,涉及智能交通、深度学习等人工智能技术领域,可应用于智能停车检测场景。该方法包括:利用三维建模技术为停车图像中的大型车生成第一边界框;根据预先对停车区域内各车位的标定信息,确定与大型车停放在的第一车位相邻的第二车位的边界信息;从停车图像中获取停放在第二车位的小型车的已知特征,并根据预设的车辆尺寸统计信息确定与已知特征对应的疑似车辆尺寸;根据边界信息和疑似车辆尺寸,利用三维建模技术为小型车生成第二边界框;根据第一边界框和第二边界框的重合程度,确定小型车的被遮挡程度。该方法可以提升对被遮挡的小型车的停车状态的识别准确度。
Description
技术领域
本公开涉及图像处理技术领域,具体涉及智能交通、深度学习等人工智能技术领域,可应用于智能停车检测场景,尤其涉及一种停车遮挡确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
随着我国经济的发展,车辆市场保有量将持续增加,为了缓解停车问题,相关部门提出了相应了新基建建设计划,路内停车系统在这个新基建的背景下营运而生并且迅速推广开来。
路内停车系统旨在用于对在路内规划停车位上停的车辆,进行更准确的停车识别。现今存在的一个停车识别问题为:一辆大型车停下后,会对后面停放的小型车进行遮挡,但是这个遮挡程度是根据相机距离目标的距离和大车的高度决定的,大型车距离相机越远、大型车高度越高,就会产生越大的遮挡。
即如何在存在遮挡的情况下,准确的被遮挡的小型车进行停车识别,是本领域技术人员亟待解决的问题。
发明内容
本公开实施例提出了一种停车遮挡确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面,本公开实施例提出了一种停车遮挡确定方法,包括:利用三维建模技术为停车图像中的大型车生成第一边界框;根据预先对停车区域内各车位的标定信息,确定与大型车停放在的第一车位相邻的第二车位的边界信息;其中,第一车位比第二车位距拍摄得到停车图像的摄像头更近;从停车图像中获取停放在第二车位的小型车的已知特征,并根据预设的车辆尺寸统计信息确定与已知特征对应的疑似车辆尺寸;根据边界信息和疑似车辆尺寸,利用三维建模技术为小型车生成第二边界框;根据第一边界框和第二边界框的重合程度,确定小型车的被遮挡程度。
第二方面,本公开实施例提出了一种停车遮挡确定装置,包括:大型车边界框生成单元,被配置成利用三维建模技术为停车图像中的大型车生成第一边界框;第二车位边界信息确定单元,被配置成根据预先对停车区域内各车位的标定信息,确定与大型车停放在的第一车位相邻的第二车位的边界信息;其中,第一车位比第二车位距拍摄得到停车图像的摄像头更近;小型车疑似车辆尺寸确定单元,被配置成从停车图像中获取停放在第二车位的小型车的已知特征,并根据预设的车辆尺寸统计信息确定与已知特征对应的疑似车辆尺寸;小型车边界框生成单元,被配置成根据边界信息和疑似车辆尺寸,利用三维建模技术为小型车生成第二边界框;小型车被遮挡程度确定单元,被配置成根据第一边界框和第二边界框的重合程度,确定小型车的被遮挡程度。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的停车遮挡确定方法。
第四方面,本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的停车遮挡确定方法。
第五方面,本公开实施例提供了一种包括计算机程序的计算机程序产品,该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的停车遮挡确定方法的步骤。
本申请提供的停车遮挡确定方案,首先利用三维建模技术生成未被遮挡的大型车的第一边界框,然后针对可能被大型车遮挡的小型车,借助预先标定过程确定出的第二车位的边界信息和基于已知特征确定出的疑似车辆尺寸,为该小型车生成一个较准确的第二边界框,进而得以通过第一边界框和第二边界框的重合程度,较为准确的确定出小型车的被遮挡程度,进而有利于准确的确定被遮挡的小型车的停车状态。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开可以应用于其中的示例性系统架构;
图2为本公开实施例提供的一种停车遮挡确定方法的流程图;
图3为本公开实施例提供的停车遮挡确定方法中一种确定小型车的被遮挡程度的方法的流程图;
图4为本公开实施例提供的停车遮挡确定方法中另一种确定小型车的被遮挡程度的方法的流程图;
图5为与图4所示方法对应的实景示意图;
图6为本公开实施例提供的一种针对不同被遮挡程度分别提供的后续处理方式的方法的流程图;
图7为本公开实施例提供的一种停车遮挡确定装置的结构框图;
图8为本公开实施例提供的一种适用于执行停车遮挡确定方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1示出了可以应用本公开的停车遮挡确定方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括大型车101、小型车102、监控摄像头103和服务器104。
其中,大型车101和小型车102相邻停放在相邻的停车位中,摄像头103的监控区域包含大型车101、小型车102的停放区域,可对该停放区域拍摄得到的停车图像。考虑到摄像头103的设置高度、拍摄角度、大型车101的车体高度,在这种情况下会使得大型车101对小型车102造成遮挡,进而影响摄像头103对小型车102拍摄得到的图像不完整,进而影响对小型车102的停车状态的确定。
摄像头103与服务器104之间,可通过各种数据传输通路进行信息交换,摄像头103和服务器104上也可以安装有各种应用或部署有各种服务,来用于支持两者之间进行的各种类型的数据的传输,例如停车监控类应用、遮挡判定类应用等。
服务器104可以是硬件,也可以是软件。当服务器104为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器;服务器104为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。
服务器104通过内置的各种应用可以提供各种服务,以可以基于传入的停车图像提供的遮挡判别定类应用为例,服务器104在运行该遮挡判别定类应用时可实现如下效果:首先,接收摄像头103通过预先建立的数据传输通路(例如无线网)传回的停车图像;然后,利用三维建模技术为停车图像中的大型车101生成第一边界框;接着,根据预先对停车区域内各车位的标定信息,确定与大型车101停放在的第一车位相邻的第二车位的边界信息;下一步,从该停车图像中获取停放在第二车位的小型车102的已知特征,并根据预设的车辆尺寸统计信息确定与已知特征对应的疑似车辆尺寸;紧接着,根据该边界信息和该疑似车辆尺寸,利用该三维建模技术为小型车102生成第二边界框;最后,根据该第一边界框和该第二边界框的重合程度,确定该小型车的被遮挡程度。
由于基于停车图像确定小型车的被遮挡程度需要占用较多的运算资源和较强的运算能力,因此本公开后续各实施例所提供的停车遮挡确定方法一般由拥有较强运算能力、较多运算资源的服务器104来执行,相应地,停车遮挡确定装置一般也设置于服务器104中。
应该理解,图1中的大型车、小型车、摄像头和服务器的设置数目仅仅是示意性的。根据实现需要,可以具有任意数目的大型车、小型车、摄像头和服务器。
请参考图2,图2为本公开实施例提供的一种停车遮挡确定方法的流程图,其中流程200包括以下步骤:
步骤201:利用三维建模技术为停车图像中的大型车生成第一边界框;
本步骤旨在由停车遮挡确定方法的执行主体(例如图1所示的服务器104)利用三维建模技术为停车图像中的大型车生成第一边界框。
其中,停车图像由架设在设置有停车位的路旁的摄像机对停车区域拍摄得到,本公开所针对的是停车区域内有大型车和小型车相邻停放的场景(例如图1所示的大型车101和小型车102之间的位置关系),该场景下停车图像中的大型车停放在第一车位、与大型车相邻的小型车则停放在与第一车位的第二车位,且第一车位比第二车位距拍摄得到停车图像的摄像头更近,因此大型车会凭借其更高、更宽的车体尺寸遮挡小型车,进而使得摄像头无法通过拍摄的停车图像来获取该小型车足够的车辆信息,尤其是用于识别车辆身份的车牌信息、用于识别停车状态的停车位置信息等。
在获取到停车图像后,上述执行主体利用三维建模技术(或称3D建模技术)生成该大型车的第一边界框(也称3D-BOX框、标定框)。通常情况下,该边界框表现为一个能够包裹该大型车的长方体,也可以简单的将该边界框理解为一个能够正好“盖住”该大型车的“盒子”的骨架轮廓,之所以通过三维建模技术来生成该大型车的第一边界框,是因为该停车图像的拍摄角度都是倾斜的,总是存在未拍摄到的部分,而通过三维建模技术构建出的边界框可以较为准确的确定其在真实世界的位置坐标,进而准确的确定车辆是否准确的停在停车位所划定的区域。
具体的,可通过多种算法生成该边界框,例如YOLO V3或类似的目标检测算法,此处不再一一列举,只要能够达到本申请所需要的效果即可。
步骤202:根据预先对停车区域内各车位的标定信息,确定与大型车停放在的第一车位相邻的第二车位的边界信息;
在步骤201的基础上,本步骤旨在由上述执行主体根据预先对停车区域内各车位的标定信息,确定与大型车停放在的第一车位相邻的第二车位的边界信息。
其中,标定信息通常来自于预先对摄像头和对摄像头所拍摄区域下车位的标定过程,对摄像头的标定是为了使摄像头在实际的拍摄环境下拥有尽可能好的拍摄效果,这一标定过程中调整的是摄像头的内参和外参,例如拍摄角度、摄像亮度、距离地面高度等;对所拍摄区域下车位的标定,则是为了预先记录该拍摄区域下具体有几个车位、每个车位在真实世界坐标系下的边界坐标、每个车位的类型、尺寸等。
因此,本步骤就是根据对对所拍摄区域下车位的标定结果,确定与大型车停放在的第一车位相邻的第二车位的边界信息,也就是第二车位在真实世界坐标下的边界坐标。
步骤203:从停车图像中获取停放在第二车位的小型车的已知特征,并根据预设的车辆尺寸统计信息确定与已知特征对应的疑似车辆尺寸;
本步骤旨在由上述执行主体从停车图像中获取停放在第二车位的小型车的已知特征,并根据预设的车辆尺寸统计信息确定与已知特征对应的疑似车辆尺寸。
其中,已知特征是指上述执行主体能够从停车图像中获取到的小型车的特征,因为在遮挡状态下无法获取到比较全面、准确的特征,就只能获取到比较容易得到的诸如颜色、车身高低、车型等部分特征;车辆尺寸统计信息则是通过对车辆全量特征进行处理,建立出的车辆尺寸与对应其它车辆特征之间的对应关系,因此本步骤在获取到的已知特征的基础上,就可以通过匹配该对应关系的方式找到该小型车的疑似车辆尺寸。
之所以称其为疑似车辆尺寸,是因为在该小型车被前方的大型车遮挡的情况下,所获取到的已知特征并不全面、不够准确,因此在输入的已知特征的不够全面、准确的情况下,基于车辆尺寸统计信息所匹配得到的车辆尺寸也存在不准确的风险。
步骤204:根据边界信息和疑似车辆尺寸,利用三维建模技术为小型车生成第二边界框;
在步骤202和步骤203的基础上,本步骤旨在由上述执行主体根据边界信息和疑似车辆尺寸,利用三维建模技术为小型车生成第二边界框。
即本步骤中,该小型车所在的第二车位的边界信息,是用于指示所构建出的第二边界框的最大范围,这是因为通常小型车的长和宽不会超出为小型车设置的停车位的长和宽;该疑似车辆尺寸则是用于体现该小型车的实际长和实际宽,就可以结合停车图像中该小型车所停放的大概位置,利用三维建模技术为该小型车生成第二边界框。
具体的,为了方便运算,可以根据第二车位的边界信息确定第二车位的中心点,然后以该中心点作为该小型车的尺寸中心,然后依据疑似车辆尺寸构建该小型车的第二边界框。当然,此处是在无法准确的确定该小型车所停放的车头位置、车尾位置的情况下,才使用车位的中心位置充当其实际的停放位置中心来简化计算,若能够基于已知特征较为的准确的确定出一个基准位置,就可以根据该疑似车辆尺寸构建出位置更准确的第二边界框。
步骤205:根据第一边界框和第二边界框的重合程度,确定小型车的被遮挡程度。
在步骤204的基础上,本步骤旨在由上述执行主体根据第一边界框和第二边界框的重合程度,确定小型车的被遮挡程度。
通常情况下,第一边界框和第二边界框可以理想化的抽象为两个平放在路面上的尺寸不同的长方体,且是相邻放置的两个长方体,在不考虑体积碰撞的情况,可以在虚拟空间中计算出两个边界框的重合程度,进而根据重合程度的大小来确定小型车的被遮挡程度。
进一步的,在使用重合程度来计算被遮挡程度的基础上,还可以结合被遮挡部分是否包含有用于确定小型车的关键信息(例如车头车尾的车牌信息),进而结合是否包含有关键信息来调整不同被遮挡部分的权重,进而计算出更符合实际需求的被遮挡程度。
本公开实施例提供的停车遮挡确定方法,首先利用三维建模技术生成未被遮挡的大型车的第一边界框,然后针对可能被大型车遮挡的小型车,借助预先标定过程确定出的第二车位的边界信息和基于已知特征确定出的疑似车辆尺寸,为该小型车生成一个较准确的第二边界框,进而得以通过第一边界框和第二边界框的重合程度,较为准确的确定出小型车的被遮挡程度,进而有利于准确的确定被遮挡的小型车的停车状态。
请参考图3,图3为本公开实施例提供的停车遮挡确定方法中一种确定小型车的被遮挡程度的方法的流程图,即针对图2所示的流程200中的步骤205提供了一种具体的实现方式,流程200中的其它步骤并不做调整,也可以通过将本实施例所提供的具体实现方式以替换步骤205的方式得到一个新的完整实施例。其中流程300包括以下步骤:
步骤301:将构成第一边界框的与第一车位外侧的长边界垂直的外表面,确定为与大型车对应的第一外表面;
步骤302:将构成第二边界框的与第二车位外侧的长边界垂直的外表面,确定为与小型车对应的第二外表面;
步骤303:基于第一外表面和第二外表面的重合程度,确定小型车的被遮挡程度。
根据本实施例所提供的步骤301-步骤303可知,本实施例通过从第一边界框抽取第一外表面、从第二边界框抽取第二外表面,得以将步骤205提供的计算第一边界框与第二边界框的重合度的方法,转换为计算第一外表面和第二外表面的重合度,进而简化了计算,有助于在不损失计算结果准确率的情况下,提升运算效率。
具体的,之所以选择构成边界框的与车位外侧的长边界垂直的外表面,则是因为结合摄像头拍摄得到的停车图像来说,外表面是最直观的。还需要说明的是,为了能够计算第一外表面和第二外表面的重合程度,需要将两个外表面投影在同一平面上,即忽略可能导致在空间坐标系下可能导致两个平面不再一个平面上的差异。
在图3所示实施例的基础上,还可以通过下述方式进一步的简化计算量:将构成第二外表面的与地面平行的边线,确定为上边线;根据上边线上落在第二外表面中的关键点数量,确定小型车的被遮挡程度。即通过预先在上边线上预先设置几个关键点,那么就可以通过落入第二外表面内关键点数量来确定遮挡程度。具体的,关键点的设置可以自行设置,例如将上边线的两个端点、两个端点之间均匀设置或结合关键信息位置进行不均匀设置等。
为了尽可能的加深对如何根据上边线的关键点,来确定小型车的被遮挡程度,本实施例还通过图4提供了一种完整的实现方式,其流程400包括如下步骤:
步骤401:将构成第一边界框的与第一车位外侧的长边界垂直的外表面,确定为与大型车对应的第一外表面;
步骤402:将构成第二边界框的与第二车位外侧的长边界垂直的外表面,确定为与小型车对应的第二外表面;
步骤401-步骤402与步骤301-步骤302一致,此处不再赘述,相同部分请参见对步骤301-步骤302的展开说明。
步骤403:将构成第二外表面的与地面平行的边线,确定为上边线;
本步骤旨在由上述执行主体将构成第二外表面的与地面平行的边线,确定为上边线。即第二外表面可以看作是由:与地面平行的上边线、下边线和与地面垂直的左边线、右边线拼接构成,考虑到上边线更不容易被遮挡,因此本实施例具体从第二外表面抽取出上边线,用于代表该小型车的实际长度和与对应车长部分的位置信息。
步骤404:将上边线上靠近第一外表面的端点确定为第一关键点;
步骤405:将上边线的中点确定为第二关键点;
步骤406:将上边线上远离第一外表面的端点确定为第三关键点;
步骤404-步骤406提供了一种简单的三关键点确定方法,即将该上边线的两个端点分别确定为第一关键点、第三关键点,然后将上边线的中点确定为第二关键点,即第一关键点可以对应车头部分、第二关键点可以对应车身中部、第三关键点可以对应车尾部分,即通过对可组成完整车身的三个部分简化出的三个关键点,来简化重合程度的计算。
步骤407:根据上边线上落在第一外表面中的关键点数量,确定小型车的被遮挡程度。
在步骤406的基础上,本步骤旨在由上述执行主体根据上边线上落在第二外表面中的关键点数量,确定小型车的被遮挡程度。
因为第一关键点是上边线上靠近第一外表面的端点,所以如果有关键点落入第一外表面,第一关键点一定是第一个落入第一外表面的。
基于此,一种具体的根据落入第一外表面中的关键点数量确定被遮挡程度的方式可以为:
例如若第一关键点未落在第一外表面内,则可以认为不存在遮挡;若仅有第一关键点落在第一外表面内,则可以认为该小型车被轻微遮挡;若第一关键点和第二关键点均落在第一外表面内,无论第三关键点是否也落入第一外表面内,均可以认为该小型车被严重遮挡。
当然也可以在其它应用场景下,自行调整关键点的设置方式、以及不同被遮挡程度与落入第一外表面中的关键点数量的对应关系,此处不再一一列举。
为了更好的理解本实施例所提供的方案,可以同时参见图5所示的实景图,根据图5所示可以看出,拍摄得到该图像的摄像头明显距离该大型车更近,因此该大型车对在其前方停放的小型车造成了遮挡,使得该摄像头仅能够拍摄得到该小型车的部分信息,尤其是遮挡了该小型车的车牌信息。
图5中,对应于第一边界框在灰度图中呈现为偏黑色的深颜色线条,即该深颜色线条勾勒出了一个能够“盖住”该大型车的长方体“盒子”;对应第二边界框在灰度图中则呈现为偏白色的浅颜色线条,即该浅颜色线条也勾勒出了一个能够“盖住”该小型车的长方体“盒子”。第一边界框和第二边界框都将可见部分表示为实线、不可见部分表示为虚线。
图5中,第二边界框的第二外表面的上边线上标记有两个“深色实心点”,分别对应上边线靠近大型车的端点和上边线的中点。同时可以看出,最靠近大型车的“深色实心点”落入了第一外表面内,而距大型车稍远的“深色实心点”并未落入第一外表面内。即图5示出了只有一个关键点落入第一外表面的情况。
在上述各实施例的基础上,在根据重合程度确定小型车的被遮挡程度之后,本实施例还通过图6提供了一种根据不同被遮挡程度选择相应后续处理方式的示意图,其流程600包括如下步骤:
步骤601:确定小型车的被遮挡程度;
步骤602:每隔预设时长重新对大型车和小型车拍摄得到新停车图像;
本步骤建立在步骤601确定出的被遮挡程度为未遮挡的基础上,旨在由上述执行主体每隔预设时长重新对大型车和小型车拍摄得到新停车图像。即通过定时更新停车图像,以使后续需要调取相关图像时,总是有最新的停车图像可供查看。
步骤603:调低用于确定连续两张停车图像中停放在相同位置的车辆是否为同一辆车的匹配阈值;
本步骤建立在步骤601确定出的被遮挡程度为轻微遮挡的基础上,旨在由上述执行主体调低用于确定连续两张停车图像中停放在相同位置的车辆是否为同一辆车的匹配阈值。以通过调低的匹配阈值在被轻微遮挡的情况下,更好的判断两张图像中的车是否为同一辆车。
步骤604:根据小型车的入位图像和出位图像,确定小型车的停车时长和停车状态。
本步骤建立在步骤601确定出的被遮挡程度为严重遮挡的基础上,旨在由上述执行主体根据小型车的入位图像和出位图像,确定小型车的停车时长和停车状态。
其中,入位图像为小型车在停入第二车位时抓拍得到的图像,出位图像为小型车在驶出第二车位时抓拍得到的图像。
具体的,在入位图像和出位图像中的小型车特征匹配度超过预设匹配度时,就可以确定小型车的停车时长为入位图像和出位图像的拍摄时间差,并根据入位图像和出位图像确定停车状态。例如根据入位图像的入位角度、出位图像的出位角度,来倒退其停车时的具体停车姿态,进而根据停车姿态确定其是否正常停车,还是处于诸如跨位停车、斜位停车、压线停车、逆向停车、一车多位的违规停车状态。进一步的,无论是发现大型车还是小型车存在违规停车,还可以在确定违规类型的情况下,准确的向相关执法机关推送相关的消息,用于准确定责。
需要说明的是,本实施例中的步骤602、603和604,分别对应三种并列的处理分支,这三种并列的处理分支之间完全不存在因果和依赖关系,完全可以独立存在,本实施例仅作为一个同时将其体现在一个实施例内的优选实施例,在其它情况下,上述三种并列的处理分支也可以完全作为三个不同的实施例存在。
另外,除了可以利用上述实施例提到的三维建模技术对车辆生成边界框进行遮挡检测和遮挡程度的确定,还同样可以将通过三维建模技术对各式车辆生成的边界框用于更为准确的确定车辆的停车状态:
以图5所示的大型车为例,首先,利用三维建模技术生成与其对应的第一边界框;然后,通过预先对停车区域下各车位的标定信息,确定其所停位置的第一车位的边界信息;接着,确定该第一边界框在车位坐标系下的空间坐标;最后,确定该第一边界框的底面的坐标形成的底面区域,以及确定与该第一车位的车位标准区域,从而通过计算两这个区域之间的重合度,来确定该大型车的停车状态。
即该停车状态可以简单的分为正好停在第一车位内的正常停车,以及未正好停在第一车位内的违规停车,例如跨位停车、斜位停车、压线停车、逆向停车、一车多位等。
同时,还可以根据预先对停车区域下各车位类型的标定信息,确定所停车辆的(大小)车型是否与所停车位的(大小)类型匹配,即是否存在大型车停在小型车车位的情况、小型车是否停在大型车车位的情况,从而针对大型车占用多个小型车车位停车等复杂停车情况,进行准确的识别和计费。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种停车遮挡确定装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的停车遮挡确定装置700可以包括:大型车边界框生成单元701、第二车位边界信息确定单元702、小型车疑似车辆尺寸确定单元703、小型车边界框生成单元704、小型车被遮挡程度确定单元705。其中,大型车边界框生成单元701,被配置成利用三维建模技术为停车图像中的大型车生成第一边界框;第二车位边界信息确定单元702,被配置成根据预先对停车区域内各车位的标定信息,确定与大型车停放在的第一车位相邻的第二车位的边界信息;其中,第一车位比第二车位距拍摄得到停车图像的摄像头更近;小型车疑似车辆尺寸确定单元703,被配置成从停车图像中获取停放在第二车位的小型车的已知特征,并根据预设的车辆尺寸统计信息确定与已知特征对应的疑似车辆尺寸;小型车边界框生成单元704,被配置成根据边界信息和疑似车辆尺寸,利用三维建模技术为小型车生成第二边界框;小型车被遮挡程度确定单元705,被配置成根据第一边界框和第二边界框的重合程度,确定小型车的被遮挡程度。
在本实施例中,停车遮挡确定装置700中:大型车边界框生成单元701、第二车位边界信息确定单元702、小型车疑似车辆尺寸确定单元703、小型车边界框生成单元704、小型车被遮挡程度确定单元705的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-205的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,小型车被遮挡程度确定单元702可以包括:
第一外表面确定子单元,被配置成将构成第一边界框的与第一车位外侧的长边界垂直的外表面,确定为与大型车对应的第一外表面;
第二外表面确定子单元,被配置成将构成第二边界框的与第二车位外侧的长边界垂直的外表面,确定为与小型车对应的第二外表面;
被遮挡程度确定子单元,被配置成基于第一外表面和第二外表面的重合程度,确定小型车的被遮挡程度。
在本实施例的一些可选的实现方式中,被遮挡程度确定子单元包括:
上边线确定模块,被配置成将构成第二外表面的与地面平行的边线,确定为上边线;
被遮挡程度确定模块,被配置成根据上边线上落在第一外表面中的关键点数量,确定小型车的被遮挡程度。
在本实施例的一些可选的实现方式中,被遮挡程度确定子单元还可以包括:
第一关键点确定模块,被配置成将上边线上靠近第一外表面的端点确定为第一关键点;
第二关键点确定模块,被配置成将上边线的中点确定为第二关键点;
第三关键点确定模块,被配置成将上边线上远离第一外表面的端点确定为第三关键点。
在本实施例的一些可选的实现方式中,停车遮挡确定装置700还可以包括:
未遮挡处理单元,被配置成响应于确定出小型车的被遮挡程度为未被遮挡,每隔预设时长重新对大型车和小型车拍摄得到新停车图像;
轻微遮挡处理单元,被配置成响应于确定出小型车的被遮挡程度为轻微遮挡,调低匹配阈值;其中,匹配阈值用于确定连续两张停车图像中停放在相同位置的车辆是否为同一辆车。
在本实施例的一些可选的实现方式中,停车遮挡确定装置700还可以包括:
严重遮挡处理单元,被配置成响应于确定出小型车的被遮挡程度为严重遮挡,根据小型车的入位图像和出位图像,确定小型车的停车时长和停车状态;其中,入位图像为小型车在停入第二车位时抓拍得到的图像,出位图像为小型车在驶出第二车位时抓拍得到的图像。
在本实施例的一些可选的实现方式中,严重遮挡处理单元被进一步配置成:
响应于入位图像和出位图像中的小型车特征匹配度超过预设匹配度,确定小型车的停车时长为入位图像和出位图像的拍摄时间差,并根据入位图像和出位图像确定停车状态。
本实施例作为对应于上述方法实施例的装置实施例存在,本实施例提供的停车遮挡确定装置,首先利用三维建模技术生成未被遮挡的大型车的第一边界框,然后针对可能被大型车遮挡的小型车,借助预先标定过程确定出的第二车位的边界信息和基于已知特征确定出的疑似车辆尺寸,为该小型车生成一个较准确的第二边界框,进而得以通过第一边界框和第二边界框的重合程度,较为准确的确定出小型车的被遮挡程度,进而有利于准确的确定被遮挡的小型车的停车状态。
根据本公开的实施例,本公开还提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现上述任意实施例所描述的停车遮挡确定方法。
根据本公开的实施例,本公开还提供了一种可读存储介质,该可读存储介质存储有计算机指令,该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的停车遮挡确定方法。
根据本公开的实施例,本公开还提供了一种计算机程序产品,该计算机程序在被处理器执行时能够实现上述任意实施例所描述的停车遮挡确定方法。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如停车遮挡确定方法。例如,在一些实施例中,停车遮挡确定方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的停车遮挡确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行停车遮挡确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
根据本公开实施例的技术方案,首先利用三维建模技术生成未被遮挡的大型车的第一边界框,然后针对可能被大型车遮挡的小型车,借助预先标定过程确定出的第二车位的边界信息和基于已知特征确定出的疑似车辆尺寸,为该小型车生成一个较准确的第二边界框,进而得以通过第一边界框和第二边界框的重合程度,较为准确的确定出小型车的被遮挡程度,进而有利于准确的确定被遮挡的小型车的停车状态。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种停车遮挡确定方法,包括:
利用三维建模技术为停车图像中的大型车生成第一边界框;
根据预先对停车区域内各车位的标定信息,确定与所述大型车停放在的第一车位相邻的第二车位的边界信息;其中,所述第一车位比所述第二车位距拍摄得到所述停车图像的摄像头更近;
从所述停车图像中获取停放在所述第二车位的小型车的已知特征,并根据预设的车辆尺寸统计信息确定与所述已知特征对应的疑似车辆尺寸;
根据所述边界信息和所述疑似车辆尺寸,利用所述三维建模技术为所述小型车生成第二边界框;
根据所述第一边界框和所述第二边界框的重合程度,确定所述小型车的被遮挡程度。
2.根据权利要求1所述的方法,其中,所述根据所述第一边界框和所述第二边界框的重合程度,确定所述小型车的被遮挡程度,包括:
将构成所述第一边界框的与所述第一车位外侧的长边界垂直的外表面,确定为与所述大型车对应的第一外表面;
将构成所述第二边界框的与所述第二车位外侧的长边界垂直的外表面,确定为与所述小型车对应的第二外表面;
基于所述第一外表面和所述第二外表面的重合程度,确定所述小型车的被遮挡程度。
3.根据权利要求2所述的方法,其中,所述基于所述第一外表面和所述第二外表面的重合程度,确定所述小型车的被遮挡程度,包括:
将构成所述第二外表面的与地面平行的边线,确定为上边线;
根据所述上边线上落在所述第一外表面中的关键点数量,确定所述小型车的被遮挡程度。
4.根据权利要求3所述的方法,其中,在根据所述上边线上落在所述第一外表面中的关键点数量,确定所述小型车的被遮挡程度之前,还包括:
将所述上边线上靠近所述第一外表面的端点确定为第一关键点;
将所述上边线的中点确定为第二关键点;
将所述上边线上远离所述第一外表面的端点确定为第三关键点。
5.根据权利要求1-4任一项所述的方法,还包括:
响应于确定出所述小型车的被遮挡程度为未被遮挡,每隔预设时长重新对所述大型车和所述小型车拍摄得到新停车图像;
响应于确定出所述小型车的被遮挡程度为轻微遮挡,调低匹配阈值;其中,所述匹配阈值用于确定连续两张停车图像中停放在相同位置的车辆是否为同一辆车。
6.根据权利要求1-4任一项所述的方法,还包括:
响应于确定出所述小型车的被遮挡程度为严重遮挡,根据所述小型车的入位图像和所述出位图像,确定所述小型车的停车时长和停车状态;其中,所述入位图像为所述小型车在停入所述第二车位时抓拍得到的图像,所述出位图像为所述小型车在驶出所述第二车位时抓拍得到的图像。
7.根据权利要求6所述的方法,其中,所述根据所述小型车的入位图像和所述出位图像,确定所述小型车的停车时长和停车状态,包括:
响应于所述入位图像和所述出位图像中的小型车特征匹配度超过预设匹配度,确定所述小型车的停车时长为所述入位图像和所述出位图像的拍摄时间差,并根据所述入位图像和所述出位图像确定所述停车状态。
8.一种停车遮挡确定装置,包括:
大型车边界框生成单元,被配置成利用三维建模技术为停车图像中的大型车生成第一边界框;
第二车位边界信息确定单元,被配置成根据预先对停车区域内各车位的标定信息,确定与所述大型车停放在的第一车位相邻的第二车位的边界信息;其中,所述第一车位比所述第二车位距拍摄得到所述停车图像的摄像头更近;
小型车疑似车辆尺寸确定单元,被配置成从所述停车图像中获取停放在所述第二车位的小型车的已知特征,并根据预设的车辆尺寸统计信息确定与所述已知特征对应的疑似车辆尺寸;
小型车边界框生成单元,被配置成根据所述边界信息和所述疑似车辆尺寸,利用所述三维建模技术为所述小型车生成第二边界框;
小型车被遮挡程度确定单元,被配置成根据所述第一边界框和所述第二边界框的重合程度,确定所述小型车的被遮挡程度。
9.根据权利要求8所述的装置,其中,所述小型车被遮挡程度确定单元包括:
第一外表面确定子单元,被配置成将构成所述第一边界框的与所述第一车位外侧的长边界垂直的外表面,确定为与所述大型车对应的第一外表面;
第二外表面确定子单元,被配置成将构成所述第二边界框的与所述第二车位外侧的长边界垂直的外表面,确定为与所述小型车对应的第二外表面;
被遮挡程度确定子单元,被配置成基于所述第一外表面和所述第二外表面的重合程度,确定所述小型车的被遮挡程度。
10.根据权利要求9所述的装置,其中,所述被遮挡程度确定子单元包括:
上边线确定模块,被配置成将构成所述第二外表面的与地面平行的边线,确定为上边线;
被遮挡程度确定模块,被配置成根据所述上边线上落在所述第一外表面中的关键点数量,确定所述小型车的被遮挡程度。
11.根据权利要求10所述的装置,其中,所述被遮挡程度确定子单元还包括:
第一关键点确定模块,被配置成将所述上边线上靠近所述第一外表面的端点确定为第一关键点;
第二关键点确定模块,被配置成将所述上边线的中点确定为第二关键点;
第三关键点确定模块,被配置成将所述上边线上远离所述第一外表面的端点确定为第三关键点。
12.根据权利要求8-11任一项所述的装置,还包括:
未遮挡处理单元,被配置成响应于确定出所述小型车的被遮挡程度为未被遮挡,每隔预设时长重新对所述大型车和所述小型车拍摄得到新停车图像;
轻微遮挡处理单元,被配置成响应于确定出所述小型车的被遮挡程度为轻微遮挡,调低匹配阈值;其中,所述匹配阈值用于确定连续两张停车图像中停放在相同位置的车辆是否为同一辆车。
13.根据权利要求8-11任一项所述的装置,还包括:
严重遮挡处理单元,被配置成响应于确定出所述小型车的被遮挡程度为严重遮挡,根据所述小型车的入位图像和所述出位图像,确定所述小型车的停车时长和停车状态;其中,所述入位图像为所述小型车在停入所述第二车位时抓拍得到的图像,所述出位图像为所述小型车在驶出所述第二车位时抓拍得到的图像。
14.根据权利要求13所述的装置,其中,所述严重遮挡处理单元被进一步配置成:
响应于所述入位图像和所述出位图像中的小型车特征匹配度超过预设匹配度,确定所述小型车的停车时长为所述入位图像和所述出位图像的拍摄时间差,并根据所述入位图像和所述出位图像确定所述停车状态。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的停车遮挡确定方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的停车遮挡确定方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1-7中任一项所述停车遮挡确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210619212.2A CN114943805B (zh) | 2022-06-01 | 2022-06-01 | 停车遮挡确定方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210619212.2A CN114943805B (zh) | 2022-06-01 | 2022-06-01 | 停车遮挡确定方法、装置、设备、存储介质及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114943805A true CN114943805A (zh) | 2022-08-26 |
CN114943805B CN114943805B (zh) | 2023-08-01 |
Family
ID=82909309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210619212.2A Active CN114943805B (zh) | 2022-06-01 | 2022-06-01 | 停车遮挡确定方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943805B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762172A (zh) * | 2022-11-02 | 2023-03-07 | 济南博观智能科技有限公司 | 一种出入车位车辆识别方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010175756A (ja) * | 2009-01-29 | 2010-08-12 | Zenrin Co Ltd | 路面標示地図生成方法及び路面標示地図生成装置 |
JP2011150687A (ja) * | 2009-12-25 | 2011-08-04 | Ricoh Co Ltd | 立体物識別装置、並びに、これを備えた移動体制御装置及び情報提供装置 |
CN108549864A (zh) * | 2018-04-12 | 2018-09-18 | 广州飒特红外股份有限公司 | 面向车载热成像行人检测的感兴趣区域过滤方法和装置 |
CN109871789A (zh) * | 2019-01-30 | 2019-06-11 | 电子科技大学 | 一种基于轻量化神经网络的复杂环境下车辆检测方法 |
US20190369391A1 (en) * | 2018-05-31 | 2019-12-05 | Renault Innovation Silicon Valley | Three dimensional augmented reality involving a vehicle |
-
2022
- 2022-06-01 CN CN202210619212.2A patent/CN114943805B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010175756A (ja) * | 2009-01-29 | 2010-08-12 | Zenrin Co Ltd | 路面標示地図生成方法及び路面標示地図生成装置 |
JP2011150687A (ja) * | 2009-12-25 | 2011-08-04 | Ricoh Co Ltd | 立体物識別装置、並びに、これを備えた移動体制御装置及び情報提供装置 |
CN108549864A (zh) * | 2018-04-12 | 2018-09-18 | 广州飒特红外股份有限公司 | 面向车载热成像行人检测的感兴趣区域过滤方法和装置 |
US20190369391A1 (en) * | 2018-05-31 | 2019-12-05 | Renault Innovation Silicon Valley | Three dimensional augmented reality involving a vehicle |
CN109871789A (zh) * | 2019-01-30 | 2019-06-11 | 电子科技大学 | 一种基于轻量化神经网络的复杂环境下车辆检测方法 |
Non-Patent Citations (1)
Title |
---|
周星宇: "基于深度学习复杂场景下停车管理视觉算法的研究与实现", no. 07, pages 034 - 533 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762172A (zh) * | 2022-11-02 | 2023-03-07 | 济南博观智能科技有限公司 | 一种出入车位车辆识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114943805B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11422261B2 (en) | Robot relocalization method and apparatus and robot using the same | |
CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
WO2022142628A1 (zh) | 一种点云数据处理方法及装置 | |
JP7422105B2 (ja) | 路側計算装置に用いる障害物3次元位置の取得方法、装置、電子デバイス、コンピュータ可読記憶媒体、及びコンピュータプログラム | |
CN113052066B (zh) | 三维目标检测中基于多视图和图像分割的多模态融合方法 | |
WO2022213632A1 (zh) | 用于标定毫米波雷达的方法、装置、电子设备及路侧设备 | |
WO2022206517A1 (zh) | 一种目标检测方法及装置 | |
CN115719436A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN114550142A (zh) | 基于4d毫米波雷达和图像识别融合的车位检测方法 | |
CN114943805A (zh) | 停车遮挡确定方法、装置、设备、存储介质及程序产品 | |
CN114764885A (zh) | 障碍物的检测方法、装置、计算机可读存储介质和处理器 | |
CN117612132A (zh) | 鸟瞰视角bev俯视图的补全方法、装置和电子设备 | |
CN113903188B (zh) | 车位检测方法、电子设备及计算机可读存储介质 | |
CN113033456B (zh) | 车辆车轮接地点的确定方法、装置、路侧设备及云控平台 | |
CN112507964B (zh) | 用于车道级事件的检测方法和装置、路侧设备和云控平台 | |
CN114742726A (zh) | 盲区的检测方法、装置、电子设备及存储介质 | |
CN114005098A (zh) | 高精地图车道线信息的检测方法、装置和电子设备 | |
CN113554882A (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN114429631A (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN111950420A (zh) | 一种避障方法、装置、设备和存储介质 | |
CN114943954B (zh) | 一种车位检测方法、装置和系统 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN116703952B (zh) | 过滤遮挡点云的方法、装置、计算机设备及存储介质 | |
CN114783172B (zh) | 一种停车场空车位识别方法及系统、计算机可读存储介质 | |
CN115294234B (zh) | 图像的生成方法、装置、电子设备和存储介质 |
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 |