CN115050005B - 目标检测方法及用于高位视频智慧停车场景的检测装置 - Google Patents

目标检测方法及用于高位视频智慧停车场景的检测装置 Download PDF

Info

Publication number
CN115050005B
CN115050005B CN202210693526.7A CN202210693526A CN115050005B CN 115050005 B CN115050005 B CN 115050005B CN 202210693526 A CN202210693526 A CN 202210693526A CN 115050005 B CN115050005 B CN 115050005B
Authority
CN
China
Prior art keywords
picture
vehicle
target
parking space
detection result
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
CN202210693526.7A
Other languages
English (en)
Other versions
CN115050005A (zh
Inventor
马桥
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.)
Beijing Elite Road Technology Co ltd
Original Assignee
Beijing Elite Road Technology 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 Beijing Elite Road Technology Co ltd filed Critical Beijing Elite Road Technology Co ltd
Priority to CN202210693526.7A priority Critical patent/CN115050005B/zh
Publication of CN115050005A publication Critical patent/CN115050005A/zh
Application granted granted Critical
Publication of CN115050005B publication Critical patent/CN115050005B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本公开提供了一种目标检测方法及用于高位视频智慧停车场景的检测装置，涉及人工智能技术领域，尤其涉及智能交通、智慧停车等领域。具体实现方案为：对第一待检测图片中的停车位基于外扩及剪裁处理，得到第一目标图片；对第二待检测图片中的车辆基于外扩及剪裁处理，得到第二目标图片；以及，根据目标检测模型，分别对第一目标图片中的停车位及第二目标图片中的车辆进行关键点检测，得到目标检测结果。采用本公开，可以提高目标检测精度。

Description

目标检测方法及用于高位视频智慧停车场景的检测装置
技术领域
本公开涉及人工智能技术领域，尤其涉及智能交通、智慧停车等领域。
背景技术
目标检测场景中，需要提高针对目标对象的目标检测精度，以该目标对象为停车位为例，为了实现停车的目标检测场景中路侧停车位的集中管理，需要准确的检测出停车位的位置。
发明内容
本公开提供了一种目标检测方法、装置、用于高位视频智慧停车场景的检测装置、电子设备以及存储介质。
根据本公开的一方面，提供了一种目标检测方法，包括：
对第一待检测图片中的停车位基于外扩及剪裁处理，得到第一目标图片；
对第二待检测图片中的车辆基于外扩及剪裁处理，得到第二目标图片；
以及，根据目标检测模型，分别对所述第一目标图片中的所述停车位及所述第二目标图片中的所述车辆进行关键点检测，得到目标检测结果。
根据本公开的另一方面，提供了一种目标检测装置，包括：
第一处理模块，用于对第一待检测图片中的停车位基于外扩及剪裁处理，得到第一目标图片；
第二处理模块，用于对第二待检测图片中的车辆基于外扩及剪裁处理，得到第二目标图片；
目标检测模块，用于根据目标检测模型，分别对所述第一目标图片中的所述停车位及所述第二目标图片中的所述车辆进行关键点检测，得到目标检测结果。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任意一实施例所提供的方法。
根据本公开的另一方面，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该计算机执行本公开任意一项实施例所提供的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现本公开任意一项实施例所提供的方法。
根据本公开的另一方面，提供了一种用于高位视频智慧停车场景的检测装置，包括所述的电子设备。
采用本公开，可以对第一待检测图片中的停车位基于外扩及剪裁处理，以得到第一目标图片，可以对第二待检测图片中的车辆基于外扩及剪裁处理，以得到第二目标图片。以及，可以根据目标检测模型分别对第一目标图片中的停车位及第二目标图片中的车辆进行关键点检测，得到目标检测结果，从而，提高了目标检测精度。
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
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例的一停车场景的示意图；
图2是根据本公开实施例的一目标检测方法的流程示意图；
图3是根据本公开实施例的一停车位的示意图；
图4是根据本公开实施例的一停车位所在区域外扩及剪裁的示意图；
图5是根据本公开实施例的另一目标检测方法的流程示意图；
图6是根据本公开实施例的一停车位检测的示意图；
图7是根据本公开实施例的一停车位检测结果的示意图；
图8是根据本公开实施例的车辆检测的示意图；
图9-图10是根据本公开实施例的停车管理的示意图；
图11是相关技术中目标检测存在误差的示意图；
图12是根据本公开实施例的一应用示例的采集及检测的交互示意图；
图13是根据本公开实施例的一应用示例的空闲停车位识别的示意图；
图14是根据本公开实施例的一应用示例中基于检测结果自动标注的示意图；
图15是根据本公开实施例的目标检测装置的组成结构示意图；
图16是用来实现本公开实施例的目标检测方法的电子设备的框图。
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。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。本文中术语“第一”、“第二”表示指代多个类似的技术用语并对其进行区分，并不是限定顺序的意思，或者限定只有两个的意思，例如，第一特征和第二特征，是指代有两类/两个特征，第一特征可以为一个或多个，第二特征也可以为一个或多个。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
根据本公开的实施例，图1是根据本公开实施例的一停车场景的示意图，示例性的描述了可以利用车辆101中所部署的目标检测装置(用于执行本公开目标检测方法的装置)，通过与车机的数据通信，结合车机的显示界面108上显示的辅助信息进行快捷的泊车入位，从而将车辆101泊车到停车位104。其中，该车机可以搭载全景式监控影像系统(Around View Monitor，AVM)，显示界面108上显示的辅助信息可以是用于泊车的一对引导辅助线(如引导辅助线106及引导辅助线107)，停车位104及车辆101行驶路径周边的全景图像，全景图像中可以包括指示牌或障碍物等，通过这些辅助信息不仅可以提高泊车速度，利用停车管理，而且还可以辅助驾驶行为，图1中可以包括：多个停车位(如停车位103、停车位104及105)，在停车位105中已经存在已泊车入位的车辆102，车辆101通过所部署的目标检测装置可以准确的对停车位及车辆进行关键点检测，从而得到目标检测结果，以便根据目标检测结果中停车位与车辆的相对位置关系进行停车管理，最终将车辆101快速的泊车到停车位104。
需要指出的是，本公开的实施例不仅可以用于上述车辆中，还可以用于路侧设备中，即将目标检测装置(用于执行本公开目标检测方法的装置)部署在路侧设备中，通过路侧设备采集的高位视频所得到的第一待检测图片及第二待检测图片，实现上述关键点检测，从而得到更为准确的目标检测结果(如车位关键点的检测结果、及车胎关键点的检测结果)，也可以满足上述停车场景中的停车管理，使得车辆快速的泊车到停车位。
根据本公开的实施例，提供了一种目标检测方法，图2是根据本公开实施例的目标检测方法的流程示意图，该方法可以应用于目标检测装置，例如，该装置可以部署于单机、多机或集群系统中的终端或服务器或其它处理设备执行的情况下，可以实现目标检测等等处理。其中，终端可以为用户设备(UE，User Equipment)、移动设备、个人数字处理(PDA，Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图2所示，该方法可以应用于车辆在停车场景中的目标检测，包括：
S201、对第一待检测图片中的停车位基于外扩及剪裁处理，得到第一目标图片。
S202、对第二待检测图片中的车辆基于外扩及剪裁处理，得到第二目标图片。
S203、根据目标检测模型，分别对第一目标图片中的停车位及第二目标图片中的车辆进行关键点检测，得到目标检测结果。
S201-S203的一示例中，对停车位所在区域进行图片采集，可以得到该第一待检测图片，对车辆所在区域进行图片采集，可以得到该第二待检测图片。考虑到一般采用多个停车位串联布置的排列方式，这容易导致多个用于停车位检测的边界框可能出现相叠加及重叠的问题，而边界框可能出现相叠加及重叠，作为一种干扰因素，使得对于停车位及车辆的关键点检测是不精确的，无法满足快速泊车的需求，分别对该第一待检测图片中的停车位基于外扩及剪裁处理所得到的第一目标图片，以及对该第二待检测图片中的车辆基于外扩及剪裁处理所得到的第二目标图片，可以规避该干扰因素，在该第一目标图片中只保留停车位，以及在该第二目标图片中只保留车辆，从而根据目标检测模型进行关键点检测，可以得到更为精确的目标检测结果。
采用本公开，可以对第一待检测图片中的停车位基于外扩及剪裁处理，以得到第一目标图片，可以对第二待检测图片中的车辆基于外扩及剪裁处理，以得到第二目标图片。以及，可以根据目标检测模型分别对第一目标图片中的停车位及第二目标图片中的车辆进行关键点检测，得到目标检测结果，由于可以实现外扩及剪裁处理，因此，在排除干扰因素且只保留停车位及车辆的情况下进行关键点的检测，可以得到更为精确的目标检测结果，从而提高了目标检测精度。
一实施方式中，对第一待检测图片中的停车位基于外扩及剪裁处理，得到第一目标图片，包括：将第一待检测图片中包括停车位轮廓的外接矩形框进行外扩处理，得到第一边界框。根据停车位轮廓特征，识别出该第一边界框中的停车位。从该第一待检测图片中剪裁出该停车位，得到第一目标图片。
一些示例中，如图3所示的第一待检测图片中，包括停车位所在区域201，停车位所在区域201中包括多个停车位(如停车位202、停车位203及停车位204)，对该第一待检测图片中的停车位基于外扩及剪裁处理，比如，将第一待检测图片中包括停车位轮廓的外接矩形框进行外扩处理，可以得到第一边界框。
一些示例中，如图4所示，第一待检测图片中包括停车位所在区域401，在停车位所在区域401中包括多个停车位。对该第一待检测图片中包括停车位轮廓的外接矩形框进行外扩处理，可以得到对应多个停车位的多个第一边界框，根据停车位轮廓特征可以分别识别出多个第一边界框中的停车位，从该第一待检测图片中剪裁出该停车位，得到多个第一目标图片(如第一目标图片402、第一目标图片403及第一目标图片404)。
采用本实施方式，由于是经过外扩及剪裁处理后得到的第一目标图片，不含有干扰因素(不包括非第一目标图片，即只有停车位)，检测精确度更高，而且，剪裁后数据量下降了，在后续目标检测模型针对该第一目标图片进行检测运算时，运算速度更快。
一实施方式中，对第二待检测图片中的车辆基于外扩及剪裁处理，得到第二目标图片，包括：将第二待检测图片中包括车辆的外接矩形框进行外扩处理，得到第二边界框。根据车辆特征识别出该第二边界框中的车辆，从该第二待检测图片中剪裁出该车辆，得到第二目标图片。
与上述对停车位基于外扩及剪裁处理以得到第一目标图片的原理类似，只是针对的目标对象为车辆，而不是停车位，此处不做赘述。采用本实施方式，由于是经过外扩及剪裁处理后得到的第二目标图片，不含有干扰因素(不包括非第二目标图片，即只有车辆)，检测精确度更高，而且，剪裁后数据量下降了，在后续目标检测模型针对该第二目标图片进行检测运算时，运算速度更快。
根据本公开的实施例，提供了一种目标检测方法，图5是根据本公开实施例的目标检测方法的流程示意图，该方法可以应用于目标检测装置，如图5所示，该方法可以应用于车辆在停车场景中的目标检测，包括：
S501、对第一待检测图片中的停车位基于外扩及剪裁处理，得到第一目标图片。
一些示例中，可以将第一待检测图片中包括停车位轮廓的外接矩形框进行外扩处理，得到第一边界框，根据停车位轮廓特征，识别出该第一边界框中的停车位后，从该第一待检测图片中剪裁出该停车位，从而得到该第一目标图片。
S502、对第二待检测图片中的车辆基于外扩及剪裁处理，得到第二目标图片。
一些示例中，可以将第二待检测图片中包括车辆的外接矩形框进行外扩处理，得到第二边界框，根据车辆特征识别出该第二边界框中的车辆后，从该第二待检测图片中剪裁出该车辆，从而得到该第二目标图片。
S503、根据目标检测模型，对第一目标图片中停车位对应的车位关键点进行检测，得到第一检测结果。
一些示例中，如图6所示，可以对第一目标图片中停车位对应的车位关键点进行检测，比如，构成停车位501的四个顶点(记为顶点V1、顶点V2、顶点V3及顶点V4)为车位关键点，对该车位关键点进行检测，可以得到该第一检测结果。
一些示例中，如图7所示，针对多个停车位分别对应的多个第一目标图片(记为第一目标图片P1、第一目标图片P2及第一目标图片P3)，经过对多个第一目标图片中包括相应多个停车位的车位关键点检测，可以得到多个停车位的检测结果。
S504、根据目标检测模型，对第二目标图片中车辆对应的车胎关键点进行检测，得到第二检测结果。
一些示例中，如图8所示，包括停车位801、及第二目标图片802中的车辆(为了方便描述车胎关键点，此处并未显示车辆，只显示了车辆的轮胎及轮胎中轴线)，可以对第二目标图片802中车辆对应的车胎关键点进行检测，比如，车辆的车胎与地面相接触的四个接触点(记为接触点T1、接触点T2、接触点T3及接触点T4)为车胎关键点，对该车胎关键点进行检测，可以得到该第二检测结果。
S505、根据第一检测结果及第二检测结果，得到目标检测结果。
一实施方式中，还包括：获取与停车位及车辆相关的数据标签，其中，该数据标签至少包括边界框和/或关键点两种类型。用于检测模型训练的训练数据至少包括数据标签的情况下，在该数据标签的约束下对该检测模型进行监督学习，得到训练后的检测模型，将训练后的检测模型作为上述目标检测模型。其中，训练数据可以为图片样本数据。
一些示例中，该目标检测模型的网络结构可以包括卷积层和池化层，也可以是基于卷积层和池化层扩展的其他网络结构。考虑到加深卷积层的深度可以一定程度上能更容易检测出目标对象，但是随着卷积层的加深，也会带来计算量的增加，是一种以推理时间及算力换精度的方法，对硬件设备的算力、性能都要求较高，且推理时间较长也会降低用户体验，本示例中为了规避推理时间较长的问题，对于卷积层的采用了通道剪枝技术，比如，可以将128维度降低到64维度，从而达到数据降维的目的，不仅保证了目标检测精度，而且由于数据降维使得数据量少了，在模型推理的过程中提高了运算速度。在实践中，比如，将卷积层裁减为原有一半的通道，可以使模型推理时间比原来减少了2/3。
一些示例中，考虑到该目标检测模型需要部署到不同的前端设备中，为了匹配不同前端设备中芯片的量化需求，即：考虑不同平台的兼容性，以方便后续不同平台的移植，可以通过量化处理，将浮点格式的目标检测模型转换为定点格式，通过将目标检测模型由浮点格式转换为定点格式，虽然有一定的精度损失，但是运算速度更快，且可以更好的满足不同平台的兼容性及可移植性，方便部署到各种不同的前端设备中。
采用本实施方式，使用本公开专有的训练数据并进行有监督学习，得到的目标检测模型为专用模型，可以实现更为精确及快捷的目标检测。
一实施方式中，还包括：响应目标检测结果的坐标变换操作，根据坐标映射关系，将该目标检测结果由采集视角变换到鸟瞰图视角。其中，该坐标映射关系为该采集视角下的第一坐标系到该鸟瞰图视角下的第二坐标系构成的映射关系。采用本实施方式，通过坐标映射关系，将目标检测结果(如车位关键点的检测结果、及车胎关键点的检测结果)进行坐标变换，以将目标检测结果显示在鸟瞰图下，由于鸟瞰图可以反映真实世界的现实场景，有别于采集视角可能导致的偏差，因此，可以通过与该现实场景的相匹配，实现更精确、更快捷的停车管理。
一实施方式中，还包括：根据目标检测结果中停车位与车辆的相对位置关系，进行停车管理。
一些示例中，如图9所示，目标检测结果显示在鸟瞰图下，多个停车位可以记为停车位P1-停车位P8，停车位与车辆可以处于第一位置关系(如车辆位于停车位之内)。
一些示例中，如图10所示，目标检测结果显示在鸟瞰图下，多个停车位可以记为停车位P1-停车位P8，停车位与车辆可以处于第二位置关系(如车辆与停车位P8之间存在转角，即：车辆没有位于停车位之内)。
相关技术中，如图11所示，通过采集设备(如摄像头)直接得到的待检测图片中包括车辆(如车辆1101、车辆1102及车辆1103)及其停车位，由于采集误差，导致多个用于检测的边界框(如车辆1102及车辆1103的边界框)互相重叠或相交，或者用于检测的边界框小于车辆(图中未显示)，从而导致针对该待检测图片中的车辆及停车位进行检测，得到不准确的目标检测结果。
具体的，以高位视频停车场景的目标检测为例，将高位视频设备(如路侧设备的摄像头)作为上述采集设备，为了实现对该高位视频停车场景中路侧停车位(如在现实场景中划定在道路边缘指示可用于停车位置的矩形框，通常是多个车位串联布置)的集中管理，通过路侧停车监控系统进行检测，给定停车位的位置及其轮廓，需要准确地知道每个停车位的位置，即通过停车位的四条边或者停车位的四个顶点来准确定位每个停车位，检测车辆，判断该车辆是否驶入空闲的停车位，以对停车位进行集中管理。
然而，相关技术中对停车位进行检测时，是基于上述高位视频设备采集待检测区域的画面，操作人员根据待检测区域的画面，在高位视频停车系统的视频监控画面中标记各个停车位矩形框的四个顶点，以便后续可以基于该手动标记的车位顶点得到车位矩形框的四条边，从而，通过判断车辆与停车位边界框的相对位置关系来判断车辆是否进入和离开停车位。由于需要操作人员手动标注停车位，受限于操作人员的理解能力和技能水平，手动标注的车位位置可能存在一定误差；当高位视频监控设备偏离预设位置或角度时，手动标注的车位会随画面移动，标注也就失效了，就需要人工再次标注；在空闲停车位的检测时，由于相机视角所看到的场景存在视角差异，很难准确判断出车辆在三维真实世界中的准确位置，因此，无法准确的判断出车辆是否停在当前停车位。
本应用示例中，图12是根据本公开实施例的一应用示例的采集及检测的交互示意图，如图12所示，示例性的，包括采集设备1201、车辆上部署的雷达1202(可以是超声波雷达)及目标检测装置1203。采集设备1201及目标检测装置1203可以集中部署于路侧设备中，也可以将目标检测装置1203部署在车辆上，利用车辆自带的摄像头(比如车辆前后左右、或者前后、或左右设置的摄像头，不限于普通摄像头或红外摄像头)实现上述本公开实施例的目标检测方法。
本应用示例中，图13所示是根据本公开实施例的一应用示例的空闲停车位识别的示意图，如图13所示，包括：通过上述采集设备进行高位视频的采集，对得到的待检测图片分别进行车辆检测及停车位检测，分别得到各自的检测结果，如针对车胎关键点的检测及针对停车位的检测所得到的检测结果，并将该检测结果作为目标检测结果，将目标检测结果变换为鸟瞰图坐标后，基于鸟瞰图坐标下的该目标检测结果可以准确的判断出空闲停车位，从而实现了精确的停车集中管理。
本应用示例中，图14是根据本公开实施例的一应用示例中基于检测结果自动标注的示意图，如图14所示，通过上述目标检测方法得到目标检测结果后，有别于相关技术的手工标注，本应用示例可以实现目标检测结果的自动标注，具体的，可以基于通过检验车辆关键点(如关键点1401)与车胎关键点(如关键点1402)，以及结合检验停车位顶点(如顶点1403)，得到最终的标注结果。
对本应用示例中涉及的具体细节描述如下，基于高位视频的自动车位检测及空闲停车位的识别以实现停车管理，包括如下内容：
(1)车位检测：
首先，检测高位视频监控画面中的所有车位，得到车位轮廓的外接矩形框。然后，对矩形框进行外扩并抠图，得到单个车位外扩后的图像。接下来，对单个车位图片做车位关键点(即车位的四个顶点)检测，得到车位四个顶点坐标，再将坐标换算到监控画面大图中的坐标，从而得到了每个车位关键点的精确坐标。
(2)车辆检测和轮胎关键点检测：
首先，检测高位视频监控画面中的所有车辆，得到车辆轮廓的外接矩形框。然后，对矩形框进行外扩并抠图，得到单个车位外扩后的图像。接下来，对单个车辆图片做轮胎关键点(即前后轮胎与地面的接触点)检测，再将坐标换算到监控画面大图中的坐标，从而得到了每个车胎关键点的精确坐标。
(3)将相机投影面(即当前相机画面)坐标转换成地面投影面(即鸟瞰图)坐标：
将上述步骤(1)-(2)中得到的车位关键点和车胎关键点的精确坐标，进行坐标变换，以得到鸟瞰图坐标下的车位关键点和车胎关键点。其中，相机画面是人从相机位置看目标位置所看到的画面，鸟瞰图是人从目标位置上方垂直向下看所看到的画面。在三维的真实世界中，车位实际是矩形的，但投影到相机平面上就变成了平行四边形，不方便计算，因此，可以通过基于透视变换的坐标变换，将车位关键点和车胎关键点的坐标投影到地面的投影面上，即形成鸟瞰图坐标(比如，以道路方向为横轴，将垂直于道路方向的轴记为纵轴，从而构建鸟瞰图坐标系)，如此一来，车位关键点和车胎关键点之间的相对位置关系，更符合真实世界中实际的位置关系，同时也便于语义理解及计算。
(4)空车位检测
将车位关键点和车胎关键点转换成鸟瞰图坐标之后，车位四个顶点连接起来构成一个车位矩形框(如长方形)。车位的大小通常有固定标准，这里，可以设定车位的长度为Ph，宽度为Pw。由于不同车辆的大小存在较大差异，尤其是车长，不同类型车辆差异较大，因此，可以采用轴距(即前后车胎关键点的距离)来代替车长，将车长设为Ch。考虑到车辆的宽度通常差别不大，可以设定车辆的宽度为Cw，则可以通过Cw推测出另外两个车胎关键点的坐标，从而连接四个车胎关键点即可得到一个车辆矩形框在地面的投影，即该矩形表示的是：车辆在鸟瞰图(即地面)上的投影轮廓(部分)。通过计算该车辆矩形框和该车位矩形框之间的相对位置关系，从而，可以判断出当前停车位是否有车辆驶入，从而实现精确的停车集中管理。
采用本应用示例，考虑到相关技术中多个停车位串联布置导致检测的边界框可能出现相叠加的情况，哪怕是进行了关键点的检测(车位的四个顶点)，由于这种检测存在相叠加这种干扰情况，实际上是不精确的，而本应用示例也用到了关键点的检测，但是不同的是，对矩形框进行外扩及抠图的剪裁后再利用目标检测模型进行关键点检测，排除了这种干扰情况采用专用的该目标检测模型，得到的检测结果更精确；考虑到相关技术中采用关键点的人工标注，人力成本高，如果标记的人不专业，实际上也是标记不准确的，而本应用示例可以将采用专用的该目标检测模型得到的检测结果，直接用于自动标注，不需要借助人工，在部署阶段实现了完全的自动化，避免人工操作造成的认知误差，精度及自动化程度都更高；本应用示例是将检测结果坐标变换到鸟瞰图的坐标系，在该鸟瞰图坐标系的三维世界中，更符合现实场景，避免相机视角所看到的场景由于存在视角差异导致的误差，从而，准确的检测出车辆在三维世界中的位置，有利于针对停车位检测所实现的停车管理。
根据本公开的实施例，提供了一种目标检测装置，图15是根据本公开实施例的目标检测装置的组成结构示意图，如图15所示，目标检测装置，包括：第一处理模块1501，用于对第一待检测图片中的停车位基于外扩及剪裁处理，得到第一目标图片；第二处理模块1502，用于对第二待检测图片中的车辆基于外扩及剪裁处理，得到第二目标图片；目标检测模块1503，用于根据目标检测模型，分别对所述第一目标图片中的所述停车位及所述第二目标图片中的所述车辆进行关键点检测，得到目标检测结果。
一实施方式中，所述第一处理模块1501，用于将所述第一待检测图片中包括停车位轮廓的外接矩形框进行外扩处理，得到第一边界框；根据停车位轮廓特征，识别出所述第一边界框中的所述停车位；从所述第一待检测图片中剪裁出所述停车位，得到所述第一目标图片。
一实施方式中，所述第二处理模块1502，用于将所述第二待检测图片中包括车辆的外接矩形框进行外扩处理，得到第二边界框；根据车辆特征，识别出所述第二边界框中的所述车辆；从所述第二待检测图片中剪裁出所述车辆，得到所述第二目标图片。
一实施方式中，所述目标检测模块1503，用于根据所述目标检测模型对所述停车位对应的车位关键点进行检测，得到第一检测结果；根据所述目标检测模型对所述车辆对应的车胎关键点进行检测，得到第二检测结果；根据所述第一检测结果及所述第二检测结果，得到所述目标检测结果。
一实施方式中，还包括训练模块，用于获取与所述停车位及所述车辆相关的数据标签，其中，所述数据标签，至少包括边界框和/或关键点两种类型；用于检测模型训练的训练数据至少包括所述数据标签的情况下，在所述数据标签的约束下对所述检测模型进行监督学习，得到训练后的检测模型，将所述训练后的检测模型作为所述目标检测模型。
一实施方式中，还包括坐标变换模块，用于响应所述目标检测结果的坐标变换操作，根据坐标映射关系，将所述目标检测结果由采集视角变换到鸟瞰图视角；其中，所述坐标映射关系，为所述采集视角下的第一坐标系到所述鸟瞰图视角下的第二坐标系构成的映射关系。
一实施方式中，还包括停车管理模块，用于根据所述目标检测结果中所述停车位与所述车辆的相对位置关系，进行停车管理。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，本公开还提供了一种用于高位视频智慧停车场景的检测装置，包括所述的电子设备。该电子设备，包括：至少一个处理器；以及与该至少一个处理器通信连接的存储器；其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行上述实施例中任一项所述的方法。
图16示出了可以用来实施本公开的实施例的示例电子设备1600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16所示，电子设备1600包括计算单元1601，其可以根据存储在只读存储器(ROM)1602中的计算机程序或者从存储单元1608加载到随机访问存储器(RAM)1603中的计算机程序，来执行各种适当的动作和处理。在RAM 1603中，还可存储电子设备1600操作所需的各种程序和数据。计算单元1601、ROM 1602以及RAM 1603通过总线1604彼此相连。输入/输出(I/O)接口1605也连接至总线1604。
电子设备1600中的多个部件连接至I/O接口1605，包括：输入单元1606，例如键盘、鼠标等；输出单元1607，例如各种类型的显示器、扬声器等；存储单元1608，例如磁盘、光盘等；以及通信单元1609，例如网卡、调制解调器、无线通信收发机等。通信单元1609允许电子设备1600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1601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1601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1601执行上文所描述的各个方法和处理，例如目标检测方法。例如，在一些实施例中，目标检测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1608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1602和/或通信单元1609而被载入和/或安装到电子设备1600上。当计算机程序加载到RAM 1603并由计算单元1601执行时，可以执行上文描述的目标检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元1601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标检测方法。
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，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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 (15)

1.一种目标检测方法，包括：
对第一待检测图片中的停车位基于外扩及剪裁处理，得到第一目标图片；
对第二待检测图片中的车辆基于外扩及剪裁处理，得到第二目标图片；
以及，根据目标检测模型，分别对所述第一目标图片中的所述停车位及所述第二目标图片中的所述车辆进行关键点检测，得到目标检测结果；所述目标检测模型是在数据标签的约束下进行监督学习得到的，所述数据标签是与所述停车位及所述车辆相关的标签；
其中，所述根据目标检测模型，分别对所述第一目标图片中的所述停车位及所述第二目标图片中的所述车辆进行关键点检测，得到目标检测结果，包括：
根据所述目标检测模型对所述停车位对应的车位关键点进行检测，得到第一检测结果；
根据所述目标检测模型对所述车辆对应的车胎关键点进行检测，得到第二检测结果；
根据所述第一检测结果及所述第二检测结果，得到所述目标检测结果；
其中，所述第一检测结果包括由车位四个顶点连接构成的矩形框；所述第二检测结果包括由车辆四个轮胎关键点连接构成的矩形框；
所述车辆四个轮胎关键点的确定方式，包括：根据车胎关键点的检测结果确定两个车胎关键点的坐标；根据所述两个车胎关键点的坐标以及车辆的预设宽度确定另外两个车胎关键点的坐标。
2.根据权利要求1所述的方法，其中，所述对第一待检测图片中的停车位基于外扩及剪裁处理，得到第一目标图片，包括：
将所述第一待检测图片中包括停车位轮廓的外接矩形框进行外扩处理，得到第一边界框；
根据停车位轮廓特征，识别出所述第一边界框中的所述停车位；
从所述第一待检测图片中剪裁出所述停车位，得到所述第一目标图片。
3.根据权利要求2所述的方法，其中，所述对第二待检测图片中的车辆基于外扩及剪裁处理，得到第二目标图片，包括：
将所述第二待检测图片中包括车辆的外接矩形框进行外扩处理，得到第二边界框；
根据车辆特征，识别出所述第二边界框中的所述车辆；
从所述第二待检测图片中剪裁出所述车辆，得到所述第二目标图片。
4.根据权利要求1-3中任一项所述的方法，还包括：
获取与所述停车位及所述车辆相关的数据标签，其中，所述数据标签，至少包括边界框和/或关键点两种类型；
用于检测模型训练的训练数据至少包括所述数据标签的情况下，在所述数据标签的约束下对所述检测模型进行监督学习，得到训练后的检测模型，将所述训练后的检测模型作为所述目标检测模型。
5.根据权利要求1-3中任一项所述的方法，还包括：
响应所述目标检测结果的坐标变换操作，根据坐标映射关系，将所述目标检测结果由采集视角变换到鸟瞰图视角；
其中，所述坐标映射关系，为所述采集视角下的第一坐标系到所述鸟瞰图视角下的第二坐标系构成的映射关系。
6.根据权利要求1-3中任一项所述的方法，还包括：
根据所述目标检测结果中所述停车位与所述车辆的相对位置关系，进行停车管理。
7.一种目标检测装置，包括：
第一处理模块，用于对第一待检测图片中的停车位基于外扩及剪裁处理，得到第一目标图片；
第二处理模块，用于对第二待检测图片中的车辆基于外扩及剪裁处理，得到第二目标图片；
目标检测模块，用于根据目标检测模型，分别对所述第一目标图片中的所述停车位及所述第二目标图片中的所述车辆进行关键点检测，得到目标检测结果；所述目标检测模型是在数据标签的约束下进行监督学习得到的，所述数据标签是与所述停车位及所述车辆相关的标签；
其中，所述目标检测模块，用于：
根据所述目标检测模型对所述停车位对应的车位关键点进行检测，得到第一检测结果；
根据所述目标检测模型对所述车辆对应的车胎关键点进行检测，得到第二检测结果；
根据所述第一检测结果及所述第二检测结果，得到所述目标检测结果；
其中，所述第一检测结果包括由车位四个顶点连接构成的矩形框；所述第二检测结果包括由车辆四个轮胎关键点连接构成的矩形框；
所述车辆四个轮胎关键点的确定方式，包括：根据车胎关键点的检测结果确定两个车胎关键点的坐标；根据所述两个车胎关键点的坐标以及车辆的预设宽度确定另外两个车胎关键点的坐标。
8.根据权利要求7所述的装置，其中，所述第一处理模块，用于：
将所述第一待检测图片中包括停车位轮廓的外接矩形框进行外扩处理，得到第一边界框；
根据停车位轮廓特征，识别出所述第一边界框中的所述停车位；
从所述第一待检测图片中剪裁出所述停车位，得到所述第一目标图片。
9.根据权利要求8所述的装置，其中，所述第二处理模块，用于：
将所述第二待检测图片中包括车辆的外接矩形框进行外扩处理，得到第二边界框；
根据车辆特征，识别出所述第二边界框中的所述车辆；
从所述第二待检测图片中剪裁出所述车辆，得到所述第二目标图片。
10.根据权利要求7-9中任一项所述的装置，还包括训练模块，用于：
获取与所述停车位及所述车辆相关的数据标签，其中，所述数据标签，至少包括边界框和/或关键点两种类型；
用于检测模型训练的训练数据至少包括所述数据标签的情况下，在所述数据标签的约束下对所述检测模型进行监督学习，得到训练后的检测模型，将所述训练后的检测模型作为所述目标检测模型。
11.根据权利要求7-9中任一项所述的装置，还包括坐标变换模块，用于：
响应所述目标检测结果的坐标变换操作，根据坐标映射关系，将所述目标检测结果由采集视角变换到鸟瞰图视角；
其中，所述坐标映射关系，为所述采集视角下的第一坐标系到所述鸟瞰图视角下的第二坐标系构成的映射关系。
12.根据权利要求7-9中任一项所述的装置，还包括停车管理模块，用于：
根据所述目标检测结果中所述停车位与所述车辆的相对位置关系，进行停车管理。
13.一种电子设备，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中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种用于高位视频智慧停车场景的检测装置，包括如权利要求13所述的电子设备。
CN202210693526.7A 2022-06-17 2022-06-17 目标检测方法及用于高位视频智慧停车场景的检测装置 Active CN115050005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210693526.7A CN115050005B (zh) 2022-06-17 2022-06-17 目标检测方法及用于高位视频智慧停车场景的检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210693526.7A CN115050005B (zh) 2022-06-17 2022-06-17 目标检测方法及用于高位视频智慧停车场景的检测装置

Publications (2)

Publication Number Publication Date
CN115050005A CN115050005A (zh) 2022-09-13
CN115050005B true CN115050005B (zh) 2024-04-05

Family

ID=83164043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210693526.7A Active CN115050005B (zh) 2022-06-17 2022-06-17 目标检测方法及用于高位视频智慧停车场景的检测装置

Country Status (1)

Country Link
CN (1) CN115050005B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12084077B2 (en) * 2021-05-03 2024-09-10 Nissan North America, Inc. System and method of curb management for a vehicle
CN116580210B (zh) * 2023-07-05 2023-09-15 四川弘和数智集团有限公司 一种线性目标检测方法、装置、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1987357A (zh) * 2006-12-26 2007-06-27 浙江工业大学 基于全方位计算机视觉的智能停车辅助装置
CN110097776A (zh) * 2018-01-30 2019-08-06 杭州海康威视数字技术股份有限公司 一种车位检测方法、监控摄像机及监控终端
CN110688902A (zh) * 2019-08-30 2020-01-14 智慧互通科技有限公司 一种检测停车位内车辆区域的方法及装置
CN110789519A (zh) * 2018-08-02 2020-02-14 奥迪股份公司 交通工具停放位置的获取方法、装置、设备和存储介质
CN111476169A (zh) * 2020-04-08 2020-07-31 智慧互通科技有限公司 一种基于视频帧的复杂场景路侧停车行为识别方法
CN111814751A (zh) * 2020-08-14 2020-10-23 深延科技(北京)有限公司 基于深度学习目标检测和图像识别的车辆属性分析方法及系统
CN113065427A (zh) * 2021-03-19 2021-07-02 上海眼控科技股份有限公司 一种车辆停车状态确定方法、装置、设备和存储介质
US11062156B1 (en) * 2020-03-19 2021-07-13 Cdw Llc Available vehicle parking space detection using machine learning
CN113255486A (zh) * 2021-05-13 2021-08-13 华设设计集团股份有限公司 一种基于高位视频监控的车位占用检测方法
CN113561897A (zh) * 2021-07-15 2021-10-29 河北三国新能源科技有限公司 一种基于全景环视的驾考车坡道停车位置判断方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10152639B2 (en) * 2017-02-16 2018-12-11 Wipro Limited Method and system for identifying a vacant parking space in a parking lot

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1987357A (zh) * 2006-12-26 2007-06-27 浙江工业大学 基于全方位计算机视觉的智能停车辅助装置
CN110097776A (zh) * 2018-01-30 2019-08-06 杭州海康威视数字技术股份有限公司 一种车位检测方法、监控摄像机及监控终端
CN110789519A (zh) * 2018-08-02 2020-02-14 奥迪股份公司 交通工具停放位置的获取方法、装置、设备和存储介质
CN110688902A (zh) * 2019-08-30 2020-01-14 智慧互通科技有限公司 一种检测停车位内车辆区域的方法及装置
US11062156B1 (en) * 2020-03-19 2021-07-13 Cdw Llc Available vehicle parking space detection using machine learning
CN111476169A (zh) * 2020-04-08 2020-07-31 智慧互通科技有限公司 一种基于视频帧的复杂场景路侧停车行为识别方法
CN111814751A (zh) * 2020-08-14 2020-10-23 深延科技(北京)有限公司 基于深度学习目标检测和图像识别的车辆属性分析方法及系统
CN113065427A (zh) * 2021-03-19 2021-07-02 上海眼控科技股份有限公司 一种车辆停车状态确定方法、装置、设备和存储介质
CN113255486A (zh) * 2021-05-13 2021-08-13 华设设计集团股份有限公司 一种基于高位视频监控的车位占用检测方法
CN113561897A (zh) * 2021-07-15 2021-10-29 河北三国新能源科技有限公司 一种基于全景环视的驾考车坡道停车位置判断方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
崔晓川 ; 刘文营 ; 邹博维 ; .基于探测空间的辅助泊车系统检测方法.中国测试.2017,(02),全文. *
徐乐先 ; 陈西江 ; 班亚 ; 黄丹 ; .基于深度学习的车位智能检测方法.中国激光.2019,(04),全文. *
龚兰芳 ; .停车场视频车位引导系统的设计.科技视界.2017,(09),全文. *

Also Published As

Publication number Publication date
CN115050005A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN115050005B (zh) 目标检测方法及用于高位视频智慧停车场景的检测装置
CN112258519B (zh) 一种高精度地图制作中道路的让行线自动化提取方法及装置
CN113887418A (zh) 车辆违规行驶的检测方法、装置、电子设备及存储介质
CN113298910A (zh) 生成交通标志线地图的方法、设备和存储介质
CN114820679A (zh) 图像标注方法、装置、电子设备和存储介质
CN113126120B (zh) 数据标注方法、装置、设备、存储介质以及计算机程序产品
CN112906946B (zh) 道路信息提示方法、装置、设备、存储介质和程序产品
CN114120254A (zh) 道路信息识别方法、装置及存储介质
CN110363847B (zh) 一种基于点云数据的地图模型构建方法和装置
EP4024348A2 (en) Method and device for determining boundary points of bottom surface of vehicle, roadside device and cloud control platform
CN114419564B (zh) 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆
CN114429631B (zh) 三维对象检测方法、装置、设备以及存储介质
CN115861962A (zh) 点云过滤方法、装置、电子设备、存储介质
CN114140813A (zh) 高精地图标注方法、装置、设备及存储介质
CN115171094A (zh) 一种道路要素确定方法、装置、设备以及存储介质
CN111383337A (zh) 用于识别对象的方法和装置
CN114529768B (zh) 确定对象类别的方法、装置、电子设备和存储介质
CN112507951B (zh) 指示灯识别方法、装置、设备、路侧设备和云控平台
CN117745775A (zh) 目标边界框的调整方法、装置、电子设备及存储介质
US12125221B2 (en) Method and system for detecting a three-dimensional object in a two-dimensional image
CN115797585B (zh) 一种停车场地图生成方法及装置
US20230068375A1 (en) Method and system for detecting a three-dimensional object in a two-dimensional image
CN113887331A (zh) 图像处理方法、事件检测方法、装置、设备和存储介质
CN118053141A (zh) 周边车辆的检测方法、系统、设备和介质
CN117095380A (zh) 一种从点云地图中剔除障碍物点云的方法和装置

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
GR01 Patent grant
GR01 Patent grant