CN115083199B - 一种车位信息确定方法及其相关设备 - Google Patents
一种车位信息确定方法及其相关设备 Download PDFInfo
- Publication number
- CN115083199B CN115083199B CN202110271374.7A CN202110271374A CN115083199B CN 115083199 B CN115083199 B CN 115083199B CN 202110271374 A CN202110271374 A CN 202110271374A CN 115083199 B CN115083199 B CN 115083199B
- Authority
- CN
- China
- Prior art keywords
- parking space
- current
- information
- detection information
- target vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000001514 detection method Methods 0.000 claims abstract description 202
- 238000006243 chemical reaction Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 241000251468 Actinopterygii Species 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 55
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 10
- 240000004050 Pentaglottis sempervirens Species 0.000 description 9
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 241001292396 Cirrhitidae Species 0.000 description 1
- 241000905137 Veronica schmidtiana Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
Abstract
本申请公开了一种车位信息确定方法及其相关设备,该方法包括:在获取到目标车辆在第一时间段内的行驶信息和目标车辆在当前时刻下的N路环视鱼眼图像之后,根据目标车辆的历史移动轨迹和目标车辆在第一时间段内的行驶信息,确定目标车辆的当前移动轨迹;根据目标车辆的当前移动轨迹和目标车辆的历史移动轨迹对应的历史车位信息,确定当前车位预测信息;将N路环视鱼眼图像进行拼接,得到当前鸟瞰图像;从当前鸟瞰图像中提取当前车位检测信息;根据当前车位检测信息和当前车位预测信息,确定当前车位实际信息。如此能够实现在车辆泊车入位过程中实时确定出车位信息,使得用户可以借助该车位信息进行泊车入位,如此有利于提高车辆泊车入位的成功率。
Description
技术领域
本申请涉及车辆技术领域,尤其涉及一种车位信息确定方法及其相关设备。
背景技术
随着科技的发展以及人民生活水平的提升,车辆越来越普及,如此使得将车辆准确地泊入停车位越来越重要。
目前,因用户在将车辆泊车入位过程中无法准确地获知车位信息,使得该用户只能凭借自己感觉或者借助相关人员的指导进行泊车入位,如此易导致车辆无法准确地泊入停车位。
发明内容
为了解决现有技术中存在的以上技术问题,本申请提供了一种车位信息确定方法及其相关设备,能够在车辆泊车入位过程中实时地确定出车位信息,使得用户可以借助该车位信息进行泊车入位,如此有利于提高车辆泊车入位的成功率。
为了实现上述目的,本申请实施例提供的技术方案如下:
本申请实施例提供一种车位信息确定方法,所述方法包括:
获取目标车辆在第一时间段内的行驶信息和所述目标车辆在当前时刻下的N路环视鱼眼图像;其中,所述第一时间段的截止时间点为所述当前时刻,所述第一时间段的起始时间点为所述目标车辆的历史移动轨迹的截止时间点;N为正整数;
根据所述目标车辆的历史移动轨迹和所述目标车辆在第一时间段内的行驶信息,确定所述目标车辆的当前移动轨迹;
根据所述目标车辆的当前移动轨迹和所述目标车辆的历史移动轨迹对应的历史车位信息,确定当前车位预测信息;
将所述N路环视鱼眼图像进行拼接,得到当前鸟瞰图像,并从所述当前鸟瞰图像中提取当前车位检测信息;
根据所述当前车位检测信息和所述当前车位预测信息,确定当前车位实际信息,以便在确定所述当前车位实际信息与所述当前车位预测信息之间的相似度满足预设更新条件时,根据所述当前车位实际信息,更新所述目标车辆的当前移动轨迹及其对应的车位信息。
在一种可能的实施方式中,所述当前车位检测信息包括车位角点的当前检测信息和/或车位线的当前检测信息;
所述车位角点的当前检测信息的提取过程,包括:将所述当前鸟瞰图像输入预先训练的深度神经网络模型,得到所述深度神经网络模型输出的候选车位角点信息;根据预设车位宽度从所述候选车位角点信息中筛选所述车位角点的当前检测信息;
所述车位线的当前检测信息的提取过程,包括:对所述当前鸟瞰图像进行预设图像处理,得到所述车位线的当前检测信息。
在一种可能的实施方式中,所述对所述当前鸟瞰图像进行预设图像处理,得到所述车位线的当前检测信息,包括:
将所述当前鸟瞰图像进行灰度转换,得到灰度图像;
将所述灰度图像进行二值转换,得到二值图像;
将所述二值图像中满足预设直线特征的区域,确定为待处理直线区域;
对所述待处理直线区域进行边缘提取,得到候选车位线;
对所述候选车位线进行霍夫变换,得到所述候选车位线的直线信息;
根据所述候选车位线的直线信息,确定所述车位线的当前检测信息。
在一种可能的实施方式中,所述方法还包括:
依据预设区域切割参数,对所述当前鸟瞰图像进行感兴趣区域切割,得到待使用图像;
所述将所述当前鸟瞰图像进行灰度转换,得到灰度图像,包括:
将所述待使用图像进行灰度转换,得到灰度图像。
在一种可能的实施方式中,若所述候选车位线的个数为J,则所述根据所述候选车位线的直线信息,确定所述车位线的当前检测信息,包括:
若第j个候选车位线的直线信息满足停车线条件,则将所述第j个候选车位线的直线信息,确定为所述车位线的当前检测信息;其中,所述停车线条件是根据所述当前车位预测信息确定的;j为正整数,j≤J,J为正整数。
在一种可能的实施方式中,若所述当前车位实际信息包括N个停车位的当前实际信息,则所述第i个停车位的当前实际信息的确定过程,包括:
在确定所述当前车位检测信息包括第i个停车位的左角点检测信息和所述第i个停车位的右角点检测信息时,根据所述第i个停车位的左角点检测信息和所述第i个停车位的右角点检测信息,确定所述第i个停车位的当前实际信息;其中,i为正整数,i≤N,N为正整数;
在确定所述当前车位检测信息包括所述第i个停车位的一个角点检测信息和所述第i个停车位对应的一条车位线检测信息时,根据所述第i个停车位的一个角点检测信息和所述第i个停车位对应的一条车位线检测信息,确定所述第i个停车位的当前实际信息;
在确定所述当前车位检测信息包括所述第i个停车位的一个角点检测信息和所述第i个停车位对应的多条车位线检测信息时,从所述第i个停车位对应的多条车位线检测信息中筛选出所述第i个停车位对应的目标车位线检测信息,并根据所述第i个停车位的一个角点检测信息和所述第i个停车位对应的目标车位线检测信息,确定所述第i个停车位的当前实际信息;
在确定所述当前车位检测信息不包括所述第i个停车位的角点检测信息时,根据所述当前车位预测信息中第i个停车位的当前预测信息,确定所述第i个停车位的当前实际信息。
本申请实施例还提供了一种车位信息确定装置,所述装置包括:
信息获取单元,用于获取目标车辆在第一时间段内的行驶信息和所述目标车辆在当前时刻下的N路环视鱼眼图像;其中,所述第一时间段的截止时间点为所述当前时刻,所述第一时间段的起始时间点为所述目标车辆的历史移动轨迹的截止时间点;N为正整数;
轨迹确定单元,用于根据所述目标车辆的历史移动轨迹和所述目标车辆在第一时间段内的行驶信息,确定所述目标车辆的当前移动轨迹;
信息预测单元,用于根据所述目标车辆的当前移动轨迹和所述目标车辆的历史移动轨迹对应的历史车位信息,确定当前车位预测信息;
图像拼接单元,用于将所述N路环视鱼眼图像进行拼接,得到当前鸟瞰图像,并从所述当前鸟瞰图像中提取当前车位检测信息;
信息确定单元,用于根据所述当前车位检测信息和所述当前车位预测信息,确定当前车位实际信息,以便在确定所述当前车位实际信息与所述当前车位预测信息之间的相似度满足预设更新条件时,根据所述当前车位实际信息,更新所述目标车辆的当前移动轨迹。
本申请实施例还提供了一种设备,所述设备包括处理器以及存储器:
所述存储器用于存储计算机程序;
所述处理器用于根据所述计算机程序执行本申请实施例提供的车位信息确定方法的任一实施方式。
本申请实施例还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用于存储计算机程序,所述计算机程序用于执行本申请实施例提供的车位信息确定方法的任一实施方式。
本申请实施例还提供了一种计算机程序产品,所述计算机程序产品在终端设备上运行时,使得所述终端设备执行本申请实施例提供的车位信息确定方法的任一实施方式。
与现有技术相比,本申请实施例至少具有以下优点:
本申请实施例提供的车位信息确定方法中,在获取到目标车辆在第一时间段内的行驶信息和目标车辆在当前时刻下的N路环视鱼眼图像之后,根据目标车辆的历史移动轨迹和目标车辆在第一时间段内的行驶信息,确定目标车辆的当前移动轨迹;根据目标车辆的当前移动轨迹和目标车辆的历史移动轨迹对应的历史车位信息,确定当前车位预测信息;将N路环视鱼眼图像进行拼接,得到当前鸟瞰图像;从当前鸟瞰图像中提取当前车位检测信息;根据当前车位检测信息和当前车位预测信息,确定当前车位实际信息,以便在确定当前车位实际信息与当前车位预测信息之间的相似度满足预设更新条件时,根据当前车位实际信息,更新目标车辆的当前移动轨迹。其中,第一时间段的截止时间点为当前时刻,第一时间段的起始时间点为目标车辆的历史移动轨迹的截止时间点;N为正整数。
可见,因当前车位实际信息是依据从当前鸟瞰图像中提取出的当前车位检测信息以及从目标车辆的当前移动轨迹中预测出的当前车位预测信息进行综合确定的,使得该当前车位实际信息能够更准确地表示在当前时刻下车位信息,如此能够实现在车辆泊车入位过程中实时地确定出车位信息,使得用户可以借助该车位信息进行泊车入位,如此有利于提高车辆泊车入位的成功率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本申请中记载的一些实施例,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它的附图。
图1为本申请实施例提供的一种车位信息确定方法的流程图;
图2为本申请实施例提供的一种车位信息确定装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,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,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
方法实施例
参见图1,该图为本申请实施例提供的一种车位信息确定方法的流程图。
本申请实施例提供的车位信息确定方法,包括S1-S6:
S1:获取目标车辆在第一时间段内的行驶信息和目标车辆在当前时刻下的N路环视鱼眼图像。其中,N为正整数。
其中,目标车辆是指处于需要依据实时获取的车位信息进行泊车的车辆。
第一时间段是指从上一轮车位信息确定过程的开始时刻到当前轮车位信息确定过程的开始时刻之间的时间段。另外,本申请实施例不限定第一时间段,例如,第一时间段的截止时间点可以为当前时刻(也就是,当前轮车位信息确定过程的开始时刻),且该第一时间段的起始时间点可以为目标车辆的历史移动轨迹的截止时间点(也就是,上一轮车位信息确定过程的开始时刻)。需要说明的是,“目标车辆的历史移动轨迹”的内容请参见下文S2。
行驶信息用于描述目标车辆的行驶过程;而且本申请实施例不限定行驶信息,例如,行驶信息可以包括行驶速度信息(如,轮脉冲)和行驶方向信息(如,方向盘转角)。
N路环视鱼眼图像是指由目标车辆上N个环视鱼眼摄像头采集的图像。另外,本申请实施例不限定N,例如,N可以是4。
基于上述S1的相关内容可知,在目标车辆的泊车过程中可以包括多轮车位信息确定过程,而且相邻两轮车位信息确定过程之间的时间间隔可以预先设定(例如,预设设定一个较小的时间间隔)。另外,对于当前轮车位信息确定过程来说,可以获取目标车辆在第一时间段内的行驶信息,并获取该目标车辆在当前时刻下的N路环视鱼眼图像,以便后续能够基于上述行驶信息以及上述N路环视鱼眼图像,确定停车位在当前时刻下的车位信息,以便后续能够目标车辆的使用者能够依据该车位信息进行泊车。
S2:根据目标车辆的历史移动轨迹和该目标车辆在第一时间段内的行驶信息,确定目标车辆的当前移动轨迹。
目标车辆的历史移动轨迹是指目标车辆在历史时间段内的行驶轨迹。其中,历史时间段的截止时间点可以为上一轮车位信息确定过程的开始时刻。
目标车辆的当前移动轨迹是指截止当前时刻下目标车辆的行驶轨迹,而且目标车辆的当前移动轨迹可以作为下一轮车位信息确定过程中涉及的历史移动轨迹。可见,在每轮车位信息确定过程中均需要确定目标车辆的当前移动轨迹,以便后续可以将其作为下一轮车位信息确定过程中可以使用的历史移动轨迹。
本申请实施例不限定S2的实施方式,例如,S2可以采用航迹推算算法进行实施。其中,航迹推算算法是一种可以根据车辆转角及车辆轮速等在不借助外界导航物标的条件下求取车辆行驶轨迹和车辆周围信息的方法。
基于上述S2的相关内容可知,对于当前轮车位信息确定过程来说,在获取到目标车辆在第一时间段内的行驶信息之后,可以依据该行驶信息以及该目标车辆的历史移动轨迹预测该目标车辆在第一时间段内的行驶轨迹,以便基于该目标车辆在第一时间段内的行驶轨迹以及该目标车辆的历史移动轨迹,生成目标车辆的当前移动轨迹,以使该当前移动轨迹能够准确地表示出截止当前时刻目标车辆的行驶轨迹(也就是,目标车辆在泊车过程中的行驶轨迹)。
S3:根据目标车辆的当前移动轨迹和该目标车辆的历史移动轨迹对应的历史车位信息,确定当前车位预测信息。
其中,目标车辆的历史移动轨迹对应的历史车位信息是指在历史时间段内的距离当前时刻最近的车位信息(也就是,在上一轮车位信息确定过程中确定的车位信息)。
需要说明的是,本申请实施例不限定车位信息,例如,车位信息可以包括车位角点信息和车位线信息。其中,车位角点信息用于描述停车位的角点(例如,左上角点、右上角点、左下角点、右下角点等);而且本申请实施例不限定车位角点信息,例如,车位角点信息可以包括车位角点的位置坐标。车位线信息用于描述停车位的车位线(例如,左侧线、右侧线、上方线和下方线等);而且本申请实施例不限定车位线信息,例如,车位线信息可以为包括车位线的角度。
当前车位预测信息是指依据目标车辆的当前移动轨迹及其历史移动轨迹对应的历史车位信息预测得到的车位信息。需要说明的是,本申请实施例不限定当前车位预测信息描述的停车位个数,例如,若停车场存在M个停车位,则该当前车位预测信息可以包括Q个停车位的预测位置信息。其中,Q为正整数,Q≤M,M为正整数。
另外,本申请实施例不限定当前车位预测信息的获取方法,例如,可以利用上述航迹推算算法预测当前车位预测信息。又如,也可以利用预先构建的神经网络模型预测该当前车位预测信息。
基于上述S3的相关内容可知,对于当前轮车位信息确定过程来说,在获取到目标车辆的当前移动轨迹之后,可以根据该当前移动轨迹以及该目标车辆的历史移动轨迹对应的历史车位信息,确定当前车位预测信息,以使该当前车位预测信息用于表示依据当前移动轨迹以及历史车位信息推断得到的车位信息。
S4:将目标车辆在当前时刻下的N路环视鱼眼图像进行拼接,得到当前鸟瞰图像,并从当前鸟瞰图像中提取当前车位检测信息。
其中,当前鸟瞰图像是指将目标车辆在当前时刻下的N路环视鱼眼图像进行拼接得到的图像。
当前车位检测信息是指在当前鸟瞰图像中记录的车位信息。需要说明的是,本申请实施例不限定当前车位检测信息描述的停车位个数,例如,若停车场存在M个停车位,则该当前车位检测信息可以包括Q个停车位的检测位置信息(也就是,从当前鸟瞰图像中检测到的停车位的位置信息)。其中,Q为正整数,Q≤M,M为正整数。
另外,本申请实施例不限定当前车位检测信息,例如,当前车位检测信息可以包括车位角点的当前检测信息和/或车位线的当前检测信息。也就是,若当前车位检测信息包括Q个停车位的检测位置信息,则第q个停车位的检测位置信息可以包括至少一个车位角点的当前检测信息和/或至少一个停车线的当前检测信息。其中,q为正整数,q≤Q,Q为正整数。
其中,车位角点的当前检测信息用于描述在当前鸟瞰图像中记录的一个停车位的角点。另外,本申请实施例不限定车位角点的当前检测信息的提取过程,例如,在一种可能的实施方式下,该车位角点的当前检测信息的提取过程可以包括步骤11-步骤12:
步骤11:将当前鸟瞰图像输入预先训练的深度神经网络模型,得到该深度神经网络模型输出的候选车位角点信息。
深度神经网络模型可以预先依据大量训练数据训练得到,以使训练好的深度神经网络模型能够准确地识别出鸟瞰图像中停车位的角点。其中,训练数据可以包括样本鸟瞰图和该样本鸟瞰图的实际车位角点信息,以使利用训练好的深度神经网络模型从样本鸟瞰图中识别出的车位角点信息几乎接近于该样本鸟瞰图的实际车位角点信息。
候选车位角点信息是指由深度神经网络模型从当前鸟瞰图像中识别出的车位角信息。
基于上述步骤11的相关内容可知,对于当前轮车位信息确定过程来说,在获取到当前鸟瞰图像之后,可以将该当前鸟瞰图像输入训练好的深度神经网络模型,以使该深度神经网络模型能够对该当前鸟瞰图像中的车位信息进行识别,得到并输出候选车位角点信息,以便后续能够基于该候选车位角点信息,确定各个停车位对应的车位角信息。
步骤12:根据预设车位宽度从候选车位角点信息中筛选车位角点的当前检测信息。
其中,预设车位宽度是指预先设定的停车位的宽度。另外,因属于同一个停车位的左车位角点和右车位角点之间间隔预设车位宽度,故可以利用预设车位宽度筛选出一个停车位对应的车位角点信息。
基于上述步骤11至步骤12的相关内容可知,对于当前轮车位信息确定过程来说,在获取到当前鸟瞰图像之后,可以先利用训练好的深度神经网络模型识别出该当前鸟瞰图像中记录的候选车位角点信息,再利用预设车位宽度从这些候选车位角点信息筛选出各个停车位中车位角点的当前检测信息,以使属于同一个停车位的左车位角点和右车位角点之间间隔预设车位宽度。
车位线的当前检测信息用于描述在当前鸟瞰图像中记录的一个停车位的停车线。另外,本申请实施例不限定车位线的当前检测信息的提取过程,例如,在一种可能的实施方式下,该车位线的当前检测信息的提取过程可以包括:对当前鸟瞰图像进行预设图像处理,得到车位线的当前检测信息。
其中,预设图像处理可以预先设定。另外,本申请实施例不限定预设图像处理,例如,为了便于理解,下面结合两个示例进行说明。
示例1,上述预设图像处理具体可以包括步骤21-步骤26:
步骤21:将当前鸟瞰图像进行灰度转换,得到灰度图像。
其中,灰度转换是指将当前鸟瞰图像转换为灰度图。
另外,本申请实施例不限定步骤21的实施方式,可以采用现有的或者未来出现的任一种能够实现灰度图转换的方法进行实施。
灰度图像是指将当前鸟瞰图像进行灰度转换得到的灰度图。
基于上述步骤21的相关内容可知,对于当前轮车位信息确定过程来说,在获取到当前鸟瞰图像之后,可以先将当前鸟瞰图像转换为灰度图,作为该当前鸟瞰图像对应的灰度图像,以便后续能够依据该灰度图像进行停车线识别。
步骤22:将灰度图像进行二值转换,得到二值图像。
其中,二值转换用于将灰度图像转换为二值图。
另外,本申请实施例不限定步骤22的实施方式,可以采用现有的或者未来出现的任一种能够实现二值图转换的方法进行实施。
二值图像是指将灰度图像进行二值转换得到的二值图。
基于上述步骤22的相关内容可知,对于当前轮车位信息确定过程来说,在获取到当前鸟瞰图像对应的灰度图像之后,可以将该灰度图像转换为二值图,作为该当前鸟瞰图像对应的二值图像,以便后续能够基于该二值图像进行停车线识别。
步骤23:将二值图像中满足预设直线特征的区域,确定为待处理直线区域。
其中,预设直线特征可以预先设定;而且本申请实施例不限定预设直线特征的设定方式,例如,可以利用形态学设定预设直线特征。其中,形态学(Mathematicalmorphology)是一门建立在格论和拓扑学基础之上的图像分析学科,是数学形态学图像处理的基本理论。其基本的运算包括:二值腐蚀和膨胀、二值开闭运算、骨架抽取、极限腐蚀、击中击不中变换、形态学梯度、Top-hat变换、颗粒分析、流域变换、灰值腐蚀和膨胀、灰值开闭运算、灰值形态学梯度等。
待处理直线区域是指从二值图像中识别出的满足预设直线特征的区域。
基于上述步骤23的相关内容可知,对于当前轮车位信息确定过程来说,在获取到当前鸟瞰图像对应的二值图像之后,可以从该二值图像中识别满足预设直线特征的区域,并将识别得到的各个区域均作为待处理直线区域,以便后续能够从这些待处理直线区域中确定出停车线。
步骤24:对待处理直线区域进行边缘提取,得到候选车位线。
本申请实施例中,对于当前轮车位信息确定过程来说,在获取到待处理直线区域之后,可以对各个待处理直线区域进行边缘提取,得到各个候选车位线,以使各个候选车位线具有明显的边缘。需要说明的是,本申请实施例不限定上述“边缘提取”的实施方式,可以采用现有的或者未来出现的任一种能够实现边缘提取的方法(例如,Canny算法)进行实施。其中,Canny算法是由John F.Canny于1986年开发出来的一个多级边缘检测算法。
步骤25:对候选车位线进行霍夫变换,得到候选车位线的直线信息。
其中,霍夫变换是一种特征检测(feature extraction),被广泛应用在图像分析(image analysis)、计算机视觉(computer vision)以及数位影像处理(digital imageprocessing)。霍夫变换是用来辨别找出物件中的特征,例如:线条。他的算法流程大致如下,给定一个物件、要辨别的形状的种类,算法会在参数空间(parameter space)中执行投票来决定物体的形状,而这是由累加空间(accumulator space)里的局部最大值(localmaximum)来决定。
候选车位线的直线信息用于描述该候选车位线;而且本申请实施例不限定候选车位线的直线信息,例如,候选车位线的直线信息可以包括候选车位线的角度。
基于上述步骤25的相关内容可知,对于当前轮车位信息确定过程来说,在获取到各个候选车位线之后,可以利用霍夫变换提取各个候选车位线的直线信息,以便后续能够基于各个候选车位线的直线信息筛选出车位线的当前检测信息。
步骤26:根据候选车位线的直线信息,确定车位线的当前检测信息。
本申请实施例不限定步骤26的实施方式,例如,在一种可能的实施方式中,若候选车位线的个数为J,则步骤26具体可以包括:若第j个候选车位线的直线信息满足停车线条件,则将第j个候选车位线的直线信息,确定为车位线的当前检测信息;其中,j为正整数,j≤J,J为正整数。
其中,停车线条件是根据当前车位预测信息确定的;而且本申请实施例不限定停车线条件的确定过程,例如,停车线条件的确定过程具体可以包括步骤31-步骤32:
步骤31:根据当前车位预测信息,确定预测停车线信息。
其中,预测停车线信息是指依据目标车辆的行驶轨迹推测得到的停车位中停车线的相关信息。另外,本申请实施例不限定预测停车线信息,例如,预测停车线信息可以包括预测停车线角度。
另外,本申请实施例不限定步骤31,例如,若当前车位预测信息包括停车线信息,则步骤31具体可以为将当前车位预测信息中的停车线信息,确定为预测停车线信息。又如,若当前车位预测信息包括左车位角点的车位角点信息和该左车位角点对应的右车位角点的车位角点信息,则步骤31具体可以为:根据左车位角点的车位角点信息和该左车位角点对应的右车位角点的车位角点信息,生成预测停车线信息。
步骤32:根据预测停车线信息和预设波动阈值,得到停车线条件。
其中,预设波动阈值是指预先设定的停车线上下浮动的波动值。另外,本申请实施例不限定预设波动阈值,例如,若预测停车线信息包括预测停车线角度,则预设波动阈值可以包括角度波动值(例如,5°)。可见,在获取到预测停车线信息之后,可以将[预测停车线信息-预设波动阈值,预测停车线信息+预设波动阈值]确定为停车线条件。
基于上述步骤31至步骤32的相关内容可知,对于当前轮车位信息确定过程来说,在获取到当前车位预测信息之后,可以根据该当前车位预测信息对应的预测停车线信息,确定停车线条件,以便后续能够依据该停车线条件从多个候选车位线中筛选出停车线。
基于上述示例1的相关内容可知,对于当前轮车位信息确定过程来说,在获取到当前鸟瞰图像之后,可以按照步骤21至步骤26所示的预设图像处理过程对该当前鸟瞰图像进行处理,得到车位线的当前检测信息,以使该车位线的当前检测信息能够准确地表示出在当前鸟瞰图像中记录的车位线。
示例2,上述预设图像处理具体可以包括步骤41-步骤47:
步骤41:依据预设区域切割参数,对当前鸟瞰图像进行感兴趣区域切割,得到待使用图像。
其中,预设区域切割参数是指预先设定的用于切割感兴趣区域的参数;而且本申请实施例不限定预设区域切割参数,例如,预设区域切割参数可以是以目标车辆在当前时刻下所处的位置为中心,且以预设距离为半径进行切割。其中,预设距离可以是L倍的预设车位宽度,L为正整数(如,L=3)。
感兴趣区域(region of interest,ROI)是指在机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域。在Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子(Operator)和函数来求得感兴趣区域ROI,并进行图像的下一步处理。
待使用图像是指需要进行停车线识别的图像。需要说明的是,通常情况下,在目标车辆的泊车过程中,目标车辆可能会辗轧到针对该目标车辆选中的目标停车位中车位角点,从而导致当前鸟瞰图像可能会缺少该目标停车位中至少一个车位角点,故可以利用该目标停车位中停车线确定该目标停车位的车位信息。可见,待使用图像通常可以是指目标车辆的周边区域(例如,一两个停车位的区域)。
基于上述步骤41的相关内容可知,对于当前轮车位信息确定过程来说,在获取到当前鸟瞰图像之后,为了降低停车线的识别难度,可以先依据预设区域切割参数,对当前鸟瞰图像进行感兴趣区域切割,得到待使用图像,以使该待使用图像能够准确地描述出目标车辆的周边区域,从而使得后续能够从该待使用图像中提取出针对该目标车辆选中的目标停车位及其邻近停车位中停车线。
步骤42:将待使用图像进行灰度转换,得到灰度图像。
其中,灰度图像是指将待使用图像进行灰度转换得到的灰度图。
基于上述步骤42的相关内容可知,对于当前轮车位信息确定过程来说,在获取到待使用图像之后,可以将该待使用图像转换为灰度图,作为该当前鸟瞰图像对应的灰度图像,以便后续能够依据该灰度图像进行停车线识别。
步骤43:将灰度图像进行二值转换,得到二值图像。
步骤44:将二值图像中满足预设直线特征的区域,确定为待处理直线区域。
步骤45:对待处理直线区域进行边缘检测,得到候选车位线。
步骤46:对候选车位线进行霍夫变换,得到候选车位线的直线信息。
步骤47:根据候选车位线的直线信息,确定车位线的当前检测信息。
需要说明的是,步骤43至步骤47的内容分别与上文步骤22至步骤26的内容相同,请参见上文步骤22至步骤26。
基于上述S4的相关内容可知,对于当前轮车位信息确定过程来说,在获取到目标车辆在当前时刻下的N路环视鱼眼图像之后,可以先将该N路环视鱼眼图像进行拼接得到当前鸟瞰图像,以使该当前鸟瞰图像能够准确地表示出该目标车辆的周边环境信息(例如,停车位信息);再从该当前鸟瞰图像中提取各个停车位的位置信息,作为该目标车辆对应的当前车位检测信息,以使该当前车位检测信息能够准确地表示出截止当前时刻各个停车位与目标车辆之间的相对位置。
S5:根据当前车位检测信息和当前车位预测信息,确定当前车位实际信息。
其中,当前车位实际信息是指将当前车位检测信息和当前车位预测信息进行融合得到的车位信息。
另外,本申请实施例不限定当前车位实际信息的确定过程,例如,在一种可能的实施方式下,若当前车位实际信息包括N个停车位的当前实际信息,则第i个停车位的当前实际信息的确定过程,包括步骤51-步骤54:
步骤51:在确定当前车位检测信息包括第i个停车位的左角点检测信息和第i个停车位的右角点检测信息时,根据第i个停车位的左角点检测信息和第i个停车位的右角点检测信息,确定第i个停车位的当前实际信息。其中,i为正整数,i≤N,N为正整数。
本申请实施例中,对于当前轮车位信息确定过程来说,在获取到当前车位检测信息之后,若该当前车位检测信息包括第i个停车位的左角点检测信息和第i个停车位的右角点检测信息,则可以根据该第i个停车位的左角点检测信息和第i个停车位的右角点检测信息,生成第i个停车位的当前实际信息,以使该第i个停车位的当前实际信息包括该第i个停车位的四个角点实际信息以及四条停车线实际信息,从而使得该第i个停车位的当前实际信息能够准确地描述出在当前时刻下各个停车位与目标车辆的相对位置。
步骤52:在确定当前车位检测信息包括第i个停车位的一个角点检测信息和第i个停车位对应的一条车位线检测信息时,根据第i个停车位的一个角点检测信息和第i个停车位对应的一条车位线检测信息,确定第i个停车位的当前实际信息。其中,i为正整数,i≤N,N为正整数。
其中,第i个停车位对应的一条车位线检测信息可以是指该第i个停车位中的车位线,也可以是指其他停车位中的车位线。
另外,本申请实施例不限定第i个停车位对应的一条车位线检测信息,例如,该第i个停车位对应的一条车位线检测信息可以是一条侧车线检测信息。
此外,本申请实施例不限定第i个停车位的一个角点检测信息和第i个停车位对应的一条车位线检测信息之间的关联关系,例如,第i个停车位的一个角点检测信息所描述的车位角点与第i个停车位对应的一条车位线检测信息所描述的车位线上的车位角点不同(如,若第i个停车位的一个角点检测信息所描述的车位角点是左车位角点,则该第i个停车位对应的一条车位线检测信息所描述的车位线上的车位角点可以是右车位角点)。
基于上述步骤52的相关内容可知,对于当前轮车位信息确定过程来说,在获取到当前车位检测信息之后,若该当前车位检测信息包括第i个停车位的一个角点检测信息和第i个停车位对应的一条车位线检测信息,则可以依据该第i个停车位的一个角点检测信息和第i个停车位对应的一条车位线检测信息,确定第i个停车位的当前实际信息,以使该第i个停车位的当前实际信息包括该第i个停车位的四个角点实际信息以及四条停车线实际信息,从而使得该第i个停车位的当前实际信息能够准确地描述出在当前时刻下各个停车位与目标车辆的相对位置。
步骤53:在确定当前车位检测信息包括第i个停车位的一个角点检测信息和第i个停车位对应的多条车位线检测信息时,从第i个停车位对应的多条车位线检测信息中筛选出第i个停车位对应的目标车位线检测信息,并根据第i个停车位的一个角点检测信息和第i个停车位对应的目标车位线检测信息,确定第i个停车位的当前实际信息。其中,i为正整数,i≤N,N为正整数。
其中,第i个停车位对应的多条车位线检测信息可以包括第i个停车位中的车位线,也可以不包括第i个停车位中的车位线。
第i个停车位对应的目标车位线检测信息是指在第i个停车位对应的多条车位线检测信息中距离第i个停车位的一个角点检测信息所描述的车位角点最近的一条车位线的车位线检测信息。
基于上述步骤53的相关内容可知,对于当前轮车位信息确定过程来说,在获取到当前车位检测信息之后,若该当前车位检测信息包括第i个停车位的一个角点检测信息和第i个停车位对应的多条车位线检测信息之后,可以先根据第i个停车位对应的多条车位线检测信息,确定该第i个停车位对应的各条车位线与该第i个停车位的一个角点检测信息所描述的车位角点之间的距离,并将距离第i个停车位的一个角点检测信息所描述的车位角点最近的一条车位线的车位线检测信息,确定为第i个停车位对应的目标车位线检测信息;再根据第i个停车位的一个角点检测信息和第i个停车位对应的目标车位线检测信息,确定第i个停车位的当前实际信息,以使该第i个停车位的当前实际信息包括该第i个停车位的四个角点实际信息以及四条停车线实际信息,从而使得该第i个停车位的当前实际信息能够准确地描述出在当前时刻下各个停车位与目标车辆的相对位置。
步骤54:在确定当前车位检测信息不包括第i个停车位的角点检测信息时,根据当前车位预测信息中第i个停车位的当前预测信息,确定第i个停车位的当前实际信息。其中,i为正整数,i≤N,N为正整数。
本申请实施例中,对于当前轮车位信息确定过程来说,在获取到当前车位检测信息之后,若该当前车位检测信息不包括第i个停车位的角点检测信息时,根据当前车位预测信息中第i个停车位的当前预测信息,则直接将当前车位预测信息中第i个停车位的当前预测信息,确定改为第i个停车位的当前实际信息,以使该第i个停车位的当前实际信息包括该第i个停车位的四个角点实际信息以及四条停车线实际信息,从而使得该第i个停车位的当前实际信息能够准确地描述出在当前时刻下各个停车位与目标车辆的相对位置。
基于上述S5的相关内容可知,对于当前轮车位信息确定过程来说,在获取到当前车位检测信息和当前车位预测信息之后,可以综合当前车位检测信息和当前车位预测信息,确定当前车位实际信息,以使该第i个停车位的当前实际信息包括该第i个停车位的四个角点实际信息以及四条停车线实际信息,从而使得该第i个停车位的当前实际信息能够准确地描述出在当前时刻下各个停车位与目标车辆的相对位置。
S6:在确定当前车位实际信息与当前车位预测信息之间的相似度满足预设更新条件时,根据当前车位实际信息,更新目标车辆的当前移动轨迹。
其中,预设更新条件是指需要对目标车辆的当前移动轨迹进行更新所需满足的条件。
另外,本申请实施例不限定预设更新条件,例如,预设更新条件可以包括当前车位实际信息与当前车位预测信息之间的相似度低于预设阈值。也就是,若车位信息包括四个车位角点的位置坐标和四条车位线的角度,则预设更新条件可以包括当前车位实际信息中四个车位角点的位置坐标以及四条车位线的角度分别与当前车位预测信息中四个车位角点的位置坐标以及四条车位线的角度之间的差值均高于第一差值(或者,当前车位实际信息中四个车位角点的位置坐标以及四条车位线的角度分别与当前车位预测信息中四个车位角点的位置坐标以及四条车位线的角度之间的差值和高于第二差值)。
基于上述S6的相关内容可知,在获取到当前车位实际信息之后,可以将当前车位预测信息与该当前车位实际信息进行比对,在确定当前车位实际信息与当前车位预测信息之间的相似度满足预设更新条件,则表示当前车位预测信息不准确,故可以依据该当前车位实际信息更新目标车辆的当前移动轨迹,以使后续能够依据该目标车辆的当前移动轨迹预测出该当前车位实际信息;同时,还需依据该当前车位实际信息更新该目标车辆的当前移动轨迹对应的车位信息,以便后续作为在下一轮中涉及的目标车辆的历史移动轨迹对应的历史车位信息进行使用。
基于上述S1至S6的相关内容可知,在本申请实施例提供的车位信息确定方法中,在获取到目标车辆在第一时间段内的行驶信息和目标车辆在当前时刻下的N路环视鱼眼图像之后,根据目标车辆的历史移动轨迹和目标车辆在第一时间段内的行驶信息,确定目标车辆的当前移动轨迹;根据目标车辆的当前移动轨迹和目标车辆的历史移动轨迹对应的历史车位信息,确定当前车位预测信息;将N路环视鱼眼图像进行拼接,得到当前鸟瞰图像;从当前鸟瞰图像中提取当前车位检测信息;根据当前车位检测信息和当前车位预测信息,确定当前车位实际信息,以便在确定当前车位实际信息与当前车位预测信息之间的相似度满足预设更新条件时,根据当前车位实际信息,更新目标车辆的当前移动轨迹。其中,第一时间段的截止时间点为当前时刻,第一时间段的起始时间点为目标车辆的历史移动轨迹的截止时间点;N为正整数。
可见,因当前车位实际信息是依据从当前鸟瞰图像中提取出的当前车位检测信息以及从目标车辆的当前移动轨迹中预测出的当前车位预测信息进行综合确定的,使得该当前车位实际信息能够更准确地表示在当前时刻下车位信息,如此能够实现在车辆泊车入位过程中实时地确定出车位信息,使得用户可以借助该车位信息进行泊车入位,如此有利于提高车辆泊车入位的成功率。
基于上述方法实施例提供的车位信息确定方法,本申请实施例还提供了一种车位信息确定装置,下面结合附图进行解释和说明。
装置实施例
装置实施例提供的车位信息确定装置的技术详情,请参照上述方法实施例。
参见图2,该图为本申请实施例提供的一种车位信息确定装置的结构示意图。
本申请实施例提供的车位信息确定装置200,包括:
信息获取单元201,用于获取目标车辆在第一时间段内的行驶信息和所述目标车辆在当前时刻下的N路环视鱼眼图像;其中,所述第一时间段的截止时间点为所述当前时刻,所述第一时间段的起始时间点为所述目标车辆的历史移动轨迹的截止时间点;N为正整数;
轨迹确定单元202,用于根据所述目标车辆的历史移动轨迹和所述目标车辆在第一时间段内的行驶信息,确定所述目标车辆的当前移动轨迹;
信息预测单元203,用于根据所述目标车辆的当前移动轨迹和所述目标车辆的历史移动轨迹对应的历史车位信息,确定当前车位预测信息;
图像拼接单元204,用于将所述N路环视鱼眼图像进行拼接,得到当前鸟瞰图像,并从所述当前鸟瞰图像中提取当前车位检测信息;
信息确定单元205,用于根据所述当前车位检测信息和所述当前车位预测信息,确定当前车位实际信息,以便在确定所述当前车位实际信息与所述当前车位预测信息之间的相似度满足预设更新条件时,根据所述当前车位实际信息,更新所述目标车辆的当前移动轨迹。
在一种可能的实施方式中,所述当前车位检测信息包括车位角点的当前检测信息和/或车位线的当前检测信息;
所述车位角点的当前检测信息的提取过程,包括:将所述当前鸟瞰图像输入预先训练的深度神经网络模型,得到所述深度神经网络模型输出的候选车位角点信息;根据预设车位宽度从所述候选车位角点信息中筛选所述车位角点的当前检测信息;
所述车位线的当前检测信息的提取过程,包括:对所述当前鸟瞰图像进行预设图像处理,得到所述车位线的当前检测信息。
在一种可能的实施方式中,所述车位线的当前检测信息的确定过程,包括:
将所述当前鸟瞰图像进行灰度转换,得到灰度图像;
将所述灰度图像进行二值转换,得到二值图像;
将所述二值图像中满足预设直线特征的区域,确定为待处理直线区域;
对所述待处理直线区域进行边缘提取,得到候选车位线;
对所述候选车位线进行霍夫变换,得到所述候选车位线的直线信息;
根据所述候选车位线的直线信息,确定所述车位线的当前检测信息。
在一种可能的实施方式中,所述车位线的当前检测信息的确定过程,包括:
依据预设区域切割参数,对所述当前鸟瞰图像进行感兴趣区域切割,得到待使用图像;
将所述待使用图像进行灰度转换,得到灰度图像;
将所述灰度图像进行二值转换,得到二值图像;
将所述二值图像中满足预设直线特征的区域,确定为待处理直线区域;
对所述待处理直线区域进行边缘提取,得到候选车位线;
对所述候选车位线进行霍夫变换,得到所述候选车位线的直线信息;
根据所述候选车位线的直线信息,确定所述车位线的当前检测信息。
在一种可能的实施方式中,若所述候选车位线的个数为J,则所述根据所述候选车位线的直线信息,确定所述车位线的当前检测信息,包括:
若第j个候选车位线的直线信息满足停车线条件,则将所述第j个候选车位线的直线信息,确定为所述车位线的当前检测信息;其中,所述停车线条件是根据所述当前车位预测信息确定的;j为正整数,j≤J,J为正整数。
在一种可能的实施方式中,若所述当前车位实际信息包括N个停车位的当前实际信息,则所述第i个停车位的当前实际信息的确定过程,包括:
在确定所述当前车位检测信息包括第i个停车位的左角点检测信息和所述第i个停车位的右角点检测信息时,根据所述第i个停车位的左角点检测信息和所述第i个停车位的右角点检测信息,确定所述第i个停车位的当前实际信息;其中,i为正整数,i≤N,N为正整数;
在确定所述当前车位检测信息包括所述第i个停车位的一个角点检测信息和所述第i个停车位对应的一条车位线检测信息时,根据所述第i个停车位的一个角点检测信息和所述第i个停车位对应的一条车位线检测信息,确定所述第i个停车位的当前实际信息;
在确定所述当前车位检测信息包括所述第i个停车位的一个角点检测信息和所述第i个停车位对应的多条车位线检测信息时,从所述第i个停车位对应的多条车位线检测信息中筛选出所述第i个停车位对应的目标车位线检测信息,并根据所述第i个停车位的一个角点检测信息和所述第i个停车位对应的目标车位线检测信息,确定所述第i个停车位的当前实际信息;
在确定所述当前车位检测信息不包括所述第i个停车位的角点检测信息时,根据所述当前车位预测信息中第i个停车位的当前预测信息,确定所述第i个停车位的当前实际信息。
基于上述车位信息确定装置200的相关内容可知,在获取到目标车辆在第一时间段内的行驶信息和目标车辆在当前时刻下的N路环视鱼眼图像之后,根据目标车辆的历史移动轨迹和目标车辆在第一时间段内的行驶信息,确定目标车辆的当前移动轨迹;根据目标车辆的当前移动轨迹和目标车辆的历史移动轨迹对应的历史车位信息,确定当前车位预测信息;将N路环视鱼眼图像进行拼接,得到当前鸟瞰图像;从当前鸟瞰图像中提取当前车位检测信息;根据当前车位检测信息和当前车位预测信息,确定当前车位实际信息,以便在确定当前车位实际信息与当前车位预测信息之间的相似度满足预设更新条件时,根据当前车位实际信息,更新目标车辆的当前移动轨迹。其中,第一时间段的截止时间点为当前时刻,第一时间段的起始时间点为目标车辆的历史移动轨迹的截止时间点;N为正整数。
可见,因当前车位实际信息是依据从当前鸟瞰图像中提取出的当前车位检测信息以及从目标车辆的当前移动轨迹中预测出的当前车位预测信息进行综合确定的,使得该当前车位实际信息能够更准确地表示在当前时刻下车位信息,如此能够实现在车辆泊车入位过程中实时地确定出车位信息,使得用户可以借助该车位信息进行泊车入位,如此有利于提高车辆泊车入位的成功率。
进一步地,本申请实施例还提供了一种设备,所述设备包括处理器以及存储器:
所述存储器用于存储计算机程序;
所述处理器用于根据所述计算机程序执行本申请实施例提供的车位信息确定方法的任一实施方式。
进一步地,本申请实施例还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用于存储计算机程序,所述计算机程序用于执行本申请实施例提供的车位信息确定方法的任一实施方式。
进一步地,本申请实施例还提供了一种计算机程序产品,所述计算机程序产品在终端设备上运行时,使得所述终端设备执行本申请实施例提供的车位信息确定方法的任一实施方式。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于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:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (10)
1.一种车位信息确定方法,其特征在于,所述方法包括:
获取目标车辆在第一时间段内的行驶信息和所述目标车辆在当前时刻下的N路环视鱼眼图像;其中,所述第一时间段的截止时间点为所述当前时刻,所述第一时间段的起始时间点为所述目标车辆的历史移动轨迹的截止时间点;N为正整数;
根据所述目标车辆的历史移动轨迹和所述目标车辆在第一时间段内的行驶信息,确定所述目标车辆的当前移动轨迹;
根据所述目标车辆的当前移动轨迹和所述目标车辆的历史移动轨迹对应的历史车位信息,确定当前车位预测信息;
将所述N路环视鱼眼图像进行拼接,得到当前鸟瞰图像,并从所述当前鸟瞰图像中提取当前车位检测信息;
根据所述当前车位检测信息和所述当前车位预测信息,确定当前车位实际信息,以便在确定所述当前车位实际信息与所述当前车位预测信息之间的相似度满足预设更新条件时,根据所述当前车位实际信息,更新所述目标车辆的当前移动轨迹及其对应的车位信息。
2.根据权利要求1所述的方法,其特征在于,所述当前车位检测信息包括车位角点的当前检测信息和/或车位线的当前检测信息;
所述车位角点的当前检测信息的提取过程,包括:将所述当前鸟瞰图像输入预先训练的深度神经网络模型,得到所述深度神经网络模型输出的候选车位角点信息;根据预设车位宽度从所述候选车位角点信息中筛选所述车位角点的当前检测信息;
所述车位线的当前检测信息的提取过程,包括:对所述当前鸟瞰图像进行预设图像处理,得到所述车位线的当前检测信息。
3.根据权利要求2所述的方法,其特征在于,所述对所述当前鸟瞰图像进行预设图像处理,得到所述车位线的当前检测信息,包括:
将所述当前鸟瞰图像进行灰度转换,得到灰度图像;
将所述灰度图像进行二值转换,得到二值图像;
将所述二值图像中满足预设直线特征的区域,确定为待处理直线区域;
对所述待处理直线区域进行边缘提取,得到候选车位线;
对所述候选车位线进行霍夫变换,得到所述候选车位线的直线信息;
根据所述候选车位线的直线信息,确定所述车位线的当前检测信息。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
依据预设区域切割参数,对所述当前鸟瞰图像进行感兴趣区域切割,得到待使用图像;
所述将所述当前鸟瞰图像进行灰度转换,得到灰度图像,包括:
将所述待使用图像进行灰度转换,得到灰度图像。
5.根据权利要求3所述的方法,其特征在于,若所述候选车位线的个数为J,则所述根据所述候选车位线的直线信息,确定所述车位线的当前检测信息,包括:
若第j个候选车位线的直线信息满足停车线条件,则将所述第j个候选车位线的直线信息,确定为所述车位线的当前检测信息;其中,所述停车线条件是根据所述当前车位预测信息确定的;j为正整数,j≤J,J为正整数。
6.根据权利要求1所述的方法,其特征在于,若所述当前车位实际信息包括N个停车位的当前实际信息,则第i个停车位的当前实际信息的确定过程,包括:
在确定所述当前车位检测信息包括第i个停车位的左角点检测信息和所述第i个停车位的右角点检测信息时,根据所述第i个停车位的左角点检测信息和所述第i个停车位的右角点检测信息,确定所述第i个停车位的当前实际信息;其中,i为正整数,i≤N,N为正整数;
在确定所述当前车位检测信息包括所述第i个停车位的一个角点检测信息和所述第i个停车位对应的一条车位线检测信息时,根据所述第i个停车位的一个角点检测信息和所述第i个停车位对应的一条车位线检测信息,确定所述第i个停车位的当前实际信息;
在确定所述当前车位检测信息包括所述第i个停车位的一个角点检测信息和所述第i个停车位对应的多条车位线检测信息时,从所述第i个停车位对应的多条车位线检测信息中筛选出所述第i个停车位对应的目标车位线检测信息,并根据所述第i个停车位的一个角点检测信息和所述第i个停车位对应的目标车位线检测信息,确定所述第i个停车位的当前实际信息;
在确定所述当前车位检测信息不包括所述第i个停车位的角点检测信息时,根据所述当前车位预测信息中第i个停车位的当前预测信息,确定所述第i个停车位的当前实际信息。
7.一种车位信息确定装置,其特征在于,所述装置包括:
信息获取单元,用于获取目标车辆在第一时间段内的行驶信息和所述目标车辆在当前时刻下的N路环视鱼眼图像;其中,所述第一时间段的截止时间点为所述当前时刻,所述第一时间段的起始时间点为所述目标车辆的历史移动轨迹的截止时间点;N为正整数;
轨迹确定单元,用于根据所述目标车辆的历史移动轨迹和所述目标车辆在第一时间段内的行驶信息,确定所述目标车辆的当前移动轨迹;
信息预测单元,用于根据所述目标车辆的当前移动轨迹和所述目标车辆的历史移动轨迹对应的历史车位信息,确定当前车位预测信息;
图像拼接单元,用于将所述N路环视鱼眼图像进行拼接,得到当前鸟瞰图像,并从所述当前鸟瞰图像中提取当前车位检测信息;
信息确定单元,用于根据所述当前车位检测信息和所述当前车位预测信息,确定当前车位实际信息,以便在确定所述当前车位实际信息与所述当前车位预测信息之间的相似度满足预设更新条件时,根据所述当前车位实际信息,更新所述目标车辆的当前移动轨迹。
8.一种设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储计算机程序;
所述处理器用于根据所述计算机程序执行权利要求1-6中任一项所述的方法。
9.一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用于存储计算机程序,所述计算机程序用于执行权利要求1-6中任一项所述的方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品在终端设备上运行时,使得所述终端设备执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110271374.7A CN115083199B (zh) | 2021-03-12 | 2021-03-12 | 一种车位信息确定方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110271374.7A CN115083199B (zh) | 2021-03-12 | 2021-03-12 | 一种车位信息确定方法及其相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115083199A CN115083199A (zh) | 2022-09-20 |
CN115083199B true CN115083199B (zh) | 2024-02-27 |
Family
ID=83240789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110271374.7A Active CN115083199B (zh) | 2021-03-12 | 2021-03-12 | 一种车位信息确定方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115083199B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117068145B (zh) * | 2023-10-17 | 2024-01-26 | 北京茵沃汽车科技有限公司 | 泊车方法、泊车装置、计算设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007230371A (ja) * | 2006-03-01 | 2007-09-13 | Nissan Motor Co Ltd | 駐車支援装置及び駐車支援方法 |
CN109697860A (zh) * | 2017-10-20 | 2019-04-30 | 上海欧菲智能车联科技有限公司 | 车位检测和跟踪系统及方法及车辆 |
CN109740521A (zh) * | 2018-12-29 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 自动泊车的车位位置确定方法及装置、电子设备和计算机可读介质 |
CN109766799A (zh) * | 2018-12-28 | 2019-05-17 | 百度在线网络技术(北京)有限公司 | 车位识别模型训练方法及装置和车位识别方法及装置 |
CN109927715A (zh) * | 2019-02-19 | 2019-06-25 | 惠州市德赛西威智能交通技术研究院有限公司 | 垂直泊车方法 |
CN110775052A (zh) * | 2019-08-29 | 2020-02-11 | 浙江零跑科技有限公司 | 一种基于视觉与超声波感知融合的自动泊车方法 |
WO2020056875A1 (zh) * | 2018-09-20 | 2020-03-26 | 初速度(苏州)科技有限公司 | 一种基于深度强化学习的停车策略 |
CN111508260A (zh) * | 2019-01-30 | 2020-08-07 | 上海欧菲智能车联科技有限公司 | 车辆停车位检测方法、装置和系统 |
CN111581314A (zh) * | 2020-04-26 | 2020-08-25 | 亿海蓝(北京)数据技术股份公司 | 基于船舶轨迹的泊位识别方法及装置 |
CN112092802A (zh) * | 2020-09-25 | 2020-12-18 | 北京罗克维尔斯科技有限公司 | 车辆控制方法、装置及车辆 |
CN112200830A (zh) * | 2020-09-11 | 2021-01-08 | 山东信通电子股份有限公司 | 一种目标跟踪方法及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9508260B2 (en) * | 2014-10-31 | 2016-11-29 | Toyota Motor Engineering & Manufacturing North America, Inc. | Method to improve parking space identification in autonomous driving |
-
2021
- 2021-03-12 CN CN202110271374.7A patent/CN115083199B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007230371A (ja) * | 2006-03-01 | 2007-09-13 | Nissan Motor Co Ltd | 駐車支援装置及び駐車支援方法 |
CN109697860A (zh) * | 2017-10-20 | 2019-04-30 | 上海欧菲智能车联科技有限公司 | 车位检测和跟踪系统及方法及车辆 |
WO2020056875A1 (zh) * | 2018-09-20 | 2020-03-26 | 初速度(苏州)科技有限公司 | 一种基于深度强化学习的停车策略 |
CN109766799A (zh) * | 2018-12-28 | 2019-05-17 | 百度在线网络技术(北京)有限公司 | 车位识别模型训练方法及装置和车位识别方法及装置 |
CN109740521A (zh) * | 2018-12-29 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 自动泊车的车位位置确定方法及装置、电子设备和计算机可读介质 |
CN111508260A (zh) * | 2019-01-30 | 2020-08-07 | 上海欧菲智能车联科技有限公司 | 车辆停车位检测方法、装置和系统 |
CN109927715A (zh) * | 2019-02-19 | 2019-06-25 | 惠州市德赛西威智能交通技术研究院有限公司 | 垂直泊车方法 |
CN110775052A (zh) * | 2019-08-29 | 2020-02-11 | 浙江零跑科技有限公司 | 一种基于视觉与超声波感知融合的自动泊车方法 |
CN111581314A (zh) * | 2020-04-26 | 2020-08-25 | 亿海蓝(北京)数据技术股份公司 | 基于船舶轨迹的泊位识别方法及装置 |
CN112200830A (zh) * | 2020-09-11 | 2021-01-08 | 山东信通电子股份有限公司 | 一种目标跟踪方法及设备 |
CN112092802A (zh) * | 2020-09-25 | 2020-12-18 | 北京罗克维尔斯科技有限公司 | 车辆控制方法、装置及车辆 |
Non-Patent Citations (2)
Title |
---|
基于信息融合的自动泊车系统车位线车位识别和决策规划;姜武华;辛鑫;陈无畏;谢有浩;;中国机械工程(第10期);60-66 * |
基于图像处理的空车位检测预测系统设计;杨芳颖;戴金刚;代欢欢;赵俊华;;无线互联科技(第14期);88-89 * |
Also Published As
Publication number | Publication date |
---|---|
CN115083199A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666921B (zh) | 车辆控制方法、装置、计算机设备和计算机可读存储介质 | |
CN108345822B (zh) | 一种点云数据处理方法及装置 | |
Li et al. | Springrobot: A prototype autonomous vehicle and its algorithms for lane detection | |
CN110588653A (zh) | 自主车辆的控制系统、控制方法以及控制器 | |
CN110674705B (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
CN111551957B (zh) | 基于激光雷达感知的园区低速自动巡航及紧急制动系统 | |
CN115083199B (zh) | 一种车位信息确定方法及其相关设备 | |
CN109658442B (zh) | 多目标跟踪方法、装置、设备及计算机可读存储介质 | |
CN110348332B (zh) | 一种交通视频场景下机非人多目标实时轨迹提取方法 | |
CN110658539B (zh) | 车辆定位方法、装置、车辆和计算机可读存储介质 | |
CN104915642B (zh) | 前方车辆测距方法及装置 | |
DE102011078615A1 (de) | Objekterfassungsvorrichtung und objekterfassungsprogramm | |
CN114454875A (zh) | 一种基于强化学习的城市道路自动泊车方法及系统 | |
Suleymanov et al. | Online inference and detection of curbs in partially occluded scenes with sparse lidar | |
CN112721950A (zh) | 一种基于深度学习的自主车辆控制方法及系统 | |
Saleem et al. | Steering angle prediction techniques for autonomous ground vehicles: a review | |
CN110929670A (zh) | 基于yolo3技术的渣土车洁净度视频识别分析方法 | |
CN114067292A (zh) | 用于智能驾驶的图像处理方法和装置 | |
CN114694115A (zh) | 一种道路障碍物检测方法、装置、设备及存储介质 | |
KR20160081190A (ko) | 카메라를 이용한 보행자 인식 방법 및 그 기록 매체 | |
CN111739333A (zh) | 一种空车位识别方法 | |
CN111814773A (zh) | 一种划线车位识别方法及系统 | |
Irshad et al. | Real-time lane departure warning system on a lower resource platform | |
CN111062311B (zh) | 一种基于深度级可分离卷积网络的行人手势识别与交互方法 | |
Chen et al. | A new adaptive region of interest extraction method for two-lane detection |
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 |