CN115148047A - 一种车位检测方法及装置 - Google Patents
一种车位检测方法及装置 Download PDFInfo
- Publication number
- CN115148047A CN115148047A CN202210876241.7A CN202210876241A CN115148047A CN 115148047 A CN115148047 A CN 115148047A CN 202210876241 A CN202210876241 A CN 202210876241A CN 115148047 A CN115148047 A CN 115148047A
- Authority
- CN
- China
- Prior art keywords
- parking space
- space frame
- area
- image
- coordinates
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- 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
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种车位检测方法及装置,涉及自动驾驶技术领域。包括:获取车辆所处的停车环境的鱼眼图像,采用预存的车位框识别模型对鱼眼图像进行识别,确定鱼眼图像中的多个车位框区域,并根据每个车位框区域和预存的角点识别模型,确定每个车位框区域对应的车位区域中每个角点的坐标,且根据每个车位框区域对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域。本发明直接采用鱼眼图像作为车位框识别模型的输入,且放弃了图像分割的思想,采用级联的车位框识别模型和角点识别模型,先进行车位框区域的识别再进行车位区域的角点识别,由粗到精的进行车位区域的角点定位,提高了车位检测的实时性和准确度。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种车位检测方法及装置。
背景技术
自主泊车技术是自动驾驶技术的重要分支技术之一,自主泊车技术对于车位检测的实时性与准确性,要求极高。
现有技术中主要采用深度学习方法来进行车位检测,在深度学习方法中,首先需要对车辆周围的全景环视图像进行泊车场景分割,输出可行驶区域、车位标记线、车辆和其他物体的分割结果,而后根据分割结果推断车位角点坐标。但是,使用该方法进行车位检测的实时性和准确性较低。
发明内容
本发明提供一种车位检测方法及装置,能够提高车位检测的实时性和准确性。
为达到上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种车位检测方法,包括:
获取鱼眼图像,鱼眼图像用于指示车辆所处的停车环境的图像;
采用预存的车位框识别模型对鱼眼图像进行识别,确定鱼眼图像中的多个车位框区域,一个车位框区域用于指示一个车位所处的区域;
根据每个车位框区域和预存的角点识别模型,确定每个车位框区域对应的车位区域中每个角点的坐标;
根据每个车位框区域对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域。
在一种可能的实现方式中,根据每个车位框区域和预存的角点识别模型,确定每个车位框区域对应的车位区域中每个角点的坐标,包括:根据每个车位框区域确定对应的第一车位框图像;根据预设的图像大小转换比例对每个第一车位框图像进行缩小处理,得到每个第一车位框图像对应的第二车位框图像;采用角点识别模型对每个第二车位框图像进行识别,确定每个车位框区域对应的车位区域中每个角点的坐标。
在一种可能的实现方式中,采用角点识别模型对每个第二车位框图像进行识别,确定每个车位框区域对应的车位区域中每个角点的坐标,包括:将每个第二车位框图像输入至角点识别模型,得到每个第二车位框图像的每个像素点对应的角点信息,角点信息包括多种角点类型中每种角点类型对应的置信度和坐标;将每个第二车位框图像的所有像素点对应的每种角点类型中,最大置信度对应的坐标确定为每个第二车位框图像对应的车位区域中每个角点的坐标;根据每个第二车位框图像对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域中每个角点的坐标。
在一种可能的实现方式中,根据每个第二车位框图像对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域中每个角点的坐标,包括:根据图像大小转换比例,分别对每个第二车位框图像对应的车位区域中每个角点的坐标进行还原处理,确定每个车位框区域对应的车位区域中每个角点的坐标。
在一种可能的实现方式中,根据每个车位框区域确定对应的第一车位框图像,包括:基于每个车位框区域的中心,将每个车位框区域向外围扩充预设数量的像素点,得到每个车位框区域扩充后的目标区域;根据每个车位框区域扩充后的目标区域中的像素点,确定每个车位框区域对应的第一车位框图像。
在一种可能的实现方式中,角点识别模型使用Hard Swish激活函数。
在一种可能的实现方式中,车位框区域为不规则四边形区域。
第二方面,本发明提供一种车位检测装置,包括:
获取模块,用于获取鱼眼图像,鱼眼图像用于指示车辆所处的停车环境的图像;
第一确定模块,用于采用预存的车位框识别模型对鱼眼图像进行识别,确定鱼眼图像中的多个车位框区域,一个车位框区域用于指示一个车位所处的区域;
第二确定模块,用于根据每个车位框区域和预存的角点识别模型,确定每个车位框区域对应的车位区域中每个角点的坐标;
第三确定模块,用于根据每个车位框区域对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域。
在一种可能的实现方式中,第二确定模块,具体用于:根据每个车位框区域确定对应的第一车位框图像;根据预设的图像大小转换比例对每个第一车位框图像进行缩小处理,得到每个第一车位框图像对应的第二车位框图像;采用角点识别模型对每个第二车位框图像进行识别,确定每个车位框区域对应的车位区域中每个角点的坐标。
在一种可能的实现方式中,第二确定模块,具体用于:将每个第二车位框图像输入至角点识别模型,得到每个第二车位框图像的每个像素点对应的角点信息,角点信息包括多种角点类型中每种角点类型对应的置信度和坐标;将每个第二车位框图像的所有像素点对应的每种角点类型中,最大置信度对应的坐标确定为每个第二车位框图像对应的车位区域中每个角点的坐标;根据每个第二车位框图像对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域中每个角点的坐标。
在一种可能的实现方式中,第二确定模块,具体用于:根据图像大小转换比例,分别对每个第二车位框图像对应的车位区域中每个角点的坐标进行还原处理,确定每个车位框区域对应的车位区域中每个角点的坐标。
在一种可能的实现方式中,第二确定模块,具体用于:基于每个车位框区域的中心,将每个车位框区域向外围扩充预设数量的像素点,得到每个车位框区域扩充后的目标区域;根据每个车位框区域扩充后的目标区域中的像素点,确定每个车位框区域对应的第一车位框图像。
在一种可能的实现方式中,角点识别模型使用Hard Swish激活函数。
在一种可能的实现方式中,车位框区域为不规则四边形区域。
第三方面,本发明提供一种车辆,该车辆包括:处理器和存储器;存储器用于存储计算机程序代码,计算机程序代码包括计算机指令;当处理器执行计算机指令时,车辆执行如第一方面及其任一种可能的实现方式的车位检测方法。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机指令,当计算机指令在车辆上运行时,使得车辆执行如第一方面及其任一种可能的实现方式的车位检测方法。
第五方面,本发明提供一种计算机程序产品,该计算机程序产品包括计算机指令,当计算机指令在车辆上运行时,使得车辆执行如第一方面及其任一种可能的实现方式的车位检测方法。
本发明提供的车位检测方法,获取车辆所处的停车环境的鱼眼图像,采用预存的车位框识别模型对鱼眼图像进行识别,确定鱼眼图像中的多个车位框区域,并根据每个车位框区域和预存的角点识别模型,确定每个车位框区域对应的车位区域中每个角点的坐标,且根据每个车位框区域对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域。其中,一个车位框区域用于指示一个车位所处的区域。本发明直接采用鱼眼图像作为车位框识别模型的输入,既没有使用环视拼接图作为输入,也没有使用鱼眼图像去畸变后的结果作为输入,节省了环视图像拼接的时间或鱼眼图像去畸变的时间,提高了车位区域识别的速度,从而提高了车位检测的实时性。另外,本发明放弃了图像分割的思想,采用级联的车位框识别模型和角点识别模型,先进行车位框区域的识别再进行车位区域的角点识别,由粗到精的进行车位区域的角点定位,提高了车位检测的准确度。
附图说明
图1为本发明实施例提供的一种车位检测方法的应用场景示意图;
图2为本发明实施例提供的一种车位检测方法的流程示意图之一;
图3为本发明实施例提供的车位框识别模型的结构示意图;
图4为本发明实施例提供的一种车位检测方法的流程示意图之二;
图5为本发明实施例提供的一种车位检测方法的流程示意图之三;
图6为本发明实施例提供的角点识别模型的结构示意图;
图7为本发明实施例提供的一种车位检测方法的图像处理流程示意图;
图8为本发明实施例提供的一种车位检测装置的组成示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。另外,“基于”或“根据”的使用意味着开放和包容性,因为“基于”或“根据”一个或多个所述条件或值的过程、步骤、计算或其他动作在实践中可以基于额外条件或超出所述的值。
为了解决车位检测的实时性和准确性较低的问题,本发明实施例提供了一种车位检测方法及装置,获取车辆所处的停车环境的鱼眼图像,采用预存的车位框识别模型对鱼眼图像进行识别,确定鱼眼图像中的多个车位框区域,并根据每个车位框区域和预存的角点识别模型,确定每个车位框区域对应的车位区域中每个角点的坐标,且根据每个车位框区域对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域。其中,一个车位框区域用于指示一个车位所处的区域。本发明实施例直接采用鱼眼图像作为车位框识别模型的输入,既没有使用环视拼接图作为输入,也没有使用鱼眼图像去畸变后的结果作为输入,节省了环视图像拼接的时间或鱼眼图像去畸变的时间,提高了车位区域识别的速度,从而提高了车位检测的实时性。另外,本发明实施例放弃了图像分割的思想,采用级联的车位框识别模型和角点识别模型,先进行车位框区域的识别再进行车位区域的角点识别,由粗到精的进行车位区域的角点定位,提高了车位检测的准确度。
图1为本发明实施例提供的一种车位检测方法的应用场景示意图。如图1所示,该车位检测方法可以应用于车辆01的自主泊车场景中,车辆01中设置有鱼眼摄像机11。
车辆01可以通过鱼眼摄像机11用于获取车辆01所处的停车环境的鱼眼图像,采用预存的车位框识别模型对鱼眼图像进行识别,确定鱼眼图像中的多个车位框区域,并根据每个车位框区域和预存的角点识别模型,确定每个车位框区域对应的车位区域中每个角点的坐标,且根据每个车位框区域对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域。其中,一个车位框区域用于指示一个车位所处的区域。
基于图1,以下对本发明实施例中的车位检测方法进行具体介绍。
本发明实施例提供的车位检测方法的执行主体为车辆01,具体可以为车辆01中包括的一个或多个计算机设备,该计算机设备可以是车载终端设备。
图2为本发明实施例提供的一种车位检测方法的流程示意图之一。如图2所示,该车位检测方法可以包括以下步骤S201-步骤S204。
S201、车辆01获取鱼眼图像,鱼眼图像用于指示车辆01所处的停车环境的图像。
其中,车辆01可以通过鱼眼摄像机11获取车辆01所处的停车环境的鱼眼图像。
可以理解的是,该鱼眼图像中可以包括至少一个未被占用的空车位。
S202、车辆01采用预存的车位框识别模型对鱼眼图像进行识别,确定鱼眼图像中的多个车位框区域,一个车位框区域用于指示一个车位所处的区域。
其中,车位框区域可以是不规则的四边形区域,例如梯形。
在一种可能的实现方式中,车辆01可以采用预存的车位框识别模型直接对鱼眼图像进行识别,从而确定鱼眼图像中存在的每个空车位所处的车位框区域。
在另一种可能的实现方式中,车辆01可以先对鱼眼图像进行尺度变换,按照一定的比例缩放后,再采用预存的车位框识别模型对缩放后的鱼眼图像进行识别,从而确定鱼眼图像中存在的每个空车位所处的车位框区域。
示例性的,如图3所示,该车位框识别模型可以为神经网络模型,该车位框识别模型的骨干网络直接以缩放后的鱼眼图像作为输入,鱼眼图像进行尺度变换,缩放到预设的大小W×H×C,其中W表示图像宽,H表示图像高,C表示图像通道数,一般为3通道。该车位框识别模型的骨干网络可以同时处理多张图像,图像数设为B。
在对鱼眼图像进行识别时,可以通过该车位框识别模型的骨干网络提取缩放后的鱼眼图像中的停车位特征信息,从而得到对应的特征图。
具体的,该骨干网络可以采用常用的卷积神经网络,为了保证模型速度,可以采用一些轻量级网络,如MobileNet等。
本实施例对图像采用的是16倍下采样的方式,因此对于一些网络可能需要修改卷积步长,在达到16倍下采样的尺寸后的卷积层中卷积步长全部设为1。基于此,通过骨干网络可以得到16倍下采样的特征图,该特征图的宽和高为W1和H1,是输入的缩放后的鱼眼图像的1/16。
进一步的,为了输出不规则四边形的检测框,本实施例使用热力图的方式来定位中心点与类别,然后通过四个角点与中心点的偏移量计算车位框的四个角点位置。具体过程为,对于骨干网络的输出,通过5个不同的卷积层的到5个头,每一个头的作用如图3所示,分别为:关键点分类、左前角点偏移量、左后角点偏移量、右后角点偏移量以及右前角点偏移量。关键点分类头用于边界框的分类和中心点的定位,维度为B×W1×H1×cls,cls表示想要分类的车位类别数。其余四个头维度为B×W1×H1×2,之所以为2是因为对应角点坐标x、y方向上的偏移量。车位框角点坐标的获取流程为:通过关键点分类头,获取置信度最大的k个关键点;依据关键点所在通道,得到该关键点所属类别;通过关键点所在特征图中的位置,在另外四个头中获得对应关键点位置的x、y偏移量,进而得到以该关键点为中心的车位框四个角点坐标,从而确定出对应车位框区域。
S203、车辆01根据每个车位框区域和预存的角点识别模型,确定每个车位框区域对应的车位区域中每个角点的坐标。
具体的,车辆01可以采用预存的角点识别模型对每个车位框区域进行角点定位,从而确定每个车位框区域对应的车位区域中每个角点的坐标。
S204、车辆01根据每个车位框区域对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域。
可以理解的是,将每个车位框区域对应的车位区域中的每个角点依次连接,即可得到每个车位框区域对应的车位区域。
具体的,车辆01可以根据每个车位框区域对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域。
本实施例中,车辆01获取车辆所处的停车环境的鱼眼图像,采用预存的车位框识别模型对鱼眼图像进行识别,确定鱼眼图像中的多个车位框区域,并根据每个车位框区域和预存的角点识别模型,确定每个车位框区域对应的车位区域中每个角点的坐标,且根据每个车位框区域对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域。本发明实施例直接采用鱼眼图像作为车位框识别模型的输入,既没有使用环视拼接图作为输入,也没有使用鱼眼图像去畸变后的结果作为输入,节省了环视图像拼接的时间或鱼眼图像去畸变的时间,提高了车位区域识别的速度,从而提高了车位检测的实时性。另外,本实施例放弃了图像分割的思想,采用级联的车位框识别模型和角点识别模型,先进行车位框区域的识别再进行车位区域的角点识别,由粗到精的进行车位区域的角点定位,提高了车位检测的准确度。
基于图2,图4为本发明实施例提供的一种车位检测方法的流程示意图之二。如图4所示,上述步骤S203,可以包括以下步骤S401-S403。
S401、车辆01根据每个车位框区域确定对应的第一车位框图像。
具体的,车辆01可以根据每个车位框区域确定对应的第一车位框图像。
在一种可能的实现方式中,车辆01可以根据每个车位框区域中的像素点,确定每个车位框区域对应的第一车位框图像,即直接将车位框区域裁剪下来,作为该车位框区域对应的第一车位框图像。
在另一种可能的实现方式中,车辆01可以基于每个车位框区域的中心,将每个车位框区域向外围扩充预设数量的像素点,得到每个车位框区域扩充后的目标区域,再根据每个车位框区域扩充后的目标区域中的像素点,确定每个车位框区域对应的第一车位框图像,即将车位框区域向外围扩充一定像素后再进行裁剪得到第一车位框图像,从而保证在原图中能够裁剪出完整停车位。
S402、车辆01根据预设的图像大小转换比例对每个第一车位框图像进行缩小处理,得到每个第一车位框图像对应的第二车位框图像。
具体的,车辆01可以根据预设的图像大小转换比例对每个第一车位框图像进行缩小处理,得到每个第一车位框图像对应的第二车位框图像。
示例性的,可以将图像尺度大小变换到W2×H2×C,C可以为3,表示3通道,W2、H2一般不宜过大,可以分别为W1、H1的1/32,从而保证运算速度。
S403、车辆01采用角点识别模型对每个第二车位框图像进行识别,确定每个车位框区域对应的车位区域中每个角点的坐标。
具体的,车辆01可以采用角点识别模型对每个第二车位框图像进行识别,确定每个车位框区域对应的车位区域中每个角点的坐标。
本实施例中,车辆01根据每个车位框区域确定对应的第一车位框图像,并根据预设的图像大小转换比例对每个第一车位框图像进行缩小处理,得到每个第一车位框图像对应的第二车位框图像,且采用角点识别模型对每个第二车位框图像进行识别,确定每个车位框区域对应的车位区域中每个角点的坐标,提高了角点定位的运算速度。
基于图4,图5为本发明实施例提供的一种车位检测方法的流程示意图之三。如图5所示,上述步骤S403,可以包括以下步骤S501-S503。
S501、车辆01将每个第二车位框图像输入至角点识别模型,得到每个第二车位框图像的每个像素点对应的角点信息,角点信息包括多种角点类型中每种角点类型对应的置信度和坐标。
可以理解的是,角点类型可以包括第二车位框图像对应的车位区域的左前角点、左后角点、右前角点以及右后角点四种类型。每种角点类型对应的置信度用于指示像素点对应的每种角点类型的可信程度。
具体的,车辆01可以将每个第二车位框图像输入至角点识别模型,得到每个第二车位框图像的每个像素点对应的角点信息。
示例性的,如图6所示,该角点识别模型可以为简单的卷积神经网络模型,例如Resnet18。该角点模型的骨干网络以每个第二车位框图像为输入,最终经过全连接层输出每个第二车位框图像的每个像素点对应的角点信息。
可以理解的是,全连接层输出的尺寸为Bx12,B为输入通道数(即第二车位框图像或上述车位框区域的数量),12由4x3求得,因为有4种角点类型,每个角点类型对应有3种信息(1个置信度和x、y方向的坐标值)。
S502、车辆01将每个第二车位框图像的所有像素点对应的每种角点类型中,最大置信度对应的坐标确定为每个第二车位框图像对应的车位区域中每个角点的坐标。
具体的,车辆01可以将每个第二车位框图像的所有像素点对应的每种角点类型中,最大置信度对应的坐标确定为每个第二车位框图像对应的车位区域中每个角点的坐标。
示例性的,若像素点A的左前角点的置信度比其它所有像素点的的左前角点的置信度都大,即表示像素点A为左前角点的可信程度是最大的。
S503、车辆01根据每个第二车位框图像对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域中每个角点的坐标。
具体的,车辆01可以根据每个第二车位框图像对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域中每个角点的坐标。
在一种可能的实现方式中,由于输入至角点识别模型的第二车位框图像是经过尺寸变换的,因此,车辆01可以根据图像大小转换比例,分别对每个第二车位框图像中每个角点的坐标进行还原处理,从而确定每个车位框区域对应的车位区域中每个角点的坐标。
可选的,上述角点识别模型可使用Hard Swish作为激活函数,该函数具有数值稳定性好,速度快的优点,从而进一步提高角点定位的速度。
为便于理解,结合上述实施例,图7为本发明实施例示出的一种车位检测方法的图像处理流程示意图。如图7所示,将经过尺寸变换后的鱼眼图像输入至车位框识别模型中,输出多个车位框区域,将每个车位框区域向外围扩展一定像素后裁剪得到多个第一车位框图像,而后再将每个第一车位框图像进行尺寸变换,得到多个第二车位框图像,将多个第二车位框图像输入至角点识别模型中,输出每个第二车位框图像对应的车位区域的角点坐标,在经过坐标还原,得到每个车位框区域对应的车位区域的角点坐标,从而完成车位框区域对应的车位区域的角点定位。
上述主要从设备的角度对本发明实施例提供的方案进行了介绍。可以理解的是,设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的算法步骤,本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
图8为本发明实施例示出的一种车位检测装置的组成示意图,如图8所示,车位检测装置可以包括:获取模块81、第一确定模块82、第二确定模块83以及第三确定模块84。
获取模块81,用于获取鱼眼图像,鱼眼图像用于指示车辆所处的停车环境的图像。
第一确定模块82,用于采用预存的车位框识别模型对鱼眼图像进行识别,确定鱼眼图像中的多个车位框区域,一个车位框区域用于指示一个车位所处的区域。
第二确定模块83,用于根据每个车位框区域和预存的角点识别模型,确定每个车位框区域对应的车位区域中每个角点的坐标。
第三确定模块84,用于根据每个车位框区域对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域。
可选的,第二确定模块83,具体用于:根据每个车位框区域确定对应的第一车位框图像;根据预设的图像大小转换比例对每个第一车位框图像进行缩小处理,得到每个第一车位框图像对应的第二车位框图像;采用角点识别模型对每个第二车位框图像进行识别,确定每个车位框区域对应的车位区域中每个角点的坐标。
可选的,第二确定模块83,具体用于:将每个第二车位框图像输入至角点识别模型,得到每个第二车位框图像的每个像素点对应的角点信息,角点信息包括多种角点类型中每种角点类型对应的置信度和坐标;将每个第二车位框图像的所有像素点对应的每种角点类型中,最大置信度对应的坐标确定为每个第二车位框图像对应的车位区域中每个角点的坐标;根据每个第二车位框图像对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域中每个角点的坐标。
可选的,第二确定模块83,具体用于:根据图像大小转换比例,分别对每个第二车位框图像对应的车位区域中每个角点的坐标进行还原处理,确定每个车位框区域对应的车位区域中每个角点的坐标。
可选的,第二确定模块83,具体用于:基于每个车位框区域的中心,将每个车位框区域向外围扩充预设数量的像素点,得到每个车位框区域扩充后的目标区域;根据每个车位框区域扩充后的目标区域中的像素点,确定每个车位框区域对应的第一车位框图像。
可选的,角点识别模型使用Hard Swish激活函数。
可选的,车位框区域为不规则四边形区域。
当然,本发明实施例提供的车位检测装置包括但不限于上述模块。
本发明实施例提供的车位检测装置,用于执行上述车位检测方法,因此可以达到与上述车位检测方法相同的效果。
本发明另一实施例还提供一种车辆,该车辆包括:处理器和存储器;存储器用于存储计算机程序代码,计算机程序代码包括计算机指令;当处理器执行计算机指令时,车辆执行上述方法实施例所示的车位检测方法。
本发明另一实施例还提供一种计算机可读存储介质,其上存储有计算机指令,当计算机指令在车辆上运行时,使得车辆执行上述方法实施例所示的车位检测方法。
本发明另一实施例还提供一种计算机程序产品,该计算机程序产品包括计算机指令,当计算机指令在车辆上运行时,使得车辆执行上述方法实施例所示的车位检测方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何在本发明揭露的技术范围内的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种车位检测方法,其特征在于,包括:
获取鱼眼图像,所述鱼眼图像用于指示车辆所处的停车环境的图像;
采用预存的车位框识别模型对所述鱼眼图像进行识别,确定所述鱼眼图像中的多个车位框区域,一个车位框区域用于指示一个车位所处的区域;
根据每个车位框区域和预存的角点识别模型,确定每个车位框区域对应的车位区域中每个角点的坐标;
根据每个车位框区域对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域。
2.根据权利要求1所述的方法,其特征在于,所述根据每个车位框区域和预存的角点识别模型,确定每个车位框区域对应的车位区域中每个角点的坐标,包括:
根据每个车位框区域确定对应的第一车位框图像;
根据预设的图像大小转换比例对每个第一车位框图像进行缩小处理,得到每个第一车位框图像对应的第二车位框图像;
采用所述角点识别模型对每个第二车位框图像进行识别,确定每个车位框区域对应的车位区域中每个角点的坐标。
3.根据权利要求2所述的方法,其特征在于,所述采用所述角点识别模型对每个第二车位框图像进行识别,确定每个车位框区域对应的车位区域中每个角点的坐标,包括:
将每个第二车位框图像输入至所述角点识别模型,得到每个第二车位框图像的每个像素点对应的角点信息,所述角点信息包括多种角点类型中每种角点类型对应的置信度和坐标;
将每个第二车位框图像的所有像素点对应的每种角点类型中,最大置信度对应的坐标确定为每个第二车位框图像对应的车位区域中每个角点的坐标;
根据每个第二车位框图像对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域中每个角点的坐标。
4.根据权利要求3所述的方法,其特征在于,所述根据每个第二车位框图像对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域中每个角点的坐标,包括:
根据所述图像大小转换比例,分别对每个第二车位框图像对应的车位区域中每个角点的坐标进行还原处理,确定每个车位框区域对应的车位区域中每个角点的坐标。
5.根据权利要求2-4中任一项所述的方法,其特征在于,所述根据每个车位框区域确定对应的第一车位框图像,包括:
基于每个车位框区域的中心,将每个车位框区域向外围扩充预设数量的像素点,得到每个车位框区域扩充后的目标区域;
根据每个车位框区域扩充后的目标区域中的像素点,确定每个车位框区域对应的第一车位框图像。
6.根据权利要求1-4任一项所述的方法,其特征在于,所述角点识别模型使用HardSwish激活函数。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述车位框区域为不规则四边形区域。
8.一种车位检测装置,其特征在于,包括:
获取模块,用于获取鱼眼图像,所述鱼眼图像用于指示车辆所处的停车环境的图像;
第一确定模块,用于采用预存的车位框识别模型对所述鱼眼图像进行识别,确定所述鱼眼图像中的多个车位框区域,一个车位框区域用于指示一个车位所处的区域;
第二确定模块,用于根据每个车位框区域和预存的角点识别模型,确定每个车位框区域对应的车位区域中每个角点的坐标;
第三确定模块,用于根据每个车位框区域对应的车位区域中每个角点的坐标,确定每个车位框区域对应的车位区域。
9.一种车辆,其特征在于,包括:处理器和存储器;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;当所述处理器执行所述计算机指令时,所述车辆执行如上述权利要求1-7任一项所述的车位检测方法。
10.一种计算机可读存储介质,其特征在于,存储有计算机指令,当所述计算机指令在车辆上运行时,使得所述车辆执行如上述权利要求1-7任一项所述的车位检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210876241.7A CN115148047A (zh) | 2022-07-25 | 2022-07-25 | 一种车位检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210876241.7A CN115148047A (zh) | 2022-07-25 | 2022-07-25 | 一种车位检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115148047A true CN115148047A (zh) | 2022-10-04 |
Family
ID=83414754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210876241.7A Pending CN115148047A (zh) | 2022-07-25 | 2022-07-25 | 一种车位检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115148047A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101582348B1 (ko) * | 2014-08-08 | 2016-01-05 | (주)파크인서울 | 주차장 감시 방법 및 그 장치 |
CN105513037A (zh) * | 2014-09-30 | 2016-04-20 | 展讯通信(上海)有限公司 | 角点检测方法及装置 |
CN109435942A (zh) * | 2018-10-31 | 2019-03-08 | 合肥工业大学 | 一种基于信息融合的车位线车位识别方法及装置 |
CN109685000A (zh) * | 2018-12-21 | 2019-04-26 | 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 |
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 |
CN109871745A (zh) * | 2018-12-29 | 2019-06-11 | 百度在线网络技术(北京)有限公司 | 识别空车位的方法、系统及车辆 |
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 |
CN111178236A (zh) * | 2019-12-27 | 2020-05-19 | 清华大学苏州汽车研究院(吴江) | 一种基于深度学习的车位检测方法 |
CN111178295A (zh) * | 2019-12-31 | 2020-05-19 | 华为技术有限公司 | 车位检测和模型训练方法、装置、车辆、设备及存储介质 |
CN112836633A (zh) * | 2021-02-02 | 2021-05-25 | 蔚来汽车科技(安徽)有限公司 | 停车位检测方法以及停车位检测系统 |
CN113269163A (zh) * | 2021-07-16 | 2021-08-17 | 中汽创智科技有限公司 | 基于鱼眼图像的立体泊车位检测方法及装置 |
WO2022148348A1 (zh) * | 2021-01-05 | 2022-07-14 | 广州小鹏自动驾驶科技有限公司 | 车位显示方法、装置、电子设备及存储介质 |
CN114782928A (zh) * | 2022-06-22 | 2022-07-22 | 苏州魔视智能科技有限公司 | 一种车位检测方法、装置、电子设备及存储介质 |
CN116778450A (zh) * | 2023-05-11 | 2023-09-19 | 嬴彻星创智能科技(上海)有限公司 | 车位检测模型训练方法、车位检测方法、训练装置及设备 |
-
2022
- 2022-07-25 CN CN202210876241.7A patent/CN115148047A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101582348B1 (ko) * | 2014-08-08 | 2016-01-05 | (주)파크인서울 | 주차장 감시 방법 및 그 장치 |
CN105513037A (zh) * | 2014-09-30 | 2016-04-20 | 展讯通信(上海)有限公司 | 角点检测方法及装置 |
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 |
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 |
CN109435942A (zh) * | 2018-10-31 | 2019-03-08 | 合肥工业大学 | 一种基于信息融合的车位线车位识别方法及装置 |
CN109685000A (zh) * | 2018-12-21 | 2019-04-26 | 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 |
CN109871745A (zh) * | 2018-12-29 | 2019-06-11 | 百度在线网络技术(北京)有限公司 | 识别空车位的方法、系统及车辆 |
CN111178236A (zh) * | 2019-12-27 | 2020-05-19 | 清华大学苏州汽车研究院(吴江) | 一种基于深度学习的车位检测方法 |
CN111178295A (zh) * | 2019-12-31 | 2020-05-19 | 华为技术有限公司 | 车位检测和模型训练方法、装置、车辆、设备及存储介质 |
WO2022148348A1 (zh) * | 2021-01-05 | 2022-07-14 | 广州小鹏自动驾驶科技有限公司 | 车位显示方法、装置、电子设备及存储介质 |
CN112836633A (zh) * | 2021-02-02 | 2021-05-25 | 蔚来汽车科技(安徽)有限公司 | 停车位检测方法以及停车位检测系统 |
CN113269163A (zh) * | 2021-07-16 | 2021-08-17 | 中汽创智科技有限公司 | 基于鱼眼图像的立体泊车位检测方法及装置 |
CN114782928A (zh) * | 2022-06-22 | 2022-07-22 | 苏州魔视智能科技有限公司 | 一种车位检测方法、装置、电子设备及存储介质 |
CN116778450A (zh) * | 2023-05-11 | 2023-09-19 | 嬴彻星创智能科技(上海)有限公司 | 车位检测模型训练方法、车位检测方法、训练装置及设备 |
Non-Patent Citations (2)
Title |
---|
杨英杰;胡义轩;张文龙;徐亮;: "基于Harris与SVM角点判断的车位状态检测算法", 计算机光盘软件与应用, no. 21, pages 123 - 124 * |
罗凤珍;陈锦儒;: "机器视觉在线检测的智能停车场管理系统", 信息与电脑(理论版), no. 10, pages 74 - 76 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111388B (zh) | 三维物体位姿参数估计方法及视觉设备 | |
CN106971185B (zh) | 一种基于全卷积网络的车牌定位方法及装置 | |
CN105303514A (zh) | 图像处理方法和装置 | |
CN110378837B (zh) | 基于鱼眼摄像头的目标检测方法、装置和存储介质 | |
CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
CN111191485A (zh) | 一种车位检测方法及其系统、汽车 | |
CN110443245B (zh) | 一种非限制场景下的车牌区域的定位方法、装置及设备 | |
CN111815707A (zh) | 点云确定方法、点云筛选方法、装置、计算机设备 | |
CN112348921A (zh) | 一种基于视觉语义点云的建图方法及系统 | |
CN112598735B (zh) | 一种融合三维模型信息的单张图像物体位姿估计方法 | |
CN113850136A (zh) | 基于yolov5与BCNN的车辆朝向识别方法及系统 | |
WO2024087962A1 (zh) | 车厢姿态识别系统、方法、电子设备及存储介质 | |
CN112336342A (zh) | 手部关键点检测方法、装置及终端设备 | |
CN113657409A (zh) | 车辆损失检测方法、装置、电子设备及存储介质 | |
CN112541484A (zh) | 人脸抠图方法、系统、电子装置及存储介质 | |
CN114648640B (zh) | 一种目标物单体化方法、装置、设备及存储介质 | |
CN114782928A (zh) | 一种车位检测方法、装置、电子设备及存储介质 | |
CN113177941B (zh) | 一种钢卷边裂识别方法、系统、介质和终端 | |
CN111010545A (zh) | 车辆驾驶决策方法、系统、终端及存储介质 | |
CN112926426A (zh) | 基于监控视频的船舶识别方法、系统、设备及存储介质 | |
CN115148047A (zh) | 一种车位检测方法及装置 | |
Bao et al. | Towards micro air vehicle flight autonomy research on the method of horizon extraction | |
CN111797715A (zh) | 车位检测方法、装置、电子设备及存储介质 | |
CN111746521B (zh) | 泊车路线的规划方法、装置、设备及存储介质 | |
CN115393433A (zh) | 一种检测区域恢复方法、装置、设备及存储介质 |
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 |