CN115187962A - 一种车位检测方法、装置及电子设备 - Google Patents
一种车位检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115187962A CN115187962A CN202210868622.0A CN202210868622A CN115187962A CN 115187962 A CN115187962 A CN 115187962A CN 202210868622 A CN202210868622 A CN 202210868622A CN 115187962 A CN115187962 A CN 115187962A
- Authority
- CN
- China
- Prior art keywords
- parking space
- detected
- determining
- threshold
- preset threshold
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
- G08G1/133—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams within the vehicle ; Indicators inside the vehicles or at stops
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
一种车位检测方法、装置及电子设备,该方法包括:获得待检测车位的历史信息以及待检测车位的第一概率值,基于车位有效性标识与总次数从预设阈值集中确定出比较阈值,基于比较阈值与第一概率值的比较结果,确定出待检测车位的车位信息。通过上述的方法,确定当前待检测车位的第一概率值,并基于车位有效性标识以及总次数将待检测车位进行分类,从而能够基于各个分类确定出比较阈值,避免了比较阈值是固定的值,基于比较阈值与第一概率值的比较结果确定出车位信息,进而确保了获得的车位信息的准确性。
Description
技术领域
本申请涉及智能车辆技术领域,尤其涉及一种车位检测方法、装置及电子设备。
背景技术
随着智能车辆技术的发展,智能车辆越来越广泛的运用到生活中,当智能车辆处于自动驾驶模式时,若智能车辆需要行驶至停车位,智能车辆需要自动搜索存在可停的停车位。
为了确定出智能车辆的停车位,目前,采用的方式为基于智能车辆的传感器确定出待检测车位的空间信息,该空间信息用于确定待检测车位的面积以及待检测车位中是否存在障碍物,智能车辆会采集待检测车位不同位置的多张图像,基于多张图像确定出待检测车位的特征集,基于特征集获得待检测车位的目标阈值,将该目标阈值与预设阈值进行比较,当目标阈值大于该预设阈值时,则能够确定搜索出的待检测车位为有效停车位,有效车位代表待检测车位可停智能车辆,当目标阈值小于该预设阈值时,则能够确定搜索出的待检测车位为无效车位,无效车位代表待检测车位不能停智能车辆。
基于上述的描述,基于目标阈值与预设阈值的大小关系,确定出待检测车位的车位信息,该车位信息至少包括有效车位或者无效车位的信息。当待检测车位的光线和/或待检测车位内其他物体投射的阴影面积不同时,确定出的待检测车位的特征集相差较大,从而造成基于该特征集确定出的目标阈值相差较大,进而导致智能车辆确定出的车位信息不准确。
发明内容
本申请提供了一种车位检测方法、装置及电子设备,用于提高智能车辆确定出的车位信息的准确性。
第一方面,本申请提供了一种车位检测方法,所述方法包括:
获得待检测车位的历史信息以及所述待检测车位的第一概率值,其中,所述历史信息表示所述待检测车位的车位有效性标识以及检测到所述待检测车位的总次数,所述第一概率值表示待检测车位为有效车位的概率;
基于所述车位有效性标识与所述总次数从预设阈值集中确定出比较阈值;
基于所述比较阈值与所述第一概率值的比较结果,确定出所述待检测车位的车位信息。
通过上述的方法,确定出待检测车位的第一概率值以及车位有效性标识,由于车位有效性标识中的各个车位标识分类都存在各自对应的预设阈值,从而确保了确定出的比较阈值的准确性,并基于第一概率值与比较阈值的比较结果确定出车位信息,进而提高了智能车辆确定出的车位信息的准确性。
在一种可能的设计中,获得待检测车位的第一概率值,包括:
获得所述待检测车位的至少一张待检测图像,从所述至少一张待检测图像中提取出待检测车位的待检测特征集;
将所述待检测特征集输入预设算法中,计算出所述待检测车位对应的第一概率值。
基于上述的描述,通过获得待检测车位的至少一张待检测图像提取出待检测车位的待检测特征集,由于待检测特征集是实时获取的特征,因此,能够确保获得的第一概率值的准确性。
在一种可能的设计中,基于所述车位有效性标识与所述总次数从预设阈值集中确定出比较阈值,包括:
确定所述车位有效性标识为有效车位标识以及所述总次数大于1,从所述预设阈值集中提取出第一预设阈值;
将所述第一预设阈值作为比较阈值,其中,所述第一预设阈值为有效车位的阈值。
基于上述的描述,当车位有效性标识为有效车位标识时,将基于有效车位进行大数据分析之后得到的第一预设阈值赋给比较阈值,通过赋值的方式将比较阈值调高,从而确保了检测出有效车位的准确性。
在一种可能的设计中,基于所述车位有效性标识与所述总次数从预设阈值集中确定出比较阈值,包括:
确定所述车位有效性标识为无效车位标识以及所述总次数为1,从所述预设阈值集中提取出第二预设阈值;
将所述第二预设阈值作为比较阈值,其中,所述第二预设阈值为无效车位的阈值。
基于上述的描述,当车位有效性标识为无效车位,待检测车位被检测过一次时,将基于无效车位进行大数据分析之后得到第二预设阈值,并将第二预设阈值赋值至比较阈值,通过赋值的方式将比较阈值调低,从而确保了检测出无效车位的准确性。
在一种可能的设计中,基于所述车位有效性标识与所述总次数从预设阈值集中确定出比较阈值,包括:
确定所述车位有效性标识为无效车位标识以及所述总次数为0,从所述预设阈值集中提取出第三预设阈值;
将所述第三预设阈值作为比较阈值,其中,所述第三预设阈值为车位的标准阈值。
基于上述的描述,当车位有效性标识为无效车位,待检测车位未被检测时,将基于未被检测的待检测车位进行大数据分析之后得到第三预设阈值,并将第三预设阈值赋值至比较阈值,第三预设阈值为待检测车位的标准阈值,确保了确定出的车位信息的准确性。
在一种可能的设计中,基于所述比较阈值与所述第一概率值的比较结果,确定出所述待检测车位的停车位信息,包括:
确定出所述待检测车位的位置信息;
响应于所述比较阈值小于所述第一概率值,确定出所述待检测车位为有效车位,基于所述有效车位生成有效车位标识,并将所述位置信息与有效车位标识信息进行关联;或者
响应于所述比较阈值大于所述第一概率值,确定出所述待检测车位为无效车位,基于所述无效车位生成无效车位标识,并将所述位置信息与无效车位标识信息进行关联。
基于上述的描述,确定出待检测车位的位置信息之后,基于比较阈值与第一概率值的比较结果,确定出为有效车位的待检测车位或者确定出为无效车位的待检测车位,从而确定出待检测车位的车位信息,确保了车位信息的准确度。
第二方面,本申请提供了一种车位检测装置,所述装置包括:
获得模块,用于获得待检测车位的历史信息以及所述待检测车位的第一概率值;
确定模块,用于基于所述车位有效性标识与所述总次数从预设阈值集中确定出比较阈值;
车位模块,用于基于所述比较阈值与所述第一概率值的比较结果,确定出所述待检测车位的车位信息。
在一种可能的设计中,所述获得模块,具体用于获得所述待检测车位的至少一张待检测图像,从所述至少一张待检测图像中提取出待检测车位的待检测特征集,将所述待检测特征集输入预设算法中,计算出所述待检测车位对应的第一概率值。
在一种可能的设计中,所述确定模块,具体用于确定所述车位有效性标识为有效车位标识以及所述总次数大于1,从所述预设阈值集中提取出第一预设阈值,将所述第一预设阈值作为比较阈值,其中,所述第一预设阈值为有效车位的阈值。
在一种可能的设计中,所述确定模块,还用于确定所述车位有效性标识为无效车位标识以及所述总次数为1,从所述预设阈值集中提取出第二预设阈值,将所述第二预设阈值作为比较阈值。
在一种可能的设计中,所述确定模块,还用于确定所述车位有效性标识为无效车位标识以及所述总次数为0,从所述预设阈值集中提取出第三预设阈值,将所述第三预设阈值作为比较阈值。
在一种可能的设计中,所述车位模块,具体用于确定出所述待检测车位的位置信息,响应于所述比较阈值小于所述第一概率值,确定出所述待检测车位为有效车位,基于所述有效车位生成有效车位标识,并将所述位置信息与有效车位标识信息进行关联,或者响应于所述比较阈值大于所述第一概率值,确定出所述待检测车位为无效车位,基于所述无效车位生成无效车位标识,并将所述位置信息与无效车位标识信息进行关联。
第三方面,本申请提供了一种电子设备,包括:
存储器,用于存放计算机程序;
处理器,用于执行所述存储器上所存放的计算机程序时,实现上述的一种车位检测方法步骤。
第四方面,一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述的一种车位检测方法步骤。
上述第一方面至第四方面中的各个方面以及各个方面可能达到的技术效果请参照上述针对第一方面或第一方面中的各种可能方案可以达到的技术效果说明,这里不再重复赘述。
附图说明
图1为本申请提供的各个车位类型的待检测车位示意图;
图2为本申请提供的一种车位检测方法步骤的流程图;
图3为本申请提供的智能车辆搜索车位时的各种实时场景示意图;
图4为本申请提供的确定出智能车辆的车位信息的流程图;
图5为本申请提供的一种线程绑定装置的结构示意图;
图6为本申请提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述。方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。需要说明的是,在本申请的描述中“多个”理解为“至少两个”。“和/或”,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。A与B连接,可以表示:A与B直接连接和A与B通过C连接这两种情况。另外,在本申请的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。
在以往的技术中,智能车辆搜索车位时,采用的方式为确定出待检测车位的目标阈值,将该目标阈值与预设阈值进行比较,获得比较结果,并基于比较结果确定出车位信息。现有各个车位类型的待检测车位示意图如图1所示,在图1中,有垂直车位、水平车位以及倾斜车位,各个车位类型的车位线内都停有智能车辆,对于各个车位类型的目标阈值是固定的值,在实际场景中,智能车辆在搜索车位的过程中将受到环境光线以及障碍物体的影响,当待检测车位的光线和/或待检测车位内其他物体投射的阴影面积不同时,确定出的待检测车位的特征集相差较大,从而造成基于该特征集确定出的目标阈值相差较大,进而导致确定出的车位信息不准确。
为了解决上述描述的问题,本申请实施例提供了一种车位检测方法,用于提高车位信息的准确性。其中,本申请实施例所述方法和装置基于同一技术构思,由于方法及装置所解决问题的原理相似,因此装置与方法的实施例可以相互参见,重复之处不再赘述。
下面结合附图,对本申请实施例进行详细描述。
参照图2,本申请提供了一种车位检测方法,该方法可以提高车位检测的准确性,该方法的实现流程如下:
步骤S21:获得待检测车位的历史信息以及待检测车位的第一概率值。
本申请实施例是为了提高车位信息的准确性,首先,智能车辆需要确定出待检测车位,待检测车位基于智能车辆中存储的历史信息进行确定,该历史信息中记录了待检测车位的车位有效性标识以及检测到待检测车位的总次数,该历史信息如表1所示:
表1
上述表1为智能车辆的历史信息,历史信息可以存储在智能车辆的服务器中,也可以由智能车辆接入其他网络设备获得,有效车位对应的总次数大于1,无效车位的总次数不超过1,上述表1中还记录了各个有效车位以及各个无效车位分别对应的位置信息,上述表1中的位置可以为GPS定位信息,也可以为IP地址,这里不做过多说明。
获得历史信息之后,智能车辆能够基于图像采集设备实时获取待检测车位,并获得至少一张待检测图像,提取出待检测图像的待检测特征集,本申请实施例中基于待检测图像提取出待检测特征集的方式可以为卷积神经网络模型,也可以为深度残差收缩网络模型,由于基于卷积神经网络模型从待检测图像中提取出待检测特征集为本领域技术人员公知的技术,因此,这里不作过多说明。
获得待检测特征集之后,由于待检测特征集记录的是待检测车位的环境特征,因此,将待检测特征集输入预设算法中,预设算法会基于输入的待检测特征集中的各个待检测特征进行大数据分析,并计算出待检测特征集对应的第一概率值,第一概率值越大,表示待检测车位为有效车位的概率越大,预设算法可以为(auto regressive moving averagemodel,ARAM)自回归滑动平均算法,由于基于该自回归滑动平均算法为本领域技术人员公知的技术,因此,这里不做说明。
基于上述的描述,通过获得待检测车位的至少一张待检测图像提取出待检测车位的待检测特征集,由于待检测特征集是实时获取的特征,因此,能够确保获得的第一概率值的准确性。
步骤S22:基于所述车位有效性标识与所述总次数从预设阈值集中确定出比较阈值。
上述描述中已经获得了待检测车位的第一概率值,本申请实施例是基于车位光线良好、车位线未被覆盖、成功搜索到车位时采集的图像的特征,和确定没有车位时的特征与待检测特征集进行对比,从而能够提高搜索出车位的成功率,智能车辆搜索车位时的各种实时场景示意图如图3所示,图3中记录了四种类型的实际场景,场景一为自然光线良好的场景,场景二为自然环境光线差的场景,场景三为灯光光线良好的场景,场景四为光线昏暗的场景,场景二与场景四中的车位线中都存在其他物体投射的阴影,场景二中有阴影1、阴影2、阴影3,场景四中也存阴影4、阴影5、阴影6。
由于车位所属的环境多种多样,图3中只是以四种实时场景作为举例,智能车辆搜索车位时还受到时间的影响,同一车位不同时间段采集的特征不完全一致,其他实时场景参考上述图3中的例子,车位线阴影的数量值以及阴影面积基于实际情况而定,这里不做过多说明。
进一步,本申请实施例为了确定出待检测车位的车位信息,需要确定出比较阈值,确定出比较阈值的具体过程如下:
方式一:当车位有效性标识为有效车位以及检测到待检测车位的总次数大于1时,将基于有效车位的特征进行大数据分析,得到的第一预设阈值,并将第一预设阈值赋值至比较阈值。
比如:第一预设阈值为92,则比较阈值与第一预设阈值相等,比较阈值为92。
方式二:当车位有效性标识为无效车位以及检测到待检测车位的总次数为1时,将基于无效车位的特征进行大数据分析,得到第二预设阈值,并将第二预设阈值赋值至比较阈值。
比如:第二预设阈值为85,则比较阈值与第二预设阈值相等,比较阈值为85。
方式三:当车位有效性标识为无效车位以及检测到待检测车位的总次数为0时,将基于检测到待检测车位的总次数为0的无效车位进行大数据分析,得到第三预设阈值,并将第三预设阈值赋值至比较阈值,第三预设阈值为标准阈值。
比如:第三预设阈值为80,则比较阈值与第三预设阈值相等,比较阈值为80。
需要说明的是,第一预设阈值>第三预设阈值>第二预设阈值。
基于上述的方法,基于车位有效性标识将待检测车位进行分类,每一种类型的待检测车位对应的预设阈值不相等,从而能够基于不同的实际情况确定出不同的比较阈值,避免了比较阈值为固定的值,进而确保了确定出的比较阈值的准确性。
步骤S23:基于所述比较阈值与所述第一概率值的比较结果,确定出所述待检测车位的车位信息。
获得比较阈值之后,将比较阈值与待检测车位的第一概率值进行比较,当比较阈值大于待检测车位的第一概率值时,确定该待检测车位为无效车位,并生成无效车位对应的无效车位标识,将待检测车位的历史信息中的位置信息与无效车位标识进行关联;当比较阈值小于待检测车位的第一概率值时,确定该待检测车位为有效车位,并生成有效车位对应的有效车位标识,并将待检测车位的历史信息中的位置信息与有效车位标识进行关联,并将上述描述的有效车位或者无效车位作为待检测车位的车位信息。
比如:确定出智能车辆的车位信息的流程图如图4所示,在图4中,智能车辆首先需要确定待检测车位是否为有效车位或者无效车位,基于有效车位以及无效车位的分类确定出比较阈值,图4中的各个比较阈值都不相等,基于比较阈值与第一概率值的比较关系确定出有效车位或者无效车位。
上述描述了智能车辆的一次检测过程,在下一次智能车辆对待检测车位进行检测时,若检测到历史记录中的待检测车位为有效车位,则通过将第一预设阈值赋值至比较阈值的方式,将比较阈值提高,从而避免对同一待检测车位进行重复检测;若检测到历史记录中的待检测车位为无效车位,则通过将第二预设阈值赋值至比较阈值的方式,将比较阈值降低,从而能够对无效车位重新进行检测,进而确保了智能车辆的安全。
基于上述的描述,确定出待检测车位的第一概率值以及确定待检测车位的车位有效性标识,再基于车位有效性标识中的分类确定出比较阈值,避免了比较阈值为固定的值,通过对比较阈值进行调整的方式避免对同一车位进行重复检测,提高了智能车辆搜索出有效车位的准确率,同时,确保了确定出的车位信息的准确性。
基于同一发明构思,本申请实施例中还提供了一种车位检测装置,该车位检测装置用于实现了一种车位检测方法的功能,参照图5,所述装置包括:
获得模块501,用于获得待检测车位的历史信息以及所述待检测车位的第一概率值;
确定模块502,用于基于所述车位有效性标识与所述总次数从预设阈值集中确定出比较阈值;
车位模块503,用于基于所述比较阈值与所述第一概率值的比较结果,确定出所述待检测车位的车位信息。
在一种可能的设计中,所述获得模块501,具体用于获得所述待检测车位的至少一张待检测图像,从所述至少一张待检测图像中提取出待检测车位的待检测特征集,将所述待检测特征集输入预设算法中,计算出所述待检测车位对应的第一概率值。
在一种可能的设计中,所述确定模块502,具体用于确定所述车位有效性标识为有效车位标识以及所述总次数大于1,从所述预设阈值集中提取出第一预设阈值,将所述第一预设阈值作为比较阈值,其中,所述第一预设阈值为有效车位的阈值。
在一种可能的设计中,所述确定模块502,还用于确定所述车位有效性标识为无效车位标识以及所述总次数为1,从所述预设阈值集中提取出第二预设阈值,将所述第二预设阈值作为比较阈值。
在一种可能的设计中,所述确定模块502,还用于确定所述车位有效性标识为无效车位标识以及所述总次数为0,从所述预设阈值集中提取出第三预设阈值,将所述第三预设阈值作为比较阈值。
在一种可能的设计中,所述车位模块503,具体用于确定出所述待检测车位的位置信息,响应于所述比较阈值小于所述第一概率值,确定出所述待检测车位为有效车位,基于所述有效车位生成有效车位标识,并将所述位置信息与有效车位标识信息进行关联,或者响应于所述比较阈值大于所述第一概率值,确定出所述待检测车位为无效车位,基于所述无效车位生成无效车位标识,并将所述位置信息与无效车位标识信息进行关联。
基于同一发明构思,本申请实施例中还提供了一种电子设备,所述电子设备可以实现前述一种车位检测装置的功能,参考图6,所述电子设备包括:
至少一个处理器601,以及与至少一个处理器601连接的存储器602,本申请实施例中不限定处理器601与存储器602之间的具体连接介质,图6中是以处理器601和存储器602之间通过总线600连接为例。总线600在图6中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线600可以分为地址总线、数据总线、控制总线等,为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。或者,处理器601也可以称为控制器,对于名称不做限制。
在本申请实施例中,存储器602存储有可被至少一个处理器601执行的指令,至少一个处理器601通过执行存储器602存储的指令,可以执行前文论述的一种车位检测方法。处理器601可以实现图5所示的装置中各个模块的功能。
其中,处理器601是该装置的控制中心,可以利用各种接口和线路连接整个该控制设备的各个部分,通过运行或执行存储在存储器602内的指令以及调用存储在存储器602内的数据,该装置的各种功能和处理数据,从而对该装置进行整体监控。
在一种可能的设计中,处理器601可包括一个或多个处理单元,处理器601可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器601中。在一些实施例中,处理器601和存储器602可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器601可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的一种车位检测方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器602作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器602可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器602是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器602还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
通过对处理器601进行设计编程,可以将前述实施例中介绍的一种车位检测方法所对应的代码固化到芯片内,从而使芯片在运行时能够执行图2所示的实施例的一种车位检测步骤。如何对处理器601进行设计编程为本领域技术人员所公知的技术,这里不再赘述。
基于同一发明构思,本申请实施例还提供一种存储介质,该存储介质存储有计算机指令,当该计算机指令在计算机上运行时,使得计算机执行前文论述的一种车位检测方法。
在一些可能的实施方式中,本申请提供一种车位检测方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在装置上运行时,程序代码用于使该控制设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种车位检测方法中的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种车位检测方法,其特征在于,包括:
获得待检测车位的历史信息以及所述待检测车位的第一概率值,其中,所述历史信息表示所述待检测车位的车位有效性标识以及检测到所述待检测车位的总次数,所述第一概率值表示待检测车位为有效车位的概率;
基于所述车位有效性标识与所述总次数从预设阈值集中确定出比较阈值;
基于所述比较阈值与所述第一概率值的比较结果,确定出所述待检测车位的车位信息。
2.如权利要求1所述的方法,其特征在于,获得待检测车位的第一概率值,包括:
获得所述待检测车位的至少一张待检测图像,从所述至少一张待检测图像中提取出待检测车位的待检测特征集;
将所述待检测特征集输入预设算法中,计算出所述待检测车位对应的第一概率值。
3.如权利要求1所述的方法,其特征在于,基于所述车位有效性标识与所述总次数从预设阈值集中确定出比较阈值,包括:
确定所述车位有效性标识为有效车位标识以及所述总次数大于1,从所述预设阈值集中提取出第一预设阈值;
将所述第一预设阈值作为比较阈值,其中,所述第一预设阈值为有效车位的阈值。
4.如权利要求1所述的方法,其特征在于,基于所述车位有效性标识与所述总次数从预设阈值集中确定出比较阈值,包括:
确定所述车位有效性标识为无效车位标识以及所述总次数为1,从所述预设阈值集中提取出第二预设阈值;
将所述第二预设阈值作为比较阈值,其中,所述第二预设阈值为无效车位的阈值。
5.如权利要求1所述的方法,其特征在于,基于所述车位有效性标识与所述总次数从预设阈值集中确定出比较阈值,包括:
确定所述车位有效性标识为无效车位标识以及所述总次数为0,从所述预设阈值集中提取出第三预设阈值;
将所述第三预设阈值作为比较阈值,其中,所述第三预设阈值为车位的标准阈值。
6.如权利要求1所述的方法,其特征在于,基于所述比较阈值与所述第一概率值的比较结果,确定出所述待检测车位的停车位信息,包括:
确定出所述待检测车位的位置信息;
响应于所述比较阈值小于所述第一概率值,确定出所述待检测车位为有效车位,基于所述有效车位生成有效车位标识,并将所述位置信息与有效车位标识信息进行关联;或者
响应于所述比较阈值大于所述第一概率值,确定出所述待检测车位为无效车位,基于所述无效车位生成无效车位标识,并将所述位置信息与无效车位标识信息进行关联。
7.一种车位检测方法,其特征在于,所述装置包括:
获得模块,用于获得待检测车位的历史信息以及所述待检测车位的第一概率值;
确定模块,用于基于所述车位有效性标识与所述总次数从预设阈值集中确定出比较阈值;
车位模块,用于基于所述比较阈值与所述第一概率值的比较结果,确定出所述待检测车位的车位信息。
8.如权利要求7所述的方法,其特征在于,所述获得模块,具体用于获得所述待检测车位的至少一张待检测图像,从所述至少一张待检测图像中提取出待检测车位的待检测特征集,将所述待检测特征集输入预设算法中,计算出所述待检测车位对应的第一概率值。
9.一种电子设备,其特征在于,包括:
存储器,用于存放计算机程序;
处理器,用于执行所述存储器上所存放的计算机程序时,实现权利要求1-6任一项所述的方法步骤。
10.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210868622.0A CN115187962A (zh) | 2022-07-22 | 2022-07-22 | 一种车位检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210868622.0A CN115187962A (zh) | 2022-07-22 | 2022-07-22 | 一种车位检测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115187962A true CN115187962A (zh) | 2022-10-14 |
Family
ID=83522004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210868622.0A Pending CN115187962A (zh) | 2022-07-22 | 2022-07-22 | 一种车位检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187962A (zh) |
-
2022
- 2022-07-22 CN CN202210868622.0A patent/CN115187962A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4209959A1 (en) | Target identification method and apparatus, and electronic device | |
CN112434566A (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN113793413A (zh) | 三维重建方法、装置、电子设备及存储介质 | |
CN112116657A (zh) | 基于表检索的同时定位与建图方法和装置 | |
CN117197796A (zh) | 一种车辆遮挡识别方法及相关装置 | |
CN113763412A (zh) | 图像处理方法、装置及电子设备、计算机可读存储介质 | |
CN117724401A (zh) | 一种数控机床自动化数据采集方法、装置、设备及介质 | |
CN115187962A (zh) | 一种车位检测方法、装置及电子设备 | |
CN115984671A (zh) | 模型在线更新方法、装置、电子设备及可读存储介质 | |
CN116030452A (zh) | 一种车牌识别方法、装置、设备及计算机存储介质 | |
CN116358528A (zh) | 地图更新方法、地图更新装置、自移动设备及存储介质 | |
CN113591543B (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN115131726A (zh) | 一种车位检测方法、装置、设备及介质 | |
CN115079202A (zh) | 激光雷达建图方法、装置及电子设备、存储介质 | |
CN112214629B (zh) | 基于图像识别的回环检测方法及可移动设备 | |
CN113903014A (zh) | 车道线预测方法、装置及电子设备、计算机可读存储介质 | |
CN113807182A (zh) | 用于处理点云的方法、装置、介质以及电子设备 | |
CN113469993A (zh) | 一种检测运动状态异常的对象的方法、装置及电子设备 | |
CN113591765A (zh) | 一种基于实例分割算法的异物检测方法及系统 | |
CN115534832A (zh) | 一种车辆功能的触发方法、装置及电子设备 | |
CN111967823B (zh) | 物品的管理方法及设备 | |
CN115049731B (zh) | 一种基于双目摄像头的视觉建图和定位方法 | |
CN109993143B (zh) | 图像采集设备的安装方法、装置、电子设备及存储介质 | |
CN115546425A (zh) | 一种虚拟地图拓展方法、装置、设备和存储介质 | |
CN115841125A (zh) | 一种位置信息的获取方法及装置 |
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 |