CN115527189B - 车位状态的检测方法、终端设备及计算机可读存储介质 - Google Patents
车位状态的检测方法、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115527189B CN115527189B CN202211353235.XA CN202211353235A CN115527189B CN 115527189 B CN115527189 B CN 115527189B CN 202211353235 A CN202211353235 A CN 202211353235A CN 115527189 B CN115527189 B CN 115527189B
- Authority
- CN
- China
- Prior art keywords
- parking space
- target
- ring view
- ring
- initial
- 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
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
- G06V10/70—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
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车位状态的检测方法、终端设备及计算机可读存储介质,涉及智能驾驶技术领域,包括:获取各目标环视图,对各目标环视图分别进行标注处理得到各环视图数据集;将各环视图数据集作为目标训练数据集输入至预设的初始车位检测模型,通过初始车位检测模型对各环视图数据集进行计算得到各损失值;基于各损失值控制初始车位检测模型继续对各环视图数据集进行计算并确定初始车位检测模型对应的训练迭代次数,在训练迭代次数达到预设的次数阈值时,将初始车位检测模型确定为目标车位检测模型,以供目标车辆通过目标车位检测模型对目标车位状态进行检测。采用本发明能够实现令终端设备在复杂环境下获取目标车位的车位状态信息的技术效果。
Description
技术领域
本发明涉及智能驾驶技术领域,尤其涉及一种车位状态的检测方法、终端设备及计算机可读存储介质。
背景技术
随着新能源车产业的发展,无人驾驶技术成为了新能源车产业发展的重要方向,而在无人驾驶技术领域中,如何实现自动泊车功能也成为了行业内研究的一个重要方向。
当前无人驾驶技术所采用的自动泊车功能主要通过非视觉方法和视觉方法对车位进行检测从而实现自动泊车,其中,采用非视觉方法主要是依据超声波传感器探测的距离发生跳变来判断车位是否为空车位,但是,采用非视觉方法对车位进行检测则容易出现面临相邻车位均没有车时,超声波传感器无法准确检测车位,更无法精准定位车位入口的情况;同样的,采用视觉方法主要是通过单目相机、双目相机或深度相机来采集车身周围的平面图像信息,然后提取车位特征信息,进而确定车位的位置,如此,采用视觉方法对车位进行检测则容易面临采集到的平面图像视野有限且易受环境内天气等因素影响,从而无法在复杂环境下精准测量车位的情况。因此,如何在复杂环境下对目标车位进行检测,并确定车位状态信息也就成为了行业内亟需解决的问题。
发明内容
本发明实施例通过提供一种车位状态的检测方法、终端设备及计算机可读存储介质,旨在令终端设备可以在复杂环境下对目标车位进行检测以获取目标车位的车位状态信息。
为实现上述目的,本发明提供一种车位状态的检测方法,所述车位状态的检测方法包括以下步骤:
获取各目标环视图,对各所述目标环视图分别进行标注处理得到各环视图数据集;
将各所述环视图数据集作为目标训练数据集输入至预设的初始车位检测模型,通过所述初始车位检测模型对各所述环视图数据集进行计算得到各损失值;
基于各所述损失值控制所述初始车位检测模型继续对各所述环视图数据集进行计算并确定所述初始车位检测模型对应的训练迭代次数,在所述训练迭代次数达到预设的次数阈值时,将所述初始车位检测模型确定为目标车位检测模型,以供目标车辆通过所述目标车位检测模型对目标车位状态进行检测。
进一步地,在所述获取各目标环视图的步骤之后,在所述获取各目标环视图的步骤之后,所述方法还包括:
在各所述目标环视图中确定是否存在不包含目标车位的异常环视图,并对所述异常环视图执行删除操作;
和/或者,
在各所述目标环视图中确定是否存在拼接裂缝的所述异常环视图,并对所述异常环视图执行删除操作;
对完成删除操作后剩余的各目标环视图分别进行标注处理得到各环视图数据集。
进一步地,在所述获取各目标环视图的步骤之后,所述方法还包括:
对各所述目标环视图执行多角度变换操作,并对完成所述多角度变换操作的各目标环视图分别进行标注处理得到各环视图数据集;
和/或者,
对各所述目标环视图执行对比度随机变换操作,并对完成所述对比度随机变换操作的各目标环视图分别进行标注处理得到各环视图数据集;
和/或者,
对各所述目标环视图执行亮度随机变换操作,并对完成所述亮度随机变换操作的各目标环视图分别进行标注处理得到各环视图数据集。
进一步地,所述对各所述目标环视图分别进行标注处理得到各环视图数据集的步骤,包括:
确定各所述目标环视图内包含的各车位角坐标,并对各所述车位角坐标依次进行标注以生成各图像标注信息;
获取预设的各车位属性值,并根据各所述目标环视图内包含的车位状态信息将各所述车位属性值作为图像属性值添加至各所述目标环视图内;
将各所述目标环视图分别与各所述目标环视图各自对应的所述图像标注信息和所述图像属性值进行整合得到各所述环视图数据集。
进一步地,在所述对各所述目标环视图分别进行标注处理得到各环视图数据集的步骤之后,所述方法还包括:
基于各所述车位角坐标确定各所述环视图数据集内的各车位线,并根据各所述车位线确定各车位类型各自对应的车位数量;其中,所述车位类别包含水平车位、垂直车位及倾斜车位;
基于各所述车位数量对各所述环视图数据集执行车位数量平衡操作。
进一步地,所述基于各所述车位数量对各所述环视图数据集执行车位数量平衡操作的步骤,包括:
在各所述车位数量中确定数值最小的目标车位数量,并确定所述数值最小的目标车位数量对应的目标车位类型;
将所述目标车位类型对应的各目标车位随机粘贴至各所述目标环视图内的其他图像区域。
进一步地,在所述基于各所述车位角坐标确定各所述环视图数据集内的各车位线的步骤之后,所述方法还包括:
确定各所述车位线各自在预设的宽度范围内的初始色彩像素值;
获取预设的目标色彩像素值,并将所述初始色彩像素值替换为所述目标色彩像素值。
进一步地,所述损失值包含第一损失值;所述通过所述初始车位检测模型对各所述环视图数据集进行计算得到各损失值的步骤,包括:
通过所述初始车位检测模型在各所述环视图数据集内确定与各所述图像标注信息对应的最小外接矩形区域,并基于所述最小外接矩形区域对各所述环视图数据集进行特征提取以获取车位提取图像;
通过所述初始车位检测模型内预设的第一损失函数计算所述车位提取图像与所述最小外接矩形区域之间的损失值,并将所述损失值确定为所述第一损失值。
进一步地,所述损失值还包含第二损失值;所述通过所述初始车位检测模型对各所述环视图数据集进行计算得到各损失值的步骤,还包括:
通过所述初始车位检测模型确定各所述最小外接矩形区域各自对应的中心点坐标,并计算各所述中心点坐标确定各所述车位角坐标与所述中心点坐标之间的各坐标差值;
通过所述初始车位检测模型内预设的第二损失函数计算各所述坐标差值与各所述车位角坐标之间的损失值,并将所述损失值确定为所述第二损失值。
进一步地,在所述将所述初始车位检测模型确定为目标车位检测模型的步骤之后,所述方法还包括:
获取所述目标车位周围的待测环视图;
将所述待测环视图输入至所述目标车位状态检测模型,由所述目标车位状态检测模型输出与所述待测环视图对应的车位状态信息;
由所述目标车位检测模型根据所述待测环视图对应的车位状态信息规划对应的泊车路线。
此外,为实现上述目的,本发明还提供一种终端设备,所述终端设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车位状态的检测程序,所述车位状态的检测程序被所述处理器执行时实现如上述的车位状态的检测方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有车位状态的检测程序,所述车位状态的检测程序被处理器执行时实现如上述的车位状态的检测方法的步骤。
本发明实施例提供的车位状态的检测方法、终端设备及计算机可读存储介质,通过获取各目标环视图,对各所述目标环视图分别进行标注处理得到各环视图数据集;将各所述环视图数据集作为目标训练数据集输入至预设的初始车位检测模型,通过所述初始车位检测模型对各所述环视图数据集进行计算得到各损失值;基于各所述损失值控制所述初始车位检测模型继续对各所述环视图数据集进行计算并确定所述初始车位检测模型对应的训练迭代次数,在所述训练迭代次数达到预设的次数阈值时,将所述初始车位检测模型确定为目标车位检测模型,以供目标车辆通过所述目标车位检测模型对目标车位状态进行检测。
在本实施例中,终端设备在运行时,首先控制配置在目标车辆上的环视系统对目标车辆周围的环境进行拍摄以获取各目标环视图,同时,该终端设备将获取的各目标环视图输入至终端设备内配置的图像处理装置,由图像处理装置对各环视图数据集进行旋转、亮度增强及对比度增强操作等处理从而得到各环视图数据集,之后,终端设备将获取的各环视图数据集作为训练集输入至终端设备内配置的模型训练装置,由模型训练装置根据训练集内的各环视图数据集对预设的初始车位检测模型进行训练,通过初始车位检测模型内配置的各损失函数计算得到各损失值,再之后,模型训练装置在获取各上述损失值之后,按照各损失值继续控制上述初始车位状态检测模型在各上述环视图数据中提取新的各车位提取图像并确定各该车位提取图像各自对应的各损失值,同时,模型训练装置记录该初始车位状态检测模型对应的训练迭代次数,并在该训练迭代次数到达上述训练参数内包含的次数阈值时,模型训练装置确定训练完成,并将初始车位检测模型确定为目标车位检测模型,并将该目标车位检测模型部署至目标车辆中,以供目标车辆通过该目标车位检测模型对目标车位进行检测。
如此,本发明采用获取各目标环视图,并对目标环视图进行标注处理从而生成环视图数据集,从而将环视图数据集作为训练集对初始车位检测模型进行训练以得到目标车位检测模型的方式,进而将目标车位检测模型部署在目标车辆,以供目标车辆对车位进行检测的方式,即,本发明采用对目标环视图进行标注处理以对目标环视图执行多角度旋转、随机对比度和亮度增强操作,再通过对目标环视图增加标注和属性值得到环视图数据组的方式,达到模拟各种复杂环境的目的,解决视觉方法无法在复杂环境下对车位进行检测的问题,并通过将环视图数据集作为训练集对初始车位检测模型进行训练的方式,得到可以对各种复杂环境进行检测的目标车位检测模型,达到了令终端设备可以在复杂环境下对目标车位进行检测以获取目标车位的车位状态信息的技术效果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端设备的结构示意图;
图2为本发明车位状态的检测方法第一实施例的流程示意图;
图3为本发明车位状态的检测方法第二实施例的流程示意图;
图4为本发明车位状态的检测方法一实施例涉及的车位数量平衡流程示意图;
图5为本发明车位状态的检测方法一实施例涉及的图像拼接过程示意图;
图6为本发明车位状态的检测方法一实施例涉及的车位识别示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参照图1,图1为本发明实施例方案涉及的硬件运行环境的终端设备结构示意图。
需要说明的是,图1即可为终端设备的硬件运行环境的结构示意图。本发明实施例终端设备可以是执行本发明车位状态的检测方法的设备,该终端设备具体可以是移动终端、数据存储控制终端、PC或者便携计算机等终端。
如图1所示,该终端设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及车位状态的检测程序。
在图1所示的终端设备中,网络接口1004主要用于与其他设备进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明终端设备中的处理器1001、存储器1005可以设置在终端设备中,所述终端设备通过处理器1001调用存储器1005中存储的车位状态的检测程序,并执行本发明实施例提供的车位状态的检测方法。
基于上述的终端设备,提供本发明车位状态的检测方法的各个实施例。
请参照图2,图2为本发明车位状态的检测方法第一实施例的流程示意图。
应当理解的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,本发明车位状态的检测方法当然也可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中,本发明车位状态的检测方法,可以包括以下步骤:
步骤S10:获取各目标环视图,对各所述目标环视图分别进行标注处理得到各环视图数据集;
在本实施例中,目标车辆上应配置有多个摄像装置,且多个摄像装置应配置在目标车辆车身外部的不同位置,进而构成一个完整的环视系统,其中,摄像装置可以由配置有鱼眼镜头的鱼眼相机装置构成,可以理解的是,鱼眼镜头是一种焦距极短并且视角接近或等于180°的广角镜头,当然,该环视系统内摄像装置的构成数量和构成方式有很多种,本发明对此不做限制。
在本实施例中,终端设备在运行时,首先控制配置在目标车辆上的环视系统对目标车辆周围的环境进行拍摄以获取各目标环视图,同时,该终端设备将获取的各目标环视图输入至终端设备内配置的图像处理装置,由图像处理装置对各环视图数据集进行标注处理从而得到各环视图数据集。
示例性地,例如,请参照图5,图5为本发明车位状态的检测方法一实施例涉及的图像拼接过程示意图,终端设备在运行时,首先通过内部主控芯片上所集成的控制系统调用由目标车辆上配置的各鱼眼摄像机组成的环视系统对目标车辆周围的环境进行拍摄,以获取如图5所示目标车辆在各中场景下的各车位图像,并将各车位图像进行拼接以形成如图5所示的目标车辆在各环境下的目标环视图,之后,该终端设备将各目标环视图输入至终端设备内配置的图像处理装置,由该图像处理装置首先对各目标环视图内包含的各车位角坐标进行标记以生成各车位标签并将各车位标签信息作为图像标注信息添加至各目标环视图中,同时,该图像处理装置在终端设备中获取各车位属性值,并将各车位属性值添加至各目标环视图中,再之后,该图像处理装置对各目标环视图进行多角度旋转,并将各目标环视图的亮度和对比对进行随机增强,并将完成处理后的目标环视图和各车位属性值、各车位标签进行整合得到各环视图数据集。
进一步地,在一种可行的实施例中,在上述步骤S10中“获取各目标环视图”的步骤之后,本发明车位状态的检测方法还可以包括:
步骤A10:在各所述目标环视图中确定是否存在不包含目标车位的异常环视图,并对所述异常环视图执行删除操作;
步骤A20:在各所述目标环视图中确定是否存在拼接裂缝的所述异常环视图,并对所述异常环视图执行删除操作;
步骤A30:对完成删除操作后剩余的各目标环视图分别进行标注处理得到各环视图数据集;
示例性地,例如,终端设备在获取各上述目标环视图之后,将各目标环视图输入至上述图像处理装置,由图像处理装置确定各目标环视图各自的图像特征,并基于各图像特征判断目标环视图内是否存在目标车位,当该图像处理装置确定目标环视图内不存在目标车位时,确定该目标环视图为异常环视图,同时,该图像处理装置根据各图像特征判断各目标环视图内是否存在拼接裂缝对应的特征信息,进而将各目标环视图中存在拼接裂缝的环视图同样确定为异常环视图,之后,该图像处理装置将选取的异常环视图上传至终端设备,由该终端设备在各异常环视图进行删除操作并将完成删除操作后剩余的各目标环视图输入至上述图像处理装置,由该图像处理装置对剩余的各目标环视图进行标注处理得到各环视图数据集。
需要说明的是,在本实施例中,拼接裂缝可能由于各上述鱼眼相机在执行拍摄过程中出现松动,卡帧的情况时,会导致拍摄得到的图像出现扭曲现象,从而令终端设备在对各图像进行拼接形成环视图像的过程中导致图像拼接的部位存在裂缝这一情况;可以理解的是,除了不包含车位和存在拼接裂缝的目标环视图可以被视为异常环视图之外,技术人员还可以根据实际需要对异常环视图的设置条件进行修改,本发明对此不作限制。
进一步地,在一种可行的实施例中,在上述步骤S10中“获取各目标环视图”的步骤之后,本发明车位状态的检测方法还可以包括:
步骤A40:对各所述目标环视图执行多角度变换操作,并对完成所述多角度变换操作的各目标环视图分别进行标注处理得到各环视图数据集;
步骤A50:对各所述目标环视图执行对比度随机变换操作,并对完成所述对比度随机变换操作的各目标环视图分别进行标注处理得到各环视图数据集;
步骤A60:对各所述目标环视图执行亮度随机变换操作,并对完成所述亮度随机变换操作的各目标环视图分别进行标注处理得到各环视图数据集;
示例性地,例如,终端设备在获取各上述目标环视图之后,将各目标环视图输入至上述图像处理装置,由该图像处理装置对各目标环视图进行90°、180°及270°多角度旋转,之后,该图像处理装置在终端设备中获取预设的各对比度变化值,并按照各对比度变化之对各目标环视图进行对比度随机变换操作,再之后,该图像处理装置在终端设备中获取预设的各亮度变化值,并按照各亮度变化值对各目标环视图进行亮度随机变化操作,最后,该数据处理装置将完成多角度旋转操作、对比度随机变换操作及亮度随机变换操作的各目标环视图分别进行标注处理得到各环视图数据集。
进一步地,在一种可行的实施例中,上述步骤S10中“对各所述目标环视图分别进行标注处理得到各环视图数据集”的步骤,具体可以包括:
步骤S101:确定各所述目标环视图内包含的各车位角坐标,并对各所述车位角坐标依次进行标注以生成各图像标注信息;
在本实施例中,终端设备在获取各上述目标环视图之后,将各目标环视图输入至上述图像处理装置,由图像处理装置首先确定各目标环视图内的各目标车位区域,并确定各目标车位区域对应的各车位角坐标,之后,该图像处理装置调用预先安装好的标注工具对各车位角坐标依次完成标注,从而令各目标环视图生成对应的图像标注信息。
步骤S102:获取预设的各车位属性值,并根据各所述目标环视图内包含的车位状态信息将各所述车位属性值作为图像属性值添加至各所述目标环视图内;
在本实施例中,终端设备读取上述存储装置以获取预设的各车位属性值,并将各车位属性值输入至上述图像处理装置,之后,图像处理装置确定各上述目标环视图内各目标车位的空闲状态、占用状态、锁定状态、截断比例及遮挡比例,按照各车位属性值作为图像属性值添加至各目标环视图中;可以理解的是,在本实施例中,车位属性值包括但不限于:车位空闲属性值、车位占用属性值、车位锁定属性值、车位截断属性值及车位遮挡属性值。
步骤S103:将各所述目标环视图分别与各所述目标环视图各自对应的所述图像标注信息和所述图像属性值进行整合得到各所述环视图数据集;
在本实施例中,图像处理装置在完成属性值添加和图像标注之后,对各上述目标环视图分别执行多角度旋转操作,同时对目标环视图的亮度和对比度进行随机修改操作,并将修改操作前和的各目标环视图和修改后的各目标还是分别与各目标环视图各自对应的图像标注信息和图像属性值进行整合从而得到各环视图数据集。
示例性地,例如,终端设备在获取各上述目标环视图之后,将各目标环视图输入至上述图像处理装置,由图像处理装置根据各目标环视图的图像特征信息确定各目标环视图内包含的目标车位区域,进而确定目标车位区域对应的各车位角坐标,同时,图像处理装置在各顶点坐标中确定处于车位入口的两个车位点坐标,并将位于车位入口左侧的车位点坐标确定为第一车位点坐标,图像处理装置进而通过预先安装好的标注工具标注该第一车位点坐标为P1,之后,按照预设的逆时针顺序标注位于车位入口右侧的车位点坐标为P2,并依次标记剩余的车位点坐标P3和P4,进而将目标环视图内P1至P4车位点坐标的标注和坐标数据作为标注信息添加至目标环视图对应的xml文件中;
再之后,图像处理装置根据各图像特征确定目标环视图内的各车位状态信息,同时,图像处理装置读取终端设备内的存储装置以获取预设的各上述车位属性值,并分别确定各车位属性值中包含的车位空闲属性值、车位占用属性值、车位锁定属性值、车位截断属性值及车位遮挡属性值,进而在确定目标车位的车位状态信息为车位为空时,确定车位空闲属性值为0,而在确定车位不为空时,确定车位空闲属性值为1,同样的,车位占用属性值在目标车位的车位状态信息为未被占用时为0,被占用时为1,同样的,车位锁定属性值在目标车位的车位状态信息为未被锁定时为0,被锁定时为1,同样的,车位截断属性值在目标车位的车位状态信息为被截断时为被截断面积所占的比例值,同样的,车位遮挡属性值在目标车位的车位状态信息为被遮挡时,被遮挡面积所占的比例值,最后,图像处理装置通过标注工具,根据目标车位的状态信息将各属性值依次填入至上述xml文件中,从而将各目标环视图和各目标环视图各自对应的xml文件整合为环视图数据集,并存储于data1文件中;
然后,图像处理装置对data1文件中的各环视图数据集进行90°、180°及270°旋转操作得到完成90°旋转操作、180°旋转操作及270°旋转操作后的各环视图数据集,该图像处理装置将完成90°旋转操作、180°旋转操作及270°旋转操作后得到各环视图数据集存储于data2文件中,并对data1文件和data2文件中包含的各环视图数据集各自对应的亮度和饱和度数值进行随机修改,从而将修改亮度和饱和度之后的各环视图数据集存储于data3文件中。
需要说明的是,在本实施例中,车位状态信息包括但不限于:车位是否为空、是否被占用、是否被锁、被截断的比例及被遮挡的比例;
此外,上述P1至P4车位角坐标的选取位置,应选择目标车位的车位角所处的车位线的中心点;同样的,上述各属性值可以由技术人员根据实际需要任意进行添加或减少,且各属性值可以在终端设备出厂前由技术人员存储于终端设备内的存储器中以供终端设备在需要时读取存储装置以在本地获取,或者,各属性值也可以由技术人员存储于服务器中,以供终端设备在需要时通过服务器远程下载获取,可以理解的是,属性值的获取和设置方式有很多,本发明对此不做限制。
此外,图像处理装置在对各环视图数据集进行旋转之后,各环视图数据集内包含的坐标数据应进行对应的旋转变化,而旋转后,各环视图数据集内包含的各标签数据和属性值应保持不变,可以理解的是,旋转的次数和方向也可以由技术人员根据需要进行任意调整,本发明对此同样不做限制。
进一步地,在一种可行的实施例中,在上述步骤S10之后,本发明车位状态的检测方法,还可以包括:
步骤B10:基于各所述车位角坐标确定各所述环视图数据集内的各车位线,并根据各所述车位线确定各车位类型各自对应的车位数量;其中,所述车位类别包含水平车位、垂直车位及倾斜车位;
步骤B20:基于各所述车位数量对各所述环视图数据集执行车位数量平衡操作;
示例性地,例如,终端设备将各上述data1文件、data2文件及data3文件输入至上述图像处理装置,由该图像处理装置提取data1文件、data2文件及data3文件内包含的各环视图数据组,并根据各环视图数据集内包含的xml文件,在各目标环视图中确定P1至P4各车位角坐标,并将P1至P4各车位角坐标进行连接以获取目标环视图内目标车位对应的车位线P1-P2、车位线P2-P3、车位线P3-P4及车位线P4-P1,该图像处理装置进而对各车位线执行色彩增强操作,并对完成色彩增强操作的各环视图数据组存储与data4文件中;
之后,图像处理装置确定各环视图数据组内包含的车位线P1-P2与车位线P2-P3之间的夹角数值判断目标车位的车位类型,当该车位线P1-P2与车位线P2-P3之间的夹角数值不为直角时,图像处理装置确定目标车位对应的车位类型倾斜车辆,而当车位线P1-P2与车位线P2-P3之间的夹角数值为直角,且车位线P1-P2为目标车位的入口,车位线P1-P2的长度值大于车位线P2-P3时,图像处理装置确定目标车位为垂直车位,同样的,当车位线P1-P2与车位线P2-P3之间的夹角数值为直角,且车位线P1-P2为目标车位的入口,车位线P1-P2的长度值小于车位线P2-P3时,图像处理装置确定目标车位为水平车位,再之后,图像处理装置统计各环视图数据组内包含的各倾斜车位、各垂直车位及各水平车位各自对应的车位数量,并将各车位数量上传至终端设备,再之后,终端设备在确定各车位数量之间的差值大于一定的阈值时,执行车位数量平衡操作。
进一步地,在一种可行的实施例中,上述步骤B10之后,本发明车位状态的检测方法,还可以包括:
步骤C10:确定各所述车位线各自在预设的宽度范围内的初始色彩像素值;
在本实施例中,图像处理装置在各上述环视图数据集中提取各线条特征,同时,并按照预设的宽度确定各线条各自在该宽度内的初始色彩像素值。
步骤C20:获取预设的目标色彩像素值,并将所述初始色彩像素值替换为所述目标色彩像素值;
在本实施例中,终端设备读取上述存储装置以获取预设的目标色彩像素值,并将该目标色彩像素值输入至图像处理装置,由该图像处理装置使用目标色彩像素值替换各初始色彩像素值以完成色彩增强操作。
示例性地,例如,图像处理装置读取上述data1文件、data2文件及data3文件并确定各文件内包含的各目标环视图,进而在各目标环视图中提取直线特征,并确定各直线特征在一定宽度范围内的初始色彩像素值,同时,图像处理装置在终端设备内的存储装置中获取目标色彩像素值,并通过该目标色彩像素值替换各初始色彩像素值以完成色彩增强操作,终端设备进而将完成色彩增强操作的各环视图数据组存储于data4文件中。
进一步地,在一种可行的实施例中,上述步骤B20,具体可以包括:
步骤B201:在各所述车位数量中确定数值最小的目标车位数量,并确定所述数值最小的目标车位数量对应的目标车位类型;
步骤B202:将所述目标车位类型对应的各目标车位随机粘贴至各所述目标环视图内的其他图像区域;
示例性地,例如,请参照图4,图4为本发明车位状态的检测方法一实施例涉及的车位数量平衡流程示意图,在数据处理装置若确定各上述目标车位中倾斜车位对应的数量最少、垂直车位的数量最多且水平车位时,首先根据各上述环视图数据集内包含的各标签信息确定各环视图数据集内包含的各倾斜车位各自的车位角坐标,进而根据各车位角坐标确定各倾斜车位各自对应的最小外接矩形并将该最小外接矩形确定为ROI(region ofinterest-感兴趣区域)区域,之后,该数据处理装置在其他环视图数据集中确定目标粘贴区域,并判断该目标粘贴区域是否与被粘贴的环视图数据集中的其他车位相交,当该数据处理装置判断该目标粘贴区域没有与其他车位相交时,直接将该ROI区域粘贴至该目标粘贴区域;同样的,当该数据处理装置判断该目标粘贴区域与其他车位相交时,进一步判断与该目标粘贴区域相交的其他车位是否同样为倾斜车位或为数量同样较少的水平车位,而在该其他车位为倾斜车位或水平车位时,该数据处理装置对ROI区域的坐标进行调整并再次执行粘贴操作直至该ROI区域不与其他倾斜车位或水平车位相交;同样的,当与该ROI区域相交的其他车位为数量最多的垂直车位时,该数据处理装置直接将该ROI区域粘贴至目标粘贴区域,并删除该目标粘贴区域内的标注信息以完成ROI区域在目标图片中位置的改变;
数据处理装置首先确定上述data1、data2、data3及data4文件各自所包含的各环视图数据集中包含的垂直车位、水平车位及倾斜车位各自对应的车位数量,并在各车位数量中确定数量最少的车位类型,当倾斜车位对应的车位数量最少时,该数据处理装置根据各文件内包含上述xml文件确定各目标环视图对应的标签信息各车位点坐标,并根据各车位点坐标确定与各车位点坐标相交的最小外接矩形区域,并将该最小外接矩形区域确定为图4中所示的ROI区域;
之后,数据处理装置截取该最小外接矩形区域内的环视图图像,和该环视图图像对应的标签信息、属性数据,并将该最小外界矩形区域随机粘贴至其他环视图数据集内,在数据处理装置在完成粘贴之前,首先确定粘贴区域内是否同样包含倾斜车位,若数据处理装置判断到该位置同样包含倾斜车位,则将该最小外接区域移动至其他目标环视图数据集内,并在其他目标环视组区域内再次随机选择目标粘贴区域,最后,当数据处理装置在确定目标粘贴区域内存在水平车位或垂直车位时,将该水平车位或该垂直车位对应的目标环视图图像进行擦除,并消除该水平车位或该垂直车位携带的标签文件和属性文件,进而将该最小外界区域粘贴在此处,从而生成对应的环视图数据集,数据处理装置将该环视图数据集存储于data5文件中,当该data5文件中水平车位、垂直车位及倾斜车位各自对应的车位数量均相等时,终端设备将上述data1文件、data2文件、data3文件、data4文件及data5文件确定为训练数据集。
步骤S20:将各所述环视图数据集作为目标训练数据集输入至预设的初始车位检测模型,通过所述初始车位检测模型对各所述环视图数据集进行计算得到各损失值;
在本实施例中,终端设备将获取的各环视图数据集作为训练集输入至终端设备内配置的模型训练装置,由模型训练装置根据训练集内的各环视图数据集对预设的初始车位检测模型进行训练,通过初始车位检测模型内配置的各损失函数计算得到各损失值。
示例性地,例如,终端设备将上述data1文件、data2文件、data3文件、data4文件及data5文件作为训练数据集输入至上述模型训练装置,由该模型训练装置首先将data1文件、data2文件、data3文件、data4文件及data5文件内包含的各环视图数据集混合在一起并以8:1:1的比例分为训练集、验证集、测试集,之后,模型训练装置按照预设的训练参数,分批从训练集中抽取环视图数据集对模型训练装置内预设的初始改进YOLOX网络结构模型进行训练,以通过该初始改进YOLOX网络结构模内配置的各损失函数值对各环视图数据集进行计算从而得到各损失值。
需要说明的是,在本实施例中,上述改进YOLOX网络结果模型,为在初始YOLOX检测
算法前向传播函数中添加卷积层,采用SmoothL1Loss损失函数计算车位四个角点标签值与
预测值之间的差异,其中,该SmoothL1Loss损失函数为:;
进一步地,在一种可行的实施例中,上述各损失值中包含通过预设的第一损失函数计算得到的第一损失值,上述步骤S20中“通过所述初始车位检测模型对各所述环视图数据集进行计算得到各损失值”的步骤,具体可以包括:
步骤S201:通过所述初始车位检测模型在各所述环视图数据集内确定与各所述图像标注信息对应的最小外接矩形区域,并基于所述最小外接矩形区域对各所述环视图数据集进行特征提取以获取车位提取图像;
在本实施例中,终端设备在将各上述环视图数据集输入至上述模型训练装置后,通过该模型训练装置内预设的上述初始车位检测模型根据各环视图数据及内包含的各标签信息确定各目标环视图内各目标车位的各车位点坐标,并基于各车位点确定各目标车位对应的最小外界矩形区域,该初始车位检测模型进而基于该最小外界矩形区域对目标环视图进行特征提取以获取各车位提取图像。
步骤S202:通过所述初始车位检测模型内预设的第一损失函数计算所述车位提取图像与所述最小外接矩形区域之间的损失值,并将所述损失值确定为所述第一损失值;
在本实施例中,模型训练装置调用上述初始车位检测模型内预设的公式确定各车位提取图像各自与上述最小外接矩形区域之间交集区域和并集区域
之间的比值,进而将得到各比值带入预设的第一损失函数计算各车位提取
图像分别与上述最小外接矩形区域之间的损失值,并将各损失值确定为第一损失值。可以
理解的是,在本实施例中,上述各式中P为初始车位检测模型提取到的各车位提取图像,G为
与环视图数据集对应的标准车位图像。
示例性地,例如,终端设备在将上述data1文件、data2文件、data3文件、data4文件及data5文件作为训练数据集输入至上述模型训练装置之后,由该模型训练装置将各文件内包含的各环视图数据集混合在一起,并以8:1:1的比例分为训练集、验证集、测试集,之后,该模型训练装置按照预设的训练参数以每批次256张环视图,迭代500轮次的方式在训练集内提取各环视图数据集输入至模型训练装置内预设的初始改进YOLOX网络结构模型中,由该初始改进YOLOX网络结构模型根据各环视图数据集内包含的xml文件中包含的各上述标注信息确定各环视图数据集内包含的各目标车位的各车位角坐标,该初始改进YOLOX网络结构模型进而根据各车位角坐标确定与目标环视图内各目标车位各自对应的最小外接矩形区域;
然后,该初始改进YOLOX网络结构模型基于各最小外接矩形区域在各目标环视图中进行特征提取,以获取各目标车位在各最小外界矩形区域内的各车位提取图像,之后,该初始改进YOLOX网络结构模型基于内部预设的第一损失函数计算各车位提取图像与该最小外界矩形区域之间的各第一损失值。
进一步地,在一种可行的实施例中,上述各损失值中还可以包括通过预设的第二损失函数计算得到的第二损失值,上述步骤S20中“通过所述初始车位检测模型对各所述环视图数据集进行计算得到各损失值”的步骤,还可以包括:
步骤S203:通过所述初始车位检测模型确定各所述最小外接矩形区域各自对应的中心点坐标,并计算各所述中心点坐标确定各所述车位角坐标与所述中心点坐标之间的各坐标差值;
在本实施例中,终端设备在将各上述环视图数据集输入至上述模型训练装置后,通过该模型训练装置内预设的上述初始车位检测模型根据各环视图数据及内包含的各标签信息确定各目标环视图内各目标车位的各车位点坐标,并基于各车位点确定各目标车位对应的最小外界矩形区域,该初始车位检测模型进而确定该最小外界矩形区域的中心点坐标,并基于该中心点坐标确定各上述车位点坐标与该中心点坐标之间的各坐标差值。
步骤S204:通过所述初始车位检测模型内预设的第二损失函数计算各所述坐标差值与各所述车位角坐标之间的损失值,并将所述损失值确定为所述第二损失值;
在本实施例中,模型训练装置调用上述初始车位检测模型内预设的第二损失函数各坐标差值与各车位角坐标之间的损失值,并将各损失值确定为第二损失值。
示例性地,例如,终端设备在将上述各文件输入至上述模型训练装置之后,由该模型训练装置将各文件内包含的各环视图数据集作为训练集输入至上述初始改进YOLOX网络结构模型以对该改进YOLOX网络结构模型进行训练,之后,该改进YOLOX网络结构模型基于各环视图数据集内包含的xml文件中包含的各上述标注信息确定各环视图数据集内包含的各目标车位的各车位角坐标,该初始改进YOLOX网络结构模型进而根据各车位角坐标确定与目标环视图内各目标车位各自对应的最小外接矩形区域,并确定该最小外接矩形区域的中心点坐标(cx,cy),之后,该初始改进YOLOX网络结构模型基于该中心点坐标(cx,cy)确定各车位角坐标各自与该中心点坐标之间的各坐标差值,并根据预设的上述SmoothL1Loss损失函数计算各坐标差值与各车位角坐标之间的第二损失值。
可以理解的是,在本实施例中,第二损失函数即为上述的SmoothL1Loss损失函数。
步骤S30:基于各所述损失值控制所述初始车位检测模型继续对各所述环视图数据集进行计算并确定所述初始车位检测模型对应的训练迭代次数,在所述训练迭代次数达到预设的次数阈值时,将所述初始车位检测模型确定为目标车位检测模型,以供目标车辆通过所述目标车位检测模型对目标车位状态进行检测;
在本实施例中,模型训练装置在获取各上述损失值之后,按照各损失值继续控制上述初始车位状态检测模型在各上述环视图数据中提取新的各车位提取图像并确定各该车位提取图像各自对应的各损失值,同时,模型训练装置记录该初始车位状态检测模型对应的训练迭代次数,并在该训练迭代次数到达上述训练参数内包含的次数阈值时,模型训练装置确定训练完成,并将初始车位检测模型确定为目标车位检测模型,并将该目标车位检测模型部署至目标车辆中,以供目标车辆通过该目标车位检测模型对目标车位进行检测。
示例性地,例如,模型训练装置在获取各上述损失值之后,按照各损失值继续控制上述初始改进YOLOX网络结构模型在各上述环视图数据集中提取各车位提取图像,并通过上述第一损失函数和第二损失函数运算得到新提取的各车位提取图像各自对应的损失值,进而重复这个过程以对该初始改进YOLOX网络结构模型进行训练,同时,该模型训练装置计算该初始改进YOLOX网络结构模型的训练迭代次数,并在该训练迭代次数达到了预设的上述训练参数中的500轮次时,该模型训练装置判断上述初始改进YOLOX网络结构模型以完成收敛,并将该初始改进YOLOX网络结构模型确定为目标改进YOLOX网络结构模型,再之后,终端设备将该目标改进YOLOX网络结构模型封装部署至目标车辆内,以供目标车辆通过该目标改进YOLOX网络结构模型对目标车位进行检测。
在本实施例中,终端设备在运行时,首先控制配置在目标车辆上的环视系统对目标车辆周围的环境进行拍摄以获取各目标环视图,同时,该终端设备将获取的各目标环视图输入至终端设备内配置的图像处理装置,由图像处理装置对各环视图数据集进行旋转、亮度增强及对比度增强操作等处理从而得到各环视图数据集,之后,该终端设备将获取的各环视图数据集作为训练集输入至终端设备内配置的模型训练装置,由模型训练装置根据训练集内的各环视图数据集对预设的初始车位检测模型进行训练,通过初始车位检测模型内配置的各损失函数计算得到各损失值,再之后,该模型训练装置在获取各上述损失值之后,按照各损失值继续控制上述初始车位状态检测模型在各上述环视图数据中提取新的各车位提取图像并确定各该车位提取图像各自对应的各损失值,同时,模型训练装置记录该初始车位状态检测模型对应的训练迭代次数,并在该训练迭代次数到达上述训练参数内包含的次数阈值时,模型训练装置确定训练完成,并将初始车位检测模型确定为目标车位检测模型,并将该目标车位检测模型部署至目标车辆中,以供目标车辆通过该目标车位检测模型对目标车位进行检测。
如此,本发明采用获取各目标环视图,并对目标环视图进行标注处理从而生成环视图数据集,从而将环视图数据集作为训练集对初始车位检测模型进行训练以得到目标车位检测模型的方式,进而将目标车位检测模型部署在目标车辆,以供目标车辆对车位进行检测的方式,即,本发明采用对目标环视图进行标注处理以对目标环视图执行多角度旋转、随机对比度和亮度增强操作,再通过对目标环视图增加标注和属性值得到环视图数据组的方式,达到模拟各种复杂环境的目的,解决视觉方法无法在复杂环境下对车位进行检测的问题,并通过将环视图数据集作为训练集对初始车位检测模型进行训练的方式,得到可以对各种复杂环境进行检测的目标车位检测模型,达到了令终端设备可以在复杂环境下对目标车位进行检测以获取目标车位的车位状态信息的技术效果。
进一步地,基于上述本发明车位状态的检测方法的第一实施例,在此提出本发明车位状态的检测方法的第二实施例。
请参照图3,图3为本发明车位状态的检测方法第二实施例的流程示意图。
在上述步骤S30之后,本发明车位状态的检测方法还可以包括:
步骤D10:获取所述目标车位周围的待测环视图;
在本实施例中,终端设备在接收到检测指令时,调用上述环视系统获取目标车辆周围的待测环视图。
步骤D20:将所述待测环视图输入至所述目标车位状态检测模型,由所述目标车位状态检测模型输出与所述待测环视图对应的车位状态信息;
在本实施例中,终端设备在获取待测环视图之后,将待测环视图输入至上述目标车位状态检测模型,由该目标车位状态检测模型在待测环视图中确定目标车位的四个车位角坐标,并根据各车位角坐标确定目标车位的车位状态信息。
步骤D30:由所述目标车位检测模型根据所述待测环视图对应的车位状态信息规划对应的泊车路线;
在本实施例中,终端设备根据待测环视图内目标车位的车位状态信息和车位类型划泊车路线。
示例性地,例如,请参照图6,图6为本发明车位状态的检测方法一实施例涉及的车位识别示意图;驾驶员在到达停车位附近时,可以通过目标车辆内配置的控制终端发出车位检测指令至终端设备,终端设备在接收到该车位检测指令之后,通过主控系统调用配置在目标车辆周围的四个鱼眼相机拍摄目标车辆周围的环境图像,并将各环境图像拼接为待测环视图,进而将该待测环视图输入至上述目标改进YOLOX网络结构模型中,由该目标改进YOLOX网络结构模型在该待测环视图中确定各目标车位的P1至P4车位角的坐标信息,并根据车位角P1至P4之间形成的车位线P1-P2、P2-P3、P3-P4及P4-P1之间的夹角数值判断车位类型属于水平车位、垂直车位或倾斜车位,进而删除夹角过大或过小的无效车位,之后,该目标改进YOLOX网络结构模型根据待测环视图确定剩余的各目标车位各自的车位状态信息,进而判断各目标车位是否可以停放,从而确定可以用于停放的目标车位,并规划目标车辆从当前位置至目标车位的泊车路线。
在本实施例中,终端设备在接收到检测指令时,调用上述环视系统获取目标车辆周围的待测环视图,之后,该终端设备在获取待测环视图之后,将待测环视图输入至上述目标车位状态检测模型,由该目标车位状态检测模型在待测环视图中确定目标车位的四个车位角坐标,并根据各车位角坐标确定目标车位的车位状态信息,最后,该终端设备根据待测环视图内目标车位的车位状态信息和车位类型划泊车路线。
如此,本发明采用将目标车辆周围的待测环视图输入至目标车位状态检测模型,由该目标车位状态检测模型根据目标车位的车位状态生成泊车路线的方式,达到了令目标车辆可以通过目标车位状态检测模型完成自动泊车操作的目的。
此外,本发明还提供一种终端设备,该终端设备上有可在处理器上运行的车位状态的检测方法,所述终端设备执行所述车位状态的检测方法时实现如以上任一项实施例所述的车位状态的检测方法的步骤。
本发明终端设备的具体实施例与上述车位状态的检测方法各实施例基本相同,在此不作赘述。
此外,本发明还提供一种计算机可读存储介质,该计算机可读存储介质上存储有车位状态的检测方法,所述车位状态的检测方法被处理器执行时实现如以上任一项实施例所述的车位状态的检测方法的步骤。
本发计算机可读存储介质的具体实施例与上述车位状态的检测方法各实施例基本相同,在此不作赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是执行本发明车位状态的检测方法的设备,该终端设备具体可以是移动终端、数据存储控制终端、PC或者便携计算机等终端等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种车位状态的检测方法,其特征在于,所述车位状态的检测方法包括以下步骤:
获取各初始目标环视图,对各所述初始目标环视图分别进行标注处理得到第一环视图数据集;
在所述对各所述初始目标环视图分别进行标注处理得到第一环视图数据集的步骤之后,所述方法还包括:
对所述第一环视图数据集内包含的各所述初始目标环视图分别执行多角度旋转操作得到各第二目标环视图,对各所述第二目标环视图进行整合得到第二环视图数据集;
对各所述初始目标环视图和各所述第二目标环视图分别执行亮度随机修改和饱和度随机修改操作得到各第三目标环视图,对各所述第三目标环视图进行整合得到第三环视图数据集;
确定各所述初始目标环视图、各所述第二目标环视图及各所述第三目标环视图各自包含的各车位角坐标,基于各所述车位角坐标确定各所述初始目标环视图、各所述第二目标环视图及各所述第三目标环视图各自包含的各车位线,并对各所述车位线执行色彩增强操作得到各第四目标环视图,对各所述第四目标环视图进行整合得到第四环视图数据集;
基于色彩增强后的各车位线确定各所述初始目标环视图、各所述第二目标环视图、各所述第三目标环视图及各所述第四目标环视图各自包含的各车位对应的车位类型,并按照各所述车位类型执行车位数量平衡操作得到各第五目标环视图,对各所述第五目标环视图进行整合得到第五环视图数据集;
将各所述环视图数据集作为目标训练数据集输入至预设的初始车位检测模型,通过所述初始车位检测模型对各所述环视图数据集进行计算得到各损失值,其中,各所述环视图数据集包含所述第一环视图数据集、所述第二环视图数据集、所述第三环视图数据集、所述第四环视图数据集及所述第五环视图数据集;
基于各所述损失值控制所述初始车位检测模型继续对各所述环视图数据集进行计算并确定所述初始车位检测模型对应的训练迭代次数,在所述训练迭代次数达到预设的次数阈值时,将所述初始车位检测模型确定为目标车位检测模型,以供目标车辆通过所述目标车位检测模型对目标车位状态进行检测。
2.如权利要求1所述的车位状态的检测方法,其特征在于,在所述获取各初始目标环视图的步骤之后,所述方法还包括:
在各所述初始目标环视图中确定是否存在不包含目标车位的异常环视图,并对所述异常环视图执行删除操作;
和/或者,
在各所述初始目标环视图中确定是否存在拼接裂缝的所述异常环视图,并对所述异常环视图执行删除操作;
对完成删除操作后剩余的各初始目标环视图分别进行标注处理得到第一环视图数据集。
3.如权利要求1所述的车位状态的检测方法,其特征在于,所述对各所述初始目标环视图分别进行标注处理得到第一环视图数据集的步骤,包括:
确定各所述初始目标环视图内包含的各车位角坐标,并对各所述车位角坐标依次进行标注以生成各图像标注信息;
获取预设的各车位属性值,并根据各所述初始目标环视图内包含的车位状态信息将各所述车位属性值作为图像属性值添加至各所述初始目标环视图内;
将各所述初始目标环视图分别与各所述初始目标环视图各自对应的所述图像标注信息和所述图像属性值进行整合得到第一环视图数据集。
4.如权利要求1所述的车位状态的检测方法,其特征在于,所述按照各所述车位类型执行车位数量平衡操作的步骤,包括:
在各所述车位数量中确定数值最小的目标车位数量,并确定所述数值最小的目标车位数量对应的目标车位类型;
将所述目标车位类型对应的各目标车位随机粘贴至各所述目标环视图内的其他图像区域,其中,各所述目标环视图包含各所述初始目标环视图、各所述第二目标环视图、各所述第三目标环视图及各所述第四目标环视图。
5.如权利要求1所述的车位状态的检测方法,其特征在于,所述对各所述车位线执行色彩增强操作的,包括:
确定各所述车位线各自在预设的宽度范围内的初始色彩像素值;
获取预设的目标色彩像素值,并将所述初始色彩像素值替换为所述目标色彩像素值。
6.如权利要求3任一项所述的车位状态的检测方法,其特征在于,所述损失值包含第一损失值;所述通过所述初始车位检测模型对各所述环视图数据集进行计算得到各损失值的步骤,包括:
通过所述初始车位检测模型在各所述环视图数据集内确定与各所述图像标注信息对应的最小外接矩形区域,并基于所述最小外接矩形区域对各所述环视图数据集进行特征提取以获取车位提取图像;
通过所述初始车位检测模型内预设的第一损失函数计算所述车位提取图像与所述最小外接矩形区域之间的损失值,并将所述损失值确定为所述第一损失值。
7.如权利要求6所述的车位状态的检测方法,其特征在于,所述损失值还包含第二损失值;所述通过所述初始车位检测模型对各所述环视图数据集进行计算得到各损失值的步骤,还包括:
通过所述初始车位检测模型确定各所述最小外接矩形区域各自对应的中心点坐标,并计算各所述中心点坐标确定各所述车位角坐标与所述中心点坐标之间的各坐标差值;
通过所述初始车位检测模型内预设的第二损失函数计算各所述坐标差值与各所述车位角坐标之间的损失值,并将所述损失值确定为所述第二损失值。
8.如权利要求1所述的车位状态的检测方法,其特征在于,在所述将所述初始车位检测模型确定为目标车位检测模型的步骤之后,所述方法还包括:
获取所述目标车位周围的待测环视图;
将所述待测环视图输入至所述目标车位状态检测模型,由所述目标车位状态检测模型输出与所述待测环视图对应的车位状态信息;
由所述目标车位检测模型根据所述待测环视图对应的车位状态信息规划对应的泊车路线。
9.一种终端设备,其特征在于,所述终端设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车位状态的检测程序,所述车位状态的检测程序被所述处理器执行时实现如权利要求1至8中任一项所述的车位状态的检测方法的步骤。
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上存储有车位状态的检测程序,所述车位状态的检测程序被处理器执行时实现如权利要求1至8中任一项所述的车位状态的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211353235.XA CN115527189B (zh) | 2022-11-01 | 2022-11-01 | 车位状态的检测方法、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211353235.XA CN115527189B (zh) | 2022-11-01 | 2022-11-01 | 车位状态的检测方法、终端设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115527189A CN115527189A (zh) | 2022-12-27 |
CN115527189B true CN115527189B (zh) | 2023-03-21 |
Family
ID=84703885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211353235.XA Active CN115527189B (zh) | 2022-11-01 | 2022-11-01 | 车位状态的检测方法、终端设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115527189B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117373038A (zh) * | 2023-12-05 | 2024-01-09 | 深圳市明源云客电子商务有限公司 | 销控图标注方法、装置、设备及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378961A (zh) * | 2019-09-11 | 2019-10-25 | 图谱未来(南京)人工智能研究院有限公司 | 模型的优化方法、关键点检测方法、装置及存储介质 |
WO2021068588A1 (zh) * | 2019-10-12 | 2021-04-15 | 东软睿驰汽车技术(沈阳)有限公司 | 车位及其方向角度检测方法、装置、设备及介质 |
CN113158913A (zh) * | 2021-04-25 | 2021-07-23 | 安徽科大擎天科技有限公司 | 一种人脸口罩佩戴识别方法、系统及终端 |
CN113963265A (zh) * | 2021-09-13 | 2022-01-21 | 北京理工雷科电子信息技术有限公司 | 一种复杂遥感陆地环境小样本小目标快速检测识别方法 |
CN115170529A (zh) * | 2022-07-20 | 2022-10-11 | 西安电子科技大学广州研究院 | 基于注意力机制的多尺度微小瑕疵检测方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6958117B2 (ja) * | 2017-08-29 | 2021-11-02 | 株式会社アイシン | 駐車支援装置 |
TWI651697B (zh) * | 2018-01-24 | 2019-02-21 | National Chung Cheng University | 停車場空位偵測方法及其偵測模型建立方法 |
CN111310775B (zh) * | 2018-12-11 | 2023-08-25 | Tcl科技集团股份有限公司 | 数据训练方法、装置、终端设备及计算机可读存储介质 |
CN110276287B (zh) * | 2019-06-17 | 2022-10-18 | 百度在线网络技术(北京)有限公司 | 车位检测方法、装置、计算机设备以及存储介质 |
CN111160172B (zh) * | 2019-12-19 | 2024-04-16 | 武汉佑驾创新科技有限公司 | 泊车位检测方法、装置、计算机设备和存储介质 |
WO2021226912A1 (zh) * | 2020-05-14 | 2021-11-18 | 上海欧菲智能车联科技有限公司 | 泊车位确定方法、装置、计算机设备和存储介质 |
CN111680746B (zh) * | 2020-06-08 | 2023-08-04 | 平安科技(深圳)有限公司 | 车损检测模型训练、车损检测方法、装置、设备及介质 |
CN112330601B (zh) * | 2020-10-15 | 2024-03-19 | 浙江大华技术股份有限公司 | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 |
CN112668588B (zh) * | 2020-12-29 | 2023-09-12 | 禾多科技(北京)有限公司 | 车位信息生成方法、装置、设备和计算机可读介质 |
CN113449718A (zh) * | 2021-06-30 | 2021-09-28 | 平安科技(深圳)有限公司 | 关键点定位模型的训练方法、装置和计算机设备 |
CN113593297B (zh) * | 2021-07-29 | 2022-09-13 | 浙江大华技术股份有限公司 | 一种停车位状态检测方法和装置 |
CN114386503A (zh) * | 2022-01-04 | 2022-04-22 | 京东科技信息技术有限公司 | 用于训练模型的方法和装置 |
CN114418895A (zh) * | 2022-01-25 | 2022-04-29 | 合肥英睿系统技术有限公司 | 驾驶辅助方法及装置、车载设备及存储介质 |
-
2022
- 2022-11-01 CN CN202211353235.XA patent/CN115527189B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378961A (zh) * | 2019-09-11 | 2019-10-25 | 图谱未来(南京)人工智能研究院有限公司 | 模型的优化方法、关键点检测方法、装置及存储介质 |
WO2021068588A1 (zh) * | 2019-10-12 | 2021-04-15 | 东软睿驰汽车技术(沈阳)有限公司 | 车位及其方向角度检测方法、装置、设备及介质 |
CN113158913A (zh) * | 2021-04-25 | 2021-07-23 | 安徽科大擎天科技有限公司 | 一种人脸口罩佩戴识别方法、系统及终端 |
CN113963265A (zh) * | 2021-09-13 | 2022-01-21 | 北京理工雷科电子信息技术有限公司 | 一种复杂遥感陆地环境小样本小目标快速检测识别方法 |
CN115170529A (zh) * | 2022-07-20 | 2022-10-11 | 西安电子科技大学广州研究院 | 基于注意力机制的多尺度微小瑕疵检测方法 |
Non-Patent Citations (2)
Title |
---|
Julien Burlet,et al..Adaptive Interacting Multiple Models applied on pedestrian tracking in car parks.2007,全文. * |
陈天婷等..基于环视系统的停车位检测与跟踪算法.2021,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115527189A (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113810587B (zh) | 一种图像处理方法及装置 | |
US8488040B2 (en) | Mobile and server-side computational photography | |
US8774456B2 (en) | Detective information registration device and target object detection device for detecting an object in an image | |
US20160360119A1 (en) | User feedback for real-time checking and improving quality of scanned image | |
US9516214B2 (en) | Information processing device and information processing method | |
KR20210038622A (ko) | 이미지 세그먼트화 방법 및 장치, 컴퓨터 디바이스 및 저장 매체 | |
CN108495089A (zh) | 车辆监控方法、装置、系统以及计算机可读存储介质 | |
US20150206353A1 (en) | Time constrained augmented reality | |
US20220335619A1 (en) | Instance segmentation method and apparatus | |
CN105303514A (zh) | 图像处理方法和装置 | |
CN111915483B (zh) | 图像拼接方法、装置、计算机设备和存储介质 | |
CN115527189B (zh) | 车位状态的检测方法、终端设备及计算机可读存储介质 | |
US20230351604A1 (en) | Image cutting method and apparatus, computer device, and storage medium | |
CN106682652B (zh) | 基于增强现实的结构表面病害巡检和分析方法 | |
CN108629799B (zh) | 一种实现增强现实的方法及设备 | |
CN111815781A (zh) | 增强现实数据呈现方法、装置、设备和计算机存储介质 | |
CN108805799B (zh) | 全景图像合成装置、方法及计算机可读存储介质 | |
EP3005300A1 (en) | Combining a digital image with a virtual entity | |
CN112492201A (zh) | 拍照方法、装置及电子设备 | |
CN111105351B (zh) | 一种视频序列影像拼接方法及装置 | |
US9202286B2 (en) | Image processing apparatus, computer-readable medium storing an image processing program, and image processing method | |
US11100670B2 (en) | Positioning method, positioning device and nonvolatile computer-readable storage medium | |
US10878577B2 (en) | Method, system and apparatus for segmenting an image of a scene | |
CN113378605A (zh) | 多源信息融合方法及装置、电子设备和存储介质 | |
CN113110731A (zh) | 媒体内容生成的方法和装置 |
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 |