CN115588186B - 停车位的识别方法及装置、介质及电子设备 - Google Patents
停车位的识别方法及装置、介质及电子设备 Download PDFInfo
- Publication number
- CN115588186B CN115588186B CN202211560566.0A CN202211560566A CN115588186B CN 115588186 B CN115588186 B CN 115588186B CN 202211560566 A CN202211560566 A CN 202211560566A CN 115588186 B CN115588186 B CN 115588186B
- Authority
- CN
- China
- Prior art keywords
- grid
- target
- image
- grids
- parking space
- 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 59
- 238000012545 processing Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 15
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Abstract
本公开提供一种停车位的识别方法、停车位的识别装置、计算机可读存储介质及电子设备,涉及智能交通技术领域。该方法包括:获取关于目标车辆的环视图像,并在上述环视图像中确定出目标区域;在目标方向上对上述目标区域进行切分,得到多个网格,其中,上述目标方向与上述目标车辆的行驶方向垂直;根据所述多个网格分别对应的图像语义信息,确定停车位。本技术方案的车位识别效率高。
Description
技术领域
本公开涉及智能交通技术领域,尤其涉及一种停车位的识别方法及装置、计算机可读存储介质及电子设备。
背景技术
传统车位识别方案主要利用超声波雷达传感器检测,需要依赖相邻车位的车辆,对车位的识别效率有待提高。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种停车位的识别方法、停车位的识别装置、计算机可读存储介质及电子设备,能够在一定程度上提升停车位的识别准确效率。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种停车位的识别方法,该方法包括:获取关于目标车辆的环视图像,并在所述环视图像中确定出目标区域;在目标方向上对所述目标区域进行切分,得到多个网格,其中,所述目标方向与所述目标车辆的行驶方向垂直;根据所述多个网格分别对应的图像语义信息,确定停车位。
在示例性的实施例中,基于上述方案,上述获取关于目标车辆的环视图像之后,上述方法还包括:对上述环视图像进行语义分割处理,以在上述环视图像中对目标对象进行定位,其中,上述目标对象的类型至少为一种。
在示例性的实施例中,基于上述方案,上述目标区域位于上述目标车辆的车身两侧;上述在目标方向上对上述目标区域进行切分,得到多个网格,包括:在目标方向上对上述目标区域进行切分,得到多个网格以及每个网格对应的图像语义信息;其中,每个上述网格对应的图像语义信息包括:上述网格对应的图像区域中所包含的目标对象的类型,以及每个类型目标对象的像素个数;上述辅助网格对应的图像语义信息包括:上述辅助网格对应的图像区域中所包含的目标对象的类型,以及每个类型目标对象的像素个数。
在示例性的实施例中,基于上述方案,上述根据上述多个网格分别对应的图像语义信息,确定停车位,包括:根据上述多个网格分别对应的图像语义信息,对上述多个网格分别进行编码;其中,若根据上述图像语义信息确定网格对应的图像区域中包含至少一种类型的目标对象,且至少一种类型的目标对象的像素个数不小于对应的像素阈值,则上述网格被编码为第一标识码,反之,则上述网格被编码为第二标识码;在上述预设距离范围内,若被编码为上述第二标识码的网格数量满足预设条件,则确定上述预设距离范围对应的图像区域对应于停车位;其中上述预设距离范围与实际车位宽度相关。
在示例性的实施例中,基于上述方案,在上述确定上述预设距离范围对应的图像区域对应于停车位之后,上述方法还包括:对于上述预设距离范围内的所有网格中处于边缘位置的预设数量的目标网格,根据目标网格对应的图像语义信息以及辅助网格对应的图像语义信息,确定上述目标网格是否对应于拟车位线;其中,上述辅助网格为上述目标网格的相邻网格。
在示例性的实施例中,基于上述方案,上述根据目标网格对应的图像语义信息以及辅助网格对应的图像语义信息,确定上述目标网格是否对应于拟车位线,包括:确定目标网格是否满足被编码为上述第一标识码;确定辅助网格中是否存在被编码为上述第二标识码的网格;在上述目标网格被编码为上述第一标识码,且上述辅助网格中存在被编码为上述第二标识码的网格的情况下,确定上述目标网格对应于拟车位线。
在示例性的实施例中,基于上述方案,在上述确定上述预设距离范围对应的图像区域对应于停车位之后,上述方法还包括:根据上述网格的图像语义信息,确定上述网格对应的图像区域中是否包含车位线类型的像素,且像素个数不小于车位线类型的像素阈值;在上述网格包含车位线类型的像素,且像素个数不小于车位线类型的像素阈值的情况下,确定上述网格对应于车位线。
在示例性的实施例中,基于上述方案,在上述根据上述多个网格分别对应的图像语义信息,确定停车位之前,上述方法还包括:根据上述环视图像的图像语义信息,确定上述环视图像中存在畸变图像区域的情况下,再次获取至少一帧辅助图像;根据上述至少一帧辅助图像中确定出与上述畸变图像区域对应的局部图像区域;根据上述局部图像区域的图像语义信息,确定畸变量。
在示例性的实施例中,基于上述方案,上述根据上述局部图像区域的图像语义信息,确定畸变量,包括:在上述目标方向上对上述局部图像区域进行切分,得到N个网格,N取值为大于1的整数;根据第i个网格的图像语义信息,对于上述第i个网格进行编码;其中,若根据上述图像语义信息确定上述第i个网格对应的图像区域中包含车辆类型的像素,且像素个数不小于车辆类型对应的像素阈值,则上述第i个网格被编码为第一标识码,反之,则上述第i个网格被编码为第二标识码,i取值为不大于N的正整数;根据被标识为上述第一标识码的网格数量,确定上述畸变量。
根据本公开的另一个方面,提供一种停车位的识别装置,该装置包括:获取模块、切分模块、以及第一确定模块。
其中,上述获取模块,用于获取关于目标车辆的环视图像,并在所述环视图像中确定出目标区域;上述切分模块,用于在目标方向上对所述目标区域进行切分,得到多个网格,其中,所述目标方向与所述目标车辆的行驶方向垂直;上述第一确定模块,用于根据所述多个网格分别对应的图像语义信息,确定停车位。
根据本公开的再一个方面,提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述实施例中的停车位的识别方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中的停车位的识别方法。
本公开的实施例所提供的停车位的识别方法、停车位的识别装置、计算机可读存储介质及电子设备,具备以下技术效果:
本申请提供的技术方案中,在目标车辆的环视图像中确定出目标区域,并在与所述目标车辆的行驶方向垂直的目标方向上对所述目标区域进行切分,得到多个网格。进一步地,根据上述多个网格分别对应的图像语义信息,能够确定停车位。本说明书实施例提供的停车位识别方案能够快速准确地确定停车位,车位识别效率高。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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他的附图。
图1示出本公开一示例性实施例中停车位的识别方法的流程示意图。
图2示出本公开一示例性实施例中目标车辆以及目标区域的示意图。
图3示出本公开一示例性实施例中将目标区域切分为网格的示意图。
图4示出本公开另一示例性实施例中停车位的识别方法的流程示意图。
图5示出本公开一实施例中网格对应的图像区域中所包含的目标对象的示意图。
图6a示出本公开一实施例中网格对应的图像语义信息的示意图。
图6b示出对图6a中网格进行编码的示意图。
图7示出本公开一实施例中一组满足预设距离范围的网格的示意图。
图8示出本公开一示例性实施例中拟车位线的定位方法的流程示意图。
图9示出本公开一示例性实施例中目标车辆以及已泊车车辆的示意图。
图10示出本公开一示例性实施例中畸变量确定方法的流程示意图。
图11示出本公开一实施例中停车位的识别装置的结构示意图。
图12示出本公开另一实施例中停车位的识别装置的结构示意图。
图13示出本公开一实施例中电子设备的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施例方式作进一步地详细描述。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
以下结合图1至图10对本公开提供的停车位的识别方法实施例的进行详细阐述:
其中,图1示出本公开一示例性实施例中停车位的识别方法的流程示意图。参考图1,该图所示实施例包括:S110-S130。
在S110中,获取关于目标车辆的环视图像,并在上述环视图像中的确定出目标区域。
在示例性的实施例中,上述目标车辆为任一需要确定停车位的车辆。上述关于目标车辆的环视图像,可以由安装在目标车辆车身四周的鱼眼摄像头所拍摄图像确定。在示例性的实施例中,将由上述摄像头拍摄图像进行畸形矫正、视角变换后,再进行拼接处理可以得到上述关于目标车辆的环视图像。其中,通过上述关于目标车辆的环视图像具体为包含关于目标车辆所处环境的360度全景图像。本说明书实施例所提供方案中,基于目标车辆实时获取的环视图像来确定当前所处环境中的停车位信息,有利于停车位识别的时效性。
在示例性的实施例中,将关于目标车辆的全局图像中的目标区域,进行进一步处理以用于停车位的识别。也就是说,对于全局图像中除了目标区域之外的区域不参与后续计算,从而能够减少计算量,有利于进一步提升停车位识别的时效性。
在S120中,在目标方向上对上述目标区域进行切分,得到多个网格,其中,上述目标方向与上述目标车辆的行驶方向垂直。
易于理解的是,本说明书实施例中将车辆的车头方向记作车身前侧,车尾方向记作车身后侧,车门侧面记作车身左侧与右侧。
在示例性的实施例中,鉴于停车位的识别方案的适用场景一般分布在停车场,在处于该场景下停车位一般地处于车身左侧和/或右侧。因此,参考图2,本说明书实施例中,在关于目标车辆200的环视图像中确定出处于车身左侧和/或右侧(区域210和/或区域220)的图像区域作为上述目标区域。本说明书实施例中通过在环视图像中确定出价值量高的局部区域,有利于提升识别效率。本说明书实施例中以区域210和区域220作为目标区域为例进行说明。
在示例性的实施例中,图3示出本公开一示例性实施例中将目标区域切分为网格的示意图,参考图3,在上述目标车辆200的行驶方向F1的垂直方向F2上,对上述目标区域(区域210和区域220)进行切分,得到多个网格。示例性的,被切分成的网格宽度与车位线的宽度相适应,具体的网格宽度设置应于环视图像分辨率等因素有关。具体的,被切分后一个网格宽度对应于现实中的车位线的宽度,示例性的处于20~25cm之间。可以理解的是,本说明书实施例对此不作限定,可以根据实际需求设置切分后一个网格的宽度。
继续参加图1,在S130中,根据上述多个网格分别对应的图像语义信息,确定停车位。
在示例性的实施例中,图4示出本公开另一示例性实施例中停车位的识别方法的流程示意图。
参考图4,在S410中,获取关于目标车辆的环视图像。在S420中,在环视图像中确定出目标区域。由于S410和S420的具体实施方式与S110的对应实施例一致,在此不再赘述。
在S430中,对环视图像进行语义分割处理,以在环视图像中对目标对象进行定位。其中,S430与S420的具体实施方式不分先后,可以S420与S430同时执行,也可以先执行S420再执行S430,还可以先执行S430再执行S420。
在示例性的实施例中,上述语义分割处理可以通过语义分割算法实现。其中,通过上述语义分割处理,能够将标签或类别与上述环视图像中的每个像素进行关联。进一步地,属于同一类别或标签的像素被归为同一类,从而能够将环视图像不同类别的目标对象进行定位。例如,通过上述语义分割处理,可以定位出环视图像中车辆对应的像素结合、行人对应的像素结合、交通信号标识对应的像素集合、人行道对应的像素集合等。
在示例性的实施例中,上述目标对象至少包括一种类别,例如,车位线、障碍物(包含行人、其他车辆)。示例性的,在环视图像A中包含障碍物以及车位线,则通过对上述环视图像进行语义分割处理,可以定位出环视图像A中的车位线对应的像素集合以及障碍物对应的像素集合。本实施例中,可以根据环视图像A中所包含的目标对象的种类个数将该图像拆分为多个通道。例如,环视图像A中包含车位线和障碍物,则可以拆分为车位线对应的像素集合的通道1以及障碍物对应的像素集合的通道2。进一步地,为了提高图像处理速度,可以对每个通道进行二值化处理,进而便于统计落入每个网格的每种类型的目标对象的像素个数。
在示例性的实施例中,在通过S420确定出目标区域(如图2中区域210、区域220),以及通过S430对环视图像中各个类别的目标对象进行定位之后,在S440中,在目标方向上对目标区域进行切分,得到多个网格以及每个网格对应的图像语义信息。
其中,一个网格对应的图像语义信息包括:该网格对应的图像区域中所包含的目标对象的类型(例如,参考图5中网格a-网格d对应的图像区域中所包含的目标对象的类型为行人),以及每个类型目标对象的像素个数。具体地,上述环视图像A中包含两种类型的目标对象并被拆分为两个通道,则对于环视图像A中目标区域被切分后,对于其中任一个网格a,该网格a对应的图像语义信息则与上述两个通道有关,一方面,上述通道1中车位线在网格a处是否有分布以及所分布像素数,另一方面,上述通道2中障碍物在网格a处是否有分布以及所分布像素数。
继续参考图4,在S450中,根据图像语义信息,对网格进行编码;其中,若根据图像语义信息确定网格对应的图像区域中包含至少一种类型的目标对象,且至少一种类型的目标对象的像素个数不小于对应的像素阈值,则该格被编码为第一标识码,反之,则该网格被编码为第二标识码。
在示例性的实施例中,根据每个网格所对应的图像语义信息对该网格进行编码。具体地,若网格所对应的图像语义信息满足第一预设条件则将该网格编码为第一标识码,如“1”,若网格所对应的图像语义信息不满足第一预设条件则将该网格编码为第二标识码,如“0”。其中,第一预设条件为:在一个网格对应的图像区域中包含至少一种类型的目标对象,且至少一种类型的目标对象的像素个数不小于对应的像素阈值。
其中,每种类型的目标对象对应的像素阈值可以根据实际需求确定,因此不同类型的目标对象对应的像素阈值可能不同。例如,参考图6a,圆圈类型的目标对象对应的像素阈值为2,椭圆类型的目标对象对应的像素阈值为1,方形类型的目标对象对应的像素阈值为3。进一步地,基于上述像素阈值判断图6a中各个网格是否满足第一预设条件,进而对各个网格进行编码。具体地:
对于网格e,对应的图像语义信息为:所对应图像区域包含两种类型(分别是圆圈类型以及椭圆类型)的目标对象,且圆圈类型的目标对象的实际像素数为1,椭圆类型的目标对象的实际像素数为2。其中,圆圈类型的目标对象的实际像素数(1)小于圆圈类型的目标对象对应的像素阈值(2),椭圆类型的目标对象的实际像素数(2)大于椭圆类型的目标对象对应的像素阈值(1)。可见,存在一种类型的目标对象的像素个数不小于对应的像素阈值,因此,网格e满足上述第一预设条件,则将该网格编码为“1”。
对于网格f,对应的图像语义信息为:所对应图像区域包含两种类型(分别是圆圈类型以及椭圆类型)的目标对象,且圆圈类型的目标对象的实际像素数为3,椭圆类型的目标对象的实际像素数为1。其中,圆圈类型的目标对象的实际像素数(3)不小于圆圈类型的目标对象对应的像素阈值(2),椭圆类型的目标对象的实际像素数(1)也不小于椭圆类型的目标对象对应的像素阈值(1)。可见,存在两种类型的目标对象的像素个数不小于对应的像素阈值,因此,网格f满足上述第一预设条件,则将该网格编码为“1”。
对于网格g,对应的图像语义信息为:所对应图像区域包含两种类型(分别是方形圈类型以及椭圆类型)的目标对象,且方形类型的目标对象的实际像素数为2,椭圆类型的目标对象的实际像素数为1。其中,方形类型的目标对象的实际像素数(2)小于方形类型的目标对象对应的像素阈值(3),椭圆类型的目标对象的实际像素数(1)不小于椭圆类型的目标对象对应的像素阈值(1)。可见,存在一种类型的目标对象的像素个数不小于对应的像素阈值,因此,网格g满足上述第一预设条件,则将该网格编码为“1”。
同理,可以判断网格h也满足上述第一预设条件;由于网格x、网格y和网格z对应的图像区域中不包含任何一种类型的目标对象,因此,网格x、网格y和网格z均不满足上述第一预设条件,则将网格x、网格y和网格z均编码为“0”。
根据图6a中各个网格是否满足第一预设条件实现将如图6a所示网格的编码,如图6b所示。示例性的,可以将编码为“1”的网格用斜线阴影表示。
通过判断网格对应的图像语义信息是否满足上述第一预设条件,可以实现所有网格的编码。进一步地,执行S460:在预设距离范围内,若被编码为第二标识码的网格数量满足预设条件,则确定该预设距离范围对应的图像区域对应于停车位。
其中,该预设距离范围与实际车位宽度相关。假如实际车位宽度为2.4米,根据所拍摄图像与实际环境之间的比例,可以确定上述预设距离范围,例如可以是[28, 32]毫米。示例性的,为了保证识别准确度,可以设置一定余量,即预设距离范围的最小值大于实际车位宽度在图像中的映射值。
本实施例中,上述预设条件(可以记作第二预设条件)可以是被编码为第二标识码的网格数量占该预设距离范围内网格总数的百分比大于预设值(如大于95%),也可以是,上述第二预设条件可以是被编码为第二标识码的网格数量大于预设值(如50个等)。示例性的,图7示出本公开一实施例中一组满足预设距离范围的网格的示意图,参考图7,假如“S”满足预设距离范围,且该范围内的网格被编码为“0”的网格数量也满足预设条件,则说明在预设距离范围内被编码为第二标识码“0”的网格数量较多,也就可以说明该区域内较大面积的不存在目标对象,因此可以作为泊车地点,从而可以确定该预设距离范围对应的图像区域对应于停车位。
在示例性的实施例中,为了进一步提升车位定位准确度,本说明书实施例还提供对“拟车位线”、“车位线”进行定位的方案,通过定位拟车位线、车位线,可以为驾驶用户提供更加准确的泊车提示,有助于提升泊车安全。具体地,图8示出本公开一示例性实施例中拟车位线的定位方法的流程示意图,该图所示实施例包括:S810-S830。
在S810中,在上述预设距离范围内的所有网格中确定出处于边缘位置的预设数量的目标网格。示例性的,可以是3~5个。例如,参考图7,对于上述“S”范围内处于边缘位置的3个目标网格为:位于左侧的网格70-网格72,位于右侧的网格73-网格75。
本实施例中,根据目标网格的编码以及与目标网格的相邻的网格(记作:辅助网格)的编码来确定该目标网格是属于车位线。示例性的,以网格70为第一个目标网格(即,j取值为1),网格70的辅助网格为网格A和网格71。
具体地,可以判断是否满足如S820示出的条件:第j个目标网格满足第一预设条件且第j个目标网格的辅助网格中是否存在被编码为第二标识码的网格。若满足,则可以确定第j个目标网格对应于拟车位线(S830),且判断第j+1个目标网格执行如S820的判断条件。若不满足,则直接判断第j+1个目标网格执行如S820的判断条件。
在示例性的实施例中,参考图7,对于网格70(j取值为1),其对应的辅助网格为网格71和网格A。其中,网格70的编码为“0”,并满足上述第一预设条件,则网格70并不对应于拟车位线或车位线,用户泊车过程无需对该网格对应的位置进行避让。
在示例性的实施例中,参考图7,对于网格71(j取值为2),其对应的辅助网格为网格72和网格B。其中,网格71的编码为“1”满足上述第一预设条件,辅助网格中网格72和网格B的编码均为“0”,即网格71的辅助网格中存在被编码为第二标识码的网格,因此,网格71对应于拟车位线,其中由于网格71被编码为“1”,说明当前网格可能对应于障碍物或是车位线等,由于无法准确确定是否为车位线,因此记作“拟2车位线”。进而在用户泊车过程中需要提示用户需对网格71对应的区域进行避让。
在示例性的实施例中,本说明书实施例还提供了定位“车位线”的方案,具体地:根据网格的图像语义信息,确定该网格对应的图像区域中是否包含车位线类型的像素,且像素个数不小于车位线类型的像素阈值。若满足,则说明该网格为停车线。
通过上述车位线的定位方案以及拟车位线的定位方案,可以确定出用户在泊车过程需对进行避让的障碍物,从而提升泊车安全。
在一些情况下,上述环视图像中呈现的已停车的车辆(如车辆B)可能存在畸变,造成车辆B占用两个车位的假象。例如,图9示出本公开一示例性实施例中目标车辆以及已泊车车辆的示意图,参考图9,可以确定出区域910、区域920以及区域930均满足上述预设距离范围。假如图像中区域920所对应的现实环境中停放有车辆B。而待泊车车辆所获得的环视图像中,车辆B可能存在畸变,造成车辆B占用两个车位的假象,即处理区域920中存在车辆类型的像素之外,区域910中也存在车辆类型的像素,而实际上区域910并未停放车辆。针对此类情况,本说明书实施例提供一种确定畸变量的实施例,在确定畸变量之后再确定停车位,有利于进一步提升泊车安全性。
示例性的,图10示出本公开一示例性实施例中畸变量确定方法的流程示意图,参考图10,该图所示实施例包括:S1010-S1050。
在S1010中,根据环视图像的图像语义信息,确定该环视图像中存在畸变图像区域的情况下,再次获取至少一帧辅助图像。
示例性的,上述辅助图像可以是关于待泊车车辆的360度环视图像,也可以是存在畸变问题方向的图像。
在S1020中,根据上述至少一帧辅助图像中确定出与上述畸变图像区域对应的局部图像区域。
示例性的,参考图9,在辅助图像中确定出的局部图像区域如区域910。
在S1030中,在目标方向上对局部图像区域进行切分,得到N个网格。其中,N取值为大于1的整数,上述切分方式与S120中的切分方式相同,在此不再赘述,需要注意的是,在该实施例提供的切分过程中,所切分网格的宽度可以与车位线宽度相关,也可以设置其他数值。
在S1040中,根据第i个网格的图像语义信息,对于第i个网格进行编码。其中,i取值为不大于N的正整数。
可以理解的是,第i语义信息包括:第i个网格对应的图像区域中是否包含的目标对象,在包含目标对象的情况下,每种类型的目标对象对应的像素数。
示例性的编码方式与上述实施例中的编码方式一致,即若根据第i个网格的图像语义信息确定该网格对应的图像区域中包含车辆类型的像素,且像素个数不小于车辆类型对应的像素阈值,则所述网格被编码为第一标识码,反之,则该网格被编码为第二标识码。
在S1050中,根据被标识为第一标识码的网格数量,确定畸变量。
若上述N个网格中被编码为“1”的网格数量是否小于网格阈值,则确定第一目标网格和第二目标网格之间的区域是否对应于停车位。其中,上述网格阈值可以根据实际需求确定,示例性的N为偶数时可以取值为N/2,N为奇数时可以取值为(N+1)/2。
可以理解的是,参考图9,区域920对应的实际环境中停放有车辆B,则区域920中网格被编码为“1”的数量肯定大于上述网格阈值。而区域910对应的实际环境中实际并没有停放车辆,则区域910中被编码为“1”网格应该不超过上述网格阈值。
进一步地,还可以通过统计被编码为“1”的网格数量确定所存在的畸变量,从而为停车位的确定提供辅助,有利于提升泊车提示的准确度,同时提升了停车位识别准确度。
本说明书所提供的方案通过对环视图像语义分割结果的后处理,能快速准确地检测到停车位,有效提升停车位的识别效率,有助于车主快速准确泊车。
需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
其中,图11示出本公开一实施例中停车位的识别装置的结构示意图。请参见图11,该图所示的停车位的识别装置可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分,还可以作为独立的模块集成于电子设备中或服务器上。
本公开实施例中的停车位的识别装置1100包括:获取模块1110、切分模块1120、以及第一确定模块1130。
其中,上述获取模块1110,用于获取关于目标车辆的环视图像,并在上述环视图像中确定出目标区域;上述切分模块1120,用于在目标方向上对上述目标区域进行切分,得到多个网格,其中,上述目标方向与上述目标车辆的行驶方向垂直;上述第一确定模块1130,用于根据上述多个网格分别对应的图像语义信息,确定停车位。
在示例性的实施例中,图12示出本公开另一实施例中停车位的识别装置的结构示意图。请参见图12:
在示例性的实施例中,基于前述方案,上述获取模块1110,还用于:在上述获取关于目标车辆的环视图像之后,对上述环视图像进行语义分割处理,以在上述环视图像中对目标对象进行定位,其中,上述目标对象的类型至少为一种。
在示例性的实施例中,基于前述方案,上述目标区域位于上述目标车辆的车身两侧;
上述切分模块1120,具体用于:在目标方向上对上述目标区域进行切分,得到多个网格以及每个网格对应的图像语义信息;其中,每个上述网格对应的图像语义信息包括:上述目标网格对应的图像区域中所包含的目标对象的类型,以及每个类型目标对象的像素个数;上述辅助网格对应的图像语义信息包括:上述辅助网格对应的图像区域中所包含的目标对象的类型,以及每个类型目标对象的像素个数。
在示例性的实施例中,基于前述方案,上述第一确定模块1130包括:编码单元11301和确定单元11302。
其中,上述编码单元11301用于:根据上述多个网格分别对应的图像语义信息,对上述多个网格分别进行编码;其中,若根据上述图像语义信息确定网格对应的图像区域中包含至少一种类型的目标对象,且至少一种类型的目标对象的像素个数不小于对应的像素阈值,则上述网格被编码为第一标识码,反之,则上述网格被编码为第二标识码;上述确定单元11302用于:在上述预设距离范围内,若被编码为上述第二标识码的网格数量满足预设条件,则确定上述预设距离范围对应的图像区域对应于停车位;其中上述预设距离范围与实际车位宽度相关。
在示例性的实施例中,基于前述方案,上述装置还包括第一定位模块1140。
其中,上述第一定位模块1140用于:对于上述预设距离范围内的所有网格中处于边缘位置的预设数量的目标网格,根据目标网格对应的图像语义信息以及辅助网格对应的图像语义信息,确定上述目标网格是否对应于拟车位线;其中,上述辅助网格为上述目标网格的相邻网格。
在示例性的实施例中,基于前述方案,上述第一定位模块1140具体用于:确定目标网格是否满足被编码为上述第一标识码;确定辅助网格中是否存在被编码为上述第二标识码的网格;在上述目标网格被编码为上述第一标识码,且上述辅助网格中存在被编码为上述第二标识码的网格的情况下,确定上述目标网格对应于拟车位线。
在示例性的实施例中,基于前述方案,上述装置还包括第二定位模块1150。
其中,上述第二定位模块1150用于:根据上述网格的图像语义信息,确定上述网格对应的图像区域中是否包含车位线类型的像素,且像素个数不小于车位线类型的像素阈值;在上述网格包含车位线类型的像素,且像素个数不小于车位线类型的像素阈值的情况下,确定上述网格对应于车位线。
在示例性的实施例中,基于前述方案,上述装置还包括第二确定模块1160。
其中,上述第二确定模块1160用于:根据上述环视图像的图像语义信息,确定上述环视图像中存在畸变图像区域的情况下,再次获取至少一帧辅助图像;根据上述至少一帧辅助图像中确定出与上述畸变图像区域对应的局部图像区域;根据上述局部图像区域的图像语义信息,确定畸变量。
在示例性的实施例中,基于前述方案,上述第二确定模块1160具体用于:在上述目标方向上对上述局部图像区域进行切分,得到N个网格,N取值为大于1的整数;根据第i个网格的图像语义信息,对于上述第i个网格进行编码;其中,若根据上述图像语义信息确定上述第i个网格对应的图像区域中包含车辆类型的像素,且像素个数不小于车辆类型对应的像素阈值,则上述第i个网格被编码为第一标识码,反之,则上述第i个网格被编码为第二标识码,i取值为不大于N的正整数;根据被标识为上述第一标识码的网格数量,确定上述畸变量。
需要说明的是,上述实施例提供的停车位的识别装置在执行停车位的识别方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的停车位的识别装置与停车位的识别方法实施例属于同一构思,因此对于本公开装置实施例中未披露的细节,请参照本公开上述的停车位的识别方法的实施例,这里不再赘述。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
本公开实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述任一实施例方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
本公开实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述任一实施例方法的步骤。
图13示出本公开一实施例中电子设备的结构示意图。请参见图13所示,电子设备1300包括有:处理器1301和存储器1302。
本公开实施例中,处理器1301为计算机系统的控制中心,可以是实体机的处理器,也可以是虚拟机的处理器。处理器1301可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable LogicArray,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(CentralProcessing Unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在本公开实施例中,上述处理器1301具体用于:
获取关于目标车辆的环视图像,并在上述环视图像中确定出目标区域;在目标方向上对上述目标区域进行切分,得到多个网格,其中,上述目标方向与上述目标车辆的行驶方向垂直;根据上述多个网格分别对应的图像语义信息,确定停车位。
进一步地,上述处理器1301还具体用于:
上述获取关于目标车辆的环视图像之后,对上述环视图像进行语义分割处理,以在上述环视图像中对目标对象进行定位,其中,上述目标对象的类型至少为一种。
进一步地,上述目标区域位于上述目标车辆的车身两侧;上述在目标方向上对上述目标区域进行切分,得到多个网格,包括:在目标方向上对上述目标区域进行切分,得到多个网格以及每个网格对应的图像语义信息;其中,每个上述网格对应的图像语义信息包括:上述网格对应的图像区域中所包含的目标对象的类型,以及每个类型目标对象的像素个数;上述辅助网格对应的图像语义信息包括:上述辅助网格对应的图像区域中所包含的目标对象的类型,以及每个类型目标对象的像素个数。
进一步地,上述根据上述多个网格分别对应的图像语义信息,确定停车位,包括:根据上述多个网格分别对应的图像语义信息,对上述多个网格分别进行编码;其中,若根据上述图像语义信息确定网格对应的图像区域中包含至少一种类型的目标对象,且至少一种类型的目标对象的像素个数不小于对应的像素阈值,则上述网格被编码为第一标识码,反之,则上述网格被编码为第二标识码;在上述预设距离范围内,若被编码为上述第二标识码的网格数量满足预设条件,则确定上述预设距离范围对应的图像区域对应于停车位;其中上述预设距离范围与实际车位宽度相关。
进一步地,上述处理器1301还具体用于:
在上述确定上述预设距离范围对应的图像区域对应于停车位之后,对于上述预设距离范围内的所有网格中处于边缘位置的预设数量的目标网格,根据目标网格对应的图像语义信息以及辅助网格对应的图像语义信息,确定上述目标网格是否对应于拟车位线;其中,上述辅助网格为上述目标网格的相邻网格。
进一步地,上述根据目标网格对应的图像语义信息以及辅助网格对应的图像语义信息,确定上述目标网格是否对应于拟车位线,包括:确定目标网格是否满足被编码为上述第一标识码;确定辅助网格中是否存在被编码为上述第二标识码的网格;在上述目标网格被编码为上述第一标识码,且上述辅助网格中存在被编码为上述第二标识码的网格的情况下,确定上述目标网格对应于拟车位线。
进一步地,上述处理器1301还具体用于:
在上述确定上述预设距离范围对应的图像区域对应于停车位之后,根据上述网格的图像语义信息,确定上述网格对应的图像区域中是否包含车位线类型的像素,且像素个数不小于车位线类型的像素阈值;在上述网格包含车位线类型的像素,且像素个数不小于车位线类型的像素阈值的情况下,确定上述网格对应于车位线。
进一步地,上述处理器1301还具体用于:
在上述根据上述多个网格分别对应的图像语义信息,确定停车位之前,根据上述环视图像的图像语义信息,确定上述环视图像中存在畸变图像区域的情况下,再次获取至少一帧辅助图像;根据上述至少一帧辅助图像中确定出与上述畸变图像区域对应的局部图像区域;根据上述局部图像区域的图像语义信息,确定畸变量。
进一步地,上述根据上述局部图像区域的图像语义信息,确定畸变量,包括:在上述目标方向上对上述局部图像区域进行切分,得到N个网格,N取值为大于1的整数;根据第i个网格的图像语义信息,对于上述第i个网格进行编码;其中,若根据上述图像语义信息确定上述第i个网格对应的图像区域中包含车辆类型的像素,且像素个数不小于车辆类型对应的像素阈值,则上述第i个网格被编码为第一标识码,反之,则上述第i个网格被编码为第二标识码,i取值为不大于N的正整数;根据被标识为上述第一标识码的网格数量,确定上述畸变量。
存储器1302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在本公开的一些实施例中,存储器1302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1301所执行以实现本公开实施例中的方法。
一些实施例中,电子设备1300还包括有:外围设备接口1303和至少一个外围设备。处理器1301、存储器1302和外围设备接口1303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1303相连。具体地,外围设备包括:显示屏1304、摄像头1305和音频电路1306中的至少一种。
外围设备接口1303可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器1301和存储器1302。在本公开的一些实施例中,处理器1301、存储器1302和外围设备接口1303被集成在同一芯片或电路板上;在本公开的一些其他实施例中,处理器1301、存储器1302和外围设备接口1303中的任意一个或两个可以在单独的芯片或电路板上实现。本公开实施例对此不作具体限定。
显示屏1304用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1304是触摸显示屏时,显示屏1304还具有采集在显示屏1304的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1301进行处理。此时,显示屏1304还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在本公开的一些实施例中,显示屏1304可以为一个,设置电子设备1300的前面板;在本公开的另一些实施例中,显示屏1304可以为至少两个,分别设置在电子设备1300的不同表面或呈折叠设计;在本公开的一些实施例中,显示屏1304可以是柔性显示屏,设置在电子设备1300的弯曲表面上或折叠面上。甚至,显示屏1304还可以设置成非矩形的不规则图形,也即异形屏。显示屏1304可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头1305用于采集图像或视频。可选地,摄像头1305包括前置摄像头和后置摄像头。通常,前置摄像头设置在电子设备的前面板,后置摄像头设置在电子设备的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在本公开的一些实施例中,摄像头1305还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路1306可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器1301进行处理。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在电子设备1300的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。
电源1307用于为电子设备1300中的各个组件进行供电。电源1307可以是交流电、直流电、一次性电池或可充电电池。当电源1307包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
本公开实施例中示出的电子设备结构框图并不构成对电子设备1300的限定,电子设备1300可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在本公开的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本公开中的具体含义。此外,在本公开的描述中,除非另有说明,“多个”是指两个或两个以上。“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。字符“/”一般表示前后关联对象是一种“或”的关系。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,依本公开权利要求所作的等同变化,仍属本公开所涵盖的范围。
Claims (11)
1.一种停车位的识别方法,其特征在于,所述方法包括:
获取关于目标车辆的环视图像,并在所述环视图像中确定出目标区域;
在目标方向上对所述目标区域进行切分,得到多个网格,其中,所述目标方向与所述目标车辆的行驶方向垂直;
根据所述多个网格分别对应的图像语义信息,确定停车位;
其中,所述根据所述多个网格分别对应的图像语义信息,确定停车位,包括:
根据所述多个网格分别对应的图像语义信息,对所述多个网格分别进行编码;其中,若根据所述图像语义信息确定网格对应的图像区域中包含至少一种类型的目标对象,且至少一种类型的目标对象的像素个数不小于对应的像素阈值,则所述网格被编码为第一标识码,反之,则所述网格被编码为第二标识码;
在预设距离范围内,若被编码为所述第二标识码的网格数量满足预设条件,则确定所述预设距离范围对应的图像区域对应于停车位;
其中所述预设距离范围与实际车位宽度相关。
2.根据权利要求1所述的方法,其特征在于,所述获取关于目标车辆的环视图像之后,所述方法还包括:
对所述环视图像进行语义分割处理,以在所述环视图像中对目标对象进行定位,其中,所述目标对象的类型至少为一种。
3.根据权利要求2所述的方法,其特征在于,所述目标区域位于所述目标车辆的车身两侧;
所述在目标方向上对所述目标区域进行切分,得到多个网格,包括:
在目标方向上对所述目标区域进行切分,得到多个网格以及每个网格对应的图像语义信息;
其中,每个所述网格对应的图像语义信息包括:所述网格对应的图像区域中所包含的目标对象的类型,以及每个类型目标对象的像素个数;辅助网格对应的图像语义信息包括:所述辅助网格对应的图像区域中所包含的目标对象的类型,以及每个类型目标对象的像素个数;
其中,所述辅助网格为目标网格的相邻网格,所述目标网格为所述预设距离范围内的所有网格中处于边缘位置的预设数量的网格。
4.根据权利要求1所述的方法,其特征在于,在所述确定所述预设距离范围对应的图像区域对应于停车位之后,所述方法还包括:
对于所述预设距离范围内的所有网格中处于边缘位置的预设数量的目标网格,根据目标网格对应的图像语义信息以及辅助网格对应的图像语义信息,确定所述目标网格是否对应于拟车位线;
其中,所述辅助网格为所述目标网格的相邻网格。
5.根据权利要求4所述的方法,其特征在于,所述根据目标网格对应的图像语义信息以及辅助网格对应的图像语义信息,确定所述目标网格是否对应于拟车位线,包括:
确定目标网格是否满足被编码为所述第一标识码;
确定辅助网格中是否存在被编码为所述第二标识码的网格;
在所述目标网格被编码为所述第一标识码,且所述辅助网格中存在被编码为所述第二标识码的网格的情况下,确定所述目标网格对应于拟车位线。
6.根据权利要求1所述的方法,其特征在于,在所述根据所述多个网格分别对应的图像语义信息,确定停车位之后,所述方法还包括:
根据所述网格的图像语义信息,确定所述网格对应的图像区域中是否包含车位线类型的像素,且像素个数不小于车位线类型的像素阈值;
在所述网格包含车位线类型的像素,且像素个数不小于车位线类型的像素阈值的情况下,确定所述网格对应于车位线。
7.根据权利要求1所述的方法,其特征在于,在所述根据所述多个网格分别对应的图像语义信息,确定停车位之前,所述方法还包括:
根据所述环视图像的图像语义信息,确定所述环视图像中存在畸变图像区域的情况下,再次获取至少一帧辅助图像;
根据所述至少一帧辅助图像中确定出与所述畸变图像区域对应的局部图像区域;
根据所述局部图像区域的图像语义信息,确定畸变量。
8.根据权利要求7所述的方法,其特征在于,所述根据所述局部图像区域的图像语义信息,确定畸变量,包括:
在所述目标方向上对所述局部图像区域进行切分,得到N个网格,N取值为大于1的整数;
根据第i个网格的图像语义信息,对于所述第i个网格进行编码;其中,若根据所述图像语义信息确定所述第i个网格对应的图像区域中包含车辆类型的像素,且像素个数不小于车辆类型对应的像素阈值,则所述第i个网格被编码为第一标识码,反之,则所述第i个网格被编码为第二标识码,i取值为不大于N的正整数;
根据被标识为所述第一标识码的网格数量,确定所述畸变量。
9.一种停车位的识别装置,其特征在于,所述装置包括:
获取模块,用于获取关于目标车辆的环视图像,并在所述环视图像中确定出目标区域;
切分模块,用于在目标方向上对所述目标区域进行切分,得到多个网格,其中,所述目标方向与所述目标车辆的行驶方向垂直;
第一确定模块,用于根据所述多个网格分别对应的图像语义信息,确定停车位;
其中,所述第一确定模块,具体用于:根据所述多个网格分别对应的图像语义信息,对所述多个网格分别进行编码;其中,若根据所述图像语义信息确定网格对应的图像区域中包含至少一种类型的目标对象,且至少一种类型的目标对象的像素个数不小于对应的像素阈值,则所述网格被编码为第一标识码,反之,则所述网格被编码为第二标识码;在预设距离范围内,若被编码为所述第二标识码的网格数量满足预设条件,则确定所述预设距离范围对应的图像区域对应于停车位;其中所述预设距离范围与实际车位宽度相关。
10.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的停车位的识别方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的停车位的识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310475805.0A CN116704806A (zh) | 2022-12-07 | 2022-12-07 | 停车位的识别方法及装置 |
CN202211560566.0A CN115588186B (zh) | 2022-12-07 | 2022-12-07 | 停车位的识别方法及装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211560566.0A CN115588186B (zh) | 2022-12-07 | 2022-12-07 | 停车位的识别方法及装置、介质及电子设备 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310475805.0A Division CN116704806A (zh) | 2022-12-07 | 2022-12-07 | 停车位的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115588186A CN115588186A (zh) | 2023-01-10 |
CN115588186B true CN115588186B (zh) | 2023-05-23 |
Family
ID=84783245
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310475805.0A Pending CN116704806A (zh) | 2022-12-07 | 2022-12-07 | 停车位的识别方法及装置 |
CN202211560566.0A Active CN115588186B (zh) | 2022-12-07 | 2022-12-07 | 停车位的识别方法及装置、介质及电子设备 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310475805.0A Pending CN116704806A (zh) | 2022-12-07 | 2022-12-07 | 停车位的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN116704806A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198433A (zh) * | 2018-02-28 | 2018-06-22 | 北京精英智通科技股份有限公司 | 一种停车识别方法、装置及电子设备 |
CN112644480A (zh) * | 2021-01-18 | 2021-04-13 | 广州小鹏自动驾驶科技有限公司 | 一种障碍物检测方法、检测系统、计算机设备和存储介质 |
CN112766136A (zh) * | 2021-01-14 | 2021-05-07 | 华南理工大学 | 一种基于深度学习的空间车位检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689761B (zh) * | 2019-12-11 | 2021-10-29 | 上海赫千电子科技有限公司 | 一种自动泊车方法 |
KR102406320B1 (ko) * | 2020-11-25 | 2022-06-10 | 현대모비스 주식회사 | 자율 주차를 위한 주차 영역을 인식하기 위한 장치 및 그에 관한 방법 |
-
2022
- 2022-12-07 CN CN202310475805.0A patent/CN116704806A/zh active Pending
- 2022-12-07 CN CN202211560566.0A patent/CN115588186B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198433A (zh) * | 2018-02-28 | 2018-06-22 | 北京精英智通科技股份有限公司 | 一种停车识别方法、装置及电子设备 |
CN112766136A (zh) * | 2021-01-14 | 2021-05-07 | 华南理工大学 | 一种基于深度学习的空间车位检测方法 |
CN112644480A (zh) * | 2021-01-18 | 2021-04-13 | 广州小鹏自动驾驶科技有限公司 | 一种障碍物检测方法、检测系统、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115588186A (zh) | 2023-01-10 |
CN116704806A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910655A (zh) | 一种停车管理方法、装置及设备 | |
CN111376895B (zh) | 一种环视泊车感知方法、装置、自动泊车系统和车辆 | |
CN108877269B (zh) | 一种交叉路口车辆状态检测及v2x广播方法 | |
WO2020258286A1 (zh) | 图像处理方法、装置、拍摄装置和可移动平台 | |
CN110135377B (zh) | 车路协同中物体运动状态检测方法、装置和服务器 | |
CN110276258A (zh) | 一种识别车辆外观的方法及系统 | |
CN110991215B (zh) | 车道线检测方法、装置、存储介质及电子设备 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN111295666A (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
CN111142402A (zh) | 仿真场景构建方法、装置和终端 | |
CN112862856A (zh) | 违停车辆的识别方法、装置、设备及计算机可读存储介质 | |
CN114550142A (zh) | 基于4d毫米波雷达和图像识别融合的车位检测方法 | |
CN114627186A (zh) | 一种测距方法及测距装置 | |
CN114627409A (zh) | 一种车辆异常变道的检测方法及装置 | |
CN115588186B (zh) | 停车位的识别方法及装置、介质及电子设备 | |
CN112183206B (zh) | 一种基于路侧单目摄像头的交通参与者定位方法和系统 | |
JP7400118B2 (ja) | 駐車スペース検出方法、装置、デバイス及び記憶媒体 | |
CN110880205B (zh) | 一种停车收费方法及装置 | |
CN116363628A (zh) | 标志检测方法、装置、非易失性存储介质及计算机设备 | |
CN116012609A (zh) | 一种环视鱼眼多目标跟踪方法、装置、电子设备及介质 | |
CN113901961A (zh) | 车位检测方法、装置、设备及存储介质 | |
CN107749946B (zh) | 道路停车泊位拍摄方法、系统、计算机装置及计算机可读存储介质 | |
CN111639640A (zh) | 基于人工智能的车牌识别方法、装置及设备 | |
CN115082662B (zh) | 目标区域的定位方法和目标区域的定位装置 | |
CN115953764B (zh) | 基于鸟瞰图的车辆哨兵方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |