CN115690703A - 一种车位检测方法、系统、存储介质及计算机设备 - Google Patents

Abstract

本发明公开了一种车位检测方法，包括：获取车位所在环境的原始图像，并进行畸变校正得到校正图像；对校正图像进行阈值分割得到二值化图像，将校正图像由RGB颜色空间转换为HSV颜色空间和阈值分割得到HSV阈值分割图像，并将HSV阈值分割图像与二值化图像进行融合，得到融合图像；对融合图像进行边缘检测，得到去噪边缘图像；采用霍夫变换对去噪边缘图像进行直线检测，根据检测到的直线基于设定的斜率差阈值和截距差阈值确定车位线集；根据车位线集确定交点的坐标并保存在车位线点集中，基于车位线点集中的各交点坐标建立车位坐标系；根据车位线点集中各点与车位坐标系的原点确定车位。本发明还公开了一种系统、一种存储介质和一种计算机设备。

Description

一种车位检测方法、系统、存储介质及计算机设备

技术领域

本申请涉及车载车位检测设备技术领域，具体地，涉及一种车位检测方法、系统、存储介质及计算机设备。

背景技术

技术欠佳的问题，减少由于视野不佳或技术欠缺导致的泊车过程中的剐蹭问题，从而提升用户体验。而在辅助或自动泊车中，停车位的检测是关键的一步。停车位检测主要有场端方案、车端方案以及两者结合的方案。在车端方案中，利用超声波雷达检测停车位已得到广泛应用，但其需要周围有车辆或墙面才能识别出停车位，具有一定的局限性；而基于摄像头(视觉)的停车位检测方法则不依赖周围的车辆的停放情况，只需要有较为清晰的车位线即可，这种方法也逐渐成为一种主流趋势。

目前的方法简单使用灰度阈值分割分离背景和车位线，容易受到一些灰度值与车位线相似的背景的干扰，停车位提取则依赖于车位线检测的效果，当检测出的车位线断断续续时，难以得到理想的检测效果，且对于车位线非封闭的停车位检测效果不佳。

发明内容

为解决上述问题的至少一个方面，本发明提供一种车位检测方法，包括：获取车位所在环境的原始图像，并对所述原始图像进行畸变校正，得到校正图像；通过设定阈值对所述校正图像进行阈值分割得到二值化图像，将所述校正图像由RGB颜色空间转换为HSV颜色空间得到HSV图像，通过设定阈值将所述HSV图像进行阈值分割得到HSV阈值分割图像，并将所述HSV阈值分割图像与所述二值化图像进行融合，得到融合图像；对所述融合图像进行边缘检测，并滤除干扰点，得到去噪边缘图像；采用霍夫变换对所述去噪边缘图像进行直线检测，确定检测到的各条直线的斜率和截距，根据检测到的直线基于设定的斜率差阈值和截距差阈值确定车位线集；根据所述车位线集确定交点的坐标并保存在车位线点集中，基于所述车位线点集中的各交点坐标确定中心点，以所述中心点为坐标系原点建立车位坐标系；将所述车位线点集中的各交点的坐标变换至所述车位坐标系中，根据所述车位线点集中各点与所述车位坐标系的原点之间的距离确定车位顶点，并基于所述车位顶点确定车位。

优选地，并将所述HSV阈值分割图像与所述二值化图像进行融合的步骤包括：当所述二值化图像的像素值为零时，所述融合图像的像素值为零；当所述二值化图像的像素值不为零时，所述融合图像的像素值为所述HSV阈值分割图像的像素值。

优选地，对融合图像进行边缘检测，以滤除干扰点，得到去噪边缘图像的步骤还包括：用Canny边缘检测算法对所述融合图像进行边缘检测，得到边缘图像；将所述边缘图像与所述融合图像进行对比，当所述融合图像的像素值为零时，所述去噪边缘图像的像素值为零，当所述融合图像的像素值不为零时，所述去噪边缘图像的像素值为所述边缘图像的像素值。

优选地，通过设定斜率差阈值和截距差阈值对检测到的直线确定车位线集的步骤包括：根据所述去噪边缘图像确定的任意两条直线的斜率和截距，当两条直线之间的斜率差和截距差分别小于斜率差阈值和截距差阈值时，两条直线属于同一车位线集。

优选地，根据所述车位线集确定各直线的交点坐标，并保存在车位线点集中的步骤包括：基于所述车位线集中各直线的斜率和截距确定表征直线，所述表征直线的斜率为所述车位线集中所有直线斜率的均值，所述表征直线的截距为所述车位线集中的所有直线截距的均值；计算各所述车位线集对应的所述表征直线的交点，确定各交点的坐标，得到车位线点集。

优选地，基于所述车位线点集中各点与坐标系原点的距离确定车位的步骤包括：在所述车位坐标系的四个坐标系中分别选择与坐标系原点距离最近的点作为顶点；依次连接各个顶点的直线围合的区域即为车位。

本发明的另一方面提供了一种系统，包括：图像采集装置，所述图像采集装置用于采集车位的原始图像；处理器，所述处理器与所述图像采集装置电连接，所述处理器被配置为接收所述原始图像，并基于所述原始图像执行前述任一项所述方法。

本发明的另一方面提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令用于实现前述任一项所述方法。

本发明的另一方面提供了一种计算机设备，包括存储器和处理器，所述存储器用于计算机程序，所述计算机程序用于由处理器加载并执行前述任一项所述方法；所述处理器，用于实现所述计算机程序。

本发明的车位检测方法具有以下有益效果：

(1)通过对原始图像进行畸变校正提高图像处理精度；通过校正后的图像分别进行HSV颜色空间转换及阈值分割和二值化，并对HSV阈值分割图像和二值化图进行融合的方式，降低环境对车位线的干扰。

(2)在车位线提取阶段，通过对融合图像进行边缘检测得到边缘图像，并基于边缘图像和融合图像的比较对边缘图像去噪，以提高车位线区域精度从而得到去噪边缘图像。

(3)在停车位检测阶段，通过求提取的车位线直线段所在的直线之间的交点，同时通过建立新坐标系的方法对交点进行筛选，从而提取出停车位，以解决由于车位线不闭合导致的车位区域无法确定的技术问题。

附图说明

为了更好地理解本发明的上述及其他目的、特征、优点和功能，可以参考附图中所示的实施方式。附图中相同的附图标记指代相同的部件。本领域技术人员应该理解，附图旨在示意性地阐明本发明的优选实施方式，对本发明的范围没有任何限制作用，图中各个部件并非按比例绘制。

图1示出了根据本发明实施例的车位检测方法的流程图；

图2示出了根据本发明实施例的车位检测方法获取的原始图像的噪声示意图；

图3示出了根据本发明实施例的车位检测方法确定的车位线点集的相对位置示意图；

图4示出了根据本发明实施例的车位检测方法确定的车位示意图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的一个实施例提出了一种车位检测方法，包括：获取车位所在环境的原始图像，并对原始图像进行畸变校正，得到校正图像；通过设定阈值对校正图像进行阈值分割得到二值化图像，将校正图像由RGB颜色空间转换为HSV颜色空间得到HSV图像，通过设定阈值将所述HSV图像进行阈值分割得到HSV阈值分割图像，并将HSV阈值分割图像与二值化图像进行融合，得到融合图像；对融合图像进行边缘检测，并滤除干扰点，得到去噪边缘图像；采用霍夫变换对去噪边缘图像进行直线检测，确定检测到的各条直线的斜率和截距，根据检测到的直线基于设定的斜率差阈值和截距差阈值确定车位线集；根据车位线集确定交点的坐标并保存在车位线点集中，基于车位线点集中的各交点坐标确定中心点，以中心点为坐标系原点建立车位坐标系；将车位线点集中的各交点的坐标变换至车位坐标系中，根据车位线点集中各点与车位坐标系的原点之间的距离确定车位顶点，并基于车位顶点确定车位。

具体地，如图1和图2所示，通过图像采集装置获取停车位的实时图像，从而获取RGB颜色空间的原始图像，通过畸变校正对原始图像进行校正，以校正由于图像采集装置的光学镜头造成的图像畸变。

通过设置二值化阈值将校正图像转换为二值化图像，将校正图像从RGB颜色空间转换至HSV颜色空间，得到HSV图像，具体地，HSV图像的参数包括色相(h)、饱和度(s)和明度(v)，其中，

v＝max(r,g,b)，

max(r,g,b)为校正图像的r、g、b中的最大值，min(r,g,b)为校正图像的r、g、b中的最小值。进一步地，设定阈值对HSV图像进行阈值分割，得到HSV阈值分割图像。

在一些实施例中，将HSV阈值分割图像与二值化图像进行融合的步骤包括：当二值化图像的像素值为零时，融合图像的像素值为零；当二值化图像的像素值不为零时，融合图像的像素值为HSV阈值分割图像的像素值。通过HSV阈值分割图像和二值化图像的融合以减少背景环境造成的干扰。

在一些实施例中，对融合图像进行边缘检测，以滤除干扰点，得到去噪边缘图像的步骤还包括：用Canny边缘检测算法对融合图像进行边缘检测，得到边缘图像；将边缘图像与融合图像进行对比，当融合图像的像素值为零时，去噪边缘图像的像素值为零，当融合图像的像素值不为零时，去噪边缘图像的像素值为边缘图像的像素值。

具体地，通过Canny边缘检测算法对融合图像进行边缘检测可以有效的排出车位线外部的干扰点；并进一步地，通过边缘图像和融合图像之间的对比，对边缘图像进一步去噪，以获得干扰更小的去噪边缘图像。在另外的实施例中，对融合图像的边缘检测还可以通过sobel边缘检测方法。

在一些实施例中，通过设定斜率差阈值和截距差阈值对检测到的直线确定车位线集的步骤包括：根据去噪边缘图像确定的任意两条直线的斜率和截距，当两条直线之间的斜率差和截距差分别小于斜率差阈值和截距差阈值时，两条直线属于同一车位线集。

具体地，采用霍夫变换对去噪边缘图像进行直线检测，通过设置斜率差和截距差将直线检测确定的直线或者线段进行分类，以建立分别对应车位的四个边界的车位线集。由于车位的边界为具有一定宽度的矩形框或者四边形框，通过车位线集对车位的各个边界框包含的直线或者线段进行集中。

在一些实施例中，根据车位线集确定各直线的交点坐标，并保存在车位线点集中的步骤包括：基于车位线集中各直线的斜率和截距确定表征直线，表征直线的斜率为车位线集中所有直线斜率的均值，表征直线的截距为车位线集中的直线截距的均值；计算各车位线集对应的表征直线的交点，确定各交点的坐标，得到车位线点集。

具体地，根据车位的四个边界分别对应的车位线集确定其表征直线，每个车位线集分别对应一条表征直线，使每一条表征直线分别与车位的一个边界框对应。通过对各个表征直线的交点的确定得到如图3和图4所示的车位顶点。在另外的实施例中，多个车位线集还包括相邻车位的车位框对应车位线集。

在一些实施例中，基于车位线点集中各点与坐标系原点的距离确定车位的步骤包括：在车位坐标系的四个坐标系中分别选择与坐标系原点距离最近的点作为顶点；依次连接各个顶点的直线围合的区域即为车位。

具体地，在本实施例中，车位线点集的坐标建立在一校正图像建立的原始坐标系中，原始坐标系的横坐标平行与图像的底边，原始坐标系的纵坐标垂直于图像的底边。如图3所示，根据确定的四个顶点a、b、c和d的坐标确定四个顶点的中心点o，以中心点o为坐标原点建立车位坐标系，并将四个顶点的坐标转换至车位坐标系中，通过在车位坐标系中的四个顶点的依次连线形成直线L1、L2、L3和L4围合的区域即为车位。

在另外的实施例中，车位线点集中的点还包括相邻车位的顶点，通过对车位线点集中的各点在原始坐标系中的坐标，确定各点的中心点作为车位坐标系的原点，将车位线点集中的各点的坐标转换至车位坐标系中，通过车位坐标系的原点和车位线点集中的各点的距离，确定各象限中与车位坐标系的原点距离最近的四个点为车位的四个顶点。进一步地，通过依次连接四个顶点的连线围合的区域确定车位。

本发明的另一方面提供了一种系统，包括：图像采集装置，图像采集装置用于采集车位的原始图像；处理器，处理器与图像采集装置电连接，处理器被配置为接收原始图像，并基于原始图像执行前述任一项所述方法。

具体地，在本实施例中，图像采集装置采用车载光学摄像头，处理器可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等，以使处理器可以实现根据本公开实施例的方法。图像采集装置和处理器通过无线或者有线的连接方式以实现数据图像采集装置采集的原始图像向处理器的传输。

本发明的另一方面提供了一种存储介质，存储介质存储有计算机程序，计算机程序包括程序指令，程序指令用于实现前述任一项所述方法。

存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。可读存储介质的具体示例包括：磁存储装置，如磁带或硬盘；光存储装置，如光盘；存储器，如随机存取存储器或闪存；和/或有线/无线通信链路。存储器可以包括计算机程序，该计算机程序可以包括代码/计算机可执行指令，计算机程序可被配置为具有例如包括计算机程序模块的计算机程序代码，其在由处理器执行时使得处理器执行本公开实施例的车位检测方法。

本发明的另一方面提供了一种计算机设备，包括存储器和处理器，存储器用于存储计算机程序，计算机程序用于由处理器加载并执行前述任一项车位检测方法；处理器，用于实现计算机程序。

存储器采用随即存取存储器或闪存以存储计算机程序，其中计算机程序在由处理器运行时实现本公开实施例的车位检测方法。处理器包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文。

Claims (9)

1.一种车位检测方法，其特征在于，包括：

获取车位所在环境的原始图像，并对所述原始图像进行畸变校正，得到校正图像；

通过设定阈值对所述校正图像进行阈值分割得到二值化图像，将所述校正图像由RGB颜色空间转换为HSV颜色空间得到HSV图像，通过设定阈值将所述HSV图像进行阈值分割得到HSV阈值分割图像，并将所述HSV阈值分割图像与所述二值化图像进行融合，得到融合图像；

对所述融合图像进行边缘检测，并滤除干扰点，得到去噪边缘图像；

采用霍夫变换对所述去噪边缘图像进行直线检测，确定检测到的各条直线的斜率和截距，根据检测到的直线基于设定的斜率差阈值和截距差阈值确定车位线集；

根据所述车位线集确定交点的坐标并保存在车位线点集中，基于所述车位线点集中的各交点坐标确定中心点，以所述中心点为坐标系原点建立车位坐标系；

将所述车位线点集中的各交点的坐标变换至所述车位坐标系中，根据所述车位线点集中各点与所述车位坐标系的原点之间的距离确定车位顶点，并基于所述车位顶点确定车位。

2.根据权利要求1所述的方法，其特征在于，并将所述HSV阈值分割图像与所述二值化图像进行融合的步骤包括：

当所述二值化图像的像素值为零时，所述融合图像的像素值为零；

当所述二值化图像的像素值不为零时，所述融合图像的像素值为所述HSV阈值分割图像的像素值。

3.根据权利要求2所述的方法，其特征在于，对融合图像进行边缘检测，以滤除干扰点，得到去噪边缘图像的步骤还包括：

用Canny边缘检测算法对所述融合图像进行边缘检测，得到边缘图像；

将所述边缘图像与所述融合图像进行对比，当所述融合图像的像素值为零时，所述去噪边缘图像的像素值为零，当所述融合图像的像素值不为零时，所述去噪边缘图像的像素值为所述边缘图像的像素值。

4.根据权利要求3所述的方法，其特征在于，通过设定斜率差阈值和截距差阈值对检测到的直线确定车位线集的步骤包括：根据所述去噪边缘图像确定的任意两条直线的斜率和截距，当两条直线之间的斜率差和截距差分别小于斜率差阈值和截距差阈值时，两条直线属于同一车位线集。

5.根据权利要求4所述的方法，其特征在于，根据所述车位线集确定各直线的交点坐标，并保存在车位线点集中的步骤包括：

基于所述车位线集中各直线的斜率和截距确定表征直线，所述表征直线的斜率为所述车位线集中所有直线斜率的均值，所述表征直线的截距为所述车位线集中的所有直线截距的均值；

计算各所述车位线集对应的所述表征直线的交点，确定各交点的坐标，得到车位线点集。

6.根据权利要求5所述的方法，其特征在于，基于所述车位线点集中各点与坐标系原点的距离确定车位的步骤包括：

在所述车位坐标系的四个坐标系中分别选择与坐标系原点距离最近的点作为顶点；

依次连接各个顶点的直线围合的区域即为车位。

7.一种系统，其特征在于，包括：

图像采集装置，所述图像采集装置用于采集车位的原始图像；

处理器，所述处理器与所述图像采集装置电连接，所述处理器被配置为接收所述原始图像，并基于所述原始图像执行所述权利要求1-6中任一项所述方法。

8.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令用于实现如权利要求1-6中任一项所述方法。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述计算机程序用于由所述处理器加载并执行如权利要求1-6任一项所述方法；所述处理器，用于实现所述计算机程序。

Images