CN116189137A - 车位检测方法、电子设备及计算机可读存储介质 - Google Patents
车位检测方法、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116189137A CN116189137A CN202211563659.9A CN202211563659A CN116189137A CN 116189137 A CN116189137 A CN 116189137A CN 202211563659 A CN202211563659 A CN 202211563659A CN 116189137 A CN116189137 A CN 116189137A
- Authority
- CN
- China
- Prior art keywords
- parking space
- line
- determining
- image
- confidence coefficient
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06V20/50—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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30264—Parking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供一种车位检测方法、电子设备及计算机可读存储介质。车位检测方法包括:获取车位图像以及雷达设备在第一位置检测到的车位线,车位图像的图像特征包括参考车位线的图像特征;确定车位线与车位图像的重合率;确定车位线的入口线的夹角,根据重合率以及入口线的夹角,确定第一位置的车位的目标置信度;若目标置信度大于预设值,确定第一位置的车位为可用车位。由于车位线可以反映车位的角度信息,车位图像可以反映车位的位置信息,因此,通过计算两者的重合率可以提高计算得到的目标置信度的准确度,进而提高了确定出的可用车位的准确度和稳定度。
Description
技术领域
本申请属于自动驾驶领域,尤其涉及车位检测方法、电子设备及计算机可读存储介质。
背景技术
自动泊车是指采用车辆上安装的相机检测出车辆周边所有可用的车位,再由用户选择希望停入的车位,之后再根据用户希望停入的车位规划泊车线路,从而可以缩短停车时间,提高用户的驾驶体验。
检测可用车位是自动泊车中的关键步骤。现有的检测可用车位的方法主要是基于视觉的车位检测算法,基于视觉的车位检测算法一般是根据检测到的车位线或者根据检测到的包括车位线的图像确定车位信息。但是车位的形状、车位线的形态多种多样,采用单一算法会出现误识别或者漏识别车位的情况,导致检测到的车位的准确度和稳定度较差。
发明内容
有鉴于此,本申请实施例提供了车位检测方法、电子设备及计算机可读存储介质,以解决现有车位检测方法中检测到的车位的准确度和稳定度较差的问题。
本申请实施例的第一方面提供了一种车位检测方法,包括:
获取车位图像以及雷达设备在第一位置检测到的车位线,所述车位图像是对图像传感器在所述第一位置拍摄的图像进行语义分割得到,所述车位图像的图像特征包括参考车位线的图像特征;确定所述车位线与所述车位图像的重合率;
确定所述车位线的入口线的夹角,所述入口线的夹角为与所述入口线相邻的边与所述入口线所形成的夹角;
根据所述重合率以及所述入口线的夹角,确定所述第一位置的车位的目标置信度;
若所述目标置信度大于预设值,确定所述第一位置的车位为可用车位。
在一实施例中,所述车位线包括当前时段检测到的第一车位线以及上一时段检测到的第二车位线:所述根据所述重合率以及所述入口线的夹角,确定所述第一位置的车位的目标置信度,包括:
根据所述第一车位线对应的重合率以及所述入口线的夹角确定所述第一车位线的第一置信度;
根据所述第二车位线对应的重合率以及所述入口线的夹角确定所述第二车位线的第二置信度;
根据所述第一置信度、所述第一车位线的位置信息、所述第二置信度、所述第二车位线的位置信息,确定所述目标置信度。
在一实施例中,所述根据所述第二车位线对应的重合率以及所述入口线的夹角确定所述第二车位线的第二置信度之前,所述方法还包括:
判断所述第一置信度所处的范围;
若所述第一置信度大于第一阈值且小于第二阈值,根据所述第二车位线对应的重合率以及所述入口线的夹角确定所述第二车位线的第二置信度。
在一实施例中,所述方法还包括:
若所述第一置信度小于所述第一阈值,在地图上不显示所述第一位置的车位。
在一实施例中,所述根据所述重合率以及所述入口线的夹角,确定所述第一位置的车位的目标置信度,包括:
根据所述重合率以及所述入口线两个夹角的和,确定所述第一位置的车位的目标置信度。
在一实施例中,所述确定所述车位线的入口线的夹角,包括:
根据所述车位图像确定所述车位线的入口线的角点;
根据所述角点的位置确定所述入口线的夹角。
在一实施例中,所述方法还包括:
采用所述车位线校正所述车位图像,得到所述第一位置的车位。
在一实施例中,所述方法还包括:
若所述目标置信度大于预设值,且所述第一位置的车位与当前车辆之间的位置关系满足预设条件,在地图中将所述第一位置的车位标记为推荐车位。
本申请实施例的第二方面提供了一种车位检测装置,包括:
第一计算模块,用于获取车位图像以及雷达设备在第一位置检测到的车位线,所述车位图像是对图像传感器在所述第一位置拍摄的图像进行语义分割得到,所述车位图像的图像特征包括参考车位线的图像特征;确定所述车位线与所述车位图像的重合率;
第二计算模块,用于确定所述车位线的入口线的夹角,所述入口线的夹角为与所述入口线相邻的边与所述入口线所形成的夹角;根据所述重合率以及所述入口线的夹角,确定所述第一位置的车位的目标置信度;
输出模块,用于若所述目标置信度大于预设值,确定所述第一位置的车位为可用车位。
本申请实施例的第三方面提供了一种电子设备,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第一方面所述的车位检测方法。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的车位检测方法。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行上述第一方面中任一项所述的车位检测方法。
本申请实施例与现有技术相比存在的有益效果是:通过获取雷达设备在第一位置检测到的车位线以及图像传感器在第一位置拍摄图像所得到的车位图像,确定车位图像与车位线的重合率,根据重合率以及车位线的入口线的夹角,确定第一位置的车位的目标置信度,若目标置信度大于预设值,确定第一位置的车位为可用车位。通过上述方法,可以结合车位线的检测算法和车位图像的检测算法确定第一位置的车位的目标置信度。由于车位线可以反映车位的角度信息,车位图像可以反映车位的位置信息,因此,结合车位线的检测算法和车位线图像的检测算法确定第一位置的车位的目标置信度,可以提高目标置信度的准确度,进而提高了确定出的可用车位的准确度和稳定度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本申请一实施例提供的车位检测方法的实现流程示意图;
图2是本申请一实施例提供的确定重合率的示意图;
图3是本申请另一实施例提供的确定重合率的示意图;
图4是本申请一实施例提供的确定车位线的夹角的角度对应的置信度的示意图;
图5是本申请另一实施例提供的确定车位线的夹角的角度对应的置信度的示意图;
图6为本申请一实施例提供的校正车位图像的示意图;
图7是本申请实施例提供的车位检测装置的示意图;
图8是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
现有的车位检测方法一般是基于单一的视觉检测算法,在车位的形状、车位线的形态发生变化时,采用单一的视觉检测算法检测到的车位的准确度和稳定度较差。
为此,本申请提供一种车位检测方法,通过获取雷达设备在第一位置检测到的车位线以及图像传感器对第一位置进行拍摄所得的车位图像,确定车位线与车位图像的重合率,根据重合率以及车位线的入口线的夹角,确定第一位置的车位的目标置信度,目标置信度反映第一位置的车位是可用车位的概率,从而可以结合车位线对应的角度信息和车位图像对应的位置信息确定第一位置存在可用车位的概率,提高了确定出的可用车位的准确度和稳定度。
下面对本申请提供的车位检测方法进行示例性说明。
本申请实施例提供的车位检测方法执行于电子设备,电子设备可以是车载终端、电脑、手机等设备。
请参阅附图1,本申请一实施例提供的车位检测方法包括:
S101:获取车位图像以及雷达设备在第一位置检测到的车位线,所述车位图像是对图像传感器在所述第一位置拍摄的图像进行语义分割得到,所述车位图像的图像特征包括参考车位线的图像特征。
具体地,车辆上安装有相机(例如鱼眼相机)、雷达设备(例如激光雷达)、全球定位系统(Global Positioning System,GPS)、里程计等一种或多种设备,车辆在行驶过程中,电子设备可以根据相机拍摄的图像、雷达设备的探测信息、GPS的定位信息以及里程计记录的位置信息中的一项或多项构建地图。在构建地图后,电子设备即可确定车辆所在的位置以及车辆周围的目标物(例如其他车辆、车位、障碍物)所在的位置。例如,电子设备可以根据相机拍摄的图像以及定位信息构建以车辆为原点的地图,在车辆行驶过程中,根据相机拍摄的图像,确定图像中的目标物与相机的位置关系,再根据相机与车辆的位置关系即可确定目标物的坐标,即为目标物在地图中的位置。又例如,在构建以车辆为原点的地图后,电子设备可以根据雷达设备所探测的目标物的距离、方位信息,以及雷达设备与车辆的位置关系,确定目标物在地图中的位置。
其中,第一位置是车辆当前的探测区域在地图中的坐标范围,电子设备用于根据雷达设备在第一位置的探测信息确定第一位置是否存在车位线。
在一实施例中,雷达设备为激光雷达,激光雷达接收经第一位置反射的探测信号并将探测信号发送至电子设备。由于车位线对应位置对激光的反射强度较大,因此,若电子设备确定存在反射强度大于预设值的探测信号,则确定对应位置存在车位线,将反射强度大于预设值的探测信号所对应的位置作为车位线。或者,电子设备可以在确定第一位置拍摄得到的图像中存在完整的车位线,且根据雷达设备的探测信息确定对应位置的探测信号的反射强度大于预设值时,确定第一位置存在车位线,以提高车位线的探测准确度。
在一实施例中,电子设备获取激光雷达在第一位置的探测信号,将反射强度大于预设值的探测信号所对应的区域作为候选区域,确定每个候选区域的位置,若多个候选区域之间的距离信息小于预设值,则确定第一位置存在车位线。
其中,在确定候选区域时,可以先确定在第一位置中各个探测点对应的探测信号的反射强度,确定反射强度大于预设值的探测点的数量以及反射强度大于预设值的探测点位置。若反射强度大于预设值的探测点的数量大于第一设定值且各探测点之间的距离小于第二设定值,则确定各探测点所组成的区域为候选区域。
在一实施例中,电子设备可以根据雷达设备的探测信息确定第一位置存在车位线的角点或者车位线上的线段,对角点或者线段进行连接,得到车位线。例如,雷达设备为激光雷达,电子设备根据激光雷达接收的第一位置反射的探测信号,将反射强度大于预设值的探测信号所对应的位置作为车位线的角点或者线段,连接角点或者线段,得到车位线。电子设备也可以在确定第一位置拍摄得到的图像中存在角点或车位线上的线段,且根据雷达设备的探测信息确定对应位置的探测信号的反射强度大于预设值时,确定第一位置存在角点或者线段。例如,若根据探测信息确定第一位置存在两个角点,且两个角点之间的距离与车位的宽度一致,则连接两个角点,根据连接后的线段所在的位置以及预设的车位的长度绘制矩形,得到车位线。又例如,若根据探测信息确定第一位置存在多个车位线上的线段,则根据预设的车位的长度以及宽度依次连接各线段,得到车位线。
在一实施例中,电子设备在确定第一位置存在车位线的角点或者车位线上的线段的情况下,根据角点或者线段的分布情况,确定连接方式,根据连接方式连接角点或者线段,得到车位线,从而可以提高得到的车位线的准确度。例如,电子设备在确定角点或者线段的位置后,连接相邻的角点或者车位线,若连接后的线段中存在两条夹角小于90°的车位,则根据预设的倾斜车位的形状连接角点或者线段,得到倾斜的车位线。
在一实施例中,电子设备获取图像传感器拍摄的第一位置的图像,采用语义分割算法提取第一位置的图像的图像特征,根据第一位置的图像的图像特征从第一位置的图像中分割出车位图像,使得车位图像的图像特征包括预先设定的参考车位线的图像特征,车位图像即为对第一位置的图像进行识别所得到的车位线的图像。其中,车位图像可以是车位线的完整图像,也可以是车位线的部分图像。
S102:确定所述车位线与所述车位图像的重合率。
具体地,根据车位线在地图上的位置以及车位图像对应的车位线在地图上的位置,可以确定车位线与车位图像的重合率。车位线与车位图像的重合率可以是车位线与车位图像对应的车位线的重合率,也可以是车位线对应的车位所在的区域与车位图像对应的车位所在的区域的重合率。例如,如图2所示,车位线21为雷达设备检测到的车位线,车位线22为车位图像,重合率可以是车位线21和车位线22的重合率,也可以是车位线21围成的区域和车位线22围成的区域的重合率。
若单独采用目标检测算法检测第一位置的车位线,在车位线不是直角车位时,车位线的检测结果会出现一定的抖动,而且车辆在行驶过程中,一般不能检测到完整的车位线,只根据部分车位线的检测结果,无法保证检测到的车位线的可信度。由于车位线的线段类型、车位的形状多种多样,若单独采用图像分割算法确定第一位置的车位线,也无法对所有车位实现有效检测。本申请实施例中,通过确定第一位置检测到的车位线与第一位置检测到的车位线图像的重合率,可以结合两种算法,从车位的角度和位置两方面确定第一位置的车位的可信度,提高了车位检测的可信度。
S103:确定所述车位线的入口线的夹角,所述入口线的夹角为与所述入口线相邻的边与所述入口线所形成的夹角。
其中,车位线的入口线为车位线中靠近车辆的一条边,在车辆行驶过程中,图像传感器可以拍摄到车位线的完整的入口线。
在一实施例中,根据车位图像确定车位线的入口线的角点,根据角点的位置确定入口线的夹角。
在其他实施例中,也可以根据雷达设备的探测信息确定入口线的角点的位置,进而确定入口线的夹角。
S104:根据所述重合率以及所述入口线的夹角,确定所述第一位置的车位的目标置信度。
具体地,根据重合率对应的置信度以及入口线的夹角对应的置信度的和,或者根据对两个置信度进行加权求和的结果,确定目标置信度。
重合率越高,说明第一位置的车位的角度和位置的误差较小,则重合率对应的置信度越高。例如,如图2所示,车位线21和车位线22的重合率较低,置信度为0.52。如图3所示,车位线31为雷达设备探测的车位线,车位线32为车位图像,车位线31和车位线32的重合率较高,置信度为0.95。
入口线的夹角对应的置信度可以由其中一个入口线的夹角的角度确定,也可以由两个夹角之和确定。示例性地,电子设备可以根据其中一个夹角的角度与90°的差值确定入口线的夹角对应的置信度,差值越小,置信度越高。电子设备也可以根据两个夹角之和与180°的差值确定入口线的夹角对应的置信度,差值越小,置信度越高,从而提高车位线的识别准确度。例如,如图4所示,车位线41的入口线两个夹角之和为180°,置信度为0.99,如图5所示,车位线51的入口线两个夹角之和大于180°,置信度为0.71。
电子设备可以根据在同一时段检测到的车位图像以及车位线,确定重合率以及车位线的入口线的夹角,再根据重合率以及入口线夹角确定目标置信度。电子设备也可以获取多个时段检测到的车位图像以及车位线,分别确定每个时段检测到的车位图像以及车位线对应的重合率以及入口线夹角,再根据各重合率以及入口线夹角确定目标置信度。
示例性地,在一实施例中,车位线为当前时段检测到的第一车位线,电子设备确定当前时段检测到的第一车位线与当前时段检测到的车位图像的重合率,对重合率对应的置信度以及第一车位线的入口线的夹角对应的置信度求和,或者对两个置信度进行加权求和,得到第一车位线的第一置信度,将第一置信度作为目标置信度。
在另一实施例中,车位线包括当前时段检测到的第一车位线以及上一时段检测到的第二车位线。电子设备在确定第一车位线的第一置信度后,确定上一时段在第一位置检测到的第二车位线的第二置信度。第二置信度可以与当前时段的第一置信度的计算方法相同,即根据上一时段检测到的第二车位线对应的重合率以及第二车位线的入口线的夹角确定第二置信度。第二置信度也可以是上一时段计算出的目标置信度。上一时段与当前时段可以是相邻的两个时刻,也可以是间隔时长为预设时长的两个时刻或两帧。
在确定第一置信度和第二置信度后,根据第一置信度、第一车位线的位置信息、第
二置信度、第二车位线的位置信息,确定目标置信度,从而可以结合两个时段的车位检测情
况确定第一位置存在可以车位的概率,进一步降低误检车位的概率,提高了检测出的车位
的稳定度。其中,第一车位线的位置信息包括第一车位线的坐标以及角度,第二车位线的位
置信息包括第二车位线的坐标以及角度。坐标是指对应车位线的中心点所在的坐标或者各
角点所在的坐标,角度是指对应车位线的四个角度。示例性地,根据公式确定第一位置的车位的目标置信度。其中,表示目标置信度,表示第二车位线的位置信息,表示第二置信度,表示第一
车位线的位置信息,表示第一置信度。
在一实施例中,在确定第一置信度后,可以先判断第一置信度所处的范围;若第一置信度小于第一阈值,说明目标检测算法确定出的车位和图像分割算法确定出的车位存在较大误差,即车位的角度和位置存在误差,第一位置存在可用车位的概率较小,则不进行后续计算,删除第一位置的车位,在地图上不显示第一位置的车位,从而可以减小后续计算量。
若第一置信度大于第一阈值且小于第二阈值,则需要进一步确定第一位置的车位的置信度,此种情况下,再获取上一时段在第一位置检测到的第二车位线,根据第二车位线对应的重合率以及入口线的夹角确定第二车位线的第二置信度,结合第一置信度和第二置信度确定目标置信度,以提高检测出的车位的准确度。
若第一置信度大于第二阈值,说明目标检测算法确定出的车位和语义分割算法确定出的车位基本重合,第一位置存在可用车位的概率较大,则不进行后续计算,直接将第一位置的车位确定为可用车位。
在一实施例中,若根据雷达设备的探测信息确定第一位置存在车位线的角点,在计算第一置信度时还需要考虑角点的置信度,角点的置信度可以根据相邻两个角点之间的距离确定,从而可以进一步提高车位识别的准确度。具体地,电子设备根据雷达设备的探测信息确定第一位置存在至少两个角点,根据角点距离当前车辆的位置从至少两个角点中确定入口线的角点。例如,根据探测信息确定第一位置存在三个角点,则将距离当前车辆最近的两个角点作为入口线的角点。之后,电子设备确定入口线的两个角点之间的距离,两个角点之间的距离与预设的车位宽度之间的差值越小,角点的置信度越高。
S105:若所述目标置信度大于预设值,确定所述第一位置的车位为可用车位。
其中,在一可选的实施例中,所述预设值可以大于等于第二阈值。
具体地,电子设备可以根据车位线在地图中的位置或者根据车位图像在地图中对应的位置,在地图上绘制车位线,或者对车位线对应位置添加预设颜色的标记,或者在车位线所在的区域添加预设标识,以表示该车位为可用车位。
在一实施例中,电子设备还可以采用车位线校正车位图像,根据校正后的车位图像在地图上对应的位置绘制车位线,以进一步提高确定出的第一位置的车位的准确度。例如,如图6所示,根据雷达设备的探测信息确定的车位线61和车位图像62不重合,车位线61的形状为矩形,车位图像62的形状为梯形,可以确定车位图像62在拍摄过程中失真,则采用车位线61校正车位图像62,校正后的车位图像62中相邻线段之间的夹角为直角。
在车辆行驶过程中,采用本申请实施例提供的上述方法可以确定多个可用车位。电子设备可以标记所有可用车位,由用户选择希望停入的车位。电子设备也可以在确定所有可用车位后,根据每个可用车位对应的置信度对可用车位进行排序,置信度越高的车位对应的推荐程度越高,用户可以根据排序结果选择希望停入的车位。电子设备也可以在确定所有可用车位后,根据可用车位所在的位置从中选择最优车位推荐给用户。
在一实施例中,若第一位置的车位的目标置信度大于预设值,且第一位置的车位与当前车辆之间的位置关系满足预设条件,在地图中将第一位置的车位标记为推荐车位。其中,预设条件是车位与当前车辆之间的距离最短且当前车辆与车位之间的规划路径最平滑。规划路径是当前车辆停入车位的路径,电子设备可以根据当前车辆与车位之间距离、车位的方向、车辆的方向等信息确定规划路径。电子设备可以在地图中将第一位置的车位高亮显示,以表示第一位置的车位为推荐车位。
在确定推荐车位后,电子设备可以根据规划路径指示车辆停入对应的车位,从而可以节省停车时间,提升用户体验。
上述实施例中,通过确定雷达设备在第一位置检测到的车位线,与图像传感器在第一位置检测到的车位图像的重合率,根据重合率以及车位线的入口线的夹角,确定第一位置的车位的目标置信度,从而可以结合车位线的检测算法和车位图像的检测算法确定第一位置的车位的目标置信度。由于车位线可以反映车位的角度信息,车位图像可以反映车位的位置信息,因此,结合车位线的检测算法和车位线图像的检测算法确定第一位置的车位的目标置信度,可以提高目标置信度的准确度。之后在目标置信度大于预设值时将第一位置的车位标记为可用车位,提高了确定出的可用车位的准确度和稳定度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的车位检测方法,图7示出了本申请实施例提供的车位检测装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
如图7所示,车位检测装置包括,
第一计算模块71,用于获取车位图像以及雷达设备在第一位置检测到的车位线,所述车位图像是对图像传感器在所述第一位置拍摄的图像进行语义分割得到,所述车位图像的图像特征包括参考车位线的图像特征;确定所述车位线与所述车位图像的重合率;
第二计算模块72,确定所述车位线的入口线的夹角,所述入口线的夹角为与所述入口线相邻的边与所述入口线所形成的夹角;
根据所述重合率以及所述入口线的夹角,确定所述第一位置的车位的目标置信度;
输出模块73,用于若所述目标置信度大于预设值,确定所述第一位置的车位为可用车位。
在一实施例中,所述车位线包括当前时段检测到的第一车位线以及上一时段检测到的第二车位线:所述第二计算模块72具体用于:
根据所述第一车位线对应的重合率以及所述入口线的夹角确定所述第一车位线的第一置信度;
根据所述第二车位线对应的重合率以及所述入口线的夹角确定所述第二车位线的第二置信度;
根据所述第一置信度、所述第一车位线的位置信息、所述第二置信度、所述第二车位线的位置信息,确定所述目标置信度。
在一实施例中,所述第二计算模块72还用于:
判断所述第一置信度所处的范围;
若所述第一置信度大于第一阈值且小于第二阈值,根据所述第二车位线对应的重合率以及所述入口线的夹角确定所述第二车位线的第二置信度。
在一实施例中,所述输出模块73还用于:
若所述第一置信度小于所述第一阈值,在地图上不显示所述第一位置的车位。
在一实施例中,所述第二计算模块72具体用于:
根据所述重合率以及所述入口线两个夹角的和,确定所述第一位置的车位的目标置信度。
在一实施例中,所述第二计算模块72具体用于:
根据所述车位图像确定所述车位线的入口线的角点;
根据所述角点的位置确定所述入口线的夹角。
在一实施例中,所述输出模块73还用于:
采用所述车位线校正所述车位图像,得到所述第一位置的车位。
在一实施例中,所述输出模块73还用于:
若所述目标置信度大于预设值,且所述第一位置的车位与当前车辆之间的位置关系满足预设条件,在地图中将所述第一位置的车位标记为推荐车位。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图8是本申请实施例提供的电子设备的结构示意图。
如图8所示,该实施例的电子设备包括:处理器81、存储器82以及存储在所述存储器82中并可在所述处理器81上运行的计算机程序83。所述处理器81执行所述计算机程序83时实现上述车位检测方法实施例中的步骤,例如图1所示的步骤S101至S105。或者,所述处理器81执行所述计算机程序83时实现上述各装置实施例中各模块/单元的功能,例如图7所示第一计算模块71至输出模块73的功能。
示例性的,所述计算机程序83可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器82中,并由所述处理器81执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序83在所述电子设备中的执行过程。
本领域技术人员可以理解,图8仅仅是电子设备的示例,并不构成对电子设备的限定,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,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器81可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器82可以是所述电子设备的内部存储单元,例如电子设备的硬盘或内存。所述存储器82也可以是所述电子设备的外部存储设备,例如所述电子设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器82还可以既包括所述电子设备的内部存储单元也包括外部存储设备。所述存储器82用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器82还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、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单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
在本申请所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,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申请的范围。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种车位检测方法,其特征在于,包括:
获取车位图像以及雷达设备在第一位置检测到的车位线,所述车位图像是对图像传感器在所述第一位置拍摄的图像进行语义分割得到,所述车位图像的图像特征包括参考车位线的图像特征;
确定所述车位线与所述车位图像的重合率;
确定所述车位线的入口线的夹角,所述入口线的夹角为与所述入口线相邻的边与所述入口线所形成的夹角;
根据所述重合率以及所述入口线的夹角,确定所述第一位置的车位的目标置信度;
若所述目标置信度大于预设值,确定所述第一位置的车位为可用车位。
2.根据权利要求1所述的方法,其特征在于,所述车位线包括当前时段检测到的第一车位线以及上一时段检测到的第二车位线:所述根据所述重合率以及所述入口线的夹角,确定所述第一位置的车位的目标置信度,包括:
根据所述第一车位线对应的重合率以及所述入口线的夹角确定所述第一车位线的第一置信度;
根据所述第二车位线对应的重合率以及所述入口线的夹角确定所述第二车位线的第二置信度;
根据所述第一置信度、所述第一车位线的位置信息、所述第二置信度、所述第二车位线的位置信息,确定所述目标置信度。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第二车位线对应的重合率以及所述入口线的夹角确定所述第二车位线的第二置信度之前,所述方法还包括:
判断所述第一置信度所处的范围;
若所述第一置信度大于第一阈值且小于第二阈值,根据所述第二车位线对应的重合率以及所述入口线的夹角确定所述第二车位线的第二置信度。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述第一置信度小于所述第一阈值,在地图上不显示所述第一位置的车位。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述根据所述重合率以及所述入口线的夹角,确定所述第一位置的车位的目标置信度,包括:
根据所述重合率以及所述入口线两个夹角的和,确定所述第一位置的车位的目标置信度。
6.根据权利要求1所述的方法,其特征在于,所述确定所述车位线的入口线的夹角,包括:
根据所述车位图像确定所述车位线的入口线的角点;
根据所述角点的位置确定所述入口线的夹角。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采用所述车位线校正所述车位图像,得到所述第一位置的车位。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述目标置信度大于预设值,且所述第一位置的车位与当前车辆之间的位置关系满足预设条件,在地图中将所述第一位置的车位标记为推荐车位。
9.一种电子设备,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任一项所述的车位检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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任一项所述的车位检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211563659.9A CN116189137B (zh) | 2022-12-07 | 2022-12-07 | 车位检测方法、电子设备及计算机可读存储介质 |
US18/525,770 US20240193961A1 (en) | 2022-12-07 | 2023-11-30 | Parking space detection method, electronic device and computer-readable storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211563659.9A CN116189137B (zh) | 2022-12-07 | 2022-12-07 | 车位检测方法、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116189137A true CN116189137A (zh) | 2023-05-30 |
CN116189137B CN116189137B (zh) | 2023-08-04 |
Family
ID=86449728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211563659.9A Active CN116189137B (zh) | 2022-12-07 | 2022-12-07 | 车位检测方法、电子设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240193961A1 (zh) |
CN (1) | CN116189137B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130265429A1 (en) * | 2012-04-10 | 2013-10-10 | Hyundai Motor Company | System and method for recognizing parking space line markings for vehicle |
CN107886080A (zh) * | 2017-11-23 | 2018-04-06 | 同济大学 | 一种泊车位检测方法 |
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 |
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 |
CN111191485A (zh) * | 2018-11-14 | 2020-05-22 | 广州汽车集团股份有限公司 | 一种车位检测方法及其系统、汽车 |
US20200380864A1 (en) * | 2017-11-16 | 2020-12-03 | Intelligent Inter Connection Technology Co., Ltd. | Roadside parking management method, device, and system based on multiple cameras |
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 |
CN113537163A (zh) * | 2021-09-15 | 2021-10-22 | 苏州魔视智能科技有限公司 | 一种用于车位检测的模型训练方法及系统 |
WO2021218310A1 (zh) * | 2020-04-29 | 2021-11-04 | 华为技术有限公司 | 一种泊车方法、装置及车辆 |
CN113815605A (zh) * | 2021-09-10 | 2021-12-21 | 岚图汽车科技有限公司 | 车辆泊车的控制方法、装置、介质、电子设备 |
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 |
CN114913340A (zh) * | 2022-05-12 | 2022-08-16 | 上海高德威智能交通系统有限公司 | 一种车位检测方法、装置、设备及存储介质 |
CN115083199A (zh) * | 2021-03-12 | 2022-09-20 | 上海汽车集团股份有限公司 | 一种车位信息确定方法及其相关设备 |
CN115214627A (zh) * | 2022-05-10 | 2022-10-21 | 广州汽车集团股份有限公司 | 泊车提示方法、装置、电子设备及存储介质 |
CN115346193A (zh) * | 2022-08-23 | 2022-11-15 | 上海保隆领目汽车科技有限公司 | 一种车位检测方法及其跟踪方法、车位检测装置、车位检测设备及计算机可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006118080A1 (ja) * | 2005-04-28 | 2006-11-09 | Equos Research Co., Ltd. | 制御装置及び車両 |
JP4609444B2 (ja) * | 2007-03-08 | 2011-01-12 | トヨタ自動車株式会社 | 駐車支援装置 |
KR101393881B1 (ko) * | 2012-10-24 | 2014-05-12 | 현대자동차주식회사 | 차량의 주차구획 인식방법 |
KR101979694B1 (ko) * | 2016-11-04 | 2019-05-17 | 엘지전자 주식회사 | 차량에 구비된 차량 제어 장치 및 그의 제어방법 |
DE102018104243B3 (de) * | 2018-02-26 | 2019-05-16 | Autoliv Development Ab | Verfahren und System zur Erkennung von für ein Fahrzeug geeigneten Parklücken |
KR102496660B1 (ko) * | 2018-08-28 | 2023-02-06 | 현대자동차주식회사 | 차량 주차 제어 장치, 그를 포함한 시스템 및 그 방법 |
-
2022
- 2022-12-07 CN CN202211563659.9A patent/CN116189137B/zh active Active
-
2023
- 2023-11-30 US US18/525,770 patent/US20240193961A1/en active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130265429A1 (en) * | 2012-04-10 | 2013-10-10 | Hyundai Motor Company | System and method for recognizing parking space line markings for vehicle |
US20200380864A1 (en) * | 2017-11-16 | 2020-12-03 | Intelligent Inter Connection Technology Co., Ltd. | Roadside parking management method, device, and system based on multiple cameras |
CN107886080A (zh) * | 2017-11-23 | 2018-04-06 | 同济大学 | 一种泊车位检测方法 |
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 |
CN111191485A (zh) * | 2018-11-14 | 2020-05-22 | 广州汽车集团股份有限公司 | 一种车位检测方法及其系统、汽车 |
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 |
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 |
WO2021218310A1 (zh) * | 2020-04-29 | 2021-11-04 | 华为技术有限公司 | 一种泊车方法、装置及车辆 |
CN115083199A (zh) * | 2021-03-12 | 2022-09-20 | 上海汽车集团股份有限公司 | 一种车位信息确定方法及其相关设备 |
CN113815605A (zh) * | 2021-09-10 | 2021-12-21 | 岚图汽车科技有限公司 | 车辆泊车的控制方法、装置、介质、电子设备 |
CN113537163A (zh) * | 2021-09-15 | 2021-10-22 | 苏州魔视智能科技有限公司 | 一种用于车位检测的模型训练方法及系统 |
CN115214627A (zh) * | 2022-05-10 | 2022-10-21 | 广州汽车集团股份有限公司 | 泊车提示方法、装置、电子设备及存储介质 |
CN114913340A (zh) * | 2022-05-12 | 2022-08-16 | 上海高德威智能交通系统有限公司 | 一种车位检测方法、装置、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 |
CN115346193A (zh) * | 2022-08-23 | 2022-11-15 | 上海保隆领目汽车科技有限公司 | 一种车位检测方法及其跟踪方法、车位检测装置、车位检测设备及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
WEI LI等: "Parking slot detection on around-view images using DCNN", FRONTIERS IN NEUROROBOTICS, vol. 14, pages 1 - 9 * |
吕雪杰: "基于环视视觉的自动泊车系统", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 035 - 173 * |
郑文举: "基于视觉传感器及深度学习的车位识别研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 034 - 123 * |
Also Published As
Publication number | Publication date |
---|---|
US20240193961A1 (en) | 2024-06-13 |
CN116189137B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108859952B (zh) | 车辆变道预警方法、装置和雷达 | |
CN108573215B (zh) | 道路反光区域检测方法、装置和终端 | |
CN112927306B (zh) | 拍摄装置的标定方法、装置及终端设备 | |
CN111695429A (zh) | 视频图像目标关联方法、装置及终端设备 | |
CN114550142A (zh) | 基于4d毫米波雷达和图像识别融合的车位检测方法 | |
CN114495512B (zh) | 一种车辆信息检测方法、系统、电子设备及可读存储介质 | |
CN112215887B (zh) | 一种位姿确定方法、装置、存储介质及移动机器人 | |
CN110109165B (zh) | 行驶轨迹中异常点的检测方法及装置 | |
CN108693517B (zh) | 车辆定位方法、装置和雷达 | |
WO2021185104A1 (zh) | 一种车道线信息确定方法及装置 | |
CN111862208B (zh) | 一种基于屏幕光通信的车辆定位方法、装置及服务器 | |
CN116189137B (zh) | 车位检测方法、电子设备及计算机可读存储介质 | |
CN112689842B (zh) | 一种目标检测方法以及装置 | |
CN111157012B (zh) | 一种机器人导航方法、装置、可读存储介质及机器人 | |
CN111126109B (zh) | 一种车道线识别方法、装置和电子设备 | |
CN115728772A (zh) | 激光扫描点的类别检测方法、装置及终端设备 | |
CN113514825A (zh) | 道路边缘的获取方法、装置和终端设备 | |
CN117677862A (zh) | 一种伪像点识别方法、终端设备及计算机可读存储介质 | |
CN111488771B (zh) | Ocr挂接方法、装置与设备 | |
CN108416305B (zh) | 连续型道路分割物的位姿估计方法、装置及终端 | |
CN113255405A (zh) | 车位线识别方法及其系统、车位线识别设备、存储介质 | |
CN117760449A (zh) | 车辆定位修正方法、装置、存储介质及电子设备 | |
CN111038496B (zh) | 车辆预警方法、装置、终端设备以及计算机可读存储介质 | |
CN113625296B (zh) | 基于反光板的机器人定位方法、装置及机器人 | |
CN113227708B (zh) | 确定俯仰角的方法、装置及终端设备 |
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 |