CN117576645B - 基于bev视角的车位检测方法、装置和计算机设备 - Google Patents
基于bev视角的车位检测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117576645B CN117576645B CN202410058653.9A CN202410058653A CN117576645B CN 117576645 B CN117576645 B CN 117576645B CN 202410058653 A CN202410058653 A CN 202410058653A CN 117576645 B CN117576645 B CN 117576645B
- Authority
- CN
- China
- Prior art keywords
- parking space
- processed
- target
- image
- representation
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 189
- 230000000007 visual effect Effects 0.000 title abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 95
- 238000000034 method Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims description 94
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于BEV视角的车位检测方法、装置、计算机设备和存储介质。所述方法包括：获取车位表示方式集和车位几何约束关系集；从车位表示方式集中任意选取一种车位表示方式作为目标车位表示方式，从车位几何约束关系集中任意选取几何约束关系作为目标几何约束关系；获取包括各待处理车位对应的车位图像位置信息的待处理图像集；基于各待处理车位的车位图像位置信息、目标车位表示方式和目标几何约束关系，构建各待处理图像的训练标签，得到待处理图像集对应的待训练图像集；基于待训练图像集对初始车位检测模型训练得目标车位检测模型。采用本方法能够提高车位检测的精度。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于BEV视角的车位检测方法、装置和计算机设备。
背景技术
随着计算机技术的发展，出现了越来越多车位检测技术。然而现有的车位检测技术是基于车位转角的局部特征进行车位的检测，使得通过局部特征进行车位匹配的准确性较低，从而降低了车位整体检测的精度。
发明内容
基于此，有必要针对上述技术问题，提供一种能够检测车位的基于BEV视角的车位检测方法、装置和计算机设备，提高了车位整体检测的精度。
第一方面，本申请提供了一种基于BEV视角的车位检测方法。所述方法包括：
获取车位表示方式集和车位几何约束关系集，所述车位表示方式集中的车位表示方式包括通过对经过特征化处理的车位中的车位位置点的位置信息和车位位置点之间构建的方向向量进行组合得到的表示方式；
从所述车位表示方式集中任意选取一种车位表示方式作为目标车位表示方式，从所述车位几何约束关系集中任意选取几何约束关系作为目标几何约束关系；
获取待处理图像集，所述待处理图像集中的各待处理图像包括待处理车位，所述各待处理图像包括对应的各待处理车位对应的车位图像位置信息；
基于各待处理车位对应的车位图像位置信息、所述目标车位表示方式和所述目标几何约束关系，构建所述待处理图像集中各待处理图像对应的训练标签，得到所述待处理图像集对应的待训练图像集；
获取初始车位检测模型，基于待训练图像集对初始车位检测模型进行训练，得到目标车位表示方式对应的目标车位检测模型；目标车位检测模型用于检测车位。
在其中一个实施例中，基于各待处理车位对应的车位图像位置信息、目标车位表示方式和目标几何约束关系，构建待处理图像集中各待处理图像对应的训练标签，得到待处理图像集对应的待训练图像集包括：
基于目标车位表示方式和目标几何约束关系，从各待处理车位对应的车位图像位置信息中，确定各待处理车位对应的待处理点的坐标信息；
基于目标车位表示方式、目标几何约束关系和各待处理车位对应的待处理点的坐标信息，构建各待处理图像中各待处理车位对应的目标数学表示信息；
基于各待处理车位对应的目标数学表示信息，构建各待处理图像对应的训练标签，得到待处理图像集对应的待训练图像集。
在其中一个实施例中，目标数学表示信息包括目标车位位置点表示信息、目标方向向量表示信息或目标几何约束表示信息；基于目标车位表示方式、目标几何约束关系和各待处理车位对应的待处理点的坐标信息，构建各待处理图像中各待处理车位对应的目标数学表示信息包括：
若目标车位表示方式中存在目标车位位置点，则将待处理车位对应的待处理点中，与目标车位位置点对应的待处理点的坐标信息作为待处理车位对应的目标车位位置点表示信息；
若目标车位表示方式中存在目标方向向量，则基于待处理车位对应的待处理点中，与目标方向向量的表示点对应的待处理点的坐标信息，确定待处理车位对应的目标方向向量表示信息；
基于待处理车位对应的待处理点中，与目标几何约束关系的表示点对应的待处理点的坐标信息，确定待处理车位对应的目标几何约束表示信息。
在其中一个实施例中，车位几何约束关系集中的几何约束关系包括从经过特征化处理的车位对应的向量约束方式集、点约束方式集和夹角约束方式集中，任意选择任意数量的向量约束方式、点约束方式或夹角约束方式组合得到的约束关系。
在其中一个实施例中，基于待训练图像集对初始车位检测模型进行训练，得到目标车位表示方式对应的目标车位检测模型之后，还包括：
获取待检测图像，待检测图像中包括待检测车位；
将待检测车位输入目标车位检测模型进行处理，输出待检测车位在待检测图像中的车位相关信息。
在其中一个实施例中，基于各待处理车位对应的车位图像位置信息、目标车位表示方式和目标几何约束关系，构建待处理图像集中各待处理图像对应的训练标签之后，还包括：
基于模型锚点最优选择规则，确定各待处理图像中各待处理车位对应的目标模型锚点信息；
基于各待处理车位对应的目标模型锚点信息和训练标签，构建待处理图像集对应的待训练图像集。
第二方面，本申请还提供了一种基于BEV视角的车位检测装置。所述装置包括：
第一获取模块，用于获取车位表示方式集和车位几何约束关系集，车位表示方式集中的车位表示方式包括通过对经过特征化处理的车位中的车位位置点的位置信息和车位位置点之间构建的方向向量进行组合得到的表示方式；
选取模块，用于从车位表示方式集中任意选取一种车位表示方式作为目标车位表示方式，从车位几何约束关系集中任意选取几何约束关系作为目标几何约束关系；
第二获取模块，用于获取待处理图像集，待处理图像集中的各待处理图像包括待处理车位，各待处理图像包括对应的各待处理车位对应的车位图像位置信息；
构建模块，用于基于各待处理车位对应的车位图像位置信息、目标车位表示方式和目标几何约束关系，构建待处理图像集中各待处理图像对应的训练标签，得到待处理图像集对应的待训练图像集；
训练模块，用于获取初始车位检测模型，基于待训练图像集对所述初始车位检测模型进行训练，得到所述目标车位表示方式对应的目标车位检测模型；所述目标车位检测模型用于检测车位。
在其中一个实施例中，基于BEV视角的车位检测装置还包括使用模块，用于获取待检测图像，待检测图像中包括待检测车位；将待检测车位输入目标车位检测模型进行处理，输出待检测车位在待检测图像中的车位相关信息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取车位表示方式集和车位几何约束关系集，车位表示方式集中的车位表示方式包括通过对经过特征化处理的车位中的车位位置点的位置信息和车位位置点之间构建的方向向量进行组合得到的表示方式；
从车位表示方式集中任意选取一种车位表示方式作为目标车位表示方式，从车位几何约束关系集中任意选取几何约束关系作为目标几何约束关系；
获取待处理图像集，待处理图像集中的各待处理图像包括待处理车位，各待处理图像包括对应的各待处理车位对应的车位图像位置信息；
基于各待处理车位对应的车位图像位置信息、目标车位表示方式和目标几何约束关系，构建待处理图像集中各待处理图像对应的训练标签，得到待处理图像集对应的待训练图像集；
获取初始车位检测模型，基于待训练图像集对初始车位检测模型进行训练，得到目标车位表示方式对应的目标车位检测模型；目标车位检测模型用于检测车位。
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以下步骤：
获取车位表示方式集和车位几何约束关系集，车位表示方式集中的车位表示方式包括通过对经过特征化处理的车位中的车位位置点的位置信息和车位位置点之间构建的方向向量进行组合得到的表示方式；
从车位表示方式集中任意选取一种车位表示方式作为目标车位表示方式，从车位几何约束关系集中任意选取几何约束关系作为目标几何约束关系；
获取待处理图像集，待处理图像集中的各待处理图像包括待处理车位，各待处理图像包括对应的各待处理车位对应的车位图像位置信息；
基于各待处理车位对应的车位图像位置信息、目标车位表示方式和目标几何约束关系，构建待处理图像集中各待处理图像对应的训练标签，得到待处理图像集对应的待训练图像集；
获取初始车位检测模型，基于待训练图像集对初始车位检测模型进行训练，得到目标车位表示方式对应的目标车位检测模型；目标车位检测模型用于检测车位。
上述基于BEV视角的车位检测方法、装置、计算机设备和存储介质，通过获取车位表示方式集和车位几何约束关系集，车位表示方式集中的车位表示方式包括通过对经过特征化处理的车位中的车位位置点的位置信息和车位位置点之间构建的方向向量进行组合得到的表示方式；从车位表示方式集中任意选取一种车位表示方式作为目标车位表示方式，从车位几何约束关系集中任意选取几何约束关系作为目标几何约束关系；获取待处理图像集，待处理图像集中的各待处理图像包括待处理车位，各待处理图像包括对应的各待处理车位对应的车位图像位置信息；基于各待处理车位对应的车位图像位置信息、目标车位表示方式和目标几何约束关系，构建待处理图像集中各待处理图像对应的训练标签，得到待处理图像集对应的待训练图像集；获取初始车位检测模型，基于待训练图像集对初始车位检测模型进行训练，得到目标车位表示方式对应的目标车位检测模型；目标车位检测模型用于检测车位，实现了车位的检测，将车位作为一个完整的检测目标看待，并可以从多种将车位作为完整目标进行表示的不同的车位表示方式中任意选择，以及将选择的车位表示方式作为车位完整属性的表示依据和车位检测模型训练内容的依据，为车位检测模型的训练提供更加全面的车位学习内容，避免仅通过车位局部特征进行车位匹配引起的精确性低的问题，从而较好地提高了对车位检测的精度。
附图说明
图1为一个实施例中基于BEV视角的车位检测方法的应用环境图；
图2为一个实施例中基于BEV视角的车位检测方法的流程示意图；
图3为一个实施例中车位检测算法的流程框架图；
图4为一个实施例中车位简化的示意图；
图5为一个实施例中部分模型锚点选取方式的示意图；
图6为一个实施例中部分车位表示方式的示意图；
图7为一个实施例中基于BEV视角的车位检测装置的结构框图；
图8为一个实施例中计算机设备的内部结构图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的基于BEV（Bird's Eye View）视角的车位检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104用于获取车位表示方式集和车位几何约束关系集，车位表示方式集中的车位表示方式包括通过对经过特征化处理的车位中的车位位置点的位置信息和车位位置点之间构建的方向向量进行组合得到的表示方式；从车位表示方式集中任意选取一种车位表示方式作为目标车位表示方式，从车位几何约束关系集中任意选取几何约束关系作为目标几何约束关系；获取待处理图像集，待处理图像集中的各待处理图像包括待处理车位，各待处理图像包括对应的各待处理车位对应的车位图像位置信息；基于各待处理车位对应的车位图像位置信息、目标车位表示方式和目标几何约束关系，构建待处理图像集中各待处理图像对应的训练标签，得到待处理图像集对应的待训练图像集；获取初始车位检测模型，基于待训练图像集对初始车位检测模型进行训练，得到目标车位表示方式对应的目标车位检测模型；目标车位检测模型用于检测车位。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于BEV视角的车位检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S200，获取车位表示方式集和车位几何约束关系集，车位表示方式集中的车位表示方式包括通过对经过特征化处理的车位中的车位位置点的位置信息和车位位置点之间构建的方向向量进行组合得到的表示方式。
其中，车位表示方式集指用于表示车位整体的方式的集合；其可以由车位上的车位位置点和车位位置点之间构建的向量组合表示；关于将车位作为检测的整体来表示的例子可如图6所示，图6中的(a)、(b)、(c)和(d)代表了不同的表示车位整体的方式，比如图6中的(a)通过A点坐标+向量AB和向量AD的数学表示来表示车位的完整属性。车位几何约束关系集指经过特征化处理的车位中存在的几何约束关系的集合；几何约束关系指经过特征化处理的车位中点与点、点与线或线与线之间的几何关系，几何关系包括但不限于位置关系和夹角关系，其中线是由车位范围内的点连成的线，线可以是直线或直线对应的方向向量。车位位置点指车位范围内的点。经过特征化处理的车位指对车位进行简化后的车位；可以基于车位的形状对车位进行简化，比如图4中将左边的车位简化成右边的车位，图4中右边的车位即经过特征化处理的车位。
具体地，为避免现有技术中同一车位相关的车位转角的局部特征进行匹配时可能匹配错误，从而导致车位检测的精确性较低的情况，可以将车位作为一个整体看待，并通过可以通过多种不同的车位表示方式来表示一个完整的车位，可以将通过对车位中车位位置点的位置信息和车位位置点之间构建的方向向量进行任意组合，形成包括多种表示方式的车位表示方式集，比如先将车位如图4中进行简化，将车位从图4的左图简化成图4的右图，以避免由于车位摄像头视野有限、遮挡等原因，导致拍摄的图像中离汽车较远的车位尾部区域无法呈现在图像上的情况，进而可以从简化后的车位（即经过特征化处理的车位）中的车位位置点中选择任意数量的车位位置点作为某种车位表示方式中的一部分，然后再从车位位置点之间构成的方向向量中选择任意数量的方向向量作为车位表示方式的另一组成部分，其中示例性的几种车位表示方式可如图6所示，图6中的(a)的车位表示方式是“A点坐标+向量AB+向量AD”、图6中(b)的车位表示方式是“B点坐标+向量AB+向量BC”、图6中(c)的车位表示方式是“B点坐标+A点坐标+向量AD+向量BC”，图6中(d)的车位表示方式是“A点坐标+B点坐标+C点坐标+D点坐标”，此外，为更完整地表示车位的完整属性，还可以构建多种车位的几何约束关系，比如∠ABC=60°的几何约束关系，并将几何约束关系的集合作为车位几何约束关系集，为检测车位检测时做依据基础。车位表示方式中包含的方式内容是可以从车位中的车位位置点的位置信息、车位位置点之间构建的方向向量中任意选择的，从而使得车位表示方式集中可以表示一个完整车位的方式的多样化，并在车位表示方式多样化的基础上，增加车位的几何关系约束，以更进一步地丰富车位的完整属性，从而为车位检测模型的训练提供丰富的训练依据。
步骤S202，从车位表示方式集中任意选取一种车位表示方式作为目标车位表示方式，从车位几何约束关系集中任意选取几何约束关系作为目标几何约束关系。
其中，目标车位表示方式指当前车位检测操作场景下选择的一种车位表示方式。目标几何约束关系指当前车位检测操作场景下选择的几何约束关系；可以是从车位几何约束关系集中任意选取任意数量的几何约束关系。
具体地，在进行车位检测时，可以从车位表示方式集中任意选择一种车位表示方式作为目标车位表示方式，为当前应用场景提供车位检测模型的训练依据，以及为更进一步地丰富车位检测模型的学习内容，以及提高后续车位检测模型对车位的检测精度，可以从车位几何约束关系集中任意选取任意数量的几何约束关系作为目标几何约束关系。
步骤S204，获取待处理图像集，待处理图像集中的各待处理图像包括待处理车位，各待处理图像包括对应的各待处理车位对应的车位图像位置信息。
其中，待处理图像集指未进行训练标签构建的图像集；可以是通过安装在汽车上的相机采集得到的已进行预处理的图像集。待处理车位指待处理图像上的车位。车位图像位置信息指待处理图像中车位范围内的所有点的位置坐标信息。
步骤S206，基于各待处理车位对应的车位图像位置信息、目标车位表示方式和目标几何约束关系，构建待处理图像集中各待处理图像对应的训练标签，得到待处理图像集对应的待训练图像集。
其中，训练标签指训练数据的样本标签；其用于确定模型的训练内容，其包括但不限于车位表示方式、几何约束关系、车位类型、车位是否占用、车位置信度等内容。待训练图像集指用于训练车位检测模型的训练样本集。
具体地，目标车位表示方式可以将车位作为一个完整的目标进行检测，基于目标车位表示方式和目标几何约束关系，确定各待处理车位对应的车位图像位置信息中待处理点的坐标信息，并基于各待处理车位的待处理点的坐标信息，构建各待处理图像中各待处理车位对应的训练标签，得到包含丰富的车位检测模型训练内容的待训练图像集，为后续进行车位检测模型的训练提供了较好的数据基础。
步骤S208，获取初始车位检测模型，基于待训练图像集对初始车位检测模型进行训练，得到目标车位表示方式对应的目标车位检测模型；目标车位检测模型用于检测车位。
其中，初始车位检测模型指未进行训练的模型；初始车位检测模型可以根据训练标签的内容维度设置模型输出层对应的参数。目标车位检测模型指训练得到且用于检测车位的模型。
具体地，可以将待训练图像集输入至初始车位检测模型中进行多次训练，训练过程中不断调整训练的车位检测模型的参数，直至训练得到的车位检测模型满足当前应用场景的需求，并将满足当前应用场景需求的车位检测模型作为目标车位检测模型。此外，在训练之前，可以基于锚点对车位的覆盖程度考虑训练的锚点位置，比如图5的(a)、(b)、(c)和(d)都表示车位的不同位置，这些都可以作为候选锚点位置，对于同一种车位表示方式对应的待训练图像集中各待训练图像的锚点的选择方式都是一样的，比如都是将车位的A点作为锚点，或者都是将车位的B点作为锚点，或者都是将AB边的中点作为锚点，又或者将车位中点作为锚点，或者选择其他的车位位置点作为锚点，锚点的选择可以根据实际应用场景需求下锚点对车位覆盖程度来确定。其中，锚点用于承载车位的信息并确定车位在车位检测模型的输出层的位置，锚点也称作Anchor，锚点设置合理与否，影响着最终训练得到的车位检测模型的性能。
上述基于BEV视角的车位检测方法，通过获取车位表示方式集和车位几何约束关系集，车位表示方式集中的车位表示方式包括通过对经过特征化处理的车位中的车位位置点的位置信息和车位位置点之间构建的方向向量进行组合得到的表示方式；从车位表示方式集中任意选取一种车位表示方式作为目标车位表示方式，从车位几何约束关系集中任意选取几何约束关系作为目标几何约束关系；获取待处理图像集，待处理图像集中的各待处理图像包括待处理车位，各待处理图像包括对应的各待处理车位对应的车位图像位置信息；基于各待处理车位对应的车位图像位置信息、目标车位表示方式和目标几何约束关系，构建待处理图像集中各待处理图像对应的训练标签，得到待处理图像集对应的待训练图像集，实现了车位的检测，将车位作为一个完整的检测目标看待，并可以从多种将车位作为完整目标进行表示的不同的车位表示方式中任意选择，以及将选择的车位表示方式作为车位完整属性的表示依据和车位检测模型训练内容的依据，为车位检测模型的训练提供更加全面的车位学习内容，避免仅通过车位局部特征进行车位匹配引起的精确性低的问题，从而较好地提高了对车位检测的精度。
在一个实施例中，步骤S202包括：
步骤S300，基于目标车位表示方式和目标几何约束关系，从各待处理车位对应的车位图像位置信息中，确定各待处理车位对应的待处理点的坐标信息。
步骤S302，基于目标车位表示方式、目标几何约束关系和各待处理车位对应的待处理点的坐标信息，构建各待处理图像中各待处理车位对应的目标数学表示信息。
步骤S304，基于各待处理车位对应的目标数学表示信息，构建各待处理图像对应的训练标签，得到待处理图像集对应的待训练图像集。
其中，待处理点指待处理车位中与目标车位表示方式和目标几何约束关系中相关的点对应的车位位置点；比如目标车位表示方式中涉及车位某条边AB的中点，则待处理车位中与AB边相同参考位置的边的中点即为待处理点，以及若目标几何约束关系方式包括∠ABC，则待处理车位中与A、B、C相同参考位置对应的点即为待处理点。目标数学表示信息指通过数学数据来表示车位表示方式和几何约束关系的信息；比如车位表示方式为A点坐标+AB向量和几何约束关系为∠ABC=120°，则用数学表示的方式表示出A点坐标+AB向量和用数学表示的方式表示出∠ABC=120°的信息即为数学表示信息。
具体地，目标车位表示方式中可能包含某一个或多个车位位置点、或某一个或多个方向向量，目标几何约束关系中可能包含某一个或多个几何约束关系，而方向向量和几何约束关系的数学表示信息都需要用到车位位置点的坐标信息进行计算，且目标车位表示方式和目标几何约束关系可以确定具体是采用待处理图像中待处理车位的哪些车位位置点，来构建目标车位表示方式和目标几何约束关系对应的目标数学表示信息，比如确定车位都可以以图4所示左边简化后的样式进行表示，则可以将A点坐标+向量AB作为一种表示车位完整属性的车位表示方式，将∠ABC=90°作为目标几何约束关系，可以先从待检测图像的待处理车位的车位图像位置信息中，确定待处理车位中与A点、B点和C点对应的待处理点的坐标信息，从而根据确定的待处理点的坐标信息，计算待处理车位中如向量AB对应的待处理点之间的向量的数学表示信息，也就是以数学形式表示的向量，以及计算待处理车位中如∠ABC对应的待处理点之间的夹角的数学表示信息，即以数学形式表示的夹角，从而即可得到该车位表示方式和该目标几何约束关系对应的完整的数学表示信息。进一步地，可以根据各待处理车位对应的目标数学表示信息，构建各待处理图像对应的训练标签，此外，训练标签中可以包括目标数学表示信息、车位类型、车位是否占用、车位置信度等内容，从而构建得到包含了各待处理图像中各待处理车位相关的训练标签的待训练图像集，为车位检测模型的训练提供了丰富的车位特征信息。
上述实施例中，通过基于目标车位表示方式、目标几何约束关系和各待处理车位对应的车位图像位置信息，构建各待处理车位对应的目标数学表示信息，并根据目标数学表示信息构建各待处理图像对应的训练标签，实现了应用于车位检测模型的待训练图像集的构建，待训练图像集中的训练标签可以更加完整的表征各车位的属性，有利于提高车位检测模型学习检测车位的能力，以及提高最终训练的车位检测模型对车位检测的精度。
在一个实施例中，目标数学表示信息包括目标车位位置点表示信息、目标方向向量表示信息或目标几何约束表示信息；步骤S302包括：
步骤S400，若目标车位表示方式中存在目标车位位置点，则将待处理车位对应的待处理点中，与目标车位位置点对应的待处理点的坐标信息作为待处理车位对应的目标车位位置点表示信息。
步骤S402，若目标车位表示方式中存在目标方向向量，则基于待处理车位对应的待处理点中，与目标方向向量的表示点对应的待处理点的坐标信息，确定待处理车位对应的目标方向向量表示信息。
步骤S404，基于待处理车位对应的待处理点中，与目标几何约束关系的表示点对应的待处理点的坐标信息，确定待处理车位对应的目标几何约束表示信息。
其中，目标车位位置点指目标车位表示方式中包含有的车位位置点；不同的车位表示方式可以包含相同的车位位置点，也可以包含不同的车位位置点，但是车位表示方式中包含的整体内容不同。目标车位位置点表示信息指用于表示目标车位表示方式中包含的车位位置点的数学表示的信息。目标方向向量指目标车位表示方式中包含的方向向量；不同的车位表示方式可以包含相同的方向向量，也可以包含不同的方向向量，但是车位表示方式中包含的整体内容不同。目标方向向量表示信息指用于表示目标车位表示方式中包含的方向向量的数学表示的信息。目标几何约束关系指目标车位表示方式中包含的几何约束关系；不同的车位表示方式可以包含相同的几何约束关系，也可以包含不同的几何约束关系，但是车位表示方式中包含的整体内容不同；其中几何约束关系包括但不限于夹角约束、点约束和向量约束等，比如某一车位表示方式中包含∠ABC=60°的夹角约束、包含向量AB与向量CD平行（或直线AB与直线CD平行）的向量约束。目标几何约束表示信息指用于表示目标车位表示方式中包含的几何约束关系的数学表示的信息。表示点指用于表示方向向量或者几何约束关系时涉及的车位位置点，比如向量AB中，A点和B点即为表示点，又或者∠ABC中，A点、B点和C点即为表示点。
具体地，在对待处理车位进行表示时，是基于目标车位表示方式和目标几何约束关系中涉及的信息，确定待处理车位的数学表示信息的，其中，若目标车位表示信息中存在目标车位位置点，则可以直接将与目标车位位置点对应的待处理点的坐标信息作为待处理车位对应的目标车位位置点表示信息；或者，若目标车位表示方式中存在目标方向向量，则基于从目标方向向量的表示点对应的待处理点的坐标信息，构建待处理车位对应的目标方向向量表示信息；对于目标几何约束关系，可以根据目标几何约束关系的表示点对应的待处理点的坐标信息，确定待处理车位对应的目标几何约束表示信息。比如，目标表示车位方式是“A点坐标+向量AB”，目标几何约束关系是“∠ABD=60°”，则待处理车位中与A点、B点和D点对应的车位位置点就是待处理车位的待处理点，A点坐标是目标车位位置点，向量AB是目标方向向量，A点和B点是向量AB的表示点，A点、B点和D点是目标几何约束关系∠ABD=60°的表示点，可以根据表示点对应的待处理点的坐标信息，求得目标方向向量对应的目标方向向量表示信息和目标几何约束关系对应的目标几何约束表示信息，也就是用数学形式表示向量AB和∠ABD=60°，为后续构建训练标签提供数据基础。
上述实施例中，通过确定各待处理车位对应的目标数学表示信息，为后续构建用于确定车位检测模型训练内容的训练标签提供数据依据，为将车位作为一个完整的目标进行数学表示提供了数据基础，在一定程度上有助于车位检测模型训练精度的提高。
在一个实施例中，车位几何约束关系集中的几何约束关系包括从经过特征化处理的车位对应的向量约束方式集、点约束方式集和夹角约束方式集中，任意选择任意数量的向量约束方式、点约束方式或夹角约束方式组合得到的约束关系。
其中，向量约束方式集指车位相关的向量约束方式的集合；向量约束方式指向量与向量之间的几何约束，比如向量AB与向量CD平行（或直线AB与直线CD平行）。点约束方式集指车位相关的车位位置点之间的约束方式的集合；点约束方式指车位位置点之间的约束，比如点A和点B必须同时应用于同一种车位表示方式、点A和点B之间的距离是固定长度等。夹角约束方式集指车位相关的夹角约束方式的集合；夹角约束方式指车位位置点构成的直线之间的夹角约束，比如∠ABC=120°等。
具体地，对车位完整信息的表示，除了根据车位相关的车位位置点的坐标信息以及车位位置点之间的连线或者连线对应的向量进行表示外，还可以将车位中车位位置点与车位位置点之间的点约束方式、车位位置点之间的连线的几何约束或连线对应的向量之间的向量约束方式、或者根据车位位置点之间连线形成的夹角之间的夹角约束关系进行车位完整属性的表示，几何约束关系的增加，有利于更多样表示车位的特征信息加入到车位检测模型的训练中，从而有利于车位检测模型在训练过程中降低学习检测车位的难度，提高车位检测模型检测车位的精度。
在一个实施例中，步骤S204之后，还包括：
步骤S500，获取待检测图像，待检测图像中包括待检测车位。
步骤S502，将待检测车位输入目标车位检测模型进行处理，输出待检测车位在待检测图像中的车位相关信息。
其中，待检测图像指有待检测是否存在车位的图像。待检测车位指有待检测车位相关信息的车位。车位相关信息指与检测的车位相关的信息；其包括但不限于是否存在车位、车位空闲状态、车位类型、车位位置等信息。
具体地，待检测图像可以是通过汽车上安装的相机设备拍摄汽车当前所处的环境得到，为确定汽车当前所处的环境是否存在车位或者当前环境中是否存在空闲车位等信息，可以将待检测图像输入目标车位检测模型中进行处理，并输出待检测车位在待检测图像中的车位相关信息，从车位相关信息中确定汽车当前所处环境是否存在车位、车位空闲状态、车位类型、车位位置等信息。
上述实施例中，通过将包括待检测车位的待检测图像输入目标车位检测模型中进行处理，以通过输出的检测的图像中车位的相关信息，从而实现通过目标车位检测模型对车位的检测，由于目标车位检测模型是对表示整个车位的标签信息进行训练的，因此在实际应用时检测车位的准确性也更高，对应检测出的车位相关信息的精确性也更高。
在一个实施例中，该车位检测方法还包括：
步骤S600，分别基于车位表示方式集中的车位表示方式和车位几何约束关系集，构建待处理图像集中各待处理图像对应的训练标签，得到车位表示方式集中各车位表示方式对应的待训练图像集。
步骤S602，分别基于各车位表示方式对应的待训练图像集对初始车位检测模型进行训练，得到各车位表示方式对应的待选取目标车位检测模型和各待选取车位检测模型对应的训练精度指标。
步骤S604，将最大的训练精度指标对应的待选取车位检测模型作为最佳车位检测模型。
其中，待选取目标车位检测模型指已训练的并有待比对检测车位的准确性的车位检测模型。训练精度指标指用于反应模型检测车位的准确性的指标。最佳车位检测模型指检测车位的准确性最好的待选取车位检测模型。
具体地，以不同车位表示方式和几何约束关系构建不同的待训练图像集，并根据不同待训练图像集训练得到的待选取车位检测模型对车位检测的精度也会不同，因此，若选用更高车位检测精度的待选取车位检测模型进行车位检测，可以从车位表示方式集中选择预设数量种车位表示方式，以及不同的车位表示方式对应从车位几何约束关系集中任意选取几何约束关系，并分别构建选取的车位表示方式和几何约束关系对应的待训练图像集，并分别基于选取的车位表示方式对应的待训练图像集对初始车位检测模型进行训练，得到选取的各车位表示方式对应的待选取车位检测模型以及各待选取车位检测模型对应的训练精度指标，若训练精度指标越大表示待选取车位检测模型检测车位的精度越高，则可以将最大的训练精度指标对应的待选取车位检测模型作为最佳车位检测模型，并将最佳车位检测模型用于车需要进行位检测的场景中，从而进一步地提高对应用场景中的车位进行检测的精度。需注意的是，对于不同的车位表示方式，初始车位检测模型输出层的参数设计是不同的，初始车位检测模型输出层参数的设计具体可以根据车位表示方式对应构建的训练标签进行设计；此外，若选用的训练精度指标是越小表示待选取车位检测模型检测车位的精度越高，则还可以将最小的训练精度指标对应的待选取车位检测模型作为最佳车位检测模型。
上述实施例中，通过构建多种不同车位表示方式对应的待训练图像集，并分别基于不同车位表示方式对应的待训练图像集，对初始车位检测模型进行训练，以得到不同车位表示方式对应的待选取车位检测模型，并将对车位检测精度最佳的待选取车位检测模型作为最佳车位检测模型，有利于基于最佳车位检测模型对车位进行检测，从而进一步提高车位检测的精度。
在一个实施例中，步骤S206之后，还包括：
步骤S700，基于模型锚点最优选择规则，确定各待处理图像中各待处理车位对应的目标模型锚点信息。
步骤S702，基于各待处理车位对应的目标模型锚点信息和训练标签，构建所述待处理图像集对应的待训练图像集。
其中，模型锚点最优选择规则指用于衡量承载车位信息量的选择规则。目标模型锚点信息指锚点的位置信息，目标模型锚点用于承载车位的信息并确定车位在车位检测模型的输出层的位置，目标模型锚点锚点即Anchor，目标模型锚点设置合理与否，影响着最终训练得到的车位检测模型的性能
具体地，为提高车位检测模型对车位完整属性的学习性能，以进一步地提高车位检测模型训练过程中检测车位的精度，可以对待处理图像中各待处理车位设置对应的目标模型锚点，以使在训练车位检测模型过程中通过目标模型锚点承载整个车位的相关属性，并映射到车位检测模型输出层对应的位置中。图5的(a)、(b)、(c)和(d)都表示不同的目标模型锚点的位置，对于同一种车位表示方式对应的待训练图像集中各待训练图像的目标模型锚点的选择方式都是一样的，比如都是将车位的A点作为目标模型锚点，或者将车位中点作为目标模型锚点，目标模型锚点的选择可以根据实际应用场景需求下锚点对车位覆盖程度来确定。
上述实施例中，通过对各待处理车位设置目标模型锚点，有利于提高车位检测模型在训练过程中对车位完整属性的学习性能，从而提高训练的车位检测模型对车位检测的精度。
在一个实施例中，以对汽车周围环境的车位进行检测为例进行描述。车位检测的具体过程可如图3所示，由于车位摄像头视野有限、遮挡等原因，导致拍摄的图像中离汽车较远的车位尾部区域无法呈现在图像上，因此可以先将车位如图4中进行简化，将车位从图4的左图简化成图4的右图；在进行车位检测模型训练之前，为能直接将一个车位作为一个完整的目标进行检测，可以先设置车位的车位表示方式和车位几何约束关系，其中车位表示指车位位置点以及车位位置点之间构建的方向向量的任意组合表示，车位几何约束指车位位置点与车位位置点之间的几何约束、车位位置点的连线之间的几何约束（或车位位置点之间形成的方向向量之间的几何约束）、或者车位位置点的连线之间形成的夹角几何约束，图3中的车位表示即构建并从车位表示方式集中选取车位表示方式，车位几何约束即构建并从车位几何约束关系集中选取几何约束关系，车位表示方式集中的车位表示方式包括通过对经过特征化处理的车位（即简化后的车位）中的车位位置点的位置信息和车位位置点之间构建的方向向量进行任意组合得到的表示方式，且可以是选择任意数量的车位位置点和任意数量的方向向量，车位几何约束关系集中的几何约束关系包括从经过特征化处理的车位对应的向量约束方式集、点约束方式集和夹角约束方式集中，任意选择任意数量的向量约束方式、点约束方式或夹角约束方式组合得到的约束关系。
进一步地，可以从车位表示方式集中任意选一种车位表示方式作为目标车位表示方式，以及从车位几何约束关系集中任意选取几何约束关系作为目标几何约束关系获取通过汽车拍摄设备拍摄的图像集作为待处理图像集，获取待处理图像集中各待处理图像的各待处理车位对应的车位图像位置信息，并基于目标车位表示方式和目标几何约束关系，从待处理图像集中各待处理车位对应的车位图像位置信息中，确定各待处理图像对应的待处理点的坐标信息，基于各待处理图像对应的待处理点的坐标信息、目标几何约束关系和目标车位表示方式构建各待处理图像对应的训练标签，得到包含训练标签的待训练图像集；获取初始车位检测模型，基于待处理图像集中的训练标签的内容维度设计初始车位检测模型中输出层的参数，得到设计好初始参数后的初始车位检测模型，并基于模型锚点对车位覆盖程度的考虑，确定待训练图像集中各待训练图像中各待处理车位的锚点位置，进而基于待训练图像集对初始车位检测模型进行训练，得到目标车位表示方式对应的目标车位检测模型，并获取汽车周围环境对应的待检测图像，将待检测图像输入目标车位检测模型进行处理，输出所述没目标待检测图像中待检测车位对应的车位相关信息，根据车位相关信息可以确定汽车周围环境是否存在车位、车位空闲状态、车位类型、车位位置等信息，其中图3中的模型设计和锚点位置选择的步骤顺序不限，可以进行调换，实现了车位的检测，将车位作为一个完整的检测目标看待，并可以从多种将车位作为完整目标进行表示的不同的车位表示方式中任意选择，以及将选择的车位表示方式作为车位完整属性的表示依据和车位检测模型训练内容的依据，为车位检测模型的训练提供更加全面的车位学习内容，避免仅通过车位局部特征进行车位匹配引起的精确性低的问题，从而较好地提高了对车位检测的精度。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于BEV视角的车位检测方法的基于BEV视角的车位检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于BEV视角的车位检测装置实施例中的具体限定可以参见上文中对于基于BEV视角的车位检测方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种基于BEV视角的车位检测装置，包括：第一获取模块700、选取模块702、第二获取模块704、构建模块706和训练模块708，其中：
第一获取模块700，用于获取车位表示方式集和车位几何约束关系集，所述车位表示方式集中的车位表示方式包括通过对经过特征化处理的车位中的车位位置点的位置信息和车位位置点之间构建的方向向量进行组合得到的表示方式。
选取模块702，用于从所述车位表示方式集中任意选取一种车位表示方式作为目标车位表示方式，从所述车位几何约束关系集中任意选取几何约束关系作为目标几何约束关系。
第二获取模块704，用于获取待处理图像集，所述待处理图像集中的各待处理图像包括待处理车位，所述各待处理图像包括对应的各待处理车位对应的车位图像位置信息。
构建模块706，用于基于各待处理车位对应的车位图像位置信息、所述目标车位表示方式和所述目标几何约束关系，构建所述待处理图像集中各待处理图像对应的训练标签，得到所述待处理图像集对应的待训练图像集。
训练模块708，用于获取初始车位检测模型，基于所述待训练图像集对所述初始车位检测模型进行训练，得到所述目标车位表示方式对应的目标车位检测模型；所述目标车位检测模型用于检测车位。
在一个实施例中，构建模块702还用于基于目标车位表示方式和目标几何约束关系，从各待处理车位对应的车位图像位置信息中，确定各待处理车位对应的待处理点的坐标信息；基于目标车位表示方式、目标几何约束关系和各待处理车位对应的待处理点的坐标信息，构建各待处理图像中各待处理车位对应的目标数学表示信息；基于各待处理车位对应的目标数学表示信息，构建各待处理图像对应的训练标签，得到待处理图像集对应的待训练图像集。
在一个实施例中，构建模块706还用于目标数学表示信息包括目标车位位置点表示信息、目标方向向量表示信息或目标几何约束表示信息；若目标车位表示方式中存在目标车位位置点，则将待处理车位对应的待处理点中，与目标车位位置点对应的待处理点的坐标信息作为待处理车位对应的目标车位位置点表示信息；若目标车位表示方式中存在目标方向向量，则基于待处理车位对应的待处理点中，与目标方向向量的表示点对应的待处理点的坐标信息，确定待处理车位对应的目标方向向量表示信息；基于待处理车位对应的待处理点中，与目标几何约束关系的表示点对应的待处理点的坐标信息，确定待处理车位对应的目标几何约束表示信息。
在一个实施例中，获取模块700还用于车位几何约束关系集中的几何约束关系包括从经过特征化处理的车位对应的向量约束方式集、点约束方式集和夹角约束方式集中，任意选择任意数量的向量约束方式、点约束方式或夹角约束方式组合得到的约束关系。
在一个实施例中，基于BEV视角的车位检测装置还包括使用模块710，使用模块710用于获取待检测图像，待检测图像中包括待检测车位；将待检测车位输入目标车位检测模型进行处理，输出待检测车位在待检测图像中的车位相关信息。
在一个实施例中，构建模块706还用于基于模型锚点最优选择规则，确定各待处理图像中各待处理车位对应的目标模型锚点信息；基于各待处理车位对应的目标模型锚点信息和训练标签，构建待处理图像集对应的待训练图像集。
上述车位检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行过程相关的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于BEV视角的车位检测方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种基于BEV视角的车位检测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7或图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random AccessMemory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random AccessMemory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于BEV视角的车位检测方法，其特征在于，所述方法包括：
获取车位表示方式集和车位几何约束关系集，所述车位表示方式集中的车位表示方式包括通过对经过特征化处理的车位中的车位位置点的位置信息和车位位置点之间构建的方向向量进行组合得到的表示方式；
从所述车位表示方式集中任意选取一种车位表示方式作为目标车位表示方式，从所述车位几何约束关系集中任意选取几何约束关系作为目标几何约束关系；
获取待处理图像集，所述待处理图像集中的各待处理图像包括待处理车位，所述各待处理图像包括对应的各待处理车位对应的车位图像位置信息；
基于所述目标车位表示方式和所述目标几何约束关系，从各待处理车位对应的车位图像位置信息中，确定各待处理车位对应的待处理点的坐标信息；若所述目标车位表示方式中存在目标车位位置点，则将待处理车位对应的待处理点中，与目标车位位置点对应的待处理点的坐标信息作为待处理车位对应的目标车位位置点表示信息；若所述目标车位表示方式中存在目标方向向量，则基于待处理车位对应的待处理点中，与目标方向向量的表示点对应的待处理点的坐标信息，确定待处理车位对应的目标方向向量表示信息；基于待处理车位对应的待处理点中，与所述目标几何约束关系的表示点对应的待处理点的坐标信息，确定待处理车位对应的目标几何约束表示信息；将所述目标车位位置点表示信息、所述目标方向向量表示信息和所述目标几何约束表示信息作为目标数学表示信息；基于各待处理车位对应的目标数学表示信息，构建各待处理图像对应的训练标签，得到所述待处理图像集对应的待训练图像集；
获取初始车位检测模型，基于所述待训练图像集对所述初始车位检测模型进行训练，得到所述目标车位表示方式对应的目标车位检测模型；所述目标车位检测模型用于检测车位。
2.根据权利要求1所述的方法，其特征在于，所述待处理图像集包括通过安装在汽车上的相机采集得到的已进行预处理的图像集。
3.根据权利要求1所述的方法，其特征在于，所述车位图像位置信息指待处理图像中车位范围内的点的位置坐标信息。
4.根据权利要求1所述的方法，其特征在于，所述车位几何约束关系集中的几何约束关系包括从经过特征化处理的车位对应的向量约束方式集、点约束方式集和夹角约束方式集中，任意选择任意数量的向量约束方式、点约束方式或夹角约束方式组合得到的约束关系。
5.根据权利要求1所述的方法，其特征在于，所述基于所述待训练图像集对所述初始车位检测模型进行训练，得到所述目标车位表示方式对应的目标车位检测模型之后，还包括：
获取待检测图像，所述待检测图像中包括待检测车位；
将所述待检测车位输入所述目标车位检测模型进行处理，输出所述待检测车位在所述待检测图像中的车位相关信息。
6.根据权利要求1所述的方法，其特征在于，所述基于各待处理车位对应的车位图像位置信息、所述目标车位表示方式和所述目标几何约束关系，构建所述待处理图像集中各待处理图像对应的训练标签之后，还包括：
基于模型锚点最优选择规则，确定各待处理图像中各待处理车位对应的目标模型锚点信息；
基于各待处理车位对应的目标模型锚点信息和训练标签，构建所述待处理图像集对应的待训练图像集。
7.一种基于BEV视角的车位检测装置，其特征在于，所述装置包括：
第一获取模块，用于获取车位表示方式集和车位几何约束关系集，所述车位表示方式集中的车位表示方式包括通过对经过特征化处理的车位中的车位位置点的位置信息和车位位置点之间构建的方向向量进行组合得到的表示方式；
选取模块，用于从所述车位表示方式集中任意选取一种车位表示方式作为目标车位表示方式，从所述车位几何约束关系集中任意选取几何约束关系作为目标几何约束关系；
第二获取模块，用于获取待处理图像集，所述待处理图像集中的各待处理图像包括待处理车位，所述各待处理图像包括对应的各待处理车位对应的车位图像位置信息；
构建模块，用于基于所述目标车位表示方式和所述目标几何约束关系，从各待处理车位对应的车位图像位置信息中，确定各待处理车位对应的待处理点的坐标信息；若所述目标车位表示方式中存在目标车位位置点，则将待处理车位对应的待处理点中，与目标车位位置点对应的待处理点的坐标信息作为待处理车位对应的目标车位位置点表示信息；若所述目标车位表示方式中存在目标方向向量，则基于待处理车位对应的待处理点中，与目标方向向量的表示点对应的待处理点的坐标信息，确定待处理车位对应的目标方向向量表示信息；基于待处理车位对应的待处理点中，与所述目标几何约束关系的表示点对应的待处理点的坐标信息，确定待处理车位对应的目标几何约束表示信息；将所述目标车位位置点表示信息、所述目标方向向量表示信息和所述目标几何约束表示信息作为目标数学表示信息；基于各待处理车位对应的目标数学表示信息，构建各待处理图像对应的训练标签，得到所述待处理图像集对应的待训练图像集；
训练模块，用于获取初始车位检测模型，基于所述待训练图像集对所述初始车位检测模型进行训练，得到所述目标车位表示方式对应的目标车位检测模型；所述目标车位检测模型用于检测车位。
8.根据权利要求7所述的装置，其特征在于，所述车位检测装置还包括使用模块，用于获取待检测图像，所述待检测图像中包括待检测车位；将所述待检测车位输入所述目标车位检测模型进行处理，输出所述待检测车位在所述待检测图像中的车位相关信息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一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权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410058653.9A CN117576645B (zh) | 2024-01-16 | 2024-01-16 | 基于bev视角的车位检测方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410058653.9A CN117576645B (zh) | 2024-01-16 | 2024-01-16 | 基于bev视角的车位检测方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117576645A CN117576645A (zh) | 2024-02-20 |
| CN117576645B true CN117576645B (zh) | 2024-03-22 |
Family
ID=89895955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410058653.9A Active CN117576645B (zh) | 2024-01-16 | 2024-01-16 | 基于bev视角的车位检测方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117576645B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2022134344A1 (zh) * | 2020-12-21 | 2022-06-30 | 苏州科达科技股份有限公司 | 目标检测方法、系统、设备及存储介质 |
| CN115239820A (zh) * | 2022-06-21 | 2022-10-25 | 北京理工大学 | 一种分体式飞行车辆鸟瞰图实时拼接及车位检测方法 |
| CN116664498A (zh) * | 2023-05-10 | 2023-08-29 | 上海安亭地平线智能交通技术有限公司 | 车位检测模型的训练方法、车位检测方法、装置和设备 |
| CN116778450A (zh) * | 2023-05-11 | 2023-09-19 | 嬴彻星创智能科技(上海)有限公司 | 车位检测模型训练方法、车位检测方法、训练装置及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111553282B (zh) * | 2020-04-29 | 2024-03-29 | 北京百度网讯科技有限公司 | 用于检测车辆的方法和装置 |
-
2024
- 2024-01-16 CN CN202410058653.9A patent/CN117576645B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2022134344A1 (zh) * | 2020-12-21 | 2022-06-30 | 苏州科达科技股份有限公司 | 目标检测方法、系统、设备及存储介质 |
| CN115239820A (zh) * | 2022-06-21 | 2022-10-25 | 北京理工大学 | 一种分体式飞行车辆鸟瞰图实时拼接及车位检测方法 |
| CN116664498A (zh) * | 2023-05-10 | 2023-08-29 | 上海安亭地平线智能交通技术有限公司 | 车位检测模型的训练方法、车位检测方法、装置和设备 |
| CN116778450A (zh) * | 2023-05-11 | 2023-09-19 | 嬴彻星创智能科技(上海)有限公司 | 车位检测模型训练方法、车位检测方法、训练装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 车载环视系统下的车位线检测;李倩;万方学位论文全文数据库;20200630;第1-20页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117576645A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113808253B (zh) | 场景三维重建的动态对象处理方法、系统、设备及介质 | |
| CN116824092B (zh) | 三维模型生成方法、装置、计算机设备和存储介质 | |
| CN113963072B (zh) | 双目摄像头标定方法、装置、计算机设备和存储介质 | |
| CN116109799B (zh) | 调整模型训练方法、装置、计算机设备及存储介质 | |
| CN117576645B (zh) | 基于bev视角的车位检测方法、装置和计算机设备 | |
| CN116758206A (zh) | 矢量数据的融合渲染方法、装置、计算机设备、存储介质 | |
| CN115731442A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN115861520B (zh) | 高光检测方法、装置、计算机设备和存储介质 | |
| CN115965856B (zh) | 图像检测模型构建方法、装置、计算机设备及存储介质 | |
| CN117557711B (zh) | 可视域的确定方法、装置、计算机设备、存储介质 | |
| CN115880249B (zh) | 基于图像的对象分割方法、装置、设备和介质 | |
| CN116645374B (zh) | 点状缺陷检测方法、装置、计算机设备及存储介质 | |
| CN114750147B (zh) | 机器人的空间位姿确定方法、装置和机器人 | |
| CN115620406A (zh) | 图像数据处理方法、装置、计算机设备和存储介质 | |
| WO2024045787A1 (zh) | 拾取对象的检测方法、装置、计算机设备、可读存储介质和计算机程序产品 | |
| CN117372343A (zh) | 芯片空洞的检测方法、装置、设备、存储介质和程序产品 | |
| CN114998380A (zh) | 点云数据的分割方法、装置、计算机设备和存储介质 | |
| CN116778469A (zh) | 图像中目标对象的目标检测方法、装置和存储介质 | |
| CN117390098A (zh) | 数据分析方法、装置、计算机设备和存储介质 | |
| CN116883563A (zh) | 标注点渲染方法、装置、计算机设备、存储介质 | |
| CN117876669A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| CN117804450A (zh) | 一种定位方法 | |
| CN116758144A (zh) | 反光球的球心坐标获取方法、装置、设备和存储介质 | |
| CN115375743A (zh) | 深度估计方法、装置、电子设备和计算机可读存储介质 | |
| CN114862933A (zh) | 深度图像的预测方法、装置、设备和存储介质 |
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 |