DE112017001049T5

DE112017001049T5 - Fahrzeugparkplatzbelegungs-Sichtsensor

Info

Publication number: DE112017001049T5
Application number: DE112017001049.7T
Authority: DE
Inventors: Raka Singh
Original assignee: Analog Devices Global ULC
Current assignee: Analog Devices International ULC
Priority date: 2016-02-29
Filing date: 2017-02-27
Publication date: 2019-01-17
Also published as: US10008115B2; US20170249840A1; CN108701224B; WO2017149385A1; CN108701224A

Abstract

Es werden hierin ein System und Techniken für einen Fahrzeugparkplatzbelegungs-Sichtsensor beschrieben. Ein Farbbild, das einen Parkplatz aufweist, wird von einer Kamera empfangen. Eine kaskadierte Suche nach Fahrzeugmerkmalen in einer Farbton-Sättigungs-Wert(HSV)-konvertierten Version des Farbbilds wird durchgeführt, um Suchergebnisse zu erzeugen. Eine Suche nach großen Fahrzeugmerkmalen in dem Farbbild wird ebenfalls durchgeführt, um eine Anzeige von gefundenen großen Fahrzeugmerkmalen zu erzeugen, wenn die Suchergebnisse von einem ersten Typ sind. Ein Belegungsindikator wird auf Basis der Suchergebnisse geliefert, wenn die Suchergebnisse von einem zweiten Typ sind, und ansonsten auf Basis der Anzeige.

Description

ANSPRUCH DER PRIORITÄT
Die vorliegende Patentanmeldung beansprucht den Vorteil der Priorität gegenüber der US-Anmeldung mit der laufenden Nummer 15/056,645 mit dem Titel „VISUAL VEHICLE PARKING OCCUPANCY SENSOR“ und am 29. Februar 2016 eingereicht, die hiermit hier in ihrer Gesamtheit durch Bezugnahme aufgenommen ist.
ERFINDUNGSGEBIET
Hierin beschriebene Ausführungsformen betreffen allgemein eine künstliche Fahrzeugparkplatzsensorintelligenz und insbesondere einen Fahrzeugparkplatzbelegungs-Sichtsensor.
ALLGEMEINER STAND DER TECHNIK
Das Fahrzeugparkplatzbelegungserfassen weist eine Vielzahl von Vorrichtungen und Techniken auf, die verwendet werden, um zu bestimmen, ob ein Fahrzeug auf einem bezeichneten Parkplatz geparkt ist. Das Bestimmen der Fahrzeugbelegung auf Parkplätzen kann zu einem effizienteren Parkmanagement beispielsweise durch eine Vorrichtung wie etwa ein Hotel oder einem anderen Ort führen. Solche Systeme werden immer vorherrschender, da „intelligente Gebäude“ an Popularität gewinnen, um Belegschaft mittels größerer Automatisierung zu reduzieren.
Figurenliste
In den Zeichnungen, die nicht notwendigerweise maßstabsgetreu gezeichnet sind, können gleiche Zahlen in verschiedenen Ansichten ähnliche Komponenten beschreiben. Gleiche Zahlen mit unterschiedlichen Buchstabensuffixen können unterschiedliche Fälle von ähnlichen Komponenten darstellen. Die Zeichnungen veranschaulichen allgemein, beispielhaft, aber nicht als Beschränkung, verschiedene, in dem vorliegenden Dokument erörterte Ausführungsformen.

1 ist ein Blockdiagramm eines Beispiels einer Umgebung, das ein System für einen Fahrzeugparkplatzbelegungs-Sichtsensor aufweist, gemäß einer Ausführungsform.
2 veranschaulicht ein Bild einer Kamera eines Parkplatzes mit Filtermarkierungen gemäß einer Ausführungsform.
3 veranschaulicht ein Bild einer Kamera eines Parkplatzes mit Filtermarkierungen gemäß einer Ausführungsform.
4 veranschaulicht ein Beispiel des Segregierens von Pixeln in einem Bild unter Verwendung einer HSV(Hue-Saturation-Value - Farbton-Sättigungs-Wert)-Definition von Farbe in dem Bild gemäß einer Ausführungsform.
5 veranschaulicht ein Beispiel von Resultaten eines HSV-Merkmalsextrahierers gemäß einer Ausführungsform.
6 veranschaulicht ein Beispiel des Clustern von Blobs in einem Bild zum Bestimmen der Belegung gemäß einer Ausführungsform.
7 veranschaulicht Beispielergebnisse des Anwendens eines Klassifizierers auf ein Bild gemäß einer Ausführungsform.
8 veranschaulicht ein Beispiel eines Verfahrens zum Umsetzen eines Fahrzeugparkplatzbelegungs-Sichtsensors gemäß einer Ausführungsform.
9 ist ein Blockdiagramm, das ein Beispiel einer Maschine darstellt, auf der eine oder mehrere Ausführungsformen umgesetzt werden können.

AUSFÜHRLICHE BESCHREIBUNG
Eine Vielzahl an Hardware kann mit einer Vielzahl an Techniken kombiniert werden, um Fahrzeugparkplatzbelegungssensoren umzusetzen. Beispielsweise können Sensoren, wie etwa piezoelektrische Sensoren, in Parkoberflächen eingebettet sein und die Anwesenheit oder Abwesenheit eines Fahrzeugs auf dem Platz erfassen. Die Sensoren können jedoch eine signifikante Infrastrukturinvestition darstellen. Es können auch andere Techniken, wie etwa Tiefenkameras, verwendet werden, um zu messen, ob der Parkplatz flach ist (d.h. nichts belegt den Platz) oder nicht flach ist (z.B. belegt etwas den Platz). Tiefenkameras können jedoch teuer sein oder es fehlt ihnen die Reichweite, um effizient eingesetzt zu werden.
Eine weniger teure und somit schmackhaftere Option gegenüber jenen oben erörterten weist allgemeine lichtbasierte zweidimensionale Kameras auf. Im Gegensatz zu den in einer Oberfläche eingebetteten Sensoren oder tiefenbasierten Lösungen können sich lichtbasierte Kameras nicht auf eine einfache Messung verlassen, um die Belegung des Platzs zu bestimmen. Vielmehr wird das Rauschen der Umgebung und die Erkennung mindestens eines Teils eines Fahrzeugs benötigt. Weiterhin ist eine relativ hohe Genauigkeit (z.B. eine Genauigkeit von 95% oder höher) nützlich, um in der Lage zu sein, sich auf die Automation zu verlassen und andere Entscheidungen weg von den Resultaten des Fahrzeugparkplatzbelegungssensors zu basieren.
Um die oben erwähnten Probleme anzusprechen, kann der hierin erörterte Fahrzeugparkplatzbelegungssensor eine zweidimensionale Kamera verwenden, um eine oder mehrere Parklücken abzudecken. Die Kamera liefert Bilder an einen Controller, wobei der Controller Computervisionskomponenten verwendet, um die Belegung eines Parkplatz festzustellen. Um die Effizienz und Genauigkeit der Belegungsresultate zu erhöhen, setzt der Controller eine mehrphasige Suche nach einer Vielzahl von Fahrzeugmerkmalen um. In einem Beispiel können die Resultate von einer früheren Suche verwendet werden, um den Suchraum für spätere Suchvorgänge zu verfeinern, wodurch die Zeit und die Leistung der Suchvorgänge reduziert werden, während auch die Genauigkeit erhöht wird. Zudem können bei Verwendung einer Farbkamera Aspekte des Farbbilds unterschiedlich behandelt werden, um Suchvorgänge zu verfeinern und genauere Resultate zu liefern. Auf diese Weise kann eine kosteneffektive Hardwareinstallation genaue Belegungsresultate für Parkplätze liefern. Zusätzliche Details und Ausführungsformen werden nachstehend beschrieben.
1 ist ein Blockdiagramm eines Beispiels einer Umgebung mit einem System 105 für einen Fahrzeugparkplatzbelegungs-Sichtsensor gemäß einer Ausführungsform. Das System 105 kann eine Kameraschnittstelle 110, einen Controller 125, einen Klassifizierer 120 und einen HSV-Merkmalsdetektor 115 aufweisen. Jede dieser Komponenten ist in Hardware wie etwa Computerhardware wie etwa die nachstehend bezüglich 9 beschriebene umgesetzt. Weiterhin können die dargestellten Verbindungen zwischen Komponenten verdrahtet sein (z.B. über einen Bus, eine serielle Schnittstelle, ein Netzwerk usw.) oder drahtlos (z.B. Hochfrequenz (HF), lichtbasiert wie etwa Infrarot (IR), usw.).
Die Umgebung von 1 enthält eine an einer Wand montierte Kamera 130 mit einem Blickfeld 135, das drei Parkplätze, zwei belegte und einen leeren Parkplatz 140 enthält. Die Gesamtzahl an Parkplätzen, die von einer einzelnen Kamera 130 abgedeckt werden kann, hängt von dem Blickfeld sowie von einer Störung durch Gebäude oder andere geparkte Wagen ab. Jedoch sind im Allgemeinen mindestens drei Plätze verfügbar, da die Kamera 130 auf einen ersten Platz (hier den leeren Platz 140) zentriert sein kann und zwei benachbarte Plätze erfassen kann.
Das System 105 kann optional ein nicht gezeigtes Filter zum Unterteilen des Bilds auf eine Vielzahl von Wegen enthalten. Das Filter ist eine andere, in Hardware umgesetzte Komponente. Das Filter kann angeordnet sein, um zu einer geometrischen Form (z.B. einem Feld) innerhalb von auf der Oberfläche gemalten Linien zu passen, um ein relevantes Gebiet für einen gegebenen Parkplatz zu definieren. Ein Beispiel dafür ist in 2 dargestellt. Das Filter kann auch zusätzliche Führungen oder Abtastfenster auf Basis des relevanten Gebiets bereitstellen, von denen einige in 2 und 3 dargestellt sind. Diese Unterteilungen können auf einer Kombination von erfassten Umgebungsaspekten (z.B. den Linien) und vordefinierten Vorrichtungsparametern (z.B. die Höhe, die Neigung und die Distanz der Kamera zum Parkplatz, optische Charakteristika der Linse, menschliche Definitionen von oder Justierungen an relevanten Gebieten usw.) sein.
Die relevanten Gebiete oder die Abtastfenster können als Masken verwendet werden, um zwischen Pixeln zu unterscheiden, die für einen gegebenen Parkplatz relevant sein können, und Pixeln, die irrelevant sind. In einem Beispiel wird das relevante Gebiet verwendet, um vertikale Abtastfenster zu schaffen, die von anderen Komponenten (z.B. dem HSV-Merkmalsextrahierer 115 oder den Klassifizierer 120) verwendet werden können, um ihre Suchvorgänge durchzuführen. Durch Partitionieren des Bilds können die Suchvorgänge an einem kleineren Datensatz (von Pixeln) durchgeführt werden, wodurch die Effizienz erhöht wird, während die Genauigkeit durch Eliminieren von Rauschen erhöht wird.
Der HSV-Merkmalsextrahierer 115 ist angeordnet zum Durchführen einer kaskadierten Suche nach Fahrzeugmerkmalen in einem HSV-codierten Bild und zum Zurückliefern von Suchergebnissen. Die Suche ist eine kaskadierte Suche, weil mehrere Suchvorgänge seriell durchgeführt werden. Die Resultate von vorausgegangenen Suchvorgängen können die kaskadierte Suche beenden, wenn beispielsweise genügend Merkmale von ausreichender Qualität gefunden werden. In einem Beispiel sucht der HSV-Merkmalsextrahierer 115 nach einem Satz von Anfangsfahrzeugmerkmalen. Falls eine ausreichende Anzahl an diesen Merkmalen nicht gefunden wird (z.B. zwei oder mehr) oder der Confidence-Score eines gegebenen Resultats zu niedrig ist, fährt der HSV-Merkmalsextrahierer 115 damit fort, ein nachfolgendes Fahrzeugmerkmal zu suchen.
In einem Beispiel wird die Suche nach dem Satz von Anfangsfahrzeugmerkmalen in einem Farbtonraum des HSV-codierten Bilds durchgeführt. Farbtonraum und Werteraum werden nachstehend bezüglich 4 beschrieben. Im Grunde weist jedoch der Farbtonraum nützliche Farbinformationen auf, während der Werteraum keine Farbe verwendet. In einem Beispiel segmentiert der HSV-Merkmalsextrahierer 115 den Farbtonraum nach Farbton. Die Segmentierung beinhaltet das Lokalisieren von Gruppen (z.B. Blobs) von Pixeln nach Farbe und Platz. Üblicherweise liegen weniger Segmente als repräsentierte Farbtöne vor und somit wird Schwellwertbildung oder Clusterbildung verwendet, um die Segmente herzustellen. In einem Beispiel ist ein Rücklicht ein Anfangsfahrzeugmerkmal, wobei das Rücklicht durch ein rotes Farbtonsegment identifiziert wird. In diesem Beispiel wird ein Band von Farben, die rot repräsentieren, segmentiert. Die resultierenden Blobs können hinsichtlich Größe, Position (z.B. in dem Bild usw.) vermessen werden, um zu bestimmen, ob sie zu einem Modell für ein Rücklicht passen. Der Confidence-Score kann auf einer Varianz in einer beliebigen der Modellanpassungsdimensionen basieren. In einem Beispiel führt der HSV-Merkmalsextrahierer 115 eine Symmetriemessung zwischen dem roten Farbtonsegment und einem zweiten roten Farbtonsegment durch, um zu bestätigen, dass das Rücklicht identifiziert ist. Andere symmetrische Merkmale können Scheinwerfer, Seitenspiegel usw. aufweisen.
In einem Beispiel ist eine kontrastierende Fahrzeugfarbe ein Anfangsfahrzeugmerkmal. Wie hierin verwendet, liegt die kontrastierende Fahrzeugfarbe jenseits eines Schwellwerts, der von einer Oberflächenfarbe für den Parkplatz verschieden (z.B. verschieden genug) ist. Somit wird sich ein Fahrzeug, das blau ist, wahrscheinlich leicht in einem hellgrauen Betonparkraum 140 erkennen lassen. Der jeweilige Confidence-Score kann auf der Nähe der kontrastierenden Fahrzeugfarbe und der Oberflächenfarbe, der Größe des entsprechenden Farbblobs oder der Form des Farbblobs basieren.
In einem Beispiel wird die Suche nach den Anfangsfahrzeugmerkmalen in einem Werteraum des HSW-codierten Bilds durchgeführt. Wie hierin verwendet, ist der Werteraum das Komplement zu dem Farbtonraum (siehe 4 nachstehend). In einem Beispiel ist ein Nummernschild ein Anfangsfahrzeugmerkmal, das von einem Werteraumsegment identifiziert wird, das einem Formmodell eines Nummernschilds entspricht. Das Formmodell verkörpert Maße und Toleranzen (z.B. einen Fuß breit plus oder minus drei Zoll) eines Objekts. Somit sind die Abmessungen oder die Position (z.B. in dem Bild) des Nummernschilds sowie akzeptable Varianzen in dem Formmodell codiert. Die Varianzen von dem Formmodell können als der Confidence-Score verwendet werden. Somit wird ein Rechteck an dem Außenrand der Toleranz bei der Höhe aber dem unteren Rand der Toleranz bei der Breite einen niedrigeren Confidence-Score besitzen als ein anderes Rechteck nahe den gewünschten Maßen.
Wie oben erwähnt, können Confidence-Scores einer beliebigen Suche eines gegebenen Anfangsfahrzeugmerkmals zugewiesen werden. Ein Gesamt-Confidence-Score ist eine Kombination aus zuvor bestimmten Confidence-Scores. Die Kombination kann eine lineare oder eine nicht lineare Kombination sein. In einem Beispiel endet die kaskadierte Suche, falls der Gesamt-Confidence-Score einen Schwellwert übersteigt.
In einem Beispiel kann das Suchresultat nach einer Anfangsfahrzeugmerkmalssuche auch ein Fokusfenster aufweisen. Ein Fokusfenster ist eine geometrische Form, die zu dem gefundenen Merkmal in Beziehung steht. In einem Beispiel ist das Fokusfenster auf dem Blob (z.B. auf die Mittelpunktmasse) entsprechend dem gefundenen Merkmal zentriert. In einem Beispiel umfasst das Fokusfenster den Blob. Zusätzliche Details und Beispiele von Anfangsfahrzeugmerkmalen und Fokusfenstern sind in 5 dargestellt und werden nachstehend beschrieben.
In einem Beispiel ist der HSV-Merkmalsextrahierer 115 zum Suchen nach nachfolgenden Fahrzeugmerkmalen ausgelegt zum Durchführen einer Clusterung des HSV-Platzs, um mehrere Blobs zu erzeugen. In einem Beispiel ist der HSV-Merkmalsextrahierer 115 zum Durchführen der Clusterung ausgelegt zum Ausführen eines k-Means-Clustering, um Segmente zu erzeugen. Somit wird eine Mean-Verschiebung auf die Segmente angewendet. In einem Beispiel können beliebige oder alle des Farbtons, der Sättigung, des Werts, der x-Position (z.B. Koordinate) oder y-Position als Parameter für die Mean-Verschiebung von Segmenten verwendet werden.
Der HSV-Merkmalsextrahierer 115 ist ausgelegt zum Zählen der mehreren Blobs. Der Zählwert wird dann mit einem Schwellwert verglichen. Falls der Zählwert den Schwellwert übersteigt, zeigt der HSV-Merkmalsextrahierer 115 (z.B. über ein Suchresultat) an, dass die nachfolgenden Fahrzeugmerkmale gefunden sind. Somit werden die nachfolgenden Fahrzeugmerkmale in einer einzelnen Suche zusammengefasst, so dass es, obwohl eine Vielzahl von Merkmalen identifiziert werden kann (z.B. Fenster, Türen, Karosseriebleche usw.), die Aggregierung von mehreren Merkmalen im Platz 140 ist, die eine Belegung anzeigt, gegenüber ansonsten dem relativ leeren Platz 140. 6 veranschaulicht eine nachfolgende Merkmalssuche, die ebenfalls nachstehend beschrieben wird.
Der Klassifizierer 120 ist ausgelegt zum Durchführen einer Suche nach großen Fahrzeugmerkmalen in einem Bild und Zurückschicken einer Anzeige von gefundenen großen Fahrzeugmerkmalen. In einem Beispiel kann der Klassifizierer 120 mehrere Skalen verwenden, um das Bild, das ganze relevante Gebiet, ein Scanfenster oder ein Fokusfenster zu scannen. In einem Beispiel kann der Klassifizierer 120 das Fokusfenster verwenden, um eine Suche anzupeilen. Zudem kann der Klassifizierer 120 den Confidence-Score eines gegebenen Anfangsmerkmalssuchresultats verwenden, um seinen Confidence-Score (z.B. seine Neigung) zu modifizieren, um die Detektion zu verbessern.
Der Klassifizierer 120 kann mit einer Vielzahl von Computervisionstechniken umgesetzt werden. In einem Beispiel mit einem HOG(Histogram of Oriented Gradients)-Merkmalsbeschreiber zu dem Suchraum (z.B. Pixel). Die Resultate der HOG können in einer an HOG-Resultaten trainierten SVM (Support Vector Machine) für die speziellen großen Fahrzeugmerkmale verwendet werden. Andere Techniken, die eingesetzt werden können, um den Klassifizierer 120 umzusetzen, weisen unter anderem eine Wavelet- oder Gabor-Filter-Ausgabe in einem SVM, lokale binäre Muster (LBP) und einen mehrstufigen Zurückweisungsklassifizierer auf.
In einem Beispiel weisen die großen Fahrzeugmerkmale, nach denen gesucht wird, eine Stoßstange oder eine Karosserie auf. In einem Beispiel ist der Klassifizierer 120 trainiert, eine Fahrzeugstoßstange (z.B. hinten, vorne, Seite, schräg usw.) oder eine Fahrzeugkarosserie (z.B. hinten, vorne, Seite, schräg usw.) zu identifizieren. In einem Beispiel ist der Klassifizierer 120 eine Kombination aus Unterklassifizierern für verschiedene große Fahrzeugmerkmale. In einem Beispiel führt der Stoßstangenunterklassifizierer eine Suche vor einem Fahrzeugkarosserie-Unterklassifizierer durch.
In einem Beispiel beschränkt der Klassifizierer 120 seine Suche auf große Fahrzeugmerkmale, die in den Suchergebnissen des HSV-Merkmalsextrahierers 115 identifiziert sind. Falls beispielsweise ein Rücklicht identifiziert wird, werden jene Suchergebnisse durch den Klassifizierer 120 verwendet, um eine Stoßstange zu suchen, die sich horizontal nahe der gefundenen Rückleuchte befindet.
Der Controller 125 ist ausgelegt zum Koordinieren zwischen der Kamera 130 (über die Kameraschnittstelle 110), dem HSV-Merkmalsextrahierer 115, dem Klassifizierer 120 und anderen Systemen, die Belegungsindikatoren als Eingabe nehmen. Somit ist der Controller ausgelegt zum Aktivieren des HSV-Merkmalsextrahierers 115 auf einer HSV-umgewandelten Version des Farbbilds, um die Suchergebnisse zu produzieren. Die Suchergebnisse können von einem ersten Typ oder einem zweiten Typ sein. Falls die Suchergebnisse von einem ersten Typ sind, ist der Controller 125 so gebaut, dass er den Klassifizierer 120 auf dem Farbbild aktiviert (z.B. unkonvertiert zu HSV).
Der Typ von Suchergebnissen basiert auf der Confidence des Resultats. Resultate vom ersten Typ besitzen einen Confidence-Pegel, so dass die zusätzliche Aktivierung des Klassifizierers 120 hilfreich ist. Resultate vom zweiten Typ sind stark genug, um für sich selbst zu stehen. Falls in einem Beispiel nachfolgende Fahrzeugmerkmale durch den HSV-Merkmalsextrahierer 115 gesucht werden, werden die zurückgeschickten Resultate vom zweiten Typ sein. Falls in einem Beispiel der Confidence-Score in den Suchergebnissen jenseits eines Schwellwerts liegt, werden die Suchergebnisse vom zweiten Typ sein. Falls in einem Beispiel die Anzahl an Anfangsfahrzeugmerkmalen jenseits eines Schwellwerts (z.B. zwei) liegt, werden die Resultate vom ersten Typ sein. In diesem Beispiel sind die nachfolgenden Merkmale möglicherweise nicht gesucht worden, doch wurde ein ausreichender Confidence-Pegel (hier dadurch gemessen, wie viele Merkmale gefunden wurden, anstelle eines aggregierten Confidence-Score) nicht erreicht, um sicher zu sein, dass ein Fahrzeug den Platz 140 belegt. Somit kann der Klassifizierer 120 einen zusätzlichen Pegel an Confidence in den Resultaten liefern.
Der Controller 125 ist ausgelegt zum Ausgeben eines Belegungsindikators auf Basis der Suchergebnisse von dem HSV-Merkmalsextrahierer 115, wenn die Suchergebnisse vom zweiten Typ sind, wobei der Belegungsindikator ansonsten auf der Anzeige von dem Klassifizierer 120 basiert. Der Belegungsindikator kann eine Nachricht sein, die die Belegung anzeigt, die eine Signalleitung auf H bringt, um die Belegung anzuzeigen, oder ein anderer Mechanismus, um einen Verbraucher darauf hinzuweisen, ob die beobachteten Parkplätze belegt oder nicht belegt sind. In dem Beispiel enthält der Belegungsindikator einen Confidence-Wert, der von dem Klassifizierer 120 oder dem HSV-Merkmalsextrahierer 115 erhalten wird, wie hierin beschrieben.
Das Verwenden des HSV-Merkmalsextrahierers 115 gestattet schnelle und effiziente Suchvorgänge von Merkmalen in dem Bild. Das Kaskadieren der Suche und das Hereinbringen des Klassifizierers 120, wenn es hilfreich sein könnte, gestattet jedoch dem Controller 125 das Verwalten des Stromverbrauchs, der Rechenressourcen und der Genauigkeit auf flexible und effektive Weise. Wie oben erwähnt, gestattet der Fahrzeugparkplatzbelegungs-Sichtsensor 105 eine preiswerte und effektive Lösung für die automatische Detektion einer Parkbelegung.
2 veranschaulicht ein Bild der Kamera 130 des Parkplatz 140 mit Filtermarkierungen gemäß einer Ausführungsform. Der trapezförmige Umriss 205 veranschaulicht ein relevantes Gebiet für den Parkplatz 140. Die horizontale Linie 210 ist eine Kalibrierungsführung, die einen berechneten Mittelpunkt für den Parkplatz darstellt. Analog ist die Linie 215 ein vertikaler Mittelpunkt für den Parkplatz 140. Diese Linien 210, 215 und der Umriss 205 ergeben bei Kombinierung mit bekannten Daten über die Größe des Parkplatz 140 eine Transformation von Pixeln zu Distanz und umgekehrt. Weiterhin können die Position und Distanz der Kamera 130 von dem Parkplatz 140 zum Produzieren der Transformierten verwendet werden. In jedem Fall kann das System 105 reale Objektgrößen unter Verwendung der Pixel des Bilds schätzen.
3 veranschaulicht ein Bild der Kamera 130 des Parkplatz 140 mit Filtermarkierungen gemäß einer Ausführungsform. Zusätzlich zu dem relevanten Gebiet 205 veranschaulicht 3 zwei Scanfenster 305 und 310. Wie dargestellt, decken die Scanfenster eine vertikal orientierte Scheibe des relevanten Gebiets 205 ab und sind als Funktion ihrer Position im relevanten Gebiet 205 bemessen. Beispielsweise ist das Scanfenster 305 größer als das Scanfenster 310, weil sich seine Position näher an der Kamera 130 befindet und somit jedes Pixel innerhalb des Scanfensters eine kleinere Distanz darstellt als jene des Scanfensters 310.
Wie dargestellt, können die Scanfenster so bemessen sein, dass ihre Effektivität erhöht ist. Beispielsweise kann das Scanfenster 305, da die meisten Fahrzeuge größtenteils symmetrisch sind, das relevante Gebiet (in der Horizontalen) überspannen und gute Ergebnisse liefern. Diese weitere Reduktion bei den Pixeln, die von anderen Komponenten durchsucht werden, kann wieder sowohl die Effizienz als auch die Genauigkeit erhöhen, wie oben beschrieben.
In einem Beispiel kann das System 105 einen Satz von Scanfenstern erzeugen. In einem Beispiel ist der Satz von Scanfenstern geordnet. In einem Beispiel befinden sich die ersten geordneten Scanfenster der Kamera 130 am nächsten und die Ordnung steigt, wenn sich die Scanfenster von der Kamera 130 wegbewegen. Unter der Annahme, dass die meisten Fahrzeuge den Parkplatz 140 ausfüllen oder fast ausfüllen, gestattet dies einen relativ schnellen Weg zum Lokalisieren des Fahrzeugs innerhalb der Tiefe des Parkplatz 140. In einem Beispiel ist die Ordnung randomisiert.
4 veranschaulicht ein Beispiel des Segregierens von Pixeln in einem Bild unter Verwendung einer HSV-Definition von Farbe in dem Bild gemäß einer Ausführungsform. Der Kegel 405 stellt den HSV-Farbraum dar. Wie dargestellt, ist die Spitze des Kegels 105 die Abwesenheit von Farbe (z.B. schwarz). Wenn der Wert (die „V“-Linie) zunimmt, verbreitet sich der Kegel 405. Die Sättigung (die „S“-Linie) nimmt senkrecht zu dem Wert zu und kann als der Radius der Ebene bei einem gegebenen Wert definiert sein. Wenn die Sättigung null beträgt, ist die resultierende Farbe ein immer heller werdendes Grau, bis ein Höchstwert erreicht ist, der weiß ist. Mit steigender Sättigung tritt ein gegebener Farbton (z.B. Farbe) von dem Schwarz/Grau/Weiß der Mitte des Kegels 405 hervor, bis bei der maximalen Sättigung eine reine Form der Farbe erzielt ist. Der Farbton ist ein Winkelwert, wobei sich ein gegebener Farbton ändert, bis ein vollständiger Kreis (z.B. 360 Grad) gemacht ist, wobei dann der Ausgangsfarbton wieder erreicht ist.
Das Gebiet 410 ist ein Bereich, in dem Farbtoninformationen unzuverlässig sind oder fehlen, weil die Sättigung für einen gegebenen Farbton zu niedrig ist. Wertinformationen können jedoch verwendet werden, um Merkmale zu unterscheiden, die von einer Hell- und -Dunkel-Dichotomie stärker abhängig sind (z.B. Merkmale, die in einem Grauskalenbild unterscheidbar wären). Falls sich jedoch Pixel in dem Komplement des Gebiets 410 im Pegel 405 befinden (z.B. dem unschattierten Abschnitt des Kegels 405), dann kann der Farbton zum Unterscheiden von Merkmalen verwendet werden. Dieses Gebiet wird hierin als der Farbtonraum bezeichnet, und sein Komplement ist ein Werteraum (z.B. Gebiet 410). Durch eine Segmentierung entweder auf Basis von Farbton oder Wert im Farbtonraum beziehungsweise im Wertraum erübrigen sich Probleme in einer derartigen Segmentierung im Rot-Grün-Blau(RGB)-Platz, in dem die meisten Bilder von der Kamera 130 codiert werden. Somit lassen sich beispielsweise rote Pixel leicht durch Wahl eines Farbtonbogens erkennen, der im Farbtonraum Rot darstellt, und durch das Sammeln von Pixeln mit jenen Werten. Diese Technik behandelt die Probleme von variablen Beleuchtungsbedingungen, wie sie beispielsweise in der RGB-Platz-Segmentierung oder -Filterung vorliegen.
5 veranschaulicht ein Beispiel von Resultaten eines HSV-Merkmalsextrahierers gemäß einer Ausführungsform. Wie oben angemerkt, arbeitet der HSV-Merkmalsextrahierer 115 an Farb- oder Werteinformationen von einem HSV-codierten Bild. Merkmale, die in der Suche gefunden werden können, weisen Fahrzeugfarbe 505 (z.B. in einem Farbtonraum), Rücklichter 515 (z.B. in einem Farbtonraum) oder ein Nummernschild 525 (z.B. in einem Werteraum) auf.
Bezüglich der Fahrzeugfarbe 505 wird die Parkoberflächenfarbe 510 verglichen, um zu bestimmen, ob es einen Farbblob gibt oder nicht, der sich von der Parkoberflächenfarbe 510 unterscheidet. Ein Confidence-Score kann auf Basis des Unterschieds beim Farbton zwischen der Fahrzeugfarbe 505 und der Oberflächenfarbe 510 berechnet werden, beispielsweise unter Nichtberücksichtigen von Werteinformationen. Dies kann Situationen behandeln, in denen eine variierte Beleuchtungsbedingung (z.B. Schatten von Bäumen an einem hellen Tag) bewirkt, dass die Oberfläche verschiedene Schattierungen besitzt, sie sind aber von einem Blau der Fahrzeugfarbe 505 verschieden. Falls beispielsweise die Fahrzeugfarbe 505 ein Grau ähnlich der Oberflächenfarbe 510 ist, wird das Merkmal Fahrzeugfarbe 505 möglicherweise nicht gefunden oder erhält möglicherweise einen niedrigen Confidence-Score. Der Confidence-Score kann auf dem Grad an Unterschied im Farbton zwischen der Fahrzeugfarbe 505 und der Oberflächenfarbe, einem Volumen der Fahrzeugfarbe 505, einer Form eines Blob der Fahrzeugfarbe 505 oder einer beliebigen Kombination dieser Werte basieren.
Die Rücklichter 515, etwas ähnlich zu der Fahrzeugfarbe 505, können im Farbtonraum gefunden werden. Im Gegensatz zu der Fahrzeugfarbe jedoch involvieren die Rücklichter 515 nicht das Suchen danach, welches die Fahrzeugfarbe 505 ist, sondern das Begrenzen der Suche auf Pixel, die sich in einem Farbband (z.B. rot) befinden, das Rücklichtern entspricht. Der Confidence-Score kann auf der Anzahl der gefundenen Pixel (z.B. bezüglich der Größe der Rücklichter), der Position von Pixeln (z.B. bezüglich des relevanten Gebiets, eines Scanfensters usw., das zu einer Position am Fahrzeug in Beziehung steht), der Symmetrie von Pixeln (z.B. zwei Blobs innerhalb einer Schwellwertgröße oder -position, die ähnliche Merkmale symmetrisch zum Fahrzeug bezeichnen) oder einer beliebigen Kombination davon basieren.
Ebenfalls in 5 dargestellt, kann ein Fokusfenster 520 als Teil der Suche zurückgeschickt werden. Hier betrifft das Fokusfenster 520 das Partnerrücklicht zum Rücklicht 515, doch können beliebige der gefundenen Merkmale ein Fokusfenster in den Suchergebnissen aufweisen. Das Fokusfenster 520 ist eine geometrische Form, die bezüglich des gefundenen Merkmals definiert ist (z.B. zentriert auf das Merkmal und die Größe, um die Pixel entsprechend dem gefundenen Merkmal einzuschließen). Wie oben erwähnt, kann das Fokusfenster verwendet werden, um weiterhin Suchräume beispielsweise des Klassifizierers 120 zu begrenzen.
Das Nummernschild 525 ist ein Merkmal, das im Werteraum gefunden werden kann. Im Allgemeinen ist das Nummernschild eine von dunkleren Farben umgebene helle Farbe. Außerdem sind im Allgemeinen Nummernschilder von einer Standardgröße. Die Suche geht weiter durch Lokalisieren eines hellen Segments des Werteraums - beispielsweise durch ein Verfahren der Schwellwertbildung oder Segmentierung im HSV-Platz - mit einer Größe und Form - bestimmt beispielsweise durch Kantendetektion und Morphologiefilterung (wo dies eine höhere Auflösung der Kamera gestattet) zum Anpassen an eine Standardform - was den bekannten Charakteristika von Nummernschildern entspricht. Der Confidence-Score kann eine Abweichung von einer erwarteten Größe, Form, Orientierung oder eine beliebige Kombination davon beinhalten.
6 veranschaulicht ein Beispiel des Clustern von Blobs im Bild, um die Belegung zu bestimmen, gemäß einer Ausführungsform. Wie oben angemerkt, werden unter gewissen Umständen entweder zu wenige Fahrzeugmerkmale gefunden oder ein Gesamt-Confidence-Score ist zu niedrig, um sich auf die Suchergebnisse zu verlassen. Um diese Situation zu behandeln, kann eine allgemeine Segmentierung des Werteraums über die relevanten Gebiete, das Scanfenster oder das Bild durchgeführt werden. Die Segmente können dann innerhalb des relevanten Gebiets gezählt werden. Diese Technik ist nützlich, weil Fahrzeuge im Allgemeinen viele Teile besitzen (z.B. Fenster, Karosserieteile, Reifen usw.), die Parkoberflächen nicht besitzen.
Wie dargestellt, ist die Sammlung von Segmenten 605 (z.B. ein Segment, das umrissen ist) weit größer als die Segmentierungssammlungen (z.B. Segment 610) in einem leeren Platz. Selbst falls ein leerer Platz Abfall aufweist, wird somit ein leerer Platz wahrscheinlich weit weniger Segmente aufweisen als ein belegter Platz. In einem Beispiel ist die eine Belegung bezeichnende Anzahl von Segmenten fest (z.B. invariant während des normalen Systembetriebs, aber während Vorrichtung, Wartung usw. justierbar). In einem Beispiel basiert die die Belegung bezeichnende Anzahl von Segmenten auf Segmentzählwerten über der Zeit (z.B. ein gewichteter beweglicher Mittelwert), wobei Belegungs- und Nichtbelegungs-Zeiten beispielsweise durch einen Benutzer oder andere Merkmalsuchvorgänge identifiziert werden. In einem Beispiel ist diese Sammlung von Segmentensuche ein zweiter Typ von Suchresultat für den HSV-Merkmalsextrahierer 115.
7 veranschaulicht Beispielresultate des Anwendens des Klassifizierers 120 auf ein Bild gemäß einer Ausführungsform. Veranschaulicht sind Klassifizierungsfokusfenster 705 für einen Stoßstangensucherfolg und 710 für einen Karosseriesucherfolg. Wie oben angemerkt, werden die Klassifizierer trainiert, um Merkmale zu erkennen. Hier ist der Klassifizierer 120 trainiert, um große Fahrzeugmerkmale zu identifizieren, wie etwa eine Stoßstange, eine Fahrzeugkarosserie usw. Außerdem kann, wie oben angemerkt, die Suche auf Segmente des Bilds auf Basis von Fokusfenstern oder Scanfenstern, die durch andere Komponenten des Fahrzeugparkplatzbelegungssensors 105 produziert werden, begrenzt sein.
8 veranschaulicht ein Beispiel eines Verfahrens 800 zum Umsetzen eines Fahrzeugparkplatzbelegungs-Sichtsensors gemäß einer Ausführungsform.
Bei Operation 805 wird ein Farbbild von einer Kamera empfangen. Das Bild weist einen Parkplatz auf, zu dem eine Belegungsbestimmung gemessen wird.
Bei Operation 810 wird eine kaskadierte Suche nach Fahrzeugmerkmalen in einer HSV-konvertierten Version des Farbbilds durchgeführt, um Suchergebnisse zu erzeugen. In einem Beispiel weist die kaskadierte Suche das Suchen nach einem Satz von Anfangsfahrzeugmerkmalen und das Fortfahren nach einem nachfolgenden Fahrzeugmerkmal zu suchen auf, wenn eine Schwellwertanzahl von Anfangsfahrzeugmerkmalen nicht gefunden wird. In einem Beispiel weist die kaskadierte Suche das Suchen nach einem Satz von Anfangsfahrzeugmerkmalen und das Fortfahren nach einem nachfolgenden Fahrzeugmerkmal zu suchen auf, wenn eine Gesamtheit von Confidence-Scores für gesuchte Anfangsfahrzeugmerkmale unter einem Schwellwert liegt.
In einem Beispiel wird das Suchen nach dem Satz von Anfangsfahrzeugmerkmalen in einem Farbtonraum des HSV-codierten Bilds durchgeführt. In diesem Beispiel ist der Farbtonraum als Pixel mit einem Wert und einem Sättigungspegel jenseits eines Schwellwerts definiert, wobei der Schwellwert mit dem Wert zunimmt (z.B. das Komplement des Gebiets 410 im Kegel 405 von 4). In einem Beispiel ist das Verfahren 800 optional erweitert, den Farbtonraum nach Farbton zu segmentieren.
In einem Beispiel ist ein Rücklicht ein Anfangsfahrzeugmerkmal, wobei das Rücklicht durch ein rotes Farbtonsegment identifiziert wird. In einem Beispiel ist das Verfahren 800 optional erweitert, um eine Symmetrie zwischen dem roten Farbtonsegment und einem zweiten roten Farbtonsegment zu messen, um zu bestätigen, dass das Rücklicht identifiziert ist. In einem Beispiel ist eine kontrastierende Fahrzeugfarbe ein Anfangsfahrzeugmerkmal. In diesem Beispiel liegt die kontrastierende Fahrzeugfarbe jenseits von einem Schwellwert, der anders ist als eine Oberflächenfarbe für den Parkplatz.
In einem Beispiel wird das Suchen nach den Anfangsfahrzeugmerkmalen in einem Werteraum des HSV-codierten Bilds durchgeführt. Wie oben angemerkt, ist der Werteraum das Komplement zu dem Farbtonraum in dem HSV-Farbraum. In einem Beispiel ist ein Nummernschild ein Anfangsfahrzeugmerkmal, das durch ein Werteraumsegment entsprechend einem Formmodell eines Nummernschilds identifiziert wird. Hier kann das Formmodell eine Größe, Form oder Orientierung des Segments aufweisen.
In einem Beispiel wird Anfangsfahrzeugmerkmalen, die gefunden werden, ein Confidence-Score auf Basis von Parametern der Suche zugewiesen. Die Suchparameter können auf Basis dessen differieren, wonach gesucht wird. Confidence-Score-Eingaben, können eine Farbvarianz, eine Größenvarianz oder eine Ortsvarianz (z.B. im Bild) von einem erwarteten Resultat aufweisen. Falls sich beispielsweise ein Nummernschildtypsegment in einem Bereich auf dem Bild befindet, wo ein Nummernschild nicht erwartet würde (z.B. im Rückfenster eines Kleintransporters) kann der Confidence-Score durch die Differenz bei der Position reduziert werden. Der Gesamt-Confidence-Score weist eine Kombination von Confidence-Scores für individuelle Merkmale auf. In einem Beispiel stoppt ein laufender Gesamt-Confidence-Score über einen Schwellwert hinaus weitere Suchvorgänge (z.B. weil genügend Merkmale zum Bestimmen einer Belegung entdeckt worden sind).
In einem Beispiel kann das Verfahren 800 erweitert werden, um ein Fokusfenster für Anfangsfahrzeugmerkmale zu erzeugen, die gefunden werden. In einem Beispiel ist das Fokusfenster eine geometrische Form (z.B. ein Rechteck, Oval usw.), dass das gefundene Anfangsfahrzeugmerkmal umschließt und kleiner ist als das Farbbild. In einem Beispiel ist das Fokusfenster in den Suchergebnissen enthalten.
In einem Beispiel ist das Verfahren 800 optional erweitert zum Partitionieren des Farbbilds in einen Satz von Scanfenstern. In einem Beispiel wird die kaskadierte Suche an den Scanfenstern im Gegensatz zu dem ganzen Bild durchgeführt.
In einem Beispiel weist das Suchen für das nachfolgende Fahrzeugmerkmal das Clustern des HSV-Platzs auf, um mehrere Blobs zu erzeugen. Die Blobs (oder Merkmale der Blobs wie etwa Ränder, Ecken usw.) können dann gezählt werden. Das nachfolgende Fahrzeugmerkmal kann wie gefunden angezeigt werden, wenn der Zählwert (z.B. der Blobs) einen Schwellwert übersteigt. In einem Beispiel weist das Clustern des HSV-Platzs das Ausführen einer k-Means-Clusterung von Pixeln im HSV-Platz auf. Eine Mean-Verschiebung kann dann angewendet werden, um zu den Segmenten zu kommen. Die Mean-Verschiebung kann beliebige oder alle des Farbtons, der Sättigung, des Werts, der x-Koordinate (z.B. in dem Bild, dem Scanfenster usw.) oder der y-Koordinate als Segmentparameter verwenden.
Bei der Entscheidung 815 erfolgt eine Bestimmung des Typs von Suchergebnissen von der Operation 810. Falls die Suchergebnisse von einem ersten Typ sind, geht das Verfahren 800 zu Operation 820. Falls die Suchergebnisse vom zweiten Typ sind, geht das Verfahren 800 zu Operation 825. In einem Beispiel sind die Suchergebnisse vom ersten Typ, falls entweder der Gesamt-Confidence-Score unter einem Schwellwert liegt oder falls nachfolgende Fahrzeugmerkmale in der kaskadierten Suche gesucht werden. In einem Beispiel ist das Suchresultat von einem zweiten Typ, falls zwei oder mehr Anfangsfahrzeugmerkmale beispielsweise mit ausreichenden Confidence-Scores gefunden werden.
Bei Operation 820 wird eine Suche von großen Fahrzeugmerkmalen im Farbbild durchgeführt. Diese Suche erzeugt Anzeigen von gefundenen großen Fahrzeugmerkmalen, wenn die Suchergebnisse der Operation 810 von einem ersten Typ sind. Die Operation 820 wird mit einem Klassifizierer umgesetzt. Wenn in einem Beispiel ein Fokusfenster für ein Anfangsfahrzeugmerkmal zur Verfügung steht, weist die Suche nach großen Fahrzeugmerkmalen das Beschränken einer Suche nach einem großen Fahrzeugmerkmal auf, das dem innerhalb des Fokusfensters gefundenen Anfangsfahrzeugmerkmal entspricht. In einem Beispiel enthalten die großen Fahrzeugmerkmale eine Stoßstange und/oder eine Karosserie. In einem Beispiel wird die Suche nach großen Fahrzeugmerkmalen an einem Scanfenstern im Gegensatz zu dem ganzen Bild durchgeführt.
Bei Operation 825 resultiert ein auf Basis der Suche erzeugter Belegungsindikator, wenn die Suchergebnisse von einem zweiten Typ sind, und ansonsten auf Basis der Anzeige.
9 veranschaulicht ein Blockdiagramm einer Beispielmaschine 900, auf der eine oder mehrere beliebige der Techniken (z.B. Methodiken), die hierin erörtert werden, durchgeführt werden können. In alternativen Ausführungsformen kann die Maschine 900 als eine unabhängige Vorrichtung arbeiten oder kann mit anderen Maschinen verbunden (z.B. vernetzt) sein. In einem vernetzten Einsatz kann die Maschine 900 in der Kapazität einer Servermaschine, einer Clientmaschine oder auch in Server-Client-Netzwerkumgebungen arbeiten. In einem Beispiel kann die Maschine 900 als eine P2P (Peer-to-Peer) (oder andere verteilte) Netzwerkumgebung arbeiten. Die Maschine 900 kann ein Personal Computer (PC), ein Tablet-PC, eine Settop-Box (STB), ein Personal Digital Assistant (PDA), ein Mobiltelefon, eine Webanwendung, ein Netzwerkrouter, ein Schalter oder eine Brücke oder eine beliebige Maschine sein, die Anweisungen (sequenziell oder anderweitig) ausführen kann, die Aktionen vorgeben, die durch diese Maschine ergriffen werden sollen. Wenngleich nur eine einzelne Maschine dargestellt ist, soll zudem der Ausdruck „Maschine“ auch so verstanden werden, dass er eine beliebige Sammlung von Maschinen aufweist, die individuell oder zusammen einen Satz (oder mehrere Sätze) von Anweisungen ausführen, um eine oder mehrere beliebige der hierin erörterten Methodiken durchzuführen, wie etwa Cloud-Computing, Software as a Service (SaaS), andere Computerclusterausbildungen.
Beispiele, wie hierin beschrieben, können Logik oder eine Anzahl von Komponenten oder Mechanismen aufweisen oder dadurch betrieben werden. Eine Schaltungsanordnung ist eine Sammlung von Schaltungen, die in dinglichen Entitäten umgesetzt sind, die Hardware aufweisen (z. B. einfache Schaltungen, Gates, Logik usw.). Die Schaltungsanordnungsmitgliedschaft kann über der Zeit flexibel sein und einer Hardwarevariabilität unterliegen. Schaltungsanordnungen enthalten Mitglieder, die alleine oder in Kombination im Betrieb vorgegebene Operationen durchführen. In einem Beispiel kann Hardware der Schaltungsanordnung unveränderlich dazu ausgelegt sein, eine spezifische Operation auszuführen (z. B. festverdrahtet). In einem Beispiel kann die Hardware der Schaltungsanordnung variabel verbundene physische Komponenten aufweisen (z. B. Ausführungseinheiten, Transistoren, einfache Schaltungen usw.), die ein computerlesbares Medium aufweisen, das physisch modifiziert wird (z. B. magnetisch, elektrisch, mobile Platzierung von invarianten massierten Partikeln usw.), um Anweisungen der vorgegebenen Operation zu codieren. Beim Verbinden der physischen Komponenten werden die zugrunde liegenden elektrischen Eigenschaften einer Hardwarekomponente geändert, beispielsweise von einem Isolator zu einem Leiter oder umgekehrt. Die Anweisungen aktivieren eingebettete Hardware (z. B. die Ausführungseinheiten oder einen Lademechanismus), um Elemente der Schaltungsanordnung in Hardware über die variablen Verbindungen zu erzeugen, um Abschnitte der spezifischen Operation auszuführen, wenn in Betrieb. Dementsprechend ist das computerlesbare Medium kommunikativ an die anderen Komponenten der Schaltungsanordnung gekoppelt, wenn die Vorrichtung in Betrieb ist. In einem Beispiel kann eine beliebige der physischen Komponenten in mehr als einem Element von mehr als einer Schaltungsanordnung verwendet werden. Beispielsweise können im Betrieb Ausführungseinheiten in einer ersten Schaltung einer ersten Schaltungsanordnung zu einem Zeitpunkt verwendet werden und durch eine zweite Schaltung in der ersten Schaltungsanordnung oder durch eine dritte Schaltung in einer zweiten Schaltungsanordnung zu einer anderen Zeit wiederverwendet werden.
Die Maschine (z. B. das Computersystem) 900 kann einen Hardwareprozessor 902 (z. B. eine zentrale Verarbeitungseinheit (CPU), eine Graphikverarbeitungseinheit (GPU), einen Hardwareprozessorkern oder eine beliebige Kombination davon), einen Hauptspeicher 904 und einen statischen Speicher 906 aufweisen, von denen einige oder alle über eine Zwischenstrecke (z. B. Bus) 908 miteinander kommunizieren können. Die Maschine 900 kann weiterhin eine Displayeinheit 910, eine alphanumerische Eingabevorrichtung 912 (z. B. eine Tastatur) und eine Benutzerschnittstelle(UI)-Navigationsvorrichtung 914 (z. B. eine Maus), aufweisen. In einem Beispiel können die Displayeinheit 910, die Eingabevorrichtung 912 und die UI-Navigationsvorrichtung 914 ein Touchscreendisplay sein. Die Maschine 900 kann zusätzlich eine Speichervorrichtung (z. B. Ansteuereinheit) 916, eine Signalgenerierungsvorrichtung 918 (z. B. einen Lautsprecher), eine Netzwerkschnittstellenvorrichtung 920 und einen oder mehrere Sensoren 921 wie etwa einen GPS(Global Positioning System)-Sensor, einen Kompass, einen Beschleunigungssensor oder einen anderen Sensor aufweisen. Die Maschine 900 kann einen Ausgangscontroller 928 wie etwa eine serielle (z. B. USB (Universal Serial Bus)), eine parallele oder eine andere verdrahtete oder drahtlose (z. B. Infrarot (IR), NFC (Near Field Communication) usw.) Verbindung aufweisen, um mit einer oder mehreren Peripherievorrichtungen (z. B. einem Drucker, einem Kartenlesegerät usw.) zu kommunizieren oder sie zu steuern.
Die Speichervorrichtung 916 kann ein maschinenlesbares Medium 922 aufweisen, auf dem ein oder mehrere Sätze von Datenstrukturen oder Anweisungen 924 gespeichert sind (z. B. Software), die eine beliebige oder mehrere der hierin beschriebenen Techniken oder Funktionen verkörpern oder dadurch genutzt werden. Die Anweisungen 924 können sich während ihrer Ausführung durch die Maschine 900 auch vollständig oder zumindest teilweise innerhalb des Hauptspeichers 904, innerhalb des statischen Speichers 906 oder innerhalb des Hardwareprozessors 902 befinden. In einem Beispiel kann einer oder eine beliebige Kombination aus dem Hardwareprozessor 902, dem Hauptspeicher 904, dem statischen Speicher 906 oder der Speichervorrichtung 916 maschinenlesbare Medien bilden.
Wenngleich das maschinenlesbare Medium 922 als ein einzelnes Medium dargestellt ist, kann der Ausdruck „maschinenlesbares Medium“ ein einzelnes Medium oder mehrere Medien aufweisen (z. B. eine zentralisierte oder verteilte Datenbank und/oder assoziierte Zwischenspeicher und Server), die ausgebildet sind zum Speichern der einen oder mehreren Anweisungen 924.
Der Ausdruck „maschinenlesbares Medium“ kann ein beliebiges Medium aufweisen, das in der Lage ist, Anweisungen zur Ausführung durch die Maschine 900 zu speichern, zu codieren oder zu tragen, welche bewirken, dass die Maschine 900 eine beliebige oder mehrere der Techniken der vorliegenden Offenbarung durchführt, oder das in der Lage ist, Datenstrukturen, die mit solchen Anweisungen verwendet werden oder damit assoziiert sind, zu speichern, zu codieren oder zu tragen. Nicht beschränkende maschinenlesbare Beispiele für Medien können Festkörperspeicher und optische und magnetische Medien aufweisen. In einem Beispiel weist ein massiertes maschinenlesbares Medium ein maschinenlesbares Medium mit mehreren Partikeln mit einer invarianten Masse (z. B. Ruhemasse) auf. Dementsprechend sind massierte maschinenlesbare Medien keine flüchtigen, sich ausbreitenden Signale. Spezifische Beispiele für massierte maschinenlesbare Medien können aufweisen: nichtflüchtigen Speicher, wie etwa Halbleiterspeichervorrichtungen (z. B. elektrisch programmierbarer Festwertspeicher (EPROM), elektrisch löschbarer programmierbarer Festwertspeicher (EEPROM)) und Flash-Speichervorrichtungen; Magnetplatten, wie etwa interne Festplatten und entfernbare Platten; magnetooptische Platten und CD-ROM- und DVD-ROM-Platten.
Die Anweisungen 924 können weiterhin über ein Kommunikationsnetzwerk 926 unter Verwendung eines Übertragungsmediums über die Netzwerkschnittstellenvorrichtung 920 unter Nutzung eines beliebigen einer Anzahl von Transferprotokollen übertragen werden (z. B. Frame-Relay, Internetprotokoll (IP), TCP (Transmission Control Protocol), UDP (User Datagram Protocol), HTTP (Hypertext Transfer Protocol) usw.). Beispielhafte Kommunikationsnetzwerke können unter anderem ein Nahbereichsnetzwerk (LAN), ein Weitbereichsnetzwerk (WAN), ein Paketdatennetzwerk (z. B. das Internet), ein Mobiltelefonnetzwerk (z. B. Zellularnetzwerke), POTS(Plain Old Telephone)-Netzwerke und Drahtlosdatennetzwerke (z. B. Institute of Electrical and Electronics Engineers (IEEE) 802.11-Familie von Standards, als Wi-Fi® bekannt, IEEE 802.16-Familie von Standards, als WiMax® bekannt), IEEE 802.15.4-Familie von Standards, Peer-to-Peer(P2P)-Netzwerke enthalten. In einem Beispiel kann die Netzwerkschnittstellenvorrichtung 920 eine oder mehrere physische Buchsen (z. B. Ethernet-, Coaxial- oder Telefonbuchsen) oder eine oder mehrere Antennen aufweisen zum Verbinden mit dem Kommunikationsnetzwerk 926. In einem Beispiel kann die Netzwerkschnittstellenvorrichtung 920 mehrere Antennen aufweisen, um drahtlos unter Verwendung mindestens einer von SIMO(Single-Input Multiple-Output)-, MIMO(Multiple-Input Multiple-Output)- oder MISO(Multiple-Input Single-Output)-Techniken zu kommunizieren. Der Ausdruck „Übertragungsmedium“ soll so verstanden werden, dass er jedes undingliche Medium aufweist, das in der Lage ist, Anweisungen zur Ausführung durch die Maschine 900 zu speichern, zu codieren oder zu tragen, und weist digitale oder analoge Kommunikationssignale oder ein anderes undingliches Medium zum Erleichtern von Kommunikation von solcher Software auf.
Zusätzliche Anmerkungen und Beispiele
Beispiel 1 ist eine Vorrichtung, aufweisend: eine Kameraschnittstelle zum Empfangen eines Farbbilds von einer Kamera, wobei das Bild einen Parkplatz aufweist; einen HSV-Merkmalsextrahierer zum Durchführen einer kaskadierten Suche nach Fahrzeugmerkmalen in einem Farbton-Sättigungs-Wert(HSV)-codierten Bild und Zurückschicken von Suchergebnissen; einen Klassifizierer zum Durchführen einer Suche nach großen Fahrzeugmerkmalen in einem Bild und Zurückschicken einer Anzeige von gefundenen großen Fahrzeugmerkmalen; und einen Controller zum: Aktivieren des HSV-Merkmalsextrahierers auf einer HSV-konvertierten Version des Farbbilds zum Erzeugen der Suchergebnisse; Aktivieren des Klassifizierers auf dem Farbbild zum Erzeugen der Anzeige, wenn die Suchergebnisse von einem ersten Typ sind; und Ausgeben eines Belegungsindikators auf Basis der Suchergebnisse, wenn die Suchergebnisse von einem zweiten Typ sind und ansonsten auf Basis der Anzeige.
In Beispiel 2 weist der Gegenstand von Beispiel 1 optional ein Filter zum Partitionieren des Farbbilds in einen Satz von Scanfenstern auf, wobei der Controller den HSV-Merkmalsextrahierer oder den Klassifizierer an einem Fenster in dem Satz von Scanfenstern aktivieren soll.
In Beispiel 3 weist der Gegenstand von einem oder mehreren beliebigen der Beispiele 1-2 optional auf, wobei das Durchführen der kaskadierten Suche, der HSV-Merkmalsextrahierer nach einem Satz von Anfangsfahrzeugmerkmalen suchen und fortfahren soll nach einem nachfolgenden Fahrzeugmerkmal zu suchen, wenn eine Schwellwertanzahl von Anfangsfahrzeugmerkmalen nicht gefunden wird.
In Beispiel 4 weist der Gegenstand von Beispiel 3 optional auf, wobei die Suche nach dem Satz von Anfangsfahrzeugmerkmalen in einem Farbtonraum des HSV-codierten Bilds durchgeführt wird, wobei der Farbtonraum als Pixel mit einem Wert und einem Sättigungspegel jenseits eines Schwellwerts definiert ist, wobei der Schwellwert mit dem Wert zunimmt.
In Beispiel 5 weist der Gegenstand von Beispiel 4 optional auf, wobei der HSV-Merkmalsextrahierer den Farbtonraum nach Farbton segmentieren soll.
In Beispiel 6 weist der Gegenstand von Beispiel 5 optional auf, wobei ein Rücklicht ein Anfangsfahrzeugmerkmal ist, wobei das Rücklicht durch ein rotes Farbtonsegment identifiziert wird.
In Beispiel 7 weist der Gegenstand von Beispiel 6 optional auf, wobei der HSV-Merkmalsextrahierer eine Symmetriemessung zwischen dem roten Farbtonsegment und einem zweiten roten Farbtonsegment durchführen soll, um zu bestätigen, dass das Rücklicht identifiziert ist.
In Beispiel 8 weisen der Gegenstand nach einem oder mehreren beliebigen der Beispiele 5 bis 7 optional auf, wobei eine kontrastierende Fahrzeugfarbe ein Anfangsfahrzeugmerkmal ist, wobei die kontrastierende Fahrzeugfarbe jenseits eines Schwellwerts ist, der von einer Oberflächenfarbe für den Parkplatz verschieden ist.
In Beispiel 9 weisen der Gegenstand nach einem oder mehreren der Beispiele 4-8 optional auf, wobei die Suche nach den Anfangsfahrzeugmerkmalen in einem Werteraum des HSV-codierten Bilds durchgeführt wird, wobei der Werteraum das Komplement zu dem Farbtonraum ist.
In Beispiel 10 weist der Gegenstand von Beispiel 9 optional auf, wobei ein Nummernschild ein Anfangsfahrzeugmerkmal ist, das durch ein Werteraumsegment entsprechend einem Formmodell eines Nummernschilds identifiziert wird.
In Beispiel 11 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 3-10 optional auf, wobei Anfangsfahrzeugmerkmalen, die gefunden werden, ein Confidence-Score auf Basis von Parametern der Suche zugewiesen wird.
In Beispiel 12 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 3-11 optional auf, wobei ein Fokusfenster für Anfangsfahrzeugmerkmale produziert wird, die gefunden werden, wobei das Fokusfenster in den Suchergebnissen enthalten ist.
In Beispiel 13 weist der Gegenstand von Beispiel 12 optional auf, wobei zum Aktivieren des Klassifizierers der Controller das Fokusfenster an den Klassifizierer liefern soll, wobei der Klassifizierer eine Suche nach einem großen Fahrzeugmerkmal, das dem innerhalb des Fokusfensters gefundenen Anfangsfahrzeugmerkmal entspricht, begrenzen soll.
In Beispiel 14 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 3-13 optional auf, wobei die Schwellwertanzahl von Anfangsfahrzeugmerkmalen zwei beträgt.
In Beispiel 15 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 3-14 optional auf, wobei zum Suchen nach dem nachfolgenden Fahrzeugmerkmal der HSV-Merkmalsextrahierer ausführen soll: Durchführen einer Clustern des HSV-Platzs, um mehrere Blobs zu erzeugen; Zählen der mehreren Blobs; und Anzeigen, dass das nachfolgende Fahrzeugmerkmal gefunden ist, wenn die Blobs einen Schwellwert übersteigen.
In Beispiel 16 weist der Gegenstand von Beispiel 15 optional auf, wobei zum Durchführen einer Clusterung des HSV-Platzs der HSV-Merkmalsextrahierer durchführen soll: Ausführen einer k-Means-Clusterung zum Erzeugen von Segmenten; und Anwenden einer Mean-Verschiebung unter Verwendung von Farbton, Sättigung, Wert, x-Position und y-Position jedes der Segmente als Parameter.
In Beispiel 17 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 3-16 optional auf, wobei die Suchergebnisse vom ersten Typ sind, wenn der HSV-Merkmalsextrahierer nach dem nachfolgenden Fahrzeugmerkmal suchte und die Suchergebnisse ansonsten vom zweiten Typ sind.
In Beispiel 18 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 1-17 optional auf, wobei die großen Fahrzeugmerkmale eine Stoßstange und/oder eine Karosserie aufweisen.
Beispiel 19 ist mindestens ein maschinenlesbares Medium aufweisend Anweisungen, die bei Ausführung durch eine Maschine bewirken, dass die Maschine Operationen durchführt umfassend: Empfangen eines Farbbilds von einer Kamera, wobei das Bild einen Parkplatz aufweist; Durchführen einer kaskadierten Suche nach Fahrzeugmerkmalen in einer Farbton-Sättigungs-Wert(HSV - Hue Saturation Value)-konvertierten Version des Farbbilds zum Erzeugen von Suchergebnissen; Durchführen einer Suche nach großen Fahrzeugmerkmalen in dem Farbbild zum Erzeugen einer Anzeige von gefundenen großen Fahrzeugmerkmalen, wenn die Suchergebnisse von einem ersten Typ sind; und Ausgeben eines Belegungsindikators basierend auf den Suchergebnissen, wenn die Suchergebnisse von einem zweiten Typ sind, und ansonsten basierend auf der Anzeige.
In Beispiel 20 weist der Gegenstand von Beispiel 19 optional das Partitionieren des Farbbilds in einen Satz von Scanfenstern auf, wobei die kaskadierte Suche nach Fahrzeugmerkmalen oder die Suche nach großen Fahrzeugmerkmalen auf ein Fenster in dem Satz von Scanfenstern begrenzt ist.
In Beispiel 21 weisen der Gegenstand eines oder mehrerer beliebiger der Beispiele 19-20 optional auf, wobei das Durchführen der kaskadierten Suche das Suchen nach einem Satz von Anfangsfahrzeugmerkmalen und Fortfahren nach einem nachfolgenden Fahrzeugmerkmal zu suchen aufweist, wenn eine Schwellwertanzahl von Anfangsfahrzeugmerkmalen nicht gefunden werden.
In Beispiel 22 weist der Gegensand von Beispiel 21 optional auf, wobei das Suchen nach dem Satz von Anfangsfahrzeugmerkmalen in einem Farbtonraum des HSV-codierten Bilds durchgeführt wird, wobei der Farbtonraum als Pixel mit einem Wert und Sättigungspegel jenseits eines Schwellwerts definiert ist, wobei der Schwellwert mit dem Wert zunimmt.
In Beispiel 23 weist der Gegenstand von Beispiel 22 optional das Segmentieren des Farbtonraums nach Farbton auf.
In Beispiel 24 weist der Gegenstand von Beispiel 23 optional auf, wobei ein Rücklicht ein Anfangsfahrzeugmerkmal ist, wobei das Rücklicht durch ein rotes Farbtonsegment identifiziert wird.
In Beispiel 25 weist der Gegenstand von Beispiel 24 optional das Messen von Symmetrie zwischen dem roten Farbtonsegment und einem zweiten roten Farbtonsegment auf, um zu bestätigen, dass das Rücklicht identifiziert ist.
In Beispiel 26 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 23-25 optional auf, wobei eine kontrastierende Fahrzeugfarbe ein Anfangsfahrzeugmerkmal ist, wobei die kontrastierende Fahrzeugfarbe jenseits eines Schwellwerts ist, der von einer Oberflächenfarbe für den Parkplatz verschieden ist.
In Beispiel 27 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 22-26 optional auf, wobei das Suchen nach den Anfangsfahrzeugmerkmalen in einem Werteraum des HSV-codierten Bilds durchgeführt wird, wobei der Werteraum das Komplement zu dem Farbtonraum ist.
In Beispiel 28 weist der Gegenstand von Beispiel 27 optional auf, wobei ein Nummernschild ein Anfangsfahrzeugmerkmal ist, das durch ein Werteraumsegment entsprechend einem Formmodell eines Nummernschilds identifiziert wird.
In Beispiel 29 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 21-28 optional auf, wobei Anfangsfahrzeugmerkmalen, die gefunden werden, ein Confidence-Score auf Basis von Parametern der Suche zugewiesen wird.
In Beispiel 30 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 21-29 optional das Erzeugen eines Fokusfensters für Anfangsfahrzeugmerkmale auf, die gefunden werden, wobei das Fokusfenster eine geometrische Form hat, die das gefundene Anfangsfahrzeugmerkmal einschließt und kleiner ist als das Farbbild, wobei das Fokusfenster in den Suchergebnissen enthalten ist.
In Beispiel 31 weist der Gegenstand von Beispiel 30 optional auf, wobei das Durchführen der Suche nach großen Fahrzeugmerkmalen das Beschränken einer Suche nach einem großen Fahrzeugmerkmal aufweist, das dem innerhalb des Fokusfensters gefundenen Anfangsfahrzeugmerkmal entspricht.
In Beispiel 32 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiel 21-31 optional auf, wobei die Schwellwertanzahl von Anfangsfahrzeugmerkmalen zwei beträgt.
In Beispiel 33 weisen der Gegenstand nach einem oder mehreren beliebigen der Beispiele 21-32 optional auf, wobei das Suchen nach dem nachfolgenden Fahrzeugmerkmal aufweist: Clustern des HSV-Platzs, um mehrere Blobs zu erzeugen; Zählen der Blobs; und Anzeigen, dass das nachfolgende Fahrzeugmerkmal gefunden ist, wenn die Blobs einen Schwellwert übersteigen.
In Beispiel 34 weist der Gegenstand von Beispiel 33 optional auf, wobei das Clustern des HSV-Platzs aufweist: Ausführen einer k-Means-Clusterung zum Erzeugen von Segmenten; und Anwenden einer Mean-Verschiebung unter Verwendung von Farbton, Sättigung, Wert, x-Position und y-Position jedes der Segmente als Parameter.
In Beispiel 35 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 21-34 optional auf, wobei die Suchergebnisse vom ersten Typ sind, wenn das Suchen nach dem nachfolgenden Fahrzeugmerkmal durchgeführt wurde, und die Suchergebnisse ansonsten vom zweiten Typ sind.
In Beispiel 36 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 19-35 optional auf, wobei die großen Fahrzeugmerkmale eine Stoßstange und/oder eine Karosserie aufweisen.
Beispiel 37 ist ein Verfahren, aufweisend: Empfangen eines Farbbilds von einer Kamera, wobei das Bild einen Parkplatz aufweist; Durchführen einer kaskadierten Suche nach Fahrzeugmerkmalen in einer Farbton-Sättigungs-Wert(HSV - Hue Saturation Value)-konvertierten Version des Farbbilds zum Erzeugen von Suchergebnissen; Durchführen einer Suche nach großen Fahrzeugmerkmalen in dem Farbbild zum Erzeugen einer Anzeige von gefundenen großen Fahrzeugmerkmalen, wenn die Suchergebnisse von einem ersten Typ sind; und Ausgeben eines Belegungsindikators basierend auf den Suchergebnissen, wenn die Suchergebnisse von einem zweiten Typ sind, und ansonsten basierend auf der Anzeige.
In Beispiel 38 weist der Gegenstand von Beispiel 37 optional das Partitionieren des Farbbilds in einen Satz von Scanfenstern auf, wobei die kaskadierte Suche nach Fahrzeugmerkmalen oder die Suche nach großen Fahrzeugmerkmalen auf ein Fenster in dem Satz von Scanfenstern begrenzt ist.
In Beispiel 39 weisen der Gegenstand eines oder mehrerer beliebiger der Beispiele 37-38 optional auf, wobei das Durchführen der kaskadierten Suche das Suchen nach einem Satz von Anfangsfahrzeugmerkmalen und Fortfahren nach einem nachfolgenden Fahrzeugmerkmal zu suchen aufweist, wenn eine Schwellwertanzahl von Anfangsfahrzeugmerkmalen nicht gefunden werden.
In Beispiel 40 weist der Gegenstand von Beispiel 39 optional auf, wobei das Suchen nach dem Satz von Anfangsfahrzeugmerkmalen in einem Farbtonraum des HSV-codierten Bilds durchgeführt wird, wobei der Farbtonraum als Pixel mit einem Wert und Sättigungspegel jenseits eines Schwellwerts definiert ist, wobei der Schwellwert mit dem Wert zunimmt.
In Beispiel 41 weist der Gegenstand von Beispiel 40 optional das Segmentieren des Farbtonraums nach Farbton auf.
In Beispiel 42 weist der Gegenstand von Beispiel 41 optional auf, wobei ein Rücklicht ein Anfangsfahrzeugmerkmal ist, wobei das Rücklicht durch ein rotes Farbtonsegment identifiziert wird.
In Beispiel 43 weist der Gegenstand von Beispiel 42 optional das Messen von Symmetrie zwischen dem roten Farbtonsegment und einem zweiten roten Farbtonsegment auf, um zu bestätigen, dass das Rücklicht identifiziert ist.
In Beispiel 44 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 41-43 optional auf, wobei eine kontrastierende Fahrzeugfarbe ein Anfangsfahrzeugmerkmal ist, wobei die kontrastierende Fahrzeugfarbe jenseits eines Schwellwerts ist, der von einer Oberflächenfarbe für den Parkplatz verschieden ist.
In Beispiel 45 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 40-44 optional auf, wobei das Suchen nach den Anfangsfahrzeugmerkmalen in einem Werteraum des HSV-codierten Bilds durchgeführt wird, wobei der Werteraum das Komplement zu dem Farbtonraum ist.
In Beispiel 46 weist der Gegenstand von Beispiel 45 optional auf, wobei ein Nummernschild ein Anfangsfahrzeugmerkmal ist, das durch ein Werteraumsegment entsprechend einem Formmodell eines Nummernschilds identifiziert wird.
In Beispiel 47 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 39-46 optional auf, wobei Anfangsfahrzeugmerkmalen, die gefunden werden, ein Confidence-Score auf Basis von Parametern der Suche zugewiesen wird.
In Beispiel 48 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 39-47 optional das Erzeugen eines Fokusfensters für Anfangsfahrzeugmerkmale auf, die gefunden werden, wobei das Fokusfenster eine geometrische Form hat, die das gefundene Anfangsfahrzeugmerkmal einschließt und kleiner ist als das Farbbild, wobei das Fokusfenster in den Suchergebnissen enthalten ist.
In Beispiel 49 weist der Gegenstand von Beispiel 48 optional auf, wobei das Durchführen der Suche nach großen Fahrzeugmerkmalen das Beschränken einer Suche nach einem großen Fahrzeugmerkmal aufweist, das dem innerhalb des Fokusfensters gefundenen Anfangsfahrzeugmerkmal entspricht.
In Beispiel 50 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiel 39-49 optional auf, wobei die Schwellwertanzahl von Anfangsfahrzeugmerkmalen zwei beträgt.
In Beispiel 51 weisen der Gegenstand nach einem oder mehreren beliebigen der Beispiele 39-50 optional auf, wobei das Suchen nach dem nachfolgenden Fahrzeugmerkmal aufweist: Clustern des HSV-Platzs, um mehrere Blobs zu erzeugen; Zählen der Blobs; und Anzeigen, dass das nachfolgende Fahrzeugmerkmal gefunden ist, wenn die Blobs einen Schwellwert übersteigen.
In Beispiel 52 weist der Gegenstand von Beispiel 51 optional auf, wobei das Clustern des HSV-Platzs aufweist: Ausführen einer k-Means-Clusterung zum Erzeugen von Segmenten; und Anwenden einer Mean-Verschiebung unter Verwendung von Farbton, Sättigung, Wert, x-Position und y-Position jedes der Segmente als Parameter.
In Beispiel 53 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 39-52 optional auf, wobei die Suchergebnisse vom ersten Typ sind, wenn das Suchen nach dem nachfolgenden Fahrzeugmerkmal durchgeführt wurde, und die Suchergebnisse ansonsten vom zweiten Typ sind.
In Beispiel 54 weisen der Gegenstand von einem oder mehreren beliebigen der Beispiele 37-53 optional auf, wobei die großen Fahrzeugmerkmale eine Stoßstange und/oder eine Karosserie aufweisen.
Beispiel 55 ist ein System, aufweisend Mittel zum Durchführen eines beliebigen der Verfahren der Beispiele 37-54.
Beispiel 56 ist mindestens ein maschinenlesbares Medium, das Anweisungen aufweist, die bei Ausführung durch eine Maschine bewirken, dass die Maschine beliebige der Verfahren von Beispielen 37-54 durchführt.
Die obige detaillierte Beschreibung weist Referenzen auf die beiliegenden Zeichnungen auf, die einen Teil der detaillierten Beschreibung bilden. Die Zeichnungen zeigen als Veranschaulichung spezifische Ausführungsformen, in denen die Erfindung praktiziert werden kann. Diese Ausführungsformen werden hierin auch als „Beispiele“ bezeichnet. Solche Beispiele können Elemente zusätzlich zu den gezeigten oder beschriebenen aufweisen. Die Erfinder der vorliegenden Erfindung ziehen jedoch auch Beispiele in Betracht, in denen nur die gezeigten oder beschriebenen Elemente vorgesehen sind. Zudem ziehen die Erfinder der vorliegenden Erfindung auch Beispiele unter Verwendung einer beliebigen Kombination oder Permutation der gezeigten oder beschriebenen Elemente (oder eines oder mehrerer Aspekte davon) entweder bezüglich eines bestimmten Beispiels (oder eines oder mehrerer Aspekte davon) oder bezüglich anderer Beispiele (oder eines oder mehrerer Aspekte davon), die hierin gezeigt oder beschrieben sind, in Betracht.
Alle Veröffentlichungen, Patente und Patentdokumente, auf die in diesem Dokument Bezug genommen wird, sind durch Bezugnahme in ihrer Gesamtheit hierin aufgenommen, als wären sie einzeln durch Bezunahme aufgenommen. Im Fall einer uneinheitlichen Verwendung zwischen diesem Dokument und den durch Bezugnahme so aufgenommenen Dokumenten ist die Verwendung in der/den aufgenommenen Bezugnahme(n) als ergänzend zu der in diesem Dokument zu betrachten; im Fall von unvereinbaren Widersprüchlichkeiten ist die Verwendung in diesem Dokument bestimmend.
In diesem Dokument werden die Ausdrücke „ein/eine/einer“ verwendet, wie es in Patentdokumenten üblich ist, um einen oder mehr als einen aufzuweisen, unabhängig von beliebigen anderen Instanzen oder Verwendungen von „mindestens ein“ oder „einer oder mehrere“. In diesem Dokument wird der Ausdruck „oder“ verwendet, um sich auf ein nichtexklusives Oder zu beziehen, so dass „A oder B“ „A, aber nicht B“, „B, aber nicht A“ und „A und B“ aufweist, sofern nicht etwas Anderes angegeben ist. In diesem Dokument werden die Ausdrücke „aufweisend“ und „in denen“ als die Äquivalente der jeweiligen Ausdrücke „umfassend“ und „wobei“ in einfachem Deutsch verwendet. Außerdem sind in den folgenden Ansprüchen die Ausdrücke „einschließlich“ und „umfassend“ offen, das heißt, ein System, eine Vorrichtung, ein Artikel oder ein Prozess, das bzw. der bzw. die Elemente zusätzlich zu jenen nach einem derartigen Ausdruck in einem Anspruch aufgeführten aufweisen, werden immer noch so angesehen, dass sie in den Schutzbereich dieses Anspruchs fallen. Zudem werden in den folgenden Ansprüchen die Ausdrücke „erster“, „zweiter“ und „dritter“ usw. lediglich als Bezeichnungen verwendet und sollen ihren Objekten keine numerischen Anforderungen auferlegen.
Die obige Beschreibung soll veranschaulichend und nicht restriktiv sein. Beispielsweise können die oben beschriebenen Beispiele (oder ein oder mehrere Aspekte davon) in Kombination miteinander verwendet werden. Andere Ausführungsformen können verwendet werden, wie etwa von einem Durchschnittsfachmann bei Betrachtung der obigen Beschreibung. Die Zusammenfassung wird vorgelegt, damit der Leser die Natur der technischen Offenbarung schnell feststellen kann und wird in dem Verständnis vorgelegt, dass sie nicht verwendet wird, um den Schutzbereich oder die Bedeutung der Ansprüche zu interpretieren oder zu beschränken. Außerdem können in der obigen detaillierten Beschreibung verschiedene Merkmale miteinander gruppiert sein, um die Offenbarung zu vereinfachen. Dies sollte nicht so ausgelegt werden, dass damit beabsichtigt wird, dass ein unbeanspruchtes offenbartes Merkmal für irgendeinen Anspruch essenziell ist. Vielmehr kann der erfindungsgemäße Gegenstand in weniger als allen Merkmalen einer bestimmten offenbarten Ausführungsform liegen. Somit sind die folgenden Ansprüche hiermit in die detaillierte Beschreibung aufgenommen, wobei jeder Anspruch als eine separate Ausführungsform für sich selbst steht. Der Schutzumfang der Ausführungsformen sollte unter Bezugnahme auf die beiliegenden Ansprüche zusammen mit dem vollen Ausmaß an Äquivalenten, zu denen solche Ansprüche berechtigt sind, bestimmt werden.

Claims

Verfahren für einen Fahrzeugbelegungs-Sichtsensor, wobei das Verfahren aufweist: Empfangen eines Farbbilds von einer Kamera, wobei das Bild einen Parkplatz aufweist; Durchführen einer kaskadierten Suche nach Fahrzeugmerkmalen in einer Farbton-Sättigungs-Wert(HSV - Hue Saturation Value)-konvertierten Version des Farbbilds zum Erzeugen von Suchergebnissen; und Ausgeben eines Belegungsindikators als Reaktion darauf, dass die Suchergebnisse einen Confidence-Score über einen Confidence-Schwellwert aufweisen.
Verfahren nach Anspruch 1, aufweisend: Empfangen eines zweiten Farbbilds von der Kamera, wobei das zweite Farbbild den Parkplatz aufweist; Durchführen einer zweiten kaskadierten Suche nach Fahrzeugmerkmalen in einer zweiten HSV-konvertierten Version des zweiten Farbbilds zum Erzeugen zweiter Suchergebnisse Durchführen, als Reaktion darauf, dass die zweiten Suchergebnisse einen Confidence-Score unter dem Confidence-Schwellwert aufweisen, einer Suche durch einen Klassifizierer nach großen Fahrzeugmerkmalen in dem Farbbild zum Erzeugen einer Anzeige von gefundenen großen Fahrzeugmerkmalen; und Ausgeben eines zweiten Belegungsindikators auf Basis der Anzeige von gefundenen großen Fahrzeugmerkmalen.
Verfahren nach Anspruch 1, wobei das Durchführen der kaskadierten Suche das Suchen nach einem Satz von Anfangsfahrzeugmerkmalen und Fortfahren nach einem nachfolgenden Fahrzeugmerkmal zu suchen aufweist, wenn eine Schwellwertanzahl an Anfangsfahrzeugmerkmalen nicht gefunden wird.
Verfahren nach Anspruch 3, wobei das Suchen nach dem Satz von Anfangsfahrzeugmerkmalen in einem Farbtonraum des HSV-codierten Bilds durchgeführt wird, wobei der Farbtonraum als Pixel mit einem Wert und einem Sättigungspegel jenseits eines Schwellwerts definiert ist, wobei der Schwellwert mit dem Wert zunimmt.
Verfahren nach Anspruch 4, aufweisend das Segmentieren des Farbtonraums nach Farbton.
Verfahren nach Anspruch 5, wobei ein Rücklicht ein Anfangsfahrzeugmerkmal ist, wobei das Rücklicht durch ein rotes Farbtonsegment identifiziert wird.
Verfahren nach Anspruch 5, wobei eine kontrastierende Fahrzeugfarbe ein Anfangsfahrzeugmerkmal ist, wobei die kontrastierende Fahrzeugfarbe jenseits eines zweiten Schwellwerts ist, der von einer Oberflächenfarbe für den Parkplatz verschieden ist.
Verfahren nach Anspruch 4, wobei das Suchen nach den Anfangsfahrzeugmerkmalen in einem Werteraum des HSV-codierten Bilds durchgeführt wird, wobei der Werteraum das Komplement zu dem Farbtonraum ist.
Verfahren nach Anspruch 8, wobei ein Nummernschild ein Anfangsfahrzeugmerkmal ist, das durch ein Werteraumsegment entsprechend einem Formmodell eines Nummernschilds identifiziert wird.
Verfahren nach Anspruch 3, wobei Anfangsfahrzeugmerkmalen, die gefunden werden, ein Confidence-Score auf Basis von Parametern der Suche zugewiesen wird.
Verfahren nach Anspruch 3, aufweisend das Erzeugen eines Fokusfensters für Anfangsfahrzeugmerkmale, die gefunden werden, wobei das Fokusfenster eine geometrische Form hat, die das gefundene Anfangsfahrzeugmerkmal einschließt und kleiner ist als das Farbbild, wobei das Fokusfenster in den Suchergebnissen enthalten ist.
Verfahren nach Anspruch 3, wobei das Suchen nach dem nachfolgenden Fahrzeugmerkmal aufweist: Clustern des HSV-Platzs, um mehrere Blobs zu erzeugen; Zählen der Blobs; und Anzeigen, dass das nachfolgende Fahrzeugmerkmal gefunden ist, wenn die Blobs einen Schwellwert übersteigen.
Verfahren nach Anspruch 12, wobei das Clustern des HSV-Platzs aufweist: Ausführen einer k-Means-Clusterung zum Erzeugen von Segmenten; und Anwenden einer Mean-Verschiebung unter Verwendung von Farbton, Sättigung, Wert, x-Position und y-Position jedes der Segmente als Parameter.
System umfassend Mittel zum Durchführen eines beliebigen der Verfahren nach Ansprüchen 1-13.
Mindestens ein maschinenlesbares Medium aufweisend Anweisungen, die bei Ausführung durch eine Maschine bewirken, dass die Maschine ein beliebiges der Verfahren nach den Ansprüchen 1-13 ausführt.