WO2020237822A1 - 一种学习型智能泊车方法及系统 - Google Patents
一种学习型智能泊车方法及系统 Download PDFInfo
- Publication number
- WO2020237822A1 WO2020237822A1 PCT/CN2019/098635 CN2019098635W WO2020237822A1 WO 2020237822 A1 WO2020237822 A1 WO 2020237822A1 CN 2019098635 W CN2019098635 W CN 2019098635W WO 2020237822 A1 WO2020237822 A1 WO 2020237822A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- parking space
- target
- target parking
- image
- learning
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 76
- 238000012545 processing Methods 0.000 claims description 40
- 238000010606 normalization Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 7
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000006386 memory function Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Images
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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
Definitions
- the invention relates to the technical field of parking, in particular to a learning type intelligent parking method and system.
- the present invention provides a learning type intelligent parking method and system.
- the technical scheme of the present invention is as follows:
- a learning intelligent parking method includes the following steps:
- Detect the target parking space obtain the parking space identification information of the target parking space, and perform feature extraction on the acquired parking space identification to obtain the template characteristics of the target parking space;
- Detect the current parking space obtain the target parking space of the same type as the current parking space, obtain the area of interest of the current parking space according to the parking space identification information of the same type of target parking space, and perform feature extraction on the area of interest of the current parking space to obtain the parking space identification feature of the current parking space ;
- the parking space identification feature of the current parking space is compared and matched with the template feature of the target parking space to determine whether the current parking space is the target parking space.
- the comparison and matching between the parking space identification feature of the current parking space and the template feature of the target parking space specifically includes:
- the calculation result is compared with the preset threshold. When the calculation result is greater than or equal to the preset threshold, it is determined that the parking space identification feature of the current parking space matches the template feature of the target parking space successfully, and the parking operation is completed.
- the acquisition of template features of the target parking space specifically includes:
- the first image processing specifically includes:
- the second image processing specifically includes:
- the third image processing is performed on the split first detection units respectively to obtain the image features of the multiple first detection units, that is, the image features of the parking space signs.
- the third image processing specifically includes:
- acquiring the parking space identification feature information of the current parking space specifically includes:
- the fourth image processing is performed on the split second detection units respectively to obtain the image characteristics of the multiple second detection units, that is, the parking space identification characteristics of the current parking space.
- the fourth image processing specifically includes:
- the split second detection units are filtered and enhanced respectively; at the same time, the gradient directions and amplitudes of the multiple second detection units are respectively calculated to obtain the position and feature value of each second detection unit, that is, each The image characteristics of the second detection unit.
- a learning type intelligent parking system adopts a learning type intelligent parking method to realize intelligent parking.
- the system includes a learning type module, a random type module, and a parking module.
- the learning type module and the random type module are respectively related to the parking Module connection, the learning model block includes a learning target parking space module and a detection target parking space module;
- the learning target parking space module is used to learn and memorize multiple target parking spaces
- the detection target parking space module is used to detect parking spaces and perform feature matching with the target parking spaces to find the target parking spaces;
- the random module is used to detect available parking spaces, so that the user can select a target parking space
- the parking module is used to complete parking operations.
- the present invention can well cover the application requirements of the target parking space, has strong objectives, can simplify user interaction, and provide a more intelligent user experience. At the same time, it can provide the memory function of multiple target parking spaces to meet the user application needs of multi-target parking scenarios, and anyone can park the car in the correct target parking space.
- Figure 1 is a flow chart of the method of the present invention.
- FIG. 2 is a flow chart of the steps of comparing and matching the parking space identification feature of the current parking space and the template feature of the target parking space in the method of the present invention.
- Fig. 3 is a flow chart of the steps for obtaining the template characteristics of the target parking space in the method of the present invention.
- Figure 4 is a flow chart of the steps in the method of the present invention to obtain the parking space identification feature of the current parking space.
- Fig. 5 is a schematic diagram of the position of the parking space mark in the method of the present invention.
- Fig. 6 is a schematic diagram of the position of the parking space mark in the method of the present invention.
- Fig. 7 is a schematic diagram of the position of the parking space mark in the method of the present invention.
- Figure 8 is a block diagram of the system of the present invention.
- a learning type intelligent parking method includes the following steps:
- This step is shown in Figure 2 and specifically includes:
- the types of parking spaces include vertical parking spaces, horizontal parking spaces and oblique parking spaces.
- S102 Determine the interest area of the target parking space according to the parking space type, and perform the first image processing on the interest area of the target parking space to obtain parking space identification information of the target parking space.
- the purpose of determining the region of interest of the target parking space is to narrow the detection range, and the parking space identification positions of the vertical parking space and the horizontal parking space are relatively fixed.
- the first image processing of the area of interest of the target parking space specifically includes:
- the second image processing of the parking space identification area specifically includes:
- the projection of the second detection image in the vertical and horizontal directions is calculated, and the second detection image is split according to the position of the projection trough to obtain a plurality of first detection units.
- the parking space identification is A023, at this time, the parking space identification is divided into four first detection units A, 0, 2, and 3.
- the first detection unit after the split contains one letter or number respectively.
- the third image processing is performed on the split first detection units respectively to obtain the image features of the multiple first detection units, that is, the image features of the parking space signs.
- the third image processing specifically includes:
- the image features of the multiple first detection units are recorded as the image features of the parking space identification, and the image feature value of the parking space identification and the relationship between the image feature value and the parking space type and location of the target parking space are recorded and stored.
- This step is shown in Figure 3 and specifically includes:
- Detect the current parking space determine the parking space type of the current parking space, and search for the same target parking space in the stored memory target parking space types. If not found, the user selects the target parking space. If found, read the corresponding parking space identification area phase of the target parking space For the corresponding image template, the parking space identification area corresponding to the image template is used as the interest area of the current parking space.
- the brightness normalization process and the binarization process are sequentially performed on the interest area of the current parking space to obtain the third detection image with only black and white.
- the fourth image processing is performed on the split second detection units respectively to obtain the image characteristics of the multiple second detection units, that is, the parking space identification characteristics of the current parking space.
- the fourth image processing specifically includes:
- the split second detection units are filtered and enhanced respectively; at the same time, the gradient directions and amplitudes of the multiple second detection units are respectively calculated to obtain the position and feature value of each second detection unit, that is, each The image characteristics of the second detection unit.
- This step is shown in Figure 4 and specifically includes:
- the image features of the multiple second detection units in the feature value of the parking space of the current parking space are converted into multiple first histogram shapes, and at the same time, the multiple first detections of the template feature values of the target parking space are The image features of the unit are transformed into multiple second histogram shapes.
- each calculation result needs to be greater than or equal to a preset threshold before the matching is considered successful, otherwise the matching is unsuccessful and the user needs to select the target parking space.
- the preset threshold value setting range is 0.6-0.9, preferably, the preset threshold value setting range is 0.7-0.8, and in this embodiment, the preset threshold value is set to 0.75.
- a learning type intelligent parking system adopts the learning type intelligent parking method described in embodiment 1 to realize intelligent parking.
- the system includes a learning type module, a random type module and a parking module, a learning type module and a random type module Respectively connected with the parking module, the learning model block includes a learning target parking space module and a detection target parking space module;
- the learning target parking space module is used to learn and memorize multiple target parking spaces.
- the learning target parking space module specifically includes learning any form of parking space signs, numbers, letters, combinations of numbers and letters or other parking space markings; at the same time, it can also learn and memorize multiple target parking spaces, such as family parking spaces, company parking spaces, and other fixed parking spaces.
- the parking space type and logo type that limit the fixed parking space can be any parking space type and pattern.
- the detection target parking space module is used to detect the parking space and perform feature matching with the target parking space to find the target parking space.
- the detection target parking space module can accurately match the target parking space, and directly prompt the user to park, without the user to make a second selection confirmation, which simplifies the operation process and makes it more intelligent.
- the random module is used to detect available parking spaces so that the user can select the target parking space.
- the random module detects that the target parking space module does not match the target parking space, it detects the available parking spaces around so that the user can select the target parking space.
- the parking module is used to complete the parking operation. That is, after the user determines the target parking space, the parking module is activated to complete the parking operation.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
一种学习型智能泊车方法和系统，所述方法包括检测目标车位，获取目标车位的车位标识信息，对获取的车位标识进行特征提取以得到目标车位的模板特征；检测当前车位，获取与当前车位类型相同的目标车位，根据类型相同的目标车位的车位标识信息获取当前车位的感兴趣区域；对当前车位的感兴趣区域进行特征提取以得到当前车位的车位标识特征；将当前车位的车位标识特征与目标车位的模板特征进行比较匹配，以判断当前车位是否是目标车位。所述方法可以很好的覆盖目标车位的应用需求，有很强的目标性，可以简化用户交互，提供更加智能的用户体验。同时可以提供多个目标车位的记忆功能，满足多目标车位场景的用户应用需求。
Description
本发明涉及泊车技术领域，特别是涉及一种学习型智能泊车方法及系统。
随着汽车消费的快速增长，汽车安全问题被普遍的关注，人们越来越渴望高科技带来的安全与便捷。因此，汽车ADAS系统被广泛应用，越多越多的电子系统在汽车上应用。电子技术的应用已经改变了汽车的面貌，成为影响汽车发展的核心技术。随着经济的发展，汽车的保有量越来越高，停车难问题已经成为当今社会的一个共性问题，亟待解决。智能泊车系统就应运而生了，目前市场上的智能泊车系统以纯超声波的为主，更高级的是图像和超声波的融合智能泊车系统。目前这种融合性的智能泊车系统会把所有能识别出来的车位都提供给用户去选择，不管用户是否想要，增加了用户选择难度。
发明内容
本发明为克服上述现有技术所述的不足，提供一种学习型智能泊车方法及系统。
为解决上述技术问题，本发明的技术方案如下：
一种学习型智能泊车方法，包括如下步骤：
检测目标车位，获取目标车位的车位标识信息，对获取的车位标识进行特征提取以得到目标车位的模板特征；
检测当前车位，获取与当前车位类型相同的目标车位，根据类型相同的目标车位的车位标识信息获取当前车位的感兴趣区域，对当前车位的感兴趣区域进行特征提取以得到当前车位的车位标识特征；
将当前车位的车位标识特征与目标车位的模板特征进行比较匹配，以判断当前车位是否是目标车位。
进一步的，作为优选技术方案，当前车位的车位标识特征与目标车位的模板特征进行比较匹配具体包括：
将当前车位的车位标识特征值转化为第一直方图形状，同时将目标车位的模板特征值转化为第二直方图形状；
采用通过皮尔森相关性系数方法对第一直方图形状和第二直方图形状进行相似性计算；
将计算结果与预设阈值进行比较，当计算结果大于等于预设阈值时，则判断当前车位的车位标识特征与目标车位的模板特征匹配成功，完成泊车操作。
进一步的，作为优选技术方案，目标车位的模板特征的获取具体包括：
检测目标车位的车位框，确定车位类型；
根据车位类型确定目标车位的感兴趣区域，对目标车位的感兴趣区域进行第一次图像处理，以得到目标车位的车位标识信息；
对车位标识区域进行第二次图像处理，以得到车位标识的图像特征，将车位标识的图像特征作为目标车位的模板特征。
进一步的，作为优选技术方案，还包括：
记录存储目标车位的车位类型和位置；
记录存储目标车位的车位标识信息，并将车位标识区域作为图像模板；
记录存储车位标识的图像特征值以及其与目标车位的车位类型和位置之间的关系。
进一步的，作为优选技术方案，第一次图像处理具体包括：
对目标车位的感兴趣区域依次进行亮度归一化处理和二值化处理以得到只有黑白两色的第一检测图像；
计算第一检测图像在垂直和水平方向的投影，并根据垂直和水平方向的投影确定投影的交叉区域位置；
将投影的交叉区域位置记录为目标车位的车位标识信息。
进一步的，作为优选技术方案，第二次图像处理具体包括：
对目标车位的车位标识区域依次进行亮度归一化处理和二值化处理以得到只有黑白两色的第二检测图像；
计算第二检测图像在垂直和水平方向的投影，并根据投影的波谷位置对第二检测图像进行拆分以得到多个第一检测单元；
对拆分后的多个第一检测单元分别进行第三次图像处理，以得到多个第一检测单元的图像特征，即得到车位标识的图像特征。
进一步的，作为优选技术方案，第三次图像处理具体包括：
对拆分后的多个第一检测单元分别进行滤波、增强；同时，分别计算多个第一检测单元的梯度方向和幅值，以得到每个第一检测单元的位置和特征值，即每个第一检测单元的图像特征。
进一步的，作为优选技术方案，当前车位的车位标识特征信息的获取具体包括：
对当前车位的感兴趣区域依次进行亮度归一化处理和二值化处理以得到只有黑白两色的第三检测图像；
计算第三检测图像在垂直和水平方向的投影，并根据投影的波谷位置对第三检测图像进行拆 分以得到多个第二检测单元；
对拆分后的多个第二检测单元分别进行第四次图像处理，以得到多个第二检测单元的图像特征，即得到当前车位的车位标识特征。
进一步的，作为优选技术方案，第四次图像处理具体包括：
对拆分后的多个第二检测单元分别进行滤波、增强；同时，分别计算多个第二检测单元的梯度方向和幅值，以得到每个第二检测单元的位置和特征值，即每个第二检测单元的图像特征。
一种学习型智能泊车系统，采用学习型智能泊车方法实现智能泊车，所述系统包括学习型模块、随机型模块以及泊车模块，所述学习型模块和随机型模块分别与泊车模块连接，所述学习型模式块包括学习目标车位模块和检测目标车位模块；
所述学习目标车位模块用于学习并记忆多个目标车位；
所述检测目标车位模块用于检测泊车位并与目标车位进行特征匹配以找到目标车位；
所述随机型模块用于检测可用泊车位，以使用户选择目标车位；
所述泊车模块用于完成泊车操作。
与现有技术相比，本发明技术方案的有益效果是：
本发明可以很好的覆盖目标车位的应用需求，有很强的目标性，可以简化用户交互，提供更加智能的用户体验。同时可以提供多个目标车位的记忆功能，满足多目标车位场景的用户应用需求，无论是谁都可以让本车停到正确的目标车位。
图1为本发明方法步骤流程图。
图2为本发明方法中当前车位的车位标识特征与目标车位的模板特征比较匹配的步骤流程图。
图3为本发明方法中获取目标车位的模板特征的步骤流程图。
图4为本发明方法中获取当前车位的车位标识特征步骤流程图。
图5为本发明方法中车位标识位置示意图。
图6为本发明方法中车位标识位置示意图。
图7为本发明方法中车位标识位置示意图。
图8为本发明系统框图。
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的；相同或相似的标号对应相同或相似的 部件；附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制。
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征更易被本领域技术人员理解，从而对本发明的保护范围作出更为清楚的界定。
实施例1
一种学习型智能泊车方法，如图1所示，包括如下步骤：
S10.检测目标车位，获取目标车位的车位标识信息，对获取的车位标识进行特征提取以得到目标车位的模板特征。
本步骤如图2所示，具体包括：
S101.检测目标车位的车位框，确定车位类型；记录存储目标车位的车位类型和位置。其中，车位类型包括垂直车位、水平车位和斜车位。
S102.根据车位类型确定目标车位的感兴趣区域，对目标车位的感兴趣区域进行第一次图像处理，以得到目标车位的车位标识信息。
在本步骤中，确定目标车位的感兴趣区域是为了缩小检测范围，而垂直车位和水平车位的车位标识位置相对来说比较固定。
对目标车位的感兴趣区域进行第一次图像处理具体包括：
对目标车位的感兴趣区域进行亮度归一化处理，以减少不同光照对同一个车位标识的干扰，比如在地库，开灯和不开灯的场景下，车位标识的亮度就不一样；然后进行二值化处理以简化图像，从而得到只有黑白两色的第一检测图像。
计算第一检测图像在垂直和水平方向的投影，并根据垂直和水平方向的投影确定投影的交叉区域位置，以在目标车位的感兴趣区域内找到准确的车位标识位置，如图5-7所示，车位标识位于车位线外、车位标识位于车位线上和车位标识位于车位线内。
在此步骤中，由于垂直方向的投影会集中在上部，水平方向的投影会居中，这样两部分投影交叉的区域就是真正的车位标识区域。
将投影的交叉区域位置记录为目标车位的车位标识信息，记录存储目标车位的车位标识信息，并将车位标识区域作为图像模板。
S103.对车位标识区域进行第二次图像处理，以得到车位标识的图像特征，将车位标识的图像特征作为目标车位的模板特征。
在本步骤中，车位标识区域进行第二次图像处理具体包括：
对目标车位的车位标识区域依次进行亮度归一化处理，和二值化处理以得到只有黑白两色的 第二检测图像。
计算第二检测图像在垂直和水平方向的投影，并根据投影的波谷位置对第二检测图像进行拆分以得到多个第一检测单元。
例如：车位标识为A023，此时，将车位标识拆分为A、0、2、3四个第一检测单元。当车位标识为多个字母和数字组成时，拆分后的第一检测单元分别包含一个字母或数字。
对拆分后的多个第一检测单元分别进行第三次图像处理，以得到多个第一检测单元的图像特征，即得到车位标识的图像特征。
第三次图像处理具体包括：
对拆分后的多个第一检测单元分别进行滤波、增强；同时，分别计算多个第一检测单元的梯度方向和幅值，以得到每个第一检测单元的位置和特征值，即每个第一检测单元的图像特征。将多个第一检测单元的图像特征记为车位标识的图像特征，记录存储车位标识的图像特征值以及其与目标车位的车位类型和位置之间的关系。
S20.检测当前车位，获取与当前车位类型相同的目标车位，根据类型相同的目标车位的车位标识信息获取当前车位的感兴趣区域，对当前车位的感兴趣区域进行特征提取以得到当前车位的车位标识特征；
本步骤如图3所示，具体包括：
检测当前车位，确定当前车位的车位类型，并在已存储记忆的目标车位类型中搜索相同的目标车位，若没有找到，则用户选择目标车位，若找到，读取对应目标车位的车位标识区域相对应的图像模板，将该图像模板所对应的车位标识区域作为当前车位的感兴趣区域。
对当前车位的感兴趣区域依次进行亮度归一化处理和二值化处理以得到只有黑白两色的第三检测图像。
计算第三检测图像在垂直和水平方向的投影，并根据投影的波谷位置对第三检测图像进行拆分以得到多个第二检测单元。
对拆分后的多个第二检测单元分别进行第四次图像处理，以得到多个第二检测单元的图像特征，即得到当前车位的车位标识特征。
第四次图像处理具体包括：
对拆分后的多个第二检测单元分别进行滤波、增强；同时，分别计算多个第二检测单元的梯度方向和幅值，以得到每个第二检测单元的位置和特征值，即每个第二检测单元的图像特征。
S30.将当前车位的车位标识特征与目标车位的模板特征进行比较匹配，以判断当前车位是否是目标车位。
本步骤如图4所示，具体包括：
S301.将当前车位的车位标识特征值转化为第一直方图形状，同时将目标车位的模板特征值转化为第二直方图形状。
本步骤中，是将当前车位的车位标识特征值中的多个第二检测单元的图像特征转化为多个第一直方图形状，同时将目标车位的模板特征值中的多个第一检测单元的图像特征转化为多个第二直方图形状。
S302.采用通过皮尔森相关性系数方法对第一直方图形状和第二直方图形状进行相似性计算。其计算结果为0-1中间的一个值。
即，将多个第一直方图形状分别与对应的第二直方图形状进行相似性计算，以得到多个计算结果。
S303.将计算结果与预设阈值进行比较，当计算结果大于等于预设阈值时，则判断当前车位的车位标识特征与目标车位的模板特征匹配成功，完成泊车操作。
本步骤中，需要每个计算结果均大于等于预设阈值，才认为匹配成功，否则匹配不成功，需要用户选择目标车位。
其中，预设阈值设置范围为0.6-0.9，优选的，预设阈值设置范围为0.7-0.8，在本实施例中，预设阈值设置为0.75。
实施例2
一种学习型智能泊车系统，采用实施例1所述的学习型智能泊车方法实现智能泊车，所述系统包括学习型模块、随机型模块以及泊车模块，学习型模块和随机型模块分别与泊车模块连接，学习型模式块包括学习目标车位模块和检测目标车位模块；
学习目标车位模块用于学习并记忆多个目标车位。
学习目标车位模块具体包括学习任何形式的车位标志，数字、字母、数字字母组合或者其他的车位标记；同时还可以学习并记忆多个目标车位，比如家庭车位，公司车位，以及其他固定车位，不限定固定车位的车位类型和标识类型，可以是任意的车位类型和图案。
检测目标车位模块用于检测泊车位并与目标车位进行特征匹配以找到目标车位。
检测目标车位模块可以精确的匹配目标车位，并直接提示用户可以泊入，不需要用户再去做二次选择确认，简化了操作流程，使其更加智能。
随机型模块用于检测可用泊车位，以使用户选择目标车位。
随机型模块在检测目标车位模块没有匹配到目标车位时，检测周围可用的车位，以使用户选择目标车位。
泊车模块用于完成泊车操作。即在用户确定目标车位后，启动泊车模块完成泊车操作。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
- 一种学习型智能泊车方法，其特征在于，包括如下步骤：检测目标车位，获取目标车位的车位标识信息，对获取的车位标识进行特征提取以得到目标车位的模板特征；检测当前车位，获取与当前车位类型相同的目标车位，根据类型相同的目标车位的车位标识信息获取当前车位的感兴趣区域，对当前车位的感兴趣区域进行特征提取以得到当前车位的车位标识特征；将当前车位的车位标识特征与目标车位的模板特征进行比较匹配，以判断当前车位是否是目标车位。
- 根据权利要求1所述的学习型智能泊车方法，其特征在于，当前车位的车位标识特征与目标车位的模板特征进行比较匹配具体包括：将当前车位的车位标识特征值转化为第一直方图形状，同时将目标车位的模板特征值转化为第二直方图形状；采用通过皮尔森相关性系数方法对第一直方图形状和第二直方图形状进行相似性计算；将计算结果与预设阈值进行比较，当计算结果大于等于预设阈值时，则判断当前车位的车位标识特征与目标车位的模板特征匹配成功，完成泊车操作。
- 根据权利要求1所述的学习型智能泊车方法，其特征在于，目标车位的模板特征的获取具体包括：检测目标车位的车位框，确定车位类型；根据车位类型确定目标车位的感兴趣区域，对目标车位的感兴趣区域进行第一次图像处理，以得到目标车位的车位标识信息；对车位标识区域进行第二次图像处理，以得到车位标识的图像特征，将车位标识的图像特征作为目标车位的模板特征。
- 根据权利要求3所述的学习型智能泊车方法，其特征在于，还包括：记录存储目标车位的车位类型和位置；记录存储目标车位的车位标识信息，并将车位标识区域作为图像模板；记录存储车位标识的图像特征值以及其与目标车位的车位类型和位置之间的关系。
- 根据权利要求3所述的学习型智能泊车方法，其特征在于，第一次图像处理具体包括：对目标车位的感兴趣区域依次进行亮度归一化处理和二值化处理以得到只有黑白两色的第一检测图像；计算第一检测图像在垂直和水平方向的投影，并根据垂直和水平方向的投影确定投影的交叉 区域位置；将投影的交叉区域位置记录为目标车位的车位标识信息。
- 根据权利要求3所述的学习型智能泊车方法，其特征在于，第二次图像处理具体包括：对目标车位的车位标识区域依次进行亮度归一化处理和二值化处理以得到只有黑白两色的第二检测图像；计算第二检测图像在垂直和水平方向的投影，并根据投影的波谷位置对第二检测图像进行拆分以得到多个第一检测单元；对拆分后的多个第一检测单元分别进行第三次图像处理，以得到多个第一检测单元的图像特征，即得到车位标识的图像特征。
- 根据权利要求6所述的学习型智能泊车方法，其特征在于，第三次图像处理具体包括：对拆分后的多个第一检测单元分别进行滤波、增强；同时，分别计算多个第一检测单元的梯度方向和幅值，以得到每个第一检测单元的位置和特征值，即每个第一检测单元的图像特征。
- 根据权利要求1所述的学习型智能泊车方法，其特征在于，当前车位的车位标识特征信息的获取具体包括：对当前车位的感兴趣区域依次进行亮度归一化处理和二值化处理以得到只有黑白两色的第三检测图像；计算第三检测图像在垂直和水平方向的投影，并根据投影的波谷位置对第三检测图像进行拆分以得到多个第二检测单元；对拆分后的多个第二检测单元分别进行第四次图像处理，以得到多个第二检测单元的图像特征，即得到当前车位的车位标识特征。
- 根据权利要求8所述的学习型智能泊车方法，其特征在于，第四次图像处理具体包括：对拆分后的多个第二检测单元分别进行滤波、增强；同时，分别计算多个第二检测单元的梯度方向和幅值，以得到每个第二检测单元的位置和特征值，即每个第二检测单元的图像特征。
- 一种学习型智能泊车系统，其特征在于，采用权利要求1-9任一项所述的学习型智能泊车方法实现智能泊车，所述系统包括学习型模块、随机型模块以及泊车模块，所述学习型模块和随机型模块分别与泊车模块连接，所述学习型模式块包括学习目标车位模块和检测目标车位模块；所述学习目标车位模块用于学习并记忆多个目标车位；所述检测目标车位模块用于检测泊车位并与目标车位进行特征匹配以找到目标车位；所述随机型模块用于检测可用泊车位，以使用户选择目标车位；所述泊车模块用于完成泊车操作。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910449950.5A CN112016342A (zh) | 2019-05-28 | 2019-05-28 | 一种学习型智能泊车方法及系统 |
| CN201910449950.5 | 2019-05-28 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2020237822A1 true WO2020237822A1 (zh) | 2020-12-03 |
Family
ID=73500667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2019/098635 WO2020237822A1 (zh) | 2019-05-28 | 2019-07-31 | 一种学习型智能泊车方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112016342A (zh) |
| WO (1) | WO2020237822A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113032272A (zh) * | 2021-03-31 | 2021-06-25 | 东风柳州汽车有限公司 | 自动泊车系统试验评价方法、装置、设备及存储介质 |
| CN115240462A (zh) * | 2022-06-24 | 2022-10-25 | 中国第一汽车股份有限公司 | 车位识别方法及装置、车辆 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120078686A1 (en) * | 2010-09-27 | 2012-03-29 | Bashani Gilad G | Parking status system |
| CN105160322A (zh) * | 2015-09-07 | 2015-12-16 | 北京航空航天大学 | 基于航拍图像的室外停车场空置停车位识别方法 |
| CN108022431A (zh) * | 2017-12-04 | 2018-05-11 | 珠海横琴小可乐信息技术有限公司 | 一种通过视频采集图像检测车位的方法及系统 |
| CN108986527A (zh) * | 2018-07-17 | 2018-12-11 | 新华三云计算技术有限公司 | 一种停车位引导方法、装置、系统及电子设备 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014072909A1 (en) * | 2012-11-06 | 2014-05-15 | S-Parking Technologies Ltd. | Parking spot coordination system |
| CN104608766B (zh) * | 2014-12-29 | 2016-10-12 | 李德毅 | 智能车利用泊车记忆棒自动泊车的方法及系统 |
| US10268201B2 (en) * | 2017-02-28 | 2019-04-23 | Mitsubishi Electric Research Laboratories, Inc. | Vehicle automated parking system and method |
| JP2018180618A (ja) * | 2017-04-04 | 2018-11-15 | トヨタ自動車株式会社 | 駐車場、駐車場管理システム及び駐車場管理方法 |
| CN108052929A (zh) * | 2017-12-29 | 2018-05-18 | 湖南乐泊科技有限公司 | 车位状态检测方法、系统、可读存储介质和计算机设备 |
| CN109583392A (zh) * | 2018-12-05 | 2019-04-05 | 北京纵目安驰智能科技有限公司 | 一种车位检测方法、装置和存储介质 |
| CN109766757B (zh) * | 2018-12-11 | 2023-09-01 | 惠州市德赛西威汽车电子股份有限公司 | 一种融合车辆和视觉信息的泊车位高精度定位方法及系统 |
-
2019
- 2019-05-28 CN CN201910449950.5A patent/CN112016342A/zh active Pending
- 2019-07-31 WO PCT/CN2019/098635 patent/WO2020237822A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120078686A1 (en) * | 2010-09-27 | 2012-03-29 | Bashani Gilad G | Parking status system |
| CN105160322A (zh) * | 2015-09-07 | 2015-12-16 | 北京航空航天大学 | 基于航拍图像的室外停车场空置停车位识别方法 |
| CN108022431A (zh) * | 2017-12-04 | 2018-05-11 | 珠海横琴小可乐信息技术有限公司 | 一种通过视频采集图像检测车位的方法及系统 |
| CN108986527A (zh) * | 2018-07-17 | 2018-12-11 | 新华三云计算技术有限公司 | 一种停车位引导方法、装置、系统及电子设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113032272A (zh) * | 2021-03-31 | 2021-06-25 | 东风柳州汽车有限公司 | 自动泊车系统试验评价方法、装置、设备及存储介质 |
| CN113032272B (zh) * | 2021-03-31 | 2024-02-02 | 东风柳州汽车有限公司 | 自动泊车系统试验评价方法、装置、设备及存储介质 |
| CN115240462A (zh) * | 2022-06-24 | 2022-10-25 | 中国第一汽车股份有限公司 | 车位识别方法及装置、车辆 |
| CN115240462B (zh) * | 2022-06-24 | 2023-10-27 | 中国第一汽车股份有限公司 | 车位识别方法及装置、车辆 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112016342A (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11094198B2 (en) | Lane determination method, device and storage medium | |
| CN107729818B (zh) | 一种基于深度学习的多特征融合车辆重识别方法 | |
| CN104392205A (zh) | 一种非正常车牌的识别方法和系统 | |
| CN105260733A (zh) | 用于处理图像信息的方法和装置 | |
| US20140092244A1 (en) | Object search method, search verification method and apparatuses thereof | |
| WO2020237822A1 (zh) | 一种学习型智能泊车方法及系统 | |
| CN112862881B (zh) | 基于众包多车摄像头数据的道路地图构建与融合的方法 | |
| JP5737399B2 (ja) | 赤目判定装置 | |
| CN102902957A (zh) | 一种基于视频流的自动车牌识别方法 | |
| CN103699532A (zh) | 图像颜色检索方法和系统 | |
| CN107316315A (zh) | 一种基于模板匹配的目标识别定位方法 | |
| CN110544268B (zh) | 一种基于结构光及SiamMask网络的多目标跟踪方法 | |
| CN104778465A (zh) | 一种基于特征点匹配的目标跟踪方法 | |
| CN108073926A (zh) | 一种车牌识别方法及装置 | |
| CN110245544A (zh) | 一种确定停车状态的方法及装置 | |
| CN104966300A (zh) | 轴承滚子图像检测系统及方法及图像检测装置 | |
| JP2002259969A (ja) | 画像検出装置、プログラムおよび記録媒体 | |
| CN112232368B (zh) | 目标识别模型训练方法、目标识别方法及其相关装置 | |
| CN109493611A (zh) | 一种车牌识别方法及装置 | |
| CN111126414A (zh) | 一种基于深度学习的装修图内图块识别方法 | |
| CN109643363B (zh) | 特征提取和对象检测的方法、系统和装置 | |
| Zhang et al. | An improved parking space recognition algorithm based on panoramic vision | |
| CN111340045A (zh) | 车牌号码的识别方法、装置及存储介质 | |
| Moizumi et al. | Traffic light detection considering color saturation using in-vehicle stereo camera | |
| CN113591725B (zh) | 一种鸣笛车辆提取方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 19931215 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 19931215 Country of ref document: EP Kind code of ref document: A1 |