CN107886080A - 一种泊车位检测方法 - Google Patents

一种泊车位检测方法 Download PDF

Info

Publication number
CN107886080A
CN107886080A CN201711185021.5A CN201711185021A CN107886080A CN 107886080 A CN107886080 A CN 107886080A CN 201711185021 A CN201711185021 A CN 201711185021A CN 107886080 A CN107886080 A CN 107886080A
Authority
CN
China
Prior art keywords
parking stall
parking
image
feature
mark point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711185021.5A
Other languages
English (en)
Inventor
张�林
李林申
李曦媛
刘潇
沈莹
徐燕凌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201711185021.5A priority Critical patent/CN107886080A/zh
Publication of CN107886080A publication Critical patent/CN107886080A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G06T3/047—Fisheye or wide-angle transformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30264—Parking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

一种泊车位检测方法，包括以下步骤：(1)获取车辆周围的信息作为输入；(2)在步骤(1)所获取的输入上进行标记点检测；(3)通过步骤(2)获取的标记点实现车位推断。通过实验证实，本发明的算法能准确地判断出环视图像中的车位位置，并且能做到符合实时性的算法效率。本发明的作用为自动驾驶领域的自动泊车场景中关键步骤，给出车位在车辆坐标系中的精确位置。实现在没有附加基础设施的基础上，也可以由车辆自身的摄像头，检测车位的位置。

Description

一种泊车位检测方法
技术领域
本发明属于智能驾驶的辅助泊车领域，涉及车位检测方法，尤其是基于视觉机器学习的车位检测方法。
背景技术
汽车是当今使用最广泛的交通工具，汽车的数量日渐庞大，汽车行业也不仅仅满足于现状。汽车行业经过几十年的发展，从最早期的可行驶，到今天的一个综合多项复杂技术的专业性学科，未来更是向无人驾驶发展。所谓的无人驾驶，指的是不需要驾驶者就能启动、行驶以及停止，带给人们更加智能、安全的乘坐体验；而无人驾驶技术，集自动控制、人工智能、视觉计算为一体，是模式识别领域与汽车领域的有机结合的产物。在无人驾驶的目标任务中，主要分为对高速公路与城市路段的行驶、自动泊车两方面。自动泊车，是无人驾驶非常关键而困难的任务。在驾驶员驾驶过程中引起的车辆损坏，多半不是重大的交通事故，而是泊车过程中引起的碰擦。因此，泊车的操作复杂，是最容易发生事故的驾驶过程。设计一套完整的***，来实现此过程的自动化十分必要。
为了解决在自动泊车方面的基于视觉的车位检测问题，已有的探索包括：Xu等人的“Vision-guided automatic parking for smart car”，是此领域的先驱工作，他们提出了基于神经网络的色彩分割来识别停车位标志线；Du and Tan等在“Autonomous reverseparking system based on robust path generation and improved sliding modecontrol”中，先将岭检测子(ridge detector)作用于图像上，然后通过噪声滤波、连通标注、去除像素较少的成员，最后返回车位标志线中轴位置，但此方法需要人为操作介入；Wang等人在“Automatic parking based on a bird’s eye view vision system”中，提出在Radon空间中检测，并认为此方法比Hough变换对于噪声容忍更鲁棒，但缺点是此方法对线的粗细较为敏感；Suhr和Jung等人在“Automatic parking space detection andtracking for underground and indoor environments”中，特别为室内地下车位设计了一种车位检测方法，他们用RANSAC算法对边缘像素来做鲁棒的线匹配。然后使用基于倒角匹配的距离变换。此方法的局限在于只能检测垂直车位，不能检测平行车位，且车位标志线的入口线必须清晰。
发明内容
本发明的目的在于提供辅助泊车技术方案，尤其是针对感知部分所存在的困难，提供一种泊车位检测算法，基于机器学习，从图像中检测出车位，并返回该车位的位置信息。
为达到上述目的，本发明的解决方案是：
一种泊车位检测方法，包括以下步骤：
(1)获取车辆周围的信息作为输入；
(2)在步骤(1)所获取的输入上进行标记点检测；
(3)通过步骤(2)获取的标记点实现车位推断。
进一步，步骤(1)中，所述输入是车辆周围的环视图像；
优选的，采用机器学习算法加以实现；优选的，包括以下步骤：
(a)、在所获取的输入中提取特征；(b)、用预先训练的检测子进行滑窗检测，检测出候选标记点的位置；(c)、根据候选标记点推断车位的位置和朝向。
步骤(a)中所述特征包括：特征一，归一化强度；特征二，梯度幅值；特征三，带方向的梯度幅值；优选的，最终得到八层特征图像，每层特征图像长宽均为图像的长宽，一层对应一种图像特征，其中特征一一层，特征二一层，特征三六层，分别为0，60，90，180，240，300，360度的方向上的梯度幅值。
步骤(b)中，使用滑窗遍历特征图像，对滑窗中的特征图块，进行二分分类，判断图块是否是标记点；如果是标记点，则根据滑窗位置得出标记点在图像中的位置；
优选的，所述的二分分类算法使用Adaboost算法和决策树预先训练完成，进一步使用constant soft-cascade恒定软级联策略和训练得到的检测子来检测。
步骤(c)中，任取两个检测获得的标记点，判断周围的区域是否符合车位模版，求得车位位置以及朝向；
优选的，步骤(c)中，需要剔除两点连线穿过其它有效车位点的点对；
优选的，步骤(c)中，推断车位深度由先验知识推断，最终输出车位四角的顶点位置。
所述标记点，指的是以车位线交叉点为中心的局部图块；通过一个二元分类器来检测标记点图案，此分类器的输入是一个局部图块，输出是一个布尔值，指出输入的局部图块是否是标记点图案。
数据集方面，以采集的环视图像数据集来训练数据，方法是将图像中的正样本区域和负样本区域截取，用于训练检测子，以下将此种区域称为图块；根据自主建立的环视图像数据集的标定，所有正样本训练图块可以被直接提取，所有负样本训练图块用拔靴法被提取，即利用有限样本资料经由多次重复抽样，重新由数据集的完整图像提取不包含正样本的图块构成负样本。
检测到标记点后，按照以下方式推断出合理的车位：
给定两个检测到的标记点P1和P2，接下来需要判断从P1指向P2的有向线段是不是一个合理的车位入口线；步骤一，的长度需要符合先验知识中的车库入口线长度约束范围；步骤二，P1和P2四周的图块要符合车位模型如下所述的条件：连线上，向里有标志线，向外没有，同时连线的垂直方向上，从P1和P2出发垂直于的标志线需要在同一侧，另一侧没有，符合此规律的两个标记点，才被判定为入口线的候选项。
所述输入是可以清楚、无死角地显示车辆四周的环视图像；优选的，采用鸟瞰图视频流，优选的，所述鸟瞰图是由车辆前后左右的鱼眼摄像头视频流，经过去畸变和逆透视变换，模仿顶视图拼接而成的无透视无畸变的图像。
在不同的停车场景光照情况存在差异的情况下，训练样本中的彩色环视图像以及在测试阶段输入的彩色环视图像都需要先被转化成灰度图像。
由于采用了上述技术方案，本发明具有以下有益效果：本发明利用机器学习的技术，检测车位检测问题中的视觉特征，并使算法做到稳定高效，能够适应场景变化。
本发明的算法能准确地判断出环视图像中的车位位置，并且能做到符合实时性的算法效率。本发明的作用为自动驾驶领域的自动泊车场景中关键步骤，可给出车位在车辆坐标系中的精确位置，实现在没有附加基础设施的基础上，也可以由车辆自身的摄像头，检测车位的位置。
附图说明
图1A所示为本发明中所述的车位标记点，在平行车位中的位置。
图1B所示为本发明中所述的车位标记点，在第一种垂直车位中的位置。
图1C所示为本发明中所述的车位标记点，在第二种垂直车位中的位置。
图2A所示为本发明中T型标记点方向的标注规则。
图2B所示为本发明中L型标记点方向的标注规则之一。
图2C所示为本发明中L型标记点方向的标注规则之二。
图2D所示为本发明中L型标记点方向的标注规则之三。
图2E所示为本发明中L型标记点方向的标注规则之四。
图3所示为展示了本发明标记点检测过程中的主要步骤流程的框图。
图4所示为标识了高斯线模版作用位置的对应编号并辅助解释了车位检验的方法的示意图。
具体实施方式
以下结合附图对本发明进一步加以说明。
本发明的解决方案是：
(1)获取输入；输入是由任何形式获取的鸟瞰图视频流，本发明的鸟瞰图是由车辆前后左右的鱼眼摄像头视频流，经过去畸变，和逆透视变换，模仿顶视图拼接而成的无透视无畸变的图像，可以清楚地无死角地显示车辆四周，故又称环视图像，以下皆称为环视；
(2)标记点检测；本发明的输入是环视，在环视图像上进行标记点检测。首先提取环视的特征，再逐个滑窗遍历图像，对滑窗中的图块，使用预先由Adaboost算法+决策树训练完成的二分分类器，进行二分分类，判断图块是否是标记点，以获得标记点在图像中的位置；
(3)车位推断；任取两个检测获得的标记点，判断周围的区域是否符合车位模版，求得车位朝向，并且剔除两点连线穿过其他有效车位点的点对。将所有合理的点对作为车位入口线，推断车位深度，最终输出车位四角的顶点位置。
本发明的设计可以同时满足检测垂直车位和平行车位的需要。本发明通过检测T形或L形的标记点图案，求得入口线的位置。本检测算法分为两个阶段，第一步，检测标记点，第二步，根据检测到的标记点推断车位位置。
下面具体介绍每个环节具体内容：
一、标记点检测
标记点图案，指的是以车位线交叉点为中心的局部图块，如图1A、图1B、图1C所示，圈出了本发明中所述的车位标记点在车位标志线中的位置。
本发明设计了一个二元分类器来检测标记点图案，此分类器的输入是一个局部图块，输出是一个布尔值，指出输入的局部图块是否是标记点图案。
数据集方面，以采集的环视图像数据集来训练数据，方法是将图像中的正样本区域和负样本区域截取，用于训练检测子，以下将此种区域称为图块。根据自主建立的环视图像数据集的标定，所有正样本训练图块可以被直接提取，所有负样本训练图块用拔靴法(bootstrapping)被提取，即利用有限样本资料经由多次重复抽样，重新由数据集的完整图像提取不包含正样本的图块构成负样本。需要强调的是，对于车位检测问题，色度(chrominance)信息是不稳定的，因为在不同的停车场景光照情况也有显著差异。所以训练样本中的彩色环视图像需要先被转化至灰度图像。同样地，在测试阶段输入的彩色环视图像也需要先被转化成灰度图像。
在训练标记点检测子之前，特征和分类模型需要被确定。特征方面，本发明用到三种特征。分类模型方面，本发明使用Adaboost算法和决策树来训练，用constant soft-cascade(恒定软级联)策略和训练得到的检测子来检测。
特征的选择和计算过程如下：
特征一是归一化强度(normalized intensity)，计算方法如下，
Gray＝0.299*R+0.587*G+0.114*B
其中R为环视图像的红色通道，G为环视图像的绿色通道，B为环视图像的蓝色通道，Gray是灰度图像，min函数是求矩阵的最小值，max函数是求矩阵的最大值。最终，Graynorm是所求的特征，即归一化后的灰度图像，也称为归一化强度；
特征二是梯度幅值(gradient magnitude)。对于给定图像I，计算方法如下，
其横向和纵向的偏导图Gx和Gy可以通过对I(x)用Sobel梯度算子滤波计算得到。最终，GM是所求的特征，即梯度幅值。
特征三是带方向的梯度幅值，第i方向上的梯度幅值图Qi。定义如下，
Qi＝GM·1(Θ＝＝i),i＝1,2…,No
其中1(.)是指示函数，Θ是量化梯度角度，取值是[1,No]。
给定图块，归一化强度图、梯度幅值图、方向梯度图被向量化，然后被联结成最终的特征向量，传入分类器的即为此多层特征而非原图。
训练阶段的具体实现过程如下：
首先需要考虑的问题是训练样本分类。标记点可以是不同方向的，单检测子会不够准确。需要训练多个检测子，每个检测子负责检测一个特定范围内角度的标记点。为了检测精度与速度的平衡，训练四个检测子detj是负责检测范围内的检测子。为了训练多个检测子，在标注标记点正样本在图像中位置的同时，也同时标注标记点的方向。方向的标记方法如图2A、图2B、图2C、图2D、图2E所示，解释了本发明中标记点方向的标注规则，其中：黑色轮廓表示标记点周围的白线，其中箭头表示该种白线分布情况的标注方向，如果标记点白线有三个方向，可看作T型点，标记的方向为T字一竖的方向从交叉点向下；如果标记点白线有两个方向，可看作L型点，标记的方向为L字一竖的方向从交叉点向上；因此此种标记法可以适应旋转。当正样本图块被提取时，先要将其方向旋转至0。然后为了训练detj，每个被提取的正样本图块，都要被旋转一系列角度其中rk是一个随机数均匀分布于[-1,1]，K定义了可能旋转的个数。由此可知，如果标注了Np个正样本，则会有KNp个正样本来训练检测子detj。
分类器方面，使用机器学习领域流行的Adaboost框架，将经过上述预处理的数据，代入算法框架，即可训练出该框架的分类器，也称检测子，对此框架的细节描述如下。分类器H由M个弱分类器组成，表示如下，
其中，x是输入，ht是一个弱分类器，用的是浅决策树，包含K个维度的参数，αt是对应的权重，是Adaboost训练时根据误差调整的权重。如果H(x)>0，x被分为正，且H(x)可用作该输入样本的置信度。训练分几个阶段进行，每个阶段之后，都需要做bootstrapping来为下个阶段提取负样本。最终在训练阶段得到，4个检测子，每个检测子中有M个弱分类器乘以K维特征的决策树参数，作为训练结果，供检测阶段使用。
检测阶段的具体实现过程如下：
在检测阶段，如果用基本的Adaboost分类器会很慢。用级联结构是一种普遍的做法来减少复杂分类器的计算负担。为了简化训练，用constant soft-cascade(恒定软级联)策略代替了一个真实的级联结构。训练期间，对于树ht的结点i，记录加权的对数比定义如下，
其中，pi是到达该结点的正样本在到达该结点的所有样本中的比例。可以衡量到达该结点样本的阳性率。在测试阶段，当一个测试样本t到达一个结点对应的对数比小于一个预定义的常量阈值θ，测试随即停止，由于t是正样本的概率太小。最终只有可能为正的输入样本才不会中断，判断到最后，并求得置信度。训练标记点检测子，以及将检测子作用在环视图像上的主要步骤，已在图3中展示。
二、车位推测
检测到标记点后，就可根据一些规则推断出合理的车位。
给定两个检测到的标记点P1和P2，接下来需要判断(表示从P1指向P2的有向线段)是不是一个合理的车位入口线。步骤一，的长度需要符合先验知识中的车库入口线长度约束范围。步骤二，P1和P2四周的图块要符合车位模型如下所述，连线上，向里有标志线，向外没有，同时连线的垂直方向上，从P1和P2出发垂直于的标志线需要在同一侧，另一侧没有，符合此规律的两个标记点，才会被判定为入口线的候选项。用高斯线模版来检验P1和P2四周的图块。六个高斯线模版作用于P1和P2的相对位置，如图4所示，获得r1～r6六个响应值，再通过阈值t与一系列简单的规则检验响应值，来确定确定的车位是否是一个合理的车位。同时也可确定车位是在的顺时针一侧还是逆时针一侧。检验规则如下表所示：
经过上述步骤，可以确定一系列车位入口线候选项，但有一种情况会使候选项相互干扰。当两个相邻的垂直车位的入口线和被确定是两个垂直车位的入口线候选项时，同时会被确定是一个平行车位的入口线候选项。那么，当确定了一系列入口线候选项后，需要排除此类穿过合理标记点的候选项，来消除矛盾。
最后，合理的入口线被保留，并被转换为合理的车位信息，再将信息传递给决策模块算法。其中车位的深度(与入口线垂直的另一侧线的长度)是以先验知识的形式得到，即根据标准车位的深度为依据设为定值。另外，本发明也可以在环视图像检测到的多个车位中，选择决定第一个检测到的车位，作为推荐车位返回给决策模块算法。
以下结合具体实验对本发明的有益效果进行说明：
实验设置：
使用了5100张图像提取标记点正样本(对应的有13，364个正样本)，2400张图像提取标记点负样本，600张图像用作评价标记点检测算法的测试图像数据集，500张图像用作评价最终车位检测的测试图像数据集。
1)标记点检测评价实验：
在本发明中，标记点检测是关键步骤，为了对比实验，用一些经典的物体检测算法，VJ，HoG+SVM，HoG+LBP，PLS，HIKSVM，MultiFtr，Roerei，计算平均对数错失率，本方法为最低21.22％，第二名的方法为Roerei为26.17％。
2)车位检测评价实验：
为了检测本方法最终对车位的识别精度，采用以下评价指标
最终在标注测试集中，包含500个经标注的车位真值图像，最终结果，真阳性703个，假阴性58个，假阳性8个。由此可得，本方法的车位检测准确率达到了98.87％，召回率达到92.38％。
由实验结果可知，最后车位推测的步骤，能够排除错误的候选标记点，得到最终令人满意的车位检测准确率。另外，为符合车载工控机的计算能力，本发明在2.4GHZ IntelCore i5CPU和4G RAM的配置上，CPU计算能达到20～25fps的效率，同时兼顾检测率。本发明被证明能在实际场景下使用，对此领域是一个开创性的方法，可以作为对比基准方法。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (10)

1.一种泊车位检测方法，其特征在于，包括以下步骤：
(1)获取车辆周围的信息作为输入；
(2)在步骤(1)所获取的输入上进行标记点检测；
(3)通过步骤(2)获取的标记点实现车位推断。
2.根据权利要求1所述的泊车位检测方法，其特征在于，步骤(1)中，所述输入是车辆周围的环视图像；
优选的，采用机器学习算法加以实现；优选的，包括以下步骤：
(a)、在所获取的输入中提取特征；(b)、用预先训练的检测子进行滑窗检测，检测出候选标记点的位置；(c)、根据候选标记点推断车位的位置和朝向。
3.根据权利要求2所述的泊车位检测方法，其特征在于，步骤(a)中所述特征包括：特征一，归一化强度；特征二，梯度幅值；特征三，带方向的梯度幅值；优选的，最终得到八层特征图像，每层特征图像长宽均为图像的长宽，一层对应一种图像特征，其中特征一一层，特征二一层，特征三六层，分别为0，60，90，180，240，300，360度的方向上的梯度幅值。
4.根据权利要求2所述的泊车位检测方法，其特征在于，步骤(b)中，使用滑窗遍历特征图像，对滑窗中的特征图块，进行二分分类，判断图块是否是标记点；如果是标记点，则根据滑窗位置得出标记点在图像中的位置；
优选的，所述的二分分类算法使用Adaboost算法和决策树预先训练完成，进一步使用constant soft-cascade恒定软级联策略和训练得到的检测子来检测。
5.根据权利要求2所述的泊车位检测方法，其特征在于，步骤(c)中，任取两个检测获得的标记点，判断周围的区域是否符合车位模版，求得车位位置以及朝向；
优选的，步骤(c)中，需要剔除两点连线穿过其它有效车位点的点对；
优选的，步骤(c)中，推断车位深度由先验知识推断，最终输出车位四角的顶点位置。
6.根据权利要求2所述的泊车位检测方法，其特征在于，所述标记点，指的是以车位线交叉点为中心的局部图块；通过一个二元分类器来检测标记点图案，此分类器的输入是一个局部图块，输出是一个布尔值，指出输入的局部图块是否是标记点图案。
7.根据权利要求2所述的泊车位检测方法，其特征在于，
数据集方面，以采集的环视图像数据集来训练数据，方法是将图像中的正样本区域和负样本区域截取，用于训练检测子，以下将此种区域称为图块；根据自主建立的环视图像数据集的标定，所有正样本训练图块可以被直接提取，所有负样本训练图块用拔靴法被提取，即利用有限样本资料经由多次重复抽样，重新由数据集的完整图像提取不包含正样本的图块构成负样本。
8.根据权利要求1所述的泊车位检测方法，其特征在于，检测到标记点后，按照以下方式推断出合理的车位：
给定两个检测到的标记点P1和P2，接下来需要判断从P1指向P2的有向线段是不是一个合理的车位入口线；步骤一，的长度需要符合先验知识中的车库入口线长度约束范围；步骤二，P1和P2四周的图块要符合车位模型如下所述的条件：连线上，向里有标志线，向外没有，同时连线的垂直方向上，从P1和P2出发垂直于的标志线需要在同一侧，另一侧没有，符合此规律的两个标记点，才被判定为入口线的候选项。
9.根据权利要求1所述的泊车位检测方法，其特征在于，所述输入是可以清楚、无死角地显示车辆四周的环视图像；优选的，采用鸟瞰图视频流，优选的，所述鸟瞰图是由车辆前后左右的鱼眼摄像头视频流，经过去畸变和逆透视变换，模仿顶视图拼接而成的无透视无畸变的图像。
10.根据权利要求1所述的泊车位检测方法，其特征在于，在不同的停车场景光照情况存在差异的情况下，训练样本中的彩色环视图像以及在测试阶段输入的彩色环视图像都需要先被转化成灰度图像。
CN201711185021.5A 2017-11-23 2017-11-23 一种泊车位检测方法 Pending CN107886080A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711185021.5A CN107886080A (zh) 2017-11-23 2017-11-23 一种泊车位检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711185021.5A CN107886080A (zh) 2017-11-23 2017-11-23 一种泊车位检测方法

Publications (1)

Publication Number Publication Date
CN107886080A true CN107886080A (zh) 2018-04-06

Family

ID=61774776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711185021.5A Pending CN107886080A (zh) 2017-11-23 2017-11-23 一种泊车位检测方法

Country Status (1)

Country Link
CN (1) CN107886080A (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564814A (zh) * 2018-06-06 2018-09-21 清华大学苏州汽车研究院（吴江） 一种基于图像的停车场车位检测方法及装置
CN108766022A (zh) * 2018-06-11 2018-11-06 青岛串并联电子科技有限公司 基于机器学习的停车场车位状态识别方法及***
CN108875911A (zh) * 2018-05-25 2018-11-23 同济大学 一种泊车位检测方法
CN109034211A (zh) * 2018-07-04 2018-12-18 广州市捷众智能科技有限公司 一种基于机器学习的车位状态检测方法
CN109726637A (zh) * 2018-12-03 2019-05-07 初速度（苏州）科技有限公司 用弹性多边形表示停车位区域的停车位检测***及方法
CN110135360A (zh) * 2019-05-17 2019-08-16 北京深醒科技有限公司 一种基于局部二值模式和支持向量机的车位识别方法
CN110147094A (zh) * 2018-11-08 2019-08-20 北京初速度科技有限公司 一种基于车载环视***的车辆定位方法及车载终端
CN110348407A (zh) * 2019-07-16 2019-10-18 同济大学 一种泊车位检测方法
CN110544386A (zh) * 2019-09-18 2019-12-06 奇瑞汽车股份有限公司 车位识别方法、装置及存储介质
CN110634192A (zh) * 2018-05-31 2019-12-31 丰田自动车株式会社 停车场出借装置、停车场出借***及停车场出借方法
CN110705359A (zh) * 2019-09-05 2020-01-17 北京智行者科技有限公司 一种车位检测方法
WO2020019930A1 (zh) * 2018-07-25 2020-01-30 广州小鹏汽车科技有限公司 一种自动泊车方法及装置
CN110956846A (zh) * 2019-12-11 2020-04-03 济宁市众帮来袭信息科技有限公司 一种停车服务方法、装置、***及存储介质
CN111016918A (zh) * 2018-10-10 2020-04-17 上海汽车集团股份有限公司 一种库位检测方法、装置和模型训练装置
CN111028534A (zh) * 2018-10-09 2020-04-17 杭州海康威视数字技术股份有限公司 一种泊车位检测方法及装置
CN111191485A (zh) * 2018-11-14 2020-05-22 广州汽车集团股份有限公司 一种车位检测方法及其***、汽车
WO2020124988A1 (zh) * 2018-12-21 2020-06-25 广州小鹏汽车科技有限公司 一种基于视觉的车位检测方法及装置
CN111376895A (zh) * 2018-12-29 2020-07-07 上海汽车集团股份有限公司 一种环视泊车感知方法、装置、自动泊车***和车辆
CN111508260A (zh) * 2019-01-30 2020-08-07 上海欧菲智能车联科技有限公司 车辆停车位检测方法、装置和***
CN111610033A (zh) * 2019-02-22 2020-09-01 广州汽车集团股份有限公司 自动泊车***的测试方法和装置
CN111814773A (zh) * 2020-09-07 2020-10-23 广州汽车集团股份有限公司 一种划线车位识别方法及***
CN111845720A (zh) * 2020-06-30 2020-10-30 北京百度网讯科技有限公司 控制车辆的方法和装置、电子设备以及存储介质
CN111951603A (zh) * 2020-08-20 2020-11-17 华人运通(上海)自动驾驶科技有限公司 空闲车位获取方法、共享方法、车辆及服务器
CN112417926A (zh) * 2019-08-22 2021-02-26 广州汽车集团股份有限公司 车位识别方法、装置、计算机设备及可读存储介质
WO2021068588A1 (zh) * 2019-10-12 2021-04-15 东软睿驰汽车技术（沈阳）有限公司 车位及其方向角度检测方法、装置、设备及介质
CN115131762A (zh) * 2021-03-18 2022-09-30 广州汽车集团股份有限公司 一种车辆泊车方法、***及计算机可读存储介质
CN116189137A (zh) * 2022-12-07 2023-05-30 深圳市速腾聚创科技有限公司 车位检测方法、电子设备及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102306274A (zh) * 2011-06-17 2012-01-04 东北大学 一种停车位状态识别装置及方法
CN102663357A (zh) * 2012-03-28 2012-09-12 北京工业大学 基于颜色特征的停车场车位检测算法
CN102903119A (zh) * 2012-05-22 2013-01-30 北京国铁华晨通信信息技术有限公司 一种目标跟踪方法和装置
CN103473950A (zh) * 2012-06-06 2013-12-25 刘鉵 一种停车场车位监控方法
CN106327520A (zh) * 2016-08-19 2017-01-11 苏州大学 一种运动目标检测方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102306274A (zh) * 2011-06-17 2012-01-04 东北大学 一种停车位状态识别装置及方法
CN102663357A (zh) * 2012-03-28 2012-09-12 北京工业大学 基于颜色特征的停车场车位检测算法
CN102903119A (zh) * 2012-05-22 2013-01-30 北京国铁华晨通信信息技术有限公司 一种目标跟踪方法和装置
CN103473950A (zh) * 2012-06-06 2013-12-25 刘鉵 一种停车场车位监控方法
CN106327520A (zh) * 2016-08-19 2017-01-11 苏州大学 一种运动目标检测方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LINSHEN LI ET AL.: "VISION-BASED PARKING-SLOT DETECTION：A BENCHMARK AND A LEARNING-BASED APPROACH", 《2017 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO (ICME)》 *

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875911A (zh) * 2018-05-25 2018-11-23 同济大学 一种泊车位检测方法
CN108875911B (zh) * 2018-05-25 2021-06-18 同济大学 一种泊车位检测方法
CN110634192A (zh) * 2018-05-31 2019-12-31 丰田自动车株式会社 停车场出借装置、停车场出借***及停车场出借方法
CN108564814A (zh) * 2018-06-06 2018-09-21 清华大学苏州汽车研究院（吴江） 一种基于图像的停车场车位检测方法及装置
CN108564814B (zh) * 2018-06-06 2020-11-17 清华大学苏州汽车研究院（吴江） 一种基于图像的停车场车位检测方法及装置
CN108766022A (zh) * 2018-06-11 2018-11-06 青岛串并联电子科技有限公司 基于机器学习的停车场车位状态识别方法及***
CN108766022B (zh) * 2018-06-11 2020-02-04 青岛串并联电子科技有限公司 基于机器学习的停车场车位状态识别方法及***
CN109034211A (zh) * 2018-07-04 2018-12-18 广州市捷众智能科技有限公司 一种基于机器学习的车位状态检测方法
WO2020019930A1 (zh) * 2018-07-25 2020-01-30 广州小鹏汽车科技有限公司 一种自动泊车方法及装置
CN111028534A (zh) * 2018-10-09 2020-04-17 杭州海康威视数字技术股份有限公司 一种泊车位检测方法及装置
CN111016918A (zh) * 2018-10-10 2020-04-17 上海汽车集团股份有限公司 一种库位检测方法、装置和模型训练装置
CN111016918B (zh) * 2018-10-10 2021-08-17 上海汽车集团股份有限公司 一种库位检测方法、装置和模型训练装置
CN110147094A (zh) * 2018-11-08 2019-08-20 北京初速度科技有限公司 一种基于车载环视***的车辆定位方法及车载终端
CN111191485B (zh) * 2018-11-14 2023-08-08 广州汽车集团股份有限公司 一种车位检测方法及其***、汽车
CN111191485A (zh) * 2018-11-14 2020-05-22 广州汽车集团股份有限公司 一种车位检测方法及其***、汽车
CN109726637A (zh) * 2018-12-03 2019-05-07 初速度（苏州）科技有限公司 用弹性多边形表示停车位区域的停车位检测***及方法
WO2020124988A1 (zh) * 2018-12-21 2020-06-25 广州小鹏汽车科技有限公司 一种基于视觉的车位检测方法及装置
CN111376895A (zh) * 2018-12-29 2020-07-07 上海汽车集团股份有限公司 一种环视泊车感知方法、装置、自动泊车***和车辆
CN111508260A (zh) * 2019-01-30 2020-08-07 上海欧菲智能车联科技有限公司 车辆停车位检测方法、装置和***
CN111610033A (zh) * 2019-02-22 2020-09-01 广州汽车集团股份有限公司 自动泊车***的测试方法和装置
CN110135360A (zh) * 2019-05-17 2019-08-16 北京深醒科技有限公司 一种基于局部二值模式和支持向量机的车位识别方法
CN110348407A (zh) * 2019-07-16 2019-10-18 同济大学 一种泊车位检测方法
CN112417926B (zh) * 2019-08-22 2024-02-27 广州汽车集团股份有限公司 车位识别方法、装置、计算机设备及可读存储介质
CN112417926A (zh) * 2019-08-22 2021-02-26 广州汽车集团股份有限公司 车位识别方法、装置、计算机设备及可读存储介质
CN110705359A (zh) * 2019-09-05 2020-01-17 北京智行者科技有限公司 一种车位检测方法
CN110544386A (zh) * 2019-09-18 2019-12-06 奇瑞汽车股份有限公司 车位识别方法、装置及存储介质
WO2021068588A1 (zh) * 2019-10-12 2021-04-15 东软睿驰汽车技术（沈阳）有限公司 车位及其方向角度检测方法、装置、设备及介质
CN110956846A (zh) * 2019-12-11 2020-04-03 济宁市众帮来袭信息科技有限公司 一种停车服务方法、装置、***及存储介质
CN110956846B (zh) * 2019-12-11 2021-06-25 济宁市众帮来袭信息科技有限公司 一种停车服务方法、装置、***及存储介质
US11414071B2 (en) 2020-06-30 2022-08-16 Beijing Baidu Netcom Science Technology Co., Ltd. Method and apparatus for controlling vehicle, and storage medium
CN111845720A (zh) * 2020-06-30 2020-10-30 北京百度网讯科技有限公司 控制车辆的方法和装置、电子设备以及存储介质
CN111951603A (zh) * 2020-08-20 2020-11-17 华人运通(上海)自动驾驶科技有限公司 空闲车位获取方法、共享方法、车辆及服务器
CN111814773A (zh) * 2020-09-07 2020-10-23 广州汽车集团股份有限公司 一种划线车位识别方法及***
CN115131762A (zh) * 2021-03-18 2022-09-30 广州汽车集团股份有限公司 一种车辆泊车方法、***及计算机可读存储介质
CN116189137A (zh) * 2022-12-07 2023-05-30 深圳市速腾聚创科技有限公司 车位检测方法、电子设备及计算机可读存储介质
CN116189137B (zh) * 2022-12-07 2023-08-04 深圳市速腾聚创科技有限公司 车位检测方法、电子设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN107886080A (zh) 一种泊车位检测方法
CN108875911A (zh) 一种泊车位检测方法
CN106373394B (zh) 一种基于视频和雷达的车辆检测方法及***
CN104240256B (zh) 一种基于层次化稀疏建模的图像显著性检测方法
CN107729801A (zh) 一种基于多任务深度卷积神经网络的车辆颜色识别***
CN106326893A (zh) 一种基于区域辨别的车辆颜色识别方法
CN107229929A (zh) 一种基于r‑cnn的车牌定位方法
CN103824081B (zh) 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法
CN102855500A (zh) 一种基于Haar和HoG特征的前车检测方法
CN110197589A (zh) 一种基于深度学习的闯红灯违法检测方法
CN103034852B (zh) 静止摄像机场景下特定颜色行人的检测方法
CN104657717B (zh) 一种基于分层核稀疏表示的行人检测方法
Huang et al. Spatial-temproal based lane detection using deep learning
Zhang et al. Study on traffic sign recognition by optimized Lenet-5 algorithm
CN105551264A (zh) 一种基于车牌特征匹配的车速检测方法
CN107273832A (zh) 基于积分通道特征与卷积神经网络的车牌识别方法及***
CN108446696A (zh) 一种基于深度学习的端到端车牌识别方法
CN105205489A (zh) 基于颜色纹理分析器与机器学习的车牌检测方法
CN106778633B (zh) 一种基于区域分割的行人识别方法
CN107545263A (zh) 一种物体检测方法及装置
CN106295605A (zh) 红绿灯检测与识别方法
CN107704853A (zh) 一种基于多分类器的交通信号灯的识别方法
CN107067015A (zh) 一种基于多特征深度学习的车辆检测方法及装置
CN108269407A (zh) 一种自动管理人流、物流的安防机器人
CN106778484A (zh) 交通场景下的运动车辆跟踪方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180406

WD01 Invention patent application deemed withdrawn after publication