CN110276287A - 车位检测方法、装置、计算机设备以及存储介质 - Google Patents
车位检测方法、装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN110276287A CN110276287A CN201910523566.5A CN201910523566A CN110276287A CN 110276287 A CN110276287 A CN 110276287A CN 201910523566 A CN201910523566 A CN 201910523566A CN 110276287 A CN110276287 A CN 110276287A
- Authority
- CN
- China
- Prior art keywords
- target detection
- parking stall
- detection model
- prediction block
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提出一种车位检测方法、装置、计算机设备以及存储介质,其中,方法包括:通过获取采集的图像,采用目标检测模型识别图像中的车位,得到用于指示车位的不规则多边形预测框,在图像中展示不规则多边形预测框。由于目标检测模型已经经过训练样本图像进行训练,因此,目标检测模型能够根据识别出图像中的车位,得到车位的不规则多边形预测框,使得用户在泊车过程中能够根据车位的不规则多边形预测框准确的判断车位的实际宽度和界限,避免了现有的检测方法检测出的车位预测框中包含车位之外的其他物体,例如隔壁的车位或者旁边的柱子等,导致泊车过程中可能产生危险的技术问题,从而提高了泊车的安全性。
Description
技术领域
本申请涉及车位检测以及图像处理技术领域,尤其涉及一种车位检测方法、装置、计算机设备以及存储介质。
背景技术
随着科学技术的进步和智能化技术的发展,人们对汽车的安全性与智能化要求也越来越高。尤其是泊车的过程中,通常根据车辆检测到的停车位的位置进行停车,因此,精确的车位检测方法,不但可以帮助用户安全、快捷的完成泊车,更是避免了停车时出现意外的情况。常用的车位检测算法有很多,有基于驾驶人员交互的、基于相邻障碍物的超声波雷达检测和基于环境中固定安装设备的多种检测方法。
但是,现有的车位检测方法,在针对鱼眼相机采集的图像进行停车位检测时,检测出来的车位外接矩形中通常包含有车位之外的其他物体,例如,隔壁的车位或者旁边的柱子等,存在车位检测准确率较低的现象,从而导致泊车的过程中容易出现危险。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
本申请提出一种车位检测方法、装置、计算机设备以及存储介质,通过训练后的目标检测模型能够根据识别出图像中的车位,得到车位的不规则多边形预测框,使得用户在泊车过程中能够根据车位的不规则多边形预测框准确的判断车位的实际宽度和界限,解决了现有的检测方法检测出的车位预测框中包含车位之外的其他物体,例如隔壁的车位或者旁边的柱子等,导致泊车过程中可能产生危险的技术问题。
本申请第一方面实施例提出了一种车位检测方法,包括:
获取采集的图像;
采用目标检测模型识别所述图像中的车位,得到用于指示车位的不规则多边形预测框;
在所述图像中展示所述不规则多边形预测框。
作为本申请实施例的第一种可能的实现方式,所述采用目标检测模型识别所述图像中的车位,得到用于指示车位的不规则多边形预测框,包括:
将所述图像输入所述目标检测模型,得到车位的外接矩形框;
采用所述目标检测模型在所述外接矩形框范围内,回归不规则多边形预测框,得到所述不规则多边形预测框的顶点坐标。
作为本申请实施例的第二种可能的实现方式,所述采用所述目标检测模型在所述外接矩形框范围内,回归不规则多边形预测框,得到所述不规则多边形预测框的顶点坐标,包括:
识别所述图像中属于车位的像素单元;
在所述外接矩形框范围内,回归识别出的像素单元,得到包围所述像素单元的所述不规则多边形预测框;
确定所述多边形预测框的顶点坐标。
作为本申请实施例的第三种可能的实现方式,所述外接矩形框的参量包括:中心点坐标、所述外接矩形的长度和所述外接矩形的宽度。
作为本申请实施例的第四种可能的实现方式,所述将所述图像输入所述目标检测模型之前,还包括:
将训练样本的图像输入所述目标检测模型,得到所述目标检测模型输出的所述不规则多边形预测框的顶点坐标和所述外接矩形框的参量;
根据所述不规则多边形预测框的顶点坐标和第一参考值之间的差异,以及所述外接矩形框的参量和第二参考值之间的差异,调整所述目标检测模型的模型参数;其中,所述第一参考值是采用不规则多边形对所述训练样本的图像中车位进行标注时,所述不规则多边形的顶点坐标值;所述第二参考值是采用矩形对所述训练样本的图像中车位进行标注时,所述矩形的参数值。
作为本申请实施例的第五种可能的实现方式,所述根据所述不规则多边形预测框的顶点坐标和第一参考值之间的差异,以及所述外接矩形框的参量和第二参考值之间的差异,调整所述目标检测模型的模型参数,包括:
获取所述目标检测模型输出的所述不规则多边形预测框的顶点坐标和对应的第一预测误差;所述第一预测误差,指示所述顶点坐标的预测误差;
根据所述第一参考值和所述顶点坐标,确定所述多边形预测框的第一实际误差;
根据所述第一预测误差和所述第一实际误差之差得到第一损失函数值;
调整所述目标检测模型的模型参数,以使所述第一损失函数值最小化。
作为本申请实施例的第六种可能的实现方式,所述不规则,包括:
获取所述目标检测模型输出的所述外接矩形框的参量和对应的第二预测误差;所述第二预测误差,指示所述参量的预测误差;
根据所述第二参考值和所述参量,确定所述外接矩形框的第二实际误差;
根据所述第二预测误差和所述第二实际误差之差得到确定第二损失函数值;
调整所述目标检测模型的模型参数,以使所述第二损失函数值最小化。
作为本申请实施例的第七种可能的实现方式,所述获取采集的图像,包括:
获取采用鱼眼镜头采集的图像。
本申请实施例的车位检测方法,通过获取采集的图像,采用目标检测模型识别图像中的车位,得到用于指示车位的不规则多边形预测框,在图像中展示不规则多边形预测框。由于目标检测模型已经经过训练样本图像进行训练,因此,目标检测模型能够根据识别出图像中的车位,得到车位的不规则多边形预测框,使得用户在泊车过程中能够根据车位的不规则多边形预测框准确的判断车位的实际宽度和界限,避免了现有的检测方法检测出的车位预测框中包含车位之外的其他物体,例如隔壁的车位或者旁边的柱子等,导致泊车过程中可能产生危险的技术问题,从而提高了泊车的安全性。
本申请第二方面实施例提出了一种车位检测装置,包括:
获取模块,用于获取采集的图像;
识别模块,用于采用目标检测模型识别所述图像中的车位,得到用于指示车位的不规则多边形预测框;
展示模块,用于在所述图像中展示所述不规则多边形预测框。
本申请实施例的车位检测装置,通过获取采集的图像,采用目标检测模型识别图像中的车位,得到用于指示车位的不规则多边形预测框,在图像中展示不规则多边形预测框。由于目标检测模型已经经过训练样本图像进行训练,因此,目标检测模型能够根据识别出图像中的车位,得到车位的不规则多边形预测框,使得用户在泊车过程中能够根据车位的不规则多边形预测框准确的判断车位的实际宽度和界限,避免了现有的检测方法检测出的车位预测框中包含车位之外的其他物体,例如隔壁的车位或者旁边的柱子等,导致泊车过程中可能产生危险的技术问题,从而提高了泊车的安全性。
本申请第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如上述实施例中所述的车位检测方法。
本申请第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例中所述的车位检测方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例所提供的一种车位检测方法的流程示意图;
图2为本申请实施例所提供的一种车位检测过程示意图;
图3为本申请实施例所提供的一种车位检测示意图;
图4为本申请实施例提供的一种目标检测模型训练方法的流程示意图;
图5为本申请实施例提供的一种车位检测装置的结构示意图;以及
图6示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的车位检测方法、装置、计算机设备以及存储介质。
图1为本申请实施例所提供的一种车位检测方法的流程示意图。
本申请实施例以该车位检测方法被配置于车位检测装置中来举例说明,该车位检测装置可以应用于任一计算机设备中,以使该计算机设备可以执行车位检测功能。
其中,计算机设备可以为个人电脑(Personal Computer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作***、触摸屏和/或显示屏的硬件设备。
如图1所示,该车位检测方法包括以下步骤:
步骤101,获取采集的图像。
本申请实施例中,对车位进行检测时,可以通过车辆在泊车过程中获取待检测车位的拍摄图像,以根据拍摄图像对车位进行检测。
作为一种可能的实现方式,可以通过安装在泊车车辆的鱼眼镜头拍摄得到待检测车位的图像,以根据采集的图像对车位进行检测。需要说明的是,鱼眼镜头可以安装在车辆的尾部,以便更清晰的采集被检测车位的图像。
其中,鱼眼镜头,是一种焦距极短并且视角接近或等于180°的镜头。鱼眼镜头是属于超广角镜头中的一种特殊镜头,它的视角力求达到或超出人眼所能看到的范围。因此,鱼眼镜头与人们眼中的真实世界的景象存在很大的差别。
步骤102,采用目标检测模型识别图像中的车位,得到用于指示车位的不规则多边形预测框。
本实施例中,目标检测模型,是指经过训练样本进行训练后的模型,能够准确识别出图像中的车位的不规则多边形预测框,并输出车位的不规则多边形预测框。因此,将采集的包含待检测车位的图像输入目标检测模型后,根据目标检测模型的输出,可以得到用于指示待检测车位的不规则多边形预测框。
本申请实施例中,可以将采集的包含待检测车位的图像输入目标检测模型,得到车位的外接矩形框,进而采用目标检测模型在外接矩形框范围内,回归不规则多边形预测框,得到的不规则多边形预测框的顶点坐标,进而得到用于指示车位的不规则多边形预测框。
作为一种可能的实现方式,将采集的包含待检测车位的图像输入目标检测模型后,目标检测模型对图像中属于车位的像素单元进行识别,以得到识别出的属于车位的像素单元。进一步的,目标检测模型在外接矩形框范围内,对识别出的像素单元进行回归得到包围像素单元的不规则多边形预测框,最后输出多边形预测框的顶点坐标。
具体地,将采集的包含待检测车位的图像输入目标检测模型,得到目标检测模型作为中间量输出的车位的外接矩形框的参量,以及得到目标检测模型作为最终量输出的顶点坐标。
其中,车位的外接矩形框的参量包括:中心点坐标、外接矩形的长度和外接矩形的宽度。顶点坐标,是目标检测模型根据车位的外接矩形框的参量,在车位外接矩形框范围内,回归不规则多边形预测框所得到的。
作为一种可能的实现方式,参见图2,将采集的包含有待检测车位的图像输入目标检测模型后,首先得到图2中加粗的车位矩形框的参量,即加粗矩形框的中心点坐标、外接矩形的长度以及外接矩形的宽度。进而,在车位外接矩形框范围内,根据加粗的车位外接矩形框的参量,回归得到图2中的实线所指示的不规则多边形预测框,进而得到多边形的顶点坐标。
作为另一种可能的实现方式,将采集的包含有待检测车位的图像输入目标检测模型后,首先得到图2中加粗的车位矩形框的参量,即加粗矩形框的中心点坐标、外接矩形的长度以及外接矩形的宽度。进而,根据加粗的车位外接矩形框的参量,回归得图2中的作为中间量输出的虚线所指示的车位外接矩形框的参量,进一步的,根据虚线所指示的车位外接矩形框的参量,回归得到图2中的实线所指示的不规则多边形预测框,进而得到多边形的顶点坐标。
作为一种示例,可以通过如下公式(1),计算得到目标检测模型作为中间量输出的车位外接矩形框的中心点坐标、外接矩形的长度和外接矩形的宽度。
xc=σ(tx)+cx
yc=σ(ty)+cy
其中,上述公式中,xc为车位外接矩形框的中心点的横坐标,yc为车位外接矩形框的中心点的纵坐标,σ(tx)为中心点x坐标的偏移量;σ(ty)为中心点y坐标的偏移量,cx为与车位外接矩形相匹配的锚矩形框的顶点横坐标,cy为与车位外接矩形相匹配的锚矩形框的顶点纵坐标,w为车位外接矩形框的宽度,h为车位外接矩形框的长度,tw为车位外接矩形框相对于对应的车位矩形框的宽度的比例,th为车位外接矩形框相对于与车位外接矩形相匹配的锚矩形框的长度的比例,pw为与车位外接矩形相匹配的锚矩形框的宽度,ph为与车位外接矩形相匹配的锚矩形框的长度。
作为一种可能的实现方式,通过上述公式(1)计算得到目标检测模型作为中间量输出的车位的外接矩形框的中心点坐标、外接矩形的长度和外接矩形的宽度后,可以根据如下公式(2)计算得到目标检测模型作为最终量输出的顶点坐标。
其中,上述公式中,xi、yi分别为多边形预测框的顶点横坐标和纵坐标,分别为多边形预测框的顶点横坐标和纵坐标相对于车位外接矩形框对应顶点的偏移量,pw为与车位外接矩形相匹配的锚矩形框的宽度,ph为与车位外接矩形相匹配的锚矩形框的长度, 分别为多边形预测框的长度和宽度相对于车位外接矩形框对应顶点的偏移量。
步骤103,在图像中展示不规则多边形预测框。
本申请实施例中,将采集的图像输入目标检测模型,得到用于指示车位的不规则多边形预测框后,在图像中展示车位的不规则多边形预测框,以使得用户在泊车过程中能够根据图像中展示的不规则多边形预测框准确的判断车位的实际宽度和界限,从而提高了自主泊车的安全性。
作为一种示例,参见图3,在泊车过程中,现有的车位检测技术检测出来的车位的多边形预测框可能包含有车位以外的其他物体,如图3中左侧的镜头,检测到的车位的多边形预测框中包含有旁边的柱子和隔壁的车位。相较于现有的车位检测方法,本申请中,可以通过安装在车尾的鱼眼镜头采集包含待检测车位的图像,进而采用目标检测模型对采集的图像进行识别,得到图像中待检测车位外边框的多边形。参见图3中右侧镜头所示,检测的车位外边框是不规则的四边形,能够使得用户根据显示的多边形准确的判断车位的实际宽度和界限,提高了检测结果的准确度以及用户泊车的安全性。
本申请实施例的车位检测方法,通过获取采集的图像,采用目标检测模型识别图像中的车位,得到用于指示车位的不规则多边形预测框,在图像中展示不规则多边形预测框。由于目标检测模型已经经过训练样本图像进行训练,因此,目标检测模型能够根据识别出图像中的车位,得到车位的不规则多边形预测框,使得用户在泊车过程中能够根据车位的不规则多边形预测框准确的判断车位的实际宽度和界限,避免了现有的检测方法检测出的车位预测框中包含车位之外的其他物体,例如隔壁的车位或者旁边的柱子等,导致泊车过程中可能产生危险的技术问题,从而提高了泊车的安全性。
在本申请实施例的一种可能的实现方式中,在将采集的图像输入目标检测模型之前,可以采用样本图像对目标检测模型进行训练,具体的训练过程参见图4,图4为本申请实施例提供的一种目标检测模型训练方法的流程示意图。
如图4所示,该模型训练方法可以包括以下步骤:
步骤201,将训练样本的图像输入目标检测模型,得到目标检测模型输出的不规则多边形预测框的顶点坐标和外接矩形框的参量。
其中,训练样本的图像存在标注,可以标注车位的顶点坐标和以及车位的外接矩形框。
本申请实施例中,训练样本的图像是采用鱼眼镜头对车位进行拍摄得到的包含有车位的拍摄图像。
需要说明的是,可以控制鱼眼镜头采用不同角度对同一个车位进行拍摄,也可以控制鱼眼镜头对不同车位进行拍摄,以获取多个不同的训练样本图像对目标检测模型进行训练。使得采集的包含有待检测车位的图像输入目标检测模型后,能准确得到用于指示车位的不规则多边形预测框。
本实施例中,将获取的用于训练的样本图像输入目标检测模型,得到目标检测模型输出的不规则多边形预测框的顶点坐标和外接矩形框的参量。
其中,外接矩形框的参量包括:中心点坐标、外接矩形的长度和外接矩形的宽度。
需要说明的是,目标检测模型输出的不规则多边形预测框的顶点坐标,是根据车位的外接矩形框的参量,在车位外接矩形框范围内,回归多边形预测框所得到的。
本实施例中,将训练样本的图像输入目标检测模型,得到目标检测模型输出的不规则多边形预测框的顶点坐标和外接矩形框的参量的过程,可以参见上述实施例中步骤102的实现过程,在此不再赘述。
步骤202,根据不规则多边形预测框的顶点坐标和第一参考值之间的差异,以及外接矩形框的参量和第二参考值之间的差异,调整目标检测模型的模型参数。
其中,第一参考值是采用不规则多边形对训练样本的图像中车位进行标注时,不规则多边形的顶点坐标值;第二参考值是采用矩形对训练样本的图像中车位进行标注时,矩形的参数值。
作为本实施例的一种可能的实现方式,可以根据不规则多边形预测框的顶点坐标和第一参考值之间的差异,通过调整目标检测模型的模型参数对目标检测模型进行训练,直至模型参数调整后的目标检测模型的第一损失函数值最小时,停止对目标检测模型的训练。
本实施例中,将训练样本图像输入目标检测模型,获取目标检测模型输出的不规则多边形预测框的顶点坐标和对应的第一预测误差。其中,第一预测误差,指示顶点坐标的预测误差。进一步的,根据第一参考值和顶点坐标,确定多边形预测框的第一实际误差。进而,根据第一预测误差和第一实际误差之差得到第一损失函数值,调整目标检测模型的模型参数,以使第一损失函数值最小化。
需要说明的是,在将训练样本输入目标检测模型,对目标检测模型进行训练的过程中,目标检测模型自身会根据输出的不规则多边形预测框的顶点坐标与在样本图像中标注的车位的顶点坐标之间的差距,估计对应的误差值,也就是上面所述的第一预测误差。
作为本实施例的另一种可能的实现方式,可以根据外接矩形的参量和第二参考值之间的差异,通过调整目标检测模型的模型参数对目标检测模型进行训练,直至模型参数调整后的目标检测模型的第二损失函数值最小时,停止对目标检测模型的训练。
本实施例中,获取目标检测模型输出的外接矩形框的参量和对应的第二预测误差。其中,第二预测误差,用于指示参量的预测误差。根据第二参考值和参量,确定车位的外接矩形框的第二实际误差。根据第二预测误差和第二实际误差之差得到确定第二损失函数值,调整目标检测模型的模型参数,以使第二损失函数值最小化,以完成对目标检测模型的训练。
需要说明的是,在将训练样本输入目标检测模型,对目标检测模型进行训练的过程中,目标检测模型自身会根据输出的车位的外接矩形框的参量与在样本图像中标注的矩形参数值,估计对应的误差值,也就是上面所述的第二预测误差。
可以理解的是,根据训练样本的图像对检测模型进行训练时,可以同时根据目标检测模型输出的不规则多边形预测框的顶点坐标和外接矩形框的参量,以及样本图像中标注的图像中车位的多边形的顶点坐标值和矩形参数,调整目标检测模型的模型参数,以使第一损失函数和第二损失函数同时减小,以实现对目标检测模型进行训练。当然,也可以分别根据目标检测模型输出的不规则多边形预测框的顶点坐标与样本图像中标注的车位的多边形的顶点坐标值,调整目标检测模型的模型参数,以使第一损失函数最小化;根据目标检测模型输出的外接矩形框的参量与样本图像中标注的矩形参数,调整目标检测模型的模型参数,以使第二损失函数最小化,进而完成对目标检测模型的训练。需要说明的是,本实施例中,对目标检测模型的训练过程不做限定。
本申请实施例的车位检测方法,通过将训练样本的图像输入目标检测模型,得到目标检测模型输出的不规则多边形预测框的顶点坐标和外接矩形框的参量,根据不规则多边形预测框的顶点坐标和第一参考值之间的差异,以及外接矩形框的参量和第二参考值之间的差异,调整目标检测模型的模型参数,以对目标检测模型进行训练。由此,通过标注的样本图像对目标检测模型进行训练,能够实现将采集的待检测车位的图像输入经过训练的目标检测模型后,能够准确的识别出车位外边框的不规则多边形预测框,从而提高了车位检测的准确度,进而提高了自主泊车的能力。
为了实现上述实施例,本申请还提出一种车位检测装置。
图5为本申请实施例提供的一种车位检测装置的结构示意图。
如图5所示,该车位检测装置100包括:获取模块110、识别模块120以及展示模块130。
获取模块110,用于获取采集的图像。
识别模块120,用于采用目标检测模型识别图像中的车位,得到用于指示车位的不规则多边形预测框。
展示模块130,用于在图像中展示不规则多边形预测框。
作为一种可能的实现方式,识别模块120,包括:
第一输入单元,用于将图像输入目标检测模型,得到车位的外接矩形框;
回归单元,用于采用目标检测模型在外接矩形框范围内,回归不规则多边形预测框,得到不规则多边形预测框的顶点坐标。
作为另一种可能的实现方式,回归单元,还用于:
识别所述图像中属于车位的像素单元;
在所述外接矩形框范围内,回归识别出的像素单元,得到包围所述像素单元的所述不规则多边形预测框;
确定所述多边形预测框的顶点坐标。
作为另一种可能的实现方式,外接矩形框的参量包括:中心点坐标、外接矩形的长度和外接矩形的宽度。
作为另一种可能的实现方式,识别模块120,还包括:
第二输入单元,用于将训练样本的图像输入目标检测模型,得到目标检测模型输出的不规则多边形预测框的顶点坐标和外接矩形框的参量;
调整单元,用于根据不规则多边形预测框的顶点坐标和第一参考值之间的差异,以及外接矩形框的参量和第二参考值之间的差异,调整目标检测模型的模型参数;其中,第一参考值是采用不规则多边形对训练样本的图像中车位进行标注时,不规则多边形的顶点坐标值;第二参考值是采用矩形对训练样本的图像中车位进行标注时,矩形的参数值。
作为另一种可能的实现方式,调整单元,还用于:
获取目标检测模型输出的不规则多边形预测框的顶点坐标和对应的第一预测误差;其中,第一预测误差,指示顶点坐标的预测误差;根据第一参考值和顶点坐标,确定多边形预测框的第一实际误差;根据第一预测误差和第一实际误差之差得到第一损失函数值;调整目标检测模型的模型参数,以使第一损失函数值最小化。
作为另一种可能的实现方式,调整单元,还用于:
获取目标检测模型输出的外接矩形框的参量和对应的第二预测误差;其中,第二预测误差,指示参量的预测误差;
根据第二参考值和参量,确定外接矩形框的第二实际误差;
根据第二预测误差和第二实际误差之差得到第二损失函数值;
调整目标检测模型的模型参数,以使第二损失函数值最小化。
作为另一种可能的实现方式,获取模块,用于:
获取采用鱼眼镜头采集的图像。
需要说明的是,前述对车位检测方法实施例的解释说明也适用于该实施例的车位检测装置,此处不再赘述。
本申请实施例的车位检测装置,通过获取采集的图像,采用目标检测模型识别图像中的车位,得到用于指示车位的不规则多边形预测框,在图像中展示不规则多边形预测框。由于目标检测模型已经经过训练样本图像进行训练,因此,目标检测模型能够根据识别出图像中的车位,得到车位的不规则多边形预测框,使得用户在泊车过程中能够根据车位的不规则多边形预测框准确的判断车位的实际宽度和界限,避免了现有的检测方法检测出的车位预测框中包含车位之外的其他物体,例如隔壁的车位或者旁边的柱子等,导致泊车过程中可能产生危险的技术问题,从而提高了泊车的安全性。
为了实现上述实施例,本申请还提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如上述实施例中所述的车位检测方法。
为了实现上述实施例,本申请还提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例中所述的车位检测方法。
图6示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图6显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及***组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的车位检测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (18)
1.一种车位检测方法,其特征在于,所述方法包括以下步骤:
获取采集的图像;
采用目标检测模型识别所述图像中的车位,得到用于指示车位的不规则多边形预测框;
在所述图像中展示所述不规则多边形预测框。
2.根据权利要求1所述的车位检测方法,其特征在于,所述采用目标检测模型识别所述图像中的车位,得到用于指示车位的不规则多边形预测框,包括:
将所述图像输入所述目标检测模型,得到车位的外接矩形框;
采用所述目标检测模型在所述外接矩形框范围内,回归不规则多边形预测框,得到所述不规则多边形预测框的顶点坐标。
3.根据权利要求2所述的车位检测方法,其特征在于,所述采用所述目标检测模型在所述外接矩形框范围内,回归不规则多边形预测框,得到所述不规则多边形预测框的顶点坐标,包括:
识别所述图像中属于车位的像素单元;
在所述外接矩形框范围内,回归识别出的像素单元,得到包围所述像素单元的所述不规则多边形预测框;
确定所述多边形预测框的顶点坐标。
4.根据权利要求2所述的车位检测方法,其特征在于,所述外接矩形框的参量包括:中心点坐标、所述外接矩形的长度和所述外接矩形的宽度。
5.根据权利要求2所述的车位检测方法,其特征在于,所述将所述图像输入所述目标检测模型之前,还包括:
将训练样本的图像输入所述目标检测模型,得到所述目标检测模型输出的所述不规则多边形预测框的顶点坐标和所述外接矩形框的参量;
根据所述不规则多边形预测框的顶点坐标和第一参考值之间的差异,以及所述外接矩形框的参量和第二参考值之间的差异,调整所述目标检测模型的模型参数;其中,所述第一参考值是采用不规则多边形对所述训练样本的图像中车位进行标注时,所述不规则多边形的顶点坐标值;所述第二参考值是采用矩形对所述训练样本的图像中车位进行标注时,所述矩形的参数值。
6.根据权利要求5所述的车位检测方法,其特征在于,所述根据所述不规则多边形预测框的顶点坐标和第一参考值之间的差异,以及所述外接矩形框的参量和第二参考值之间的差异,调整所述目标检测模型的模型参数,包括:
获取所述目标检测模型输出的所述不规则多边形预测框的顶点坐标和对应的第一预测误差;所述第一预测误差,指示所述顶点坐标的预测误差;
根据所述第一参考值和所述顶点坐标,确定所述多边形预测框的第一实际误差;
根据所述第一预测误差和所述第一实际误差之差得到第一损失函数值;
调整所述目标检测模型的模型参数,以使所述第一损失函数值最小化。
7.根据权利要求5所述的车位检测方法,其特征在于,所述根据所述不规则多边形预测框的顶点坐标和第一参考值之间的差异,以及所述外接矩形框的参量和第二参考值之间的差异,调整所述目标检测模型的模型参数,包括:
获取所述目标检测模型输出的所述外接矩形框的参量和对应的第二预测误差;所述第二预测误差,指示所述参量的预测误差;
根据所述第二参考值和所述参量,确定所述外接矩形框的第二实际误差;
根据所述第二预测误差和所述第二实际误差之差得到第二损失函数值;
调整所述目标检测模型的模型参数,以使所述第二损失函数值最小化。
8.根据权利要求1-7任一项所述的车位检测方法,其特征在于,所述获取采集的图像,包括:
获取采用鱼眼镜头采集的图像。
9.一种车位检测装置,其特征在于,所述装置包括:
获取模块,用于获取采集的图像;
识别模块,用于采用目标检测模型识别所述图像中的车位,得到用于指示车位的不规则多边形预测框;
展示模块,用于在所述图像中展示所述不规则多边形预测框。
10.根据权利要求9所述的车位检测装置,其特征在于,所述识别模块,包括:
第一输入单元,用于将所述图像输入所述目标检测模型,得到车位的外接矩形框;
回归单元,用于采用所述目标检测模型在所述外接矩形框范围内,回归不规则多边形预测框,得到所述不规则多边形预测框的顶点坐标。
11.根据权利要求10所述的车位检测装置,其特征在于,所述回归单元,还用于:
识别所述图像中属于车位的像素单元;
在所述外接矩形框范围内,回归识别出的像素单元,得到包围所述像素单元的所述不规则多边形预测框;
确定所述多边形预测框的顶点坐标。
12.根据权利要求10所述的车位检测装置,其特征在于,所述外接矩形框的参量包括:中心点坐标、所述外接矩形的长度和所述外接矩形的宽度。
13.根据权利要求10所述的车位检测装置,其特征在于,所述识别模块,还包括:
第二输入单元,用于将训练样本的图像输入所述目标检测模型,得到所述目标检测模型输出的所述不规则多边形预测框的顶点坐标和所述外接矩形框的参量;
调整单元,用于根据所述不规则多边形预测框的顶点坐标和第一参考值之间的差异,以及车位外接矩形框的参量和第二参考值之间的差异,调整所述目标检测模型的模型参数;其中,所述第一参考值是采用不规则多边形对所述训练样本的图像中车位进行标注时,所述不规则多边形的顶点坐标值;所述第二参考值是采用矩形对所述训练样本的图像中车位进行标注时,所述矩形的参数值。
14.根据权利要求13所述的车位检测装置,其特征在于,所述调整单元,还用于:
获取所述目标检测模型输出的所述不规则多边形预测框的顶点坐标和对应的第一预测误差;所述第一预测误差,指示所述顶点坐标的预测误差;
根据所述第一参考值和所述顶点坐标,确定所述多边形预测框的第一实际误差;
根据所述第一预测误差和所述第一实际误差之差得到第一损失函数值;
调整所述目标检测模型的模型参数,以使所述第一损失函数值最小化。
15.根据权利要求13所述的车位检测装置,其特征在于,所述调整单元,还用于:
获取所述目标检测模型输出的所述外接矩形框的参量和对应的第二预测误差;所述第二预测误差,指示所述参量的预测误差;
根据所述第二参考值和所述参量,确定所述外接矩形框的第二实际误差;
根据所述第二预测误差和所述第二实际误差之差得到第二损失函数值;
调整所述目标检测模型的模型参数,以使所述第二损失函数值最小化。
16.根据权利要求9-15任一项所述的车位检测装置,其特征在于,所述获取模块,用于:
获取采用鱼眼镜头采集的图像。
17.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-8中任一所述的车位检测方法。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的车位检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910523566.5A CN110276287B (zh) | 2019-06-17 | 2019-06-17 | 车位检测方法、装置、计算机设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910523566.5A CN110276287B (zh) | 2019-06-17 | 2019-06-17 | 车位检测方法、装置、计算机设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276287A true CN110276287A (zh) | 2019-09-24 |
CN110276287B CN110276287B (zh) | 2022-10-18 |
Family
ID=67960917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910523566.5A Active CN110276287B (zh) | 2019-06-17 | 2019-06-17 | 车位检测方法、装置、计算机设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276287B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751151A (zh) * | 2019-10-12 | 2020-02-04 | 上海眼控科技股份有限公司 | 车身图像的文本字符检测方法及设备 |
CN110796063A (zh) * | 2019-10-24 | 2020-02-14 | 百度在线网络技术(北京)有限公司 | 用于检测车位的方法、装置、设备、存储介质以及车辆 |
CN112784705A (zh) * | 2021-01-04 | 2021-05-11 | 广州小鹏自动驾驶科技有限公司 | 一种车辆侧边棱确定方法和装置 |
CN113379723A (zh) * | 2021-06-29 | 2021-09-10 | 上海闻泰信息技术有限公司 | 不规则溢胶口检测方法、装置、设备和存储介质 |
CN113420774A (zh) * | 2021-03-24 | 2021-09-21 | 成都理工大学 | 一种用于不规则图形的目标检测技术 |
CN113516673A (zh) * | 2020-04-10 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 图像检测方法、装置、设备和存储介质 |
CN114119733A (zh) * | 2022-01-27 | 2022-03-01 | 成都合能创越软件有限公司 | 物体空间位置检测方法、装置、计算机设备及其存储介质 |
CN114613193A (zh) * | 2022-03-22 | 2022-06-10 | 重庆长安汽车股份有限公司 | 基于算力共享的停车位获取方法、存储介质、***及车辆 |
CN114627438A (zh) * | 2020-11-26 | 2022-06-14 | 千寻位置网络有限公司 | 目标检测模型生成方法、目标检测方法、设备及介质 |
CN114821540A (zh) * | 2022-05-27 | 2022-07-29 | 禾多科技(北京)有限公司 | 车位检测方法、装置、电子设备和计算机可读介质 |
CN115527189A (zh) * | 2022-11-01 | 2022-12-27 | 杭州枕石智能科技有限公司 | 车位状态的检测方法、终端设备及计算机可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140119623A1 (en) * | 2012-10-26 | 2014-05-01 | Varian Medical Systems, Inc. | Template matching method for image-based detection and tracking of irregular shaped targets |
CN106251695A (zh) * | 2016-09-29 | 2016-12-21 | 成都通甲优博科技有限责任公司 | 基于车位状态监控的目的地停车位智能推荐***及方法 |
CN107729799A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的人群异常行为视觉检测及分析预警*** |
CN107833209A (zh) * | 2017-10-27 | 2018-03-23 | 浙江大华技术股份有限公司 | 一种x光图像检测方法、装置、电子设备及存储介质 |
CN107977620A (zh) * | 2017-11-29 | 2018-05-01 | 华中科技大学 | 一种基于全卷积网络的多方向场景文本单次检测方法 |
CN108830224A (zh) * | 2018-06-19 | 2018-11-16 | 武汉大学 | 一种基于深度学习的高分辨率遥感影像舰船目标检测方法 |
CN109086708A (zh) * | 2018-07-25 | 2018-12-25 | 深圳大学 | 一种基于深度学习的停车位检测方法及*** |
CN109636772A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 |
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 |
CN109829893A (zh) * | 2019-01-03 | 2019-05-31 | 武汉精测电子集团股份有限公司 | 一种基于注意力机制的缺陷目标检测方法 |
-
2019
- 2019-06-17 CN CN201910523566.5A patent/CN110276287B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140119623A1 (en) * | 2012-10-26 | 2014-05-01 | Varian Medical Systems, Inc. | Template matching method for image-based detection and tracking of irregular shaped targets |
CN106251695A (zh) * | 2016-09-29 | 2016-12-21 | 成都通甲优博科技有限责任公司 | 基于车位状态监控的目的地停车位智能推荐***及方法 |
CN107729799A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的人群异常行为视觉检测及分析预警*** |
CN107833209A (zh) * | 2017-10-27 | 2018-03-23 | 浙江大华技术股份有限公司 | 一种x光图像检测方法、装置、电子设备及存储介质 |
CN107977620A (zh) * | 2017-11-29 | 2018-05-01 | 华中科技大学 | 一种基于全卷积网络的多方向场景文本单次检测方法 |
CN108830224A (zh) * | 2018-06-19 | 2018-11-16 | 武汉大学 | 一种基于深度学习的高分辨率遥感影像舰船目标检测方法 |
CN109086708A (zh) * | 2018-07-25 | 2018-12-25 | 深圳大学 | 一种基于深度学习的停车位检测方法及*** |
CN109636772A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 |
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 |
CN109829893A (zh) * | 2019-01-03 | 2019-05-31 | 武汉精测电子集团股份有限公司 | 一种基于注意力机制的缺陷目标检测方法 |
Non-Patent Citations (1)
Title |
---|
ZHE QI HE等: "An End-to-End adrilateral Regression Network for Comic Panel Extraction", 《ACM》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751151A (zh) * | 2019-10-12 | 2020-02-04 | 上海眼控科技股份有限公司 | 车身图像的文本字符检测方法及设备 |
CN110796063A (zh) * | 2019-10-24 | 2020-02-14 | 百度在线网络技术(北京)有限公司 | 用于检测车位的方法、装置、设备、存储介质以及车辆 |
CN113516673B (zh) * | 2020-04-10 | 2022-12-02 | 阿里巴巴集团控股有限公司 | 图像检测方法、装置、设备和存储介质 |
CN113516673A (zh) * | 2020-04-10 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 图像检测方法、装置、设备和存储介质 |
CN114627438A (zh) * | 2020-11-26 | 2022-06-14 | 千寻位置网络有限公司 | 目标检测模型生成方法、目标检测方法、设备及介质 |
CN112784705A (zh) * | 2021-01-04 | 2021-05-11 | 广州小鹏自动驾驶科技有限公司 | 一种车辆侧边棱确定方法和装置 |
CN113420774A (zh) * | 2021-03-24 | 2021-09-21 | 成都理工大学 | 一种用于不规则图形的目标检测技术 |
CN113379723A (zh) * | 2021-06-29 | 2021-09-10 | 上海闻泰信息技术有限公司 | 不规则溢胶口检测方法、装置、设备和存储介质 |
CN113379723B (zh) * | 2021-06-29 | 2023-07-28 | 上海闻泰信息技术有限公司 | 不规则溢胶口检测方法、装置、设备和存储介质 |
CN114119733A (zh) * | 2022-01-27 | 2022-03-01 | 成都合能创越软件有限公司 | 物体空间位置检测方法、装置、计算机设备及其存储介质 |
CN114613193A (zh) * | 2022-03-22 | 2022-06-10 | 重庆长安汽车股份有限公司 | 基于算力共享的停车位获取方法、存储介质、***及车辆 |
CN114821540A (zh) * | 2022-05-27 | 2022-07-29 | 禾多科技(北京)有限公司 | 车位检测方法、装置、电子设备和计算机可读介质 |
CN115527189A (zh) * | 2022-11-01 | 2022-12-27 | 杭州枕石智能科技有限公司 | 车位状态的检测方法、终端设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110276287B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276287A (zh) | 车位检测方法、装置、计算机设备以及存储介质 | |
CN109345596A (zh) | 多传感器标定方法、装置、计算机设备、介质和车辆 | |
CN106767852B (zh) | 一种生成探测目标信息的方法、装置和设备 | |
CN110163889A (zh) | 目标跟踪方法、目标跟踪装置、目标跟踪设备 | |
CN109871909A (zh) | 图像识别方法及装置 | |
CN106952308A (zh) | 运动物体的位置确定方法及*** | |
EP2003617A2 (en) | Method and apparatus for measuring position and orientation of an object | |
CN113808098A (zh) | 道路病害识别方法、装置、电子设备及可读存储介质 | |
CN110189257A (zh) | 点云获取的方法、装置、***及存储介质 | |
CN109738884A (zh) | 对象检测方法、装置和计算机设备 | |
CN110260857A (zh) | 视觉地图的校准方法、装置及存储介质 | |
CN110148177A (zh) | 用于确定相机的姿态角的方法、装置、计算设备、计算机可读存储介质以及采集实体 | |
CN109711285A (zh) | 识别模型的训练、测试方法和装置 | |
CN110084230A (zh) | 基于图像的车身方向检测方法和装置 | |
CN109703465A (zh) | 车载图像传感器的控制方法和装置 | |
CN110084137A (zh) | 基于驾驶场景的数据处理方法、装置和计算机设备 | |
CN111798521A (zh) | 标定方法、装置、存储介质及电子设备 | |
US11816854B2 (en) | Image processing apparatus and image processing method | |
JP2009245207A (ja) | 確率分布構築方法、確率分布構築装置、および確率分布構築プログラム、並びに被写体検出方法、被写体検出装置、および被写体検出プログラム | |
CN111274852B (zh) | 目标对象关键点检测方法和装置 | |
CN109948515A (zh) | 物体的类别识别方法和装置 | |
CN109740632A (zh) | 基于多传感器多被测对象的相似度模型训练方法和装置 | |
CN112356845B (zh) | 一种目标运动状态的预测方法、装置、设备及车辆 | |
CN109558505A (zh) | 视觉搜索方法、装置、计算机设备及存储介质 | |
CN110188665A (zh) | 图像处理方法、装置以及计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |