CN110688902A - 一种检测停车位内车辆区域的方法及装置 - Google Patents
一种检测停车位内车辆区域的方法及装置 Download PDFInfo
- Publication number
- CN110688902A CN110688902A CN201910811564.6A CN201910811564A CN110688902A CN 110688902 A CN110688902 A CN 110688902A CN 201910811564 A CN201910811564 A CN 201910811564A CN 110688902 A CN110688902 A CN 110688902A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- rectangular frame
- detected
- area
- 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
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种检测停车位内车辆区域的方法及装置,该方法包括:获取预定停车区域的第一视频图像,基于所述第一视频图像,训练预定网络模型,得到车辆检测模型;通过所述车辆检测模型,检测待检测图像,确定待检测图像中是否存在车辆目标;若存在,确定待检测图像中车辆区域的第一矩形框的位置信息,并确定待检测图像中车辆目标所在车位的各条边线的位置信息;基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域。通过本发明,实现了对车辆区域内的背景区域的检测,避免了因背景区域的干扰因素导致车辆区域检测存在不准确的情况发生。
Description
技术领域
本发明涉及计算机视觉目标检测技术领域,尤其涉及一种检测停车位内车辆区域的方法及装置。
背景技术
基于高位视频的停车管理已成为近年来智慧城市建设和发展中的重要课题,该停车管理方式首先通过摄像机对车辆和停车位信息进行图像视频采集,随后再通过计算机视觉技术对车辆信息和车辆行为进行分析与理解,从而实现对路侧停车进行监控与管理。其中,基于视频图像的车辆检测是高位视频停车管理中的基础步骤,车辆检测出的车辆区域的精确性直接影响后续车辆识别或车辆行为分析等应用的准确性。
早期的车辆检测采用手工提取目标特征,如方向梯度直方图等,随后利用机器学习算法,如支持向量机等,进行车辆的检测和识别。这种做法依赖于人工经验,且特征表达能力有限,易受复杂场景影响,从而使准确率无法达到场景的应用需求。近年来随着深度学习的发展,基于卷积神经网络的深度学习在图像识别、图像检测和图像分割等领域都取得了显著成就。与传统的手工提取特征相比,通过数据训练特征表示方法能够提高检测模型的泛化能力。
然而不论是运用手工特征提取方法还是基于卷积神经网络的特征学习方法,车辆检测最终的输出结果均是用矩形框方式表示车辆区域,但是车辆的轮廓并非矩形,因此在矩形框内必然包含了背景区域,而过多背景区域将会影响后续车辆识别或车辆行为分析等结果的准确度。为了进一步提升车辆区域定位的精度,现有技术中有采用基于掩膜训练车辆分割的方法,但是基于车辆掩膜方法需要对图像进行像素级的标注,极大地增加了人工标注的成本和效率。
发明内容
本发明实施例提供一种检测停车位内车辆区域的方法及装置,实现了精确地检测停车场场景下的车辆区域。
一方面,本发明实施例提供了一种检测停车位内车辆区域的方法,包括:
获取预定停车区域的第一视频图像,基于所述第一视频图像,训练预定网络模型,得到车辆检测模型;
通过所述车辆检测模型,检测待检测图像,确定待检测图像中是否存在车辆目标;
若存在,确定待检测图像中车辆区域的第一矩形框的位置信息,并确定待检测图像中车辆目标所在车位的各条边线的位置信息;
基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域。
另一方面,本发明实施例提供了一种检测停车位内车辆区域的装置,包括:
训练模块,用于获取预定停车区域的第一视频图像,基于所述第一视频图像,训练预定网络模型,得到车辆检测模型;
检测及确定模块,用于通过所述车辆检测模型,检测待检测图像,确定待检测图像中是否存在车辆目标;
第一确定模块,用于若存在,确定待检测图像中车辆区域的第一矩形框的位置信息,并确定待检测图像中车辆目标所在车位的各条边线的位置信息;
计算模块,用于基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域。
上述技术方案具有如下有益效果:通过本发明,实现了基于卷积神经网络训练的车辆检测模型精确地对摄像机拍摄的停车场场景视频图像的车辆检测,并能够精确地检测出待检测图像中是否存在车辆目标,为后续精确确定车辆区域提供了重要的前提保障;同时,实现了基于车辆目标所在车位的边线位置信息,高效、精确地计算得到待检测图像中的车辆区域,避免了因非车辆区域的图像内容导致车辆区域检测存在不准确的情况发生,极大地提高了停车场场景下车辆区域定位的精确度,进一步地,为提高城市交通和停车管理效率提供了重要的技术的支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中检测停车位内车辆区域的方法流程图;
图2为本发明一优选实施例中待检测图像中检测出的第一矩形框示意图;
图3为本发明一优选实施例中车位示意图;
图4为本发明一优选实施例中检测得到的第二矩形框的示意图;
图5为本发明一优选实施例中检测得到的第四矩形框的示意图;
图6为本发明一优选实施例中检测得到第三矩形框的过程示意图;
图7为本发明一优选实施例中检测得到第五矩形框的过程示意图;
图8为本发明一优选实施例中为第一矩形框、第三矩形框和第五矩形框在待检测图像中的位置示意图;
图9为本发明一优选实施例中计算车辆区域多边形顶点处背景区域方法的示意图;
图10为本发明一优选实施例中由第一矩形框、第三矩形框和第五矩形框公共重叠区域构成的车辆区域多边形;
图11为本发明一优选实施例中去除车辆区域多边形顶点处背景后的车辆区域的示意图;
图12为本发明另一实施例中检测停车位内车辆区域的装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明实施例中一种检测停车位内车辆区域的方法流程图,包括:
101、获取预定停车区域的第一视频图像,基于所述第一视频图像,训练预定网络模型,得到车辆检测模型;
102、通过所述车辆检测模型,检测待检测图像,确定待检测图像中是否存在车辆目标;
103、若存在,确定待检测图像中车辆区域的第一矩形框的位置信息,并确定待检测图像中车辆目标所在车位的各条边线的位置信息;
104、基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域。
进一步地,所述获取预定停车区域的第一视频图像,基于所述第一视频图像,训练预定网络模型,得到车辆检测模型,包括:
标注所述第一视频图像中每一图像帧的车辆矩形框标签;
基于标注后的所述第一视频图像和各个车辆矩形框标签,通过梯度下降算法训练预定网络模型,得到车辆检测模型。
进一步地,所述确定待检测图像中车辆目标所在车位的各条边线的位置信息的步骤之前,包括:
获取所述预定停车区域的第二视频图像,根据所述第二视频图像确定所述预定停车区域中的每一个车位,并确定各个车位的各个库角的坐标;
根据所述各个车位的各个库角的坐标,确定所述各个车位的各条边线的位置信息;
其中,将所述各个车位长边的边线确定为第一边线和第二边线,并将所述各个车位宽边的边线确定为第三边线和第四边线,按照逆时针方向,所述各个车位的各条边线以第一边线为起始,依次为第一边线、第四边线、第二边线和第三边线;
其中,当车位长边的边线在所述车位所在的图像帧中处于水平位置时,沿平面坐标的纵轴正方向依次确定所述图像帧中的车位的第一边线和第二边线,否则,沿平面坐标的横轴正方向依次确定所述图像帧中的车位的第一边线和第二边线。
进一步地,所述基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域,包括:
将待检测图像沿第一旋转方向旋转第一旋转角度得到第一旋转图像,其中,第一旋转图像中的车位的第一边线或第二边线处于水平位置且沿平面坐标的纵轴正方向所述车位的长边依次为第一边线和第二边线;
通过所述车辆检测模型检测第一旋转图像,得到第二矩形框;
将所述第二矩形框沿着与所述第一旋转方向相反的方向旋转所述第一旋转角度,得到第三矩形框。
进一步地,所述基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域,包括:
将待检测图像沿第二旋转方向旋转第二旋转角度得到第二旋转图像,其中,第二旋转图像中的车位的第三边线或第四边线处于水平位置且沿平面坐标的纵轴正方向所述车位的宽边依次为第四边线和第三边线;
通过所述车辆检测模型检测第二旋转图像,得到第四矩形框;
将所述第四矩形框沿着与所述第二旋转方向相反的方向旋转第二旋转角度,得到第五矩形框。
进一步地,所述基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域,包括:
将所述第三矩形框和所述第五矩形框映射至待检测图像中,以确定所述第三矩形框和所述第五矩形框在待检测图像中的位置;
在待检测图像中,确定由所述第一矩形框、所述第三矩形框和所述第五矩形框公共重叠区域构成的车辆区域多边形;
基于所述车辆区域多边形,计算确定所述车辆区域多边形各个顶点处的背景区域;
去除所述背景区域的图像内容,得到待检测图像中的车辆区域。
进一步地,所述基于所述车辆区域多边形,计算确定所述车辆区域多边形各个顶点处的背景区域,具体包括:
基于所述车辆区域多边形,计算确定所述车辆区域多边形各个顶点处的内切圆;
根据已确定的所述车辆区域多边形各个顶点处的内切圆,确定各个内切圆与所述车辆区域多边形构成的背景区域;
在待检测图像中,去除所述背景区域的图像内容;
将所述车辆区域多边形的各个顶角根据内切圆的弧度转换成圆角,得到待检测图像中的车辆区域。
如图12所示,为一种检测停车位内车辆区域的装置结构示意图,包括:
训练模块121,用于获取预定停车区域的第一视频图像,基于所述第一视频图像,训练预定网络模型,得到车辆检测模型;
检测及确定模块122,用于通过所述车辆检测模型,检测待检测图像,确定待检测图像中是否存在车辆目标;
第一确定模块123,用于若存在,确定待检测图像中车辆区域的第一矩形框的位置信息,并确定待检测图像中车辆目标所在车位的各条边线的位置信息;
计算模块124,用于基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域。
进一步地,所述训练模块,包括:
标注单元,用于标注所述第一视频图像中每一图像帧的车辆矩形框标签;
训练单元,用于基于标注后的所述第一视频图像和各个车辆矩形框标签,通过梯度下降算法训练预定网络模型,得到车辆检测模型。
进一步地,包括:
获取及确定模块,用于获取所述预定停车区域的第二视频图像,根据所述第二视频图像确定所述预定停车区域中的每一个车位,并确定各个车位的各个库角的坐标;
第二确定模块,用于根据所述各个车位的各个库角的坐标,确定所述各个车位的各条边线的位置信息;
其中,将所述各个车位长边的边线确定为第一边线和第二边线,并将所述各个车位宽边的边线确定为第三边线和第四边线,按照逆时针方向,所述各个车位的各条边线以第一边线为起始,依次为第一边线、第四边线、第二边线和第三边线;
其中,当车位长边的边线在所述车位所在的图像帧中处于水平位置时,沿平面坐标的纵轴正方向依次确定所述图像帧中的车位的第一边线和第二边线,否则,沿平面坐标的横轴正方向依次确定所述图像帧中的车位的第一边线和第二边线。
进一步地,所述计算模块,包括:
第一旋转单元,用于将待检测图像沿第一旋转方向旋转第一旋转角度得到第一旋转图像,其中,第一旋转图像中的车位的第一边线或第二边线处于水平位置且沿平面坐标的纵轴正方向所述车位的长边依次为第一边线和第二边线;
第一检测单元,用于通过所述车辆检测模型检测第一旋转图像,得到第二矩形框;
第二旋转单元,用于将所述第二矩形框沿着与所述第一旋转方向相反的方向旋转所述第一旋转角度,得到第三矩形框。
进一步地,所述计算模块,包括:
第三旋转单元,用于将待检测图像沿第二旋转方向旋转第二旋转角度得到第二旋转图像,其中,第二旋转图像中的车位的第三边线或第四边线处于水平位置且沿平面坐标的纵轴正方向所述车位的宽边依次为第四边线和第三边线;
第二检测单元,用于通过所述车辆检测模型检测第二旋转图像,得到第四矩形框;
第四旋转单元,用于将所述第四矩形框沿着与所述第二旋转方向相反的方向旋转第二旋转角度,得到第五矩形框。
进一步地,所述计算模块,包括:
映射单元,用于将所述第三矩形框和所述第五矩形框映射至待检测图像中,以确定所述第三矩形框和所述第五矩形框在待检测图像中的位置;
确定单元,用于在待检测图像中,确定由所述第一矩形框、所述第三矩形框和所述第五矩形框公共重叠区域构成的车辆区域多边形;
计算单元,用于基于所述车辆区域多边形,计算确定所述车辆区域多边形各个顶点处的背景区域;
去除单元,用于去除所述背景区域的图像内容,得到待检测图像中的车辆区域。
进一步地,所述计算单元,具体用于
基于所述车辆区域多边形,计算确定所述车辆区域多边形各个顶点处的内切圆;
根据已确定的所述车辆区域多边形各个顶点处的内切圆,确定各个内切圆与所述车辆区域多边形构成的背景区域;
在待检测图像中,去除所述背景区域的图像内容;
将所述车辆区域多边形的各个顶角根据内切圆的弧度转换成圆角,得到待检测图像中的车辆区域。
本发明实施例上述技术方案具有如下有益效果:通过本发明,实现了基于卷积神经网络训练的车辆检测模型精确地对摄像机拍摄的停车场场景视频图像的车辆检测,并能够精确地检测出待检测图像中是否存在车辆目标,为后续精确确定车辆区域提供了重要的前提保障;同时,实现了基于车辆目标所在车位的边线位置信息,高效、精确地计算得到待检测图像中的车辆区域,避免了因非车辆区域的图像内容导致车辆区域检测存在不准确的情况发生,极大地提高了停车场场景下车辆区域定位的精确度,进一步地,为提高城市交通和停车管理效率提供了重要的技术的支持。
以下结合应用实例对本发明实施例上述技术方案进行详细说明:
本发明应用实例旨在精确地检测停车场场景下的车辆区域。
如图1所示,例如,在车辆区域检测***中,通过摄像机拍摄预定停车区域内的第一视频图像,获取该第一视频图像,基于该第一视频图像,训练预定网络模型,如MobileNet-SSD模型,即以轻量级卷积神经网络MobileNet为主干网络的SDD(Single ShotMultiBox Detector,单级式多目标检测模型)目标检测模型,得到车辆检测模型;随后,通过该车辆检测模型,检测待检测图像,确定待检测图像中是否存在车辆目标;若待检测图像中存在车辆目标,确定待检测图像中车辆区域的第一矩形框,如矩形框A,的位置信息,并确定待检测图像中车辆目标所在停车位的各条边线的位置信息;基于第一矩形框A的位置信息和停车位的各条边线的位置信息,计算得到待检测图像中的车辆区域。其中,第一矩形框A在待检测图像中的示意图,如图2所示。
需要说明的是,本领域技术人员可以了解到,MobileNet-SSD模型是深度学习算法中经典的目标检测模型,其采用不同尺度和长宽比均匀地在图片的不同位置进行密集抽样获取预选框,采用MobileNet这一轻量形深度卷积神经网络提取图像特征图后对预选框进行分类和位置回归获取目标的准确位置。本发明实施例中以高位视频场景为例实现车辆检测。
在一种可能的实现方式中,步骤101所述获取预定停车区域的第一视频图像,基于所述第一视频图像,训练预定网络模型,得到车辆检测模型,包括:标注所述第一视频图像中每一图像帧的车辆矩形框标签;基于标注后的所述第一视频图像和各个车辆矩形框标签,通过梯度下降算法训练预定网络模型,得到车辆检测模型。
例如,在车辆区域检测***中,通过摄像机拍摄预定停车区域内的第一视频图像,获取该第一视频图像,通过人工标注该第一视频图像中每一图像帧的车辆矩形框标签;随后训练时采用车辆目标的车辆矩形框标签作为训练MobileNet-SSD车辆检测模型的监督标签,如,通过对采集到的第一视频图像中的各图像帧xi进行标注,得到图像帧xi所对应的矩形框标签yi,随后针对各个标注的图像帧建立车辆检测的训练数据库<X,Y>,其中X=(x1,x2,...,xn),Y=(y1,y2,...,yn),n表示图像帧的总数;将训练数据库<X,Y>中的每一图像帧的大小分别转化为512像素×512像素、300像素×300像素和256像素×256像素,并将转化后的各图像帧输入到MobileNet-SSD的网络中,其中,以标注的矩形框标签Y做监督,使用批量随机梯度下降算法迭代更新车辆检测模型,训练过程中设置总迭代次数为12万次,初始学习率为0.001,最终得到最优的MobileNet-SSD的车辆检测模型,并导出最终训练后得到的该车辆检测模型,用于后续停车场内第二视频图像的车辆检测以获取车辆区域的矩形框。其中,学习率Learning rate作为监督学习以及深度学习中重要的超参,其决定着目标函数能否收敛到局部最小值以及何时收敛到最小值,合适的学习率能够使目标函数在合适的时间内收敛到局部最小值。
需要说明的是,本发明中的实施例为了提高车辆检测的速度,在原始的VGG-SDD模型基础上采用轻量型的网络MobileNet替换VGG(一种由牛津大学的视觉几何组VisualGeometry Group和Google DeepMind公司的研究员共同提出卷积神经网络)主干网络提供图像特征,在MobileNet的最后一层卷积层conv13后面添加了8个卷积层,随后抽取conv11,conv13,conv14_2,conv15_2,conv16_2,conv17_2共6个卷积层用作检测的特征,最后添加个两个并列的卷积层conv11_mbox_loc和conv11_mbox_conf分别为用于检测定位车辆的位置和用于判断是否为车辆的置信度。
通过本实施例,基于卷积神经网络训练的得到车辆检测模型,极大地提高了车辆检测的速度和精确度,为后续精确地对摄像机拍摄的停车场场景视频图像的车辆区域检测提供了重要的前提保障,进一步地,对采集到的视频图像进行简单的标注,实现了无需人工精确标注即可训练得到车辆检测模型,极大地降低车辆区域检测的成本。
在一种可能的实现方式中,步骤103所述确定待检测图像中车辆目标所在车位的各条边线的位置信息的步骤之前,包括:获取所述预定停车区域的第二视频图像,根据所述第二视频图像确定所述预定停车区域中的每一个车位,并确定各个车位的各个库角的坐标;根据所述各个车位的各个库角的坐标,确定所述各个车位的各条边线的位置信息;其中,将所述各个车位长边的边线确定为第一边线和第二边线,并将所述各个车位宽边的边线确定为第三边线和第四边线,按照逆时针方向,所述各个车位的各条边线以第一边线为起始,依次为第一边线、第四边线、第二边线和第三边线。
其中,当车位长边的边线在所述车位所在的图像帧中处于水平位置时,沿平面坐标的纵轴正方向依次确定所述图像帧中的车位的第一边线和第二边线,否则,沿平面坐标的横轴正方向依次确定所述图像帧中的车位的第一边线和第二边线。
例如,在车辆区域检测***中,通过高位视频摄像机获取预定停车区域的第二视频图像,根据第二视频图像确定预定停车区域中每一个车位,并确定各个车位的各个库角的坐标;根据各个车位的各个库角的坐标,确定各个车位的各条边线的位置信息。其中,将各个车位长边的边线确定为第一边线,如a,和第二边线,如b,并将各个车位宽边的边线确定为第三边线,如c,和第四边线,如d,按照逆时针方向,各个车位的各条边线以a为起始,依次为a、d、b和c。如图3所示。其中,当车位长边的边线在车位所在的图像帧中处于水平位置时,沿平面坐标的纵轴正方向依次确定图像帧中的车位的边线a和b,否则,沿平面坐标的横轴正方向依次确定图像帧中的车位的边线a和b。
通过本实施例,实现了对车位各条边线位置的确定,为后续待检测图像中车辆目标所在车位的各条边线的位置信息的确定提供了必要的计算数据,进一步地,极大地提高了后续车辆区域检测的准确度。
在一种可能的实现方式中,步骤104所述基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域,包括:将待检测图像沿第一旋转方向旋转第一旋转角度得到第一旋转图像,其中,第一旋转图像中的车位的第一边线或第二边线处于水平位置且沿平面坐标的纵轴正方向所述车位的长边依次为第一边线和第二边线;通过所述车辆检测模型检测第一旋转图像,得到第二矩形框;将所述第二矩形框沿着与所述第一旋转方向相反的方向旋转所述第一旋转角度,得到第三矩形框。
例如,在车辆区域检测***中,通过摄像机拍摄预定停车区域内的第一视频图像,获取该第一视频图像,基于该第一视频图像,训练预定网络模型,得到车辆检测模型;随后,通过该车辆检测模型,检测待检测图像,确定待检测图像中是否存在车辆目标;若待检测图像中存在车辆目标,确定待检测图像中车辆区域的第一矩形框A的位置信息,并确定待检测图像中车辆目标所在车位的各条边线的位置信息;基于待检测图像中车辆目标所在车位的各条边线的位置信息,其中,车位的第一边线、第二边线、第三边线、第四边线分别为a、b、c和d;将待检测图像沿第一旋转方向旋转第一旋转角度,如α度,得到第一旋转图像,其中,第一旋转图像中的车位的边线a或b处于水平位置且沿平面坐标的纵轴正方向车位的长边依次为边线a或b,并通过该车辆检测模型检测第一旋转图像,得到第二矩形框,如矩形框B,如图4所示;将第二矩形框B沿着与第一旋转方向相反的方向旋转α度,得到第三矩形框,如矩形框B',如图6所示。本发明实施例中,若第一旋转方向为顺时针方向,则与第一旋转方向相反的方向为逆时针方向,同理,若第一旋转方向为逆时针方向,则与第一旋转方向相反的方向为顺时针方向。需要说明的是,第一旋转角度的角度范围为[0,90),若待检测图像中车辆目标所在车位的第一边线或第二边线在待检测图像中处于水平位置时,第一旋转角度为0度,此时,第三矩形框与第二矩形框相同。
在一种可能的实现方式中,步骤104所述基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域,包括:将待检测图像沿第二旋转方向旋转第二旋转角度得到第二旋转图像,其中,第二旋转图像中的车位的第三边线或第四边线处于水平位置且沿平面坐标的纵轴正方向所述车位的宽边依次为第四边线和第三边线;通过所述车辆检测模型检测第二旋转图像,得到第四矩形框;将所述第四矩形框沿着与所述第二旋转方向相反的方向旋转第二旋转角度,得到第五矩形框。
例如,接上例,在车辆区域检测***中,将待检测图像沿第二旋转方向旋转第二旋转角度,如β度,得到第二旋转图像,其中,第二旋转图像中的车位的边线c或d处于水平位置且沿平面坐标的纵轴正方向车位的宽边依次为边线d和c;通过该车辆检测模型检测第二旋转图像,得到第四矩形框,如矩形框C,如图5所示;将第四矩形框C沿着与第二旋转方向相反的方向旋转β度,得到第五矩形框,如矩形框C',如图7所示。本发明实施例中,若第二旋转方向为顺时针方向,则与第二旋转方向相反的方向为逆时针方向,同理,若第二旋转方向为逆时针方向,则与第二旋转方向相反的方向为顺时针方向。需要说明的是,第二旋转角度的角度范围为[0,90),若待检测图像中车辆目标所在车位的第三边线或第四边线在待检测图像中处于水平位置时,第二旋转角度为0度,此时,第五矩形框与第四矩形框相同。
在一种可能的实现方式中,步骤104所述基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域,包括:将所述第三矩形框和所述第五矩形框映射至待检测图像中,以确定所述第三矩形框和所述第五矩形框在待检测图像中的位置;在待检测图像中,确定由所述第一矩形框、所述第三矩形框和所述第五矩形框公共重叠区域构成的车辆区域多边形;基于所述车辆区域多边形,计算确定所述车辆区域多边形各个顶点处的背景区域;去除所述背景区域的图像内容,得到待检测图像中的车辆区域。
例如,接上例,在车辆区域检测***中,当车位的边线a或b在待检测图像中未处于水平位置时,将第三矩形框B'和第五矩形框C'映射至待检测图像中,以确定第三矩形框B'和第五矩形框C'在待检测图像中的位置,如图8所示;在待检测图像中,确定由第一矩形框A、第三矩形框B'和第五矩形框C'公共重叠区域构成的车辆区域多边形,如图10所示;基于该车辆区域多边形,计算确定车辆区域多边形各个顶点处的背景区域;随后去除所述背景区域的图像内容,得到待检测图像中的车辆区域。
通过本实施例,通过映射得到的车辆区域多边形,为后续精确地检测车辆区域以及背景区域提供了必要的前提条件,极大地提高了检测的效率和准确性。
在一种可能的实现方式中,步骤104所述基于所述车辆区域多边形,计算确定所述车辆区域多边形各个顶点处的背景区域,具体包括:基于所述车辆区域多边形,计算确定所述车辆区域多边形各个顶点处的内切圆;根据已确定的所述车辆区域多边形各个顶点处的内切圆,确定各个内切圆与所述车辆区域多边形构成的背景区域;在待检测图像中,去除所述背景区域的图像内容;将所述车辆区域多边形的各个顶角根据内切圆的弧度转换成圆角,得到待检测图像中的车辆区域。
例如,接上例,在待检测图像中,确定由第一矩形框A、第三矩形框B'和第五矩形框C'公共重叠区域构成的车辆区域多边形;基于该车辆区域多边形,以第一矩形框A和第三矩形框B'重叠构成多边形顶点I为例,如图9所示,分别点在第一矩形框A和第三矩形框B'边上取点M和N,使得线段IM的长度等于所在第一矩形框A边线长度的六分之一;线段IN的长度等于所在第三矩形框B'边线长度的六分之一;连接线段MN,在线段MN的中垂线l上取点O,使得线段长度OM=ON=MN,则作以点O为圆心,OM为半径的圆为多边形顶点I处的内切圆,最终线段IM,IN和弧MN构成的背景区域为本发明实施例所要去除的背景区域。将该多边形的每个顶点根据上述方法,去除各个顶点处多余的背景区域,得到最终的车辆检测区域,如图11所示。
通过本实施例,能够去除待检测图像中的非车辆的背景区域,从而快速、精确地确定车辆区域,极大地提高了车辆区域的检测精度。
本发明实施例提供了一种检测停车位内车辆区域的装置,可以实现上述提供的方法实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明,上面对所公开实施例进行了描述。对于本领域技术人员来说;这些实施例的各种修改方式都是显而易见的,并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此,本公开并不限于本文给出的实施例,而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个***的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种检测停车位内车辆区域的方法,其特征在于,包括:
获取预定停车区域的第一视频图像,基于所述第一视频图像,训练预定网络模型,得到车辆检测模型;
通过所述车辆检测模型,检测待检测图像,确定待检测图像中是否存在车辆目标;
若存在,确定待检测图像中车辆区域的第一矩形框的位置信息,并确定待检测图像中车辆目标所在车位的各条边线的位置信息;
基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域。
2.根据权利要求1所述的方法,其特征在于,所述获取预定停车区域的第一视频图像,基于所述第一视频图像,训练预定网络模型,得到车辆检测模型,包括:
标注所述第一视频图像中每一图像帧的车辆矩形框标签;
基于标注后的所述第一视频图像和各个车辆矩形框标签,通过梯度下降算法训练预定网络模型,得到车辆检测模型。
3.根据权利要求1或2所述的方法,其特征在于,所述确定待检测图像中车辆目标所在车位的各条边线的位置信息的步骤之前,包括:
获取所述预定停车区域的第二视频图像,根据所述第二视频图像确定所述预定停车区域中的每一个车位,并确定各个车位的各个库角的坐标;
根据所述各个车位的各个库角的坐标,确定所述各个车位的各条边线的位置信息;
其中,将所述各个车位长边的边线确定为第一边线和第二边线,并将所述各个车位宽边的边线确定为第三边线和第四边线,按照逆时针方向,所述各个车位的各条边线以第一边线为起始,依次为第一边线、第四边线、第二边线和第三边线;
其中,当车位长边的边线在所述车位所在的图像帧中处于水平位置时,沿平面坐标的纵轴正方向依次确定所述图像帧中的车位的第一边线和第二边线,否则,沿平面坐标的横轴正方向依次确定所述图像帧中的车位的第一边线和第二边线。
4.根据权利要求3所述的方法,其特征在于,所述基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域,包括:
将待检测图像沿第一旋转方向旋转第一旋转角度得到第一旋转图像,其中,第一旋转图像中的车位的第一边线或第二边线处于水平位置且沿平面坐标的纵轴正方向所述车位的长边依次为第一边线和第二边线;
通过所述车辆检测模型检测第一旋转图像,得到第二矩形框;
将所述第二矩形框沿着与所述第一旋转方向相反的方向旋转所述第一旋转角度,得到第三矩形框。
5.根据权利要求4所述的方法,其特征在于,所述基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域,包括:
将待检测图像沿第二旋转方向旋转第二旋转角度得到第二旋转图像,其中,第二旋转图像中的车位的第三边线或第四边线处于水平位置且沿平面坐标的纵轴正方向所述车位的宽边依次为第四边线和第三边线;
通过所述车辆检测模型检测第二旋转图像,得到第四矩形框;
将所述第四矩形框沿着与所述第二旋转方向相反的方向旋转第二旋转角度,得到第五矩形框。
6.根据权利要求5所述的方法,其特征在于,所述基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域,包括:
将所述第三矩形框和所述第五矩形框映射至待检测图像中,以确定所述第三矩形框和所述第五矩形框在待检测图像中的位置;
在待检测图像中,确定由所述第一矩形框、所述第三矩形框和所述第五矩形框公共重叠区域构成的车辆区域多边形;
基于所述车辆区域多边形,计算确定所述车辆区域多边形各个顶点处的背景区域;
去除所述背景区域的图像内容,得到待检测图像中的车辆区域。
7.根据权利要求6所述的方法,其特征在于,所述基于所述车辆区域多边形,计算确定所述车辆区域多边形各个顶点处的背景区域,具体包括:
基于所述车辆区域多边形,计算确定所述车辆区域多边形各个顶点处的内切圆;
根据已确定的所述车辆区域多边形各个顶点处的内切圆,确定各个内切圆与所述车辆区域多边形构成的背景区域;
在待检测图像中,去除所述背景区域的图像内容;
将所述车辆区域多边形的各个顶角根据内切圆的弧度转换成圆角,得到待检测图像中的车辆区域。
8.一种检测停车位内车辆区域的装置,其特征在于,包括:
训练模块,用于获取预定停车区域的第一视频图像,基于所述第一视频图像,训练预定网络模型,得到车辆检测模型;
检测及确定模块,用于通过所述车辆检测模型,检测待检测图像,确定待检测图像中是否存在车辆目标;
第一确定模块,用于若存在,确定待检测图像中车辆区域的第一矩形框的位置信息,并确定待检测图像中车辆目标所在车位的各条边线的位置信息;
计算模块,用于基于所述第一矩形框的位置信息和所述各条边线的位置信息,计算得到待检测图像中的车辆区域。
9.根据权利要求8所述的装置,其特征在于,所述训练模块,包括:
标注单元,用于标注所述第一视频图像中每一图像帧的车辆矩形框标签;
训练单元,用于基于标注后的所述第一视频图像和各个车辆矩形框标签,通过梯度下降算法训练预定网络模型,得到车辆检测模型。
10.根据权利要求8或9所述的装置,其特征在于,包括:
获取及确定模块,用于获取所述预定停车区域的第二视频图像,根据所述第二视频图像确定所述预定停车区域中的每一个车位,并确定各个车位的各个库角的坐标;
第二确定模块,用于根据所述各个车位的各个库角的坐标,确定所述各个车位的各条边线的位置信息;
其中,将所述各个车位长边的边线确定为第一边线和第二边线,并将所述各个车位宽边的边线确定为第三边线和第四边线,按照逆时针方向,所述各个车位的各条边线以第一边线为起始,依次为第一边线、第四边线、第二边线和第三边线;
其中,当车位长边的边线在所述车位所在的图像帧中处于水平位置时,沿平面坐标的纵轴正方向依次确定所述图像帧中的车位的第一边线和第二边线,否则,沿平面坐标的横轴正方向依次确定所述图像帧中的车位的第一边线和第二边线。
11.根据权利要求10所述的装置,其特征在于,所述计算模块,包括:
第一旋转单元,用于将待检测图像沿第一旋转方向旋转第一旋转角度得到第一旋转图像,其中,第一旋转图像中的车位的第一边线或第二边线处于水平位置且沿平面坐标的纵轴正方向所述车位的长边依次为第一边线和第二边线;
第一检测单元,用于通过所述车辆检测模型检测第一旋转图像,得到第二矩形框;
第二旋转单元,用于将所述第二矩形框沿着与所述第一旋转方向相反的方向旋转所述第一旋转角度,得到第三矩形框。
12.根据权利要求11所述的装置,其特征在于,所述计算模块,包括:
第三旋转单元,用于将待检测图像沿第二旋转方向旋转第二旋转角度得到第二旋转图像,其中,第二旋转图像中的车位的第三边线或第四边线处于水平位置且沿平面坐标的纵轴正方向所述车位的宽边依次为第四边线和第三边线;
第二检测单元,用于通过所述车辆检测模型检测第二旋转图像,得到第四矩形框;
第四旋转单元,用于将所述第四矩形框沿着与所述第二旋转方向相反的方向旋转第二旋转角度,得到第五矩形框。
13.根据权利要求12所述的装置,其特征在于,所述计算模块,包括:
映射单元,用于将所述第三矩形框和所述第五矩形框映射至待检测图像中,以确定所述第三矩形框和所述第五矩形框在待检测图像中的位置;
确定单元,用于在待检测图像中,确定由所述第一矩形框、所述第三矩形框和所述第五矩形框公共重叠区域构成的车辆区域多边形;
计算单元,用于基于所述车辆区域多边形,计算确定所述车辆区域多边形各个顶点处的背景区域;
去除单元,用于去除所述背景区域的图像内容,得到待检测图像中的车辆区域。
14.根据权利要求13所述的装置,其特征在于,所述计算单元,具体用于
基于所述车辆区域多边形,计算确定所述车辆区域多边形各个顶点处的内切圆;
根据已确定的所述车辆区域多边形各个顶点处的内切圆,确定各个内切圆与所述车辆区域多边形构成的背景区域;
在待检测图像中,去除所述背景区域的图像内容;
将所述车辆区域多边形的各个顶角根据内切圆的弧度转换成圆角,得到待检测图像中的车辆区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910811564.6A CN110688902B (zh) | 2019-08-30 | 2019-08-30 | 一种检测停车位内车辆区域的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910811564.6A CN110688902B (zh) | 2019-08-30 | 2019-08-30 | 一种检测停车位内车辆区域的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110688902A true CN110688902A (zh) | 2020-01-14 |
CN110688902B CN110688902B (zh) | 2022-02-11 |
Family
ID=69107684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910811564.6A Active CN110688902B (zh) | 2019-08-30 | 2019-08-30 | 一种检测停车位内车辆区域的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688902B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709286A (zh) * | 2020-05-14 | 2020-09-25 | 深圳市金溢科技股份有限公司 | 车辆排序及etc交易方法、存储介质、工控机设备及etc*** |
CN112800873A (zh) * | 2021-01-14 | 2021-05-14 | 知行汽车科技(苏州)有限公司 | 确定目标方向角的方法、装置、***及存储介质 |
CN113706608A (zh) * | 2021-08-20 | 2021-11-26 | 云往(上海)智能科技有限公司 | 一种预定区域内目标物的位姿检测装置、方法和电子设备 |
CN114255584A (zh) * | 2021-12-20 | 2022-03-29 | 济南博观智能科技有限公司 | 一种停放车辆的定位方法、***、存储介质和电子设备 |
CN115050005A (zh) * | 2022-06-17 | 2022-09-13 | 北京精英路通科技有限公司 | 目标检测方法及用于高位视频智慧停车场景的检测装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140266803A1 (en) * | 2013-03-15 | 2014-09-18 | Xerox Corporation | Two-dimensional and three-dimensional sliding window-based methods and systems for detecting vehicles |
CN105913685A (zh) * | 2016-06-25 | 2016-08-31 | 上海大学 | 一种基于视频监控的车位识别及智能引导方法 |
CN108256554A (zh) * | 2017-12-20 | 2018-07-06 | 深圳市金溢科技股份有限公司 | 基于深度学习的车辆逆向停车判断方法、服务器及*** |
CN108805184A (zh) * | 2018-05-28 | 2018-11-13 | 广州英卓电子科技有限公司 | 一种固定空间、车辆上的图像识别方法及*** |
CN109800696A (zh) * | 2019-01-09 | 2019-05-24 | 深圳中兴网信科技有限公司 | 目标车辆的监控方法、***和计算机可读存储介质 |
CN110097776A (zh) * | 2018-01-30 | 2019-08-06 | 杭州海康威视数字技术股份有限公司 | 一种车位检测方法、监控摄像机及监控终端 |
CN110163107A (zh) * | 2019-04-22 | 2019-08-23 | 智慧互通科技有限公司 | 一种基于视频帧识别路侧停车行为的方法及装置 |
-
2019
- 2019-08-30 CN CN201910811564.6A patent/CN110688902B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140266803A1 (en) * | 2013-03-15 | 2014-09-18 | Xerox Corporation | Two-dimensional and three-dimensional sliding window-based methods and systems for detecting vehicles |
CN105913685A (zh) * | 2016-06-25 | 2016-08-31 | 上海大学 | 一种基于视频监控的车位识别及智能引导方法 |
CN108256554A (zh) * | 2017-12-20 | 2018-07-06 | 深圳市金溢科技股份有限公司 | 基于深度学习的车辆逆向停车判断方法、服务器及*** |
CN110097776A (zh) * | 2018-01-30 | 2019-08-06 | 杭州海康威视数字技术股份有限公司 | 一种车位检测方法、监控摄像机及监控终端 |
CN108805184A (zh) * | 2018-05-28 | 2018-11-13 | 广州英卓电子科技有限公司 | 一种固定空间、车辆上的图像识别方法及*** |
CN109800696A (zh) * | 2019-01-09 | 2019-05-24 | 深圳中兴网信科技有限公司 | 目标车辆的监控方法、***和计算机可读存储介质 |
CN110163107A (zh) * | 2019-04-22 | 2019-08-23 | 智慧互通科技有限公司 | 一种基于视频帧识别路侧停车行为的方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709286A (zh) * | 2020-05-14 | 2020-09-25 | 深圳市金溢科技股份有限公司 | 车辆排序及etc交易方法、存储介质、工控机设备及etc*** |
CN111709286B (zh) * | 2020-05-14 | 2023-10-17 | 深圳市金溢科技股份有限公司 | 车辆排序及etc交易方法、存储介质、工控机设备及etc*** |
CN112800873A (zh) * | 2021-01-14 | 2021-05-14 | 知行汽车科技(苏州)有限公司 | 确定目标方向角的方法、装置、***及存储介质 |
CN113706608A (zh) * | 2021-08-20 | 2021-11-26 | 云往(上海)智能科技有限公司 | 一种预定区域内目标物的位姿检测装置、方法和电子设备 |
CN113706608B (zh) * | 2021-08-20 | 2023-11-28 | 云往(上海)智能科技有限公司 | 一种预定区域内目标物的位姿检测装置、方法和电子设备 |
CN114255584A (zh) * | 2021-12-20 | 2022-03-29 | 济南博观智能科技有限公司 | 一种停放车辆的定位方法、***、存储介质和电子设备 |
CN115050005A (zh) * | 2022-06-17 | 2022-09-13 | 北京精英路通科技有限公司 | 目标检测方法及用于高位视频智慧停车场景的检测装置 |
CN115050005B (zh) * | 2022-06-17 | 2024-04-05 | 北京精英路通科技有限公司 | 目标检测方法及用于高位视频智慧停车场景的检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110688902B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688902B (zh) | 一种检测停车位内车辆区域的方法及装置 | |
WO2022027873A1 (zh) | 基于多模态信息融合的车辆再识别方法及装置 | |
CN110827247B (zh) | 一种识别标签的方法及设备 | |
Zhang et al. | Semi-automatic road tracking by template matching and distance transformation in urban areas | |
CN110647886A (zh) | 兴趣点标注方法、装置、计算机设备和存储介质 | |
CN110659601B (zh) | 基于中心点的深度全卷积网络遥感图像密集车辆检测方法 | |
CN114049356B (zh) | 一种结构表观裂缝检测方法、装置及*** | |
CN112634368A (zh) | 场景目标的空间与或图模型生成方法、装置及电子设备 | |
CN112836699A (zh) | 一种基于长时多目标跟踪的泊位出入场事件分析方法 | |
WO2023231991A1 (zh) | 交通信号灯感知方法、装置、设备及存储介质 | |
CN112465854A (zh) | 基于无锚点检测算法的无人机跟踪方法 | |
CN114677501A (zh) | 一种基于二维高斯边界框重叠度度量的车牌检测方法 | |
CN112907626A (zh) | 基于卫星超时相数据多源信息的运动目标提取方法 | |
Zhang et al. | Image-based approach for parking-spot detection with occlusion handling | |
CN112597996B (zh) | 基于任务驱动的自然场景中交通标志显著性检测方法 | |
CN112329886A (zh) | 双车牌识别方法、模型训练方法、装置、设备及存储介质 | |
CN114120259A (zh) | 一种空车位识别方法及其***、计算机设备、存储介质 | |
CN117152949A (zh) | 一种基于无人机的交通事件识别方法及*** | |
CN116628531A (zh) | 众包地图道路对象要素聚类方法、***及存储介质 | |
CN113408514B (zh) | 一种基于深度学习检测路侧停车场泊位的方法及装置 | |
CN115223114A (zh) | 一种基于双向融合特征金字塔的端到端车辆姿态估计方法 | |
CN110942008B (zh) | 一种基于深度学习的面单信息定位方法和*** | |
CN113392837A (zh) | 一种基于深度学习的车牌识别方法及装置 | |
CN111488771B (zh) | Ocr挂接方法、装置与设备 | |
CN113096104A (zh) | 目标分割模型的训练方法及装置和目标分割方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: 075000 building 10, phase I, Zhangjiakou Airport Economic and Technological Development Zone, Zhangjiakou City, Hebei Province Applicant after: Smart intercommunication Technology Co.,Ltd. Address before: 075000 building 10, phase I, Zhangjiakou Airport Economic and Technological Development Zone, Zhangjiakou City, Hebei Province Applicant before: INTELLIGENT INTERCONNECTION TECHNOLOGIES Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |