CN111797715A - 车位检测方法、装置、电子设备及存储介质 - Google Patents
车位检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111797715A CN111797715A CN202010549775.XA CN202010549775A CN111797715A CN 111797715 A CN111797715 A CN 111797715A CN 202010549775 A CN202010549775 A CN 202010549775A CN 111797715 A CN111797715 A CN 111797715A
- Authority
- CN
- China
- Prior art keywords
- parking space
- image
- attribute
- heat map
- surrounding environment
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 82
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011426 transformation method 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种车位检测方法、装置、电子设备及存储介质,所述方法包括:获取目标车辆的周围环境的环视图像;将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图;对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果。本发明由于将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图,并基于对属性热图进行处理的结果确定所述周围环境中的车位检测结果,相比于相关技术中直接向神经网络模型输入环视图像的方案,可以实现基于环视图像的热图特征提高停车位检测的准确度,并且可以降低对神经网络模型的训练要求,提高停车位检测的效率。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种车位检测方法、装置、电子设备及存储介质。
背景技术
相关技术中可以基于深度学习的方式实现停车位的检测,例如可以采集车辆周围环境的图像,并将该图像直接输入训练好的神经网络模型中进行车位检测。
然而,上述技术方案中由于是直接向训练好的神经网络模型中输入获取的图像,这对神经网络模型的训练要求很高,否则会影响车位检测的准确度和检测效率。
发明内容
有鉴于此,本发明提出一种车位检测方法、装置、电子设备及存储介质以解决上述技术问题。
为了达到上述目的,本发明所采用的技术方案为:
根据本发明实施例的第一方面,提出了一种车位检测方法,包括:
获取目标车辆的周围环境的环视图像;
将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图;
对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果。
在一实施例中,所述获取目标车辆的周围环境的环视图像,包括:
采集所述目标车辆的各个设定方向的环境图像;
对所述各个设定方向的环境图像进行拼接处理,得到所述目标车辆的周围环境的环视图像。
在一实施例中,所述对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果,包括:
提取所述属性热图中的车位属性,以及基于所述车位属性确定所述周围环境中的车位检测结果,其中,所述车位属性包括以下至少一种:
停车位内圈的可见停车区域;
停车位内圈的边框;
停车位内圈的四个顶点;
停车位的中心点。
在一实施例中,所述方法还包括预先基于以下步骤训练所述深度网络模型:
获取车辆周围环境的样本环视图像;
确定所述样本环视图像中车位对应的属性热图;
将所述样本环视图像和所述属性热图输入至目标卷积神经网络进行训练,得到训练后的神经网络模型。
在一实施例中,所述确定所述样本环视图像中车位对应的属性热图,包括:
标记所述样本环视图像中停车位的内角点;
采用设定类型的文档保存所述内角点的坐标;
基于所述坐标确定所述属性热图。
在一实施例中,所述对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果,包括:
确定目标子图像图中的子图像内角点对应于原始图像中的一个目标点,其中,所述目标子图像为在所述目标卷积神经网络进行卷积计算过程中,通过设定转化方式对所述环视图像进行转化处理所得到的子图像;
在所述环视图像中以所述目标点为中心的预设范围内找到所述子图像内角点对应的环视图像内角点;
基于所述环视图像内角点确定所述周围环境中的车位检测结果。
根据本发明实施例的第二方面,提出了一种车位检测装置,包括:
环视图像获取模块,用于获取目标车辆的周围环境的环视图像;
属性热图确定模块,用于将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图;
检测结果获取模块,用于对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果。
在一实施例中,所述环视图像获取模块,包括:
环境图像采集单元,用于采集所述目标车辆的各个设定方向的环境图像;
环视图像获取单元,用于对所述各个设定方向的环境图像进行拼接处理,得到所述目标车辆的周围环境的环视图像。
在一实施例中,所述检测结果获取模块,还用于:
提取所述属性热图中的车位属性,以及基于所述车位属性确定所述周围环境中的车位检测结果,其中,所述车位属性包括以下至少一种:
停车位内圈的可见停车区域;
停车位内圈的边框;
停车位内圈的四个顶点;
停车位的中心点。
在一实施例中,所述装置还包括网络模型训练模块;
所述网络模型训练模块,包括:
样本图像获取单元,用于获取车辆周围环境的样本环视图像;
属性热图确定单元,用于确定所述样本环视图像中车位对应的属性热图;
网络模型训练单元,用于将所述样本环视图像和所述属性热图输入至目标卷积神经网络进行训练,得到训练后的神经网络模型。
在一实施例中,所述属性热图确定单元,还用于:
标记所述样本环视图像中停车位的内角点;
采用设定类型的文档保存所述内角点的坐标;
基于所述坐标确定所述属性热图。
在一实施例中,所述检测结果获取模块,包括:
目标点确定单元,用于确定目标子图像图中的子图像内角点对应于原始图像中的一个目标点,其中,所述目标子图像为在所述目标卷积神经网络进行卷积计算过程中,通过设定转化方式对所述环视图像进行转化处理所得到的子图像;
内角点确定单元,用于在所述环视图像中以所述目标点为中心的预设范围内找到所述子图像内角点对应的环视图像内角点;
检测结果获取单元,用于基于所述环视图像内角点确定所述周围环境中的车位检测结果。
根据本发明实施例的第三方面,提出了一种电子设备,所述电子设备包括:
处理器;
被配置为存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取目标车辆的周围环境的环视图像;
将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图;
对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果。
根据本发明实施例的第四方面,提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器处理时实现:
获取目标车辆的周围环境的环视图像;
将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图;
对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果。
与现有技术相比较,本发明通过获取目标车辆的周围环境的环视图像,并将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图,进而对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果,由于将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图,并基于对属性热图进行处理的结果确定所述周围环境中的车位检测结果,相比于相关技术中直接向神经网络模型输入环视图像的方案,可以实现基于环视图像的热图特征提高停车位检测的准确度,并且可以降低对神经网络模型的训练要求,提高停车位检测的效率。
附图说明
图1示出了根据本发明的一示例性实施例的车位检测方法的流程图;
图2示出了根据本发明的如何获取目标车辆的周围环境的环视图像的示意图;
图3示出了根据本发明的如何训练所述深度网络模型的示意图;
图4示出了根据本发明的如何确定所述样本环视图像中车位对应的属性热图的示意图;
图5示出了根据本发明的如何获取所述周围环境中的车位检测结果的示意图;
图6示出了根据本发明的一示例性实施例的车位检测装置的结构框图;
图7示出了根据本发明的另一示例性实施例的车位检测装置的结构框图;
图8示出了根据本发明的一示例性实施例的电子设备的结构框图。
具体实施方式
以下将结合附图所示的具体实施例对本发明进行详细描述。但这些实施例并不限制本发明,本领域的普通技术人员根据这些实施例所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二等来描述各种结构,但这些结构不应限于这些术语。这些术语仅用来将同一类型的结构彼此区分开。
图1示出了根据本发明的一示例性实施例的车位检测方法的流程图。本实施例的方法可以应用于终端设备(如,车载终端、智能手机或平板电脑等)或者,可以应用于服务端(如,一台服务器或多台服务器组成的服务器集群等)。如图1所示,该方法包括以下步骤S101-S103:
在步骤S101中,获取目标车辆的周围环境的环视图像。
本实施例中,目标车辆在需要检测周围环境中的停车位时,可以通过车载终端设备(以下简称终端设备)获取目标车辆的周围环境的环视图像。
举例来说,当目标车辆到达目的地时,可以通过车上的图像采集装置(如,摄像头等)采集周围环境的环视图像。
其中,上述目标车辆的类型可以为自动驾驶车辆或非自动驾驶车辆,本实施例对此不进行限定。
值得说明的是,上述环境图像的类型可以由开发人员或用户基于实际业务需要进行设置,如设置为RGB图像等,本实施例对此不进行限定。
在另一实施例中,上述获取目标车辆的周围环境的环视图像的方式还可以参见下述图2所示实施例,在此先不进行详述。
在步骤S102中,将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图。
本实施例中,当获取目标车辆的周围环境的环视图像后,可以将该环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图。
其中,上述神经网络模型可以为预先训练的、用于基于环视图像确定车位的属性热图的模型,即该模型的输入为目标车辆的周围环境的环视图像,且输出为该环视图像中各个车位对应的属性热图。
在另一实施例中,上述神经网络模型的训练过程可以参见下述图3所示实施例,在此先不进行详述。
在步骤S103中,对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果。
本实施例中,当将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图后,可以对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果。
其中,上述车位检测结果可以包括停车位内圈的边框、停车位内圈的四个顶点或停车位的中心点等,本实施例对此不进行限定。
在一实施例中,可以提取所述属性热图中的车位属性,以及基于所述车位属性确定所述周围环境中的车位检测结果,其中,所述车位属性包括以下至少一种:
停车位内圈的可见停车区域;
停车位内圈的边框;
停车位内圈的四个顶点;
停车位的中心点。
举例来说,当将环视图像输入预先训练好的模型中,得到的环视图像中各个车位对应的属性热图后,可以从该属性热图中提取各个车位属性,进行基于属性对应的像素点的距离、比例等因素对各个车位属性进行分组(其中,每一组的车位属性对应于同一个车位),进而得到各个车位的车位属性,进而可以得到每个车位的检测结果。
由上述技术方案可知,本实施例通过获取目标车辆的周围环境的环视图像,并将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图,进而对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果,由于将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图,并基于对属性热图进行处理的结果确定所述周围环境中的车位检测结果,相比于相关技术中直接向神经网络模型输入环视图像的方案,可以实现基于环视图像的热图特征提高停车位检测的准确度,并且可以降低对神经网络模型的训练要求,提高停车位检测的效率。
图2示出了根据本发明的如何获取目标车辆的周围环境的环视图像的示意图;本实施例在上述实施例的基础上以如何获取目标车辆的周围环境的环视图像为例进行示例性说明。如图2所示,上述步骤S101中所述获取目标车辆的周围环境的环视图像,可以包括以下步骤S201-S202:
在步骤S201中,采集所述目标车辆的各个设定方向的环境图像。
本实施例中,目标车辆在需要检测周围环境中的停车位时,可以采集所述目标车辆的各个设定方向的环境图像。
举例来说,当目标车辆到达目的地时,可以通过车上的图像采集装置(如,摄像头等)采集所述目标车辆的各个设定方向的环境图像。
其中,上述目标车辆的类型可以为自动驾驶车辆或非自动驾驶车辆,本实施例对此不进行限定。
值得说明的是,上述环境图像的类型可以由开发人员或用户基于实际业务需要进行设置,如设置为RGB图像等,本实施例对此不进行限定。
在步骤S202中,对所述各个设定方向的环境图像进行拼接处理,得到所述目标车辆的周围环境的环视图像。
本实施例中,当采集所述目标车辆的各个设定方向的环境图像后,可以按照空间顺序对所述各个设定方向的环境图像进行拼接处理,得到所述目标车辆的周围环境的环视图像。
举例来说,当采集上述目标车辆的前后左右四个方向的环境图像后,可以按照空间顺序,依次将前后左右方向的环境图像进行拼接处理,得到所述目标车辆的周围环境的环视图像。
由上述技术方案可知,本实施例通过采集所述目标车辆的各个设定方向的环境图像,并对所述各个设定方向的环境图像进行拼接处理,得到所述目标车辆的周围环境的环视图像,可以确保获取目标车辆的周围环境的环视图像的准确性和效率。
图3示出了根据本发明的如何训练所述深度网络模型的示意图;本实施例在上述实施例的基础上,还提出了预先基于以下步骤S301-S303训练所述深度网络模型:
在步骤S301中,获取车辆周围环境的样本环视图像。
本实施例中,在训练深度网络模型之前,可以通过车载终端设备获取多幅目标车辆的周围环境的样本环视图像。
其中,上述目标车辆的类型可以为自动驾驶车辆或非自动驾驶车辆,本实施例对此不进行限定。
值得说明的是,上述样本环境图像的类型可以由开发人员或用户基于实际业务需要进行设置,如设置为RGB图像等,本实施例对此不进行限定。
在步骤S302中,确定所述样本环视图像中车位对应的属性热图。
本实施例中,当获取车辆周围环境的样本环视图像后,可以确定所述样本环视图像中车位对应的属性热图。其中,车位对应的属性热图的相关解释和说明可以参见上述实施例,在此不进行赘述。
在一实施例中,确定上述样本环视图像中车位对应的属性热图的方式可以参见下述图4所示实施例,在此先不进行详述。
在步骤S303中,将所述样本环视图像和所述属性热图输入至目标卷积神经网络进行训练,得到训练后的神经网络模型。
本实施例中,当确定所述样本环视图像中车位对应的属性热图后,可以将所述样本环视图像和所述属性热图输入至目标卷积神经网络进行训练,得到训练后的神经网络模型。
值得说明的是,上述基于样本环视图像以及该样本环视图像中车位对应的属性热图训练目标卷积神经网络的方式可以参见相关技术中的神经网络训练方案,本实施例对此不进行限定。
由上述技术方案可知,本实施例通过获取车辆周围环境的样本环视图像,并确定所述样本环视图像中车位对应的属性热图,并将所述样本环视图像和所述属性热图输入至目标卷积神经网络进行训练,得到训练后的神经网络模型,可以实现基于样本环视图像中车位对应的属性热图准确、高效的训练卷积神经网络,进而可以实现后续基于训练后的神经网络模型准确的获取目标车辆的周围环境中的车位检测结果。
图4示出了根据本发明的如何确定所述样本环视图像中车位对应的属性热图的示意图;本实施例在上述实施例的基础上以如何确定所述样本环视图像中车位对应的属性热图为例进行示例性说明。如图4所示,上述步骤S302中所述确定所述样本环视图像中车位对应的属性热图,可以包括以下步骤S401-S403:
在步骤S401中,标记所述环视图像中停车位的内角点。
本实施例中,当获取目标车辆的周围环境的环视图像后,可以标记该环视图像中停车位的内角点。
在一实施例中,在获取目标车辆的周围环境的环视图像后,可以采用图像识别方式对上述环视图像的内容进行识别,进而可以基于识别结果标记该环视图像中停车位的内角点。
可以理解的是,停车位的边框是具有一定宽度的,因而此处标记的是车位的内角点,即车位的内边框的角点。
在步骤S402中,采用设定类型的文档保存所述内角点的坐标。
本实施例中,当标记所述环视图像中停车位的内角点后,可以获取该内角点的坐标,进而还可以采用设定类型的文档保存所述内角点的坐标。
在一实施例中,上述文档的类型可以由开发人员基于实际业务需要进行设置,如设置为txt类型等,本实施例对此不进行限定。
在步骤S403中,基于所述坐标确定所述属性热图。
本实施例中,当采用设定类型的文档保存所述内角点的坐标后,可以基于该内角点的坐标确定所述属性热图。
举例来说,当获取目标车辆的周围环境的环视图像后,可以对该环视图像进行打标签,以获取打标签后的环视图像,进而可以基于上述内角点的坐标确定所述属性热图。
其中,上述属性热图中包含打标签后的各个内角点的坐标。
由上述技术方案可知,本实施例通过标记所述样本环视图像中停车位的内角点,并采用设定类型的文档保存所述内角点的坐标,以及基于所述坐标确定所述属性热图,可以实现准确的确定样本环视图像中车位对应的属性热图,进而可以实现后续将所述样本环视图像和所述属性热图输入至目标卷积神经网络进行训练,得到训练后的神经网络模型。
图5示出了根据本发明的如何周围环境中的车位检测结果的示意图;本实施例在上述实施例的基础上以如何周围环境中的车位检测结果为例进行示例性说明。如图5所示,上述步骤S103中所述对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果,可以包括以下步骤S501-S503:
在步骤S501中,确定目标子图像图中的子图像内角点对应于原始图像中的一个目标点。
其中,所述目标子图像为在所述目标卷积神经网络进行卷积计算过程中,通过设定转化方式对所述环视图像进行转化处理所得到的子图像。
其中,上述设定转化方式可以包括卷积、池化(pool)等方式。
在步骤S502中,在所述环视图像中以所述目标点为中心的预设范围内找到所述子图像内角点对应的环视图像内角点。
在步骤S503中,基于所述环视图像内角点确定所述周围环境中的车位检测结果。
值得说明的是,当目标卷积神经网络对原始的环视图像进行处理后,可以实现将该图像由512*512大小转化为多幅32*32大小的子图像;进而在后续步骤中,还需再将这些32*32的子图像中的内角点对应于原图512*512的内角点,即需要将一个点对应于多个点(对应比例为32:512=1:16),因而可能发生内角点对应的不准确的问题。
本实施例中考虑到上述问题,为了提高内角点的对应准确性,因而将上述32*32的子图像中找到的一个内角点,对应于512*512的环视图像内的一个目标点,进而在从该环视图像中以该目标点为中心的预设范围内,如16*16的范围内找到一个内角点;在此基础上,可以实现将上述32*32的子图中的各个角点准确地对应于512*512的环视图像中的各个角点,进而可以基于该512*512的环视图像中的各个内角点确定周围环境中的车位检测结果。
由上述技术方案可知,本实施例通过确定目标子图像图中的子图像内角点对应于原始图像中的一个目标点,并在所述环视图像中以所述目标点为中心的预设范围内找到所述子图像内角点对应的环视图像内角点,进而基于所述环视图像内角点确定所述周围环境中的车位检测结果,可以实现准确的将下采样热图中的各个内角点返回原图,可以提高角点返回的准确性,进而可以提高后续确定车位检测结果的准确性。
图6示出了根据本发明的一示例性实施例的车位检测装置的结构框图;如图6所示,该装置包括:环视图像获取模块110、属性热图确定模块120以及检测结果获取模块130,其中:
环视图像获取模块110,用于获取目标车辆的周围环境的环视图像;
属性热图确定模块120,用于将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图;
检测结果获取模块130,用于对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果。
由上述技术方案可知,本实施例通过获取目标车辆的周围环境的环视图像,并将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图,进而对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果,由于将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图,并基于对属性热图进行处理的结果确定所述周围环境中的车位检测结果,相比于相关技术中直接向神经网络模型输入环视图像的方案,可以实现基于环视图像的热图特征提高停车位检测的准确度,并且可以降低对神经网络模型的训练要求,提高停车位检测的效率。
图7示出了根据本发明的另一示例性实施例的车位检测装置的结构框图;其中,环视图像获取模块210、属性热图确定模块220以及检测结果获取模块230与前述图6所示实施例中的环视图像获取模块110、属性热图确定模块120以及检测结果获取模块130的功能相同,在此不进行赘述。如图7所示,环视图像获取模块210,可以包括:
环境图像采集单元211,用于采集所述目标车辆的各个设定方向的环境图像;
环视图像获取单元212,用于对所述各个设定方向的环境图像进行拼接处理,得到所述目标车辆的周围环境的环视图像。
在一实施例中,检测结果获取模块230,还可以用于:
提取所述属性热图中的车位属性,以及基于所述车位属性确定所述周围环境中的车位检测结果,其中,所述车位属性包括以下至少一种:
停车位内圈的可见停车区域;
停车位内圈的边框;
停车位内圈的四个顶点;
停车位的中心点。
在一实施例中,上述装置还可以包括网络模型训练模块240;
网络模型训练模块240,可以包括:
样本图像获取单元241,用于获取车辆周围环境的样本环视图像;
属性热图确定单元242,用于确定所述样本环视图像中车位对应的属性热图;
网络模型训练单元243,用于将所述样本环视图像和所述属性热图输入至目标卷积神经网络进行训练,得到训练后的神经网络模型。
在一实施例中,上述属性热图确定单元242,还可以用于:
标记所述样本环视图像中停车位的内角点;
采用设定类型的文档保存所述内角点的坐标;
基于所述坐标确定所述属性热图。
在一实施例中,上述检测结果获取模块230,可以包括:
目标点确定单元231,用于确定目标子图像图中的子图像内角点对应于原始图像中的一个目标点,其中,所述目标子图像为在所述目标卷积神经网络进行卷积计算过程中,通过设定转化方式对所述环视图像进行转化处理所得到的子图像;
内角点确定单元232,用于在所述环视图像中以所述目标点为中心的预设范围内找到所述子图像内角点对应的环视图像内角点;
检测结果获取单元233,用于基于所述环视图像内角点确定所述周围环境中的车位检测结果。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明车位检测装置的实施例可以应用在网络设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图8所示,为本发明的车位检测装置所在电子设备的一种硬件结构图,除了图8所示的处理器、网络接口、内存以及非易失性存储器之外,实施例中装置所在的设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等;从硬件结构上来讲该设备还可能是分布式的设备,可能包括多个接口卡,以便在硬件层面进行报文处理的扩展。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器处理时实现以下任务处理方法:
获取目标车辆的周围环境的环视图像;
将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图;
对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由本发明的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种车位检测方法,其特征在于,包括:
获取目标车辆的周围环境的环视图像;
将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图;
对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果。
2.根据权利要求1所述的方法,其特征在于,所述获取目标车辆的周围环境的环视图像,包括:
采集所述目标车辆的各个设定方向的环境图像;
对所述各个设定方向的环境图像进行拼接处理,得到所述目标车辆的周围环境的环视图像。
3.根据权利要求1所述的方法,其特征在于,所述对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果,包括:
提取所述属性热图中的车位属性,以及基于所述车位属性确定所述周围环境中的车位检测结果,其中,所述车位属性包括以下至少一种:
停车位内圈的可见停车区域;
停车位内圈的边框;
停车位内圈的四个顶点;
停车位的中心点。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括预先基于以下步骤训练所述深度网络模型:
获取车辆周围环境的样本环视图像;
确定所述样本环视图像中车位对应的属性热图;
将所述样本环视图像和所述属性热图输入至目标卷积神经网络进行训练,得到训练后的神经网络模型。
5.根据权利要求4所述的方法,其特征在于,所述确定所述样本环视图像中车位对应的属性热图,包括:
标记所述样本环视图像中停车位的内角点;
采用设定类型的文档保存所述内角点的坐标;
基于所述坐标确定所述属性热图。
6.根据权利要求1所述的方法,其特征在于,所述对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果,包括:
确定目标子图像图中的子图像内角点对应于原始图像中的一个目标点,其中,所述目标子图像为在所述目标卷积神经网络进行卷积计算过程中,通过设定转化方式对所述环视图像进行转化处理所得到的子图像;
在所述环视图像中以所述目标点为中心的预设范围内找到所述子图像内角点对应的环视图像内角点;
基于所述环视图像内角点确定所述周围环境中的车位检测结果。
7.一种车位检测装置,其特征在于,包括:
环视图像获取模块,用于获取目标车辆的周围环境的环视图像;
属性热图确定模块,用于将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图;
检测结果获取模块,用于对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果。
8.根据权利要求7所述的装置,其特征在于,所述环视图像获取模块,包括:
环境图像采集单元,用于采集所述目标车辆的各个设定方向的环境图像;
环视图像获取单元,用于对所述各个设定方向的环境图像进行拼接处理,得到所述目标车辆的周围环境的环视图像。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器;
被配置为存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取目标车辆的周围环境的环视图像;
将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图;
对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果。
10.一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,该程序被处理器处理时实现:
获取目标车辆的周围环境的环视图像;
将所述环视图像输入预先训练的神经网络模型,得到所述环视图像中车位对应的属性热图;
对所述属性热图进行处理,并基于处理的结果确定所述周围环境中的车位检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549775.XA CN111797715A (zh) | 2020-06-16 | 2020-06-16 | 车位检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549775.XA CN111797715A (zh) | 2020-06-16 | 2020-06-16 | 车位检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111797715A true CN111797715A (zh) | 2020-10-20 |
Family
ID=72803093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010549775.XA Pending CN111797715A (zh) | 2020-06-16 | 2020-06-16 | 车位检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797715A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329601A (zh) * | 2020-11-02 | 2021-02-05 | 东软睿驰汽车技术(沈阳)有限公司 | 基于多任务网络的车位检测方法和装置 |
CN114694117A (zh) * | 2022-03-30 | 2022-07-01 | 东风汽车集团股份有限公司 | 一种基于图像的停车位识别方法 |
WO2023090001A1 (ja) * | 2021-11-19 | 2023-05-25 | ソニーセミコンダクタソリューションズ株式会社 | 情報処理装置、および情報処理方法、並びにプログラム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190325605A1 (en) * | 2016-12-29 | 2019-10-24 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for detecting objects in images |
CN110929661A (zh) * | 2019-11-28 | 2020-03-27 | 的卢技术有限公司 | 一种基于卷积神经网络的可停靠车位检测方法及*** |
CN111062285A (zh) * | 2019-12-06 | 2020-04-24 | 合肥学院 | 一种基于深度学习算法的停车场智能监控识别*** |
CN111160172A (zh) * | 2019-12-19 | 2020-05-15 | 深圳佑驾创新科技有限公司 | 泊车位检测方法、装置、计算机设备和存储介质 |
CN111191570A (zh) * | 2019-12-26 | 2020-05-22 | 国网北京市电力公司 | 图像识别方法和装置 |
CN111259710A (zh) * | 2018-12-03 | 2020-06-09 | 初速度(苏州)科技有限公司 | 采用停车位框线、端点的停车位结构检测模型训练方法 |
-
2020
- 2020-06-16 CN CN202010549775.XA patent/CN111797715A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190325605A1 (en) * | 2016-12-29 | 2019-10-24 | Zhejiang Dahua Technology Co., Ltd. | Systems and methods for detecting objects in images |
CN111259710A (zh) * | 2018-12-03 | 2020-06-09 | 初速度(苏州)科技有限公司 | 采用停车位框线、端点的停车位结构检测模型训练方法 |
CN110929661A (zh) * | 2019-11-28 | 2020-03-27 | 的卢技术有限公司 | 一种基于卷积神经网络的可停靠车位检测方法及*** |
CN111062285A (zh) * | 2019-12-06 | 2020-04-24 | 合肥学院 | 一种基于深度学习算法的停车场智能监控识别*** |
CN111160172A (zh) * | 2019-12-19 | 2020-05-15 | 深圳佑驾创新科技有限公司 | 泊车位检测方法、装置、计算机设备和存储介质 |
CN111191570A (zh) * | 2019-12-26 | 2020-05-22 | 国网北京市电力公司 | 图像识别方法和装置 |
Non-Patent Citations (4)
Title |
---|
D. PODDAR等: "Deep Learning based Parking Spot Detection and Classification in Fish-Eye Images", 《IEEE INTERNATIONAL CONFERENCE ON ELECTRONICS, COMPUTING AND COMMUNICATION TECHNOLOGIES (CONECCT)》, pages 1 - 5 * |
斋藤康毅: "《深度学习入门:基于Python的理论与实现》", vol. 1, 31 July 2018, 人民邮电出版社, pages: 203 - 205 * |
曲成璋: "《不同复杂度行为识别》", vol. 1, 29 February 2020, 上海财经大学出版社, pages: 44 * |
王晋疆等: "一种基于环视***的车位检测方法", 《分析仪器》, no. 1, pages 71 - 77 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329601A (zh) * | 2020-11-02 | 2021-02-05 | 东软睿驰汽车技术(沈阳)有限公司 | 基于多任务网络的车位检测方法和装置 |
CN112329601B (zh) * | 2020-11-02 | 2024-05-07 | 东软睿驰汽车技术(沈阳)有限公司 | 基于多任务网络的车位检测方法和装置 |
WO2023090001A1 (ja) * | 2021-11-19 | 2023-05-25 | ソニーセミコンダクタソリューションズ株式会社 | 情報処理装置、および情報処理方法、並びにプログラム |
CN114694117A (zh) * | 2022-03-30 | 2022-07-01 | 东风汽车集团股份有限公司 | 一种基于图像的停车位识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110869974B (zh) | 点云处理方法、设备及存储介质 | |
WO2019042426A1 (zh) | 增强现实场景的处理方法、设备及计算机存储介质 | |
CN108965742B (zh) | 异形屏显示方法、装置、电子设备及计算机可读存储介质 | |
CN110111388B (zh) | 三维物***姿参数估计方法及视觉设备 | |
CN111797715A (zh) | 车位检测方法、装置、电子设备及存储介质 | |
CN111428717B (zh) | 文本识别方法、装置、电子设备及计算机可读存储介质 | |
CN110705405A (zh) | 目标标注的方法及装置 | |
CN111915483B (zh) | 图像拼接方法、装置、计算机设备和存储介质 | |
CN113029128A (zh) | 视觉导航方法及相关装置、移动终端、存储介质 | |
CN116030194A (zh) | 一种基于目标检测规避的空地协同实景三维建模优化方法 | |
CN111626241A (zh) | 一种人脸检测方法及装置 | |
CN110880003B (zh) | 一种图像匹配方法、装置、存储介质及汽车 | |
CN114616586A (zh) | 图像标注方法、装置、电子设备及计算机可读存储介质 | |
CN112329649A (zh) | 一种城市植被种类识别方法、***、设备以及介质 | |
KR101598399B1 (ko) | 로드뷰 사진이미지의 좌표정보를 이용한 자동 이미지 합성 시스템 | |
CN109801339B (zh) | 图像处理方法、装置和存储介质 | |
US20120275709A1 (en) | Building texture extracting apparatus and method thereof | |
CN111401365B (zh) | Ocr图像自动生成方法及装置 | |
CN113066100A (zh) | 目标跟踪方法、装置、设备及存储介质 | |
CN107392878A (zh) | 一种全景相机的图像融合方法 | |
CN114004839A (zh) | 全景图像的图像分割方法、装置、计算机设备和存储介质 | |
CN112700428A (zh) | 一种交换机背板元件识别方法及装置 | |
US11189050B2 (en) | Learning template representation libraries | |
Hui et al. | Camera calibration using a genetic algorithm | |
CN112215048A (zh) | 一种3d目标检测方法、装置和计算机可读存储介质 |
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 |