CN112733703A - 一种车辆停放状态检测方法及*** - Google Patents

一种车辆停放状态检测方法及*** Download PDF

Info

Publication number
CN112733703A
CN112733703A CN202110017332.0A CN202110017332A CN112733703A CN 112733703 A CN112733703 A CN 112733703A CN 202110017332 A CN202110017332 A CN 202110017332A CN 112733703 A CN112733703 A CN 112733703A
Authority
CN
China
Prior art keywords
target
vehicle
map
parking space
parking
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
CN202110017332.0A
Other languages
English (en)
Inventor
唐健
石伟
潘国峰
陶昆
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.)
Shenzhen Jieshun Science and Technology Industry Co Ltd
Original Assignee
Shenzhen Jieshun Science and Technology Industry Co Ltd
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 Shenzhen Jieshun Science and Technology Industry Co Ltd filed Critical Shenzhen Jieshun Science and Technology Industry Co Ltd
Priority to CN202110017332.0A priority Critical patent/CN112733703A/zh
Publication of CN112733703A publication Critical patent/CN112733703A/zh
Pending legal-status Critical Current

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
    • G06V20/56—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

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

Abstract

本申请实施例公开了一种车辆停放状态检测方法及***，用于通过图像分割技术检测车辆在停车位上停放时的停车状态。本申请实施例方法包括：获取待检测的目标停车图，所述目标停车图为目标车辆在目标停车位停放时的车辆图，所述目标停车图包含目标车辆标注区域和目标车位标注区域；将所述目标停车图输入训练好的目标图像分割模型中，通过所述目标图像分割模型根据所述目标车辆标注区域和所述目标车位标注区域获取所述目标停车图的目标分割图，所述目标分割图包括所述目标停车位的车位轮廓图和所述目标车辆的车辆轮廓图；根据所述车位轮廓图和所述车辆轮廓图检测所述目标车辆在所述目标停车位上的停放状态。

Description

一种车辆停放状态检测方法及***
技术领域
本申请实施例涉及智能安防监控领域，尤其涉及一种车辆停放状态检测方法及***。
背景技术
近些年来随着深度学习技术的逐步深入，图像分割技术有了突飞猛进的发展，随着图像处理与模式识别技术的快速进步及计算机视觉的便捷性，基于视频图像处理的方式在实际生活中在很多领域得到实际应用。
目前，城市路边停车通过视频监控的项目越来越多，判断路边停车的车辆是停入车位还是驶离车位是基于目标检测进行完成的，基于目标检测的判定方案是通过输出目标的目标检测框，即被检测车辆所在的大致区域通过一个正四边形框出，由于该正四边形的两条相邻的边和被检测车辆的图像左边线和上边线平行，而对于具体的判断问题，比如车辆停放时是斜停在车位还是压了停车位的边缘线的判断有些困难，甚至无法区分车辆是斜停还是压线，在实际应用中也经常会出现误报，因此基于目标检测技术的判断方案对于处理车辆斜停在停车位还是压线停放存在较大的问题。
发明内容
本申请实施例提供了一种车辆停放状态检测方法及***，用于通过图像分割技术检测车辆在停车位上停放时的停车状态。
为实现上述目的，本申请提供如下技术方案：
本申请实施例第一方面提供一种车辆停放状态的检测方法，包括：
获取待检测的目标停车图，所述目标停车图为目标车辆在目标停车位停放时的车辆图，所述目标停车图包含目标车辆标注区域和目标车位标注区域；
将所述目标停车图输入训练好的目标图像分割模型中，通过所述目标图像分割模型根据所述目标车辆标注区域和所述目标车位标注区域获取所述目标停车图的目标分割图，所述目标分割图包括所述目标停车位的车位轮廓图和所述目标车辆的车辆轮廓图；
根据所述车位轮廓图和所述车辆轮廓图检测所述目标车辆在所述目标停车位上的停放状态。
可选的，在所述获取待检测的目标停车图之前，所述检测方法还包括：
获取样本数据集，所述样本数据集包含若干训练样本图，各所述若干训练样本图均包含车辆标注区域和车位标注区域；
利用所述样本数据集通过图像分割算法对预先建立的图像分割模型进行训练，生成训练后的目标图像分割模型。
可选的，在所述获取样本数据集之后，所述检测方法还包括：
对所述样本数据集进行数据增强处理。
可选的，所述利用所述样本数据集通过图像分割算法对预先建立的图像分割模型进行训练，生成训练后的目标图像分割模型包括:
将所述样本数据集输入到预先建立的图像分割模型中进行处理，根据所述车辆标注区域和所述车位标注区域获取分割结果；
根据各所述若干训练样本图对应的分割结果确定损失函数；
根据所述损失函数对所述图像分割模型进行迭代训练，直至满足预设训练终止条件，生成目标图像分割模型。
可选的，所述根据所述车位轮廓图和所述车辆轮廓图检测所述目标车辆在所述目标停车位上的停放状态包括：
获取所述车位轮廓图的车位右边线，所述车位右边线为直线；
获取所述车辆轮廓图的车辆右边线，所述车辆右边线为直线；
计算所述车位右边线和所述车辆右边线的直线距离；
根据所述直线距离检测所述目标车辆在所述目标停车位上的停放状态。
可选的，所述根据所述车位轮廓图和所述车辆轮廓图检测所述目标车辆在所述目标停车位上的停放状态包括：
获取所述车位轮廓图的车位像素；
获取所述车辆轮廓图的车辆像素；
计算所述车位像素和所述车辆像素的重合像素；
根据所述重合像素检测所述目标车辆在所述目标停车位上的停放状态。
可选的，所述根据所述直线距离检测所述目标车辆在所述目标停车位上的停放状态包括：
判断所述直线距离是否大于第一预设值，若是，则确定所述目标车辆在所述目标停车位上的停放状态为斜停，若否，确定所述目标车辆的停放状态在所述目标停车位上为压线。
可选的，所述根根据所述像素重合度检测所述目标车辆在所述目标停车位上的停放状态包括：
判断所述重合像素是否小于第二预设值，若是，则确定所述目标车辆在所述目标停车位上的停放状态为斜停，若否，确定所述目标车辆在所述目标停车位上的停放状态为压线。
本申请实施例第二方面提供一种车辆停放状态的检测***，其特征在于，包括：
第一获取单元，用于获取待检测的目标停车图，所述目标停车图为目标车辆在目标停车位停放时的车辆图，所述目标停车图包含目标车辆标注区域和目标车位标注区域；
输入单元，用于将所述目标停车图输入训练好的目标图像分割模型中；
第二获取单元，用于根据所述目标车辆标注区域和所述目标车位标注区域获取所述目标停车图的目标分割图，所述目标分割图包括所述目标停车位的车位轮廓图和所述目标车辆的车辆轮廓图；
检测单元，用于根据所述车位轮廓图和所述车辆轮廓图检测所述目标车辆在所述目标停车位上的停放状态。
可选的，所述检测***还包括：
第二获取单元，用于获取样本数据集，所述样本数据集包含若干训练样本图，各所述若干训练样本图均包含车辆标注区域和车位标注区域；
训练单元，用于利用所述样本数据集通过图像分割算法对预先建立的图像分割模型进行训练，获取训练后的目标图像分割模型。
本申请实施例第三方面提供了一种车辆停放状态的检测装置，包括：
处理器、存储器、输入输出单元、总线；
所述处理器与所述存储器、所述输入输出单元以及所述总线相连；
所述处理器具体执行如下操作：
获取待检测的目标停车图，所述目标停车图为目标车辆在目标停车位停放时的车辆图，所述目标停车图包含目标车辆标注区域和目标车位标注区域；
将所述目标停车图输入训练好的目标图像分割模型中，通过所述目标图像分割模型根据所述目标车辆标注区域和所述目标车位标注区域获取所述目标停车图的目标分割图，所述目标分割图包括所述目标停车位的车位轮廓图和所述目标车辆的车辆轮廓图；
根据所述车位轮廓图和所述车辆轮廓图检测所述目标车辆在所述目标停车位上的停放状态。
可选的，所述处理器还用于执行第一方面以及第一方面的可选方案中的方法。
本申请实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上保存有程序，所述程序在计算机上执行时执行前述一种车辆停放状态的检测方法。
在以上技术方案中，本发明通过基于图像分割技术，由于图像分割技术是基于图像像素的，能够保证最大程度不丢失空间信息，可以完全定位出车辆每个地方在图像中的具***置，而且由图像分割所确定的目标是一个轮廓，因此对于停车位区域的确定以及车辆本身区域的确定更加准确，可以更好的解决车辆是压线还是斜停的问题。
附图说明
为了更清楚地说明本申请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，显而易见的，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种车辆停放状态的检测方法一个实施例流程示意图；
图2为本申请实施例提供的一种车辆停放状态的检测方法另一个实施例流程示意图；
图3为本申请实施例提供的一种车辆停放状态的检测方法另一个实施例流程示意图；
图4为本申请实施例提供的一种车辆停放状态的检测方法另一个实施例流程示意图；
图5为本申请实施例提供的一种车辆停放状态的检测***一个实施例结构示意图；
图6为本申请实施例提供的一种车辆停放状态的检测***另一个实施例结构示意图；
图7为本申请实施例提供的一种车辆停放状态的检测装置一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
此外，下面所示的实施例不对权利要求所记载的发明内容起任何限定作用。另外，下面实施例所表示的构成的全部内容不限于作为权利要求所记载的发明的解决方案所必需的。
本申请实施例提供了一种车辆停放状态检测方法及***，用于通过图像分割技术检测车辆在停车位上停放时的停车状态。
本申请第一方面提供一种车辆停放状态的方法，本申请提供的一种车辆停放状态的方法采用计算机程序控制措施，本申请中的一种车辆停放状态的方法可以应用于服务器、终端或者其它具备逻辑处理能力的设备，包括但不限于云端设备，例如云端服务器。对此，本申请不作限定。为方便描述，本申请实施例的一种车辆停放状态的方法以***为执行主体，该***是具有网络通信功能的计算机平台。
请参阅图1，图1为本申请实施例提供的一种车辆停放状态的检测方法一个实施例流程示意图，包括：
101、***获取待检测的目标停车图，上述目标停车图为目标车辆在目标停车位停放时的车辆图，上述目标停车图包含目标车辆标注区域和目标车位标注区域；
将获取的上述目标停车图按照图像分割的标准对目标停车图中的车辆区域和停车位区域进行标注。上述车辆标注区域和车位标注区域的划分可以是由电子设备自动执行的，例如基于目标识别确定车辆区域和停车位区域；或者，上述车辆区域和停车位区域的划分也可以是基于用户的输入而执行的，例如，用户通过对目标停车图输入框选操作，得到上述车辆标注区域和车位标注区域，此处不对上述车辆标注区域和车位标注区域的划分方式进行具体限定。
另外，需要说明的是，实际获取的待检测的目标停车图可以是通过电子监控设备比如监控摄像头采集的路边停车场景中的停车图像，本实施例的目标停车图并不仅限于通过电子监控设备采集，也可以根据需要通过其它途径获取的停车图像，本实施例在此不做任何具体限定。
102、***将上述目标停车图输入训练好的目标图像分割模型中，通过上述目标图像分割模型根据上述目标车辆标注区域和上述目标车位标注区域获取上述目标停车图的目标分割图，上述目标分割图包括上述目标停车位的车位轮廓图和上述目标车辆的车辆轮廓图；
在本申请实施例中，将上述待检测的目标停车图输入至训练好的目标图像分割模型中，根据所述目标车辆标注区域和所述目标车位标注区域获取所述目标停车图的目标分割图，所述目标分割图包括所述目标停车位的车位轮廓图和所述目标车辆的车辆轮廓图，上述目标图像分割模型的输出结果即为本次对目标停车图的分割结果。
103、***根据上述车位轮廓图和上述车辆轮廓图检测上述目标车辆在上述目标停车位上的停放状态。
根据所述车位轮廓图和所述车辆轮廓图的位置关系或者面积占比关系检测所述目标车辆在所述目标停车位上的停放状态。
由于图像分割技术可以获得更丰富的细节信息，所以能够保证最大程度不丢失空间信息，且总的信息量不变，能够和低分辨率特征进行充分融合，提高图像分割模型的鲁棒性。
请参阅图2，图2为本申请实施例提供的一种车辆停放状态的检测方法另一个实施例流程示意图，包括：
201、***获取样本数据集，上述样本数据集包含若干训练样本图，各所述若干训练样本图均包含车辆标注区域和车位标注区域；
***获取样本数据集时可以通过电子监控设备比如监控摄像头先采集大量路边停车场景的图像，当然，本实施例的样本数据集并不仅限于通过电子监控设备采集，也可以根据需要采用其它现有的图像数据集，本实施例在此不做任何具体限定。将这些图像被分为训练集和测试集两部分，然后按照图像分割的标准对样本数据集的图像中的车辆区域和停车位区域进行标注。上述车辆标注区域和车位标注区域的划分可以是由电子设备自动执行的，例如基于目标识别确定上述车辆区域和停车位区域；或者，上述车辆区域和停车位区域的划分也可以是基于用户的输入而执行的，例如，用户通过对样本数据集的图像输入框选操作，得到上述车辆标注区域和车位标注区域；此处不对上述车辆标注区域和车位标注区域的划分方式进行限定。
202、***利用上述样本数据集通过图像分割算法对预先建立的图像分割模型进行训练，生成训练后的目标图像分割模型。
***将获取的上述样本数据集输入到预先建立的图像分割模型中，根据图像样本数据集中不同样本类别的图像样本数据的数量，根据图像分割算法确定损失函数包含的权重系数，根据预设损失函数确定出的权重系数并计算损失值；根据损失值调整训练的图像分割模型的网络参数，直至调整网络参数后得到的图像分割模型的符合预设标准时，将符合预设标准的图像分割模型作为训练好的图像分割模型。
另外，本申请实施例中图像分割算法不限于图像实例分割算法和语义分割算法，比如MaskRcnn、Yolact和Unet等，在本实施例中分割效果偏向于网络分割的精度，故通过图像实例分割算法实现图像分割，选用准确率较高ResNet50网络作为构建图像分割模型的骨干网络，选用图像实例分割效果更好的Yolact作为图像分割框架。
203、***获取待检测的目标停车图，上述目标停车图为目标车辆在目标停车位停放时的车辆图，上述目标停车图包含目标车辆标注区域和目标车位标注区域；
本实施例中的步骤203与前述实施例中步骤101类似，此处不再赘述。
204、***对上述样本数据集进行数据增强处理。
在本申请实施例中，可以采用以下两种方式进行数据增强处理：一种是形变增强，一种是纹理增强。其中，形变增强主要针对图像的大小、位置进行变换，包括翻转、旋转、缩放、平移等；纹理增强不改变图像尺寸，主要包括添加噪声、图像模糊、亮度和光照调节、对比度调节、清晰度调节等。上述增强处理包括但不限于如下一种以上处理方式，本发明并不对数据增强处理采用的具体方式做任何具体限定。
数据增强目前在深度学习的各个领域中应用广泛，在计算机视觉领域，生成增强图像相对比较容易。由于在模型训练过程中，通常需要大量样本数据才能避免过度拟合，样本数据越多，训练得到的模型性能越佳。为了克服样本数据的不足以及提高模型的通用性，对样本数据集的图像进行增强处理，可以提升图像分割的准确率，能够减少出现图像分割错误的情况。
205、***将上述目标停车图输入训练好的目标图像分割模型中，通过上述目标图像分割模型根据上述目标车辆标注区域和上述目标车位标注区域获取上述目标停车图的目标分割图，上述目标分割图包括上述目标停车位的车位轮廓图和上述目标车辆的车辆轮廓图；
206、***根据上述车位轮廓图和上述车辆轮廓图检测上述目标车辆在上述目标停车位上的停放状态。
本实施例中的步骤205至步骤206与前述实施例中步骤102至步骤103类似，此处不再赘述。
请参阅图3，图3为本申请实施例提供的一种车辆停放状态的检测方法另一个实施例流程示意图，包括：
301、***获取样本数据集，上述样本数据集包含若干训练样本图，各所述若干训练样本图均包含车辆标注区域和车位标注区域；
本实施例中的步骤301与前述实施例中步骤201类似，此处不再赘述。
302、***将样本数据集输入到预先建立的图像分割模型中进行处理，根据上述车辆标注区域和上述车位标注区域获取分割结果；
***将样本数据集输入到预先建立的图像分割模型的第一级网络中进行处理得到第一分割图像，再将所述样本数据集输入到预先建立的第二级网络中进行处理，得到第二分割图像。本实施例中图像分割算法不限于图像实例分割算法和语义分割算法，比如MaskRcnn、Yolact和Unet等，在本实施例中分割效果偏向于网络分割的精度，故通过图像实例分割算法实现图像分割，选用准确率较高ResNet50网络作为构建图像分割模型的骨干网络，选用图像实例分割效果更好的Yolact算法作为图像分割框架。
303、***根据各所述若干训练样本图对应的分割结果确定损失函数；
基于第一分割图像、第二分割图像及车辆标注区域和车位标注区域之间的差异，调整第一级网络及第二级网络的网络参数，直至调整网络参数后得到的图像分割模型的符合预设标准时，将符合预设标准的图像分割模型作为训练好的图像分割模型。
304、***根据上述损失函数对上述图像分割模型进行迭代训练，直至满足预设训练终止条件，生成目标图像分割模型。
在本实施例中，***根据损失函数训练图像分割模型的过程为迭代训练过程，每训练一次，判断是否满足预定的训练终止条件。若不满足训练终止条件，则继续进行训练，直至满足训练终止条件。
在一种可能实现方式中，满足预设训练终止条件包括但不限于以下三种情况：第一种，迭代训练次数达到次数阈值。次数阈值可以根据经验设置，也可以根据应用场景灵活调整，本申请实施例对此不加以限定。第二种，总损失值小于损失阈值。损失阈值可以根据经验设置，也可以根据应用场景自由调整，本申请实施例对此不加以限定。第三种，损失函数收敛。损失函数收敛是指随着迭代训练次数的增加，在参考次数的训练结果中，损失函数的波动范围在参考范围内。例如，假设参考范围为-10-3～10-3，假设参考次数为10次。若损失函数在10次的迭代训练结果中波动范围均在-10-3～10-3内，则认为损失函数收敛。当满足上述任一种情况时，说明满足训练终止条件，得到训练后的图像分割模型。
305、***获取待检测的目标停车图，上述目标停车图为目标车辆在目标停车位停放时的车辆图，上述目标停车图包含目标车辆标注区域和目标车位标注区域；
本实施例中的步骤305与前述实施例中步骤101类似，此处不再赘述。
306、***将上述目标停车图输入训练好的目标图像分割模型中，通过上述目标图像分割模型根据上述目标车辆标注区域和上述目标车位标注区域获取上述目标停车图的目标分割图，上述目标分割图包括上述目标停车位的车位轮廓图和上述目标车辆的车辆轮廓图；
本实施例中的步骤306与前述实施例中步骤102类似，此处不再赘述。
307、***获取上述车位轮廓图的车位右边线；
***对上述得到的目标分割图中的车位轮廓图的车位右边线和车辆轮廓图的车辆右边线进行曲线拟合，所谓曲线拟合是指，利用连续曲线近似地刻画平面上离散点组所表示的坐标之间的函数关系，首先人工确定函数类型，然后设计函数并计算误差，选择误差最小的函数表达式作为拟合结果。对车位轮廓图的右边边缘线进行曲线拟合，获取车位轮廓图的车位右边线的拟合曲线，将该拟合曲线进行图像处理，得到车位右边线的拟合直线。
308、***获取上述车辆轮廓图的车辆右边线；
具体的，按照同样获取车位右边线的方式，对车辆轮廓图的右边边缘线进行曲线拟合，获取车辆轮廓图的车辆右边线的拟合曲线，将该拟合曲线进行图像处理，得到车辆右边线的拟合直线。
309、***计算上述车位右边线和上述车辆右边线的直线距离；
利用数学原理计算车位右边线和车辆右边线的直线距离，具体的，在车辆右边线上任意选取一个参考点，计算该参考点与车位右边线之间的距离；
310、***根据上述直线距离检测上述目标车辆在上述目标停车位上的停放状态。
将上述直线距离作为判断目标车辆在所述目标停车位上的停放状态的依据。具体的，可以通过设置第一预设值，如果该直线距离大于第一预设值，则判定为斜停，否则判定为压线。
在本实施例中，通过摄像头获取的目标停车图的图像分辨率为1920*1080，车位右边线和所述车辆右边线的直线距离大于100像素，则判定目标车辆在目标停车位上的停放状态为斜停，否则判定目标车辆在目标停车位上的停放状态为斜停为压线。
请参阅图4，图4为本申请实施例提供的一种车辆停放状态的检测方法另一个实施例流程示意图，包括：
401、***获取样本数据集，上述样本数据集包含若干训练样本图，各所述若干训练样本图均包含车辆标注区域和车位标注区域；
本实施例中的步骤301与前述实施例中步骤201类似，此处不再赘述。
402、***将样本数据集输入到预先建立的图像分割模型中进行处理，根据上述车辆标注区域和上述车位标注区域获取分割结果；
403、***根据各所述若干训练样本图对应的分割结果确定损失函数；
404、***根据上述损失函数对上述图像分割模型进行迭代训练，直至满足预设训练终止条件，生成目标图像分割模型。
405、***获取待检测的目标停车图，上述目标停车图为目标车辆在目标停车位停放时的车辆图，上述目标停车图包含目标车辆标注区域和目标车位标注区域；
406、***将上述目标停车图输入训练好的目标图像分割模型中，通过上述目标图像分割模型根据上述目标车辆标注区域和上述目标车位标注区域获取上述目标停车图的目标分割图，上述目标分割图包括上述目标停车位的车位轮廓图和上述目标车辆的车辆轮廓图；
本实施例中的步骤401至步骤406与前述实施例中步骤301至步骤306类似，此处不再赘述。
407、***获取上述车位轮廓图的车位像素；
获取上述得到的目标分割图中的车位轮廓图的车位像素；
408、***获取上述车辆轮廓图的车辆像素；
获取上述得到的目标分割图中的车辆轮廓图的车辆像素；
409、***计算所述车位像素和所述车辆像素的重合像素；
***统计上述得到的目标分割图中车位轮廓图的车位像素和车辆轮廓图的车辆像素的重合像素。
410、***根据上述重合像素检测所述目标车辆在所述目标停车位上的停放状态。
将上述重合像素作为判断目标车辆在所述目标停车位上的停放状态的依据。具体的，可以通过设置第二预设值，如果该重合像素小于第二预设值，则判定为斜停，否则判定为压线。
在本实施例中，通过摄像头获取的目标停车图的图像分辨率为1920*1080，如果重合像素小于车辆像素的50％，则判定目标车辆在目标停车位上的停放状态为斜停，否则判定目标车辆在目标停车位上的停放状态为斜停为压线。
本申请第二方面提供一种车辆停放状态的***，请参阅图5，图5为本申请实施例提供的一种车辆停放状态的检测***一个实施例结构示意图，包括：
第一获取单元501，用于获取待检测的目标停车图，上述目标停车图为目标车辆在目标停车位停放时的车辆图，上述目标停车图包含目标车辆标注区域和目标车位标注区域；
输入单元502，用于将上述目标停车图输入训练好的目标图像分割模型中；
第二获取单元503，用于根据上述目标车辆标注区域和上述目标车位标注区域获取上述目标停车图的目标分割图，上述目标分割图包括上述目标停车位的车位轮廓图和上述目标车辆的车辆轮廓图；
检测单元504，用于根据上述车位轮廓图和上述车辆轮廓图检测上述目标车辆在上述目标停车位上的停放状态。
请参阅图6，图6为本申请实施例提供的一种车辆停放状态的检测***另一个实施例结构示意图，包括：
第一获取单元601，用于获取待检测的目标停车图，上述目标停车图为目标车辆在目标停车位停放时的车辆图，上述目标停车图包含目标车辆标注区域和目标车位标注区域；
输入单元602，用于将上述目标停车图输入训练好的目标图像分割模型中；
第二获取单元603，用于根据上述目标车辆标注区域和上述目标车位标注区域获取上述目标停车图的目标分割图，上述目标分割图包括上述目标停车位的车位轮廓图和上述目标车辆的车辆轮廓图；
检测单元604，用于根据上述车位轮廓图和上述车辆轮廓图检测上述目标车辆在上述目标停车位上的停放状态。
可选的，所述检测***还包括：
第二获取单元605，用于获取样本数据集，上述样本数据集包含若干训练样本图，各若干训练样本图均包含车辆标注区域和车位标注区域；
训练单元606，用于利用上述样本数据集通过图像分割算法对预先建立的图像分割模型进行训练，生成训练后的目标图像分割模型。
关于第二方面所述的一种车辆停放状态的***，具体限定可以参见上文中对于第一方面中的车辆停放状态的方法的限定，在此不再赘述。上述车辆停放状态的***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请第三方面提供一种车辆停放状态的装置，参阅图7，图7为本申请实施例提供的一种车辆停放状态的装置一个实施例结构示意图，包括：
处理器701、存储器702、输入输出单元703以及总线704；
处理器701与存储器702、输入输出单元703以及总线704相连；
处理器701具体执行如下操作：
获取待检测的目标停车图，上述目标停车图为目标车辆在目标停车位停放时的车辆图，上述目标停车图包含目标车辆标注区域和目标车位标注区域；
将上述目标停车图输入训练好的目标图像分割模型中，通过上述目标图像分割模型根据上述目标车辆标注区域和上述目标车位标注区域获取上述目标停车图的目标分割图，上述目标分割图包括上述目标停车位的车位轮廓图和所述目标车辆的车辆轮廓图；
根据上述车位轮廓图和所述车辆轮廓图检测上述目标车辆在上述目标停车位上的停放状态。
本实施例中，处理器701的功能与前述图1至图4所示实施例中的步骤对应，此处不再赘述。
本申请实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上保存有程序，所述程序在计算机上执行时执行前述图1至图4所示的车辆停放状态的方法。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，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单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种车辆停放状态的检测方法，其特征在于，包括：
获取待检测的目标停车图，所述目标停车图为目标车辆在目标停车位停放时的车辆图，所述目标停车图包含目标车辆标注区域和目标车位标注区域；
将所述目标停车图输入训练好的目标图像分割模型中，通过所述目标图像分割模型根据所述目标车辆标注区域和所述目标车位标注区域获取所述目标停车图的目标分割图，所述目标分割图包括所述目标停车位的车位轮廓图和所述目标车辆的车辆轮廓图；
根据所述车位轮廓图和所述车辆轮廓图检测所述目标车辆在所述目标停车位上的停放状态。
2.根据权利要求1所述的检测方法，其特征在于，在所述获取待检测的目标停车图之前，所述检测方法还包括：
获取样本数据集，所述样本数据集包含若干训练样本图，各所述若干训练样本图均包含车辆标注区域和车位标注区域；
利用所述样本数据集通过图像分割算法对预先建立的图像分割模型进行训练，生成训练后的目标图像分割模型。
3.根据权利要求2所述的检测方法，其特征在于，在所述获取样本数据集之后，所述检测方法还包括：
对所述样本数据集进行数据增强处理。
4.根据权利要求2所述的检测方法，其特征在于，所述利用所述样本数据集通过图像分割算法对预先建立的图像分割模型进行训练，生成训练后的目标图像分割模型包括:
将所述样本数据集输入到预先建立的图像分割模型中进行处理，根据所述车辆标注区域和所述车位标注区域获取分割结果；
根据各所述若干训练样本图对应的分割结果确定损失函数；
根据所述损失函数对所述图像分割模型进行迭代训练，直至满足预设训练终止条件，生成目标图像分割模型。
5.根据权利要求1至4中任一项所述的检测方法，其特征在于，所述根据所述车位轮廓图和所述车辆轮廓图检测所述目标车辆在所述目标停车位上的停放状态包括：
获取所述车位轮廓图的车位右边线，所述车位右边线为直线；
获取所述车辆轮廓图的车辆右边线，所述车辆右边线为直线；
计算所述车位右边线和所述车辆右边线的直线距离；
根据所述直线距离检测所述目标车辆在所述目标停车位上的停放状态。
6.根据权利要求1至4中任一项所述的检测方法，其特征在于，所述根据所述车位轮廓图和所述车辆轮廓图检测所述目标车辆在所述目标停车位上的停放状态包括：
获取所述车位轮廓图的车位像素；
获取所述车辆轮廓图的车辆像素；
计算所述车位像素和所述车辆像素的重合像素；
根据所述重合像素检测所述目标车辆在所述目标停车位上的停放状态。
7.根据权利要求5所述的检测方法，其特征在于，所述根据所述直线距离检测所述目标车辆在所述目标停车位上的停放状态包括：
判断所述直线距离是否大于第一预设值，若是，则确定所述目标车辆在所述目标停车位上的停放状态为斜停，若否，确定所述目标车辆的停放状态在所述目标停车位上为压线。
8.根据权利要求6所述的检测方法，其特征在于，所述根根据所述像素重合度检测所述目标车辆在所述目标停车位上的停放状态包括：
判断所述重合像素是否小于第二预设值，若是，则确定所述目标车辆在所述目标停车位上的停放状态为斜停，若否，确定所述目标车辆在所述目标停车位上的停放状态为压线。
9.一种车辆停放状态的检测***，其特征在于，包括：
第一获取单元，用于获取待检测的目标停车图，所述目标停车图为目标车辆在目标停车位停放时的车辆图，所述目标停车图包含目标车辆标注区域和目标车位标注区域；
输入单元，用于将所述目标停车图输入训练好的目标图像分割模型中；
第二获取单元，用于根据所述目标车辆标注区域和所述目标车位标注区域获取所述目标停车图的目标分割图，所述目标分割图包括所述目标停车位的车位轮廓图和所述目标车辆的车辆轮廓图；
检测单元，用于根据所述车位轮廓图和所述车辆轮廓图检测所述目标车辆在所述目标停车位上的停放状态。
10.根据权利要求9所述的检测***，其特征在于，所述检测***还包括：
第二获取单元，用于获取样本数据集，所述样本数据集包含若干训练样本图，各所述若干训练样本图均包含车辆标注区域和车位标注区域；
训练单元，用于利用所述样本数据集通过图像分割算法对预先建立的图像分割模型进行训练，获取训练后的目标图像分割模型。
CN202110017332.0A 2021-01-07 2021-01-07 一种车辆停放状态检测方法及*** Pending CN112733703A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110017332.0A CN112733703A (zh) 2021-01-07 2021-01-07 一种车辆停放状态检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110017332.0A CN112733703A (zh) 2021-01-07 2021-01-07 一种车辆停放状态检测方法及***

Publications (1)

Publication Number Publication Date
CN112733703A true CN112733703A (zh) 2021-04-30

Family

ID=75590964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110017332.0A Pending CN112733703A (zh) 2021-01-07 2021-01-07 一种车辆停放状态检测方法及***

Country Status (1)

Country Link
CN (1) CN112733703A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449629A (zh) * 2021-06-25 2021-09-28 重庆卡佐科技有限公司 基于行车视频的车道线虚实识别装置、方法、设备及介质
CN113705569A (zh) * 2021-08-31 2021-11-26 北京理工大学重庆创新中心 一种图像标注方法及***
CN113781835A (zh) * 2021-10-29 2021-12-10 深圳市捷顺科技实业股份有限公司 一种车位监测方法、装置、设备及存储介质
CN115830881A (zh) * 2023-02-20 2023-03-21 常州海图信息科技股份有限公司 停车检测方法和装置
CN116402895A (zh) * 2023-06-05 2023-07-07 未来机器人（深圳）有限公司 安全校验方法、无人叉车及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180068564A1 (en) * 2016-09-05 2018-03-08 Panasonic Intellectual Property Corporation Of America Parking position identification method, parking position learning method, parking position identification system, parking position learning device, and non-transitory recording medium for recording program
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***
CN110232379A (zh) * 2019-06-03 2019-09-13 上海眼控科技股份有限公司 一种车辆姿态检测方法及***
CN110533950A (zh) * 2018-05-25 2019-12-03 杭州海康威视数字技术股份有限公司 车位使用状况的检测方法、装置、电子设备及存储介质
CN110781883A (zh) * 2019-09-18 2020-02-11 江苏大学 一种基于360度环视摄像头的车位尺寸识别***及方法
CN111178236A (zh) * 2019-12-27 2020-05-19 清华大学苏州汽车研究院（吴江） 一种基于深度学习的车位检测方法
CN111259709A (zh) * 2018-12-03 2020-06-09 初速度（苏州）科技有限公司 基于弹性多边形的停车位结构检测模型的训练方法
CN111368687A (zh) * 2020-02-28 2020-07-03 成都市微泊科技有限公司 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN111783671A (zh) * 2020-07-02 2020-10-16 郑州迈拓信息技术有限公司 基于人工智能和cim的智慧城市地面车位图像处理方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180068564A1 (en) * 2016-09-05 2018-03-08 Panasonic Intellectual Property Corporation Of America Parking position identification method, parking position learning method, parking position identification system, parking position learning device, and non-transitory recording medium for recording program
CN110533950A (zh) * 2018-05-25 2019-12-03 杭州海康威视数字技术股份有限公司 车位使用状况的检测方法、装置、电子设备及存储介质
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***
CN111259709A (zh) * 2018-12-03 2020-06-09 初速度（苏州）科技有限公司 基于弹性多边形的停车位结构检测模型的训练方法
CN110232379A (zh) * 2019-06-03 2019-09-13 上海眼控科技股份有限公司 一种车辆姿态检测方法及***
CN110781883A (zh) * 2019-09-18 2020-02-11 江苏大学 一种基于360度环视摄像头的车位尺寸识别***及方法
CN111178236A (zh) * 2019-12-27 2020-05-19 清华大学苏州汽车研究院（吴江） 一种基于深度学习的车位检测方法
CN111368687A (zh) * 2020-02-28 2020-07-03 成都市微泊科技有限公司 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN111783671A (zh) * 2020-07-02 2020-10-16 郑州迈拓信息技术有限公司 基于人工智能和cim的智慧城市地面车位图像处理方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449629A (zh) * 2021-06-25 2021-09-28 重庆卡佐科技有限公司 基于行车视频的车道线虚实识别装置、方法、设备及介质
CN113705569A (zh) * 2021-08-31 2021-11-26 北京理工大学重庆创新中心 一种图像标注方法及***
CN113781835A (zh) * 2021-10-29 2021-12-10 深圳市捷顺科技实业股份有限公司 一种车位监测方法、装置、设备及存储介质
CN115830881A (zh) * 2023-02-20 2023-03-21 常州海图信息科技股份有限公司 停车检测方法和装置
CN116402895A (zh) * 2023-06-05 2023-07-07 未来机器人（深圳）有限公司 安全校验方法、无人叉车及存储介质

Similar Documents

Publication Publication Date Title
CN112733703A (zh) 一种车辆停放状态检测方法及***
US8902053B2 (en) Method and system for lane departure warning
US9014467B2 (en) Image processing method and image processing device
WO2016127736A1 (zh) 指纹重叠区域面积的计算方法及电子装置
CN111862228B (zh) 遮挡检测的方法、***、计算机设备和可读存储介质
CN108229475B (zh) 车辆跟踪方法、***、计算机设备及可读存储介质
CN110472580B (zh) 基于全景影像的检测车位的方法、装置、存储介质
CN102982537B (zh) 一种检测场景变换的方法和***
CN112465871B (zh) 一种视觉跟踪算法准确性的评价方法及***
CN103198705A (zh) 车位状态自动检测方法
CN105740751A (zh) 一种目标检测与识别的方法和***
CN102610104B (zh) 一种车载的前方车辆检测方法
CN109255792B (zh) 一种视频图像的分割方法、装置、终端设备及存储介质
CN117994987A (zh) 基于目标检测技术的交通参数提取方法及相关装置
KR101333459B1 (ko) 차선 인식 방법 및 장치
CN107844803B (zh) 一种图片比对的方法和装置
CN112837384A (zh) 车辆标记方法、装置和电子设备
CN111881748A (zh) 一种基于vbai平台建模的车道线视觉识别方法和***
CN103839035A (zh) 人数统计方法和人数统计***
WO2018027500A1 (zh) 车道线检测方法及装置
CN115147386A (zh) U型管的缺陷检测方法、装置及电子设备
CN103955929A (zh) 图像局部边缘模式与非边缘模式判断方法及判断装置
CN104754248A (zh) 一种获取目标快照的方法及装置
KR101714131B1 (ko) 주차구획 인식 장치 및 방법
CN112686155A (zh) 图像识别方法、装置、计算机可读存储介质及处理器

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