CN113205059B - 车位的检测方法、***、终端及计算机可读存储介质 - Google Patents
车位的检测方法、***、终端及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113205059B CN113205059B CN202110541383.3A CN202110541383A CN113205059B CN 113205059 B CN113205059 B CN 113205059B CN 202110541383 A CN202110541383 A CN 202110541383A CN 113205059 B CN113205059 B CN 113205059B
- Authority
- CN
- China
- Prior art keywords
- ground lock
- ground
- network model
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车位的检测方法、***、终端及计算机可读存储介质,检测方法包括:获取当前泊车环境的图像数据;检测当前泊车环境的图像数据中是否存在地锁;若是,则检测地锁的类别及截取地锁图片,并转入下一步骤;若否,则返回获取当前泊车环境的图像数据的步骤;识别地锁图片中地锁状态,以判断该地锁所处车位是否可用;若是,则输出地锁所处车位可用的指示信息;若否,则输出地锁所处车位不可用的指示信息。本发明将地锁检测流程分两级网络,一级判断障碍物是否为地锁,二级判断地锁的开闭状态,极大程度的避免了关闭的地锁也被识别为障碍物的隐患。而且随着地锁/地锁状态数数据集的不断扩大,网络模型性能也将不断优化,识别效果越发精准。
Description
技术领域
本发明属于自动泊车技术领域,涉及一种识别方法和***,特别是涉及一种车位的检测方法、***、终端及计算机可读存储介质。
背景技术
随着我国汽车保有量的不断上升,城市道路越发拥挤,可用停车位也难以满足汽车数量增长带来的需求,停车位空间越发狭小,停车场环境越发复杂,驾驶员在泊车时极易发生剐蹭,为驾驶员带来不必要的经济损失,并带来交通的拥堵问题。随着汽车智能化趋势的来临,自动泊车技术得到了广泛的应用。智能化泊车技术已经成为汽车智能化方向重要的研究主题之一,而对于停车位内放置的地锁的检测成为一个难题,需要准确的检测地锁的开闭状态,判断当前车位是否可以停车。目前应用最广泛的是超声波雷达的自动泊车***,该***通过超声波发射装置向外发出超声波,通过接收器接收到超声波的时间来测算汽车和地锁之间的距离,从而判断该停车位是否可以停车。
超声波雷达的自动泊车***是通过超声波反射原理来检测和识别停车位来完成自动泊车入位的任务的,然而由于自身工作原理的限制,如果当前停车位周围没有其他参照物车辆的情况下,无法准确检测和识别停车位。而且雷达易检测的目标是大型目标,例如车辆,却难以检测到小目标,例如地锁,雪糕筒,同时超声会存在大量对关闭地锁误判情况,导致在车位地锁关闭时无法进行自动泊车。
因此,如何提供一种车位的检测方法、***、终端及计算机可读存储介质,以解决现有技术如果当前停车位周围没有其他参照物车辆的情况下,无法准确检测和识别停车位及存在大量对关闭地锁误判情况,导致在车位地锁关闭时无法进行自动泊车等缺陷,实已成为本领域技术人员亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种车位的检测方法、***、终端及计算机可读存储介质,用于解决现有技术如果当前停车位周围没有其他参照物车辆的情况下,无法准确检测和识别停车位及存在大量对关闭地锁误判情况,导致在车位地锁关闭时无法进行自动泊车的问题。
为实现上述目的及其他相关目的,本发明一方面提供一种车位的检测方法,包括:在车辆进入自动泊车过程中时,获取当前泊车环境的图像数据;检测所述当前泊车环境的图像数据中是否存在地锁;若是,则检测地锁的类别及截取地锁图片,并转入下一步骤;若否,则返回获取当前泊车环境的图像数据的步骤;识别所述地锁图片中地锁状态,以判断该地锁所处车位是否可用;若是,则输出地锁所处车位可用的指示信息;若否,则输出地锁所处车位不可用的指示信息。
于本发明的一实施例中,通过将当前泊车环境的图像数据输入预存的地锁检测网络模型,利用预存的地锁检测网络模型中地锁特征来检测所述当前泊车环境的图像数据中是否存在地锁。
于本发明的一实施例中,若存在地锁,且在识别所述地锁图片中地锁状态的步骤之前,所述检测地锁的类别及截取地锁图片的步骤包括通过所述预存的地锁检测网络模型检测地锁的类别及通过所述预存的地锁检测网络模型输出的地锁检测框来截取地锁检测框所在位置的地锁图片。
于本发明的一实施例中,所述预存的地锁检测网络模型是通过训练预先构建的自动泊车地锁数据集而获取的网络模型;自动泊车地锁数据集的训练步骤包括:从自动泊车地锁数据集中提取包含地锁的图片;对地锁的种类和位置进行标注;其中,地锁位置用矩形框标注对包含地锁的图片进行处理,以获取符合预设尺寸的地锁图片;从符合预设尺寸的地锁图片中获取地锁分类特征;对获取的地锁分类特征进行分类,并采用检测框对地锁位置进行标明。
于本发明的一实施例中,通过将截取的地锁图片输入至预存的地锁分类网络模型,利用预存的地锁分类网络模型中地锁状态分类结果来识别所述地锁图片中地锁状态。
于本发明的一实施例中,在通过预存的地锁分类网络模型识别所述地锁图片中地锁状态之前,所述车位的检测方法还包括:增强截取的地锁图片亮度。
于本发明的一实施例中,所述预存的地锁分类网络模型是通过对预存的地锁检测网络模型训练后的地锁检测框区域内所在图像进行训练而获取的网络模型;对预存的地锁检测网络模型训练后的地锁检测框内所在图像进行训练的过程包括:增强地锁检测框所在图像的亮度;对地锁检测框内所在图像的尺寸进行修改,以使其与预设尺寸相符合;从符合预设尺寸的地锁检测框内所在图像中获取地锁状态;将所述地锁状态分为打开类和关闭类。
本发明另一方面提供一种车位的检测***,包括:获取模块,用于在车辆进入自动泊车过程中时,获取当前泊车环境的图像数据;地锁检测模块,用于检测所述当前泊车环境的图像数据中是否存在地锁;若是,则检测地锁的类别及截取地锁图片;若否,则调用所述获取模块继续获取当前泊车环境的图像数据;状态识别模块,用于识别所述地锁图片中地锁状态,以判断该地锁所处车位是否可用;若是,则通过信息输出模块输出地锁所处车位可用的指示信息;若否,则通过信息输出模块输出地锁所处车位不可用的指示信息。
本发明又一方面提供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所述车位的检测方法
本发明最后一方面提供一种车位的检测终端,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述识别终端执行所述车位的检测方法。
如上所述,本发明所述的车位的检测方法、***、终端及计算机可读存储介质,具有以下有益效果:
本发明所述车位的检测方法、***、终端及计算机可读存储介质通过将地锁检测流程分两级网络进行检测,一级判断障碍物是否为地锁,二级判断地锁的开闭状态,极大程度的避免了关闭的地锁也被识别为障碍物的隐患。而且随着地锁数据集和地锁状态数据集的数据量不断扩大,网络模型性能也将不断优化,识别效果也会越发精准,分类精度可以达到99%。
附图说明
图1显示为本发明的应用场景示意图。
图2显示为本发明的车位的检测方法于一实施例中的流程示意图。
图3显示为本发明的车位的检测***于一实施例中的原理结构示意图。
元件标号说明
1 | 停车场 |
10 | 地锁 |
3 | 车位的检测*** |
31 | 获取模块 |
32 | 地锁检测模块 |
33 | 亮度增强模块 |
24 | 状态识别模块 |
35 | 信息输出模块 |
S1~Sn | 步骤 |
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
实施例一
本实施例提供一种车位的检测方法,包括:
在车辆进入自动泊车过程中时,获取当前泊车环境的图像数据;
检测所述当前泊车环境的图像数据中是否存在地锁;若是,则检测地锁的类别及截取地锁图片,并转入下一步骤;若否,则返回获取当前泊车环境的图像数据的步骤;
识别所述地锁图片中地锁状态,以判断该地锁所处车位是否可用;若是,则输出地锁所处车位可用的指示信息;若否,则输出地锁所处车位不可用的指示信息。
以下将结合图示对本实施例所提供的车位的检测方法进行详细描述。本实施例所述车位的检测方法适用于如图1所示每一车位上设置有地锁10的停车场1,通过所述车位的检测方法识别地铁的打开或关闭状态,以检测停车位是否可以使用。请参阅图2,显示为车位的检测方法于一实施例中的流程示意图。如图2所示,所述车位的检测方法具体包括以下步骤:
S21,在车辆进入自动泊车过程中时,获取当前泊车环境的图像数据。
在本实施例中,当前泊车环境的图像数据可以为视频图像数据。
S22,检测所述当前泊车环境的图像数据中是否存在地锁;若是,执行S23。若否,则返回S21,继续获取当前泊车环境的图像数据。
在本实施例中,所述S22通过将当前泊车环境的图像数据输入预存的地锁检测网络模型,利用预存的地锁检测网络模型中地锁特征来检测所述当前泊车环境的图像数据中是否存在地锁。
于实际应用中,凡是满足检测当前泊车环境的图像数据存在地锁的检测方法均适用于本发明。
在本实施例中,所述预存的地锁检测网络模型是通过训练预先构建的自动泊车地锁数据集而获取的网络模型。
自动泊车地锁数据集的训练步骤包括:
首先,将自动泊车地锁数据集输入至预存的深度目标检测网络模块中,从自动泊车地锁数据集中提取包含地锁的图片;
于本实施例中,为了创建地锁检测网络模型,需预先采集大量的自动泊车地锁数据集。
接着,对地锁的种类和位置进行标注;其中,地锁位置用矩形框标注;
然后,对包含地锁的图片进行处理,以获取符合预设尺寸的地锁图片;
具体地,对包含地锁的图片进行处理包括对包含地锁的图片进行裁剪和双线性插值。
然后,从符合预设尺寸的地锁图片中获取地锁分类特征;
具体地,为从地锁图片中获取地锁分类特征,利用深度目标检测网络模块中的卷积单元及池化单元对地锁图片进行卷积、池化处理。优选地,特征提取卷积模块包括六个卷积模块,卷积核大小均为3*3,卷积核个数为,512,1024,512,256,256,256。步长依次为1,1,2,2,1,1。
最后,对获取的地锁分类特征进行分类(地锁分类包括O型、T型、方型、D型、A型、K型、X型等),并采用检测框对地锁位置进行标识。
具体地,利用深度目标检测网络模块中的全连接激活模块(包括三个相连的子全连接模块)输出的神经元个数分别为128,64,14。最后一层后使用softmax激活函数对获取的地锁特征进行激活处理。
S23,若当前泊车环境的图像数据存在地锁,检测地锁的类别及截取地锁图片。
在本实施例中,若存在地锁,所述检测地锁的类别及截取地锁图片的步骤包括通过所述预存的地锁检测网络模型检测地锁的类别(具体地,所述地锁的类别属于地锁分类包括O型、T型、方型、D型、A型、K型或X型等)及通过所述预存的地锁检测网络模型输出的地锁检测框来截取地锁检测框所在位置的地锁图片。
S24,增强截取的地锁图片亮度。
在本实施例中,为了提升地锁识别的准确率,需提升地锁图片亮度。
S25,识别所述地锁图片中地锁状态,以判断该地锁所处车位是否可用;若是,则执行S26,即输出地锁所处车位可用的指示信息;若否,则执行S27,输出地锁所处车位不可用的指示信息。在本实施例中,若识别到地锁状态为打开状态,则表示地锁所处车位不可用。若识别到地锁状态为关闭状态,则表示地锁所处车位可用。
于实际应用中,凡是满足识别所述地锁图片中车位的检测方案均适用于本发明。
在本实施例中,所述S25通过将截取的地锁图片输入至预存的地锁分类网络模型,利用预存的地锁分类网络模型中地锁状态分类结果来识别所述地锁图片中地锁状态。
所述预存的地锁分类网络模型的通过对预存的地锁检测网络模型训练后的地锁检测框内所在图像进行训练而获取的网络模型。在本实施例中,地锁检测框内所在图像还需进行亮度提升处理。
对预存的地锁检测网络模型训练后的地锁检测框内所在图像进行训练的过程包括:
首先,对地锁检测框内所在图像的尺寸进行修改,以使其与预设尺寸,例如,28*28,相符合;
接着,增强地锁检测框所在图像的亮度;
然后,从符合预设尺寸的地锁检测框内所在图像中获取地锁状态。
具体地,通过卷积神经网络中的卷积模块和池化模块对地锁检测框内所在图像进行卷积,池化处理。
优选地,卷积模块由三个相连的卷积模块组成,每个子卷积模块均进行池化操作,卷积核大小均为3*3,卷积核个数为16,32,128,步长均为1。
最后,将所述地锁状态分为打开类和关闭类。
具体地,通过卷积神经网络中全连接模块对地锁状态特征进行全连接激活处理,以得到地锁状态的分类结果。所述全连接模块包括三个相连的子全连接模块,输出神经元的个数分别为64,128,2,最后一层后接softmax激活函数。
本实施例所述车位的检测方法通过将地锁检测流程分两级网络进行检测,一级判断障碍物是否为地锁,二级判断地锁的开闭状态,极大程度的避免了关闭的地锁也被识别为障碍物的隐患。而且随着地锁数据集和地锁状态数据集的数据量不断扩大,网络模型性能也将不断优化,识别效果也会越发精准,分类精度可以达到99%。
本实施例还提供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图2所述车位的检测方法。
在任何可能的技术细节结合层面,本申请可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本申请的各个方面。
实施例二
本实施例提供一种车位的检测***,包括:
获取模块,用于在车辆进入自动泊车过程中时,获取当前泊车环境的图像数据;
地锁检测模块,用于检测所述当前泊车环境的图像数据中是否存在地锁;若是,则检测地锁的类别及截取地锁图片;若否,则调用所述获取模块继续获取当前泊车环境的图像数据;
状态识别模块,用于识别所述地锁图片中地锁状态,以判断该地锁所处车位是否可用;若是,则通过信息输出模块输出地锁所处车位可用的指示信息;若否,则通过信息输出模块输出地锁所处车位不可用的指示信息。
以下将结合图示对本实施例所提供的车位的检测***进行详细描述。请参阅图3,显示为车位的检测***于一实施例中的原理结构示意图。如图3所示,所述车位的检测***3包括获取模块31、地锁检测模块32、亮度增强模块33、状态识别模块34及信息输出模块35。
所述获取模块31用于在车辆进入自动泊车过程中时,获取当前泊车环境的图像数据。
在本实施例中,当前泊车环境的图像数据可以为视频图像数据。
所述地锁检测模块32用于检测所述当前泊车环境的图像数据中是否存在地锁;若是,则通过所述预存的地锁检测网络模型检测地锁的类别并截取地锁图片。若否,则调用所述获取模块31继续获取当前泊车环境的图像数据。
在本实施例中,所述地锁检测模块32将当前泊车环境的图像数据输入预存的地锁检测网络模型,利用预存的地锁检测网络模型中地锁特征来检测所述当前泊车环境的图像数据中是否存在地锁。
进一步地,所述地锁检测模块32通过所述预存的地锁检测网络模型中地锁分类检测地锁的类别,并通过所述地锁检测网络模型输出的地锁检测框来截取地锁检测框所在位置的地锁图片。
所述亮度增强模块33用于增强截取的地锁图片亮度。
所述状态识别模块34用于识别所述地锁图片中地锁状态,以判断该地锁所处车位是否可用;若是,则通过信息输出模块35输出地锁所处车位可用的指示信息;若否,则通过信息输出模块35输出地锁所处车位不可用的指示信息。在本实施例中,若识别到地锁状态为打开状态,则表示地锁所处车位不可用。若识别到地锁状态为关闭状态,则表示地锁所处车位可用。
在本实施例中,所述状态识别模块34通过将截取的地锁图片输入至预存的地锁分类网络模型,利用预存的地锁分类网络模型中地锁状态分类结果来识别所述地锁图片中地锁状态。
需要说明的是,应理解以上***的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现,也可以全部以硬件的形式实现,还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如:x模块可以为单独设立的处理元件,也可以集成在上述***的某一个芯片中实现。此外,x模块也可以以程序代码的形式存储于上述***的存储器中,由上述***的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),一个或多个微处理器(Digital Singnal Processor,简称DSP),一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。这些模块可以集成在一起,以片上***(System-on-a-chip,简称SOC)的形式实现。
实施例三
本实施例提供一种车位的检测终端,该终端包括:处理器、存储器、收发器、通信接口或/和***总线;存储器和通信接口通过***总线与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于和其他设备进行通信,处理器和收发器用于运行计算机程序,使终端执行如实施例一所述车位的检测方法的各个步骤。于实际应用中,所述车位的检测终端包括车载终端。
上述提到的***总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该***总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明所述的车位的检测方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明还提供一种车位的检测***,所述车位的检测***可以实现本发明所述的车位的检测方法,但本发明所述的车位的检测方法的实现装置包括但不限于本实施例列举的车位的检测***的结构,凡是根据本发明的原理所做的现有技术的结构变形和替换,都包括在本发明的保护范围内。
综上所述,本发明所述车位的检测方法、***、终端及计算机可读存储介质通过将地锁检测流程分两级网络进行检测,一级判断障碍物是否为地锁,二级判断地锁的开闭状态,极大程度的避免了关闭的地锁也被识别为障碍物的隐患。而且随着地锁数据集和地锁状态数据集的数据量不断扩大,网络模型性能也将不断优化,识别效果也会越发精准,分类精度可以达到99%。本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (7)
1.一种车位的检测方法,其特征在于,包括:
在车辆进入自动泊车过程中时,获取当前泊车环境的图像数据;
检测所述当前泊车环境的图像数据中是否存在地锁;若是,则检测地锁的类别及截取地锁图片,并转入下一步骤;若否,则返回获取当前泊车环境的图像数据的步骤;
识别所述地锁图片中地锁状态,以判断该地锁所处车位是否可用;若是,则输出地锁所处车位可用的指示信息;若否,则输出地锁所处车位不可用的指示信息;
其中,通过将当前泊车环境的图像数据输入预存的地锁检测网络模型,利用预存的地锁检测网络模型中地锁特征来检测所述当前泊车环境的图像数据中是否存在地锁;
通过将截取的地锁图片输入至预存的地锁分类网络模型,利用预存的地锁分类网络模型中地锁状态分类结果来识别所述地锁图片中地锁状态;
所述预存的地锁分类网络模型是通过对预存的地锁检测网络模型训练后的地锁检测框区域内所在图像进行训练而获取的网络模型;
对预存的地锁检测网络模型训练后的地锁检测框内所在图像进行训练的过程包括:
增强地锁检测框所在图像的亮度;
对地锁检测框内所在图像的尺寸进行修改,以使其与预设尺寸相符合;
从符合预设尺寸的地锁检测框内所在图像中获取地锁状态;
将所述地锁状态分为打开类和关闭类。
2.根据权利要求1所述的车位的检测方法,其特征在于,
若存在地锁,且在识别所述地锁图片中地锁状态的步骤之前,所述检测地锁的类别及截取地锁图片的步骤包括通过所述预存的地锁检测网络模型检测地锁的类别及通过所述预存的地锁检测网络模型输出的地锁检测框来截取地锁检测框所在位置的地锁图片。
3.根据权利要求2所述的车位的检测方法,其特征在于,所述预存的地锁检测网络模型是通过训练预先构建的自动泊车地锁数据集而获取的网络模型;
自动泊车地锁数据集的训练步骤包括:
从自动泊车地锁数据集中提取包含地锁的图片;
对地锁的种类和位置进行标注;其中,地锁位置用矩形框标注
对包含地锁的图片进行处理,以获取符合预设尺寸的地锁图片;
从符合预设尺寸的地锁图片中获取地锁分类特征;
对获取的地锁分类特征进行分类,并采用检测框对地锁位置进行标明。
4.根据权利要求1所述的车位的检测方法,其特征在于,在通过预存的地锁分类网络模型识别所述地锁图片中地锁状态之前,所述车位的检测方法还包括:
增强截取的地锁图片亮度。
5.一种车位的检测***,其特征在于,包括:
获取模块,用于在车辆进入自动泊车过程中时,获取当前泊车环境的图像数据;
地锁检测模块,用于检测所述当前泊车环境的图像数据中是否存在地锁;若是,则检测地锁的类别及截取地锁图片;若否,则调用所述获取模块继续获取当前泊车环境的图像数据;
状态识别模块,用于识别所述地锁图片中地锁状态,以判断该地锁所处车位是否可用;若是,则通过信息输出模块输出地锁所处车位可用的指示信息;若否,则通过信息输出模块输出地锁所处车位不可用的指示信息;
其中,通过将当前泊车环境的图像数据输入预存的地锁检测网络模型,利用预存的地锁检测网络模型中地锁特征来检测所述当前泊车环境的图像数据中是否存在地锁;
通过将截取的地锁图片输入至预存的地锁分类网络模型,利用预存的地锁分类网络模型中地锁状态分类结果来识别所述地锁图片中地锁状态;
所述预存的地锁分类网络模型是通过对预存的地锁检测网络模型训练后的地锁检测框区域内所在图像进行训练而获取的网络模型;
对预存的地锁检测网络模型训练后的地锁检测框内所在图像进行训练的过程包括:
增强地锁检测框所在图像的亮度;
对地锁检测框内所在图像的尺寸进行修改,以使其与预设尺寸相符合;
从符合预设尺寸的地锁检测框内所在图像中获取地锁状态;
将所述地锁状态分为打开类和关闭类。
6.一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权利要求1至4中任一项所述车位的检测方法。
7.一种车位的检测终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述检测终端执行如权利要求1至4中任一项所述车位的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110541383.3A CN113205059B (zh) | 2021-05-18 | 2021-05-18 | 车位的检测方法、***、终端及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110541383.3A CN113205059B (zh) | 2021-05-18 | 2021-05-18 | 车位的检测方法、***、终端及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113205059A CN113205059A (zh) | 2021-08-03 |
CN113205059B true CN113205059B (zh) | 2024-03-12 |
Family
ID=77031683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110541383.3A Active CN113205059B (zh) | 2021-05-18 | 2021-05-18 | 车位的检测方法、***、终端及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205059B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114582163B (zh) * | 2022-03-14 | 2023-05-16 | 深圳市捷顺科技实业股份有限公司 | 一种车位管控方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399667A (zh) * | 2018-01-23 | 2018-08-14 | 蔚来汽车有限公司 | 车位地锁控制装置和方法 |
CN109087529A (zh) * | 2018-09-30 | 2018-12-25 | 成都精位科技有限公司 | 地锁控制方法、装置及*** |
CN109583392A (zh) * | 2018-12-05 | 2019-04-05 | 北京纵目安驰智能科技有限公司 | 一种车位检测方法、装置和存储介质 |
CN110562249A (zh) * | 2019-09-26 | 2019-12-13 | 上汽通用汽车有限公司 | 自动泊车辅助方法、可读存储介质和电子设备 |
CN110942653A (zh) * | 2019-10-20 | 2020-03-31 | 黄旭仕 | 一种基于车联网的智能驾驶汽车辅助泊车*** |
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 |
CN111798691A (zh) * | 2020-05-29 | 2020-10-20 | 领翌技术(横琴)有限公司 | 车位地锁的控制方法和*** |
CN111860072A (zh) * | 2019-04-30 | 2020-10-30 | 广州汽车集团股份有限公司 | 泊车控制方法、装置、计算机设备及计算机可读存储介质 |
CN112289070A (zh) * | 2020-10-20 | 2021-01-29 | 广州小鹏自动驾驶科技有限公司 | 一种车位检测方法、装置、车辆、可读介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6761708B2 (ja) * | 2016-09-05 | 2020-09-30 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 駐車位置特定方法、駐車位置学習方法、駐車位置特定システム、駐車位置学習装置およびプログラム |
US11435751B2 (en) * | 2018-12-28 | 2022-09-06 | Beijing Voyager Technology Co., Ltd. | Vehicle-based road obstacle identification system |
-
2021
- 2021-05-18 CN CN202110541383.3A patent/CN113205059B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399667A (zh) * | 2018-01-23 | 2018-08-14 | 蔚来汽车有限公司 | 车位地锁控制装置和方法 |
CN109087529A (zh) * | 2018-09-30 | 2018-12-25 | 成都精位科技有限公司 | 地锁控制方法、装置及*** |
CN109583392A (zh) * | 2018-12-05 | 2019-04-05 | 北京纵目安驰智能科技有限公司 | 一种车位检测方法、装置和存储介质 |
CN111860072A (zh) * | 2019-04-30 | 2020-10-30 | 广州汽车集团股份有限公司 | 泊车控制方法、装置、计算机设备及计算机可读存储介质 |
CN110562249A (zh) * | 2019-09-26 | 2019-12-13 | 上汽通用汽车有限公司 | 自动泊车辅助方法、可读存储介质和电子设备 |
CN110942653A (zh) * | 2019-10-20 | 2020-03-31 | 黄旭仕 | 一种基于车联网的智能驾驶汽车辅助泊车*** |
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 |
CN111798691A (zh) * | 2020-05-29 | 2020-10-20 | 领翌技术(横琴)有限公司 | 车位地锁的控制方法和*** |
CN112289070A (zh) * | 2020-10-20 | 2021-01-29 | 广州小鹏自动驾驶科技有限公司 | 一种车位检测方法、装置、车辆、可读介质 |
Non-Patent Citations (4)
Title |
---|
Research Review on Parking Space Detection Method;Yong Ma等;Symmetry;第13卷(第1期);第1-18页 * |
基于多传感器数据融合的自动泊车***高精度辨识车位的方法;江浩斌等;重庆理工大学学报(自然科学)(第4期);第7-16页 * |
基于深度学习的人车检测研究;魏宝昌;中国优秀硕士学位论文全文数据库 工程科技II辑(第7期);第C034-475页 * |
智能停车场优化策略的研究;路遥;中国优秀硕士学位论文全文数据库 工程科技II辑(第12期);第C034-418页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113205059A (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348297B (zh) | 一种用于识别立体停车库的检测方法、***、终端和存储介质 | |
US20180211119A1 (en) | Sign Recognition for Autonomous Vehicles | |
WO2019100763A1 (zh) | 一种车险定损数据的处理方法、装置和处理设备 | |
CN113205059B (zh) | 车位的检测方法、***、终端及计算机可读存储介质 | |
CN111461145A (zh) | 一种基于卷积神经网络进行目标检测的方法 | |
US20240005646A1 (en) | Method for generating saliency map, and method and apparatus for detecting abnormal object | |
CN111353417A (zh) | 一种目标检测的方法及装置 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN110390813B (zh) | 基于车型鉴别的大数据处理*** | |
CN115424245A (zh) | 车位识别方法、电子设备和存储介质 | |
US11520967B2 (en) | Techniques for printed circuit board component detection | |
CN114049488A (zh) | 一种多维信息融合的远距离弱小目标检测方法和终端 | |
CN116824152A (zh) | 基于点云的目标检测方法及装置、可读存储介质、终端 | |
CN111986473A (zh) | 基于车型鉴别的大数据处理方法 | |
CN116343169A (zh) | 路径规划方法、目标对象运动控制方法、装置及电子设备 | |
Al-Zawqari et al. | HD number plate localization and character segmentation on the Zynq heterogeneous SoC | |
CN115393763A (zh) | 基于图像频域的行人入侵识别方法、***、介质及装置 | |
CN113721240B (zh) | 一种目标关联方法、装置、电子设备及存储介质 | |
Choi et al. | State Machine and Downhill Simplex Approach for Vision‐Based Nighttime Vehicle Detection | |
CN115409985A (zh) | 目标对象检测方法、装置、电子设备及可读存储介质 | |
CN109657628B (zh) | 一种用于确定车辆的可行驶区域的方法与设备 | |
CN113030896B (zh) | 雷达目标聚类方法、装置和电子设备 | |
CN110766005A (zh) | 目标特征提取方法、装置和终端设备 | |
CN117471421B (zh) | 对象跌倒检测模型的训练方法及跌倒检测方法 | |
CN115631477B (zh) | 目标识别方法及终端 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Song Jing Inventor after: Wu Zizhang Inventor after: Wang Fan Inventor before: Song Jing Inventor before: He Yibin Inventor before: Wu Zizhang Inventor before: Wang Fan |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |