CN113673288B - 空闲车位检测方法、装置、计算机设备及存储介质 - Google Patents
空闲车位检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113673288B CN113673288B CN202010412619.9A CN202010412619A CN113673288B CN 113673288 B CN113673288 B CN 113673288B CN 202010412619 A CN202010412619 A CN 202010412619A CN 113673288 B CN113673288 B CN 113673288B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional point
- points
- map
- local
- 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 39
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000012937 correction Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例属于智能停车领域,涉及一种空闲车位检测方法,包括标定鱼眼相机,得到已标定鱼眼相机的外参以及的内参;通过内参得到多对匹配的特征点;三角化多个时刻的多对匹配的特征点得到多个时刻残缺三维点的局部云地图,进行拼接后,通过非线性优化算法得到三维点云的局部云地图;根据外参调整三维点云的局部云地图的旋转角度,得到扶正三维点云的局部地图;通过已标定鱼眼相机,恢复扶正三维点云的局部地图的绝对尺度,得到目标三维点云的局部地图;聚类目标三维点云的局部地图中的点云,检测确定空闲车位。本申请还提供一种空闲车位检测装置、计算机设备及存储介质。本申请提高找到停车位置的稳定性和准确性。
Description
技术领域
本申请涉及智能停车技术领域,尤其涉及一种空闲车位检测方法、装置、计算机设备及存储介质。
背景技术
车位检测是自动泊车***的一个前提条件,只有先寻找到可供停车的空闲区域,才能根据路径规划将车停到空闲车位上。关于自动泊车的车位检测的主流方法主要有两种,一种是通过机器视觉、图形处理、或深度学***行,甚至不是直线,会造成对空闲车位的定位不准确、测出的车位长度不稳定等问题。
发明内容
本申请实施例的目的在于提出一种空闲车位检测方法、装置、计算机设备及存储介质,以解决停车位无车位线、检测的车位长度不稳定、车位定位不准确等技术问题。
为了解决上述技术问题,本申请实施例提供一种空闲车位检测方法,采用了如下所述的技术方案:
获取多张鱼眼相机拍摄的鱼眼图像,根据多张所述鱼眼图像标定所述鱼眼相机,得到所述已标定鱼眼相机的外参以及所述已标定鱼眼相机的内参;
根据所述已标定鱼眼相机的内参畸变矫正所述鱼眼图像,得到畸变矫正图像,提取所述畸变矫正图像中感兴趣区域的快速定位和旋转简报ORB特征,根据所述畸变矫正图像拍摄时刻的先后关系以及所述ORB特征匹配所述畸变矫正图像中的多对特征点,得到多对匹配的特征点;
三角化多个时刻的所述多对匹配的特征点得到多个时刻残缺三维点的局部云地图,拼接所述多个时刻残缺三维点的局部云地图,并通过非线性优化算法得到三维点云的局部云地图;
根据所述已标定鱼眼相机的外参调整所述三维点云的局部云地图的旋转角度,得到扶正三维点云的局部地图;
通过已标定鱼眼相机,恢复所述扶正三维点云的局部地图的绝对尺度,得到目标三维点云的局部地图;
聚类所述目标三维点云的局部地图中的点云,检测确定空闲车位。
为了解决上述技术问题,本申请实施例还提供一种空闲车位检测装置,采用了如下所述的技术方案:
获取以及标定模块,用于获取多张鱼眼相机拍摄的鱼眼图像,根据多张所述鱼眼图像标定所述鱼眼相机,得到所述已标定鱼眼相机的外参以及所述已标定鱼眼相机的内参;
特征提取模块,用于根据所述已标定鱼眼相机的内参畸变矫正所述鱼眼图像,得到畸变矫正图像,提取所述畸变矫正图像中感兴趣区域的快速定位和旋转简报ORB特征,根据所述畸变矫正图像拍摄时刻的先后关系以及所述ORB特征匹配所述畸变矫正图像中的多对特征点,得到多对匹配的特征点;
拼接模块,用于三角化多个时刻的所述多对匹配的特征点得到多个时刻残缺三维点的局部云地图,拼接所述多个时刻残缺三维点的局部云地图,并通过非线性优化算法得到三维点云的局部云地图;
调整模块,用于根据所述已标定鱼眼相机的外参调整所述三维点云的局部云地图的旋转角度,得到扶正三维点云的局部地图;
恢复模块,用于通过已标定鱼眼相机,恢复所述扶正三维点云的局部地图的绝对尺度,得到目标三维点云的局部地图;
聚类模块,用于聚类所述目标三维点云的局部地图中的点云,检测确定空闲车位。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,其包括至少一个连接的处理器、存储器、输入输出单元,其中,所述存储器用于存储程序代码,所述处理器用于调用所述存储器中的程序代码来执行上述所述的空闲车位检测方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的空闲车位检测方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
通过对鱼眼相机进行内、外参标定。选取感兴趣区域提取ORB特征,并进行特征匹配。使用三角化算法对匹配点进行三维重建,获得障碍物三维点云局部地图,并实时更新局部地图。利用标定的相机外参“扶正”三维点云局部地图。根据相机与地面的真实高度,恢复障碍物三维点云的绝对尺度;点云聚类,寻找空闲车位。达到通过建立点云局部地图,以及关联多个时刻之间的点云局部地图,提高了寻找车位的准确性。寻找车位不再通过单一的图像去寻找,而会通过地图中之间障碍物的关系以及时间关联度,得到最终的停车位置。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请可以应用于其中的示例性***架构图;
图2-1根据本申请的空闲车位检测方法的一个实施例的流程图;
图2-2根据本申请的空闲车位检测方法的一种鱼眼图像以及畸变矫正图像的示意图;
图2-3根据本申请的空闲车位检测方法的一种聚类算法处理后障碍物分布的示意图;
图2-4根据本申请的空闲车位检测方法的一种特征点的示意图;
图2-5根据本申请的空闲车位检测方法的一种扶正三维点云的示意图;
图2-6根据本申请的空闲车位检测方法的一种原始三维点云的示意图;
图2-7根据本申请的空闲车位检测方法的一种空闲车位检测示意图;
图3是根据本申请的空闲车位检测装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
附图标记:
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的空闲车位检测方法一般由服务器/终端设备执行,相应地,空闲车位检测装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的空闲车位检测的方法的一个实施例的流程图。所述的空闲车位检测方法,包括以下步骤:
步骤201,获取多张鱼眼相机拍摄的鱼眼图像,根据多张所述鱼眼图像标定所述鱼眼相机,得到所述已标定鱼眼相机的外参以及所述已标定鱼眼相机的内参。
在本实施例中,空闲车位检测方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式服务器接收用户请求进行标定。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
对鱼眼相机进行内、外参标定,内参包括相机中心点(cx,cy),焦距fx、fy,畸变系数k1,、k2、k3、p1、p2,外参为相机坐标系与世界坐标系的旋转矩阵和平移矩阵,内参采用张氏标定法,外参采用3D-2D的预期的n个点(pespective-n-point,PnP)算法。
步骤202,根据所述已标定鱼眼相机的内参畸变矫正所述鱼眼图像,得到畸变矫正图像,提取所述畸变矫正图像中感兴趣(range of interest,ROI)区域的ORB(OrientedFast and Rotated Brief,ORB)特征,根据所述畸变矫正图像拍摄时刻的先后关系以及所述ORB特征匹配所述畸变矫正图像中的多对特征点,得到多对匹配的特征点。
在本实施例中,鱼眼图像以及畸变矫正图像如图2-2所示,匹配一般采用暴力匹配的方式,但暴力匹配十分耗时,考虑到实时的要求,暴力匹配方式不易采取,观察车辆的运动规律,相邻的图像运动的距离很短,因此可以按照运动模型将上一帧中所有地图点投影到当前帧,在当前帧中找到一个描述子距离最相近的特征点作为其匹配点,一般可以匹配到200-600对特征点。
步骤203,三角化多个时刻的所述多对匹配的特征点得到多个时刻残缺三维点的局部云地图,拼接所述多个时刻残缺三维点的局部云地图,并通过非线性优化算法得到三维点云的局部云地图。
在本实施例中,三角化是指原始点云与理论数模对比进行粗过滤,删除明显粗差点,保证真实的面点不被删去,粗过滤后的点云按照默认参数生成三角化模型。由于雷达不能一定获得许多点云的图像,因此残缺三维点的局部地图为畸变矫正图像中点云少于预设值的图像。根据所述多对匹配的特征点得到多个时刻残缺三维点的局部云地图,拼接所述多个时刻残缺三维点的局部云地图,得到完整的三维点的局部云地图;
步骤204,根据所述已标定鱼眼相机的外参调整所述三维点云的局部云地图的旋转角度,得到扶正三维点云的局部地图。
在本实施例中,用标定的相机外参“扶正”三维点云,即将三维点云的坐标方向旋转到与以地面为参考的世界坐标系的方向一致。
步骤205,通过已标定鱼眼相机,恢复所述扶正三维点云的局部地图的绝对尺度,得到目标三维点云的局部地图。
在本实施例中,根据直方图统计结果,个数最多的高度代表着地面相对高度,通过与相机离地面的真实绝对高度的比值恢复障碍物三维点云的绝对尺度。
步骤206,聚类所述目标三维点云的局部地图中的点云,检测确定空闲车位。
在本实施例中,如图2-3所示以垂直车位为例,数据中黑色的点是经过聚类算法处理后投影到地平面上的点,代表车的轮廓,每个网格表示1米的距离,其中部分黑色的点是可滤除的噪声点,可知,第1辆车和第2辆车的间距为3.5m,现场测量间距是3.24m,超声波雷达探测间距为3.6m,说明本申请所述的方法比超声波雷达在测距上更准确,而且三维点云比较稳定,表示的车位长度不会因行驶轨迹的变化而变化,因此检测的车位长度比较稳定。
在本实施例中,通过对鱼眼相机进行内、外参标定。选取ROI区域提取ORB特征,并进行特征匹配。在关键帧使用三角化算法对匹配点进行三维重建,获得障碍物三维点云局部地图,并实时更新局部地图。利用标定的相机外参“扶正”三维点云局部地图。根据相机与地面的真实高度,恢复障碍物三维点云的绝对尺度;点云聚类,寻找空闲车位。本申请能准确检测平行车位、垂直车位、斜列式车位,可广泛应用于空闲车位检测领域。
在一些可选的实现方式中,所述提取所述畸变矫正图像中感兴趣区域的快速定位和旋转简报(Oriented Fast and Rotated Brief,ORB)特征,根据所述畸变矫正图像拍摄时刻的先后关系以及所述ORB特征匹配多对特征点,得到多对匹配的特征点的步骤具体包括:
根据所述畸变矫正图像构建所述畸变矫正图像的图像金字塔;
过滤所述图像金字塔,得到目标图像金字塔;
通过分割测试特征(Features From Accelerated Segment Test,Fast)检测算法处理每层所述目标图像金字塔,得到多个关键点;
通过四叉树结构处理所述多个关键点,得到均匀分布的特征点,通过强度质心算法计算所述均匀分布的特征点的方向;
通过二进制编码特征描述子(BRIEF)计算所述多个关键点的特征;
将所述关键点的特征以及对应的所述关键点的方向一一组合,得到所述ORB特征;
获取当前时刻的鱼眼图像以及前一时刻的鱼眼图像;
匹配所述当前时刻的鱼眼图像以及前一时刻的鱼眼图像,得到目标特征对。
上述实施方式中,对当前畸变矫正图像构建图像金字塔,并进行高斯滤波处理,金字塔层数设为8,对每层金字塔图像用FAST检测算法处理,总共大约可提取关键点20000个,只保留质量较好的2000个特征点,因为特征点过多会造成大量误匹配,使计算的相机姿态不准确,甚至错误,最终导致定位不准或无法定位,然后采用改进的4叉树来表示实际提取的关键点,这样使得选取的关键点质量较好(评分高)且分布尽量均匀。如图2-4所示,特征点在整幅图像上比较均匀,接着使用强度质心法计算每个关键点的方向,使用BRIEF计算各个关键点的特征。
在一些可选的实现方式中,在所述提取所述畸变矫正图像中感兴趣区域的快速定位和旋转简报ORB特征,根据所述畸变矫正图像拍摄时刻的先后关系以及所述ORB特征匹配多对特征点,得到多对匹配的特征点的步骤之后还包括:
通过对极几何约束方程x2Fx1=0计算基础矩阵,其中x1为第一匹配的特征点,x2为第二匹配的特征点,F为所述基础矩阵;
根据F=KTEK计算本质矩阵,其中K为相机的内参,E为所述本质矩阵;
通过E=t∧R计算所述已标定鱼眼相机的位姿,其中t为所述已标定鱼眼相机的平移矩阵,R为所述已标定鱼眼相机的位姿;
通过Pw=-Rt计算所述已标定鱼眼相机的三维坐标,其中Pw为所述已标定鱼眼相机的三维坐标;
通过匀速模型获得所述已标定鱼眼相机更新后的位姿;
通过图优化(General Graph Optimization,G2O)非线性优化算法优化所述已标定鱼眼相机更新后的位姿。
上述实施方式中,其中F为3*3的基础矩阵,至少选取8对匹配特征点,即可以计算出基础矩阵F,在根据基础矩阵求得本质矩阵E,通过奇异值分解(Singular ValueDecomposition,SVD)分解本质矩阵E,求出相机位姿。通过相机位姿以及当前帧图像即可完成相机中心在世界坐标系中的定位,而且行驶轨迹不要求为直线。采用G2O非线性优化方法得到当前时刻精确的相机位姿,从而完成相机实时定位。
在一些可选的实现方式中,所述三角化多个时刻的所述多对匹配的特征点得到多个时刻残缺三维点的局部云地图,拼接所述多个时刻残缺三维点的局部云地图,并通过非线性优化算法得到三维点云的局部云地图的步骤具体包括:
三角化多个所述畸变矫正图像中点云少于预设值的图像,得到三角化图像;
根据所述多个时刻的三角化图像计算第一未知参数s1以及第二未知参数s2;
根据计算所述多对匹配的特征点,其中X为所述匹配的特征点;
根据所述多对匹配的特征点得到多个时刻残缺三维点的局部云地图;
拼接所述多个时刻残缺三维点的局部云地图,得到完整的三维点的局部云地图;
通过G2O非线性优化方法优化所述完整的三维点的局部云地图,得到三维点云的局部云地图;
若所述三维点云的局部云地图的点云超过阈值,则过滤所述三维点云的局部云地图中的点云。
上述实施方式中,在关键帧三角化,所述关键帧为所述畸变矫正图像中点云少于预设值的图像,根据相机成像模型,可以建立匹配点与三维坐标X的关系,s1x1=KX,s2x2=K(RX+t),其中K为相机内参,(x1,x2)为匹配特征点对的齐次坐标,R、t为第二幅图相对第一幅图的旋转矩阵和平移矩阵,联合两式得该方程组有两个未知参数s1以及s2,可求得s1,s2代入原始方程可得特征点对的空间三维坐标X,/>从而得到障碍物三维点云地图,如图2-5所示扶正三维点云,直线是地平面,如果从上往下观察,地平面是一个平面,而不是一条直线,凸起的地方是车辆,地平面另一侧是一些噪点。利用G2O非线性优化方法对三维点云局部地图进行优化,也就是将不同时刻的三维点云做整体优化,滤除噪点,从而获得更加稳定的局部地图,解决了不同时刻三维点云局部地图不存在时而放大时而缩小的问题。为了适应***需求,将ORB_SLAM2算法中的全局建图模块改进为局部建图,因为空闲车位只与周围障碍物有密切关系,当障碍物三维点云局部地图过大,超出所需的范围时,立即更新点云局部地图,将地图中过时的三维点滤除,一般保留地图最新的2000个三维点即可满足***要求。
在一些可选的实现方式中,所述根据所述已标定鱼眼相机的外参调整所述三维点云的局部云地图的旋转角度,得到扶正三维点云的局部地图的步骤具体包括:
通过Y=RX调整所述三维点云的局部云地图的旋转角度,得到扶正三维点云地图,其中Y为扶正三维点云地图。
上述实施方式中,如图2-6所示原始三维点云,轴表示竖直方向,原始三维点云的地平面与轴并不垂直,说明相机的视线与地平面不平行,存在姿态角,“扶正”三维点云的地平面与轴基本垂直,说明通过“扶正”操作,可以将三维点云调整到以地面为参考的世界坐标系的方向一致,便于障碍物绝对尺度恢复以及车位检测。
在一些可选的实现方式中,所述通过已标定鱼眼相机,恢复所述扶正三维点云的局部地图的绝对尺度,得到目标三维点云的局部地图的步骤具体包括:
通过h(yi)=ni获取多个所述匹配的特征点的高度,其中yi表示第i对所述匹配的特征点的高度,ni表示第i个高度所述匹配的特征点个数;
通过Hr=argmaxh(yi)计算所述已标定鱼眼相机的相对高度,其中Hr为所述已标定鱼眼相机的相对高度;
通过所述已标定鱼眼相机的位姿得到所述已标定鱼眼相机的绝对高度Ha;
通过计算所述相对高度与绝对高度的比值系数,s为所述比值系数;
通过Ya=sY恢复所述扶正三维点云地图的绝对尺度,其中Ya为所述扶正三维点云地图的绝对尺度。
上述实施方式中,利用直方图统计得到的三维坐标的竖直方向值,值代表着三维点离相机的高度,据直方图统计结果,个数最多的高度代表着地面相对高度。
在一些可选的实现方式中,所述聚类所述目标三维点云的局部地图中的点云,检测确定空闲车位的步骤具体包括:
聚类所述目标三维点云地图中的点云,得到空间障碍物的位置信息;
根据所述空间障碍物的位置信息,得到目标车位;
通过快速验证的方法判断所述目标车位是否为空闲车位;
若所述目标车位为空闲车位,则根据所述已标定鱼眼相机与所述车位的相对位置关系完成所述目标车位的定位。
上述实施方式中,用基于密度的应用程序空间(Density-Based SpatialClustering of Applications with Noise,DBSCAN)聚类算法对已经恢复绝对尺度的障碍物三维点云进行聚类,过滤噪点,获得空间的障碍物以及分布位置信息,如图2-7所示。根据聚类结果,得到所有障碍物的中心坐标(Cx,Cz)及分布半径r,取所有障碍物下边界的最小值作为车位下边界,即down=Cz-r,设本车的长度为length,宽度为width,那么车位上边界up=down+length,左边界up=down+length,右边界right=Centerxx+wdth/2,其中Centerx是相机中点横坐标,将(up,down,left,right)作为目标车位;快速验证所有障碍物和目标车位是否有重叠区域,如果没有,则是最终要寻找的空闲车位,否则,目标不能作为最终要寻找的空闲车位,进入下一时刻继续寻找。计算相机与空闲车位的相对位置关系,完成最终定位。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种空闲车位检测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的空闲车位检测装置300包括:获取以及标定模块301、特征提取模块302、拼接模块303、调整模块304、恢复模块305以及聚类模块306。其中:
获取以及标定模块301用于获取多张鱼眼相机拍摄的鱼眼图像,根据多张所述鱼眼图像标定所述鱼眼相机,得到所述已标定鱼眼相机的外参以及所述已标定鱼眼相机的内参;
特征提取模块302用于根据所述已标定鱼眼相机的内参畸变矫正所述鱼眼图像,得到畸变矫正图像,提取所述畸变矫正图像中感兴趣区域的快速定位和旋转简报ORB特征,根据所述畸变矫正图像拍摄时刻的先后关系以及所述ORB特征匹配所述畸变矫正图像中的多对特征点,得到多对匹配的特征点;
拼接模块303用于三角化多个时刻的所述多对匹配的特征点得到多个时刻残缺三维点的局部云地图,拼接所述多个时刻残缺三维点的局部云地图,并通过非线性优化算法得到三维点云的局部云地图;
调整模块304用于根据所述已标定鱼眼相机的外参调整所述三维点云的局部云地图的旋转角度,得到扶正三维点云的局部地图;
恢复模块305用于通过已标定鱼眼相机,恢复所述扶正三维点云的局部地图的绝对尺度,得到目标三维点云的局部地图;
聚类模块306用于聚类所述目标三维点云的局部地图中的点云,检测确定空闲车位。
在本实施例的一些可选的实现方式中,上述特征提取模块进一步用于:
根据所述畸变矫正图像构建所述畸变矫正图像的图像金字塔;
过滤所述图像金字塔,得到目标图像金字塔;
通过分割测试特征检测算法处理每层所述目标图像金字塔,得到多个关键点;
通过四叉树结构处理所述多个关键点,得到均匀分布的特征点,通过强度质心算法计算所述均匀分布的特征点的方向;
通过二进制编码特征描述子BRIEF计算所述多个关键点的特征;
将所述关键点的特征以及对应的所述关键点的方向组合成,所述ORB特征;
获取当前时刻的鱼眼图像以及前一时刻的鱼眼图像;
匹配所述当前时刻的鱼眼图像以及前一时刻的鱼眼图像,得到目标特征对。
在本实施例的一些可选的实现方式中,上述装置300还包括:相机位姿调整模块,用于通过对极几何约束方程x2Fx1=0计算基础矩阵,其中x1为第一匹配的特征点,x2为第二匹配的特征点,F为所述基础矩阵;
根据F=KTEK计算本质矩阵,其中K为相机的内参,E为所述本质矩阵;
通过E=t∧R计算所述已标定鱼眼相机的位姿,其中t为所述已标定鱼眼相机的平移矩阵,R为所述已标定鱼眼相机的位姿;
通过Pw=-Rt计算所述已标定鱼眼相机的三维坐标,其中Pw为所述已标定鱼眼相机的三维坐标;
通过匀速模型获得所述已标定鱼眼相机更新后的位姿;
通过G2O非线性优化算法优化所述已标定鱼眼相机更新后的位姿。
在本实施例的一些可选的实现方式中,上述拼接模块进一步用于:
三角化多个所述畸变矫正图像中点云少于预设值的图像,得到三角化图像;
根据所述多个时刻的三角化图像计算第一未知参数s1以及第二未知参数s2;
根据计算所述多对匹配的特征点,其中X为所述匹配的特征点;
根据所述多对匹配的特征点得到多个时刻残缺三维点的局部云地图;
拼接所述多个时刻残缺三维点的局部云地图,得到完整的三维点的局部云地图;
通过G2O非线性优化方法优化所述完整的三维点的局部云地图,得到三维点云的局部云地图;
若所述三维点云的局部云地图的点云超过阈值,则过滤所述三维点云的局部云地图中的点云。
在本实施例的一些可选的实现方式中,上述调整模块进一步用于:
通过Y=RX调整所述三维点云的局部云地图的旋转角度,得到扶正三维点云地图,其中Y为扶正三维点云地图。
在本实施例的一些可选的实现方式中,上述恢复模块进一步用于:
通过h(yi)=ni获取多个所述匹配的特征点的高度,其中yi表示第i对所述匹配的特征点的高度,ni表示第i个高度所述匹配的特征点个数;
通过Hr=argmaxh(yi)计算所述已标定鱼眼相机的相对高度,其中Hr为所述已标定鱼眼相机的相对高度;
通过所述已标定鱼眼相机的位姿得到所述已标定鱼眼相机的绝对高度Ha;
通过计算所述相对高度与绝对高度的比值系数,s为所述比值系数;
通过Ya=sY恢复所述扶正三维点云地图的绝对尺度,其中Ya为所述扶正三维点云地图的绝对尺度。
在本实施例的一些可选的实现方式中,上述聚类模块进一步用于:
聚类所述目标三维点云地图中的点云,得到空间障碍物的位置信息;
根据所述空间障碍物的位置信息,得到目标车位;
通过快速验证的方法判断所述目标车位是否为空闲车位;
若所述目标车位为空闲车位,则根据所述已标定鱼眼相机与所述车位的相对位置关系完成所述目标车位的定位。
通过对鱼眼相机进行内、外参标定。选取ROI区域提取ORB特征,并进行特征匹配。根据匹配的特征点坐标计算基础矩阵和相机位姿,并跟踪相机位姿,完成实时定位。在关键帧使用三角化算法对匹配点进行三维重建,获得障碍物三维点云局部地图,并实时更新局部地图。利用标定的相机外参“扶正”三维点云局部地图。根据相机与地面的真实高度,恢复障碍物三维点云的绝对尺度;点云聚类,利用快速验证方法寻找空闲车位。本申请能准确检测平行车位、垂直车位、斜列式车位,可广泛应用于空闲车位检测领域。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过***总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作***和各类应用软件,例如空闲车位检测方法的程序代码等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据,例如运行所述空闲车位检测方法的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有空闲车位检测程序,所述空闲车位检测程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的空闲车位检测方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上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,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (9)
1.一种空闲车位检测方法,其特征在于,包括下述步骤:
获取多张鱼眼相机拍摄的鱼眼图像,根据多张所述鱼眼图像标定所述鱼眼相机,得到已标定鱼眼相机,并得到所述已标定鱼眼相机的外参以及所述已标定鱼眼相机的内参;
根据所述已标定鱼眼相机的内参畸变矫正所述鱼眼图像,得到畸变矫正图像,提取所述畸变矫正图像中感兴趣区域的快速定位和旋转简报ORB特征,根据所述畸变矫正图像拍摄时刻的先后关系以及所述ORB特征匹配所述畸变矫正图像中的多对特征点,得到多对匹配的特征点;
三角化多个时刻的所述多对匹配的特征点得到多个时刻残缺三维点的局部云地图,拼接所述多个时刻残缺三维点的局部云地图,并通过非线性优化算法得到三维点云的局部云地图;
根据所述已标定鱼眼相机的外参调整所述三维点云的局部云地图的旋转角度,得到扶正三维点云的局部地图;
通过已标定鱼眼相机,恢复所述扶正三维点云的局部地图的绝对尺度,得到目标三维点云的局部地图;
聚类所述目标三维点云的局部地图中的点云,检测确定空闲车位;
其中,所述提取所述畸变矫正图像中感兴趣区域的快速定位和旋转简报ORB特征,根据所述畸变矫正图像拍摄时刻的先后关系以及所述ORB特征匹配所述畸变矫正图像中的多对特征点,得到多对匹配的特征点的步骤具体包括:
根据所述畸变矫正图像构建所述畸变矫正图像的图像金字塔;
过滤所述图像金字塔,得到目标图像金字塔;
通过分割测试特征Fast检测算法处理每层所述目标图像金字塔,得到多个关键点;
通过四叉树结构处理所述多个关键点,得到均匀分布的特征点,通过强度质心算法计算所述均匀分布的特征点的方向;
通过二进制编码特征描述子BRIEF计算所述多个关键点的特征;
将所述关键点的特征以及对应的所述关键点的方向一一组合,得到所述ORB特征;
获取当前时刻的鱼眼图像以及前一时刻的鱼眼图像;
匹配所述当前时刻的鱼眼图像以及前一时刻的鱼眼图像的所述ORB特征,得到多对匹配的特征点。
2.根据权利要求1所述的空闲车位检测方法,其特征在于,在所述提取所述畸变矫正图像中感兴趣区域的快速定位和旋转简报ORB特征,根据所述畸变矫正图像拍摄时刻的先后关系以及所述ORB特征匹配所述畸变矫正图像中的多对特征点,得到多对匹配的特征点的步骤之后还包括:
通过对极几何约束方程计算基础矩阵,其中/>为第一匹配的特征点,/>为第二匹配的特征点,F为所述基础矩阵;
根据计算本质矩阵,其中/>为相机的内参,E为所述本质矩阵;
通过计算所述已标定鱼眼相机的位姿,其中t为所述已标定鱼眼相机的平移矩阵,R为所述已标定鱼眼相机的位姿;
通过计算所述已标定鱼眼相机的三维坐标,其中/>为所述已标定鱼眼相机的三维坐标;
通过匀速模型获得所述已标定鱼眼相机更新后的位姿;
通过图优化G2O非线性优化算法优化所述已标定鱼眼相机更新后的位姿。
3.根据权利要求2所述的空闲车位检测方法,其特征在于,所述三角化多个时刻的所述多对匹配的特征点得到多个时刻残缺三维点的局部云地图,拼接所述多个时刻残缺三维点的局部云地图,并通过非线性优化算法得到三维点云的局部云地图的步骤具体包括:
三角化多个所述畸变矫正图像中点云少于预设值的图像,得到三角化图像;
根据所述多个时刻的三角化图像计算第一未知参数/>以及第二未知参数/>;
根据计算所述多对匹配的特征点,其中X为所述匹配的特征点;
根据所述多对匹配的特征点得到多个时刻残缺三维点的局部云地图;
拼接所述多个时刻残缺三维点的局部云地图,得到完整的三维点的局部云地图;
通过G2O非线性优化方法优化所述完整的三维点的局部云地图,得到三维点云的局部云地图;
若所述三维点云的局部云地图的点云超过阈值,则过滤所述三维点云的局部云地图中的点云。
4.根据权利要求3所述的空闲车位检测方法,其特征在于,所述根据所述已标定鱼眼相机的外参调整所述三维点云的局部云地图的旋转角度,得到扶正三维点云的局部地图的步骤具体包括:
通过Y=RX调整所述三维点云的局部云地图的旋转角度,得到扶正三维点云地图,其中Y为扶正三维点云地图。
5.根据权利要求4所述的空闲车位检测方法,其特征在于,所述通过已标定鱼眼相机,恢复所述扶正三维点云的局部地图的绝对尺度,得到目标三维点云的局部地图的步骤具体包括:
通过获取多个所述匹配的特征点的高度,其中/>表示第/>对所述匹配的特征点的高度,/>表示第/>个高度所述匹配的特征点个数;
通过计算所述已标定鱼眼相机的相对高度,其中/>为所述已标定鱼眼相机的相对高度;
通过所述已标定鱼眼相机的位姿得到所述已标定鱼眼相机的绝对高度;
通过计算所述相对高度与绝对高度的比值系数,s为所述比值系数;
通过恢复所述扶正三维点云地图的绝对尺度,其中/>为所述扶正三维点云地图的绝对尺度。
6.根据权利要求5所述的空闲车位检测方法,其特征在于,所述聚类所述目标三维点云的局部地图中的点云,检测确定空闲车位的步骤具体包括:
聚类所述目标三维点云地图中的点云,得到空间障碍物的位置信息;
根据所述空间障碍物的位置信息,得到目标车位;
通过快速验证的方法判断所述目标车位是否为空闲车位;
若所述目标车位为空闲车位,则根据所述已标定鱼眼相机与所述车位的相对位置关系完成所述目标车位的定位。
7.一种空闲车位检测装置,其特征在于,包括:
获取以及标定模块,用于获取多张鱼眼相机拍摄的鱼眼图像,根据多张所述鱼眼图像标定所述鱼眼相机,得到已标定鱼眼相机,并得到所述已标定鱼眼相机的外参以及所述已标定鱼眼相机的内参;
特征提取模块,用于根据所述已标定鱼眼相机的内参畸变矫正所述鱼眼图像,得到畸变矫正图像,提取所述畸变矫正图像中感兴趣区域的快速定位和旋转简报ORB特征,根据所述畸变矫正图像拍摄时刻的先后关系以及所述ORB特征匹配所述畸变矫正图像中的多对特征点,得到多对匹配的特征点;
拼接模块,用于三角化多个时刻的所述多对匹配的特征点得到多个时刻残缺三维点的局部云地图,拼接所述多个时刻残缺三维点的局部云地图,并通过非线性优化算法得到三维点云的局部云地图;
调整模块,用于根据所述已标定鱼眼相机的外参调整所述三维点云的局部云地图的旋转角度,得到扶正三维点云的局部地图;
恢复模块,用于通过已标定鱼眼相机,恢复所述扶正三维点云的局部地图的绝对尺度,得到目标三维点云的局部地图;
聚类模块,用于聚类所述目标三维点云的局部地图中的点云,检测确定空闲车位;
其中,所述特征提取模块提取所述畸变矫正图像中感兴趣区域的快速定位和旋转简报ORB特征,根据所述畸变矫正图像拍摄时刻的先后关系以及所述ORB特征匹配所述畸变矫正图像中的多对特征点,得到多对匹配的特征点时,具体用于:
根据所述畸变矫正图像构建所述畸变矫正图像的图像金字塔;过滤所述图像金字塔,得到目标图像金字塔;通过分割测试特征Fast检测算法处理每层所述目标图像金字塔,得到多个关键点;通过四叉树结构处理所述多个关键点,得到均匀分布的特征点,通过强度质心算法计算所述均匀分布的特征点的方向;通过二进制编码特征描述子BRIEF计算所述多个关键点的特征;将所述关键点的特征以及对应的所述关键点的方向一一组合,得到所述ORB特征;获取当前时刻的鱼眼图像以及前一时刻的鱼眼图像;匹配所述当前时刻的鱼眼图像以及前一时刻的鱼眼图像的所述ORB特征,得到多对匹配的特征点。
8.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的空闲车位检测方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的空闲车位检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010412619.9A CN113673288B (zh) | 2020-05-15 | 2020-05-15 | 空闲车位检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010412619.9A CN113673288B (zh) | 2020-05-15 | 2020-05-15 | 空闲车位检测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673288A CN113673288A (zh) | 2021-11-19 |
CN113673288B true CN113673288B (zh) | 2024-01-23 |
Family
ID=78537618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010412619.9A Active CN113673288B (zh) | 2020-05-15 | 2020-05-15 | 空闲车位检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673288B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114179788A (zh) * | 2021-12-29 | 2022-03-15 | 纵目科技(上海)股份有限公司 | 自动泊车方法、***、计算机可读存储介质及车机端 |
CN114648890B (zh) * | 2022-03-23 | 2023-02-28 | 深圳一清创新科技有限公司 | 一种停车位状态检测方法、装置及智能车 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090435A (zh) * | 2017-12-13 | 2018-05-29 | 深圳市航盛电子股份有限公司 | 一种可停车区域识别方法、***及介质 |
CN109446909A (zh) * | 2018-09-27 | 2019-03-08 | 山东省科学院自动化研究所 | 一种单目测距辅助泊车***及方法 |
WO2019179200A1 (zh) * | 2018-03-22 | 2019-09-26 | 深圳岚锋创视网络科技有限公司 | 多目相机的三维重建方法、vr相机和全景相机 |
CN110766979A (zh) * | 2019-11-13 | 2020-02-07 | 奥特酷智能科技(南京)有限公司 | 一种用于自动驾驶车辆的泊车车位检测方法 |
-
2020
- 2020-05-15 CN CN202010412619.9A patent/CN113673288B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090435A (zh) * | 2017-12-13 | 2018-05-29 | 深圳市航盛电子股份有限公司 | 一种可停车区域识别方法、***及介质 |
WO2019179200A1 (zh) * | 2018-03-22 | 2019-09-26 | 深圳岚锋创视网络科技有限公司 | 多目相机的三维重建方法、vr相机和全景相机 |
CN109446909A (zh) * | 2018-09-27 | 2019-03-08 | 山东省科学院自动化研究所 | 一种单目测距辅助泊车***及方法 |
CN110766979A (zh) * | 2019-11-13 | 2020-02-07 | 奥特酷智能科技(南京)有限公司 | 一种用于自动驾驶车辆的泊车车位检测方法 |
Non-Patent Citations (1)
Title |
---|
基于激光扫描的鱼眼相机三维标定方法;程梦娇;申夏晶;肖江剑;宋文祥;;光学学报(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113673288A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3581890B1 (en) | Method and device for positioning | |
CN110335316B (zh) | 基于深度信息的位姿确定方法、装置、介质与电子设备 | |
CN111199564B (zh) | 智能移动终端的室内定位方法、装置与电子设备 | |
CN113989450B (zh) | 图像处理方法、装置、电子设备和介质 | |
US9147260B2 (en) | Detection and tracking of moving objects | |
CN109520500B (zh) | 一种基于终端拍摄图像匹配的精确定位及街景库采集方法 | |
CN111797657A (zh) | 车辆周边障碍检测方法、装置、存储介质及电子设备 | |
JP7422105B2 (ja) | 路側計算装置に用いる障害物3次元位置の取得方法、装置、電子デバイス、コンピュータ可読記憶媒体、及びコンピュータプログラム | |
CN111860352B (zh) | 一种多镜头车辆轨迹全跟踪***及方法 | |
CN111986214B (zh) | 一种地图中人行横道的构建方法和电子设备 | |
CN110992424B (zh) | 基于双目视觉的定位方法和*** | |
CN113673288B (zh) | 空闲车位检测方法、装置、计算机设备及存储介质 | |
CN113947766A (zh) | 一种基于卷积神经网络的实时车牌检测方法 | |
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 | |
CN112733641A (zh) | 物体尺寸测量方法、装置、设备及存储介质 | |
CN110910445A (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
Jung et al. | Object Detection and Tracking‐Based Camera Calibration for Normalized Human Height Estimation | |
WO2023284358A1 (zh) | 相机标定方法、装置、电子设备及存储介质 | |
CN112541403B (zh) | 一种利用红外摄像头的室内人员跌倒检测方法 | |
CN110864670B (zh) | 目标障碍物位置的获取方法和*** | |
CN113298871A (zh) | 地图生成方法、定位方法及其***、计算机可读存储介质 | |
CN117132649A (zh) | 人工智能融合北斗卫星导航的船舶视频定位方法及装置 | |
CN112560615A (zh) | 观看屏幕判断方法、***及电子设备 | |
CN113902047B (zh) | 图像元素匹配方法、装置、设备以及存储介质 | |
CN115375774A (zh) | 确定相机外参的方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |