CN113822156B - 车位检测处理方法、装置、电子设备及存储介质 - Google Patents
车位检测处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113822156B CN113822156B CN202110929421.2A CN202110929421A CN113822156B CN 113822156 B CN113822156 B CN 113822156B CN 202110929421 A CN202110929421 A CN 202110929421A CN 113822156 B CN113822156 B CN 113822156B
- Authority
- CN
- China
- Prior art keywords
- parking space
- side line
- point
- parking
- points
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/08—Learning methods
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种车位检测处理方法,包括:基于车位图像获取至少一个车位的特征信息;获取漏检角点,以更新特征信息;基于更新后的车位角点位置以及车位角点方向对车位边线点进行第一次筛选,去除第一异常类型边线点,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,对车位角点方向进行矫正,以更新特征信息;以及基于车位角点配对信息获取车位的车位入口线的两个顶点位置以获取车位入口线的方向,基于车位入口线的方向以及车位边线的方向获取车位的车位类型,以更新特征信息。本公开还提供一种车位检测处理装置、电子设备以及可读存储介质。
Description
技术领域
本公开涉及车位信息获取技术领域,本公开尤其涉及一种车位检测处理方法、装置、电子设备及存储介质。
背景技术
车位检测主要用于自动驾驶***获取车辆周围环境中的车位信息,是自动泊车***的重要组成部分,也是当前自动驾驶领域的研究热点。目前主流的车位检测大部分是基于图像的车位检测。用于获取车位的图像是由鱼眼相机采集的图像,其中分成两大类,一种直接基于鱼眼相机图像进行车位的检测,另一种先对车辆前后左右四个鱼眼相机获得的图像进行拼接得到顶视图,然后基于拼接得到的顶视图进行车位检测。其中,直接基于鱼眼相机图像的方法会受畸变的影响产生误差,而基于拼接图像的检测方法对图像拼接质量要求也很高,相机内参和外参不准会导致拼接图像产生伪影、变形、模糊等问题。除了由于图像质量带来的问题外,车位检测还面临着场景多变,车位类型繁多,车辆行驶过程中位姿多变,车辆遮挡车位,车位线模糊等挑战。因此如何精确的从图像中获取详细且精确的车位信息有重要的意义和应用价值。
在目前主流的车位检测算法中主要分成两大类,一种方法,首先对车位的角点和边框特征进行检测,获取图像坐标系中车位的位置,然后通过模板匹配的方法,对车位进行分类,从而获得车位类型角度和是否占用的信息,这类方法主要基于传统的图像方法,如图像二值化,霍夫变换等;另一种方法先对图像中车位的具体信息进行标注,然后将标注过的数据用于训练深度神经网络,使用时直接将需要测试的图像输入网络,再由网络给出车位的具体信息,这类方法表述为基于深度学习的车位检测算法。
技术方案1:专利号为CN109685000A的《一种基于视觉的车位检测方法及装置》,涉及一种基于视觉的车位检测方法,主要通过对拍摄的车辆两侧图像进行预处理获得鸟瞰图,检测鸟瞰图中的车位框和车位角点,从车位框中筛选出一个车位框,根据车位框从角点中获取车位角点,根据车位角点的位置确定车位角点在鸟瞰图中的具***置,然后根据车位角点在鸟瞰图中的具***置会的车位框的具***置。该方法提供了一套基于车位边框和车位角点的车位检测算法,能够有效的检测车位角点和车位框的具***置,但是当车位角点被遮挡或部分车位线模糊时会出现检测误差很大,导致误检漏检等问题,鲁棒性较差,且该方法无法检测车位是否占用,当车位产生畸变时无法给出车位方向的正确方向。
技术方案2:专利号为CN110969655A的《用于检测车位的方法、装置、设备、存储介质以及车辆》,涉及一种从单目相机图像获取车位信息的方法,该方法主要分成以下三个步骤:1)获取呈现待检测的车位的输入图像;2)基于输入图像,检测车位的角点和车位线;3)基于检测到的车位线,修正检测到的角点的位置。该方法是一种基于深度学习获取边线和角点位置,并通过边线修正角点位置的算法,可以简单有效的从单目图像中获得空车位的具***置。但是该方法没有考虑视野范围问题,基于单目图像的车位检测,视野范围远小于基于顶视图的车位检测,并且同技术方案1一样,该方法没有考虑遮挡问题,当车位角点被这遮挡时,检测效率明显不足,当车位边线被遮挡时无法对后续的角点进行修正,另外对于被车辆占用的车位,其检测效果明显不足。
技术方案3:专利号为CN109614913A的《一种斜车位识别方法、装置和存储介质》,该方法涉及一种斜车位的识别方法,主要步骤包括:获取样本图像,所述样本图像中包括一个或多个斜车位,以车位顶点定位网络识别样本图像中的车位顶点,将停车位顶点两两配对,对停车位顶点配对成功的部分,截取图像块,并将图像块输入到停车位分类网络中识别倾斜车位;将识别的倾斜停车位标注出来:以车位顶点定位网络识别样本图像中的车位顶点,以车位顶点为中心截取图像块,提取车位线中的倾斜线,并进行去噪处理,在以线拟合得到倾斜线斜率;以车位顶点和倾斜线斜率标注出倾斜停车位。该方法通过深度学习和车位线的拟合实现了对斜车位倾斜角度的矫正。但是,不可否认的是,该方法没有办法识别车位是否占用,如果存在角点被遮挡的情况,该方法的识别率也会明显不足。另外,如果出现车位线模糊或者出现长距离间断的情况,该发明计算斜车位斜率的方法将不再适用。此外,该方法没有将检测网络和分类网络进行整合,而是分成了两步进行,更容易产生误差。
技术方案4:论文《End-to-End Trainable One-Stage Parking Slot DetectionIntegrating Global and Local Information》,提出一种端到端可训练的车位检测算法,该方法输入图像为拼接的顶视图,首先通过卷积神经网络获取车位的全局信息和车位角点信息,然后通过两个信息进行融合从而获取图像中车位的具体信息。该方法的信息提取方式是冗余的,其中全局角点通过所有在车位内部的点进行计算,增加了计算量,降低了算法效率,且该方法没有考虑图像拼接会不可避免的产生畸变从而导致车位边线发生偏移,并且由于卷积核感受野的局限性,单纯由网络给出的车位的角度和车位类型是不准确的,另外如果出现车位角点遮挡时,很容易出现车位角点误匹配问题。
技术方案1、2利用车位角点和边线之间的关联信息进行车位检测,解决了部分车位定位不准,角点检测偏移导致的误差问题,但是不可否认的是,两种方案均没有给出被占用车位的检测方法,对于被遮挡的角点、被遮挡或者模糊的边线也没有给出具体的解决方案,对于图像产生畸变导致车位形状不规范,也没有提出解决方案。其中,技术方案3利用边线斜率的准确性,通过边线对角点斜率的矫正实现了斜车位角度的计算,但是其仍未考虑到角点或边线被遮挡时出现的问题,而直接舍弃这部分车位会导致检测精度大幅降低,并且其解决方案太过冗余,两个网络衔接步骤容易导致误差扩大。在技术方案4中,通过对深度神经网络对车位信息进行编解码,实现了对车位位置,车位类型,是否占用,以及车位方向的检测,但是,同技术方案1,2,3一样,当其角点被遮挡角点模糊,或者角点未被检测到时,其检测效果并不理想,并且该方案仅从角点回归得到车位方向角度,但是由于卷积核感受野的限制其数值本身就是不准确的,当出现形状不规范的车位如边线不平行的车位其检测效果会大幅降低。
发明内容
为了解决上述技术问题中的至少一个,本公开提供了一种车位检测处理方法、装置、电子设备及存储介质。
本公开的车位检测处理方法能够从拼接顶视图中准确定位车位,获取车位信息,能够应用于自动泊车***中,作为感知算法。本公开优选地使用卷积神经网络对由环视图像拼接成的顶视图中的车位进行检测,其中包括车位的角点位置和方向,车位边线点的位置,车位是否占用等,再通过车位边线点和车位角点信息进行融合,从而得到顶视图中车位的位置、方向、类型以及车位是否占用信息,以用于后续辅助自动驾驶车辆进行泊车。
本公开的车位检测处理方法、装置、电子设备及存储介质通过以下技术方案实现的。
根据本公开的一个方面,提供一种车位检测处理方法,包括:
S100、基于车位图像获取至少一个车位的特征信息,所述特征信息至少包括车位角点位置、车位角点配对信息、车位角点方向、车位边线点位置;
S200、基于所述车位边线点位置获取车位边线,以及基于所述车位边线和所述车位角点之间的位置关系获取漏检角点,以更新所述特征信息;
S300、基于更新后的车位角点位置以及车位角点方向对车位边线点进行第一次筛选,去除第一异常类型边线点,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,基于去除了第一异常类型边线点以及第二异常类型边线点的每条车位边线的方向对车位角点方向进行矫正,以更新所述特征信息;以及,
S400、基于所述车位角点配对信息获取车位的车位入口线的两个顶点位置以获取车位入口线的方向,基于车位入口线的方向以及车位边线的方向获取车位的车位类型,以更新所述特征信息。
根据本公开的至少一个实施方式的车位检测处理方法,所述特征信息还包括车位占用状态。
根据本公开的至少一个实施方式的车位检测处理方法,基于车位图像获取至少一个车位的特征信息,包括:
使用深度神经网络对所述车位的车位图像进行特征信息的提取,以获取所述车位的特征信息。
根据本公开的至少一个实施方式的车位检测处理方法,所述深度神经网络为经过训练的深度神经网络。
根据本公开的至少一个实施方式的车位检测处理方法,所述深度神经网络为经过以下步骤训练的深度神经网络:
对训练数据中各个车位图像进行预处理,以获取各个车位图像的车位标签,所述车位标签包括车位角点位置、车位角点配对信息、车位角点方向、车位边线点位置、车位占用状态以及车位类型;
对各个车位图像的车位标签进行编码处理;以及,
至少基于编码处理后的各个车位图像的车位标签对深度神经网络进行训练,以获得经过训练的深度神经网络。
根据本公开的至少一个实施方式的车位检测处理方法,对各个车位图像的车位标签进行编码处理,包括:
基于各个车位图像的中心点的热力图对车位角点配对信息进行编码处理,基于各个车位图像的车位角点的热力图对车位角点位置以及车位角点方向进行编码处理。
根据本公开的至少一个实施方式的车位检测处理方法,对各个车位图像的车位标签进行编码处理,包括:
基于各个车位图像的被车位边线经过的网格的中心点相对于车位边线的垂足对车位边线点位置进行编码处理。
根据本公开的至少一个实施方式的车位检测处理方法,对各个车位图像的车位标签进行编码处理,包括:
使用独热编码(One-Hot Encoding)对各个车位图像的车位占用状态进行编码处理。
根据本公开的至少一个实施方式的车位检测处理方法,基于所述车位边线点位置获取车位边线,包括:
对所述车位边线点位置的边线点进行聚类处理,获得属于同一条车位边线的边线点;以及,
对属于同一条边线的边线点进行线性回归以得到车位边线。
根据本公开的至少一个实施方式的车位检测处理方法,基于所述车位边线和所述车位角点之间的位置关系获取漏检角点,包括:
S221、对于所述特征信息中的所有车位角点位置的车位角点,获取每三个车位角点组成的第一直线;
S222、计算各个车位边线的两个边线顶点的每个边线顶点至所述第一直线的距离;
S223、如果车位边线的某个边线顶点至所述第一直线的距离小于或等于第一阈值距离,则执行步骤S224,否则执行步骤S225;
S224、将至所述第一直线的距离小于或等于第一阈值距离的边线顶点作为漏检角点,并加入至车位角点中;
S225、计算车位边线的每个边线顶点与每个车位角点的距离,如果该距离小于或等于第二阈值距离,则执行步骤S226,否则,舍弃该车位边线;
S226、计算车位边线的两个边线顶点和车位角点所组成的直线与参考方向的夹角,并使用该夹角更新车位边线相对于车位角点的角度。
根据本公开的至少一个实施方式的车位检测处理方法,基于更新后的车位角点位置以及车位角点方向对车位边线点进行第一次筛选,去除第一异常类型边线点,包括:
以车位角点位置为中心,以车位角点方向所在直线为基线,分别向基线两侧旋转预设角度,获取两条实线,将位于两条实线外侧的边线点作为第一异常类型边线点去除。
根据本公开的至少一个实施方式的车位检测处理方法,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,包括:
基于去除了第一异常类型边线点之后的车位边线点的位置分散程度对车位边线点进行第二次筛选,以去除第二异常类型边线点。
根据本公开的至少一个实施方式的车位检测处理方法,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,包括:
分别计算以每个车位边线点为中心,具有预设半径的圆形区域中所包含的车位边线点的数量,如果该数量超过阈值数量,则将所述圆形区域置为模糊区域,将所述模糊区域中的边线点作为第二异常类型边线点并去除。
根据本公开的至少一个实施方式的车位检测处理方法,基于所述车位角点配对信息获取车位的车位入口线的两个顶点位置以获取车位入口线的方向,包括:
S401、计算车位的每个已配对角点与每个未配对角点之间的距离;
S402、如果某个已配对角点与某个未配对角点之间的距离小于第三阈值距离,则判断该已配对角点与该未配对角点相互匹配,如果某组已配对角点的两个角点都有与之匹配的未配对角点,则执行步骤S403;以及,
S403、使用所述与之匹配的未配对角点的位置代替已配对角点的位置作为车位入口线的两个顶点。
根据本公开的至少一个实施方式的车位检测处理方法,基于车位入口线的方向以及车位边线的方向获取车位的车位类型,包括:
计算车位的两条车位边线中每条车位边线与车位入口线的夹角,基于所述夹角获取所述车位的车位类型。
根据本公开的至少一个实施方式的车位检测处理方法,其特征在于,基于车位入口线的方向以及车位边线的方向获取车位的车位类型,包括:
基于作为车位入口线的两个顶点的两个车位角点之间的距离获取车位的车位类型。
根据本公开的另一个方面,提供一种车位检测处理装置,包括:
特征信息提取模块,所述特征信息提取模块基于车位图像获取至少一个车位的特征信息,所述特征信息至少包括车位角点位置、车位角点配对信息、车位角点方向、车位边线点位置;
角点补充模块,所述角点补充模块基于所述车位边线点位置获取车位边线,以及基于所述车位边线和所述车位角点之间的位置关系获取漏检角点,以更新所述特征信息;
筛选矫正模块,所述筛选矫正模块基于更新后的车位角点位置以及车位角点方向对车位边线点进行第一次筛选,去除第一异常类型边线点,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,基于去除了第一异常类型边线点以及第二异常类型边线点的每条车位边线的方向对车位角点方向进行矫正,以更新所述特征信息;以及,
判断模块,所述判断模块基于所述车位角点配对信息获取车位的车位入口线的两个顶点位置以获取车位入口线的方向,基于车位入口线的方向以及车位边线的方向获取车位的车位类型,以更新所述特征信息。
根据本公开的又一个方面,提供一种车位检测处理装置,包括:
图像采集处理装置,所述图像采集处理装置至少用于采集车位图像;
特征信息提取模块,所述特征信息提取模块基于车位图像获取至少一个车位的特征信息,所述特征信息至少包括车位角点位置、车位角点配对信息、车位角点方向、车位边线点位置;
角点补充模块,所述角点补充模块基于所述车位边线点位置获取车位边线,以及基于所述车位边线和所述车位角点之间的位置关系获取漏检角点,以更新所述特征信息;
筛选矫正模块,所述筛选矫正模块基于更新后的车位角点位置以及车位角点方向对车位边线点进行第一次筛选,去除第一异常类型边线点,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,基于去除了第一异常类型边线点以及第二异常类型边线点的每条车位边线的方向对车位角点方向进行矫正,以更新所述特征信息;以及,
判断模块,所述判断模块基于所述车位角点配对信息获取车位的车位入口线的两个顶点位置以获取车位入口线的方向,基于车位入口线的方向以及车位边线的方向获取车位的车位类型,以更新所述特征信息。
根据本公开的至少一个实施方式的车位检测处理装置,还包括输出模块,所述输出模块输出车位的更新之后的特征信息或者输出更新之后的特征信息的一部分。
根据本公开的又一个方面,提供一种电子设备,包括:
存储器,所述存储器存储执行指令;以及处理器,所述处理器执行所述存储器存储的执行指令,使得所述处理器执行上述任一项所述的方法。
根据本公开的再一个方面,提供一种可读存储介质,所述可读存储介质中存储有执行指令,所述执行指令被处理器执行时用于实现上述任一项所述的方法。
附图说明
附图示出了本公开的示例性实施方式,并与其说明一起用于解释本公开的原理,其中包括了这些附图以提供对本公开的进一步理解,并且附图包括在本说明书中并构成本说明书的一部分。
图1是本公开的一个实施方式的车位检测处理方法的流程示意图。
图2是本公开的一个实施方式的深度神经网络的训练方法的流程示意图。
图3为一个车位示意图。
图4为本公开的一个实施方式的车位角点信息编码的示意图。
图5是本公开的一个实施方式的车位边线信息编码示意图。
图6是本公开的一个实施方式的车位边线点位置编码计算示意图。
图7是本公开的一个实施方式的车位边线点可视化示意图。
图8是本公开的一个实施方式的经过聚类和线性回归处理之后的示意图。
图9是本公开的一个实施方式的漏检角点示意图。
图10为本公开的一个实施方式的矫正前的车位角点示意图。
图11为本公开的一个实施方式的矫正后的车位角点示意图。
图12示出了本公开的一个实施方式的利用角点位置和角点方向对车位边线点进行第一次筛选的示意图。
图13示出了本公开的一个实施方式的利用车位边线点的相对位置对边线点进行第二次筛选的示意图。
图14为本公开的一个实施方式的车位检测处理结果示意图。
图15为本公开的一个实施方式的采用处理***的硬件实现方式的车位检测处理装置的示意图。
图16为本公开的又一个实施方式的采用处理***的硬件实现方式的车位检测处理装置的示意图。
具体实施方式
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施方式仅用于解释相关内容,而非对本公开的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本公开相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开的技术方案。
除非另有说明,否则示出的示例性实施方式/实施例将被理解为提供可以在实践中实施本公开的技术构思的一些方式的各种细节的示例性特征。因此,除非另有说明,否则在不脱离本公开的技术构思的情况下,各种实施方式/实施例的特征可以另外地组合、分离、互换和/或重新布置。
在附图中使用交叉影线和/或阴影通常用于使相邻部件之间的边界变得清晰。如此,除非说明,否则交叉影线或阴影的存在与否均不传达或表示对部件的具体材料、材料性质、尺寸、比例、示出的部件之间的共性和/或部件的任何其它特性、属性、性质等的任何偏好或者要求。此外,在附图中,为了清楚和/或描述性的目的,可以夸大部件的尺寸和相对尺寸。当可以不同地实施示例性实施例时,可以以不同于所描述的顺序来执行具体的工艺顺序。例如,可以基本同时执行或者以与所描述的顺序相反的顺序执行两个连续描述的工艺。此外,同样的附图标记表示同样的部件。
当一个部件被称作“在”另一部件“上”或“之上”、“连接到”或“结合到”另一部件时,该部件可以直接在所述另一部件上、直接连接到或直接结合到所述另一部件,或者可以存在中间部件。然而,当部件被称作“直接在”另一部件“上“、“直接连接到”或“直接结合到”另一部件时,不存在中间部件。为此,术语“连接”可以指物理连接、电气连接等,并且具有或不具有中间部件。
本文使用的术语是为了描述具体实施例的目的,而不意图是限制性的。如这里所使用的,除非上下文另外清楚地指出,否则单数形式“一个(种、者)”和“所述(该)”也意图包括复数形式。此外,当在本说明书中使用术语“包含”和/或“包括”以及它们的变型时,说明存在所陈述的特征、整体、步骤、操作、部件、组件和/或它们的组,但不排除存在或附加一个或更多个其它特征、整体、步骤、操作、部件、组件和/或它们的组。还要注意的是,如这里使用的,术语“基本上”、“大约”和其它类似的术语被用作近似术语而不用作程度术语,如此,它们被用来解释本领域普通技术人员将认识到的测量值、计算值和/或提供的值的固有偏差。
图1是本公开的一个实施方式的车位检测处理方法的流程示意图。
参考图1,车位检测处理方法S1000,包括:
S100、基于车位图像获取至少一个车位的特征信息,特征信息至少包括车位角点位置、车位角点配对信息、车位角点方向、车位边线点位置;
S200、基于车位边线点位置获取车位边线,以及基于车位边线和车位角点之间的位置关系获取漏检角点,以更新特征信息;
S300、基于更新后的车位角点位置以及车位角点方向对车位边线点进行第一次筛选,去除第一异常类型边线点,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,基于去除了第一异常类型边线点以及第二异常类型边线点的每条车位边线的方向对车位角点方向进行矫正,以更新特征信息;以及,
S400、基于车位角点配对信息获取车位的车位入口线的两个顶点位置以获取车位入口线的方向,基于车位入口线的方向以及车位边线的方向获取车位的车位类型,以更新特征信息。
优选地,特征信息包括车位角点位置、车位角点配对信息、车位角点方向、车位边线点位置及车位占用状态。
通过步骤S100,提取了车位的车位图像的特征信息。
本公开中,车位的车位图像可以是顶视图。顶视图可以是拼接处理后的顶视图。
通过步骤S200,获取了漏检角点。通过步骤S300,基于筛选后的车位边线点对车位角点方向进行了矫正。
其中,车位角点方向为车位图像中车位边线与参考方向(例如水平方向即车位图像中的水平方向)的夹角。
其中,车位边线的方向可以通过车位边线与车位图像中的水平方向的夹角来表征,也可以使用车位边线与车位入口线的夹角来表征,优选地,使用与车位图像的水平方向的夹角来表征,结果更准确。
对于上述实施方式的车位检测处理方法S1000,特征信息还包括车位占用状态。
车位占用状态包括占用和未占用。
对于上述各个实施方式的车位检测处理方法S1000,优选地,S100、基于车位图像获取至少一个车位的特征信息,包括:
使用深度神经网络对车位的车位图像进行特征信息的提取,以获取车位的特征信息。
对于上述各个实施方式的车位检测处理方法S1000,优选地,深度神经网络为经过训练的深度神经网络。
快速高效的从顶视图中提取出车位不同的特征是车位检测的基础。现有技术中的提取车位特征的方法,一部分是基于传统图像处理操作,利用图像二值化、霍夫变换等获取车位的边缘信息或者图像中的直线特征,此种方法准确性差,且不能适应场景的快速变换;另一种方法是基于深度学习的特征提取,此类方法先通过神经网络检测出车位的部分特征,然后将对应的区域裁剪出来,然后再将裁剪出的区域放入另一个神经网络中得到分类和回归结果,此类方法将特征提取的步骤分成了两步,操作步骤明显冗余,且容易导致误差变大。
图2是本公开的一个实施方式的深度神经网络的训练方法S2000的流程示意图。根据本公开的优选实施方式,上文描述的深度神经网络为经过以下步骤训练的深度神经网络:
S2002、对训练数据中各个车位图像进行预处理(网格化处理),以获取各个车位图像的车位标签,车位标签包括车位角点位置、车位角点配对信息、车位角点方向、车位边线点位置、车位占用状态以及车位类型(例如6个);
S2004、对各个车位图像的车位标签进行编码处理;以及,
S2006、至少基于编码处理后的各个车位图像的车位标签对深度神经网络进行训练,以获得经过训练的深度神经网络。
其中,车位图像的数量为多个。
其中,车位类型可以是斜车位、垂直车位、平行车位。
本实施方式为深度神经网络的优选实施方式的训练方法。
根据本公开的优选实施方式,将编码处理后的各个车位图像输入到深度神经网络中获取输出(预测值),并计算真实值与预测值之间的损失,当损失值小于阈值(即损失值的阈值),结束训练。
图3为一个车位示意图,其对应的车位标签中记录了车位的具***置、车位方向、车位是否占用等特征信息。
上述的模型训练方法中,优选地,将统一放缩到预设大小(例如512*512大小)的图片(多张)输入到深度神经网络中,进行特征提取,获得深度神经网络预测的特征图,这些预测特征图的大小与上述编码处理得到的特征图大小相等,然后将预测得到的特征图与编码处理得到的特征图做差值计算损失值,根据损失值对深度神经网络模型的参数进行优化(可以选用合适的优化器进行优化),当损失值降到合理的阈值或进入合理的阈值范围获得训练好的特征提取网络模型。
对于上述实施方式的训练方法,对各个车位图像的车位标签进行编码处理,优选地,包括:
基于各个车位图像的中心点的热力图对车位角点配对信息进行编码处理,基于各个车位图像的车位角点的热力图对车位角点位置以及车位角点方向进行编码处理。
图4为本公开的一个实施方式的车位角点信息编码的示意图,优选地,将整个图片划分成16*16的网格(也可以是其他数量的网格),其中车位中心点所在的网格为中心网格,以该中心网格为中心扩展一个预设宽度(例如3*3)的热力图区域,角点热力图做同样处理,以角点所在网格为中心进行扩展。
根据本公开的优选实施方式,本公开将角点配对信息编码分为五层特征图,记录组成车位的两个角点相对于中心点的位置关系;在第一层特征图中,车位中心点所在的热力图区域中心值为1,热力图中紧邻的位置按二维高斯分布填入相应的数字,特征图中其余值为0;第二层和第三层记录位于车位中心点所在的方格其中心距离车位角点1(如图4所示)的横坐标x和纵坐标y的差值(即第二层和第三层分别记录车位中心点的横坐标与角点1的横坐标的差值,以及车位中心点的纵坐标与角点1的纵坐标的差值),特征图中其余值为0;第四层和第五层记录的是位于车位中心点所在的方格其中心距离车位角点2(如图4所示)的横坐标x和纵坐标y的差值(即第四层和第五层分别记录车位中心点的横坐标与角点2的横坐标的差值,以及车位中心点的纵坐标与角点2的纵坐标的差值),特征图中其余值为0。
根据本公开的优选实施方式,将角点位置信息编码分为三层特征图,记录车位角点的具***置信息;第一层特征图记录该角点是否位于某个网格内,如果是,则以该网格为中心,扩展一个热力图区域,中心区域值为1,热力图其余区域按二维高斯分布填入相应的数字,特征图中其余值为0;第二层和第三层记录角点所在网格中心点和角点实际位置的横坐标x和纵坐标y的差值(即第二层和第三层分别记录角点所在网格中心点的横坐标与角点实际位置的横坐标的差值,以及角点所在网格中心点的纵坐标与角点实际位置的纵坐标的差值),特征图中其余值为0。
根据本公开的优选实施方式,将角点方向编码为两层特征图,记录角点方向,即车位边线和参考方向(优选为车位图像中的水平方向)所构成的夹角,优选地,第一层编码数据记录该夹角的正弦值,第二层记录该角度的余弦值,特征图中其余值为0。
对于上述各个实施方式,优选地,对各个车位图像的车位标签进行编码处理,包括:
基于各个车位图像的被车位边线经过的网格的中心点相对于车位边线的垂足对车位边线点位置进行编码处理。
优选地,将车位图像划分成16*16的网格,其中图5中的a示意图表示车位边线是否经过该方格,如果车位边线经过该方格则将其置为1否则置为0;图5中的b示意图记录了车位边线点的具***置,图6为车位边线点位置编码计算示意图,如果车位边线经过某方格,则以该方格中心点为起点,车位边线为终点画垂线,得到其垂足,该方格两个数据记录的是该方格中心点到垂足的横坐标x和纵坐标y的差值(即方格中心点的横坐标与垂足的横坐标的差值,以及方格中心点的纵坐标与垂足的纵坐标的差值)。
对于上述各个实施方式的车位检测处理方法,优选地,对各个车位图像的车位标签进行编码处理,包括:
使用独热编码(One-Hot Encoding)对各个车位图像的车位占用状态进行编码处理。
例如,车位占用状态的编码结果为一层特征图,该特征图记录的是车位是否被占用,如果该车位被占用则将特征图的位于车位内部的方格置为1,特征图的其余方格置为0。
对于上述各个实施方式的车位检测处理方法S1000,优选地,S200中,基于车位边线点位置获取车位边线,包括:
对车位边线点位置的边线点进行聚类处理,获得属于同一条车位边线的边线点;以及,对属于同一条边线的边线点进行线性回归以得到车位边线。
其中,每条车位边线可以两个顶点p1、p2表示,并记录在对应的车位边线信息中,将两个顶点相连即得到该车位边线,如图7所示。图8为经过聚类和线性回归处理之后的示意图。
对于上述各个实施方式的车位检测处理方法,优选地,S200中,基于车位边线和车位角点之间的位置关系获取漏检角点,包括:
S221、对于特征信息中的所有车位角点位置的车位角点,获取每三个车位角点组成的第一直线;
S222、计算各个车位边线的两个边线顶点的每个边线顶点至第一直线的距离(L1);
S223、如果车位边线的某个边线顶点至第一直线的距离小于或等于第一阈值距离(例如小于或等于16像素),则执行步骤S224,否则执行步骤S225;
S224、将至第一直线的距离小于或等于第一阈值距离的边线顶点作为漏检角点,并加入至车位角点中;
S225、计算车位边线的每个边线顶点与每个车位角点的距离(L2),如果该距离(L2)小于或等于第二阈值距离(例如小于或等于16像素),则执行步骤S226,否则,舍弃该车位边线;
S226、计算车位边线的两个边线顶点和车位角点所组成的直线与参考方向(优选为图像中的水平方向)的夹角(例如通过最小二乘进行计算),并使用该夹角更新车位边线相对于车位角点的角度;
基于上述步骤S221至S226,对漏检角点进行了补充,且获得了矫正后的车位角点信息。
其中,图9为本公开的一个实施方式的漏检角点示意图(方框中的角点)。
图10为矫正前的车位角点示意图,图11为矫正后的车位角点示意图。
对于上述各个实施方式的车位检测处理方法S1000,优选地,S300中,基于更新后的车位角点位置以及车位角点方向对车位边线点进行第一次筛选,去除第一异常类型边线点,包括:
以车位角点位置为中心,以车位角点方向所在直线为基线,分别向基线两侧旋转预设角度(例如5度),获取两条实线,将位于两条实线外侧的边线点作为第一异常类型边线点去除。
图12示出了本公开的一个实施方式的利用角点位置和角点方向对车位边线点进行第一次筛选的示意图。
对于上述各个实施方式的车位检测处理方法S1000,优选地,S300中,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,包括:
基于去除了第一异常类型边线点之后的车位边线点的位置分散程度对车位边线点进行第二次筛选,以去除第二异常类型边线点。
由于车位场景复杂多变,车位边线模糊,车位边线部分遮挡等经常导致车位边线点回归出现误差,将该部分车位边线点用于车位识别会导致结果出现误差。在实际统计中清晰区域的车位边线点分布呈线性分布,而模糊和遮挡区域的车位边线点比较集中,参考图13。
图13示出了本公开的一个实施方式的利用车位边线点的相对位置对边线点进行第二次筛选的示意图。
对于上述各个实施方式的车位检测处理方法S1000,优选地,S300中,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,包括:
分别计算以每个车位边线点为中心,具有预设半径(例如10像素)的圆形区域中所包含的车位边线点的数量,如果该数量超过阈值数量(例如3个),则将圆形区域置为模糊区域,将模糊区域中的边线点作为第二异常类型边线点并去除。
对于上述各个实施方式的车位检测处理方法S1000,优选地,S400中,基于车位角点配对信息获取车位的车位入口线的两个顶点位置以获取车位入口线的方向,包括:
S401、计算车位的每个已配对角点与每个未配对角点(即局部角点)之间的距离(L3);
S402、如果某个已配对角点与某个未配对角点之间的距离小于第三阈值距离(例如32像素),则判断该已配对角点与该未配对角点相互匹配,如果某组已配对角点的两个角点都有与之匹配的未配对角点(局部角点),则执行步骤S403;否则,舍弃没有与之匹配的未配对角点的已配对角点,即如果某个已配对角点不存在与之相互匹配的未配对角点,则不将该已配对角点作为车位入口线的顶点;以及,
S403、使用与之匹配的未配对角点的位置代替已配对角点的位置作为车位入口线的两个顶点。
其中,已配对角点是带有匹配信息的车位角点,是神经网络输出的;未配对角点是经过补充漏检的局部角点,不具有匹配信息,其位置信息准确,本实施方式利用已配对角点的配对信息,将局部角点两两组成一个车位。
根据本公开的优选实施方式,S400中,基于车位入口线的方向以及车位边线的方向获取车位的车位类型,包括:
计算车位的两条车位边线中每条车位边线与车位入口线的夹角,基于夹角获取车位的车位类型。
优选地,如果夹角的度数在预设角度范围(例如80至100度)之内,则将车位判定为垂直车位或者平行车位,即多个车位垂直排列或者平行排列,如果夹角的度数未处于预设角度范围,则将车位判定为斜车位。
优选地,S400中,基于车位入口线的方向以及车位边线的方向获取车位的车位类型,包括:
基于作为车位入口线的两个顶点的两个车位角点之间的距离获取车位的车位类型。
优选地,计算作为车位入口线的两个顶点的两个车位角点之间的距离,如果该距离在预设距离范围之内(例如在105至196像素之间),则该车位为垂直车位(车位入口线较长),否则为平行车位(车位入口线较短)。
本公开还提供了车位检测处理装置。
根据本公开的一个实施方式,车位检测处理装置1000包括:
特征信息提取模块1002(即特征提取网络模型),特征信息提取模块1002基于车位图像获取至少一个车位的特征信息,特征信息至少包括车位角点位置、车位角点配对信息、车位角点方向、车位边线点位置;
角点补充模块1004,角点补充模块1004基于车位边线点位置获取车位边线,以及基于车位边线和车位角点之间的位置关系获取漏检角点,以更新特征信息;
筛选矫正模块1006,筛选矫正模块1006基于更新后的车位角点位置以及车位角点方向对车位边线点进行第一次筛选,去除第一异常类型边线点,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,基于去除了第一异常类型边线点以及第二异常类型边线点的每条车位边线的方向对车位角点方向进行矫正,以更新特征信息;以及,
判断模块1008,判断模块1008基于车位角点配对信息获取车位的车位入口线的两个顶点位置以获取车位入口线的方向,基于车位入口线的方向以及车位边线的方向获取车位的车位类型,以更新特征信息。
其中,上述的车位检测处理装置1000可以通过软件架构的方式实现。
图15示出了采用处理***的硬件实现方式的车位检测处理装置1000的示意图。
该装置可以包括执行上述流程图中各个或几个步骤的相应模块。因此,可以由相应模块执行上述流程图中的每个步骤或几个步骤,并且该装置可以包括这些模块中的一个或多个模块。模块可以是专门被配置为执行相应步骤的一个或多个硬件模块、或者由被配置为执行相应步骤的处理器来实现、或者存储在计算机可读介质内用于由处理器来实现、或者通过某种组合来实现。
参考图15,该硬件结构可以利用总线架构来实现。总线架构可以包括任何数量的互连总线和桥接器,这取决于硬件的特定应用和总体设计约束。总线1100将包括一个或多个处理器1200、存储器1300和/或硬件模块的各种电路连接到一起。总线1100还可以将诸如***设备、电压调节器、功率管理电路、外部天线等的各种其它电路1400连接。
总线1100可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,Peripheral Component)总线或扩展工业标准体系结构(EISA,Extended Industry Standard Component)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,该图中仅用一条连接线表示,但并不表示仅有一根总线或一种类型的总线。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施方式所属技术领域的技术人员所理解。处理器执行上文所描述的各个方法和处理。例如,本公开中的方法实施方式可以被实现为软件程序,其被有形地包含于机器可读介质,例如存储器。在一些实施方式中,软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当软件程序加载到存储器并由处理器执行时,可以执行上文描述的方法中的一个或多个步骤。备选地,在其他实施方式中,处理器可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述方法之一。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,可以具体实现在任何可读存储介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。
就本说明书而言,“可读存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。可读存储介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在存储器中。
应当理解,本公开的各部分可以用硬件、软件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施方式方法的全部或部分步骤是可以通过程序来指令相关的硬件完成,程序可以存储于一种可读存储介质中,该程序在执行时,包括方法实施方式的步骤之一或其组合。
此外,在本公开各个实施方式中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个可读存储介质中。存储介质可以是只读存储器,磁盘或光盘等。
根据本公开的又一个实施方式的车位检测处理装置1000,包括:
图像采集处理装置,图像采集处理装置至少用于采集车位图像;
特征信息提取模块1002,特征信息提取模块1002基于车位图像获取至少一个车位的特征信息,特征信息至少包括车位角点位置、车位角点配对信息、车位角点方向、车位边线点位置;
角点补充模块1004,角点补充模块1004基于车位边线点位置获取车位边线,以及基于车位边线和车位角点之间的位置关系获取漏检角点,以更新特征信息;
筛选矫正模块1006,筛选矫正模块1006基于更新后的车位角点位置以及车位角点方向对车位边线点进行第一次筛选,去除第一异常类型边线点,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,基于去除了第一异常类型边线点以及第二异常类型边线点的每条车位边线的方向对车位角点方向进行矫正,以更新特征信息;以及,
判断模块1008,判断模块1008基于车位角点配对信息获取车位的车位入口线的两个顶点位置以获取车位入口线的方向,基于车位入口线的方向以及车位边线的方向获取车位的车位类型,以更新特征信息。
本实施方式的车位检测处理装置1000,可以在上述各个实施方式的车位检测处理装置的基础上,进一步地包括图像采集处理装置(例如鱼眼相机)。
对于上述各个实施方式的车位检测处理装置1000,优选地,参考图16,还包括输出模块1010,输出模块1010输出车位的更新之后的特征信息或者输出更新之后的特征信息的一部分。
根据本公开的优选实施方式,输出模块1010以图像的方式输出车位的更新之后的特征信息或者输出更新之后的特征信息的一部分。
例如,输出模块1010输出特征信息中的车位角点位置、车位边线位置、车位占用状态及车位类型。
图14为本公开的一个实施方式的车位检测处理结果示意图,该示意图可通过输出模块1010输出。
本公开的车位检测处理方法/装置,尤其适用于基于鱼眼相机拼接得到的顶视图的车位检测,通过本公开的编码方式训练神经网络,使得训练后的神经网络可以直接输出车位特征信息(车位是否占用、车位角点信息、车位边线信息等),通过车位角点和边线点的相互补充和校正,减少遮挡角点的漏检率和车位边线点的误检率,通过车位边线清晰区域的判断和加权拟合方法提高车位方向的准确率,通过车位入口线长度和车位边线和入口线之间的角度对车位类型进行判断,提高了车位类型的判断的准确率,实现了对不同场景、不同类型车位的精确检测,形成一套准确性高、鲁棒性强,能够实时检测的车位检测处理方法。
尤其是,针对现有技术车位信息提取过程冗余,分步提取信息导致车位信息误差大的问题,基于本公开的车位检测处理方法/装置中的车位信息编码方法训练深度神经网络,使得该网络直接输出车位是否占用、车位角点信息(角点配对信息、角点位置、角点方向)、车位边线信息(边线点位置),并通过后续处理步骤直接给出车位的位置、方向、类型以及是否占用的具体信息,减少了信息提取的步骤,提升了车位检测的效率。
进一步地,针对车位角点被遮挡导致车位模糊、角点和车位漏检的问题,通过本公开的车位检测处理方法/装置中的漏检车位角点补充方法,利用车位边线和车位角点的相对位置关系对漏检和遮挡角点进行补充,从而提高车位检测的准确率和召回率。
进一步地,针对图片车位边线模糊、残缺、畸变等导致车位边线方向回归不准确的问题,通过本公开的车位检测处理方法/装置中的车位边线方向矫正方法,通过两次筛选去除车位边线点中的异常点,再利用筛选后置信度比较高的车位边线点对车位角点角度进行矫正,提高了车位检测角度回归的准确性。
进一步地,针对车位类型误判的问题,通过本公开的车位检测处理方法/装置中的车位类型判断方法,根据车位入口线和车位边线之间的角度,以及车位边线的长度对车位类型进行判断,能够仅通过角点位置和方向判断车位类型,减少了车位信息的提取步骤,提升了算法的效率和输出车位类型的准确率。
本公开的车位检测处理方法/装置,能够适应绝大多数驾驶场景,应用于自动驾驶***,能够为自动驾驶***提供准确的车位信息。
本公开还提供了一种电子设备,包括:存储器,存储器存储执行指令;以及处理器或其他硬件模块,处理器或其他硬件模块执行存储器存储的执行指令,使得处理器或其他硬件模块执行上述的车位检测处理方法。
本公开还提供了一种可读存储介质,可读存储介质中存储有执行指令,所述执行指令被处理器执行时用于实现上述的车位检测处理方法。
在本说明书的描述中,参考术语“一个实施方式/方式”、“一些实施方式/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式/方式或示例中。在本说明书中,对上述术语的示意性表述不必须的是相同的实施方式/方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施方式/方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施方式/方式或示例以及不同实施方式/方式或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本领域的技术人员应当理解,上述实施方式仅仅是为了清楚地说明本公开,而并非是对本公开的范围进行限定。对于所属领域的技术人员而言,在上述公开的基础上还可以做出其它变化或变型,并且这些变化或变型仍处于本公开的范围内。
Claims (10)
1.一种车位检测处理方法,其特征在于,包括:
S100、基于车位图像获取至少一个车位的特征信息,所述特征信息至少包括车位角点位置、车位角点配对信息、车位角点方向、车位边线点位置;
S200、基于所述车位边线点位置获取车位边线,以及基于所述车位边线和所述车位角点之间的位置关系获取漏检角点,以更新所述特征信息;
S300、基于更新后的车位角点位置以及车位角点方向对车位边线点进行第一次筛选,去除第一异常类型边线点,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,基于去除了第一异常类型边线点以及第二异常类型边线点的每条车位边线的方向对车位角点方向进行矫正,以更新所述特征信息;以及
S400、基于所述车位角点配对信息获取车位的车位入口线的两个顶点位置以获取车位入口线的方向,基于车位入口线的方向以及车位边线的方向获取车位的车位类型,以更新所述特征信息;
其中,基于更新后的车位角点位置以及车位角点方向对车位边线点进行第一次筛选,去除第一异常类型边线点,包括:以车位角点位置为中心,以车位角点方向所在直线为基线,分别向基线两侧旋转预设角度,获取两条实线,将位于两条实线外侧的边线点作为第一异常类型边线点去除;
其中,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,包括:基于去除了第一异常类型边线点之后的车位边线点的位置分散程度对车位边线点进行第二次筛选,以去除第二异常类型边线点。
2.根据权利要求1所述的车位检测处理方法,其特征在于,所述特征信息还包括车位占用状态。
3.根据权利要求1或2所述的车位检测处理方法,其特征在于,基于车位图像获取至少一个车位的特征信息,包括:
使用深度神经网络对所述车位的车位图像进行特征信息的提取,以获取所述车位的特征信息。
4.根据权利要求3所述的车位检测处理方法,其特征在于,所述深度神经网络为经过训练的深度神经网络。
5.根据权利要求4所述的车位检测处理方法,其特征在于,所述深度神经网络为经过以下步骤训练的深度神经网络:
对训练数据中各个车位图像进行预处理,以获取各个车位图像的车位标签,所述车位标签包括车位角点位置、车位角点配对信息、车位角点方向、车位边线点位置、车位占用状态以及车位类型;
对各个车位图像的车位标签进行编码处理;以及
至少基于编码处理后的各个车位图像的车位标签对深度神经网络进行训练,以获得经过训练的深度神经网络。
6.根据权利要求5所述的车位检测处理方法,其特征在于,对各个车位图像的车位标签进行编码处理,包括:
基于各个车位图像的中心点的热力图对车位角点配对信息进行编码处理,基于各个车位图像的车位角点的热力图对车位角点位置以及车位角点方向进行编码处理。
7.一种车位检测处理装置,其特征在于,包括:
特征信息提取模块,所述特征信息提取模块基于车位图像获取至少一个车位的特征信息,所述特征信息至少包括车位角点位置、车位角点配对信息、车位角点方向、车位边线点位置;
角点补充模块,所述角点补充模块基于所述车位边线点位置获取车位边线,以及基于所述车位边线和所述车位角点之间的位置关系获取漏检角点,以更新所述特征信息;
筛选矫正模块,所述筛选矫正模块基于更新后的车位角点位置以及车位角点方向对车位边线点进行第一次筛选,去除第一异常类型边线点,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,基于去除了第一异常类型边线点以及第二异常类型边线点的每条车位边线的方向对车位角点方向进行矫正,以更新所述特征信息;以及
判断模块,所述判断模块基于所述车位角点配对信息获取车位的车位入口线的两个顶点位置以获取车位入口线的方向,基于车位入口线的方向以及车位边线的方向获取车位的车位类型,以更新所述特征信息;
其中,基于更新后的车位角点位置以及车位角点方向对车位边线点进行第一次筛选,去除第一异常类型边线点,包括:以车位角点位置为中心,以车位角点方向所在直线为基线,分别向基线两侧旋转预设角度,获取两条实线,将位于两条实线外侧的边线点作为第一异常类型边线点去除;
其中,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,包括:基于去除了第一异常类型边线点之后的车位边线点的位置分散程度对车位边线点进行第二次筛选,以去除第二异常类型边线点。
8.一种车位检测处理装置,其特征在于,包括:
图像采集处理装置,所述图像采集处理装置至少用于采集车位图像;
特征信息提取模块,所述特征信息提取模块基于车位图像获取至少一个车位的特征信息,所述特征信息至少包括车位角点位置、车位角点配对信息、车位角点方向、车位边线点位置;
角点补充模块,所述角点补充模块基于所述车位边线点位置获取车位边线,以及基于所述车位边线和所述车位角点之间的位置关系获取漏检角点,以更新所述特征信息;
筛选矫正模块,所述筛选矫正模块基于更新后的车位角点位置以及车位角点方向对车位边线点进行第一次筛选,去除第一异常类型边线点,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,基于去除了第一异常类型边线点以及第二异常类型边线点的每条车位边线的方向对车位角点方向进行矫正,以更新所述特征信息;以及
判断模块,所述判断模块基于所述车位角点配对信息获取车位的车位入口线的两个顶点位置以获取车位入口线的方向,基于车位入口线的方向以及车位边线的方向获取车位的车位类型,以更新所述特征信息;其中,基于更新后的车位角点位置以及车位角点方向对车位边线点进行第一次筛选,去除第一异常类型边线点,包括:以车位角点位置为中心,以车位角点方向所在直线为基线,分别向基线两侧旋转预设角度,获取两条实线,将位于两条实线外侧的边线点作为第一异常类型边线点去除;
其中,基于去除了第一异常类型边线点之后的车位边线点的位置对车位边线点进行第二次筛选,以去除第二异常类型边线点,包括:基于去除了第一异常类型边线点之后的车位边线点的位置分散程度对车位边线点进行第二次筛选,以去除第二异常类型边线点。
9.一种电子设备,其特征在于,包括:
存储器,所述存储器存储执行指令;以及
处理器,所述处理器执行所述存储器存储的执行指令,使得所述处理器执行权利要求1至6中任一项所述的方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有执行指令,所述执行指令被处理器执行时用于实现权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110929421.2A CN113822156B (zh) | 2021-08-13 | 2021-08-13 | 车位检测处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110929421.2A CN113822156B (zh) | 2021-08-13 | 2021-08-13 | 车位检测处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822156A CN113822156A (zh) | 2021-12-21 |
CN113822156B true CN113822156B (zh) | 2022-05-24 |
Family
ID=78922750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110929421.2A Active CN113822156B (zh) | 2021-08-13 | 2021-08-13 | 车位检测处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822156B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114220188B (zh) * | 2021-12-27 | 2024-07-23 | 上海高德威智能交通***有限公司 | 一种车位巡检方法、装置及设备 |
CN114419924B (zh) * | 2022-03-28 | 2022-06-14 | 穗企通科技(广州)有限责任公司 | 一种基于智慧城市的ai应用控制管理*** |
CN114954479A (zh) * | 2022-06-01 | 2022-08-30 | 安徽蔚来智驾科技有限公司 | 车位入口线的确定方法、计算机设备、存储介质及车辆 |
CN115206130B (zh) * | 2022-07-12 | 2023-07-18 | 合众新能源汽车股份有限公司 | 一种车位检测方法、***、终端及存储介质 |
DE102022208405A1 (de) * | 2022-08-12 | 2024-02-15 | Continental Autonomous Mobility Germany GmbH | Verfahren zur Bestimmung einer Parklücke und einer Zielposition eines Fahrzeugs in der Parklücke |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063632A (zh) * | 2018-07-27 | 2018-12-21 | 重庆大学 | 一种基于双目视觉的泊车位特征筛选方法 |
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 |
CN109712427A (zh) * | 2019-01-03 | 2019-05-03 | 广州小鹏汽车科技有限公司 | 一种车位检测方法及装置 |
WO2020019930A1 (zh) * | 2018-07-25 | 2020-01-30 | 广州小鹏汽车科技有限公司 | 一种自动泊车方法及装置 |
CN112348817A (zh) * | 2021-01-08 | 2021-02-09 | 深圳佑驾创新科技有限公司 | 车位识别方法、装置、车载终端和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109435942B (zh) * | 2018-10-31 | 2024-04-09 | 合肥工业大学 | 一种基于信息融合的车位线车位识别方法及装置 |
CN112016349B (zh) * | 2019-05-29 | 2024-06-11 | 北京市商汤科技开发有限公司 | 停车位的检测方法、装置与电子设备 |
-
2021
- 2021-08-13 CN CN202110929421.2A patent/CN113822156B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020019930A1 (zh) * | 2018-07-25 | 2020-01-30 | 广州小鹏汽车科技有限公司 | 一种自动泊车方法及装置 |
CN109063632A (zh) * | 2018-07-27 | 2018-12-21 | 重庆大学 | 一种基于双目视觉的泊车位特征筛选方法 |
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 |
CN109712427A (zh) * | 2019-01-03 | 2019-05-03 | 广州小鹏汽车科技有限公司 | 一种车位检测方法及装置 |
CN112348817A (zh) * | 2021-01-08 | 2021-02-09 | 深圳佑驾创新科技有限公司 | 车位识别方法、装置、车载终端和存储介质 |
Non-Patent Citations (2)
Title |
---|
Car Detection Based Algorithm For Automatic Parking Space Detection;Raj Patel 等;《2020 19th IEEE International Conference on Machine Learning and Applications (ICMLA)》;20210223;第1418-1423页 * |
基于环视视觉的自动泊车***;吕雪杰;《中国优秀硕士学位论文全文数据库工程科技II辑》;20210315;第C035-173页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113822156A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822156B (zh) | 车位检测处理方法、装置、电子设备及存储介质 | |
CN111178236B (zh) | 一种基于深度学习的车位检测方法 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN113705474B (zh) | 车位检测方法和装置 | |
CN110088766B (zh) | 车道线识别方法、车道线识别装置以及非易失性存储介质 | |
CN107644538B (zh) | 交通信号灯的识别方法及装置 | |
CN112036385B (zh) | 库位修正方法、装置、电子设备及可读存储介质 | |
US20230394829A1 (en) | Methods, systems, and computer-readable storage mediums for detecting a state of a signal light | |
CN115272477A (zh) | 应用于全景影像拼接的棋盘格编码角点检测算法 | |
CN112597846A (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN110929661A (zh) | 一种基于卷积神经网络的可停靠车位检测方法及*** | |
CN116824347A (zh) | 一种基于深度学习的道路裂纹检测方法 | |
CN117456371B (zh) | 一种组串热斑检测方法、装置、设备及介质 | |
CN114820679A (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN114897683A (zh) | 车侧图像的获取方法及其装置、***和计算机设备 | |
CN107301388A (zh) | 一种车辆自动识别方法及装置 | |
CN112733855B (zh) | 表格结构化方法、表格恢复设备及具有存储功能的装置 | |
CN113902740A (zh) | 图像模糊程度评价模型的构建方法 | |
CN112053407B (zh) | 一种交通执法影像中基于ai技术的车道线自动检测方法 | |
CN110826364A (zh) | 一种库位识别方法及装置 | |
CN116091933A (zh) | 基于遥感技术的水域地形的地质分析方法及装置 | |
CN116228535A (zh) | 图像处理方法、装置、电子设备及车辆 | |
CN115775245A (zh) | 线圈绕线的检测方法及装置、电子设备和存储介质 | |
CN113468991B (zh) | 一种基于全景视频的停车位检测方法 |
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 |