CN114495056A - 停车场柱子检测方法、检测装置、车辆及存储介质 - Google Patents
停车场柱子检测方法、检测装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN114495056A CN114495056A CN202210042470.9A CN202210042470A CN114495056A CN 114495056 A CN114495056 A CN 114495056A CN 202210042470 A CN202210042470 A CN 202210042470A CN 114495056 A CN114495056 A CN 114495056A
- Authority
- CN
- China
- Prior art keywords
- parking lot
- grounding point
- pillar
- deep learning
- learning network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 238000013135 deep learning Methods 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000003032 molecular docking Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003137 locomotive effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种停车场柱子检测方法、检测装置、车辆及存储介质,停车场柱子检测方法包括获取多个待检测停车场图像;将多个待检测停车场图像输入至预设的深度学习网络,得到对应的特征集,特征集至少包括停车场柱子对应的接地点位置集;对接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子;根据每个数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置;输出停车场柱子的目标位置。本方法实现了通过深度学习网络自动检测待检测停车场图像中的停车场柱子,无需用户手动操作,提高了停车场柱子的检测效率和检测准确率。
Description
技术领域
本申请涉及无人驾驶技术领域,更具体地,涉及一种停车场柱子检测方法、检测装置、车辆及存储介质。
背景技术
停车场指的是供车辆临时或长期停放使用的场地,在现有的室内停车场中,均布设有停车场柱子。因此,车辆行驶在室内停车场时,需要对停车场柱子进行检测,以便控制车辆的行驶路径绕开停车场柱子,以免撞上停车场柱子导致车辆损坏。
现有技术通常先对采集的车位号图像进行手工特征提取,然后将提取的特征输入到分类器中进行字符识别得到车位号,然而,这种传统的图像处理方法存在检测速度慢和准确率低的技术问题。
发明内容
鉴于上述问题,本申请提出了一种停车场柱子检测方法、检测装置、车辆及存储介质,以克服或者至少部分地解决以上现有技术的问题。
第一方面,本申请实施例提供了一种停车场柱子检测方法,包括:获取多个待检测停车场图像;将多个待检测停车场图像输入至预设的深度学习网络,得到对应的特征集,特征集至少包括停车场柱子对应的接地点位置集;对接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子;根据每个数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置;输出停车场柱子的目标位置。
在一些实施方式中,特征集包括停车场柱子对应的接地点位置集,将多个待检测停车场图像输入至预设的深度学习网络,得到对应的特征集,包括:将多个待检测停车场图像输入至预设的深度学习网络,使得深度学习网络对停车场柱子的接地点位置进行检测,得到停车场柱子对应的接地点位置集;接收深度学习网络输出的接地点位置集。
在一些实施方式中,特征集还包括停车场柱子对应的接地点位置的嵌入特征集,将多个待检测停车场图像输入至预设的深度学习网络,使得深度学习网络对停车场柱子的接地点位置进行检测,得到停车场柱子对应的接地点位置集,包括:将多个待检测停车场图像输入至预设的深度学习网络,使得深度学习网络对停车场柱子的接地点位置进行检测,得到停车场柱子对应的接地点位置集,并根据接地点位置集确定嵌入特征集;接收深度学习网络输出的接地点位置集,包括:接收深度学习网络输出的接地点位置集以及嵌入特征集。
在一些实施方式中,对接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子,包括:根据预设规则以及嵌入特征集,对接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子,其中,预设规则用于表征不同停车场柱子上的任意两个接地点位置对应的嵌入特征差值大于第一阈值,同一停车场柱子上的任意两个接地点位置对应的嵌入特征差值小于第二阈值,第二阈值小于第一阈值。
在一些实施方式中,每个数据簇包括多个子数据簇,每个子数据簇对应于一个接地点,预设规则包括预设子规则,预设子规则用于表征同一停车场柱子上任意两个接地点对应的嵌入特征差值大于第三阈值且小于第二阈值,同一停车场柱子上同一接地点对应的任意两个接地点位置的嵌入特征差值小于第四阈值,第三阈值小于第二阈值,第四阈值小于第三阈值;根据预设规则以及嵌入特征集,对接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子,包括:根据嵌入特征集以及预设子规则,对每个停车场柱子对应的数据簇包括的接地点位置进行聚类,得到对应的多个子数据簇。
在一些实施方式中,根据每个数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置,包括:根据每个子数据簇包括的多个接地点位置,确定每个子数据簇对应的子目标位置;输出停车场柱子的目标位置,包括:输出停车场柱子的子目标位置。
在一些实施方式中,特征集包括停车场柱子对应的接地点位置集以及接地点位置偏移集,将多个待检测停车场图像输入至预设的深度学习网络,得到对应的特征集,包括:将多个待检测停车场停车场图像输入至预设的深度学习网络,使得深度学习网络分别检测停车场柱子对应的接地点位置以及接地点位置的偏移量,得到停车场柱子对应的接地点位置集以及接地点偏移位置集;根据每个数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置,包括:根据每个数据簇包括的多个接地点位置,确定每个数据簇对应的初始位置;将初始位置与对应的接地点偏移位置进行融合,得到停车场柱子对应的目标位置。
第二方面,本申请实施例提供了一种停车场柱子检测装置,包括:获取模块、输入模块、聚类模块、确定模块以及输出模块。获取模块,用于获取多个待检测停车场图像;输入模块,用于将多个待检测停车场图像输入至预设的深度学习网络,得到对应的特征集,特征集至少包括停车场柱子对应的接地点位置集;聚类模块,用于对接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子;确定模块,用于根据每个数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置;输出模块,用于输出停车场柱子的目标位置。
第三方面,本申请实施例提供了一种车辆,包括:存储器;一个或多个处理器,与存储器耦接;一个或多个应用程序,其中,一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个应用程序配置用于执行如上述第一方面提供的车位号检测方法。
第四方面,本申请实施例提供了一种计算机可读取存储介质,计算机可读取存储介质中存储有程序代码,程序代码可被处理器调用执行如上述第一方面提供的车位号检测方法。
本申请提供的方案,通过获取多个待检测停车场图像,并将多个待检测停车场图像输入至预设的深度学习网络,得到对应的特征集,特征集至少包括停车场柱子对应的接地点位置集,并对接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子,并根据每个数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置,以及输出停车场柱子的目标位置,实现了通过深度学习网络自动检测待检测停车场图像中的停车场柱子,无需用户手动操作,提高了停车场柱子的检测效率和检测准确率。
进一步地,通过对深度学习网络提取的停车场柱子对应的接地点位置集进行聚类,确定并输出停车场柱子的目标位置,可减小深度学习网络对停车场柱子的检测误差,进一步地提高了停车场柱子的检测准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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示出了本申请实施例提供的停车场柱子检测***的一种场景示意图。
图2示出了本申请实施例提供的停车场柱子检测方法的一种流程示意图。
图3示出了本申请实施例提供的停车场柱子检测方法的另一种流程示意图。
图4示出了本申请实施例提供的停车场柱子检测装置的一种结构框图。
图5示出了本申请实施例提供的车辆的一种功能框图。
图6示出了本申请实施例提供的用于保存或者携带现实根据本申请实施例提供的停车场柱子检测方法的程序代码的计算机可读存储介质。
具体实施方式
下面详细描述本申请的实施方式,实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本申请。此外,本申请可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。
停车场指的是供车辆临时或长期停放使用的场地,在现有的室内停车场中,均布设有停车场柱子。因此,车辆行驶在室内停车场时,需要对停车场柱子进行检测,以便控制车辆的行驶路径绕开停车场柱子,以免撞上停车场柱子导致车辆损坏。
现有技术通常先对采集的车位号图像进行手工特征提取,然后将提取的特征输入到分类器中进行字符识别得到车位号,然而,这种传统的图像处理方法存在检测速度慢和准确率低的技术问题。
针对上述问题,发明人经过长时间的研究并提出了本申请实施例提供的停车场柱子检测方法、检测装置、车辆及存储介质,实现了通过深度学习网络自动检测待检测停车场图像中的停车场柱子,无需用户手动操作,提高了停车场柱子的检测效率和检测准确率。
进一步地,通过对深度学习网络提取的停车场柱子对应的接地点位置集进行聚类,确定并输出停车场柱子的目标位置,可减小深度学习网络对停车场柱子的检测误差,进一步地提高了停车场柱子的检测准确率。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
请参阅图1,其示出了本申请实施例提供的停车场柱子检测***的一种应用场景示意图,包括停车场柱子100以及车辆200,车辆200可以用于采集包括停车场柱子100的停车场图像,并可以对停车场图像进行检测,得到停车场柱子对应的位置。
在一些实施方式中,车辆200可以包括车架210、控制模块220以及图像采集模块230,控制模块220以及图像采集模块230均可以安装于车架210,车架210可以为控制模块220和图像采集模块230提供安装支撑。
在一些实施方式中,控制模块220可以与图像采集模块230通讯连接,控制模块220可以控制图像采集模块230对停车场柱子100进行图像采集,获得包括停车场柱子100的停车场图像,并可以对停车场图像进行检测,获得停车场柱子100对应的位置。其中,图像采集模块230可以为安装于车头的车头摄像头,也可以为安装于车头和车侧的多个摄像头组成的全景摄像头等,此处不限定图像采集模块230的类型,具体可以根据实际需求进行设置。
请参阅图2,其示出了本申请一个实施例提供的停车场柱子检测方法的流程图。在具体的实施例中,停车场柱子检测方法可以应用于如图1所示的停车场柱子检测***中的车辆200,下面将以车辆200为例,对图2所示的流程进行详细阐述,停车场柱子检测方法可以包括以下步骤S110至步骤S150。
步骤S110:获取多个待检测停车场图像。
在本申请实施例中,车辆可以包括控制模块以及图像采集模块,控制模块可以与图像采集模块通讯连接。控制模块可以发送图像采集指令至图像采集模块,图像采集模块接收并响应于图像采集指令,可以对停车场柱子进行拍摄,获得多个包括停车场柱子的待检测停车场图像,并将多个待检测停车场图像发送至控制模块,控制模块接收图像采集模块返回的多个待检测停车场图像。
其中,多个待检测停车场图像可以与一个停车场柱子对应,也可以与多个停车场柱子对应等,此处不作限定,具体可以根据实际需求进行设置。
在一些实施方式中,图像采集模块可以为车头摄像头,车头摄像头可以与控制模块通讯连接。控制模块可以发送图像采集指令至车头摄像头,车头摄像头接收并响应于图像采集指令,可以对停车场柱子进行拍摄,获得多个包含停车场柱子的待检测停车场图像,并将多个待检测停车场图像发送至控制模块,控制模块接收车头摄像头返回的多个待检测停车场图像。
在一些实施方式中,图像采集模块可以为全景摄像头,全景摄像头可以与控制模块通讯连接。控制模块可以发送图像采集指令至全景摄像头,全景摄像头接收并响应于图像采集指令,可以对停车场柱子进行拍摄,获得多个包括停车场柱子的待检测停车场图像,并将多个待检测停车场图像发送至控制模块,控制模块接收全景摄像头返回的多个待检测停车场图像。
步骤S120:将多个待检测停车场图像输入至预设的深度学习网络,得到对应的特征集。
在本申请实施例中,控制模块在获取到多个待检测停车场图像之后,可以将多个待检测停车场图像输入至预设的深度学习网络,深度学习网络接收并响应于多个待检测停车场图像,对多个待检测停车场图像进行特征提取,并输出对应的特征集,控制模块可以获取深度学习网络输出的特征集。其中,特征集可以至少包括停车场柱子对应的接地点位置集。
深度学习网络为端到端的one-step网络模型,例如,可以由卷积神经网络(Convolutional Neural Networks,CNN),或/及,特征金字塔网络(Feature PyramidNetworks,FPN)等构成。深度学习网络具有端到端的特点和强大的自学习能力,可以自动进行特征提取,不需要过多的人工干预,可避免在手工特征提取过程中因人为设定手工特征,导致对该特征进行识别的识别结果不准确,有助于提高停车场柱子的检测效率和检测精度。
在一些实施方式中,车辆还可以包括本地存储器,本地存储器可以与控制模块通讯连接,本地存储器中预先存储有预设的深度学习网络。控制模块在获取到多个待检测停车场图像之后,可以调用存储于本地存储器中的深度学习网络,并将多个待检测停车场图像输入至深度学习网络,深度学习网络接收并响应于多个待检测停车场图像,对多个待检测停车场图像进行特征提取,并输出对应的特征集,控制模块可以获取深度学习网络输出的特征集。
在一些实施方式中,停车场柱子检测***还可以包括服务器,服务器与控制模块可以通过车联网进行通讯连接,服务器中存储有预设的深度学习网络。控制模块在获取到多个待检测停车场图像之后,可以通过车联网将多个待检测停车场图像发送至服务器,服务器接收并响应于多个待检测停车场图像,将多个待检测停车场图像输入至深度学习网络,深度学习网络接收并响应于多个待检测停车场图像,对多个待检测停车场图像进行特征提取,并输出对应的特征集,服务器将深度学习网络输出的对应的特征集通过车联网发送至控制模块,控制模块可以接收服务器返回的特征集。
服务器可以为存储型云服务器、计算型服务器以及综合云计算服务器等。车联网:是以车内网、车际网和车载移动互联网为基础,按照约定的通信协议和数据交互标准,在车-车、车-路、车-人以及车-互联网等之间,进行无线通讯和信息交互的大***网络,是能够实现智能化交通管理、智能动态信息服务和车辆智能化控制的一体化网络。车联网可以包括无线广域网(Wireless Wide Area Network,WWAN)、无线局域网(Wireless LocalArea Network,WLAN)、无线城域网(Wireless Metropolitan Area Network,WMAN)以及无线个人局域网(Wireless Personal Area Network,WPAN)等,此处不做限定。
在一些实施方式中,特征集可以包括停车场柱子对应的接地点位置集。控制模块在获取到多个待检测停车场图像之后,可以将多个待检测停车场图像输入至预设的深度学习网络,深度学习网络接收并响应于多个待检测停车场图像,对停车场柱子的接地点位置进行检测,得到停车场柱子对应的接地点位置集,并将停车场柱子的接地点位置集输出至控制模块,控制模块可以接收深度学习网络输出的接地点位置集。
在一些实施方式中,特征集可以包括停车场柱子对应的接地点位置集,以及接地点位置的嵌入特征(Embedding)集,Embedding可以用于表征停车场柱子的接地点位置的向量特征。控制模块在获取到多个待检测停车场图像之后,可以将多个待检测停车场图像输入至深度学习网络,深度学习网络接收并响应于多个待检测停车场图像,对停车场柱子的接地点位置进行检测,得到停车场柱子对应的接地点位置集,并对每个接地点位置进行向量化处理,获得每个接地点位置的Embedding,即得到对应的Embedding集,并将接地点位置集以及Embedding集输出至控制模块,控制模块可以接收深度学习网络输出的接地点位置集以及Embedding集。
在一些实施方式中,特征集可以包括停车场柱子对应的接地点位置集以及接地点位置偏移集。控制模块在获取到多个待检测停车场图像之后,可以将多个待检测停车场图像输入至深度学习网络,深度学习网络接收并响应于多个待检测停车场图像,分别对停车场柱子对应的接地点位置以及接地点位置的偏移量进行检测,得到停车场柱子对应的接地点位置集以及接地点偏移位置集,并将接地点位置集以及接地点偏移位置集输出至控制模块,控制模块可以接收深度学习网络输出的接地点位置集以及接地点偏移位置集。
步骤S130:对接地点位置集进行聚类,得到多个数据簇。
在本申请实施例中,控制模块在将多个待检测停车场图像输入至预设的深度学习网络,得到对应的接地点位置集之后,可以对接地点位置集进行聚类,得到多个数据簇,其中,每个数据簇对应一个停车场柱子,可减小深度学习网络对停车场柱子的检测误差,进一步地提高了停车场柱子的检测准确率。
聚类是指将多个接地点位置归类为一个数据簇的过程,由聚类生成的数据簇可以为一组接地点位置的集合,同一个数据簇包括的接地点位置彼此相似,不同数据簇包括的接地点位置特征相异。因此,在聚类得到多个数据簇时,每个数据簇可以与一个停车场柱子对应。
需要说明的是,控制模块可以通过无预设聚类簇数量的聚类算法对多个接地点位置进行聚类,以免人为限定接地点位置数量。实际上,多个待检测停车场图像对应的接地点位置数量是无法预知的。
在一些实施方式中,控制模块可以通过密度聚类算法对接地点位置集进行聚类,无需手动确定聚类簇的个数,并且能够发现任意形状的聚类簇,可以有效处理数据噪声。其中,可以通过调节密度聚类中的接地点位置参数和密度阈值控制聚类结果,使得密度聚类算法可以将接地点位置较近,但分属于不同停车场柱子的两个接地点位置划分至不同的数据簇中。
在一些实施方式中,特征集可以包括停车场柱子对应的接地点位置集以及接地点位置的Embedding集。控制模块在在将多个待检测停车场图像输入至预设的深度学习网络,得到对应的接地点位置集之后,可以根据预设规则以及Embedding集,对接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子。
其中,预设规则可以用于表征不同停车场柱子上的任意两个接地点位置对应的Embedding差值大于第一阈值,同一停车场柱子上的任意两个接地点位置对应的Embedding差值小于第二阈值,第二阈值小于第一阈值。
例如,停车场柱子可以包括柱子A以及柱子B,第一阈值可以为1,第二阈值可以为0.3,则预设规则为:
柱子A和柱子B上任意两个接地点位置对应的Embedding差值满足第一式:
|Embedding A-Embedding B|>1,其中,Embedding A为柱子A上的任意一个接地点位置对应的Embedding,Embedding B为柱子B上的任意一个接地点位置对应的Embedding;
柱子A上任意两个接地点位置对应的Embedding差值满足第二式:
|Embedding A1-Embedding A2|<0.3,其中,Embedding A1和Embedding A2为柱子A上任意两个接地点位置对应的Embedding;
柱子B上任意两个接地点位置对应的Embedding差值满足第三式:
|Embedding B1-Embedding B2|<0.3,其中,Embedding B1和Embedding B2为柱子B上任意两个接地点位置对应的Embedding。
此处不限定停车场柱子数量、第一阈值以及第二阈值,具体可以根据实际需求进行设置。
作为一种实施方式,每个数据簇可以包括多个子数据簇,每个子数据簇对应于一个接地点,预设规则可以包括预设子规则,预设子规则可以用于表征同一停车场柱子上任意两个接地点对应的Embedding差值大于第三阈值且小于第二阈值,同一停车场柱子上同一接地点对应的任意两个接地点位置的Embedding差值小于第四阈值,第三阈值小于第二阈值,第四阈值小于第三阈值。
控制模块可以根据Embedding集以及预设子规则,对每个停车场柱子对应的数据簇包括的接地点位置进行聚类,得到每个停车场柱子对应的多个子数据簇,即得到每个停车场柱子的多个接地点位置,可提高停车场柱子的检测精确度。
例如,柱子A可以包括接地点A-1以及接地点A-2,第三阈值可以为0.1,第四阈值可以为0.05,则预设子规则为:
接地点A-1中任意一个接地点位置与接地点A-2中任意一个接地点位置对应的Embedding差值满足第四式:
0.1<|Embedding A-1-Embedding A-2|<0.3,其中,Embedding A-1为接地点A-1中任意一个接地点位置对应的Embedding,Embedding A-2为接地点A-2中任意一个接地点位置对应的Embedding;
接地点A-1中任意两个接地点位置对应的Embedding差值满足第五式:
|Embedding A-11-Embedding A-12|<0.05,其中,Embedding A-11和Embedding A-12为接地点A-1中任意两个接地点位置对应的Embedding;
接地点A-2中任意两个接地点位置对应的Embedding差值满足第六式:
|Embedding A-21-Embedding A-22|<0.05,其中,Embedding A-21和Embedding A-22为接地点A-2中任意两个接地点位置对应的Embedding。
此处不限定停车场柱子的接地点数量、第三阈值以及第四阈值,具体可以根据实际需求进行设置。
步骤S140:根据每个数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置。
在本申请实施例中,控制模块在对接地点位置集进行聚类,得到多个数据簇之后,可以根据每个数据簇包括的多个接地点位置,计算出一个较为准确的接地点位置,并可以将该接地点位置作为该数据簇对应的停车场柱子的目标位置。目标位置的计算方法可包括平均值算法、置信度算法、中心算法、重心算法或者任意一种用于计算点云分布中心位置的方法,本申请实施例不做限定。
例如,控制模块可以根据每个数据簇包括的多个接地点位置,计算该多个接地点位置的平均值,得到位置平均值,可以将该位置平均值对应的位置作为该数据簇的中心位置,即为该数据簇对应的停车场柱子的目标位置。
步骤S150:输出停车场柱子的目标位置。
在本申请实施例中,控制模块在根据每个数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置之后,可以输出停车场柱子的目标位置,实现了通过深度学习网络自动检测待检测停车场图像中的停车场柱子,无需用户手动操作,提高了停车场柱子的检测效率和检测准确率。
其中,停车场柱子的目标位置数量可以为2个,例如两个对角的目标位置,也可以为3个,还可以是4个等,此处不做限定。
本申请提供的方案,通过获取多个待检测停车场图像,并将多个待检测停车场图像输入至预设的深度学习网络,得到对应的特征集,特征集至少包括停车场柱子对应的接地点位置集,并对接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子,并根据每个数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置,以及输出停车场柱子的目标位置,实现了通过深度学习网络自动检测待检测停车场图像中的停车场柱子,无需用户手动操作,提高了停车场柱子的检测效率和检测准确率。
进一步地,通过对深度学习网络提取的停车场柱子对应的接地点位置集进行聚类,确定并输出停车场柱子的目标位置,可减小深度学习网络对停车场柱子的检测误差,进一步地提高了停车场柱子的检测准确率。
请参阅图3,其示出了本申请另一个实施例提供的停车场柱子检测方法的流程图。在具体的实施例中,停车场柱子检测方法可以应用于如图1所示的停车场柱子检测***中的车辆200,下面将以车辆200为例,对图3所示的流程进行详细阐述,停车场柱子检测方法可以包括以下步骤S210至步骤S260。
步骤S210:获取多个待检测停车场图像。
步骤S220:将多个待检测停车场图像输入至预设的深度学习网络,得到对应的接地点位置集以及接地点偏移位置集。
步骤S230:对接地点位置集进行聚类,得到多个数据簇。
在本实施例中,步骤S210、步骤S220以及步骤S230可以参阅前述实施例中相应步骤的内容,此处不再赘述。
步骤S240:根据每个数据簇包括的多个接地点位置,确定每个数据簇对应的初始位置。
在本实施例中,控制模块可以根据每个数据簇包括的多个接地点位置,计算出一个较为准确的接地点位置,并可以将该接地点位置作为该数据簇对应的停车场柱子的初始位置。
步骤S250:将初始位置与对应的接地点偏移位置进行融合,得到停车场柱子对应的目标位置。
在本实施例中,控制模块可以停车场柱子分别对应的初始位置与接地点偏移位置进行融合,得到修正后的位置,并可以将该修正后的位置作为停车场柱子对应的目标位置,实现了根据接地点偏移位置对停车场柱子的位置进行修正,保证了停车场柱子的检测准确性。
例如,停车场柱子的初始位置为(20,50)其对应的接地点偏移位置可以为(-5,6),则将初始位置(20,50)与接地点偏移位置可以为(-5,6)融合之后,得到修正后的位置为(25,44),即为该停车场柱子的目标位置。
在本实施例中,停车场柱子的接地点可以为多个,则可以分别将每个接地点对应的初始位置与接地点偏移位置进行融合,得到该接地点的目标位置。
步骤S260:输出停车场柱子的目标位置。
在本实施例中,步骤S260可以参阅前述实施例中相应步骤的内容,此处不再赘述。
本实施提供的方案,通过获取多个待检测停车场图像,并将多个待检测停车场图像输入至预设的深度学习网络,得到对应的接地点位置集以及接地点偏移位置集,并对接地点位置集进行聚类,得到多个数据簇,并根据每个数据簇包括的多个接地点位置,确定每个数据簇对应的初始位置,并将初始位置与对应的接地点偏移位置进行融合,得到停车场柱子对应的目标位置,以及输出停车场柱子的目标位置,实现了根据接地点偏移位置对停车场柱子的位置进行修正,保证了停车场柱子的检测准确性。
请参阅图4,其示出了本申请一个实施例提供的停车场柱子检测装置300,停车场柱子检测装置300可以应用于如图1所示的停车场柱子检测***中的车辆200,下面将以车辆200为例,对图4所示的停车场柱子检测装置300进行详细阐述,停车场柱子检测装置300可以包括获取模块310、输入模块320、聚类模块330、确定模块340以及输出模块350。
获取模块310可以用于获取多个待检测停车场图像;输入模块320可以用于将多个待检测停车场图像输入至预设的深度学习网络,得到对应的特征集,特征集至少包括停车场柱子对应的接地点位置集;聚类模块330可以用于对接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子;确定模块340可以用于根据每个数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置;输出模块350可以用于输出停车场柱子的目标位置。
在一些实施方式中,特征集包括停车场柱子对应的接地点位置集,输入模块320可以包括第一输入单元以及第一接收单元。
第一输入单元可以用于将多个待检测停车场图像输入至预设的深度学习网络,使得深度学习网络对停车场柱子的接地点位置进行检测,得到停车场柱子对应的接地点位置集;第一接收单元可以用于接收深度学习网络输出的接地点位置集。
在一些实施方式中,特征集还包括停车场柱子对应的接地点位置的Embedding集,第一输入单元可以包括输入子单元。
输入子单元可以用于将多个待检测停车场图像输入至预设的深度学习网络,使得深度学习网络对停车场柱子的接地点位置进行检测,得到停车场柱子对应的接地点位置集,并根据接地点位置集确定Embedding。
在一些实施方式中,第一接收单元可以包括接收子单元。
接收子单元可以用于接收深度学习网络输出的接地点位置集以及嵌入特征集。
在一些实施方式中,聚类模块330可以包括聚类单元。
聚类单元可以用于根据预设规则以及Embedding集,对接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子,其中,预设规则用于表征不同停车场柱子上的任意两个接地点位置对应的Embedding差值大于第一阈值,同一停车场柱子上的任意两个接地点位置对应的Embedding差值小于第二阈值,第二阈值小于第一阈值。
在一些实施方式中,每个数据簇可以包括多个子数据簇,每个子数据簇对应于一个接地点,预设规则包括预设子规则,预设子规则用于表征同一停车场柱子上任意两个接地点对应的Embedding差值大于第三阈值且小于第二阈值,同一停车场柱子上同一接地点对应的任意两个接地点位置的Embedding差值小于第四阈值,第三阈值小于第二阈值,第四阈值小于第三阈值。聚类单元可以包括聚类子单元。
聚类子单元可以用于根据Embedding集以及预设子规则,对每个停车场柱子对应的数据簇包括的接地点位置进行聚类,得到对应的多个子数据簇。
在一些实施方式中,确定模块340可以包括第一确定单元。
第一确定单元可以用于根据每个子数据簇包括的多个接地点位置,确定每个子数据簇对应的子目标位置。
在一些实施方式中,输出模块350可以输出单元。
输出单元可以用于输出停车场柱子的子目标位置。
在一些实施方式中,特征集包括停车场柱子对应的接地点位置集以及接地点位置偏移集,输入模块320还可以包括第二输入单元以及第二接收单元。
第二输入单元可以用于将多个待检测停车场停车场图像输入至预设的深度学习网络,使得深度学习网络分别检测停车场柱子对应的接地点位置以及接地点位置的偏移量,得到停车场柱子对应的接地点位置集以及接地点偏移位置集;第二接收单元可以用于接收深度学习网络输出的接地点位置集以及接地点位置偏移集。
在一些实施方式中,确定模块340还可以包括第二确定单元以及融合单元。
第二确定单元可以用于根据每个数据簇包括的多个接地点位置,确定每个数据簇对应的初始位置;融合单元可以用于将初始位置与对应的接地点偏移位置进行融合,得到停车场柱子对应的目标位置。
本申请提供的方案,通过获取多个待检测停车场图像,并将多个待检测停车场图像输入至预设的深度学习网络,得到对应的特征集,特征集至少包括停车场柱子对应的接地点位置集,并对接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子,并根据每个数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置,以及输出停车场柱子的目标位置,实现了通过深度学习网络自动检测待检测停车场图像中的停车场柱子,无需用户手动操作,提高了停车场柱子的检测效率和检测准确率。
进一步地,通过对深度学习网络提取的停车场柱子对应的接地点位置集进行聚类,确定并输出停车场柱子的目标位置,可减小深度学习网络对停车场柱子的检测误差,进一步地提高了停车场柱子的检测准确率。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。对于方法实施例中的所描述的任意的处理方式,在装置实施例中均可以通过相应的处理模块实现,装置实施例中不再一一赘述。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。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。
请参阅图5,其示出了本申请另一个实施例提供的车辆400的功能框图,该车辆400可以包括一个或多个如下部件:存储器410、处理器420、以及一个或多个应用程序,其中一个或多个应用程序可以被存储在存储器410中并被配置为由一个或多个处理器420执行,一个或多个应用程序配置用于执行如前述方法实施例所描述的方法。
存储器410可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器410可用于存储指令、程序、代码、代码集或指令集。存储器410可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于实现至少一个功能的指令(比如获取待检测停车场图像、输入待检测停车场图像至深度学习网络、得到特征集、聚类接地点位置、得到多个数据簇、确定目标位置、输出目标位置、检测接地点位置、检测中心点位置、得到接地点位置集、得到中心点位置集、融合中心点位置集和接地点位置集、得到Embedding集、得到子数据簇、确定子目标位置、输出子目标位置、检测接地点位置的偏移量、得到接地点偏移位置集、确定初始位置以及融合初始位置与接地点偏移位置等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储车辆400在使用中所创建的数据(比如停车场图像、深度学习网络、特征集、停车场柱子、接地点位置集、数据簇、目标位置、Embedding集、中心点位置、预设规则、Embedding差值、第一阈值、第二阈值、子数据簇、预设子规则、第三阈值、子目标位置、接地点位置偏移集以及初始位置)等。
处理器420可以包括一个或者多个处理核。处理器420利用各种接口和线路连接整个车辆400内的各个部分,通过运行或执行存储在存储器410内的指令、程序、代码集或指令集,以及调用存储在存储器410内的数据,执行车辆400的各种功能和处理数据。可选地,处理器420可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器420可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器420中,单独通过一块通信芯片进行实现。
请参考图6,其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读存储介质500中存储有程序代码510,程序代码510可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质500可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质500包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质500具有执行上述方法中的任何方法步骤的程序代码510的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码510可以例如以适当形式进行压缩。
本申请提供的方案,通过获取多个待检测停车场图像,并将多个待检测停车场图像输入至预设的深度学习网络,得到对应的特征集,特征集至少包括停车场柱子对应的接地点位置集,并对接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子,并根据每个数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置,以及输出停车场柱子的目标位置,实现了通过深度学习网络自动检测待检测停车场图像中的停车场柱子,无需用户手动操作,提高了停车场柱子的检测效率和检测准确率。
进一步地,通过对深度学习网络提取的停车场柱子对应的接地点位置集进行聚类,确定并输出停车场柱子的目标位置,可减小深度学习网络对停车场柱子的检测误差,进一步地提高了停车场柱子的检测准确率。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种停车场柱子检测方法,其特征在于,包括:
获取多个待检测停车场图像;
将多个所述待检测停车场图像输入至预设的深度学习网络,得到对应的特征集,所述特征集至少包括停车场柱子对应的接地点位置集;
对所述接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子;
根据每个所述数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置;
输出所述停车场柱子的目标位置。
2.根据权利要求1所述的停车场柱子检测方法,其特征在于,所述特征集包括停车场柱子对应的接地点位置集,所述将多个所述待检测停车场图像输入至预设的深度学习网络,得到对应的特征集,包括:
将多个所述待检测停车场图像输入至预设的深度学习网络,使得所述深度学习网络对停车场柱子的接地点位置进行检测,得到所述停车场柱子对应的接地点位置集;
接收所述深度学习网络输出的所述接地点位置集。
3.根据权利要求2所述的停车场柱子检测方法,其特征在于,所述特征集还包括所述停车场柱子对应的接地点位置的嵌入特征集,所述将多个所述待检测停车场图像输入至预设的深度学习网络,使得所述深度学习网络对停车场柱子的接地点位置进行检测,得到所述停车场柱子对应的接地点位置集,包括:
将多个所述待检测停车场图像输入至预设的深度学习网络,使得所述深度学习网络对停车场柱子的接地点位置进行检测,得到所述停车场柱子对应的接地点位置集,并根据所述接地点位置集确定所述嵌入特征集;
所述接收所述深度学习网络输出的所述接地点位置集,包括:
接收所述深度学习网络输出的所述接地点位置集以及所述嵌入特征集。
4.根据权利要求3所述的停车场柱子检测方法,其特征在于,所述对所述接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子,包括:
根据预设规则以及所述嵌入特征集,对所述接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子,其中,所述预设规则用于表征不同停车场柱子上的任意两个接地点位置对应的嵌入特征差值大于第一阈值,同一停车场柱子上的任意两个接地点位置对应的嵌入特征差值小于第二阈值,所述第二阈值小于所述第一阈值。
5.根据权利要求4所述的停车场柱子检测方法,其特征在于,每个数据簇包括多个子数据簇,每个所述子数据簇对应于一个接地点,所述预设规则包括预设子规则,所述预设子规则用于表征同一停车场柱子上任意两个接地点对应的嵌入特征差值大于第三阈值且小于第二阈值,同一停车场柱子上同一接地点对应的任意两个接地点位置的嵌入特征差值小于第四阈值,所述第三阈值小于第二阈值,所述第四阈值小于所述第三阈值;
所述根据预设规则以及所述嵌入特征集,对所述接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子,包括:
根据所述嵌入特征集以及所述预设子规则,对每个停车场柱子对应的数据簇包括的接地点位置进行聚类,得到对应的多个子数据簇。
6.根据权利要求5所述的停车场柱子检测方法,其特征在于,所述根据每个所述数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置,包括:
根据每个所述子数据簇包括的多个接地点位置,确定每个子数据簇对应的子目标位置;
所述输出所述停车场柱子的目标位置,包括:
输出所述停车场柱子的子目标位置。
7.根据权利要求1至6任一项所述的停车场柱子检测方法,其特征在于,所述特征集包括所述停车场柱子对应的接地点位置集以及接地点位置偏移集,所述将多个所述待检测停车场图像输入至预设的深度学习网络,得到对应的特征集,包括:
将多个所述待检测停车场停车场图像输入至预设的深度学习网络,使得所述深度学习网络分别检测停车场柱子对应的接地点位置以及接地点位置的偏移量,得到所述停车场柱子对应的接地点位置集以及接地点偏移位置集;
接收所述深度学习网络输出的所述接地点位置集以及所述接地点位置偏移集;
所述根据每个所述数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置,包括:
根据每个所述数据簇包括的多个接地点位置,确定每个所述数据簇对应的初始位置;
将所述初始位置与对应的接地点偏移位置进行融合,得到所述停车场柱子对应的目标位置。
8.一种停车场柱子检测装置,其特征在于,包括:
获取模块,用于获取多个待检测停车场图像;
输入模块,用于将多个所述待检测停车场图像输入至预设的深度学习网络,得到对应的特征集,所述特征集至少包括停车场柱子对应的接地点位置集;
聚类模块,用于对所述接地点位置集进行聚类,得到多个数据簇,每个数据簇对应一个停车场柱子;
确定模块,用于根据每个所述数据簇包括的多个接地点位置,确定每个停车场柱子的目标位置;
输出模块,用于输出所述停车场柱子的目标位置。
9.一种车辆,其特征在于,包括:
存储器;
一个或多个处理器,与所述存储器耦接;
一个或多个应用程序,其中,所述一个或多个应用程序被存储在所述存储器中并被配置为由一个或多个处理器执行,所述一个或多个应用程序配置用于执行如权利要求1至7任一项所述停车场柱子检测方法。
10.一种计算机可读取存储介质,其特征在于,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1至7任一项所述停车场柱子检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210042470.9A CN114495056A (zh) | 2022-01-14 | 2022-01-14 | 停车场柱子检测方法、检测装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210042470.9A CN114495056A (zh) | 2022-01-14 | 2022-01-14 | 停车场柱子检测方法、检测装置、车辆及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114495056A true CN114495056A (zh) | 2022-05-13 |
Family
ID=81511947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210042470.9A Pending CN114495056A (zh) | 2022-01-14 | 2022-01-14 | 停车场柱子检测方法、检测装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114495056A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861316A (zh) * | 2023-02-27 | 2023-03-28 | 深圳佑驾创新科技有限公司 | 行人检测模型的训练方法及其装置、行人检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428592A (zh) * | 2020-03-12 | 2020-07-17 | 厦门路桥信息股份有限公司 | 基于深度学习的灌注桩识别方法及*** |
CN111507145A (zh) * | 2019-01-31 | 2020-08-07 | 上海欧菲智能车联科技有限公司 | 嵌入式车载环视***库位障碍物检测方法、***及装置 |
CN112800887A (zh) * | 2021-01-16 | 2021-05-14 | 中建三局第一建设工程有限责任公司 | 一种柱状目标物识别*** |
CN113591569A (zh) * | 2021-06-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 障碍物检测方法、装置、电子设备以及存储介质 |
CN113705557A (zh) * | 2021-08-30 | 2021-11-26 | 上海西井信息科技有限公司 | 集装箱后箱门门柱的检测方法、***、设备及存储介质 |
-
2022
- 2022-01-14 CN CN202210042470.9A patent/CN114495056A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507145A (zh) * | 2019-01-31 | 2020-08-07 | 上海欧菲智能车联科技有限公司 | 嵌入式车载环视***库位障碍物检测方法、***及装置 |
CN111428592A (zh) * | 2020-03-12 | 2020-07-17 | 厦门路桥信息股份有限公司 | 基于深度学习的灌注桩识别方法及*** |
CN112800887A (zh) * | 2021-01-16 | 2021-05-14 | 中建三局第一建设工程有限责任公司 | 一种柱状目标物识别*** |
CN113591569A (zh) * | 2021-06-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 障碍物检测方法、装置、电子设备以及存储介质 |
CN113705557A (zh) * | 2021-08-30 | 2021-11-26 | 上海西井信息科技有限公司 | 集装箱后箱门门柱的检测方法、***、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861316A (zh) * | 2023-02-27 | 2023-03-28 | 深圳佑驾创新科技有限公司 | 行人检测模型的训练方法及其装置、行人检测方法 |
CN115861316B (zh) * | 2023-02-27 | 2023-09-29 | 深圳佑驾创新科技股份有限公司 | 行人检测模型的训练方法及其装置、行人检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN109409277B (zh) | 手势识别方法、装置、智能终端及计算机存储介质 | |
CN108877269B (zh) | 一种交叉路口车辆状态检测及v2x广播方法 | |
CN111627057B (zh) | 一种距离测量方法、装置及服务器 | |
CN111435446A (zh) | 一种基于LeNet车牌识别方法及装置 | |
CN111444911B (zh) | 车牌识别模型的训练方法及装置、车牌识别方法及装置 | |
CN114495056A (zh) | 停车场柱子检测方法、检测装置、车辆及存储介质 | |
CN113160272B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN111402301A (zh) | 积水检测方法及装置、存储介质及电子装置 | |
CN114579683A (zh) | 一种地图路网的更新方法、装置、计算机设备及存储介质 | |
CN112654999B (zh) | 标注信息的确定方法及装置 | |
CN110567733B (zh) | 基于acc的失效场景判定方法及***、服务器及介质 | |
CN111177878B (zh) | 衍生仿真场景筛选方法、装置和终端 | |
CN116824152A (zh) | 基于点云的目标检测方法及装置、可读存储介质、终端 | |
CN111126109B (zh) | 一种车道线识别方法、装置和电子设备 | |
CN117058912A (zh) | 巡检车检测异常停车方法、装置、存储介质及电子设备 | |
CN115588008A (zh) | 基于视觉的单车规范摆放的判定方法及其应用 | |
CN115775366A (zh) | 道路目标检测方法、检测装置、电子设备及存储介质 | |
CN114463719A (zh) | 车位号检测方法、检测装置、车辆及存储介质 | |
CN113963310A (zh) | 一种公交站的人流量检测方法、装置及电子设备 | |
CN112634141A (zh) | 一种车牌矫正方法、装置、设备及介质 | |
CN112686155A (zh) | 图像识别方法、装置、计算机可读存储介质及处理器 | |
CN117315406B (zh) | 一种样本图像处理方法、装置及设备 | |
CN113486867B (zh) | 人脸微表情识别方法、装置、电子设备及存储介质 | |
CN117169919A (zh) | 目标检测结果的确定方法、装置、计算机设备及存储介质 |
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 |