CN114511841B - 一种多传感器融合的空闲车位检测方法 - Google Patents
一种多传感器融合的空闲车位检测方法 Download PDFInfo
- Publication number
- CN114511841B CN114511841B CN202210401936.XA CN202210401936A CN114511841B CN 114511841 B CN114511841 B CN 114511841B CN 202210401936 A CN202210401936 A CN 202210401936A CN 114511841 B CN114511841 B CN 114511841B
- Authority
- CN
- China
- Prior art keywords
- parking space
- coordinates
- points
- free parking
- idle
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 230000006870 function Effects 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 13
- 101150023582 spt4 gene Proteins 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 9
- 101100257637 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) trf-2 gene Proteins 0.000 claims description 8
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims description 8
- 101100272701 Methylobacillus flagellatus (strain KT / ATCC 51484 / DSM 6875) bpt2 gene Proteins 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 241000251468 Actinopterygii Species 0.000 claims description 3
- 240000004050 Pentaglottis sempervirens Species 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000007500 overflow downdraw method Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000016776 visual perception Effects 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
- G06F18/25—Fusion 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
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
- G06T3/047—Fisheye or wide-angle transformations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及高级辅助驾驶技术领域，尤其为一种多传感器融合的空闲车位检测方法，其方法包括如下步骤：A、首先利用超声波雷达探测距离信息，提取空闲车位的初始位置；B、然后获取鱼眼相机图像，完成slam建图和车位线识别功能；C、经过多传感器融合算法提取最终的空闲车位位置。D、将识别的空闲车位显示到中控屏幕上。本发明通过多传感器的融合方法，提高了车位线末尾两个点的坐标估计的准确性和鲁棒性，能同时适应室内车库、室外停车场、无车位线或车位线不清晰车位等多种场景，从而提升用户的体验感和满意度，具有更广阔的商业价值，可广泛应用于半自动泊车和自主泊车***中。
Description
技术领域
本发明涉及高级辅助驾驶技术领域，具体为一种多传感器融合的空闲车位检测方法。
背景技术
随着经济的发展，人们的生活水平逐步提高，越来越多的家庭买了小汽车，小车数量增多后，带来了停车难的问题，包括停车过程中容易刮到别人的车，车停好后没有按照统一的标准摆放等等。
因此，智能停车是未来的发展方向，目前市场上最常用的方案是利用车身侧面的超声波雷达通过测距来实现空闲车位识别，单纯利用超声波雷达信息，会受许多因数的制约，比如本车行车姿态与目标车位不平行，目标车位临近车辆摆放不整齐、本车行驶车速等，都会导致空闲车位识别率降低，单纯利用视觉车位线识别空闲车位，因为远处图像存在畸变，即使对图像进行畸变矫正，通常会出现车位线末尾两个点的坐标估计不准确的问题。
发明内容
本发明的目的是弥补上述背景技术中提出的不足之处，提供一种多传感器融合的空闲车位识别方法，来提高车位识别率和精确度，适应各类型停车位，可广泛应用于半自动泊车和自主泊车***中。
为实现上述目的，本发明提供如下技术方案：一种多传感器融合的空闲车位检测方法，包括以下步骤：A、首先利用超声波雷达探测距离信息，提取空闲车位的初始位置；B、获取鱼眼相机图像，完成slam建图和车位线识别功能；C、经过多传感器融合算法提取最终的空闲车位位置；D、将识别的空闲车位显示到中控屏幕上；
所述步骤A包括以下步骤：
A1、车辆平行于停车位向前行驶，利用侧身超声波雷达探测障碍物的距离；
A2、将上述步骤A1中的障碍物距离分为75-85个等间隔区间
，并保存在一个数组array中；
A3、统计上述步骤A2中数组array的障碍物距离值大于等于5m的连续区间，获取连续区间的最大长度maxLen；
A4、根据上述步骤A3中连续区间的最大长度maxLen，判断是否为空闲车位，如果maxLen的数值大于2m，则maxLen对应的区间为空闲车位的初始位置
；
所述步骤B包括以下步骤：
B1、如果步骤A中空闲车位初始位置获取失败，则不进行下一步，继续执行步骤A；
B2、如果步骤A中成功获取空闲车位初始位置，则执行以下步骤B3；
B3、获取鱼眼相机图像，进行相机标定和畸变矫正，得到畸变矫正图像；
B4、利用上述步骤B3中的相机标定参数先将上述步骤B3中的畸变矫正图像进行俯视变换，获得鸟瞰图像，然后在鸟瞰图中的上述步骤A4的空闲车位初始位置
进行车位线识别，获得空闲车位；
B5、利用上述步骤B3中连续的畸变矫正图像帧开始利用slam技术建立局部建图得到车身周围的局部地图；
所述步骤C包括以下步骤：
C1、将上述步骤B4中提取的空闲车位坐标点投影到上述步骤B5中的局部地图，获得投影点坐标；
C2、利用步骤C1获得的投影点坐标，计算上述步骤B5的局部地图的空闲车位；
C3、利用MLP多层感知机网络学习上述步骤B5中空闲车位坐标和步骤C2中空闲车位坐标的融合参数；
C4、利用步骤C3的融合参数对上述步骤B5中空闲车位坐标和步骤C2中空闲车位坐标进行融合；
C5、获取融合后的空闲车位坐标。
优选的，所述步骤B3中，鱼眼图像分辨率为1280*720，在进行畸变矫正的过程中，先对相机进行标定，获得相机内参K、径向畸变系数k1、k2、k3、外参R，然后利用畸变矫正公式对鱼眼图像进行畸变矫正，畸变矫正公式如下所示：
其中，
是畸变点在相机sensor上的原始位置，
是畸变矫正后新的位置，
是离相机sensor中心点的半径。
优选的，所述步骤B4中，获得鸟瞰图后，即可进行车位线识别，具体步骤如下：
01、采集车位点样本，利用yolov3训练；
02、利用训练好的yolov3模型检测俯视图上的车位点，并将一对车位点（bpt1，bpt2）用直线连接，作为车位的入口；
03、以右侧车位为例，向量
绕bpt1逆时针旋转，并按车位长度，估计出车位点bpt3，同理估计出车位点bpt4；
04、连接bpt1、bpt2、bpt3、bpt4，得到车位线。
优选的，所述步骤B5中，局部建图的具体步骤如下：
B5.1、得到车位线的同时，提取Harris角点，进行视觉跟踪；
B5.2、采用松耦合方式得到初始值，再用上述步骤B5.1的特征点匹配，进行三角化，求出滑动窗口内所有帧的位姿以及路标点逆深度，接着与IMU预积分对齐，恢复出对齐尺度s、重力g、imu速度v和陀螺仪偏置bg这些参数；
B5.3、构建IMU约束和视觉约束的约束方程，利用紧耦合技术进行后端非线性优化，获得最优的局部地图；
B5.4、在局部地图中，寻找最优空闲车位。
优选的，所述步骤C1中，将上述步骤B4中的两个入口点坐标bpt1、bpt2和两个末尾点坐标bpt3、bpt4分别投影到上述步骤B5的局部地图中，得到bspt1、bspt2、bspt3和bspt4四个点；
所述步骤C2中，在上述步骤B5的局部地图中以步骤C1的入口点投影坐标bspt1、bspt2，按照车位长度估计两个末尾点坐标spt3、spt4，计算公式为：
spt3=bspt1+lenth；
spt4=bspt2+lenth；
从而推导出上述步骤B5的局部地图中的空闲车位（bspt1，bspt2，spt3，spt4）；
所述步骤C3中，在利用MLP多层感知机网络学***方和损失函数E进行训练，公式为：
其中，w为感知机权重，即融合参数，a为上述步骤B5中空闲车位坐标，b为步骤C2中空闲车位坐标；
所述步骤C4中，利用步骤C3的融合参数w，对上述步骤B5中空闲车位末尾两个坐标点和步骤C2中空闲车位末尾两个坐标点进行融合，公式为；
其中，
为上述步骤B4中的两个末尾点坐标bpt3、bpt4投影到上述步骤B5的局部地图中的投影点bspt3、bspt4，
为步骤C2中估计的两个末尾点spt3、spt4，y为融合后的空闲车位的末尾两个点fpt3、fpt4坐标；
所述步骤C5中，根据步骤C4的融合结果，融合后的空闲车位坐标为bspt1、bspt2、fpt3、fpt4。
优选的，所述步骤A2中，每个
区间的长度为0.05-0.15m。
优选的，所述步骤D中，将最后识别到的空闲车位矩形框显示到中控屏幕，车身两侧车位的显示数量为小于等于6个。
与现有技术相比，本发明的有益效果如下：
本发明将视觉感知和超声波雷达感知技术紧密融合，引入丰富的视觉信息后，获取的空闲车位位置更加精确，通过多传感器的融合方法，提高了车位线末尾两个点坐标估计的准确性和鲁棒性，能同时适应室内车库、室外停车场、无车位线或车位线不清晰车位等多种场景，从而提升用户的体验感和满意度，具有更广阔的商业价值。
附图说明
图1为各类型停车位示意图；
图2为本发明的步骤流程图；
图3为超声波检测空闲车位示意图；
图4为鱼眼图像畸变矫正示意图；
图5为车位线识别示意图；
图6为slam空闲车位示意图；
图7为车位线识别空闲车位和slam空闲车位的融合示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种多传感器融合的空闲车位检测方法，其方法包括如下步骤：
A、首先利用超声波雷达探测距离信息，提取空闲车位的初始位置，超声波雷达提取空闲车位的步骤如下：
A1、车辆平行于停车位向前行驶，利用侧身超声波雷达探测障碍物的距离；
A2、将上述步骤A1中的障碍物距离分为80个等间隔区间
，其中下标
为区间的索引，并保存在一个数组array中，每个
区间为0.1米；
A3、统计上述步骤A2中数组array的障碍物距离值大于等于5m的连续区间，获取连续区间的最大长度maxLen；
A4、根据上述步骤A3中连续区间的最大长度maxLen，判断是否为空闲车位，如果maxLen的数值大于2m，则maxLen对应的区间为空闲车位的初始位置
，请参考图3；
B、获取鱼眼相机图像，完成slam建图和车位线识别功能，具步骤如下：
B1、如果步骤A中空闲车位初始位置获取失败，则不进行下一步，继续执行步骤A；
B2、如果步骤A中成功获取空闲车位初始位置，则执行以下步骤B3；
B3、获取鱼眼相机图像，进行相机标定和畸变矫正，得到畸变矫正图像，参考图4；
鱼眼图像分辨率为1280*720，在进行畸变矫正的过程中，先对相机进行标定，获得相机内参K、径向畸变系数k1、k2、k3、外参R，然后利用畸变矫正公式对鱼眼图像进行畸变矫正，畸变矫正公式如下所示：
其中，
是畸变点在相机sensor上的原始位置，
是畸变矫正后新的位置，
是离相机sensor中心点的半径。
B4、利用上述步骤B3中的相机标定参数先将上述步骤B3中的畸变矫正图像进行俯视变换，获得鸟瞰图像，然后在鸟瞰图上进行车位线识别；
在车位线识别前，要将畸变矫正图像变换为鸟瞰图，变换过程为如下步骤：
B4.1、先将畸变矫正图像上的点逆投影到相机坐标下，逆投影公式为：
其中，
是像素坐标系下的齐次坐标点，
是相机坐标系下的点，
为步骤B3中的内参
；
B4.2、然后利用步骤B3中标定获得的相机外参R旋转上述步骤B4.1获得的相机坐标下的点，旋转变换公式为：
其中，
是相机坐标系下的点，
是相机坐标系下的点进行旋转操作后获得的点，
为步骤B3中的外参
；
B4.3、再将步骤B4.2中的点投影到图像坐标系下，投影公式为：
其中，
是相机坐标系下旋转后的点，
是像素坐标系下的齐次坐标点，
为步骤B3中的内参
；
B4.4、总结上述步骤B4.1、B4.2和B4.3，可得到俯视变换公式为：
其中，
是畸变矫正图像上的齐次坐标点，
是俯视图像上的齐次坐标点，
为步骤B3中的内参
，
为步骤B3中的外参
。
获得鸟瞰图后，即可进行车位线识别，参考图5，具体步骤如下：
01、采集车位点样本，利用yolov3训练；
02、利用训练好的yolov3模型检测俯视图上的车位点，并将一对车位点（bpt1，bpt2）用直线连接，作为车位的入口；
03、以右侧车位为例，向量
绕bpt1逆时针旋转，并按车位长度，估计出车位点bpt3，同理估计出车位点bpt4；
04、连接bpt1、bpt2、bpt3、bpt4，得到车位线；
B5、利用上述步骤B3中连续的畸变矫正图像帧开始利用slam技术建立局部建图，并从局部地图中提取空闲车位，参考图6；
局部建图使用了基于vio视觉惯性里程计的slam技术，因为单目相机的slam存在尺度问题，无法估计尺度信息，而vio利用了IMU传感器信息弥补了单目slam的这一缺陷，可以准确的估计尺度信息，局部建图的具体过程如下：
B5.1、提取Harris角点，进行视觉跟踪；
B5.2、采用松耦合方式得到初始值，再用上述步骤B5.1的特征点匹配，进行三角化，求出滑动窗口内所有帧的位姿以及路标点逆深度，接着与IMU预积分对齐，恢复出对齐尺度s、重力g、imu速度v和陀螺仪偏置bg等；
B5.3、构建IMU约束和视觉约束的约束方程，利用紧耦合技术进行后端非线性优化，获得最优的局部地图；
B5.4、在局部地图中，寻找最优空闲车位。
C、经过多传感器融合算法提取最终的空闲车位位置，具体步骤如下：
C1、将上述步骤B4中的两个入口点坐标bpt1、bpt2和两个末尾点坐标bpt3、bpt4分别投影到上述步骤B5的局部地图中，得到bspt1、bspt2、bspt3和bspt4四个点；
C2、在上述步骤B5的局部地图中以步骤C1的入口点投影坐标bspt1、bspt2，按照车位长度估计两个末尾点坐标spt3、spt4，计算公式为：
spt3=bspt1+lenth；
spt4=bspt2+lenth；
从而推导出上述步骤B5的局部地图中的空闲车位（bspt1，bspt2，spt3，spt4）；
C3、在利用MLP多层感知机网络学***方和损失函数E进行训练，公式为：
其中，w为感知机权重，即融合参数，a为上述步骤B5中空闲车位坐标，b为步骤C2中空闲车位坐标；
C4、利用步骤C3的融合参数w，对上述步骤B5中空闲车位末尾两个坐标点和步骤C2中空闲车位末尾两个坐标点进行融合，公式为；
其中，
为上述步骤B4中的两个末尾点坐标bpt3、bpt4投影到上述步骤B5的局部地图中的投影点bspt3、bspt4，
为步骤C2中估计的两个末尾点spt3、spt4，y为融合后的空闲车位的末尾两个点fpt3、fpt4坐标；
C5、根据步骤C4的融合结果，融合后的空闲车位坐标为bspt1、bspt2、fpt3、fpt4，如图7所示；
D、将最后识别到的空闲车位矩形框显示到中控屏幕，车身两侧最多显示6个车位，以便用户选择。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种多传感器融合的空闲车位检测方法，包括以下步骤：A、首先利用超声波雷达探测距离信息，提取空闲车位的初始位置；B、获取鱼眼相机图像，完成slam建图和车位线识别功能；C、经过多传感器融合算法提取最终的空闲车位位置；D、将识别的空闲车位显示到中控屏幕上；其特征在于：
所述步骤A包括以下步骤：
A1、车辆平行于停车位向前行驶，利用侧身超声波雷达探测障碍物的距离；
A2、将上述步骤A1中的障碍物距离分为75-85个等间隔区间
，并保存在一个数组array中；
A3、统计上述步骤A2中数组array的障碍物距离值大于等于5m的连续区间，获取连续区间的最大长度maxLen；
A4、根据上述步骤A3中连续区间的最大长度maxLen，判断是否为空闲车位，如果maxLen的数值大于2m，则maxLen对应的区间为空闲车位的初始位置
；
所述步骤B包括以下步骤：
B1、如果步骤A中空闲车位初始位置获取失败，则不进行下一步，继续执行步骤A；
B2、如果步骤A中成功获取空闲车位初始位置，则执行以下步骤B3；
B3、获取鱼眼相机图像，进行相机标定和畸变矫正，得到畸变矫正图像；
B4、利用上述步骤B3中的相机标定参数先将上述步骤B3中的畸变矫正图像进行俯视变换，获得鸟瞰图像，然后在鸟瞰图中的上述步骤A4的空闲车位初始位置
进行车位线识别，获得空闲车位；
B5、利用上述步骤B3中连续的畸变矫正图像帧开始利用slam技术建立局部建图得到车身周围的局部地图；
所述步骤C包括以下步骤：
C1、将上述步骤B4中提取的空闲车位坐标点投影到上述步骤B5中的局部地图，获得投影点坐标；
C2、利用步骤C1获得的投影点坐标，计算上述步骤B5的局部地图的空闲车位；
C3、利用MLP多层感知机网络学习上述步骤B5中空闲车位坐标和步骤C2中空闲车位坐标的融合参数；
C4、利用步骤C3的融合参数对上述步骤B5中空闲车位坐标和步骤C2中空闲车位坐标进行融合；
C5、获取融合后的空闲车位坐标。
2.根据权利要求1所述的一种多传感器融合的空闲车位检测方法，其特征在于：所述步骤B3中，鱼眼图像分辨率为1280*720，在进行畸变矫正的过程中，先对相机进行标定，获得相机内参K、径向畸变系数k1、k2、k3、外参R，然后利用畸变矫正公式对鱼眼图像进行畸变矫正，畸变矫正公式如下所示：
其中，
是畸变点在相机sensor上的原始位置，
是畸变矫正后新的位置，
是离相机sensor中心点的半径。
3.根据权利要求1所述的一种多传感器融合的空闲车位检测方法，其特征在于：所述步骤B4中，获得鸟瞰图后，即可进行车位线识别，具体步骤如下：
01、采集车位点样本，利用yolov3训练；
02、利用训练好的yolov3模型检测俯视图上的车位点，并将一对车位点（bpt1，bpt2）用直线连接，作为车位的入口；
03、以右侧车位为例，向量
绕bpt1逆时针旋转，并按车位长度，估计出车位点bpt3，同理估计出车位点bpt4；
04、连接bpt1、bpt2、bpt3、bpt4，得到车位线。
4.根据权利要求3所述的一种多传感器融合的空闲车位检测方法，其特征在于：所述步骤B5中，局部建图的具体步骤如下：
B5.1、得到车位线的同时，提取Harris角点，进行视觉跟踪；
B5.2、采用松耦合方式得到初始值，再用上述步骤B5.1的特征点匹配，进行三角化，求出滑动窗口内所有帧的位姿以及路标点逆深度，接着与IMU预积分对齐，恢复出对齐尺度s、重力g、imu速度v和陀螺仪偏置bg这些参数；
B5.3、构建IMU约束和视觉约束的约束方程，利用紧耦合技术进行后端非线性优化，获得最优的局部地图；
B5.4、在局部地图中，寻找最优空闲车位。
5.根据权利要求4所述的一种多传感器融合的空闲车位检测方法，其特征在于：所述步骤C1中，将上述步骤B4中的两个入口点坐标bpt1、bpt2和两个末尾点坐标bpt3、bpt4分别投影到上述步骤B5的局部地图中，得到bspt1、bspt2、bspt3和bspt4四个点；
所述步骤C2中，在上述步骤B5的局部地图中以步骤C1的入口点投影坐标bspt1、bspt2，按照车位长度lenth估计两个末尾点坐标spt3、spt4，计算公式为：
spt3=bspt1+lenth；
spt4=bspt2+lenth；
从而推导出上述步骤B5的局部地图中的空闲车位（bspt1，bspt2，spt3，spt4）；
所述步骤C3中，在利用MLP多层感知机网络学***方和损失函数E进行训练，公式为：
其中，w为感知机权重，即融合参数，a为上述步骤B5中空闲车位坐标，b为步骤C2中空闲车位坐标；
所述步骤C4中，利用步骤C3的融合参数w，对上述步骤B5中空闲车位末尾两个坐标点和步骤C2中空闲车位末尾两个坐标点进行融合，公式为；
其中，
为上述步骤B4中的两个末尾点坐标bpt3、bpt4投影到上述步骤B5的局部地图中的投影点bspt3、bspt4，
为步骤C2中估计的两个末尾点spt3、spt4，y为融合后的空闲车位的末尾两个点fpt3、fpt4坐标；
所述步骤C5中，根据步骤C4的融合结果，融合后的空闲车位坐标为bspt1、bspt2、fpt3、fpt4。
6.根据权利要求1所述的一种多传感器融合的空闲车位检测方法，其特征在于：所述步骤A2中，每个
区间的长度为0.05-0.15m。
7.根据权利要求1所述的一种多传感器融合的空闲车位检测方法，其特征在于：所述步骤D中，将最后识别到的空闲车位矩形框显示到中控屏幕，车身两侧车位的显示数量为小于等于6个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210401936.XA CN114511841B (zh) | 2022-04-18 | 2022-04-18 | 一种多传感器融合的空闲车位检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210401936.XA CN114511841B (zh) | 2022-04-18 | 2022-04-18 | 一种多传感器融合的空闲车位检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114511841A CN114511841A (zh) | 2022-05-17 |
| CN114511841B true CN114511841B (zh) | 2022-07-05 |
Family
ID=81554914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210401936.XA Active CN114511841B (zh) | 2022-04-18 | 2022-04-18 | 一种多传感器融合的空闲车位检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114511841B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111845723A (zh) * | 2020-08-05 | 2020-10-30 | 北京四维智联科技有限公司 | 一种全自动泊车方法及*** |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102010044219A1 (de) * | 2010-11-22 | 2012-05-24 | Robert Bosch Gmbh | Verfahren zur Erfassung der Umgebung eines Fahrzeugs |
| TWM492262U (zh) * | 2014-07-18 | 2014-12-21 | Seeways Technology Inc | 自動顯示三態視角之倒車顯影系統及其倒車攝影裝置 |
| CN110775052B (zh) * | 2019-08-29 | 2021-01-29 | 浙江零跑科技有限公司 | 一种基于视觉与超声波感知融合的自动泊车方法 |
| CN111942372B (zh) * | 2020-07-27 | 2022-02-22 | 广州汽车集团股份有限公司 | 一种自动泊车方法及*** |
-
2022
- 2022-04-18 CN CN202210401936.XA patent/CN114511841B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111845723A (zh) * | 2020-08-05 | 2020-10-30 | 北京四维智联科技有限公司 | 一种全自动泊车方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114511841A (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104848851B (zh) | 基于多传感器数据融合构图的变电站巡检机器人及其方法 | |
| CN106997688B (zh) | 基于多传感器信息融合的停车场停车位检测方法 | |
| CN103954275B (zh) | 基于车道线检测和gis地图信息开发的视觉导航方法 | |
| JP5588812B2 (ja) | 画像処理装置及びそれを用いた撮像装置 | |
| CN112417926B (zh) | 车位识别方法、装置、计算机设备及可读存储介质 | |
| CN111169468B (zh) | 一种自动泊车的***及方法 | |
| WO2021056341A1 (zh) | 车道线融合方法、车道线融合装置、车辆和存储介质 | |
| CN105511462B (zh) | 一种基于视觉的agv导航方法 | |
| CN106651953A (zh) | 一种基于交通指示牌的车辆位姿估计方法 | |
| CN112734841B (zh) | 一种用轮式里程计-imu和单目相机实现定位的方法 | |
| CN111862673A (zh) | 基于顶视图的停车场车辆自定位及地图构建方法 | |
| CN113220818B (zh) | 一种停车场自动建图与高精度定位方法 | |
| CN113903011A (zh) | 一种适用于室内停车场的语义地图构建及定位方法 | |
| CN112347205B (zh) | 一种车辆误差状态的更新方法和装置 | |
| CN111912416A (zh) | 用于设备定位的方法、装置及设备 | |
| CN107607091A (zh) | 一种测量无人机飞行航迹的方法 | |
| CN114755662A (zh) | 一种路车融合感知的激光雷达和gps的标定方法和装置 | |
| CN114964236A (zh) | 一种针对地下停车场环境的建图与车辆定位***及方法 | |
| CN115761007A (zh) | 一种实时的双目相机自校准方法 | |
| CN111950440A (zh) | 一种识别与定位门的方法、装置及存储介质 | |
| CN110956067A (zh) | 一种人眼眼睑曲线的构建方法及装置 | |
| CN113947714B (zh) | 一种视频监控和遥感的多模态协同优化方法及*** | |
| CN114511841B (zh) | 一种多传感器融合的空闲车位检测方法 | |
| CN112833889B (zh) | 一种车辆的定位方法及装置 | |
| CN106601076B (zh) | 一种基于捷联惯导和面阵相机的汽车自助训练装置及方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231220 Address after: No. 6, Yutong Road, Guancheng Hui District, Zhengzhou, Henan 450061 Patentee after: Yutong Bus Co.,Ltd. Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: SHENZHEN YUTONG ZHILIAN TECHNOLOGY Co.,Ltd. |