CN114758318A - 一种基于全景视图的任意角度车位检测方法 - Google Patents
一种基于全景视图的任意角度车位检测方法 Download PDFInfo
- Publication number
- CN114758318A CN114758318A CN202210155275.7A CN202210155275A CN114758318A CN 114758318 A CN114758318 A CN 114758318A CN 202210155275 A CN202210155275 A CN 202210155275A CN 114758318 A CN114758318 A CN 114758318A
- Authority
- CN
- China
- Prior art keywords
- parking space
- point
- angular
- information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 64
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims description 3
- 240000004050 Pentaglottis sempervirens Species 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于全景视图的任意角度车位检测方法,将车身四周装载的4个鱼眼摄像头拍摄的图片拼接而成的AVM全景视图输入至高精度轻量级小目标检测网络完成对图像整体的特征提取;输入车位角点检测器,获得以车位角点为中心的检测框,将检测框的特征信息送入下一级的关键点检测器,完成三类角点检测;获取车位入口角度的坐标与方向信息,通过车位几何信息计算得到车位后两个坐标,还原整个车位。本发明的方法具有更强的鲁棒性,更快的实时性,能够实现任意种类,任意角度的车位识别,为把车位检测技术部署到智能驾驶上提供基础。
Description
技术领域
本发明属于辅助驾驶技术领域,尤其涉及一种基于全景视图的能够实现任意车位角检测的停车位检测方法,能够直接应用于辅助驾驶中的自动泊车环节。
背景技术
自动泊车***是汽车主动防撞***在低速复杂城市环境中的重要应用,是近年来的研究热点。其中,车位的检测无疑是最基础也是最重要的部分,能否找到车位以及能否准确地对其进行定位将直接决定泊车的成功与否。停车位检测的准确性是自动泊车***可靠性的关键,也是整个自动泊车***地基础,是后续路径规划和路径跟踪控制的前提。借助不同类型传感器感知泊车外部环境,并运用相关技术、方法提取特征,利用所获取信息确定未存在障碍物可供车辆合理停放的空间。
目前,停车位的检测方法很多。根据所选传感器的类别,它们主要可分为基于视觉和非视觉检测方法.非视觉检测方法主要使用超声波传感器、短程雷达或激光扫描仪。通过这种方式,他们向周围环境发送微波信号,并根据回波信号的时间确定传感器本身到环境的距离。这种微波传感器与近距离的照明条件无关。数据处理很简单,因此速度很快,通常是实时的。但这种方法在相邻车位没有车的时候将完全失效。相比之下,基于视觉的检测方法适用场景更光,主要使用单目摄像机、双目摄像机, RGB-Depth摄像机以及由鱼眼摄像头构成的全景***。通过使用摄像机进行图像采集,基于捕获的图像,应用计算机视觉算法来检测停车位。这些方法提供了实时视觉辅助和丰富的图像信息。但容易受到环境如光照,天气等因素的影响,鲁棒性差,且往往只能检测平行或者垂直两种车位,对于倾斜车位检测精度较低。
发明内容
为了解决现有车位检测方法中,鲁棒性,实时性差且难以检测倾斜车位的问题,本发明提出一种基于全景视图的任意角度车位检测方法,以车载全景视图为输入,以车位角点检测为切入点,结合目标检测等深度学习算法以及端到端网络的思想,通过网络训练并测试改进,得到出兼具实时性与通用性的端到端一体化的轻量级车位检测网络,为把车位检测技术部署到智能驾驶上提供基础。本发明的具体技术方案如下:
一种基于全景视图的任意角度车位检测方法,在车身周围安装鱼眼摄像头,包括以下步骤:
S1:获取环车图像;
S2:提取关键点信息,以获取车位前两个角点坐标、车位夹角及朝向信息;
S3:定位车位位置。
进一步地,所述步骤S1的具体过程为:
S1-1:通过车身的前、后、左、右安装的广角鱼眼摄像头,获取可见光图像;
S1-2:运用鱼眼摄像头矫正模型对可见光图像进行去畸变校正;
S1-3:对步骤S1-2处理后的图像进行逆透视变化,将图像变换到世界坐标系同一平面上,即变为鸟瞰图;
S1-4:利用相邻两帧图像间的公共叠加部分,通过Levenberg-Marquard非线性优化算法确定最优拼接方向,沿缝隙将图像拼接成围绕车身的360°的环车图像。
进一步地,所述步骤S2的具体过程为:
S2-1:将步骤S1得到的环车图像输入特征网络中进行特征提取;
以开源卷积神经网络作为网络骨架,在ImageNet图像数据上预训练得到基础网络,在此基准上,搭建特征金字塔SPP和路径聚合模块PANet,多尺度提取网络特征信息;
S2-2:将步骤S2-1中得到的网络特征信息输入角点目标检测器,通过两层卷积网络预测角点所在位置的检测框,经IoU损失函数的训练、迭代收敛,使角点目标检测器能够基于网络特征信息预测以角点为中心的检测框的位置信息,包括角点中心坐标及检测框的长和宽,由于环车图像只得到整个车位与行驶车辆最近的两个角点的图像信息,因而角点目标检测器只能检测出这两个点的位置信息,记这两个角点为车位入口角点P1,P2;
S2-3:计算相邻两个角点P1,P2之间的距离差值:
如果距离差值小于3m,则车位属于垂直型车位或者倾斜式车位;如果距离差值大于5m,则车位属于平行式车位;舍去距离差值既不满足小于3m,也不满足大与 5m的角点;
S2-4:定义三类关键点;
首先,定义直线为横贯整个检测框的车位线,与框体有两个交点;射线为起始点位于检测框内部,与检测框只有一个交点;
三种关键点分别为:
直线交叉点:检测框中直线与射线的交点即射线的起点;
射线交叉点:检测框中两条射线的交叉点;
与检测框边缘相交的边缘点:直线或射线与检测框边缘相交的交叉点;
S2-5:将步骤S2-2得到的角点位置信息,对应至步骤S2-1中的网络特征信息,提取以角点为中心的检测框所对应的角点特征信息,输入根据步骤S2-4中的三类关键点构建的关键点检测器,得到对应三类关键点的类别信息和位置坐标;
S2-6:将检测到的直线交叉点或射线交叉点同与检测框边缘相交的边缘点连线,计算其夹角,舍去无法进行车位还原的点,得到车位夹角α及朝向信息,若α不在90°±15°范围内,则车位为倾斜车位;
其中,每个车位均包括四个角点,在环车图像中可见的为车位入口角点P1,P2,车辆未驶入车位时在环车图像中不可见的车位后部角点P3,P4,每个车位均由其四个角点构成的线段P1P2、P2P3、P3P4、P4P1组成,车位夹角α为车位角点P1P2和P2P3构成线段的夹角,车位朝向信息由构成此车位的直线或射线延展方向确定。
进一步地,所述步骤S3的具体过程为:
通过步骤S2-2得到车位入口两个角点P1,P2的坐标、步骤S2-5获得车位夹角α和角点的朝向信息、步骤S2-3及步骤S2-6判断得到车位类型,设车位深度信息di已知,根据车位几何关系,还原出车位后部角点P3,P4的坐标信息:
其中,(xi,yi)为环车图像中,以中心点为坐标轴原点,车位的四个角点的位置坐标,i=1,2,3,4;
得到每个车位的四个角点信息后,即能够定位车位的所有位置及朝向信息,为车位轨迹规划、姿态控制提供技术基础。
进一步地,所述步骤S2-5中的关键点检测器为由两层卷积层构成的分类网络,输入为角点特征信息,输出为三类关键点的类别信息和位置坐标,训练采用车位图像和人工标注的角点类型,损失函数采用分类回归损失。
本发明的有益效果在于:
1.本发明提供一种基于全景视图的任意角度车位检测方法,以车载全景视图为输入,以车位角点检测为切入点,结合目标检测等深度学习算法以及端到端网络的思想,得到出兼具实时性与通用性的端到端一体化的轻量级车位检测网络。
2.本发明相较其他计算机视觉检测算法,如基于车位线的检测(霍夫,canny,图像分割网络等),或是基于模板匹配的车位角点角度检测等,具有更强的鲁棒性,更快的实时性,能够实现任意种类,任意角度的车位识别,为把车位检测技术部署到智能驾驶上提供基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,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,可以根据这些附图获得其他的附图。其中:
图1是AVM拍摄辅助***示意图;
图2是本发明的方法流程图;
图3是本发明的基于角点检测框的三类关键点定义;
图4是本发明的车位夹角示意图;
图5是本发明的车位还原计算示意图;
图6是部分角点检测结果图;
图7是部分角点检测结果图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图2所示,一种基于全景视图的任意角度车位检测方法,在车身周围安装鱼眼摄像头,包括以下步骤:
S1:获取环车图像;具体过程为:
S1-1:通过车身的前、后、左、右安装的广角鱼眼摄像头,获取可见光图像,如图1所示;
S1-2:运用鱼眼摄像头矫正模型对可见光图像进行去畸变校正;
S1-3:对步骤S1-2处理后的图像进行逆透视变化,将图像变换到世界坐标系同一平面上,即变为鸟瞰图;
S1-4:利用相邻两帧图像间的公共叠加部分,通过Levenberg-Marquard非线性优化算法确定最优拼接方向,沿缝隙将图像拼接成围绕车身的360°的环车图像。
S2:提取关键点信息,以获取车位前两个角点坐标、车位夹角及朝向信息;具体过程为:
S2-1:将步骤S1得到的环车图像输入特征网络中进行特征提取;
以开源卷积神经网络作为网络骨架,在ImageNet图像数据上预训练得到基础网络,在此基准上,搭建特征金字塔SPP和路径聚合模块PANet,多尺度提取网络特征信息;
S2-2:将步骤S2-1中得到的网络特征信息输入角点目标检测器,通过两层卷积网络预测角点所在位置的检测框,经IoU损失函数的训练、迭代收敛,使角点目标检测器能够基于网络特征信息预测以角点为中心的检测框的位置信息,包括角点中心坐标及检测框的长和宽,由于环车图像只得到整个车位与行驶车辆最近的两个角点的图像信息,因而角点目标检测器只能检测出这两个点的位置信息,记这两个角点为车位入口角点P1,P2;
在Tongji Parking-slot Dataset 2.0数据库上训练角点检测网络,进行实验验证,能够检测出99.89%的车位角点,即准确率为100%,召回率为99.89%,图像处理速度为50fps。部分角点检测结果图示如图6-图7所示,两种不同环车图中的角点检测结果,方框为角点检测框,point后的数字为角点检测概率。
S2-3:计算相邻两个角点P1,P2之间的距离差值:
如果距离差值小于3m,则车位属于垂直型车位或者倾斜式车位;如果距离差值大于5m,则车位属于平行式车位;舍去距离差值既不满足小于3m,也不满足大与 5m的角点;
S2-4:定义三类关键点;
如图3所示,首先,定义直线为横贯整个检测框的车位线,与框体有两个交点;射线为起始点位于检测框内部,与检测框只有一个交点;
三种关键点分别为:
直线交叉点:检测框中直线与射线的交点即射线的起点;
射线交叉点:检测框中两条射线的交叉点;
与检测框边缘相交的边缘点:直线或射线与检测框边缘相交的交叉点;
S2-5:将步骤S2-2得到的角点位置信息,对应至步骤S2-1中的网络特征信息,提取以角点为中心的检测框所对应的角点特征信息,输入根据步骤S2-4中的三类关键点构建的关键点检测器,得到对应三类关键点的类别信息和位置坐标;
S2-6:将检测到的直线交叉点或射线交叉点同与检测框边缘相交的边缘点连线,计算其夹角,舍去无法进行车位还原的点,得到车位夹角α及朝向信息,若α不在90°±15°范围内,则车位为倾斜车位;
其中,每个车位均包括四个角点,在环车图像中可见的为车位入口角点P1,P2,车辆未驶入车位时在环车图像中不可见的车位后部角点P3,P4,每个车位均由其四个角点构成的线段P1P2、P2P3、P3P4、P4P1组成,如图4所示,车位夹角α为车位角点 P1P2和P2P3构成线段的夹角,车位朝向信息由构成此车位的直线或射线延展方向确定。
S3:定位车位位置。具体过程为:
如图5所示,通过步骤S2-2得到车位入口两个角点P1,P2的坐标、步骤S2-5获得车位夹角α和角点的朝向信息、步骤S2-3及步骤S2-6判断得到车位类型,设车位深度信息di已知,根据车位几何关系,还原出车位后部角点P3,P4的坐标信息:
其中,(xi,yi)为环车图像中,以中心点为坐标轴原点,车位的四个角点的位置坐标,i=1,2,3,4;
得到每个车位的四个角点信息后,即能够定位车位的所有位置及朝向信息,为车位轨迹规划、姿态控制提供技术基础。
在一些实施方式中,步骤S2-5中的关键点检测器为由两层卷积层构成的分类网络,输入为角点特征信息,输出为三类关键点的类别信息和位置坐标,训练采用车位图像和人工标注的角点类型,损失函数采用分类回归损失。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本发明中,术语“第一”、“第二”、“第三”、“第四”仅用于描述目的,不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上,除非另有明确的限定。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于全景视图的任意角度车位检测方法,在车身周围安装鱼眼摄像头,其特征在于,包括以下步骤:
S1:获取环车图像;
S2:提取关键点信息,以获取车位前两个角点坐标、车位夹角及朝向信息;
S3:定位车位位置。
2.根据权利要求1所述的检测方法,其特征在于,所述步骤S1的具体过程为:
S1-1:通过车身的前、后、左、右安装的广角鱼眼摄像头,获取可见光图像;
S1-2:运用鱼眼摄像头矫正模型对可见光图像进行去畸变校正;
S1-3:对步骤S1-2处理后的图像进行逆透视变化,将图像变换到世界坐标系同一平面上,即变为鸟瞰图;
S1-4:利用相邻两帧图像间的公共叠加部分,通过Levenberg-Marquard非线性优化算法确定最优拼接方向,沿缝隙将图像拼接成围绕车身的360°的环车图像。
3.根据权利要求1或2所述的检测方法,其特征在于,所述步骤S2的具体过程为:
S2-1:将步骤S1得到的环车图像输入特征网络中进行特征提取;
以开源卷积神经网络作为网络骨架,在ImageNet图像数据上预训练得到基础网络,在此基准上,搭建特征金字塔SPP和路径聚合模块PANet,多尺度提取网络特征信息;
S2-2:将步骤S2-1中得到的网络特征信息输入角点目标检测器,通过两层卷积网络预测角点所在位置的检测框,经IoU损失函数的训练、迭代收敛,使角点目标检测器能够基于网络特征信息预测以角点为中心的检测框的位置信息,包括角点中心坐标及检测框的长和宽,由于环车图像只得到整个车位与行驶车辆最近的两个角点的图像信息,因而角点目标检测器只能检测出这两个点的位置信息,记这两个角点为车位入口角点P1,P2;
S2-3:计算相邻两个角点P1,P2之间的距离差值:
如果距离差值小于3m,则车位属于垂直型车位或者倾斜式车位;如果距离差值大于5m,则车位属于平行式车位;舍去距离差值既不满足小于3m,也不满足大与5m的角点;
S2-4:定义三类关键点;
首先,定义直线为横贯整个检测框的车位线,与框体有两个交点;射线为起始点位于检测框内部,与检测框只有一个交点;
三种关键点分别为:
直线交叉点:检测框中直线与射线的交点即射线的起点;
射线交叉点:检测框中两条射线的交叉点;
与检测框边缘相交的边缘点:直线或射线与检测框边缘相交的交叉点;
S2-5:将步骤S2-2得到的角点位置信息,对应至步骤S2-1中的网络特征信息,提取以角点为中心的检测框所对应的角点特征信息,输入根据步骤S2-4中的三类关键点构建的关键点检测器,得到对应三类关键点的类别信息和位置坐标;
S2-6:将检测到的直线交叉点或射线交叉点同与检测框边缘相交的边缘点连线,计算其夹角,舍去无法进行车位还原的点,得到车位夹角α及朝向信息,若α不在90°±15°范围内,则车位为倾斜车位;
其中,每个车位均包括四个角点,在环车图像中可见的为车位入口角点P1,P2,车辆未驶入车位时在环车图像中不可见的车位后部角点P3,P4,每个车位均由其四个角点构成的线段P1P2、P2P3、P3P4、P4P1组成,车位夹角α为车位角点P1P2和P2P3构成线段的夹角,车位朝向信息由构成此车位的直线或射线延展方向确定。
5.根据权利要求3所述的检测方法,其特征在于,所述步骤S2-5中的关键点检测器为由两层卷积层构成的分类网络,输入为角点特征信息,输出为三类关键点的类别信息和位置坐标,训练采用车位图像和人工标注的角点类型,损失函数采用分类回归损失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210155275.7A CN114758318A (zh) | 2022-02-21 | 2022-02-21 | 一种基于全景视图的任意角度车位检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210155275.7A CN114758318A (zh) | 2022-02-21 | 2022-02-21 | 一种基于全景视图的任意角度车位检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114758318A true CN114758318A (zh) | 2022-07-15 |
Family
ID=82325781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210155275.7A Pending CN114758318A (zh) | 2022-02-21 | 2022-02-21 | 一种基于全景视图的任意角度车位检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114758318A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117012053A (zh) * | 2023-09-28 | 2023-11-07 | 东风悦享科技有限公司 | 一种车位检测点的后优化方法、***及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178236A (zh) * | 2019-12-27 | 2020-05-19 | 清华大学苏州汽车研究院(吴江) | 一种基于深度学习的车位检测方法 |
WO2020124988A1 (zh) * | 2018-12-21 | 2020-06-25 | 广州小鹏汽车科技有限公司 | 一种基于视觉的车位检测方法及装置 |
CN111369439A (zh) * | 2020-02-29 | 2020-07-03 | 华南理工大学 | 基于环视的自动泊车车位识别全景环视图像实时拼接方法 |
CN111862672A (zh) * | 2020-06-24 | 2020-10-30 | 北京易航远智科技有限公司 | 基于顶视图的停车场车辆自定位及地图构建方法 |
CN112201078A (zh) * | 2020-09-30 | 2021-01-08 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于图神经网络的自动泊车停车位检测方法 |
CN113537105A (zh) * | 2021-07-23 | 2021-10-22 | 北京经纬恒润科技股份有限公司 | 一种车位检测方法及装置 |
CN113674199A (zh) * | 2021-07-06 | 2021-11-19 | 浙江大华技术股份有限公司 | 停车位检测方法、电子设备及存储介质 |
-
2022
- 2022-02-21 CN CN202210155275.7A patent/CN114758318A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020124988A1 (zh) * | 2018-12-21 | 2020-06-25 | 广州小鹏汽车科技有限公司 | 一种基于视觉的车位检测方法及装置 |
CN111178236A (zh) * | 2019-12-27 | 2020-05-19 | 清华大学苏州汽车研究院(吴江) | 一种基于深度学习的车位检测方法 |
CN111369439A (zh) * | 2020-02-29 | 2020-07-03 | 华南理工大学 | 基于环视的自动泊车车位识别全景环视图像实时拼接方法 |
CN111862672A (zh) * | 2020-06-24 | 2020-10-30 | 北京易航远智科技有限公司 | 基于顶视图的停车场车辆自定位及地图构建方法 |
CN112201078A (zh) * | 2020-09-30 | 2021-01-08 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于图神经网络的自动泊车停车位检测方法 |
CN113674199A (zh) * | 2021-07-06 | 2021-11-19 | 浙江大华技术股份有限公司 | 停车位检测方法、电子设备及存储介质 |
CN113537105A (zh) * | 2021-07-23 | 2021-10-22 | 北京经纬恒润科技股份有限公司 | 一种车位检测方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117012053A (zh) * | 2023-09-28 | 2023-11-07 | 东风悦享科技有限公司 | 一种车位检测点的后优化方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178236B (zh) | 一种基于深度学习的车位检测方法 | |
CN110097536B (zh) | 基于深度学习和霍夫变换的六边形螺栓松动检测方法 | |
Ruyi et al. | Lane detection and tracking using a new lane model and distance transform | |
CN112180373B (zh) | 一种多传感器融合的智能泊车***和方法 | |
CN110910453B (zh) | 基于无重叠视域多相机***的车辆位姿估计方法及其*** | |
Huang et al. | DMPR-PS: A novel approach for parking-slot detection using directional marking-point regression | |
CN111862673B (zh) | 基于顶视图的停车场车辆自定位及地图构建方法 | |
US20040125207A1 (en) | Robust stereo-driven video-based surveillance | |
WO2022188663A1 (zh) | 一种目标检测方法及装置 | |
Ali et al. | Autonomous road surveillance system: A proposed model for vehicle detection and traffic signal control | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
US11482007B2 (en) | Event-based vehicle pose estimation using monochromatic imaging | |
WO2020127151A1 (en) | Method for improved object detection | |
CN113901961A (zh) | 车位检测方法、装置、设备及存储介质 | |
CN116643291A (zh) | 一种视觉与激光雷达联合剔除动态目标的slam方法 | |
CN116978009A (zh) | 基于4d毫米波雷达的动态物体滤除方法 | |
CN114758318A (zh) | 一种基于全景视图的任意角度车位检测方法 | |
Suto | Real-time lane line tracking algorithm to mini vehicles | |
Ho et al. | Localization on freeways using the horizon line signature | |
Sen et al. | SceneCalib: Automatic targetless calibration of cameras and LiDARs in autonomous driving | |
CN106991415A (zh) | 用于车载鱼眼相机的图像处理方法和装置 | |
CN116403186A (zh) | 基于FPN Swin Transformer与Pointnet++ 的自动驾驶三维目标检测方法 | |
CN207115438U (zh) | 用于车载鱼眼相机的图像处理装置 | |
CN113147746A (zh) | 坡道车位的探测方法及装置 | |
CN114141055A (zh) | 一种智能泊车***的泊车位检测装置和检测方法 |
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 |