CN114821540B - 车位检测方法、装置、电子设备和计算机可读介质 - Google Patents
车位检测方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN114821540B CN114821540B CN202210588080.1A CN202210588080A CN114821540B CN 114821540 B CN114821540 B CN 114821540B CN 202210588080 A CN202210588080 A CN 202210588080A CN 114821540 B CN114821540 B CN 114821540B
- Authority
- CN
- China
- Prior art keywords
- parking space
- parking
- coordinate
- vertex
- sample
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了车位检测方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取鱼眼相机拍摄的车位环视鱼眼图;将车位环视鱼眼图输入至预设的车位检测模型,得到车位检测结果;对车位检测信息包括的车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集进行匹配处理,得到车位匹配信息集;基于车位匹配信息集,生成车位拓扑结构信息集;将车位拓扑结构信息集中的各个车位拓扑结构信息添加至车位环视鱼眼图,得到车位检测结果图。该实施方式可以提高生成的车位检测结果的准确度。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及车位检测方法、装置、电子设备和计算机可读介质。
背景技术
车位检测,对于自动驾驶领域具有重要意义。目前,在进行车位检测时,通常采用的方式:首先,利用AVM(Around View Monitor,全景式监控影像***)拼接得到车位图。然后,对该车位图进行车位检测,得到车位检测结果。
然而,发明人发现,当采用上述方式进行车位检测时,经常会存在如下技术问题:
第一,拼接得到的车位图会出现拼接裂缝及畸变等情况,对车位检测存在干扰,因此,导致生成的车位检测结果的准确度降低;
第二,拼接得到的车位图中占用车位的物体会被拉伸,从而,影响对其它车位的检测,进而,导致生成的车位检测结果的准确度降低。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了车位检测方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种车位检测方法,该方法包括:获取鱼眼相机拍摄的车位环视鱼眼图;将上述车位环视鱼眼图输入至预设的车位检测模型,得到车位检测结果,其中,上述车位检测结果包括:车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集;对上述车位检测信息包括的车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集进行匹配处理,得到车位匹配信息集;基于上述车位匹配信息集,生成车位拓扑结构信息集;将上述车位拓扑结构信息集中的各个车位拓扑结构信息添加至上述车位环视鱼眼图,得到车位检测结果图。
第二方面,本公开的一些实施例提供了一种车位检测装置,该装置包括:获取单元,被配置成获取鱼眼相机拍摄的车位环视鱼眼图;输入单元,被配置成将上述车位环视鱼眼图输入至预设的车位检测模型,得到车位检测结果,其中,上述车位检测结果包括:车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集;匹配处理单元,被配置成对上述车位检测信息包括的车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集进行匹配处理,得到车位匹配信息集;生成单元,被配置成基于上述车位匹配信息集,生成车位拓扑结构信息集;添加单元,被配置成将上述车位拓扑结构信息集中的各个车位拓扑结构信息添加至上述车位环视鱼眼图,得到车位检测结果图。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的车位检测方法,可以提高生成的车位检测结果的准确度。具体来说,造成生成的车位检测结果的准确度降低的原因在于:拼接得到的车位图会出现拼接裂缝及畸变等情况,对车位检测存在干扰。基于此,本公开的一些实施例的车位检测方法,首先,获取鱼眼相机拍摄的车位环视鱼眼图。然后,将上述车位环视鱼眼图输入至预设的车位检测模型,得到车位检测结果。通过引入车位检测模型,可以直接对车位环视鱼眼图进行识别,得到车位检测结果。以此作为车位检测结果图的数据支撑。从而,无需通过拼接得到的车位图。接着,通过匹配处理,生成车位匹配信息集。之后,基于上述车位匹配信息集,生成车位拓扑结构信息集。通过生成车位拓扑结构信息,可以表征识别到的车位结构,以此提高生成的车位检测结果图的准确度。最后,将上述车位拓扑结构信息集中的各个车位拓扑结构信息添加至上述车位环视鱼眼图,得到车位检测结果图。从而,通过此实施方式,可以避免拼接得到的车位图会出现拼接裂缝及畸变等情况,对车位检测的干扰。进而,提高生成的车位检测结果的准确度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的车位检测方法的一个应用场景的示意图;
图2是根据本公开的车位检测方法的一些实施例的流程图;
图3是根据本公开的车位检测装置的一些实施例的结构示意图;
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的车位检测方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以获取鱼眼相机拍摄的车位环视鱼眼图102。接着,计算设备101可以将上述车位环视鱼眼图102输入至预设的车位检测模103,得到车位检测结果104,其中,上述车位检测结果104包括:车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集。然后,计算设备101可以对上述车位检测信息104包括的车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集进行匹配处理,得到车位匹配信息集105。之后,计算设备101可以基于上述车位匹配信息集105,生成车位拓扑结构信息集106。最后,计算设备101可以将上述车位拓扑结构信息集106中的各个车位拓扑结构信息添加至上述车位环视鱼眼图102,得到车位检测结果图107。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备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计算设备。
继续参考图2,示出了根据本公开的车位检测方法的一些实施例的流程200。该车位检测方法的流程200,包括以下步骤:
步骤201,获取鱼眼相机拍摄的车位环视鱼眼图。
在一些实施例中,车位检测方法的执行主体(如图1所示的计算设备101)可以通过有线的方式或者无线的方式获取鱼眼相机拍摄的车位环视鱼眼图。其中,上述车位环视鱼眼图可以是车辆在车辆在倒车入库的过程中、鱼眼相机拍摄的车位图像。
步骤202,将车位环视鱼眼图输入至预设的车位检测模型,得到车位检测结果。
在一些实施例中,上述执行主体可以将上述车位环视鱼眼图输入至预设的车位检测模型,得到车位检测结果。其中,上述车位检测结果可以包括:车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集。车位中心点坐标信息可以包括车位中心点坐标,表征检测到的某一车位在上述车位环视鱼眼图像中的中心点坐标。车位中心点坐标信息集中车位中心点坐标信息的数量可以用于表征检测到车位环视鱼眼图像中的车位数量。车位中心点坐标偏移量可以与车位中心点坐标一一对应,用于表征检测的车位中心点坐标的检测误差。车位顶点坐标可以是检测到的车位四个顶点的某一顶点在上述车位环视鱼眼图中的坐标。车位顶点坐标偏移量与车位顶点坐标可以是一一对应的,用于表征车位顶点坐标的检测误差。车位入口线中心点坐标与车位中心点坐标一一对应。车位入口线中心点坐标可以是检测到的、车位入口线的中点在车位环视鱼眼图像中的坐标。车位入口线中点坐标偏移量可以与车位入口线中心点坐标一一对应,用于表征车位入口线中心点坐标的检测误差。车位顶点相对偏移量与车位中心点坐标一一对应,可以用于表征某一车位的各个车位顶点坐标相对于该车位的车位中心点坐标的平均相对距离值。车位入口线角点相对偏移量与车位入口线中心点坐标一一对应,可以用于表征车位的入口侧两个角点与车位入口线中心点坐标的相对距离值。
作为示例,检验误差可以包括图像坐标系中在横轴和纵轴的两个方向上的偏移值。上述车位检测模型可以包括但不限于以下至少一项:Resnet(Residual Network,残差神经网络)模型、VGG(Visual Geometry Group Network,卷积神经网络)模型或GoogLeNet(深度神经网络)模型等。另外,上述车位检测模型可以由主干网络、采样层和检测头组成。其中,主干网络可以包括卷积层和全连接层。例如,17个卷积层和1个全连接层。该17个卷积层可以包括:1个7×7的卷积层,1个2×2的最大池化层,4个卷积块。每个卷积块可以由1×1的卷积层、3×3的卷积层、归一化层和激活层组成。例如,激活层的激活函数可以是:ReLU(Randomized Leaky,带泄露随机线性整流)函数。这里,激活函数的值可以在6的时候截断。采样层可以由上采样层和下采样层组成,可以包括3个3×3的卷积层和3个4×4的转置卷积。检测头可以由八个分支组成,可以用于检测上述车位检测结果包括的八项数据。
在一些实施例的一些可选的实现方式中,上述车位检测模型通过以下步骤训练生成:
第一步,将训练样本包括的样本车位图输入至初始车位检测模型,得到样本检测结果。其中,上述训练样本还包括:样本车位中心点信息、样本车位中心点偏移量集、样本车位顶点坐标集、样本车位顶点偏移量集、样本车位入口线中点坐标集、样本车位入口线中点坐标偏移量集、样本车位顶点相对偏移量集、样本车位入口线角点相对偏移量集,上述样本车位中心点信息包括:样本车位中心点坐标集和样本车位占用状态。
第二步,确定上述样本检测结果与上述训练样本包括的样本车位中心点信息、样本车位中心点偏移量集、样本车位顶点坐标集、样本车位顶点偏移量集、样本车位入口线中点坐标集、样本车位入口线中点坐标偏移量集、样本车位顶点相对偏移量集和样本车位入口线角点相对偏移量集之间的总损失值。其中,首先,可以通过预设的损失函数,确定样本检测结果中的八项数据分别与训练样本包括的八项样本标签(即,样本车位中心点信息、样本车位中心点偏移量集、样本车位顶点坐标集、样本车位顶点偏移量集、样本车位入口线中点坐标集、样本车位入口线中点坐标偏移量集、样本车位顶点相对偏移量集和样本车位入口线角点相对偏移量集)之间的损失值。然后,可以利用预设的权重,将各项数据对应的损失值的加权结果确定为总损失值。
第三步,响应于确定上述总损失值满足预设的训练条件,对上述初始车位检测模型进行测试处理,得到测试结果。其中,上述训练条件可以是总损失值小于等于预设阈值。可以通过预设的测试集,对初始车位检测模型进行测试,得到测试结果。测试结果可以包括准确率、召回率和速率。
第四步,响应于确定上述测试结果满足预设的测试条件,将上述初始车位检测模型确定为上述车位检测模型。其中,测试条件可以是测试结果包括的准确率、召回率和速率分别大于预设的准确率阈值、召回率阈值和速率阈值。
在一些实施例的一些可选的实现方式中上述车位检测模型的训练步骤还可以包括:
响应于确定上述总损失值不满足上述训练条件、或上述测试结果不满足上述测试条件,调整上述初始车位检测模型的参数。其中,调整后的车位检测模型的参数可以用于下一轮的模型训练。
步骤203,对车位检测信息包括的车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集进行匹配处理,得到车位匹配信息集。
在一些实施例中,上述执行主体可以对上述车位检测信息包括的车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集进行匹配处理,得到车位匹配信息集。其中,匹配处理可以是用于从车位检测信息包括的信息中选出对应每个车位的信息。由此,车位匹配信息集中的每个车位匹配信息可以表征检测到的每个车位的信息。
在一些实施例的一些可选的实现方式中,上述车位中心点坐标信息集中的车位中心点坐标信息包括:车位中心点坐标和车位占用状态。以及上述执行主体对上述车位检测信息包括的车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集进行匹配处理,得到车位匹配信息集,可以包括以下步骤:
对于上述车位中心点坐标信息集中的每个车位中心点坐标信息,执行如下匹配步骤,以生成车位匹配结果:
第一步,将上述车位中心点坐标偏移量集中与上述车位中心点坐标信息包括的车位中心点坐标相匹配的车位中心点坐标偏移量确定为目标中心点坐标偏移量。其中,可以通过车位中心点坐标与车位中心点坐标偏移量的对应关系,从上述车位中心点坐标偏移量集中选出与上述车位中心点坐标信息包括的车位中心点坐标相匹配的车位中心点坐标偏移量,作为目标中心点坐标偏移量。
第二步,从上述车位顶点坐标集中选出与上述车位中心点坐标信息包括的车位中心点坐标相匹配的车位顶点坐标,得到目标顶点坐标组。其中,相匹配可以是车位中心点坐标与车位顶点坐标的距离值、与上述车位中心点坐标对应的车位顶点相对偏移量之间的差值小于等于预设距离阈值。
第三步,将上述车位顶点坐标偏移量集中与上述目标顶点坐标组中每个目标顶点坐标对应的车位顶点坐标偏移量确定为目标顶点坐标偏移量,得到目标顶点坐标偏移量组。
第四步,将上述车位入口线中点坐标集中与上述车位中心点坐标信息包括的车位中心点坐标相匹配的车位入口线中心点坐标确定为目标入口线中心点坐标。其中,可以通过车位中心点坐标与车位入口线中点坐标的对应关系,从上述车位入口线中点坐标集中选出与车位中心点坐标相匹配的车位入口线中心点坐标,作为目标入口线中心点坐标。
第五步,将上述车位入口线中点坐标偏移量集中与上述目标入口线中心点坐标对应的车位入口线中点坐标偏移量确定为目标入口线中点坐标偏移量。
第六步,将上述车位顶点相对偏移量集中与上述目标顶点坐标组中每个目标顶点坐标对应的车位顶点相对偏移量确定为目标顶点相对偏移量,得到目标顶点相对偏移量组。
第七步,从上述车位入口线角点相对偏移量集中选出与上述目标入口线中心点坐标相匹配的车位入口线角点相对偏移量确定为目标入口线角点相对偏移量,得到目标入口线角点相对偏移量组。其中,可以通过目标入口线中心点坐标与车位入口线角点相对偏移量的对应关系,从车位入口线角点相对偏移量集中选出与目标入口线中心点坐标相匹配的车位入口线角点相对偏移量,作为为目标入口线角点相对偏移量。
第八步,将上述目标中心点坐标偏移量、上述目标顶点坐标组、上述目标顶点坐标偏移量组、上述目标入口线中心点坐标、上述目标入口线中点坐标偏移量、上述目标顶点相对偏移量组、上述目标入口线角点相对偏移量组和上述车位中心点坐标信息包括的车位占用状态确定为车位匹配结果。其中,车位占用状态可以表征车位是否被占用。
在一些实施例的一些可选的实现方式中,上述执行主体对上述车位检测信息包括的车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集进行匹配处理,得到车位匹配信息集,还可以包括以下步骤:
对于所生成的每个车位匹配结果执行如下筛选处理步骤,得到车位匹配信息集中的车位匹配信息:
第一步,去除上述车位匹配结果包括的目标顶点坐标组中不满足预设置信度条件的目标顶点坐标,得到去除后顶点坐标组。其中,上述车位检测信息还可以包括车位顶点坐标置信度集。该车位顶点坐标置信度集中的车位顶点坐标置信度可以是在上述车位检测模型生成车位顶点坐标时,与每个车位顶点坐标对应置信度。上述预设置信度条件可以是目标顶点坐标对应的车位顶点坐标置信度大于预设置信度阈值。
第二步,响应于确定上述去除后顶点坐标组中去除后顶点坐标的数量大于预设数量阈值,对上述去除后顶点坐标组中的各个去除后顶点坐标进行排序,得到去除后顶点坐标序列。其中,可以根据车位中心点坐标和去除后顶点坐标之间的距离值、与上述车位中心点坐标对应的车位顶点相对偏移量之间的差值,对上述去除后顶点坐标组中的各个去除后顶点坐标进行排序,得到去除后顶点坐标序列。
作为示例,去除后顶点坐标序列中的各个去除后顶点坐标可以按照差值从小到大的顺序排列。
第三步,将上述去除后顶点坐标序列中满足筛选条件的去除后顶点坐标确定为筛选后顶点坐标,得到筛选后顶点坐标序列。其中,上述筛选条件可以是去除后顶点坐标序列中预设排名之内的去除后顶点坐标。
第四步,利用上述筛选后顶点坐标组,对上述车位匹配结果包括的目标顶点坐标偏移量组和目标顶点相对偏移量组进行筛选,得到筛选后顶点坐标偏移量组和筛选后顶点相对偏移量组。其中,首先,可以将目标顶点坐标偏移量组中与上述筛选后顶点坐标相对应的目标顶点坐标偏移量确定为筛选后顶点坐标偏移量。然后,可以将目标顶点相对偏移量组中与上述筛选后顶点坐标相对应的目标顶点坐标偏移量确定为筛选后顶点相对偏移量。得到筛选后顶点坐标偏移量组和筛选后顶点相对偏移量组。
第五步,将上述车位匹配结果中的目标顶点坐标组、目标顶点坐标偏移量组和目标顶点相对偏移量组、分别替换为上述筛选后顶点坐标序列、上述筛选后顶点坐标偏移量组和上述筛选后顶点相对偏移量组,得到车位匹配信息。
步骤204,基于车位匹配信息集,生成车位拓扑结构信息集。
在一些实施例中,上述执行主体可以基于上述车位匹配信息集,生成车位拓扑结构信息集。其中,车位拓扑结构信息集中的车位拓扑结构信息可以包括车位拓扑结构和车位被占用状态。车位拓扑结构可以包括一个车位对应的车位环视鱼眼图中的车位中心点坐标、车位入口线中心点坐标、车位顶点坐标。车位拓扑结构还可以用于表征一个车位对应的车位环视鱼眼图中的车位中心点坐标、车位入口线中心点坐标、车位顶点坐标之间的位置关系。这里,位置关系可以是连接车位中心点坐标、车位入口线中心点坐标、车位顶点坐标后形成的四边形框。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述车位匹配信息集,生成车位拓扑结构信息集,可以包括以下步骤:
对于上述车位匹配信息集中的每个车位匹配信息,执行如下步骤,以生成车位拓扑结构信息中的车位拓扑结构信息:
第一步,基于上述车位匹配信息,生成修正后车位中心点坐标、修正后顶点坐标组和修正后车位入口中点坐标。其中,首先,可以对车位匹配信息包括的车位中心点坐标进行调整,得到修正后车位中心点坐标。然后,可以对车位匹配信息包括的筛选后顶点坐标序列中的各个筛选后顶点坐标进行调整,得到修正后顶点坐标组。最后,可以对目标入口线中心点坐标进行调整,得到修正后车位入口中点坐标。
这里,对车位匹配信息包括的车位中心点坐标进行调整可以是:将车位匹配信息包括的目标中心点坐标偏移量中的横轴偏移量与车位中心点坐标的横坐标的和确定为修正后车位中心点坐标的横坐标值。将车位匹配信息包括的目标中心点坐标偏移量中的纵轴偏移量与车位中心点坐标的纵坐标的和确定为修正后车位中心点坐标的纵坐标值。
其次,对目标入口线中心点坐标进行调整,可以是将车位匹配信息包括的目标入口线中点坐标偏移量中的横轴偏移量与目标入口线中心点坐标的横坐标的和确定为修正后车位入口中点坐标的横坐标值。将车位匹配信息包括的目标入口线中点坐标偏移量中的纵轴偏移量与目标入口线中心点坐标的纵坐标的和确定为修正后车位入口中点坐标的纵坐标值。
最后,对于车位匹配信息包括的筛选后顶点坐标序列中的每个筛选后顶点坐标进行调整可以是:首先,利用对应的筛选后顶点坐标偏移量对筛选后顶点坐标进行调整。然后,可以利用对应的筛选后顶点相对偏移量对筛选后顶点坐标进行调整。另外,若上述筛选后顶点坐标是处于修正后车位入口中点坐标一定距离(例如,1米)内的筛选后顶点坐标,则可以表征筛选后顶点坐标为车位入口的顶点坐标。那么,可以利用对应的目标入口线角点相对偏移量和筛选后顶点相对偏移量对筛选后顶点坐标进行调整。
具体的,利用对应的筛选后顶点相对偏移量对筛选后顶点坐标进行调整可以是:在筛选后顶点坐标与车位中心点坐标之间的连线方向上、确定距离车位中心点坐标为筛选后顶点相对偏移量的坐标,得到修正坐标。然后,可以将车位中心点坐标与修正坐标之间的中点的坐标确定为修正后顶点坐标。
另外,利用对应的目标入口线角点相对偏移量和筛选后顶点相对偏移量对筛选后顶点坐标进行调整可以是:首先,在筛选后顶点坐标与车位中心点坐标之间的连线方向上、确定距离车位中心点坐标为筛选后顶点相对偏移量的坐标,得到中心修正坐标。然后,确定在筛选后顶点坐标与车位入口线中点坐标之间的连线方向上、确定距离车位入口线中点坐标为目标入口线角点相对偏移量的角点修正坐标。最后,可以将上述筛选后顶点坐标、上述中心修正坐标和上述角点修正坐标的中心点坐标确定为修正后顶点坐标。
第二步,将上述修正后车位中心点坐标、上述修正后顶点坐标组、上述修正后车位入口中点坐标和上述车位匹配信息包括的车位占用状态确定为车位拓扑结构信息。
上述匹配处理、生成车位拓扑结构信息及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“拼接得到的车位图中占用车位的物体会被拉伸,从而,影响对其它车位的检测,进而,导致生成的车位检测结果的准确度降低”。导致生成的车位检测结果的准确度降低的因素往往如下:拼接得到的车位图中占用车位的物体会被拉伸,从而,影响对其它车位的检测。如果解决了上述因素,就能提高生成的车位检测结果的准确度。为了达到这一效果,首先,通过上述模型训练步骤得到的车位检测模型,可以直接对车位环视鱼眼图进行车位检测。避免拼接得到的车位图中占用车位的物体会被拉伸对其它车位检测的影响。然后,通过匹配处理,可以将同一车位对应的信息进行匹配,以此便于对不同车位的信息进行区分。由此,还可以进一步避免车位信息之间的相互影响。接着,通过生成车位拓扑结构信息,可以用于表征每个车位在车位环视鱼眼图中所在的位置及状态。从而,可以进一步避免拼接得到的车位图中占用车位的物体会被拉伸对其它车位检测的影响,提高了生成的车位检测结果的准确度。
步骤205,将车位拓扑结构信息集中的各个车位拓扑结构信息添加至车位环视鱼眼图,得到车位检测结果图。
在一些实施例中,上述执行主体可以将上述车位拓扑结构信息集中的各个车位拓扑结构信息添加至上述车位环视鱼眼图,得到车位检测结果图。其中,可以将车位拓扑结构信息包括的修正后车位中心点坐标、上述修正后顶点坐标组、上述修正后车位入口中点坐标之间的连线作为车位示意结构添加至车位环视鱼眼图。另外,对于车位拓扑结构信息包括的不同车位占用状态,可以在将连线添加至车位环视鱼眼图时,对连线做不同的处理。从而,得到车位检测结果图。
作为示例,可以对于不同车位占用状态,可以对应不同的连线。例如,车位占用使用实现,车位未占用使用虚线,或者通过不同颜色的实线体现不同车位占用状态。不做具体限定。
可选的,上述执行主体还可以将上述车位检测结果图发送至车辆显示终端以供显示。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的车位检测方法,可以提高生成的车位检测结果的准确度。具体来说,造成生成的车位检测结果的准确度降低的原因在于:拼接得到的车位图会出现拼接裂缝及畸变等情况,对车位检测存在干扰。基于此,本公开的一些实施例的车位检测方法,首先,获取鱼眼相机拍摄的车位环视鱼眼图。然后,将上述车位环视鱼眼图输入至预设的车位检测模型,得到车位检测结果。通过引入车位检测模型,可以直接对车位环视鱼眼图进行识别,得到车位检测结果。以此作为车位检测结果图的数据支撑。从而,无需通过拼接得到的车位图。接着,通过匹配处理,生成车位匹配信息集。之后,基于上述车位匹配信息集,生成车位拓扑结构信息集。通过生成车位拓扑结构信息,可以表征识别到的车位结构,以此提高生成的车位检测结果图的准确度。最后,将上述车位拓扑结构信息集中的各个车位拓扑结构信息添加至上述车位环视鱼眼图,得到车位检测结果图。从而,通过此实施方式,可以避免拼接得到的车位图会出现拼接裂缝及畸变等情况,对车位检测的干扰。进而,提高生成的车位检测结果的准确度。
进一步参考图3,作为对上述各图所示方法的实现,本公开提供了一种车位检测装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,一些实施例的车位检测装置300包括:获取单元301、输入单元302、匹配处理单元303、生成单元304和添加单元305。其中,获取单元301,被配置成获取鱼眼相机拍摄的车位环视鱼眼图;输入单元302,被配置成将上述车位环视鱼眼图输入至预设的车位检测模型,得到车位检测结果,其中,上述车位检测结果包括:车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集;匹配处理单元303,被配置成对上述车位检测信息包括的车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集进行匹配处理,得到车位匹配信息集;生成单元304,被配置成基于上述车位匹配信息集,生成车位拓扑结构信息集;添加单元305,被配置成将上述车位拓扑结构信息集中的各个车位拓扑结构信息添加至上述车位环视鱼眼图,得到车位检测结果图。
可以理解的是,该装置300中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元,在此不再赘述。
下面参考图4,其示出了适于用来实现本公开的一些实施例的电子设备400的结构示意图。图4示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取鱼眼相机拍摄的车位环视鱼眼图;将上述车位环视鱼眼图输入至预设的车位检测模型,得到车位检测结果,其中,上述车位检测结果包括:车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集;对上述车位检测信息包括的车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集进行匹配处理,得到车位匹配信息集;基于上述车位匹配信息集,生成车位拓扑结构信息集;将上述车位拓扑结构信息集中的各个车位拓扑结构信息添加至上述车位环视鱼眼图,得到车位检测结果图。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、输入单元、匹配处理单元、生成单元和添加单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取鱼眼相机拍摄的车位环视鱼眼图”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种车位检测方法,包括:
获取鱼眼相机拍摄的车位环视鱼眼图,其中,所述车位环视鱼眼图是车辆在倒车入库的过程中、鱼眼相机拍摄的车位图像;
将所述车位环视鱼眼图输入至预设的车位检测模型,得到车位检测结果,其中,所述车位检测结果包括:车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集,车位入口线中心点坐标是检测到的、车位入口线的中点在车位环视鱼眼图像中的坐标;
对车位检测信息包括的车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集进行匹配处理,得到车位匹配信息集;
基于所述车位匹配信息集,生成车位拓扑结构信息集;
将所述车位拓扑结构信息集中的各个车位拓扑结构信息添加至所述车位环视鱼眼图,得到车位检测结果图;
其中,所述车位检测模型通过以下步骤训练生成:
将训练样本包括的样本车位图输入至初始车位检测模型,得到样本检测结果,其中,所述训练样本还包括:样本车位中心点信息、样本车位中心点偏移量集、样本车位顶点坐标集、样本车位顶点偏移量集、样本车位入口线中点坐标集、样本车位入口线中点坐标偏移量集、样本车位顶点相对偏移量集、样本车位入口线角点相对偏移量集,所述样本车位中心点信息包括:样本车位中心点坐标集和样本车位占用状态;
确定所述样本检测结果与所述训练样本包括的样本车位中心点信息、样本车位中心点偏移量集、样本车位顶点坐标集、样本车位顶点偏移量集、样本车位入口线中点坐标集、样本车位入口线中点坐标偏移量集、样本车位顶点相对偏移量集和样本车位入口线角点相对偏移量集之间的总损失值;
响应于确定所述总损失值满足预设的训练条件,对所述初始车位检测模型进行测试处理,得到测试结果;
响应于确定所述测试结果满足预设的测试条件,将所述初始车位检测模型确定为所述车位检测模型。
2.根据权利要求1所述的方法,其中,所述方法还包括:
将所述车位检测结果图发送至车辆显示终端以供显示。
3.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定所述总损失值不满足所述训练条件、或所述测试结果不满足所述测试条件,调整所述初始车位检测模型的参数。
4.根据权利要求1所述的方法,其中,所述车位中心点坐标信息集中的车位中心点坐标信息包括:车位中心点坐标和车位占用状态;以及
所述对车位检测信息包括的车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集进行匹配处理,得到车位匹配信息集,包括:
对于所述车位中心点坐标信息集中的每个车位中心点坐标信息,执行如下匹配步骤,以生成车位匹配结果:
将所述车位中心点坐标偏移量集中与所述车位中心点坐标信息包括的车位中心点坐标相匹配的车位中心点坐标偏移量确定为目标中心点坐标偏移量;
从所述车位顶点坐标集中选出与所述车位中心点坐标信息包括的车位中心点坐标相匹配的车位顶点坐标,得到目标顶点坐标组;
将所述车位顶点坐标偏移量集中与所述目标顶点坐标组中每个目标顶点坐标对应的车位顶点坐标偏移量确定为目标顶点坐标偏移量,得到目标顶点坐标偏移量组;
将所述车位入口线中点坐标集中与所述车位中心点坐标信息包括的车位中心点坐标相匹配的车位入口线中心点坐标确定为目标入口线中心点坐标;
将所述车位入口线中点坐标偏移量集中与所述目标入口线中心点坐标对应的车位入口线中点坐标偏移量确定为目标入口线中点坐标偏移量;
将所述车位顶点相对偏移量集中与所述目标顶点坐标组中每个目标顶点坐标对应的车位顶点相对偏移量确定为目标顶点相对偏移量,得到目标顶点相对偏移量组;
从所述车位入口线角点相对偏移量集中选出与所述目标入口线中心点坐标相匹配的车位入口线角点相对偏移量确定为目标入口线角点相对偏移量,得到目标入口线角点相对偏移量组;
将所述目标中心点坐标偏移量、所述目标顶点坐标组、所述目标顶点坐标偏移量组、所述目标入口线中心点坐标、所述目标入口线中点坐标偏移量、所述目标顶点相对偏移量组、所述目标入口线角点相对偏移量组和所述车位中心点坐标信息包括的车位占用状态确定为车位匹配结果。
5.根据权利要求4所述的方法,其中,所述方法还包括:
对于所生成的每个车位匹配结果执行如下筛选处理步骤,得到车位匹配信息集中的车位匹配信息:
去除所述车位匹配结果包括的目标顶点坐标组中不满足预设置信度条件的目标顶点坐标,得到去除后顶点坐标组;
响应于确定所述去除后顶点坐标组中去除后顶点坐标的数量大于预设数量阈值,对所述去除后顶点坐标组中的各个去除后顶点坐标进行排序,得到去除后顶点坐标序列;
将所述去除后顶点坐标序列中满足筛选条件的去除后顶点坐标确定为筛选后顶点坐标,得到筛选后顶点坐标序列;
利用所述筛选后顶点坐标组,对所述车位匹配结果包括的目标顶点坐标偏移量组和目标顶点相对偏移量组进行筛选,得到筛选后顶点坐标偏移量组和筛选后顶点相对偏移量组;
将所述车位匹配结果中的目标顶点坐标组、目标顶点坐标偏移量组和目标顶点相对偏移量组、分别替换为所述筛选后顶点坐标序列、所述筛选后顶点坐标偏移量组和所述筛选后顶点相对偏移量组,得到车位匹配信息。
6.根据权利要求5所述的方法,其中,所述基于所述车位匹配信息集,生成车位拓扑结构信息集,包括:
对于所述车位匹配信息集中的每个车位匹配信息,执行如下步骤,以生成车位拓扑结构信息中的车位拓扑结构信息:
基于所述车位匹配信息,生成修正后车位中心点坐标、修正后顶点坐标组和修正后车位入口中点坐标;
将所述修正后车位中心点坐标、所述修正后顶点坐标组、所述修正后车位入口中点坐标和所述车位匹配信息包括的车位占用状态确定为车位拓扑结构信息。
7.一种车位检测装置,包括:
获取单元,被配置成获取鱼眼相机拍摄的车位环视鱼眼图,其中,所述车位环视鱼眼图是车辆在倒车入库的过程中、鱼眼相机拍摄的车位图像;
输入单元,被配置成将所述车位环视鱼眼图输入至预设的车位检测模型,得到车位检测结果,其中,所述车位检测结果包括:车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集,车位入口线中心点坐标是检测到的、车位入口线的中点在车位环视鱼眼图像中的坐标;
匹配处理单元,被配置成对车位检测信息包括的车位中心点坐标信息集、车位中心点坐标偏移量集、车位顶点坐标集、车位顶点坐标偏移量集、车位入口线中点坐标集、车位入口线中点坐标偏移量集、车位顶点相对偏移量集、车位入口线角点相对偏移量集进行匹配处理,得到车位匹配信息集;
生成单元,被配置成基于所述车位匹配信息集,生成车位拓扑结构信息集;
添加单元,被配置成将所述车位拓扑结构信息集中的各个车位拓扑结构信息添加至所述车位环视鱼眼图,得到车位检测结果图;
其中,所述车位检测模型通过以下步骤训练生成:
将训练样本包括的样本车位图输入至初始车位检测模型,得到样本检测结果,其中,所述训练样本还包括:样本车位中心点信息、样本车位中心点偏移量集、样本车位顶点坐标集、样本车位顶点偏移量集、样本车位入口线中点坐标集、样本车位入口线中点坐标偏移量集、样本车位顶点相对偏移量集、样本车位入口线角点相对偏移量集,所述样本车位中心点信息包括:样本车位中心点坐标集和样本车位占用状态;
确定所述样本检测结果与所述训练样本包括的样本车位中心点信息、样本车位中心点偏移量集、样本车位顶点坐标集、样本车位顶点偏移量集、样本车位入口线中点坐标集、样本车位入口线中点坐标偏移量集、样本车位顶点相对偏移量集和样本车位入口线角点相对偏移量集之间的总损失值;
响应于确定所述总损失值满足预设的训练条件,对所述初始车位检测模型进行测试处理,得到测试结果;
响应于确定所述测试结果满足预设的测试条件,将所述初始车位检测模型确定为所述车位检测模型。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588080.1A CN114821540B (zh) | 2022-05-27 | 2022-05-27 | 车位检测方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588080.1A CN114821540B (zh) | 2022-05-27 | 2022-05-27 | 车位检测方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114821540A CN114821540A (zh) | 2022-07-29 |
CN114821540B true CN114821540B (zh) | 2023-03-24 |
Family
ID=82519089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210588080.1A Active CN114821540B (zh) | 2022-05-27 | 2022-05-27 | 车位检测方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114821540B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115565158B (zh) * | 2022-11-17 | 2023-05-26 | 广汽埃安新能源汽车股份有限公司 | 车位检测方法、装置、电子设备和计算机可读介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417926A (zh) * | 2019-08-22 | 2021-02-26 | 广州汽车集团股份有限公司 | 车位识别方法、装置、计算机设备及可读存储介质 |
CN113053164A (zh) * | 2021-05-11 | 2021-06-29 | 吉林大学 | 一种利用环视图像的车位识别方法 |
CN113901961A (zh) * | 2021-12-02 | 2022-01-07 | 禾多科技(北京)有限公司 | 车位检测方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11288525B2 (en) * | 2018-10-31 | 2022-03-29 | Texas Instruments Incorporated | Object detection for distorted images |
CN110276287B (zh) * | 2019-06-17 | 2022-10-18 | 百度在线网络技术(北京)有限公司 | 车位检测方法、装置、计算机设备以及存储介质 |
CN110969655B (zh) * | 2019-10-24 | 2023-08-18 | 百度在线网络技术(北京)有限公司 | 用于检测车位的方法、装置、设备、存储介质以及车辆 |
CN112580508A (zh) * | 2020-12-18 | 2021-03-30 | 蔚来汽车科技(安徽)有限公司 | 停车位角点修正方法以及停车位角点修正***、车辆 |
CN113269163B (zh) * | 2021-07-16 | 2022-06-03 | 中汽创智科技有限公司 | 基于鱼眼图像的立体泊车位检测方法及装置 |
-
2022
- 2022-05-27 CN CN202210588080.1A patent/CN114821540B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417926A (zh) * | 2019-08-22 | 2021-02-26 | 广州汽车集团股份有限公司 | 车位识别方法、装置、计算机设备及可读存储介质 |
CN113053164A (zh) * | 2021-05-11 | 2021-06-29 | 吉林大学 | 一种利用环视图像的车位识别方法 |
CN113901961A (zh) * | 2021-12-02 | 2022-01-07 | 禾多科技(北京)有限公司 | 车位检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114821540A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113607185B (zh) | 车道线信息显示方法、装置、电子设备和计算机可读介质 | |
CN112183627B (zh) | 生成预测密度图网络的方法和车辆年检标数量检测方法 | |
CN112419179B (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
CN114821540B (zh) | 车位检测方法、装置、电子设备和计算机可读介质 | |
CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN115690765B (zh) | 车牌识别方法、装置、电子设备、可读介质和程序产品 | |
CN115272182B (zh) | 车道线检测方法、装置、电子设备和计算机可读介质 | |
CN113592033B (zh) | 油罐图像识别模型训练方法、油罐图像识别方法和装置 | |
CN113781478B (zh) | 油罐图像检测方法、装置、电子设备和计算机可读介质 | |
CN112150491B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
CN111414921B (zh) | 样本图像处理方法、装置、电子设备及计算机存储介质 | |
CN110288691B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN113688928B (zh) | 图像匹配方法、装置、电子设备和计算机可读介质 | |
CN113808134B (zh) | 油罐布局信息生成方法、装置、电子设备、介质 | |
CN115359391A (zh) | 巡视图像检测方法、装置、电子设备和介质 | |
CN112734962B (zh) | 考勤信息生成方法、装置、计算机设备和可读存储介质 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN111461964B (zh) | 图片处理方法、装置、电子设备和计算机可读介质 | |
CN112528970A (zh) | 路牌检测方法、装置、设备和计算机可读介质 | |
CN113762279A (zh) | 目标图像识别方法、模型训练方法、装置、设备和介质 | |
CN115170674B (zh) | 基于单张图像的相机主点标定方法、装置、设备和介质 | |
CN114359673B (zh) | 基于度量学习的小样本烟雾检测方法、装置和设备 | |
CN114842448B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN115841151B (zh) | 模型训练方法、装置、电子设备和计算机可读介质 | |
CN113542800B (zh) | 视频画面定标方法、装置、终端设备 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806 Patentee after: Heduo Technology (Guangzhou) Co.,Ltd. Address before: 100099 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd. |