CN115565158A - 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
- CN115565158A CN115565158A CN202211437221.6A CN202211437221A CN115565158A CN 115565158 A CN115565158 A CN 115565158A CN 202211437221 A CN202211437221 A CN 202211437221A CN 115565158 A CN115565158 A CN 115565158A
- Authority
- CN
- China
- Prior art keywords
- parking space
- parking
- initial
- sample
- lot image
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 171
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000000926 separation method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (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:获取初始停车场图像集;对初始停车场图像集的各个初始停车场图像进行合并,得到合并停车场图像;对合并停车场图像进行调整,得到目标停车场图像;将目标停车场图像输入至预先训练的神经网络检测模型,得到车位检测信息;对车位检测信息与预设的车位信息库中的各个车位信息进行比较,得到比较结果;将车位检测信息和比较结果发送至控制终端以控制当前车辆进行泊车。该实施方式可以提高车辆的自动泊车的准确度。
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、设备和计算机可读介质。
背景技术
车位检测,可用于自动泊车技术中,帮助控制终端根据检测到的车位信息(例如:车位占用标识)进行自动泊车的技术。目前,在进行车位检测时,通常采用的方式为:使用相关目标检测模型,从图像中提取车位检测信息,并发送至控制终端以进行泊车。
然而,发明人发现,当采用上述方式检测车位信息时,经常会存在如下技术问题:
第一,现有的视觉识别模型难以识别图像中不完整的车位,导致车位检测的准确度降低,从而导致车辆的自动泊车的准确度降低;
第二,在车位线破损的情况下,会导致现有的视觉识别模型检测到的车位信息的准确度降低,由此导致车位检测的准确度降低,进而导致泊车的准确度降低;
第三,处在图像交界处的车位会出现变形扭曲,导致车位检测的准确度降低,从而导致车辆的自动泊车的准确度降低。
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:获取初始停车场图像集;对上述初始停车场图像集的各个初始停车场图像进行合并,得到合并停车场图像;对上述合并停车场图像进行调整,得到目标停车场图像;将上述目标停车场图像输入至预先训练的神经网络检测模型,得到车位检测信息;对上述车位检测信息与预设的车位信息库中的各个车位信息进行比较,得到比较结果;将上述车位检测信息和上述比较结果发送至控制终端以控制当前车辆进行泊车。
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,被配置成获取初始停车场图像集;合并单元,被配置成对上述初始停车场图像集的各个初始停车场图像进行合并,得到合并停车场图像;调整单元,被配置成对上述合并停车场图像进行调整,得到目标停车场图像;输入单元,被配置成将上述目标停车场图像输入至预先训练的神经网络检测模型,得到车位检测信息;比较单元,被配置成对上述车位检测信息与预设的车位信息库中的各个车位信息进行比较,得到比较结果;发送单元,被配置成将上述车位检测信息和上述比较结果发送至控制终端以控制当前车辆进行泊车。
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中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,计算机程序被处理器执行时实现上述第一方面中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,可以提高车辆的自动泊车的准确度。具体来说,造成车辆的自动泊车的准确度降低的原因在于:现有的视觉识别算法难以识别图像中不完整的车位,导致车位检测的准确度降低。基于此,本公开的一些实施例的车位检测方法,首先,获取初始停车场图像集。由此,可以获取车载相机拍摄的停车场环视图像集。其次,对上述初始停车场图像集的各个初始停车场图像进行合并,得到合并停车场图像。由此,可以得到较为准确的停车场图像。然后,对上述合并停车场图像进行调整,得到目标停车场图像。由此,可以提高得到的停车场图像的准确度。再然后,将上述目标停车场图像输入至预先训练的神经网络检测模型,得到车位检测信息。由此,预先训练的神经网络检测模型可以识别停车场图像中不完整的车位,从而可以得到较为准确的车位检测信息。接着,对上述车位检测信息与预设的车位信息库中的各个车位信息进行比较,得到比较结果。由此,可以得到与车位检测信息相匹配的较为准确的车位类型信息。最后,将上述车位检测信息和上述比较结果发送至控制终端以控制当前车辆进行泊车。由此,上述控制终端可以根据较为准确的车位检测信息和位类型信息,发出相应的控制指令,以控制车辆进行泊车。因此,本公开的一些车位检测方法,可以将较为准确的停车场图像输入至神经网络检测模型中,可以识别停车场图像中不完整的车位从而可以提高车位检测的准确度,进而,可以提高车辆的自动泊车的准确度。
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是根据本公开的车位检测方法的一些实施例的流程图;
图2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3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示出了根据本公开的车位检测方法的一些实施例的流程100。该车位检测方法,包括以下步骤:
步骤101,获取初始停车场图像集。
在一些实施例中,车位检测方法的执行主体可以通过有线连接或无线连接的方式从目标车辆的各个车载相机上获取初始停车场图像集。其中,上述目标车辆可以是进行泊车中的车辆。上述初始停车场图像集中的初始停车场图像可以是鱼眼图像。上述车载相机集中的一个车载相机可以与上述初始停车场图像集中的一个初始停车场图像对应。
作为示例,上述车载相机可以是安装在上述目标车辆前保险杠、后备箱、后视镜上的四个外置鱼眼相机。
步骤102,对初始停车场图像集的各个初始停车场图像进行合并,得到合并停车场图像。
在一些实施例中,上述执行主体可以对上述初始停车场图像集的各个初始停车场图像进行合并,得到合并停车场图像。
实践中,上述执行主体对上述初始停车场图像集的各个初始停车场图像进行合并,得到合并停车场图像,可以包括以下步骤:
第一步,获取相机参数信息。其中,可以从上述车载相机上获取上述相机参数信息。
作为示例,上述相机参数信息可以包括但不限于相机焦距值。
第二步,基于上述相机参数信息,对上述初始停车场图像集的各个初始停车场图像进行优化,得到第一停车场图像集。其中,可以通过最小化重投影误差的方法,对上述初始停车场图像集的各个初始停车场图像进行优化。
第三步,基于预设的相机畸变坐标对照表,对上述第一停车场图像集的各个第一停车场图像进行坐标转换,得到第二停车场图像集。其中,可以从上述车载相机上获取上述预设的相机畸变坐标对照表。对上述第一停车场图像集的各个第一停车场图像进行坐标转换,可以是从上述预设的相机畸变坐标对照表中查找与上述第一停车场图像中包括的各个第一像素坐标对应的第二停车场图像中包括的各个第二像素坐标,并将上述各个第一像素坐标转换为上述各个第二像素坐标,得到上述第二停车场图像。
第四步,对上述第二停车场图像集中的各个第二停车场图像进行融合,得到融合停车场图像。
实践中,上述对上述第二停车场图像集中的各个第二停车场图像进行融合,得到融合停车场图像,可以包括以下子步骤:
第一子步骤,获取相机位置信息集和初始环视停车场图像。其中,可以从上述车载相机上获取上述相机位置信息集和上述初始环视停车场图像。上述相机位置信息集中的相机位置信息可以表征上述车载相机相对于上述目标车辆的位置。
第二子步骤,基于上述相机位置信息集,对上述初始环视停车场图像和上述第二停车场图像集进行融合,得到上述融合停车场图像。其中,对上述初始环视停车场图像和上述第二停车场图像集进行融合,可以是通过联合标定的方式,对上述初始环视停车场图像和上述第二停车场图像集进行融合。
第五步,基于上述相机参数信息,对上述融合停车场进行投影,得到上述合并停车场图像。其中,融合停车场图像可以包括像素点坐标集。可以通过三维纹理映射的方式,将上述像素点坐标集中的每个像素点坐标从二维坐标系投影至三维坐标系,得到上述合并停车场图像。这里,上述像素点坐标可以是二维坐标。上述二维坐标系可以是像素坐标系。上述三维坐标系可以是纹理坐标系。
实践中,步骤102中的可选的技术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三“泊车的准确度降低”。泊车功能的准确度降低的因素往往如下:处在图像交界处的车位会出现变形扭曲,导致车位检测的准确度降低,从而导致车辆的自动泊车的准确度降低。如果解决了上述因素,就能达到提高泊车的准确度的效果。为了达到这一效果,可以对从各个车载相机获取的初始停车场图像进行合并,从而可以对扭曲的车位进行拼接和去畸变处理,得到完整的停车场图像,提高了输入至神经网络检测模型的停车场图像的准确度,从而可以提高车位检测信息的准确度,进而,可以提高上述目标车辆的控制终端控制上述目标车辆进行自主泊车的准确度。
步骤103,对合并停车场图像进行调整,得到目标停车场图像。
在一些实施例中,上述执行主体可以对上述合并停车场图像进行调整,得到目标停车场图像。其中,可以通过光流法,对上述合并停车场图像进行调整,得到目标停车场图像。
步骤104,将目标停车场图像输入至预先训练的神经网络检测模型,得到车位检测信息。
在一些实施例中,上述执行主体可以将上述目标停车场图像输入至预先训练的神经网络检测模型,得到车位检测信息。其中,预先训练的神经网络检测模型可以是预先训练的以目标停车场图像为输入,以车位检测信息为输出的神经网络模型。
作为示例,上述预先训练的特征点提取模型可以是目标检测模型。输入的目标停车场图像的尺寸可以是128DPI(Dots Per Inch,每英寸点数)×384DPI。128DPI、384DPI分别是目标停车场图像的长和宽。输出的车位检测信息可以包括车位检测图像。这里,上述车位检测图像的尺寸可以是4DPI×12DPI。4DPI、12DPI分别是车位检测图像的长和宽。
可选地,上述预先训练的特征点提取模型可以是通过以下步骤训练得到的:
第一步,获取样本停车场图像集。其中,可以从预设的图像数据集中获取上述样本停车场图像集。
作为示例,上述预设的图像数据集可以是但不限于同济停车位数据集或停车位检测数据集(PIL_PARK)。
第二步,基于上述样本停车场图像集,执行以下训练步骤:
第一子步骤,从上述样本停车场图像集中选取样本停车场图像。实践中,可以随机从上述训练样本集中选择训练样本。
第二子步骤,对样本停车场图像进行标注,得到样本车位检测信息。其中,可以通过几何抽象的方式,对样本停车场图像进行标注,得到样本车位检测信息。
第三子步骤,将样本停车场图像输入至初始神经网络检测模型中,得到初始车位检测信息。
作为示例,上述初始神经网络检测模型可以包括但不限于卷积神经网络、骨干(backbone)神经网络和检测头(Detection head)神经网络。
第四子步骤,基于预设的损失函数,确定样本车位检测信息与初始车位检测信息之间的车位检测差异值。其中,上述预设的损失函数可以是LSE(least squares error,最小二乘误差)函数。上述初始车位检测信息包括初始车位置信度值、初始车位角点坐标值集、初始车位进入线长度值、初始车位分隔线长度值和初始车位占用标识值。上述初始车位置信度值可以表征上述车位检测信息的真实性。上述初始车位角点坐标值集中的各个初始车位角点坐标值可以表征车位各个角的坐标。上述初始车位进入线长度值可以表征车位进入线的长度。这里,车位进入线可以是车辆进入车位时经过的车位线。上述初始车位分隔线长度值可以表征车位分隔线的长度。这里,上述车位分隔线可以是分隔开两个相邻车位的车位线。上述初始车位占用标识值可以表征车位是否被占用。
作为示例,上述初始车位占用标识值为1,表示车位被占用。上述初始车位占用标识值为0,表示车位未被占用。
第五子步骤,响应于确定车位检测差异值小于目标值,将初始神经网络检测模型确定为神经网络检测模型。其中,对于上述目标值的设定,不作限定。例如,上述目标值可以是0.5。
在一些实施例的一些可选的实现方式中,上述执行主体对样本停车场图像进行标注,得到样本车位检测信息,可以包括以下步骤:
第一步,对上述样本停车场图像进行调整,得到目标样本停车场图像。其中,对上述样本停车场图像进行调整,可以是对上述样本停车场图像进行裁剪和放缩,从而可以得到尺寸为128DPI×384DPI的目标样本停车场图像。128DPI、384DPI分别是目标样本停车场图像的长和宽。
第二步,对上述目标样本停车场图像进行图像特征提取,得到样本车位角点坐标值集和样本车位占用标识值。其中,可以通过卷积神经网络,对上述目标样本停车场图像进行图像特征提取。
第三步,基于上述样本角点坐标值集,确定样本车位进入线长度值和样本车位分隔线长度值。
作为示例,可以将上述样本角点坐标值集中两个纵向样本角点坐标值的距离值确定为上述样本车位进入线长度值。可以将上述样本角点坐标值集中两个横向样本角点坐标值的距离值确定为上述样本车位分隔线长度值。
第四步,对上述样本车位角点坐标值集、上述样本车位进入线长度值、上述样本车位分隔线长度值和上述样本车位占用标识值进行融合,得到上述样本车位检测信息。其中,对上述样本车位角点坐标值集、上述样本车位进入线长度值、上述样本车位分隔线长度值和上述样本车位占用标识值进行融合,得到上述样本车位检测信息,可以是将上述样本车位角点坐标值集、上述样本车位进入线长度值、上述样本车位分隔线长度值和上述样本车位占用标识值确定为上述样本车位检测信息包括的样本车位角点坐标值集、样本车位进入线长度值、样本车位分隔线长度值和样本车位占用标识值。
在一些实施例的一些可选的实现方式中,上述执行主体对样本停车场图像进行标注,得到样本车位检测信息,可以包括以下步骤:
基于预设的损失函数,对上述样本车位检测信息与上述初始车位检测信息,执行以下处理子步骤:
第一子步骤,确定上述样本车位检测信息包括的样本车位角点坐标值集中每个样本车位角点坐标值与上述初始车位角点坐标值集中每个初始车位角点坐标值之间的车位角点坐标差异值,得到车位角点坐标差异值集。其中,可以通过LSE函数,定上述样本车位检测信息包括的样本车位角点坐标值集中每个样本车位角点坐标值与上述初始车位角点坐标值集中每个初始车位角点坐标值之间的车位角点坐标差异值。
第二子步骤,将上述车位角点坐标差异值集中的各个车位角点坐标差异值的均值确定为车位角点坐标平均差异值。
第三子步骤,确定上述样本车位进入线长度值与上述初始车位进入线长度值之间的车位进入线长度差异值。其中,可以通过LSE函数,确定上述样本车位进入线长度值与上述初始车位进入线长度值之间的车位进入线长度差异值。
第四子步骤,确定上述样本车位分隔线长度值与上述初始车位分隔线长度值之间的车位分隔线长度差异值。其中,可以通过LSE函数,确定上述样本车位分隔线长度值与上述初始车位分隔线长度值之间的车位分隔线长度差异值。
第五子步骤,确定上述样本车位占用标识值与上述初始车位占用标识值之间的车位占用标识差异值。其中,可以通过LSE函数,确定上述样本车位占用标识值与上述初始车位占用标识值之间的车位占用标识差异值。
第六子步骤,将上述初始车位置信度值、上述车位角点坐标差异值、上述车位进入线长度差异值、上述车位分隔线长度差异值和上述车位占用标识差异值的和确定为上述车位检测差异值。
可选地,响应于确定上述车位检测差异值不小于目标值,上述执行主体可以调整上述初始神经网络检测模型中的相关参数,将调整后的初始神经网络检测模型确定为初始神经网络检测模型,以及再次执行上述训练步骤。其中,可以通过对差异值和预设差异值求误差值,并利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递的方式,调整上述初始神经网络检测模型中的相关参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。
步骤104中的可选的技术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“泊车的准确度降低”。泊车功能的准确度降低的因素往往如下:车位线破损的情况下,会导致现有的视觉识别模型检测到的车位信息的准确度降低,由此导致车位检测功能的准确度降低,进而导致泊车功能的准确度降低。如果解决了上述因素,就能达到提高泊车的准确度的效果。为了达到这一效果,可以标注出样本车位检测信息,而上述神经网络检测模型可以通过骨干网络提取出初始车位检测信息,然后通过预设的损失函数确定上述样本车位检测信息与初始车位检测信息之间的差异值,用来调整模型。这里,上述预先训练的神经网络检测模型可以只识别车位角点坐标,由此,可以确定车位的进入线长度值和和分割线长度值,从而可以降低车位线破损情况下造成的误差,因此可以提高车位检测信息的准确度,从而提高了车位检测的准确度,进而可以提高泊车的准确度。
步骤105,对车位检测信息与预设的车位信息库中的各个车位信息进行比较,得到比较结果。
在一些实施例中,上述执行主体可以对上述车位检测信息与预设的车位信息库中的各个车位信息进行比较,得到比较结果。其中,上述预设的车位信息库可以是保存车位类型信息的数据库。上述比较结果可以是上述车位类型信息数据库中与上述车位检测信息匹配的车位类型信息。
步骤106,将车位检测信息和上述比较结果发送至控制终端以控制当前车辆进行泊车。
在一些实施例中,上述执行主体可以将上述车位检测信息和上述比较结果发送至控制终端以控制当前车辆进行泊车。
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,可以提高车辆的自动泊车的准确度。具体来说,造成车辆的自动泊车的准确度降低的原因在于:现有的视觉识别算法难以识别图像中不完整的车位,导致车位检测的准确度降低。基于此,本公开的一些实施例的车位检测方法,首先,获取初始停车场图像集。由此,可以获取车载相机拍摄的停车场环视图像集。其次,对上述初始停车场图像集的各个初始停车场图像进行合并,得到合并停车场图像。由此,可以得到较为准确的停车场图像。然后,对上述合并停车场图像进行调整,得到目标停车场图像。由此,可以提高得到的停车场图像的准确度。再然后,将上述目标停车场图像输入至预先训练的神经网络检测模型,得到车位检测信息。由此,预先训练的神经网络检测模型可以识别停车场图像中不完整的车位,从而可以得到较为准确的车位检测信息。接着,对上述车位检测信息与预设的车位信息库中的各个车位信息进行比较,得到比较结果。由此,可以得到与车位检测信息相匹配的较为准确的车位类型信息。最后,将上述车位检测信息和上述比较结果发送至控制终端以控制当前车辆进行泊车。由此,上述控制终端可以根据较为准确的车位检测信息和位类型信息,发出相应的控制指令,以控制车辆进行泊车。因此,本公开的一些车位检测方法,可以将较为准确的停车场图像输入至神经网络检测模型中,可以识别停车场图像中不完整的车位从而可以提高车位检测的准确度,进而,可以提高车辆的自动泊车的准确度。
进一步参考图2,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,这些车位检测装置实施例与图1所示的那些方法实施例相对应,该车位检测装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的车位检测装置200包括:获取单元201、合并单元202、调整单元203、输入单元204、比较单元205和发送单元206。其中,获取单元201,被配置成获取初始停车场图像集;合并单元202,被配置成对上述初始停车场图像集的各个初始停车场图像进行合并,得到合并停车场图像;调整单元203,被配置成对上述合并停车场图像进行调整,得到目标停车场图像;输入单元204,被配置成将上述目标停车场图像输入至预先训练的神经网络检测模型,得到车位检测信息;比较单元205,被配置成对上述车位检测信息与预设的车位信息库中的各个车位信息进行比较,得到比较结果;发送单元206,被配置成将上述车位检测信息和上述比较结果发送至控制终端以控制当前车辆进行泊车。
可以理解的是,该车位检测装置200中记载的诸单元与参考图1描述的车位检测方法中的各个步骤相对应。由此,上文针对车位检测方法描述的操作、特征以及产生的有益效果同样适用于车位检测装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的终端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3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305: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306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,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3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309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301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中记载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(Hyper Text 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,adhoc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电子设备中所包含的;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:获取初始停车场图像集;对上述初始停车场图像集的各个初始停车场图像进行合并,得到合并停车场图像;对上述合并停车场图像进行调整,得到目标停车场图像;将上述目标停车场图像输入至预先训练的神经网络检测模型,得到车位检测信息;对上述车位检测信息与预设的车位信息库中的各个车位信息进行比较,得到比较结果;将上述车位检测信息和上述比较结果发送至控制终端以控制当前车辆进行泊车。
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、合并单元、调整单元、输入单元、比较单元和发送单元。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“获取初始停车场图像集的单元”。
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 (8)
1.一种车位检测方法,包括:
获取初始停车场图像集;
对所述初始停车场图像集的各个初始停车场图像进行合并,得到合并停车场图像;
对所述合并停车场图像进行调整,得到目标停车场图像;
将所述目标停车场图像输入至预先训练的神经网络检测模型,得到车位检测信息;
对所述车位检测信息与预设的车位信息库中的各个车位信息进行比较,得到比较结果;
将所述车位检测信息和所述比较结果发送至控制终端以控制当前车辆进行泊车。
2.根据权利要求1所述的方法,其中,所述预先训练的神经网络检测模型是通过以下步骤训练得到的:
获取样本停车场图像集;
基于所述样本停车场图像集,执行以下训练步骤:
从所述样本停车场图像集中选取样本停车场图像;
对样本停车场图像进行标注,得到样本车位检测信息;
将样本停车场图像输入至初始神经网络检测模型中,得到初始车位检测信息;
基于预设的损失函数,确定样本车位检测信息与初始车位检测信息之间的车位检测差异值;
响应于确定车位检测差异值小于目标值,将初始神经网络检测模型确定为神经网络检测模型。
3.根据权利要求2所述的方法,其中,所述方法还包括:
响应于确定所述车位检测差异值大于等于目标值,调整所述初始神经网络检测模型中的相关参数,将调整后的初始神经网络检测模型确定为初始神经网络检测模型,以及再次执行所述训练步骤。
4.根据权利要求2所述的方法,其中,所述对样本停车场图像进行标注,得到样本车位检测信息,包括:
对所述样本停车场图像进行调整,得到目标样本停车场图像;
对所述目标样本停车场图像进行图像特征提取,得到样本车位角点坐标值集和样本车位占用标识值;
基于所述样本车位角点坐标值集,确定样本车位进入线长度值和样本车位分隔线长度值;
对所述样本车位角点坐标值集、所述样本车位进入线长度值、所述样本车位分隔线长度值和所述样本车位占用标识值进行融合,得到所述样本车位检测信息。
5.根据权利要求2所述的方法,其中,所述初始车位检测信息包括初始车位置信度值、初始车位角点坐标值集、初始车位进入线长度值、初始车位分隔线长度值和初始车位占用标识值;以及
所述基于预设的损失函数,确定所述样本车位检测信息与所述初始车位检测信息之间的车位检测差异值,包括:
基于预设的损失函数,对所述样本车位检测信息与所述初始车位检测信息,执行以下处理步骤:
确定所述样本车位检测信息包括的样本车位角点坐标值集中每个样本车位角点坐标值与所述初始车位角点坐标值集中每个初始车位角点坐标值之间的车位角点坐标差异值,得到车位角点坐标差异值集;
将所述车位角点坐标差异值集中的各个车位角点坐标差异值的均值确定为车位角点坐标平均差异值;
确定所述样本车位进入线长度值与所述初始车位进入线长度值之间的车位进入线长度差异值;
确定所述样本车位分隔线长度值与所述初始车位分隔线长度值之间的车位分隔线长度差异值;
确定所述样本车位占用标识值与所述初始车位占用标识值之间的车位占用标识差异值;
将所述初始车位置信度值、所述车位角点坐标差异值、所述车位进入线长度差异值、所述车位分隔线长度差异值和所述车位占用标识差异值的和确定为所述车位检测差异值。
6.一种车位检测装置,包括:
获取单元,被配置成获取初始停车场图像集;
合并单元,被配置成对所述初始停车场图像集的各个初始停车场图像进行合并,得到合并停车场图像;
调整单元,被配置成对所述合并停车场图像进行调整,得到目标停车场图像;
输入单元,被配置成将所述目标停车场图像输入至预先训练的神经网络检测模型,得到车位检测信息;
比较单元,被配置成对所述车位检测信息与预设的车位信息库中的各个车位信息进行比较,得到比较结果;
发送单元,被配置成将所述车位检测信息和所述比较结果发送至控制终端以控制当前车辆进行泊车。
7.一种电子设备,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1-5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211437221.6A CN115565158B (zh) | 2022-11-17 | 2022-11-17 | 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 |
---|---|---|---|
CN202211437221.6A CN115565158B (zh) | 2022-11-17 | 2022-11-17 | 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 |
---|---|
CN115565158A true CN115565158A (zh) | 2023-01-03 |
CN115565158B CN115565158B (zh) | 2023-05-26 |
Family
ID=84769697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211437221.6A Active CN115565158B (zh) | 2022-11-17 | 2022-11-17 | 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) | CN115565158B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740682A (zh) * | 2023-08-14 | 2023-09-12 | 禾昆科技(北京)有限公司 | 车辆泊入路线信息生成方法、装置、电子设备和可读介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180232583A1 (en) * | 2017-02-16 | 2018-08-16 | Honda Motor Co., Ltd. | Systems for generating parking maps and methods thereof |
CN111508260A (zh) * | 2019-01-30 | 2020-08-07 | 上海欧菲智能车联科技有限公司 | 车辆停车位检测方法、装置和*** |
CN111723659A (zh) * | 2020-05-14 | 2020-09-29 | 上海欧菲智能车联科技有限公司 | 泊车位确定方法、装置、计算机设备和存储介质 |
CN112330601A (zh) * | 2020-10-15 | 2021-02-05 | 浙江大华技术股份有限公司 | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 |
CN112668588A (zh) * | 2020-12-29 | 2021-04-16 | 禾多科技(北京)有限公司 | 车位信息生成方法、装置、设备和计算机可读介质 |
CN113436461A (zh) * | 2021-05-31 | 2021-09-24 | 荣耀终端有限公司 | 发送停车位信息的方法、车机设备及计算机可读存储介质 |
CN113553881A (zh) * | 2020-04-23 | 2021-10-26 | 华为技术有限公司 | 泊车位检测方法及相关装置 |
WO2021226912A1 (zh) * | 2020-05-14 | 2021-11-18 | 上海欧菲智能车联科技有限公司 | 泊车位确定方法、装置、计算机设备和存储介质 |
CN113744560A (zh) * | 2021-09-15 | 2021-12-03 | 厦门科拓通讯技术股份有限公司 | 停车场自动泊车方法、装置、服务器和机器可读存储介质 |
CN114724107A (zh) * | 2022-03-21 | 2022-07-08 | 北京卓视智通科技有限责任公司 | 一种图像检测方法、装置、设备及介质 |
CN114821540A (zh) * | 2022-05-27 | 2022-07-29 | 禾多科技(北京)有限公司 | 车位检测方法、装置、电子设备和计算机可读介质 |
CN114842446A (zh) * | 2022-04-14 | 2022-08-02 | 合众新能源汽车有限公司 | 车位检测方法、装置及计算机存储介质 |
US20220245952A1 (en) * | 2021-02-02 | 2022-08-04 | Nio Technology (Anhui) Co., Ltd | Parking spot detection method and parking spot detection system |
CN114926416A (zh) * | 2022-05-06 | 2022-08-19 | 广州小鹏自动驾驶科技有限公司 | 车位检测方法、装置、车辆及存储介质 |
-
2022
- 2022-11-17 CN CN202211437221.6A patent/CN115565158B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180232583A1 (en) * | 2017-02-16 | 2018-08-16 | Honda Motor Co., Ltd. | Systems for generating parking maps and methods thereof |
CN111508260A (zh) * | 2019-01-30 | 2020-08-07 | 上海欧菲智能车联科技有限公司 | 车辆停车位检测方法、装置和*** |
CN113553881A (zh) * | 2020-04-23 | 2021-10-26 | 华为技术有限公司 | 泊车位检测方法及相关装置 |
CN111723659A (zh) * | 2020-05-14 | 2020-09-29 | 上海欧菲智能车联科技有限公司 | 泊车位确定方法、装置、计算机设备和存储介质 |
WO2021226912A1 (zh) * | 2020-05-14 | 2021-11-18 | 上海欧菲智能车联科技有限公司 | 泊车位确定方法、装置、计算机设备和存储介质 |
CN112330601A (zh) * | 2020-10-15 | 2021-02-05 | 浙江大华技术股份有限公司 | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 |
WO2022078156A1 (en) * | 2020-10-15 | 2022-04-21 | Zhejiang Dahua Technology Co., Ltd. | Method and system for parking space management |
CN112668588A (zh) * | 2020-12-29 | 2021-04-16 | 禾多科技(北京)有限公司 | 车位信息生成方法、装置、设备和计算机可读介质 |
US20220245952A1 (en) * | 2021-02-02 | 2022-08-04 | Nio Technology (Anhui) Co., Ltd | Parking spot detection method and parking spot detection system |
CN113436461A (zh) * | 2021-05-31 | 2021-09-24 | 荣耀终端有限公司 | 发送停车位信息的方法、车机设备及计算机可读存储介质 |
CN113744560A (zh) * | 2021-09-15 | 2021-12-03 | 厦门科拓通讯技术股份有限公司 | 停车场自动泊车方法、装置、服务器和机器可读存储介质 |
CN114724107A (zh) * | 2022-03-21 | 2022-07-08 | 北京卓视智通科技有限责任公司 | 一种图像检测方法、装置、设备及介质 |
CN114842446A (zh) * | 2022-04-14 | 2022-08-02 | 合众新能源汽车有限公司 | 车位检测方法、装置及计算机存储介质 |
CN114926416A (zh) * | 2022-05-06 | 2022-08-19 | 广州小鹏自动驾驶科技有限公司 | 车位检测方法、装置、车辆及存储介质 |
CN114821540A (zh) * | 2022-05-27 | 2022-07-29 | 禾多科技(北京)有限公司 | 车位检测方法、装置、电子设备和计算机可读介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740682A (zh) * | 2023-08-14 | 2023-09-12 | 禾昆科技(北京)有限公司 | 车辆泊入路线信息生成方法、装置、电子设备和可读介质 |
CN116740682B (zh) * | 2023-08-14 | 2023-10-27 | 禾昆科技(北京)有限公司 | 车辆泊入路线信息生成方法、装置、电子设备和可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115565158B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598762B (zh) | 三维车道线信息生成方法、装置、电子设备和介质 | |
CN107941226B (zh) | 用于生成车辆的方向引导线的方法和装置 | |
CN110852258A (zh) | 物体检测方法、装置、设备及存储介质 | |
CN111310770A (zh) | 目标检测方法和装置 | |
CN114399588B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN112116655A (zh) | 目标对象的图像的位置信息确定方法和装置 | |
CN112598731B (zh) | 车辆定位方法、装置、电子设备和计算机可读介质 | |
CN111967332B (zh) | 用于自动驾驶的能见度信息生成方法和装置 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN115817463A (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
CN115565158B (zh) | 车位检测方法、装置、电子设备和计算机可读介质 | |
CN110188782B (zh) | 图像相似性确定方法、装置、电子设备及可读存储介质 | |
CN110956128A (zh) | 生成车道线图像的方法、装置、电子设备和介质 | |
CN115546769B (zh) | 道路图像识别方法、装置、设备、计算机可读介质 | |
CN115610415B (zh) | 车辆距离控制方法、装置、电子设备和计算机可读介质 | |
CN110852242A (zh) | 基于多尺度网络的水印识别方法、装置、设备及存储介质 | |
CN115393423A (zh) | 目标检测方法和装置 | |
CN115408609A (zh) | 泊车路线推荐方法、装置、电子设备和计算机可读介质 | |
CN115471477A (zh) | 扫描数据的去噪方法、扫描方法、装置、设备和介质 | |
CN114463768A (zh) | 表格识别方法、装置、可读介质和电子设备 | |
CN112528970A (zh) | 路牌检测方法、装置、设备和计算机可读介质 | |
CN111383337A (zh) | 用于识别对象的方法和装置 | |
CN110796144A (zh) | 车牌检测方法、装置、设备及存储介质 | |
CN115616560B (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
CN117437288B (zh) | 摄影测量方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |