CN116403183A - 一种障碍物位置测定方法及存储介质 - Google Patents

一种障碍物位置测定方法及存储介质 Download PDF

Info

Publication number
CN116403183A
CN116403183A CN202310282243.8A CN202310282243A CN116403183A CN 116403183 A CN116403183 A CN 116403183A CN 202310282243 A CN202310282243 A CN 202310282243A CN 116403183 A CN116403183 A CN 116403183A
Authority
CN
China
Prior art keywords
obstacle
point
marking
file
determining
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
Application number
CN202310282243.8A
Other languages
English (en)
Inventor
黄开平
姚雪飞
何庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huizhou Foryou General Electronics Co Ltd
Original Assignee
Huizhou Foryou General Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huizhou Foryou General Electronics Co Ltd filed Critical Huizhou Foryou General Electronics Co Ltd
Priority to CN202310282243.8A priority Critical patent/CN116403183A/zh
Publication of CN116403183A publication Critical patent/CN116403183A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及自动泊车技术领域，提供一种障碍物位置测定方法及存储介质，在进行现场应用测距之前，预先采集素材图片，进行识别获取其障碍物属性文件；随后采用自创的4点标注法对素材图片上的障碍物进行标注，以确定触地点坐标，整合为标注文件对深度学习网络进行训练；在采集到车位图像时，将其输入深度学习网络测定障碍物位置。本发明采用4点标注法，可提高障碍物的低像素识别效果(例如实际在图片显示10～30个像素点的效果)，进而在实际的障碍物识别中将准确率提高40％以上。

Description

一种障碍物位置测定方法及存储介质
技术领域
本发明涉及自动泊车技术领域，尤其涉及一种障碍物位置测定方法及存储介质。
背景技术
目前，目前市面上自动泊车***引进了视觉感知功能，其通过安装在车身前后左右四个鱼眼摄像头的图像拍摄，然后在鱼眼相机拍摄的原始画面中对所有类型的障碍物区以画矩形框的形式进行框选标注，并将矩形框底边中点作为障碍物的接地点。但在车载环视场景中，鱼眼相机拍摄的原始画面的边缘区域存在较大的畸变。
在现有技术中，这种在畸变处采用矩形框直接标注障碍物位置的方法无法很好贴合目标接地处，算法通过训练识别、计算车辆与障碍物的相对位置存在较大误差。并且，随着训练数据量的增加，鱼眼摄像头畸变处的障碍物的距离偏差也将逐渐增大；而在实际的应用场景中，畸变处的障碍物往往是超声波雷达识别不到或者不准的位置，最终导致障碍物距离识别误差较大。
发明内容
本发明提供一种障碍物位置测定方法及存储介质，解决了现有自动泊车***中障碍物接地点标定准确率低，导致的障碍物距离识别误差大的技术问题。
为解决以上技术问题，本发明提供一种障碍物位置测定方法，包括步骤：
S1、采集包含障碍物的素材图片；
S2、识别所述素材图片，得到障碍物属性文件；
S3、采用4点标注法对所述素材图片进行标注，进而确定触地点坐标，并加载所述障碍物属性文件得到标注文件；
S4、根据所述标注文件对深度学习网络进行训练；
S5、实时采集车位图像，并输入所述深度学习网络测定障碍物位置。
本基础方案在进行现场应用测距之前，预先采集素材图片，进行识别获取其障碍物属性文件；随后采用自创的4点标注法对素材图片上的障碍物进行标注，以确定触地点坐标，整合为标注文件对深度学习网络进行训练；在采集到车位图像时，将其输入深度学习网络测定障碍物位置。本发明采用4点标注法，可提高障碍物的低像素识别效果(例如实际在图片显示10～30个像素点的效果)，进而在实际的障碍物识别中将准确率提高40％以上。
在进一步的实施方案中，所述步骤S1包括步骤：
S11、通过鱼眼摄像头采集若干包括各种类型障碍物的采集图像；
S12、对所述采集图像进行边缘剪裁，去除目标畸变区域，得到包含障碍物的素材图片。
本方案通过采集大量的包含各种类型障碍物的采集图像进行深度学习网络的训练，可有效提高其识别、计算准确度；而将采集图像进行边缘剪裁，去除目标畸变区域得到包含障碍物的素材图片，可进一步降低畸变图像的干扰，提高障碍物的位置测定准确度。
在进一步的实施方案中，所述步骤S2具体为：识别每一所述素材图片，确定其图像中障碍物的障碍物类型及障碍物属性，整合得到障碍物属性文件。
本方案以障碍物的障碍物类型为分类标准，进行针对性的识别训练，通过分类识别提高障碍物的位置测定准确度。
在进一步的实施方案中，所述步骤S3包括步骤：
S31、使用标注工具VGG-VIA端导入所述素材图片；
S32、加载所述素材图片对应的所述障碍物属性文件；
S33、采用4点标注法对所述素材图片中障碍物的轮廓进行标注，选取4个标注点位中的底部中点作为触地点坐标，导出保存标注文件。
在进一步的实施方案中，所述步骤S33包括步骤：
A1、识别所述素材图片中的障碍物，从其图像轮廓边缘依次选取最左点、底部中点、最右点、最高点进行顺序标注；
A2、按照顺序依次连接所述最左点、底部中点、最右点和最高点，形成半封闭的连接框；
A3、使用最小外接矩形框选所述连接框形成封闭四边形的障碍物框；
A4、将底部中点确定为触地点坐标，进一步导出并保存标注文件。
本方案通过图像识别，确定障碍物的图像轮廓，并进一步在图像轮廓边缘依次选取最左点、底部中点、最右点、最高点进行顺序标注，以障碍物的实际姿态为基准，进行标注框选，将障碍物底部中点确定为触地点坐标(即作为障碍物的实际点位)，从而避免图片畸变的影响，使得位置测定更为精准。
在进一步的实施方案中，所述步骤S4包括步骤：
S41、将每一所述标注文件输入深度学习网络，获取对应的障碍物属性文件，确定其障碍物类型、障碍物属性；
S42、识别所述障碍物内的障碍物，以获取每一障碍物类型、每一障碍物属性的障碍物特征；
S43、以所述触地点为测距点，计算车辆与障碍物的相对距离。
本方案在进行深度学习网络的训练时，以其障碍物属性文件中的障碍物类型、障碍物属性进行分类训练，从而尽量里面其它干扰因素的干扰，在鱼眼摄像头畸变的情况下也能识别出2点位置(底部中点和最高点)的特征，以实现针对性的位置测定。
在进一步的实施方案中，所述障碍物属性为障碍物所处的场景，所述场景包括室内、室外、天气、地面材质中的一种或多种；所述障碍物类型包括柱子、地锁、限位器、雪糕筒、停车牌、车辆中的一种或多种。
本发明还提供一种存储介质，其上存储有计算机程序，所述计算机程序用于实现上述一种障碍物位置测定方法。其中，存储介质可以是磁碟、光盘、只读存储器(Read OnlyMemory，ROM)或者随机存取器(Random Access Memory，RAM)等。
附图说明
图1是本发明实施例提供的一种障碍物位置测定方法的工作流程图；
图2是本发明实施例提供的4点标注法的示意图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
实施例1
本发明实施例提供的一种障碍物位置测定方法，如图1、图2所示，在本实施例中，包括步骤S1～S5：
S1、采集包含障碍物的素材图片，包括步骤S11～S12：
S11、通过鱼眼摄像头采集若干包括各种类型障碍物的采集图像；
S12、对采集图像进行边缘剪裁，去除目标畸变区域，得到包含障碍物的素材图片。
其中，目标畸变区域为畸变严重的图像内容。
本实施例通过采集大量的包含各种类型障碍物的采集图像进行深度学习网络的训练，可有效提高其识别、计算准确度；而将采集图像进行边缘剪裁，去除目标畸变区域得到包含障碍物的素材图片，可进一步降低畸变图像的干扰，提高障碍物的位置测定准确度。
S2、识别素材图片，得到障碍物属性文件，具体为：识别每一素材图片，确定其图像中障碍物的障碍物类型及障碍物属性，整合得到障碍物属性文件。
在本实施例中，障碍物属性为障碍物所处的场景，此场景包括但不限于室内、室外、天气、地面材质中的一种或多种；障碍物类型包括但不限于柱子、地锁、限位器、雪糕筒、停车牌、车辆中的一种或多种。
在本实施例中，采用人工的方式对障碍物类型及障碍物属性进行识别。将障碍物属性文件存储为json格式。
本实施例以障碍物的障碍物类型为分类标准，进行针对性的识别训练，通过分类识别提高障碍物的位置测定准确度。
S3、采用4点标注法对素材图片进行标注，进而确定触地点坐标，并加载障碍物属性文件得到标注文件，包括步骤S31～S33：
S31、使用标注工具VGG-VIA端导入素材图片；
S32、加载素材图片对应的障碍物属性文件；
S33、采用4点标注法对素材图片中障碍物的轮廓进行标注，选取4个标注点位中的底部中点作为触地点坐标，导出保存标注文件，包括步骤A1～A4：
A1、识别素材图片中的障碍物，从其图像轮廓边缘依次选取最左点、底部中点、最右点、最高点进行顺序标注；
A2、按照顺序依次连接最左点、底部中点、最右点和最高点，形成半封闭的连接框；
A3、使用最小外接矩形框选连接框形成封闭四边形的障碍物框；
A4、将底部中点确定为触地点坐标，进一步导出并保存标注文件。
如图2所示的雪糕筒，将其与地面接触的左、中、右点依次标注为1、2、3，最高点标注为4，使用最小外接矩形(如图中虚线所示)将标注点1、2、3、4框住作为障碍物框。
本实施例通过图像识别，确定障碍物的图像轮廓，并进一步在图像轮廓边缘依次选取最左点、底部中点、最右点、最高点进行顺序标注，以障碍物的实际姿态为基准，进行标注框选，将障碍物底部中点确定为触地点坐标(即作为障碍物的实际点位)，从而避免图片畸变的影响，使得位置测定更为精准。
S4、根据标注文件对深度学习网络进行训练，包括步骤S41～S43：
S41、将每一标注文件输入深度学习网络，获取对应的障碍物属性文件，确定其障碍物类型、障碍物属性；
S42、识别障碍物内的障碍物，以获取每一障碍物类型、每一障碍物属性的障碍物特征；
S43、以触地点为测距点，计算车辆与障碍物的相对距离。
例如，以图2中标记为2的触地点为测距点、标记为4的点作为障碍高点进行位置测定。
本实施例在进行深度学习网络的训练时，以其障碍物属性文件中的障碍物类型、障碍物属性进行分类训练，从而尽量里面其它干扰因素的干扰，在鱼眼摄像头畸变的情况下也能识别出2点位置(底部中点和最高点)的特征，以实现针对性的位置测定。
S5、实时采集车位图像，并输入深度学习网络测定障碍物位置。
本发明实施例在进行现场应用测距之前，预先采集素材图片，进行识别获取其障碍物属性文件；随后采用自创的4点标注法对素材图片上的障碍物进行标注，以确定触地点坐标，整合为标注文件对深度学习网络进行训练；在采集到车位图像时，将其输入深度学习网络测定障碍物位置。本发明采用4点标注法，可提高障碍物的低像素识别效果(例如实际在图片显示10～30个像素点的效果)，进而在实际的障碍物识别中将准确率提高40％以上。
实施例2
本发明还提供一种存储介质，其上存储有计算机程序，计算机程序用于实现上述实施例1提供一种障碍物位置测定方法。其中，存储介质可以是磁碟、光盘、只读存储器(Read Only Memory，ROM)或者随机存取器(Random Access Memory，RAM)等。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种障碍物位置测定方法，其特征在，包括步骤：
S1、采集包含障碍物的素材图片；
S2、识别所述素材图片，得到障碍物属性文件；
S3、采用4点标注法对所述素材图片进行标注，进而确定触地点坐标，并加载所述障碍物属性文件得到标注文件；
S4、根据所述标注文件对深度学习网络进行训练；
S5、实时采集车位图像，并输入所述深度学习网络测定障碍物位置。
2.如权利要求1所述的一种障碍物位置测定方法，其特征在于，所述步骤S1包括步骤：
S11、通过鱼眼摄像头采集若干包括各种类型障碍物的采集图像；
S12、对所述采集图像进行边缘剪裁，去除目标畸变区域，得到包含障碍物的素材图片。
3.如权利要求2所述的一种障碍物位置测定方法，其特征在于，所述步骤S2具体为：识别每一所述素材图片，确定其图像中障碍物的障碍物类型及障碍物属性，整合得到障碍物属性文件。
4.如权利要求1所述的一种障碍物位置测定方法，其特征在于，所述步骤S3包括步骤：
S31、使用标注工具VGG-VIA端导入所述素材图片；
S32、加载所述素材图片对应的所述障碍物属性文件；
S33、采用4点标注法对所述素材图片中障碍物的轮廓进行标注，选取4个标注点位中的底部中点作为触地点坐标，导出保存标注文件。
5.如权利要求4所述的一种障碍物位置测定方法，其特征在于，所述步骤S33包括步骤：
A1、识别所述素材图片中的障碍物，从其图像轮廓边缘依次选取最左点、底部中点、最右点、最高点进行顺序标注；
A2、按照顺序依次连接所述最左点、底部中点、最右点和最高点，形成半封闭的连接框；
A3、使用最小外接矩形框选所述连接框形成封闭四边形的障碍物框；
A4、将底部中点确定为触地点坐标，进一步导出并保存标注文件。
6.如权利要求3所述的一种障碍物位置测定方法，其特征在于，所述步骤S4包括步骤：
S41、将每一所述标注文件输入深度学习网络，获取对应的障碍物属性文件，确定其障碍物类型、障碍物属性；
S42、识别所述障碍物内的障碍物，以获取每一障碍物类型、每一障碍物属性的障碍物特征；
S43、以所述触地点为测距点，计算车辆与障碍物的相对距离。
7.如权利要求3所述的一种障碍物位置测定方法，其特征在于：所述障碍物属性为障碍物所处的场景，所述场景包括室内、室外、天气、地面材质中的一种或多种；所述障碍物类型包括柱子、地锁、限位器、雪糕筒、停车牌、车辆中的一种或多种。
8.一种存储介质，其上存储有计算机程序，其特征在于：所述计算机程序用于实现如权利要求1～7中任一项权利要求所述的一种障碍物位置测定方法。
CN202310282243.8A 2023-03-20 2023-03-20 一种障碍物位置测定方法及存储介质 Pending CN116403183A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310282243.8A CN116403183A (zh) 2023-03-20 2023-03-20 一种障碍物位置测定方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310282243.8A CN116403183A (zh) 2023-03-20 2023-03-20 一种障碍物位置测定方法及存储介质

Publications (1)

Publication Number Publication Date
CN116403183A true CN116403183A (zh) 2023-07-07

Family

ID=87013465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310282243.8A Pending CN116403183A (zh) 2023-03-20 2023-03-20 一种障碍物位置测定方法及存储介质

Country Status (1)

Country Link
CN (1) CN116403183A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118135543A (zh) * 2024-05-06 2024-06-04 成都赛力斯科技有限公司 车位及障碍物检测方法、装置、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118135543A (zh) * 2024-05-06 2024-06-04 成都赛力斯科技有限公司 车位及障碍物检测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
EP3806064B1 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN111695486B (zh) 一种基于点云的高精度方向标志牌目标提取方法
CN109087510B (zh) 交通监测方法及装置
CN110705405B (zh) 目标标注的方法及装置
CN111179152B (zh) 一种道路标识识别方法及装置、介质、终端
CN109949365B (zh) 基于路面特征点的车辆指定位置停车方法及***
CN114677554A (zh) 一种基于YOLOv5与Deepsort的统计滤波红外小目标检测跟踪方法
CN111401133A (zh) 目标数据增广方法、装置、电子设备和可读存储介质
CN113658192A (zh) 一种多目标行人的轨迹获取方法、***、装置及介质
CN110647886A (zh) 兴趣点标注方法、装置、计算机设备和存储介质
CN111210399A (zh) 一种成像质量评价方法、装置及设备
CN116403183A (zh) 一种障碍物位置测定方法及存储介质
CN115962757A (zh) 一种无人机测绘方法、***和可读存储介质
CN112598655A (zh) 一种能见度检测方法及设备
CN115376109A (zh) 障碍物检测方法、障碍物检测装置以及存储介质
CN112150448A (zh) 图像处理方法、装置及设备、存储介质
CN110111018B (zh) 评估车辆感测能力的方法、装置、电子设备及存储介质
CN113505643B (zh) 违章目标物检测方法及相关装置
CN114220087A (zh) 一种车牌检测方法、车牌检测器及相关设备
CN111797832A (zh) 一种图像感兴趣区域自动生成方法及***及图像处理方法
CN114842443A (zh) 一种基于机器视觉的目标物识别和测距方法、装置、设备及存储介质
CN114004876A (zh) 一种尺寸标定方法、尺寸标定装置和计算机可读存储介质
CN114119389A (zh) 一种图像复原方法、***和存储模块
CN115567678A (zh) 一种高空抛物监测方法及其***
CN111754474A (zh) 一种基于图像清晰度的能见度识别的方法及设备

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