CN116778458A - 车位检测模型构建方法、车位检测方法、设备及存储介质 - Google Patents
车位检测模型构建方法、车位检测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116778458A CN116778458A CN202311063234.6A CN202311063234A CN116778458A CN 116778458 A CN116778458 A CN 116778458A CN 202311063234 A CN202311063234 A CN 202311063234A CN 116778458 A CN116778458 A CN 116778458A
- Authority
- CN
- China
- Prior art keywords
- parking space
- sample
- predicted
- preset
- 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 159
- 238000010276 construction Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 9
- 238000002604 ultrasonography Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000002146 bilateral effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车位检测模型构建方法、车位检测方法、设备及存储介质,包括:获取样本车位点云和对应的样本车位;基于样本车位点云和样本车位进行坐标变换,得到预设图像尺寸的样本点云图像和样本车位的样本车位信息;将样本点云图像划分为多个样本网格图像;将各个样本网格图像输入至预设车位检测模型中,对样本网格图像回归预设车位数量的预测车位,得到各个样本网格图像中预测车位的预测车位信息;对位于同一样本网格图像的样本车位和预测车位进行匹配,并基于匹配结果、样本车位信息和预测车位信息,对预设车位检测模型进行参数更新,得到目标车位检测模型,以基于目标车位检测模型进行车位检测。本发明能够解决车位检测的耗时较长的问题。
Description
技术领域
本发明涉及自动驾驶技术领域,具体涉及车位检测模型构建方法、车位检测方法、计算机设备及存储介质。
背景技术
随着科技的发展,汽车智能化成为趋势,自动泊车***作为智能辅助驾驶***,慢慢成为智能驾驶汽车必备的功能之一。 车位识别作为自动泊车***中重要的感知环节,其对泊车精度有着至关重要的影响。在相关技术中,通常采用视觉相机和超声传感器来进行车位识别。其中,超声传感器由于其不受环境光线的影响,可以很好的与视觉相机互补。然而,超声的检测结果通常受车速的影响,且存在误探,多探及少探的情况,故而基于超声的车位检测通常需要先根据超声数据计算超声点云,然后根据超声点云进行聚类以获得障碍物,进一步通过多种繁杂的场景判断,以检测出可泊车的车位。但是,由于这种方法对超声点云进行聚类和繁杂的场景判断的耗时较长,导致车位检测的耗时较长。
发明内容
有鉴于此,本发明提供了一种车位检测模型构建方法、车位检测方法、设备及存储介质,以解决车位检测的耗时较长的问题。
第一方面,本发明提供了一种车位检测模型构建方法,所述车位检测模型构建方法包括:
获取样本车位点云和对应的各个样本车位;
基于所述样本车位点云和各个所述样本车位进行坐标变换,以得到预设图像尺寸的样本点云图像和各个所述样本车位的样本车位信息;
根据预设划分尺寸将所述样本点云图像划分为多个样本网格图像;
将各个所述样本网格图像输入至预设车位检测模型中,对各个所述样本网格图像回归预设车位数量的预测车位,以得到各个所述样本网格图像中所述预测车位的预测车位信息,所述预设车位数量与所述预设划分尺寸对应;
对位于同一所述样本网格图像的所述样本车位和所述预测车位进行车位匹配,并基于车位匹配结果、所述样本车位信息和所述预测车位信息,对预设车位检测模型进行参数更新,得到目标车位检测模型,以基于所述目标车位检测模型进行车位检测。
在该方式中,通过将样本车位点云转换为预设图像尺寸的样本点云图像,并获取样本点云图像上对应样本车位的样本车位信息,然后根据预设划分尺寸将样本点云图像划分为多个样本网格图像,并通过预设车位检测模型对样本网格图像回归预设数量的预测车位,以得到各个样本网格图像中预测车位的预测车位信息,因此能够限制预设车位检测模型的输入数据和输出数据的大小,从而能够对预设车位模型进行有效训练,以得到目标车位检测模型。因此,在后续进行车位检测的过程中,仅需要将获取的目标车位点云转化为预设图像尺寸的目标点云图像,即可基于所述目标车位检测模型和目标点云图像进行车位检测,而无需进行点云聚类及繁杂的场景判断,从而能够减少车位检测的耗时。
在一种可选的实施方式中,所述对位于同一所述样本网格图像的所述样本车位和所述预测车位进行车位匹配,并基于车位匹配结果、所述样本车位信息和所述预测车位信息,对预设车位检测模型进行参数更新,得到目标车位检测模型,包括:
对位于同一所述样本网格图像的所述样本车位与所述预测车位进行车位匹配,得到车位匹配结果;
基于所述车位匹配结果,对所述样本车位信息和所述预测车位信息进行处理,得到模型损失;
基于所述模型损失对预设车位检测模型进行参数更新,得到目标车位检测模型。
在该方式中,先对位于同一所述样本网格图像的样本车位与预测车位进行车位匹配,得到车位匹配结果;再基于车位匹配结果对样本车位信息和预测车位信息进行处理,得到模型损失,以基于模型损失对预设车位检测模型进行参数更新,因此,能够提高预设车位检测模型的检测精度,以提高后续车位检测的准确性。
在一种可选的实施方式中,所述样本车位信息包括所述样本车位的样本位置信息、样本置信度和对应于多个车位类型的样本概率;所述预测车位信息包括所述预测车位的预测位置信息、预测置信度和对应于所述多个车位类型的预测概率;所述基于所述车位匹配结果,对所述样本车位的样本车位信息和所述预测车位的预测车位信息进行处理,得到模型损失,包括:
基于所述车位匹配结果,对所述样本位置信息和所述预测位置信息进行处理,得到坐标损失;
基于所述车位匹配结果,对所述样本置信度和所述预测置信度进行处理,得到置信度损失;
基于所述车位匹配结果,对所述样本概率和所述预测概率进行处理,得到分类损失;
根据所述坐标损失、所述置信度损失和所述分类损失,确定模型损失。
在该方式中,基于车位匹配结果、样本位置信息、预测位置信息、样本置信度、预测置信度、样本概率和预测概率,分别计算坐标损失、置信度损失和分类损失,再基于坐标损失、置信度损失和分类损失确定模型损失,因此能够确保模型损失的准确性,以提高后续对预设车位检测模型进行参数更新的准确性。
在一种可选的实施方式中,所述样本位置信息包括样本中心坐标、样本长度和样本宽度;所述预测位置信息包括预测中心坐标、预测长度和预测宽度;所述坐标损失根据以下公式计算得到:
其中,为坐标损失,/>为坐标系数,/>为所述样本网格图像的图像数量,B为所述预设数量,/>为用于判断第i个所述样本网格图像中第j个预测车位是否存在匹配的所述样本车位的第一车位标志,/>为第i个所述样本网格图像中第j个预测车位在x轴方向的预测中心坐标,/>为与第i个所述样本网格图像中第j个预测车位匹配的样本车位在x轴方向的样本中心坐标,/>为第i个所述样本网格图像中第j个预测车位在y轴方向的预测中心坐标,/>为与第i个所述样本网格图像中第j个预测车位匹配的样本车位在y轴方向的样本中心坐标,/>为第i个所述样本网格图像中第j个预测车位的预测宽度,/>为与第i个所述样本网格图像中第j个预测车位匹配的样本车位的样本宽度,/>为第i个所述样本网格图像中第j个预测车位的预测高度,/>为与第i个所述样本网格图像中第j个预测车位匹配的样本车位的样本高度。
在一种可选的实施方式中,所述置信度损失根据以下公式计算得到:
其中,为置信度损失,/>为所述样本网格图像的图像数量,B为所述预设数量,为用于判断第i个所述样本网格图像中第j个预测车位中是否存在匹配的所述样本车位的第一车位标志,/>为置信度系数,/>为用于判断第i个所述样本网格图像中第j个预测车位中是否不存在匹配的所述样本车位的第二车位标志,/>为第i个所述样本网格图像中第j个预测车位的预测置信度,/>为与第i个所述样本网格图像中第j个预测车位匹配的样本车位的样本置信度。
在一种可选的实施方式中,所述分类损失根据以下公式计算得到:
其中,为分类损失,/>为所述样本网格图像的图像数量,B为所述预设数量,为用于判断第i个样本网格图像中第j个预测车位中是否存在匹配的样本车位的第一车位标志,/>为第i个所述样本网格图像中第j个预测车位为车位类型/>的预测概率,为与第i个所述样本网格图像中第j个预测车位匹配的样本车位为车位类型/>的样本概率,classes为所述多个车位类型。
在一种可选的实施方式中,所述基于所述样本车位点云和各个所述样本车位进行坐标变换,以得到预设图像尺寸的样本点云图像和各个所述样本车位的样本车位信息,包括:
获取所述样本车位点云的点云范围;
基于所述点云范围、预设图像尺寸以及所述样本车位点云对应的点云坐标系与预设图像坐标系之间的对应关系,将所述样本车位点云和各个所述样本车位转换至所述预设图像坐标系下,以得到所述预设图像尺寸的样本点云图像和各个所述样本车位的样本车位信息。
第二方面,本发明提供了一种车位检测方法,其特征在于,所述车位检测方法包括:
获取目标车辆的预设范围内的目标车位点云;
基于所述目标车位点云进行坐标变换,以得到预设图像尺寸的目标点云图像;
根据预设划分尺寸对所述目标点云图像进行划分,得到多个目标网格图像;
将各个所述目标网格图像输入至目标车位检测模型中,对各个所述目标网格图像回归预设车位数量的待定车位,以得到各个所述目标网格图像中所述待定车位的待定车位信息,所述预设车位数量与所述预设划分尺寸对应,所述目标车位检测模型是基于上述第一方面或其对应的任一实施方式的车位检测模型构建方法得到的;
从各个所述待定车位和对应的所述待定车位信息中,确定目标车位以及目标车位信息。
第三方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述任一实施方式的车位检测模型构建方法和/或车位检测方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述任一实施方式的车位检测模型构建方法和/或车位检测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种车位检测模型构建方法的流程示意图;
图2是根据本发明实施例的一种样本车位点云的示意图;
图3是根据本发明实施例的一种样本点云图像的示意图;
图4是根据本发明实施例的另一种车位检测模型构建方法的流程示意图;
图5是根据本发明实施例的一种车位检测方法的流程示意图;
图6是根据本发明实施例的一种车位检测模型构建装置的结构框图;
图7是根据本发明实施例的一种车位检测装置的结构框图;
图8是根据本发明实施例的一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
在相关技术中,基于超声的车位检测通常需要先根据超声数据计算超声点云,然后根据超声点云进行聚类以获得障碍物,进一步通过多种繁杂的场景判断,以检测出可泊车的车位。但是,这种方法对超声点云进行聚类和繁杂的场景判断的耗时较长,导致车位检测的耗时较长。
有鉴于此,根据本发明实施例,提供了一种车位检测模型构建方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种车位检测模型构建方法,可用于车辆,如车辆的控制***或电子控制单元,还可以用于与车辆通信连接的云端。图1是根据本发明实施例的一种车位检测模型构建方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取样本车位点云和对应的各个样本车位。
具体地,由于基本上没有公开的关于超声车位检测的数据集,若是通过手动标记生成样本车位点云和对应的各个样本车位需要大量的人力物力,所以在上述步骤S101中可采用传统的根据超声数据计算超声点云,然后根据超声点云进行聚类以获得障碍物,并通过多种繁杂的场景判断,以检测出可泊车的方法来实现车位检测,得到样本车位点云和对应的各个样本车位,以制造训练集。当然,也可以基于其他相关的根据超声点云检测样本车位的方法,来获取样本车位点云和对应的各个样本车位,以制造训练集,在此不对样本车位点云和对应的各个样本车位的获取方式进行限定。
步骤S102,基于样本车位点云和各个样本车位进行坐标变换,以得到预设图像尺寸的样本点云图像和各个样本车位的样本车位信息。
值得说明的是,由于超声检测的车位点云是随着车辆前进而增加的,因此每帧的车位点云的数量不固定,为了固定输入,以方便预设车位检测模型学习,在获取到样本车位点云和对应的样本车位后,需要将样本车位点云转换为固定大小的样本点云图像,以使预设车位检测模型的输入数据大小统一。
具体地,样本车位信息包括样本车位的样本位置信息、样本置信度和对应于多个车位类型的样本概率。
需要说明的是,在上述步骤S102中,基于样本车位进行坐标变换,其目的是确定原基于样本车位点云测得的样本车位在转换后的样本点云图像中的样本位置信息,而样本车位的样本置信度和对应于多个车位类型的样本概率,可在通过其他方法对样本车位点云进行车位检测以得到各个样本车位时,所生成的相应的样本置信度和对应于多个车位类型的样本概率中得到。
具体地,上述步骤S102包括:
获取样本车位点云的点云范围;
基于点云范围、预设图像尺寸以及样本车位点云对应的点云坐标系与预设图像坐标系之间的对应关系,将样本车位点云和各个样本车位转换至预设图像坐标系下,以得到预设图像尺寸的样本点云图像和各个样本车位的样本车位信息。
示例性地,如图2和图3所示,假设构建一张预设图像尺寸的灰度图像,如:高度height和宽度width为640的灰度图像,将灰度图像的初始值设为0,以灰度图像的右上角为灰度图像对应的预设图像坐标系的中心点。以目标车辆为中心,将目标车辆周围预设范围内的样本车位点云转换到预设图像坐标系下,如:将目标车辆前后左右影响半径ROI为20米内的样本车位点云转换到预设图像坐标系下,即可以获得预设图像尺寸的样本点云图像。具体转换如下,假设样本车位点云坐标为(X1,Y1),其在对应的样本点云图像上的像素坐标为(X2,Y2),那么X2= (X1-ROI)/(ROI*2/width),Y2= (Y1-ROI)/(ROI*2/height)。
步骤S103,根据预设划分尺寸将样本点云图像划分为多个样本网格图像。
需要说明的是,若直接将样本点云图像输入至预设车位检测模型中,由于根据目标车辆所在场景不同,输出的超声车位数量角点位置也不同,则样本点云图像中所包含的车位数量难以确定,所以难以约束预设车位检测模型的输出数据,而对于基于神经网络构建的预设车位检测模型而言,需要使预设车位检测模型的输出固定为相同的格式。因此,需要将样本点云图像划分为多个样本网格图像,以限制每个样本网格图像中的最大车位数量,以便于约束以样本网格图像为输入时,预设车位检测模型的输出数据大小的格式。
步骤S104,将各个样本网格图像输入至预设车位检测模型中,对各个样本网格图像回归预设车位数量的预测车位,以得到各个样本网格图像中预测车位的预测车位信息,预设车位数量与预设划分尺寸对应。
可选地,预设划分尺寸为64*64,预设车位数量为2。
具体地,预设车位数量为样本网格图像中最大包括的车位数量。
需要说明的是,预设车位检测模型是预先构建的神经网络模型。
具体地,预测车位信息包括预测车位的预测位置信息、预测置信度和对应于多个车位类型的预测概率。
值得说明的是,在本实施例中借鉴基于深度学习YOLO框架的目标检测思想,将样本点云图像分割为预设划分尺寸的样本网格图像,每个样本网格图像回归预设车位数量的预测车位,预测车位可参见图3中的车位检测框。
示例性地,以预测车位的预测车位信息包括预测位置信息、预测置信度和对应于多个车位类型的预测概率为例。假设预设车位数量为2,若车位类型的个数为4,如:双边水平车位p1,单边水平车位p2,双边垂直车位p3和单边垂直车位p4,则每个预测车位可得到对应于4个车位类型的预测概率,单个样本网格图像可得到8个车位类型的预测概率。若对于每个预测车位需要预测其中心坐标(x,y)、宽度w、高度h这4个量(即,预测位置信息),则每个样本网格回归2个车位可得8个预测值。若针对每个预测车位有一个相应的预测置信度c,以用于表征样本网格图像内存在样本车位及预测车位的准确度,则单个样本网格图像对应2个预测置信度。因此,可将预设检测模型的输出表征为[x1,y1,w1,h1,c1,p11,p12,p13,p14,x2,y2,w2,h2,c2,p21,p22,p23,p24];其中,x1、y1为样本网格图像中第一个预测车位的中心坐标,w1为样本网格图像中第一个预测车位的预测宽度,h1为样本网格图像中第一个预测车位的预测高度,c1为样本网格图像中第一个预测车位的预测置信度,p11、p12、p13、p14分别为样本网格图像中第一个预测车位对应于双边水平车位p1、单边水平车位p2、双边垂直车位p3和单边垂直车位p4的预测概率,x2、y2为样本网格图像中第二个预测车位的中心坐标,w2为样本网格图像中第二个预测车位的预测宽度,h2为样本网格图像中第二个预测车位的预测高度,c2为样本网格图像中第二个预测车位的预测置信度,p21、p22、p23、p24分别为样本网格图像中第二个预测车位对应于双边水平车位p1、单边水平车位p2、双边垂直车位p3和单边垂直车位p4的预测概率。
需要说明的是,在本实施例中,不同于基于深度学***车位。所以本文中,每个预测车位对应于不同的车位类型有独立的预测概率。
步骤S105,对位于同一样本网格图像的样本车位和预测车位进行车位匹配,并基于车位匹配结果、样本车位信息和预测车位信息,对预设车位检测模型进行参数更新,得到目标车位检测模型,以基于目标车位检测模型进行车位检测。
本实施例提供的车位检测模型构建方法,通过将样本车位点云转换为预设图像尺寸的样本点云图像,并获取样本点云图像上对应样本车位的样本车位信息,然后根据预设划分尺寸将样本点云图像划分为多个样本网格图像,并通过预设车位检测模型对样本网格图像回归预设数量的预测车位,以得到各个样本网格图像中预测车位的预测车位信息,因此能够限制预设车位检测模型的输入数据和输出数据的大小,从而能够对预设车位模型进行有效训练,以得到目标车位检测模型。因此,在后续进行车位检测的过程中,仅需要将获取的目标车位点云转化为预设图像尺寸的目标点云图像,即可基于目标车位检测模型和目标点云图像进行车位检测,而无需进行点云聚类及繁杂的场景判断,从而能够减少车位检测的耗时。
图4是根据本发明实施例的另一种车位检测模型构建方法的流程图,如图4所示,上述步骤105包括:
步骤S1051,对位于同一样本网格图像的样本车位与预测车位进行车位匹配,得到车位匹配结果;
步骤S1052,基于车位匹配结果,对样本车位信息和预测车位信息进行处理,得到模型损失;
步骤S1053,基于模型损失对预设车位检测模型进行参数更新,得到目标车位检测模型。
本实施例提供的车位检测模型构建方法,先对位于同一样本网格图像的样本车位与预测车位进行车位匹配,得到车位匹配结果;再基于车位匹配结果对样本车位信息和预测车位信息进行处理,得到模型损失,以基于模型损失对预设车位检测模型进行参数更新,因此,能够提高预设车位检测模型的检测精度,以提高后续车位检测的准确性。
具体地,样本车位信息包括样本车位的样本位置信息、样本置信度和对应于多个车位类型的样本概率;预测车位信息包括预测车位的预测位置信息、预测置信度和对应于多个车位类型的预测概率;则,上述步骤S1053包括:
步骤a1,基于车位匹配结果,对样本位置信息和预测位置信息进行处理,得到坐标损失。
具体地,样本位置信息包括样本中心坐标、样本长度和样本宽度;预测位置信息包括预测中心坐标、预测长度和预测宽度。则,上述步骤a1的坐标损失根据以下公式计算得到:
其中,为坐标损失,/>为坐标系数,/>为样本网格图像的图像数量,B为预设数量,/>为用于判断第i个样本网格图像中第j个预测车位是否存在匹配的样本车位的第一车位标志,/>为第i个样本网格图像中第j个预测车位在x轴方向的预测中心坐标,/>为与第i个样本网格图像中第j个预测车位匹配的样本车位在x轴方向的样本中心坐标,/>为第i个样本网格图像中第j个预测车位在y轴方向的预测中心坐标,/>为与第i个样本网格图像中第j个预测车位匹配的样本车位在y轴方向的样本中心坐标,/>为第i个样本网格图像中第j个预测车位的预测宽度,/>为与第i个样本网格图像中第j个预测车位匹配的样本车位的样本宽度,/>为第i个样本网格图像中第j个预测车位的预测高度,/>为与第i个样本网格图像中第j个预测车位匹配的样本车位的样本高度。
步骤a2,基于车位匹配结果,对样本置信度和预测置信度进行处理,得到置信度损失。
具体地,上述步骤a2的置信度损失根据以下公式计算得到:
其中,为置信度损失,/>为样本网格图像的图像数量,B为预设数量,/>为用于判断第i个样本网格图像中第j个预测车位中是否存在匹配的样本车位的第一车位标志,为置信度系数,/>为用于判断第i个样本网格图像中第j个预测车位中是否不存在匹配的样本车位的第二车位标志,/>为第i个样本网格图像中第j个预测车位的预测置信度,为与第i个样本网格图像中第j个预测车位匹配的样本车位的样本置信度。
需要说明的是,对于第一车位标志,若第i个样本网格图像中第j个预测车位存在匹配的样本车位,则第一车位标志/>为1;若第i个样本网格图像中第j个预测车位不存在匹配的样本车位,则第一车位标志/>为0。对于第二车位标志/>,/>,即,若第i个样本网格图像中第j个预测车位存在匹配的样本车位,则第二车位标志/>为0;若第i个样本网格图像中第j个预测车位不存在匹配的样本车位,则第二车位标志/>为1。
步骤a3,基于车位匹配结果,对样本概率和预测概率进行处理,得到分类损失。
具体地,上述步骤a3的分类损失根据以下公式计算得到:
其中,为分类损失,/>为样本网格图像的图像数量,B为预设数量,/>为用于判断第i个样本网格图像中第j个预测车位中是否存在匹配的样本车位的第一车位标志,为第i个样本网格图像中第j个预测车位为车位类型/>的预测概率,/>为与第i个样本网格图像中第j个预测车位匹配的样本车位为车位类型/>的样本概率,classes为所述多个车位类型。
步骤a4,根据坐标损失、置信度损失和分类损失,确定模型损失。
示例性地,可根据预设比例对坐标损失、置信度损失和分类损失进行加权求和,确定模型损失。
本实施例提供的车位检测模型构建方法,基于车位匹配结果、样本位置信息、预测位置信息、样本置信度、预测置信度、样本概率和预测概率,分别计算坐标损失、置信度损失和分类损失,再基于坐标损失、置信度损失和分类损失确定模型损失,因此能够确保模型损失的准确性,以提高后续对预设车位检测模型进行参数更新的准确性。
在本实施例中还提供了一种车位检测方法,可用于车辆,如车辆的控制***或电子控制单元,还可用于与车辆通信连接的云服务器,图5是根据本发明实施例的一种车位检测方法的流程图,如图5所示,该流程包括如下步骤:
步骤S201,获取目标车辆的预设范围内的目标车位点云。
步骤S202,基于目标车位点云进行坐标变换,以得到预设图像尺寸的目标点云图像。
具体地,上述步骤S202包括:
基于预设范围、预设图像尺寸和目标车位点云对应的点云坐标系与预设图像坐标系之间的对应关系,将目标车位点云转换至预设图像坐标系下,以得到预设图像尺寸的目标点云图像。
进一步地,上述步骤S202根据以下公式对目标车位点云进行坐标变换,以得到预设图像尺寸的目标点云图像:
X2= (X1-ROI)/(ROI*2/width),Y2= (Y1-ROI)/(ROI*2/height)
其中,X2为目标车位点云在预设图像坐标系下x轴方向的像素坐标,X1为目标车位点云在对应的点云坐标系下x轴方向的点云坐标,Y2为目标车位点云在预设图像坐标系下y轴方向的像素坐标,Y1为目标车位点云在对应的点云坐标系下y轴方向的点云坐标,ROI为预设范围对应的影响半径,width为预设图像尺寸中的宽度,height为预设图像尺寸中的高度。
步骤S203,根据预设划分尺寸对目标点云图像进行划分,得到多个目标网格图像。
步骤S204,将各个目标网格图像输入至目标车位检测模型中,对各个目标网格图像回归预设车位数量的待定车位,以得到各个目标网格图像中待定车位的待定车位信息,预设车位数量与预设划分尺寸对应,目标车位检测模型是基于上述任一实施方式的车位检测模型构建方法得到的。
步骤S205,从各个待定车位和对应的待定车位信息中,确定目标车位以及目标车位信息。
具体地,待定车位信息包括待定车位的待定位置信息、待定置信度和对应于多个车位类型的待定概率。
具体地,上述步骤S205包括:
根据待定车位的待定置信度从各个待定车位中确定目标车位;
根据目标车位对应的待定位置信息,确定目标车位的目标位置信息;
根据目标车位对应于多个车位类型的待定概率,确定目标车位的目标车位类型;
将目标位置信息和目标车位类型作为目标车位的目标车位信息。
本实施例提供的车位检测方法,首先将获取到的目标车位点云转换为预设图像尺寸的样本点云图像,因此能够约束目标检测模型的输入数据的大小,然后将样本点云图像划分为多个目标网格图像,将目标网格图像输入至目标车位检测模型中,对各个目标网格图像回归预设车位数量的待定车位,因此,能够约束目标检测模型的输出数据的大小,以基于目标车位检测模型得到各个目标网格图像中待定车位及其待定车位信息,以确定目标车位以及目标车位信息,从而无需进行点云聚类及繁杂的场景判断,以减少车位检测的耗时。
可以理解地,本发明提出通过对预设车位检测模型/目标车位检测模型的输入数据和输出数据进行约束,提出了一种通用的模型输入输出结构,进而提出了一种基于深度学习的端到端的超声车位检测方法,从而能够快速准确地通过超声检测的车位点云获得可泊车的目标车位。
在本实施例中还提供了一种车位检测模型构建装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种车位检测模型构建装置,如图6所示,包括:
样本数据获取模块301,用于获取样本车位点云和对应的各个样本车位;
样本坐标变换模块302,用于基于样本车位点云和各个样本车位进行坐标变换,以得到预设图像尺寸的样本点云图像和各个样本车位的样本车位信息;
样本图像划分模块303,用于根据预设划分尺寸将样本点云图像划分为多个样本网格图像;
样本车位预测模块304,用于将各个样本网格图像输入至预设车位检测模型中,对各个样本网格图像回归预设车位数量的预测车位,以得到各个样本网格图像中预测车位的预测车位信息,预设车位数量与预设划分尺寸对应;
模型参数更新模块305,用于对位于同一样本网格图像的样本车位和预测车位进行车位匹配,并基于车位匹配结果、样本车位信息和预测车位信息,对预设车位检测模型进行参数更新,得到目标车位检测模型,以基于目标车位检测模型进行车位检测。
在一些可选的实施方式中,模型参数更新模块305包括:
车位匹配单元,用于对位于同一样本网格图像的样本车位与预测车位进行车位匹配,得到车位匹配结果;
损失计算单元,用于基于车位匹配结果,对样本车位信息和预测车位信息进行处理,得到模型损失;
参数更新单元,用于基于模型损失对预设车位检测模型进行参数更新,得到目标车位检测模型。
在一些可选的实施方式中,样本车位信息包括样本车位的样本位置信息、样本置信度和对应于多个车位类型的样本概率;预测车位信息包括预测车位的预测位置信息、预测置信度和对应于多个车位类型的预测概率;则,损失计算单元包括:
坐标损失计算子单元,用于基于车位匹配结果,对样本位置信息和预测位置信息进行处理,得到坐标损失;
置信度损失计算子单元,用于基于车位匹配结果,对样本置信度和预测置信度进行处理,得到置信度损失;
分类损失计算子单元,用于基于车位匹配结果,对样本概率和预测概率进行处理,得到分类损失;
模型损失计算子单元,用于根据坐标损失、置信度损失和分类损失,确定模型损失。
具体地,样本位置信息包括样本中心坐标、样本长度和样本宽度;预测位置信息包括预测中心坐标、预测长度和预测宽度;则,坐标损失计算子单元具体用于:
根据以下公式计算得到坐标损失:
其中,为坐标损失,/>为坐标系数,/>为样本网格图像的图像数量,B为预设数量,/>为用于判断第i个样本网格图像中第j个预测车位是否存在匹配的样本车位的第一车位标志,/>为第i个样本网格图像中第j个预测车位在x轴方向的预测中心坐标,/>为与第i个样本网格图像中第j个预测车位匹配的样本车位在x轴方向的样本中心坐标,/>为第i个样本网格图像中第j个预测车位在y轴方向的预测中心坐标,/>为与第i个样本网格图像中第j个预测车位匹配的样本车位在y轴方向的样本中心坐标,/>为第i个样本网格图像中第j个预测车位的预测宽度,/>为与第i个样本网格图像中第j个预测车位匹配的样本车位的样本宽度,/>为第i个样本网格图像中第j个预测车位的预测高度,/>为与第i个样本网格图像中第j个预测车位匹配的样本车位的样本高度。
具体地,置信度损失计算子单元具体用于:
根据以下公式计算得到置信度损失:
其中,为置信度损失,/>为样本网格图像的图像数量,B为预设数量,/>为用于判断第i个样本网格图像中第j个预测车位中是否存在匹配的样本车位的第一车位标志,为置信度系数,/>为用于判断第i个样本网格图像中第j个预测车位中是否不存在匹配的样本车位的第二车位标志,/>为第i个样本网格图像中第j个预测车位的预测置信度,/>为与第i个样本网格图像中第j个预测车位匹配的样本车位的样本置信度。
具体地,分类损失计算子单元具体用于:
根据以下公式计算得到分类损失:
其中,为分类损失,/>为样本网格图像的图像数量,B为预设数量,/>为用于判断第i个样本网格图像中第j个预测车位中是否存在匹配的样本车位的第一车位标志,为第i个样本网格图像中第j个预测车位为车位类型/>的预测概率,/>为与第i个样本网格图像中第j个预测车位匹配的样本车位为车位类型/>的样本概率,classes为多个车位类型。
作为其中一种可选的实施方式,样本坐标变换模块302包括:
点云范围获取单元,用于获取样本车位点云的点云范围;
样本坐标变换单元,用于基于点云范围、预设图像尺寸以及样本车位点云对应的点云坐标系与预设图像坐标系之间的对应关系,将样本车位点云和各个样本车位转换至预设图像坐标系下,以得到预设图像尺寸的样本点云图像和各个样本车位的样本车位信息。
在本实施例中还提供了一种车位检测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种车位检测装置,如图7所示,包括:
目标点云获取模块401,用于获取目标车辆的预设范围内的目标车位点云;
目标坐标变换模块402,用于基于目标车位点云进行坐标变换,以得到预设图像尺寸的目标点云图像;
目标图像划分模块403,用于根据预设划分尺寸对目标点云图像进行划分,得到多个目标网格图像;
待定车位预测模块404,用于将各个目标网格图像输入至目标车位检测模型中,对各个目标网格图像回归预设车位数量的待定车位,以得到各个目标网格图像中待定车位的待定车位信息,预设车位数量与预设划分尺寸对应,目标车位检测模型是基于任一实施方式的车位检测模型构建装置得到的;
目标车位确定模块405,用于从各个待定车位和对应的待定车位信息中,确定目标车位以及目标车位信息。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例中的车位检测装置是以功能单元的形式来呈现,这里的单元是指ASIC(Application Specific Integrated Circuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备,具有上述图6所示的车位检测模型构建装置和/或图7所示的车位检测装置。
请参阅图8,图8是本发明可选实施例提供的一种计算机设备的结构示意图,如图8所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图8中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,存储器20存储有可由至少一个处理器10执行的指令,以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括输入装置30和输出装置40。处理器10、存储器20、输入装置30和输出装置40可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置30可接收输入的数字或字符信息,以及产生与该计算机设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等。输出装置40可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。上述显示设备包括但不限于液晶显示器,发光二极管,显示器和等离子体显示器。在一些可选的实施方式中,显示设备可以是触摸屏。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种车位检测模型构建方法,其特征在于,所述车位检测模型构建方法包括:
获取样本车位点云和对应的各个样本车位;
基于所述样本车位点云和各个所述样本车位进行坐标变换,以得到预设图像尺寸的样本点云图像和各个所述样本车位的样本车位信息;
根据预设划分尺寸将所述样本点云图像划分为多个样本网格图像;
将各个所述样本网格图像输入至预设车位检测模型中,对各个所述样本网格图像回归预设车位数量的预测车位,以得到各个所述样本网格图像中所述预测车位的预测车位信息,所述预设车位数量与所述预设划分尺寸对应;
对位于同一所述样本网格图像的所述样本车位和所述预测车位进行车位匹配,并基于车位匹配结果、所述样本车位信息和所述预测车位信息,对预设车位检测模型进行参数更新,得到目标车位检测模型,以基于所述目标车位检测模型进行车位检测。
2.根据权利要求1所述的车位检测模型构建方法,其特征在于,所述对位于同一所述样本网格图像的所述样本车位和所述预测车位进行车位匹配,并基于车位匹配结果、所述样本车位信息和所述预测车位信息,对预设车位检测模型进行参数更新,得到目标车位检测模型,包括:
对位于同一所述样本网格图像的所述样本车位与所述预测车位进行车位匹配,得到车位匹配结果;
基于所述车位匹配结果,对所述样本车位信息和所述预测车位信息进行处理,得到模型损失;
基于所述模型损失对预设车位检测模型进行参数更新,得到目标车位检测模型。
3.根据权利要求2所述的车位检测模型构建方法,其特征在于,所述样本车位信息包括所述样本车位的样本位置信息、样本置信度和对应于多个车位类型的样本概率;所述预测车位信息包括所述预测车位的预测位置信息、预测置信度和对应于所述多个车位类型的预测概率;所述基于所述车位匹配结果,对所述样本车位的样本车位信息和所述预测车位的预测车位信息进行处理,得到模型损失,包括:
基于所述车位匹配结果,对所述样本位置信息和所述预测位置信息进行处理,得到坐标损失;
基于所述车位匹配结果,对所述样本置信度和所述预测置信度进行处理,得到置信度损失;
基于所述车位匹配结果,对所述样本概率和所述预测概率进行处理,得到分类损失;
根据所述坐标损失、所述置信度损失和所述分类损失,确定模型损失。
4.根据权利要求3所述的车位检测模型构建方法,其特征在于,所述样本位置信息包括样本中心坐标、样本长度和样本宽度;所述预测位置信息包括预测中心坐标、预测长度和预测宽度;所述坐标损失根据以下公式计算得到:
其中,为坐标损失,/>为坐标系数,/>为所述样本网格图像的图像数量,B为所述预设数量,/>为用于判断第i个所述样本网格图像中第j个预测车位是否存在匹配的所述样本车位的第一车位标志,/>为第i个所述样本网格图像中第j个预测车位在x轴方向的预测中心坐标,/>为与第i个所述样本网格图像中第j个预测车位匹配的样本车位在x轴方向的样本中心坐标,/>为第i个所述样本网格图像中第j个预测车位在y轴方向的预测中心坐标,/>为与第i个所述样本网格图像中第j个预测车位匹配的样本车位在y轴方向的样本中心坐标,/>为第i个所述样本网格图像中第j个预测车位的预测宽度,/>为与第i个所述样本网格图像中第j个预测车位匹配的样本车位的样本宽度,/>为第i个所述样本网格图像中第j个预测车位的预测高度,/>为与第i个所述样本网格图像中第j个预测车位匹配的样本车位的样本高度。
5.根据权利要求3所述的车位检测模型构建方法,其特征在于,所述置信度损失根据以下公式计算得到:
其中,为置信度损失,/>为所述样本网格图像的图像数量,B为所述预设数量,/>为用于判断第i个所述样本网格图像中第j个预测车位中是否存在匹配的所述样本车位的第一车位标志,/>为置信度系数,/>为用于判断第i个所述样本网格图像中第j个预测车位中是否不存在匹配的所述样本车位的第二车位标志,/>为第i个所述样本网格图像中第j个预测车位的预测置信度,/>为与第i个所述样本网格图像中第j个预测车位匹配的样本车位的样本置信度。
6.根据权利要求3所述的车位检测模型构建方法,其特征在于,所述分类损失根据以下公式计算得到:
其中,为分类损失,/>为所述样本网格图像的图像数量,B为所述预设数量,/>为用于判断第i个样本网格图像中第j个预测车位中是否存在匹配的样本车位的第一车位标志,/>为第i个所述样本网格图像中第j个预测车位为车位类型/>的预测概率,/>为与第i个所述样本网格图像中第j个预测车位匹配的样本车位为车位类型/>的样本概率,classes为所述多个车位类型。
7.根据权利要求1所述的车位检测模型构建方法,其特征在于,所述基于所述样本车位点云和各个所述样本车位进行坐标变换,以得到预设图像尺寸的样本点云图像和各个所述样本车位的样本车位信息,包括:
获取所述样本车位点云的点云范围;
基于所述点云范围、预设图像尺寸以及所述样本车位点云对应的点云坐标系与预设图像坐标系之间的对应关系,将所述样本车位点云和各个所述样本车位转换至所述预设图像坐标系下,以得到所述预设图像尺寸的样本点云图像和各个所述样本车位的样本车位信息。
8.一种车位检测方法,其特征在于,所述车位检测方法包括:
获取目标车辆的预设范围内的目标车位点云;
基于所述目标车位点云进行坐标变换,以得到预设图像尺寸的目标点云图像;
根据预设划分尺寸对所述目标点云图像进行划分,得到多个目标网格图像;
将各个所述目标网格图像输入至目标车位检测模型中,对各个所述目标网格图像回归预设车位数量的待定车位,以得到各个所述目标网格图像中所述待定车位的待定车位信息,所述预设车位数量与所述预设划分尺寸对应,所述目标车位检测模型是基于权利要求1至7中任一项所述的车位检测模型构建方法得到的;
从各个所述待定车位和对应的所述待定车位信息中,确定目标车位以及目标车位信息。
9.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至7中任一项所述的车位检测模型构建方法和/或权利要求8所述的车位检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至7中任一项所述的车位检测模型构建方法和/或权利要求8所述的车位检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311063234.6A CN116778458B (zh) | 2023-08-23 | 2023-08-23 | 车位检测模型构建方法、车位检测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311063234.6A CN116778458B (zh) | 2023-08-23 | 2023-08-23 | 车位检测模型构建方法、车位检测方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116778458A true CN116778458A (zh) | 2023-09-19 |
CN116778458B CN116778458B (zh) | 2023-12-08 |
Family
ID=88006703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311063234.6A Active CN116778458B (zh) | 2023-08-23 | 2023-08-23 | 车位检测模型构建方法、车位检测方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778458B (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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10491885B1 (en) * | 2018-06-13 | 2019-11-26 | Luminar Technologies, Inc. | Post-processing by lidar system guided by camera information |
CN111949943A (zh) * | 2020-07-24 | 2020-11-17 | 北京航空航天大学 | 一种面向高级自动驾驶的v2x和激光点云配准的车辆融合定位方法 |
CN115457492A (zh) * | 2022-09-30 | 2022-12-09 | 苏州万集车联网技术有限公司 | 目标检测方法、装置、计算机设备及存储介质 |
-
2023
- 2023-08-23 CN CN202311063234.6A patent/CN116778458B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10491885B1 (en) * | 2018-06-13 | 2019-11-26 | Luminar Technologies, Inc. | Post-processing by lidar system guided by camera information |
CN111949943A (zh) * | 2020-07-24 | 2020-11-17 | 北京航空航天大学 | 一种面向高级自动驾驶的v2x和激光点云配准的车辆融合定位方法 |
CN115457492A (zh) * | 2022-09-30 | 2022-12-09 | 苏州万集车联网技术有限公司 | 目标检测方法、装置、计算机设备及存储介质 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116778458B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11422261B2 (en) | Robot relocalization method and apparatus and robot using the same | |
EP3624000A1 (en) | System and method for camera or sensor-based parking spot detection and identification | |
CN113298169B (zh) | 一种基于卷积神经网络的旋转目标检测方法及装置 | |
EP3816663A2 (en) | Method, device, equipment, and storage medium for determining sensor solution | |
CN111563450B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN116778458B (zh) | 车位检测模型构建方法、车位检测方法、设备及存储介质 | |
CN111310840B (zh) | 数据融合处理方法、装置、设备和存储介质 | |
CN116645649B (zh) | 车辆位姿及尺寸估计方法、设备及存储介质 | |
CN111860072A (zh) | 泊车控制方法、装置、计算机设备及计算机可读存储介质 | |
CN112487861A (zh) | 车道线识别方法、装置、计算设备及计算机存储介质 | |
CN110705338A (zh) | 车辆检测方法、装置及监控设备 | |
CN111767843B (zh) | 三维位置预测方法、装置、设备以及存储介质 | |
CN111402326A (zh) | 障碍物的检测方法、装置、无人车及存储介质 | |
CN111523334A (zh) | 虚拟禁区的设置方法、装置、终端设备、标签和存储介质 | |
CN113963061A (zh) | 路沿分布信息获取方法、装置、电子设备和存储介质 | |
CN108805121B (zh) | 一种车牌检测定位方法、装置、设备及计算机可读介质 | |
US20230082656A1 (en) | Method and apparatus for vehicle positioning | |
CN108960160A (zh) | 基于非结构化预测模型来预测结构化状态量的方法和装置 | |
CN115062240A (zh) | 一种停车场排序方法、装置、电子设备和存储介质 | |
CN114677662A (zh) | 一种车辆前方障碍状态预测方法、装置、设备及存储介质 | |
CN114266876A (zh) | 定位方法、视觉地图的生成方法及其装置 | |
CN111753768A (zh) | 表示障碍物形状的方法、装置、电子设备和存储介质 | |
CN113643359A (zh) | 一种目标对象定位方法、装置、设备及存储介质 | |
CN111336984A (zh) | 障碍物测距方法、装置、设备和介质 | |
CN112528918A (zh) | 道路元素识别方法、地图标注方法及装置、车辆 |
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 |