CN117612138A - 一种车位检测方法、装置、设备及存储介质 - Google Patents
一种车位检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117612138A CN117612138A CN202311649732.9A CN202311649732A CN117612138A CN 117612138 A CN117612138 A CN 117612138A CN 202311649732 A CN202311649732 A CN 202311649732A CN 117612138 A CN117612138 A CN 117612138A
- Authority
- CN
- China
- Prior art keywords
- image
- parking space
- detection
- network
- information
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 209
- 230000007613 environmental effect Effects 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 83
- 238000012545 processing Methods 0.000 claims description 57
- 238000000034 method Methods 0.000 claims description 38
- 238000001914 filtration Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003623 enhancer Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车位检测方法、装置、设备及存储介质,包括:获取目标车辆的至少两张环境图像,并根据所述环境图像生成全景环视图像;结合金字塔增强网络和对象检测网络,对所述全景环视影像进行特征检测,确定车位标注框和车位标记点;根据所述车位标注框和车位标记点进行空车位检测,获得检测结果。上述技术方案,解决了在暗光条件下无法有效识别停车位的问题,提升了在自动泊车场景下停车位检测的高效性和准确性,保障了用户的使用体验感。
Description
技术领域
本发明涉及车位检测技术领域,尤其涉及一种车位检测方法、装置、设备及存储介质。
背景技术
自动驾驶是交通出行的未来趋势,是汽车行业发展的下一目标,自动泊车作为自动驾驶与辅助驾驶中的重要落地场景,有助于减少交通事故的发生、解决停车困难的问题。
目前,基于视觉的车位检测方法可以分为三类:基于线的方法,基于分割的方法和基于车位标记点的方法。基于线的方法通常使用基于原始的线特征而设计的,对实际复杂环境的鲁棒性较差。为了提高复杂环境下停车位检测的可靠性,出现了一些基于语义分割的方法检测空车位,然而这些语义分割方法需要经过后处理才能得到车位,检测既耗时也不准确。为解决以上检测过程复杂问题,出现一种基于点的空车位的检测方法,该方法简化了检测的过程,但在复杂环境下车位标记点不明显时仍然会出现无法检测的问题,特别是在常见的暗光环境下尤为明显。
发明内容
本发明提供了一种车位检测方法、装置、设备及存储介质,解决了在暗光条件下无法有效识别停车位的问题,提升了在自动泊车场景下停车位检测的高效性和准确性,保障了用户的使用体验感。
第一方面,本公开实施例提供了一种车位检测方法,包括:
获取目标车辆的至少两张环境图像,并根据所述环境图像生成全景环视图像;
结合金字塔增强网络和对象检测网络,对所述全景环视影像进行特征检测,确定车位标注框和车位标记点;
根据所述车位标注框和车位标记点进行空车位检测,获得检测结果。
第二方面,本公开实施例提供了一种车位检测装置,包括:
图像生成模块,用于获取目标车辆的至少两张环境图像,并根据所述环境图像生成全景环视图像;
特征检测模块,用于结合金字塔增强网络和对象检测网络,对所述全景环视影像进行特征检测,确定车位标注框和车位标记点;
车位检测模块,用于根据所述车位标注框和车位标记点进行空车位检测,获得检测结果。
第三方面,本公开实施例提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行上述第一方面实施例提供的车位检测方法。
第四方面,本公开实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现上述第一方面实施例提供的车位检测方法。
本发明实施例的一种车位检测方法、装置、设备及存储介质,通过获取目标车辆的至少两张环境图像,并根据所述环境图像生成全景环视图像;结合金字塔增强网络和对象检测网络,对所述全景环视影像进行特征检测,确定车位标注框和车位标记点;根据所述车位标注框和车位标记点进行空车位检测,获得检测结果。上述技术方案,解决了在暗光条件下无法有效识别停车位的问题,提升了在自动泊车场景下停车位检测的高效性和准确性,保障了用户的使用体验感。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是本发明实施例一提供的一种车位检测方法的流程图;
图2是本发明实施例一提供的一种车位检测方法中涉及对象检测网络训练的示意图;
图3是本发明实施例二提供的一种车位检测方法的流程图;
图4是本发明实施例二提供的一种车位检测方法中所涉及通过金字塔增强网络进行特征增强的示例展示图;
图5是本发明实施例二提供的一种车位检测方法中所涉及低频滤波处理的示例展示图;
图6是本发明实施例二提供的一种车位检测方法中所涉及细节处理的示例展示图;
图7是本发明实施例三提供的一种车位检测装置的结构示意图;
图8是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种车位检测方法的流程图,本实施例可适用于在自动泊车场景下进行停车位检测的情形,该方法可以由车位检测装置来执行,该车位检测装置可以采用硬件和/或软件的形式实现。
如图1所示,该方法包括:
S101、获取目标车辆的至少两张环境图像,并根据环境图像生成全景环视图像。
在本实施例中,目标车辆可以理解为自动泊车的执行主体,也是本方案的应用主体。目标车辆上四周设置至少两个鱼眼相机,优选为四个,每个鱼眼相机都会采集相机可视范围内的车辆周边环境图像。环境图像可以理解为车辆周边环境的图像。全景环视图像可以理解为根据至少两张环境图像生成的俯视角度的车辆全景环境影像。
具体的,设置于目标车辆上的四个鱼眼相机分别采集其可视范围内的车辆环境图像。获取鱼眼相机采集到的四张不同方位的环境图像,将这四张环境图像进行图像优化处理,获得更加清晰的环境图像,再对更清晰的四张环境图像分别进行特征提取,基于特征提取的结果融合四张环境图像,将不同方位的环境图像融合为一张俯视视角下的全景环视图像。
S102、结合金字塔增强网络和对象检测网络,对全景环视影像进行特征检测,确定车位标注框和车位标记点。
在本实施例中,金字塔增强网络(Pyramid Enhance NET,PENet)可以理解为一种基于上采样的特征增强网络。对象检测网络可以理解为一种用于进行目标检测的网络。将金字塔增强网络与对象检测网络结合,可以认为是一种改进的YOLOv8网络模型,改进的YOLOv8是一个两阶段的网络,第一阶段用PENet对原始的全景环视影像进行增强,得到的增强图像用于第二阶段对象检测网络的输入。车位标注框可以理解为对象检测网络的检测结果,是一个矩形框,用于标注在车位入口处的停车位头。车位标记点可以理解为用于标注停车位角点的点。
具体的,通过金字塔增强网络PENet对全景环视影像进行上采样的特征增强处理,使得全景环视图像每一个分辨率下的特征信息都能够被高效识别解析,避免低分辨率的特征信息被识别不充分。融合各个分辨率下特征清晰的图像,进一步获得特征增强后的全景环视影像,将特征增强后的全景环视图像输入至对象检测网络模型中,获得对象检测网络输出的车位标注框和车位标记点。
S103、根据车位标注框和车位标记点进行空车位检测,获得检测结果。
在本实施例中,检测结果可以理解为空车位检测的检测结果,包括当前车位为空车位和当前车位为非空车位。
具体的,根据车位标注框和车位标记点判断车位标记点是否未匹配的标记点,若是,通过车位标注框和车位标记点计算出完整的车位框,并将完整的车位框所对应的各个车位标记点输入至预先确定的分类模型中,分类模型根据车位标记点判断车位是否被占用,并输出检测结果。若车位被占用,检测结果为当前车位为非空车位;若车位未被占用,检测结果为当前车位为空车位。
本发明实施例所提供的一种车位检测方法,通过获取目标车辆的至少两张环境图像,并根据环境图像生成全景环视图像;结合金字塔增强网络和对象检测网络,对全景环视影像进行特征检测,确定车位标注框和车位标记点;根据车位标注框和车位标记点进行空车位检测,获得检测结果。上述技术方案,解决了在暗光条件下无法有效识别停车位的问题,提升了在自动泊车场景下停车位检测的高效性和准确性,保障了用户的使用体验感。
作为实施例的第一可选实施例,在上述实施例基础上,对象检测网络为训练完备的网络模型,相应的,本第一可选实施例还优化增加了对象检测网络的训练步骤,包括:
a1)构建初始对象检测网络,将已标注的图像训练样本输入至初始对象检测网络中进行训练,获得训练后的中间对象检测网络。
在本实施例中,初始对象检测网络可以理解为一个普通的深度学习模型,未被赋予任何意义。图像训练样本可以理解为用于训练初始对象检测网络的样本数据,通过大量的图像训练样本进行对象检测网络的训练,在这些图像训练样本中,一部分为已标注的图像训练样本,一部分为未标注的图像训练样本。已标注的图像训练样本可以理解为已知目标检测结果的图像训练样本。中间对象检测网络可以理解为经训练已具备一定目标检测能力,但尚未训练完备的卷积神经网络。
图2是本发明实施例一提供的一种车位检测方法中涉及对象检测网络训练的示意图,如图2所示,为了提高对象检测网络的训练效率,引入了一种新的半监督帕多瓦增量标注算法。具体的,构建作为初始对象检测网络的深度学习模型,通过标注工具(例如labelImg)对一部分图像进行人工标注,作为已标注的图像训练样本。将已标注的图像训练样本输入至初始对象检测网络中,对初始对象网络进行训练,获得训练后的具备一定检测能力的中间对象检测网络。可以理解的是,本实施例所述的深度学习模型可以是任意深度学习目标检测算法,优选为YOLOv8。
b1)将未标注的图像训练样本输入至中间对象检测网络中,获得中间对象网络输出的训练检测结果。
在本实施例中,未标注的图像训练样本可以理解为未知检测结果的图像训练样本,用于验证中间对象检测网络的检测准确性。训练检测结果可以理解为中间对象检测网络对图像训练样本的检测结果,包括车位标注框和车位标记点。
具体的,将未标注的图像训练样本输入至中间对象检测网络中,经初步训练后的中间对象网络对未标注的图像训练样本进行特征检测,获得中间对象网络输出的训练检测结果。
c1)将满足预设检测条件的训练检测结果所对应的图像训练样本,确定为已标注的图像训练样本,对中间对象检测网络进行迭代训练,直至中间检测网络输出的训练检测结果满足训练结束条件。
在本实施例中,预设检测条件可以理解为用于确定训练检测结果是否准确到能够将对应的图像训练样本进行标注的条件,例如可以是训练检测结果中车位标注框与车位标记点与实际的车位标注框和车位标记点一致,也可以是相似程度大于一定阈值,本实施例对此不设限定。训练结束条件可以理解为用于结束对中间对象检测网络训练的条件,例如可以是中间检测网络的准确率和准确度已达到预设阈值,预设阈值根据实际需求确定,本实施例对此不设限定;训练结束条件还可以是未标注的图像训练样本已全部转化为已标注的图像训练样本。
具体的,当中间检测网络输出的对未标注的图像训练样本的训练检测结果中,车位标注框与车位标记点与实际车位的信息一致,表征训练检测结果满足预设检测条件,可以将该训练检测结果所对应的未标注的图像训练样本确定为已标注的图像训练样本。其中,为提高训练效率,降低了标注的工作量以及重复性,对图像训练样本进行标注的步骤由人工完成。将未标注的图像训练样本确定为已标注的图像训练样本后,继续根据已标注的图像训练样本对中间对象检测网络进行迭代训练,和/或,根据未标注的图像训练样本对中间对象检测网络进行验证,直至未标注的图像训练样本均已转化为已标注的图像训练样本,表征对象检测网络已经能够精确地检测到车位标注框和车位标记点,因此,确定当前满足训练结束条件。此时中间对象检测网络已经成为训练完备的对象检测网络,可以直接投入实际应用中。
可以理解的是,本方案中的对象检测网络的训练步骤,也可以基于全自动的训练与标注,但训练工作量较大、重复度较高。
作为实施例的第二可选实施例,在上述实施例基础上,本第二可选实施例还优化增加了:
若检测结果为当前车位为空车位,控制目标车辆进行自动泊车。
在本实施例中,若检测结果为当前车位为空车位,表征此时目标车辆具备执行自动泊车的条件,根据检测结果规划泊车路线,控制目标车辆根据规划的泊车路线进行自动泊车。
实施例二
图3是本发明实施例二提供的一种车位检测方法的流程图,本实施例是对上述任一实施例的进一步优化,可适用于在自动泊车场景下进行停车位检测的情形,该方法可以由车位检测装置来执行,该车位检测装置可以采用硬件和/或软件的形式实现。
如图3所示,该方法包括:
S201、获取目标车辆的环境图像,环境图像分别为前视图像、后视图像、左视图像以及右视图像。
在本实施例中,前视图像为前视相机采集到的环境图像,前视相机为安装于车辆前侧用于采集车辆前方图像的鱼眼相机。后视图像为后视相机采集到的环境图像,后视相机为安装于车辆后侧用于采集车辆后方图像的鱼眼相机。左视图像为左视相机采集到的环境图像,左视相机为安装于车辆左侧用于采集车辆左侧图像的鱼眼相机。右视图像为右视相机采集到的环境图像,右视相机为安装于车辆右侧用于采集车辆右侧图像的鱼眼相机。
具体的,获取设置于目标车辆上前视相机采集到的前视图像,后视相机采集到的后视图像,左视相机采集到的左视图像,右视相机采集到的右视图像。
S202、对每张环境图像进行图像优化处理,获得优化后的待融合环境图像。
在本实施例中,待融合环境图像可以理解为已经进行图像优化处理后生成的特征更清晰的环境图像。待融合环境图像有四张,分别对应前视图像、后视图像、左视图像和右视图像。
具体的,分别对前视图像、后视图像、左视图像和右视图像进行亮度补偿、畸变校正、逆投影变换与颜色平衡处理等优化操作,获得前视图像优化后的前视待融合环境图像,后视图像优化后的后视待融合环境图像,左视图像优化后的左视待融合环境图像,右视图像优化后的右视待融合环境图像。
可选的,对每张环境图像进行图像优化处理,获得优化后的待融合环境图像,包括:
S2021、针对各环境图像中每个环境图像,对环境图像进行亮度补偿,获得第一优化图像。
在本实施例中,第一优化图像可以理解为亮度补偿后的环数图像。
针对每张环境图像,分别执行对应的图像优化操作,图像优化操作不限于亮度补偿、畸变校正、逆投影变换与颜色平衡处理。
具体的,利用积分球图像的分布曲线,通过y=a0+a1x1+a2x2+a3x3对环境图像中的点进行相应的亮度补偿,式中,x表示每点距离图像中心的横向距离,y表示每点的亮度值距离中心点亮度值的差,a0、a1、a2和a3表示相应的拟合系数,各拟合系数为预先确定的常量,为利用最小二乘法求解拟合曲线y=a0+a1x1+a2x2+a3x3得到的四个系数。对于环境图像中的每个点,计算其与中心点的距离,根据距离和差值的关系曲线计算当前点的亮度差值,当前点最新的亮度值为原始亮度值减去亮度差值。
通过积分球补偿算法对环境图像进行亮度补偿,能够有效的保持图像的亮度均匀,减少高光区域对车位检测的影响。
S2022、对第一优化图像进行畸变校正,获得第二优化图像。
在本实施例中,第二优化图像可以理解为畸变校正后的第一优化图像。
具体的,去掉第一优化图像的透镜畸变,将第一优化图像中各坐标点排列整齐。对第一优化图像中的任一点(X,Y),对应无畸变的图像中点(x,y),根据和进行鱼眼畸变校正,式中,fx/fy表示相机焦距f与相机cmos参数dx/dy的比值,dx/dy的物理意义为每个像素的实际长度,单位是mm/像素。cx和cy表示相机主点,即光心与图像平面相交的坐标,单位为像素。
通过针孔模型计算非畸变点,式中,r是图像像素点到图像中心点的距离,为/>
通过等距投影模型(r′=fθd,f=1)计算畸变点,r′=fθd=θ(1+k0θ2+k1θ4+k2θ6+k3θ8),式中,r′为畸变时图像像素点到图像中心点的距离,为世界坐标系中任一点在鱼眼镜头坐标系下的入射角,θd为畸变后的等效折射角,k为畸变参数。
通过计算非畸变点和畸变点的比例,通过X2=sX1和Y2=sY1计算非畸变点的坐标,确定非畸变点坐标为(X2,Y2)。
将第一优化图像中的每个点遍历计算,分别确定出对应的非畸变点,然后将图像的物体坐标系转为像素坐标系并进行相应的归一化,确定畸变矫正后的第二优化图像。
可以理解的是,在本步骤中所采用的x和y,与上述步骤S2021中的x和y均用于表示坐标相关数值,但实际含义并不相同,仅做代指。
S2023、对第二优化图像进行逆投影变换,生成第三优化图像。
在本实施例中,第三优化图像可以理解为逆投影变化后的第二优化图像。
具体的,由于安装在车辆四周的每个摄像头受到安装位置的限制。光轴与地面存在一定的角度,获取到的视频图像存在透视效果,而全景环视***所要求的全景俯视图,从视觉效果上要求是90°的俯视效果。因此,该算法对车辆前、后、左和右4个方向的环境图像进行逆投影变换。可以理解的是,该算法实际优化的图像为经亮度补偿和畸变校正后的第二优化图像。
具体的,设定虚拟相机的俯视位置,利用单应性矩阵H,根据真实相机图像(第二优化图像)上某点坐标Preal,通过Pvirtual=H*Preal,将Preal转换为虚拟相机图像上的坐标Pvirtual,进一步将真实相机图像(第二优化图像)转换为俯视图(第三优化图像),由于俯视图针对同一虚拟相机,因此,变换后四幅图像重叠区域已达到空间对齐。
S2024、对第三优化图像进行颜色平衡处理,生成优化后的待融合环境图像。
在本实施例中,待融合环境图像可以理解为颜色平衡后的第三优化图像。可以理解的是,四张待融合环境图像分别对应四个角度的环境图像。
具体的,由于车辆在行驶中,车身周围环境会受光照、天气等因素的影响,视频图像的亮度、色彩和对比度容易降低,会影响对驾驶员的辅助功能。另一方面,车辆行驶过程中,每个摄像头所处的光照环境不同,所获取的图像亮度、色彩也不一致,并且随着车辆行驶,每个摄像头的亮度、色彩时刻都在变化。因此,为了使得到的全景俯视图像亮度、色彩均匀、一致,需对俯视视角下的第三优化图像进行颜色平衡处理,来对第三优化图像进行色彩校正,生成优化后的待融合环境图像,以使得图像色彩具备一致性,从而达到较好的拼接效果。本实施例对颜色平衡处理的方式不设限定。
S203、对各待融合环境图像进行特征提取与图像拼接,生成目标车辆的全景环视影像。
在本实施例中,采用RANSAC算法对四张不同方位下的俯视的待融合环境图像进行特征点提取,确定边缘待拼接区域,再通过拉普拉斯融合算法对待拼接的区域进行融合处理以实现图像拼接,获得目标车辆的全景环视影像。
S204、根据金字塔增强网络对全景环视影像进行特征增强处理,生成增强图像。
在本实施例中,增强图像可以理解为特征增前后的全景环视影像。
具体的,对全景环视影像进行分辨率拆分,根据金字塔增强网络对每一个分辨率下的图像进行特征提取,将各分辨率下提取到的特征进行上采样并融合,实现全景环视影像的特征有效提取,避免低分辨率图像无法有效提取到对应特征点的情形。
可选的,图4是本发明实施例二提供的一种车位检测方法中所涉及通过金字塔增强网络进行特征增强的示例展示图,如图4所示,根据金字塔增强网络对全景环视影像进行特征增强处理,生成增强图像,包括:
S2041、根据金字塔增强网络,将全景环视影像基于分辨率进行分解,生成若干个分辨率的影像信息。
在本实施例中,影像信息可以理解为将全景环视影像分解后各分辨率对应的全景环视影像。
具体的,将全景环视图像作为输入图像输入至金字塔增强网络中,在金字塔增网络PENet中,首先对输入图像采用高斯滤波器(高斯核的大小为5×5)进行提取,通过拉普拉斯金字塔将全景环视图像分解为具有不同分辨率的多个组件(例如L0、L1、L2、L3),对应不同分辨率的影像信息。
S2042、将若干个影像信息分别进行特征增强处理,生成对应的若干个增强特征信息。
在本实施例中,增强特征信息可以理解为将若干分辨率下的影像信息进行提取后确定的特征信息。
具体的,在金字塔增强网络PENet中,全景环视影像被分解为多个分辨率的组件,确定对应的若干个影像信息,将每个影像信息分别进行低频滤波与细节处理,并将低频滤波和细节处理后确定的特征融合,增强每个分辨率下组件的低频信息与详细信息,实现针对每一个分辨率的影像信息的特征增强,生成对应的若干个增强特征信息。
进一步的,将若干个影像信息分别进行特征增强处理,生成对应的若干个增强特征信息,包括:
a2)将若干个影像信息中的每个影像信息进行低频滤波处理,确定对应的滤波特征。
在本实施例中,滤波特征可以理解为低频滤波处理后捕获的低频信息。
具体的,若干分辨率组件对应若干影像信息,将每个组件或其对应的影像信息作为输入的特征,通过低频增强滤波器(Low Frequency Filter,LEF)进行低频滤波,增强对应的低频信息。
具体的,低频增强滤波器主要用于捕获图像组件中的低频信息,图5是本发明实施例二提供的一种车位检测方法中所涉及低频滤波处理的示例展示图。LEF首先通过卷积层将输入组件转换为不同的尺度。然后使用动态低通滤波器和平均池化捕获和过滤低频信息。特定的池化尺寸(如1×1、2×2、3×3和6×6)会被使用,并结合双线性插值采样,以形成不同规模的低通滤波器。这些滤波器最后通过张量拼接被整合(concat特征融合与卷积),以恢复原始的图像尺寸。
b2)将若干个影像信息中的每个影像信息进行细节处理,确定对应的细节特征。
在本实施例中,细节特征可以理解为细节处理后捕获的详细信息。
具体的,若干分辨率组件对应若干影像信息,将每个组件及或其对应的影像信息作为输入的特征,通过细节处理模块(Deformable Parts Model,DPM)进行详细信息细节处理,增强对应的详细信息。
具体的,细节处理模块主要用于捕获图像组件中的详细信息,图6是本发明实施例二提供的一种车位检测方法中所涉及细节处理的示例展示图,如图6所示,细节处理模块DPM被设计成两个分支,一个边缘增强分支和一个上下文分支,其中上下文分支通过捕获远距离依赖获取上下文信息,并全局增强信息。边缘分支使用两个不同方向的Sobel算子计算图像梯度,以获得边缘并增强组件的纹理。
在边缘增强分支内,将输入组件分别进行sobel算子处理与卷积处理,获取边缘并增强组件的纹理;在上下文分支内,将输入组件进行一系列卷积处理与函数运算,获取上下文信息;将边缘增强分支获取到的边缘与双下文分支获取到的上下文信息进行特征融合并进行卷积,输出详细信息。
c2)将每个影像信息所对应的滤波特征和细节特征进行特征融合,生成对应的特征增强信息。
在本实施例中,如图5所示,将低频滤波器输出的滤波特征和细节处理模块输出的细节特征进行concat特征融合并进行卷积,生成对应的特征增强信息。
S2043、将若干个增强特征信息进行上采样融合,生成增强图像。
在本实施例中,每次进行高斯金字塔运算后,图像的宽度和高度都减半,这意味着分辨率是原始的1/4。显然,高斯金字塔的下采样操作是不可逆的。为了在下采样后恢复原始的高分辨率图像,需要下采样中丢失的信息,而丢失的信息构成了拉普拉斯金字塔的组件。在重建图像时,只需要执行对应的反向操作即可恢复高分辨率图像。
具体的,若干个分辨率下所对应的图像经过低频滤波与细节处理,以及特征融合后,生成若干个增强特征信息,从分辨率最低的组件开始,向上一分辨率组件进行上采样融合,实现若干个分辨率对应的增强特征信息的特征融合,生成对应的增强图像。
S205、根据对象检测网络对增强图像进行特征检测,确定车位标注框和车位标记点。
在本实施例中,将金字塔增强网络PENet输出的增强图像输入至训练完备的对象检测网络中,通过对象检测网络对增强图像进行特征检测,获得模型输出的车位标注框和车位标记点。
S206、根据车位标注框和车位标记点对车位标记点进行标记点匹配,确定至少两个车位标记点之间的匹配关系,并根据匹配关系确定目标车位信息。
在本实施例中,车位标注框为停车位头的矩形标注框,停车位头包括两个车位标记点。标记点之间的匹配关系可以理解对象检测网络输出的两个标记点是否为匹配的标记点。目标车位信息可以理解为构成完整停车位的四个车位标记点的信息。车位标注框的信息至少包括标注框的中心坐标、标注框内标记点的坐标、标注框的高和宽以及标记点框的高和宽。
具体的,根据标注框的中心坐标以及两个车位标记点的坐标,判断两车位标记点是否为匹配的标记点,完成标记点配对,根据预先设定的约束条件,筛选停车位入口,设定约束条件仅用于筛选,本实施例对设定约束条件不设限定。当两车位标记点匹配成功时,可以基于车位标注框的一系列信息确定停车位角度ai和停车位深度di,并基于和/>确定出不可见的两个车位标记点,进一步推断出完整的停车位。车位由四个顶点表示,式中,p1、p2为已匹配成功的两车位标记点,p3、p4为不可见(未知)的车位标记点。此时,已知车位的四个顶点,也可以根据这四个顶点模拟出车位,将四个顶点(车位标记点)确定为目标车位信息。
S207、将目标车位信息输入至车位占用判断模型中,获得检测结果。
在本实施例中,车位占用判断模型可以理解为预先设定的用于判断车位是否被占用的分类模型,例如可以是HOG+SVM、AlexNet、VGG-16、ResNet-50、MobileNetV3-Small和Customized DCNN等,本实施例对车位占用判断模型的种类不设限定。
具体的,将目标车位信息输入至车位占用判断模型中,车位占用判断模型判断当前车位是否被占用,若当前车位被占用,确定检测结果为当前车位为非空车位;若当前车位未被占用,确定检测结果为当前车位为空车位。
本实施例所提供的一种车位检测方法,通过获取目标车辆的环境图像,环境图像分别为前视图像、后视图像、左视图像以及右视图像;对每张环境图像进行图像优化处理,获得优化后的待融合环境图像;对各待融合环境图像进行特征提取与图像拼接,生成目标车辆的全景环视影像;根据金字塔增强网络对全景环视影像进行特征增强处理,生成增强图像;根据对象检测网络对增强图像进行特征检测,确定车位标注框和车位标记点;根据车位标注框和车位标记点对车位标记点进行标记点匹配,确定至少两个车位标记点之间的匹配关系,并根据匹配关系确定目标车位信息;将目标车位信息输入至车位占用判断模型中,获得检测结果。上述技术方案,结合金字塔增强网络和对象检测网络对全景环视图像进行特征增强处理与目标检测,使得暗光条件下也能够精准的识别到车位并判断该车位是否为空车位,提升了在自动泊车场景下停车位检测的高效性和准确性,保障了用户的使用体验感。
实施例三
图7是本发明实施例三提供的一种车位检测装置的结构示意图。如图7所示,该装置包括:
图像生成模块31,用于获取目标车辆的至少两张环境图像,并根据所述环境图像生成全景环视图像;
特征检测模块32,用于结合金字塔增强网络和对象检测网络,对所述全景环视影像进行特征检测,确定车位标注框和车位标记点;
车位检测模块33,用于根据所述车位标注框和车位标记点进行空车位检测,获得检测结果。
本技术方案采用的车位检测装置,解决了在暗光条件下无法有效识别停车位的问题,提升了在自动泊车场景下停车位检测的高效性和准确性,保障了用户的使用体验感。
可选的,图像生成模块31,包括:
环境图像获取单元,用于获取目标车辆的环境图像,所述环境图像分别为前视图像、后视图像、左视图像以及右视图像;
图像优化处理单元,用于对每张所述环境图像进行图像优化处理,获得优化后的待融合环境图像;
全景影像生成单元,用于对各所述待融合环境图像进行特征提取与图像拼接,生成所述目标车辆的全景环视影像。
可选的,图像优化处理单元,具体用于:
针对各所述环境图像中每个环境图像,对所述环境图像进行亮度补偿,获得第一优化图像;
对所述第一优化图像进行畸变校正,获得第二优化图像;
对所述第二优化图像进行逆投影变换,生成第三优化图像;
对所述第三优化图像进行颜色平衡处理,生成优化后的待融合环境图像。
可选的,特征检测模块32,包括:
特征增强子模块,用于根据所述金字塔增强网络对所述全景环视影像进行特征增强处理,生成增强图像;
特征检测子模块,用于根据所述对象检测网络对所述增强图像进行特征检测,确定车位标注框和车位标记点。
可选的,特征增强子模块,包括:
图像分解单元,用于根据金字塔增强网络,将所述全景环视影像基于分辨率进行分解,生成若干个分辨率的影像信息;
特征增强单元,用于将若干个所述影像信息分别进行特征增强处理,生成对应的若干个增强特征信息;
特征融合单元,用于将若干个所述增强特征信息进行上采样融合,生成增强图像。
可选的,特征增强单元,具体用于:
将若干个所述影像信息中的每个所述影像信息进行低频滤波处理,确定对应的滤波特征;
将若干个所述影像信息中的每个所述影像信息进行细节处理,确定对应的细节特征;
将每个所述影像信息所对应的滤波特征和细节特征进行特征融合,生成对应的特征增强信息。
可选的,车位检测模块33,具体用于:
根据所述车位标注框和所述车位标记点对所述车位标记点进行标记点匹配,确定至少两个所述车位标记点之间的匹配关系,并根据所述匹配关系确定目标车位信息;
将所述目标车位信息输入至车位占用判断模型中,获得检测结果。
可选的,所述对象检测网络为训练完备的网络模型,相应的,该装置还包括网络模型训练模块,具体用于:
构建初始对象检测网络,将已标注的图像训练样本输入至所述初始对象检测网络中进行训练,获得训练后的中间对象检测网络;
将未标注的图像训练样本输入至所述中间对象检测网络中,获得所述中间对象网络输出的训练检测结果;
将满足预设检测条件的训练检测结果所对应的图像训练样本,确定为已标注的图像训练样本,对所述中间对象检测网络进行迭代训练,直至所述中间检测网络输出的训练检测结果满足训练结束条件。
可选的,该装置还包括自动泊车模块,具体用于:
若所述检测结果为当前车位为空车位,控制所述目标车辆进行自动泊车。
本发明实施例所提供的车位检测装置可执行本发明任意实施例所提供的车位检测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图8示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。所述电子设备40也可以包括具备处理运算能力的车辆。
如图8所示,电子设备40包括至少一个处理器41,以及与至少一个处理器41通信连接的存储器,如只读存储器(ROM)42、随机访问存储器(RAM)43等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序,来执行各种适当的动作和处理。在RAM 43中,还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45,包括:输入单元46,例如键盘、鼠标等;输出单元47,例如各种类型的显示器、扬声器等;存储单元48,例如磁盘、光盘等;以及通信单元49,例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理,例如车位检测方法。
在一些实施例中,车位检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元48。在一些实施例中,计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时,可以执行上文描述的车位检测方法的一个或多个步骤。备选地,在其他实施例中,处理器41可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车位检测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种车位检测方法,其特征在于,包括:
获取目标车辆的至少两张环境图像,并根据所述环境图像生成全景环视图像;
结合金字塔增强网络和对象检测网络,对所述全景环视影像进行特征检测,确定车位标注框和车位标记点;
根据所述车位标注框和车位标记点进行空车位检测,获得检测结果。
2.根据权利要求1所述的方法,其特征在于,获取目标车辆的至少两张环境图像,并根据所述环境图像生成全景环视图像,包括:
获取目标车辆的环境图像,所述环境图像分别为前视图像、后视图像、左视图像以及右视图像;
对每张所述环境图像进行图像优化处理,获得优化后的待融合环境图像;
对各所述待融合环境图像进行特征提取与图像拼接,生成所述目标车辆的全景环视影像。
3.根据权利要求2所述的方法,其特征在于,对每张所述环境图像进行图像优化处理,获得优化后的待融合环境图像,包括:
针对各所述环境图像中每个环境图像,对所述环境图像进行亮度补偿,获得第一优化图像;
对所述第一优化图像进行畸变校正,获得第二优化图像;
对所述第二优化图像进行逆投影变换,生成第三优化图像;
对所述第三优化图像进行颜色平衡处理,生成优化后的待融合环境图像。
4.根据权利要求1所述的方法,其特征在于,结合金字塔增强网络和对象检测网络,对所述全景环视影像进行特征检测,确定车位标注框和车位标记点,包括:
根据所述金字塔增强网络对所述全景环视影像进行特征增强处理,生成增强图像;
根据所述对象检测网络对所述增强图像进行特征检测,确定车位标注框和车位标记点。
5.根据权利要求4所述的方法,其特征在于,所述根据所述金字塔增强网络对所述全景环视影像进行特征增强处理,生成增强图像,包括:
根据金字塔增强网络,将所述全景环视影像基于分辨率进行分解,生成若干个分辨率的影像信息;
将若干个所述影像信息分别进行特征增强处理,生成对应的若干个增强特征信息;
将若干个所述增强特征信息进行上采样融合,生成增强图像。
6.根据权利要求5所述的方法,其特征在于,所述将若干个所述影像信息分别进行特征增强处理,生成对应的若干个增强特征信息,包括:
将若干个所述影像信息中的每个所述影像信息进行低频滤波处理,确定对应的滤波特征;
将若干个所述影像信息中的每个所述影像信息进行细节处理,确定对应的细节特征;
将每个所述影像信息所对应的滤波特征和细节特征进行特征融合,生成对应的特征增强信息。
7.根据权利要求1所述的方法,其特征在于,所述根据所述车位标注框和车位标记点进行空车位检测,获得检测结果,包括:
根据所述车位标注框和所述车位标记点对所述车位标记点进行标记点匹配,确定至少两个所述车位标记点之间的匹配关系,并根据所述匹配关系确定目标车位信息;
将所述目标车位信息输入至车位占用判断模型中,获得检测结果。
8.根据权利要求1所述的方法,其特征在于,所述对象检测网络为训练完备的网络模型,相应的,所述对象检测网络的训练步骤,包括:
构建初始对象检测网络,将已标注的图像训练样本输入至所述初始对象检测网络中进行训练,获得训练后的中间对象检测网络;
将未标注的图像训练样本输入至所述中间对象检测网络中,获得所述中间对象网络输出的训练检测结果;
将满足预设检测条件的训练检测结果所对应的图像训练样本,确定为已标注的图像训练样本,对所述中间对象检测网络进行迭代训练,直至所述中间检测网络输出的训练检测结果满足训练结束条件。
9.根据权利要求1所述的方法,其特征在于,还包括:若所述检测结果为当前车位为空车位,控制所述目标车辆进行自动泊车。
10.一种车位检测装置,其特征在于,包括:
图像生成模块,用于获取目标车辆的至少两张环境图像,并根据所述环境图像生成全景环视图像;
特征检测模块,用于结合金字塔增强网络和对象检测网络,对所述全景环视影像进行特征检测,确定车位标注框和车位标记点;
车位检测模块,用于根据所述车位标注框和车位标记点进行空车位检测,获得检测结果。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的一种车位检测方法。
12.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-9中任一项所述的一种车位检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311649732.9A CN117612138A (zh) | 2023-11-30 | 2023-11-30 | 一种车位检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311649732.9A CN117612138A (zh) | 2023-11-30 | 2023-11-30 | 一种车位检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117612138A true CN117612138A (zh) | 2024-02-27 |
Family
ID=89946029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311649732.9A Pending CN117612138A (zh) | 2023-11-30 | 2023-11-30 | 一种车位检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117612138A (zh) |
Cited By (1)
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 |
-
2023
- 2023-11-30 CN CN202311649732.9A patent/CN117612138A/zh active Pending
Cited By (1)
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 |
---|---|---|
CN112348921B (zh) | 一种基于视觉语义点云的建图方法及*** | |
WO2017088533A1 (zh) | 合并图像的方法和装置 | |
CN109741241B (zh) | 鱼眼图像的处理方法、装置、设备和存储介质 | |
CN108377374A (zh) | 用于产生与图像相关的深度信息的方法和*** | |
CN117612138A (zh) | 一种车位检测方法、装置、设备及存储介质 | |
CN114143528A (zh) | 多视频流融合方法、电子设备、存储介质 | |
CN115861380A (zh) | 雾天低照度场景下端到端无人机视觉目标跟踪方法及装置 | |
Pan et al. | Depth map completion by jointly exploiting blurry color images and sparse depth maps | |
CN117876608B (zh) | 三维图像重建方法、装置、计算机设备及存储介质 | |
CN116051736A (zh) | 一种三维重建方法、装置、边缘设备和存储介质 | |
CN113421217A (zh) | 可行驶区域检测方法和装置 | |
Babu et al. | An efficient image dahazing using Googlenet based convolution neural networks | |
CN110197104B (zh) | 基于车辆的测距方法及装置 | |
CN118015190A (zh) | 一种数字孪生模型的自主构建方法及装置 | |
CN108090425B (zh) | 一种车道线检测方法、装置及终端 | |
CN112115737B (zh) | 一种车辆朝向的确定方法、装置及车载终端 | |
Barua et al. | An Efficient Method of Lane Detection and Tracking for Highway Safety | |
CN115965531A (zh) | 模型训练方法及图像生成方法、装置、设备和存储介质 | |
CN115565155A (zh) | 神经网络模型的训练方法、车辆视图的生成方法和车辆 | |
CN116168357A (zh) | 一种智能车的前景目标机器视觉提取***及方法 | |
CN113052118A (zh) | 基于高速快球摄像机实现场景变换视频分析检测的方法、***、装置、处理器及存储介质 | |
Santra et al. | Image Dehazing via Joint Estimation of Transmittance Map and Environmental Illumination | |
CN114170267A (zh) | 目标跟踪方法、装置、设备及计算机可读存储介质 | |
Riaz et al. | Visibility restoration using generalized haze-lines | |
CN111640071A (zh) | 基于卷积神经网络修复帧差法获取全景前景目标的方法 |
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 |