CN114783172B - 一种停车场空车位识别方法及系统、计算机可读存储介质 - Google Patents
一种停车场空车位识别方法及系统、计算机可读存储介质 Download PDFInfo
- Publication number
- CN114783172B CN114783172B CN202110088091.9A CN202110088091A CN114783172B CN 114783172 B CN114783172 B CN 114783172B CN 202110088091 A CN202110088091 A CN 202110088091A CN 114783172 B CN114783172 B CN 114783172B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- parking space
- empty
- point
- simulated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001914 filtration Methods 0.000 claims abstract description 50
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种停车场空车位识别方法及系统、计算机可读存储介质，包括：获取车辆行驶过程中车载深度相机对车辆单侧方向进行探测获得的深度图像；对所述深度图像进行点云转换获得第一点云；按照预设滤波规则对所述第一点云进行滤波获得第二点云；对所述第二点云进行下采样获得第三点云；根据所述第三点云以及预设的车位三维空间参数识别所述第三点云中是否存在空车位；若存在空车位，则生成空车位的车位框。通过本发明，能够克服现有基于超声波雷达、基于地磁传感器、基于环视图像等三种车位识别方法所存在的技术缺陷。
Description
技术领域
本发明涉及自动泊车技术领域，具体涉及一种停车场空车位识别方法及系统、计算机可读存储介质。
背景技术
空车位定位是自动泊车技术中的基础；目前车位识别方法主要可分为基于超声波雷达、基于地磁传感器、基于环视图像等三种车位识别方法；其中，基于超声波雷达的车位识别方法是利用超声波雷达对周围环境(车辆、障碍物等)进行感知来识别车位，但超声波雷达信息点数较少，无法对车位进行准确识别，只能大概推断可行驶或无障碍区域；基于地磁传感器的车位识别方法需要提前实现对停车区域的整体改造，其应用不方便；基于环视图像的车位识别方法是通过环视摄像头进行实时图像采集，对采集到的图像中的车位进行提取，并结合对周围环境的感知结果确定目标空车位，但其依赖于车位线的识别，如果车位的车位线不明显或不完整，则识别效果较差。
综上，有必要提出一种新的车位识别方法，以克服现有基于超声波雷达、基于地磁传感器、基于环视图像等三种车位识别方法所存在的上述技术缺陷。
发明内容
本发明的目的在于提出一种停车场空车位识别方法及系统、计算机可读存储介质，以克服现有基于超声波雷达、基于地磁传感器、基于环视图像等三种车位识别方法所存在的上述技术缺陷。
为实现上述目的，本发明第一方面提出一种停车场空车位识别方法，包括：
获取车辆行驶过程中车载深度相机对车辆单侧方向进行探测获得的深度图像；
对所述深度图像进行点云转换获得第一点云；
按照预设滤波规则对所述第一点云进行滤波获得第二点云；
对所述第二点云进行下采样获得第三点云；
根据所述第三点云以及预设的车位三维空间参数识别所述第三点云中是否存在空车位；若存在空车位，则生成空车位的车位框。
可选地，所述按照预设滤波规则对所述第一点云进行滤波获得第二点云，包括：
进行一次滤波，以过滤掉所述第一点云中深度值等于预设深度值的点；
进行二次滤波，以过滤掉所述第一点云中的离群点。
可选地，所述对所述第二点云进行下采样获得第三点云，包括：
把所述第二点云划分成多个立方体，每个立方体中保留1个点，从而获得第三点云。
可选地，所述根据所述第三点云以及预设的车位三维空间参数识别所述深度图像中是否存在空车位，包括：
遍历所述第三点云的点云空间中所有点，将每一点作为车位框左上角点，并根据该车位框左上角点以及所述预设的车位三维空间参数生成每一点所对应的模拟车位框，判断该模拟车位框中是否存在至少一个所述第三点云的点；若是，则该模拟车位框为无效模拟车位框；若否，则该模拟车位框为有效模拟车位框；
统计所有有效模拟车位框所对应的点，并根据所述所有有效模拟车位框所对应的点生成空车位的车位框。
可选地，所述方法还包括：
根据所述第一点云、第二点云、第三点云以及所述车位框分别生成第一显示信息、第二显示信息、第三显示信息、第四显示信息，并将所述第一显示信息、第二显示信息、第三显示信息、第四显示信息发送至车载显示单元进行同步显示。
本发明第二方面提出一种停车场空车位识别系统，包括：
图像获取单元，用于获取车辆行驶过程中车载深度相机对车辆单侧方向进行探测获得的深度图像；
点云转换单元，用于对所述深度图像进行点云转换获得第一点云；
点云过滤单元，用于按照预设滤波规则对所述第一点云进行滤波获得第二点云；
点云采样单元，用于对所述第二点云进行下采样获得第三点云；以及
空车位识别单元，用于根据所述第三点云以及预设的车位三维空间参数识别所述第三点云中是否存在空车位；若存在空车位，则生成空车位的车位框。
可选地，所述点云过滤单元，包括：
第一滤波单元，用于进行一次滤波，以过滤掉所述第一点云中深度值等于预设深度值的点；
第二滤波单元，用于进行二次滤波，以过滤掉所述第一点云中的离群点。
可选地，所述点云采样单元，具体用于
把所述第二点云划分成多个立方体，每个立方体中保留1个点，从而获得第三点云。
可选地，所述空车位识别单元，具体包括：
模拟单元，用于遍历所述第三点云的点云空间中所有点，将每一点作为车位框左上角点，并根据该车位框左上角点以及所述预设的车位三维空间参数生成每一点所对应的模拟车位框，判断该模拟车位框中是否存在至少一个所述第三点云的点；若是，则该模拟车位框为无效模拟车位框；若否，则该模拟车位框为有效模拟车位框；
统计单元，用于统计所有有效模拟车位框所对应的点，并根据所述所有有效模拟车位框所对应的点生成空车位的车位框。
本发明第三方面提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述停车场空车位识别方法。
综上，本发明的实施例提出一种停车场空车位识别方法及系统、计算机可读存储介质，其至少具有以下优点：
(1)相比于传统的基于超声波雷达的车位识别方法，本发明的实施例在车位平面二维空间的信息点更多而且在垂直方向上也有大量信息点，大大提高空车位识别的准确率；
(2)相比于传统的基于地磁传感器的车位识别方法，不需要提前实现对停车区域的整体改造，应用方便；
(3)相比传统的基于视觉的车位识别方法，本发明的实施例对空车位的检测不依赖于车位线，提高了自动泊车过程中空车位检测的鲁棒性。
本发明的其它特征和优点将在随后的说明书中阐述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明一实施例中一种停车场空车位识别方法流程图。
图2为本发明一实施例中一种停车场空车位识别系统结构示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。另外，为了更好的说明本发明，在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的手段未作详细描述，以便于凸显本发明的主旨。
参阅图1，本发明一实施例提出一种停车场空车位识别方法，包括如下步骤S1～S5：
步骤S1、获取车辆行驶过程中车载深度相机对车辆单侧方向进行探测获得的深度图像；
具体而言，本实施例实施过程中，驾驶员驾驶车辆行驶，设置于车辆一侧的车载深度相机车辆单侧方向进行探测获得的深度图像；
步骤S2、对所述深度图像进行点云转换获得第一点云；
具体而言，所述深度相机的像素例如是320×240，根据所述深度相机的内参，对所述深度图像进行三维坐标转换，转换后获得的第一点云包含点数为76800个，全部点以三维空间坐标(X,Y,Z)表示，转换的参考坐标原点为所述深度相机光心，参考坐标系根据右手法则确立；
步骤S3、按照预设滤波规则对所述第一点云进行滤波获得第二点云；
具体而言，步骤S2获得的第一点云为原始点云，其中可能还包含一些无效点或离群点，需要进行滤波获得第二点云；
示例性地，所述步骤S3，包括：
步骤S31、进行一次滤波，以过滤掉所述第一点云中深度值等于预设深度值的点；
具体而言，所述一次滤波为条件滤波，例如，使用的深度相机有效探测范围是最大6.0米，对于超出探测范围的点则认为深度值为最大深度，深度值对应为三维空间坐标(X,Y,Z)中的Z，因此认为Z等于最大深度的点为无效点，需要通过条件滤波把他们过滤掉，本实施例中条件滤波设定Z大于0且小于5.9的点为有效点；
步骤S32、进行二次滤波，以过滤掉所述第一点云中的离群点；
具体而言，所述二次滤波为统计滤波，即通过统计点云中所有点的各自邻近点的数量来辨别离群点，把离群点当作噪点进行剔除处理；
优选地，本实施例中统计滤波在统计时考虑查询点的邻近点数量为50个，判断是否为离群点的阈值为0.3；
步骤S4、对所述第二点云进行下采样获得第三点云；
示例性地，所述步骤S4，包括：
把所述第二点云划分成多个立方体，每个立方体中保留1个点，从而获得第三点云；
具体而言，本示例中利用体素格对点云进行下采样，即把点云划分成许多小立方体，每个立方体中保留1个点以不破坏点云分布特征的前提下减少点的数量，降低后期处理的运算复杂度，本示例中体素块设定为0.01×0.01×0.01米的立方体；
步骤S5、根据所述第三点云以及预设的车位三维空间参数识别所述第三点云中是否存在空车位；若存在空车位，则生成空车位的车位框。
示例性地，所述步骤S5，包括：
步骤S51、遍历所述第三点云的点云空间中所有点，将每一点作为车位框左上角点，即空车位原点，并根据该车位框左上角点以及所述预设的车位三维空间参数生成每一点所对应的模拟车位框，判断该模拟车位框中是否存在至少一个所述第三点云的点；若是，则该模拟车位框为无效模拟车位框；若否，则该模拟车位框为有效模拟车位框；
步骤S52、统计所有有效模拟车位框所对应的点，并根据所述所有有效模拟车位框所对应的点生成空车位的车位框；
具体而言，本示例中基于下采样后的点云计算是否满足车位空间要求；设定车位三维空间参数，例如，长宽高分别为5.0×1.8×1.6米，把车位框的左上角点作为车位原点，先假设车位原点位于某个地方，然后按照车位长宽高生成对应模拟车位框，在该模拟车位框中遍历所有点云，只要模拟车位框中存在至少一个有效点，则认为该模拟车位框假设不成立；通过改变车位原点位置，遍历所述第三点云的点云空间中所有的点，穷举点云空间，找出满足条件的所有车位框，即空车位；
例如，假设车位原点的初始坐标(X,Y,Z)为(-1.9,-0.8,0.5)，车位原点Y坐标固定在-0.8，Z坐标固定在0.5，X坐标则从左到右按0.1的步进幅度增加，进行平移迭代计算，边界条件为X坐标初始值的相反数-车位宽度，即1.9-1.8＝0.1，即车位原点X坐标从-1.9平移到0.1，步进长度0.1。最后，把所有满足条件的空车位原点集合成线段，作为有效空车位的位置分布，以线段的形式记录；
在一具体实施例中，所述方法还包括：
步骤S6、根据所述第一点云、第二点云、第三点云以及所述车位框分别生成第一显示信息、第二显示信息、第三显示信息、第四显示信息，并将所述第一显示信息、第二显示信息、第三显示信息、第四显示信息发送至车载显示单元进行同步显示。
具体而言，本实施例中提出了点云可视化，点云可视化首先创建了视窗，然后在车载显示单元的视窗中创建了四个视点，每个视点联动显示，即拖动一个视点变换旋转角度或放大缩小，其他三个视点也伴随发生相同的变换，即同步显示；四个视点分别为所述第一显示信息、第二显示信息、第三显示信息、第四显示信息。其中，包含车位框的第四显示信息，是根据上一步最后生成的有效空车位线段来重新生成车位框，例如假如空车位线段X坐标从-1.9到0.1的话，车位框则变成5.0×2.0×1.6米。
本实施例方法通过单个深度相机对车辆行驶过程中的单侧方向进行探测，得到单帧深度图后，先将深度图变换成点云，再对点云进行滤波、下采样等处理，然后通过遍历点云完成空车位的假设检验和空车位本身的位置穷举，在有效距离内精确识别出空车位的位置集合；基于以上描述可知，本发明实施例具有以下优点：
(1)相比于传统的基于超声波雷达的车位识别方法，本发明的实施例在车位平面二维空间的信息点更多而且在垂直方向上也有大量信息点，大大提高空车位识别的准确率；
(2)相比于传统的基于地磁传感器的车位识别方法，不需要提前实现对停车区域的整体改造，应用方便；
(3)相比传统的基于视觉的车位识别方法，本发明的实施例对空车位的检测不依赖于车位线，提高了自动泊车过程中空车位检测的鲁棒性。
(4)相比传统的基于深度学习的点云车位识别方法，本发明的实施例使用简单逻辑规则实现车位检测，节省了数据采集处理的工作，降低运算复杂度，从而降低了对硬件的算力要求，也方便针对不同停车场实景进行参数调整迁移，方法逻辑性强有利于功能的实现和问题的排查与修复。
参阅图2，本发明另一实施例提出一种停车场空车位识别系统，包括：
图像获取单元1，用于获取车辆行驶过程中车载深度相机对车辆单侧方向进行探测获得的深度图像；
点云转换单元2，用于对所述深度图像进行点云转换获得第一点云；
点云过滤单元3，用于按照预设滤波规则对所述第一点云进行滤波获得第二点云；
点云采样单元4，用于对所述第二点云进行下采样获得第三点云；以及
空车位识别单元5，用于根据所述第三点云以及预设的车位三维空间参数识别所述第三点云中是否存在空车位；若存在空车位，则生成空车位的车位框。
示例性地，所述点云过滤单元，包括：
第一滤波单元，用于进行一次滤波，以过滤掉所述第一点云中深度值等于预设深度值的点；
第二滤波单元，用于进行二次滤波，以过滤掉所述第一点云中的离群点。
示例性地，所述点云采样单元，具体用于
把所述第二点云划分成多个立方体，每个立方体中保留1个点，从而获得第三点云。
示例性地，所述空车位识别单元，具体包括：
模拟单元，用于遍历所述第三点云的点云空间中所有点，将每一点作为车位框左上角点，并根据该车位框左上角点以及所述预设的车位三维空间参数生成每一点所对应的模拟车位框，判断该模拟车位框中是否存在至少一个所述第三点云的点；若是，则该模拟车位框为无效模拟车位框；若否，则该模拟车位框为有效模拟车位框；
统计单元，用于统计所有有效模拟车位框所对应的点，并根据所述所有有效模拟车位框所对应的点生成空车位的车位框。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
需说明的是，上述实施例所述系统与上述实施例所述方法对应，因此，上述实施例所述系统未详述部分可以参阅上述实施例所述方法的内容得到，此处不再赘述。
并且，上述实施例所述停车场空车位识别系统若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
本发明另一实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例所述停车场空车位识别方法。
具体而言，所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(R值OM，R值ead-Only MemoR值y)、随机存取存储器(R值AM，R值andom Access MemoR值y)、电载波信号、电信信号以及软件分发介质等。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种停车场空车位识别方法，其特征在于，包括：
获取车辆行驶过程中车载深度相机对车辆单侧方向进行探测获得的深度图像；
对所述深度图像进行点云转换获得第一点云；
按照预设滤波规则对所述第一点云进行滤波获得第二点云；
对所述第二点云进行下采样获得第三点云；
根据所述第三点云以及预设的车位三维空间参数识别所述第三点云中是否存在空车位；若存在空车位，则生成空车位的车位框；
所述根据所述第三点云以及预设的车位三维空间参数识别所述深度图像中是否存在空车位，包括：
遍历所述第三点云的点云空间中所有点，将每一点作为车位框左上角点，并根据该车位框左上角点以及所述预设的车位三维空间参数生成每一点所对应的模拟车位框，判断该模拟车位框中是否存在至少一个所述第三点云的点；若是，则该模拟车位框为无效模拟车位框；若否，则该模拟车位框为有效模拟车位框；
统计所有有效模拟车位框所对应的点，并根据所述所有有效模拟车位框所对应的点生成空车位的车位框。
2.根据权利要求1所述的停车场空车位识别方法，其特征在于，所述按照预设滤波规则对所述第一点云进行滤波获得第二点云，包括：
进行一次滤波，以过滤掉所述第一点云中深度值等于预设深度值的点；
进行二次滤波，以过滤掉所述第一点云中的离群点。
3.根据权利要求1所述的停车场空车位识别方法，其特征在于，所述对所述第二点云进行下采样获得第三点云，包括：
把所述第二点云划分成多个立方体，每个立方体中保留1个点，从而获得第三点云。
4.根据权利要求1所述的停车场空车位识别方法，其特征在于，所述方法还包括：
根据所述第一点云、第二点云、第三点云以及所述车位框分别生成第一显示信息、第二显示信息、第三显示信息、第四显示信息，并将所述第一显示信息、第二显示信息、第三显示信息、第四显示信息发送至车载显示单元进行同步显示。
5.一种停车场空车位识别系统，其特征在于，包括：
图像获取单元，用于获取车辆行驶过程中车载深度相机对车辆单侧方向进行探测获得的深度图像；
点云转换单元，用于对所述深度图像进行点云转换获得第一点云；
点云过滤单元，用于按照预设滤波规则对所述第一点云进行滤波获得第二点云；
点云采样单元，用于对所述第二点云进行下采样获得第三点云；以及
空车位识别单元，用于根据所述第三点云以及预设的车位三维空间参数识别所述第三点云中是否存在空车位；若存在空车位，则生成空车位的车位框；
所述空车位识别单元，具体包括：
模拟单元，用于遍历所述第三点云的点云空间中所有点，将每一点作为车位框左上角点，并根据该车位框左上角点以及所述预设的车位三维空间参数生成每一点所对应的模拟车位框，判断该模拟车位框中是否存在至少一个所述第三点云的点；若是，则该模拟车位框为无效模拟车位框；若否，则该模拟车位框为有效模拟车位框；
统计单元，用于统计所有有效模拟车位框所对应的点，并根据所述所有有效模拟车位框所对应的点生成空车位的车位框。
6.根据权利要求5所述的停车场空车位识别系统，其特征在于，所述点云过滤单元，包括：
第一滤波单元，用于进行一次滤波，以过滤掉所述第一点云中深度值等于预设深度值的点；
第二滤波单元，用于进行二次滤波，以过滤掉所述第一点云中的离群点。
7.根据权利要求5所述的停车场空车位识别系统，其特征在于，所述点云采样单元，具体用于把所述第二点云划分成多个立方体，每个立方体中保留1个点，从而获得第三点云。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4中任一项所述停车场空车位识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110088091.9A CN114783172B (zh) | 2021-01-22 | 2021-01-22 | 一种停车场空车位识别方法及系统、计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110088091.9A CN114783172B (zh) | 2021-01-22 | 2021-01-22 | 一种停车场空车位识别方法及系统、计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114783172A CN114783172A (zh) | 2022-07-22 |
| CN114783172B true CN114783172B (zh) | 2024-05-17 |
Family
ID=82407752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110088091.9A Active CN114783172B (zh) | 2021-01-22 | 2021-01-22 | 一种停车场空车位识别方法及系统、计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114783172B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2436577A2 (de) * | 2010-09-30 | 2012-04-04 | Valeo Schalter und Sensoren GmbH | Verfahren und Vorrichtung zum Erkennen von freien Parkplätzen |
| JP2018116014A (ja) * | 2017-01-20 | 2018-07-26 | パイオニア株式会社 | 自車位置推定装置、制御方法、プログラム及び記憶媒体 |
| CN109766404A (zh) * | 2019-02-12 | 2019-05-17 | 湖北亿咖通科技有限公司 | 点云处理方法、装置及计算机可读存储介质 |
| CN109817018A (zh) * | 2019-02-20 | 2019-05-28 | 东软睿驰汽车技术（沈阳）有限公司 | 一种自动泊车方法及相关装置 |
| CN109872355A (zh) * | 2019-01-25 | 2019-06-11 | 哈工大机器人（合肥）国际创新研究院 | 一种基于深度相机的最短距离获取方法及装置 |
| CN109871745A (zh) * | 2018-12-29 | 2019-06-11 | 百度在线网络技术（北京）有限公司 | 识别空车位的方法、系统及车辆 |
| CN110211420A (zh) * | 2019-06-25 | 2019-09-06 | 重庆长安汽车股份有限公司 | 判断当前场景是否为停车场的方法、系统及计算机可读存储介质 |
| CN110766979A (zh) * | 2019-11-13 | 2020-02-07 | 奥特酷智能科技(南京)有限公司 | 一种用于自动驾驶车辆的泊车车位检测方法 |
| CN110807412A (zh) * | 2019-10-30 | 2020-02-18 | 驭势科技（北京）有限公司 | 一种车辆激光定位的方法、车载设备和存储介质 |
| KR20200020186A (ko) * | 2018-08-16 | 2020-02-26 | 주식회사 다산네트웍스 | 지정주차 공간을 활용한 자율주행 차량의 주차 관리 방법 |
| CN110889974A (zh) * | 2018-09-11 | 2020-03-17 | 广州汽车集团股份有限公司 | 一种智能泊车车位识别方法及装置、汽车 |
| CN111415526A (zh) * | 2020-03-27 | 2020-07-14 | 北京百度网讯科技有限公司 | 车位占用状态的获取方法、装置、电子设备和存储介质 |
| CN112009462A (zh) * | 2020-08-10 | 2020-12-01 | 广州汽车集团股份有限公司 | 一种前向自动泊车方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10078789B2 (en) * | 2015-07-17 | 2018-09-18 | Magna Electronics Inc. | Vehicle parking assist system with vision-based parking space detection |
| US10311723B2 (en) * | 2016-07-15 | 2019-06-04 | Intel Corporation | Parking management system and method |
| US20200258385A1 (en) * | 2019-02-11 | 2020-08-13 | Byton North America Corporation | Advanced detection of parking spot for vehicle |
-
2021
- 2021-01-22 CN CN202110088091.9A patent/CN114783172B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2436577A2 (de) * | 2010-09-30 | 2012-04-04 | Valeo Schalter und Sensoren GmbH | Verfahren und Vorrichtung zum Erkennen von freien Parkplätzen |
| JP2018116014A (ja) * | 2017-01-20 | 2018-07-26 | パイオニア株式会社 | 自車位置推定装置、制御方法、プログラム及び記憶媒体 |
| KR20200020186A (ko) * | 2018-08-16 | 2020-02-26 | 주식회사 다산네트웍스 | 지정주차 공간을 활용한 자율주행 차량의 주차 관리 방법 |
| CN110889974A (zh) * | 2018-09-11 | 2020-03-17 | 广州汽车集团股份有限公司 | 一种智能泊车车位识别方法及装置、汽车 |
| CN109871745A (zh) * | 2018-12-29 | 2019-06-11 | 百度在线网络技术（北京）有限公司 | 识别空车位的方法、系统及车辆 |
| CN109872355A (zh) * | 2019-01-25 | 2019-06-11 | 哈工大机器人（合肥）国际创新研究院 | 一种基于深度相机的最短距离获取方法及装置 |
| CN109766404A (zh) * | 2019-02-12 | 2019-05-17 | 湖北亿咖通科技有限公司 | 点云处理方法、装置及计算机可读存储介质 |
| CN109817018A (zh) * | 2019-02-20 | 2019-05-28 | 东软睿驰汽车技术（沈阳）有限公司 | 一种自动泊车方法及相关装置 |
| CN110211420A (zh) * | 2019-06-25 | 2019-09-06 | 重庆长安汽车股份有限公司 | 判断当前场景是否为停车场的方法、系统及计算机可读存储介质 |
| CN110807412A (zh) * | 2019-10-30 | 2020-02-18 | 驭势科技（北京）有限公司 | 一种车辆激光定位的方法、车载设备和存储介质 |
| CN110766979A (zh) * | 2019-11-13 | 2020-02-07 | 奥特酷智能科技(南京)有限公司 | 一种用于自动驾驶车辆的泊车车位检测方法 |
| CN111415526A (zh) * | 2020-03-27 | 2020-07-14 | 北京百度网讯科技有限公司 | 车位占用状态的获取方法、装置、电子设备和存储介质 |
| CN112009462A (zh) * | 2020-08-10 | 2020-12-01 | 广州汽车集团股份有限公司 | 一种前向自动泊车方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114783172A (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110032949B (zh) | 一种基于轻量化卷积神经网络的目标检测与定位方法 | |
| CN106952308B (zh) | 运动物体的位置确定方法及系统 | |
| CN110569704A (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
| KR20160123668A (ko) | 무인자동주차 기능 지원을 위한 장애물 및 주차구획 인식 장치 및 그 방법 | |
| CN112883820B (zh) | 基于激光雷达点云的道路目标3d检测方法及系统 | |
| CN104574393A (zh) | 一种三维路面裂缝图像生成系统和方法 | |
| CN114782499A (zh) | 一种基于光流和视图几何约束的图像静态区域提取方法及装置 | |
| CN113128434B (zh) | 一种对单目rgb图像进行3d目标检测的方法 | |
| CN113034586B (zh) | 道路倾角检测方法和检测系统 | |
| CN115187941A (zh) | 目标检测定位方法、系统、设备及存储介质 | |
| CN114663598A (zh) | 三维建模方法、装置和存储介质 | |
| CN114783172B (zh) | 一种停车场空车位识别方法及系统、计算机可读存储介质 | |
| CN116778262B (zh) | 一种基于虚拟点云的三维目标检测方法和系统 | |
| CN118463965A (zh) | 定位精度评价方法、装置以及车辆 | |
| CN117726880A (zh) | 一种基于单目摄像头的交通锥桶3d实时检测方法、系统、设备及介质 | |
| CN118429524A (zh) | 基于双目立体视觉的车辆行驶环境建模方法及系统 | |
| Oniga et al. | A fast ransac based approach for computing the orientation of obstacles in traffic scenes | |
| CN114648639B (zh) | 一种目标车辆的检测方法、系统及装置 | |
| CN117274036A (zh) | 一种基于多视角和时序融合的泊车场景检测方法 | |
| CN116664498A (zh) | 车位检测模型的训练方法、车位检测方法、装置和设备 | |
| CN116052120A (zh) | 基于图像增强和多传感器融合的挖掘机夜间物体检测方法 | |
| CN117994755A (zh) | 一种车位检测方法和装置 | |
| CN115236672A (zh) | 障碍物信息生成方法、装置、设备及计算机可读存储介质 | |
| CN118149797B (zh) | 栅格地图构建方法、装置、计算机设备及存储介质 | |
| Dekkiche et al. | Vehicles detection in stereo vision based on disparity map segmentation and objects classification |
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 |