一种基于深度学习检测路侧停车场泊位的方法及装置制造方法及图纸

本发明专利技术实施例提供了基于深度学习检测路侧停车场泊位的方法，该方法包括：获取预定监控区域中包含至少一个泊位的图像，通过角点检测模型检测所述图像，得到所述图像中的各个可见泊位角点的位置与类型；通过语义分割模型分割所述图像，得到包含各泊位边线区域的分割图；根据所述各个可见泊位角点的位置与类型以及所述分割图中的各泊位边线区域，分析所述图像中各个可见泊位角点与所述各泊位边线区域的位置关系；根据所述位置关系，确定所述图像中各个泊位的位置。通过本发明专利技术，实现了通过分析图像中各个可见泊位角点与各泊位边线区域的位置关系，无需人工操作，即可针对复杂的路侧停车场景，精确地定位泊位的位置。精确地定位泊位的位置。精确地定位泊位的位置。

【技术实现步骤摘要】
一种基于深度学习检测路侧停车场泊位的方法及装置


[0001]本专利技术涉及智能交通
，尤其涉及一种基于深度学习检测路侧停车场泊位的方法及装置。

技术介绍

[0002]现有技术中基于高位视频的路侧停车场管理系统，一般是由网络相机、云计算和停车场管理设备搭建而成的，针对路侧停车位的车辆驶出和驶入的信息化服务系统。该路侧停车场管理系统通过摄像机对车辆信息进行图像视频采集，再通过计算机视觉技术对采集的图像进行分析与处理，实现对车辆的动态和静态的综合管理。在该视觉场景下，车辆和泊位成了两个主要管理的目标对象，其中泊位管理包括泊位定位，泊位占位情况等。而泊位的定位的检测精度直接影响了泊位占位的检测。
[0003]现有的泊位定位方法包括采用人工标定方法，该方式的定位精度虽然高，但是，随着停车系统业务的大规模拓展，人工成本极大，如一个拥有百万停车泊位的城市级规模，其人工标定成本极高；另外，相机不可避免地会受外力干扰，造成相机移动，则已标定的泊位位置也得重新定位，人工成本将成倍提高。因此自动化标定泊位的方法逐步替代了人工标定的方法，目前自动化标定泊位的方法，如基于霍夫直线检测等方法，不适用于复杂场景下的应用。因此，亟需一种适用于复杂场景下的自动化标定泊位的方法。

技术实现思路

[0004]本专利技术实施例提供一种基于深度学习检测路侧停车场泊位的方法及装置，实现了无需人工操作，即可针对复杂的路侧停车场景，精确地定位泊位的位置。
[0005]一方面，本专利技术实施例提供了一种基于深度学习检测路侧停车场泊位的方法，包括：
[0006]获取预定监控区域中包含至少一个泊位的图像，通过角点检测模型检测所述图像，得到所述图像中的各个可见泊位角点的位置与类型；
[0007]通过语义分割模型分割所述图像，得到包含各泊位边线区域的分割图；
[0008]根据所述各个可见泊位角点的位置与类型以及所述分割图中的各泊位边线区域，分析所述图像中各个可见泊位角点与所述各泊位边线区域的位置关系；
[0009]根据所述位置关系，确定所述图像中各个泊位的位置。
[0010]进一步地，所述获取预定监控区域中包含至少一个泊位的图像，通过角点检测模型检测所述图像，得到所述图像中的各个可见泊位角点的位置与类型，包括：
[0011]获取预定监控区域中包含至少一个泊位的图像，通过角点检测模型获取所述图像中的各个可见泊位角点的位置，并截取每个泊位角点在所述图像中的角点区域；
[0012]通过预定层数组成的卷积神经网络，确定所述角点区域中各个可见泊位角点的类型；
[0013]其中，所述泊位角点的类型包括“L”型角点、“T”型角点、“I”型角点和非角点中的
任一项。
[0014]进一步地，在所述通过角点检测模型检测所述图像，得到所述图像中的各个可见泊位角点的位置与类型的步骤之前，包括：
[0015]获取角点训练集，并标注所述角点训练集中各个图像中的泊位角点矩形框区域和泊位角点类型；
[0016]通过梯度下降算法训练标注后的所述角点训练集，得到角点检测模型。
[0017]进一步地，所述通过角点检测模型获取所述图像中的各个可见泊位角点的位置，并截取每个泊位角点在所述图像中的角点区域，包括：
[0018]通过预定目标检测模型和预定网络结构，得到所述图像的多个不同尺度的特征，并根据所述多个不同尺度的特征，分别获取不同大小的目标物体；
[0019]识别所述目标物体中的泊位角点，确定包含每个泊位角点在所述图像中的矩形框区域，并截取所述矩形框区域中的角点区域。
[0020]进一步地，所述通过语义分割模型分割所述图像，得到包含各泊位边线区域的分割图，包括：
[0021]将所述图像输入所述语义分割模型，得所述图像的特征图；
[0022]确定所述特征图中的每个像素各自对应的像素区域，并分析各像素区域的语义类别；
[0023]根据各像素区域的语义类别，确定语义类别为泊位边线区域的各像素，得到包含各泊位边线区域的分割图；
[0024]其中，所述语义类别包括背景和地面实线中的任一项，所述地面实线包括车道线和泊位线中的至少一项。
[0025]进一步地，所述根据所述各个可见泊位角点的位置与类型以及所述分割图中的各泊位边线区域，分析所述图像中各个可见泊位角点与所述各泊位边线区域的位置关系，包括：
[0026]判断所述各个可见泊位角点中每两个泊位角点之间的线段是否为地面实线；
[0027]若是，根据所述分割图，确定每两个泊位角点之间的线段为地面实线的线段集合，得到角点连接图。
[0028]进一步地，所述根据所述位置关系，确定所述图像中各个泊位的位置，包括：
[0029]判断所述连接图中是否至少含有三条线段相连接的待检测区域；
[0030]若是，判断所述待检测区域中的泊位角点类型是否为“L”型角点或“T”型角点；
[0031]若是，确定所述待检测区域为泊位。
[0032]另一方面，本专利技术实施例提供了一种基于深度学习检测路侧停车场泊位的装置，包括：
[0033]检测模块，用于获取预定监控区域中包含至少一个泊位的图像，通过角点检测模型检测所述图像，得到所述图像中的各个可见泊位角点的位置与类型；
[0034]分割模块，用于通过语义分割模型分割所述图像，得到包含各泊位边线区域的分割图；
[0035]分析模块，用于根据所述各个可见泊位角点的位置与类型以及所述分割图中的各泊位边线区域，分析所述图像中各个可见泊位角点与所述各泊位边线区域的位置关系；
[0036]确定模块，用于根据所述位置关系，确定所述图像中各个泊位的位置。
[0037]进一步地，所述检测模块，包括：
[0038]获取及截取单元，用于获取预定监控区域中包含至少一个泊位的图像，通过角点检测模型获取所述图像中的各个可见泊位角点的位置，并截取每个泊位角点在所述图像中的角点区域；
[0039]确定单元，用于通过预定层数组成的卷积神经网络，确定所述角点区域中各个可见泊位角点的类型；
[0040]其中，所述泊位角点的类型包括“L”型角点、“T”型角点、“I”型角点和非角点中的任一项。
[0041]进一步地，包括：
[0042]标注模块，用于获取角点训练集，并标注所述角点训练集中各个图像中的泊位角点矩形框区域和泊位角点类型；
[0043]训练模块，用于通过梯度下降算法训练标注后的所述角点训练集，得到角点检测模型。
[0044]进一步地，所述获取及截取单元，具体用于
[0045]通过预定目标检测模型和预定网络结构，得到所述图像的多个不同尺度的特征，并根据所述多个不同尺度的特征，分别获取不同大小的目标物体；
[0046]识别所述目标物体中的泊位角点，确定包含每个泊位角点在所述图像中的矩形框区域，并截取所述矩形框区域中的角点区域。
[0047]进一步地，所述分割本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习检测路侧停车场泊位的方法，其特征在于，包括：获取预定监控区域中包含至少一个泊位的图像，通过角点检测模型检测所述图像，得到所述图像中的各个可见泊位角点的位置与类型；通过语义分割模型分割所述图像，得到包含各泊位边线区域的分割图；根据所述各个可见泊位角点的位置与类型以及所述分割图中的各泊位边线区域，分析所述图像中各个可见泊位角点与所述各泊位边线区域的位置关系；根据所述位置关系，确定所述图像中各个泊位的位置。2.根据权利要求1所述的方法，其特征在于，所述获取预定监控区域中包含至少一个泊位的图像，通过角点检测模型检测所述图像，得到所述图像中的各个可见泊位角点的位置与类型，包括：获取预定监控区域中包含至少一个泊位的图像，通过角点检测模型获取所述图像中的各个可见泊位角点的位置，并截取每个泊位角点在所述图像中的角点区域；通过预定层数组成的卷积神经网络，确定所述角点区域中各个可见泊位角点的类型；其中，所述泊位角点的类型包括“L”型角点、“T”型角点、“I”型角点和非角点中的任一项。3.根据权利要求1
‑
2任一项所述的方法，其特征在于，在所述通过角点检测模型检测所述图像，得到所述图像中的各个可见泊位角点的位置与类型的步骤之前，包括：获取角点训练集，并标注所述角点训练集中各个图像中的泊位角点矩形框区域和泊位角点类型；通过梯度下降算法训练标注后的所述角点训练集，得到角点检测模型。4.根据权利要求3所述的方法，其特征在于，所述通过角点检测模型获取所述图像中的各个可见泊位角点的位置，并截取每个泊位角点在所述图像中的角点区域，包括：通过预定目标检测模型和预定网络结构，得到所述图像的多个不同尺度的特征，并根据所述多个不同尺度的特征，分别获取不同大小的目标物体；识别所述目标物体中的泊位角点，确定包含每个泊位角点在所述图像中的矩形框区域，并截取所述矩形框区域中的角点区域。5.根据权利要求4所述的方法，其特征在于，所述通过语义分割模型分割所述图像，得到包含各泊位边线区域的分割图，包括：将所述图像输入所述语义分割模型，得所述图像的特征图；确定所述特征图中的每个像素各自对应的像素区域，并分析各像素区域的语义类别；根据各像素区域的语义类别，确定语义类别为泊位边线区域的各像素，得到包含各泊位边线区域的分割图；其中，所述语义类别包括背景和地面实线中的任一项，所述地面实线包括车道线和泊位线中的至少一项。6.根据权利要求5所述的方法，其特征在于，所述根据所述各个可见泊位角点的位置与类型以及所述分割图中的各泊位边线区域，分析所述图像中各个可见泊位角点与所述各泊位边线区域的位置关系，包括：判断所述各个可见泊位角点中每两个泊位角点之间的线段是否为地面实线；若是，根据所述分割图，确定每两个泊位角点之间的线段为地面实线的线段集合，得到
角点连接图。7.根据权利要求6所述的方法，其特征在于，所述根据所述位置关系，确定所述图像中各个泊位的位置，...

【专利技术属性】
技术研发人员：闫军，阳平，
申请(专利权)人：超级视线科技有限公司，
类型：发明
国别省市：