基于三维车辆姿态的路侧停车管理方法以及系统技术方案

本申请公开一种基于三维车辆姿态的路侧停车管理方法以及系统。方法包括：将每个交通场景图像输入至骨干网络中进行特征提取，获得骨干特征图数据集；将每个骨干特征图输入至特征聚合网络中进行特征融合，获得聚合特征图数据集；将每个聚合特征图输入至关键点预测网络中进行点位预测，获得多个车辆预测姿态中心点、多个车辆预测宽高信息以及多个预测偏移量；构建损失函数，对关键点检测模型进行训练优化，获得训练完成的关键点检测模型；获取待测交通场景图像，根据训练完成的关键点检测模型对待测交通场景图像进行检测，获得多个车辆姿态中心点与多个偏移量；根据多个车辆姿态中心点与多个偏移量，获得多个车辆姿态关键点。获得多个车辆姿态关键点。获得多个车辆姿态关键点。

【技术实现步骤摘要】
基于三维车辆姿态的路侧停车管理方法以及系统


[0001]本申请涉及图像处理
，特别是涉及一种基于三维车辆姿态的路侧停车管理方法以及系统。

技术介绍

[0002]近年来，高位视频技术发展迅速，通过在路侧安装高位视频摄像头，可对车辆的泊车进行判断与管理，通过进行车辆的检测、车身姿态的检测，然后与已知的泊位位置进行数据分析，从而判断车辆的状态，如车辆是否位于泊位内、车辆是否压线停车、车辆是否在禁停区停车等。根据车辆的车身姿态判断车辆是否违停，从而对于城市的交通管理、行车安全等各个方面都具有积极地促进作用。
[0003]传统方法通过二维车辆矩形检测框进行车辆姿态估计来实现路侧停车管理。然而，二维车辆矩形检测框表征的车辆立体特征差，无法准确判断车辆位置，使得路侧停车管理效率低。
[0004]申请内容
[0005]本申请的目的是解决传统方法检测车辆位置的准确率低的技术问题。为实现上述目的，本申请提供一种基于三维车辆姿态的路侧停车管理方法以及系统。
[0006]本申请提供一种基于三维车辆姿态的路侧停车管理方法，包括：
[0007]获取建模仿真交通场景图像数据集，建模仿真交通场景图像数据集包括多个交通场景图像，每个交通场景图像标注有多个二维检测框真实信息、多个三维包围框真实姿态关键点信息、多个车辆真实姿态中心点、多个车辆真实宽高信息以及车辆真实姿态关键点到车辆真实姿态中心点的多个真实偏移量；
[0008]将每个交通场景图像输入至关键点检测模型的骨干网络中进行特征提取，获得骨干特征图数据集；
[0009]将骨干特征图数据集中每个骨干特征图输入至关键点检测模型的特征聚合网络中进行特征融合，获得聚合特征图数据集；
[0010]将聚合特征图数据集中每个聚合特征图输入至关键点检测模型的关键点预测网络中进行点位预测，获得多个车辆预测姿态中心点、多个车辆预测宽高信息以及车辆预测姿态关键点到车辆预测姿态中心点的多个预测偏移量；
[0011]根据多个车辆预测姿态中心点、多个车辆预测宽高信息、多个预测偏移量、多个车辆真实姿态中心点、多个车辆真实宽高信息以及多个真实偏移量构建损失函数，并根据损失函数对关键点检测模型进行训练优化，获得训练完成的关键点检测模型；
[0012]获取待测交通场景图像，根据训练完成的关键点检测模型对待测交通场景图像进行检测，获得多个车辆姿态中心点与多个偏移量；
[0013]根据多个车辆姿态中心点与多个偏移量，获得多个车辆姿态关键点，根据多个车辆姿态关键点，获得待测交通场景图像中多个待测车辆的位置，进行路侧停车管理。
[0014]在一个实施例中，多个二维检测框真实信息包括每个车辆的车辆矩形框的真实左
上角坐标与真实右下角坐标，多个三维包围框真实姿态关键点信息包括每个车辆的三维包围框在图像坐标系下的多个车辆真实姿态关键点；
[0015]获取建模仿真交通场景图像数据集，建模仿真交通场景图像数据集包括多个交通场景图像，每个交通场景图像标注有多个二维检测框真实信息、多个三维包围框真实姿态关键点信息、多个车辆真实姿态中心点、多个车辆真实宽高信息以及车辆真实姿态关键点到车辆真实姿态中心点的多个真实偏移量，包括：
[0016]根据每个车辆的真实左上角坐标与真实右下角坐标，获得车辆真实姿态中心点；
[0017]根据每个车辆的真实左上角坐标与真实右下角坐标，获得车辆真实宽高信息；
[0018]计算每个车辆的多个车辆真实姿态关键点到车辆真实姿态中心点的多个真实偏移量。
[0019]在一个实施例中，将每个交通场景图像输入至关键点检测模型的骨干网络中进行特征提取，获得骨干特征图数据集，包括：
[0020]将每个交通场景图像输入至卷积层，输出第一特征图数据集；
[0021]将第一特征图数据集中每个第一特征图输入至归一化层，输出第二特征图数据集；
[0022]将第二特征图数据集中每个第二特征图输入至激活函数层，输出第三特征图数据集，第三特征图数据集包括多个第三特征图。
[0023]在一个实施例中，将骨干特征图数据集中每个骨干特征图输入至关键点检测模型的特征聚合网络中进行特征融合，获得聚合特征图数据集，包括：
[0024]将第一特征图、第二特征图以及第三特征图输入至特征聚合网络中进行特征融合，获得聚合特征图数据集的聚合特征图。
[0025]在一个实施例中，根据多个车辆预测姿态中心点、多个车辆预测宽高信息、多个预测偏移量、多个车辆真实姿态中心点、多个车辆真实宽高信息以及多个真实偏移量构建损失函数，并根据损失函数对关键点检测模型进行训练优化，获得训练完成的关键点检测模型，包括：
[0026]根据多个车辆真实姿态中心点与多个车辆预测姿态中心点，构建车辆姿态中心点的回归损失函数；
[0027]根据多个车辆真实宽高信息与多个车辆预测宽高信息，构建车辆宽高的回归损失函数；
[0028]根据多个真实偏移量与多个预测偏移量，构建车辆姿态关键点和车辆姿态中心点的偏移量的回归损失函数；
[0029]根据车辆姿态中心点的回归损失函数、车辆宽高的回归损失函数以及偏移量的回归损失函数，构建关键点检测模型的损失函数。
[0030]在一个实施例中，根据多个车辆姿态中心点与多个偏移量，获得多个车辆姿态关键点，根据多个车辆姿态关键点，获得待测交通场景图像中多个待测车辆的位置，进行路侧停车管理，包括：
[0031]将多个车辆姿态关键点与多个车辆姿态中心点进行匹配，获得每个车辆姿态中心点对应匹配的多个车辆姿态关键点；
[0032]对每个车辆姿态中心点对应匹配的多个车辆姿态关键点进行世界坐标系坐标转
换，获得每个待测车辆的位置；
[0033]根据每个待测车辆的位置，判断每个待测车辆是否停在泊位内。
[0034]在一个实施例中，本申请提供一种基于车辆姿态的路侧停车管理系统，包括：
[0035]数据获取模块，用于获取建模仿真交通场景图像数据集，建模仿真交通场景图像数据集包括多个交通场景图像，每个交通场景图像标注有多个二维检测框真实信息、多个三维包围框真实姿态关键点信息、多个车辆真实姿态中心点、多个车辆真实宽高信息以及车辆真实姿态关键点到车辆真实姿态中心点的多个真实偏移量；
[0036]骨干网络模块，用于将每个交通场景图像输入至关键点检测模型的骨干网络中进行特征提取，获得骨干特征图数据集；
[0037]特征聚合网络模块，用于将骨干特征图数据集中每个骨干特征图输入至关键点检测模型的特征聚合网络中进行特征融合，获得聚合特征图数据集；
[0038]关键点预测网络模块，用于将聚合特征图数据集中每个聚合特征图输入至关键点检测模型的关键点预测网络中进行点位预测，获得多个车辆预测姿态中心点、多个车辆预测宽高信息以及车辆预测姿态关键点到车辆预测姿态中心点的多个预测偏移量；
[0039]训练模块，用于根据多个车辆预测姿态中心点、多个车辆预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于三维车辆姿态的路侧停车管理方法，其特征在于，包括：获取建模仿真交通场景图像数据集，所述建模仿真交通场景图像数据集包括多个交通场景图像，每个所述交通场景图像标注有多个二维检测框真实信息、多个三维包围框真实姿态关键点信息、多个车辆真实姿态中心点、多个车辆真实宽高信息以及车辆真实姿态关键点到车辆真实姿态中心点的多个真实偏移量；将每个所述交通场景图像输入至关键点检测模型的骨干网络中进行特征提取，获得骨干特征图数据集；将所述骨干特征图数据集中每个所述骨干特征图输入至所述关键点检测模型的特征聚合网络中进行特征融合，获得聚合特征图数据集；将所述聚合特征图数据集中每个所述聚合特征图输入至所述关键点检测模型的关键点预测网络中进行点位预测，获得多个车辆预测姿态中心点、多个车辆预测宽高信息以及多个预测偏移量；根据所述多个车辆预测姿态中心点、所述多个车辆预测宽高信息、所述多个预测偏移量、所述多个车辆真实姿态中心点、所述多个车辆真实宽高信息以及所述多个真实偏移量构建损失函数，并根据所述损失函数对所述关键点检测模型进行训练优化，获得训练完成的关键点检测模型；获取待测交通场景图像，根据所述训练完成的关键点检测模型对所述待测交通场景图像进行检测，获得多个车辆姿态中心点与多个偏移量；根据所述多个车辆姿态中心点与所述多个偏移量，获得多个车辆姿态关键点，根据所述多个车辆姿态关键点，获得所述待测交通场景图像中多个待测车辆的位置，进行路侧停车管理。2.根据权利要求1所述的基于三维车辆姿态的路侧停车管理方法，其特征在于，所述将每个所述交通场景图像输入至关键点检测模型的骨干网络中进行特征提取，获得骨干特征图数据集，包括：将每个所述交通场景图像输入至卷积层，输出第一特征图数据集；将所述第一特征图数据集中每个第一特征图输入至归一化层，输出第二特征图数据集；将所述第二特征图数据集中每个第二特征图输入至激活函数层，输出第三特征图数据集，所述第三特征图数据集包括多个第三特征图。3.根据权利要求2所述的基于三维车辆姿态的路侧停车管理方法，其特征在于，所述将所述骨干特征图数据集中每个所述骨干特征图输入至所述关键点检测模型的特征聚合网络中进行特征融合，获得聚合特征图数据集，包括：将所述第一特征图、所述第二特征图以及所述第三特征图输入至所述特征聚合网络中进行特征融合，获得所述聚合特征图数据集的聚合特征图。4.根据权利要求1所述的基于三维车辆姿态的路侧停车管理方法，其特征在于，所述根据所述多个车辆预测姿态中心点、所述多个车辆预测宽高信息、所述多个预测偏移量、所述多个车辆真实姿态中心点、所述多个车辆真实宽高信息以及所述多个真实偏移量构建损失函数，并根据所述损失函数对所述关键点检测模型进行训练优化，获得训练完成的关键点检测模型，包括：
根据所述多个车辆真实姿态中心点与所述多个车辆预测姿态中心点，构建车辆姿态中心点的回归损失函数；根据所述多个车辆真实宽高信息与所述多个车辆预测宽高信息，构建车辆宽高的回归损失函数；根据所述多个真实偏移量与所述多个预测偏移量，构建车辆姿态关键点和车辆姿态中心点的偏移量的回归损失函数；根据所述车辆姿态中心点的回归损失函数、所述车辆宽高的回归损失函数以及所述偏移量的回归损失函数，构建所述关键点检测模型的损失函数。5.根据权利要求1所述的基于三维车辆姿态的路侧停车管理方法，其特征在于，所述根据所述多个车辆姿态中心点与所述多个偏移量，获得多个车辆姿态关键点，根据所述多个车辆姿态关键点，获得所述待测交通场景图像中多个待测车辆的位置，进行路侧停车管理，包括：将所述多个车辆姿态关键点与所述多个车辆姿态中心点进行匹配，获得每个所述车辆姿态中心点对应匹配的所述多个车辆姿态关键点；对每个所述车辆姿态中心点对应匹配的所述多个车辆姿态关键点进行世界坐标系...

【专利技术属性】
技术研发人员：冯澍，闫昊，丁丽珠，王艳清，
申请(专利权)人：智慧互通科技股份有限公司，
类型：发明
国别省市：