一种泊位占用检测方法与系统与流程

摘要: 本技术一般涉及计算机视觉与智慧交通。更具体地,本技术涉及一种泊位占用检测方法及系统。背景技术:1、随着城市汽车保有量的持续增长,智慧停车及路侧泊位管理的需求日益...
一种泊位占用检测方法与系统与流程

本技术一般涉及计算机视觉与智慧交通。更具体地,本技术涉及一种泊位占用检测方法及系统。

背景技术:

1、随着城市汽车保有量的持续增长,智慧停车及路侧泊位管理的需求日益迫切,而准确、高效地进行泊位占用检测是实现智慧停车的核心基础。目前,行业内现有的泊位占用检测方案主要包括以下几类,但均存在一定的技术局限性:

2、其一,纯二维图像分割或目标检测方案:此类方案仅在二维图像平面通过目标检测或语义分割(如计算车辆像素占比)来判定占用。此类方案在车辆仅局部压线(像素占比小)、顶视投影呈不规则形状,或遇复杂光照及遮挡场景时极易失效。

3、其二,纯三维点云方案:此类方案高度依赖激光雷达、多目立体相机等高成本感知硬件,通过直接获取真实物理空间的高精度三维点云,对泊位三维空间进行占用判断。虽然其检测精度较高,但硬件成本高昂、部署及维护十分复杂,完全不适用于利用存量单目监控摄像头进行低成本智能化改造的项目。

4、其三,基于单目深度估计的伪点云方案:该方案通过单目图像估计场景深度,并将其反投影为伪点云,进而结合传统的三维几何方法进行占用判断。但现有方案的判定依据往往仍停留在“车体在泊位平面的二维面积或点数”层面,未能充分利用泊位纵向方向、真实停车深度等三维几何语义。

5、有鉴于此,亟需提供一种泊位占用检测方案,以解决以上问题,提高泊位占用判断在各种特殊及边缘工况下的鲁棒性。

技术实现思路

1、为了至少解决如上所提到的一个或多个技术问题,本技术在多个方面中提出了泊位占用检测方案。

2、在第一方面中,本技术提供了一种泊位占用检测方法,包括:获取并预处理包含目标泊位的单目图像数据以及目标泊位区域;判断单目图像数据的二维像素特征是否满足预设的直接判定规则;响应于单目图像数据的二维像素特征满足预设的直接判定规则,输出对图像数据的二维像素特征进行二维占用分析确定的检测结果,并终止泊位占用检测流程;响应于单目图像数据的二维像素特征不满足预设的直接判定规则,基于单目图像数据的深度信息构建三维空间点云,并基于所述三维空间点云提取三维柱状感兴趣区域点云,以及从三维柱状感兴趣区域点云中确定候选目标点云;提取目标泊位的主方向特征,并基于所述主方向特征计算所述候选目标点云在所述三维空间点云中的空间相对位置参数,据此输出所述目标泊位的最终占用状态。

3、在一些实施例中,在判断单目图像数据的二维像素特征是否满足预设的直接判定规则的过程中,执行以下步骤:对预处理后的单目图像数据进行语义分割,识别得到包括车辆类像素与地面类像素的二维像素特征;分别计算目标泊位区域内的车辆类像素占泊位总像素的比例以及地面类像素占泊位总像素的比例;基于目标泊位区域内的车辆类像素占泊位总像素的比例以及地面类像素占泊位总像素的比例判断是否满足预设的直接判定规则;其中,预设的直接判定规则包括空闲判定规则与占用判定规则;所述空闲判定规则为:车辆类像素占泊位总像素的比例小于空闲判定车辆阈值,或者地面类像素占泊位总像素的比例大于空闲判定地面阈值;所述占用判定规则为:车辆类像素占泊位总像素的比例大于或等于占用判定车辆阈值。

4、在一些实施例中,在基于单目图像数据的深度信息构建三维空间点云的过程中,执行以下步骤:采用单目深度估计模型对单目图像数据进行处理,获取反映场景实际观测深度的初始深度图;根据预先获取的地面分割掩码确定所述单目图像数据中的地面区域,并在所述初始深度图对应的所述地面区域内采样三维点,基于采样的三维点拟合出全局地面平面;基于所述全局地面平面计算单目图像数据中每个像素对应的理论地面深度,得到整幅单目图像的地面深度图;基于所述初始深度图、所述地面深度图以及所述单目图像数据进行三维反投影以构建所述三维空间点云,并对所述三维空间点云进行区域标记;其中,在对所述三维空间点云进行区域标记的过程中,执行以下步骤:将车辆区域对应的三维点标记为第一类点;将所述目标泊位区域投影至所述全局地面平面上所形成的区域定义为泊位拟合平面区域,并将泊位拟合平面区域的三维点标记为第二类点;将非车辆域区域且非泊位拟合平面区域对应的三维点保留原始颜色属性并标记为背景点。

5、在一些实施例中,在基于所述三维空间点云提取三维柱状感兴趣区域点云的过程中,执行以下步骤:将所述第二类点所在的水平平面定义为xz平面;在所述xz平面上,以所述第二类点的投影坐标为基准建立量化网格;遍历所述三维空间点云,提取在所述xz平面上的投影位置落入所述量化网格内的所有点,形成泊位沿法向方向的三维柱状感兴趣区域点云;对所述三维柱状感兴趣区域点云进行属性过滤,剔除其中的背景点。

6、在一些实施例中,在从三维柱状感兴趣区域点云中确定候选目标点云的过程中,执行以下步骤:提取所述三维柱状感兴趣区域点云中的所述第一类点,在所述xz平面上按预设距离阈值对所述第一类点进行网格聚类,将空间上相互邻近的点归为同一聚类簇;计算每个所述聚类簇在所述xz平面上的包围盒面积,并将所述包围盒面积最大的聚类簇提取为所述候选目标点云。

7、在一些实施例中,在提取目标泊位的主方向特征的过程中,执行以下步骤:提取所述三维柱状感兴趣区域点云中的所述第二类点在所述xz平面上的投影坐标集合;对所述投影坐标集合进行主成分分析,获取对应最大特征值的特征向量作为目标泊位的纵向方向的主特征向量。

8、在一些实施例中,所述空间相对位置参数包括归一化停车深度参数;在基于所述主方向特征计算所述候选目标点云在所述三维空间点云中的停车深度参数的过程中,执行以下步骤:将所述第二类点的投影坐标集合投影至所述主特征向量上,得到目标泊位在纵向方向上的起点位置和终点位置,并基于目标泊位在纵向方向上的起点位置和终点位置计算泊位长度;将所述候选目标点云在所述xz平面上的坐标投影至所述主特征向量上,得到车辆在目标泊位的纵向方向上的近端位置与远端位置;基于目标泊位在纵向方向上的起点位置、泊位长度、车辆在目标泊位的纵向方向上的近端位置与远端位置得到归一化停车深度参数;其中,归一化停车深度参数包括归一化最小停车深度、归一化最大停车深度和归一化停车长度;归一化最小停车深度的计算公式为:depthmin=(scar,min−smin)/lberth,其中,depthmin为归一化最小停车深度,scar,min为车辆在目标泊位的纵向方向上的近端位置,smin为目标泊位在纵向方向上的起点位置,lberth为泊位长度;归一化最大停车深度的计算公式为:depthmax=(scar,max−smin)/lberth,其中,depthmax为归一化最大停车深度,scar,max为目标泊位在纵向方向上的终点位置;归一化停车长度的计算公式为:depthlen=depthmax−depthmin。

9、在一些实施例中,在输出所述目标泊位的最终占用状态的过程中,执行以下步骤:判断所述归一化最小停车深度与所述归一化最大停车深度是否满足仅挡一角条件,其中,所述仅挡一角条件为:归一化最小停车深度小于角部近端侵入阈值且归一化最大停车深度小于角部远端侵入阈值;响应于所述归一化最小停车深度与所述归一化最大停车深度满足仅挡一角条件,判定车辆整体仅位于泊位近端范围内而未真正驶入泊位;响应于所述归一化最小停车深度与所述归一化最大停车深度不满足仅挡一角条件,判断归一化最小停车深度是否满足小于等于有效停车深度上限阈值;响应于归一化最小停车深度满足小于等于有效停车深度上限阈值,判定车辆有效占用泊位,输出泊位有车的状态;响应于归一化最小停车深度不满足小于等于有效停车深度上限阈值,判定车辆超出有效停泊深度范围,输出泊位为空的状态。

10、在一些实施例中,所述方法还包含基于空间相对位置参数的有效性进行分支选择及异常降级;其中,在基于空间相对位置参数的有效性进行分支选择及异常降级的过程中,执行以下步骤:判断空间相对位置参数是否有效;响应于空间相对位置参数有效,执行输出所述目标泊位的最终占用状态的步骤;响应于归一化停车深度参数无效,执行输出所述目标泊位的最终占用状态的步骤,并触发异常降级容错机制;在执行异常降级容错机制的过程中,执行以下步骤:提取预先获取的车辆类像素占泊位总像素的比例;判断车辆类像素占泊位总像素的比例是否满足大于等于预设的降级占用阈值;响应于车辆类像素占泊位总像素的比例满足大于等于预设的降级占用阈值,判定车辆占用泊位,输出泊位有车的状态;响应于车辆类像素占泊位总像素的比例不满足大于等于预设的降级占用阈值,判定无车辆有效占用,输出泊位为空的状态。

11、在第二方面中,本技术提供一种泊位占用检测系统,采用如第一方面任一实施例所述的泊位占用检测方法进行泊位占用检测,所述系统包括:数据获取与预处理模块,用于获取并预处理包含目标泊位的单目图像数据以及目标泊位区域;二维特征判断模块,用于判断单目图像数据的二维像素特征是否满足预设的直接判定规则;二维响应与提前输出模块,响应于单目图像数据的二维像素特征满足预设的直接判定规则,用于输出对图像数据的二维像素特征进行二维占用分析确定的检测结果,并终止泊位占用检测流程;三维点云构建与提取模块,响应于单目图像数据的二维像素特征不满足预设的直接判定规则,基于单目图像数据的深度信息构建三维空间点云,并基于所述三维空间点云提取三维柱状感兴趣区域点云,以及从三维柱状感兴趣区域点云中确定候选目标点云;空间参数计算与状态输出模块,用于提取目标泊位的主方向特征,并基于所述主方向特征计算所述候选目标点云在所述三维空间点云中的空间相对位置参数,据此输出所述目标泊位的最终占用状态。

12、通过如上所提供的泊位占用检测方案,本技术实施例提供了一种兼顾计算效率与检测精度的层级化泊位占用检测机制。通过引入二维像素特征进行直接判定与提前终止的设计,系统能够对特征明显的简单场景进行快速识别并直接输出结果,从而大幅节省算力开销并显著提升检测的实时性。而当面对二维信息难以确定的复杂场景时,能够自适应地转入三维处理流程,利用单目图像的深度信息构建三维空间点云并提取三维柱状感兴趣区域,进而结合目标泊位的主方向特征进行高精度的空间相对位置分析。这种自适应协同策略,有效克服了传统纯二维图像方案极易受环境干扰的缺陷,在保证系统整体低延迟运行的同时,大幅提升了复杂真实工况下泊位占用状态判定的鲁棒性与准确率。

13、进一步地,在一些实施例中,通过单目深度估计结合全局地面平面拟合,构建出包含语义标记的三维空间点云,有效克服了传统单目视觉缺乏真实空间尺度信息的缺陷,提升了三维重建的准确性。在此基础上,系统通过在泊位拟合平面建立量化网格,定向提取泊位法向方向的三维柱状感兴趣区域点云并剔除背景点,实现了对泊位上方有效物理空间的精准锁定,这不仅大幅排除了周边无关环境因素的干扰,还显著降低了三维点云处理的计算冗余度。最后,通过对柱状区域内的车辆类点云进行空间网格聚类,并筛选出包围盒面积最大的聚类簇作为候选目标点云,能够智能过滤离散噪点和微小干扰物,精准聚焦于对泊位占用起决定性作用的核心车辆目标,从而极大提升了复杂场景下系统抗干扰的能力与最终占用判定的可靠性。

14、更进一步地,在一些实施例中,通过主成分分析对泊位点云进行处理,能够精准且鲁棒地提取出目标泊位真实的纵向物理朝向,有效消除了图像透视畸变带来的方向偏差。在此基础上,将泊位与车辆候选目标统一投影至该主方向,并计算归一化停车深度参数,这种相对比例的计算方式消除了不同泊位绝对尺寸差异带来的尺度影响,使得判定阈值具备极强的通用性与泛化能力。更为重要的是,基于这些归一化参数构建的逻辑规则,针对性地设计了仅挡一角的排除机制,能够完美过滤掉因相邻车辆轻微越线或路过车辆部分遮挡所引起的假阳性误判,最终通过严格的空间深度界定,实现了对车辆是否真正有效停泊的精确刻画,大幅提升了复杂真实场景下泊位占用状态判定的准确率与系统的整体鲁棒性。

15、再进一步地,在一些实施例中,涉及了自适应异常降级容错机制。在复杂现实工况下,当因为深度估计异常、点云过度稀疏或特征提取失败等极端原因,导致三维空间相对位置参数计算无效时,系统能够智能捕获该异常并无缝切入降级分支,避免了检测流程的中断或系统崩溃。此外,该降级机制直接复用了前期预处理中已经获取的车辆类像素占泊位总像素的比例这一二维特征,并结合独立设定的降级占用阈值进行最终裁决,这既没有增加额外的算力开销,又通过独立的阈值判定避免了逻辑死循环。这种闭环容错设计,极大增强了系统在极端恶劣环境下的鲁棒性与高可用性,确保了泊位占用检测系统在任何边界条件下都能持续、稳定地输出可靠结果。