一种车位检测方法、装置及设备与流程

1.本技术涉及智能交通技术领域，尤其涉及一种车位检测方法、装置及设备。


背景技术：

2.随着人类社会的不断发展，未来城市将承载越来越多的人口，为了实现城市的可持续发展，提升城市的综合竞争力，建设智慧城市势在必行。智慧城市的理念就是，通过应用新一代信息技术使人类以更加精细和灵活的方式管理生产和生活的状态，将传感器嵌入或装备到供电系统、供水系统、交通系统等各种设施中，使其形成的物联网与互联网相关联，实现人类社会与物理系统的集成，而后通过计算机和云计算等将物联网集成起来，智慧城市即可实现。
3.智慧交通是智慧城市的重要组成部分，智慧交通的本质在于车辆管理，如行进中车辆的管理、停放中车辆的管理等。针对行进中车辆的管理，可以通过摄像头采集车辆的图像，基于图像对车辆行为进行分析，实现车辆管理。针对停放中车辆的管理，如停车位内车辆的管理，可以人工检测车辆何时进入停车位、车辆何时离开停车位，继而对车辆进行计费。但是，在上述方式中，需要工作人员的参与，工作人员不在现场时就无法对车辆进行计费。
4.为了解决上述问题，可以在停车位区域部署摄像头，通过摄像头采集停车位区域的图像，基于图像分析车辆何时进入停车位、车辆何时离开停车位，继而对车辆进行计费。为了实现上述功能，一个重要前提是检测出停车位区域的所有车位，基于这些车位分析车辆何时进入停车位、车辆何时离开停车位。
5.但是，由于车辆进入停车位或者离开停车位时，车辆会遮挡停车位，导致无法基于摄像机采集的图像检测出停车位区域的所有车位，如可能存在车位误检、车位漏检等情况，继而导致无法分析车辆何时进入或何时离开停车位。


技术实现要素：

6.本技术提供一种车位检测方法，所述方法包括：
7.基于停车位区域对应的场景图像序列，确定停车位区域的多个初始角点的角点特征，所述角点特征包括位置、形状和延伸方向，所述形状为t型或l型；
8.基于t型角点的延伸方向或者l型角点的延伸方向，确定所述停车位区域对应的车道线目标方向和车位线目标方向，并从所述多个初始角点中选取目标角点；其中，针对每个初始角点，若该初始角点对应的延伸方向与所述车道线目标方向匹配，且该初始角点对应的延伸方向与所述车位线目标方向匹配，则将该初始角点选取为目标角点；
9.基于所述目标角点的角点特征确定所述停车位区域对应的目标车位。
10.本技术提供一种车位检测装置，所述装置包括：
11.确定模块，用于基于停车位区域对应的场景图像序列，确定停车位区域的多个初始角点的角点特征，所述角点特征包括位置、形状和延伸方向，所述形状为t型或l型；基于t
型角点的延伸方向或者l型角点的延伸方向，确定所述停车位区域对应的车道线目标方向和车位线目标方向；
12.选取模块，用于从所述多个初始角点中选取目标角点；其中，针对每个初始角点，若该初始角点对应的延伸方向与所述车道线目标方向匹配，且该初始角点对应的延伸方向与所述车位线目标方向匹配，则将该初始角点选取为目标角点；所述确定模块，还用于基于所述目标角点的角点特征确定所述停车位区域对应的目标车位。
13.本技术提供一种车位检测设备，包括：处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；所述处理器用于执行机器可执行指令，以实现本技术上述示例公开的车位检测方法。
14.由以上技术方案可见，本技术实施例中，可以基于停车位区域对应的场景图像序列确定多个初始角点的角点特征，基于t型角点的延伸方向或l型角点的延伸方向，确定车道线目标方向和车位线目标方向，继而通过车道线目标方向和车位线目标方向对多个初始角点进行筛选，得到准确可靠的目标角点，在基于目标角点的角点特征确定目标车位时，得到准确的车位情况，虽然车辆会遮挡停车位，也可以检测出停车位区域的所有车位，减少车位误检、车位漏检等情况，能够基于车位分析车辆何时进入停车位、车辆何时离开停车位。在上述方式中，可以实现车位自动检测，在路侧停车场景下，即使严重遮挡车位，也能够实现车位自动检测，实现车位线自动配置，无需人工配置车位线。
附图说明
15.为了更加清楚地说明本技术实施例或者现有技术中的技术方案，下面将对本技术实施例或者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技术中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据本技术实施例的这些附图获得其他的附图。
16.图1是本技术一种实施方式中的车位检测方法的流程示意图；
17.图2是本技术一种实施方式中的车位检测方法的流程示意图；
18.图3a和图3b是本技术一种实施方式中的车道线和车位线的示意图；
19.图3c是本技术一种实施方式中的角点形状和角点延伸方向的示意图；
20.图4是本技术一种实施方式中的角点检测模型的示意图；
21.图5是本技术一种实施方式中的确定角点特征的示意图；
22.图6是本技术一种实施方式中的确定车道线方向和车位线方向的示意图；
23.图7a-图7c是本技术一种实施方式中的车位示意图；
24.图8是本技术一种实施方式中的车位检测装置的结构示意图；
25.图9是本技术一种实施方式中的车位检测设备的硬件结构图。
具体实施方式
26.在本技术实施例使用的术语仅仅是出于描述特定实施例的目的，而非限制本技术。本技术和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。还应当理解，本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
27.应当理解，尽管在本技术实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，此外，所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
28.本技术实施例中提出一种车位检测方法，参见图1所示，该方法可以包括：
29.步骤101、基于停车位区域对应的场景图像序列，确定停车位区域的多个初始角点的角点特征。示例性的，针对每个初始角点来说，该初始角点的角点特征可以包括但不限于：位置、形状和延伸方向，该形状可以为t型或l型，形状为t型的角点可以称为t型角点，形状为l型的角点可以称为l型角点。
30.示例性的，基于停车位区域对应的场景图像序列，确定停车位区域的多个初始角点的角点特征，可以包括但不限于：若该场景图像序列包括m帧场景图像(m可以为正整数，即至少一帧场景图像)，针对每帧场景图像，将该场景图像输入给角点检测模型，得到预测角点的角点特征及该角点特征对应的置信度；基于m帧场景图像对应的预测角点的角点特征确定停车位区域的多个初始角点的角点特征；其中，针对每个预测角点，若该预测角点与至少n帧场景图像对应，n小于或者等于m，则可以将该预测角点确定为初始角点，并将该预测角点对应的最大置信度的角点特征确定为该初始角点的角点特征。
31.在一种可能的实施方式中，基于停车位区域对应的场景图像序列，确定停车位区域的多个初始角点的角点特征，可以包括：在接收到针对停车位区域的车位检测命令时，基于停车位区域对应的场景图像序列，确定停车位区域的多个初始角点的角点特征，即执行步骤101及后续步骤；或者，在检测到停车位区域有车辆进入时，基于停车位区域对应的场景图像序列，确定停车位区域的多个初始角点的角点特征；或者，在检测到停车位区域有车辆离开时，基于停车位区域对应的场景图像序列，确定停车位区域的多个初始角点的角点特征。
32.步骤102、基于t型角点的延伸方向或者l型角点的延伸方向，确定该停车位区域对应的车道线目标方向和车位线目标方向。
33.示例性的，基于t型角点的延伸方向或者l型角点的延伸方向，确定该停车位区域对应的车道线目标方向和车位线目标方向，可以包括但不限于：若t型初始角点数量大于或等于1，且t型初始角点数量大于或者等于l型初始角点数量的一半，则基于t型角点的延伸方向确定停车位区域对应的车道线目标方向和车位线目标方向。或者，若t型初始角点数量小于1或t型初始角点数量小于l型初始角点数量的一半，且l型初始角点数量大于或等于2，则基于l型角点的延伸方向确定停车位区域对应的车道线目标方向和车位线目标方向。
34.步骤103、从多个初始角点中选取目标角点，例如，基于车道线目标方向和车位线目标方向从多个初始角点中选取目标角点。示例性的，针对每个初始角点，若该初始角点对应的延伸方向与车道线目标方向匹配，且该初始角点对应的延伸方向与车位线目标方向匹配，则将该初始角点选取为目标角点，否则(该初始角点对应的延伸方向与车道线目标方向不匹配，和/或，该初始角点对应的延伸方向与车位线目标方向不匹配)，禁止将该初始角点选取为目标角点。
35.步骤104、基于目标角点的角点特征确定停车位区域对应的目标车位。
36.示例性的，基于目标角点的角点特征确定停车位区域对应的目标车位，包括但不限于：基于目标角点的角点特征确定停车位区域对应的k个初始车位，k为正整数；针对每个初始车位，则：若确定该初始车位是正常车位，则将初始车位确定为目标车位；若确定该初始车位是误检车位，则删除初始车位；若基于该初始车位确定停车位区域存在漏检车位，则基于初始车位生成至少两个目标车位。基于k个初始车位对应的所有目标车位确定停车位区域对应的目标车位，即，k个初始车位对应的所有目标车位作为停车位区域对应的目标车位。
37.示例性的，针对每个初始车位，若该初始车位包括相邻两个l型角点，且基于这两个l型角点的延伸方向确定这两个l型角点的车道线方向是背向，则确定该初始车位是误检车位。若该初始车位的车道线长度小于相邻车位的车道线长度与第一系数值的乘积，则确定该初始车位是误检车位，第一系数值大于0且小于1，如第一系数值为0.5。若该初始车位的车道线长度大于相邻车位的车道线长度与第二系数值的乘积，则确定停车位区域存在漏检车位，第二系数值大于1，如第二系数值为2。若k为1，即只确定出一个初始车位，且该初始车位的车道线长度大于场景图像高度与第三系数值的乘积，则确定停车位区域存在漏检车位，第三系数值大于或等于0.5，且第三系数值小于1，如第三系数值可以为0.5。若k为1，即只确定出一个初始车位，且该初始车位的车道线长度小于场景图像高度与第四系数值的乘积，且场景图像中该初始车位的上侧或下侧高度大于该初始车位的车道线长度，则确定停车位区域存在漏检车位，第四系数值小于或等于0.5，且第四系数值大于0，如第四系数值可以为0.5。
38.示例性的，针对每个目标车位，还可以采用如下方式确定该目标车位对应的车位线长度：若该目标车位已存在车辆，且获知车辆的宽度，则基于车辆的宽度和已配置的第一比例关系，确定该目标车位对应的车位线长度；其中，该第一比例关系表示车辆宽度与车位线长度之间的比例关系。或者，若该目标车位未存在车辆，或该目标车位已存在车辆，但未获知车辆宽度，则基于该目标车位的车道线长度和已配置的第二比例关系，确定该目标车位对应的车位线长度；其中，该第二比例关系表示车道线长度与车位线长度之间的比例关系。
39.由以上技术方案可见，本技术实施例中，可以基于停车位区域对应的场景图像序列确定多个初始角点的角点特征，基于t型角点的延伸方向或l型角点的延伸方向，确定车道线目标方向和车位线目标方向，继而通过车道线目标方向和车位线目标方向对多个初始角点进行筛选，得到准确可靠的目标角点，在基于目标角点的角点特征确定目标车位时，得到准确的车位情况，虽然车辆会遮挡停车位，也可以检测出停车位区域的所有车位，减少车位误检、车位漏检等情况，能够基于车位分析车辆何时进入停车位、车辆何时离开停车位。在上述方式中，可以实现车位自动检测，在路侧停车场景下，即使严重遮挡车位，也能够实现车位自动检测，实现车位线自动配置，无需人工配置车位线。
40.以下结合具体应用场景，对本技术实施例的上述技术方案进行说明。
41.路侧停车管理系统可以包括前端设备(如摄像机等)和管理设备，前端设备可以采集停车位区域对应的场景图像(本文将停车位区域对应的图像记为场景图像)，并将停车位区域对应的场景图像发送给管理设备，由管理设备基于停车位区域对应的场景图像进行自动分析，实现车辆进出检测、车牌识别和车辆查询等。为了支持上述自动分析功能，还需要
进行车位检测，即检测出停车位区域对应的所有停车位(为了方便描述，本文将停车位记为车位)。
42.为了检测出停车位区域对应的所有车位，在一种可能的实施方式中，可以由工作人员人工配置停车位区域对应的所有车位，在该方式中，当车位发生变化时，需要重新配置停车位区域对应的所有车位，每次车位变化均需要重新配置，人工成本较高，用户体验较差。在另一种可能的实施方式中，可以通过场景图像检测出停车位区域对应的所有车位，在该方式中，由于车辆进入车位或者离开车位时，车辆会遮挡车位，导致无法基于场景图像准确检测出停车位区域对应的所有车位，如可能存在车位误检、车位漏检等情况。
43.针对上述发现，本技术实施例提出一种车位自动检测方法，可以基于场景图像实现车位自动检测，在路侧停车场景下即使严重遮挡车位，也能够实现车位自动检测，实现车位自动配置，无需人工配置车位，实现车位的自动化更新。
44.本技术实施例中提出一种车位检测方法，该方法可以应用于前端设备，比如说，前端设备在采集到场景图像后，基于该场景图像实现车位检测，该方法也可以应用于管理设备，比如说，前端设备在采集到场景图像后，将该场景图像发送给管理设备，由管理设备基于该场景图像实现车位检测。参见图2所示，为本技术实施例中提出的车位检测方法的流程示意图，该方法可以包括：
45.步骤201、获取停车位区域对应的场景图像序列，该场景图像序列可以包括m帧场景图像，m可以为正整数，比如说，m可以为大于1的正整数。
46.示例性的，在需要获取停车位区域对应的车位时，即进行车位检测时，可以获取停车位区域对应的m帧场景图像，这m帧场景图像组成一个场景图像序列，基于该场景图像序列可以实现车位检测方法，车位检测方法参见后续步骤。
47.示例性的，由于路侧场景的停车位区域存在车辆遮挡问题，单帧场景图像可能无法将整个停车位区域描述出来，因此，可以获取停车位区域对应的m帧场景图像，基于m帧场景图像将整个停车位区域描述出来，实现车位自动检测。
48.在一种可能的实施方式中，在接收到针对该停车位区域的车位检测命令时，该车位检测命令表示需要对该停车位区域进行车位检测，可以触发车位自动检测，因此，执行步骤201及后续步骤，实现车位自动检测。其中，该车位检测命令可以是用户输入，也可以是满足某种触发机制时主动生成，对此不做限制。
49.在另一种可能的实施方式中，在检测到停车位区域有车辆进入时，可以触发车位自动检测，因此，执行步骤201及后续步骤，实现车位自动检测。其中，在该实施方式中，是由车辆进入停车位区域触发车位自动检测。
50.在另一种可能的实施方式中，在检测到停车位区域有车辆离开时，可以触发车位自动检测，因此，执行步骤201及后续步骤，实现车位自动检测。其中，在该实施方式中，是由车辆离开停车位区域触发车位自动检测。
51.在另一种可能的实施方式中，在检测到停车位区域有车辆进入或者停车位区域有车辆离开时，可以触发车位自动检测，即执行步骤201及后续步骤，实现车位自动检测。或者，在接收到针对该停车位区域的车位检测命令时，可以触发车位自动检测，即执行步骤201及后续步骤，实现车位自动检测。
52.步骤202、基于停车位区域对应的场景图像序列，确定该停车位区域的多个初始角
点的角点特征。示例性的，针对每个初始角点来说，该初始角点的角点特征可以包括但不限于：位置、形状和延伸方向，该形状可以为t型或l型，形状为t型的角点可以称为t型角点，形状为l型的角点可以称为l型角点。
53.示例性的，针对每个初始角点来说，该初始角点对应的位置是车道线和车位线的交点，在实际应用中，车道线是具有一定宽度的线状标记，车位线也是具有一定宽度的线状标记，车道线和车位线相交会形成正方形的交点区域，可以将该交点区域的中心作为初始角点对应的位置。参见图3a所示，示出了实际场景的车道线和车位线。参见图3b所示，示出了车道线和车位线的交点区域的示意图，车道线是位于车道边缘的线，车位线是位于车道内侧的线，车道线和车位线的交点区域的中心就是初始角点对应的位置，该位置记为(x，y)，x表示初始角点在场景图像中的横坐标，y表示初始角点在场景图像中的纵坐标。
54.示例性的，根据角点图案的形状，可以将角点分成t型和l型两类，针对每个初始角点来说，该初始角点对应的形状可以为t型或者l型，参见图3c所示，示出了t型或者l型的角点，左侧是t型角点，右侧是l型角点。
55.示例性的，针对每个初始角点来说，可以将该初始角点的方向定义为，以该初始角点的位置作为起始点的所有延伸方向。显然，对于t型角点来说，有三个延伸方向，对于l型角点来说，有两个延伸方向，参见图3c所示，示出了t型角点的三个延伸方向，并示出了l型角点的两个延伸方向。
56.本实施例中，由于路侧停车管理系统的前端设备架设在高位，受到来往车辆影响，前端设备采集的场景图像中车位会有严重遮挡现象，这就导致单帧场景图像中大部分角点都不可见，但是，由于能够遮挡角点的都是正在驶入、驶出的车辆，其逗留时间不会过长，因此，可以有效利用时序信息，通过多帧场景图像的统计结果获取最终稳定的初始角点，也就是说，基于停车位区域对应的m帧场景图像确定多个初始角点(即得到每个初始角点的角点特征)，从而利用时序信息有效减少误检，将由于单帧场景图像遮挡而漏检的角点检测出来。
57.在一种可能的实施方式中，基于停车位区域对应的场景图像序列(即m帧场景图像)，可以采用如下步骤确定多个初始角点的角点特征，当然，如下方式只是示例，对此不做限制，只要能够得到多个初始角点的角点特征即可。
58.步骤2021、针对每帧场景图像，将该场景图像输入给角点检测模型，得到预测角点的角点特征及该角点特征对应的置信度。例如，角点特征可以包括位置、形状和延伸方向，角点特征对应的置信度可以包括预测角点的位置对应的置信度、预测角点的形状对应的置信度、预测角点的延伸方向对应的置信度。
59.示例性的，可以预先训练一个角点检测模型，该角点检测模型可以是采用深度学习算法的网络模型，也可以是采用其它算法的网络模型，对此角点检测模型的类型不做限制，只要该角点检测模型能够输出角点特征即可。
60.比如说，角点检测模型包括4个子网络，第1个子网络用于对场景图像进行处理，得到该场景图像对应的特征向量，将该特征向量输入给第2个子网络、第3个子网络和第4个子网络。第2个子网络用于对该特征向量进行处理，得到预测角点的位置及该位置对应的置信度。第3个子网络用于对该特征向量进行处理，得到预测角点的形状及该形状对应的置信度。第4个子网络用于对该特征向量进行处理，得到预测角点的延伸方向及该延伸方向对应
的置信度。
61.又例如，角点检测模型包括3个子网络，第1个子网络用于对场景图像进行处理，得到场景图像对应的特征向量，将特征向量输入给第2个子网络和第3个子网络。第2个子网络用于对特征向量进行处理，得到预测角点的位置及该位置对应的置信度、预测角点的形状及该形状对应的置信度。第3个子网络用于对特征向量进行处理，得到预测角点的延伸方向及该延伸方向对应的置信度。
62.又例如，角点检测模型包括3个子网络，第1个子网络用于对场景图像进行处理，得到场景图像对应的特征向量，将特征向量输入给第2个子网络和第3个子网络。第2个子网络用于对特征向量进行处理，得到预测角点的位置及该位置对应的置信度。第3个子网络用于对特征向量进行处理，得到预测角点的形状及该形状对应的置信度、预测角点的延伸方向及该延伸方向对应的置信度。
63.当然，上述只是几个示例，对此角点检测模型的结构不做限制，只要角点检测模型能够输出预测角点的位置及该位置对应的置信度、预测角点的形状及该形状对应的置信度、预测角点的延伸方向及该延伸方向对应的置信度即可。
64.在一种可能的实施方式中，该角点检测模型的结构可以参见图4所示，如该角点检测模型可以是采用深度学习算法的回归任务模型，也就是说，将角点检测任务看成是一个回归任务，采用回归任务模型实现角点检测任务，该角点检测模型能够预测输入图像中所有可见角点的位置、形状和延伸方向。
65.参见图4所示，该角点检测模型可以包括子网络1、子网络2和子网络3，可以将场景图像输入给子网络1，由子网络1对该场景图像进行处理，得到该场景图像对应的特征向量，并将该特征向量输入给子网络2和子网络3。其中，场景图像的每个单元格(如m*n大小的单元格)可以对应一个特征向量，即子网络1可以得到多个特征向量，并将每个特征向量输入给子网络2和子网络3。
66.针对每个特征向量，子网络2对该特征向量进行处理，得到该特征向量对应预测角点的置信度。若该置信度不大于阈值，则表示这个特征向量对应的单元格不是预测角点，结束该特征向量的处理过程。若该置信度大于阈值，则表示这个特征向量对应的单元格是预测角点，继续对该特征向量进行处理。
67.子网络2对该特征向量进行处理，得到该预测角点的位置(x，y)，x表示场景图像中的横坐标，y表示场景图像中的纵坐标，及该位置(x，y)对应的置信度；以及，得到该预测角点的形状(如t型或l型)及该形状对应的置信度。
68.子网络3对该特征向量进行处理，得到该预测角点的延伸方向(如t型角点的三个延伸方向、l型角点的两个延伸方向)及该延伸方向对应的置信度。
69.综上所述，针对每个特征向量进行上述处理后，就可以输出该场景图像中所有预测角点的位置、形状和延伸方向。针对每帧场景图像进行上述处理后，就可以得到每帧场景图像中所有预测角点的位置、形状和延伸方向。
70.步骤2022、基于m帧场景图像对应的预测角点的角点特征确定停车位区域的多个初始角点的角点特征。其中，针对每个预测角点，若该预测角点与至少n帧场景图像对应，n小于或等于m，则可以将该预测角点确定为初始角点，并将该预测角点对应的最大置信度的角点特征确定为该初始角点的角点特征。
71.比如说，假设m为10，n为3，场景图像1对应预测角点a1和预测角点a2，场景图像2对应预测角点a1(场景图像2中预测角点的位置与场景图像1中预测角点的位置相同或者接近时，表示二者是同一个预测角点)和预测角点a3，以此类推，场景图像10对应预测角点a1和预测角点a2。若预测角点a1与6帧场景图像对应(即这6帧场景图像对应的预测角点均包括预测角点a1)，则表示预测角点a1出现的次数较多，可以将预测角点a1作为初始角点。若预测角点a2与1帧场景图像对应，则表示预测角点a2出现的次数较少，可能是一个误检的预测角点，因此，不将预测角点a2作为初始角点，以此类推。
72.综上所述，基于所有场景图像对应的每个预测角点，可以将该预测角点作为初始角点或不作为初始角点，从而得到停车位区域对应的多个初始角点。
73.针对每个预测角点，若该预测角点作为初始角点，则可以将该预测角点对应的最大置信度的角点特征确定为该初始角点的角点特征。比如说，以预测角点a1为例，假设预测角点a1与6帧场景图像对应，则预测角点a1对应6组角点特征，每组角点特征均包括位置、形状和延伸方向，6组角点特征就对应6个位置对应的置信度，从6个位置对应的置信度中选取最大置信度，而该最大置信度对应的一组角点特征就是预测角点a1的角点特征，也就是初始角点的角点特征，该初始角点的角点特征可以包括位置、形状和延伸方向。
74.综上所述，可以得到该停车位区域的多个初始角点的角点特征。
75.在一种可能的实施方式中，参见图5所示，基于停车位区域对应的场景图像序列，可以采用如下步骤确定该停车位区域的多个初始角点的角点特征：
76.步骤511、获取当前调用角点检测结果。比如说，将场景图像输入给角点检测模型，得到预测角点的角点特征及该角点特征对应的置信度。当前调用角点检测结果可以包括至少一个预测角点的角点特征及该角点特征对应的置信度。
77.步骤512、针对每个预测角点，判断该预测角点是否与历史检测结果匹配。如果否，则可以执行步骤513，如果是，则可以执行步骤514。示例性的，若该预测角点的位置与历史检测结果中某个预测角点的位置相同或接近，则表示该预测角点与历史检测结果匹配，若该预测角点的位置与历史检测结果中所有预测角点的位置的偏差均较大，则表示该预测角点与历史检测结果不匹配。
78.步骤513、若预测角点与历史检测结果不匹配，则将该预测角点添加到历史检测结果，也就是说，这个预测角点成为历史检测结果参与后续比较。
79.步骤514、更新该预测角点的角点特征，并更新该预测角点的稳定调用次数。
80.比如说，假设历史检测结果中该预测角点的位置对应的置信度是s1，当前调用角点检测结果中该预测角点的位置对应的置信度是s2，若置信度s1大于或等于置信度s2，则可以保留历史检测结果中该预测角点的角点特征，若置信度s1小于置信度s2，则可以将当前调用角点检测结果中该预测角点的角点特征更新到历史检测结果中，也就是说，替换历史检测结果中的角点特征。
81.示例性的，若预测角点与历史检测结果匹配，则可以将该预测角点的稳定调用次数加1，表示该预测角点的累计出现次数加1。
82.步骤515、判断是否达到最后调用次数m。如果否，则表示还未完成m帧场景图像的处理，返回步骤511，继续基于下一帧场景图像得到当前调用角点检测结果。如果是，则表示已完成m帧场景图像的处理，执行步骤516。
83.步骤516、输出稳定角点信息。比如说，针对历史检测结果中的每个预测角点，若该预测角点的稳定调用次数大于或者等于n，则表示这个预测角点是初始角点，输出该初始角点的角点特征，若该预测角点的稳定调用次数小于n，则表示这个预测角点是误检的预测角点，不再输出该预测角点的角点特征。
84.步骤203、基于t型角点的延伸方向或者l型角点的延伸方向，确定停车位区域对应的车道线目标方向和车位线目标方向。
85.示例性的，路侧停车场景中车位线方向和车道线方向均是固定值，对于t型角点来说，只需要一个角点就可以得到车位线方向和车道线方向，对于l型角点来说，需要至少两个角点可以得到车位线方向和车道线方向。在此基础上，本实施例中，可以根据t型角点和l型角点的数量，选择一种类型来获取车道线方向和车位线方向，然后，可以利用预测的车道线方向和车位线方向来反向验证所有角点，删除一些明显的误检，从而输出初步预测的车位。
86.示例性的，参见图6所示，可以采用如下步骤确定停车位区域对应的车道线方向(记为车道线目标方向)和车位线方向(记为车位线目标方向)：
87.步骤601、计算t型初始角点数量和l型初始角点数量。
88.步骤602、判断t型初始角点数量是否大于或等于1，t型初始角点数量大于或等于l型初始角点数量的一半。若是，执行步骤603，若否，执行步骤604。
89.步骤603、基于t型角点的延伸方向确定车道线目标方向和车位线目标方向。
90.比如说，t型角点存在3个延伸方向，将这3个延伸方向记为方向1、方向2和方向3，假设方向1和方向2是背向的两个方向，则可以将方向1或者方向2作为车道线目标方向，并可以将方向3作为车位线目标方向。
91.步骤604、判断l型初始角点数量是否大于或等于2。如果否，则表示无法生成车位，结束流程，不再进行后续处理。如果是，则可以执行步骤605。
92.步骤605、基于l型角点的延伸方向确定车道线目标方向和车位线目标方向。
93.比如说，l型角点存在2个延伸方向，且需要至少两个l型角点，将第一个l型角点的2个延伸方向记为方向11和方向12，将第二个l型角点的2个延伸方向记为方向21和方向22。在此基础上，假设方向11和方向21是相向的两个方向，且方向12和方向22是同向，即方向相同，则可以将方向11或者方向21作为车道线目标方向，并可以将方向12作为车位线目标方向。
94.综上所述，可以得到车道线目标方向和车位线目标方向。
95.步骤204、基于车道线目标方向和车位线目标方向，从多个初始角点中选取目标角点。针对每个初始角点，采用如下方式确定该初始角点是否为目标角点：
96.若该初始角点对应的延伸方向与车道线目标方向匹配，且该初始角点对应的延伸方向与车位线目标方向匹配，则将该初始角点选取为目标角点。
97.比如说，针对t型初始角点，该t型初始角点对应三个延伸方向，若某个延伸方向与车道线目标方向相同，且另一个延伸方向与车位线目标方向相同，则这个初始角点的延伸方向为准确，可以将该初始角点选取为目标角点。
98.针对l型初始角点，该l型初始角点对应两个延伸方向，若一个延伸方向与车道线目标方向相同，且另一个延伸方向与车位线目标方向相同，则这个初始角点的延伸方向为
准确，可以将该初始角点选取为目标角点。
99.若初始角点对应的延伸方向与车道线目标方向不匹配，和/或，该初始角点对应的延伸方向与车位线目标方向不匹配，则不将该初始角点选取为目标角点。
100.比如说，针对t型初始角点，该t型初始角点对应三个延伸方向，若每个延伸方向与车道线目标方向均不同，或者，每个延伸方向与车位线目标方向均不同，则这个初始角点的延伸方向不准确，不将该初始角点选取为目标角点。
101.针对l型初始角点，该l型初始角点对应两个延伸方向，若每个延伸方向与车道线目标方向均不同，或者，每个延伸方向与车位线目标方向均不同，则这个初始角点的延伸方向不准确，不将该初始角点选取为目标角点。
102.示例性的，在对每个初始角点进行上述处理后，就可以得到目标角点。
103.步骤205、基于目标角点的角点特征确定停车位区域对应的k个初始车位，k为正整数，也就是说，可以基于目标角点的角点特征确定初始车位。
104.示例性的，在得到目标角点之后，即已知各目标角点的位置、形状和延伸方向，那么，可以基于各目标角点的位置、形状和延伸方向确定初始车位。比如说，t型目标角点对应3个延伸方向，从目标角点的位置处给出3个延伸方向的线，这3个延伸方向的线就是车道线和车位线。l型目标角点对应2个延伸方向，从目标角点的位置处给出2个延伸方向的线，这2个延伸方向的线就是车道线和车位线。参见图7a所示，示出了4个l型目标角点，基于这4个l型目标角点的位置、形状和延伸方向，可以得到图7b所示的2个初始车位。
105.当然，图7a和图7b只是一个示例，对此不做限制，只要基于目标角点的位置、形状和延伸方向等角点特征，能够生成初始车位即可。
106.步骤206、对k个初始车位进行车位校验，得到停车位区域对应的目标车位。比如说，针对每个初始车位，若确定该初始车位是正常车位，则直接将该初始车位确定为目标车位；若确定该初始车位是误检车位，则删除该初始车位；若基于该初始车位确定停车位区域存在漏检车位，则基于该初始车位生成至少两个目标车位。在此基础上，可以基于k个初始车位对应的所有目标车位确定停车位区域对应的目标车位，即最终输出k个初始车位对应的所有目标车位。
107.示例性的，由于遮挡因素存在，一些角点在整个检测过程中都不可见，从而导致车位漏检，而一些稳定误检的角点会导致最后车位的误检，因此，可以对初始车位进行车位校验，得到目标车位。由于前端设备架设在高位，获取图像遵循透视原理，即车位遵循着近大远小且尺寸成一定比例的特点，因此，可以对初始车位进行车位校验，删除误检车位并还原漏检车位，得到目标车位。
108.在一种可能的实施方式中，车位校验的过程可以包括但不限于：
109.情况1、针对每个初始车位，若该初始车位包括相邻两个l型角点，且基于这两个l型角点的延伸方向确定这两个l型角点的车道线方向是背向，则确定该初始车位是误检车位。比如说，可以令位置相邻且方向相背的两个l型角点各自构成独立车位，基于该原理，针对相邻的两个l型角点，如果这两个l型角点沿车道线的方向是相向的，则说明这两个l型角点可以构成一个车位，而如果这两个l型角点沿车道线的方向是相背的，则说明这两个l型角点没有关联，这两个l型角点将分别与其它角点构成车位，因此，这两个l型角点组成的车位就是误检车位，也就是说，若两个l型角点的车道线方向是背向，则这两个l型角点组成的
初始车位是误检车位。在该情况下，可以删除该初始车位。
110.情况2、针对每个初始车位，若该初始车位的车道线长度小于相邻车位的车道线长度与第一系数值的乘积，则确定该初始车位是误检车位，第一系数值可以大于0且小于1，如第一系数值为0.5。若该初始车位的车道线长度大于相邻车位的车道线长度与第二系数值的乘积，则确定停车位区域存在漏检车位，第二系数值可以大于1，如第二系数值为2。显然，在情况2下，可以根据车位长度(如车道线长度)比例，删除误检的初始车位，切分漏检的初始车位。
111.比如说，将所有初始车位由远及近进行排序，根据透视关系的先验知识可知，各初始车位的车道线长度应以固定比例逐渐增大。将所有初始车位以三个为一组进行划分，对于每个初始车位，若该初始车位的车道线长度大于其余两个初始车位的车道线长度的两倍(即初始车位的车道线长度大于相邻车位的车道线长度与第二系数值的乘积)，则判定该初始车位是漏检车位。在该情况下，可以对该初始车位进行切分(如在初始车位的中间位置切分)，从而得到两个目标车位。对于每个初始车位，若该初始车位的车道线长度小于其余两个初始车位的车道线长度的0.5倍(即初始车位的车道线长度小于相邻车位的车道线长度与第一系数值的乘积)，则判定该初始车位是误检车位。在该情况下，可以删除该初始车位。通过递归遍历所有初始车位，使其都满足比例关系。
112.情况3、若k为1，即只确定出一个初始车位，且该初始车位的车道线长度大于场景图像高度与第三系数值的乘积，则确定停车位区域存在漏检车位，第三系数值大于或等于0.5，且第三系数值小于1，如第三系数值可以为0.5。
113.比如说，若只检测出一个初始车位，基于一个点位至少有两个车位的先验知识，那么，若该初始车位占图像尺寸的50％以上(即该初始车位的车道线长度大于场景图像高度与第三系数值的乘积)，则判定存在漏检车位，可以对该初始车位进行切分(如在初始车位的中间位置切分)，从而得到两个目标车位。
114.情况4、若k为1，即只确定出一个初始车位，且该初始车位的车道线长度小于场景图像高度与第四系数值的乘积，且场景图像中该初始车位的上侧或下侧高度大于该初始车位的车道线长度，则确定停车位区域存在漏检车位，第四系数值小于或等于0.5，且第四系数值大于0，如第四系数值可以为0.5。
115.比如说，若只检测出一个初始车位，基于一个点位至少有两个车位的先验知识，那么，判断该初始车位沿车道线方向两端空间的大小，在空间较大的方向上生成一个新的车位，将该初始车位和该新的车位均作为目标车位，即得到两个目标车位。例如，空间较大的方向是初始车位的上侧方向，且初始车位的上侧高度大于该初始车位的车道线长度，则按照比例生成一个新的车位。
116.步骤207、针对停车位区域对应的每个目标车位，生成该目标车位对应的内侧边界，得到具有内侧边界的目标车位，即最终输出的目标车位。
117.示例性的，由于路侧场景严重遮挡的特性，其车位内侧边界一般是不可见的，参见图7b所示，目标车位还没有内侧边界，在此情况下，可以确定目标车位对应的车位线长度，在得到目标车位对应的车位线长度之后，就可以生成目标车位对应的内侧边界，参见图7c所示，是具有内侧边界的目标车位。
118.显然，在得到目标车位对应的车位线长度之后，就可以生成目标车位对应的内侧
边界，在一种可能的实施方式中，可以采用如下情况确定车位线长度：
119.情况1、若目标车位已存在车辆，且获知车辆的宽度，则可以基于车辆的宽度和已配置的第一比例关系，确定该目标车位对应的车位线长度；其中，该第一比例关系用于表示车辆宽度与车位线长度之间的比例关系。
120.比如说，若调用过程中有车辆分割结果(即已知车辆的宽度)，基于车位尺寸要完全容纳车辆的先验知识，并结合透视原理，即车位和车辆在不同位置的尺寸上都会呈现一定比例关系(即第一比例关系)，因此，在时序检测角点的同时，会记录车辆在不同位置时的分割结果，并据此构建方程式来计算出不同位置车位的车位线长度。由于车辆会区分是否在车位内，因此，如果生成的车位线长度无法完全包含车辆的分割结果，则会将其适当外扩。
121.基于上述原理，针对每个目标车位，就可以基于该目标车位内车辆的宽度和第一比例关系，确定该目标车位对应的车位线长度，以使目标车位内车辆的宽度与目标车位对应的车位线长度之间满足第一比例关系。
122.情况2、若该目标车位未存在车辆，或该目标车位已存在车辆，但未获知车辆宽度，上述两种情况均表示无法获知车辆宽度，则基于该目标车位的车道线长度和已配置的第二比例关系，确定该目标车位对应的车位线长度；其中，该第二比例关系表示车道线长度与车位线长度之间的比例关系。
123.比如说，若调用过程中没有车辆分割结果(即未获知车辆的宽度)，可以通过统计大量路侧场景点位(该统计过程是在方案实施之前进行，并保存统计过程中的数据)，拟合最佳的车位线长度方程式(即车道线长度与车位线长度之间的比例关系方程式)，从而可以为不同车位获取一个默认的车位线长度。
124.基于上述原理，针对每个目标车位，就可以基于该目标车位的车道线长度和第二比例关系，确定该目标车位对应的车位线长度，以使目标车位的车道线长度与目标车位对应的车位线长度之间满足第二比例关系。
125.由以上技术方案可见，本技术实施例中，可以基于场景图像序列确定多个初始角点的角点特征，基于t型角点的延伸方向或l型角点的延伸方向，确定车道线目标方向和车位线目标方向，继而通过车道线目标方向和车位线目标方向对多个初始角点进行筛选，得到准确可靠的目标角点，在基于目标角点的角点特征确定目标车位时，得到准确的车位情况，虽然车辆会遮挡停车位，也可以检测出停车位区域的所有车位，减少车位误检、车位漏检等情况，可以实现车位自动检测，在路侧停车场景下，即使严重遮挡车位，也能够实现车位自动检测，实现车位线自动配置，无需人工配置车位线。可以直接在原图像(即场景图像)上进行角点检测，并通过后处理还原车位，流程上更加简便。可以采用深度学习模型来获取角点信息，不需要人为设计参数，模型鲁棒性更高。实现即使在车位线遮挡严重的情况下也能生成完整四边形车位区域。结合前端设备为固定架设的特点，在角点检测过程中有效利用时序信息，通过结合多帧统计结果获得稳定角点，有效减少误检对后续车位生成造成的影响。结合透视原理和车位尺寸的几何关系对生成的车位进行校验，同时复原漏检车位，删除误检车位。针对车位内侧路沿不可见的情况，结合车辆的分割结果来生成车位线长度，使生成的车位可以有效地包含车辆，满足产品后续处理逻辑。
126.基于与上述方法同样的申请构思，本技术实施例中提出一种车位检测装置，参见
图8所示，为所述车位检测装置的结构示意图，所述装置可以包括：
127.确定模块81，用于基于停车位区域对应的场景图像序列，确定停车位区域的多个初始角点的角点特征，所述角点特征包括位置、形状和延伸方向，所述形状为t型或l型；基于t型角点的延伸方向或者l型角点的延伸方向，确定所述停车位区域对应的车道线目标方向和车位线目标方向；
128.选取模块82，用于从所述多个初始角点中选取目标角点；其中，针对每个初始角点，若该初始角点对应的延伸方向与所述车道线目标方向匹配，且该初始角点对应的延伸方向与所述车位线目标方向匹配，则将该初始角点选取为目标角点，否则，禁止将该初始角点选取为目标角点；所述确定模块81，还用于基于所述目标角点的角点特征确定所述停车位区域对应的目标车位。
129.示例性的，所述确定模块81基于停车位区域对应的场景图像序列，确定停车位区域的多个初始角点的角点特征时具体用于：若场景图像序列包括m帧场景图像，针对每帧场景图像，将该场景图像输入给角点检测模型，得到预测角点的角点特征及该角点特征对应的置信度；基于m帧场景图像对应的预测角点的角点特征确定停车位区域的多个初始角点的角点特征；针对每个预测角点，若该预测角点与至少n帧场景图像对应，则将该预测角点确定为初始角点，并将该预测角点对应的最大置信度的角点特征确定为该初始角点的角点特征。
130.示例性的，所述确定模块81基于t型角点的延伸方向或l型角点的延伸方向，确定停车位区域对应的车道线目标方向和车位线目标方向时具体用于：若t型初始角点数量大于或等于1，且t型初始角点数量大于或等于l型初始角点数量的一半，基于t型角点的延伸方向确定所述停车位区域对应的车道线目标方向和车位线目标方向；或，若t型初始角点数量小于1或t型初始角点数量小于l型初始角点数量的一半，且l型初始角点数量大于或等于2，基于l型角点的延伸方向确定所述停车位区域对应的车道线目标方向和车位线目标方向。
131.示例性的，所述确定模块81基于所述目标角点的角点特征确定所述停车位区域对应的目标车位时具体用于：基于所述目标角点的角点特征确定所述停车位区域对应的k个初始车位，所述k为正整数；针对每个初始车位，则：若确定该初始车位是正常车位，则将该初始车位确定为目标车位；若确定该初始车位是误检车位，则删除该初始车位；若基于该初始车位确定所述停车位区域存在漏检车位，则基于该初始车位生成至少两个目标车位；基于所述k个初始车位对应的所有目标车位确定所述停车位区域对应的目标车位。
132.示例性的，所述确定模块81还用于：若该初始车位包括相邻两个l型角点，且基于所述两个l型角点的延伸方向确定所述两个l型角点的车道线方向是背向，则确定该初始车位是误检车位；若该初始车位的车道线长度小于相邻车位的车道线长度与第一系数值的乘积，则确定该初始车位是误检车位，所述第一系数值大于0且小于1；若该初始车位的车道线长度大于相邻车位的车道线长度与第二系数值的乘积，则确定所述停车位区域存在漏检车位，所述第二系数值大于1；若k为1，且该初始车位的车道线长度大于场景图像高度与第三系数值的乘积，则确定所述停车位区域存在漏检车位，所述第三系数值大于或等于0.5；若k为1，且该初始车位的车道线长度小于场景图像高度与第四系数值的乘积，且场景图像中该初始车位的上侧或下侧高度大于该初始车位的车道线长度，则确定所述停车位区域存在漏
检车位，所述第四系数值小于或等于0.5。
133.示例性的，所述确定模块81还用于：针对每个目标车位，采用如下方式确定该目标车位对应的车位线长度：若该目标车位已存在车辆，且获知所述车辆的宽度，则基于所述车辆的宽度和已配置的第一比例关系，确定该目标车位对应的车位线长度；所述第一比例关系表示车辆宽度与车位线长度之间的比例关系；若该目标车位未存在车辆，或该目标车位已存在车辆，但未获知车辆宽度，则基于该目标车位的车道线长度和已配置的第二比例关系，确定该目标车位对应的车位线长度，第二比例关系表示车道线长度与车位线长度之间的比例关系。
134.示例性的，所述确定模块81基于停车位区域对应的场景图像序列，确定停车位区域的多个初始角点的角点特征时具体用于：在接收到针对所述停车位区域的车位检测命令时，基于停车位区域对应的场景图像序列，确定停车位区域的多个初始角点的角点特征；或者，在检测到所述停车位区域有车辆进入时，基于停车位区域对应的场景图像序列，确定停车位区域的多个初始角点的角点特征；或者，在检测到所述停车位区域有车辆离开时，基于停车位区域对应的场景图像序列，确定停车位区域的多个初始角点的角点特征。
135.基于与上述方法同样的申请构思，本技术实施例中提出一种车位检测设备，参见图9所示，所述车位检测设备包括：处理器91和机器可读存储介质92，机器可读存储介质92存储有能够被处理器91执行的机器可执行指令；所述处理器91用于执行机器可执行指令，以实现本技术上述示例公开的车位检测方法。
136.基于与上述方法同样的申请构思，本技术实施例还提供一种机器可读存储介质，所述机器可读存储介质上存储有若干计算机指令，所述计算机指令被处理器执行时，能够实现本技术上述示例公开的车位检测方法。
137.其中，上述机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：ram(radom access memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。
138.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
139.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
140.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
141.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程
图和/或方框图来描述的。应理解可以由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
142.而且，这些计算机程序指令也可以存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或者多个流程和/或方框图一个方框或者多个方框中指定的功能。
143.这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上，使得在计算机或者其它可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
144.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。