车位检测传统视觉方法示例1,2000年,Vision-Guided Automatic Parking for Smart Car
车位检测传统视觉方法示例2,2006年,Parking Slot Markings Recognition for Automatic Parking Assist System en.. 如上两图所示,利用一些算子和图像处理的手段,先提特征,再后处理。接下来,再介绍一个比较复杂,但是比较典型的方法(2012年的):Fully-automatic recognition of various parking slot markings in Around View Monitor (AVM) image sequences 利用AVM图,它是先检测车位角点,再后处理配对,一些过滤和纠正操作,最终从图中抓出车位。图如下:
车位类型对应的不同角点类型
角点类型。多吧,不多,还有更多的... 这是模板匹配的难以穷尽之处
后处理 接下来介绍一个DBSCAN的方法(2016年),DBSCAN是什么,以下来自维基百科:英文全写为Density-based spatial clustering of applications with noise ,是在 1996 年由Martin Ester, Hans-Peter Kriegel, Jörg Sander 及 Xiaowei Xu 提出的聚类分析算法, 这个算法是以密度为本的:给定某空间里的一个点集合,这算法能把附近的点分成一组(有很多相邻点的点),并标记出位于低密度区域的局外点(最接近它的点也十分远),DBSCAN 是其中一个最常用的聚类分析算法,也是其中一个科学文章中最常引用的。在 2014 年,这个算法在领头数据挖掘会议 KDD 上获颁发了 Test of Time award,该奖项是颁发给一些于理论及实际层面均获得持续性的关注的算法。 一看到这个解释就头大,看看图吧,非深度方法的处理确实很费神。这个方法,采取了线段检测,可利用的特征更多了,感觉好像也更复杂了。
DBSCAN的处理,2016年,Directional-DBSCAN Parking-slot Detection using a Clustering Method
线段检测出来后的结果,2016年,Directional-DBSCAN Parking-slot Detection using a Clustering Method 看到上图的线段检测结果,各位观众大佬爷想来一波后处理吗(滑稽...):) 反正我是不会 。 传统视觉的车位检测介绍就到这儿,方法还有很多,其实不必太关心。
PS2.0数据集出处的方法,2018年,Vision-based parking-slot detection: A DCNN-based approach and a large-scale benchmark dataset
更多的角点分类,PSDet,2020年,Psdet: Efficient and universal parking slot detection
角点配对示意,DMPS-PR,2019年 DMPR-PS: A Novel Approach for Parking-Slot Detection Using Directional Marking-Point Regression https://ieeexplore.ieee.org/abstract/document/8784735 角点检测一般会带上分类信息和角度信息,传统的模板匹配到深度学习的分类,进化可见一斑。 用检测框的方法居多,因为,这样是直接利用目标检测的bounding_box框来框停车位,简直不要太好用。 PIL_park数据集出处,bounding_box检测示意 Context-Based Parking Slot Detection With a Realistic Dataset https://ieeexplore.ieee.org/abstract/document/9199853 上图是回归一个bounding_box框的做法,带有角度信息,这个框的处理是可以是四边形的,不一定非得矩形,可以有不同的夹角(小于90度),有点意思,不过需要做些限制处理,轻微的后处理。 回归框的做法很典型,只取上述图一篇Context-Based Parking Slot Detection With a Realistic Dataset,细微差异的方法确实会有很多,不一一介绍了。
VH-HFCN,2018年 VH-HFCN based Parking Slot and Lane Markings Segmentation on Panoramic Surround View https://ieeexplore.ieee.org/abstract/document/8500553 语义分割,采用这种方法的童鞋可能纠结于后处理吧。
效果似乎还是有更好的出来。2018年Semantic segmentation-based parking space detection with standalone around view monitoring system
global信息
local信息 上方两图是2021年的一篇文章: End-to-End Trainable One-Stage Parking Slot Detection Integrating Global and Local Information https://ieeexplore.ieee.org/abstract/document/9316907/ 如果端到端单阶段的算法,需要以这种看起来复杂的后处理为代价,还是挺佩服作者的。 它的效果还是可以的 这里介绍个2021年的别出心裁的方法:
2021年,Attentional Graph Neural Network for Parking Slot Detection https://github.com/Jiaolong/gcn-parking-slotgithub.com/Jiaolong/gcn-parking-slot Transformer来一波: 2021年,Order-independent Matching with Shape Similarity for Parking Slot Detection https://www.bmvc2021-virtualconference.com/assets/papers/1378.pdfwww.bmvc2021-virtualconference.com/assets/papers/1378.pdf 用Transformer(DETR)来做,实在没必要。