基于深度学习的自动泊车停车位检测方法技术

本发明专利技术涉及自动驾驶技术领域，具体来说是一种基于深度学习的自动泊车停车位检测方法，将基于深度学习获得损失函数与基于模板匹配获得的模板的代价函数求和以获得总的代价函数，以对于任一模型的概率最大的点所处的位置作为初值对总的代价函数进行搜索以获得停车位位置。本发明专利技术同现有技术相比优点在于：本方法结合了模板匹配和深度学习来进行图像中的停车位检测，不仅在光照条件比较好以及拼接效果比较好的情况下有效，而且在光源非常复杂、路面反光、停车位含有干扰以及拼接俯视图不够准确等条件下能够实现比较鲁棒和精确的停车位检测；距离变换和Canny边缘检测的计算复杂度很低，计算量很小，能够在嵌入式平台上实时运行，从而具有直接的应用价值。

【技术实现步骤摘要】
基于深度学习的自动泊车停车位检测方法
本专利技术涉及自动驾驶
，具体来说是一种基于深度学习的自动泊车停车位检测方法。
技术介绍
NHTSA将无人驾驶技术分为6个等级，分别是0-5，其中L0为全人工控制的一般车辆，L1级别又称辅助驾驶，可以实现简单的加减速，L2级别又称部分自动驾驶，可以实现L1级别的所有内容的同时还能实现自动泊车，而L4、L5级别都能实现全自动驾驶，区别在于L4级别只能在特定的道路和天气下实现全自动驾驶而L5级别可以适应全地形和全气候。基于视觉的自动泊车是无人驾驶的重要应用，由于在倒车过程中视觉容易受到干扰，比如光线干扰、下水道栅栏等干扰，导致在倒车过程中基于视觉的停车位检测不够鲁棒。现有技术中，例如我国专利公开号：CN109086708A公开了一种基于深度学习来进行停车位检测的方法，但是，单独地使用深度学习的方法来进行停车位的检测，在很多场景下都不够准确，并且在光源比较复杂以及路面反光等情况下容易产生错误的检测结果。而我国专利公开号CN105160322A公开了一种基于航拍图像的室外停车场空置停车位识别方法，通过模板匹配实现车位识别，但鲁棒性仍旧不高，计算量较本文档来自技高网...

【技术保护点】
1.一种基于深度学习的自动泊车停车位检测方法，其特征在于所述的方法具体如下：步骤a.获得车辆所处的位置的俯视图；步骤b.采用深度神经网络进行训练并获得至少一个模型，并通过模型获得俯视图的图像中每个点相对于该模型的概率，再通过每个点相对于该模型的概率获得每个点相对于该模型的损失函数；步骤c.对于车辆所处的初始位置的俯视图，基于模板匹配进行停车位检测，并获得模板的代价函数；步骤d.将基于深度学习获得损失函数与基于模板匹配获得的模板的代价函数求和以获得总的代价函数，以对于任一模型的概率最大的点所处的位置作为初值对总的代价函数进行搜索以获得停车位位置。

【技术特征摘要】
1.一种基于深度学习的自动泊车停车位检测方法，其特征在于所述的方法具体如下：步骤a.获得车辆所处的位置的俯视图；步骤b.采用深度神经网络进行训练并获得至少一个模型，并通过模型获得俯视图的图像中每个点相对于该模型的概率，再通过每个点相对于该模型的概率获得每个点相对于该模型的损失函数；步骤c.对于车辆所处的初始位置的俯视图，基于模板匹配进行停车位检测，并获得模板的代价函数；步骤d.将基于深度学习获得损失函数与基于模板匹配获得的模板的代价函数求和以获得总的代价函数，以对于任一模型的概率最大的点所处的位置作为初值对总的代价函数进行搜索以获得停车位位置。2.如权利要求1所述的基于深度学习的自动泊车停车位检测方法，其特征在于所述的步骤b包括如下步骤：通过深度学习训练得到至少一个模型后，通过每个模型分别预测图像上每个点相对于该模型的概率p_n，p_n是指某点对于第n个模型的概率，并进而得到每个点相对于该模型的损失函数L_n=1-p_n，n为正整数，某一图像中每个点相对于各个模型的损失函数L_n的和为该图像的损失函数L_dl。3.如权利要求2所述的基于深度学习的自动泊车停车位检测方法，其特征在于所述的步骤c包括如下步骤：步骤c1.加载停车位模板，并识别出停车位模板中停车位边缘线上的点p1、p2……pn；步骤c2.对于车辆所处的位置的俯视图，通过Canny边缘检测算法检测出俯视图的边缘，并计算俯视图中所对应的代价图，代价图是指每个点的代价函数的值，定义俯视图中每一个点的代价函数为该点到边缘的距离，点到边缘的距离是指该点到最近的属于边缘的点的距离；步骤c3.对车辆所处的位置附近的汽车位姿进行搜索，搜索过程中首先通过位姿变换把模板中的点变换到当前的俯视图中，然后把模板中的所有点在步骤c2中生成的俯视图中对应的代价函...

【专利技术属性】
技术研发人员：胡德顺，成二康，
申请(专利权)人：纽劢科技上海有限公司，
类型：发明
国别省市：上海,31