【技术实现步骤摘要】
用于检测车位的方法、装置、设备、存储介质以及车辆
本公开的实施例总体上涉及自动驾驶领域，并且更具体地涉及自主泊车
技术介绍
自动驾驶又称无人驾驶，是一种通过计算机系统实现无人驾驶车辆的技术。自动驾驶车辆依靠人工智能、视觉计算、雷达系统、监控装置以及卫星定位系统等协同合作，能够使得计算机在没有人类操作下自动安全地操作车辆。自动驾驶根据自动化水平高低可以分为以下几个阶段：辅助驾驶、半自动驾驶、高度自动驾驶以及完全自动驾驶。自主泊车是自动驾驶中的一项重要功能，其是指车辆自动地泊车入位而不需要人工操作或控制。在自主泊车场景中，自动驾驶车辆需要完成自动巡航、空车位寻找、倒车入库等一系列过程，从而在停车场内自主完成整个泊车的全部过程。其中的空车位寻找和倒车入库过程需要借助感知技术获取决策控制模块所依赖的关键视觉信息。感知检测结果的精确程度直接影响车辆泊车的效果。若感知出现偏差，车辆将无法准确停靠在车位的正中位置，而如果车位两侧有其他已停靠车辆，还可能发生车辆碰撞事故。
技术实现思路
根据本公开的示例...
【技术保护点】
1.一种用于检测车位的方法，包括：/n获得呈现待检测的目标车位的输入图像；/n基于所述输入图像，检测所述目标车位的角点和车位线；以及/n基于检测到的所述车位线，修正检测到的所述角点的位置。/n
【技术特征摘要】
1.一种用于检测车位的方法，包括：
获得呈现待检测的目标车位的输入图像；
基于所述输入图像，检测所述目标车位的角点和车位线；以及
基于检测到的所述车位线，修正检测到的所述角点的位置。
2.根据权利要求1所述的方法，其中检测所述目标车位的角点和车位线包括：
检测所述目标车位的长车位线的内边线上的点集，所述目标车位包括两条长车位线和两条短车位线；以及
在世界坐标系中通过对每条长车位线上检测到的点集进行直线拟合，来生成两条直线。
3.根据权利要求2所述的方法，其中修正检测到的所述角点的位置包括：
在所述世界坐标系中将检测到的每个角点分别投影到所生成的两条直线中的较近直线上；
在所述世界坐标系中将每个角点在较近直线上的投影点确定为新的角点；以及
基于所述新的角点，确定所述目标车位的位置。
4.根据权利要求1所述的方法，其中获得呈现待检测的目标车位的输入图像包括：
根据在自主泊车的空车位寻找阶段确定所述目标车位为空车位，进入自主泊车的入库阶段并通过车辆的图像采集装置来捕获所述输入图像。
5.根据权利要求1所述的方法，所述角点和所述车位线由神经网络模型基于所述输入图像来确定，所述方法还包括：
获得标注有每个车位的四个角点的第一训练图像以及标注有每个车位的两条长车位线的第二训练图像；以及
使用所述第一训练图像和所述第二训练图像来联合训练所述神经网络模型。
6.根据权利要求5所述的方法，其中检测所述目标车位的角点和车位线包括：
使用所述神经网络模型对所述输入图像进行卷积和下采样以获得输出图像；
使用所述神经网络模型确定所述输出图像中的每个像素点的属性集合；以及
基于每个像素点的属性集合，确定所述目标车位的所述角点和所述车位线。
7.根据权利要求6所述的方法，其中使用所述神经网络模型确定所述输出图像中的每个像素点的属性集合包括：
使用所述神经网络模型确定所述输出图像中的每个像素点的第一属性集合，所述第一属性集合包括空车位概率、中心点位置、以及中心点相对于四个角点的偏移量；以及
使用所述神经网络模型确定所述输出图像中的每个像素点的第二属性集合，所述第二属性集合包括像素点位于第一条长车位线上的概率和像素点位于第二条长车位线上的概率。
8.根据权利要求7所述的方法，其中确定所述目标车位的所述角点和所述车位线包括：
确定所述输出图像中空车位概率最大的一个像素点；以及
基于空车位概率最大的一个像素点的第一属性集合，确定所述目标车位的所述角点的位置。
9.根据权利要求7所述的方法，其中确定所述目标车位的所述角点和所述车位线包括：
基于所述输出图像中像素点位于第一条长车位线上的概率大于第一概率阈值的像素点，确定所述第一条长车位线；以及
基于所述输出图像中像素点位于第二条长车位线上的概率大于第二概率阈值的像素点，确定所述第二条长车位线。
10.一种用于检测车位的装置，包括：
图像获得模块，被配置为获得呈现待检测的目标车位的输入图像；
角点和车位线检测模块，被配置为基于所述输入图像检测所述目标车位的角点和车位线；以及
角点修正模块，被配置为基于检测到的所述车位线，修正检测到的所述角点的位置。
11.根据权利要求10所述的装置，其中所述角点和车位线检测模块包括：
点集检测模块，被配置为检测所述目标车位的长车位线的内边...
【专利技术属性】
技术研发人员：潘杰，邓逸安，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。