车位检测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种车位检测方法、装置、电子设备及存储介质，所述方法包括：获取目标车辆的周围环境的环视图像；将所述环视图像输入预先训练的神经网络模型，得到所述环视图像中车位对应的属性热图；对所述属性热图进行处理，并基于处理的结果确定所述周围环境中的车位检测结果。本发明专利技术由于将所述环视图像输入预先训练的神经网络模型，得到所述环视图像中车位对应的属性热图，并基于对属性热图进行处理的结果确定所述周围环境中的车位检测结果，相比于相关技术中直接向神经网络模型输入环视图像的方案，可以实现基于环视图像的热图特征提高停车位检测的准确度，并且可以降低对神经网络模型的训练要求，提高停车位检测的效率。

【技术实现步骤摘要】
车位检测方法、装置、电子设备及存储介质
本专利技术涉及自动驾驶
，尤其涉及一种车位检测方法、装置、电子设备及存储介质。
技术介绍
相关技术中可以基于深度学习的方式实现停车位的检测，例如可以采集车辆周围环境的图像，并将该图像直接输入训练好的神经网络模型中进行车位检测。然而，上述技术方案中由于是直接向训练好的神经网络模型中输入获取的图像，这对神经网络模型的训练要求很高，否则会影响车位检测的准确度和检测效率。
技术实现思路
有鉴于此，本专利技术提出一种车位检测方法、装置、电子设备及存储介质以解决上述技术问题。为了达到上述目的，本专利技术所采用的技术方案为：根据本专利技术实施例的第一方面，提出了一种车位检测方法，包括：获取目标车辆的周围环境的环视图像；将所述环视图像输入预先训练的神经网络模型，得到所述环视图像中车位对应的属性热图；对所述属性热图进行处理，并基于处理的结果确定所述周围环境中的车位检测结果。在一实施例中，所述获取目标车辆的周围环境的环视图像，包括：采集所述目标车辆的各个设定方向的环境图像；对所述各个设定方向的环境图像进行拼接处理，得到所述目标车辆的周围环境的环视图像。在一实施例中，所述对所述属性热图进行处理，并基于处理的结果确定所述周围环境中的车位检测结果，包括：提取所述属性热图中的车位属性，以及基于所述车位属性确定所述周围环境中的车位检测结果，其中，所述车位属性包括以下至少一种：停车位内圈的可见停车区域；停车位内圈的边框；停车位内圈的四个顶点；停车位的中心点。在一实施例中，所述方法还包括预先基于以下步骤训练所述深度网络模型：获取车辆周围环境的样本环视图像；确定所述样本环视图像中车位对应的属性热图；将所述样本环视图像和所述属性热图输入至目标卷积神经网络进行训练，得到训练后的神经网络模型。在一实施例中，所述确定所述样本环视图像中车位对应的属性热图，包括：标记所述样本环视图像中停车位的内角点；采用设定类型的文档保存所述内角点的坐标；基于所述坐标确定所述属性热图。在一实施例中，所述对所述属性热图进行处理，并基于处理的结果确定所述周围环境中的车位检测结果，包括：确定目标子图像图中的子图像内角点对应于原始图像中的一个目标点，其中，所述目标子图像为在所述目标卷积神经网络进行卷积计算过程中，通过设定转化方式对所述环视图像进行转化处理所得到的子图像；在所述环视图像中以所述目标点为中心的预设范围内找到所述子图像内角点对应的环视图像内角点；基于所述环视图像内角点确定所述周围环境中的车位检测结果。根据本专利技术实施例的第二方面，提出了一种车位检测装置，包括：环视图像获取模块，用于获取目标车辆的周围环境的环视图像；属性热图确定模块，用于将所述环视图像输入预先训练的神经网络模型，得到所述环视图像中车位对应的属性热图；检测结果获取模块，用于对所述属性热图进行处理，并基于处理的结果确定所述周围环境中的车位检测结果。在一实施例中，所述环视图像获取模块，包括：环境图像采集单元，用于采集所述目标车辆的各个设定方向的环境图像；环视图像获取单元，用于对所述各个设定方向的环境图像进行拼接处理，得到所述目标车辆的周围环境的环视图像。在一实施例中，所述检测结果获取模块，还用于：提取所述属性热图中的车位属性，以及基于所述车位属性确定所述周围环境中的车位检测结果，其中，所述车位属性包括以下至少一种：停车位内圈的可见停车区域；停车位内圈的边框；停车位内圈的四个顶点；停车位的中心点。在一实施例中，所述装置还包括网络模型训练模块；所述网络模型训练模块，包括：样本图像获取单元，用于获取车辆周围环境的样本环视图像；属性热图确定单元，用于确定所述样本环视图像中车位对应的属性热图；网络模型训练单元，用于将所述样本环视图像和所述属性热图输入至目标卷积神经网络进行训练，得到训练后的神经网络模型。在一实施例中，所述属性热图确定单元，还用于：标记所述样本环视图像中停车位的内角点；采用设定类型的文档保存所述内角点的坐标；基于所述坐标确定所述属性热图。在一实施例中，所述检测结果获取模块，包括：目标点确定单元，用于确定目标子图像图中的子图像内角点对应于原始图像中的一个目标点，其中，所述目标子图像为在所述目标卷积神经网络进行卷积计算过程中，通过设定转化方式对所述环视图像进行转化处理所得到的子图像；内角点确定单元，用于在所述环视图像中以所述目标点为中心的预设范围内找到所述子图像内角点对应的环视图像内角点；检测结果获取单元，用于基于所述环视图像内角点确定所述周围环境中的车位检测结果。根据本专利技术实施例的第三方面，提出了一种电子设备，所述电子设备包括：处理器；被配置为存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取目标车辆的周围环境的环视图像；将所述环视图像输入预先训练的神经网络模型，得到所述环视图像中车位对应的属性热图；对所述属性热图进行处理，并基于处理的结果确定所述周围环境中的车位检测结果。根据本专利技术实施例的第四方面，提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器处理时实现：获取目标车辆的周围环境的环视图像；将所述环视图像输入预先训练的神经网络模型，得到所述环视图像中车位对应的属性热图；对所述属性热图进行处理，并基于处理的结果确定所述周围环境中的车位检测结果。与现有技术相比较，本专利技术通过获取目标车辆的周围环境的环视图像，并将所述环视图像输入预先训练的神经网络模型，得到所述环视图像中车位对应的属性热图，进而对所述属性热图进行处理，并基于处理的结果确定所述周围环境中的车位检测结果，由于将所述环视图像输入预先训练的神经网络模型，得到所述环视图像中车位对应的属性热图，并基于对属性热图进行处理的结果确定所述周围环境中的车位检测结果，相比于相关技术中直接向神经网络模型输入环视图像的方案，可以实现基于环视图像的热图特征提高停车位检测的准确度，并且可以降低对神经网络模型的训练要求，提高停车位检测的效率。附图说明图1示出了根据本专利技术的一示例性实施例的车位检测方法的流程图；图2示出了根据本专利技术的如何获取目标车辆的周围环境的环视图像的示意图；图3示出了根据本专利技术的如何训练所述深度网络模型的示意图；图4示出了根据本专利技术的如何确定所述样本环视图像中车位对应的属性热图的示意图；图5示出了根据本专利技术的如何获取所述周围环境中的车位检测结果的示意图；图6示出了根据本专利技术的一示例性实施例的车位检测装置的结构框图；图7示出了根据本专利技术的另本文档来自技高网...

【技术保护点】
1.一种车位检测方法，其特征在于，包括：/n获取目标车辆的周围环境的环视图像；/n将所述环视图像输入预先训练的神经网络模型，得到所述环视图像中车位对应的属性热图；/n对所述属性热图进行处理，并基于处理的结果确定所述周围环境中的车位检测结果。/n

【技术特征摘要】
1.一种车位检测方法，其特征在于，包括：
获取目标车辆的周围环境的环视图像；
将所述环视图像输入预先训练的神经网络模型，得到所述环视图像中车位对应的属性热图；
对所述属性热图进行处理，并基于处理的结果确定所述周围环境中的车位检测结果。


2.根据权利要求1所述的方法，其特征在于，所述获取目标车辆的周围环境的环视图像，包括：
采集所述目标车辆的各个设定方向的环境图像；
对所述各个设定方向的环境图像进行拼接处理，得到所述目标车辆的周围环境的环视图像。


3.根据权利要求1所述的方法，其特征在于，所述对所述属性热图进行处理，并基于处理的结果确定所述周围环境中的车位检测结果，包括：
提取所述属性热图中的车位属性，以及基于所述车位属性确定所述周围环境中的车位检测结果，其中，所述车位属性包括以下至少一种：
停车位内圈的可见停车区域；
停车位内圈的边框；
停车位内圈的四个顶点；
停车位的中心点。


4.根据权利要求1所述的方法，其特征在于，所述方法还包括预先基于以下步骤训练所述深度网络模型：
获取车辆周围环境的样本环视图像；
确定所述样本环视图像中车位对应的属性热图；
将所述样本环视图像和所述属性热图输入至目标卷积神经网络进行训练，得到训练后的神经网络模型。


5.根据权利要求4所述的方法，其特征在于，所述确定所述样本环视图像中车位对应的属性热图，包括：
标记所述样本环视图像中停车位的内角点；
采用设定类型的文档保存所述内角点的坐标；
基于所述坐标确定所述属性热图。


6.根据权利要求1所述的方法，其特征在于，所述对所述属性热图进行处理，并基于处理的结果确定所述周围环境中的车位检测结果，包括：
确定目标子图像图中的子图像内角...

【专利技术属性】
技术研发人员：汤楠，李根，田欢，胡骏，刘威，
申请(专利权)人：东软睿驰汽车技术沈阳有限公司，
类型：发明
国别省市：辽宁;21