一种基于图像识别的无人车停车方法、系统及存储介质技术方案

本发明专利技术公开了一种基于图像识别的无人车停车方法、系统及存储介质，属于无人驾驶汽车技术视觉引导领域。本发明专利技术的停车方法包括：对周围环境进行图像采集，得到待识别图像；检测待识别图像中是否存在交通标识或指挥者，若存在，则生成对应的图像，否则继续按照预设路线行进；对生成的图像进行对应的图像识别，判断识别结果是否为停车信息；根据识别结果改变行驶路线；对周围环境进行图像采集，寻找图像中距离交通标识或指挥者最近的停车位置，进行停车。针对现有技术中存在的交通标识与手势共存时的识别效果不佳的问题，本发明专利技术可以同时对交通标识与手势进行识别，并根据优先级进行处理，解决了交通标识与手势共存的识别问题，提高了识别准确率。

【技术实现步骤摘要】
一种基于图像识别的无人车停车方法、系统及存储介质
本专利技术涉及无人驾驶汽车技术视觉引导领域，更具体地说，涉及一种基于图像识别的无人车停车方法、系统及存储介质。
技术介绍
随着社会经济的发展与科学技术的不断进步，智能交通系统逐渐成为未来人类交通系统发展的趋势，而无人驾驶技术在其中扮演着十分重要的角色。工业园区、校园、旅游景点、港口码头等园区是无人车目前应用较多的场所。目前，无人车在相关园区内的巡航和停车，大多数都通过程序设定识别处理一些停车指令，如根据手势指令停车或根据交通标识信息停车，但同时遇到人和交通标识或其他一些复杂环境时容易产生混乱。中国专利申请，申请号CN201810979341.6，公开日2020年3月3日，公开了一种交警手势识别方法、装置、整车控制器及存储介质，其方法包括：实时获取车辆前方的路况图像；当从所述路况图像中检测到交警目标时，根据预先建立的骨骼关键点检测模型，获取所述交警目标的骨骼关键点及所述骨骼关键点在预设坐标系的坐标位置；根据所述骨骼关键点的坐标位置，获取所述交警目标的身体朝向；当所述交警目标的身体朝向为面向所述车辆的车道方向时，根据所述骨骼关键点以及预先建立的交警指挥动作识别模型，识别所述交警目标的指挥手势类型；该专利技术实现自动识别道路交警指挥动作含义的功能，提升驾驶智能化水平，其不足之处在于，该专利技术只能对交警的手势进行识别，不能识别交通标识。
技术实现思路
1.要解决的技术问题针对目前园区内无人车停车方案空缺和现有技术中存在的交通标识与手势共存时的识别效果不佳的问题，本专利技术提供了一种基于图像识别的无人车停车方法、系统及存储介质，它可以同时对交通标识与手势进行识别，并根据优先级进行处理，解决了交通标识与手势共存的识别问题，提高了识别准确率。2.技术方案本专利技术的目的通过以下技术方案实现。一种基于图像识别的无人车停车方法，包括以下步骤：步骤1、对周围环境进行图像采集，得到待识别图像；步骤2、检测待识别图像中是否存在交通标识或指挥者，若存在，则生成对应的图像，进入步骤3，否则继续按照预设路线行进；步骤3、对生成的图像进行对应的图像识别，判断识别结果是否为停车信息，如果不是，进入步骤4，否则进入步骤5；步骤4、根据识别结果改变行驶路线，返回步骤1；步骤5、对周围环境进行图像采集，寻找图像中距离交通标识或指挥者最近的停车位置进行停车。进一步的，步骤2中检测待识别图像中是否存在交通标识或指挥者，具体包括以下步骤：步骤2.1、建立标识检测模型，并对其进行训练；步骤2.2、运用训练好的标识检测模型对待识别图像进行目标检测，判断待识别图像中是否有交通标识或指挥者，如果有，则获取交通标识或指挥者所在区域，并生成对应的交通标识图案或人像图案。更进一步的，步骤2.3中运用训练好的标识检测模型对待识别图像进行目标检测，判断待识别图像中是否有交通标识或指挥者，具体包括以下步骤：利用主干特征提取网络ConvLayers提取待识别图像的featuremaps；将featuremaps传入PRN区域建议网络，并生成建议框anchors，通过softmax层对建议框分类得到包含目标图像的positiveanchors，利用boundingboxregression边框回归来修正建议框，获取更加精准的proposals；将前两步得到的featuremaps和proposals送入RolPooling层计算出proposalsfeaturemaps，将proposalsfeaturemaps送入后续网络；通过全连接层和softmax计算每个目标检测框proposal的种类，并再次利用boundingboxregression边框回归对目标检测框的位置进行修正；当识别出目标时，根据目标的种类将检测框的位置向量[x，y，h，w]送入对应的识别模型进行识别，其中x和y分别为检测框中心点横纵坐标，h和w分别为检测框的长度和宽度。更进一步的，步骤3中对生成的图像进行对应的图像识别，具体包括以下步骤：步骤3.1、根据图像的种类选择对应的图像识别模型，如果识别结果存在人像图案，则进入步骤3.2，否则进入步骤3.3；步骤3.2、对人像图案进行手势识别，得到对应的识别结果；步骤3.3、对交通标识进行交通标识识别，得到对应的识别结果。更进一步的，步骤3中对交通标识进行交通标识识别的模型为超分辨率重建卷积神经网络模型，对人像图案进行手势识别的模型为3D卷积神经网络模型。一种基于图像识别的无人车停车系统，包括：图像采集单元，用于对周围环境进行图像采集，得到待识别图像；标识检测单元，用于检测待识别图像中是否存在交通标识或指挥者，若存在，则生成对应的图像，进入图像分类单元，否则继续按照预设路线行进；图像分类识别单元，用于对待识别图像进行图像识别，判断识别结果是否为停车信息，如果不是，进入路线变更单元，否则进入停车单元；路线变更单元，用于根据识别结果改变行驶路线，返回图像采集单元；停车单元，用于对周围环境进行图像采集，寻找图像中距离交通标识或指挥者最近的停车位置进行停车。进一步的，标识检测单元包括：模型训练模块，用于建立标识检测模型，并对其进行训练；图像检测模块，用于运用训练好的标识检测模型对待识别图像进行目标检测，判断待识别图像中是否有交通标识或指挥者，如果有，则获取交通标识或指挥者所在区域，并生成对应的交通标识图案或人像图案。更进一步的，图像分类识别单元包括：模型选择模块，用于根据图像的种类选择对应的图像识别模型，如果识别结果存在人像图案，则进入手势识别模块，否则进入交通标识识别模块；手势识别模块，用于对人像图案进行手势识别，得到对应的识别结果；交通标识识别模块，用于对对交通标识进行交通标识识别，得到对应的识别结果。一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述停车方法的步骤。3.有益效果相比于现有技术，本专利技术的优点在于：本专利技术通过在无人车上设置有第一识别摄像头和第二识别摄像头，通过第一识别摄像头对停车标识的检测，同时配合第二识别摄像头对地面车位线识别定位，使得无人车能够精准地停在预设位置；首先对第一识别摄像头获取的图像进行检测，在对交通标识或指挥者手势进行检测和识别的过程中，将识别框架分为基于目标检测和精细分类两个阶段，保证更高的召回率和准确率；目标检测用于检测图像中是否存在交通标识或指挥者，如果存在，则对图像进行处理，并对其进一步的精细分类识别，根据图像中存在的是交通标识还是指挥者，进而选择对应的识别模型，分类模块分别为手势和交通标识的识别配置独立的精细分类网络3DCNN和SRCNN，不仅能够保留手势指令图像在时间维度上的相关特征信息，将多种因素导致拍摄结果较低分辨率的交通标识转化为高分辨率图像，提高识别本文档来自技高网...

【技术保护点】
1.一种基于图像识别的无人车停车方法，其特征在于，包括以下步骤：/n步骤1、对周围环境进行图像采集，得到待识别图像；/n步骤2、检测待识别图像中是否存在交通标识或指挥者，若存在，则生成对应的图像，进入步骤3，否则继续按照预设路线行进；/n步骤3、对生成的图像进行对应的图像识别，判断识别结果是否为停车信息，如果不是，进入步骤4，否则进入步骤5；/n步骤4、根据识别结果改变行驶路线，返回步骤1；/n步骤5、对周围环境进行图像采集，寻找图像中距离交通标识或指挥者最近的停车位置进行停车。/n

【技术特征摘要】
1.一种基于图像识别的无人车停车方法，其特征在于，包括以下步骤：
步骤1、对周围环境进行图像采集，得到待识别图像；
步骤2、检测待识别图像中是否存在交通标识或指挥者，若存在，则生成对应的图像，进入步骤3，否则继续按照预设路线行进；
步骤3、对生成的图像进行对应的图像识别，判断识别结果是否为停车信息，如果不是，进入步骤4，否则进入步骤5；
步骤4、根据识别结果改变行驶路线，返回步骤1；
步骤5、对周围环境进行图像采集，寻找图像中距离交通标识或指挥者最近的停车位置进行停车。


2.根据权利要求1所述的一种基于图像识别的无人车停车方法，其特征在于，步骤2中检测待识别图像中是否存在交通标识或指挥者，具体包括以下步骤：
步骤2.1、建立标识检测模型，并对其进行训练；
步骤2.2、运用训练好的标识检测模型对待识别图像进行目标检测，判断待识别图像中是否有交通标识或指挥者，如果有，则获取交通标识或指挥者所在区域，并生成对应的交通标识图案或人像图案。


3.根据权利要求2所述的一种基于图像识别的无人车停车方法，其特征在于，步骤2.3中运用训练好的标识检测模型对待识别图像进行目标检测，判断待识别图像中是否有交通标识或指挥者，具体包括以下步骤：
利用主干特征提取网络提取待识别图像的featuremaps；
将featuremaps传入PRN区域建议网络，并生成建议框，通过softmax层对建议框分类得到包含目标图像的positiveanchors，利用边框回归来修正建议框，获取更加精准的proposals；
将前两步得到的featuremaps和proposals送入RolPooling层计算出proposalsfeaturemaps，将proposalsfeaturemaps送入后续网络；
通过全连接层和softmax计算每个目标检测框proposal的种类，并再次利用边框回归对目标检测框的位置进行修正；
当识别出目标时，根据目标的种类将检测框的位置向量送入对应的识别模型进行识别。


4.根据权利要求1或3所述的一种基于图像识别的无人车停车方法，其特征在于，步骤3中对生成的图像进行对应的图像识别，具体包括以下步骤：
步骤3.1、根据图像的种类选择对应的图...

【专利技术属性】
技术研发人员：章哲祥，尹胜成，张庆昕，梅雪，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：江苏;32