泊车控制方法、装置、计算机设备及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种泊车控制方法，包括：获取传感器采集的车辆周围的图像信息；根据所述图像信息和事先训练的障碍物识别模型获得障碍物类别和障碍物坐标框，其中，所述障碍物识别模型为轻量级卷积神经网络,障碍物坐标框与障碍物一一对应，并且障碍物的边缘被坐标框包围以使障碍物处坐标框内；根据所述障碍物类别和障碍物坐标框进行泊车控制。本发明专利技术还公开了一种泊车控制装置、一种计算机设备及一种计算机可读存储介质。采用本发明专利技术，可为自动泊车提供实时准确的障碍物感知信息，成本更加低廉，识别率高。

【技术实现步骤摘要】
泊车控制方法、装置、计算机设备及计算机可读存储介质
本专利技术涉及智能泊车
，尤其涉及一种泊车控制方法、一种泊车控制装置一种计算机设备及一种计算机可读存储介质。
技术介绍
随着城市人口日益增长，私家车的数量也越来越多，相较而言，停车位数量有限且位置越来越紧凑，因此需要采用快捷有效的自动泊车技术，以使汽车正确地停靠位泊车。泊车过程中，泊车位内的障碍物检测十分重要。现有的障碍物检测技术大多依赖超声波雷达检测、激光雷达检测或计算机视觉检测的方法。如，现有技术中公开了一种智能泊车系统的障碍物检测与库位判别方法及实现系统，其依赖于车辆定位数据与雷达数据，对数据点进行坐标转换、拟合处理后，拟合出障碍物外接矩形，并判断泊车位是否符合泊车条件，从而实现库位检测功能。但是，该方案需要融合二维雷达信息(如激光雷达)与定位信息(如GPS全球定位系统)，针对室内情况，定位信息难以获得，且激光雷达价格昂贵，成本较高。还有现有技术中利用改进的混合高斯背景建模方法建立背景，将原视频图像与背景图像相减，通过Otsu自动阈值的获取进行前景目标分离，再通过动态特征、静态特征提取几何约束障碍物检测方法对障碍物进行检测。但是，该方案易受到阴影、光照等环境条件的影响，且背景建模方法对于静态障碍物不敏感，不宜用于静态障碍物的检测。但是上述技术方案依赖于车身周围的多个超声波传感器实时捕获车身周围的环境信息，利用来自存在于车辆周边附近的物体(障碍物)的反射波，从而推定从车辆到障碍物的距离和该障碍物的大小。但是，上述两种技术方案受超声波传感器自身特性的局限，在圆角处存在接收不到回波的现象，且回波信息包含大量干扰信息，不易确定障碍物大小。
技术实现思路
本专利技术所要解决的技术问题在于，提供一种成本低廉，识别率高的泊车控制方法、计算机设备及计算机可读存储介质，可为自动泊车提供实时准确的障碍物感知信息。为了解决上述技术问题，本专利技术提供了一种泊车控制方法，包括：获取传感器采集的车辆周围的图像信息；根据所述图像信息和事先训练的障碍物识别模型获得障碍物类别和障碍物坐标框，其中，所述障碍物识别模型为轻量级卷积神经网络，所述障碍物坐标框与障碍物一一对应，并且所述障碍物的边缘被坐标框包围以使障碍物处坐标框内；根据所述障碍物类别和障碍物坐标框进行泊车控制。作为上述方案的改进，所述轻量级卷积神经网络的网络架构模型至少包括16层用于特征提取，并采用至少两个尺度的特征图进行分类和检测框回归。作为上述方案的改进，所述16层包括10个卷积层和6个最大池化层，并输出X个通道的特征图以实现障碍物分类和坐标框回归，其中：X＝(a+b+c)*d，其中，a为坐标框的坐标值数量，b为坐标框的置信度值，c为障碍物类别数量，d为先验框的数量；所述两个尺度包括，尺寸为A*A的特征图进行障碍物分类，尺寸为A*A的特征图经过上采样后与尺寸为2A*2A的特征图合并以进行坐标框回归，其中，A为根据原图尺寸经过n倍缩小后的数值，n为正整数。作为上述方案的改进，所述方法还包括障碍物识别模型训练，具体包括：获取样本数据集、基础卷积神经网络模型以及损失函数；将所述基础卷积神经网络模型与所述损失函数结合，生成初始卷积神经网络模型；根据所述样本数据集训练所述初始卷积神经网络模型，生成障碍物识别模型。作为上述方案的改进，所述样本数据集的构建步骤包括：获取图像样本集，所述图像样本集包括多个含有障碍物的图像样本；对每一图像样本分别进行标注处理以生成标注信息，所述标注信息包括障碍物类别信息及障碍物的坐标框坐标信息；将含有标注信息的图像样本集组合为样本数据集。作为上述方案的改进，所述损失函数为坐标框坐标误差函数、坐标框交并比误差函数及分类误差函数之和；所述坐标框坐标误差函数为其中，xi为坐标框的左上角的横坐标，yi为坐标框的左上角的纵坐标，ωi为坐标框的宽度，hi为坐标框的高度，λcoord为坐标框位置的损失权重，S是指将图像划分成S*S个网格，B为每个网格对应先验框的数量，为第一检测参数；所述坐标框交并比误差函数为其中，ci为第i个坐标框与真实框的交并比，λnoobj为单个网格内没有目标物体的损失权重，为第二检测参数；所述分类误差函数为其中，pi为识别物体的置信度。相应地，本专利技术还提供了一种泊车控制装置，包括：获取模块，用于获取传感器采集的车辆周围的图像信息；识别模块，用于根据所述图像信息和事先训练的障碍物识别模型获得障碍物类别和障碍物坐标框，其中，所述障碍物识别模型为轻量级卷积神经网络，所述障碍物坐标框与障碍物一一对应，并且所述障碍物的边缘被坐标框包围以使障碍物处坐标框内；控制模块，用于根据所述障碍物类别和障碍物坐标框进行泊车控制。进一步的，所述识别模块中的所述轻量级卷积神经网络的网络架构模型至少包括16层用于特征提取，并采用至少两个尺度的特征图进行分类和检测框回归。相应地，本专利技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述泊车控制方法的步骤。相应地，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述泊车控制方法的步骤。实施本专利技术，具有如下有益效果：本专利技术将轻量级卷积神经网络框架引入泊车位障碍物识别领域，实现了障碍物的精准识别，可为自动泊车提供实时准确的障碍物感知信息，与现有技术相比，本专利技术对静态物体及障碍物类别仍然较高的识别率。附图说明图1是本专利技术泊车控制方法的第一实施例流程图；图2是本专利技术中障碍物识别模型的结构示意图；图3是本专利技术中障碍物识别模型的构建步骤流程图；图4是本专利技术中损失函数的曲线图；图5是本专利技术中样本数据集的构建步骤流程图；图6是本专利技术泊车控制装置的第一实施例结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述。如图1所示，图1是本专利技术泊车控制方法的第一实施例流程图，其包括：S101，获取传感器采集的车辆周围的图像信息。所述传感器可以为摄像头，但不以此为限制；同时，所述传感器的数量优选为四个，可设置于车辆外壳的前、后、左、右四个方向，实现车辆周围(即泊车位内外)的图像信息的全方位采集。S102，根据图像信息和事先训练的障碍物识别模型获得障碍物类别和障碍物坐标框。需要说明的是，本专利技术中障碍物识别模型为轻量级卷积神经网络。具体地，本专利技术中的障碍物识别模型由卷积神经网络模型通过样本数据集训练而成，通过障碍物识别模型可实时检测出图像信息中是否含有障碍物并识别出障碍物的类型及坐标，为自动泊车提供实时准确的障碍物感知信息。具体地，泊车控制装置可根据障碍物识别模型识别图像信息中的障碍物类别。优选地，所述障碍物可以为雪糕筒、占位牌、占位杆、打开状态下的地锁、关闭状态下的地锁、行人、自行车、汽车等类别，但不以此为限制。同时本文档来自技高网...

【技术保护点】
1.一种泊车控制方法，其特征在于，包括：/n获取传感器采集的车辆周围的图像信息；/n根据所述图像信息和事先训练的障碍物识别模型获得障碍物类别和障碍物坐标框，其中，所述障碍物识别模型为轻量级卷积神经网络，所述障碍物坐标框与障碍物一一对应，并且所述障碍物的边缘被坐标框包围以使障碍物处坐标框内；/n根据所述障碍物类别和障碍物坐标框进行泊车控制。/n

【技术特征摘要】
1.一种泊车控制方法，其特征在于，包括：
获取传感器采集的车辆周围的图像信息；
根据所述图像信息和事先训练的障碍物识别模型获得障碍物类别和障碍物坐标框，其中，所述障碍物识别模型为轻量级卷积神经网络，所述障碍物坐标框与障碍物一一对应，并且所述障碍物的边缘被坐标框包围以使障碍物处坐标框内；
根据所述障碍物类别和障碍物坐标框进行泊车控制。


2.如权利要求1所述的泊车控制方法，其特征在于，所述轻量级卷积神经网络的网络架构模型至少包括16层用于特征提取，并采用至少两个尺度的特征图进行分类和检测框回归。


3.如权利要求2所述的泊车控制方法，其特征在于，
所述16层包括10个卷积层和6个最大池化层，并输出X个通道的特征图以实现障碍物分类和坐标框回归，其中：
X＝(a+b+c)*d，其中，a为坐标框的坐标值数量，b为坐标框的置信度值，c为障碍物类别数量，d为先验框的数量；
所述两个尺度包括，尺寸为A*A的特征图进行障碍物分类，尺寸为A*A的特征图经过上采样后与尺寸为2A*2A的特征图合并以进行坐标框回归，其中，A为根据原图尺寸经过n倍缩小后的数值，n为正整数。


4.如权利要求1至3中任一项所述的泊车控制方法，其特征在于，所述方法还包括障碍物识别模型训练，具体包括：
获取样本数据集、基础卷积神经网络模型以及损失函数；
将所述基础卷积神经网络模型与所述损失函数结合，生成初始卷积神经网络模型；
根据所述样本数据集训练所述初始卷积神经网络模型，生成障碍物识别模型。


5.如权利要求4所述的泊车控制方法，其特征在于，所述样本数据集的构建步骤包括：
获取图像样本集，所述图像样本集包括多个含有障碍物的图像样本；
对每一图像样本分别进行标注处理以生成标注信息，所述标注信息包括障碍物类别信息及障...

【专利技术属性】
技术研发人员：谷俊，何俏君，尹超凡，李彦琳，付颖，彭斐，毛茜，王薏，
申请(专利权)人：广州汽车集团股份有限公司，
类型：发明
国别省市：广东;44