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，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