一种机械车位检测系统及检测方法技术方案

一种机械车位检测系统，包括：深度学习目标检测模型，用于检测机械车位的边缘点和边缘线；深度学习分割模型，用于检测机械车位的可通行区间和机械车位边界处的凸起边缘；深度学习深度预测模型，用于预测单目相机的像素深度值；超声波雷达检测模型，用于检测待泊车辆周围的障碍物；融合模块，基于深度学习目标检测模型、深度学习分割模型、深度学习深度预测模型，及超声波雷达检测模型的感知结果，融合出机械车位和位置坐标并输出。本发明专利技术机械车位检测系统不仅提高机械库位检测系统的位置精度，而且提高机械库位检测系统的准确率。而且提高机械库位检测系统的准确率。而且提高机械库位检测系统的准确率。

【技术实现步骤摘要】
一种机械车位检测系统及检测方法


[0001]本专利技术涉及车辆泊车
，尤其涉及一种机械车位检测系统及检测方法。

技术介绍

[0002]近年来，随着自动驾驶技术的发展，低速自动驾驶也达到了接近大规模量产的水平。在量产的车型中，自动泊车功能的装机率越来越高，依靠超声波、视觉传感器，大部分能够实现无线车位、划线车位等库位类型的泊车，这些类型的库位的检测率也达到了较高的水平。
[0003]但是，这些市面上的自动泊车功能支持的泊车场景简单，对于复杂库位如机械库位支持不够，不能解决用户真正的痛点。机械库位由于其自身的特点，如入口处有斜坡，库位高于行驶路面，库位两边没有清晰边界线，库位宽度较窄等，造成机械车位的检测以及定位精度较低，以至于泊车过程中发生车辆刮碰。
[0004]寻求一种基于环视相机和超声波雷达检测的自动泊车方法和系统，并可获取车辆相对停车位的相对位置关系，建立车位坐标系，且进行障碍物和行驶可通行区域检测，完成停车位选择，进行泊车路径的规划，实现自动泊车的机械车位检测系统及检测方法已成为本领域技术人员亟待解决的技术问题之一。
[0005]故针对现有技术存在的问题，本案设计人凭借从事此行业多年的经验，积极研究改良，于是有了本专利技术一种机械车位检测系统及检测方法。

技术实现思路

[0006]本专利技术之第一目的是针对现有技术中，现有机械车位的检测以及定位精度较低，以至于泊车过程中发生车辆刮碰等缺陷提供一种机械车位检测系统。
[0007]本专利技术之第二目的是针对现有技术中，现有机械车位的检测以及定位精度较低，以至于泊车过程中发生车辆刮碰等缺陷提供一种机械车位检测系统的检测方法。
[0008]为实现本专利技术之第一目的，本专利技术提供一种机械车位检测系统，所述机械车位检测系统，包括：深度学习目标检测模型，用于检测机械车位的边缘点和边缘线；深度学习分割模型，用于检测机械车位的可通行区间和机械车位边界处的凸起边缘；深度学习深度预测模型，用于预测单目相机的像素深度值；超声波雷达检测模型，用于检测待泊车辆周围的障碍物；融合模块，基于深度学习目标检测模型、深度学习分割模型、深度学习深度预测模型，及超声波雷达检测模型的感知结果，融合出机械车位和位置坐标并输出。
[0009]为实现本专利技术之又一目的，本专利技术提供一种机械车位检测系统的检测方法，所述机械车位检测系统的检测方法，包括：
[0010]执行步骤S1：对安装在待泊车辆上的环视相机进行内参和外参的标定，获得图像像素与世界坐标系之间的对应关系；
[0011]执行步骤S2：基于环视相机，采集各个场景下的机械车位数据，离线训练深度学习目标检测模型、深度学习分割模型、深度学习深度预测模型；
[0012]执行步骤S3：实车运行时，实时采集环视相机之图像数据，分别调用深度学习目标检测模型、深度学习分割模型、深度学习深度预测模型，对图像数据进行处理，以获得机械车位的检测结果，场景的可通行和不可通行结果，以及场景之深度值的结果；
[0013]执行步骤S4：基于分割结果，提取可通行区间结果和障碍物结果，并获得障碍物之世界坐标系的位置；基于场景的深度值结果，提取可通行区间结果和障碍物结果，并获得障碍物之世界坐标系的位置；基于超声波雷达数据，提取障碍物位置；进而融合所述各可通行区间结果和各障碍物的位置；
[0014]执行步骤S5：基于所述可通行区间之融合结果，在融合机械车位的检测模型输出结果。
[0015]如权利要求2所述机械车位检测系统及检测方法，其特征在于，在融合机械车位的检测模型输出结果时，对于单帧图像数据，通过所述融合操作，可得到精确的机械车位之位置，以及周围障碍物的位置。
[0016]可选地，在融合机械车位的检测模型输出结果时，基于多帧图像数据，跟踪融合每一帧的机械车位结果和障碍物的结果，依设定的输出逻辑，输出机械车位。
[0017]可选地，所述待泊车辆的四周设置环视相机，用以采集所述待泊车辆四周的图像。
[0018]可选地，所述图像包括图片和视频影像。
[0019]可选地，所述环视相机之场视角大于180
°
，并分别设置在待泊车辆之前、后、左、右的四个方位。
[0020]综上所述，本专利技术基于环视相机和超声波雷达传感器检测，并通过采用深度学习目标检测模型检测机械车位的边缘点和边缘线，采用深度学习分割模型检测机械车位的可通行区间和机械车位边界处的凸起边缘，采用深度学习深度预测模型预测单目相机的像素深度值，采用超声波雷达检测模型检测待泊车辆周围的障碍物，进而采用融合模块基于目标检测模型、分割模型、深度预测模型，及超声波雷达检测模型的感知结果，融合出机械车位和位置坐标并输出，不仅提高机械库位检测系统的位置精度，而且提高机械库位检测系统的准确率。
附图说明
[0021]图1所示为传统机械车库检测示意图；
[0022]图2所示为本专利技术机械车位检测系统基于深度学习分割模型的效果图；
[0023]图3所示为本专利技术机械车位检测系统基于深度学习目标检测模型效果图；
[0024]图4所示为本专利技术机械车位检测系统之检测方法的流程图；
[0025]图5所示为本专利技术机械车位检测系统之算法架构示意图；
[0026]图6所示为使用本专利技术机械车位检测方法的待泊车辆示意图。
具体实施方式
[0027]为详细说明本专利技术创造的
技术实现思路
、构造特征、所达成目的及功效，下面将结合实施例并配合附图予以详细说明。
[0028]在本专利技术中，所述机械车位检测系统基于环视相机和超声波雷达传感器检测，并包括：
[0029]深度学习目标检测模型，所述深度学习目标检测模型用于检测机械车位的边缘点和边缘线；
[0030]深度学习分割模型，所述深度学习分割模型用于检测机械车位的可通行区间和机械车位边界处的凸起边缘；
[0031]深度学习深度预测模型，所述深度学习深度预测模型用于预测单目相机的像素深度值；
[0032]超声波雷达检测模型，所述超声波雷达检测模型用于检测待泊车辆周围的障碍物；
[0033]融合模块，所述融合模块基于深度学习目标检测模型、深度学习分割模型、深度学习深度预测模型，及超声波雷达检测模型的感知结果，融合出机械车位和位置坐标并输出。
[0034]请参阅图1～图3，图1所示为传统机械车库检测示意图。图2所示为本专利技术机械车位检测系统基于深度学习分割模型的效果图。图3所示为本专利技术机械车位检测系统基于深度学习目标检测模型的效果图。明显地，传统机械车库检测库位边界与库位区域成像对比度比较低。本专利技术基于环视相机和超声波雷达传感器检测，并通过采用深度学习目标检测模型检测机械车位的边缘点和边缘线，采用深度学习分割模型检测机械车位的可通行区间和机械车位边界处的凸起边缘，采用深度学习深度预测模型预测单目相机的像素深度值，采用超声波雷达检测模型检测待泊车辆周围的障碍物，进而采用融合模块基于目标检测模型、分割模型、深度预测模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机械车位检测系统，其特征在于，所述机械车位检测系统，包括：深度学习目标检测模型，用于检测机械车位的边缘点和边缘线；深度学习分割模型，用于检测机械车位的可通行区间和机械车位边界处的凸起边缘；深度学习深度预测模型，用于预测单目相机的像素深度值；超声波雷达检测模型，用于检测待泊车辆周围的障碍物；融合模块，基于深度学习目标检测模型、深度学习分割模型、深度学习深度预测模型，及超声波雷达检测模型的感知结果，融合出机械车位和位置坐标并输出。2.一种如权利要求1所述机械车位检测系统的检测方法，其特征在于，所述机械车位检测系统的检测方法，包括：执行步骤S1：对安装在待泊车辆上的环视相机进行内参和外参的标定，获得图像像素与世界坐标系之间的对应关系；执行步骤S2：基于环视相机，采集各个场景下的机械车位数据，离线训练深度学习目标检测模型、深度学习分割模型、深度学习深度预测模型；执行步骤S3：实车运行时，实时采集环视相机之图像数据，分别调用深度学习目标检测模型、深度学习分割模型、深度学习深度预测模型，对图像数据进行处理，以获得机械车位的检测结果，场景的可通行和不可通行结果，以及场景之深度值的结果；执行步骤S4：基于分割结果，提取可通行区间结果和障碍物结...

【专利技术属性】
技术研发人员：段成伟，王卫鑫，段勃勃，
申请(专利权)人：上海映驰科技有限公司，
类型：发明
国别省市：