车位检测方法、装置及计算机存储介质制造方法及图纸

本申请公开了一种车位检测方法、装置及计算机存储介质，包括：获取设置于车辆的图像采集设备采集的所述车辆周围的环视图像；将所述环视图像输入预先训练的神经网络模型进行车位检测，获取至少两个不同网络分支分别输出的车位检测信息；对所述至少两个不同网络分支分别输出的车位检测信息进行融合处理，获取所述车辆周围的车位信息。如此，通过将不同方式获取的车位检测信息进行融合，以起到相互配合与相互补充的作用，能够避免出现车位漏检的情况，提高了车位检测的准确度。提高了车位检测的准确度。提高了车位检测的准确度。

【技术实现步骤摘要】
车位检测方法、装置及计算机存储介质


[0001]本专利技术涉及车辆
，特别是涉及一种车位检测方法、装置及计算机存储介质。

技术介绍

[0002]车辆的泊车辅助系统需要先准确获取车位的位置信息，才能完成泊车操作。而现有的车位检测方法大多是基于环视图的，即先基于环视图检测出车位位置信息，再还原到世界坐标系下，从而让车辆知道车位在世界坐标系下的具体位置。然而，现有很多基于环视图的车位检测方案都是先检测车位的入口点以及入口方向，再根据一些车位的先验信息，将检测出的各个入口点拼成车位。但是，在一些特定场景如露天环境下，当一些车位入口标线由于磨损或被积水、落叶等物体遮挡时，现有车位检测方法就会出现漏检的情况，影响车位检测的准确度。

技术实现思路

[0003]本专利技术的目的在于提供一种车位检测方法、装置及计算机存储介质，通过将不同方式获取的车位检测信息进行融合，以起到相互配合与相互补充的作用，能够避免出现车位漏检的情况，提高了车位检测的准确度。
[0004]为达到上述目的，本专利技术的技术方案是这样实现的：
[0005]第一方面，本专利技术实施例提供了一种车位检测方法，包括：
[0006]获取设置于车辆的图像采集设备采集的所述车辆周围的环视图像；
[0007]将所述环视图像输入预先训练的神经网络模型进行车位检测，获取至少两个不同网络分支分别输出的车位检测信息；
[0008]对所述至少两个不同网络分支分别输出的车位检测信息进行融合处理，获取所述车辆周围的车位信息。/>[0009]作为其中一种实施方式，所述将所述环视图像输入预先训练的神经网络模型进行车位检测，获取至少两个不同网络分支分别输出的车位检测信息，包括：
[0010]将所述环视图像输入预先训练的神经网络模型进行车位检测，获得回归分支输出的第一车位角点信息、分割分支输出的关于车位线的像素分割图、以及分类分支输出的至少一车位检测框和对应的旋转角度。
[0011]作为其中一种实施方式，所述对所述至少两个不同网络分支分别输出的车位检测信息进行融合处理，获取所述车辆周围的车位信息，包括以下步骤：
[0012]对所述像素分割图中关于车位线的像素进行骨架化运算处理，并将处理后的所述像素分割图与车位角点模板图进行匹配，获得至少一第二车位角点信息；
[0013]利用所述旋转角度对所述车位检测框进行旋转矫正，并通过预先训练的卷积神经网络模型对旋转矫正后的所述车位检测框进行车位检测，获得至少一第三车位角点信息；
[0014]对所述第一车位角点信息、所述第二车位角点信息和所述第三车位角点信进行融
合处理，获得至少一目标车位角点信息；
[0015]将所述目标车位角点信息和预设车位角点特征进行匹配，确定所述车辆周围的车位信息。
[0016]作为其中一种实施方式，所述利用所述旋转角度对所述车位检测框进行旋转矫正，并通过预先训练的卷积神经网络模型对旋转矫正后的所述车位检测框进行车位检测，获得至少一第三车位角点信息，包括以下步骤：
[0017]对所述车位检测框进行车位区域提取，获得车位区域图像；
[0018]利用所述旋转角度对所述车位区域图像进行旋转矫正，将旋转矫正后的所述车位区域图像输入预先训练的卷积神经网络模型，获得至少一第三车位角点信息。
[0019]第二方面，本专利技术实施例提供了一种车位检测装置，所述装置包括：
[0020]获取模块，用于获取设置于车辆的图像采集设备采集的所述车辆周围的环视图像；
[0021]检测模块，用于将所述环视图像输入预先训练的神经网络模型进行车位检测，获取至少两个不同网络分支分别输出的车位检测信息；
[0022]处理模块，用于对所述至少两个不同网络分支分别输出的车位检测信息进行融合处理，获取所述车辆周围的车位信息。
[0023]作为其中一种实施方式，所述检测模块，具体用于：
[0024]将所述环视图像输入预先训练的神经网络模型进行车位检测，获得回归分支输出的第一车位角点信息、分割分支输出的关于车位线的像素分割图、以及分类分支输出的至少一车位检测框和对应的旋转角度。
[0025]作为其中一种实施方式，所述处理模块，具体用于：
[0026]对所述像素分割图中关于车位线的像素进行骨架化运算处理，并将处理后的所述像素分割图与车位角点模板图进行匹配，获得至少一第二车位角点信息；
[0027]利用所述旋转角度对所述车位检测框进行旋转矫正，并通过预先训练的卷积神经网络模型对旋转矫正后的所述车位检测框进行车位检测，获得至少一第三车位角点信息；
[0028]对所述第一车位角点信息、所述第二车位角点信息和所述第三车位角点信进行融合处理，获得至少一目标车位角点信息；
[0029]将所述目标车位角点信息和预设车位角点特征进行匹配，确定所述车辆周围的车位信息。
[0030]作为其中一种实施方式，所述处理模块，具体用于：
[0031]对所述车位检测框进行车位区域提取，获得车位区域图像；
[0032]利用所述旋转角度对所述车位区域图像进行旋转矫正，将旋转矫正后的所述车位区域图像输入预先训练的卷积神经网络模型，获得至少一第三车位角点信息。
[0033]第三方面，本专利技术实施例提供了一种车位检测装置，包括：处理器和存储有计算机程序的存储器，在所述处理器运行所述计算机程序时，实现上述所述的车位检测方法。
[0034]第四方面，本专利技术实施例提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面所述的车位检测方法。
[0035]本专利技术实施例提供的车位检测方法、装置及计算机存储介质，包括：获取设置于车辆的图像采集设备采集的所述车辆周围的环视图像；将所述环视图像输入预先训练的神经
网络模型进行车位检测，获取至少两个不同网络分支分别输出的车位检测信息；对所述至少两个不同网络分支分别输出的车位检测信息进行融合处理，获取所述车辆周围的车位信息。如此，通过将不同方式获取的车位检测信息进行融合，以起到相互配合与相互补充的作用，能够避免出现车位漏检的情况，提高了车位检测的准确度。
附图说明
[0036]图1为本专利技术实施例提供的一种车位检测方法的流程示意图；
[0037]图2为本专利技术实施例提供的一种车位检测装置的结构示意图一；
[0038]图3为本专利技术实施例提供的一种车位检测方法的框架示意图；
[0039]图4为本专利技术实施例中一停车场的环视图；
[0040]图5为本专利技术实施例中针对环视图的检测输出结果示意图；
[0041]图6为本专利技术实施例中基于检测框检测车位角点的过程示意图；
[0042]图7为本专利技术实施例中车位骨架化的示意图；
[0043]图8为本专利技术实施例中基于像素分割图检测出的车位角点示意图；
[0044]图9为本专利技术实施例中车位检测结果示意图；
[0045]图10为本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车位检测方法，其特征在于，所述方法包括以下步骤：获取设置于车辆的图像采集设备采集的所述车辆周围的环视图像；将所述环视图像输入预先训练的神经网络模型进行车位检测，获取至少两个不同网络分支分别输出的车位检测信息；对所述至少两个不同网络分支分别输出的车位检测信息进行融合处理，获取所述车辆周围的车位信息。2.根据权利要求1所述车位检测方法，所述将所述环视图像输入预先训练的神经网络模型进行车位检测，获取至少两个不同网络分支分别输出的车位检测信息，包括：将所述环视图像输入预先训练的神经网络模型进行车位检测，获得回归分支输出的至少一第一车位角点信息、分割分支输出的关于车位线的像素分割图、以及分类分支输出的至少一车位检测框和对应的旋转角度。3.根据权利要求2所述车位检测方法，所述对所述至少两个不同网络分支分别输出的车位检测信息进行融合处理，获取所述车辆周围的车位信息，包括以下步骤：对所述像素分割图中关于车位线的像素进行骨架化运算处理，并将处理后的所述像素分割图与车位角点模板图进行匹配，获得至少一第二车位角点信息；利用所述旋转角度对所述车位检测框进行旋转矫正，并通过预先训练的卷积神经网络模型对旋转矫正后的所述车位检测框进行车位检测，获得至少一第三车位角点信息；对所述第一车位角点信息、所述第二车位角点信息和所述第三车位角点信息进行融合处理，获得至少一目标车位角点信息；将所述目标车位角点信息和预设车位角点特征进行匹配，确定所述车辆周围的车位信息。4.根据权利要求3所述车位检测方法，所述利用所述旋转角度对所述车位检测框进行旋转矫正，并通过预先训练的卷积神经网络模型对旋转矫正后的所述车位检测框进行车位检测，获得至少一第三车位角点信息，包括以下步骤：对所述车位检测框进行车位区域提取，获得车位区域图像；利用所述旋转角度对所述车位区域图像进行旋转矫正，将旋转矫正后的所述车位区域图像输入预先训练的卷积神经网络模型，获得至少一第三车位角点信息。5.一种车位检测...

【专利技术属性】
技术研发人员：肖川，秦帅昆，杨箫，刘洋，赵天坤，陈泽，
申请(专利权)人：合众新能源汽车有限公司，
类型：发明
国别省市：