本发明专利技术涉及了一种停车位识别方法和装置，该方法包括：利用目标神经网络模型提取停车场图像包含的全局语义特征和局部语义特征；目标停车位为可用于停车的空闲停车位；基于目标神经网络模型中包括的先验停车位入口信息和局部语义特征，对初始入口角点信息进行调整，得到目标入口角点信息；先验停车位入口信息包括标准停车位的标准入口角点方向和标准入口宽度；将目标入口角点方向、目标入口宽度标注在目标停车位中，以引导车辆停车。本方案以先验停车位入口信息为指导进行停车位入口识别，减小了目标神经网络模型的计算量，使得模型达到实时的运算速度；并且，可以提高停车位入口识别精度，有效地避免停车位误检和方向不准确的问题。问题。问题。
【技术实现步骤摘要】
一种停车位识别方法和装置
[0001]本专利技术涉及车辆
，尤其涉及一种停车位识别方法和装置。
技术介绍
[0002]随着自动驾驶日益成熟，在智能驾驶领域中的自动停车技术有着越来越重要的应用。自动停车指不需要人为进行控制，汽车通过感知和控制算法自动停车入库。
[0003]目前，自动停车算法一般采用神经网络模型进行停车位识别。具体地，将停车场图像输入到神经网络模型进行图像处理，获得车位的中心点坐标以及中心点概率、角点的坐标及角点概率、以及角点相对于中心点坐标的偏移量；然后根据中心点坐标以及角点相对于中心点坐标的偏移量计算角点的第二坐标；采用第二坐标对第一坐标进行修正，获得角点的实际坐标及实际角点概率，以进行车位检测。
[0004]但是该算法存在两个问题：第一，计算量较大，在车载处理器算力有限的情况下，无法达到实时的运算速度。第二，实际情况下路况具有复杂性，通常停车位的类别、颜色、角点的样式会有很大的变化，导致该算法出现停车位误检和方向不准确的问题。
技术实现思路
[0005]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术第一方面提出一种停车位识别方法，所述方法包括：
[0006]获取待识别停车位的停车场图像；
[0007]利用目标神经网络模型提取所述停车场图像包含的全局语义特征和局部语义特征；所述全局语义特征用于确定目标停车位的初始入口角点信息；所述目标停车位为可用于停车的空闲停车位；
[0008]基于所述目标神经网络模型中包括的先验停车位入口信息和所述局部语义特征，对所述初始入口角点信息进行修正，得到目标入口角点信息，所述目标入口角点信息包括目标入口角点方向和目标入口宽度；所述先验停车位入口信息包括标准停车位的标准入口角点方向和标准入口宽度；
[0009]将所述目标入口角点方向、所述目标入口宽度标注在所述目标停车位中，以引导车辆停车。
[0010]可选的，所述目标神经网络模型通过以下方法训练得到：
[0011]将停车场样本图像数据集和预先获取的先验停车位入口信息输入初始神经网络模型中；
[0012]利用所述初始神经网络模型的特征主干网络，提取所述停车场样本图像包括的各个单元格的样本全局特征信息；所述样本全局特征信息包括：所述单元格是否位于样本目标停车位内部、所述样本目标停车位的类别、所述样本目标停车位的样本初始入口角点信息、所述目标停车位是否被占用；
[0013]利用所述特征主干网络，提取所述各个单元格的样本局部特征信息，所述样本局
部特征信息用于对所述样本初始入口角点信息进行修正，得到预测入口角点方向和预测入口宽度；
[0014]基于预先确定的目标先验停车位入口信息和所述样本目标停车位的真实入口信息，分别确定所述预测入口角点方向对应的第一残差和所述预测入口宽度对应的第二残差；
[0015]基于所述第一残差和所述第二残差对所述初始神经网络模型进行训练，得到目标神经网络模型。
[0016]可选的，所述确定所述预测入口角点方向对应的第一残差，包括：
[0017]获取所述先验停车位入口信息中包括的标准入口角点方向和标准入口宽度，并获取所述真实入口角点信息中包括的真实入口角点方向和真实入口宽度；
[0018]确定以e为底，以所述预测入口角点方向为指数的指数函数的值，得到方向指数值；
[0019]确定所述标准入口角点方向和所述方向指数值的乘积，得到方向乘积；
[0020]确定所述方向乘积和所述真实入口角点方向之间的差的二次方，得到所述第一残差。
[0021]可选的，所述确定所述预测入口宽度对应的第二残差，包括：
[0022]确定以e为底，以所述预测入口宽度为指数的指数函数的值，得到距离指数值；
[0023]确定所述标准入口宽度和所述距离指数值的乘积，得到距离乘积；
[0024]确定所述距离乘积和所述真实入口宽度之间的差的二次方，得到所述第二残差。
[0025]可选的，在利用目标神经网络模型提取所述停车场图像包含的全局语义特征和局部语义特征之前，还包括：
[0026]获取停车位样本图像数据集；所述停车位样本图像数据集中包括当前存在的各种类型的停车位图像；
[0027]对所述停车位样本图像数据集执行聚类算法，得到目标数量个聚类簇，其中，每个所述聚类簇包括相似类型的停车位；
[0028]分别获取各个所述聚类簇中的停车位的入口角点方向和入口宽度，得到所述目标数量组先验停车位入口信息。
[0029]可选的，在分别确定所述预测入口角点方向对应的第一残差和所述预测入口宽度对应的第二残差之前，还包括：
[0030]将所述目标数量组先验停车位入口信息与所述样本目标停车位对应的真实入口角点信息进行匹配，得到目标匹配度；
[0031]从所述目标数量组先验停车位入口信息中，选取所述目标匹配度大于或等于预设的匹配度阈值的先验停车位入口信息，作为目标先验停车位入口信息。
[0032]可选的，所述目标入口宽度为所述目标停车位的左入口角点和右入口角点之间的欧氏距离。
[0033]本专利技术第二方面提出一种停车位识别装置，所述装置包括：
[0034]图像获取模块，用于获取待识别停车位的停车场图像；
[0035]特征提取模块，用于利用目标神经网络模型提取所述停车场图像包含的全局语义特征和局部语义特征；所述全局语义特征用于确定目标停车位的初始入口角点信息；所述
目标停车位为可用于停车的空闲停车位；
[0036]目标入口角点信息获取模块，用于基于所述目标神经网络模型中包括的先验停车位入口信息和所述局部语义特征，对所述初始入口角点信息进行修正，得到目标入口角点信息，所述目标入口角点信息包括目标入口角点方向和目标入口宽度；所述先验停车位入口信息包括标准停车位的标准入口角点方向和标准入口宽度；
[0037]标注模块，用于将所述目标入口角点方向、所述目标入口宽度标注在所述目标停车位中，以引导车辆停车。
[0038]可选的，所述装置还包括模型训练模块，所述模型训练模块用于：
[0039]将停车场样本图像数据集和预先获取的先验停车位入口信息输入初始神经网络模型中；
[0040]利用所述初始神经网络模型的特征主干网络，提取所述停车场样本图像包括的各个单元格的样本全局特征信息；所述样本全局特征信息包括：所述单元格是否位于样本目标停车位内部、所述样本目标停车位的类别、所述样本目标停车位的样本初始入口角点信息、所述目标停车位是否被占用；
[0041]利用所述特征主干网络，提取所述各个单元格的样本局部特征信息，所述样本局部特征信息用于对所述样本初始入口角点信息进行修正，得到预测入口角点方向和预测入口宽度；
[0042]基于预先确定的目标先验停车位入口信息和所述样本目标停车位的真实入口信息，分别确定所述预测入口角点方向对应的第一残差和所述预测入口宽度对应的第二残差；...
【技术保护点】
【技术特征摘要】
1.一种停车位识别方法，其特征在于，所述方法包括：获取待识别停车位的停车场图像；利用目标神经网络模型提取所述停车场图像包含的全局语义特征和局部语义特征；所述全局语义特征用于确定目标停车位的初始入口角点信息；所述目标停车位为可用于停车的空闲停车位；基于所述目标神经网络模型中包括的先验停车位入口信息和所述局部语义特征，对所述初始入口角点信息进行修正，得到目标入口角点信息，所述目标入口角点信息包括目标入口角点方向和目标入口宽度；所述先验停车位入口信息包括标准停车位的标准入口角点方向和标准入口宽度；将所述目标入口角点方向、所述目标入口宽度标注在所述目标停车位中，以引导车辆停车。2.根据权利要求1所述的方法，其特征在于，所述目标神经网络模型通过以下方法训练得到：将停车场样本图像数据集和预先获取的先验停车位入口信息输入初始神经网络模型中；利用所述初始神经网络模型的特征主干网络，提取所述停车场样本图像包括的各个单元格的样本全局特征信息；所述样本全局特征信息包括：所述单元格是否位于样本目标停车位内部、所述样本目标停车位的类别、所述样本目标停车位的样本初始入口角点信息、所述目标停车位是否被占用；利用所述特征主干网络，提取所述各个单元格的样本局部特征信息，所述样本局部特征信息用于对所述样本初始入口角点信息进行修正，得到预测入口角点方向和预测入口宽度；基于预先确定的目标先验停车位入口信息和所述样本目标停车位的真实入口信息，分别确定所述预测入口角点方向对应的第一残差和所述预测入口宽度对应的第二残差；基于所述第一残差和所述第二残差对所述初始神经网络模型进行训练，得到目标神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述确定所述预测入口角点方向对应的第一残差，包括：获取所述先验停车位入口信息中包括的标准入口角点方向和标准入口宽度，并获取所述真实入口角点信息中包括的真实入口角点方向和真实入口宽度；确定以e为底，以所述预测入口角点方向为指数的指数函数的值，得到方向指数值；确定所述标准入口角点方向和所述方向指数值的乘积，得到方向乘积；确定所述方向乘积和所述真实入口角点方向之间的差的二次方，得到所述第一残差。4.根据权利要求3所述的方法，其特征在于，所述确定所述预测入口宽度对应的第二残差，包括：确定以e为底，以所述预测入口宽度为指数的指数函数的值，得到距离指数值；确定所述标准入口宽度和所述距离指数值的乘积，得到距离乘积；确定所述距离乘积和所述真实入口宽度之间的差的二次方，得到所述第二残差。5.根...
【专利技术属性】
技术研发人员：马然，
申请(专利权)人：中汽创智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。