本申请提供了一种停车位检测方法、装置、存储介质和车辆，属于自动驾驶技术领域，方法包括：获取待检测图像；将待检测图像输入经过预训练的神经网络模型，确定每个停车位各自对应的车位进入线和第一车位分隔线；基于每个停车位各自对应的车位进入线和第一车位分隔线，确定每个停车位在待检测图像中的分布。本申请实施例采用车位进入线和第一车位分隔线来几何定义一个停车位，并通过神经网络模型识别待检测图像中的几何信息，使得在面对各种停车位类型和复杂场景、复杂环境时，均能唯一有效地检测出停车位，具有较高的准确率和极强的通用性。性。性。
【技术实现步骤摘要】
一种停车位检测方法、装置、存储介质和车辆
[0001]本申请涉及智能驾驶
，特别是涉及一种停车位检测方法、装置、存储介质和车辆。
技术介绍
[0002]随着科学技术的发展，自动驾驶、无人车等新兴概念应运而生。自动泊车系统是自动驾驶技术中一个不可或缺的部分。自动泊车系统通常包括感知、定位、导航、规控和泊车等功能，而泊车的路径规划和定位依赖于停车位检测，不好的停车位检测算法将直接使后续步骤难度急剧增加。因此，有效的停车位检测成为目前自动泊车的重要问题之一。
[0003]现有的停车位检测算法通常采用的是基于枚举的模板匹配，需要枚举停车位类型和场景类型，即需要神经网络模型对海量的各种停车位类型和场景类型下的停车位进行学习。
[0004]然而，现实世界中存在千奇百怪的场景和各种各样的停车位，枚举的方式不仅工作量大，而且分类有限，难以穷尽，造成现有的停车位检测算法难以通用和有效地应对各种类型的停车位和复杂环境。
技术实现思路
[0005]本申请提供一种停车位检测方法、装置、存储介质和车辆，以解决现有的停车位检测算法难以通用和有效地应对各种类型的停车位和复杂环境的问题。
[0006]为了解决上述问题，本申请采用了以下的技术方案：
[0007]第一方面，本申请实施例提供了一种停车位检测方法，所述方法包括：
[0008]获取待检测图像；
[0009]将所述待检测图像输入经过预训练的神经网络模型，确定每个停车位各自对应的车位进入线和第一车位分隔线；所述第一车位分隔线为预先定义的位于停车位两侧的两个车位分隔线的其中一个；
[0010]基于每个停车位各自对应的车位进入线和第一车位分隔线，确定每个停车位在所述待检测图像中的分布。
[0011]在本申请一实施例中，将所述待检测图像输入经过预训练的神经网络模型，确定每个停车位各自对应的车位进入线和第一车位分隔线的步骤，包括：
[0012]将所述待检测图像输入经过预训练的神经网络模型，输出得到每个停车位各自对应的车位进入线的位置信息和第一车位分隔线的位置信息；
[0013]基于所述车位进入线的位置信息，确定每个停车位各自对应的车位进入线；
[0014]基于第一车位分隔线的位置信息，确定每个停车位各自对应的第一车位分隔线。
[0015]在本申请一实施例中，所述车位进入线的位置信息包括所述车位进入线的目标角点的第一坐标和车位进入线的第二端点距离所述目标角点的第一横轴相对差值和第一纵轴相对差值；
[0016]基于所述车位进入线的位置信息，确定每个停车位各自对应的车位进入线的步骤，包括：
[0017]基于所述目标角点的第一坐标以及所述第二端点距离所述目标角点的第一横轴相对差值和第一纵轴相对差值，确定所述第二端点的第二坐标；
[0018]基于所述目标角点的第一坐标和所述第二端点的第二坐标，确定每个停车位各自对应的车位进入线。
[0019]在本申请一实施例中，所述第一车位分隔线的位置信息包括所述车位进入线的目标角点的第一坐标和所述第一车位分隔线上的第三端点距离所述目标角点的第二横轴相对差值和第二纵轴相对差值；
[0020]基于第一车位分隔线的位置信息，确定每个停车位各自对应的第一车位分隔线的步骤，包括：
[0021]基于所述目标角点的第一坐标以及所述第三端点距离所述目标角点的第二横轴相对差值和第二纵轴相对差值，确定所述第三端点的第三坐标；
[0022]基于所述目标角点的第一坐标和所述第三端点的第三坐标，确定每个停车位各自对应的第一车位分隔线。
[0023]在本申请一实施例中，所述第一车位分隔线的位置信息包括所述第一车位分隔线上的方向向量的正弦值和余弦值，所述方向向量以所述车位进入线的目标角点为起点；
[0024]基于第一车位分隔线的位置信息，确定每个停车位各自对应的第一车位分隔线的步骤，包括：
[0025]基于所述第一车位分隔线的方向向量的正弦值和余弦值，确定所述方向向量的正切值；
[0026]基于预设的正切值与偏转角度之间的映射关系，确定所述正切值对应的偏转角度；
[0027]基于所述偏转角度和预设长度，确定每个停车位各自对应的第一车位分隔线。
[0028]在本申请一实施例中，将所述待检测图像输入经过预训练的神经网络模型的步骤之后，所述方法还包括：
[0029]确定每个停车位各自对应的车位占用信息；
[0030]基于每个停车位各自对应的车位占用信息，确定所述待检测图像中的可用停车位。
[0031]在本申请一实施例中，所述神经网络模型是通过以下步骤得到的：
[0032]将训练数据集输入预设的初始神经网络模型中进行训练，以得到经过训练的所述神经网络模型；其中，所述训练数据集包括多个具有真实标签的已标注样本图像，所述真实标签表征所述已标注样本图像中每个停车位各自对应的车位进入线和第一车位分隔线。
[0033]第二方面，基于相同专利技术构思，本申请实施例提供了一种停车位检测装置，所述装置包括：
[0034]获取模块，用于获取待检测图像；
[0035]第一确定模块，将所述待检测图像输入经过预训练的神经网络模型，确定每个停车位各自对应的车位进入线和第一车位分隔线；所述第一车位分隔线为预先定义的位于停车位两侧的两个车位分隔线的其中一个；
[0036]第二确定模块，用于基于每个停车位各自对应的车位进入线和第一车位分隔线，确定每个停车位在所述待检测图像中的分布。
[0037]在本申请一实施例中，所述第一确定模块包括：
[0038]输出子模块，用于将所述待检测图像输入经过预训练的神经网络模型，输出得到每个停车位各自对应的车位进入线的位置信息和第一车位分隔线的位置信息；
[0039]第一确定子模块，用于基于所述车位进入线的位置信息，确定每个停车位各自对应的车位进入线；
[0040]第二确定子模块，用于基于第一车位分隔线的位置信息，确定每个停车位各自对应的第一车位分隔线。
[0041]在本申请一实施例中，所述车位进入线的位置信息包括所述车位进入线的目标角点的第一坐标和车位进入线的第二端点距离所述目标角点的第一横轴相对差值和第一纵轴相对差值；所述第一确定子模块包括：
[0042]第一坐标确定单元，用于基于所述目标角点的第一坐标以及所述第二端点距离所述目标角点的第一横轴相对差值和第一纵轴相对差值，确定所述第二端点的第二坐标；
[0043]车位进入线确定单元，用于基于所述目标角点的第一坐标和所述第二端点的第二坐标，确定每个停车位各自对应的车位进入线。
[0044]在本申请一实施例中，所述第一车位分隔线的位置信息包括所述车位进入线的目标角点的第一坐标和所述第一车位分隔线上的第三端点距离所述目标角点的第二横轴相对差值和第二纵轴相对差值；所述第二确定子模块包括：
[0045]第二坐标确定单元，用于基于所述目标角点的第一坐标以及所本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种停车位检测方法，其特征在于，所述方法包括：获取待检测图像；将所述待检测图像输入经过预训练的神经网络模型，确定每个停车位各自对应的车位进入线和第一车位分隔线；所述第一车位分隔线为预先定义的位于停车位两侧的两个车位分隔线的其中一个；基于每个停车位各自对应的车位进入线和第一车位分隔线，确定每个停车位在所述待检测图像中的分布。2.根据权利要求1所述的停车位检测方法，其特征在于，将所述待检测图像输入经过预训练的神经网络模型，确定每个停车位各自对应的车位进入线和第一车位分隔线的步骤，包括：将所述待检测图像输入经过预训练的神经网络模型，输出得到每个停车位各自对应的车位进入线的位置信息和第一车位分隔线的位置信息；基于所述车位进入线的位置信息，确定每个停车位各自对应的车位进入线；基于第一车位分隔线的位置信息，确定每个停车位各自对应的第一车位分隔线。3.根据权利要求2所述的停车位检测方法，其特征在于，所述车位进入线的位置信息包括所述车位进入线的目标角点的第一坐标和车位进入线的第二端点距离所述目标角点的第一横轴相对差值和第一纵轴相对差值；基于所述车位进入线的位置信息，确定每个停车位各自对应的车位进入线的步骤，包括：基于所述目标角点的第一坐标以及所述第二端点距离所述目标角点的第一横轴相对差值和第一纵轴相对差值，确定所述第二端点的第二坐标；基于所述目标角点的第一坐标和所述第二端点的第二坐标，确定每个停车位各自对应的车位进入线。4.根据权利要求2所述的停车位检测方法，其特征在于，所述第一车位分隔线的位置信息包括所述车位进入线的目标角点的第一坐标和所述第一车位分隔线上的第三端点距离所述目标角点的第二横轴相对差值和第二纵轴相对差值；基于第一车位分隔线的位置信息，确定每个停车位各自对应的第一车位分隔线的步骤，包括：基于所述目标角点的第一坐标以及所述第三端点距离所述目标角点的第二横轴相对差值和第二纵轴相对差值，确定所述第三端点的第三坐标；基于所述目标角点的第一坐标和所述第三端点的第三坐标，确定每个停车位各自对应的第一车位分隔线。5.根据权利要求2所述的停车位检测方法，其...
【专利技术属性】
技术研发人员：李文博，赵龙，王光甫，贾澜鹏，叶年进，谭竞扬，
申请(专利权)人：长城汽车股份有限公司，
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。