泊车模型训练方法、泊车方法、计算机设备和存储介质技术

本申请涉及一种泊车模型训练方法、泊车方法、计算机设备和存储介质,获取第一训练图像，根据是否存在障碍物对所述第一训练图像进行区域分割获得第二训练图像，所述第二训练图像包括障碍物区域与泊车区域；根据所述第二训练图像淘汰障碍物区域以获得训练数据集，将所述训练数据集输入初始模型中，获得预估泊车方向；根据行驶方向的损失对初始模型进行迭代训练，以获得泊车模型，其中，泊车方向的损失根据真实泊车方向与所述预估泊车方向获得，所述真实泊车方向根据所述第二训练图像获得，采用本申请泊车模型训练方法，改善现有技术中泊车模型训练时间长、迭代次数多的问题。迭代次数多的问题。迭代次数多的问题。

【技术实现步骤摘要】
泊车模型训练方法、泊车方法、计算机设备和存储介质


[0001]本申请涉及车辆
，特别是涉及一种泊车模型训练方法、泊车方法、计算机设备和存储介质。

技术介绍

[0002]随着社会的发展，汽车为了满足人们日益增长的物质需求，常搭载许多智能功能，例如自动泊车功能。
[0003]现目前的自动泊车功能可以依靠将车位区域的图像输入神经网络模型从而生成泊车路径，但是，现目前的神经网络模型多是根据随机图像数据训练而来，需要经过长时间训练、多次迭代才能成熟，且在使用时存在大量无效图像的输入，导致自动泊车功能存在对算力要求较高、耗时过长的问题。

技术实现思路

[0004]基于此，提供一种泊车模型训练方法、泊车方法、计算机设备和存储介质，改善现有技术中泊车模型训练时间长、迭代次数多的问题。
[0005]一方面，提供一种泊车模型训练方法，所述方法包括：
[0006]获取第一训练图像，根据是否存在障碍物对所述第一训练图像进行区域区分获得第二训练图像，所述第二训练图像包括障碍物区域与泊车区域；
[0007]根据所述第二训练图像淘汰障碍物区域以获得训练数据集，将所述训练数据集输入初始模型中，获得预估泊车方向；
[0008]根据行驶方向的损失对初始模型进行迭代训练，以获得泊车模型，其中，泊车方向的损失根据真实泊车方向与所述预估泊车方向获得，所述真实泊车方向根据所述第二训练图像获得。
[0009]在一个实施例中，所述根据是否存在障碍物对所述第一训练图像进行区域分割获得第二训练图像，包括：
[0010]获取训练环境的雷达点云信息，所述雷达点云信息包括障碍物点云信息；
[0011]根据所述雷达点云信息中的障碍物点云信息与所述第一训练图像的重合匹配，分割第一训练图像中的障碍物区域与泊车区域，以获得所述第二训练图像。
[0012]在一个实施例中，所述根据所述第二训练图像淘汰障碍物区域以获得训练数据集，包括：
[0013]将所述第二训练图像按照空间数据结构划分获得所述训练数据集。
[0014]在一个实施例中，所述将所述第二训练图像按照空间数据结构划分获得所述训练数据集，包括：
[0015]根据第二训练图像获得图像矩阵，对所述图像矩阵进行窗口分割获得多个区块；
[0016]获取各个区块内像素点的指示指标，并判断所述指示指标是否大于障碍物判断阈值；
[0017]淘汰所述指示指标大于所述障碍物判断阈值的区块，并继续分割所述指示指标小于或等于所述障碍物判断阈值的区块，直至分割次数达到预定次数，则确定剩余区块为所述泊车区域；
[0018]获取所述泊车区域内像素点的全局坐标作为所述训练数据集。
[0019]在一个实施例中，所述根据行驶方向的损失对初始模型进行迭代训练，包括采用如下数学表达的损失函数：
[0020][0021]其中，Loss为所述行驶方向的损失，y
i
为根据第i个训练数据集获得的所述预估泊车方向，为第i个训练数据集的所述真实泊车方向，m为所述训练数据集的数量。
[0022]在一个实施例中，所述根据行驶方向的损失对初始模型进行迭代训练，包括：
[0023]根据所述行驶方向的损失，采用反向传播算法获得所述初始模型中每一节点对应的误差修正量；
[0024]根据所述初始模型中节点的误差修正量，对相邻两层节点之间的连接权重进行更新。
[0025]在一个实施例中，所述将所述训练数据集输入初始模型中之后还包括：
[0026]获取相邻两次输入的时间间隔，当所述时间间隔大于时间阈值时，重启所述初始模型。
[0027]又一方面，提供一种泊车方法，包括：
[0028]获取车位环境的第一环境图像，对所述第一环境图像进行区域区分获得第二环境图像，所述第二图像包括障碍物区域与泊车区域，并根据所述第二图像淘汰障碍物区域以获得输入数据集；
[0029]将所述输入数据集输入所述的泊车模型训练方法所获得的泊车模型，获得期望泊车方向，以根据所述期望泊车方向进行泊车。
[0030]再一方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述泊车模型训练方法，或者，实现所述泊车方法。
[0031]还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的泊车模型训练方法的步骤，或者，实现所述泊车方法的步骤。
[0032]上述泊车模型训练方法、泊车方法、计算机设备和存储介质，通过对训练样本进行分割处理，预先将训练图像分割为障碍物区域和可供车辆行驶的泊车区域，再将根据分割后的训练图像通过淘汰障碍物区域获得的训练数据集输入至初始模型中，有效减少了无效的图像信息输入，得以减少模型的迭代次数，缩短训练时间。
附图说明
[0033]图1为一个实施例中泊车模型训练方法的流程示意图；
[0034]图2为一个实施例中泊车模型的示意图；
[0035]图3为另一个实施例中泊车方法的流程示意图；
[0036]图4为一个实施例中系统架构的结构框图；
[0037]图5为一个实施例中计算机设备的内部结构图。
具体实施方式
[0038]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0039]本申请实施例中的模型具体可以为神经网络，神经网络可以是由神经单元组成的，通过模仿大脑神经元的感知系统，以一种机器感知、标记或聚类原始输入数据的方式来解释感官数据，神经网络可以是一种运算模型，由大量的节点(或称神经元)和之间相互联接构成。神经单元可以是指以Xi和截距1为输入的运算单元，该运算单元的输出可以为：
[0040][0041]其中，i＝1、2、
……
N，N为大于1的自然数，Wi为Xi的权重，B为神经单元的偏置。F为经单元的激活函数(Activation Functions)，用于对神经网络中获取到的特征进行非线性变换，将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是Sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。
[0042]神经网络可以被应用于自动驾驶领域，例如用于泊车环境中对泊车路径进行规划，现阶段路径规划主要是轨迹规划，基于轨迹的规划方法主要是通过动态规划，求解出一条最优的全局路径，但是该方法带来的弊端是算法时间长，神经网络即模型的迭代次数多，特别依赖算力。
[0043]本申请提供一种泊车模型训练方法，通过找出一帧图像中可能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种泊车模型训练方法，其特征在于，包括：获取第一训练图像，根据是否存在障碍物对所述第一训练图像进行区域区分获得第二训练图像，所述第二训练图像包括障碍物区域与泊车区域；根据所述第二训练图像淘汰障碍物区域以获得训练数据集，将所述训练数据集输入初始模型中，获得预估泊车方向；根据行驶方向的损失对初始模型进行迭代训练，以获得泊车模型，其中，泊车方向的损失根据真实泊车方向与所述预估泊车方向获得，所述真实泊车方向根据所述第二训练图像获得。2.根据权利要求1所述的泊车模型训练方法，其特征在于，所述根据是否存在障碍物对所述第一训练图像进行区域分割获得第二训练图像，包括：获取训练环境的雷达点云信息，所述雷达点云信息包括障碍物点云信息；根据所述雷达点云信息中的障碍物点云信息与所述第一训练图像的重合匹配，分割第一训练图像中的障碍物区域与泊车区域，以获得所述第二训练图像。3.根据权利要求1
‑
2中任意一项所述的泊车模型训练方法，其特征在于，所述根据所述第二训练图像淘汰障碍物区域以获得训练数据集，包括：将所述第二训练图像按照空间数据结构划分获得所述训练数据集。4.根据权利要求3所述的泊车模型训练方法，其特征在于，所述将所述第二训练图像按照空间数据结构划分获得所述训练数据集，包括：根据第二训练图像获得图像矩阵，对所述图像矩阵进行窗口分割获得多个区块；获取各个区块内像素点的指示指标，并判断所述指示指标是否大于障碍物判断阈值；淘汰所述指示指标大于所述障碍物判断阈值的区块，并继续分割所述指示指标小于或等于所述障碍物判断阈值的区块，直至分割次数达到预定次数，则确定剩余区块为所述泊车区域；获取所述泊车区域内像素点的全局坐标作为所述训练数据集。5.根据权利要求1所述的泊车模型训练方法，...

【专利技术属性】
技术研发人员：段益琴，
申请(专利权)人：成都赛力斯科技有限公司，
类型：发明
国别省市：