车位检测方法及装置制造方法及图纸

本申请公开了一种车位检测方法及装置，该方法包括获取目标车辆在当前时刻的环境图像；根据所述当前时刻的环境图像、预设车位区域信息检测模型得到多个车位的车位区域信息；每个车位区域信息包括车位角点区域信息、车位入口区域信息、车位整体区域信息；根据所述当前时刻的环境图像、预设车位方向检测模型得到多个车位线方向信息；每条车位线方向信息包括该条车位线每个像素点的方向；根据所述多个车位区域信息、多个车位线方向信息得到当前时刻的多个车位检测结果。个车位检测结果。个车位检测结果。

【技术实现步骤摘要】
车位检测方法及装置


[0001]本申请涉及智能驾驶
，尤指一种车位检测方法及装置。

技术介绍

[0002]目前，主流的车位检测算法主要分为传统图像处理算法和基于深度学习算法的车位检测算法。基于传统图像处理的车位检测算法主要基于车位边线和角点的几何规则来检测车位，但是传统图像算法容易受光照和车位线形状变化以及障碍物干扰，导致车位检测失败。基于深度学习的车位线检测算法主要基于车位线分割和车位角点检测，或者基于车位线方向和角点回归，通过后处理得到车位角点、方向、可泊性等信息，完成车位检测。
[0003]实际场景中，很多车位角点模糊或者不可见，现有车位检测方法的车位角点和车位容易出现误检和漏检，并且车位稳定性不高。

技术实现思路

[0004]本申请提供了一种车位检测方法及装置，能够减少车位角点和车位误检和漏检。
[0005]本申请提供了一种车位检测方法，包括：
[0006]获取目标车辆在当前时刻的环境图像；
[0007]根据所述当前时刻的环境图像、预设车位区域信息检测模型得到多个车位的车位区域信息；每个车位区域信息包括车位角点区域信息、车位入口区域信息、车位整体区域信息；
[0008]根据所述当前时刻的环境图像、预设车位方向检测模型得到多个车位线方向信息；每条车位线方向信息包括该条车位线每个像素点的方向；
[0009]根据所述多个车位区域信息、多个车位线方向信息得到当前时刻的多个车位检测结果。
[0010]在一种示例性的实施例中，所述车位角点区域信息包括车位角点坐标或者包围车位角点的矩形框；
[0011]所述车位入口区域信息包括包围车位第一数量入口角点的车位入口矩形框；
[0012]所述车位整体区域信息包括包围车位第二数量的车位整体矩形框、车位类型、可泊性。
[0013]在一种示例性的实施例中，在根据所述环境图像、预设车位区域信息检测模型得到多个车位的车位区域信息之前，包括建立所述预设车位区域信息检测模型；
[0014]所述建立所述预设车位区域信息检测模型，包括：
[0015]获取环境图像，在环境图像上标注车位角点区域信息、车位入口区域信息、车位整体区域信息，得到车位区域信息训练数据集；
[0016]构建初始车位区域信息检测模型；
[0017]根据车位区域信息训练数据集训练初始车位区域信息检测模型，得到所述预设车位区域信息检测模型。
[0018]在一种示例性的实施例中，所述初始车位区域信息检测模型包括CenterNet目标检测模型。
[0019]在一种示例性的实施例中，在根据所述当前时刻的环境图像、预设车位方向检测模型得到多个车位线方向信息之前，包括建立所述预设车位方向检测模型；
[0020]所述建立所述预设车位方向检测模型，包括：
[0021]获取环境图像，在环境图像上标注每条车位线上的每个像素的方向，得到车位方向训练数据集；
[0022]构建初始车位方向检测模型；
[0023]根据车位方向训练数据集训练所述初始车位方向检测模型，得到所述预设车位方向检测模型。
[0024]在一种示例性的实施例中，所述初始车位方向检测模型包括ResNet神经网络模型。
[0025]在一种示例性的实施例中，所述车位检测结果包括车位的尾部角点坐标；
[0026]根据所述多个车位区域信息、多个车位线方向信息得到当前时刻的多个车位检测结果，包括：
[0027]根据每条车位线每个像素点的方向确定该条车位线的方向；
[0028]将每个车位区域信息与车位线进行匹配得到每个车位的车位线方向；
[0029]根据车位的入口角点坐标、车位线方向和预设的车位长度计算得到车位的尾部角点坐标。
[0030]在一种示例性的实施例中，将每个车位区域信息与车位线进行匹配得到每个车位的车位线方向，包括：
[0031]当判定车位线在车位整体矩形框内时，将该车位线匹配为该车位整体矩形框对应的车位的车位线。
[0032]在一种示例性的实施例中，所述车位检测结果还包括根据所述车位入口区域信息确定车位类型。
[0033]在一种示例性的实施例中，所述车位检测结果还包括根据所述车位整体区域信息确定车位可泊性。
[0034]本申请提供了一种车位检测装置，包括存储器和处理器，
[0035]所述存储器，用于保存用于车位检测的程序；
[0036]所述处理器，用于读取执行所述用于车位检测的程序，执行上述的车位检测方法。
[0037]本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
[0038]附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
[0039]图1为本申请实施例的车位检测方法的流程图；
[0040]图2为本申请实施例的车位示意图；
[0041]图3为本申请实施例的建立车位区域信息检测模型的流程图；
[0042]图4为本申请实施例的建立车位方向检测模型的流程图；
[0043]图5为本申请实施例的得到车位检测结果的流程图；
[0044]图6为本申请实施例的车位检测装置的示意图。
具体实施方式
[0045]图1为本申请实施例的车位检测方法的流程图，如图1所示，本实施例的车位检测方法，包括S11
‑
S14步骤：
[0046]S11、获取目标车辆在当前时刻的环境图像；
[0047]S12、根据所述当前时刻的环境图像、预设车位区域信息检测模型得到多个车位的车位区域信息；
[0048]S13、根据所述当前时刻的环境图像、预设车位方向检测模型得到多个车位线方向信息；
[0049]S14、根据所述多个车位区域信息、多个车位线方向信息得到当前时刻的多个车位检测结果。
[0050]其中，每个车位区域信息包括车位角点区域信息、车位入口区域信息、车位整体区域信息。
[0051]其中，每条车位线方向信息包括该条车位线每个像素点的方向。
[0052]在一种示例性的实施例中，环境图像可以为全景鸟瞰图(Bird
’
s Eye View即BEV)。
[0053]全景鸟瞰图可以通过图像拼接算法拼接不少于4路鱼眼摄像头采集的鱼眼图并去畸变得到。也可以通过图像拼接算法拼接其他类型摄像头采集的图像得到。
[0054]在一种示例性的实施例中，所述车位角点区域信息可以包括车位角点坐标或者包围车位角点的矩形框；
[0055]其中，车位角点坐标可以包括入口角点坐标和尾部角点坐标。入口角点坐标可以为入口角点框的中心点坐标。尾部角点坐标可以为尾部角点框的忠心点坐标。
...

【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，获取目标车辆在当前时刻的环境图像；根据所述当前时刻的环境图像、预设车位区域信息检测模型得到多个车位的车位区域信息；每个车位区域信息包括车位角点区域信息、车位入口区域信息、车位整体区域信息；根据所述当前时刻的环境图像、预设车位方向检测模型得到多个车位线方向信息；每条车位线方向信息包括该条车位线每个像素点的方向；根据所述多个车位区域信息、多个车位线方向信息得到当前时刻的多个车位检测结果。2.如权利要求1所述的车位检测方法，其特征在于，所述车位角点区域信息包括车位角点坐标或者包围车位角点的矩形框；所述车位入口区域信息包括包围车位第一数量入口角点的车位入口矩形框；所述车位整体区域信息包括包围车位第二数量的车位整体矩形框、车位类型、可泊性。3.如权利要求1所述的车位检测方法，其特征在于，在根据所述环境图像、预设车位区域信息检测模型得到多个车位的车位区域信息之前，包括建立所述预设车位区域信息检测模型；所述建立所述预设车位区域信息检测模型，包括：获取环境图像，在环境图像上标注车位角点区域信息、车位入口区域信息、车位整体区域信息，得到车位区域信息训练数据集；构建初始车位区域信息检测模型；根据车位区域信息训练数据集训练初始车位区域信息检测模型，得到所述预设车位区域信息检测模型。4.如权利要求3所述的车位检测方法，其特征在于，所述初始车位区域信息检测模型包括CenterNet目标检测模型。5.如权利要求1所述的车位检测方法，其特征在于，在根据所述当前时刻的环境图像、预设车位方向检测模型得到多个车位线方向信息之前，包括建立所述预设车位...

【专利技术属性】
技术研发人员：游忍，胡伟龙，吴冰，关称心，刘洋，刘杨，邱梦婷，赵静波，陈子一，王忆同，
申请(专利权)人：宁波吉利汽车研究开发有限公司，
类型：发明
国别省市：