【技术实现步骤摘要】
本申请涉及自动泊车，特别是涉及一种基于生成对抗网络的车位线增强方法、装置、介质和车辆。
技术介绍
1、当前，越来越多的车辆都配备了自动泊车功能，顾名思义，自动泊车是指汽车自动泊车入位而不需要人工控制，因而，自动泊车能够给车主节约了大量时间和精力。
2、在自动泊车功能里，车位检测是很关键的一环，而在车位检测里，停车位的成像质量又影响着车位检测的结果，若能在成像中清楚地识别到车位进入线，那么车位检测模型能很好的检测到这是停车位，车位进入线指汽车开进停车位时，停车位地面上所画的标示线。而停车位的成像通常采用avm(around view monitor，全景式监控影像系统)，即通过多个超大广角鱼眼摄像头拍摄图像，再对所拍摄图像进行畸变矫正以及拼接，形成能够反映车辆周围路况的全景影像。
3、然而，部分停车场还存在车位进入线模糊或不存在的问题，同时在拼接的过程中，avm的成像会带来不可避免的插值，导致全景影像的边缘会很模糊，而且实际应用中全景影像的图分辨率一般要选得比较大，这样车位检测模型才能鲁棒地检测到车周围的车位，但是带来的问题是图越大，成像边缘也越模糊。若直接将模糊的全景影像输入车位检测模型进行车位检测，车位检测模型难以准确识别出车位，进而出现误检或漏检的问题。
技术实现思路
1、本申请提供一种基于生成对抗网络的车位线增强方法、装置、介质和车辆，以解决直接将模糊的全景影像输入车位检测模型进行车位检测，车位检测模型难以准确识别出车位，进而出现误检或漏检的问题。p>
2、为了解决上述问题，本申请采用了以下的技术方案：
3、第一方面，本申请实施例提供了一种基于生成对抗网络的车位线增强方法，所述方法包括：
4、获取车辆的初始全景图像；所述初始全景图像是由多个鱼眼摄像头拍摄的图像，经过畸变矫正后拼接得到的；
5、将所述初始全景图像输入目标生成器中，以使所述目标生成器生成带有模拟车位进入线的目标全景图像；其中，所述目标生成器是从预训练的生成对抗网络中提取得到的；
6、将所述目标全景图像输入车位检测模型，以使所述车位检测模型基于所述模拟车位进入线进行车位检测。
7、在本申请一实施例中，所述生成对抗网络为循环生成对抗网络；所述目标生成器是通过以下步骤得到的：
8、将配对训练数据集输入初始循环生成对抗网络中进行训练，直到所述初始循环生成对抗网络满足训练结束条件，得到所述循环生成对抗网络；其中，所述配对训练数据集包括两两配对的多组图像，每组图像包括原始全景图像和在所述原始全景图像的基础上经人工标注得到的包含有人造模拟车位进入线的已标注全景图像；
9、在所述循环生成对抗网络中提取正向生成器；并将所述正向生成器作为所述目标生成器，其中，所述正向生成器用于在模型训练阶段在所述原始全景图像的基础上生成模拟车位进入线。
10、在本申请一实施例中，将配对训练数据集输入所述初始循环生成对抗网络中进行训练，包括：
11、将所述配对训练数据集的任一组图像作为当前训练组，将所述当前训练组中的原始全景图像输入到所述正向生成器中，得到带有模拟车位进入线的第一重构全景图像；将所述第一重构全景图像与所述当前训练组中的已标注全景图像输入第一判别器中进行判别，以使所述正向生成器和第一判别器进行循环对抗训练；
12、将所述已标注全景图像输入到反向生成器中，得到去除所述人造模拟车位进入线的第二重构全景图像；将所述第二重构全景图像与所述原始全景图像输入第二判别器中进行判别，以使所述反向生成器和第二判别器进行循环对抗训练。
13、在本申请一实施例中，所述训练结束条件为：所述初始循环生成对抗网络的损失函数处于稳定状态。
14、在本申请一实施例中，所述模拟车位进入线设置有分割标识，所述分割标识用于所述车位检测模型区分不同的模拟车位进入线。
15、在本申请一实施例中，所述分割标识为两个形状和/或颜色互不相同的几何图案，两个所述几何图案分别设置于所述模拟车位进入线的两端点。
16、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基于生成对抗网络的车位线增强装置，所述装置包括：
17、图像获取模块，用于获取车辆的原始全景图像；所述全景图像是由多个鱼眼摄像头拍摄的图像，经过畸变矫正后拼接得到的；
18、图像增强模块，用于将所述初始全景图像输入目标生成器中，以使所述目标生成器生成带有模拟车位进入线的目标全景图像；其中，所述目标生成器是从预训练的生成对抗网络中提取得到的；
19、图像输入模块，用于将所述目标全景图像输入车位检测模型，以使所述车位检测模型基于所述模拟车位进入线进行车位检测。
20、在本申请一实施例中，所述生成对抗网络为循环生成对抗网络，所述装置还包括生成器获取模块，所述生成器获取模块包括：
21、模型训练子模块，用于将配对训练数据集输入初始循环生成对抗网络中进行训练，直到所述初始循环生成对抗网络满足训练结束条件，得到所述循环生成对抗网络；其中，所述配对训练数据集包括两两配对的多组图像，每组图像包括原始全景图像和在所述原始全景图像的基础上经人工标注得到的包含有人造模拟车位进入线的已标注全景图像。
22、目标生成器提取子模块，用于在所述循环生成对抗网络中提取正向生成器；并将所述正向生成器作为所述目标生成器，其中，所述正向生成器用于在模型训练阶段在所述原始全景图像的基础上生成模拟车位进入线。
23、在本申请一实施例中，所述模型训练子模块包括：
24、第一循环对抗训练单元，用于将所述配对训练数据集的任一组图像作为当前训练组，将所述当前训练组中的原始全景图像输入到所述正向生成器中，得到带有模拟车位进入线的第一重构全景图像；将所述第一重构全景图像与所述当前训练组中的已标注全景图像输入第一判别器中进行判别，以使所述正向生成器和第一判别器进行循环对抗训练；
25、第二循环对抗训练单元，用于将所述已标注全景图像输入到反向生成器中，得到去除所述人造模拟车位进入线的第二重构全景图像；将所述第二重构全景图像与所述原始全景图像输入第二判别器中进行判别，以使所述反向生成器和第二判别器进行循环对抗训练。
26、在本申请一实施例中，所述训练结束条件为：所述初始循环生成对抗网络的损失函数处于稳定状态。
27、在本申请一实施例中，所述模拟车位进入线设置有分割标识，所述分割标识用于所述车位检测模型区分不同的模拟车位进入线。
28、在本申请一实施例中，所述分割标识为两个形状和/或颜色互不相同的几何图案，两个所述几何图案分别设置于所述模拟车位进入线的两端点。
29、第三方面，基于相同专利技术构思，本申请实施例提供了一种存储介质，存储介质内存储有机器可执行指令，机器可执行指令被处理器执行时实现本申请第一方面提出的基于生成对抗网络的车位线增强方法。
30、第四本文档来自技高网...
【技术保护点】
1.一种基于生成对抗网络的车位线增强方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述生成对抗网络为循环生成对抗网络；所述目标生成器是通过以下步骤得到的：
3.根据权利要求2所述的方法，其特征在于，将配对训练数据集输入所述初始循环生成对抗网络中进行训练，包括：
4.根据权利要求2所述的方法，其特征在于，所述训练结束条件为：所述初始循环生成对抗网络的损失函数处于稳定状态。
5.根据权利要求1所述的方法，其特征在于，所述模拟车位进入线设置有分割标识，所述分割标识用于所述车位检测模型区分不同的模拟车位进入线。
6.根据权利要求5所述的方法，其特征在于，所述分割标识为两个形状和/或颜色互不相同的几何图案，两个所述几何图案分别设置于所述模拟车位进入线的两端点。
7.一种基于生成对抗网络的车位线增强装置，其特征在于，所述装置包括：
8.根据权利要求7所述的装置，其特征在于，所述生成对抗网络为循环生成对抗网络，所述装置还包括生成器获取模块，所述生成器获取模块包括：
9.
10.一种车辆，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器用于执行机器可执行指令，以实现如权利要求1-6任一项所述的基于生成对抗网络的车位线增强方法。
...【技术特征摘要】
1.一种基于生成对抗网络的车位线增强方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述生成对抗网络为循环生成对抗网络；所述目标生成器是通过以下步骤得到的：
3.根据权利要求2所述的方法，其特征在于，将配对训练数据集输入所述初始循环生成对抗网络中进行训练，包括：
4.根据权利要求2所述的方法，其特征在于，所述训练结束条件为：所述初始循环生成对抗网络的损失函数处于稳定状态。
5.根据权利要求1所述的方法，其特征在于，所述模拟车位进入线设置有分割标识，所述分割标识用于所述车位检测模型区分不同的模拟车位进入线。
6.根据权利要求5所述的方法，其特征在于，所述分割标识为两个形状和/或颜色互不相同的几...
【专利技术属性】
技术研发人员：李文博，陈现岭，赵龙，颉毅，贾澜鹏，叶年进，
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。