本公开实施例中提供车位姿态估计模型的训练、估计方法、装置及存储介质，训练方法包括：获取包含参考车辆及可用车位的图像数据集；基于对图像数据集中的至少部分图像进行标注以生成标签以形成训练数据集；训练基于神经网络构建的姿态估计模型，且计算模型输出相对标签的损失，迭代更新姿态估计模型的模型参数；其中，姿态估计模型包括：用于识别可用车位所在区域的目标检测模块、以及用于检测车位所在区域内车位的姿态关键信息以用于模型输出的关键对象特征检测模块；基于损失的收敛，执行对模型参数的更新。通过深度学习的姿态估计模型进行车位的目标检测以及姿态关键信息的获取，相比传统方法受到图像质量影响小且准确性好。
【技术实现步骤摘要】
本公开涉及人工智能，尤其涉及车位姿态估计模型的训练、估计方法、装置及存储介质。
技术介绍
1、在泊车车位检测领域，需要从车位图像中提取出车位的姿态信息，包括提取图像中车位的位置、朝向和尺寸等。利用这些信息，可以为车辆提供车位位置和形状的准确描述。传统的图像检测方法的性能受到图像质量和复杂度的限制。
技术实现思路
1、鉴于以上所述现有技术的缺点，本公开的目的在于提供车位姿态估计模型的训练、估计方法、装置及存储介质，解决相关技术中的问题。
2、本公开第一方面提供一种车位姿态估计模型的训练方法，包括：获取包含参考车辆及可用车位的图像数据集；基于对所述图像数据集中的至少部分图像进行标注以生成标签，并基于带有标签的已标注图像形成所述训练数据集；利用所述训练集训练基于神经网络构建的姿态估计模型，且通过损失函数计算所述姿态估计模型输出预测结果相对于标签的损失，以基于最小化所述损失为目标迭代更新所述姿态估计模型的模型参数；其中，所述姿态估计模型，包括：用于识别可用车位所在区域的目标检测模块、用于检测所述车位所在区本文档来自技高网...
【技术保护点】
1.一种车位姿态估计模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，包括：
3.根据权利要求1所述的训练方法，其特征在于，所述车位所在区域通过边界框确定；所述关键对象包括可用车位的关键点、以及连接关键点的关键线；所述标签包括：对可用车位的边界框、关键点及至少一关键线所标注的标签；所述损失为分别在所述边界框、关键点、以及至少一关键线的子预测结果上的子损失的综合结果；所述关键点包括角点，所述关键线包括连接角点的车位线。
4.根据权利要求3所述的训练方法，其特征在于，所述标签的生成方式，包括：
>5.根据权利要求1...
【技术特征摘要】
1.一种车位姿态估计模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，包括：
3.根据权利要求1所述的训练方法，其特征在于，所述车位所在区域通过边界框确定；所述关键对象包括可用车位的关键点、以及连接关键点的关键线；所述标签包括：对可用车位的边界框、关键点及至少一关键线所标注的标签；所述损失为分别在所述边界框、关键点、以及至少一关键线的子预测结果上的子损失的综合结果；所述关键点包括角点，所述关键线包括连接角点的车位线。
4.根据权利要求3所述的训练方法，其特征在于，所述标签的生成方式，包括：
5.根据权利要求1所述的训练方法，其特征在于，所述关键对象特征检测模块包括：依次连接在所述目标检测模块后级的全连接层、及门控注意力单元；其中，所述关键对象特征检测模块输出所检测到的各个关键点的表示向量；所述关键对象确定模块包括横向坐标分类器及纵向坐标分类器，所述横向坐标分类器用于根据各所述表示向量提取各个关键点的横坐标，所述纵向坐标分类器用于根据各所述表示向量提取各个关键点的纵坐标，组合每个关键点的横坐...
【专利技术属性】
技术研发人员：龙柄全，许定超，刘文，范文斌，陈睿，吴谦，彭一恒，郦金祥，代杰，王晓辉，
申请(专利权)人：上海保隆汽车科技武汉有限公司，
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。