【技术实现步骤摘要】
本专利技术涉及智能汽车，尤其涉及一种泊车场景图像的生成方法、装置和设备。
技术介绍
1、随着目前城市车辆的保有量逐渐增多，城市停车位难以跟上汽车增长的步伐，城市交通情况越发恶劣和复杂，加剧了停车位资源的紧张态势。停车位检测技术是自动泊车环境感知系统中的一个关键技术，停车位检测的效果很大程度上影响整个泊车过程的安全性和稳定性。
2、在现有技术中，通常通过超声波雷达检测车位和障碍物目标信息或摄像头检测车位信息和障碍物边界信息来实现自动泊车，但通过超声波雷达检测障碍物的误检频率较高，容易出现障碍物边界丢失和存在盲区；通过摄像头检测车位信息容易受到拍摄照片质量和光线等因素的干扰，现有技术无法保障自动泊车的精确性。
技术实现思路
1、本专利技术所要解决的技术问题是，提供一种泊车场景图像的生成方法、装置和设备，能够生成泊车场景图像，实现停车位的精确检测，保障了自动泊车的精确性，并具有较高的鲁棒性，能够适应多种自动泊车环境。
2、为解决以上技术问题，本专利技术实施例提供一种泊车场景图像的生成方法，包括：
3、根据车辆上的摄像头拍摄的图像，获得环境图像；
4、根据车载毫米波雷达，获得毫米波雷达的点云数据；
5、采用预训练得到的特征提取模型，提取所述环境图像中的第一特征和所述点云数据中的第二特征；所述第一特征为所述环境图像中的停车位的特征；所述第二特征为所述点云数据中的停车位的特征；
6、提取所述环境图像中的第一目标区域；所述第
7、提取所述点云数据中的第二目标区域；所述第二目标区域为所述点云数据中的停车位的区域；
8、根据所述第一目标区域和所述第二目标区域，计算得到共同目标区域；
9、采用跨模态融合技术，交叉融合所述第一特征和所述第二特征，得到融合特征；
10、根据所述共同目标区域和所述融合特征，获得泊车场景图像。
11、作为上述方案的改进，所述根据所述第一目标区域和所述第二目标区域，计算得到共同目标区域，包括：
12、将所述第一目标区域和所述第二目标区域转换至同一坐标系中，得到所述第一目标区域和所述第二目标区域的交集区域s1和并集区域s2；
13、根据目标匹配权重，确定共同目标区域；所述目标匹配权重为所述交集区域与所述并集区域的比值s1/s2。
14、作为上述方案的改进，提取所述环境图像中的第一目标区域，包括：
15、通过预设的深度神经网络处理所述环境图像，得到各锚框的权重最大区域；所述预设的深度神经网络用于从环境图像中筛选出符合停车位特点的区域；
16、结合所述各锚框的权重最大区域，从所述环境图像中提取出第一目标区域。
17、作为上述方案的改进，所述预训练得到的特征提取模型通过神经网络预训练得到，并被训练用于提取环境图像和点云数据中包括的停车位的特征；所述停车位的特征包括停车线的颜色、类型、停车位的方位、坐标和障碍物的大小、距离及运动情况。
18、作为上述方案的改进，所述根据所述共同目标区域和所述融合特征，获得泊车场景图像，包括：
19、根据所述共同目标区域，得到候选停车位的区域；
20、根据所述融合特征，以能否进行泊车操作为标准，筛选所述候选停车位的区域，得到泊车场景图像。
21、作为上述方案的改进，所述根据车辆上的摄像头拍摄的图像，获得环境图像，包括：
22、获取所述车辆上的摄像头拍摄的图像，对所述拍摄的图像进行图像预处理，得到环境图像；所述图像预处理包括去噪和图像增强。
23、作为上述方案的改进，所述根据车载毫米波雷达，获得毫米波雷达的点云数据，包括：
24、获取所述车载毫米波雷达的输出数据，对所述输出数据进行数据预处理，得到毫米波雷达的点云数据；所述数据预处理包括滤波和去除离群点。
25、本专利技术实施例还提供了一种泊车场景图像的生成装置，包括：
26、环境图像获取模块，用于根据车辆上的摄像头拍摄的图像，获得环境图像；
27、点云数据获取模块，用于根据车载毫米波雷达，获得毫米波雷达的点云数据；
28、特征提取模块，用于采用预训练得到的特征提取模型，提取所述环境图像中的第一特征和所述点云数据中的第二特征；所述第一特征为所述环境图像中的停车位的特征；所述第二特征为所述点云数据中的停车位的特征；
29、第一目标区域获取模块，用于提取所述环境图像中的第一目标区域；所述第一目标区域为所述环境图像中的停车位的区域
30、第二目标区域获取模块，用于提取所述点云数据中的第二目标区域；所述第二目标区域为所述点云数据中的停车位的区域；
31、共同目标区域获取模块，用于根据所述第一目标区域和所述第二目标区域，计算得到共同目标区域；
32、融合特征获取模块，用于采用跨模态融合技术，交叉融合所述第一特征和所述第二特征，得到融合特征；
33、泊车场景图像获取模块，用于根据所述共同目标区域和所述融合特征，获得泊车场景图像。
34、作为上述方案的改进，所述预训练得到的特征提取模型通过神经网络预训练得到，并被训练用于提取环境图像和点云数据中包括的停车位的特征；所述停车位的特征包括停车线的颜色、类型、停车位的方位、坐标和障碍物的大小、距离及运动情况。
35、本专利技术实施例还提供了一种泊车场景图像的生成设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的一种泊车场景图像的生成方法。
36、与现有技术相比，本专利技术公开的一种泊车场景图像的生成方法、装置和设备，通过根据车辆上的摄像头拍摄的图像，获得环境图像；根据车载毫米波雷达，获得毫米波雷达的点云数据；采用预训练得到的特征提取模型，提取所述环境图像中的第一特征和所述点云数据中的第二特征；所述第一特征为所述环境图像中的停车位的特征；所述第二特征为所述点云数据中的停车位的特征；提取所述环境图像中的第一目标区域；所述第一目标区域为所述环境图像中的停车位的区域；提取所述点云数据中的第二目标区域；所述第二目标区域为所述点云数据中的停车位的区域；根据所述第一目标区域和所述第二目标区域，计算得到共同目标区域；采用跨模态融合技术，交叉融合所述第一特征和所述第二特征，得到融合特征；根据所述共同目标区域和所述融合特征，获得泊车场景图像。采用本专利技术实施例，能够自动获取环境图像和点云数据，并提取特征和目标区域，生成泊车场景图像，实现停车位的精确检测，保障了泊车的精确性，具有较高的鲁棒性，能够适应多种自动泊车场景。
本文档来自技高网...【技术保护点】
1.一种泊车场景图像的生成方法，其特征在于，包括：
2.如权利要求1所述的一种泊车场景图像的生成方法，其特征在于，所述根据所述第一目标区域和所述第二目标区域，计算得到共同目标区域，包括：
3.如权利要求1所述的一种泊车场景图像的生成方法，其特征在于，所述提取所述环境图像中的第一目标区域，包括：
4.如权利要求1所述的一种泊车场景图像的生成方法，其特征在于，所述预训练得到的特征提取模型通过神经网络预训练得到，并被训练用于提取环境图像和点云数据中包括的停车位的特征；所述停车位的特征包括停车线的颜色、类型、停车位的方位、坐标和障碍物的大小、距离及运动情况。
5.如权利要求1所述的一种泊车场景图像的生成方法，其特征在于，所述根据所述共同目标区域和所述融合特征，获得泊车场景图像，包括：
6.如权利要求1所述的一种泊车场景图像的生成方法，其特征在于，所述根据车辆上的摄像头拍摄的图像，获得环境图像，包括：
7.如权利要求1所述的一种泊车场景图像的生成方法，其特征在于，所述根据车载毫米波雷达，获得毫米波雷达的点云数据，包括：
8.一种泊车场景图像的生成装置，其特征在于，包括：
9.如权利要求8所述的一种泊车场景图像的生成装置，其特征在于，所述预训练得到的特征提取模型通过神经网络预训练得到，并被训练用于提取环境图像和点云数据中包括的停车位的特征；所述停车位的特征包括停车线的颜色、类型、停车位的方位、坐标和障碍物的大小、距离及运动情况。
10.一种泊车场景图像的生成设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的一种泊车场景图像的生成方法。
...【技术特征摘要】
1.一种泊车场景图像的生成方法，其特征在于，包括：
2.如权利要求1所述的一种泊车场景图像的生成方法，其特征在于，所述根据所述第一目标区域和所述第二目标区域，计算得到共同目标区域，包括：
3.如权利要求1所述的一种泊车场景图像的生成方法，其特征在于，所述提取所述环境图像中的第一目标区域，包括：
4.如权利要求1所述的一种泊车场景图像的生成方法，其特征在于，所述预训练得到的特征提取模型通过神经网络预训练得到，并被训练用于提取环境图像和点云数据中包括的停车位的特征；所述停车位的特征包括停车线的颜色、类型、停车位的方位、坐标和障碍物的大小、距离及运动情况。
5.如权利要求1所述的一种泊车场景图像的生成方法，其特征在于，所述根据所述共同目标区域和所述融合特征，获得泊车场景图像，包括：
6.如权利要求1所述的一种泊车场景图像...
【专利技术属性】
技术研发人员：克坤永，
申请(专利权)人：华人运通上海自动驾驶科技有限公司，
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。