【技术实现步骤摘要】
本申请涉及智能驾驶领域，具体涉及一种车位检测方法、装置及电子设备。
技术介绍
1、自动泊车是智能驾驶领域中的关键技术，在自动泊车的过程中，需要对车位和车位内的限位块进行识别，根据识别出的车位和限位块规划车辆的自动泊车路径。
2、在相关技术中，常通过目标检测的方法分别识别出车位框和限位块，再将车位和限位块匹配，得到限位块在车位中的具体情况，由于车位和限位块都会同时存在多个，使得整体的匹配过程较为复杂，处理效率较低。
技术实现思路
1、有鉴于此，本申请实施例提出了一种车位检测方法、装置及电子设备，其能够通过车位中心点对应的限位块置信度来确定对应车位是否存在限位块，从而实现了车位和限位块的耦合检测，提高了车位检测的效率。
2、本申请实施例是采用以下技术方案来实现的：
3、第一方面，本申请实施例提供了一种车位检测方法，方法包括：获取目标图像；将所述目标图像输入预训练的神经网络模型，得到输出结果，所述输出结果包括车位中心点、以及车位中心点对应的限位块置信度、车位角点偏移量和限位块关键点偏移量，所述预训练的神经网络模型基于样本图像训练得到，所述样本图像中携带有数据标签，所述数据标签包括车位中心点真值，各车位中心点真值对应的限位块置信度真值、限位块关键点偏移量真值和车位角点偏移量真值；若基于所述限位块置信度，确定该车位中心点对应的车位存在限位块，基于所述车位中心点、所述车位角点偏移量和所述限位块关键点偏移量，确定所述车位中心点对应车位的车位检测结果，所述车位检
4、第二方面，本申请实施例提供了一种车位检测装置，装置包括：获取模块，用于获取目标图像；检测模块，用于将所述目标图像输入预训练的神经网络模型，得到输出结果，所述输出结果包括车位中心点、以及车位中心点对应的限位块置信度、车位角点偏移量和限位块关键点偏移量，所述预训练的神经网络模型基于样本图像训练得到，所述样本图像中携带有数据标签，所述数据标签包括车位中心点真值，各车位中心点真值对应的限位块置信度真值、限位块关键点偏移量真值和车位角点偏移量真值；输出模块，用于若基于所述限位块置信度，确定该车位中心点对应的车位存在限位块，基于所述车位中心点、所述车位角点偏移量和所述限位块关键点偏移量，确定所述车位中心点对应车位的车位检测结果，所述车位检测结果包括车位角点位置和该车位内的限位块位置。
5、在一些实施方式中，检测模块还用于将所述目标图像输入预训练的神经网络模型，得到多通道的特征图，所述多通道的特征图包括车位中心热力图；基于所述车位中心热力图中多个局部峰值点分别对应的车位置信度，从多个局部峰值点中确定车位中心点，所述车位置信度用于表征该局部峰值点为车位中心点的置信度。
6、在一些实施方式中，检测模块还用于从多个局部峰值点中选取车位置信度大于第一置信度阈值的候选局部峰值点；若候选局部峰值点的数量大于预设数量阈值，根据所述车位置信度，从大到小依次选取预设数量的候选局部峰值点确定为车位中心点；若候选局部峰值点的数量不大于预设数量阈值，将候选局部峰值点确定为车位中心点。
7、在一些实施方式中，多通道的特征图还包括限位块置信度特征图、角点偏移量特征图和限位块关键点偏移量特征图，检测模块还用于基于所述车位中心点在限位块置信度特征图上的位置，以及所述限位块置信度特征图，确定车位中心点对应的限位块置信度；基于所述车位中心点在角点偏移量特征图上的位置，以及所述角点偏移量特征图，确定车位中心点对应的车位角点偏移量；基于所述车位中心点在限位块关键点偏移量特征图上的位置，以及所述限位块关键点偏移量特征图，确定车位中心点对应的限位块关键点偏移量。
8、在一些实施方式中，车位检测装置还包括训练模块，训练模块用于将所述样本图像输入到初始神经网络模型中，得到各样本图像对应的预测结果，所述预测结果包括预测车位中心点、以及预测车位中心点对应的预测限位块置信度、预测车位角点偏移量和预测限位块关键点偏移量；基于所述数据标签和所述预测结果，计算模型损失；基于该模型损失调整所述初始神经网络模型的模型参数，得到预训练的神经网络模型。
9、在一些实施方式中，输出单元还用于若所述限位块置信度大于第二置信度阈值，确定该车位中心点对应的车位存在限位块；基于所述车位中心点和所述车位角点偏移量，确定车位角点位置；基于所述车位中心点和所述限位块关键点偏移量，确定车位内的限位块位置；基于所述车位角点位置和所述车位内的限位块位置得到所述车位中心点对应车位的车位检测结果。
10、在一些实施方式中，输出单元还用于若基于所述限位块置信度，确定该车位中心点对应的车位不存在限位块，基于所述车位中心点和所述车位角点偏移量，确定所述车位中心点对应车位的车位检测结果，所述车位检测结果包括车位角点位置。
11、在一些实施方式中，获取模块还用于获取多路鱼眼图像；基于所述多路鱼眼图像进行拼接，得到候选图像；对所述候选图像进行预处理，得到目标图像，所述预处理包括格式转换、图像压缩和归一化处理中的至少一项。
12、第三方面，本申请实施例提供了一种电子设备，包括一个或多个处理器，存储器；一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行上述方法。
13、第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有程序代码，所述程序代码可被处理器调用执行上述方法。
14、本申请实施例提供的一种车位检测方法、装置及电子设备，方法包括：获取目标图像；将目标图像输入预训练的神经网络模型，得到输出结果，输出结果包括车位中心点、以及车位中心点对应的限位块置信度、车位角点偏移量和限位块关键点偏移量；若基于限位块置信度，确定该车位中心点对应的车位存在限位块，基于车位中心点、车位角点偏移量和限位块关键点偏移量，确定车位中心点对应车位的车位检测结果，车位检测结果包括车位角点位置和该车位内的限位块位置；通过本申请提供的车位检测方法，根据车位中心点确定车位位置，并根据车位中心点对应的限位块置信度，确定该车位中心点对应车位是否存在限位块，进而在车位存在限位块时，输出车位角点位置和限位块位置，实现了车位和限位块的耦合检测，避免了需要分别检测限位块和车位，再将限位块和车位匹配的过程，提高了车位检测的效率。
15、本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
本文档来自技高网...【技术保护点】
1.一种车位检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述目标图像输入预训练的神经网络模型，得到输出结果，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述车位中心热力图中多个局部峰值点分别对应的车位置信度，从多个局部峰值点中确定车位中心点，包括：
4.根据权利要求2所述的方法，其特征在于，所述多通道的特征图还包括限位块置信度特征图、角点偏移量特征图和限位块关键点偏移量特征图，所述将所述目标图像输入预训练的神经网络模型，得到输出结果，还包括：
5.根据权利要求1所述的方法，其特征在于，所述将所述目标图像输入预训练的神经网络模型，得到输出结果之前，所述方法包括：
6.根据权利要求1所述的方法，其特征在于，所述若基于所述限位块置信度，确定该车位中心点对应的车位存在限位块，基于所述车位中心点、所述车位角点偏移量和所述限位块关键点偏移量，确定所述车位中心点对应车位的车位检测结果，包括：
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
8.根据权利
9.一种车位检测装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括：
11.一种计算机可读存储介质，其特征在于，包括：所述计算机可读存储介质存储有程序代码，所述程序代码可被处理器调用执行如权利要求1-8中任意一项的方法。
...【技术特征摘要】
1.一种车位检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述目标图像输入预训练的神经网络模型，得到输出结果，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述车位中心热力图中多个局部峰值点分别对应的车位置信度，从多个局部峰值点中确定车位中心点，包括：
4.根据权利要求2所述的方法，其特征在于，所述多通道的特征图还包括限位块置信度特征图、角点偏移量特征图和限位块关键点偏移量特征图，所述将所述目标图像输入预训练的神经网络模型，得到输出结果，还包括：
5.根据权利要求1所述的方法，其特征在于，所述将所述目标图像输入预训练的神经网络模型，得到输出结果之前，所述方法包括...
【专利技术属性】
技术研发人员：余蒙，陈文浩，付颖，何俏君，李梓龙，杨炎艺，
申请(专利权)人：广州汽车集团股份有限公司，
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。