一种车位检测方法、装置、设备及存储介质与流程

1.本发明涉及自动泊车技术领域，尤其涉及一种车位检测方法、装置、设备及存储介质。


背景技术：

2.随着汽车行业的快速发展，自动泊车系统也越来越普遍。自动泊车系统的主要框架为“车位检测+轨迹规划+路径跟踪”，其中车位检测是整个系统的基础与前提，其性能直接影响最终的泊车效果。
3.目前，车位检测的方式有两大类：一类是基于超声波雷达的车位检测，通过判断车位周围障碍物的间距来实现，即利用超声波反射原理，计算车辆与周围障碍物的相对距离，再根据里程计数器判断检测到的车位大小是否满足停车需求；另一类是基于视觉传感器的车位检测，通过识别图像中的车位线来完成。超声波雷达车位检测精度差且依赖外部环境，基于视觉传感器的车位检测，视觉处理计算量大，对算力要求高。因此如何采用较少的计算量达到精确的车位检测成为一个亟待解决的问题。
4.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

5.本发明的主要目的在于提供了一种车位检测方法、装置、设备及存储介质，旨在解决现有技术无法采用较少的计算量实现精确的车位检测的技术问题。
6.为实现上述目的，本发明提供了一种车位检测方法，所述车位检测方法包括以下步骤：
7.获取车辆环视图像信息；
8.通过卷积神经网络对所述车辆环视图像信息进行分析，得到待检测车位的车位头部位置信息和所述待检测车位的车位角点位置信息；
9.根据所述车位头部位置信息和所述车位角点位置信息对所述待检测车位对应的车位类型进行分析，获得车位类型信息；
10.根据所述车位类型信息、所述车位角点位置信息和预设标准车位信息对所述待检测车位的位置进行计算，获得车位位置信息。
11.可选的，所述根据所述车位头部位置信息和所述车位角点位置信息对所述待检测车位的车位类型进行分析，获得车位类型信息的步骤，包括：
12.根据所述车位头部位置信息选择所述待检测车位对应的区域置信度最大的车位头部区域，并对所述车位头部区域对应的头部区域置信度的大小进行分析；
13.在所述头部区域置信度大于第一预设值时，根据所述车位角点信息对所述车位头部区域是否存在有效角点进行分析；
14.在所述车位头部区域存在有效角点时，获取所述车位头部区域对应的有效角点数
目；
15.根据所述有效角点数目对所述待检测车位对应的车位类型进行分析，获得车位类型信息。
16.可选的，所述根据所述根据所述有效角点数目对所述待检测车位对应的车位类型进行分析，获得车位类型信息的步骤，包括：
17.在所述有效角点数目为1时，对所述车位头部区域的有效角点置信度的大小进行分析；
18.在所述有效角点置信度大于第二预设值时，根据所述车位头部区域的头部区域宽度对所述待检测车位对应的车位类型进行分析；
19.在所述头部区域宽度大于第三预设值时，判定车位类型为平行车位类型；
20.在所述头部区域宽度大于第四预设值且小于第三预设值时，判定车位类型为垂直车位类型。
21.可选的，所述根据所述根据所述有效角点数目对所述待检测车位对应的车位类型进行分析，获得车位类型信息的步骤，还包括：
22.在所述有效角点数目大于1时，获取多个有效角点相互之间的角点间距信息；
23.根据所述角点间距信息，获取角点间距与预设垂直车位宽度之间的垂直偏差距离；
24.在所述垂直偏差距离小于第五预设值时，判定车位类型为垂直车位类型。
25.可选的，所述在所述有效角点数目大于1时，获取多个有效角点相互之间的角点间距信息的步骤之后，还包括：
26.根据所述角点间距信息，获取角点间距与预设平行车位宽度之间的平行偏差距离；
27.在所述平行偏差距离小于第五预设值时，判定车位类型为平行车位类型。
28.可选的，所述根据所述根据所述有效角点数目对所述待检测车位对应的车位类型进行分析，获得车位类型信息的步骤，还包括：
29.在所述有效角点数目为0时，判定车位类型为无有效车位类型。
30.可选的，所述根据所述车位头部位置信息选择所述待检测车位对应的区域置信度最大的车位头部区域，并对所述车位头部区域对应的头部区域置信度的大小进行分析的步骤之后，还包括：
31.在所述头部区域置信度小于第一预设值时，判定车位类型为无效车位类型。
32.此外，为实现上述目的，本发明还提出一种车位检测装置，所述车位检测装置包括：
33.图像信息获取模块，用于获取车辆环视图像信息；
34.图像信息分析模块，用于通过卷积神经网络对所述车辆环视图像信息进行分析，得到待检测车位的车位头部位置信息和所述待检测车位的车位角点位置信息；
35.车位类型分析模块，用于根据所述车位头部位置信息和所述车位角点位置信息对所述待检测车位对应的车位类型进行分析，获得车位类型信息；
36.位置信息计算模块，用于根据所述车位类型信息、所述车位角点位置信息和预设标准车位信息对所述待检测车位的位置进行计算，获得车位位置信息。
37.此外，为实现上述目的，本发明还提出一种车位检测设备，所述车位检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车位检测程序，所述车位检测程序配置为实现如上文所述的车位检测方法的步骤
38.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有车位检测程序，所述车位检测程序被处理器执行时实现如上文所述的车位检测方法的步骤。
39.本发明通过获取车辆环视图像信息；通过卷积神经网络对所述车辆环视图像信息进行分析，得到待检测车位的车位头部位置信息和所述待检测车位的车位角点位置信息；根据所述车位头部位置信息和所述车位角点位置信息对所述待检测车位对应的车位类型进行分析，获得车位类型信息；根据所述车位类型信息、所述车位角点位置信息和预设标准车位信息对所述待检测车位的位置进行计算，获得车位位置信息。相较于目前的车位检测技术，本发明通过获取车位类型并反推车位角点位置信息，极大的减少了计算量的同时还能对车位实现精确的检测。
附图说明
40.图1是本发明实施例方案涉及的硬件运行环境的车位检测设备的结构示意图；
41.图2为本发明车位检测方法第一实施例的流程示意图；
42.图3为本发明车位检测方法第二实施例的流程示意图；
43.图4为本发明车位检测方法第三实施例的流程示意图；
44.图5为本发明车位检测方法第四实施例的流程示意图；
45.图6为本发明车位检测装置第一实施例的结构框图。
46.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
47.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
48.参照图1，图1为本发明实施例方案涉及的硬件运行环境的车位检测设备结构示意图。
49.如图1所示，该车位检测设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
50.本领域技术人员可以理解，图1中示出的结构并不构成对车位检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
51.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车位检测程序。
52.在图1所示的车位检测设备中，网络接口1004主要用于与网络服务器进行数据通
信；用户接口1003主要用于与用户进行数据交互；本发明车位检测设备中的处理器1001、存储器1005可以设置在车位检测设备中，所述车位检测设备通过处理器1001调用存储器1005中存储的车位检测程序，并执行本发明实施例提供的车位检测方法。
53.本发明实施例提供了一种车位检测方法，参照图2，图2为本发明车位检测方法第一实施例的流程示意图。
54.本实施例中，所述车位检测方法包括以下步骤：
55.步骤s10：获取车辆环视图像信息。
56.需要说明的是，本实施例的执行主体是计算机，车辆环视图像信息可通过鱼眼摄像头来获取，鱼眼摄像头具有视角大的特点，可以对车辆周围的全景环视图像信息进行采集，该环视图像中包含车位的部分图像信息，并不包括完整的车位图像信息。
57.步骤s20：通过卷积神经网络对所述车辆环视图像信息进行分析，得到待检测车位的车位头部位置信息和所述待检测车位的车位角点位置信息。
58.需要说明的是，车位头部位置信息包括车辆环视图像中车位头部所处位置以及置信度，置信度是指该车位头部处于该区域的可信程度；车位角点位置信息包括车位角点的类型及位置，车位角点类型主要包括l型和t型。在本实施例中，根据车辆环视图像可得到车位局部位置信息，并不能得到完整的车位信息，需要通过卷积神经网络模型对采集到的车辆环视图像进行特征提取与分析，得到车位头部位置信息和车位角点位置信息。
59.步骤s30：根据所述车位头部位置信息和所述车位角点位置信息对所述待检测车位对应的车位类型进行分析，获得车位类型信息。
60.可以理解的是，在本实施例中，可预先设计一个车位类型判定模块，该车位类型判定模块可根据车位头部位置信息和车位角点位置信息对待检测的车位类型进行分析，得到车位类型。其中，车位类型可分为平行车位、垂直车位等，本实施例对此不加以限制。
61.步骤s40：根据所述车位类型信息、所述车位角点位置信息和预设标准车位信息对所述待检测车位的位置进行计算，获得车位位置信息。
62.可以理解的是，在本实施例中，车位一般都是依据标准车位进行设计的，在确定车位类型后，可根据车位类型从预先存储的标准车位信中获取到标准车位尺寸信息，再根据车位角点位置信息中的车位角点间距，即可通过数学模型反推计算得到车位的完整位置信息。
63.本实施例通过获取车辆环视图像信息；通过卷积神经网络对所述车辆环视图像信息进行分析，得到待检测车位的车位头部位置信息和所述待检测车位的车位角点位置信息；根据所述车位头部位置信息和所述车位角点位置信息对所述待检测车位对应的车位类型进行分析，获得车位类型信息；根据所述车位类型信息、所述车位角点位置信息和预设标准车位信息对所述待检测车位的位置进行计算，获得车位位置信息。相较于目前的车位检测技术，本实施例通过获取车位类型并反推车位角点位置信息，极大的减少了计算量的同时还能对车位实现精确的检测。
64.参考图3，图3为本发明车位检测方法第二实施例的流程示意图，基于上述第一实施例，提出本发明车位检测方法的第二实施例。
65.在本实施例中，所述步骤s30包括：
66.步骤s31:根据所述车位头部位置信息选择所述待检测车位对应的区域置信度最
大的车位头部区域，并对所述车位头部区域对应的头部区域置信度的大小进行分析。
67.可以理解的是，根据头部位置对应的区域置信度选择最大的车位头部区域，即从车辆环视图像的多个车位头部位置区域中选择最可靠的车位头部位置区域。上述步骤可通过卷积神经网络模型计算完成，即将各车位头部位置对应置信度进行大小比较，选出头部位置对应置信度大的车位。
68.步骤s32：在所述头部区域置信度大于第一预设值时，根据所述车位角点信息对所述车位头部区域是否存在有效角点进行分析。
69.可以理解的是，第一预设值是头部区域置信度的最低参考值，即使选取的车位头部区域的置信度在车辆环视图像信息中是最大的，但该置信度需大于最低参考值才具备一定程度的可信度。因此需要将该置信度与第一预设值作比较，在该置信度大于第一预设值时，该置信度对应的车位头部区域作为预备车位(即可能符合泊车需求的车位)，此时还需进行下一步检测，即对该车位头部区域的车位角点进行有效性判断(即判断该车位头部区域的车位角点是否可信)。
70.步骤s33：在所述车位头部区域存在有效角点时，获取所述车位头部区域对应的有效角点数目。
71.可以理解的是，在该车位头部区域存在有效角点时，需要将该有效角点对应的信息提取出来，该有效角点信息包括有效角点数目信息和有效角点之间的间距信息；还需将无效角点信息剔除。
72.步骤s34：根据所述有效角点数目对所述待检测车位对应的车位类型进行分析，获得车位类型信息。
73.可以理解的是，有效角点的数目不同，对车位头部区域的大小的判断方式亦不同。在有效角点数目为1时，无法根据有效角点间距来判断车位的大小，可根据车辆环视图像信息中车位头部区域的宽度来进行大小判断，进而将大小判断结果与预先存储的车位宽度范围进行比对，得到车位类型。
74.进一步的，在本实施例中，所述步骤s31之后，还包括：
75.步骤31'：在所述头部区域置信度小于第一预设值时，判定车位类型为无效车位类型。
76.可以理解的是，在头部区域置信度小于第一预设值时，即表示该头部区域不具备可信度，进一步的，该头部区域对应的车位也不具备可信度，因此该车位为无效车位。该车位对应的头部区域置信度已经为最大值，代表其可信度是最高的，在该车位都不具备可信度的情况下，可以判断周围没有有效车位。
77.本实施例通过对车位头部区域的置信度进行判断，进而选择可信度最大的车位头部区域，并进一步对该车位头部区域内的有效角点数目进行分析，根据有效角点数目对车位类型进行判断，得到车位类型信息。
78.参考图4，图4为本发明车位检测方法第三实施例的流程示意图。
79.在本实施例中，所述步骤s34包括：
80.步骤s01：在所述有效角点数目为1时，对所述车位头部区域的有效角点置信度的大小进行分析。
81.需要说明的是，在有效角点数目为1时，需要对该有效角点的置信度进行分析，即
判断该有效角点的可信程度。若该车位头部区域的唯一有效角点的可信程度不高，则该有效角点对应的车位便不具备可信度，无法作为泊车位，也无需进行进一步的车位检测，要另寻其他车位。
82.步骤s02：在所述有效角点置信度大于第二预设值时，根据所述车位头部区域的头部区域宽度对所述待检测车位对应的车位类型进行分析。
83.可以理解的是，第二预设值为有效角点置信度的最低限值，即当有效角点的置信度大于该第二预设值时，该有效角点具备可信度，该有效角点对应的车位可作为泊车的选择之一。此时还需对车位头部区域的头部区域宽度的大小进行分析，该头部区域宽度信息可从上述车位头部区域信息中提取得到。
84.步骤s03：在所述头部区域宽度大于第三预设值时，判定车位类型为平行车位类型；
85.步骤s04：在所述头部区域宽度大于第四预设值且小于第三预设值时，判定车位类型为垂直车位类型。
86.需要说明的是，平行车位是指与汽车处于平行状态的车位，平行车位靠近车辆的车位头部区域宽度对应汽车的侧面宽度，该宽度较大。垂直车位是指与汽车处于垂直状态的车位，垂直车位靠经车辆的车位头部区域对应汽车车头宽度，该宽度较小。第三预设值是区分平行车位对应头部区域宽度与垂直车位对应头部宽度的预设宽度值。第四预设值是标准车位对应的最小车头宽度(即该车位的车头区域宽度值的最小值)。因此在检测到的头部区域宽度大于第三预设值时，可判断该车位的类型为平行车位类型；在检测到的头部区域宽度小于第三预设值大于预设第四预设值时，可判断该车位的类型为垂直车位类型。
87.进一步的，在本实施例中，所述步骤s34还包括：
88.步骤s34'：在所述有效角点数目为0时，判定车位类型为无有效车位类型。
89.可以理解的是，置信度最大的车位头部区域中不存在有效角点时，也表示该车位头部区域对应的车位的可信度较低，不能作为泊车位。因此可判断该车位类型位无有效车位类型，即该车位对应的类型位不可用的车位类型。
90.本实施例在有效角点数目为1时，通过车位头部区域的头部区域宽度对待检测车位的车位类型进行判断，准确的识别出当前待检测车位的车位类型，一百年自动泊车系统根据该车位类型进行自动泊车。
91.参考图5，图5为本发明车位检测方法第四实施例的流程示意图。
92.在本实施例中，所述步骤s34，还包括：
93.步骤s341：在所述有效角点数目大于1时，获取多个有效角点相互之间的角点间距信息。
94.需要说明的是，当待检测车位头部区域中检测到多个有效角点时，可根据有效角点相互之间的间距来进行车位类型判断，相较于上述根据车位头部区域宽度进行判断，根据车位有效角点间距进行的车位类型判断会更为准确。角点间距信息是指两个角点之间的间距，若有效角点的数目大于2，则可获取所有效角点之间的间距(即每个角点与全部剩余角点之间的间距)，角点间距信息越多，对车位类型的判断越准确。
95.步骤s342：根据所述角点间距信息，获取角点间距与预设垂直车位宽度之间的垂直偏差距离。
96.需要说明的是，预设垂直车位宽度是预先存储的标准垂直车位的宽度，将角点间距与该预设宽度进行减法运算，即可得到垂直偏差距离，该垂直偏差距离可以看作该车位与标准垂直车位之间的误差信息。
97.步骤s343：在所述垂直偏差距离小于第五预设值时，判定车位类型为垂直车位类型。
98.可以理解的是，该第五预设值为最大误差距离值，预先存储与计算机或其车位检测设备上。在该垂直偏差距离小于第五预设值时，即代表该偏差距离误差属于可以接受的范畴，可判定该车位为垂直车位类型。
99.进一步的，在本实施例中，所述步骤s34，还包括：
100.步骤s342':根据所述角点间距信息，获取角点间距与预设平行车位宽度之间的平行偏差距离；
101.步骤s343'：在所述平行偏差距离小于第五预设值时，判定车位类型为平行车位类型。
102.可以理解的是，在对该车位进行垂直车位的检测后，还需进行平行车位的检测，还预设平行车位宽度为预设标准平行车位的宽度。若该车位与平行车位之间的偏差距离亦小于第五预设值，则将垂直车位对应的偏差距离与平行车位类型对应的偏差距离机械能比较，选取偏差距离更小的作为车位类型。
103.本实施例在有效角点数目大于1的时候，将有效角点之间的间距与标准车位的头部宽度进行比较，根据比较结果来进行车位类型判断，使得到的车位类型更为准确。
104.此外，本发明实施例还提出一种存储介质，所述存储介质上存储有车位检测程序，所述车位检测程序被处理器执行时实现如上文所述的车位检测方法的步骤。
105.参照图6，图6为本发明车位装置第一实施例的结构框图。
106.如图6所示，本发明实施例提出的车位检测装置包括：
107.图像信息获取模块501，用于获取车辆环视图像信息。
108.需要说明的是，本实施例的执行主体是计算机，车辆环视图像信息可通过鱼眼摄像头来获取，鱼眼摄像头具有视角大的特点，可以对车辆周围的全景环视图像信息进行采集，该环视图像中包含车位的部分图像信息，并不包括完整的车位图像信息。
109.图像信息分析模块502，用于通过卷积神经网络对所述车辆环视图像信息进行分析，得到待检测车位的车位头部位置信息和所述待检测车位的车位角点位置信息。
110.需要说明的是，车位头部位置信息包括车辆环视图像中车位头部所处位置以及置信度，置信度是指该车位头部处于该区域的可信程度；车位角点位置信息包括车位角点的类型及位置，车位角点类型主要包括l型和t型。在本实施例中，根据车辆环视图像可得到车位局部位置信息，并不能得到完整的车位信息，需要通过卷积神经网络模型对采集到的车辆环视图像进行特征提取与分析，得到车位头部位置信息和车位角点位置信息。
111.车位类型分析模块503，用于根据所述车位头部位置信息和所述车位角点位置信息对所述待检测车位对应的车位类型进行分析，获得车位类型信息。
112.可以理解的是，在本实施例中，可预先设计一个车位类型判定模块，该车位类型判定模块可根据车位头部位置信息和车位角点位置信息对待检测的车位类型进行分析，得到车位类型。其中，车位类型可分为平行车位、垂直车位等，本实施例对此不加以限制。
113.位置信息计算模块504，用于根据所述车位类型信息、所述车位角点位置信息和预设标准车位信息对所述待检测车位的位置进行计算，获得车位位置信息。
114.可以理解的是，在本实施例中，车位一般都是依据标准车位进行设计的，在确定车位类型后，可根据车位类型从预先存储的标准车位信中获取到标准车位尺寸信息，再根据车位角点位置信息中的车位角点间距，即可通过数学模型反推计算得到车位的完整位置信息。
115.本实施例通过获取车辆环视图像信息；通过卷积神经网络对所述车辆环视图像信息进行分析，得到待检测车位的车位头部位置信息和所述待检测车位的车位角点位置信息；根据所述车位头部位置信息和所述车位角点位置信息对所述待检测车位对应的车位类型进行分析，获得车位类型信息；根据所述车位类型信息、所述车位角点位置信息和预设标准车位信息对所述待检测车位的位置进行计算，获得车位位置信息。相较于目前的车位检测技术，本实施例通过获取车位类型并反推车位角点位置信息，极大的减少了计算量的同时还能对车位实现精确的检测。
116.本发明车位检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
117.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
118.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
119.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
120.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。