车位识别方法、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种车位识别方法、计算机设备和存储介质。


背景技术：

2.随着自动泊车应用在车辆上越来越普及，用户对自动泊车的性能要求也原来越高。在车位感知领域，绝大多数车企已经配套了车位线感知方案，对于较为标准且清晰的车位线，很多已有方案都能达到不错的表现。然而，停车场场景是一个较为随机且少有结构化标准的场景，多数的停车场并不理想，例如车位形状不标准，地面凹陷较多，车位线存在磨损等，对于这种非标准停车场场景，目前的车位线感知方案无法准确识别到车位线，进而无法准确识别到车位。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种能够提高车位识别的准确率的车位识别方法、计算机设备和存储介质。
4.一种车位识别方法，该方法包括：
5.获取当前帧对应的车位鸟瞰图；
6.将车位鸟瞰图输入至语义分割网络中，得到语义分割网络输出的车位线类型语义分割结果和车位占用性语义分割结果；
7.根据车位线类型语义分割结果和车位占用性语义分割结果，确定车位鸟瞰图中各车位对应的车位信息。
8.在其中一个实施例中，获取车位鸟瞰图之后，还包括：对获取的车位鸟瞰图进行缩放操作，得到缩放后的车位鸟瞰图，对缩放后的车位鸟瞰图进行数据格式转换，得到转换后的车位鸟瞰图，对转换后的车位鸟瞰图进行减均值操作，得到符合语义分割网络输入的车位鸟瞰图。
9.在其中一个实施例中，车位鸟瞰图的生成步骤包括：获取自动驾驶车辆上各摄像头设备采集的区域图像，通过全景环视系统算法对各区域图像进行拼接，得到车位鸟瞰图。
10.在其中一个实施例中，将车位鸟瞰图输入至语义分割网络中，得到语义分割网络输出的车位线类型语义分割结果和车位占用性语义分割结果，包括：将车位鸟瞰图输入至语义分割网络，语义分割网络包括编码器、解码器和像素嵌入层，通过语义分割网络中的编码器对车位鸟瞰图进行特征提取，得到车位鸟瞰图特征，通过语义分割网络中的解码器对车位鸟瞰图特征中的低阶特征和高阶特征进行组合，并通过上采样操作还原得到中间车位鸟瞰图，中间车位鸟瞰图与输入的车位鸟瞰图输入尺寸大小相同，通过语义分割网络中的像素嵌入层对中间车位鸟瞰图进行像素聚类，输出车位线类型语义分割结果和车位占用性语义分割结果。
11.在其中一个实施例中，车位线类型语义分割结果包括车位入口线语义分割结果、
车位左边线内边缘语义分割结果、车位右边线内边缘语义分割结果、车位底边线语义分割结果、车位轮档线语义分割结果中的至少一种。
12.在其中一个实施例中，车位占用性语义分割结果为车位被占用语义分割结果或车位未被占用语义分割结果。
13.在其中一个实施例中，根据车位线类型语义分割结果和车位占用性语义分割结果确定车位鸟瞰图中各车位对应的车位信息，包括：根据车位线类型语义分割结果获取各类型对应的车位线分割点，对同一类型的车位线分割点进行聚类，得到各类型对应的车位线，根据各类型对应的车位线进行车位构造，得到各车位对应的车位角点坐标，根据各车位角点坐标和车位占用性语义分割结果确定车位鸟瞰图中各车位对应的车位信息。
14.在其中一个实施例中，根据车位线类型语义分割结果获取各类型对应的车位线分割点，包括：对车位线类型语义分割结果中的各像素点进行类型提取，得到各像素点对应的类型信息，根据各像素点对应的类型信息从车位线类型语义分割结果中确定对应的车位线分割点。
15.在其中一个实施例中，将车位线类型语义分割结果中每个像素点进行类型提取，得到对应的各类型，包括：根据车位线类型语义结果获取当前像素点在不同通道上的通道值，将通道值最大的通道对应的类型确定为当前像素点的类型信息。
16.在其中一个实施例中，对同一类型的车位线分割点进行聚类，得到各类型对应的车位线，包括：对同一类型的车位线分割点进行排序，得到排序后的同一类型对应的车位线分割点，对排序后的同一类型的车位线分割点进行聚类，得到各类型对应的中间车位线，对各类型对应的中间车位线进行直线拟合，得到各类型对应的车位线。
17.在其中一个实施例中，根据各类型对应的车位线进行车位构造，得到各车位对应的车位角点坐标，包括：根据几何规则对各类型对应的车位线进行匹配，确定得到多个目标车位线集，目标车位线集包括目标车位入口线、目标车位左边线和目标车位右边线，根据各目标车位线集中的目标车位入口线、目标车位左边线和目标车位右边线构造得到各目标车位，获取各目标车位对应的车位角点坐标。
18.在其中一个实施例中，根据各车位角点坐标和车位占用性语义分割结果确定车位鸟瞰图中各车位对应的车位信息，包括：根据车位占用性语义分割结果确定各车位对应的车位可用性状态，获取各车位对应的车位角点坐标，根据车位线类型语义分割结果获取各车位对应的车位标识和车位类型，根据车位可用性状态、车位角点坐标、车位标识和车位类型生成车位鸟瞰图中各车位对应的车位信息。
19.在其中一个实施例中，上述方法还包括：获取上一帧鸟瞰图中各车位对应的车位信息，根据上一帧鸟瞰图中各车位对应的车位信息和当前帧的车位鸟瞰图中的各车位对应的车位信息进行置信度计算，得到对应的置信度值，根据置信度值对上一帧的车位鸟瞰图中的各车位和当前车位鸟瞰图中的各车位进行车位匹配操作。
20.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
21.获取当前帧对应的车位鸟瞰图；
22.将车位鸟瞰图输入至语义分割网络中，得到语义分割网络输出的车位线类型语义分割结果和车位占用性语义分割结果；
23.根据车位线类型语义分割结果和车位占用性语义分割结果，确定车位鸟瞰图中各车位对应的车位信息。
24.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
25.获取当前帧对应的车位鸟瞰图；
26.将车位鸟瞰图输入至语义分割网络中，得到语义分割网络输出的车位线类型语义分割结果和车位占用性语义分割结果；
27.根据车位线类型语义分割结果和车位占用性语义分割结果，确定车位鸟瞰图中各车位对应的车位信息。
28.上述车位识别方法、计算机设备和存储介质，通过语义分割网络对当前帧的车位鸟瞰图进行语义分割，得到车位线类型语义分割结果和车位占用性语义分割结果，根据车位线类型语义分割结果和车位占用性语义分割结果进行车位构造，以及确定已构造好的车位对应的车位信息。使用语义分割网络可以对一些非标准停车场场景的非标准车位形状的车位鸟瞰图进行语义分割，能够准确地识别出在非标准停车场场景下的车位以及车位信息，车辆可以根据识别出的车位以及车位信息在非标准停车场场景中进行精准停车。
附图说明
29.图1为一个实施例中车位识别方法的应用环境图；
30.图2为一个实施例中车位识别方法的流程示意图；
31.图3为一个实施例中车位鸟瞰图的示意图；
32.图4为一个实施例中计算机设备的内部结构图。
具体实施方式
33.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
34.本技术提供的车位识别方法，可以应用于如图1所示的应用环境中。其中，车载终端102通过网络与服务器104进行通信。其中，车载终端102可以但不限于是与车辆连接的各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
35.具体地，车载终端102获取到当前帧对应的车位鸟瞰图，并发送至服务器104，服务器104将车位鸟瞰图输入至语义分割网络中，得到语义分割网络输出的车位线类型语义分割结果和车位占用性语义分割结果，根据车位线类型语义分割结果和车位占用性语义分割结果，确定车位鸟瞰图中各车位对应的车位信息。最后，服务器将车位鸟瞰图中各车位对应的车位信息返回至车载终端102。
36.在另一个实施例中，车载终端102获取到当前帧对应的车位鸟瞰图，将车位鸟瞰图输入至语义分割网络中，得到语义分割网络输出的车位线类型语义分割结果和车位占用性语义分割结果，根据车位线类型语义分割结果和车位占用性语义分割结果，确定车位鸟瞰图中各车位对应的车位信息。
37.在一个实施例中，如图2所示，提供了一种车位识别方法，以该方法应用于图1中的终端或服务器为例进行说明，包括以下步骤：
38.步骤202，获取当前帧对应的车位鸟瞰图。
39.其中，车位鸟瞰图为单帧图像，当前帧的车位鸟瞰图为目前正在处理的车位鸟瞰图，车位鸟瞰图是根据透视原理,用高视点透视法从高处某一点俯视地面起伏绘制成的停车位立体图。其中，车位鸟瞰图可以通过自动驾驶车辆或者有人驾驶车辆的周围的摄像头设备在车辆准备停车时，拍摄的各图像采集拼接得到的。
40.具体地，自动驾驶车辆或者有人驾驶车辆在准备停车时，开启车辆周围的摄像头设备实时采集视频图像，可以从采集到的视频图像中确定一帧图像，确定为当前帧对应的车位鸟瞰图。
41.步骤204，将车位鸟瞰图输入至语义分割网络中，得到语义分割网络输出的车位线类型语义分割结果和车位占用性语义分割结果。
42.其中，这里的语义分割网络是用来进行语义分割的神经网络，所谓的语义分割是对车位鸟瞰图中的每一个像素进行分类，得到车位线类型语义分割结果和车位占用性语义分割结果。其中，车位线类型语义分割结果是车位鸟瞰图中车位线类型相关的语义分割结果，车位占用性语义分割结果是车位鸟瞰图中车位线的有效性相关的语义分割结果。
43.其中，语义分割网络包括但不限于编码器、解码器和像素嵌入层，编码器为语义分割网络的特征提取部分，对输入的车辆鸟瞰图进行特征提取，而解码器为语义分割网络的特征组合及上采样部分，对编码器所提及的特征进行组合和上采样处理，而像素嵌入层为语义分割网络的输出层，对编码器组合和上采样处理得到的数据进行像素聚类，最终输出车位线类型语义分割结果和车位占用性语义分割结果。
44.步骤206，根据车位线类型语义分割结果和车位占用性语义分割结果，确定车位鸟瞰图中各车位对应的车位信息。
45.其中，车位信息是与车位相关的信息，包括但不限于车位可用状态、车位类型、车位角点坐标、车位标识等，所谓车位可用状态是车位是否可以使用的状态，车位可用状态例如可以是车位非占用，车位被占用。
46.其中，车位类型是车位的类型，例如车位类型可以是水平车位、垂直车位和斜向车位。其中，车位角点坐标是车位的四个角点的坐标，而车位标识是车位的唯一标识，例如可以是车位id。
47.具体地，在得到车位类型语义分割结果和车位占用性语义分割结果，可以根据车位类型语义分割结果和车位占用性语义分割结果拼接出车位鸟瞰图中的各车位，进而获得各车位的车位可用状态、车位类型、车位角点坐标和车位标志，组成车位鸟瞰图中各车位对应的车位信息。
48.上述车位识别方法中，通过语义分割网络对当前帧的车位鸟瞰图进行语义分割，得到车位线类型语义分割结果和车位占用性语义分割结果，根据车位线类型语义分割结果和车位占用性语义分割结果进行车位构造，以及确定已构造好的车位对应的车位信息。使用语义分割网络可以对一些非标准停车场场景的非标准车位形状的车位鸟瞰图进行语义分割，能够准确地识别出在非标准停车场场景下的车位以及车位信息，车辆可以根据识别出的车位以及车位信息在非标准停车场场景中进行精准停车。
49.在一个实施例中，获取车位鸟瞰图之后，还包括：
50.对获取的车位鸟瞰图进行缩放操作，得到缩放后的车位鸟瞰图。
51.对缩放后的车位鸟瞰图进行数据格式转换，得到转换后的车位鸟瞰图。
52.对转换后的车位鸟瞰图进行减均值操作，得到符合语义分割网络输入的车位鸟瞰图。
53.其中，在得到当前帧的车位鸟瞰图后，可以对当前帧的车位鸟瞰图进行预处理，得到符合语义分割网络输入的车位鸟瞰图，进而输入至语义分割网络中进行语义分割。
54.具体地，首先，可以将获取到的车位鸟瞰图进行缩放操作，将原来尺寸大小的车位鸟瞰图缩放至目标尺寸大小的车位鸟瞰图，例如，将原来尺寸的大小为768*768的车位鸟瞰图缩放为目标尺寸大小384*384的车位鸟瞰图，即缩放操作就是将获取到的车位鸟瞰图中的像素点经过算法映射到目标图像的像素点的过程，车位鸟瞰图进行缩放操作后，缩放后的车位鸟瞰图计算简单，硬件实现所需资源变少，提高计算速度。
55.其次，再对缩放后的车位鸟瞰图进行数据格式转换，将原来数据格式转换为目标数据格式，例如，缩放后的车位鸟瞰图的原来数据格式为nv12，目标数据格式为rgb，则得到rgb格式的车位鸟瞰图。其中，rgb是通过对红(r)、绿(g)、蓝(b)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，rgb即是代表红、绿、蓝三个通道的颜色。
56.最后，对转换后的车位鸟瞰图进行减均值操作，得到符合语义分割网络输入的车位鸟瞰图。其实也就是将转换后的车位鸟瞰图进行标准化，使得语义分割网络更容易收敛，提高语义分割网络的识别率。例如，转换后的车位鸟瞰图为rgb格式的车位鸟瞰图，rgb为三个通道，对每个通道中的所有像素值进行减均值操作，最终得到符合语义分割网络的输入的车位鸟瞰图。
57.在一个实施例中，车位鸟瞰图的生成步骤包括：
58.获取自动驾驶车辆上各摄像头设备采集的区域图像。
59.通过全景环视系统算法对各区域图像进行拼接，得到车位鸟瞰图。
60.其中，自动驾驶车辆是无人驾驶的车辆，通过计算机系统实现无人驾驶的车辆，在自动驾驶车辆的周围设置有多个摄像头设备，例如，在自动驾驶车辆的前保险杠、后备箱、后视镜上设置有四个外置鱼眼相机。
61.具体地，获取自动驾驶车辆上各摄像头设备采集的区域图像，区域图像是对应的摄像头设备采集到的部分区域图像，通过全景环视系统算法(avm，around view monitor)对各区域图像进行拼接，得到车位鸟瞰图。可以理解为，将各区域图像，投影到某个在自动驾驶车辆上方平行地面拍摄的相机的平面上去，得到车位鸟瞰图，其中，车位鸟瞰图的清晰度比各区域图像的清晰度高。例如，如图3所示，图3示出一个实施例中车位鸟瞰图的示意图。
62.在一个实施例中，将车位鸟瞰图输入至语义分割网络中，得到语义分割网络输出的车位线类型语义分割结果和车位占用性语义分割结果，包括：
63.将车位鸟瞰图输入至语义分割网络，语义分割网络包括编码器、解码器和像素嵌入层。
64.通过语义分割网络中的编码器对车位鸟瞰图进行特征提取，得到车位鸟瞰图特征。
65.其中，语义分割网络可以包括编码器、解码器和像素嵌入层，编码器为语义分割网络的特征提取部分，对输入的车辆鸟瞰图进行特征提取，而解码器为语义分割网络的特征组合及上采样部分，对编码器所提及的特征进行组合和上采样处理，而像素嵌入层为语义分割网络的输入层，对编码器组合和上采样处理得到的数据进行像素聚类。
66.具体地，将车位鸟瞰图输入至语义分割网络，通过语义分割网络中的编码器对车位鸟瞰图进行特征提取，得到车位鸟瞰图特征。其中，车位鸟瞰图特征可以包括低阶特征和高阶特征。
67.通过语义分割网络中的解码器对车位鸟瞰图特征中的低阶特征和高阶特征进行组合，并通过上采样操作还原得到中间车位鸟瞰图，中间车位鸟瞰图与输入的车位鸟瞰图输入尺寸大小相同。
68.通过语义分割网络中的像素嵌入层对中间车位鸟瞰图进行像素聚类，输出车位线类型语义分割结果和车位占用性语义分割结果。
69.其中，车位鸟瞰图特征可以包括低阶特征和高阶特征，通过语义分割网络中的解码器对车位鸟瞰图特征中的低阶特征和高阶特征进行组合，并对组合后的特征进行上采样操作，还原得到中间车位鸟瞰图。其中，中间车位鸟瞰图的尺寸大小与输入的车位鸟瞰图的尺寸大小相同。其中，语义分割网络的解码器由若干卷积层及反卷积层按照一定规则排列组成，负责将编码器所提取的低阶特征和高阶特征进行组合，并通过上采样最终还原至网络输入尺寸大小。
70.进一步地，在得到中间车位鸟瞰图后，通过语义分割网络中的像素嵌入层对中间车位鸟瞰图进行像素聚类，具体可以是，像素嵌入层依据距离学习损失函数的输入要求，为中间车位鸟瞰图提供维度数据，并由距离学习损失函数在其上进行像素聚类，最终输出车位线类型语义分割结果和车位占用性语义分割结果。
71.在一个实施例中，车位线类型语义分割结果包括车位入口线语义分割结果、车位左边线内边缘语义分割结果、车位右边线内边缘语义分割结果、车位底边线语义分割结果、车位轮档线语义分割结果中的至少一种。
72.其中，车位线类型语义分割结果是车位鸟瞰图中车位线类型相关的语义分割结果，车位线包括车位入口线、车位左边线内边缘、车位右边线内边缘、车位底边线以及车位轮档线，车位入口线语义分割结果是车位入口线对应的语义分割结果，车位左边线内边缘语义分割结果是车位左边线内边缘对应的语义分割结果，车位右边线内边缘语义分割结果是车位右边线内边缘对应的语义分割结果，车位底边线语义分割结果是车位底边线对应的语义分割结果，车位轮档线语义分割结果是车位轮档线对应的语义分割结果。而车位线类型语义结果可以包括上述语义分割结果中的至少一种。
73.在一个实施例中，车位占用性语义分割结果提供车位占用或未被占用两种信息。
74.语义分割网络可以通过车位鸟瞰图中每一像素进行识别，确定出车位是否被占用，从而得到车位占用性语义分割结果。
75.在一个实施例中，根据车位线类型语义分割结果和车位占用性语义分割结果确定车位鸟瞰图中各车位对应的车位信息，包括：
76.根据车位线类型语义分割结果获取各类型对应的车位线分割点。
77.对同一类型的车位线分割点进行聚类，得到各类型对应的车位线。
78.根据各类型对应的车位线进行车位构造，得到各车位对应的车位角点坐标。
79.根据各车位角点坐标和车位占用性语义分割结果确定车位鸟瞰图中各车位对应的车位信息。
80.其中，在得到车位线类型语义分割结果和车位占用性语义分割结果，可以根据车位线类型语义分割结果获取各类型对应的车位线分割点，具体可以是对车位线类型语义分割结果中每个像素点进行类型及亮度的提取，确定车位线类型语义分割结果对应的各类型，再通过各类型对应的类型信息从车位线类型语义分割结果中获取对应的车位线分割点，所谓车位线分割点其实就是组成车位线的点，因为车位线其实是多条车位线段组成的，而每一车位线段又是由多个点组成的，因此可以理解为车位线分割点就是组成车位线段的点。
81.进一步地，在得到各类型对应的车位线分割点后，对同一类型的车位线分割点进行聚类，确定哪些车位线分割点属于同一条车位线线段。简单点来说，就是由点到线的过程，将同一类型的车位线分割点进行聚类，得到各类型对应的车位线。
82.其中，在得到各类型对应的车位线后，根据各类型对应的车位线进行车位构造，通常来说，一个完整的车位可以包括车位入口线、车位左边线、车位右边线，在某些情况下，车位还可以轮档线，因此，可以根据该原则对各类型对应的车位线进行车位构造，得到车位鸟瞰图中各车位。进一步地，从构造好的各车位中，获取对应的车位角点坐标。其中，一个车位可以包括四个车位角点坐标，分别为车位左上角点坐标，车位右上角点坐标、车位左下角点坐标和车位右下角点坐标。
83.最后，在得到各车位对应的车位角点坐标后，根据车位占用性语义分割结果确定车位可用状态，还可以通过之前构造好的各车位确定车位类型以及车位标识，根据各车位的车位角点坐标、车位可用状态、车位类型和车位标识生成车位鸟瞰图中各车位对应的车位信息。
84.在一个实施例中，根据车位线类型语义分割结果获取各类型对应的车位线分割点，包括：
85.对车位线类型语义分割结果中的各像素点进行类型提取，得到各像素点对应的类型信息。
86.根据各像素点对应的类型信息从车位线类型语义分割结果中确定对应的车位线分割点。
87.具体地，将车位线类型语义分割结果中每一像素点进行类型提取，可以通过同一像素点在各通道的通道值确定得到各像素点对应的类型信息。其中，这里的类型信息是各像素点对应的类型相关的信息。
88.进一步地，再根据各像素点对应的类型信息从车位线类型语义分割结果中获取对应的车位线分割点。其实，也就是将车位线类型语义分割结果中属于同一类型的车位线分割点进行聚类，得到各类型信息对应的车位线分割点。
89.在一个实施例中，将车位线类型语义分割结果中每个像素点进行类型提取，得到对应的各类型，包括：
90.根据车位线类型语义结果获取当前像素点在不同通道上的通道值。
91.将通道值最大的通道对应的类型确定为当前像素点的类型信息。
92.其中，当前像素点是车位线类型语义分割结果中所有像素点中的任一像素点，根据车位线类型语义分割结果中获取当前像素点在不同通道上的通道值，例如，获取当前像素点在r、g、b通道上对应的通道值。
93.进一步地，比较当前像素点在不同通道上的通道值，将通道值最大的通道对应的类型确定为当前像素点的类型信息，依次类推，得到车位线类型语义分割结果中所有像素点对应的类型信息，根据类型信息确定得到对应的类型。
94.在一个实施例中，对同一类型的车位线分割点进行聚类，得到各类型对应的车位线，包括：
95.对同一类型的车位线分割点进行排序，得到排序后的同一类型对应的车位线分割点。
96.对排序后的同一类型的车位线分割点进行聚类，得到各类型对应的中间车位线。
97.对各类型对应的中间车位线进行直线拟合，得到各类型对应的车位线。
98.其中，在得到各类型对应的车位线分割点后，对属于同一类型的车位线分割点进行排序，得到排序后的同一类型对应的车位线分割点，其中，排序可以按照排序规则进行排序，排序规则可以是按照车位线分割点的位置信息进行排序，具体可以根据实际业务需求、实际产品需求或实际应用场景确定得到。
99.进一步地，在得到排序后的同一类型对应的车位线分割点后，对排序后的同一类型的车位线分割点进行聚类，可以使用聚类算法对排序后的同一类型的车位线分割点进行聚类，通过各类型聚类后的车位线分割点生成各类型对应的车位线段，最终再根据各类型对应的车位线段生成对应的中间车位线。其中，聚类算法可以是dbscan聚类算法。
100.最后，为了提高车位线的识别准确率，减少车位线的识别错误率，需要对各类型对应的中间车位线进行直线拟合，可以通过直线拟合算法对各类型的中间车位线进行直线拟合，得到各类型对应的车位线。其中，直线拟合算法可以是最小二乘、hough变换。
101.在一个实施例中，根据各类型对应的车位线进行车位构造，得到各车位对应的车位角点坐标，包括：
102.根据几何规则对各类型对应的车位线进行匹配，确定得到多个目标车位线集，目标车位线集包括目标车位入口线、目标车位左边线和目标车位右边线。
103.根据各目标车位线集中的目标车位入口线、目标车位左边线和目标车位右边线构造得到各目标车位。
104.获取各目标车位对应的车位角点坐标。
105.其中，在得到各类型对应的车位线后，由于一个完整的车位包括车位入口线、车位左边线和车位右边线，可以通过几何规则的先验性约束，将各类型对应的车位线进行配对，得到多个目标车位线集，各目标车位线集包括目标车位入口线、目标车位左边线和目标车位右边线。也就是说，目标车位线集可以组成一个完整的车位。
106.进一步地，因为车位的车位顶点坐标只能在车位构造好之后才能确定出来，因此在得到各目标车位线集后，通过目标车位线集中的目标车位入口线、目标车位左边线和目标车位右边线可以构造得到目标车位，最后，获取构造好的各目标车位对应的四个顶点坐标，即车位角点坐标，四个车位角点例如可以是车位左上角、车位右上角、车位左下角和车位右下角。
107.在一个实施例中，根据各车位角点坐标和车位占用性语义分割结果确定车位鸟瞰图中各车位对应的车位信息，包括：
108.根据车位占用性语义分割结果确定各车位对应的车位可用性状态。
109.获取各车位对应的车位角点坐标。
110.根据车位线类型语义分割结果获取各车位对应的车位标识和车位类型。
111.根据车位可用性状态、车位角点坐标、车位标识和车位类型生成车位鸟瞰图中各车位对应的车位信息。
112.其中，由于车位占用性语义分割结果是体现车位占用情况对应的语义分割结果，因此，可以通过车位占用性语义分割结果确定各车位对应的车位可用性状态，车位可用性状态包括车位占用状态和车位未被占用状态，车位占用状态说明车位被其他物体占用，车位未被占用状态说明车位属于空闲状态。
113.进一步地，由于车位线类型语义分割结果中记录了车位线类型对应的所有语义分割结果，可以通过车位线类型语义分割结果进行车位构造，得到各车位，再从车位线类型语义分割结果中获得已构造好的车位对应的车位标识和车位类型，所谓车位标识是用来唯一标识车位的，可以是车位id，不同车位对应的车位标识不同，而车位类型是已构造好的车位所属于的类型，例如可以是水平车位、垂直车位或斜向车位。
114.最后，可以通过车位可用性状态、车位角点坐标、车位标识和车位类型生成车位鸟瞰图中各车位对应的车位信息，例如，可以由各车位的车位可用性状态、车位角点坐标、车位标识和车位类型组成对应的车位信息。
115.在一个实施例中，上述方法还包括：
116.获取上一帧鸟瞰图中各车位对应的车位信息。
117.根据上一帧鸟瞰图中各车位对应的车位信息和当前帧的车位鸟瞰图中的各车位对应的车位信息进行置信度计算，得到对应的置信度值。
118.根据置信度值对上一帧的车位鸟瞰图中的各车位和当前车位鸟瞰图中的各车位进行车位匹配操作。
119.其中，在得到当前帧的车位鸟瞰图中各车位对应的车位信息后，可以通过多帧车位平滑及跟踪，对前后两帧车位鸟瞰图中的各车位进行匹配操作，保证最终多帧融合后的车位识别更加准确。具体地，获取上一帧鸟瞰图中各车位对应的车位信息，通过上一帧鸟瞰图中各车位对应的车位信息和当前帧的车位鸟瞰图中的各车位对应的车位信息进行置信度计算，得到置信度值。其实，置信度计算是用来判断上一帧鸟瞰图中各车位与当前帧鸟瞰图中各车位是否匹配，因此，在得到置信度值后，可以根据置信度值对上一帧的车位鸟瞰图中的各车位和当前车位鸟瞰图中的各车位进行车位匹配操作，避免前后帧的车位鸟瞰图中的各车位出现不匹配，使得前后帧的车位鸟瞰图的各车位更好地融合，避免某一帧车位鸟瞰图中的车位出现误识别或者漏检的情况。
120.在一个实施例中，还可以对多帧的车位鸟瞰图进行平滑及追踪，多帧的车位鸟瞰图包括车位整体像素位置的跟踪，将当前帧的车位鸟瞰图所识别出的车位作为输入，参与多帧的车位信息包括：当前帧的车位四个顶点像素坐标，当前帧的车位置信度，当前帧车位占用状态，多帧目标的置信度评估公式为：
[0121][0122]
其中dt代表t时刻的置信度，d(t-1)代表t-1时刻的置信度，a为车位检测置信度，b为跟踪置信度，c为跟踪和检测结果相似度，n是连续检测帧数，t是常数阈值，作用是调整置信度累计速度。具体可以分为一下步骤进行：
[0123]
1、将当前车位组成的四边形作为匹配对象，与历史中多帧结果进行四边形面积重合度匹配，通过设置阈值，可以判定当前车位是否与上一帧中的车位形成匹配条件，并标志上id号。
[0124]
2、根据多帧目标置信度评估公式计算出当前时刻的车位置信度，由于现阶段还未加入跟踪模块，多帧置信度计算只考虑车位检测置信度值。所以计算方式为：
[0125][0126]
a代表车位当前帧的检测置信度。
[0127]
3、将当前车位的有效性标志进行滤波平滑。
[0128]
4、对车位入口线，车位边线，轮挡位置，以及底边线等进行滤波平滑处理后，输出到结果多帧检测队列中去。
[0129]
如果存在当前帧车位漏检，但经过车位多帧输出车位的目标，这里会融合前后帧的车速以及转角信息进行车位角点位置的估算，估算的值将会被更新到当前帧的最终输出中去。
[0130]
应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0131]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是车载终端，也可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车位识别方法。
[0132]
图4所示的计算机设备仅是一个示例，并且计算机设备可以具有比图4中所示的更多的或者更少的部件，可以组合两个或多个的部件，或者可以具有不同的部件配置。例如，在该计算机设备为车载终端时，还可以包括显示屏和输入装置，该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触
控板或鼠标等。在该计算机设备为服务器时，该计算机设备还可以包括数据库，该计算机设备的数据库用于存储车位信息。同时，图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
[0133]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取当前帧对应的车位鸟瞰图，将车位鸟瞰图输入至语义分割网络中，得到语义分割网络输出的车位线类型语义分割结果和车位占用性语义分割结果，根据车位线类型语义分割结果和车位占用性语义分割结果，确定车位鸟瞰图中各车位对应的车位信息。
[0134]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对获取的车位鸟瞰图进行缩放操作，得到缩放后的车位鸟瞰图，对缩放后的车位鸟瞰图进行数据格式转换，得到转换后的车位鸟瞰图，对转换后的车位鸟瞰图进行减均值操作，得到符合语义分割网络输入的车位鸟瞰图。
[0135]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取自动驾驶车辆上各摄像头设备采集的区域图像，通过全景环视系统算法对各区域图像进行拼接，得到车位鸟瞰图。
[0136]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将车位鸟瞰图输入至语义分割网络，语义分割网络包括编码器、解码器和像素嵌入层，通过语义分割网络中的编码器对车位鸟瞰图进行特征提取，得到车位鸟瞰图特征，通过语义分割网络中的解码器对车位鸟瞰图特征中的低阶特征和高阶特征进行组合，并通过上采样操作还原得到中间车位鸟瞰图，中间车位鸟瞰图与输入的车位鸟瞰图输入尺寸大小相同，通过语义分割网络中的像素嵌入层对中间车位鸟瞰图进行像素聚类，输出车位线类型语义分割结果和车位占用性语义分割结果。
[0137]
在一个实施例中，车位线类型语义分割结果包括车位入口线语义分割结果、车位左边线内边缘语义分割结果、车位右边线内边缘语义分割结果、车位底边线语义分割结果、车位轮档线语义分割结果中的至少一种。
[0138]
在一个实施例中，车位占用性语义分割结果为车位被占用语义分割结果或车位未被占用语义分割结果。
[0139]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据车位线类型语义分割结果获取各类型对应的车位线分割点，对同一类型的车位线分割点进行聚类，得到各类型对应的车位线，根据各类型对应的车位线进行车位构造，得到各车位对应的车位角点坐标，根据各车位角点坐标和车位占用性语义分割结果确定车位鸟瞰图中各车位对应的车位信息。
[0140]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对车位线类型语义分割结果中的各像素点进行类型提取，得到各像素点对应的类型信息，根据各像素点对应的类型信息从车位线类型语义分割结果中确定对应的车位线分割点。
[0141]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据车位线类型语义结果获取当前像素点在不同通道上的通道值，将通道值最大的通道对应的类型确定为当前像素点的类型信息。
[0142]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对同一类型的车位
线分割点进行排序，得到排序后的同一类型对应的车位线分割点，对排序后的同一类型的车位线分割点进行聚类，得到各类型对应的中间车位线，对各类型对应的中间车位线进行直线拟合，得到各类型对应的车位线。
[0143]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据几何规则对各类型对应的车位线进行匹配，确定得到多个目标车位线集，目标车位线集包括目标车位入口线、目标车位左边线和目标车位右边线，根据各目标车位线集中的目标车位入口线、目标车位左边线和目标车位右边线构造得到各目标车位，获取各目标车位对应的车位角点坐标。
[0144]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据车位占用性语义分割结果确定各车位对应的车位可用性状态，获取各车位对应的车位角点坐标，根据车位线类型语义分割结果获取各车位对应的车位标识和车位类型，根据车位可用性状态、车位角点坐标、车位标识和车位类型生成车位鸟瞰图中各车位对应的车位信息。
[0145]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取上一帧鸟瞰图中各车位对应的车位信息，根据上一帧鸟瞰图中各车位对应的车位信息和当前帧的车位鸟瞰图中的各车位对应的车位信息进行置信度计算，得到对应的置信度值，根据置信度值对上一帧的车位鸟瞰图中的各车位和当前车位鸟瞰图中的各车位进行车位匹配操作。
[0146]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取当前帧对应的车位鸟瞰图，将车位鸟瞰图输入至语义分割网络中，得到语义分割网络输出的车位线类型语义分割结果和车位占用性语义分割结果，根据车位线类型语义分割结果和车位占用性语义分割结果，确定车位鸟瞰图中各车位对应的车位信息。
[0147]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对获取的车位鸟瞰图进行缩放操作，得到缩放后的车位鸟瞰图，对缩放后的车位鸟瞰图进行数据格式转换，得到转换后的车位鸟瞰图，对转换后的车位鸟瞰图进行减均值操作，得到符合语义分割网络输入的车位鸟瞰图。
[0148]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取自动驾驶车辆上各摄像头设备采集的区域图像，通过全景环视系统算法对各区域图像进行拼接，得到车位鸟瞰图。
[0149]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将车位鸟瞰图输入至语义分割网络，语义分割网络包括编码器、解码器和像素嵌入层，通过语义分割网络中的编码器对车位鸟瞰图进行特征提取，得到车位鸟瞰图特征，通过语义分割网络中的解码器对车位鸟瞰图特征中的低阶特征和高阶特征进行组合，并通过上采样操作还原得到中间车位鸟瞰图，中间车位鸟瞰图与输入的车位鸟瞰图输入尺寸大小相同，通过语义分割网络中的像素嵌入层对中间车位鸟瞰图进行像素聚类，输出车位线类型语义分割结果和车位占用性语义分割结果。
[0150]
在一个实施例中，车位线类型语义分割结果包括车位入口线语义分割结果、车位左边线内边缘语义分割结果、车位右边线内边缘语义分割结果、车位底边线语义分割结果、车位轮档线语义分割结果中的至少一种。
[0151]
在一个实施例中，车位占用性语义分割结果为车位被占用语义分割结果或车位未
被占用语义分割结果。
[0152]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据车位线类型语义分割结果获取各类型对应的车位线分割点，对同一类型的车位线分割点进行聚类，得到各类型对应的车位线，根据各类型对应的车位线进行车位构造，得到各车位对应的车位角点坐标，根据各车位角点坐标和车位占用性语义分割结果确定车位鸟瞰图中各车位对应的车位信息。
[0153]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对车位线类型语义分割结果中的各像素点进行类型提取，得到各像素点对应的类型信息，根据各像素点对应的类型信息从车位线类型语义分割结果中确定对应的车位线分割点。
[0154]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据车位线类型语义结果获取当前像素点在不同通道上的通道值，将通道值最大的通道对应的类型确定为当前像素点的类型信息。
[0155]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对同一类型的车位线分割点进行排序，得到排序后的同一类型对应的车位线分割点，对排序后的同一类型的车位线分割点进行聚类，得到各类型对应的中间车位线，对各类型对应的中间车位线进行直线拟合，得到各类型对应的车位线。
[0156]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据几何规则对各类型对应的车位线进行匹配，确定得到多个目标车位线集，目标车位线集包括目标车位入口线、目标车位左边线和目标车位右边线，根据各目标车位线集中的目标车位入口线、目标车位左边线和目标车位右边线构造得到各目标车位，获取各目标车位对应的车位角点坐标。
[0157]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据车位占用性语义分割结果确定各车位对应的车位可用性状态，获取各车位对应的车位角点坐标，根据车位线类型语义分割结果获取各车位对应的车位标识和车位类型，根据车位可用性状态、车位角点坐标、车位标识和车位类型生成车位鸟瞰图中各车位对应的车位信息。
[0158]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取上一帧鸟瞰图中各车位对应的车位信息，根据上一帧鸟瞰图中各车位对应的车位信息和当前帧的车位鸟瞰图中的各车位对应的车位信息进行置信度计算，得到对应的置信度值，根据置信度值对上一帧的车位鸟瞰图中的各车位和当前车位鸟瞰图中的各车位进行车位匹配操作。
[0159]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0160]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0161]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。