车位及其方向角度检测方法、装置、设备及介质与流程

本申请涉及计算机技术领域，尤其涉及一种车位及其方向角度检测方法、装置、设备、车辆及计算机可读存储介质。

背景技术：

在自动泊车系统中泊车位检测对后续车辆路径规划、跟踪、准确的泊车入位等功能中起到很重要的作用。车位检测是自动泊车系统最重要的组成部分。

现有的车位检测算法大致分为4类：基于用户界面的、基于基础设施的、基于自由空间的和基于车位标记的方法。其中，基于车位标记的方法由于其识别过程不依赖于相邻车辆的存在，而是依赖于停车位标记，所以更能准确识别车位。

目前该类算法一般是先检测车位角点，后续再判断车位类型及车位角度。其中，角点检测之后处理的多个任务是通过多个方法或者多个网络级联实现的。这种级联方式，在车载嵌入式环境中性能耗费太大，可用性不高。

技术实现要素：

本申请提供了一种车位及其方向角度检测方法，该方法通过将车位类别检测和车位方向角度检测两个任务融合到一个网络进行联合训练得到车位检测模型，通过该模型对待检测图像进行检测从而确定候选车位图像是否标识真实车位，以及真实车位的方向角度，降低了性能耗费，具有较高可用性。本申请还提供了对应的装置、设备、车辆、计算机可读存储介质以及计算机程序产品。

本申请第一方面提供了一种车位及其方向角度检测方法，所述方法包括：

获取待检测图像；

识别所述待检测图像中的车位角点，根据所述车位角点裁剪所述待检测图像得到候选车位图像；

通过预先训练的车位检测模型对所述候选车位图像进行检测，得到车位检测结果，所述车位检测结果用于表征所述候选车位图像是否标识真实车位，当所述候选车位图像标识真实车位时，所述车位检测结果还包括车位方向角度。

本申请第二方面提供了一种车位及其方向角度检测，所述装置包括：

获取模块，用于获取待检测图像；

识别模块，用于识别所述待检测图像中的车位角点，根据所述车位角点裁剪所述待检测图像得到候选车位图像；

检测模块，用于通过预先训练的车位检测模型对所述候选车位图像进行检测，得到车位检测结果，所述车位检测结果用于表征所述候选车位图像是否标识真实车位，当所述候选车位图像标识真实车位时，所述车位检测结果还包括车位方向角度。

本申请第三方面提供了一种设备，所述设备包括处理器和存储器：

所述存储器用于存储计算机程序；

所述处理器用于调用所述存储器中的所述计算机程序，以执行如第一方面所述的车位及其方向角度检测方法。

本申请第四方面提供了一种车辆，所述车辆包括泊车系统和控制器；

所述泊车系统用于执行如第一方面所述的车位及其方向角度检测方法确定可泊车车位，所述可泊车车位是根据车位检测结果标识为真实车位的候选车位图像确定的；

所述控制器用于根据所述可泊车车位控制车辆泊车。

本申请第五方面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用于存储计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的车位及其方向角度检测方法。

本申请第六方面提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有第一方面所述的车位及其方向角度检测方法的程序。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请实施例提供了一种基于模型的车位及其方向角度检测方法，该方法将确定车位类型与确定车位方向角度这两个任务融合到一个网络模型进行联合训练得到车位检测模型，如此，在获取待检测图像，识别待检测图像中的车位角点，根据车位角点裁剪待检测图像得到候选车位图像后，直接将该候选车位图像输入至车位检测模型进行检测，该车位检测模型能够同时对车位类型和车位方向角度进行预测，得到车位检测结果，该车位检测结果表征候选车位图像是否标识真实车位，当其标识真实车位时，同时输出车位方向角度，如此可以避免采用两个网络级联分别进行车位分类和车位方向角度检测导致的性能耗费，具有较高可用性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例中一种模型训练方法和车位及其方向角度检测方法的系统架构图；

图2为本申请实施例中一种模型训练方法的流程图；

图3为本申请实施例中一种训练样本的示意图；

图4为本申请实施例中一种车位及其方向角度检测方法的流程图；

图5位本申请实施例中一种车位及其方向角度检测方法的示意图；

图6为本申请实施例中一种模型训练装置的结构示意图；

图7为本申请实施例中一种车位及其方向角度检测装置的结构示意图；

图8为本申请实施例中一种服务器的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

针对现有的车位检测算法中角点检测之后处理的多个任务通过多个方法或多个网络级联实现，导致在车载嵌入式环境中性能耗费太大，可用性不高的问题，本申请提供了一种基于模型的车位及其方向角度检测方法，将确定车位类型与确定车位方向角度这两个任务预先融合到一个网络模型进行训练，将根据待检测图像中角点裁剪得到的候选车位图像输入该模型同时对车位类型和车位方向角度进行检测，从而解决了车载嵌入式环境中网络级联导致性能耗费太大的问题。

下面将分别从模型训练和模型应用的角度对本申请的技术方案进行介绍。模型训练方法可以应用于任意具有图像处理能力的处理设备，该处理设备具体可以是具有中央处理器(centralprocessingunit/processor，cpu)和/或图形处理器(graphicsprocessingunit，gpu)的设备，该处理设备具体可以是终端，其中，终端包括但不限于个人计算机(personalcomputer，pc)或者工作站等等，当然处理设备也可以是服务器，该处理设备可以是单独存在，也可以是以集群形式存在。对应地，基于模型的车位及其方向角度检测方法主要应用于车辆的泊车系统。

上述模型训练方法能够以计算机程序的形式存储于处理设备中，处理设备通过运行计算机程序实现模型训练，上述基于模型的车位及其方向角度检测方法也能以计算机程序的形式存储于车辆的泊车系统中，泊车系统通过运行计算机程序实现车位检测。其中，计算机程序可以是独立的，也可以是集成于其他程序之上的功能模块、插件或者小程序等等。

可以理解，本申请提供的模型训练方法以及基于模型的车位及其方向角度检测方法包括但不限于应用于如图1所示的应用环境中。

如图1所示，服务器101和车辆的泊车系统102通过网络如无线通信网进行连接，服务器101还连接有样本数据库103，如此服务器101可以从样本数据103获取训练样本，该训练样本包括车位样本图像及其标注信息，该标注信息包括车位位置和车位标签，其中，车位标签用于表征所述车位样本图像是否标识真实车位以及所述真实车位对应的车位方向角度。

然后服务器101利用训练样本训练车位检测模型，该车位检测模型以候选车位图像为输入，以车位检测结果为输出，其中，车位检测结果具体用于表征所述候选车位图像是否标识真实车位以及所述真实车位的车位方向角度，如此，服务器101将训练样本输入车位检测模型后，车位检测模型能够对训练样本中的车位样本图像进行特征提取，然后基于提取到的图像特征进行车位检测，将车位检测结果与训练样本中车位样本图像对应的车位标签进行比较，根据比较结果计算车位检测模型的损失函数，基于该损失函数更新车位检测模型的参数，当车位检测模型的损失函数满足训练结束条件，如损失函数呈收敛态或者损失函数小于预设阈值时，服务器101可以停止训练，将此时的车位模型用于车位及其方向角度检测。

在训练得到车位检测模型后，服务器101将该车位检测模型的模型参数发送给车辆的泊车系统102，如此泊车系统102可以利用该车位检测模型检测车位。具体的，泊车系统102根据泊车系统拍摄车位所得图像获得待检测图像，然后识别所述待检测图像中的车位角点，根据所述车位角点裁剪所述待检测图像得到候选车位图像，通过车位检测模型对候选车位图像进行检测，获得车位检测结果，其中，所述车位检测结果表征所述候选车位图像为真实车位时，所述车位检测结果还包括该真实车位的车位方向角度，然后泊车系统102还可以通过显示面板显示上述车位检测结果。

接下来，分别从服务器和车辆泊车系统的角度对本申请的模型训练方法以及车位及其方向检测方法进行介绍。

参见图2所示的模型训练方法的流程图，该方法包括：

s201：获取训练样本。

所述训练样本包括车位样本图像及其标注信息，所述标注信息包括车位样本图像对应的车位位置和车位标签，其中，车位标签用于标识车位样本图像是否标识真实车位以及真实车位对应的车位方向角度，换言之，对于正样本，车位标签用于标识车位样本图像是真实车位，并且标识该真实车位的车位方向角度，对于负样本，车位标签用于标识车位样本图像不是真实车位。

其中，车位样本图像是指从环视拼接图中提取的包括候选车位的图像，所述环视拼接图具体是指车辆的前后向摄像头在内的多个摄像头(例如4个摄像头)拍摄车位图像拼接所得图像，针对环视拼接图，可以先识别环视拼接图中的车位角点，如通过图像灰度、边缘检测或者机器学习等方式识别车位角点，然后根据所述车位角点可以构造车位入口线，基于车位入口线以及其他车位角点可以确定出与车位入口线两个端点分别相连的车位分离线，基于车位入口线和车位分离线对所述环视拼接图像进行裁剪可以得到车位样本图像。

在具体实现时，每个车位样本图像可以通过上述车位入口线和与车位入口线相连的两条车位分离线表征车位位置，其中，与车位入口线相连的两条车位分离线可以是与车位入口线垂直的两条车位分离线，如此，该车位位置对应车位为水平车位或者垂直车位，当然，与车位入口线相连的两条车位分离线也可以是与车位入口线相交但不垂直的两条车位分离线，如此，该车位位置对应车位为斜列车位。

需要说明的是，上述环视拼接图像经过裁剪可以得到多个候选的车位图像，其中，车位图像标注真实车位的样本即为正样本，车位图像标注非真实车位的样本即为负样本，本申请实施例所要训练的车位检测模型即是用于识别车位图像是否为真实车位，并在识别结果为真实车位时，输出车位方向角度的模型，基于此，正样本中还标注有车位方向角度，该车位方向角度具体可以是车辆中轴线与车位入口线的夹角，或者是车辆行驶方向与车位入口线的夹角等等。上述标注信息是在环视拼接图中进行标注，然后通过坐标转换等方式转换至车位图像中的。

在实际应用时，为了方便计算和处理，在对环视拼接图进行裁剪得到车位样本图像时，可以根据车位入口线的中点进行裁剪，使的车位入口线的中点到车位样本图像中与车位分离线平行或重合的两条边距离相等，如此，可以避免后续图像处理过程中补偿偏移所带来的额外运算量。

为了方便理解，请参照图3所示的环视拼接图的示意图，通过对环视拼接图进行标注及裁剪可以得到训练样本。例如，可以对该环视拼接图左侧车位角点1、2、3、4所在车位进行标注，具体地，以左侧角点1、2对应线段为车位入口线，以左侧角点1、4所在线段、左侧角点2、3所在线段为车位分离线标注车位位置，标注车位标签为真实车位，并标注车位方向角度，并将对应图像从环视拼接图裁剪出来，如此可以得到一正样本。又例如，可以对车位图像右侧角点1、2、3、4所在车位进行标注，其中，角点1、2对应线段为车位入口线，角点1、4所在线段、角点2、3所在线段为车位分离线，并标注车位标签为真实车位，同时标注车位方向角度，然后将对应图像从环视拼接图裁剪出来，如此可以得到又一正样本。

需要说明的是，考虑到真实车位可以包括多种车位类型，还可以在车位标签标识所述车位位置为真实车位时，同时标识车位类型，在一个示例中，车位标签具体可以标识所述真实车位对应的车位类型为垂直车位、平行车位或斜列车位。如图3所示，还可以将图像左侧角点1、2、3、4所在车位标识为垂直车位，图像右侧角点1、2、3、4所在车位标识为水平车位。

也就是说，车位标签可以用于标识车位样本图像标识真实车位或者不是真实车位，如此，通过该训练样本训练得到的模型主要用于预测候选车位图像是否标识真实车位，输出概率p0、p1分别表征是真实车位和不是真实车位的概率。考虑到真实车位存在不同类型，车位标签也可以用于标识车位样本图像标识水平车位、垂直车位、斜列车位或者不是真实车位等，如此，通过该训练样本训练得到的模型主要用于预测候选车位图像是标识水平车位、垂直车位、斜列车位或者不是真实车位，输出概率p0、p1、p2以及p3分别表征是水平车位、垂直车位、斜列车位或者不是真实车位的概率。

在图3的示例中，若以车位图像左侧角点1、3所在线段为车位入口线，根据该车位入口线确定与其两个端点分别相连的两条车位分离线，标注对应车位位置为非真实车位，则可以形成一负样本。

s202：利用所述训练样本训练车位检测模型，在所述车位检测模型的损失函数满足训练结束条件时停止训练。

所述车位检测模型以标注有车位位置的候选车位图像为输入，以车位检测结果为输出，其中，车位检测结果用于表征所述候选车位图像是否标识真实车位，当所述候选车位图像标识真实车位时，所述车位检测结果还包括车位方向角度。

为了实现车位分类以及车位方向角度定位两个任务同时进行，将两个任务各自对应的损失函数进行融合。具体地，服务器可以根据分类损失和回归损失确定车位检测模型的损失函数，其中，分类损失用于衡量预测真实车位产生的损失，回归损失用于衡量预测车位方向角度所产生的损失。

在具体实现时，服务器可以通过对分类损失和回归损失进行加权运算得到车位检测模型的损失函数，其中，分类结果表征候选车位图像标识非真实车位时，不会产生回归损失，回归损失的权值可以设置为0。分类结果表征候选车位图像标识真实车位时，还需要进行回归分析生成车位方向角度，如此，损失部分还包括回归损失，其权值可以根据实际需要设置，作为一个示例，可以设置为1。在车位检测模型的损失函数中，分类损失可以采用softmax等分类损失函数，回归损失则可以采用回归损失函数l_regression，例如，可以是绝对值损失l1loss、平方损失l2loss或平滑的平均绝对误差损失huberloss。

具体地，服务器采用联合训练的方法训练车位检测模型，即车位类别检测、车位方向角度检测共同使用一个损失函数，如下公式表示：

loss_detect＝α*l_softmax+f(.)*l_regression(1)

其中，在上述公式(1)损失函数的第二部分损失中，f(.)为输出结果的值域为{0,1}，当分类结果表征为真实车位的状态下为f(.)＝1，在非真实车位的状态下f(.)＝0。

如此，在正样本训练结果下，损失函数受到分类损失和回归损失影响，具体可以参见公式1，在负样本训练结果下，损失函数受到分类损失影响，具体可以表示为：

loss_detect＝α*l_softmax(2)

在实际应用时，车位检测模型具体可以是神经网络模型，例如，车位检测模型可以是基于alexnet、vggnet、googlenet或者mobilenet的网络模型，当然车位检测模型也可以是基于上述网络做出一些网络层修改的网络。

可以理解，利用训练样本训练车位检测模型实际是利用训练样本迭代更新模型参数的过程，基于此，当车位检测模型的损失函数反映了预测值与真实值的偏差程度，因此，当车位检测模型的损失函数趋于收敛时，则表明车位检测模型当前进一步优化空间较小，可以视为满足训练结束条件，服务器可以停止训练，当然，在有些情况下，车位检测模型的损失函数小于预设阈值时，也可以视为满足训练结束条件，服务器可以停止训练。

由上可知，本申请实施例提供了一种模型训练方法，该方法将确定车位类型与确定车位方向角度这两个任务融合到一个网络模型进行联合训练，具体地针对车位样本图像，通过车位入口线以及与所述车位入口线两个端点分别相连的两条车位分离线标注车位位置，通过车位标签标识所述车位样本图像是否为真实车位，并在标识真实车位时，还标注车位方向角度，如此实现上述两个任务对应的训练样本的融合，然后利用融合后的训练样本联合训练车位检测模型，考虑到车位检测模型具有两个任务，因此，还需要将车位检测模型的损失函数进行融合，具体地，损失函数包括分类损失和回归损失两部分，当车位标签标识车位位置不是真实车位时，令回归损失的权值为0，如此可以实现两个任务融合到一个网络模型进行模型训练，提高了计算性能和训练效率，具有较高可用性。

接下来，将从泊车系统的角度对本申请实施例提供的车位及其方向角度检测方法进行介绍。参见图4所示的车位及其方向角度检测方法的流程图，该方法包括：

s401：获取待检测图像。

具体地，车辆进入到停车场或其他可以泊车的场所时，可以通过泊车系统触发摄像头执行摄像操作，该泊车系统可以将车辆前后左右的多个摄像头针对车位拍摄图像进行拼接所得环视拼接图作为待检测图像。

s402：识别所述待检测图像中的车位角点，根据所述车位角点裁剪所述待检测图像得到候选车位图像。

在停车场等场景中，车位角点一般通过t形mark或l形mark进行标识，基于此，车辆的泊车系统可以通过机器学习提取车位角点特征识别待检测图像中的车位角点，或者通过边缘检测、图像灰度等方式识别所述车位角点。

在识别出所述车位角点后，泊车系统可以根据所述车位角点确定出所有可能的车位入口线，然后根据所述车位入口线确定出车位分离线，基于所述车位入口线和车位分离线可以裁剪得到候选车位图像。

基于选择的车位入口线不同，裁剪得到的候选车位图像是不同的，基于此，针对一张环视拼接图像进行裁剪，可以得到多张候选车位图像。

s403：通过预先训练的车位检测模型对所述候选车位图像进行检测，得到车位检测结果。

所述车位检测结果用于表征所述候选车位图像是否标识真实车位，当所述候选车位图像标识真实车位时，所述车位检测结果还包括车位方向角度。

所述车位检测模型是通过如图2所示实施例提供的模型训练方法训练得到的，具体地，利用训练样本进行训练，并在所述车位检测模型的损失函数满足训练结束条件时停止训练，如此得到的模型即可作为车位检测模型用于泊车系统进行车位检测。

可以理解，车位检测模型包括特征提取层、分类层和回归层，在进行检测时，先通过特征提取层对候选车位图像进行特征提取，得到与候选车位图像对应的图像特征，然后基于模型训练阶段学习到的隐层映射关系，根据该图像特征利用分类层对候选车位图像分类，当分类结果表征候选车位图像标识真实车位时，根据图像特征利用回归层进行回归分析得到车位方向角度，当分类结果表征候选车位图像标识非真实车位时，则直接将分类结果作为车位检测结果。

在具体实现时，泊车系统可通过显示面板显示所述检测结果，以便用户根据显示的检测结果进行泊车。需要说明的是，用户可以根据所述检测结果手动泊车，也可以由泊车系统将上述检测结果发送给控制器，由控制器控制车辆自动泊车。

进一步地，当训练样本的车位标签用于标识所述真实车位对应的车位类型为垂直车位、平行车位或斜列车位时，所述车位检测结果具体用于标识所述车位位置为垂直车位、平行车位、斜列车位或者不是真实车位。如此，泊车系统在通过显示面板显示车位检测结果时，可以高亮形式显示指定类型车位，该指定类型车位具体可以是垂直车位、水平车位或者斜列车位中的任意一种。

图5示出了将候选车位图像输入至车位检测模型得到车位检测结果的示意图，如图5所示，输入的候选车位图像中包括t形标记，该t形标记具体标识车位角点，该候选车位图像中标注有基于该车位角点确定的车位入口线，以及与车位入口线两个端点分别相连的车位分离线，在实际应用时，可以通过不同颜色或线型区分上述车位入口线和车位分离线，车位检测模型可以通过识别候选车位图像，确定上述车位入口线和车位分离线标识车位是否为真实车位，若是，则进一步输出车位方向角度。

由上可知，本申请实施例提供了一种车位及其方向角度检测方法，该方法通过预先训练的车位检测模型进行车位识别，由于将车位类型与车位方向角度融合到一个深度神经网络中，提升了计算性能。并且角度和车位类型检测同时进行，所以车位分类网络中只需判断该车位是否是车位即可，不用判断车位的类别，通过车位方向角度辅助判断车位的类别。

需要说明的是，图4所示实施例是以泊车系统进行示例说明，在其他可能的实现方式中，泊车系统也可以将待检测图像发送至服务器，由服务器进行对车位及其方向角度进行检测。

以上为本申请实施例提供的模型训练方法和车位及其方向角度检测方法的一些具体实现方式，基于此，本申请实施例还提供了对应的模型训练装置和车位检测装置。下面从功能模块化的角度进行详细介绍。

参见图6所示的模型训练装置的结构示意图，该装置600包括：

获取模块610，用于获取训练样本，所述训练样本包括车位样本图像及其标注信息，所述标注信息包括车位位置和车位标签，所述车位标签用于标识所述车位样本图像是否标识真实车位以及所述真实车位对应的车位方向角度；

训练模块620，用于利用所述训练样本训练车位检测模型，在所述车位检测模型的损失函数满足训练结束条件时停止训练，所述车位检测模型以标注有车位位置的候选车位图像为输入，以车位检测结果为输出，其中，车位检测结果用于表征所述候选车位图像是否标识真实车位，当所述候选车位图像标识真实车位时，所述车位检测结果还包括车位方向角度。

可选的，所述回归损失通过平方损失、绝对值损失或平滑的平均绝对误差损失中任一种损失函数确定。

可选的，所述车位检测模型是基于alexnet、vggnet、googlenet或者mobilenet的网络模型。

接下来，参见图7所示的车位及其方向角度检测装置的结构示意图，该装置700包括：

获取模块710，用于获取待检测图像；裁剪模块720，用于识别所述待检测图像中的车位角点，根据所述车位角点裁剪所述待检测图像得到候选车位图像；

检测模块730，用于通过预先训练的车位检测模型对所述候选车位图像进行检测，得到车位检测结果，所述车位检测结果用于表征所述候选车位图像是否标识真实车位，当所述候选车位图像标识真实车位时，所述车位检测结果还包括车位方向角度。

可选的，所述车位检测模型包括特征提取层、分类层和回归层；

所述检测模块730具体用于：

通过所述特征提取层对所述候选车位图像进行特征提取，得到与所述候选车位图像对应的图像特征；

根据所述图像特征，利用所述分类层对所述候选车位图像分类；

当分类结果表征所述候选车位图像标识真实车位时，根据所述图像特征利用所述回归层进行回归分析得到车位方向角度。

可选的，所述车位检测模型的损失函数根据分类损失和回归损失确定，所述分类损失用于衡量预测真实车位所产生的损失，所述回归损失用于衡量预测车位方向角度所产生的损失。

可选的，所述车位检测模型的损失函数为所述分类损失和所述回归损失的加权和值，所述分类层的分类结果表征所述候选车位图像标识非真实车位时，所述回归损失的权值为0。

可选的，所述车位检测模型通过训练样本训练得到，所述训练样本包括车位样本图像及其标注信息，所述标注信息包括车位样本图像对应的车位位置和车位标签，所述车位标签用于标识所述车位样本图像是否标识真实车位以及所述真实车位对应的车位方向角度。

可选的，所述车位标签标识所述车位样本图像标识真实车位时，所述车位标签具体用于标识所述车位样本图像标识垂直车位、平行车位和斜列车位。

可选的，所述车位位置通过车位入口线以及与所述车位入口线的两个端点分别相连的两条车位分离线表征。

可选的，所述车位入口线的中点到所述车位样本图像中与所述车位分离线平行或重合的两条边的距离相等。

本申请实施例还提供了一种用于实现本申请的车位及其方向角度检测方法的设备。该设备具体可以是服务器，下面将从硬件实体化的角度进行介绍。

如图8所示，该服务器800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessingunits，cpu)822(例如，一个或一个以上处理器)和存储器832，一个或一个以上存储应用程序842或数据844的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器832和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器822可以设置为与存储介质830通信，在服务器800上执行存储介质830中的一系列指令操作。

服务器800还可以包括一个或一个以上电源826，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口858，和/或，一个或一个以上操作系统841，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm等等。

上述实施例中由服务器所执行的步骤可以基于该图8所示的服务器结构。

其中，cpu822用于执行如下步骤：

获取待检测图像；

识别所述待检测图像中的车位角点，根据所述车位角点裁剪所述待检测图像得到候选车位图像；

通过预先训练的车位检测模型对所述候选车位图像进行检测，得到车位检测结果，所述车位检测结果用于表征所述候选车位图像是否标识真实车位，当所述候选车位图像标识真实车位时，所述车位检测结果还包括车位方向角度。

可选的，cpu822还用于执行本申请实施例提供的车位及其方向角度检测方法的任意一种实现方式的步骤。

本申请实施例还提供一种设备，所述设备包括处理器和存储器：

所述存储器用于存储计算机程序；

所述处理器用于调用所述存储器中的所述计算机程序，以执行如本申请所述的车位及其方向角度检测方法。

本申请实施例还提供一种车辆，所述车辆包括泊车系统和控制器；

所述泊车系统用于执行上述车位及其方向角度检测方法确定可泊车车位，所述可泊车车位是根据车位检测结果标识为真实车位的候选车位图像确定的；

所述控制器用于根据所述可泊车车位控制车辆泊车。

本申请实施例还提供一种计算机可读存储介质，用于存储计算机程序，该计算机程序用于执行前述各个实施例所述的车位及其方向角度检测方法中的任意一种实施方式。

本申请实施例还提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行前述各个实施例所述的一种车位及其方向角度检测方法中的任意一种实施方式。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文全称：read-onlymemory，英文缩写：rom)、随机存取存储器(英文全称：randomaccessmemory，英文缩写：ram)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。