CN109544990A - 一种基于实时电子地图识别可用泊车位的方法及系统 - Google Patents

Abstract

本发明涉及一种基于实时电子地图识别可用泊车位的方法及系统，所述方法包括，通过视觉检测模块计算目标车位内存在障碍物的第一概率；通过超声波雷达计算目标车位内存在障碍物的第二概率；将第一概率与第二概率进行加权融合得到目标车位内存在障碍物的第三概率；根据目标车位内存在障碍物的第三概率确定目标车位为空车位的概率。本发明通过视觉检测模块和超声波雷达对目标车位内的障碍物进行检测，分别确定目标车位内存在障碍物的概率，然后将两种检测方式的检测结果进行决策融合，以得到目标车位内存在障碍物的概率，从而最终确定目标车位为空车位的概率，本方法计量小，判决结果具备更强的可靠性和鲁棒性的优点。

Description

一种基于实时电子地图识别可用泊车位的方法及系统

技术领域

本发明涉及泊车技术领域，特别是涉及一种基于实时电子地图识别可用泊车位的方法及系统。

背景技术

对停车辅助系统来说，除了需要准确地识别出泊车位的坐标位置外，对停车场的环境检测也必不可少，尤其是需要确定目标车位内是否已有车辆或其他障碍物占用，以及邻近车位是否有障碍物，这些都会影响到泊车路径规划，以便于躲避障碍物，提高自动泊车的安全性，提供更好的用户体验。

目前，智能泊车系统的泊车位障碍物检测方法主要包含以下三类:（1）基于超声波雷达，受超声波测距传感器自身特性的局限，对于斜列式车位等会受到临近车位停靠障碍物影响，同时由于扫描有一定的发射角度会造成输出障碍物位置不准确等；（2）基于激光雷达，其优点在于检测精度高，但是成本相对高昂；（3）基于视觉技术，其难点在于图像易受到阴影、光照、遮挡物等环境条件的影响，此技术主要包括：基于环视摄像头的图案识别、基于单目摄像头的运动立体视觉、基于双目摄像头的立体视觉以及基于双目摄像头的结构光分析。以上方案各有优点，不过仍然存在不足，客观上存在进一步改进的迫切需要。

发明内容

本发明为克服上述现有技术所述的不足，提供一种基于实时电子地图识别可用泊车位的方法及系统。

为解决上述技术问题，本发明的技术方案如下：

一种基于实时电子地图识别可用泊车位的方法，包括如下步骤：

通过视觉检测模块计算目标车位内存在障碍物的第一概率；

通过超声波雷达计算目标车位内存在障碍物的第二概率；

将第一概率与第二概率进行加权融合得到目标车位内存在障碍物的第三概率；

根据目标车位内存在障碍物的第三概率确定目标车位为空车位的概率。

进一步的，作为优选技术方案，所述加权融合具体为：

第三概率=第一概率*视觉检测模块检测权重+第二概率*超声波雷达检测权重；

其中，视觉检测模块检测权重和超声波雷达检测权重均呈非线性变化，视觉检测模块检测权重变化范围为0-0.5，超声波雷达检测权重变化范围为0-0.5；当第一概率和第二概率处于中间值时，视觉检测模块检测权重和超声波雷达检测权重均为中间值。

进一步的，作为优选技术方案，第一概率的计算，具体包括如下步骤：

获取车辆移动过程中目标车位范围内特征点的运动信息；

结合车辆运动信息判断特征点所代表的物体是否为障碍物，若是，计算目标车位内存在障碍物的第一概率。

进一步的，作为优选技术方案，具体包括如下步骤：

通过图像采集模块采集目标车位的图像信息图像信息，并对采集的图像信息进行畸变校正以及逆透视变换得到俯视鸟瞰图；

将目标车位作为视觉检测模块的感兴趣检测区域，通过局部光流算法获取车辆移动过程中目标车位范围内特征点的运动信息；

根据目标车位范围内特征点的运动信息结合车辆运动信息中的惯性导航信息以及车辆档位信息判断特征点所代表的物体是否为障碍物，若是，计算出判断的特征点所代表的物体为障碍物的概率，从而计算目标车位内存在障碍物的第一概率。

进一步的，作为优选技术方案，特征点的运动信息的确定包括如下步骤：

在车辆移动过程中利用特征点在时间域上的变化以及相邻帧之间的相关性找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间特征点的运动信息。

进一步的，作为优选技术方案，第二概率的确定，具体包括如下步骤：

通过超声波雷达对接收的超声波数据进行处理得到超声波数据集合；

将超声波数据集合结合车辆运动信息中的惯性导航信息保存更新至历史超声波数据集合；

从超声波数据集合中获取目标车位范围内的距离信息，对所述距离信息进行处理；

根据处理后的距离信息在车辆移动过程中的变化判断该距离信息所代表的物体是否为障碍物，若是，计算目标车位内存在障碍物的第二概率。

进一步的，作为优选技术方案，对所述距离信息进行处理包括对距离信息中的奇异点数据进行剔除处理。

进一步的，作为优选技术方案，还包括如下步骤：

将目标车位为空车位的概率与目标车位的车位坐标以及车辆运动信息中的惯性导航信息记录在创建的电子地图内。

进一步的，作为优选技术方案，在将目标车位为空车位的概率与目标车位的车位坐标以及惯性导航信息记录在创建的电子地图内后，还需实时更新电子地图内的确定目标车位的坐标位置，并删除超过电子地图范围的历史信息。

一种基于实时电子地图识别泊车位的系统，包括图像采集模块、视觉检测模块、车辆信息采集模块、超声波雷达以及决策融合模块；

所述视觉检测模块、车辆信息采集模块以及超声波雷达分别与所述决策融合模块连接，所述视觉检测模块还与图像采集模块连接；

所述图像采集模块用于采集车辆运动过程图像信息，并对图像信息进行处理得到目标车位的俯视鸟瞰图；

所述车辆信息采集模块用于从CAN总线上获取车辆运动信息，所述车辆运动信息包括惯性导航信息以及车辆档位信息；

所述视觉检测模块用于对目标车位内的障碍物进行检测，并结合惯性导航信息以及车辆档位信息以计算得到目标车位内存在障碍物的的第一概率；

所述超声波雷达用于对目标车位内的障碍物进行检测，并结合惯性导航信息以计算得到目标车位内存在障碍物的第二概率；

所述决策融合模块用于将第一概率与第二概率通过Dempster合成法则进行决策级融合以得到目标车位内存在障碍物的第三概率，从而确定目标车位为空车位的概率，并将目标车位为空车位的概率以及目标车位的车位坐标以及惯性导航信息记录在创建的电子地图内。

与现有技术相比，本发明技术方案的有益效果是：

本发明通过视觉检测模块和超声波雷达对目标车位内的障碍物进行检测，分别确定目标车位内存在障碍物的概率，然后将两种检测方式的检测结果进行决策融合以得到目标车位内存在障碍物的概率，从而最终确定目标车位为空车位的概率，本方法采用两种检测方法对同一目标的相同或不同特征进行监测和跟踪，然后通过融合得到目标的准确判决，计量小，判决结果具备更强的可靠性和鲁棒性的优点，同时，把判定结果和目标车位坐标及障碍物概率实时更新到电子地图中，用于一定距离内检测结果的保存。

附图说明

图1为本发明系统框图。

图2为本发明方法步骤流程图。

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的；相同或相似的标号对应相同或相似的部件；附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征更易被本领域技术人员理解，从而对本发明的保护范围作出更为清楚的界定。

实施例1

一种基于实时电子地图识别泊车位的系统，如图1所示，包括图像采集模块、视觉检测模块、车辆信息采集模块、超声波雷达以及决策融合模块。

所述视觉检测模块、车辆信息采集模块以及超声波雷达分别与所述决策融合模块连接，所述视觉检测模块还与图像采集模块连接。

图像采集模块用于采集已知目标车位的图像信息，并对图像信息进行处理得到目标车位的俯视鸟瞰图。

图像采集模块包括安装在车身左右后视镜上的摄像头，所述摄像头为鱼眼摄像头，摄像头采集到已知目标车位的图像信息后，把图像信息先进行畸变校正，然后根据其标定参数进行逆透视变换，从而得到与其位于同一高度下的俯视鸟瞰图。

车辆信息采集模块用于从CAN总线上获取车辆运动信息，所述车辆运动信息包括惯性导航信息以及车辆档位信息等。

视觉检测模块用于对目标车位内的障碍物进行检测，并结合惯性导航信息以及车辆档位信息计算得到目标车位内存在障碍物的第一概率。

具体包括：

将目标车位作为视觉检测模块的感兴趣检测区域，通过局部光流算法获取车辆移动过程中目标车位范围内特征点的运动信息；然后根据目标车位范围内特征点的运动信息结合车辆运动信息中的惯性导航信息计算目标车位内存在障碍物的第一概率。

超声波雷达用于对目标车位内的障碍物进行检测，并结合惯性导航信息以得到目标车位内存在障碍物的第二概率。其中，超声波雷达包括安装在车身保险杠侧面的超声波探头，该超声波探头可以实时扫描其安装位置横向一定发射角和一定检测范围内的障碍物距离信息。

具体包括：超声波雷达发射超声波，并接收其安装位置横向一定发射角和一定检测范围内所存在的物体返回的超声波，并对接收的超声波数据进行滤波处理得到超声波数据集合；结合车辆运动信息中的惯性导航信息以及视觉检测模块所确定的目标车位再次确定目标车位；然后从超声波数据集合中获取目标车位范围内的距离信息，对所述距离信息中的奇异点数据进行剔除处理；根据处理后的距离信息在车辆移动过程中的变化确定该距离信息所代表的物体是否为障碍物，从而计算目标车位内存在障碍物的第二概率。

决策融合模块用于将第一概率与第二概率通过Dempster合成法则进行决策级融合以得到目标车位内存在障碍物的第三概率，根据目标车位内存在障碍物的第三概率确定目标车位为空车位的概率；并将确定目标车位为空车位的概率以及目标车位的车位坐标以及惯性导航信息记录在创建的电子地图内。

其中，决策融合具体为：

第三概率=第一概率*视觉检测模块检测权重+第二概率*超声波雷达检测权重。

其中，视觉检测模块检测权重和超声波雷达检测权重均呈非线性变化，视觉检测模块检测权重变化范围为0-0.5，超声波雷达检测权重变化范围为0-0.5；当第一概率和第二概率处于中间值时，视觉检测模块检测权重和超声波雷达检测权重均为中间值。而目标车位为空车位的概率随目标车位内存在障碍物的第三概率的增大而减小。

本系统通过视觉检测模块和超声波雷达分别对目标车位内的立体障碍物进行检测，从而分别确定目标车位为空车位的概率，然后将两种检测方式的检测结果进行决策融合，从而最终确定目标车位为空车位的概率，并将确定目标车位为空车位的概率、目标车位坐标及障碍物概率实时更新到电子地图中，用于一定距离内检测结果的保存。

实施例2

一种基于实时电子地图识别可用泊车位的方法，如图2所示，包括如下步骤：

S1. 通过视觉检测模块计算目标车位内存在障碍物的第一概率。

本步骤中，第一概率的计算包括：

S11. 获取车辆移动过程中目标车位范围内特征点的运动信息。

S12. 结合车辆运动信息判断特征点所代表的物体是否为障碍物，若是，计算目标车位内存在障碍物的第一概率。

上述步骤具体为，先通过图像采集模块采集已知目标车位的图像信息，并对采集的图像信息进行畸变校正以及逆透视变换得到俯视鸟瞰图；然后将俯视鸟瞰图作为视觉检测模块的感兴趣检测区域，利用车辆移动时立体障碍物在俯视鸟瞰图上的运动速度和形变与平面物体差异较大的原理，通过局部光流算法获取车辆移动过程中目标车位范围内特征点的运动信息；根据目标车位范围内特征点的运动信息结合车辆运动信息中的惯性导航信息以及车辆档位信息判断光流是否符合障碍物的特征，从而判断特征点所代表的物体是否为障碍物，若是，计算出判断的特征点所代表的物体为障碍物的概率，从而计算目标车位内存在障碍物的第一概率，将第一概率作为视觉检测的初步决策。

其中，特征点的运动信息的确定包括：在车辆移动过程中利用特征点在时间域上的变化以及相邻帧之间的相关性找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间特征点的运动信息。由于光流的初始计算结果比较杂乱，因此需要结合车辆运动信息进一步删选，剩下的非障碍物的特征点用于建立特征点的有效航迹，可作为判断是否符合障碍物特征的依据。由于局部光流算法在感兴趣检测区域内进行特征点提取，利用这些特征点的稀疏光流代表整幅图像的稠密光流，提高了光流的准确性并减少了计算时间。

S2. 通过超声波雷达计算目标车位内存在障碍物的第二概率。

本步骤具体包括：

S21. 通过超声波雷达对接收的超声波数据进行处理得到超声波数据集合。

在本步骤中，超声波雷达主动发射超声波，并接收其安装位置横向一定发射角和一定检测范围内所存在的物体返回的超声波，并对接收的超声波数据进行滤波处理得到超声波数据集合。

S22. 将超声波数据集合结合车辆运动信息中的惯性导航信息保存更新至历史超声波数据集合。

在此步骤中，需判断超声波雷达是否接收到视觉检测模块检测出的目标车位的坐标位置，若是，则执行下一步，否则，返回上一步。

S23. 从历史超声波数据集合中获取目标车位范围内的距离信息，对所述距离信息进行处理，具体为，对所述距离信息进行处理包括对距离信息中的奇异点数据进行剔除处理。

S24. 根据处理后的距离信息在车辆移动过程中的变化判断该距离信息所代表的物体是否为障碍物，若是，计算目标车位内存在障碍物的第二概率，将第二概率作为超声波检测的初步决策。

S3. 将第一概率与第二概率进行加权融合得到目标车位内存在障碍物的第三概率。

在本步骤中，加权融合具体为：

第三概率=第一概率*视觉检测模块检测权重+第二概率*超声波雷达检测权重。

其中，视觉检测模块检测权重和超声波雷达检测权重均呈非线性变化，视觉检测模块检测权重变化范围为0-0.5，超声波雷达检测权重变化范围为0-0.5；当第一概率和第二概率处于中间值时，视觉检测模块检测权重和超声波雷达检测权重均为中间值，当第一概率和第二概率分别从中间值向最大值或最小值呈线性变化时，视觉检测模块检测权重和超声波雷达检测权重均呈非线性逐渐变化；同时，本实施例中，视觉检测模块检测权重和超声波雷达检测权重是可以等比例缩放的。

上述基于证据理论的决策融合算法能够解决不确定性信息的融合问题，将互补信息与冗余信息进行合理融合，得到利于决策的合成结果，减小了系统的不确定性，使判决结果具备更强的可靠性和鲁棒性。

S4. 根据目标车位内存在障碍物的第三概率确定目标车位为空车位的概率。

由于目标车位为空车位的概率随目标车位内存在障碍物的第三概率的增大而减小，因此，在上述步骤中，当计算的第三概率为最小值时，目标车位为空车位的概率最大。

S5. 将目标车位为空车位的概率与目标车位的车位坐标以及车辆运动信息中的惯性导航信息记录在创建的电子地图内。同时，还需实时更新电子地图内的确定目标车位的坐标位置和目标车位为空车位的概率，并删除超过电子地图范围的历史信息。

将确定目标车位的坐标位置及目标车位为空车位的概率更新在电子地图中，用于一定距离内结果的保存。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于实时电子地图识别可用泊车位的方法，其特征在于，包括如下步骤：

通过视觉检测模块计算目标车位内存在障碍物的第一概率；

通过超声波雷达计算目标车位内存在障碍物的第二概率；

将第一概率与第二概率进行加权融合得到目标车位内存在障碍物的第三概率；

根据目标车位内存在障碍物的第三概率确定目标车位为空车位的概率。

2.根据权利要求1所述的基于实时电子地图识别可用泊车位的方法，其特征在于，所述加权融合具体为：

第三概率=第一概率*视觉检测模块检测权重+第二概率*超声波雷达检测权重；

其中，视觉检测模块检测权重和超声波雷达检测权重均呈非线性变化，视觉检测模块检测权重变化范围为0-0.5，超声波雷达检测权重变化范围为0-0.5；当第一概率和第二概率处于中间值时，视觉检测模块检测权重和超声波雷达检测权重均为中间值。

3.根据权利要求1所述的基于实时电子地图识别可用泊车位的方法，其特征在于，第一概率的计算，具体包括如下步骤：

获取车辆移动过程中目标车位范围内特征点的运动信息；

结合车辆运动信息判断特征点所代表的物体是否为障碍物，若是，计算目标车位内存在障碍物的第一概率。

4.根据权利要求3所述的基于实时电子地图识别可用泊车位的方法，其特征在于，具体包括如下步骤：

通过图像采集模块采集目标车位的图像信息图像信息，并对采集的图像信息进行畸变校正以及逆透视变换得到俯视鸟瞰图；

将目标车位作为视觉检测模块的感兴趣检测区域，通过局部光流算法获取车辆移动过程中目标车位范围内特征点的运动信息；

根据目标车位范围内特征点的运动信息结合车辆运动信息中的惯性导航信息以及车辆档位信息判断特征点所代表的物体是否为障碍物，若是，计算出判断的特征点所代表的物体为障碍物的概率，从而计算目标车位内存在障碍物的第一概率。

5.根据权利要求4所述的基于实时电子地图识别可用泊车位的方法，其特征在于，特征点的运动信息的确定包括如下步骤：

在车辆移动过程中利用特征点在时间域上的变化以及相邻帧之间的相关性找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间特征点的运动信息。

6.根据权利要求1所述的基于实时电子地图识别可用泊车位的方法，其特征在于，第二概率的确定，具体包括如下步骤：

通过超声波雷达对接收的超声波数据进行处理得到超声波数据集合；

将超声波数据集合结合车辆运动信息中的惯性导航信息保存更新至历史超声波数据集合；

从超声波数据集合中获取目标车位范围内的距离信息，对所述距离信息进行处理；

根据处理后的距离信息在车辆移动过程中的变化判断该距离信息所代表的物体是否为障碍物，若是，计算目标车位内存在障碍物的第二概率。

7.根据权利要求6所述的基于实时电子地图识别可用泊车位的方法，其特征在于，对所述距离信息进行处理包括对距离信息中的奇异点数据进行剔除处理。

8.根据权利要求1所述的基于实时电子地图识别可用泊车位的方法，其特征在于，还包括如下步骤：

将目标车位为空车位的概率与目标车位的车位坐标以及车辆运动信息中的惯性导航信息记录在创建的电子地图内。

9.根据权利要求8所述的基于实时电子地图识别可用泊车位的方法，其特征在于，在将目标车位为空车位的概率与目标车位的车位坐标以及惯性导航信息记录在创建的电子地图内后，还需实时更新电子地图内的确定目标车位的坐标位置，并删除超过电子地图范围的历史信息。

10.一种基于实时电子地图识别泊车位的系统，其特征在于，包括图像采集模块、视觉检测模块、车辆信息采集模块、超声波雷达以及决策融合模块；

所述视觉检测模块、车辆信息采集模块以及超声波雷达分别与所述决策融合模块连接，所述视觉检测模块还与图像采集模块连接；

所述图像采集模块用于采集车辆运动过程图像信息，并对图像信息进行处理得到目标车位的俯视鸟瞰图；

所述车辆信息采集模块用于从CAN总线上获取车辆运动信息，所述车辆运动信息包括惯性导航信息以及车辆档位信息；

所述视觉检测模块用于对目标车位内的障碍物进行检测，并结合惯性导航信息以及车辆档位信息以计算得到目标车位内存在障碍物的的第一概率；

所述超声波雷达用于对目标车位内的障碍物进行检测，并结合惯性导航信息以计算得到目标车位内存在障碍物的第二概率；

所述决策融合模块用于将第一概率与第二概率通过Dempster合成法则进行决策级融合以得到目标车位内存在障碍物的第三概率，从而确定目标车位为空车位的概率，并将目标车位为空车位的概率以及目标车位的车位坐标以及惯性导航信息记录在创建的电子地图内。