CN109685850B - 一种横向定位方法及车载设备 - Google Patents
一种横向定位方法及车载设备 Download PDFInfo
- Publication number
- CN109685850B CN109685850B CN201811644293.1A CN201811644293A CN109685850B CN 109685850 B CN109685850 B CN 109685850B CN 201811644293 A CN201811644293 A CN 201811644293A CN 109685850 B CN109685850 B CN 109685850B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- corner line
- image
- sub
- corner
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000002372 labelling Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种横向定位方法及车载设备，该方法包括：获取摄像头拍摄的第一图像，所述第一图像包括车辆至少一侧的墙角线；将所述第一图像输入到墙角线检测模型，获得所述第一图像中的至少一个第一墙角线特征点，所述墙角线检测模型是利用卷积神经网络训练的网络模型；根据所述至少一个第一墙角线特征点的第一坐标信息计算车辆与所述墙角线之间的横向距离。本发明提高了车辆横向定位的可靠性。
Description
技术领域
本发明涉及汽车技术领域，尤其涉及一种横向定位方法及车载设备。
背景技术
随着智能汽车的发展，自动驾驶技术越来越成熟。在代客泊车服务valet parking场景下，尤其Valet parking地下车库场景下，通常需要对车辆进行横向定位，以保证车辆安全行驶。现有技术中，通常是采用车道线进行定位，然而在Valet parking地下车库场景下，可能没有车道线或者车道线存在磨损的情况，从而使得车辆横向定位的可靠性较低。
发明内容
本发明实施例提供一种横向定位方法及车载设备，以解决在Valet parking地下车库场景下，车辆横向定位的可靠性较低的问题。
第一方面，本发明实施例提供了一种横向定位方法，包括：
获取摄像头拍摄的第一图像，所述第一图像包括车辆至少一侧的墙角线；
将所述第一图像输入到墙角线检测模型，获得所述第一图像中的至少一个第一墙角线特征点，所述墙角线检测模型是利用卷积神经网络训练的网络模型；
根据所述至少一个第一墙角线特征点的第一坐标信息计算车辆与所述墙角线之间的横向距离。
第二方面，本发明实施例还提供了一种车载设备，包括：
第一获取模块，用于获取摄像头拍摄的第一图像，所述第一图像包括车辆至少一侧的墙角线；
处理模块，用于将所述第一图像输入到墙角线检测模型，获得所述第一图像中的至少一个第一墙角线特征点，所述墙角线检测模型是利用卷积神经网络训练的网络模型；
计算模块，用于根据所述至少一个第一墙角线特征点的第一坐标信息计算车辆与所述墙角线之间的横向距离。
第三方面，本发明实施例还提供了一种车载设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述横向定位方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述横向定位方法的步骤。
本发明实施例通过对第一图像中车道线进行检测，获得至少一个第一墙角线特征点，然后根据第一墙角线特征点确定车辆的与墙角线之间的横向距离，从而实现车辆的横向定位。由于墙角线是固定特征，且稳定性高，磨损速度慢，相对于现有技术采用车道线进行定位，本发明提高了车辆横向定位的可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例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发明的一些实施例，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是本发明实施例提供的横向定位方法的流程图之一；
图2是本发明实施例提供的横向定位方法中车库入口的场景示意图；
图3是本发明实施例提供的横向定位方法的流程图之二；
图4是本发明一实施例提供的车载设备的结构图；
图5是本发明另一实施例提供的车载设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明实施例提供的一种横向定位方法的流程图，如图1所示，包括以下步骤：
步骤101、获取摄像头拍摄的第一图像，所述第一图像包括车辆至少一侧的墙角线；
本发明实施提供的横向定位方法主要应用在车载设备中，可以在valet parking地下车库场景下的自主巡航阶段进行车辆的横向定位，以提高自动驾驶的安全性。
具体的，上述摄像头可以为拍摄车辆前方环境信息的摄像头，也可以为拍摄车辆左右两侧的摄像头，上述第一图像中可以包括车辆任意一侧的墙角线，也可以是同时包括车辆左右两侧的墙角线，该墙角线是指墙面与地面之间的连接线。
为了提高车辆定位的准确性，可以采用侧边设置的摄像头拍摄的图像作为第一图像。也就是说，在本实施例中，上述步骤101包括：
获取位于车辆左侧的第一摄像头拍摄的第一子图像，以及位于车辆右侧的第二摄像头拍摄的第二子图像，其中，所述第一子图像包括所述车辆左侧的墙角线，所述第二子图像包括所述车辆右侧的墙角线，所述第一图像包括所述第一子图像和所述第二子图像。
本实施例中，上述第一摄像头和第二摄像头安装的位置可以根据实际需要进行设置，只要能够获取车辆左右两侧的墙角线区域即可。
步骤102、将所述第一图像输入到墙角线检测模型，获得所述第一图像中的至少一个第一墙角线特征点，所述墙角线检测模型是利用卷积神经网络训练的网络模型；
上述第一墙角线特征点为第一图像中的墙角线上任一点。具体的，当第一图像包括第一子图像和第二子图像时，上述第一墙角线特征点可以包括第一子图像中的墙角线特征点和/或第二子图像中的墙角线特征点。
步骤103、根据所述至少一个第一墙角线特征点的第一坐标信息计算车辆与所述墙角线之间的横向距离。
本实施例中，当上述第一图像仅包括第一子图像或第二子图像时，仅存在一条墙角线，此时可以根据第一墙角线特征点确定车辆相对于墙角线的横向距离，从而实现横向定位。当上述第一图像包括第一子图像或第二子图像时，可以根据每一子图像中墙角线对应的第一墙角线特征点确定车辆分别与不同的墙角线之间的相对距离，或者根据第一子图像或者第二子图像中的墙角线对应的第一墙角线特征点确定车辆与一墙角线之间的相对距离，从而实现横向定位。
本发明实施例通过对第一图像中车道线进行检测，获得至少一个第一墙角线特征点，然后根据第一墙角线特征点确定车辆的与墙角线之间的横向距离，从而实现车辆的横向定位。由于墙角线是固定特征，且稳定性高，磨损速度慢，相对于现有技术采用车道线进行定位，本发明提高了车辆横向定位的可靠性。
进一步的，基于上述实施例，本实施例中，上述步骤103包括：
将每一所述第一墙角线特征点的第一坐标信息转换为车辆坐标体系中的坐标，得到每一所述第一墙角线特征点对应的第二坐标信息；
根据每一所述第一墙角线特征点对应的第二坐标信息计算所述车辆与所述墙角线之间的横向距离。
本实施例中，上述车辆坐标体系为预先建立的坐标体系，具体的，可以以车辆的几何中心为原点，建立车辆坐标体系。在该车辆坐标体系中预先计算了车辆的轮廓信息，同时标定了图像坐标与车辆坐标之间的转换关系，基于该转换关系，可以将图片中的第一坐标信息转换为车辆坐标体系中的第二坐标信息。
应当说明的是，如何根据第一墙角线特征点计算车辆到墙角线之间的横向距离的方式可以根据实际需要进行设置。以下通过几个不同的方式进行举例说明。如图2所示，墙角线包括墙角线A和墙角线B，其中通过对第一子图像进行检测后得到A1、A2和A3三个第一墙角线特征点，通过对第二子图像进行检测后，得到B1、B2和B3三个第一墙角线特征点。在一可选实施例中，可以从A1、A2和A3三个第一墙角线特征点选择其中任一个第一墙角线特征点计算与车辆的横向距离，得到墙角线A与车辆的横向距离。在另一可选实施例中，还可以通过计算A1、A2和A3三个第一墙角线特征点到车辆的横向平局距离，得到墙角线A与车辆的横向距离。当然在其他实施例中，还可以采用其他方式进行计算，在此不再一一列举。
应当说明的是，上述墙角线检测模型的训练方式可以根据实际需要进行设置，例如，在本实施例中，如图3所示，上述步骤101之前，该方法还包括：
步骤104、获取多张第二图像，所述第二图像包括车辆至少一侧的墙角线；
需要说明的是，为了识别车辆左右侧的墙角线与车辆之间的相对距离，以满足不同场景的需求，本实施例中，优选的，上述第二图像包括车辆左侧摄像头拍摄的第三子图像和车辆右侧摄像头拍摄的第四子图像。
步骤105、在对所述第二图像中的第二墙角线特征点进行标注后，获取所述第二墙角线特征点的标注信息，所述标注信息包括所述第二墙角线特征点的坐标信息；
用户可以手动对每一第二图像上的第二墙角线特征点进行标注，例如，用户可以点击选择相应的点，从而确定为第二墙角线特征点，并记录该第二车道线特征点的标注信息。为了提高训练的墙角线检测模型对第一车道线特征点识别的精度，在一可选实施例中，标注的第二墙角线特征点可以为均匀间隔设置的点。
步骤106、将所述多张第二图像以及每一第二图像对应的标注信息输入到卷积神经网络的网络模型中，并以墙角线特征点作为输出，进行训练得到所述墙角线检测模型。
通过对每一第二图像进行标注后，可以进行墙角线检测模型训练，以识别第一图像的墙角线。这样由于利用卷积神经网络深度学习训练得到用于识别第一图像的墙角线，并输出第一墙角线特征点的墙角线检测模型。从而可以大大提高系统的鲁棒性，降低后续维护成本。
需要说明的是，本发明实施例中介绍的多种可选的实施方式，彼此可以相互结合实现，也可以单独实现，对此本发明实施例不作限定。
参见图4，图4是本发明实施例提供的车载设备的结构图，如图4所示，车载设备400包括：
第一获取模块401，用于获取摄像头拍摄的第一图像，所述第一图像包括车辆至少一侧的墙角线；
处理模块402，用于将所述第一图像输入到墙角线检测模型，获得所述第一图像中的至少一个第一墙角线特征点，所述墙角线检测模型是利用卷积神经网络训练的网络模型；
计算模块403，用于根据所述至少一个第一墙角线特征点的第一坐标信息计算车辆与所述墙角线之间的横向距离。
可选的，所述第一获取模块101具体用于：获取位于车辆左侧的第一摄像头拍摄的第一子图像，以及位于车辆右侧的第二摄像头拍摄的第二子图像，其中，所述第一子图像包括所述车辆左侧的墙角线，所述第二子图像包括所述车辆右侧的墙角线，所述第一图像包括所述第一子图像和所述第二子图像。
可选的，所述计算模块403包括：
坐标转换单元，用于将每一所述第一墙角线特征点的第一坐标信息转换为车辆坐标体系中的坐标，得到每一所述第一墙角线特征点对应的第二坐标信息；
计算单元，用于根据每一所述第一墙角线特征点对应的第二坐标信息计算所述车辆与所述墙角线之间的横向距离。
可选的，所述车载设备400还包括：
第二获取模块，用于获取多张第二图像，所述第二图像包括车辆至少一侧的墙角线；
第三获取模块，用于在对所述第二图像中的第二墙角线特征点进行标注后，获取所述第二墙角线特征点的标注信息，所述标注信息包括所述第二墙角线特征点的坐标信息；
训练模块，用于将所述多张第二图像以及每一第二图像对应的标注信息输入到卷积神经网络的网络模型中，并以墙角线特征点作为输出，进行训练得到所述墙角线检测模型。
本发明实施例提供的车载设备能够实现图1至图3的方法实施例中车载设备实现的各个过程，为避免重复，这里不再赘述。
图5为实现本发明各个实施例的一种车载设备的硬件结构示意图。
该车载设备500包括但不限于：射频单元501、网络模块502、音频输出单元503、输入单元504、传感器505、显示单元506、用户输入单元507、接口单元508、存储器509、处理器510、以及电源511等部件。本领域技术人员可以理解，图5中示出的车载设备结构并不构成对车载设备的限定，车载设备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。
其中，处理器510，用于获取摄像头拍摄的第一图像，所述第一图像包括车辆至少一侧的墙角线；将所述第一图像输入到墙角线检测模型，获得所述第一图像中的至少一个第一墙角线特征点，所述墙角线检测模型是利用卷积神经网络训练的网络模型；根据所述至少一个第一墙角线特征点的第一坐标信息计算车辆与所述墙角线之间的横向距离。
可选的，处理器510，具体用于：获取位于车辆左侧的第一摄像头拍摄的第一子图像，以及位于车辆右侧的第二摄像头拍摄的第二子图像，其中，所述第一子图像包括所述车辆左侧的墙角线，所述第二子图像包括所述车辆右侧的墙角线，所述第一图像包括所述第一子图像和所述第二子图像。
可选的，处理器510，具体用于：将每一所述第一墙角线特征点的第一坐标信息转换为车辆坐标体系中的坐标，得到每一所述第一墙角线特征点对应的第二坐标信息；根据每一所述第一墙角线特征点对应的第二坐标信息计算所述车辆与所述墙角线之间的横向距离。
可选的，处理器510，还用于：获取多张第二图像，所述第二图像包括车辆至少一侧的墙角线；在对所述第二图像中的第二墙角线特征点进行标注后，获取所述第二墙角线特征点的标注信息，所述标注信息包括所述第二墙角线特征点的坐标信息；将所述多张第二图像以及每一第二图像对应的标注信息输入到卷积神经网络的网络模型中，并以墙角线特征点作为输出，进行训练得到所述墙角线检测模型。
本发明实施例通过对第一图像中车道线进行检测，获得至少一个第一墙角线特征点，然后根据第一墙角线特征点确定车辆的与墙角线之间的横向距离，从而实现车辆的横向定位。由于墙角线是固定特征，且稳定性高，磨损速度慢，相对于现有技术采用车道线进行定位，本发明提高了车辆横向定位的可靠性。
应理解的是，本发明实施例中，射频单元501可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器510处理；另外，将上行的数据发送给基站。通常，射频单元501包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元501还可以通过无线通信系统与网络和其他设备通信。
车载设备通过网络模块502为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元503可以将射频单元501或网络模块502接收的或者在存储器509中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元503还可以提供与车载设备500执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元503包括扬声器、蜂鸣器以及受话器等。
输入单元504用于接收音频或视频信号。输入单元504可以包括图形处理器(Graphics Processing Unit，GPU)5041和麦克风5042，图形处理器5041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元506上。经图形处理器5041处理后的图像帧可以存储在存储器509(或其它存储介质)中或者经由射频单元501或网络模块502进行发送。麦克风5042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元501发送到移动通信基站的格式输出。
车载设备500还包括至少一种传感器505，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板5061的亮度，接近传感器可在车载设备500移动到耳边时，关闭显示面板5061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别车载设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器505还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
显示单元506用于显示由用户输入的信息或提供给用户的信息。显示单元506可包括显示面板5061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板5061。
用户输入单元507可用于接收输入的数字或字符信息，以及产生与车载设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元507包括触控面板5071以及其他输入设备5072。触控面板5071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板5071上或在触控面板5071附近的操作)。触控面板5071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器510，接收处理器510发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板5071。除了触控面板5071，用户输入单元507还可以包括其他输入设备5072。具体地，其他输入设备5072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
进一步的，触控面板5071可覆盖在显示面板5061上，当触控面板5071检测到在其上或附近的触摸操作后，传送给处理器510以确定触摸事件的类型，随后处理器510根据触摸事件的类型在显示面板5061上提供相应的视觉输出。虽然在图5中，触控面板5071与显示面板5061是作为两个独立的部件来实现车载设备的输入和输出功能，但是在某些实施例中，可以将触控面板5071与显示面板5061集成而实现车载设备的输入和输出功能，具体此处不做限定。
接口单元508为外部装置与车载设备500连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元508可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到车载设备500内的一个或多个元件或者可以用于在车载设备500和外部装置之间传输数据。
存储器509可用于存储软件程序以及各种数据。存储器509可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器509可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器510是车载设备的控制中心，利用各种接口和线路连接整个车载设备的各个部分，通过运行或执行存储在存储器509内的软件程序和/或模块，以及调用存储在存储器509内的数据，执行车载设备的各种功能和处理数据，从而对车载设备进行整体监控。处理器510可包括一个或多个处理单元；优选的，处理器510可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器510中。
车载设备500还可以包括给各个部件供电的电源511(比如电池)，优选的，电源511可以通过电源管理系统与处理器510逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外，车载设备500包括一些未示出的功能模块，在此不再赘述。
优选的，本发明实施例还提供一种车载设备，包括处理器510，存储器509，存储在存储器509上并可在所述处理器510上运行的计算机程序，该计算机程序被处理器510执行时实现上述横向定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述横向定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，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发明实施例方案的目的。
另外，在本发明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。
所述功能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或者该技术方案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)执行本发明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、ROM、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，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种横向定位方法，其特征在于，包括：
获取摄像头拍摄的第一图像，所述第一图像包括车辆至少一侧的墙角线；
将所述第一图像输入到墙角线检测模型，获得所述第一图像中的至少一个第一墙角线特征点，所述墙角线检测模型是利用卷积神经网络训练的网络模型；
根据所述至少一个第一墙角线特征点的第一坐标信息计算车辆与所述墙角线之间的横向距离；
其中，所述根据所述至少一个第一墙角线特征点的坐标信息计算车辆与所述墙角线之间的横向距离，包括：
以所述车辆的几何中心为原点，建立车辆坐标体系；
在所述车辆坐标体系中预先计算所述车辆的轮廓信息，并标定所述第一墙角线特征点的坐标与所述车辆的坐标之间的转换关系；
基于所述转换关系，将所述第一墙角线特征点的第一坐标信息转换为所述车辆坐标体系中的第二坐标信息；
根据每一所述第一墙角线特征点对应的第二坐标信息计算所述车辆与所述墙角线之间的横向距离。
2.根据权利要求1所述的方法，其特征在于，所述获取摄像头拍摄的第一图像包括：
获取位于车辆左侧的第一摄像头拍摄的第一子图像，以及位于车辆右侧的第二摄像头拍摄的第二子图像，其中，所述第一子图像包括所述车辆左侧的墙角线，所述第二子图像包括所述车辆右侧的墙角线，所述第一图像包括所述第一子图像和所述第二子图像。
3.根据权利要求1或2所述的方法，其特征在于，所述获取摄像头拍摄的第一图像之前，所述方法还包括：
获取多张第二图像，所述第二图像包括车辆至少一侧的墙角线；
在对所述第二图像中的第二墙角线特征点进行标注后，获取所述第二墙角线特征点的标注信息，所述标注信息包括所述第二墙角线特征点的坐标信息；
将所述多张第二图像以及每一第二图像对应的标注信息输入到卷积神经网络的网络模型中，并以墙角线特征点作为输出，进行训练得到所述墙角线检测模型。
4.一种车载设备，其特征在于，包括：
第一获取模块，用于获取摄像头拍摄的第一图像，所述第一图像包括车辆至少一侧的墙角线；
处理模块，用于将所述第一图像输入到墙角线检测模型，获得所述第一图像中的至少一个第一墙角线特征点，所述墙角线检测模型是利用卷积神经网络训练的网络模型；
计算模块，用于根据所述至少一个第一墙角线特征点的第一坐标信息计算车辆与所述墙角线之间的横向距离；
其中，所述计算模块具体用于：
以所述车辆的几何中心为原点，建立车辆坐标体系；
在所述车辆坐标体系中预先计算所述车辆的轮廓信息，并标定所述第一墙角线特征点的坐标与所述车辆的坐标之间的转换关系；
基于所述转换关系，将所述第一墙角线特征点的第一坐标信息转换为所述车辆坐标体系中的第二坐标信息；
根据每一所述第一墙角线特征点对应的第二坐标信息计算所述车辆与所述墙角线之间的横向距离。
5.根据权利要求4所述的车载设备，其特征在于，所述第一获取模块具体用于：获取位于车辆左侧的第一摄像头拍摄的第一子图像，以及位于车辆右侧的第二摄像头拍摄的第二子图像，其中，所述第一子图像包括所述车辆左侧的墙角线，所述第二子图像包括所述车辆右侧的墙角线，所述第一图像包括所述第一子图像和所述第二子图像。
6.根据权利要求4或5所述的车载设备，其特征在于，所述车载设备还包括：
第二获取模块，用于获取多张第二图像，所述第二图像包括车辆至少一侧的墙角线；
第三获取模块，用于在对所述第二图像中的第二墙角线特征点进行标注后，获取所述第二墙角线特征点的标注信息，所述标注信息包括所述第二墙角线特征点的坐标信息；
训练模块，用于将所述多张第二图像以及每一第二图像对应的标注信息输入到卷积神经网络的网络模型中，并以墙角线特征点作为输出，进行训练得到所述墙角线检测模型。
7.一种车载设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的横向定位方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的横向定位方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811644293.1A CN109685850B (zh) | 2018-12-29 | 2018-12-29 | 一种横向定位方法及车载设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811644293.1A CN109685850B (zh) | 2018-12-29 | 2018-12-29 | 一种横向定位方法及车载设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109685850A CN109685850A (zh) | 2019-04-26 |
| CN109685850B true CN109685850B (zh) | 2024-05-28 |
Family
ID=66191478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811644293.1A Active CN109685850B (zh) | 2018-12-29 | 2018-12-29 | 一种横向定位方法及车载设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109685850B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288650B (zh) * | 2019-05-27 | 2023-02-10 | 上海盎维信息技术有限公司 | 用于vslam的数据处理方法及扫描终端 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102066186A (zh) * | 2008-06-11 | 2011-05-18 | 法雷奥开关和传感器有限责任公司 | 在停车空间停车时辅助车辆司机的方法 |
| CN202600727U (zh) * | 2011-11-30 | 2012-12-12 | 富士重工业株式会社 | 侧壁检测装置 |
| CN104036253A (zh) * | 2014-06-20 | 2014-09-10 | 智慧城市系统服务（中国）有限公司 | 一种车道线追踪方法及系统 |
| CN105046235A (zh) * | 2015-08-03 | 2015-11-11 | 百度在线网络技术（北京）有限公司 | 车道线的识别建模方法和装置、识别方法和装置 |
| CN106643738A (zh) * | 2017-02-17 | 2017-05-10 | 深圳大学 | 一种室内定位系统与方法 |
| CN108022446A (zh) * | 2017-12-18 | 2018-05-11 | 维沃移动通信有限公司 | 一种停车位置获取方法、移动终端 |
| CN108297867A (zh) * | 2018-02-11 | 2018-07-20 | 江苏金羿智芯科技有限公司 | 一种基于人工智能的车道偏离预警方法及系统 |
| CN108694386A (zh) * | 2018-05-15 | 2018-10-23 | 华南理工大学 | 一种基于并联卷积神经网络的车道线检测方法 |
-
2018
- 2018-12-29 CN CN201811644293.1A patent/CN109685850B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102066186A (zh) * | 2008-06-11 | 2011-05-18 | 法雷奥开关和传感器有限责任公司 | 在停车空间停车时辅助车辆司机的方法 |
| CN202600727U (zh) * | 2011-11-30 | 2012-12-12 | 富士重工业株式会社 | 侧壁检测装置 |
| CN104036253A (zh) * | 2014-06-20 | 2014-09-10 | 智慧城市系统服务（中国）有限公司 | 一种车道线追踪方法及系统 |
| CN105046235A (zh) * | 2015-08-03 | 2015-11-11 | 百度在线网络技术（北京）有限公司 | 车道线的识别建模方法和装置、识别方法和装置 |
| CN106643738A (zh) * | 2017-02-17 | 2017-05-10 | 深圳大学 | 一种室内定位系统与方法 |
| CN108022446A (zh) * | 2017-12-18 | 2018-05-11 | 维沃移动通信有限公司 | 一种停车位置获取方法、移动终端 |
| CN108297867A (zh) * | 2018-02-11 | 2018-07-20 | 江苏金羿智芯科技有限公司 | 一种基于人工智能的车道偏离预警方法及系统 |
| CN108694386A (zh) * | 2018-05-15 | 2018-10-23 | 华南理工大学 | 一种基于并联卷积神经网络的车道线检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109685850A (zh) | 2019-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108427876B (zh) | 一种指纹识别方法及移动终端 | |
| CN109977845B (zh) | 一种可行驶区域检测方法及车载终端 | |
| CN107749194B (zh) | 一种变道辅助方法及移动终端 | |
| CN109583271B (zh) | 一种对车道线进行拟合的方法、装置及终端 | |
| CN107977652B (zh) | 一种屏幕显示内容的提取方法及移动终端 | |
| CN107645609B (zh) | 一种亮度调节方法及移动终端 | |
| CN108846663B (zh) | 一种二维码调整方法、装置及移动终端 | |
| CN107826109B (zh) | 车道保持方法和装置 | |
| CN108960120B (zh) | 一种指纹识别处理方法及电子设备 | |
| CN111401463B (zh) | 检测结果输出的方法、电子设备及介质 | |
| CN110519503B (zh) | 一种扫描图像的获取方法及移动终端 | |
| CN109784234B (zh) | 一种基于前向鱼眼镜头的直角弯识别方法及车载设备 | |
| CN111601063A (zh) | 视频处理方法及电子设备 | |
| CN107784298B (zh) | 一种识别方法及装置 | |
| CN109711477B (zh) | 一种自动驾驶模型的训练方法及装置 | |
| CN110933307A (zh) | 一种电子设备及图像处理方法 | |
| CN112464831B (zh) | 视频分类方法、视频分类模型的训练方法及相关设备 | |
| CN108196663B (zh) | 一种人脸识别方法、移动终端 | |
| CN109685850B (zh) | 一种横向定位方法及车载设备 | |
| CN110769162B (zh) | 电子设备及对焦方法 | |
| CN112927539A (zh) | 用于自动泊车的建图方法及装置 | |
| CN109040457B (zh) | 一种屏幕亮度调节方法及移动终端 | |
| CN107977591B (zh) | 一种二维码图像识别方法及移动终端 | |
| CN110647892A (zh) | 违章报警提示方法、终端及计算机可读存储介质 | |
| CN110046569B (zh) | 一种无人驾驶数据处理方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |